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.
Thời điểm giữa năm 2005 sản lượng điện tiêu thụ đột biến trong khi đó nguồn tài nguyên nước tại thời điểm đó bị thiếu hụt dẫn đến ảnh hưởng lớn đến nền kinh tế Việt Nam.Vì vậy dự báo sản lượngđiện đóng vai trò hết sức quan trọng đối với việc quy hoạch, đầu tư, phát triển nguồn điện và vận hành hệ thống điện.Nhu cầu tiêu thụ điện năng phụ thuộc vào khả năng phát triển của nền kinh tế quốc dân, nếu dự báo sản lượng quá thấp so với nhu cầu thực tế thì dẫn đến kết quả nguồn dự phòng thấp, không đáp ứng đầy đủ nhu cầu điện cho sản xuất công nghiệp và tiêu dùng, còn nếu dự báo sản lượng quá cao sẽ phải huy động các nguồn đắt tiền gây lãng phí cho nền kinh tế nước nhà [9].
Dự báo sản lượng dài hạn (khoảng 10-20 năm) nhằm mục đích cung cấp dữ liệu cho công tác quy hoạch và đầu tư phát triển HTĐ. Còn dự báo sản lượng ngắn hạn (trong vòng 30 ngày) có nhiệm vụ đảm bảo vận hành hệ thống điện an toàn và kinh tế. Đối với dự báo dài hạn có tính chất chiến lược thì chỉ nêu lên những phương hướng phát triển chủ yếu mà không yêu cầu xác định chỉ tiêu cụ thể.
Các chức năng quan trọng trong kế hoạch vận hành HTĐ như phân phối nguồn một cách kinh tế, hiệu quả, lên kế hoạch bảo dưỡng và sửa chữa, thường được thực hiện nhờ việc dự báo sản lượng, vì vậy dự báo sản lượngđóng vai trò đặc biệt quan trọng đối với điều độ viên, những người
Dự báo chính xác sản lượng cao điểm có hiệu quả lớn về kinh tế vào mùa lũ khi cần khai thác tối đa nguồn thủy điện, trong khi nước các hồ chứa đang xả thì các nguồn điện khác huy động chỉ nhằm mục đích an toàn, bù điện áp và phủ đỉnh. Nếu sai số dự báo sản lượng lúc cao điểm giảm 2%, Điều độ Quốc Gia (ĐĐQG) có thể tiết kiệm được khoảng 80 MW nguồn tuabin khí chạy dầu đắt tiền chạy phủ đỉnh lúc cao điểm, góp phần đáng kể vào việc tăng hiệu quả vận hành HTĐ và tiết kiệm được hàng trăm triệu đồng trên mỗi giờ cho ngành điện nói riêng và cho cả nền kinh tế Quốc dân nói chung.
3.1.2. Các phƣơng pháp và mô hình dự báo điện năng trên thế giới
Năng lượng là một đầu vào quan trọng cho sự phát triển kinh tế xã hội của bất kỳ quốc gia nàọ Sự tăng lên trong việc tiêu thụ năng lượng thực chất liên quan đến sự tăng trưởng trong nền kinh tế [7, 8]
Các mô hình khác nhau đã được áp dụng để mô tả và dự báo trước sự gia tăng của nhu cầu về năng lượng. Chavez et al. (1999) sử dụng mô hình phân tích chuỗi thời gian Box-Jenkins (ARIMA) để xây dựng những mẫu dự báo cho những dự đoán của việc sản xuất và tiêu thụ năng lượng ở Asturias, miền Bắc Tây Ban Nha [7]. Theo một quan điểm thống kê, xu hướng trong hiện tại và tương lai gần về tiêu thụ năng lượng bằng cách xem xét hai yêu tố, cụ thể là sự gia tăng dân số và sự phát triển kinh tế đã được bàn luận bởi Kadoshin et al. Các nhà dự báo tập trung vào sự kết hợp của mạng lưới thần kinh nhân tạo (ANN) với các ứng dụng để dự đoán nhu cầu tiêu thụ khí ga hàng ngày bằng các tiện ích từ gạ Saab et al. (2001) đã nghiên cứu phương pháp mô hình đơn biến (mẫu biến số) khác nhau cho các dự báo tình hình tiêu thụ năng lượng hàng tháng ở Lebanon. 3 mô hình đơn biến đã được sử dụng là: tự hồi quy, tự hồi qui tích hợp trung bình trượt (ARIMA) và một cấu hình mới kết hợp giữa phần bình quân dịch chuyển AR với một bộ lọc có đường truyền caọ Một mô hình cung cấp dầu và khí đốt (OGSM ) đã được giải quyết và các dự đoán tình hình cung - cầu về dầu và khí đốt tự nhiên cho Canada đến năm 2020 đã được trình bày (JaiPersaud và Uma Kumar, 2001). Chow (2001) đã thảo luận về
ngành tiêu thụ năng lượng tại Hồng Kông trong giai đoạn 1984-1997 và đặc biệt nhấn mạnh khu vực (ngành hoạt động) hộ gia đình.
Ediger và Tatlldil (2002) đã sử dụng một kỹ thuật bán thống kê để lập các mô hình dự báo để dự đoán nhu cầu năng lượng chính trong Thổ Nhĩ Kỳ và phân tích về các mô hình tuần hoàn.Ređy và Balachandra (2003) tìm ra các yếu tố khác nhau ảnh hưởng đến nhu cầu năng lượng ở Ấn Độ và năng lượng tiên tiến cùng với viễn cảnh môi trường trong năm 2010. Điều này được thực hiện bằng cách phát triển một mô hình toán học tích hợp kết hợp nhiều yếu tố như GDP và tăng dân số [7].
Các mô hình được trình bày trong Siemek et al. (2003) ước tính nhu cầu khí đốt tự nhiên, dựa trên xu thế bình quân của phát triển kinh tế, mô hình này được coi như sản phẩm (sản lượng)/nhu cầu tự nhiên cực đại của các hãng (vận tải) năng lượng.
Sự dự đoán này đã được tải lên với một số lỗi do sử dụng số liệu bình quân liên quan đến sự gia tăng của tổng sản phẩm quốc gia hàng năm. Gorucu et al. (2004) đào tạo các ANNs giải quyết (lựa chọn) các thông số tối ưu được sử dụng trong việc dự báo tiêu thụ khí đốt cho ứng dụng ngắn hạn. Gorucu và Gumrah (2004) dự báo tình hình tiêu thụ khí đốt trong ngắn hạn cho thủ đô Ankara, Thổ Nhĩ Kỳ bằng cách phân tích hồi quy đa biến. Gutierrez et al. (2005) đã kiểm tra việc ứng dụng một quá trình khuếch tán đổi mới Gompertz - type cho các mô hình ngẫu nhiên và nắm bắt quá trình phát triển của tình hình tiêu thụ khí đốt tự nhiên ở Tây Ban Nhạ Sanchez-Ubeda và Berzosa (2007) đã dự báo tiêu thụ khí đốt công nghiệp cuối cùng trong phạm vi trung hạn (1-3 năm) với độ phân giải rất caodựa trên phương pháp phân rã.
Dự báo đã được đưa ra bởi sự kết hợp của ba thành phần khác nhau: một là nắm bắt xu hướng của chuỗi thời gian, thành phần theo mùa và thành phần tạm thờị Parikh et al. (2007) đã ước tính được nhu cầu dự trù của sản phẩm dầu mỏ và khí tự nhiên ở Ấn Độ. Họ xem GDP và dân số là đầu vào của mô
tích hợp của một mạng nơ ron, một chuỗi thời gian và ANOVẠ Họ nhận thấy rằng ANN đã tốt hơn (hiệu quả hơn, cao hơn….)giá trị ước tính cho tổng số điện năng tiêu thụ.Azadeh et al. đã phát triển mạng lưới thần kinh nhân tạo và kết cấu (khung, sườn, khuôn khổ) thuật toán di truyền để dự đoán mức tiêu thụ năng lượng điện.
Azadeh và Tarverdian đề xuất một phương pháp tích hợp (lồng ghép)dựa trên thuật toán di truyền, mô phỏng bằng máy và một kế hoạch thực nghiệm cho việc dự báo tiêu thụ năng lượng điện. Azadeh et al. trình bày một hệ thống tích hợp mờ, khai thác dữ liệu và một kết cấu chuỗi thời gian để ước tính và dự báo nhu cầu điện năng cho thay đổi theo mùa và theo tháng về tình hình tiêu thụ điện ở các nước đang phát triển như Trung Quốc và Iran.
Azadeh et al. (2008b) đã sử dụng phương pháp mạng rơron nhân tạo (ANN) cho việc tiêu thụ điện hàng năm trong các ngành công nghiệp tiêu thụ điện năng ở mức caọAzadeh et al. đã phát triển một thuật toán đã được tích hợp cho việc dự báo tiêu thụ năng lượng điện hàng tháng dựa trên một mạng nơron nhân tạo (ANN), mô phỏng bằng máy tính và một kế hoạch thực nghiệm sử dụng các phương pháp ngẫu nhiên.Azadeh et al. (2009) đã đề xuất ANFIS mô phỏng bằng máy mới để cải thiện việc dự đoán tình hình tiêu thụ điện.
3.2. Ứng dụng mô hình mạng ANFIS trong bài toán dự báo sản lƣợng tiêu thụ điện năng của tỉnh Bắc Giang
3.2.1. Xây dựng mô hình hệ thống
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).
3.2.2. Thu thập số liệu
Như chúng ta đã biết hệ mờ Anfis sử dụng tập dữ liệu mẫu, trong luận văn này tác giả sử dụng tập dữ liệu sau trên cơ sở số liệu được cung cấp bởi Công ty Điện lực tỉnh Bắc Giang.
Theo số liệu của cục thống kê tỉnh Bắc Giang tại tập “Niên giám thống kê tỉnh Bắc Giang 2014” ta có các giá trị thực tế các ngành kinh tế trong giai đoạn ở bảng 3.1. Cùng với kết quả vận hành cung cấp điện trên toàn tỉnh qua các năm của Công ty Điện lực Bắc Giang [9] ta có sự phân tích sự phát triển kinh tế và điện dùng như sau:
Bảng 3.1. Điện năng, dân số, giá trị thực tế các ngành kinh tế Bắc Giang
STT Năm Dân số GDP (tỷ) Điện tiêu thụ
(GWh) 1 2000 1,499,213.00 2,321.00 203,244,901 2 2001 1,522,807.00 3,245.00 230,472,278 3 2002 1,536,401.00 4,892.00 290,733,782 4 2003 1,550,981.00 4,998.00 313,634,948 5 2004 1,563,500.00 6,576.00 338,602,136 6 2005 1,579,265.00 7,565.00 392,447,069 7 2006 1,594,300.00 8,861.00 461,419,549 8 2007 1,518,771.00 10,549.00 512,992,411 9 2008 1,554,573.00 13,496.00 588,906,056 10 2009 1,555,720.00 17,315.00 713,713,458 11 2010 1,567,557.00 19,515.00 767,734,510