Do sự thay đổi tự nhiên của nhu cầu thiêu thụ điện việc sử dụng phương pháp thông thường không thể cung cấp cho chúng ta kết quả chính xác. Do đó, ta sử dụng hệ suy luận mờ dựa trên mạng thích nghi (ANFIS) để giảm bớt vấn đề nàỵ Kết cấu chính của phương pháp thông minh được giải thích như sau:
Bƣớc 1: Xác định các yếu tố đầu vào của mô hình. Xem xét nghiên cứu
trước đây, các biến số quan trọng nhất mà có tác động đáng kể đến mức tiêu thụ điện năng.
Bƣớc 2: Thu thập một tập dữ liệu có sẵn trong tất cả các giai đoạn trước
đây cho mỗi biến đầu vào và biến đầu rạ Ngoài ra, tất cả các dữ liệu đầu vào đượcchuẩn hoá.
Bƣớc 3: Chia dữ liệu thành hai bộ, một bộ để ước lượng các mô hình,
được gọi là tập dữ liệu đào tạo, và cái kia để đánh giá tính hợp lệ của các mô hình ước lượng, được gọi là tập hợp dữ liệu thử nghiệm (kiểm tra). Thông thường các tập dữ liệu đào tạo có 70% đến 90% của tất cả các dữ liệu và các dữ liệu còn lại được sử dụng cho các bộ dữ liệu thử nghiệm.
Bƣớc 4: Bước này được áp dụng với tất cả các mô hình ANFIS hợp lý
liên quan đến hai thông số chính.
Bƣớc 5: Khả năng dự đoán của các mô hình được đánh giá ở bước này
thông qua MAPẸ Như là dữ liệu đầu vào được sử dụng để ước lượng mô hình có quy mô (tỷ lệ), khác nhau, phương pháp MAPE là phương pháp ưu tiên để ước tính sai sót tương đốịXem xét giá trị của MAPE, các mạng ANFIS tốt nhất được chọn trong mỗi trường hợp để dự đoán mức tiêu thụ khí đốt.
Bƣớc 6: Giá trị của các biến đầu vào trong thời gian tới được dự báo bởi
việc sử dụng mô hình tự hồi quị
Bƣớc 7: Các giá trị sản lượng được đưa đến ANFIS đã chọn mà đãđược
xác định ở bước 5.
Cuối cùng, giá trị của tiêu thụ điện năng mỗi năm sau được tính bởi ANFIS đã chọn và các giá trị của các biến đầu vào mà đãđưa đến ANFIS. Cuối cùng, mức độ tiêu thụ điện năng được dự đoán giá trị cho mỗi năm tính theo quy mô ban đầu của nó và phù hợp để phân tích và sử dụng trong việc đưa ra quyết định [7].
lý và sau khi chế biến để loại bỏ nhiễu có thể.Thứ hai, nó xác định mô hình ANFIS tốt nhất dựa trên MAPE tối thiểụThứ ba, xem xét tiêu chuẩn các biến đầu vào của việc dự toán nhu cầu điện dài hạn.Thứ tư, nó cung cấp một giải pháp chính xác hơn phương pháp trước đây (chẳng hạn như hồi quy thông thường) vì nó sử dụng ANFIS, trong đó sử dụng mô hình nơron thích nghi và logic mờ.
Những bước này xử lý hiệu quả sự không chắc chắn, nhiễu, và phi tuyến tính trong tập dữ liệu nhất định (cho trước) và cung cấp các giải pháp tối ưụ Thứ năm, nó được áp dụng cho việc dự đoán tiêu thụ khí đốt trong những năm tớị
Một phương pháp cụ thể trong việc phát triển Noron mờ là hệ suy luận mờ dựa trên mạng thích nghi (ANFIS), hệ suy luận nàyđã cho thấy kết quả đáng kể trong các hàm mô hình phi tuyến (Jang et al., 1997).ANFIS sử dụng một mạng lưới chuyển tiếp để tìm kiếm các quy tắc quyết định mờ cái mà hoạt động tốt trên một nhiệm vụ nhất định. Sử dụng một tập dữ liệu đầu vào-đầu ra nhất định, ANFIS tạo ra một hệ thống suy luận mờ (FIS) mà hàm thông số thành viên được điều chỉnh bằng cách sử dụng một thuật toán lan truyền ngược độc lập (một mình) hoặc kết hợp một thuật lan truyền ngược với một phương pháp bình phương cực tiểụ Điều này cho phép các hệ thống mờ nhận được thông tin qua những dữ liệu được mô hình hóạXem xét một mô hình mờ Takagi-Sugeno bậc nhất (lệnh đầu tiên) với hai đầu vào (x, y), một đầu ra; hệ thống có hai hàm thành viên cho mỗi đầu vào [8]. Một mô hình mờ bậc nhất Sugeno có hai quy tắc:
•Quy tắc 1: Nếu x là A1 và y là B1, thì f1 = p1x + q1y + r1
Lớp 1: Khi đó, các chức năng của ANFIS là một cấu trúc nơron feed-
forward năm lớp, và các hàm của các nút trong các lớp có thể được tóm tắt như sau:
O1,i = µAi (x) với i=1,2; (3.1) O1,i= µBi-2 (y) với i=3,4; (3.2)
Lớp 2: Trường hợp x hoặc y là đầu vào cho các nút, Ai hay Bi-2 là một tập mờ được liên kết với nút nàỵ Ở lớp đầu tiên, với mỗi đầu vào, các lớp thành viên trong tập mờ tương ứng được ước tính (dự kiến,…). O1,ilà lớp thành viên của tập mờ (A1, A2, B1, B2). Ở lớp thứ hai, tất cả các quy luật tiềm ẩn giữa các yếu tố đầu vào được xây dựng bằng cách áp dụng điểm giao nhau mờ (AND).
O2,i = wi = µAi(x) x µBi (y), i=1,2; (3.3)
Lớp 3: Lớp thứ ba được sử dụng để ước tính tỷ lệ cường độ đốt cháy của
những quy tắc thứ i với tổng tất cả các cường độ đốt cháy của quy luật. (dòng)
i=1,2; (3.4)
Lớp 4:
; (3.5)
Khi là đầu ra của lớp 3 và { pi, qi, ri} là tập hợp tham số. Các thông số trong lớp này sẽ là các thông số kết quả.
Lớp 5: Lớp cuối cùng tính tổng các đầu ra là tổng của tất cả các tín hiệu
đến từ lớp 4.
Hình 3.1.Cấu trúc ANFIS với hai đầu vàọ
Hình 3.1 cho thấy cấu trúc của ANFIS.Tối ưu hóa giá trị của các tham số thích nghi rất quan trọng đối với việc hiệu suât của các hệ thống thích nghị Jang et al. (1997) đã phát triển một thuật toán học lai cho ANFIS, thuật toán này nhanh hơn so với phương pháp lan truyền ngược cổ điển để ước tính giá trị chính xác của các thông số mẫụ Các thuật toán học lai ghép của ANFIS bao gồm hai giai đoạn luân phiên : (1) xuống dốc (giảm độ dốc), giai đoạn mà tính toán các tín hiệu lỗi đệ quy quay lui từ các lớp đầu ra đến các nút đầu vào, và (2) phương pháp bình phương tối thiểu giai đoạn mà phát hiện ra một tập hợp các thông số hiệu suất (tiếp theo) có tính khả thị Ta nhận thấy rằng, đưa ra các giá trị cố định các yếu tố của các thông số giả thuyết (tiền đề), tổng sản lượng đầu ra có thể được thể hiện như một sự kết hợp tuyến tính của các thông số tiếp theọ Kiến trúc ANFIS không phải là duy nhất.Một số lớp có thể được kết hợp và vẫn cho kết quả tương tự.Trong kiến trúc ANFIS này, có hai lớp thích ứng (1, 4).Lớp 1 có ba thông số sửa đổi (có thể thay đổi được) {ai, bi và ci} liên quan đến đầu vào MFS. Các thông số này được gọi là các thông số tiền đề ( giả thuyết). Lớp 4 cũng có ba sửa đổi {pi, qi và ri} liên quan đến đa thức đầu tiên.
Trong luận văn này, việc ước tính sản lượng điện tiêu thụ của tỉnh Bắc Giang được tính toán bằng cách sử dụng hệ suy luận mờ theo các bước như trên dựa trên mạng thích nghi (ANFIS).