Dự báo phụ tải ngắn hạn thường dự báo cho các giờ tiếp theo, dự báo cho 24h tiếp theo và thường dự báo phụ tải ñỉnh và ñáy. Mục ñích nhằm ñưa ra các giá trị phụ
tải thực tế khi dự báo ñể vận hành hệ thống cho hợp lý.
Các yếu tố ảnh hưởng tới phụ tải ngắn hạn là môi trường, ngày làm việc, ngày nghỉ, ngày lễ, tết,… của cộng ñồng dân cư. Bài toán dự báo thường có 2 dạng là: dự
báo phụ tải ñỉnh, ñáy của ngày cần dự báo và bài toán dự báo phụ tải ngày cần dự báo.
Kết luận chương 1: Trong chương này giới thiệu về phụ tải và các phương pháp dự báo thường sử dụng. Ưu ñiểm nổi bật của hệ thống nơron trong dự báo là phương pháp này không cần phải xác ñịnh những mối quan hệ giữa các biến số trước. Phương pháp này có thể xác ñịnh nhờ vào quá trình học hỏi về các mối quan hệ. Bên cạnh ñó, hệ thống nơron không ñòi hỏi bất kỳ giảñịnh nào về các phân phối tổng thể và không giống những phương pháp dự báo truyền thống, nó có thể sử dụng mà không cần có ñầy ñủ số lượng các số liệu cần thiết. Chương trình hệ thống nơron có thể thay thế
nhanh chóng mô hình hiện có, ví dụ như phân tích hồi quy, ñểñưa ra những dự báo chính xác mà không cần ngưng trệ các hoạt ñộng ñang diễn ra. Hệ thống Nơron ñặc biệt hữu ích khi số liệu ñầu vào có tương quan cao hay có số lượng không ñủ, hoặc khi hệ thống mang tính phi tuyến cao. Phương pháp này cho kết quả dự báo có ñộ chính xác cao, dự
Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……….. ……… 28
báo ñược các sự kiện theo thời gian. Nêu bật ñược các tham số ảnh hưởng tới phụ tải biến ñộng do các yếu tố như môi trường, kinh tế, dân số, giá cả tiêu dùng vv…
Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……….. ……… 29
CHƯƠNG 2 KHÁI QUÁT CHUNG VỀ MẠNG NƠRON NHÂN TẠO VÀ MẠNG NƠRON
TRONG TOOLBOX MATLAB 2.1 Khái quát chung về mạng nơron nhân tạo
2.1.1 Khái niệm chung về mạng nơron
Mạng Nơron nhân tạo (Artifiricial Neuron Network) ANN gọi tắt là mạng nơron là một mô hình xử lý thông tin phỏng theo cách xử lý thông tin của các hệ nơron sinh học. Nó ñược tạo nên từ một số lượng lớn các phần tử (gọi là phần tử xử lý hay nơron). Kết nối với nhau thông qua các liên kết (gọi là trọng số liên kết) làm việc như
một thể thống nhất ñể giải quyết vấn ñề cụ thể nào ñó.
Mạng nơron nhân tạo ñược cấu hình cho một ứng dụng cụ thể (nhận dạng mẫu phân loại dữ liệu…) thông qua một quá trình học từ tập các mẫu huấn luyện. Về bản chất học chính là quá trình hiệu chỉnh trọng số liên kết giữa các nơron.
2.1.2 Quá trình xử lý thông tin của mạng Nơron nhân tạo
Processing Elements (PE): Các PE của ANN gọi là Nơron; mỗi Nơron nhận các dữ liệu vào (Inputs) xử lý chúng và cho ra một kết quả (output) duy nhất; kết quả
xử lý của một nơron có thể làm ñầu vào cho các nơron khác.
Hình 2.1: Mô hình mạng nơron.
Inputs: Mỗi Input tương ứng với 1 thuộc tính (attribute) của dữ liệu (patterns). Ví dụ như trong ứng dụng nghành ñiện dự báo phụ tải của năm của tháng hay của ngày vv… thì mỗi ñầu vào Input là một thuộc tính của khách hàng.
Output: Kết quả của một ANN là một giải pháp cho một vấn ñề, ví dụ như với bài toán xem xét tham số phụ tải ñầu ra output.
Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……….. ……… 30
Connection Weights (Trọng số liên kết): ðây là thành phần rất quan trọng của một ANN, nó thể hiện mức ñộ quan trọng (ñộ mạnh) của dữ liệu ñầu vào ñối với quá trình xử lý thông tin (quá trình chuyển ñổi dữ liệu từ lớp này sang lớp khác). Quá trình học (Learning Processing) của ANN thực ra là quá trình ñiều chỉnh các trọng số
(Weight) của các input data ñể có ñược kết quả mong muốn.
Summation Function (Hàm tổng): Tính tổng trọng số của tất cả các input
ñược ñưa vào mỗi nơron (phần tử xử lý PE). Hàm tổng của một Nơron ñối với n input
ñược tính theo công thức sau:
∑ = = n i i iW X Y 1 (2.1) Xi: Các ñầu vào Mạng; Wi: Các trọng số; Y: ðầu ra mạng.
Hàm tổng ñối với nhiều nơron trong cùng một Layer (Xem hình 2.2b):
Hình 2.2: Transformation (Transfer) Function (Hàm chuyển ñổi)
Hàm tổng (Summation Function) của một nơron cho biết khả năng kích hoạt (Activation) của nơron ñó còn gọi là kích hoạt bên trong (internal activation). Các nơron này có thể sinh ra một output hoặc không trong ANN (nói cách khác rằng có thể (adsbygoogle = window.adsbygoogle || []).push({});
output của 1 nơron có thểñược chuyển ñến layer tiếp trong mạng nơron tiếp theo hoặc không). Mối quan hệ giữa Internal Activation và kết quả (output) ñược thể hiện bằng hàm chuyển ñổi (Transfer Function) như hình dưới 2.2.1.
Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……….. ……… 31
Hình 2.2.1: Mô hình mạng nơron.
Việc lựa chọn Transfer Function có tác ñộng lớn ñến kết quả của ANN. Hàm chuyển ñổi phi tuyến ñược sử dụng phổ biến trong ANN là sigmoid (logical activation) function. Y T e Y − + = 1 1 ; (2.2) Trong ñó : YT: Hàm chuyển ñổi; Y: Hàm tổng.
Kết quả của Sigmoid Function thuộc khoảng [0,1] nên còn gọi là hàm chuẩn hóa (Normalized Function).
2.1.3 Hàm truyền trong mạng Nơron nhân tạo
Bất kỳ hàm truyền nào trong toolbox của phần mềm Matlab ñều 3 ñiểm chung nhất sử dụng hàm ñược hiển thịở dưới.
Hàm Hard-lim
Hình 2.3: ðồ thị hàm Hard-Limit.
f(n)=1 nếu n≥0; f(n)=0 nếu n≤0;
Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……….. ……… 32
Hàm tuyền hard-lim ñược hiển thị trên giới hạn ñầu ra output của tế bào tới 0. Hàm này sử dụng trong mạng Perceptron nhằm tạo ra các nơron.
Hộp công cụ có một hàm hard-lim ñể nhận ra hàm truyền hard-lim toán học hiển thịở trên. Chúng ta thử theo dõi mã sau:
n = -5:0.1:5;
plot(n,hardlim(n),'c+:');
Nó tạo ra một ñồ thị của hàm hard-lim trên phạm vi từ -5 tới 5.
Hàm Purelin.
Hàm truyền tuyến tính tính toán các ñầu ra của các nơron bằng cách ñơn giản quay trở về các giá trịñược truyền cho nó.
Các nơron loại này sử dụng xấp xỉ tuyến tính.
Hình 2.4: ðồ thị hàm Purelin.
a=purelin(n)=purelin(Wp + b)= Wp + b; (2.3)
Nơron này có thể ñược huấn luyện ñể học quan hệ với hàm của các ñầu vào. Hoặc tìm kiếm xấp xỉ gần ñúng hàm phi tuyến. Một mạng tuyến tính có thể không, tất nhiên, thực hiện ñể thi hành sự tính toán phi tuyến.
Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……….. ……… 33
Hàm truyền log-sigmoil hiển thịở dưới có ñầu vào input có thể có giá trị bất kỳ
dương và âm vô cùng và áp ñầu ra trong khoảng 0 tới 1.
Hình 2.5: ðồ thị hàm Log-Sigmoid.
Hàm truyền Log-sigmoid này thường sử dụng trong Mạng lan truyền ngược. Ký hiệu hình vuông bên phải của hàm truyền hiển thị như hình trên tượng trưng cho hàm truyền liên quan.
Các hàm hoạt ñộng phải có các ñặc tinh sau: - Hàm bị chặn trên và chặn dưới.
- Hàm có tính ñơn ñiệu.
- Hàm phải có tính liên tục và trơn. (adsbygoogle = window.adsbygoogle || []).push({});
2.1.4 Cấu trúc chung của mạng nơron nhân tạo
Mỗi nơron (nút) là một ñơn vị xử lý thông tin của mạng, nơron là yếu tố cơ bản
ñể cấu tạo nên mạng nơron.
Hình 2.6: Cấu trúc 1 nơron (Neural)
Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……….. ……… 34
wkp1-wkp3: Trọng số của từng ñầu vào; F(.): Hàm hoạt ñộng;
yk: Kết xuất của nơron;
b: Thông sốảnh hưởng ñến ngưỡng ra của mạng. Phân loại cấu trúc mạng nơron.
a. Mạng dẫn tiến một lớp
ðây là cấu trúc mạng nơron ñơn giản nhất. Mạng nơron này chỉ gồm 1 lớp xuất, không có lớp ẩn.
Hình 2.7: Mạng dẫn tiến một lớp. b. Mạng dẫn tiến nhiều lớp
Hình 2.8: Cấu trúc mạng nơron nhiều lớp.
Mạng Nơron nhiều lớp có thể giải quyết các bài toán phi tuyến nhờ vào các lớp
ẩn. Các lớp ẩn này xen giữa các input bên ngoài và output của mạng. Càng nhiều lớp
ẩn thì khả năng mở rộng thông tin càng cao và xử lý tốt mạng có nhiều input và output. Ngoài ra còn có mạng hồi quy và mạng nơron dạng lưới.
Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……….. ……… 35
Nelson và IIlingworth (1991) ñã ñưa ra mộy số loại cấu trúc của mạng nơron như hình 2.9. Nơron ñược vẽ là các vòng tròn xem như một tế bào thần kinh, chúng có các mối liên hệ ñến các nơron khác nhờ các trọng số, lập thành các ma trận trọng số
tương ứng.
Mỗi một nơron có thể phối hợp với các nơron khác tạo thành một lớp các trọng số. Mạng một lớp truyền thẳng (Single- Layer Feedforward Network) như hình 2.9.a Có thể nối vài lớp nơron với nhau tạo thành mạng nhiều lớp truyền thẳng (Multi- Layer Feedforward Network) như hình 2.9.b Hai loại mạng nơron một lớp và nhiều lớp ñược gọi là truyền thẳng nếu ñầu ra của mỗi nơron ñược nối với các ñầu vào của các nơron của lớp trước ñó. Mạng nơron phản hồi là mạng mà ñầu ra của mỗi nơron
ñược quay trở lại nối với ñầu vào của các nơron cùng lớp ñược gọi là mạng Laeral như
hình 2.9.c .
Mạng nơron phản hồi có thể thực hiện ñóng vòng ñược gọi là mạng nơron hồi quy (Recurrent Network) như hình 2.9.d .
Hình 2.9: Một số cấu trúc mạng.
Các nơron lớp vào trực tiếp nhận tín hiệu ởñầu vào, ởñó mỗi nơron chỉ có một tín hiệu vào. Mỗi nơron ở lớp ẩn ñược nối với tất cả các nơron lớp vào và lớp ra. Các nơron ở lớp ra có ñầu vào ñược nối với tất cả các nơron ở lớp ẩn, chúng là ñầu ra của mạng. Cần chú ý rằng một mạng nơron cũng có thể có nhiều lớp ẩn. Các mạng nơron trong mỗi nơron chỉ ñược liên hệ với tất cả các nơron ở lớp kế tiếp và tất cả các mối
Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……….. ……… 36
liên kết chỉñược xây dựng từ trái sang phải ñược gọi là mạng nhiều lớp truyền thẳng (perceptrons).
c. Luật học
Thông thường mạng nơron ñược ñiều chỉnh hoặc ñược huấn luyện ñể hướng các ñầu vào riêng biệt ñến ñích ở ñầu ra. Cấu trúc huấn luyện mạng ñược chỉ ra trên hình 2.10. Ở ñây, hàm trọng của mạng ñược ñiều chỉnh trên cơ sở so sánh ñầu ra với
ñích mong muốn (taget) cho tới khi ñầu ra mạng phù hợp với ñích. Những cặp vào/ñích (input/taget) ñược dùng ñể giám sát cho sự huấn luyện mạng.
Hình 2.10: Cấu trúc huấn luyện. (adsbygoogle = window.adsbygoogle || []).push({});
ðể có ñược một số cặp vào/ra, ở ñó mỗi giá trị vào ñược gửi ñến mạng và giá trị ra tương ứng ñược thực hiện bằng mạng là sự xem xét và so sánh với giá trị mong muốn. Bình thường tồn tại một sai số bởi lẽ giá trị mong muốn không hoàn toàn phù hợp với giá trị thực. Sau mỗi lần chạy, ta có tổng bình phương của tất cả các sai số. Sai số này ñược sử dụng ñể xác ñịnh các hàm trọng mới. Sau mỗi lần chạy, hàm trọng của mạng ñược sửa ñổi với ñặc tính tốt hơn tương ứng với ñặc tính mong muốn. Từng cặp giá trị vào/ra phải ñược kiểm tra và trọng lượng ñược ñiều chỉnh một vài lần. Sự thay
ñổi các hàm trọng của mạng ñược dừng lại nếu tổng các bình phương sai số nhỏ hơn một giá trị ñặt trước hoặc ñã chạy ñủ một số lần chạy xác ñịnh (trong trường hợp này mạng có thể không thoả mãn yêu cầu ñặt ra do sai lệch còn cao) có hai kiểu học:
- Học thông số (Paramater Learning): Tìm ra biểu thức cập nhật các thông số về
Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……….. ……… 37
- Học cấu trúc (Structure Learning): Trọng tâm là sự biến ñổi cấu trúc của mạng nơron gồm số lượng nút (node) và các mẫu liên kết Nhiệm vụ của việc học thông số là bằng cách nào ñó, tìm ñược ma trận chính xác mong muốn từ ma trận giả thiết ban ñầu với cấu trúc của mạng nơron có sẵn. ðể làm ñược việc ñó, mạng nơron sử dụng các trọng số ñiều chỉnh, với nhiều phương pháp học khác nhau có thể tính toán gần ñúng ma trận W cần tìm ñặc trưng cho mạng, có ba phương pháp học:
o Học có giám sát ( Supervised Learning). Là quá trình học ở mỗi thời
ñiểm thứ i khi ñưa tín hiệu xi vào mạng nơron, tương ứng sẽ có các ñáp ứng mong muốn di của ñầu ra cho trước ở thời ñiểm ñó. Hay nói cách khác, trong quá trình học có giám sát, mạng nơron ñược cung cấp liên tục các cặp số liệu mong muốn vào –ra ở
từng thời ñiểm (x1 ,d1), (x2, d2),… (xk, dk),…khi cho tín hiệu vào thực là xk sẽ tương
ứng có tín hiệu ñầu ra cũng ñược lặp lại là dk giống như mong muốn. Kết quả của quá trình học có giám sát là tạo ñược một hộp ñen có ñầu vào là véc tơ tín hiệu vào X sẽ ñưa ra ñược câu trả lời ñúng d.
ðể ñạt ñược kết quả mong muốn trên, khi ñưa vào tín hiệu xk, thông thường sẽ
có sai lệch ek giữa tín hiệu ñầu ra thực yk với tín hiệu ñầu ra mong muốn dk. Sai lệch
ñó sẽ ñược truyền ngược tới ñầu vào ñể ñiều chỉnh thông số mạng nơron là ma trận trọng số W…Quá trình cứ thế tiếp diễn sao cho sai lệch giữa tín hiệu ra mong muốn và tín hiệu ra thực tế nằm trong phạm vi cho phép, kết quả nhận ñược ma trận trọng số
với các phần tử wijñã ñược ñiều chỉnh phù hợp với ñặc ñiểm của ñối tượng hay hàm số mạng nơ ron cần học. Mô hình học có giám sát ñược minh hoạ như hình sau:
Trường ðại học Nông nghiệp Hà Nội – Luận văn thạc sỹ kỹ thuật……….. ……… 38
o Học củng cố:(Reinforcement Learning). Là phương pháp học trong ñó tín hiệu d ñược ñưa từ bên ngoài nhưng không ñược ñầy ñủ mà có thể chỉñưa ñại diện 1 bít ñể có tính chất kiểm tra quá trình ñúng hay sai. Tín hiệu ñó ñược gọi là tín hiệu củng cố (Reinforcement Signal). Phương pháp học củng cố chỉ là một phương pháp học riêng của phương pháp học có giám sát, bởi vì nó cũng nhận tín hiệu chỉ ñạo từ
bên ngoài. Chỉ khác là tín hiệu củng cố có tính ước lượng hơn là ñể dạy. Tín hiệu giám sát bên ngoài d thường ñược tiến hành bởi các tín hiệu ước lượng ñể tạo thông tin ước lượng cho mạng nơ ron ñiều chỉnh trọng số với hy vọng sự ước lượng ñó mang lại sự
chính xác trong quá trình tính toán. Mô hình củng cốñược minh hoạ như hình 2.11.
o Học không có giám sát (Unsupervied Learning).
Trong trường hợp này, hoàn toàn không có tín hiệu ở bên ngoài. Giá trị mục tiêu
ñiều khiển không ñược cung cấp và không ñược tăng cường. Mạng phải khám phá các