Luận văn: Ứng dụng mạng Nơron nhân tạo dự báo phụ tải ngắn hạn hệ thống điện Miền Bắc pptx

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI




LUẬN VĂN THẠC SĨ KHOA HỌC


ỨNG DỤNG MẠNG NƠRON NHÂN TẠO DỰ BÁO PHỤ TẢI
NGẮN HẠN HỆ THỐNG ĐIỆN MIỀN BẮC


NGÀNH: CÔNG NGHỆ THÔNG TIN
MÃ SỐ:

CHU NGHĨA


Người hướng dẫn khoa học: PGS.TS. NGUYỄN ĐỨC NGHĨA




HÀ NỘI 2007


1

Mục lục

Danh mục các từ viết tắt 3
Mở đầu 4
CHƯƠNG I 7
PHụ TảI Hệ THốNG ĐIệN MIềN BắC và bài toán dự báo 7
1.1. Phụ tải Hệ thống điện miền Bắc 7
1.1.1. Giới thiệu chung về HTĐ miền Bắc 7
1.1.2 Tầm quan trọng của dự báo phụ tải 10
1.1.3. Những yếu tố ảnh hởng đến phụ tải ngắn hạn 11
1.1.4. Mục tiêu và phạm vi nghiên cứu dự báo phụ tải 15
1.2. Bài toán dự báo phụ tải 16
1.2.1. Đặc điểm đồ thị phụ tải HTĐ miền Bắc 16
1.2.2. Dự báo phụ tải ngắn hạn cho 24h tiếp theo 19
CHƯƠNG II 23
Tổng quan Về MạNG NƠRON NHÂN TạO 23
2.1. Lịch sử phát triển của mạng nơron nhân tạo 23
2.2. Cơ sở lý thuyết mạng nơron 26
2.3. Bộ não và nơron sinh học 27
2.4 Mô hình mạng nơron nhân tạo 30
2.4.1 Mô hình một nơron nhân tạo 30
3.4.2. Mô hình mạng nơron nhân tạo 33
Chơng III 40

ứng dụng mạng nơron ánh xạ đặc trng tự tổ chức Kohonen
trong bài toán phân loại ngày 40
3.1. Sự cần thiết phân loại đồ thị phụ tải 40
3.1.1. Tập hợp các kiểu đồ thị phụ tải đặc trng 40
3.1.2. Sự cần thiết phân loại ngày bằng phơng pháp mạng nơron 42
3.2. Mạng nơron ánh xạ đặc trng tự tổ chức Kohonen 43

3.2.1. Cấu trúc mạng 44
3.2.2. Huấn luyện mạng 45
3.2.3. Sử dụng mạng 47
3.3. Xây dựng mạng Kohonen để phân loại ngày 48
3.3.1. Thiết kế cấu trúc mạng 48
3.3.2. Huấn luyện mạng 49
3.3.3. Xây dựng cấu trúc phần mềm mô phỏng mạng Kohonen phân loại ngày.
52
3.3.4. Kết quả sử dụng mạng Kohonen phân loại ngày 52
3.3.5. Phân tích kết quả phân loại ngày trong tháng 2/2006, tháng 5/2006 54
CHƯƠNG iV 58


2

ứNG DụNG MạNG NƠRON NHIềU LớP LAN TRUYềN NGƯợC SAI Số Dự
BáO PHụ TảI Ngắn hạn THEO NHIệT Độ MÔI TRƯờNG 58
4.1 Các khái niệm cơ bản về mạng nơron nhiều lớp lan truyền ngợc sai số (Back
propagation neural network) 58
4.1.1 Kiến trúc mạng truyền thẳng. 59
4.1.2. Huấn luyện mạng 60
4.1.3. Sử dụng mạng 64
4.1.4. Nghiên cứu sự hội tụ và độ phức tạp của quá trình huấn luyện mạng. 64
4.1.5. Một số vấn đề về mạng nơron nhiều lớp 67
4.2. ứng dụng mạng nơron nhiều lớp lan truyền ngợc sai số xây dựng bài toán dự
báo phụ tải hệ thống điện 68
4.2.1. Các bớc xây dựng bài toán dự báo phụ tải 68
4.2.2. Xây dựng cấu trúc phần mềm mô phỏng mạng nơron lan truyền ngợc sai
số ứng dụng trong bài toán dự báo đỉnh và đáy đồ thị phụ tải 72
4.2.3 Dự báo phụ tải cho 24 giờ trong ngày 85

CHƯƠNG V 99
Hệ thống phần mềm dự báo phụ tải ngắn hạn cho hệ thống
điện miền bắc 99
5.1. Giới thiệu về cơ sở dữ liệu 99
5.2. Đặc tả các chức năng 100
5.2.1. Truy vấn dữ liệu 100
5.2.2. Phân loại dữ liệu 101
5.2.3 Chuẩn hoá dữ liệu 101
5.2.4 Huấn luyện mạng 101
5.2.5 Dự báo phụ tải 101
5.3 Hớng dẫn sử dụng 102
5.3.1 Truy vấn dữ liệu 102
5.3.2 Phân loại dữ liệu 103
5.3.3 Chuẩn hoá dữ liệu 103
5.3.4 Huấn luyện mạng 104
5.3.5 Dự báo 104
CHƯƠNG vI 106
so sánh với một số kết quả đ có và Đánh giá kết quả 106
6.1. So sánh với một số phơng pháp đã có 106
6.2. Đánh giá kết quả 111
KếT LUậN 114
Tài liệu tham khảo 116
Phụ lục i 118
Phụ lục II 120
Tóm tắt luận văn 123
Summary 124

3

Danh môc c¸c tõ viÕt t¾t

ANN M¹ng n¬ron nh©n t¹o
DBPT Dù b¸o phô t¶i
HT§ HÖ thèng ®iÖn
HT§1 Trung t©m §iÒu ®é HÖ thèng ®iÖn miÒn B¾c
MSE Trung b×nh tæng b×nh ph−¬ng sai sè
SSE Tæng b×nh ph−¬ng sai sè
CNTT C«ng nghÖ th«ng tin
§TPT §å thÞ phô t¶i












4

Mở đầu
Trong những năm gần đây, do nhu cầu năng lợng không ngừng biến
đổi và tăng lên rõ rệt theo thời gian nên ngành Điện lực đã và đang xây dựng
rất nhiều các nhà máy điện để đáp ứng nhu cầu tiêu thụ điện năng trong cả

nớc. Vì vậy, một trong những vấn đề quan trọng mà ngành Điện lực cần phải
giải quyết tốt là bài toán dự báo phụ tải ngắn hạn và dài hạn.
Cho đến nay tuy đã có nhiều phơng pháp luận trong việc giải quyết bài
toán dự báo, song bài toán này luôn là một bài toán khó. Hiện nay, trong
ngành Điện lực Việt Nam bài toán dự báo phụ tải đợc giải quyết chủ yếu nhờ
sử dụng các phơng pháp dự báo truyền thống mang tính kinh nghiệm thuần
tuý. Trong số các hớng nghiên cứu nhằm triển khai các hệ thống thông minh
ở giai đoạn tới, mạng nơron giữ một vai trò quan trọng trong việc phát triển
các giải pháp nhận dạng, dự báoMạng nơron nhân tạo là kỹ thuật xử lý
thông tin có triển vọng ứng dụng trong việc giải quyết bài toán dự báo. Kết
hợp chặt chẽ với logic mờ, mạng nơron nhân tạo có thể giúp giải quyết hiệu
quả hơn các bài toán phức tạp.
Nhờ các u điểm nh có cấu trúc xử lý song song, khả năng học và ghi
nhớ, khả năng tự tổ chức và tổng quát hoá, mạng nơron nhân tạo ANN
(Artificial Newal Networks) đã đợc nghiên cứu và ứng dụng thành công
trong rất nhiều lĩnh vực nh xấp xỉ hàm nhận dạng mẫu, dự báo Luận văn
này chủ yếu tập trung tìm hiểu về mạng nơron nhân tạo và nghiên cứu ứng
dụng giải quyết bài toán dự báo phụ tải ngắn hạn cho hệ thống điện miền Bắc.
Mục đích của luận văn là phát triển các phơng pháp để giải bài toán dự
báo phụ tải ngắn hạn. Đối tợng cụ thể của nghiên cứu là dự báo phụ tải cho
24 giờ sau nhằm đa ra các thông số cần thiết cho công tác vận hành và lập
phơng thức điều hành hệ thống điện.
Luận văn bao gồm sáu chơng và hai phụ lục.


5

Chơng I Phụ tải hệ thống điện miền Bắc và bài toán dự báo:
Trình bày tổng quan về HTĐ miền Bắc. Phát biểu bài toán dự báo phụ tải, nêu
phạm vi, tầm quan trọng của bài toán, các yếu tố ảnh hởng đến phụ tải ngắn

hạn.
Chơng II Tổng quan về mạng nơron nhân tạo: Trình bày các khái
niệm cơ bản về mạng nơron nhân tạo: cơ sở lý thuyết và mô hình mạng.
Chơng III
ứng dụng mạng nơron ánh xạ đặc trng tự tổ chức
Kohonen trong bài toán phân loại ngày: Trình bày các khái niệm cơ bản về
mạng nơron ánh xạ đặc trng tự tổ chức Kohonen, đề xuất cấu trúc mạng để
giải quyết bài toán, xây dựng cấu trúc phần mềm và phân tích đánh giá kết
quả đạt đợc.
Chơng IV
ứng dụng mạng nơron nhiều lớp lan truyền ngợc sai
số trong bài toán dự báo phụ tải theo nhiệt độ môi trờng: Trình bày các
khái niệm cơ bản về mạng nơron nhiều lớp lan truyền ngợc sai số, đa ra các
bớc xây dựng bài toán, đề xuất cấu trúc mạng, xây dựng cấu trúc phần mềm,
đánh giá kết quả và so sánh với một số phơng pháp đã có.
Chơng V - Hệ thống phần mềm dự báo phụ tải ngắn hạn cho Hệ
thống điện miền Bắc: Giới thiệu về cơ sở dữ liêụ, đặc tả các chức năng của
hệ thống và hớng dẫn sử dụng phần mềm.
Chơng VI - So sánh với một số kết quả đã có và đánh giá kết quả:
So sánh phơng pháp dự báo phụ tải ngắn hạn của Hệ thống điện miền Bắc sử
dụng mạng nơron nhân tạo với một số phơng pháp dự báo truyền thống.
Đánh giá kết quả đạt đợc và khả năng ứng dụng của phần mềm.
Phụ lục I Phần mềm mô phỏng mạng Kohonen trong bài toán phân
loại kiểu ngày.


6

Phụ lục II Phần mềm mô phỏng mạng nơron lan truyền ngợc sai số
ứng dụng trong bài toán dự báo đỉnh và đáy đồ thị phụ tải.

Em xin chân thành cảm ơn PGS.TS Nguyễn Đức Nghĩa đã hớng dẫn và cho
em những ý kiến quý báu, em xin chân thành cảm ơn các thầy cô giáo khoa
Công nghệ Thông tin Trờng Đại học Bách khoa Hà Nội đã trang bị kiến
thức giúp em hoàn thành luận văn này.
























7

CHƯƠNG I
PHụ TảI Hệ THốNG ĐIệN MIềN BắC và bài toán dự báo
Chơng này đề cập đến các vấn đề sau:
Giới thiệu chung về HTĐ miền Bắc
Tầm quan trọng của dự báo phụ tải
Những yếu tố ảnh hởng đến phụ tải ngắn hạn
Mục tiêu và phạm vi nghiên cứu dự báo phụ tải
Đặc điểm đồ thị phụ tải HTĐ miền Bắc
Dự báo phụ tải ngắn hạn cho 24h tiếp theo
1.1. Phụ tải Hệ thống điện miền Bắc
1.1.1. Giới thiệu chung về HTĐ miền Bắc
Ranh giới của Hệ thống điện miền Bắc đợc tính từ Hà tĩnh trở ra, là
một vùng có vị trí địa lý tơng đối phức tạp, trải dài và nằm sát bờ biển, có
nhiều đồi núi, có nhiều vùng khí hậu khác nhau, kinh tế các khu vực trên toàn
miền Bắc phát triển không đồng đều dẫn đến công suất phụ tải ở các khu vực
có sự chênh lệch lớn. Phụ tải chủ yếu tập trung ở vùng đồng bằng, các thành
phố lớn có công nghiệp phát triển. Tại những vùng này phụ tải cao điểm và
thấp điểm chênh lệch nhau không lớn lắm P
min
/P
max
khoảng 0.7 do phụ tải
công nghiệp tại các khu vực này phát triển. Đối với những vùng miền núi hoặc
sản xuất nông nghiệp, công nghiệp không phát triển thì P
min
/P
max
khoảng 0.3
do phụ tải vào cao điểm chủ yếu là phụ tải sinh hoạt, điều nay gây khó khăn
rất lớn trong vận hành kinh tế hệ thống điện. Vào thấp điểm của hệ thống ta

không khai thác cao đợc các nguồn điện rẻ tiền còn vào cao điểm của hệ
thống ta phải chạy các nguồn điện đắt tiền để phủ đỉnh, có khi còn phải hạn
chế phụ tải vào cao điểm do nguồn điện không đáp ứng đợc nhu cầu của phụ
tải. Các thành phần cấu thành phụ tải đợc thể hiện ở biều đồ sau:


8










Trên biểu đồ ta thấy phụ tải Quản lý & Tiêu dùng dân c, Công nghiệp
& xây dựng chiếm tỷ trọng lớn, đến 90% tổng công suất phụ tải.
Theo thống kê, mức độ tăng trởng phụ tải hệ thống điện từ năm 2001
2005 là rất cao. Bảng 1.1 và bảng 1.2 dới đây thể hiện tốc độ tăng trởng
phụ tải về sản lợng của các năm trên.
Bảng 1.1: Sản lợng điện tiêu thụ của HTĐ miền Bắc từ năm 2001-2005

2001 2002 2003 2004 2005
HTĐ miền Bắc 10.765.767,2 12.251.947,5 14.215.228,6 16.008.894,1 18.057.297,9
Cty I 7.042.600,7 8.125.911,1 9.573.472,8 10.857.462,9 12.292.387,7
Hà Nội 2.777.100,4 3.079.711 3.486.549 3.879.340,1 4,329.367,2
Hải Phòng 946.066,1 1.046.325,4 1.155.206,9 1.272.091,1 1.415.610,8

Hình 1.1. Biểu đồ các thành phần cấu thành nên phụ tải
Côn
g
n
g
hiệ
p
và xâ
y

dựng 45.20%
Thơn
g
n
g
hiệ
p
&
KSNH 4.49%
Quản l
ý
& Tiêu dùn
g

dân c 44.59%

Nôn
g
n

g
hiệ
p
và thu
ỷ

sản 1.40%
Các hoạt độn
g

khác 4.32%


9


Bảng 1.2: Tốc độ tăng trởng phụ tải
2002 2003 2004 2005
HTĐ Bắc 13,84% 16,02% 12,62% 12,8%
Cty I 15,38% 17,81% 13,41% 13,22%
Hà Nội 10,89% 13,21% 11,27% 11,6%
Hải Phòng 10,6% 10,41% 10,12% 11,28%

Do điện năng của Quản lý & Tiêu dùng dân c là rất lớn nên chênh lệch
công suất giữa giờ cao điểm và thấp điểm rất lớn (khoảng 2-3 lần) và phụ
thuộc rất nhiều vào thời tiết, gây ảnh hởng lớn đến việc khai thác tối u các
nguồn điện. Phụ tải cao điểm là nhân tố quyết định việc huy động nguồn điện
trong khi đó phụ tải thấp điểm lại giữ vai trò quan trọng trong việc quyết định
phối hợp và điều chỉnh các nguồn điện nhằm đảm bảo vận hành kinh tế. Do đó
việc dự báo chính xác phụ tải có ý nghĩa hết sức quan trọng trong bài toán vận

hành kinh tế hệ thống điện cũng nh cải tạo, thiết kế hệ thống cung cấp điện,
giảm thiểu đợc tổn thất công suất và điện năng. Đặc biệt việc dự báo phụ tải
cao điểm chính xác mang lại lợi ích và hiệu suất sử dụng năng lợng cho
khách hàng, tránh trình trạng thiếu công suất giờ cao điểm.
Do đó phụ tải cao điểm và thấp điểm chính là hai giá trị đặc biệt trên đồ
thị phụ tải ngày và là mối quan tâm hàng đầu của ngời lập quy hoạch và thiết
kế hệ thống điện. Khi phụ tải thấp thì tỉ lệ tổn thất tăng do tổn hao không tải.


10

1.1.2 Tầm quan trọng của dự báo phụ tải
Nh chúng ta biết tháng 5/2005 sản lợng điện tiêu thụ đột biến trong
khi đó nguồn tài nguyên nớc tại thời điểm đó bị thiếu hụt dẫn đến ảnh hởng
lớn đến nền kinh tế Việt Nam. Vì vậy dự báo phụ tải điện đóng vai trò hết sức
quan trọng đối với việc quy hoạch, đầu t, phát triển nguồn điện và vận hành
hệ thống điện. Nhu cầu tiêu thụ điện năng phụ thuộc vào khả năng phát triển
của nền kinh tế quốc dân. nếu dự báo phụ tải quá thấp so với nhu cầu thực tế
thì dẫn đến kết quả nguồn dự phòng thấp, không đáp ứng đầy đủ nhu cầu điện
cho sản xuất công nghiệp và tiêu dùng, còn nếu dự báo phụ tải quá cao sẽ phải
huy động các nguồn đắt tiền gây lãng phí cho nền kinh tế nớc nhà.
Dự báo phụ tải dài hạn (khoảng 10-20 năm) nhằm mục đích cung cấp
dữ liệu cho công tác quy hoạch và đầu t phát triển HTĐ. Còn dự báo phụ tải
ngắn hạn (trong vòng 30 ngày) có nhiệm vụ đảm bảo vận hành hệ thống điện
an toàn và kinh tế. Đối với dự báo dài hạn có tính chất chiến lợc thì chỉ nêu
lên những phơng hớng phát triển chủ yếu mà không yêu cầu xác định chỉ
tiêu cụ thể.
Các chức năng quan trọng trong kế hoạch vận hành HTĐ nh phân phối
nguồn một cách kinh tế, hiệu quả, lên kế hoạch bảo dỡng và sửa chữa,
thờng đợc thực hiện nhờ việc dự báo phụ tải, vì vậy dự báo phụ tải đóng vai

trò đặc biệt quan trọng đối với điều độ viên, những ngời hoạch định kế
hoạch, lên phơng thức vận hành HTĐ.
Trong công tác vận hành, việc lập phơng thức ngày, phơng thức tuần
của Trung tâm Điều độ, hay dự báo phụ tải báo trớc một giờ, một ngày, một
tuần là những công việc tối cần thiết. Những phơng thức vận hành cơ bản
trong ngày nh huy động nguồn, phối hợp nguồn, truyền tải công suất giữa
các miền, giải quyết các công tác sửa chữa trên lới điện và đánh giá mức độ
an toàn HTĐ đều đòi hỏi phải có dự báo phụ tải tơng đối chính xác.


11

Trong thực tế vận hành HTĐ Việt Nam nói chung và HTĐ miền Bắc
nói riêng, phụ tải cao điểm (phụ tải cao nhất trong ngày P
max
) và thấp điểm
(phụ tải thấp nhất trong ngày P
min
) là hai điểm đặc biệt trong đồ thị phụ tải
ngày và đợc quan tâm nhiều nhất trong vận hành. Phụ tải cao điểm quyết
định việc huy động các nguồn nhiệt điện, tua-bin khí, diesel dự phòng nhằm
đảm bảo đủ nguồn phủ đỉnh và dự phòng nóng, tăng độ an toàn cung cấp điện.
Phụ tải thấp điểm quyết định việc phối hợp và điều chỉnh các nguồn tua-bin
khí, nhiệt điện, thủy điện nhằm đảm bảo vận hành kinh tế, tránh nhà máy thuỷ
điện Hoà Bình vận hành trong vùng công suất không cho phép về kỹ thuật,
trong đó dự báo phụ tải lúc cao điểm P
max
là quan trọng nhất trong ngày. Dự
báo chính xác phụ tải cao điểm có hiệu quả lớn về kinh tế vào mùa lũ khi cần
khai thác tối đa nguồn thủy điện, trong khi nớc các hồ chứa đang xả thì các

nguồn điện khác huy động chỉ nhằm mục đích an toàn, bù điện áp và phủ
đỉnh. Nếu sai số dự báo phụ tải lúc cao điểm giảm 2%, Điều độ Quốc Gia
(ĐĐQG) có thể tiết kiệm đợc khoảng 80 MW nguồn tuabin khí chạy dầu đắt
tiền chạy phủ đỉnh lúc cao điểm, góp phần đáng kể vào việc tăng hiệu quả vận
hành HTĐ và tiết kiệm đợc hàng trăm triệu đồng trên mỗi giờ cho ngành
điện nói riêng và cho cả nền kinh tế Quốc dân nói chung.
Hạn chế phụ tải lúc cao điểm cũng thờng xảy ra trong mùa lũ khi thiếu
nguồn phủ đỉnh. Tính chính xác đợc lợng công suất thiếu để chủ động cắt
phụ tải những khu vực không quan trọng, tránh cắt thừa hoặc cắt thiếu, tránh
sa thải phụ tải do bảo vệ tần số thấp tác động cũng có ý nghĩa lớn trong vận
hành, giảm thiệt hại do cắt điện.
1.1.3. Những yếu tố ảnh hởng đến phụ tải ngắn hạn
Để tìm ra đợc phơng pháp dự báo tối u đối với bài toán dự báo phụ
tải ngày của HTĐ miền Bắc với sai số nhỏ, ta cần xác định đợc các yếu tố
ảnh hởng đến phụ tải ngày, ví dụ: thứ của các ngày trong tuần, ngày lễ, các


12

Hình 1.2. Đồ thị phụ tải các ngày đặc trng trong tuần
Đ
ồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Giờ
Công suất
Th 5
Th 2
CN
đặc điểm của ngày cần dự báo, nh nhiệt độ trong ngày Chính vì vậy để
nâng cao độ chính xác của quá trình dự báo phụ tải ta cần phải xét đến các yếu
tố chủ yếu ảnh hởng đến phụ tải.
Qua thực tế vận hành cho thấy phụ tải của lới điện Việt Nam nói
chung và miền Bắc nói riêng phụ thuộc chủ yếu vào các yếu tố chính sau:
1. Thứ của ngày trong tuần
Có quy luật giữa phụ tải và ngày trong tuần
- Phụ tải thấp nhất trong đêm thứ 2
- Đồ thị phụ tải các ngày làm việc thờng có dạng giống nhau
- Phụ tải ngày nghỉ cuối tuần giảm.











2. Các ngày đặc biệt trong năm

13

Ngày đặc biệt trong năm nh các ngày lễ tết, 30/4, 1/5, 2/9 phụ tải các
ngày này giảm đáng kể so với ngày thờng. Phụ tải các ngày sát với các ngày
này cũng bị ảnh hởng, ta có thể thấy rõ điều đó trên đồ thị phụ tải HTĐ miền
Bắc ngày lễ 1/5/2006 và ngày làm việc bình thờng 3/5/2006. Dự báo phụ tải
trong các ngày đặc biệt không đợc áp dụng nh ngày thông thờng mà phải
tách biệt bằng phơng pháp riêng dựa vào sự thay đổi phụ tải của các ngày
này so với các ngày dạng này của các năm trớc đó.










3. Thời tiết trong ngày.
Bao gồm các thông số tự nhiên: nhiệt độ, độ ẩm, tốc độ gió, cờng độ
sáng, trong đó nhiệt độ có ảnh hởng lớn nhất, nhiệt độ tăng thì phụ tải tăng
và ngợc lại vì nớc ta là nớc nhiệt đới. Chỉ có trờng hợp đặc biệt ở miền
Bắc khi nhiệt độ quá lạnh, phụ tải tăng do sử dụng các thiết bị sởi ấm.


Đ
ồ thị phụ tải
0
500

1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Giờ
Công suất
Ngy 3/5
Ngy 1/5
Hình 1.3. Đồ thị phụ tải HTĐ miền Bắc hai ngày 1/5, 3/5


14









4. Truyền hình trực tiếp các sự kiện thể thao văn hoá
Công suất tiêu thụ vào các giờ tuyền hình trực tiếp bóng đá quốc tế, giải
bóng đá có đội tuyển Việt Nam tham gia tăng đột ngột từ 150 - 200 MW. Các
điều độ viên thờng dự báo phụ tải những ngày này theo kinh nghiệm những
ngày tơng tự trớc đó. Ví dụ: khi dự báo đồ thị phụ tải ngày có truyền hình
trực tiếp Worldcup 2006, ta dựa vào đồ thị phụ tải trong ngày cũng có truyền

hình trực tiếp Worldcup 2006 trớc đó để dự báo.








Đ
ồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0123456789101112131415161718192021222324
Giờ
Công suất
ờm khụng cú WC
ờm cú WC
Hình 1.5. Đồ thị phụ tải HTĐ miền Bắc có truyền hình trực
tiếp Worldcup 2006 và ngày bình thờng.
Đ
ồ thị phụ tải
0
500

1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
Giờ
Công suất
26-33
18 26
Hình 1.4. Đồ thị phụ tải ngày hai ngày có nhiệt độ khác


15

5. Kế hoạch sửa chữa lớn trong ngày có cắt điện.
Trong quá trình thực hiện kế hoạch sửa chữa lớn, nh cắt điện đờng
dây đang vận hành để kéo đờng dây mới, sửa chữa trạm 220Kv, 500Kv phải
cắt tải diện rộng dẫn đến điện năng tiêu thụ vào các ngày này giảm một cách
đáng kể. Dự báo phụ tải những ngày này phải tính toán khấu trừ phụ tải giảm
do ngừng cung cấp điện. Dạng của đồ thị phụ tải trong ngày có cắt điện diện
rộng cũng mang đặc thù riêng, thay đổi tuỳ thuộc vào thời gian, vùng , miền
cắt điện.
Qua quá trình vận hành thực tế và dữ liệu thống kê, các điều độ viên,
các chuyên viên chuyên phân tích về phụ tải hệ thống điện đi đến kết luận:
Nhiệt độ môi trờng, đặc thù của các ngày trong tuần, ngày lễ, ngày tết là các
yếu tố ảnh hởng lớn nhất đến giá trị phụ tải ngày.
1.1.4. Mục tiêu và phạm vi nghiên cứu dự báo phụ tải
Mục tiêu của luận văn

Nghiên cứu áp dụng kỹ thuật mạng nơron để dự báo phụ tải cao điểm
(P
max
), thấp điểm đêm (P
min
) và phụ tải ngày (24 giờ) của HTĐ miền Bắc theo
dữ liệu phụ tải quá khứ, nhiệt độ môi trờng và một số các yếu tố ảnh hởng
khác.
Phạm vi nghiên cứu.
Dự báo luôn giữ vai trò quan trọng trong nhiều lĩnh vực, quyết định kế
hoạch sản xuất, hớng đầu t phát triển trong tơng lai do đó có rất nhiều các
mô hình toán học áp dụng cho dự báo. Cũng nh các dự báo khác, dự báo phụ
tải ngày cũng phải dựa vào dữ liệu thống kê, phân tích và áp dụng thuật toán
để xác định mối quan hệ giữa phụ tải và các yếu tố ảnh hởng, từ đó dự báo
phụ tải dựa trên các yếu tố ảnh hởng đó.


16

Trớc đây, các mô hình toán học truyền thống hay đợc áp dụng cho dự
báo nh: hồi qui tuyến tính (linear regression), san bằng hàm mũ (exponential
smoothing), san trung bình (moving averages), hệ số ngẫu nhiên (stochatic)
Gần đây, với sự phát triển của việc nghiên cứu một số thuật toán dựa trên trí
tuệ của con ngời (artificial intelligence), mạng nơron nhân tạo (artificial
neural networks) đã đợc áp dụng trong dự báo và đợc đánh giá cao. Đây là
mô hình phi tuyến với nhiều u điểm và đang đợc áp dụng rộng rãi. Mạng
nơron nhân tạo đợc xây dựng trên cơ sở mô phỏng hoạt động của hệ thống
nơron thần kinh sinh học do đó mạng nơron nhân tạo có một số đặc điểm nh
bộ não con ngời, đó là khả năng học đợc những gì đã đợc dạy. Quá trình
học này đợc gọi là quá trình huấn luyện. Trong quá trình này các mẫu thể

hiện quan hệ giữa các biến ngẫu nhiên đợc đa vào trong mạng nơron, mạng
nơron sẽ nhận biết đợc quan hệ giữa các biến ngẫu nhiên đó sau khi kết thúc
quá trình huấn luyện. Chính do đặc điểm này mà mạng nơron đợc ứng dụng
rất nhiều trong lĩnh vực dự báo. Đặc biệt đối với bài toán dự báo phụ tải ngắn
hạn thì đây là mô hình đợc đánh giá cao hơn hẳn các mô hình trớc đó và
hiện nay mô hình này đang đợc áp dụng phổ biến ở một số nớc phát triển
trong dự báo phụ tải .
Nghiên cứu phơng pháp dự báo phụ tải ngày là nghiên cứu và áp dụng
các phơng pháp toán học để tìm quan hệ giữa phụ tải ngày và các yếu tố chủ
yếu ảnh hởng đến phụ tải ngày. Thuật toán áp dụng cho dự báo phụ tải theo
nhiệt độ phải dựa trên dự báo thời tiết ngày hôm sau gồm các thông tin nh:
nhiệt độ cao nhất và thấp nhất trong ngày, nắng hay ma, giông bão
1.2. Bài toán dự báo phụ tải
1.2.1. Đặc điểm đồ thị phụ tải HTĐ miền Bắc
Phụ tải của HTĐ miền Bắc có các thành phần điện Quản lý & Tiêu dùng
dân c và Công nghiệp & xây dựng chiếm tỷ trọng lớn. Bảng 1.3 thống kê sản


17

lợng tiêu thụ của từng ngành trong ba năm 2003 đến 2005. Có thể nhận thấy
rằng, tỉ trọng điện tiêu thụ trong quản lý & tiêu dùng dân c rất lớn làm chế
độ tiêu thụ điện năng xấu đi, hệ số phụ tải giảm, gây nhiều khó khăn cho việc
đảm bảo an toàn cung cấp điện.
Bảng 1.3 Tỉ trọng sản lợng điện tiêu thụ của các thành phần kinh tế

Năm
Tiêu dùng
dân c
Công nghiệp

& xây dựng
Nông lâm
nghiệp
Thơng
nghiệp
Khác
2003 45,32% 44,2% 1,41% 4,52% 4,55%
2005 44,59% 45,2% 1,4% 4,49% 4,32%
2006 44,31% 45,91 1,42 4,38 3,98

Đồ thị phụ tải ngày của HTĐ miền Bắc đợc xây dựng theo giá trị phụ tải
24h trong ngày. Trên hình 1.6 là đồ thị hai ngày làm việc bình thờng vào
mùa đông và mùa hè. Đồ thị phụ tải biến đổi theo từng giờ, phụ tải cao nhất
trong ngày (P
max
) lớn hơn rất nhiều so với phụ tải thấp nhất trong ngày (P
min
).
Cao điểm tra thờng xảy ra 10h-11h, cao điểm chiều thờng xảy ra 18h-19h.
Thấp điểm thờng xảy ra vào ban đêm trong khoảng 3h-4h vào mùa hè, 2h-3h
vào mùa đông. Đồ thị của những ngày mùa hè thờng đồng đều hơn mùa
đông, chứng tỏ sản lợng điện sinh hoạt tiêu thụ rất lớn so với các ngành khác.






18

Trong quá trình vận hành của điều độ, phụ tải cao điểm (P
max
) và phụ tải
thấp điểm (P
min
) là hai điểm quan trọng nhất trong ngày. Phụ tải cao điểm và
thấp điểm quyết định huy động nguồn và điều chỉnh phối hợp nguồn thuỷ
điện, nhiệt điện, diesel
Vào thời điểm cao điểm
Điều độ Quốc Gia phải huy động các nguồn điện đắt tiền nh các nhà
máy diesel, tua bin khí cho việc khởi động và nâng công suất, trong trờng
hợp sự cố thiếu nguồn, điều độ viên cần phải dự báo công suất thiếu để chuẩn
bị trớc phơng án cắt tải sau đó phối hợp với các điều độ miền phân bổ các
công suất cần phải cắt cho các Điều độ lới điện phân phối. Cắt tải có chuẩn
bị trớc sẽ ít gây thiệt hại về kinh tế hơn cắt tải do rơ le tần số thấp tác động.
Đặc biệt rất đảm bảo an toàn đối với các nhà máy sản xuất công nghiệp nặng.
Vào giờ thấp điểm. (phụ tải thờng thấp hơn giờ cao điểm 2-3 lần)
Cần điều chỉnh cắt giảm các nguồn điện đắt tiền nh nguồn tua bin khí
chạy dầu, nhiệt điện sao cho thoả mãn chỉ tiêu kinh tế.
Nếu dự báo càng chính xác P
min
, P

max
, thì có thể huy động và điều chỉnh
nguồn hợp lý, dẫn đến vận hành hệ thống an toàn, hiệu quả và kinh tế hơn.
Đ
ồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Giờ
Công suất
14/12/2005
11/07/2006
Hình 1.6. ĐTPT hai ngày làm việc vào mùa đông và mùa hè


19

1.2.2. Dự báo phụ tải ngắn hạn cho 24h tiếp theo
Dự báo phụ tải lới điện cho 24h tiếp theo nhằm đa ra các giá trị phụ
tải dự báo theo từng giờ của ngày tiếp theo sát với thực tế vận hành, trong đó
giảm sai số là vấn đề mang tính chiến lợc trong quá trình dự báo.
Trong quá trình phân tích, so sánh đồ thị phụ tải của miền Bắc và các
miền khác trong một thời gian dài cho thấy kiểu đồ thị phụ tải ngày chủ yếu bị
ảnh hởng bởi thói quen tổ chức sinh hoạt, cách phân công sắp xếp công việc

của khách hàng, từ đó ta thấy ĐTPT có mối liên quan chặt chẽ với môi trờng
hoạt động, ngày làm việc, ngày nghỉ, lễ, tết, của cả cộng đồng dân c. Còn
đáy và đỉnh phụ tải là hàm của biến thời tiết nh nhiệt độ, lợng ma, độ
ẩm
Bài toán dự báo phụ tải HTĐ có thể chia thành hai bài toán nhỏ:
Bài toán dự báo đỉnh và đáy ĐTPT ngày cần dự báo
Bài toán xác định dạng ĐTPT ngày cần dự báo
1.2.2.1. Các dạng của đồ thị phụ tải
Xét đồ thị phụ tải HTĐ trên hình 1.7, đây là đồ thị phụ tải của Công ty
điện lực I các ngày 14/5/2006 (chủ nhật) và ngày 15/5/2006 (Thứ hai) đợc
xây dựng theo giá trị phụ tải 24h trong ngày. ĐTPT hai ngày điễn hình này có
dạng tơng tự nh ĐTPT ngày của HTĐ miền Bắc, ta thấy các giá trị phụ tải
phân bố trên ĐTPT không đồng đều. Đặc biệt độ chênh lệch giữa hai giá trị
P
max
và P
min
là rất lớn.






20

CN 14/05/2006
T2 15/05/2006

-
Gọi giá trị phụ tải đỉnh là P
max
-
Gọi giá trị phụ tải đáy là P
min
- Gọi giá trị phụ tải giờ thứ i là P(i) với i=1ữ24 ứng với 24h trong ngày
Ta cần đa ĐTPT trên về dạng ĐTPT ngày chuẩn, muốn vậy ta phải
quy chuẩn hoá phụ tải của từng giờ theo công thức sau:
P
n
(i)=
mi
n
ma
x
min)(
PP
PiP


(1.1)
P

n
(i): là phụ tải quy chuẩn hoá của giờ thứ i.
Dựa vào công thức trên ta tính đợc giá trị phụ tải quy chuẩn hoá của
24h trong ngày, đồ thị này còn đợc gọi là véctơ ĐTPT.
Đặt véctơ ĐTPT là P, ta có:
P = [p
1
, p
2
, , p
i
, , p
24
]
T
(1.2)
P
n
(i) =[P
n
(1), P
n
(2), ,P
n
(i), , P
n
(24)]
T
(1.3)
Với P

n
(i) là phụ tải đợc quy chuẩn hoá của giờ thứ i.
Đ
ồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
Giờ
Công suất
Hình 1.7. ĐTPT hai ngày điển hình (CN,T2) của Cty điện lực I


21

Đ
ồ thị phụ tải
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7

0.8
0.9
1.0
0123456789101112131415161718192021222324
Giờ
Công suất
CN 14/05/2006
T2 15/05/2006
Hình 1.8. ĐTPT hai ngày (CN,T2) của Cty điện lực I đã chuẩn hoá.
Hình 1.8 là ĐTPT ngày đợc chuẩn hoá theo biến i và P
n
(i). ĐTPT đã
đợc quy chuẩn vẫn giữ nguyên dạng biến thiên ban đầu, các giá trị đợc quy
chuẩn nằm trong khoảng từ 0 ữ1, với P
nmax
=1, P
nmin
= 0.









1.2.2.2 Đỉnh và đáy của đồ thị phụ tải.
Hai giá trị phụ tải đặc biệt trong ngày mà đợc các kỹ s vận hành cũng
nh ngời làm phơng thức ngày quan tâm nhiều nhất đó là, phụ tải cao điểm

và phụ tải thấp điểm. Đây cũng chính là mục tiêu quan trọng hàng đầu trong
bài toán dự báo phụ tải điện. Tính kinh tế, hiệu quả, phơng thức vận hành,
cũng nh hớng đầu t phát triển trong tơng lai của HTĐ phụ thuộc rất lớn
vào việc dự báo và độ chính xác của việc dự báo hai giá trị này. Có nhiều
phơng pháp có thể áp dụng để dự báo P
max
và P
min.
nh dự báo theo phơng
pháp ngoại suy theo thời gian, phơng pháp hồi quy tuyến tính Trong luận
văn này chúng ta chỉ nghiên cứu phơng pháp DBPT sử dụng mạng nơron
nhân tạo.
Sau khi đã xác định đợc hai giá trị quan trọng nhất P
max
và P
min
trên
ĐTPT thì các giá trị phụ tải khác trong ngày sẽ đợc xác định theo mối quan
hệ của chúng. Vậy nếu biết đợc dạng đồ thị phụ tải quy chuẩn, tức là các giá


22

trị P
n
(i), xác định đợc P
max
và P
min
trong ngày ta sẽ tính đợc phụ tải của từng

giờ theo công thức 1.1.
1.2.2.3 Dự báo phụ tải cho 24h
Khi ta đã dự báo đợc P
max
và P
min
trong ngày nếu ta xác định đợc đồ
thị phụ tải quy chuẩn tức là xác định đợc các giá trị P
n
(i) với i=1ữ24 ta sẽ xác
định đợc phụ tải của từng giờ trong ngày. Từ công thức (1.1) ta xác định
đợc công thức 1.4 sau:
P(i) = P
min
+ (P
max
P
min
) P
n
(i) (1.4)
Qua các phân tích nêu trên có thể đi đến kết luận: Để dự báo đợc phụ
tải từng giờ cho một ngày cụ thể, ta cần dự báo đợc giá trị phụ tải đỉnh P
max
và phụ tải đáy P
min
của ngày đó và tìm ra véctơ ĐTPT P
n
(i) của ngày cần dự
báo.

Tóm lại cũng nh các dự báo khác, dự báo phụ tải ngày phải dựa vào số
liệu thống kê, phân tích và áp dụng các thuật toán để xác định mối quan hệ
giữa phụ tải và các yếu tố ảnh hởng, từ đó xây dựng phơng pháp dự báo phụ
tải ngày dựa trên các yếu tố ảnh hởng đã đợc nêu.
Phần tiếp theo, ta sẽ nghiên cứu phơng pháp giải quyết bài toán dự báo
phụ tải thông qua việc sử dụng các loại mạng nơron nhân tạo. Việc phân tích
đặc điểm riêng, yêu cầu và mục đích từng bài toán sẽ là cơ sở để chọn loại
mạng nơron nhân tạo thích hợp vào việc giải quyết từng bài toán.




23

CHƯƠNG II
Tổng quan Về MạNG NƠRON NHÂN TạO
Mạng nơron nhân tạo là một lĩnh vực đợc đề xuất và nghiên cứu vào
cuối thập kỷ 1800 khi ngời ta cố gắng mô tả hoạt động của trí tuệ con ngời.
ý tởng này bắt đầu đợc áp dụng cho các mô hình tính toán từ mạng
Perceptron và đến nay đã có nhiều ứng dụng trong thực tế, đặc biệt là trong
lĩnh vực dự báo, nhận dạng, điều khiển Ví dụ, mạng nơron nhân tạo có thể
sử dụng để nhận dạng ký tự thông qua khả năng học từ kinh nghiệm hoặc từ
tập mẫu, trong khi các phơng pháp truyền thống phải tiêu tốn nhiều thời gian
cho việc làm mảnh ký tự, khả năng nhận dạng sẽ không cao khi chất lợng
quét của scanner tồi hoặc bản thân ký tự đợc lấy từ văn bản mờ hoặc có
nhiều nét đứt. Cách tiếp cận mạng nơron nhân tạo có ý nghĩa thực tiễn rất lớn
cho phép tạo ra các thiết bị có thể kết hợp khả năng song song cao của bộ não
với tốc độ tính toán cao của máy tính.
2.1. Lịch sử phát triển của mạng nơron nhân tạo
Trí tuệ nhân tạo (Artificial Intelligence) hay tạo cho máy móc khả năng

suy luận, phán đoán và cảm nhận nh con ngời là một trong những tham
vọng to lớn của loài ngời. Tham vọng này đã có từ lâu và cùng với sự ra đời
của máy tính, con ngời từng bớc đa kiến thức của mình vào máy, biến
chúng trở thành những công cụ thực sự có trí tuệ. Mạng nơron nhân tạo là một
bộ phận của ngành khoa học trí tuệ nhân tạo, là lĩnh vực tin học nghiên cứu
ứng dụng máy tính điện tử thông minh hoạt động theo cơ chế mô phỏng t
duy của con ngời. Mạng nơron nhân tạo có cấu trúc tơng tự nh bộ não tuy
nhiên số nơron trong mạng nơron nhân tạo là hữu hạn tuỳ thuộc vào nhu cầu
thực tế của bài toán, còn đối với bộ não con ngời số nơron lên tới xấp xỉ 15 tỉ
nơron. Mạng nơron có khả năng học và tái tạo lại những gì đã đợc dạy, chính


24

vì đặc điểm này mà mạng nơron đang đợc phát triển rất mạnh mẽ và đang
đợc ứng dụng rất nhiều trong thực tế, đặc biệt là trong lĩnh vực dự báo, nhận
dạng, điều khiển Con ngời bắt đầu nghiên cứu mạng nơron vào cuối thập
kỷ 1800 khi ngời ta cố gắng mô tả hoạt động của trí tuệ con ngời, ý tởng
này bắt đầu đợc áp dụng cho các mô hình tính toán từ mạng Perceptron.
Đầu thập kỷ 1950 Friedrich Hayek là ngời đầu tiên khẳng định ý
tởng về trật tự tự phát trong não xuất phát từ các mạng phân tán gồm các đơn
vị đơn giản (nơron). Cuối thập kỷ 1940, Donnald Hebb đa ra giả thuyết đầu
tiên về một cơ chế thần kinh mềm dẻo (neural plasticity). Hebbian learning
đợc coi là một quy tắc 'điển hình' của học không có giám sát. Nó (và các biến
thể) là mô hình thời kỳ đầu của long term potentiation. (tạo tiềm lực dài hạn).
Perceptron là một bộ phân loại tuyến tính dành cho việc phân loại dữ
liệu
xác định bằng các tham số và một hàm đầu ra g
= w'x + b. Các tham số của nó đợc thích nghi với một quy tắc tùy biến (ad-
hoc) tơng tự với xuống dốc ngẫu nhiên (stochastic steepest gradient descent).

Perceptron chỉ có thể phân loại hoàn hảo một tập dữ liệu mà các lớp khác
nhau là (linearly separable) trong không gian đầu vào. Nó thờng thất bại
hoàn toàn đối với dữ liệu không chia tách đợc. Sự phát triển của thuật toán
này ban đầu đã tạo ra một số hứng khởi, phần vì mối quan hệ của nó đối với
các cơ chế sinh học. Sau này, phát hiện về điểm yếu này đã làm cho các mô
hình Perceptron bị bỏ mặc cho đến khi các mô hình phi tuyến đợc đa ra.
Cognitron (1975) là một mạng nơron đa tầng thời kỳ đầu với một thuật
toán huấn luyện. Các chiến lợc thần kinh khác nhau sẽ khác nhau về cấu trúc
thực sự của mạng và các phơng pháp thiết lập trọng số cho các kết nối. Mỗi
dạng có các u điểm và nhợc điểm riêng. Mạng có thể lan truyền thông tin
chỉ theo một hớng, hoặc thông tin có thể đợc đẩy đi đẩy lại cho đến khi tại
một nút xuất hiện sự tự kích hoạt và mạng sẽ dừng tại một trạng thái kết thúc.