CHƯƠNG I NGHIÊN CỨU TỔNG QUAN VỀ MÔ HÌNH DỰ BÁO NGHIÊN CỨU TỔNG QUAN VỀ MÔ HÌNH DỰ BÁO
2.2. MÔ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN NĂNG
Theo nhƣ ph n t h ở trên L n truyền ngƣ (backpropagation) là gi i thuật ốt l i gi p ho m h nh họ s u ó thể ễ àng th thi t nh to n ƣ . V i
m ng ANN hiện i nh gi i thuật này mà thuật to n tối ƣu v i o hàm (gradient descent) ó thể nh nh hơn hàng triệu lần so v i h th hiện truyền thống.
Mặ l n truyền ngƣ ƣ sử ụng ho họ s u nhƣng nó òn là ng ụ t nh to n m nh mẽ ho nhiều lĩnh v kh từ o th i tiết t i ph n t h t nh ổn ịnh số họ hỉ ó iều là nó ƣ sử ụng v i nh ng tên kh nh u.
Do ó t gi ề xuất sử ụng sử ụng m ng Neural nhiều l p p ụng thuật to n l n truyền ngƣ trong ài to n o phụ t i iện ng n h n.
2.2.1. Mạng Neural và phương trình hồi quy tuyến tính trong mô hình dự áo
M t m ng Neural là m t m h nh t nh to n ƣ x ịnh qu th m số: kiểu Neural (nhƣ là n t nếu t oi m ng Neural là m t ồ thị) kiến tr kết nối (s tổ h kết nối gi Neural) và thuật to n họ (thuật to n ng ể họ ho m ng) [4].
Đặ iểm h nh ANN [5]
- Phi tuyến. Cho ph p xử lý phi tuyến;
- Cơ hế nh x vào → ra (x→ (x)) ho ph p họ ó gi m s t;
- Cơ hế th h nghi. Th y ổi tham số ph h p v i m i trƣ ng;
- Đ p ng theo mẫu ào t o. Đƣ c thiết kế kh ng nh ng cung cấp th ng tin về mẫu ào t o mà òn ho iết m c tin cậy c nó;
- Th ng tin theo ng c nh. Tri th ƣ c biểu diễn t y theo tr ng th i và kiến tr a ANN;
- Cho ph p ó lỗi (fault tolerance);
- T h h p l n, VLSI (very large scale Intergrated);
- Phòng sinh học.
M t m ng Neural ó h n ng nhƣ là m t hàm nh x F: X → Y ó thể xem là m t m h nh t nh to n y = f(x)
Trong ó:
- x: là tr ng th i input;
- y: là tr ng th i output.
C m ng hỉ ơn gi n làm nhiệm vụ nh x ve tor inputx ∈ X s ng vector output y ∈ Y th ng qu “ lọ ” (filter) trọng số.
Y = F(x) = s (W x). Trong ó: W là m trận trọng số liên kết.
Sự tương đồng giữa mô hình hồi quy tuyến tính và ANN trong bài toán dự báo nhu cầu điện năng
M t ANN ó thể ƣ xem nhƣ là m t m h nh t nh to n Y = F(X) v i X là ve to số liệu input ( iến lập) và Y là ve to số liệu output ( iến phụ thu ). Trong trƣ ng h p m ng Neur l ơn l p tối gi n gọi là ADALINE mối qu n hệ input – output hoàn toàn tương ồng v i phương tr nh hồi quy tuyến t nh.
∑
V i y là ầu r m ng h nh là iến o nhu ầu iện n ng xi là iến lập. C wi là trọng số m ng tương ồng v i hệ số phương tr nh hồi quy tuyến t nh.
Sự khác biệt giữa mô hình hồi quy tuyến tính và ANN trong bài toán dự báo nhu cầu điện năng
Kh iệt h nh gi h i lĩnh v này là hồi quy tuyến t nh tập trung vào ài to n tuyến t nh trong khi ó ANN l i tập trung vào ài to n phi tuyến. Ch nh v xử lý mối qu n hệ input – output th ng qu n t ẩn trong l p ẩn v i th m số ặ trƣng là trọng số liên kết gi n t wij và hàm ho t hó m ng mà ANN ó kh n ng xử lý qu tr nh phi tuyến.
2.2.2. Bài toán dự áo phụ tải điện sử dụng mạng nerural nhân tạo
D vào hệ thống phụ t i iện Thành phố Qu ng Ngãi và yếu tố nh hưởng ến phụ t i t ó thể nêu r ài to n o phụ t i ng n h n.
Dự báo phụ tải ngắn hạn
D o phụ t i lƣ i iện ho 24h tiếp theo nhằm ƣ r gi trị phụ t i o theo từng gi ngày tiếp theo s t v i th tế vận hành trong ó gi m s i số là vấn ề m ng t nh hiến lƣ trong qu tr nh o.
Ph n t h so s nh ồ thị phụ t i Thành phố Qu ng Ngãi trong th i gi n ài thấy ư kiểu ồ thị phụ t i ngày h yếu ị nh hưởng ởi thói quen tổ h sinh ho t và ĐTPT ó mối liên qu n hặt hẽ v i m i trƣ ng ho t ng ngày làm việ ngày nghỉ lễ tết …Còn y và ỉnh phụ t i là hàm iến thiên theo th i tiết.
D vào yếu tố nh hưởng t i ph n t h th m số ần thiết ho ài to n:
Tập th m số inputxi (input):
- C gi trị phụ t i c a th i gi n trƣ ó: P;
- Nhiệt nh hưởng ến phụ t i: T;
- C ngày ặ trƣng: D;
Th m số 1 n t output h nh là gi trị phụ t i iện o n: Y;
Số Neural trong l p ẩn (Hi en): K
ANN ó thể m t nhƣ s u: m ng Neural sẽ th hiện ph p nh x iến lập xi vào iến phụ thu Y. Ở y ANN sử ụng liệu thử gi xi và Y ể họ mối liên hệ gi h ng th ng qu gi i thuật họ và hàm k h ho t ể t m r th m số m ng là trọng số Wij g n trên ung liên kết gi n t trong m ng. S u qu tr nh họ s i số gi input và output t ƣ gi trị ngƣ i ng mong muốn và ư lưu l i ể th hiện qu tr nh o s u này ằng ph p nh x input và output.
Dạng đồ thị phụ tải điện
- X ịnh gi trị phụ t i ỉnh là Pmax. - X ịnh gi trị phụ t i y là Pmin.
- Gi trị phụ t i gi th i là P(i) v i i = 1÷ 24 ng v i 24h trong ngày.
T ó ng th c sau:
Pn(i): là phụ t i quy chuẩn hó a gi th i.
D vào ng th trên t t nh ƣ gi trị phụ t i quy chuẩn c 24h trong ngày.
Khi ã o ƣ c Pmax và Pmin trong ngày nếu t x ịnh ƣ ồ thị phụ t i quy chuẩn th t sẽ x ịnh ƣ g trị Pn(i) v i i=1÷24 ta sẽ x ịnh ƣ c phụ t i c a từng gi trong ngày. Từ ng th (1.1) t x ịnh ƣ c:
P(i)= Pmin + (Pmax – Pmin) Pn(i)
Qu ph n t h nêu trên ó thể i ến kết luận: Để d o ƣ c phụ t i từng gi cho m t ngày ụ thể, ta cần d o ƣ gi trị phụ t i ỉnh Pmax và phụ t i y Pmin c ngày ó và t m r Ve tor ĐTPT Pn(i) c ngày ần d o.
Tóm l i ũng nhƣ o kh o phụ t i ngày ph i d vào số liệu thống kê ph n t h và p ụng thuật to n ể x ịnh mối quan hệ gi a phụ t i và yếu tố nh hưởng, từ ó x y ng phương ph p o phụ t i ngày trên yếu tố nh hưởng ã ư nêu.
Đỉnh và đáy của đồ thị phụ tải
H i gi trị phụ t i ặ iệt trong ngày mà ƣ kỹ sƣ vận hành ũng nhƣ ngư i làm phương th ngày qu n t m nhiều nhất ó là phụ t i o iểm và phụ t i thấp iểm. Đ y ũng h nh là mụ tiêu qu n trọng hàng ầu trong ài to n o phụ t i iện. T nh kinh tế hiệu qu phương th vận hành ũng như hư ng ầu tư ph t triển trong tương l i HTĐ phụ thu rất l n vào việ o và h nh x việ o h i gi trị này. Có nhiều phương ph p ó thể p ụng ể o Pm x và Pmin. như o theo phương ph p ngo i suy theo th i gi n phương ph p hồi quy tuyến t nh… Trong luận v n này hỉ nghiên u phương ph p DBPT sử ụng m ng Neural nh n t o.
S u khi ã x ịnh ƣ h i gi trị qu n trọng nhất Pm x và Pmin trên ĐTPT th gi trị phụ t i kh trong ngày sẽ ƣ x ịnh theo mối qu n hệ h ng. Vậy nếu iết ƣ ng ồ thị phụ t i quy huẩn t là gi trị Pn(i) x ịnh ƣ Pm x và Pmin trong ngày t sẽ t nh ƣ phụ t i từng gi theo ng th (1.1).
2.2.3. Xây dựng cấu trúc mạng
Th ng tin ến Neural nh n t o qu nh ng input(input) mỗi input ƣ nh n ởi m t hàm trọng số trƣ khi i vào Neural. Neural s u ó tổng h p tất liệu
input ã ƣ gi trọng s i số và xử lý tổng qu m t hàm huyển ổi trƣ khi truyền th ng tin t i nh ng output [5].
Theo phần Bài to n o phụ t i iện sử ụng m ng nerur l nh n t o (2.2.2) t x y ng ấu tr m ng nhƣ h nh 2.10
Thuật toán học theo phương pháp lan truyền ngược sai số
Thuật to n họ theo phương ph p l n truyền ngư c sai số ư p ụng cho m ng truyền thẳng nhiều l p trong ó Neural ó thể sử dụng hàm huyển là hàm liên tụ ó ng kh nh u.
Thuật to n sử dụng m t tập mẫu gồm ặp input– output ể luyện m ng.
V i mỗi cặp input– output (xi, Y) thuật to n l n truyền ngƣ c sai số th c hiện hai giai o n sau:
- Giai đoạn thứ nhất: mẫu input xi ƣ c truyền từ l p vào t i l p r và t ó kết qu output t nh to n ƣ là Y;
- Giai đoạn thứ hai: t n hiệu lỗi ƣ t nh to n từ s kh nh u gi a output qu n s t ƣ c: Yqs v i output t nh to n Y sẽ ƣ c lan truyền ngƣ c l i từ l p r ến l p trƣ ể iều chỉnh trọng số c a m ng. Để làm v dụ t x t m ng truyền thẳng ó m t l p ẩn ƣ i y ối v i m ng ó k h thư c l n hơn th th o t ũng tương t .
M ng Neural ƣ x t ó 3 Neural ở l p vào l Neural trong l p ẩn và 1 Neural ở l p r . Đƣ ng kẻ liền thể hiện luồng t n hiệu ƣ truyền từ inputt i output òn ƣ ng kẻ n t t thể hiện luồng t n hiệu lỗi ƣ truyền ngƣ trở l i từ output.
Hình
Thuật toán lan truyền ngƣợc:
THUẬT TOÁN AN TRUYỀN NGƢỢC – BACK PROPAGATION ALGORITHM
Bước 1: L n truyền tiến:
Lần lƣ t t nh theo ng th :
Trong ó tầng vào ) h nh ằng gi trị vào m ng x Bước 2: T nh o hàm theo z ở tầng r :
V i , vừ t nh ƣ ở ƣ 1.
Bước 3: L n truyền ngư :
T nh o hàm theo z ngƣ c l i từ theo ng th :
(( )
) V i t nh ƣ ở ƣ 1 và
t nh ƣ ở vòng lặp ng y trƣ . Bước 4: T nh o hàm:
T nh o hàm theo th m số ằng ng th :
( ) V i t nh ƣ ở ƣ 1 và
t nh ƣ ở ƣ 3.
Sử dụng thuật toán lan truyền ngược
Lựa chọn cấu trúc mạng
Thuật to n l n truyền ngƣ ó thể ƣ c sử dụng ể xấp xỉ bất kỳ m t hàm số họ nào nếu nhƣ t ó số Neural trong l p ẩn.
Ta sẽ xấp xỉ hàm số sau:
(
)
Trong ó i nhận gi trị 1, 2, 4 và 8. Khi i t ng th hàm số cần x t sẽ trở nên ph c t p hơn o t sẽ nhận ƣ c nhiều chu kỳ c h nh sin trong ph m vi [-2, 2]. Khi ó m ng Neural v i m t số Neural cố ịnh sẽ khó ó thể xấp xỉ ƣ hàm nếu i t ng.
Ta sử dụng m t l p ẩn, m t l p ra, m ng ó m t inputvà m t output.
L p ẩn sử dụng hàm Sigmoi l p r ng hàm tuyến t nh. Số Neural trong l p ẩn là 3 kết qu xấp xỉ c a m ng trong trƣ ng h p i=1 2 4 8 nhƣ trong h nh ƣ i y.
Trƣ ng h p i=1
Trƣ ng h p i=2
Trƣ ng h p i=4
Trƣ ng h p i=8
Xấp xỉ hàm f(x) = 1+ (sin(iπ/4)x) V i
Nhƣ vậy nếu ta muốn xấp xỉ m t hàm số mà ó số iểm cần xấp xỉ là l n th t sẽ cần số Neural l n hơn trong l p ẩn.
Thuật toán lan truyền ngược sai số thực hiện qua các bước sau:
Bƣ 1: Khởi t o trọng số ngẫu nhiên
Khởi t o trọng số ngẫu nhiên n ầu là số th . Trọng số gi Neural th i ở l p vào và Neural th j l p ẩn gọi là Wij; trọng số gi Neural th j ở l p ẩn và Neural th k ở l p r là Vjk.
Wij = Rand [-1,1]
Wjk = Rand [-1,1]
Bƣ 2: L n Truyền tiến
Trong ƣ này mẫu họ sẽ l n truyền tiến từ l p vào t i l p ẩn rồi ến l p ra.
Gọi Ii – Oi là ặp gi trị vào và gi trị r Neural th i ở l p vào;
Ip – Op là ặp gi trị vào và gi trị r Neural th p ở l p ẩn;
Iq – Oq là ặp gi trị vào và gi trị r Neural ở l p r .
Gi trị output Neural so v i gi trị input Neural ở l p vào kh ng ổi o t i y Neural hỉ x y r qu tr nh tiếp nh n th ng tin mà kh ng xử lý th ng tin. Do ó t ó ng th :
Oi = Ii = xi
Gi trị Neural l p vào ƣ truyền ến Neural l p ẩn t i y x y r qu tr nh tổng h p th ng tin. Gi trị input Neural trong số l p ẩn ó gi trị
∑
Gi trị output Neural trong l p ẩn ó gi trị
Op = f(Ip)
V i f là m t hàm truyền l n truyền từ Neural l p ẩn s ng Neural l p r Gi trị input Neural trong l p r là:
∑
Gi trị output Neural trong l p r là:
Gi sử output mong muốn mẫu họ (x1, x2, ..., xn) là ( 1, d2, ..., x1). Output th tế số họ trên s u lần họ th nhất là (q1, q2 … q1).
S i số gi output tương ối và output th tế ư t nh theo ng th s i số qu n phương. S i số mẫu họ s u lần họ th i ất kỳ ó ng:
∑
Khi s i số E ≤ ℇ rất nhỏ th ừng lặp. Ngƣ l i s i số ƣ l n truyền ngƣ l i từ l p r ến l p ẩn rồi ến l p r ể iều hỉnh trọng số họ Vjk và Wij s o ho ở lần họ s u gi trị s i số E gi m xuống.
Bƣ 3: L n truyền ngƣ s i số
Gọi δq là s i số Neural th q trong l p r . Gi trị δq ƣ t nh theo ng th :
δq = (dq – Oq) Oq(1- Oq) Điều hỉnh trọng số Vjk
ΔVjq = μδqOpμ Trong ó: μ là hệ số họ ho trƣ
V i μ àng l n tố họ qu nh nh ẫn ến việ m ng nh nh h i tụ và ho kết qu h nh x kh ng o. Ngƣ l i hệ số họ μ àng nhỏ sẽ ẫn ến việ m ng h i tụ hậm làm gi m hiệu n ng m ng kết qu s u khi m ng họ ó h nh x kh ng o.
Trọng số m i gi Neural l p ẩn và Neural l p r ó gi trị V’pq = Vpq + ΔVpq
S i số t i Neural th p l p ẩn ó gi trị là δp. Gi trị δp ƣ t nh theo ng th :
(∑
) Điều hỉnh trọng số Wij
ΔWip = μδpOi
Trọng số m i gi Neural l p ẩn và Neural l p r ó gi trị:
W’ip = Wip + ΔWip
Nhƣ vậy s u lần lặp th nhất mẫu họ (x1, x2 … xn) t thu ƣ ố trọng số ã iều hỉnh lần 1 là Wij(1), Vjk(1) và s i số E(1). Qu trinh lặp l i (l n truyền tiến t nh s i số E s u ó l n truyền ngƣ ) ến khi thỏ mãn E ≤ ℇ th ừng.
Đối v i ài to n o sử ụng m ng Neural l n truyền ngƣ qu tr nh m ng họ kh ng ó g th y ổi. Quy tr nh th hiện ằng h ho mẫu họ th nhất l n truyền tiến t nh s i số E rồi l n truyền ngƣ s i số ể iều hỉnh trọng số. Qu tr nh họ tiếp tụ ằng h ho mẫu họ th h i l n truyền tiến t nh s i số E rồi l n truyền ngƣ ể iều hỉnh trọng số. Qu tr nh tiếp iễn nhƣ thế ho ến khi s i số E ≤ ℇ (số ℇ ịnh trƣ ) hoặ kết th số vòng lặp ã ịnh trƣ . Kết th qu tr nh họ m ng thu ƣ trọng số uy nhất (W V) thỏ mãn toàn mẫu họ .
Qu tr nh o ƣ th hiện s u khi qu tr nh họ kết th . T sử ụng mẫu (x1, x2 … xn) l n truyền tiến v i trọng số (W V) ã ƣ iều hỉnh trong qu tr nh họ . Qu tr nh l n truyền tiến kết th m ng thu ƣ gi trị output Ok h nh là kết qu ần o.