Báo cáo khoa học : Phân loại đồ thị phụ tải và phân tích phản ứng tiêu thụ điện lên biểu giá điện cho khu vực tp.hcm

ỦY BAN NHÂN DÂN THÀNH PHỐ HỒ CHÍ MINH
SỞ KHOA HỌC VÀ CÔNG NGHỆ










BÁO CÁO NGHIỆM THU ĐỀ TÀI
(Đã chỉnh sửa theo góp ý của Hội đồng nghiệm thu)

PHÂN LOẠI ĐỒ THỊ PHỤ TẢI VÀ PHÂN TÍCH PHẢN ỨNG
TIÊU THỤ ĐIỆN LÊN BIỂU GIÁ ĐIỆN CHO KHU VỰC TP.HCM





CHỦ NHIỆM ĐỀ TÀI: PGS.TS. PHAN THỊ THANH BÌNH

CƠ QUAN QUẢN LÝ CƠ QUAN CHỦ TRÌ
(Ký tên/đóng dấu xác nhận) (Ký tên/đóng dấu xác nhận)




















THÀNH PHỐ HỒ CHÍ MINH
THÁNG 3/2014


MỤC LỤC
NỘI DUNG

TRANG
Tóm tắt đề tài
1
Mục lục
2
Danh sách chữ viết tắt
3
Danh sách bảng
4
Danh sách hình
6
Chƣơng I - Tổng quan
14
Chƣơng II - Nội dung nghiên cứu
19
Chƣơng III - Kết quả và thảo luận
49
Chƣơng IV - Kết luận và kiến nghị
147
Phụ lục 1 - Các chỉ số phân nhóm
150
Phụ lục 2 - Đồ thị đại diện năm 2012
154
Phụ lục 3 - Phân tích tiêu thụ điện năm 2012
171
Phụ lục 4 - Phân tích tiêu thụ điện các trạm 2010+2011
200
Phụ lục 5 - Đáp ứng theo giá điện
253
Phụ lục 6 - Tài liệu minh chứng

277
Tài liệu tham khảo
291




DANH SÁCH CÁC CHỮ VIẾT TẮT
VIẾT TẮT
THUẬT NGỮ TIẾNG VIỆT
RLC
Đồ thị đại diện
KM
Phân loại mờ
TOU
Giá điện theo thời gian sử dụng
DSM
Quản lý nhu cầu
TPHCM
Thành phố Hồ Chí Minh



DANH SÁCH BẢNG
SỐ
TÊN BẢNG
TRANG
1
Bảng 1: Kết quả chạy thử trên các tập mẫu Alpha = 1.1
29

2

Bảng 2: Tóm tắt kết quả phân nhóm trên các tập mẫu
30
3
Bảng 3: Kết quả kiểm định phân bố đồ thị TPHCM
50
4
Bảng 4: Hệ số tƣơng quan giữa A và T
0

77
5
Bảng 5: Hệ số tƣơng quan giữa lnA và T
0
của các trạm
78
6
Bảng 6a: Điện năng điển hình của các thứ trong tuần của TPHCM
năm 2011+2012
88
7
Bảng 6b: Điện năng ngày điển hình của các tháng của TPHCM năm
2011+2012
100
8
Bảng 7: Điện năng ngày điển hình của các tháng trạm Bến Thành
2010
102
9

Bảng 8: Điện năng ngày điển hình của các ngày trong tuần trạm Bến
Thành 2011
103
10
Bảng 9: Điện năng ngày điển hình của các tháng trạm Bến Thành
2011
104
11
Bảng 10: Tiêu thụ điện của các trạm năm 2010-2011
105
12
Bảng 11: Bảng giá điện 6-22kV
107
13
Bảng 12: Bảng giá điện từ 22 kV đến dƣới 110KV
108
14
Bảng 13a: % tăng giá điện cấp 6-22kV
108
15
Bảng 13b:% tăng giá điện cấp 22-110kV
109
16
Bảng 14: Sự thay đổi điện năng tiêu thụ TPHCM tại các thời điểm là
(2 ngày sau khi thay đổi giá)

112
17
Bảng 15: Ba hệ số đặc trƣng cho đồ thị phụ tải điển hình
129

18
Bảng 16: Tỉ lệ chênh lệch giá điện

144



DANH SÁCH HÌNH

SỐ
TÊN HÌNH ẢNH
TRANG
1.1
Chƣơng trình ANATIPO
17
2.1
Phân bố chuẩn
20
2.2
Mẫu kiểm chứng 7-3
28
2.3
Mẫu kiểm chứng 3-2
29
2.4
Hàm thành viên mờ cho mục tiêu giảm tải đỉnh
47
2.5
Hàm thành viên mờ cho việc giảm sự sai biệt giữa tải giờ cao điểm và
thấp điểm.

47
3.1
Đồ thị đại diện mùa mƣa 2011+2012
52
3.2
Đồ thị đại diện mùa nắng 2011+2012
53
3.3a
Đồ thị đại diện ngày nghỉ 2011+2012
54
3.3b
Đồ thị đại diện ngày thƣờng 2011
54
3.4
Đồ thị đại diện ngày thứ hai 2011+2012
55
3.5a
Đồ thị đại diện ngày thứ ba 2011+2012
56
3.5b
Đồ thị đại diện ngày thứ tƣ 2011+2012

56
3.6
Đồ thị đại diện ngày thứ năm 2011+2012
58
3.7
Đồ thị đại diện ngày thứ sáu 2011+2012
59
3.8

Đồ thị đại diện ngày thứ bảy 2011+2012

60
3.9

Đồ thị đại diện ngày chủ nhật 2011+2012
61
3.10

Đồ thị đại diện tháng 1- 2011
62
3.11a
Đồ thị đại diện tháng 2- 2011
62
3.11b
Đồ thị đại diện tháng 3- 2011
63
3.1

Đồ thị đại diện tháng 4- 2011
63
3.13
Đồ thị đại diện tháng 5- 2011
63


3.14
Đồ thị đại diện tháng 6- 2011
64
3.15

Đồ thị đại diện tháng 7- 2011
64
3.16

Đồ thị đại diện tháng 8- 2011
64
3.17
Đồ thị đại diện tháng 9- 2011
65
3.18
Đồ thị đại diện tháng 10- 2011
65
3.19
Đồ thị đại diện tháng 11- 2011
65
3.20
Đồ thị đại diện tháng 12- 2011
66
3.21
Đồ thị đại diện TPHCM – 2011

67
3.22
Đồ thị đại diện TPHCM – 2012
68
3.23
Đồ thị đại diện dệt may TPHCM – 2010

69
3.24

Đồ thị đại diện các trạm TPHCM – 2011

72
3.25
ụ điện năng năm 2011+2012
79
3.26
ụ điện của thứ Hai 2011+2012

81
3.27

ụ điện của thứ Ba 2011+2012

82
3.28
ụ điện của thứ Tƣ 2011+2012
83
3.29
ụ điện của thứ Năm 2011+2012

84
3.30
ụ điện của thứ Sáu 2011+2012

85
3.31
ụ điện của thứ Bảy 2011+2012

86

3.32
ụ điện của Chủ nhật 2011+2012

87

3.33
ụ điện của thứ trong tuần 2011+2012
88
3.34
ụ điện của ngày trong tháng 1 năm 2011+2012

90
3.35
ụ điện của ngày trong tháng 2 năm 2011+2012
90
3.36
ụ điện của ngày trong tháng 3 năm 2011+2012
91
3.37
ụ điện của ngày trong tháng 4 năm 2011+2012
92


3.38
ụ điện của ngày trong tháng 5 năm 2011+2012
93
3.39
ụ điện của ngày trong tháng 6 năm 2011+2012
94
3.40

ụ điện của ngày trong tháng 7 năm 2011+2012

95
3.41
êu thụ điện của ngày trong tháng 8 năm 2011+2012
96
3.42
ụ điện của ngày trong tháng 9 năm 2011+2012
97
3.43
ụ điện của ngày trong tháng 10 năm 2011+2012
98
3.44
ụ điện của ngày trong tháng 11 năm 2011+2012
98
3.45
12 năm 2011+2012
99
3.46
Biểu đồ điện năng ngày điển hình của các tháng trạm Bến Thành 2010
102
3.47
Biểu đồ điện năng ngày điển hình trong tuần trạm Bến Thành 2011
104
3.48
Biểu đồ điện năng ngày điển hình của các tháng trạm Bến Thành 2011
105
3.49
Đồ thị phụ tải giữa hai lần thay đổi giá điện (cho 4 lần đầu) trạm Linh
Trung 1

114
3.50
Đồ thị phụ tải giữa hai lần thay đổi giá điện (cho 4 lần đầu) trạm Linh
Trung 2
117
3.51
Đồ thị phụ tải giữa hai lần thay đổi giá điện (cho 4 lần đầu) trạm
Tân Bình 1
119
3.52
Đồ thị phụ tải giữa hai lần thay đổi giá điện (cho 4 lần đầu) trạm
Vikimco
121
3.53
Đồ thị phụ tải giữa hai lần thay đổi giá điện (cho 4 lần đầu) cho tổng 4
trạm
123
3.54
Đồ thị phụ tải đại diện TPHCM từ 1/1/2011 đến 29/2/2011
126
3.55
Đồ thị phụ tải đại diện TPHCM từ 1/3/2011 đến 19/12/2011
127
3.56
Đồ thị phụ tải đại diện TPHCM 2012 qua 2 lần thay đổi giá
128
3.57
Đồ thị phụ tải của trạm Thị Nghè qua 4 lần thay đổi giá
130
3.58

Đồ thị phụ tải của trạm trạm Bến Thành qua 4 lần thay đổi giá
131


3.59
Đồ thị phụ tải của trạm trạm Bình Triệu qua 4 lần thay đổi giá
133
3.60
Đồ thị phụ tải của trạm trạm Hỏa Xa qua 4 lần thay đổi giá
134
3.61
Đồ thị phụ tải của trạm trạm Khu Chế Xuất Linh Trung 1 qua 4 lần
thay đổi giá
135
3.62
Đồ thị phụ tải của trạm trạm Khu Chế Xuất Linh Trung 2 qua 4 lần
thay đổi giá
136
3.63
Đồ thị phụ tải của trạm trạm Tân Bình 1 qua 4 lần thay đổi giá
137
3.64
Đồ thị phụ tải của trạm trạm Vikimco qua 4 lần thay đổi giá
138



BÁO CÁO NGHIỆM THU

1. Tên đề tài: Phân loại đồ thị phụ tải và phân tích phản ứng tiêu thụ điện lên biểu giá

điện cho khu vực TP.HCM.
- Chủ nhiệm đề tài: PGS.TS Phan Thị Thanh Bình
- Cơ quan chủ trì: Đại học Bách khoa TP.HCM
- Thời gian thực hiện: 12/2010 đến 4/2014
- Kinh phí đƣợc duyệt: 250.000.000 đồng
2. Mục tiêu
-
) thị tải điển hình cho thành phố.
- , khách hàng;
- Khảo sát phản ứng tiêu thụ điện lên biểu giá điện mới;
- ;
- Phân ;
- iến biểu giá điện nhằm nâng cao hiệu quả sử
dụng điện.
3. Nội dung, sản phẩm
3.1. Nội dung
- Thu thập số liệu và xử lý thô;
- Nghiên cứu phân tích số liệu;
- Phân loại đồ thị và xây dựng đồ thị điển hình;
- Nghiên cứu xây dựng cách tiếp cận thích hợp phân tích chế độ dùng điện của các
đối tƣợng khảo sát;
- Nghiên cứu xây dựng cách tiếp cận thích hợp phân tích phản ứng tiêu thụ điện lên
biểu giá điện mới (TOU);
- Nghiên cứu đề xuất về cải tiến giá điện theo hƣớng sử dụng điện hiệu quả.
3.2. Sản phẩm của đề tài
- Phƣơng pháp phân loại đồ thị phụ tải cho một đối tƣợng;
- Các đồ thị đại diệ (theo mùa, ngày thƣờng, ngày lễ…);
- Đồ thị đại diện cho đối tƣợng (một dạng khách hàng, trạm phân phối, thành phố);
- ủa các đối tƣợng trên;
- ớc và sau khi có biểu giá 3 giá mới của một số trạm

phân phối, một dạng khách hàng;
- Các kiến nghị, đề xuất về biểu giá điện;
- Một bài báo trên tạp chí trong nƣớc hoặc hội nghị quốc tế;


- Báo cáo tổng kết.

1
TÓM TẮT ĐỀ TÀI

Việc xây các đồ thị đại diện là rất cần thiết cho công tác thiết kế, vận hành lƣới điện
cũng nhƣ quản lý nhu cầu dùng điện. Do đồ thị phụ tải không phải lúc nào cũng tuân theo
luật phân bố chuẩn nên không thể lấy đồ thị trung bình làm đồ thị đại diện. Nếu tập đồ
thị không tuân theo một phân bố nhất định thì việc tìm kiếm đồ thị đại diện đƣợc đề tài
triển khai dựa trên nghiên cứu các phƣơng pháp phân loại đồ thị phụ tải. Các giải thuật
phân nhóm cũng đƣợc áp dụng cho bài toán phân tích tiêu thụ điện năng để đánh giá hiệu
quả dùng điện. Đề tài cũng tiến hành phân tích hiệu quả của các giá điện theo thời gian
lên sử dụng điện của khách hàng. Từ đây có thể rút ra các đề xuất về biểu giá điện theo
thời gian. Đối tƣợng khảo sát là phụ tải điện thành phố Hồ Chí Minh


SUMMARY
Building the representative load curve is necessary not only for designing, exploit
ting the power network but also for the demand side management. Because the load
curves are not belonged to the normal distribution, so the mean load curve will not be a
representative load curve. If the load curve set is not belonged to any distribution law,
this project proposes the load curve clustering method for determining the representative
load curve. The clustering methods also were applied for electrical consumption analysis.
This helps to estimate the effectiveness of electrical consumption. The influence of the
time of use tariff on the power demand is also carried out. The proposals to enhance the
time of use tariff will be drawn. The object for examining is the load of Ho Chi Minh
City.

2
CHƢƠNG I - TỔNG QUAN

1. Tổng quan tình hình nghiên cứu thuộc lĩnh vực đề tài
1.1. Ngoài nước
Vai t -
, phân nhóm chế độ dùng điện
:
- : Với hàng
loạt các quốc gia thì biểu giá điện là một công cụ quan trọng để điều chỉnh sự tiêu thụ
điện. Phản ứng lên biểu giá điện đƣợc thể hiện rõ nhất qua đồ thị phụ tải. Khảo sát và
phân loại đồ thị phụ tải [1] cho phép rút ra kết luận cần thiết về hiệu quả của biểu giá điện
và từ đây có đƣợc các sự hiệu chỉnh cần thiết.
- Cơ sở để cải tiến biểu giá điện: Với các nƣớc trên thế giới, các dạng phụ tải khác
nhau với các đồ thị khác nhau sẽ đƣợc định giá điện khác
, s . Ví
(điện lực Pháp). Dựa trên đồ thị điển hình (đại diện) của hệ thống, ví dụ
nhƣ sau khi áp dụng biểu giá vàng (yellow tariff) một thời gian đồ
thị họ nhận thấy dạng đồ thị
không dự báo trƣớc đƣợc. Sau đó đề xuất biểu giá “da trời” có giờ cao điểm động 22
n
- Công tác thiết kế lưới điện
cấp cơ sở dữ liệu cho việc chọn trạm và các khí cụ điện.

- Công tác vận hành lưới điện của các điện lực: trong bài toán đánh giá trạng thái
lƣới điện phân phối (DSE) nằm trong tổng thể bài toán hệ thống quản lý lƣới phân phối
DMS, việc sử dụng các RLC là cơ sở cho bài toán ƣớc lƣợng và đánh giá tải (load
estimation) [24].
- Tạo cơ sở dữ liệu cho việc quản lý và vận hành lưới điện: một ví dụ là với bài toán
đánh gi
đo hữu hạn, khi đó cần sử dụng các số đo giả. Các số đo giả này thƣờng đƣợc lấy từ các
cơ sở dữ liệu của các điện lực về tải (đồ thị đại diện của nút, của khách hàng…) [7][32]
- Tạo tiền đề cho việc lý sử dụng điện tiết kiệm và hiệu quả
-
ự
tham gia cấu tạo nên tải của hệ thống, từ đó có thể có các biện pháp điều khiển tải, thực
hiện sự tiết kiệm năng lƣợng nói chung cho toàn xã hội. Ví dụ điển hình là tại Đài Loan,

3
trong 2 năm liên tục, Điện lực Đài Loan đã lắp đặt các công tơ thông minh t
từng nhóm
- (h ):
: Một trong các bài toán quan trọng của chƣơng trình tiết kiệm điện năng là
phân tích các chế độ dùng điện (tiêu thụ điện) để tìm cách thúc đẩy tiêu thụ điện hợp lý.
Phân tích chế độ dùng điện sẽ chỉ ra các mặt mạnh, yếu, tìm ra các nguyên nhân khắc
phục[26].
- Hướng tới thị trường điện: Trong một thị trƣờng năng lƣợng điện cạnh tranh, điều
rất mong muốn của các nhà cung cấp điện năng là biết đƣợc đặc điểm về hành vi tiêu thụ
điện của các hộ tiêu thụ, để cung cấp các dịch vụ làm hài lòng họ với một chi phí thấp
nhất. Các nhà cung cấp thƣờng đƣợc cho phép thay đổi bảng giá nhƣng dƣới sự giám sát
về sự điều chỉnh bởi những ngƣời có thẩm quyền trong ngành năng lƣợng. Vì mục đích
đó, các nhà cung cấp tiến hành phân nhóm các hộ tiêu thụ vào những nhóm đại diện
[19][20] [27][34]và sau đó sử dụng RLC của nhóm đó để nghiên cứu về đặc điểm về
hành vi tiêu thụ điện của các hộ tiêu thụ và áp dụng bảng giá mới. Ngoài ra, kỹ thuật

phân nhóm cũng có thể đƣợc sử dụng cho các dự báo phụ tải.
Xác định đặc điểm về hành vi tiêu thụ điện của các khách hàng dùng điện là chìa khoá
cho việc thiết lập mới mức bảng giá đề nghị, dẫn đến cấu trúc bảng giá trở nên liên quan
chặt chẽ hơn đến các giá trị thực của việc cung cấp điện trong những khoảng thời gian
khác nhau. Trong viễn cảnh thị trƣờng trên, bên cung cấp điện đã đạt đƣợc một mức độ
mới về sự tự do trong việc thiết lập cấu trúc bảng giá và mức giá dƣới sự gia tăng điều
tiết mức lợi nhuận. Điều này đòi hỏi phải phân nhóm các hộ tiêu thụ điện vào những
nhóm khách hàng khác nhau một cách hợp lý.
Các giả thiết trƣớc đây thƣờng chấp nhận sự phân bố phụ tải của một nhóm các thiết
bị, xí nghiệp, hệ thống đều tuân theo quy luật phân bố chuẩn. Vì vậy, để xây dựng đồ thị
phụ tải ngày điển hình của các hộ tiêu thụ này, ngƣời ta sẽ sử dụng phƣơng pháp trung
bình cộng độ lệch chuẩn. Tuy nhiên nếu không tuân theo luật phân bố nào, các công trình
công bố đi tìm xem liệu tập đồ thị có thiên về một nhóm nào đó không. Nếu có thì từ đó
sẽ xây đồ thị đồ thị đại diện.
Hiện nay rất nhiều phƣơng pháp mới đƣợc ứng dụng:
- Kỹ thuật thống kê và phân nhóm (clustering and statistical techniques).
- Mạng nơron (neural network) [18][30][31].
- Logic mờ (fuzzy logic)
Kết quả việc phân nhóm sẽ tạo ra những mẫu đồ thị đại diện cho từng nhóm, đặc
trƣng cho hành vi sử dụng điện trong cùng một điều kiện. Mỗi RLC trên đƣợc xây dựng

4
dựa trên việc tập hợp những mẫu dữ liệu tải cơ bản trong quá khứ của một nhóm hộ tiêu
thụ và sẽ đại diện cho nhóm đó.
Một ví dụ là Điện lực Brazil cũng đã ứng dụng các thuật toán thuật toán phân nhóm tự
động trong việc phân loại phụ tải và xác định các đồ thị đại diện với chƣơng trình
ANATIPO.

Hình 1.1. Chương trình ANATIPO

Kế thừa ý tƣởng về đồ thị đại diện cũng chính là đồ thị có phổ phân bố nhiều nhất, đề
tài sẽ tiến hành tìm luật phân bố của đồ thị. Việc phân tích tiêu thụ điện, nhƣ trên đã đề
cập cũng dựa trên ý tƣởng tìm miền (tập hay nhóm) tiêu thụ điện
- Phân tích phản ứng lên biểu giá điện:
Tất cả các công ty điện sau khi có biểu giá điện mới ra đời đều tiến hành phân tích
đáp ứng của khách hàng lên biểu giá điện mới. Để làm điều này, hầu hết các công trình
công bố đều tập trung đi tìm kiếm mô hình toán thể hiện sự thay đổ giá điện lên sự thay
đổ dùng điện. Các công trình đều dựa trên ý tƣởng về hệ số đàn hồi. Với các nƣớc đã
thực thi biểu giá theo thời gian (TOU) nhiều năm, thƣờng các khách hàng đều có phản
ứng tƣơng đối hợp lý lên giá điện. Các công trình ở đây đều dựa trên mô hình do Aigner
đề xuất [37,38,39]
1.2. Trong nước
Liên quan tới đồ thị phụ tải, các công trình trong nƣớc tập trung vào công tác dự báo.
Ngay tại thành phố Hồ chí Minh có đề tài về dự báo đồ thị của nhóm tác giả Nguyễn
Thúc Loan, Trần Hoàng Lĩnh, của Ths. Nguyễn Ngọc Hồ. Những phác thảo đầu tiên về
phân nhóm mờ cho xây đồ thị RLC đã đƣợc nhóm nghiên cứu của chủ trì đề tài trình bày
tại hội nghị IPEC 2003 tại Singapore.
Trên một số diễn đàn và website của trƣờng Đại học Dân lập Kỹ thuật Công nghệ có
bài báo về phân loại đồ thị phụ tải dựa trên thuật toán Pulsa của Nguyễn Văn Sơn trích từ
luận văn cao học do chủ nhiệm đề tài hƣớng dẫn.
Do điều kiện ,
. Điều này đƣợc lý giải một phần vì hệ thống đo đếm và
truyền thông tin của ta. Ngay cả trong

5
nghiên cứu trọn vẹn và hệ thống về xây dựng đồ thị điển hình.
).

6

CHƢƠNG II - NỘI DUNG NGHIÊN CỨU


1. Đo và thu thập số liệu và nghiên cứu xử lý thô
1.1. Mô tả nội dung
- Thu thập số liệu là công suất theo giờ từ các trạm của thành phố và của
thành phố:
o Năm 2010, 2011 và 2012 của các trạm 110/22 kV
o Năm 2011 và 2012 của thành phố
o Năm 2010 của 24 khách hàng dệt may
- Lọc số liệu theo các mục tiêu khảo sát ở các nội dung sau: nhƣ muốn dùng
cho khảo sát ngày thứ hai, phải lọc toàn bộ số liệu ngày thứ hai của các trạm.
Tƣơng tự muốn dùng cho tháng, mùa, ngày thƣờng, ngày nghỉ cũng phải tiến hành
lọc số liệu tƣơng ứng. Khi khảo sát phản ứng theo biểu giá điện, phải lọc các số
liệu tƣơng ứng cho mỗi lần thay đổi giá điện.
1.2. Phương pháp nghiên cứu
Sau khi thu thập số liệu đã tiến hành xử lý thô do một số số liệu bị lỗi (hiện toàn số
0 cho một số giờ hay nguyên ngày).
1.3. Sản phẩm nội dung cần đạt: tập số liệu đã xử lý
2. Nghiên cứu phân tích số liệu
2.1. Mô tả nội dung: Tìm kiếm luật phân bố
- Mục đích: nếu đồ thị phụ tải có tuân theo một luật phân bố nào đó thì từ đây có thể
xác định đƣợc đồ thị đại diện.
- Ý nghĩa: Việc tìm kiếm luật phân bố của tập đồ thị rất có ý nghĩa. Nếu nó tuân
theo một phân bố nào đó thì tại điểm hàm phân bố này đạt cực trị, điểm này (đồ thị này)
sẽ là đại diện cho tập đã cho nếu phổ phân bố của nó bao trùm trên 66% tập đồ thị. Ví dụ,
với phân bố chuẩn, ngƣời ta đã chứng minh
đƣợc rằng nếu X có phân bố chuẩn N (μ,
ζ
2

) thì có đến 95,44% giá trị của X nằm
trong khoảng (μ -2ζ, μ +2ζ) và hầu nhƣ
toàn bộ giá trị X đều thuộc (μ -3ζ, μ +3ζ).
Đây cũng chính là cơ sở của quy tắc 2 xích
ma và 3 xích ma thƣờng đƣợc ứng dụng
trong việc xây dựng đồ thị điển hình.


Hình 2.1. Phân bố chuẩn

7
Do đó, đối với một tập dữ liệu tuân theo phân bố chuẩn, thì giá trị trung bình cũng
chính là kỳ vọng và là giá trị làm cực đại hàm mật độ phân bố xác suất. Điều này cũng có
nghĩa là giá trị trung bình chính là giá trị đƣợc mong đợi nhất và có tính đại diện nhất của
toàn tập dữ liệu khi và chỉ khi tập dữ liệu có phân bố chuẩn.
Rất nhiều tài liệu cho rằng đồ thị trung bình là đồ thị đại diện là xuất phát từ giả thiết
coi tập đồ thị có phân bô chuẩn. Trong khi các nghiên cứu cho thấy điềnu này không
đúng. Các tác giả Nam Phi cho thấy đồ thị có phân bố Beta, còn nghiên cứu của Brazil
cho thấy chúng không tuân theo một luật phân bố nào cả.
Để tìm kiếm hàm phân bố, đề tài sử dụng lý thuyết kiểm định giả thiết thống kê. Việc
kiểm định này đƣợc dựa trên tiêu chuẩn Pearson (phƣơng pháp khi bình phƣơng
2
) [42].
Nếu giả thiết H
0
đúng thì số quan sát rơi vào khoảng thứ i sẽ cỡ chừng np
i
. So sánh các
tần số quan sát đƣợc n
i

và tần số giả thuyết np
i
và lập thống kê:
22
2
11
()
1
kk
i i i
ii
ii
n np n
n
np n p

(1)
Trong đó:
k-số lần quan sát;
p
i
-xác suất rơi vào đoạn thứ I nếu nó tuân theo phân bố kiểm định.
Nếu nhƣ H
0
đúng thì 2 sẽ có phân bố tiệm cận là 2
(k 1)
với k 1 bậc tự do, và đƣợc dùng
làm tiêu chuẩn để kiểm định.
Nhƣ vậy, để chấp nhận giả thiết H
0

ở mức ý nghĩa α thì:

22
2
11
()
1
kk
i i i
ii
ii
n np n
nC
np n p

(2)
C
α
là hằng số tra ở bảng phân phối 2 với k 1 bậc tự do và mức ý nghĩa α.
- Các hàm phân bố đã đƣợc đề xuất để kiểm định: phân bố hàm mũ, phân bố chuẩn,
phân bố ß, phân bố gamma
2.2. Phương pháp nghiên cứu
Dựa trên lý thuyết kinh điển của xác suất thống kê là kiểm định giả thiết phi tham số.
2.3. Sản phẩm cần đạt
Chƣơng trình tìm kiếm luật phân bố cho một tập đồ thị, một tập số liệu bất kỳ.
3. ại diện
3.1. Mô tả nội dung
- Phân loại đồ thị và xây dựng đồ thị đại diện là cần thiết cho bài toán thiết kế, vận
hành lƣới điện, cải thiện biểu giá điện, điều khiển sự dùng điện của khách hàng.
- Ý nghĩa của nội dung nghiên cứu: tìm kiếm cách xây dựng đồ thị đại diện khi tập

đồ thị không tuân theo phân bố nào cả.

8
- Nếu tập đồ thị không tuân theo luật phân bố nào cả, khi ấy ta sẽ tiến hành tìm
kiếm các nhóm đồ thị dựa trên thuật toán phân loại. Đề tài tiến hành nghiên cứu các thuật
toán phân nhóm rõ và thấy rằng nếu sử dụng thuật toán phân nhóm rõ, tâm của mỗi nhóm
chỉ phản ánh đặc thù các đồ thị của nhóm đó mà thôi.
Sử dụng thuật toán phân nhóm mờ, dữ liệu các đồ thị ngày của hộ tiêu thụ sẽ đƣợc gom
thành nhiều nhóm (cluster) đồ thị tƣơng tự nhau và đƣợc đại diện bởi giá trị tâm của các
nhóm (cluster center). Tâm của mỗi nhóm đều chịu sự ảnh hƣởng của đồ thị các nhóm
khác ở các mức độ khác nhau (thể hiện qua giá trị hàm liên thuộc mờ). Nhƣ vậy ở một
chừng mực nào đó, mỗi tâm này đều phản ánh đồ thị của toàn bộ tập dữ liệu, song thiên
về phía các đồ thị của nhóm chứa tâm này. Nếu một nhóm chứa số đông các đồ thị với tỷ
lệ áp đảo, thì tâm của nhóm này có “cơ hội” trở thành đại diện cho toàn bộ tập đồ thị. Vì
rằng, đồ thị đại diện không những chỉ phản ánh các đặc thù của những đồ thị thuộc nhóm
đó mà còn phản ánh cho toàn bộ các đồ thị khác (ở mức độ yếu hơn) nên cách tiếp cận
này hợp lý hơn.
Cùng ý tƣởng nhƣ vậy, điện lực Brazil cũng áp dụng phân nhóm mờ.
Thuật toán Fuzzy K-means (FKM) rất đƣợc ƣa chuộng trong bài toán phân nhóm. Nó
đƣợc đề xuất bởi Dunn, sau đó phát triển lên bởi Bezdek[41]. Khi so sánh với các giải
thuật khác nhƣ giải thuật gom cụm phân tầng (Hierarchical Clustering) nhận thấy khi số
lƣợng các vectơ phần từ trong dữ liệu gia tăng thì lúc này độ phức tạp của FKM là nhỏ
hơn. Kết quả là việc tính toán trên dữ liệu có số lƣợng phần tử lớn là nhanh hơn. Ƣu điểm
này phù hợp cho dữ liệu phụ tải, vì sự đồ sộ về số lƣợng đồ thị phụ tải trong một năm hay
nhiều năm gộp lại. Nhƣ vậy bài toán phân loại đồ thị phụ tải theo FKM là bài toán phân
loại trong không gian 24 chiều (tƣơng ứng với 24 giờ).

Giải thuật FKM có giá trị hàm mục tiêu sau cho mỗi số nhóm cho trƣớc:
2
11

( , ) min
kn
ij j i
ij
F W Z w X Z

(3)
Với các ràng buộc:
njkiw
ij
1,110

k
i
ij
njw
1
11


n
j
ij
Kinw
1
10

Trong đó:
2
1

),(
m
l
llji
yxYXd
là khoảng cách Euclid;
,1
: chỉ số mờ
(fuzziness index ); X-tập các số liệu cần đƣợc phân nhóm (tập đồ thị), Z
i
-tâm của nhóm
i; n-số phần tử cần phân nhóm; k-số nhóm; m-số chiều của phần tử phân nhóm (với đồ thị
phụ tải sẽ là 24).

9
Để giá trị F đạt min, w và vector tâm Z đƣợc cho bởi:
2
1
1
1
0,
( , )
1/ `
( , )
,1
ji
jh
k
ij
ij

ji
h
hj
jh
khi X Z
khi X Z h i
w
d Z X
khi X Z va
d Z X
X Z h k

(4)
1
1
n
ij j
j
i
n
ij
j
wx
Z
w

(5)
Các giá trị 0 và 1 của hàm thuộc chỉ xảy ra trong các lần lặp đầu tiên khi ta chọn vector
tâm Z khởi lặp trùng với X.
Một trong các khó khăn của phân nhóm FKM là các tiêu chuẩn tìm kiếm số nhóm cuối

cùng. Sau đây trình bày các tiêu chuẩn này:
Các tiêu chuẩn phân nhóm (xem phụ lục-PL1):
Để xác định số nhóm cuối cùng, các tiêu chuẩn sau phải đƣợc xem xét là:
- Bezdek‟s Partition Coefficient (PC)
- Bezdek‟s Partition Entropy (PE)
- Modified Partition Coefficient (MPC)
- Xie-Beni (XB)
- Fuzzy version of PBM-index (PBMF)
- V
W
(W)
- Phƣơng pháp Mark Girolami
Một số đề xuất về việc xác định số nhóm k tối ƣu:
Trả lời cho câu hỏi số nhóm tối ƣu bằng bao nhiêu luôn là một vấn đề lớn và quan
trọng trong bài toán phân nhóm. Nhƣ phần trên đã trình bày, có rất nhiều chỉ số cũng nhƣ
các phƣơng pháp khác nhau đƣợc đề xuất nhằm cố gắng xác định chính xác số nhóm tối
ƣu bằng bao nhiêu. Tuy nhiên, thực nghiệm cho thấy chƣa có một tiêu chuẩn hoặc một
phƣơng pháp nào cho kết quả phù hợp với hầu hết các kiểu dữ liệu. Và cho đến hiện tại,
bài toán này vẫn đƣợc nhiều ngƣời trên thế giới quan tâm và tiếp tục nghiên cứu nhằm
tìm kiếm các lời giải tối ƣu.
Thực tế cho thấy, đối với cùng một tập dữ liệu, các tiêu chuẩn khác nhau của một
thuật toán có thể cho các kết quả khác nhau về số nhóm. Để giải quyết vấn đề này, đề
xuất sử dụng phƣơng pháp dung hòa các chỉ số thƣờng dùng trong bài toán tối ƣu đa mục
tiêu, nhằm tìm kiếm số nhóm trong điều kiện các tiêu chuẩn chọn nhóm không cho một
kết quả thống nhất.


10
Cách tiếp cận bài toán đa mục tiêu:
Nhƣ đã trình bày ở trên, ngoài phƣơng pháp Mark Girolami, có 6 tiêu chuẩn thƣờng

đƣợc sử dụng cho thuật toán FKM để xác định số phân nhóm. Nếu xem mỗi tiêu chuẩn là
một mục tiêu thì việc xác định số phân nhóm sẽ trở thành bài toán đa mục tiêu.
a. Nguyên tắc Bellmand-Zadeh:
Nguyên tắc Bellmand-Zadeh (BZ) phát biểu là: giá trị x tối ƣu thoả hiệp các mục tiêu
đƣợc xác định bằng cách:
)}(,),(),(min{max
21
kkk
q


(6)
Với
()
l
x
là các hàm liên thuộc mờ (fuzzy membership) của mục tiêu l thỏa điều
kiện
0 ( ) 1
l
x
; q-số tiêu chuẩn.
Nếu coi mỗi tiêu chuẩn phân nhóm nêu trên là một mục tiêu (min hoặc max), có thể áp
dụng công thức phổ biến sau cho việc xây dựng hàm liên thuộc:
ql
v
kv
k
l
l

l
l
, ,2,1)
)(
(exp)(
2

(7)

)(kv
l
-giá trị của tiêu chuẩn l khi có số nhóm k;
l
v
trị tối ƣu của tiêu chuẩn l
Hàm liên thuộc mờ đạt giá trị cực đại bằng 1 khi
()
l
vk
đạt cực trị và bằng
l
v

b. Phương pháp mục tiêu toàn cục (GC)
q
l
p
l
l
l

v
k
F
1
min
)(

(8)

[1,2, ]p
: là số nguyên thể hiện độ quan trọng của các hàm mục tiêu. Thông thƣờng
chọn p =2.
Ảnh hưởng của chỉ số mờ alpha đối với kết quả của thuật toán FKM:
Chỉ số mờ alpha hay trọng số alpha ( the weighting exponent- >1 ) có vai trò quan
trọng và có ảnh hƣởng lớn đến kết quả thu đƣợc của thuật toán cũng nhƣ kết quả chọn số
phân nhóm k. Chỉ số này giúp điều khiển các hình dạng của các nhóm và tạo ra sự cân
bằng giữa các giá trị liên thuộc gần tới 1 hoặc 0. Chọn quá lớn hoặc quá nhỏ đều cho
những kết quả không đáng tin cậy (kết quả không thay đổi khi k thay đổi). Khi chọn =
1, trở thành thuật toán phân nhóm rõ, khi chọn quá lớn (ví dụ: > 100), các giá trị hàm
liên thuộc mờ sẽ không thay đổi. Bezdek sau khi thử nghiệm trên một số tập dữ liệu đã
đề xuất chọn trong khoảng [1.1- 2.5], và giá trị = 2 thƣờng đƣợc lựa chọn để sử
dụng. Tuy nhiên, để tìm đƣợc một giá trị phù hợp cho mỗi kiểu dữ liệu cần có nhiều sự
khảo sát và thử nghiệm trên cơ sở hiểu biết nhất định về đặc trƣng của tập dữ liệu đó và
các giới hạn của giá trị .
Một số giới hạn quan trọng của :

11
- Khi  ∞, tiêu chuẩn PC đạt giá trị lớn nhất là ½ tại k = 2 với mọi k ≥ 2 và khi
1, tiêu chuẩn PC đạt giá trị là 1. Dựa vào các giới hạn của tiêu chuẩn PC, đề tài sẽ đề
xuất một phƣơng án chọn phù hợp với việc xây dựng đồ thị phụ tải đại diện.

Đối với mỗi dữ liệu cụ thể sẽ có một giá trị và k(số nhóm) hợp lý. Chọn sao cho giá
trị này không quá gần 1 và không quá lớn bằng cách:
- Chọn một giá trị gần 1 (ví dụ = 1.1) quan sát các giá trị PC (ứng với k = 2:12)
nếu các giá trị PC đồng loạt lớn hơn 0.95 ( mức tƣơng đối ) thì coi nhƣ đã có khuynh
hƣớng tiến gần đến 1: không nhận này. Tiếp tục tăng cho đến khi PC có ít nhất một
giá trị nhỏ hơn 0.95. Chọn giá trị này làm giới hạn dƣới
min .

- Tƣơng tự tìm giới hạn trên
max
: chọn một giá trị lớn (ví dụ = 3 ), quan sát giá
trị PC, nếu các giá trị này lần lƣợt xấp xỉ bằng 1/k thì dừng lại. Chọn giá trị này làm
giới hạn trên
max
.
Vậy: [
min
,
max
)
Qui tắc chọn đƣợc đề xuất nhƣ trên vì:
- Nhƣ phân tích ở trên về các giới hạn của : khi  1, giá trị PC  1 và khi ∞
giá trị PC  1/k. Đây cũng chính là các dấu hiệu đặc trƣng dễ nhận biết để có thể tìm
khoảng an toàn theo tiêu chuẩn PC nhƣ trên.
Từ khoảng an toàn trên, tiến hành chọn ra một tập * thỏa điều kiện: khi giá trị thay
đổi trong tập này, các tiêu chuẩn GC và BZ đều cho cùng một kết quả về số phân nhóm
k. Độ thay đổi của có thể chọn bằng 0.2 (Vd: = 1.11.31.5…)
Vậy: [ *
min
, *

max
]
Tiến hành phân tập dữ liệu thành k nhóm ứng với 02 giá trị: *
min
và *
max
và xây dựng
đồ thị đại diện của các nhóm bằng thuật toán FKM. Đồ thị đại diện của các nhóm chính
là giá trị tâm Z của nhóm.
Đồ thị đại diện của toàn tập dữ liệu đƣợc xây dựng dựa trên đồ thị đại diện của các nhóm:
- Ứng với giá trị *
min
, nếu một nhóm có số lƣợng các đồ thị chiếm tỷ lệ áp đảo so với
các nhóm còn lại sẽ đƣợc xem nhóm đại diện cho toàn tập dữ liệu và tâm của nhóm này
cũng chính là đồ thị điển hình của toàn tập dữ liệu. Ở đây tỷ lệ áp đảo đƣợc hiểu là tỷ lệ
mà hiệu giữa tỷ lệ này với tổng tỷ lệ của các nhóm còn lại phải lớn hơn tổng tỷ lệ của các
nhóm còn lại. Cụ thể:
Tỷ lệ của nhóm thứ i: μ
i
=n
i
/n; n
i
-số phần tử rơi vào nhóm thứ i / tổng số phần tử toàn tập
dữ liệu.
Một nhóm đƣợc coi là áp đảo khi có μ
i
>=0.67 và sẽ đƣợc xem là nhóm nhóm đại diện
và tâm của nhóm đại diện chính là đồ thị đại diện của toàn tập dữ liệu cần xây dựng.
- Nếu không tồn tại nhóm chiếm tỷ lệ áp đảo ứng với giá trị *

min
, phƣơng án đề xuất:
ứng với giá trị *
max
, đồ thị đại diện của toàn tập dữ liệu đƣợc chọn là đồ thị trung gian

12
có xét đến sự ảnh hƣởng của tất cả các nhóm ( theo lý thuyết về kỳ vọng toán ) và đồ thị
Z
dh
này sẽ đại diện cho toàn tập dữ liệu. Cụ thể:
1
k
dh i i
i
ZZ

(9)

Z
i
: tâm nhóm nhóm thứ i ứng với *
max
.
Khi đồ thị đại diện đƣợc tính theo cách trên nhận thấy 1và ∞: Z
dh
X
tb
(đồ thị
trung bình của toàn tập dữ liệu), vì rằng:

* Khi 1, Z
i
 Z
tbi
(đồ thị trung bình của nhóm thứ i)
12
12

k
dh tb tb tbk tb
n
nn
Z Z Z Z X
n n n

do:
1
i
n
i
i
tbi
i
X
Z
n

và
1
k

i
i
nn

* Khi ∞, Z
i
 X
tb
(đồ thị trung bình của tập dữ liệu)
12

k
dh tb tb tb tb
n
nn
Z X X X X
n n n

Đề tài đề xuất phƣơng án xây dựng đồ thị đại diện nhƣ trên vì:
- Khi * tăng dần, các giá trị hàm liên thuộc mờ w
ij
dần tiến tới giá trị 1/k đồng nghĩa
với tỷ lệ của nhóm áp đảo sẽ giảm dần, còn khi * nhỏ nhất cho tỷ lệ lớn nhất. Ứng với
giá trị * nhỏ nhất, tỷ lệ xuất hiện nhóm áp đảo là cao nhất, lúc này tâm của nhóm áp đảo
sẽ đƣợc chọn làm đồ thị điển hình cho toàn tập dữ liệu.
- Tƣơng tự, khi không xuất hiện nhóm áp đảo (số lƣợng không đủ 66.67%), chọn *
lớn nhất sẽ đạt đƣợc tỷ lệ của các nhóm gần nhau nhất (chẳng hạn 0.6 0.4 hoặc 0.3 0.3
0.4 ). Nhƣ vậy sự ảnh hƣởng của các nhóm lên Z
dd
là nhƣ nhau, không có nhóm nào thật

sự vƣợt trội hơn nhóm nào.











13
Phƣơng pháp luận (Trình tự của bài toán):
Cách thức tiến hành cụ thể theo sơ đồ sau:

Áp dụng của giải thuật này để tìm: đồ thị đại diện ngày trong năm, ngày làm việc và
ngày lễ, ngày của các thứ trong tuần, tháng

2.3.2. Phƣơng pháp nghiên cứu:
Áp dụng FKM để phân nhóm một số tập mẫu
Để khẳng định tính chính xác của giải thuật đề nghị, đề tài đã khảo sát trên các tập mẫu
nổi tiếng IRIS, WBCD và 2 tập mẫu đƣợc tạo ra. Kết quả cho thấy giải thuật đề nghị có
kết quả phù hợp:
Tập WBCD (Wisconsin breast cancer diagnosis): là tập tập dữ liệu về xét nghiệm
ung thƣ vú của bệnh viện thuộc trƣờng đại học Wisconsin. Dữ liệu có 10 thuộc tính và
gồm 683 xét nghiệm (hay vectơ). Tập phân làm hai nhóm. Có 65.5% là mẫu lành tính,
34.5% là ác tính.
THU THẬP VÀ
XỬ LÝ DỮ LIỆU

LIỆU
KIỂM TRA
PHÂN BỐ
ĐỒ THỊ
Đại diện
CÁC TIÊU CHUẨN PHÂN
NHÓM:
PC, PE, MPC, XB, PBMF,
W

PHÂN NHÓM
FKM
KHẢO SÁT THEO GC VÀ BZ
XÁC ĐỊNH TẬP CHỈ SỐ
MỜ ALPHA

TỒN TẠI NHÓM
CÓ TỶ LỆ ÁP ĐẢO
( > 67%)
ĐỒ THỊ ĐẠI DIỆN = TÂM
CỦA NHÓM ÁP ĐẢO
KHÔNG TỒN TẠI NHÓM
CÓ TỶ LỆ ÁP ĐẢO
ĐỒ THỊ ĐẠI DIỆN =
(TÂM CỦA CÁC
NHÓM)*(CÁC TỶ LỆ)


14
Tập IRIS: là tập dữ liệu về ba loại hoa Iris: Iris Setosa, Iris Versicolour, Iris Virginica do

R.A. Fisher thu thập. Đây là tập dữ liệu thực và nổi tiếng nhất, đƣợc dùng ở hầu hết các
nghiên cứu về phân loại. Dữ liệu có 150 mẫu hoa, mỗi loại hoa có 50 mẫu. Mỗi mẫu có 4
thuộc tính đó là: chiều dài lá đài, chiều rộng lá đài, chiều dài cánh hoa, và chiều rộng
cánh hoa. Về mặt vật lý thì dữ liệu phân làm ba nhóm. Nhƣng về mặt con số, thì có thể
xem là ba nhóm hoặc hai nhóm cũng đúng. Bởi hai trong ba nhóm dữ liều nằm rất sát
nhau, và xen kẽ vào nhau nên hai nhóm đó có thể xem là một nhóm hoặc hai nhóm
Mauthu 7_3: là một tập chia làm 7 phân nhóm rõ ràng. Mỗi nhóm gồm 100 phần tử, mỗi
phần tử gồm 3 thuộc tính, có hình dáng gần giống nhau Đây là một mẫu thử dễ, chỉ
để kiểm chứng lại các chỉ số độ chính xác.


Hình 2-2: Mẫu kiểm chứng 7-3


Mauthu 3_2: là tập dữ liệu gồm 150 phần tử, mỗi phần tử có 2 thuộc tính đó là toạ độ x
và toạ độ y. Nhìn vào hình dƣới đây dễ dàng nhận ra tập chia làm ba nhóm rõ ràng. Tuy
nhiên để tăng thêm độ khó cho việc phân nhóm thì có 13 điểm nhiễu (noise) đƣợc tạo ra,
nằm ở vùng giữa các nhóm. Phải xét thêm khả năng chống nhiễu của các tiêu chuẩn vì dữ
liệu phụ tải của ta đƣa vào chắc chắn sẽ có rất nhiều phần tử nhiễu.


Hình 2-3-Mẫu kiểm chứng 3-2

Sau khi tính toán các tiêu chuẩn phân nhóm, để xác định số nhóm, đề tài đề xuất 2
cách tiếp cận giải quyết việc dung hòa các tiêu chuẩn này (coi nhƣ một bài toán đa mục

15
tiêu-mỗi mục tiêu là 1 tiêu chuẩn xác định số nhóm). So sánh kết quả của 2 cách tiếp cận:
Belman-Zadhed và tiêu chuẩn toàn cục. Kết quả của 2 cách tiếp cận là nhƣ nhau. Tiến
hành khảo sát cho 15 giá trị  khác nhau (từ 1.1 tới 2.5) cho đƣợc kết quả sau:

Bảng 1- Kết quả chạy thử trên các tập mẫuAlpha = 1.1
Mẫu thử
k
PC
PE
MPC
XB
PBMF
W
GC
BZ
WBCD
2
2
2
2
2
2
3
2
2
IRIS
3 (2)
2
2
9
2
3
7

2
2
3_7
7
7
7
7
7
7
8
7
7
3_2
3
2
2
3
2
3
3
3
3
Alpha = 1.5
Mẫu thử
k
PC
PE
MPC
XB
PBMF

W
GC
BZ
WBCD
2
2
2
2
2
2
2
2
2
IRIS
3 (2)
2
2
2
2
3
5
2
2
3_7
7
7
7
7
7
7

7
7
7
3_2
3
3
3
4
2
3
3
3
3
Alpha = 2
Mẫu thử
k
PC
PE
MPC
XB
PBMF
W
GC
BZ
WBCD
2
2
2
2
2

4
2
2
2
IRIS
3 (2)
2
2
2
2
7
3
2
2
3_7
7
7
2
7
7
7
7
7
7
3_2
3
3
2
3
2

3
3
3
3
Alpha = 2.5
Mẫu thử
k
PC
PE
MPC
XB
PBMF
W
GC
BZ
WBCD
2
2
2
2
2
10
2
2
2
IRIS
3 (2)
2
2
2

2
10
3
2
2
3_7
7
2
2
7
7
10
7
6
5
3_2
3
2
2
3
2
9
3
3
3
Tóm tắt số lần cho kết quả chính xác của các tiêu chuẩn (nếu chấp nhận số nhóm của tập
IRIS là 2 hoặc 3 đều chính xác):