Phương pháp dự báo nhu cầu điện sử dụng kỹ thuật trí tuệ nhân tạo

Một phần của tài liệu TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP DỰ BÁO NHU CẦU ĐIỆN (Trang 29)

b. Ứng dụng mô hình phân tích KT-KT trong dự báo nhu cầu năng lượng Việt Nam

1.3. Phương pháp dự báo nhu cầu điện sử dụng kỹ thuật trí tuệ nhân tạo

Trí tuệ nhân tạo, một ngành khoa học nhằm mô phỏng bằng máy tính về hành vi thông minh của con người [2]. Một trong những ứng dụng của nó là mạng neuron nhân tạo (Artifical Neural Networks - ANN). Mạng neuron có khả năng chiết xuất thông tin từ những dữ liệu không chắc chắn hay những dữ liệu phức tạp nhằm phát hiện ra những xu hướng không quan sát được bằng mắt thường hoặc bằng một số các kỹ thuật máy tính khác. Gần 90% các mạng neuron ứng dụng ngày nay sử dụng phương pháp lan truyền ngược (back propagation). Một trong những ứng dụng của mạng neuron lan truyền ngược (back-propagation Neuron Network) là khả năng dự báo: khi cho một tập mẫu dữ liệu theo thời gian, mạng neuron lan truyền ngược có thể dự báo các giá trị của mẫu đó trong tương lai.

Đã có một số tác giả nghiên cứu sử dụng mạng neuron nhân tạo trong dự báo nhu cầu điện như:

● Juntakan Taweekun [36] sử dụng mô hình mạng neuron, trong đó các dữ liệu từ năm 1993 đến 1999 dùng để học mạng và các dữ liệu từ năm 2000 đến 2002 để kiểm tra và công bố kết quả dự báo nhu cầu phụ tải điện cho Thailand giai đoạn 2005 – 2020. ● Hsu and Chen [49] đã sử dụng mô hình mạng neuron, được thiết kế luyện mạng theo BP để dự báo nhu cầu điện tại Đài Loan với các yếu tố đầu vào là GDP, dân số và nhiệt độ tối đa của vùng.

● Soteris A. Kalogirou [61] đã sử dụng mạng neuron nhân tạo và GA để tối ưu hoá hệ thống năng lượng mặt trời.

● Merih Aydinalp, V. Ismet Ugursal, Alan S. Fung [62] đã sử dụng mạng neuron để mô hình hoá tiêu thụ năng lượng trong các thiết bị, chiếu sáng và làm mát cho khu vực hộ gia đình.

● Mô hình dự báo nhu cầu năng lượng sử dụng mạng neuron nhân tạo lan truyền thẳng 2 lớp đã được sử dụng để dự báo cho tỉnh Eastern của Saudi Arabia với các dữ liệu thời tiết, dân số và bức xạ toàn cầu. Dữ liệu thống kê trong 7 năm được sử dụng để học mạng (Javeed Nizami và Ahmed G. Al-Garni, 1995) [63].

● Mạng neuron nhân tạo sử dụng kỹ thuật học máy đã được Abdel-Aal et al (1997) đề xuất lựa chọn để dự báo nhu cầu năng lượng điện hàng tháng tại khu vực miên Tây của Saudi Arabia thay thế cho mô hình đa hồi quy thông thường [64].

● Soteris A. Kalogirou và Milorad Bojic (2000) đã xây dựng mô hình dự báo dựa trên mạng neuron nhân tạo để dự báo nhu cầu năng lượng cho các toà nhà. Kiến trúc hồi quy đa lớp và BP sai số đã được sử dụng trong mô hình [65].

Các kết quả tính toán cho thấy kỹ thuật dự báo dùng mạng neuron có thể làm tăng độ chính xác dự báo so với các phương pháp thống kê [25], ngoài ra, nó còn có một số ưu điểm nổi bật so với các phương pháp thống kê truyền thống là:

- Không cần biết những thông tin trong tương lai, vẫn có thể dự báo cho một yếu tố mà nó phụ thuộc vào những thông tin ấy.

- Mạng neuron kết hợp giải thuật học lan truyền ngược với GA (GAs) có khả năng dự báo đa biến, không bị hạn chế về số lượng như trong một số phương pháp truyền thống khác.

- Có thể dự báo nhiều thời điểm trong tương lai.

- Có khả năng áp dụng trong thời gian thực.

- Không phải tính toán các biến trễ để xác định các biến vào cho dự báo. Không bị giới hạn khoảng dự báo và giả thời gian thực như trong các phương pháp thống kê mà có khả năng nhìn toàn cục, dự báo nhiều thời điểm trong tương lai.

- Không mất nhiều công sức phân tích và tính toán các tham số đầu vào cho một mô hình hồi quy để dự báo.

1.4. Một số phương pháp dự báo nhu cầu điện khác

Một phần của tài liệu TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP DỰ BÁO NHU CẦU ĐIỆN (Trang 29)

Tải bản đầy đủ (DOCX)

(32 trang)
w