Xây dựng công cụ hỗ trợ dự báo, đánh giá nhu cầu phụ tải điện theo vùng

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ



ĐINH NHẬT MINH





XÂY DỰNG CÔNG CỤ HỖ TRỢ DỰ BÁO,
ĐÁNH GIÁ NHU CẦU PHỤ TẢI ĐIỆN THEO VÙNG




LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN





HÀ NỘI , 2013

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ


ĐINH NHẬT MINH

XÂY DỰNG CÔNG CỤ HỖ TRỢ DỰ BÁO, ĐÁNH GIÁ
NHU CẦU PHỤ TẢI ĐIỆN THEO VÙNG



Ngành : Công nghệ thông tin
Chuyên ngành : Các hệ thống thông tin
Mã số : 60.48.05


LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN



Ngƣời hƣớng dẫn khoa học : TS . Nguyễn Ngọc Hóa


HÀ NỘI , 2013

MỤC LỤC
TÓM TẮT NỘI DUNG LUẬN VĂN i
LỜI CẢM ƠN Error! Bookmark not defined.
MỤC LỤC iii
DANH MỤC HÌNH VẼ v
DANH MỤC CÁC BẢNG vi
THUẬT NGỮ VÀ TỪ VIẾT TẮT vii
MỞ ĐẦU 1
CHƢƠNG I. TỔNG QUAN VỀ BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN 3
1.1 GIỚI THIỆU VỀ PHỤ TẢI ĐIỆN 3

1.1.1 Khái niệm 3
1.1.2 Phân loại 3
1.1.3 Vai trò của phụ tải điện 3
1.1.4 Biểu đồ phụ tải điện 3
1.1.5 Các yếu tố ảnh hƣởng đến phụ tải điện 4
1.2 BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN 5
1.2.1 Vai trò của dự báo phụ tải điện 5
1.2.2 Phân loại dự báo 6
1.2.3 Dự báo phụ tải điện trong thực tế 6
1.3 MỘT SỐ PHƢƠNG PHÁP DỰ BÁO PHỤ TẢI 7
1.3.1. Phƣơng pháp dự báo trung và dài hạn 7
1.3.2. Phƣơng pháp dự báo ngắn hạn 8
1.4 KẾT LUẬN CHƢƠNG I 9
CHƢƠNG II. GIẢI PHÁP DỰ BÁO PHỤ TẢI SỬ DỤNG MẠNG NƠRON NHÂN TẠO
VÀ GIẢI THUẬT DI TRUYỀN 10
2.1 YÊU CẦU ĐẶT RA CỦA BÀI TOÁN DỰ BÁO PHỤ TẢI 10
2.1.1 Đối tƣợng dự báo 10
2.1.2 Khu vực dự báo 10
2.1.3 Thời gian dự báo 10
2.1.4 Xác định tiêu chuẩn đánh giá dự báo 10
2.1.5 Các yếu tố ảnh hƣởng đến phụ tải điện 10
2.2 LÝ THUYẾT LIÊN QUAN 12
2.2.1 Mạng nơron nhân tạo 12
2.2.2 Giải thuật di truyền 15
2.2.3 Kết hợp giải thuật di truyền để tối ƣu bộ trọng số trong mạng nơron nhân tạo sử dụng thuật
toán lan truyền ngƣợc 18
2.3 MÔ HÌNH GIẢI PHÁP ĐỀ XUẤT 21
2.3.1 Cách tiếp cận 21
2.3.2 Mô hình áp dụng giải thuật di truyền để tối ƣu bộ trọng số của mạng nơron lan truyền ngƣợc
22

2.3.3 Các bƣớc xây dựng hệ thống 23
2.4 KẾT LUẬN CHƢƠNG II 25
CHƢƠNG 3. THỰC NGHIỆM 26
3.1 KIẾN TRÚC TỔNG THỂ CỦA HỆ THỐNG 27
3.2 THIẾT KẾ CHI TIẾT CỦA HỆ THỐNG 28
3.2.1 Mô hình ca sử dụng 28
3.2.2 Thiết kế cơ sở dữ liệu 29
3.2.3 Đặc tả mạng nơ ron 31
3.3 THU THẬP VÀ XỬ LÝ DỮ LIỆU 37
3.3.1 Thu thập dữ liệu 37
3.3.2 Tiền xử lý dữ liệu 37
3.4 CÀI ĐẶT VÀ THỰC NGHIỆM 39
3.2.1 Cài đặt 39
3.2.2 Thử nghiệm 43
3.5 ĐÁNH GIÁ KẾT QUẢ THỰC NGHIỆM 50
3.6 KẾT LUẬN CHƢƠNG 3 53
KẾT LUẬN CHUNG 55
TÀI LIỆU THAM KHẢO 57
PHỤ LỤC 1 58

DANH MỤC HÌNH VẼ
Hình 1.1. Biểu đồ phụ tải điện Việt Nam theo ngày 4
Hình 2.1. Đơn vị xử lý trong mạng nơron nhân tạo 12
Hình 2.2: Mạng nơron truyền thẳng 3 lớp 14
Hình 2.3: Mạng hồi quy 3 lớp 14
Hình 2.4:Cấu trúc giải thuật di truyền 18
Hình 2.5:Mã hóa nhiễm sắc thể 19
Hình 2.6:Kết quả nghiên cứu của Kitano thực hiện đối với bài toán XOR 21
Hình 2.7: Mô hình giải quyết bài toán dự báo phụ tải 22
Hình 2.8: Mô hình kết hợp áp dụng giải thuật di truyền để tối ưu bộ trọng số của mạng nơron sử dụng

thuật toán lan truyền ngược 23
Hình 3.1. Kiến trúc tổng thể của hệ thống dự báo phụ tải 27
Hình 3.2: Mô hình use case tổng thể của hệ thống 28
Hình 3.3: Thiết kế cơ sở dữ liệu phần quản trị 29
Hình 3.4: Sơ đồ thiết kế cơ sở dữ liệu chương trình dự báo phụ tải 30
Hình 3.5: Tham số sử dụng để dự báo phụ tải giờ tới 32
Hình 3.6: Tham số dùng để dự báo phụ tải ngày tới 33
Hình 3.7: Các yếu tố ảnh hưởng đến dự báo phụ tải tháng tới 34
Hình 3.8: Giao diện chức năng nhập dữ liệu quá khứ 41
Hình 3.9: Giao diện chức năng quản lý phương án 42
Hình 3.10: Giao diện chức năng thêm mới phương án 42
Hình 3.11: Giao diện chức năng dự báo 43
Hình 3.12: Biểu đồ huấn luyện mạng với 3 phương án 48
Hình 3.13: Biểu đồ dự báo phụ tải năm 2009 51
Hình 3.14: Biểu đồ dự báo phụ tải tất cả các ngày từ 2009 đến 2011 51
Hình 3.15: Biểu đồ dự báo phụ tải của các ngày thứ 7 51
Hình 3.16: Biểu đồ dự báo phụ tải của các ngày chủ nhật 52
Hình 3.17: Biểu đồ dự báo phụ tải của các ngày lễ 52
Hình 3.18: Biểu đồ dự báo phụ tải 24h của ngày 01/04/2012 52

DANH MỤC CÁC BẢNG
Bảng 3.1: Ràng buộc dữ liệu đầu vào 38
Bảng 3.2: Kết quả thử nghiệm thuật toán lan truyền ngược 43
Bảng 3.3: Kết quả thử nghiệm với thuật toán di truyền 45
Bảng 3.4: Kết quả thử nghiệm kết hợp cả 2 phương án 47
Bảng 3.5: Thử nghiệm so sánh 3 phương pháp dự báo 47
Bảng 3.6: Kết quả huấn luyện hệ thống sau khi bổ sung thêm dữ liệu học 49
Bảng 3.7: Ảnh hưởng của nhiễu đến kết quả dự báo 50
Bảng 3.8: Tổng hợp kết quả đánh giá thử nghiệm mô hình 50

THUẬT NGỮ VÀ TỪ VIẾT TẮT
STT
Tên
Giải thích
1
ANN
Artificial Neural Network: Mạng nơron nhân tạo
2
BP
Back Propagation: Thuật toán lan truyền ngược
3
EA
Enterprise Architect
4
GA
Genetic Algorithm: Giải thuật di truyền
5
MAPE
Mean absolute percentage error: Sai số tỉ lệ phần trăm
6
CSDL
Cơ sở dữ liệu
7
Use case
Ca sử dụng


1

MỞ ĐẦU

Trung tâm Điều độ Hệ thống điện Quốc Gia thuộc Tập đoàn Điện lực Việt Nam
được giao nhiệm vụ quản lý, điều hành hệ thống điện Việt Nam đảm bảo đầy đủ điện
phục vụ an ninh quốc gia, sinh hoạt, sản xuất cho nhân dân và các doanh nghiệp trên
toàn quốc. Với đặc thù nghành điện là sản xuất phải tiêu dùng ngay, phạm vi lưới điện
trải dài mọi vùng miền của Tổ quốc và gần 120 nhà máy điện đủ loại hình (thủy điện,
nhiệt điện than, nhiệt điện khí, dầu). Trung tâm Điều độ hệ thống điện Quốc Gia có
trách nhiệm vận hành hệ thống điện an toàn, hiệu quả và hướng tới thị trường phát
điện canh tranh theo thông tư 18/2010/TT-BCT của Bộ Công thương ban hành.
Để hoàn thành tốt nhiệm vụ được giao, Trung tâm Điều độ Hệ thống điện Quốc
Gia phải xây dựng kế hoạch vận hành hệ thống điện theo năm, tháng, tuần, ngày, giờ.
Muốn có được kế hoạch vận hành hệ thống điện tốt thì dự báo nhu cầu dùng điện (phụ
tải) của tất cả các vùng miền trên toàn quốc đóng vai trò quan trọng để tối ưu hóa việc
khai thác các nhà máy điện trên toàn quốc, trong đó đặc biệt nhất là nhà máy thủy
điện. Nhu cầu này đã được đặc tả rõ qua bài toán dự báo phụ tải hệ thống điện phục vụ
vận hành hệ thống điện và thị trường điện. Với nhu cầu đặt ra đó, dựa trên những kiến
thức thu được trong quá trình học Cao học tại trường Đại học Công nghệ, ĐHQGHN,
tôi đã lựa chọn đề tài luận văn tốt nghiệp “Xây dựng công cụ hỗ trợ dự báo, đánh giá
nhu cầu phụ tải điện theo vùng” để có thể vận dụng trực tiếp những kiến thức thu
được trong bài toán thực tiễn.
Dự báo phụ tải là bài toán phổ biến nhưng lại rất phức tạp, bởi tính diễn biến bất
thường của nó theo vùng, theo thời gian. Khi vận hành hệ thống điện, nếu dự đoán
trước được phụ tải điện cho giờ tới, ngày tới, tuần tới, tháng tới, thậm chí cho năm tới
thì việc vận hành toàn bộ hệ thống phát điện sẽ kinh tế hơn.
Các phương pháp dự báo nói chung đều được xây dựng dựa vào những dữ liệu
quan sát, thu thập thực tế được trong quá khứ và những hành vi, thói quen của người
dùng. Tuỳ thuộc vào nhu cầu dự báo điều độ, ngắn hạn, trung hạn hay dài hạn mà
chúng ta có thể xây dựng những phương pháp dự báo khác nhau. Trong khuôn khổ
luận văn này, tôi chỉ tập trung đến bài toán dự báo phụ tải ngắn hạn với lý do dự báo
phụ tải ngắn hạn cần ít tham số đầu vào hơn so với dự báo phụ tải dài hạn. Trong thời
gian ngắn hạn, các yếu tố ảnh hưởng đến phụ tải không thay đổi quá nhiều, do đó kết

quả dự báo sẽ tốt hơn.
Hiện nay, có nhiều phương pháp để dự báo phụ tải ngắn hạn. Có thể kể đến các
phương pháp dựa trên kỹ thuật thống kê như phương pháp ngày tương tự [3], phương
pháp chuỗi thời gian [11], phương pháp hồi quy [10] hoặc bằng kỹ thuật trí tuệ nhân
tạo như mạng nơron [2] [3] [6] [7] [8] và hệ thống chuyên gia[4], logic mờ. Trong
những phương pháp trên, phương pháp sử dụng mạng nơ ron nhân tạo có nhiều ưu
điểm hơn cả dựa trên việc dễ ứng dụng thực hiện, độ chính xác và hiệu quả cao.
2

Với những thực trạng nêu trên, mục tiêu của luận văn hướng đến vận dụng mô
hình mạng nơron nhân tạo kết hợp với giải thuật di truyền trong bài toán dự báo phụ
tải ngắn hạn Tập đoàn Điện lực Việt Nam. Mục tiêu này sẽ đạt được thông qua ba nội
dung chính sau:
- Đặc tả chi tiết bài toán dự báo phụ tải, các phương pháp dự báo phụ tải điển
hình hiện nay.
- Xây dựng giải pháp dự báo phụ tải với cách tiếp cận sử dụng mạng nơ ron nhân
tạo và giải thuật di truyền.
- Phát triển hệ thống thực nghiệm và đánh giá kết quả dự báo dựa trên dữ liệu
thực tại các vùng, miền của Việt Nam.
Phần của luận văn sẽ được tổ chức như sau:
Chƣơng 1. Tổng quan về phụ tải điện và bài toán dự báo phụ tải điện:
Chương này nêu lên các khái niệm cơ bản về phụ tải điện trong hệ thống điện Việt
Nam, đồng thời tập trung trình bày kiến thức nghiên cứu phụ tải điện cũng như các
phương pháp dự báo phụ tải điện đã được sử dụng.
Chƣơng 2. Giải pháp dự báo phụ tải sử dụng mạng nơron nhân tạo và áp
dụng giải thuật di truyền: Chương này sẽ giới thiệu về các yêu cầu đặt ra đối với bài
toán dự báo phụ tải, đồng thời nêu các lý thuyết liên quan đến phương pháp dự báo
phụ tải sử dụng trong luận văn là mạng nơron nhân tạo và giải thuật di truyên, qua đó
đề xuất mô hình dự báo phụ tải.
Chƣơng 3. Thực nghiệm: Chương này trình bày các kết quả phân tích, thiết kế,

cài đặt và thử nghiệm các chức năng dự báo của hệ thống.
Kết luận chung: Tổng hợp những đóng góp chính của luận văn và đề xuất một số
hướng phát triển mở rộng kế tiếp của luận văn.

3


CHƢƠNG I. TỔNG QUAN VỀ BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN
Trong phần này chúng ta tìm hiểu về phụ tải điện, các yếu tố ảnh hưởng đến
phụ tải điện. Từ đó phân tích được những yếu tố nào là quan trọng, quyết định đến phụ
tải trong thực tế. Kiến thức của chương này được tham khảo từ [1].
1.1 GIỚI THIỆU VỀ PHỤ TẢI ĐIỆN
1.1.1 Khái niệm
Là công suất điện tổng cộng tiêu thụ bởi tất cả các thiết bị dùng điện nối vào
các mạng lưới phân phối của hệ thống điện hoặc các thiết bị dùng điện (ví dụ như các
máy công nghiệp, máy phục vụ sản xuất hoặc các thiết bị sinh hoạt dân dụng như đèn,
bàn là, bếp điện,… ).
Phụ tải của một miền công suất điện tổng cộng tiêu thụ bởi tất cả các thiết bị
dùng điện nối vào các mạng lưới phân phối của hệ thống điện của miền đó.
1.1.2 Phân loại
Phụ tải điện được chia thành 2 nhóm như sau (chi tiết xem phụ lục 1):
- Nhóm phụ tải phi dân dụng: là phụ tải điện thuộc các thành phần phụ tải Công
Nghiệp - Xây dựng, Thương nghiệp - Khách sạn - Nhà hàng, Nông – Lâm - Thủy sản
và các hoạt động khác.
- Phụ tải dân dụng: là phụ tải điện thuộc thành phần phụ tải Sinh hoạt dân dụng.
1.1.3 Vai trò của phụ tải điện
Trong các cơ quan, xí nghiệp cũng như trong các hộ gia đình có rất nhiều loại
máy, thiết bị điện khác nhau, với nhiều công nghệ khác nhau, trình độ của người sử
dụng cũng rất khác nhau cùng với nhiều yếu tố khác dẫn tới sự tiêu thụ công suất của
các thiết bị không bao giờ bằng công suất định mức của chúng. Phụ tải điện là một

hàm của nhiều yếu tố theo thời gian P(t), và vì vậy chúng không tuân thủ một qui luật
nhất định, cho nên việc xác định được chúng là rất khó khăn. Nhưng phụ tải điện lại là
một thông số quan trọng để lựa chọn các thiết bị của hệ thống điện, lập lịch vận hành
của các nhà máy điện khi tham gia thị trường. Công suất mà ta xác định được bằng
cách dự báo gọi là phụ tải dự báo P
db
.
- NếuP
db
< P
thực
: trường hợp này thiết bị mau giảm tuổi thọ, có thể cháy nổ.
- Nếu P
db
> P
thực tế
: trường hợp này gây ra lãng phí.
1.1.4 Biểu đồ phụ tải điện
Biểu đồ phụ tải điện đặc trưng cho sự tiêu dùng năng lượng điện của các thiết bị
riêng lẻ, của nhóm thiết bị, của phân xưởng, xí nghiệp hoặc của cả vùng, miền, hệ
thống. Nó là tài liệu quan trọng trong vận hành điện.
4

Biểu đồ phụ tải bao gồm các loại biểu đồ phụ tải thực của tháng, năm, biểu đồ
phụ tải ngày điển hình (ngày làm việc, ngày cuối tuần và ngày nghỉ lễ) của tháng và
năm.

Hình 1.1. Biểu đồ phụ tải điện Việt Nam theo ngày
1.1.5 Các yếu tố ảnh hƣởng đến phụ tải điện
Phụ tải là kết quả của một quá trình sử dụng điện phức tạp của nhiều đối tượng,

vùng miền. Phụ tải điện phụ thuộc vào rất nhiều yếu tố, mà điển hình là các yếu tố sau
đây:
- Yếu tố kinh tế: điều kiện kinh tế của vùng, miền ảnh hưởng rất lớn đến
nhu cầu sử dụng điện của vùng, miền đó. Cụ thể ở đây, tốc độ tăng trưởng kinh
tế có tác động lớn nhất. Tốc độ phát triển kinh tế của năm ảnh hưởng tới giá
điện, sức mua của dân, sự phát triển của nền công nghiệp - những đối tượng
tiêu thụ điện chủ yếu. Yếu tố kinh tế chủ yếu ảnh hưởng đến phụ tải dài hạn.
- Yếu tố dân số: Dân số trong vùng ảnh hưởng lớn đến phụ tải điện dài hạn
bởi vì đó là đối tượng sử dụng điện chủ yếu. Yếu tố kinh tế cũng chủ yếu ảnh
hưởng đến phụ tải dài hạn.
5

- Yếu tố khí hậu. Ở đây nhiệt độ đóng vai trò quyết định. Nhiệt độ ảnh
hưởng tới độ ẩm, tới nắng mưa, tới khả năng tiêu thụ điện của các khu dân cư,
khả năng tiêu thụ điện của các thiết bị điện.
- Yếu tố mùa vụ. Mùa vụ ở đây là mùa xuân, hạ, thu, đông (thời gian), mùa
nắng, mưa, bão, lũ. Các mùa này ảnh hưởng trực tiếp đến sức tiêu thụ điện của
khu dân cư. Ta có thể quy yếu tố mùa vụ về yếu tố thời gian.
- Yếu tố ngày lễ, tết. Yếu tố này ảnh hưởng đến sức tiêu thụ điện lớn. Với
ngày nghỉ cuối tuần thì sức tiêu thụ điện của khu dân cư giảm hẳn. Trong khi
đó ngày lễ, tết thì khu công nghiệp cũng giảm hẳn sức tiêu thụ điện.
- Yếu tố địa lý. Yếu tố tạo nên sự đặc trưng cho phụ tải ở từng vùng, miền.
Do yêu cầu thực tế cũng như do đặc trưng về khí hậu, kinh tế của mỗi vùng
miền là khác nhau nên ta sẽ xây dựng phương án dự báo phụ tải cho mỗi vùng
miền.
- Khả năng vận hành của các tổ máy. Trên thực tế, khi tiến hành dự báo
phụ tải thì ta có thêm yếu tố là khả năng vận hành của tổ máy. Mỗi tổ máy sẽ
có một bộ tham số ứng với Pmax - công suất lớn nhất và Pmin - công suất nhỏ
nhất.

1.2 BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN
Trong phần này chúng ta đi tìm hiểu thế nào là dự báo phụ tải điện, tìm hiểu các
mô hình, phương pháp dự báo phụ tải điện, đánh giá ưu nhược điểm cùng khả năng
vận dụng của từng mô hình, phương pháp vào thực tiễn dự báo. Từ đó lựa chọn mô
hình, phương pháp thích hợp cho bài toán. Kiến thức của chương này được tham khảo
từ [1], [4].
1.2.1 Vai trò của dự báo phụ tải điện
Khi vận hành hệ thống điện, nếu dự đoán trước được đồ thị phụ tải điện cho
ngày tới, tuần tới, tháng tới, năm tới thì việc vận hành hệ thống sẽ kinh tế hơn. Nói
một cách khác, dự báo phụ tải - mục đích là dự báo nhu cầu điện năng của vùng, miền,
quốc gia trong tương lai, dựa vào các quan sát, thực nghiệm của quá khứ nhằm phục
vụ cho công tác quy hoạch, phát triển nguồn, lưới điện trong hệ thống điện, phục vụ
cho công tác điều độ, vận hành hệ thống lưới điện. Nhiệm vụ này rất quan trọng và
khó khăn.
Hiện nay, dự báo phụ tải điện là một bộ môn khoa học còn non trẻ và chưa thể
hoàn thiện vì sự vận động không thể báo trước của phụ tải điện. Chủ yếu người ta dựa
vào các yếu tố như: các hiện tượng xã hội, nền kinh tế sẵn có, vấn đề ứng dụng và phát
triển khoa học kỹ thuật
6

Nếu dự báo phụ tải trong khoảng thời gian nhất định nào đó sai lệch quá nhiều
sẽ không tốt cho chính ngành điện và cả nền kinh tế. Ví dụ: khi dự báo nhu cầu của
phụ tải quá thừa trong khoảng thời gian nào đó, sẽ dẫn đến việc vốn đầu tư tăng lên
gây nên lãng phí về kinh tế, không khai thác triệt để được công suất của thiết bị điện.
Ngược lại, nếu dự báo thiếu công suất theo yêu cầu của các hộ tiêu thụ sẽ dẫn đến
không cung cấp đủ công suất cho các phụ tải, làm giảm độ tin cậy cung cấp điện, gây
thiệt hại lớn đến toàn bộ nền kinh tế.
1.2.2 Phân loại dự báo
Việc phân loại công việc dự báo phụ tải ra thành các loại khác nhau có vai trò
rất quan trọng. Mỗi loại dự báo khác nhau sẽ có những tính chất khác nhau, và phù

hợp với những loại mô hình khác nhau. Do vậy, người ta phân chia thành các loại dự
báo khác nhau để nghiên cứu, xây dựng mô hình và tiến hành dự báo một cách phù
hợp. Sau đây là các loại dự báo:
- Dự báo điều độ: thời gian dự báo theo giờ hoặc vài phút. Sai số yêu cầu nhỏ
hơn 5%.
- Dự báo ngắn hạn: thời gian dự báo theo ngày hoặc vài ngày hoặc tháng. Sai số
cho phép của công tác dự báo ngắn hạn là 3÷5%.
- Dự báo trung hạn: thời gian dự báo theo năm và sẽ dự báo trong khoảng thời
gian 5÷7 năm. Sai số cho phép của công tác dự báo trung hạn là 5÷10%.
- Dự báo dài hạn: thời gian dự báo theo năm và sẽ dự báo trong khoảng thời
gian 10÷20 năm.
Yêu cầu chung mà tất cả các bài toán dự báo phụ tải cần phải giải quyết là làm
cách nào để có thể phân tích và sử dụng chuỗi dữ liệu có trong quá khứ để dự đoán
được giá trị tương lai.
1.2.3 Dự báo phụ tải điện trong thực tế
Trên thực tế có các loại dự báo phụ tải như sau:
1.3.1.1 Dự báo giờ tới
Loại dự báo này xác định nhu cầu phụ tải của các giờ. Thường thì, theo yêu cầu
lập lịch cho các nhà máy điện, ta cần dự báo phụ tải cho 3 giờ tới (3 giờ tiếp theo so
với giờ hiện tại) và đến thời điểm cuối mỗi giờ, ta cần dự báo lại cho giờ kế tiếp.
1.3.1.2 Dự báo ngày tới
Dự báo ngày tới cũng như dự báo giờ tới. Chỉ khác về mặt thời gian, ta sẽ dự
báo phụ tải cho ngày tiếp theo hoặc cho 7 ngày của tuần tới.
1.3.1.3 Dự báo tháng tới
7

Dự báo tháng tới cũng như dự báo ngày tới. Chỉ khác về mặt thời gian, ta sẽ dự
báo phụ tải cho cả tháng tiếp theo hoặc cho 12 tháng của năm tới.
1.3.1.4 Dự báo năm tới
Dự báo năm tới là ta dự báo cho đầy đủ 12 tháng của các năm tới.

Các dự báo trên đều thuộc loại dự báo ngắn hạn và trung hạn.
1.3 MỘT SỐ PHƢƠNG PHÁP DỰ BÁO PHỤ TẢI
Dự báo phụ tải thực chất là nhằm mục đích dự báo biểu đồ phụ tải, hỗ trợ lập kế
hoạch mua bán điện cho nhà máy. Có nhiều phương pháp để dự báo biểu đồ phụ tải,
nhưng có thể phân nhóm các phương pháp vào hai nhóm chính:
 Nhóm 1: Phương pháp từ trên xuống (Top-down).
- Sử dụng chuỗi số liệu biểu đồ phụ tải quá khứ để dự báo xu hướng biểu đồ
phụ tải.
- Trên cơ sở dự báo xu hướng biểu đồ phụ tải và xem xét sự ảnh hưởng của
các yếu tố thời tiết, tốc độ tăng trưởng kinh tế, dân số và hệ số đàn hồi theo
biểu giá điện để dự báo biểu đồ phụ tải thích hợp.
 Nhóm 2: Phương pháp từ dưới lên (Bottom-up).
- Sử dụng biểu đồ phụ tải trung bình chuẩn hóa đơn vị (năm, tháng) để dự
báo xu hướng biểu đồ phụ tải của từng nhóm, thành phần phụ tải;
- Dự báo điện thương phẩm của từng nhóm, thành phần phụ tải theo tháng,
năm có xét đến sự ảnh hưởng của các yếu tố sau: sự xuất hiện phụ tải mới,
tốc độ tăng trưởng phụ tải, tình hình phát triển kinh tế - xã hội, tình hình
sản xuất, tốc độ hiện đại hóa công nghệ các thiết bị sử dụng điện, các giải
pháp quản lý nhu cầu điện (DSM) được áp dụng.
- Trên cơ sở dự báo xu hướng biểu đồ phụ tải và dự báo điện thương phẩm
của từng nhóm, thành phần phụ tải theo năm, tháng để dự báo biểu đồ phụ
tải của từng nhóm, thành phần phụ tải.
Ở đây do đã có dữ liệu quá khứ đầy đủ nên ta sử dụng phương pháp Top-down.
Có nhiều hướng để dự báo như sau.
1.3.1. Phƣơng pháp dự báo trung và dài hạn
1.3.1.1 Mô hình người dùng cuối
Phương pháp này tính toán trực tiếp nhu cầu điện năng dựa trên thông tin về các
đối tượng sử dụng điện của các nhóm phụ tải như dân số, lứa tuổi, thiết bị gia dụng
(điện dân dụng) hay thống kê về máy móc, nhà xưởng,… (điện phi dân dụng).
8

Đánh giá: Mô hình này là lý tưởng nhất vì nó dựa vào nhu cầu thực tế, lại đòi
hỏi ít dữ liệu quá khứ hơn. Tuy nhiên mô hình này khó áp dụng bởi vì nó đòi hỏi một
bộ dữ liệu thống kê chính xác và khổng lồ về nhu cầu sử dụng điện hiện tại của các
nhóm đối tượng
1.3.1.2 Mô hình toán kinh tế
Phương pháp toán kinh tế kết hợp lý thuyết kinh tế với các kĩ thuật thống kê để
dự báo nhu cầu điện. Phương pháp này tính toán quan hệ giữa nhu cầu sử dụng điện
năng và các yếu tố ảnh hưởng đến tiêu thụ.
1.3.2. Phƣơng pháp dự báo ngắn hạn
1.3.2.1 Phương pháp ngày tương tự
Phương pháp này dựa trên bộ dữ liệu quá khứ của những ngày của 1, 2 hay 3
năm trước có đặc điểm tương tự ngày dự báo (thời gian, nhiệt độ, mùa vụ…).
Đánh giá: Mô hình này khá chính xác, tuy nhiên nó đòi hỏi bộ dữ liệu quá khứ
phải đầy đủ.
1.3.2.2 Phương pháp hồi quy
Phương pháp này nghiên cứu mối tương quan giữa các thành phần kinh tế, xã
hội nhằm phát hiện những quan hệ về mặt định lượng của các tham số dựa vào thống
kê toán học. Các mối tương quan đó giúp chúng ta xác dịnh được lượng điện năng tiêu
thụ.
Các kiến thức của phương pháp này được tham khảo tại [10]
1.3.2.3 Chuỗi thời gian
Phương pháp này dựa trên giả định là bộ dữ liệu có một số đặc điểm như tự
tương quan, xu hướng hay biến đổi theo mùa. Phương pháp chuỗi thời gian cũng cho
kết quả dự báo khá chính xác, nhất là dự báo điều độ (dự báo cho giờ tới).
Các kiến thức của phương pháp này được tham khảo tại [11]
1.3.2.4 Mạng nơron
Mạng nơron nhân tạo (ANN) là một mô hình mô phỏng xử lý thông tin, được
nghiên cứu ra từ hệ thống thần kinh của sinh vật, giống như bộ não để xử lý thông tin.
Nó bao gồm số lượng lớn các mối gắn kết cấp cao để xử lý các yếu tố làm việc trong

mối liên hệ giải quyết vấn đề rõ ràng. Nơron nhân tạo giống như con người, được học
bởi kinh nghiệm, lưu những kinh nghiệm hiểu biết và sử dụng trong những tình huống
phù hợp. Hệ thống nơron đặc biệt hữu ích khi số liệu đầu vào có tương quan cao hay
có số lượng không đủ, hoặc khi hệ thống mang tính phi tuyến cao. Phương pháp này
cho kết quả dự báo có độ chính xác cao, dự báo được các sự kiện theo thời gian.
Các kiến thức của phương pháp này được tham khảo tại [2], [3], [6], [7], [8]
9

1.3.2.5 Hệ chuyên gia
Về thực chất, phương pháp hệ chuyên gia là phương pháp dự báo mà kết quả là
các thông số do các chuyên gia đưa ra, hay nói đúng hơn là tận dụng trình độ uyên bác
và lý luận thành thạo về chuyên môn, phong phú về khả năng thực tiễn và khả năng
mẫn cảm, nhạy bén và thiên hướng sâu sắc về tương lai đối với đối tượng dự báo của
một tập thể các nhà khoa học, các nhà quản lý cùng đội ngũ cán bộ thuộc các chuyên
môn bao hàm hay nằm trong miền lân cận của đối tượng dự báo [4].
Nhiệm vụ của phương pháp chuyên gia là đưa ra những dự đoán khách quan về
tương lai phát triển của một lĩnh vực hẹp của khoa học hoặc dựa trên việc xử lý có hệ
thống các đánh giá dự đoán của chuyên gia. Sau khi đã thu thập ý kiến của các chuyên
gia, cần xử lý các thông tin theo phương pháp xác suất thống kê. Thực tế phương pháp
chuyên gia hoàn toàn mang tính chủ quan, phụ thuộc vào nhận thức của từng cá nhân,
nhưng khi đã được xử lý theo phương pháp xác suất thống kê thì tính chủ quan sẽ được
khách quan hoá bởi các mô hình toán học và vì vậy có thể nâng cao độ tin cậy của dự báo
[4].
1.4 KẾT LUẬN CHƢƠNG I
Trong chương I, luận văn đã trình bày về khái niệm phụ tải điện, vai trò, phân
loại và các yếu tố ảnh hưởng đến phụ tải điện; đồng thời nêu ra được tầm quan trọng của
bài toán phụ tải điện trong hệ thống điện Việt Nam. Bên cạnh đó, trong chương I, luận
văn cũng đã trình bày về một số phương pháp dự báo trung hạn và ngắn hạn đã được
sử dụng trên thế giới. Tiếp theo trong chương II, luận văn sẽ trình bày về hướng tiếp
cận giải quyết bài toán dự báo phụ tải. Đó là sử dụng phương pháp mạng nơron nhân

tạo với thuật toán lan truyền ngược và áp dụng giải thuật di truyền để tối ưu bộ trọng
số cho mạng.
10

CHƢƠNG II. GIẢI PHÁP DỰ BÁO PHỤ TẢI SỬ DỤNG MẠNG
NƠRON NHÂN TẠO VÀ GIẢI THUẬT DI TRUYỀN

2.1 YÊU CẦU ĐẶT RA CỦA BÀI TOÁN DỰ BÁO PHỤ TẢI
2.1.1 Đối tƣợng dự báo
Đối tượng dự báo ở đây chính là nhu cầu sử dụng điện của một vùng, miền thuộc
phạm vi lãnh thổ Việt Nam.
2.1.2 Khu vực dự báo
Khu vực dự báo được xem xét trên cơ sở vị trí địa lý cũng như đặc trưng của từng
vùng, miền. Từ đó, chúng ta có ba khu vực dự báo chính: Miền Bắc, Miền Trung và
miền Nam.
2.1.3 Thời gian dự báo
Dựa trên nhu cầu thực tế, ta cần dự báo phụ tải cho:
- Giờ tới: phụ tải của 1- 3 giờ tới.
- 24 giờ của ngày tới: phụ tải 24h của ngày tới hoặc của 24h của các ngày của
tuần tới.
- Ngày tới: phụ tải của 7 ngày của tuần tới.
- Tháng tới: phụ tải của 1-12 tháng tới.
2.1.4 Xác định tiêu chuẩn đánh giá dự báo
Một dự báo phụ tải được coi là chấp nhận được nếu như nó thỏa mãn 2 yếu tố:
- Sai số phần trăm trung bình 3-5%.
- Xu hướng thay đổi phụ tải phải tương đối chính xác: đồ thị phụ tải dự báo phải
khớp với đồ thị phụ tải thực tế.
2.1.5 Các yếu tố ảnh hƣởng đến phụ tải điện
Ta sẽ liệt kê và phân tích các yếu tố ảnh hưởng đến phụ tải cho từng loại thời
gian:

 Giờ tới
Phụ tải giờ tới phụ thuộc vào phụ tải của 24 giờ trước đó. Ta biết rằng trên thực
tế, công suất tiêu thụ điện của thiết bị có tính liên tục đối với khoảng thời gian mà nó
hoạt động, vì thế mà phụ tải của 2 giờ kế tiếp nhau có giá trị rất gần nhau. Mặt khác,
phần lớn các thiết bị điện, nhu cầu sử dụng điện của nó có tính chu kỳ, tức là nó tắt/mở
trong vòng không quá 24 giờ (ngoại trừ các thiết bị hoạt động liên tục). Vì vậy ta có
thể tính phụ tải của giờ tới dựa vào phụ tải của 24 giờ liền kề trước đó.
11

 Ngày tới
Như đã phân tích ở chương 1, có nhiều yếu tố ảnh hưởng đến phụ tải điện, tuy
nhiên các yếu tố đầu vào cần có độ tin cậy cao để tránh gây sai số lớn cho dự báo. Vì
vậy ta loại bỏ 2 yếu tố đầu vào là yếu tố kinh tế và yếu tố dân số vì bản thân dự báo
các yếu tố này đã cho ta một sai số rất lớn. Còn lại, ta trích chọn đặc trưng được các
yếu tố ảnh hưởng đến phụ tải điện ngày tới:
- Giờ trong ngày (đối với dự báo điều độ): 24 giờ trong ngày.
- Loại giờ trong ngày (đối với dự báo điều độ): Giờ cao điểm, giờ thấp điểm, giờ
thông thường.
- Ngày trong tháng: ngày 1, 2, …, 31.
- Ngày trong tuần: từ thứ 2 đến chủ nhật.
- Ngày lễ tết: 01/01, 30/04,…
- Tháng trong năm: từ tháng 1 đến tháng 12 trong năm.
- Mùa vụ: mùa xuân, mùa hạ, mùa thu, mùa đông.
- Năm: năm của thời điểm hiện tại.
- Dải nhiệt độ: Tmin- nhiệt độ nhỏ nhất trong ngày, Tmax- nhiệt độ cao nhất
ngày.
- Dải công suất phát điện: Pmin-công suất nhỏ nhất trong ngày, Pmax- công suất
lớn nhất trong ngày.
 Tháng tới
Các yếu tố ảnh hưởng đến phụ tải tháng tới:

- Tháng trong năm: từ tháng 1 đến tháng 12 trong năm.
- Mùa vụ: mùa xuân, mùa hạ, mùa thu, mùa đông.
- Năm: năm của thời điểm hiện tại.
- Dải nhiệt độ: Tmin- nhiệt độ trung bình nhỏ nhất trong tháng, Tmax- nhiệt độ
trung bình cao nhất tháng.
- Dải công suất phát điện: Pmin-công suất nhỏ nhất trong tháng, Pmax- công suất
lớn nhất trong tháng.
Nhận thấy bài toán dự báo phụ tải có đặc điểm:
- Các yếu tố đầu vào có độ tương quan cao.
- Dữ liệu phụ tải trong quá khứ thu thập có thể là không đủ.
- Hệ thống mang tính phi tuyến cao: Phụ tải phụ thuộc biến động một cách phức
tạp vào rất nhiều yếu tố như khí hậu, kinh tế, thời gian,…
12

Mạng nơron nhân tạo là giải pháp phù hợp trong trường hợp này để dự báo nhu
cầu phụ tải trong tương lai dựa trên dữ liệu quá khứ. Bản chất của việc sử dụng mạng
nơron là nhớ và so sánh đặc điểm của đầu vào với dữ liệu quá khứ để cho ra kết quả.
Điều này giống với phương pháp ngày tương tự, ta so sánh đặc điểm của ngày (giờ,
tháng, năm) cần dự báo với ngày (giờ, tháng, năm) trong quá khứ có cùng điểm
tương đồng mà đã biết phụ tải. Mặt khác, phương thức hoạt động này dễ được người
dùng chấp nhận do nó gần với suy nghĩ và cách làm thực tiễn của số đông người.
2.2 LÝ THUYẾT LIÊN QUAN
2.2.1 Mạng nơron nhân tạo
2.2.1.1 Giới thiệu
Mạng nơron nhân tạo (Artifical Neural Network - ANN) là một mô hình mô
phỏng xử lý thông tin, được nghiên cứu ra từ hệ thống thần kinh của sinh vật, giống
như bộ não để xử lý thông tin. Nó bao gồm số lượng lớn các mối gắn kết cấp cao để
xử lý các yếu tố làm việc trong mối liên hệ giải quyết vấn đề rõ ràng. Nơron nhân tạo
giống như con người, được học bởi kinh nghiệm, lưu những kinh nghiệm hiểu biết và
sử dụng trong những tình huống phù hợp.

2.2.1.2 Đơn vị xử lý
Một đơn vị xử lý, cũng được gọi là một nơron hay một nút, thực hiện một công
việc rất đơn giản: nó nhận tín hiệu vào từ các đơn vị phía trước hay một nguồn bên
ngoài và sử dụng chúng để tính tín hiệu ra sẽ được lan truyền sang các đơn vị khác.



Hình 2.1. Đơn vị xử lý trong mạng nơron nhân tạo
Trong đó:
- x
i:
các đầu vào.

- w
ji
: các trọng số tương ứng với các đầu vào.

- θ
j
: độ lệch (bias).

x
1

x
0

…
x
n

∑
θ
j

a
j

g(a
j
)
z
j

z
j
= g(a
j
)

13

- z
j
: đầu ra của nơron.

- g(x): hàm chuyển (hàm kích hoạt).
Hàm kích hoạt phải có các tính chất sau:
- Hàm bị chặn trên và chặn dưới.
- Hàm có tính đơn điệu.

- Hàm phải có tính liên tục và trơn.
2.2.1.3 Các đặc trưng của mạng
Mạng nơron được xem như là các mô hình liên kết, là các mô hình phân bổ song
song có các đặc trưng phân biệt sau:
- Tập các đơn vị xử lý.
- Trạng thái kích hoạt hay là đầu ra của đơn vị xử lý.
- Liên kết giữa các đơn vị. Xét tổng quát, mỗi liên kết được định nghĩa bởi một
trọng số w
jk
cho ta biết hiệu ứng mà tín hiệu của đơn vị j có trên đơn vị k.
- Một luật lan truyền quyết định cách tính tín hiệu ra của từng đơn vị từ đầu vào
của nó.
- Phương pháp thu thập thông tin.
- Một hàm kích hoạt, hay hàm chuyển, xác định mức độ kích hoạt khác dựa trên
mức độ kích hoạt hiện tại.
- Một đơn vị điều chỉnh của mỗi đơn
vị.

- Môi trường hệ thống có thể hoạt động.
2.2.1.4 Các hình trạng của mạng
Hình trạng của mạng được định nghĩa bởi: số lớp, số đơn vị trên mỗi lớp, và sự
liên kết giữa các lớp như thế nào.Các mạng về tổng thể được chia thành hai loại dựa
trên cách thức liên kết các đơn vị:
 Mạng truyền thẳng
Dòng dữ liệu từ đơn vị đầu vào đến đơn vị đầu ra chỉ được truyền thẳng. Việc
xử lý dữ liệu có thể mở rộng ra nhiều lớp, nhưng không có các liên kết phản hồi.
Nghĩa là, các liên kết mở rộng từ các đơn vị đầu ra tới các đơn vị đầu vào trong cùng
một lớp hay các lớp trước đó là không cho phép.
14

Hình 2.2: Mạng nơron truyền thẳng 3 lớp
 Mạng hồi quy
Có chứa các liên kết ngược. Khác với mạng truyền thẳng, các thuộc tính động
của mạng mới quan trọng. Trong một số trường hợp, các giá trị kích hoạt của các đơn
vị trải qua quá trình nới lỏng (tăng/giảm số đơn vị và thay đổi các liên kết) cho đến
khi mạng đạt đến một trạng thái ổn định và các giá trị kích hoạt không thay đổi nữa.
Trong các ứng dụng khác mà cách chạy động tạo thành đầu ra của mạng thì những
sự thay đổi các giá trị kích hoạt là đáng quan tâm.

Hình 2.3:Mạng hồi quy 3 lớp
2.2.1.5 Hàm lỗi
Để huấn luyện một mạng và xét xem nó thực hiện tốt đến đâu, ta cần xây dựng
một hàm lỗi để cung cấp cách thức đánh giá khả năng hệ thống một cách không nhập
nhằng. Việc chọn hàm lỗi là rất quan trọng bởi vì hàm này thể hiện các mục tiêu thiết
kế và quyết định thuật toán huấn luyện nào có thể được áp dụng. Một vài hàm cơ bản
được sử dụng rất rộng rãi. Một trong số chúng là hàm tổng bình phương lỗi (sum of
squares error function):
15


Trong đó:
- p: số thứ tự mẫu trong tập huấn luyện, i: số thứ tự của đơn vị đầu ra…
- d
pi
và y
pi
: tương ứng là đầu ra mong muốn và đầu ra thực tế của mạng cho đơn
vị đầu ra thứ i trên mẫu thứ p.
2.2.2 Giải thuật di truyền

Giải thuật di truyền (Genetic Algorithm - GA) là một kỹ thuật của khoa học
máy tính nhằm tìm kiếm giải pháp thích hợp cho các bài toán tối ưu tổ hợp. Giải thuật
di truyền là một phân ngành của giải thuật tiến hóa vận dụng các nguyên lý của tiến
hóa như di truyền, đột biến, chọn lọc tự nhiên, và trao đổi chéo.
Giải thuật di truyền thường được ứng dụng với mục đích sử dụng ngôn ngữ
máy tính để mô phỏng quá trình tiến hoá của một tập hợp những đối tượng mang tính
trừu tượng (gọi là những nhiễm sắc thể) của các lời giải của bài toán đặt ra (gọi là
những cá thể). Tập hợp này sẽ tiến triển theo hướng chọn lọc những cá thể tốt hơn.
Thông thường, những lời giải được thể hiện dưới dạng những chuỗi nhị phân
với 0 và 1, nhưng lại mang nhiều thông tin mã hóa khác nhau. Quá trình tiến hóa xảy
ra từ một tập hợp những cá thể hoàn toàn ngẫu nhiên ở tất cả các thế hệ, ta gọi là quần
thể. Trong từng thế hệ, độ thích nghi của quần thể này được tính toán, các cá thể được
chọn lọc từ quần thể hiện thời dựa vào độ thích nghi, sau đó được đem đi biến đổi
(bằng đột biến hoặc lai ghép) để hình thành một quần thể mới. Quần thể mới này sẽ
tiếp tục được chọn lọc lặp đi lặp lại trong các thế hệ kế tiếp của giải thuật.
2.2.2.1 Các thành phần của giải thuật
Giải thuật bao gồm những thành phần chính sau:
- Phương pháp mã hóa lời giải.
- Phương pháp chọn lọc cha mẹ.
- Phương pháp lai tạo.
- Phương pháp đột biến.
- Phương pháp đấu tranh sinh tồn.
 Phương pháp mã hóa lời giải:
Mã hóa lời giải là mô tả di truyền cho lời giải của bài toán. Việc mô tả di truyền
cho lời giải của bài toán gồm hai bước cơ bản:
16

- Xây dựng cấu trúc gen cho mỗi lời giải của bài toán để từ mỗi lời giải ta có thể
mã hoá thành một nhiễm sắc thể (NST).
- Giải mã các NST để nhận được lời giải.

Mã hóa lời giải có nhiều phương pháp như mã hóa nhị phân, mã hóa số thực,
mã hóa đa giá trị, mã hóa cây… Tùy từng bài toán mà ta sử dụng phương pháp mã hóa
thích hợp.
 Phương pháp chọn lọc cha mẹ:
Phép chọn là quá trình loại bỏ các cá thể xấu trong quần thể để chỉ giữ lại trong
quần thể những cá thể tốt. Phép chọn có thể mô phỏng như sau:
- Bước 1: Sắp xếp các cá thể theo độ thích nghi giảm dần.
- Bước 2: Loại bỏ các cá thể ở cuối dãy, chỉ để giữ lại n cá thể tốt nhất (ở đây ta
giả sử quần thể có kích thước cố định n).
 Phương pháp lai tạo:
Phép lai là quá trình hình thành nhiễm sắc thể mới trên cơ sở các nhiễm sắc thể
cha mẹ, bằng cách ghép một hay nhiều đoạn gen của hai hay nhiều nhiễm sắc thể cha
mẹ với nhau. Phép lai xảy ra với xác suất p
c
, có thể mô phỏng như sau:
- Bước 1: Chọn ngẫu nhiên hai (hay nhiều) cá thể bất kỳ trong quần thể. Giả sử
các nhiễm sắc thể cha mẹ đều có m gen.
- Bước 2: Tạo một số ngẫu nhiên trong khoảng từ 1 đến m-1(điểm lai). Điểm lai
chia các chuỗi cha, mẹ lần lượt thành hai nhóm chuỗi con dài m
1
và m
2
. Hai
chuỗi nhiễm sắc thể con mới sẽ là m
11
+m
22
và m
21
+m

12
.
- Bước 3: Đưa hai cá thể mới này vào quần thể để tham gia các quá trình tiến hóa
tiếp theo.
 Phương pháp đột biến:
Đột biến là hiện tượng cá thể con mang một số tính trạng không có trong mã di
truyền của cha, mẹ. Phép đột biến xảy ra với xác xuất p
m
, nhỏ hơn rất nhiều so với xác
suất lai p
c
. Phép đột biến có thể mô phỏng như sau:
- Bước 1: Chọn ngẫu nhiên một cá thể bất kỳ cha-mẹ trong quần thể.
- Bước 2: Tạo số ngẫu nhiên k, 1 ≤ k≤m.
- Bước 3: Thay đổi gen thứ k và trả các thể này về quần thể để tham gia quá trình
tiếp theo.
 Phương pháp đấu tranh sinh tồn:
Đấu tranh sinh tồn là việc sao chép lại các cá thể dựa trên độ thích nghi của
chúng. Quá trình này thực hiện như sau:
17

- Bước 1: Tính độ thích nghi của các cá thể trong quần thể, lập bảng cộng dồn các
giá trị thích nghi. Giả sử quần thể có n cá thể. Gọi độ thích nghi của cá thể thứ i
là F
i
, tổng dồn thứ i là F
ti
, độ thích nghi của toàn quần thể là F
m
.

- Bước 2: Tạo một số ngẫu nhiên F trong khoảng từ 0 đến F
m
.
- Bước 3: Chọn cá thể thứ k đầu tiên thỏa mãn F
tk
≥ F và đưa vào quần thể thế hệ
mới.
Lặp lại các bước 2, 3 cho đến khi đủ số lượng cá thể mong muốn.
2.2.2.2 Cấu trúc giải thuật di truyền
Giải thuật di truyền bao gồm các bước sau:
Bước 1. Khởi tạo quần thể ban đầu của các chuỗi nhiễm sắc thể.
Bước 2. Xác định giá trị hàm mục tiêu cho mỗi một chuỗi nhiễm sắc thể.
Bước 3. Tạo các chuỗi nhiễm sắc thể mới bằng sinh sản từ các chuỗi nhiễm sắc
thể hiện tại, có tính đến ghép chéo và đột biến xảy ra (nếu có).
Bước 4. Xác định hàm mục tiêu cho các chuỗi nhiễm sắc thể mới và đưa nó
vào trong một quần thể mới.
Bước 5. Nếu điều kiện dừng đã thỏa mãn thì dừng lại và trả về chuỗi nhiễm sắc
thể tốt nhất cùng với giá trị hàm mục tiêu của nó, nếu không thì quay
về bước 3.
18


Hình 2.4: Cấu trúc giải thuật di truyền
2.2.3 Kết hợp giải thuật di truyền để tối ƣu bộ trọng số trong mạng nơron nhân
tạo sử dụng thuật toán lan truyền ngƣợc
2.2.3.1 Xây dựng hàm đánh giá độ thích nghi cá thể
Hàm giá này sẽ được sử dụng để tạo nên độ phù hợp của các cá thể và của cả
quần thể trong GA. Trong luận văn này, tôi vẫn sử dụng hàm sai số căn quân phương
RMSE của tập mẫu học.

Trong đó: