Các thuật toán đãđề xuất được áp dụng cho 14 bộ dữ liệu đó là bộ số liệu về GDP và dân số, lượng điện tiêu thụ của tỉnh Bắc Giang từ năm 2001- 2014. Các thuật toán đãđề xuất được áp dụng cho các tập hợp dữ liệu như sau:
Bƣớc 1
Dân số và tổng sản phẩm quốc nội (GDP), số liệu điện tiêu thụ năm trướcđược coi là biến đầu vào của ANFIS trong nghiên cứu nàỵ
Bƣớc 2
Đối với các biến đầu vào (dân số và GDP) đãđược xác định ở bước 1 và các biến đầu ra (tiêu thụ điện), các dữ liệu có liên quan được rút ra từ được trình bày trong Bảng 3.1, 3.2 và 3.3
Bƣớc 3
14 dòng dữ liệu được chia thành 14 dữ liệu huấn luyện (2001- 2014).Theo đó, ngoại suy và dự đoán khả năng của ANN phải được tính toán; Do đó, các dữ liệu bộ dữ liệu để sử dụng cho thử nghiệm đã chọn của giai đoạn đó là gần hơn với các năm trước.
Bƣớc 4: Hai thông số đãđược xem xét trong việc xây dựng và kiểm tra các mô hình ANFIS hợp lý. Các loại hàm thành viên và số lượng các biến ngôn ngữ là hai thông số nói trên. Sáu hàm thành viên khác nhau được xem xét trong việc xây dựng ANFIS, như sau: Các hàm thành viên được xây dựng bao gồm sự khác biệt giữa dsig, hàm thành viên kết hợp Gaussian (gauss2), hàm thành viên đường cong tích hợp gausian, hàm thành viên tích hợp khái quát hóa gbell, hàm thành viên tích hợp hình psig và hàm thành viên tích hợp hình thang Ngoài ra, số lượng của các biến ngôn ngữ được coi là từ 2 đến 20. Ta sử dụng MATLAB để mô phỏng nghiên cứu nàỵ
Bƣớc 5
Các cấu trúc được thể hiện dưới đây có MAPE tối thiểu trong tất cả các cấu trúc khác.Các cấu trúc với MAPE tối thiểu được hiển thị dưới đâỵBảng 3 trình bày các cấu trúc của các mô hình dài hạn. MF là viết tắt của hàm thành viên trong phương pháp ANFIS.
Bƣớc 6
Để dự báo với phương pháp ANFIS, cần dự báo các biến độc lập dân số và GDP.Ngoài ra, nghiên cứu trước đây sử dụng chuỗi thời gian để dự báo các biến độc lập [7]. Việc dự báo trong tương lai cho mỗi biến độc lập được thực hiện theo mô hình tự hồi quy đó là một trong những mô hình chính trong lĩnh vực chuỗi thời gian.
+ Cấu trúc dữ liệu
Do thiếu dữ liệu hàng năm AR (1) được coi là mô hình chuỗi thời gian. Do đó, mô hình chuỗi thời gian cho biếnđộc lập xi là:
Xi = a Xi-1+b
Bƣớc 7: Dự báo tiêu thụ điện trong tương lai
Theo cấu trúc dữ liệu, các giá trị của các biến độc lập được nạp vào các ANFISđã chọn như các đầu vào, và sau đó là giá trị sản lượng thu được trong cùng thời kỳ. Sau đó tính toán các giá trị dự báo về tiêu thụ điện ở Bắc Giang.
3.3. Chƣơng trình thử nghiệm và kết quả
Qua phân tích số liệu thống kê trong thời gian quá khứ về điện năng tiêu thụ và tốc độ tăng trưởng các thành phần kinh tế, đánh giá mối tương quan với điện năng cho thấy, điện năng tiêu thụ của tỉnh Bắc Giang có quan hệ chặt với tổng thu nhập quốc dân (GDP) và dân số.
3.3.1. Huấn luyện mạng
Hình 3.2. Thiết lập số liệu đầu vào cho bài toán
3.3.2. Cấu trúc của anfis
Hình 3.4. Cấu trúc của anfisvới bài toán dự báo điện
Cấu trúc ANFIS cho bài toán dự báo điện ở đây có 3 đầu vào (input) và một đầu ra (output), có 3 hàm thành viên cho mỗi đầu vào (input MF), sinh ra 27 luật (Rule) và 27 hàm thành viên cho mỗi đầu ra (output MF).
Quá trình tính toán và mờ hóa trong cấu trúc này được thực hiện như sau: Sử dụng mô hình mờ Sugenọ Khi đó cấu trúc ANFIS là một cấu trúc nơron gồm 5 lớp, chúng ta có thể biểu thị nút thứ i trong lớp thứ k bằng (k,i) và hàm nút của nó (dữ liệu xuất của nút) bằng Ok,i
Lớp 1: O1,i = µAi (x) với i= 1,2,3; O1,i= µBi-3 (y) với i= 4,5,6; O1,i= µCi-6 (y) với i= 7,8,9;
Trong đó: Ai, Bi-3, Ci-6 là các nhãn ngôn ngữ của đầu vào thứ ị µAi , µBi-3 ,µCi-6 là hàm thuộc của các nhãn ngôn ngữ.
Lớp 2: Ở lớp thứ 2, tất cả các quy luật tiềm ẩn giữa các yếu tố đầu vào
được xây dựng bằng cách áp dụng điểm giao nhau mờ
O2,i = µAi (x) xµBi (x) với i= 1,2,3;
Lớp 3: O3,i , trong đó là đầu ra của lớp 3
Lớp 4: , trong đó là tập
Lớp 5: Tổng các đầu ra
Hình 3.5. Các luật đƣợc tạo ra bởi Anfis
Hình 3.7. Mặt suy diễn của hệ ANFIS
3.3.3. Kết quả dự báọ
Khi so sánh các kết quả dự báo với điện tiêu thụ thực tế qua các năm 2001 đến 2013, ta thấy kết quả dự báo tiệm cận gần đúng với các giá trị thu thập trong thời gian khảo sát.
Bảng 3.5. Kết quả số liệu khảo sát và giá trị dự báo: Năm Điện tiêu thụ thực tế
(103xGWh)
Điện tiêu thụ dự báo (103xGWh) 2001 230472 2.37e+003 2002 290734 3.04e+003 2003 313635 2.82e+003 2004 338602 3.51e+003 2005 392447 4.4e+003 2006 461420 4.14e+003 2007 512992 4.37e+003 2008 588906 5.22e+003 2009 713713 7.08e+003 2010 767735 8.05e+003 2011 904497 9.11e+003 2012 1129808 1.13e+004 2013 1312355 1.31e+004 2014 1410325 1.41e+004
Đánh giá mô hình dự báo
Hình 3.3 cho thấy mức độ chẩn đoán của hệ thống, các dữ liệu được đưa vào kiểm tra chính là các mẫu được huấn luyện và hệ thống đã đưa ra các đầu ra gần như sắp xỉ với các mẫu huấn luyện.
Hình 3.8 đã chỉ ra sai số của quá trình huấn luyện mạng, điều đó cho thấy việc xấp xỉ hàm dự báo đảm bảo yêu cầu và mô hình ANFIS thể hiện được các hành vi về dữ liệu huấn luyện cũng như dữ liệu kiểm trạ
Như vậy, kết quả mức điện dự báo rất gần với mức điện tiêu thụ trong thực tế.Kết quả dự báo của mô hình mạng ANFIS chỉ ra rằng mô hình đề xuất là phù hợp và chính xác để dự báo nhu cầu điện tiêu thụ.
Để dự báo điện tiêu thụ cho các năm tiếp theo, ta cần số liệu dân số và GDP của các năm trong tương laị Vì vậy cần xây dựng ANFIS có cấu trúc 1 đầu vào và 1 đầu ra dựa trên số liệu đã có để huấn luyện mạng dự báo dân số và DGP.
Hai hàm dự báo được viết dưới đây nhằm dự báo dân số và chỉ số GDP của các năm tiếp theọ
Hàm dự báo dân số: function kq=dudoan_dan(a) input_anfis; fis= genfis1([nam',x1'],3,'trimf'); outfis=anfis([nam',x1'],fis,5); kq=evalfis(a,outfis); end Hàm dự báo GDP: function kq=dudoan_gdp(a)
fis= genfis1([nam',x2'],3,'trimf'); outfis=anfis([nam',x2'],fis,5);
kq=evalfis(a,outfis); end
Trong đó:
- Biến “nam” có cấu trúc là mảng 1 chiều có 14 phần tử, giá trị gồm các năm từ 2001 đến 2014.
- Biến “x1” là mảng 1 chiều, có 14 phần tử, giá trị các phần tử là dân số các năm từ 2001 đến 2014.
- Biến “x2” là mảng 1 chiều, có 14 phần tử, giá trị các phần tử là GDP các năm từ 2001 đến 2014.
Giả sử cần dự đoán chỉ số tiêu thụ điện năm 2015, ta gọi 2 hàm Danso2015= dubao_dien(2015);
Gdp2015= dubao_gdp(2015);
Kết quả được: Danso2015= 1597 (nghìn); Gdp2015= 32257 (tỷ);
Dựa vào điện tiêu thụ năm cũ 2014. Áp dụng mạng Anfis đã huấn luyện trên ta được chỉ số tiêu thụ điện năm 2015 là: 152928 x103
(GWh)
Tương tự, ta có bảng dự báo kết quả điện thiêu thụ các năm 2015,2016,2017 như sau:
Bảng 3.6. Dự báo điện các năm 2015, 2016, 2017 Năm Dân số dự báo
(nghìn)
GDP dự báo (tỷ)
Điện tiêu thụ dự báo (103xGWh)
2015 1547 32126 151625
2016 1612 32567 173561
KẾT LUẬN
Trong luận văn này,tác giảđề cập đến một vấn đề đã và đang được nghiên cứu rộng rãi, đó là hệ suy diễn mờ trên cơ sở mạng thích nghi (ANFIS). Đây là một hệ được ứng dụng rất nhiều trong thực tế, đặc biệt là trong các lĩnh vực như dự đoán, phân lớp…Bài toán dự báo sản lượng điện tiêu thụ là một trong những yêu cầu của sự phát triển kinh tế xã hộị Khu vực miền Bắc nói chung và tỉnh Bắc Giang nói riêng cũng nằm trong xu thế phát triển và cần thiết phải dự báo nhiều chỉ tiêu, trong đó có sản lượng điện tiêu thụ. Trong quá trình tìm hiểu và nghiên cứu, được sự giúp đỡ nhiệt tình của PGS.TS Lê Bá Dũng cùng với sự cố gắng của bản thân thì luận văn đãđạt được những kết quả sau:
+ Nghiên cứu lý thuyết mạng Nơron bao gồm các loại mạng, kiến trúc của chúng, các thuật toán luyện mạng, phân tích được các khả năng hoạt động của chúng. Nghiên cứu lý thuyết lôgic mờ, các hệ mờ thường gặp nhằm làm sáng tỏ quá trình suy luận của một hệ mờ trong thực tế để áp dụng xây dựng một hệ mờ cho dự báo sản lượng tiêu thụ điện.
+ Tìm hiểu cấu trúc mạng ANFIS, các thuật toán huấn luyện và những ứng dụng rộng lớn trong thực tế đặc biệt là trong bài toán dự báo tiêu thụ điện.
+Xây dựng mô hình mạng ANFIS cho bài toán dự báo lượng tiêu thụ điện năng với bađầu vào, một đầu rạ
+ Thu thập dữ liệu, tiền xử lý dữ liệu phục vụ việc huấn luyện và kiểm trạ +Cài đặt mô hình mạng ANFIS trên môi trường matlab
Chương trình thực nghiệm chạy cho kết quả dự đoán khá chính xác.Để có kết quả dự báo chính xác hơn hướng nghiên cứu tiếp theo là:
+Phân tích dữ liệu loại bỏ những mẫu dữ liệu cực đoan để có được tập dữ liệu tốt phục vụ huấn luyện.
Do thời gian và năng lực còn hạn chế, tác giả luận văn kính mong sự chỉ bảo và đóng góp ý kiến của các Thầy Cô và các bạn để luận văn đạt kết quả tốt hơn. Cuối cùng, tác giả xin chân thành cảm ơn PGS.TS. Lê Bá Dũng, người đã tận tình hướng dẫn trong suốt thời gian thực hiện đề tài!
TÀI LIỆU THAM KHẢO * Tiếng Việt:
[1] Nguyễn Đình Thúc,Mạng nơ ron - Kỹ thuật lan truyền ngược, Nhà xuất bản khoa học kỹ thuật, 2000.
[2] Phan Xuân Minh, Nguyễn Doãn Phước, Lý thuyết điều khiển mờ, NXB Khoa học và kỹ thuật, 2002.
[3] Bùi Công Cường, Nguyễn Doãn Phước, Hệ thống mạng Nơron mờ và ứng dụng, NXB Khoa học và Công nghệ, 2006.
[4] Nguyễn Như Hiền, Lại Khắc Lãi, Hệ mờ và mạng nơ-ron trong kỹ thuật điều khiển, NXB Khoa học tự nhiên và Công nghệ, 2007
[5] Lê Bá Dũng, Bài giảng mạng Nơron và ứng dụng lớp Cao học Thái Nguyên, 2012.
* Tiếng Anh:
[6] C.T. Lin and C.S.G. Lee, Neural Fuzzy Systems, Prentice Hall, London, 1996.
[7] Ali Azadeh, Morteza Saberi, Vahid Nadimi, Mino Iman, Alireza Behrooznia, An Integrated Intelligent Neuro-Fuzzy Algorithm for Long- Term Electricity Consumption: Case of Selected EU Countries, Acta Polytechnica Hungarica, Vol.7, Nọ4, 2010.
[8]. Takagi, T., Sugeno, M. (1985) Fuzzy Identification of Systems and its Application to Modeling and Control. IEEE Transactions on Systems, Man and Cybernetics 15(1), 116-132.
* Trang web:
[9] http://www.bacgiangintradẹgov.vn/ [10] http://www.ebook.edụvn/