Biểu đồ sai số bình phương trung bình với 02 nơron lớp ẩn

Một phần của tài liệu Dự báo phụ tải cho tỉnh kiên giang sử dụng neural network (Trang 71)

HVTH: Trịnh Tiến Uy - 1620632 47

Hình 4.4: Biểu đồ mối quan hệ tuyến tính giữa ng ra và mẫu huấn luyện với 02

nơron lớp ẩn.

b. Trƣờng hợp 2: 04 nơron lớp ẩn

HVTH: Trịnh Tiến Uy - 1620632 48

Sau khi quá trình huấn luyện hồn tất, cần kiểm tra chất lượng huấn luyện thơng qua các chỉ tiêu sau:

 Kiểm tra sai số bình phương trung bình (Hình 4.6): ở đây sau 34 lần huấn luyện, sai số bình phương trung bình đạt giá trị rất nhỏ 0.0030491.

 Từ Hình 4.7 nhận thấy giá trị R đạt xấp xỉ 1 chứng tỏ mối quan hệ tuyến tính giữa ng ra và mục tiêu huấn luyện tương đối cao, đạt yêu cầu.

HVTH: Trịnh Tiến Uy - 1620632 49

Hình 4.7: Biểu đồ mối quan hệ tuyến tính giữa ng ra và mẫu huấn luyện với 04

nơron lớp ẩn.

c. Trƣờng hợp 3: 05 nơron lớp ẩn

Hình 4.8: Giao diện huấn luyện mạng nơron Trainrp với 05 nơron lớp ẩn

Sau khi quá trình huấn luyện hồn tất, cần kiểm tra chất lượng huấn luyện thơng qua các chỉ tiêu sau:

 Kiểm tra sai số bình phương trung bình (Hình 4.9): ở đây sau 15 lần huấn luyện, sai số bình phương trung bình đạt giá trị rất nhỏ 0.0035763.

 Từ Hình 4.10 nhận thấy giá trị R đạt xấp xỉ 1 chứng tỏ mối quan hệ tuyến tính giữa ng ra và mục tiêu huấn luyện tương đối cao, đạt yêu cầu.

HVTH: Trịnh Tiến Uy - 1620632 50

Hình 4.9: Biểu đồ sai số bình phương trung bình với 05 nơron lớp ẩn.

Hình 4.10: Biểu đồ mối quan hệ tuyến tính giữa ng ra và mẫu huấn luyện với 05

HVTH: Trịnh Tiến Uy - 1620632 51

d. Trƣờng hợp 4: 07 nơron lớp ẩn

Hình 4.11: Giao diện huấn luyện mạng nơron Trainrp với 07 nơron lớp ẩn.

Sau khi quá trình huấn luyện hồn tất, cần kiểm tra chất lượng huấn luyện thơng qua các chỉ tiêu sau:

 Kiểm tra sai số bình phương trung bình (Hình 4.12): ở đây sau 11 lần huấn luyện, sai số bình phương trung bình đạt giá trị rất nhỏ 0.0036876.  Từ Hình 4.13 nhận thấy giá trị R đạt xấp xỉ 1 chứng tỏ mối quan hệ

tuyến tính giữa ng ra và mục tiêu huấn luyện tương đối cao, đạt yêu cầu.

HVTH: Trịnh Tiến Uy - 1620632 52

Hình 4.12: Biểu đồ sai số bình phương trung bình với 07 nơron lớp ẩn.

Hình 4.13: Biểu đồ mối quan hệ tuyến tính giữa ng ra và mẫu huấn luyện với 07

HVTH: Trịnh Tiến Uy - 1620632 53

4.2.2. Phân tích kết quả

Qua thực nghiệm trên, khi tăng số nơron lớp ẩn thì mạng cho kết quả huấn

luyện tốt hơn, căn cứ thực tế kiểm nghiệm cho thấy khi tăng lên 05 hoặc 07 nơron lớp ẩn đều cho kết quả tốt, tuy nhiên cĩ 05 nơron lớp ẩn cĩ được sai số bình phương trung bình đạt giá trị rất nhỏ, thời gian huấn luyện ít hơn so với 07 nơron lớp ẩn. Chính vì vậy, chọn 05 nơron lớp ẩn làm mặc định cho huấn luyện mạng nơron dự báo phụ tải điện cho 24 giờ (ngày), ngày, tuần và tháng.

Để tiến hành huấn luyện mạng nơron để dự báo phụ tải điện giờ (ngày), tuần và tháng áp dụng cho tỉnh Kiên Giang gồm cĩ cấu trúc và các thơng số mạng như sau:

- Mạng nơron cĩ 4 lớp: 01 lớp đầu vào, 01 lớp đầu ra của dữ liệu, 01 lớp ẩn xử lý dữ liệu và 01 lớp output khơi phục dữ liệu lại như ban đầu.

- Chương trình dùng giải thuật feedforward net là mạng nuơi tiến cĩ kết hợp với giải thuật lan truyền ngược (Resilient backpropagation) của Matlab.

- Số nơron lớp ẩn chọn 05 nơron lớp ẩn; hàm truyền mặc định cho lớp ẩn là hàm tansig để xử lý.

- Hàm truyền cho lớp output với mặc định sử dụng hàm purelin để khơi phục dữ liệu.

- Cách thức huấn luyện sử dụng là hàm “trainrp”, tính tốn sai số bình quân sao cho nhỏ nhất.

HVTH: Trịnh Tiến Uy - 1620632 54

4.3. Giải thuật lập trình dự báo phụ tải bằng mạng nơron

Chương trình dự báo phụ tải điện được lập trình trên phần mềm Matlab gồm các file.m (chứa các hàm tính tốn) và các file.fig (tạo giao diện).

4.3.1. Giải thuật dự báo phụ tải 24h (ngày)

Hình 4.14: Lưu đồ giải thuật dự báo phụ tải 24h (ngày).

Nội dung chi tiết cho từng phần như sau

- Nhập dữ liệu thơ và phân tích, lọc dữ liệu: là một khâu rất quan trọng, cĩ ý nghĩa quyết định độ chính xác của dự báo. Phụ thuộc vào dạng dự báo mà sắp xếp, phân tích dữ liệu từ kết quả đo đếm được.

HVTH: Trịnh Tiến Uy - 1620632 55

Như đã trình bày giải thuật chương trình huấn luyện phần trên, chương trình huấn luyện dùng giải thuật feedforward net là mạng nuơi tiến cĩ kết hợp với giải thuật lan truyền ngược của Matlab.

Sau khi cĩ một mạng nơron hồn chỉnh, tiến hành đưa dữ liệu 24h của tuần trước tuần cần dự báo, chương trình sẽ xác định các khả năng xảy ra, sau đĩ đối chiếu với các dữ liệu từ quá khứ, dựa vào thơng số và MSE đã định sẵn, từ đĩ tìm ra dự báo phù hợp nhất.

4.3.2. Giải thuật dự báo phụ tải tuần

HVTH: Trịnh Tiến Uy - 1620632 56 Nội dung chi tiết cho từng phần như sau

- Nhập dữ liệu thơ và phân tích, lọc dữ liệu: là một khâu rất quan trọng, cĩ ý nghĩa quyết định độ chính xác của dự báo. Phụ thuộc vào dạng dự báo mà sắp xếp, phân tích dữ liệu từ kết quả đo đếm được.

- Huấn luyện mạng, cập nhật thơng số mạng và MSE

Như đã trình bày giải thuật chương trình huấn luyện phần trên, chương trình huấn luyện dùng giải thuật feedforward net là mạng nuơi tiến cĩ kết hợp với giải thuật lan truyền ngược của Matlab.

Sau khi cĩ một mạng nơron hồn chỉnh, tiến hành đưa dữ liệu ngày của tuần trước tuần cần dự báo, chương trình sẽ xác định các khả năng xảy ra, sau đĩ đối chiếu với các dữ liệu từ quá khứ, dựa vào thơng số và MSE đã định sẵn, từ đĩ tìm ra dự báo phù hợp nhất.

HVTH: Trịnh Tiến Uy - 1620632 57

4.3.3. Giải thuật dự báo phụ tải tháng

Hình 4.16: Lưu đồ giải thuật dự báo phụ tải tháng.

Nội dung chi tiết cho từng phần như sau

- Nhập dữ liệu thơ và phân tích, lọc dữ liệu: là một khâu rất quan trọng, cĩ ý nghĩa quyết định độ chính xác của dự báo. Phụ thuộc vào dạng dự báo mà sắp xếp, phân tích dữ liệu từ kết quả đo đếm được.

- Huấn luyện mạng, cập nhật thơng số mạng và MSE

Như đã trình bày giải thuật chương trình huấn luyện phần trên, chương trình huấn luyện dùng giải thuật feedforward net là mạng nuơi tiến cĩ kết hợp với giải thuật lan truyền ngược của Matlab.

HVTH: Trịnh Tiến Uy - 1620632 58

Sau khi đã cĩ một mạng nơron hồn chỉnh, ta tiến hành đưa dữ liệu 12 tháng của năm trước năm cần dự báo, chương trình sẽ xác định các khả năng xảy ra, sau đĩ đối chiếu với các dữ liệu từ quá khứ, dựa vào thơng số và MSE đã định sẵn, từ đĩ tìm ra dự báo phù hợp nhất.

HVTH: Trịnh Tiến Uy - 1620632 59

CHƢƠNG 5

CHƢƠNG TRÌNH DỰ BÁO VÀ KẾT QUẢ DỰ BÁO PHỤ TẢI CHO TỈNH KIÊN GIANG

Chương trình dự báo phụ tải được xây dựng trong mơi trường Matlab để dự báo phụ tải cho một khu vực trong một thời gian nhất định dựa vào thĩi quen sử dụng trong quá khứ, từ đĩ tiếp tục huấn luyện và dự báo trong tương lai, bao gồm các chương trình dự báo 24 giờ (ngày), dự báo 7 ngày và dự báo 12 tháng. Một số chức năng chính của chương trình:

 Nhận dữ liệu dạng file text (*.txt), Excel 2003 (*.xls), Excel 2007, 2010 (*.xlsx)

 Dự báo phụ tải cho 24 giờ, 7 ngày hay 12 tháng tiếp theo.  Nhập vào thực tế, kiểm tra tính chính xác của dự báo.  Dùng dự báo hoặc thực tế tiếp tục huấn luyện cho tương lai.  Vẽ đồ thị trực quan, dễ dàng so sánh thực tế và dự báo.

 Lưu kết quả dự báo dưới dạng file Excel (*.xls), (*.xlsx) để tiện cho việc xử lý khác.

5.1. Các chƣơng trình dự báo phụ tải cho tỉnh Kiên Giang bằng Neural Network

5.1.1. Dự báo phụ tải 24 giờ của 7 ngày tiếp theo

Bƣớc 1: Chuẩn bị chương trình cần một file excel chứa dữ liệu của 3 tháng trước để dự báo cho 7 ngày tiếp theo.

File excel cĩ 1 sheet duy nhất; ở ơ A1 điền ngày đầu tiên của 3 tháng đĩ, từ đĩ chương trình sẽ tự động tính các ngày kế tiếp. Ma trận dữ liệu trong quá khứ cĩ dạng 24 cột nhân với các hàng là số ngày cĩ được (hình 5.1). Lưu ý, vì Excel cĩ định dạng ngày khác với Việt Nam nên cần g thêm dấu phẩy đơn ( „ ) trước ngày, ví dụ: „10/11/2014.

HVTH: Trịnh Tiến Uy - 1620632 60

Hình 5.1: Bảng dữ liệu trong quá khứ (3 tháng) để dự báo phụ tải 24h.

Nếu cĩ dữ liệu thực tế của 7 ngày này và muốn so sánh xem kết quả dự báo cĩ sai số bao nhiêu so thực tế, cũng cần tạo 1 file excel dữ liệu dùng cho chương trình (chỉ nên cĩ duy nhất 1 sheet bên trong để khơng bị lỗi), file này cĩ dạng 24 cột nhân với 7 hàng (hình 5.2), khơng cần tạo ngày như file dữ liệu.

Hình 5.2: Bảng dữ liệu thực tế ngày 05/01/2015.

Ở đây đã cĩ sẵn các file dữ liệu và thực tế của năm 2015, để sử dụng chỉ cần copy vào chung thư mục của chương trình:

Ví dụ: copy 2 file “Data of 5-1-2015” là file dữ liệu trong quá khứ và “Real of 5-1-2015” (file dữ liệu thực tế) vào chung thư mục chương trình như hình 5.3.

HVTH: Trịnh Tiến Uy - 1620632 61

Hình 5.3: Thư mục dữ liệu trong quá khứ và thực tế ngày 05/01/2015.

Bƣớc 2: Khởi động chƣơng trình và so sánh thực tế

Giao diện chương trình:

Hình 5.4: Giao diện chương trình dự báo phụ tải 24h.

1. Đầu tiên nhấn nút Nhập Dữ Liệu và chọn file “Data of 5-1-2015” là file dữ liệu trong quá khứ đã chuẩn bị sẵn:

HVTH: Trịnh Tiến Uy - 1620632 62

Hình 5.5: Dữ liệu trong quá khứ ngày 05/01/2015.

Hình 5.6: Giao diện để nhập dữ liệu dự báo phụ tải 24h.

Nếu chọn thành cơng chương trình sẽ hiện thị dữ liệu đã nhập với ngày được điền đầy đủ và bảng kết quả huấn luyện: Sau khi đã ta kiểm tra thấy chính xác, cĩ thể đĩng của sổ này lại.

HVTH: Trịnh Tiến Uy - 1620632 63

Hình 5.7: Kết quả huấn luyện dữ liệu quá khứ của 3 tháng.

HVTH: Trịnh Tiến Uy - 1620632 64

2. Chọn ngày cần xem trong 7 ngày (ngày thứ 1 đến ngày thứ 7) ví dụ: chọn ngày thứ 2 và nhấn nút Dự Báo để hiện thị kết quả (hiển thị ngày cần dự báo là 6/1/2015)

Hình 5.9: Giao diện để chọn ngày cần dự báo phụ tải 24h.

3. Nếu cĩ file thực tế cần so sánh, nhấn nút Nhập Thực Tế và chọn file “Real of 5-1-2015” là file thực tế đã chuẩn bị ở trên:

HVTH: Trịnh Tiến Uy - 1620632 65

Hình 5.11: Dữ liệu thực tế ngày 05/01/2015.

Chương trình hiển thị kết quả nhập vào, nếu chính xác cĩ thể đĩng cửa sổ này lại:

Hình 5.12: Kết quả đã nhập dữ liệu thực tế đến ngày 05/01/2015.

4. Tiếp theo chọn ngày cần so sánh và nhấn nút Sai Số, chương trình sẽ tự động tính tốn và chương trình sẽ hiển thị kết quả ở ơ Dự Báo, Thực Tế và Sai Số, ngồi ra cịn cĩ đồ thị được hiển thị để cung cấp cái nhìn trực quan hơn.

HVTH: Trịnh Tiến Uy - 1620632 66

Hình 5.13: Giao diện kết quả ngày 06/01/2015.

5. Lưu dự báo: Nếu cần lưu lại kết quả dự báo này, nhấn nút Lưu Dự Báo để tiện cho việc xử lý về sau, kiểm tra thư mục chương trình sau khi cĩ thơng báo Lưu Hồn Tất.

HVTH: Trịnh Tiến Uy - 1620632 67

Hình 5.15: Thư mục lưu dự báo phụ tải 24h.

File dự báo đã lưu cĩ tên “Forecast 24 hour from 05-01-2015 to 11-01-2015”. File Excel gồm 24 cột và 7 hàng tượng trưng cho 24 giờ và 7 ngày trong 1 tuần.

Hình 5.16: Bảng kết quả dự báo phụ tải ngày (05/01/2015 đến 11/01/2015).

Mở rộng dự báo về sau

+ Giả sử cĩ dữ liệu để dự báo cho tuần thứ 1 (ví dụ: ngày 05/01/2015 đến ngày 11/01/2015), sau khi dự báo xong lại muốn dùng kết quả dự báo hoặc kết quả thực tế để dự báo tiếp cho tuần tiếp theo (ví dụ: ngày 12/01/2015 đến 18/01/2015), dựa vào kết quả đã cĩ, chương trình cung cấp cơng cụ thuận tiện cho điều đĩ.

HVTH: Trịnh Tiến Uy - 1620632 68

Hình 5.17: Giao diện mở rộng dự báo về sau.

+ Sau khi dự báo tuần thứ 1 (ngày 05/01/2015 đến ngày 11/01/2015) xong, chọn nút nhập TT nếu dùng kết quả thực tế của tuần thứ 1 (ngày 05/01/2015 đến ngày 11/01/2015) để dự báo hoặc chọn nút Nhập DB nếu dùng kết quả dự báo của tuần thứ 1 (ngày 05/01/2015 đến ngày 11/01/2015) để dự báo. Hai nút nhập này cĩ tác dụng như nút Nhập Dữ Liệu ở bên trên đã làm ở trên. Do đĩ khơng cần phải nhấn nút Nhập Dữ Liệu nữa.

+ Sau khi nhấn nút Nhập TT, chương trình sẽ tự động tính tốn hiện thị đầy đủ dữ liệu nhập vào và được cập nhật đến ngày 11/01/2015 nếu khơng sai sĩt cĩ thể đĩng cửa sổ này lại.

HVTH: Trịnh Tiến Uy - 1620632 69

Hình 5.18: Bảng dữ liệu nhập thực tế đến ngày 11/01/2015.

+ Khi nhấn nút Nhập TT, chương trình sẽ tự tạo ra 1 file excel cĩ tên: “Update data hour”. File này đề phịng trong trường hợp cần trích xuất dữ liệu nối tiếp ra để tiếp tục nhập cho 1 lúc khác, khơng cần phải lặp lại các quá trình trước.

Hình 5.19: Thư mục cập nhật lại dữ liệu 24h.

+ Cần phải đổi tên file Excel “Update data hour” trên thành 1 tên file khác dễ nhớ, nếu khơng ở lần Nhập TT hay Nhập DB tiếp theo, chương trình sẽ ghi đè lên

HVTH: Trịnh Tiến Uy - 1620632 70

file này 1 lần nữa. Sau này cĩ thể dùng file Excel trên giống như file dữ liệu “Data of 12-1-2015”.

+ Tiếp theo lặp lại giống thao tác các số 2,3,4,5 ở Bước 2. Chỉ cần chú ý là file thực tế khi ta Nhập Thực Tế là tuần lễ của ngày 12-1-2015 (Hình 5.20), khơng phải file thực tế của ngày 5-1-2015 nữa.

Hình 5.20: Dữ liệu thực tế ngày 12/01/2015.

+ Kết quả sau khi hồn tất:

HVTH: Trịnh Tiến Uy - 1620632 71

+ Muốn lưu dự báo: tương tự ở phần trên, nhấn nút Lưu Dự Báo ở trong chương trình.

Hình 5.22: Thư mục lưu dự báo phụ tải 24h (ngày 12/01/2015 đến 18/01/2015).

File dự báo đã lưu cĩ tên “Forecast 24 hour from 12-01-2015 to 18-01-2015”. File Excel gồm 24 cột và 7 hàng tượng trưng cho 24 giờ và 7 ngày trong 1 tuần.

Để thốt khỏi chương trình, nhấn nút Thốt.

5.1.2. Dự Báo phụ tải của 7 ngày tiếp theo

 Bƣớc 1: Chuẩn bị chương trình cần một file Excel chứa dữ liệu của 3 tháng trước để dự báo cho 7 ngày tiếp theo.

File excel cĩ 1 sheet duy nhất; ở ơ A1 điền ngày đầu tiên của tuần đầu tiên trong 3 tháng dữ liệu, từ đĩ chương trình sẽ tự động tính các ngày kế tiếp. Ma trận dữ liệu trong quá khứ cĩ dạng 7 cột nhân với các hàng là số tuần cĩ được. Lưu ý: vì

Một phần của tài liệu Dự báo phụ tải cho tỉnh kiên giang sử dụng neural network (Trang 71)

Tải bản đầy đủ (PDF)

(167 trang)