Bảng 14. 2 Tóm tắt cơng suất phản kháng của lưới Q (MVar)
Ngày 1:00 2:00 … … 23:00 24:00 01/06/2020 4,116 3,620 … … 2,655 4,275 02/06/2020 5,218 3,962 … … 3,232 3,895 03/06/2020 4,756 3,521 … … 3,749 3,265 … … … … … … … … … … … … … … 22/06/2020 3,986 4,152 … … 2,985 2,997 23/06/2020 4,583 4,775 … … 3,469 2,888 24/06/2020 4,651 3,856 2,943 3,497 Hình 14. 3 Đồ thị công suất phản kháng
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 137
Bảng 14. 3 Tóm tắt điện áp của lưới U (kV)
Ngày 1:00 2:00 … … 23:00 24:00 01/06/2020 114.217 113.027 … … 109.303 113.209 02/06/2020 112.773 111.512 … … 114.237 112.294 03/06/2020 112.166 111.186 … … 112.642 112.015 … … … … … … … … … … … … … … 22/06/2020 109.755 110.081 … … 111.202 112.212 23/06/2020 109.718 112.806 … … 111.922 112.338 24/06/2020 112.205 109.288 113.728 114.268 Hình 14. 4 Đồ thị công suất phản kháng
14.3 Tiến hành xây dựng mơ hình mạng nơ-ron trên Matlab
Các toolbox của Matlab là một bộ sưu tập của m-file mà mở rộng các khả năng của Matlab nên một số lĩnh vực kỹ thuật như hệ thống điều khiển, xử lý tín hiệu, tối ưu hố, và ANN. Matlab cung cấp 12 hàm huấn luyện có hiệu suất cao. Một mạng ANN lan truyền ngược ngược dùng phổ biến.
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 138 Tiến hành khởi tạo mạng nơ-ron:
Bước 1: Tiến hành nhập dữ liệu
Tạo các ma trận đầu vào và ra
Hình 14. 5 Tạo các ma trận đầu vào và ra
Input: Là tập dữ liệu mà tác giả thu thập từ quá khứ, sau đó xử lý số liệu cho phù hợp với những điều kiện cần của mạng nơ-ron nhân tạo. Trong luận văn, tác giả đã đưa giá trị đầu vào là: Công suất tác dụng P (MW), công suất phản kháng Q (Mvar), điện áp U (kV), Cos φ.
Target: Là dữ liệu đích đến để mạng nơ-ron nhân tạo học đến giá trị gần đúng nhất. Gồm: ∆P (MW), ∆Q (Mvar).
Test: Là tập dữ liệu dùng để kiểm tra, đánh giá kết quả học của mạng nơ-ron.
Bước 2: Gọi ANN Toolbox bằng lệnh: >> nntool
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 139
Hình 14. 6 Màn hình hiện ra cửa sổ Network/Data Manager Bước 3: Chọn dữ liệu đầu vào Input Data và dữ liệu đích Target Data Bước 3: Chọn dữ liệu đầu vào Input Data và dữ liệu đích Target Data
Ở mục Source: Chọn Import from MATLAB workspace => Select a variable: Chọn Input => Destination: Chọn Input Data ( tương tự với dữ liệu Target )
Để nạp dữ liệu vào mạng nơ-ron nhân tạo.
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 140
Bước 4: Thiết lập và chọn các thơng số của mạng.
Hình 14. 8 Thiết lập và chọn các thông số của mạng. Bước 5: Tiến hành kiểm tra, điều chỉnh số lượng nơ-ron, số lớp ẩn. Bước 5: Tiến hành kiểm tra, điều chỉnh số lượng nơ-ron, số lớp ẩn.
Mơ hình 3 lớp ẩn
Hình 14. 10 Mơ hình 1 lớp ẩn
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 141 Ở bài luận văn này, tác giả tiến hành chọn, điều chỉnh mạng nơ-ron như sau:
Theo đó, số lượng nơ-ron đầu vào là 4 nơ-ron ( P, Q, U, Cos φ )
Một lớp ẩn, trong đó bao gồm: 10 nơ-ron ẩn; 2 lớp nơ-ron đầu ra trong đó bao gồm 2 nơ- ron phát tín hiệu đầu ra ( ∆P, ∆Q).
Hình 14. 11 Mạng nơ-ron của bài
Bước 6: Cài đặt tham số mạng nơ-ron nhân tạo
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 142 Ý nghĩa của các tham số đã được tác giả trình bày ở (Chương 13 – 13.3 Cài đặt tham số cho mạng nơ-ron nhân tạo).
Bước 7: Huấn luyện mạng
Hình 14. 13 Quá trình huấn luyện mạng nơ-ron Bước 8: Kiểm tra kết quả học của mạng Bước 8: Kiểm tra kết quả học của mạng
Sau khi mạng được đào tạo và đạt tới 1.000 phép lặp có thể thu được đồ thị biểu diễn hiệu suất của quá trình đào tạo như Hình 14.14.
Hình 14.14 biểu diễn tổng sai số bình phương cho tập dữ liệu với số lần lặp cho mạng sử dụng thuật toán đào tạo lan truyền ngược LMA (Levenberg-Marquardt Algorithm), sai số bình phương trung bình: MSE (Mean squared deviation).
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 143 Ứng xử của đường cong thể hiện q trình đào tạo thành cơng và tập dữ liệu được chọn phù hợp từ tập dữ liệu ban đầu. Hiệu suất tốt nhất là MSE = 7,2599e-08 tại lần lặp thứ 35.
Hình 14. 14 Đồ thị biểu diễn hiệu suất của mạng nơ-ron nhân tạo
Giá trị R biểu thị một mối quan hệ giữa kết quả và mục tiêu. Ở hình dưới thấy rằng, R của mơ hình có giá trị huấn luyện = 0,99999, giá trị chuẩn = 0,99999, giá trị kiểm tra = 0,99996, giá trị tổng =0,99998.
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 144
Hình 14. 15 Đồ thị kết quả phân tích mạng hồi quy của mạng nơ-ron nhân tạo Nhận xét:
Sau khi đã tiến hành huấn luyện mạng, ta cần phải kiểm tra sai số của mạng để chọn ra mạng tối ưu, có độ sai số thấp nhất, để phục vụ cho việc dự báo. Với kết quả trên cho thấy, sai số tuyệt đối lớn nhất của mạng là 0,00002%.
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 145
Hình 14. 16 So sánh kết quả giữa tổn thất thực tế với dự báo của mạng nơ-ron nhân tạo.
Theo như kết quả thu được từ việc chạy mơ hình, thống kê được rằng tương ứng với 6692 giá trị được dùng để chạy thực nghiệm mơ hình, có 1378 mẫu đã được dự đốn và có độ chính xác 99,998% so với tổn thất thực tế.
Bảng 14. 4 Tóm tắt so sánh giữa tổn thất công suất tác dụng thực tế với dự báo Ngày Giờ ∆P (MW) thực tế ∆P(MW) dự báo Sai số Ngày Giờ ∆P (MW) thực tế ∆P(MW) dự báo Sai số
01/06/2020 1:00 0.27883 0.27879 0.00004 01/06/2020 2:00 0.26874 0.26872 0.00002 01/06/2020 3:00 0.27733 0.27731 0.00002 01/06/2020 4:00 0.31560 0.31556 0.00006 01/06/2020 5:00 0.19682 0.19682 0 … … … … … … … … … … 24/06/2020 20:00 0.27919 0.27916 0.00003 24/06/2020 21:00 0.26713 0.26711 0.00002 24/06/2020 22:00 0.26238 0.26234 0.00004 24/06/2020 23:00 0.24719 0.24716 0.00003 24/06/2020 24:00 0.25307 0.23506 0.00001
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 146
Bước 9: Áp dụng mạng nơ-ron đã huấn luyện phục vụ việc dự báo
Tiếp theo, tiến hành sử dụng mạng nơ-ron đã được huấn luyện này vào dự báo tổn thất cho 6 ngày còn lại của tháng 06. (Từ 25/06/2020 đến 30/06/2020), với 144 giá trị công suất tác dụng dự kiến (ứng với 144 giờ) để dự báo làm dữ liệu đầu vào cho mạng nơ-ron đã được huấn luyện.
Bảng 14. 5 Kết quả dự báo của mạng nơ-ron nhân tạo từ 25/06/2020 đến 30/06/2020 Ngày Giờ P(MW) dự kiến ∆P (MW) dự báo
25/06/2020 1:00 35.138 0.29116 25/06/2020 2:00 24.829 0.15020 25/06/2020 3:00 30.432 0.21676 25/06/2020 4:00 36.127 0.31511 25/06/2020 5:00 36.420 0.31567 … … … … … … … … 30/06/2020 20:00 38.342 0.36883 30/06/2020 21:00 37.902 0.35834 30/06/2020 22:00 36.694 0.32623 30/06/2020 23:00 36.328 0.31428 30/06/2020 24:00 34.442 0.28195
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 147
14.4 Kết Luận
Chúng ta có thể đưa ra kết luận rằng bằng việc khảo sát làng hoạt các mơ hình với các tham số khác nhau (số lượng đầu vào, số lượng lớp ẩn, số lượng node,và các thuật toán training) ta có thể đánh giá mức độ ảnh hưởng của từng tham số tới mơ hình mạng nơ-ron (độ chính xác của dự báo, thời gian training và epcoh).
Từ kết quả thống kế được trong quá trình khảo sát chúng ta lựa chọn được mơ hình mạng tối ưu cho bài toán dự báo tổn thất.
Bằng việc lặp đi, lặp lại các khảo sát, kết quả của chúng ta thu được đảm bảo độ tin cậy cao, tránh được những yếu tố ngẫu nhiên như các nghiên cứu trước đó có thể mắc phải. Với những ưu điểm trên việc khảo sát giúp chúng ta lựa chọn được mơ hình mạng tối ưu một cách khách quan và khoa học. Đảm bảo độ tin cậy của các dự báo, và điều này là rất quan trọng bởi khí đó các kết quả dự báo mới được áp dụng vào thực tế một cách an toàn hiệu quả.
Ngồi kết quả trên, trong q trình thực hiện đề tài tác giả cịn nhận thấy rằng: Cịn có nhiều tham số ảnh hưởng tới kết quả của một mơ hình mạng nơ-ron nhân tạo như các hàm kích hoạt, hàm mất mát..., và chưa phân tích được mối liên quan giữa các tham số tác động đến kết quả dự báo. Vì thời gian có hạn tác giả dừng lại ở việc khảo sát 4 tham số, nếu có cơ hội phát triển thêm tác giả sẽ khảo sát và phân tích sự ảnh hưởng của các các tham số này tới mơ hình mạng dự báo tổn thất.
Tác giả định hướng trong tương lai gần có thể phát triển mạng nơ-ron chặt chẽ hơn nữa, phát triển giao diện riêng cho mạng nơ-ron và nghiên cứu phối hợp với nhu cầu dự báo phụ tải để đưa ra được các dự đoán tổn thất.
Mặc dù phương pháp này cần thu thập thông tin nhiều và khối lượng tính tốn lớn nhưng với sự hỗ trợ của máy vi tính thì đây là một phương pháp hứa hẹn sẽ phục vụ đắc lực cho công tác dự báo nhằm giúp các công ty điện lực nâng cao việc vận hành hiệu quả và tin cậy của một hệ thống điện.
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 148
TÀI LIỆU THAM KHẢO
[1] Hồ Văn Hiến, Thiết kế mạng điện, NXB Đại học Quốc Gia TP.HCM, 2015.
[2] I. Hernando-Gil, I-sorin Ilie , J.L.Acosta and Sasa Z. Djokic , Impact of DG and
Energy Storage on Distribution Network Reliability : A comparative Analysis, 2nd
IEEE energycon conference & exhibition , 2012
[3] ETAP và ứng dụng trong phân tích hệ thống điện, NXB Đại học Quốc Gia TP.HCM, 2017
[4] R. Billinton and R.N. Allan, Reliability evaluation of power systems, 2nd edition,
Plenum Press, New York, 1996.
[5] M. Hlatshwayo , S. Chowdhury, S.P. Chowdhury, K.O. Awodele, Impacts of DG
Penetration in the Reliability of Distribution Systems, International conference on
power system technology,IEEE, 2010
[6] Nguyễn Thị Minh An. "Khái niệm dự báo." Internet: http://quantri.vn/dict/details/9174-khai-niem-du-bao, 01/12, 2019.
[7] E. Mele. "A Review of Machine Learning Algorithms Used for Load Forecasting at Microgrid Level," in Sinteza 2019-International Scientific Conference on Information Technology and Data Related Research, 2019, pp. 452-458.
Cục Điều Tiết Điện Lực. "Quy trình dự báo nhu cầu phụ tải điện hệ thống điện quốc gia." Internet: https://vanbanphapluat.co/quyet-dinh-07-qd-dtdl- nam-2013-quy-trinh- du-bao-nhu-cau-phu-tai-dien-he-thong, 2013.
[8] D. Baczyński and M. Parol. "Influence of artificial neural network structure on quality of short-term electric energy consumption forecast," IEE Proceedings- Generation, Transmission and Distribution. Vol. 151, pp. 241- 245, 2004.
[9] Y. Chen et al. "Short-term load forecasting: Similar day-based wavelet neural networks," IEEE Transactions on Power Systems. Vol. 25, pp. 322- 330, 2009. [10] H. F. Shi. "Short-term load forecasting based on Bayesian neural networks
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 149 learned by Hybrid Monte Carlo method," 2010 International Conference on Machine
Learning and Cybernetics. Vol. 3, pp. 1494-1499, 2010.
[11] N. Ding et al. "Neural network-based model design for short-term load forecast in distribution systems," IEEE transactions on power systems. Vol. 31, pp. 72-81, 2015.
[12] S. Kumar et al. "Short term load forecasting using ANN and multiple linear regression," in 2016 Second International Conference on Computational Intelligence
& Communication Technology (CICT), 2016, pp. 184-186.
[13] M. V. Selvi and S. Mishra. "Investigation of Weather Influence in Day- Ahead Hourly Electric Load Power Forecasting with New Architecture Realized in Multivariate Linear Regression & Artificial Neural Network Techniques," 2018 8th IEEE India International
Conference on Power Electronics (IICPE), pp. 1-6, 2018.
[14] Quản Quốc Cường. "Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn," luận văn Thạc sĩ, Trường Đại học Bách khoa, Hà Nội. 2014.
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 150
LÝ LỊCH TRÍCH NGANG
THÔNG TIN CÁ NHÂN
Họ và tên: Nguyễn Trần Minh................................ Giới tính: Nam......................... Ngày, tháng, năm sinh: 15/04/1997 ........................ Nơi sinh: Bình Thuận................ Email: 1648020@hcmut.edu.vn .......................... Điện thoại: 0819.444.778 .............