e. Mô hình đường cong chữ S
2.4.4. Dự báo nhu cầu điện dựa trên kỹ thuật trí tuệ nhân tạo
Trí tuệ nhân tạo, một ngành khoa học nhằm mô phỏng bằng máy tính về hành vi thông minh của con người. Một trong những ứng dụng của nó là mạng neuron nhân tạo ANN (Artifical Neuron Networks). Mạng neuron có khả năng chiết xuất thông tin từ những dữ liệu không chắc chắn hay những dữ liệu phức tạp nhằm phát hiện ra những xu hướng không quan sát được bằng mắt thường hoặc bằng một số các kỹ thuật máy tính khác. Gần 90% các mạng neuron ứng dụng ngày nay sử dụng phương pháp lan truyền ngược (back propagation). Một trong những ứng dụng của mạng neuron lan truyền ngược (back-propagation Neuron Network) là khả năng dự báo: khi cho một tập mẫu dữ liệu theo thời gian, mạng neuron lan truyền ngược có thể dự báo các giá trị của mẫu đó trong tương lai.
Trong hệ thống Neuron, nhiều thí dụ được lập chương trình trong máy vi tính. Những thí dụ này bao gồm toàn bộ các mối quan hệ trong quá khứ giữa các biến có thể ảnh hưởng đến các biến phụ thuộc. Chương trình
hệ thống Neuron sau đó bắt chước thí dụ này và cố gắng bắt chước mối quan hệ cơ sở đó bằng cách học hỏi khi xử lý. Quá trình học hỏi này cũng được gọi là đào tạo giống như việc đào tạo con người trong công việc.
Một mạng neuron nhân tạo được biểu diễn bằng một tập các nút và các cung có hướng giống như trong lý thuyết đồ thị. Một nút tương ứng với một neuron. Một cung tương ứng với một đường nối có chiều là chiều truyền của tín hiệu giữa các neuron. Các neuron trong mạng được phân chia thành các neuron đầu vào, có nhiệm vụ nhận dữ liệu từ môi trường; các neuron ẩn, biến đổi dữ liệu biểu diễn; và neuron đầu ra, biểu diễn các tín hiệu quyết định hoặc tín hiệu điều khiển.
Mỗi một neuron nhân tạo nhận một tập các tín hiệu thông tin vào X1,
X2, ..., Xn (hình 2.9). Mỗi tín hiệu vào Xi được nhân với một trọng số Wi
tựa như lực khớp nối trong neuron sinh học.
Hình 2.9. Quá trình xử lý thông tin của neuron nhân tạo
Tổng của tất cả các đầu vào có trọng số xác định độ kích thích (degree of firing) của neuron và còn gọi là mức tích cực (activation level) của neuron. Tổng này được biểu diễn như sau:
Net = X Wi i
i
∑ = X.W (2.95)
với X = [X1, X2,..., Xn] là véc tơ đầu vào
và W = [W1, W2,..., Wn] là véc tơ trọng số tương ứng. 54 Các trọng số Ngưỡng Hàm kích hoạt Tổng trọng hoá
Tín hiệu vào sau đó được xử lý nhờ hàm kích hoạt (activation function) hay còn gọi là hàm truyền (transfer function) để tạo tín hiệu ra. Tín hiệu ra sẽ được truyền đi nếu nó khác 0.
Trong hình 2.10 các neuron được biểu diễn bởi hình tròn, theo cách thông thường, chúng luôn luôn được đặt tại đỉnh, trong khi các neuron đầu ra luôn luôn đặt tại đáy. Trạng thái của mạng tại mỗi thời điểm được biểu diễn bởi một tập các giá trị cưỡng bức qua tất cả các neuron.
a) Mô hình mạng một nút ; b) Mô hình mạng với 3 nút vào 3 nút ẩn và 2 nút ra
Một trong những ưu điểm nổi bật của hệ thống Neuron trong dự báo là phương pháp này không cần phải xác định những mối quan hệ giữa các biến số trước. Phương pháp này có thể xác định nhờ vào quá trình học hỏi về các mối quan hệ qua những thí dụ đã được đưa vào máy. Cũng vậy, hệ thống Neuron không đòi hỏi bất kỳ giả định nào về các phân phối tổng thể và không giống những phương pháp dự báo truyền thống, nó có thể sử dụng mà không cần có đầy đủ số lượng các số liệu cần thiết. Chương trình hệ thống Neuron có thể thay thế nhanh chóng mô hình hiện có, ví dụ như phân tích hồi quy, để đưa ra những dự báo chính xác mà không cần ngưng trệ các hoạt động đang diễn ra. Hệ thống Neuron đặc biệt hữu ích khi số liệu đầu vào có tương quan cao hay có số lượng không đủ, hoặc khi hệ thống mang tính phi tuyến cao.
Hình 2.10. Mô hình mạng neuron
Phương pháp này cho kết quả dự báo có độ chính xác cao, dự báo được các sự kiện phụ thuộc thời gian. Các kết quả tính toán cho thấy kỹ
thuật dự báo dùng mạng neuron có thể làm tăng độ chính xác dự báo so với các phương pháp thống kê, ngoài ra, nó còn có một số ưu điểm nổi bật so với các phương pháp thống kê truyền thống là:
- Không cần biết những thông tin trong tương lai, vẫn có thể dự báo cho một yếu tố mà nó phụ thuộc vào những thông tin ấy.
- Mạng neuron kết hợp giải thuật học lan truyền ngược với giải thuật di truyền (GAs) có khả năng dự báo đa biến, không bị hạn chế về số lượng như trong một số phương pháp truyền thống khác.
- Có thể dự báo nhiều thời điểm trong tương lai. - Có khả năng áp dụng trong thời gian thực.
- Không phải tính toán các biến trễ để xác định các biến vào cho dự báo. Không bị giới hạn khoảng dự báo và giả thời gian thực như trong các phương pháp thống kê mà có khả năng nhìn toàn cục, dự báo nhiều thời điểm trong tương lai.
- Không mất nhiều công sức phân tích và tính toán các tham số đầu vào cho một mô hình hồi quy để dự báo.