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

1

B GIO DC V O TO

TRNG I HC BCH KHOA H NI
-----------------------------------------

LUN VN THC S KHOA HC

NG DNG MNG NRON NHN TO D BO PH TI
NGN HN H THNG IN MIN BC

NGNH: CễNG NGH THễNG TIN
M S:
CHU NGHA

Ngi hng dn khoa hc: PGS.TS. NGUYN C NGHA

H NI 2007

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

3

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

Danh mục các từ viết tắt
ANN

Mạng nơron nhân tạo

DBPT

Dự báo phụ tải

HTĐ

Hệ thống điện

HTĐ1

Trung tâm Điều độ Hệ thống điện miền Bắc

MSE

Trung bình tổng bình phơng sai số

SSE

Tổng bình phơng sai số

CNTT

Công nghệ thông tin

ĐTPT

Đồ thị phụ tải


4

5

Chơng I Phụ tải hệ thống điện miền Bắc và bài toán dự báo:

Mở đầu
Trong những năm gần đây, do nhu cầu năng lợng không ngừng biến

Trình bày tổng quan về HTĐ miền Bắc. Phát biểu bài toán dự báo phụ tải, nêu

đổi và tăng lên rõ rệt theo thời gian nên ngành Điện lực đã và đang xây dựng

phạm vi, tầm quan trọng của bài toán, các yếu tố ảnh hởng đến phụ tải ngắn

rất nhiều các nhà máy điện để đáp ứng nhu cầu tiêu thụ điện năng trong cả

hạn.

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.

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.

Cho đến nay tuy đã có nhiều phơng pháp luận trong việc giải quyết bài

Chơng III ứng dụng mạng nơron ánh xạ đặc trng tự tổ chức

toán dự báo, song bài toán này luôn là một bài toán khó. Hiện nay, trong

Kohonen trong bài toán phân loại ngày: Trình bày các khái niệm cơ bản về

ngành Điện lực Việt Nam bài toán dự báo phụ tải đợc giải quyết chủ yếu nhờ

mạng nơron ánh xạ đặc trng tự tổ chức Kohonen, đề xuất cấu trúc mạng để

sử dụng các phơng pháp dự báo truyền thống mang tính kinh nghiệm thuần

giải quyết bài toán, xây dựng cấu trúc phần mềm và phân tích đánh giá kết

tuý. Trong số các hớng nghiên cứu nhằm triển khai các hệ thống thông minh

quả đạt đợc.

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.

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.

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

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.

này chủ yếu tập trung tìm hiểu về mạng nơron nhân tạo và nghiên cứu ứng

Chơng VI - So sánh với một số kết quả đã có và đánh giá kết quả:

dụng giải quyết bài toán dự báo phụ tải ngắn hạn cho hệ thống điện miền Bắc.

So sánh phơng pháp dự báo phụ tải ngắn hạn của Hệ thống điện miền Bắc sử

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.

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

7

CHƯƠNG I

ứng dụng trong bài toán dự báo đỉnh và đáy đồ thị phụ tải.
PHụ TảI Hệ THốNG ĐIệN MIềN BắC và bài toán dự báo
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.

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 Pmin/Pmax 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 Pmin/Pmax 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

Quản lý & Tiêu dùng

dân c 44.59%

9

Các hoạt động
khác 4.32%

Nông nghiệp và thuỷ
sản 1.40%

Thơng nghiệp &
KSNH 4.49%

Công nghiệp và xây
dựng 45.20%

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%

Hình 1.1. Biểu đồ các thành phần cấu thành nên phụ tải

Trên biểu đồ ta thấy phụ tải Quản lý & Tiêu dùng dân c, Công nghiệp

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

& xây dựng chiếm tỷ trọng lớn, đến 90% tổng công suất phụ tải.

thuộc rất nhiều vào thời tiết, gây ảnh hởng lớn đến việc khai thác tối u các
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.

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

Bảng 1.1: Sản lợng điện tiêu thụ của HTĐ miền Bắc từ năm 2001-2005

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,

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

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.

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

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.

Hải Phòng

946.066,1

1.046.325,4 1.155.206,9 1.272.091,1 1.415.610,8


10

1.1.2 Tầm quan trọng của dự báo phụ tải

11

Trong thực tế vận hành HTĐ Việt Nam nói chung và HTĐ miền Bắc

Nh chúng ta biết tháng 5/2005 sản lợng điện tiêu thụ đột biến trong

nói riêng, phụ tải cao điểm (phụ tải cao nhất trong ngày Pmax) và thấp điểm

khi đó nguồn tài nguyên nớc tại thời điểm đó bị thiếu hụt dẫn đến ảnh hởng

(phụ tải thấp nhất trong ngày Pmin) là hai điểm đặc biệt trong đồ thị phụ tải

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.

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 Pmax 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

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

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

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

Để tìm ra đợc phơng pháp dự báo tối u đối với bài toán dự báo phụ

các miền, giải quyết các công tác sửa chữa trên lới điện và đánh giá mức độ

tải ngày của HTĐ miền Bắc với sai số nhỏ, ta cần xác định đợc các yếu tố

an toàn HTĐ đều đòi hỏi phải có dự báo phụ tải tơng đối chính xác.

ảnh hởng đến phụ tải ngày, ví dụ: thứ của các ngày trong tuần, ngày lễ, các


12

13

đặc điểm của ngày cần dự báo, nh nhiệt độ trong ngày Chính vì vậy để

Ngày đặc biệt trong năm nh các ngày lễ tết, 30/4, 1/5, 2/9... phụ tải các

nâng cao độ chính xác của quá trình dự báo phụ tải ta cần phải xét đến các yếu

ngày này giảm đáng kể so với ngày thờng. Phụ tải các ngày sát với các ngày

tố chủ yếu ảnh hởng đến phụ tải.

này cũng bị ảnh hởng, ta có thể thấy rõ điều đó trên đồ thị phụ tải HTĐ miền

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:

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

1. Thứ của ngày trong tuần

này so với các ngày dạng này của các năm trớc đó.

Có quy luật giữa phụ tải và ngày trong tuần
Đồ thị phụ tải

- Phụ tải thấp nhất trong đêm thứ 2
3500

- Đồ thị phụ tải các ngày làm việc thờng có dạng giống nhau

3000

Công suất

- Phụ tải ngày nghỉ cuối tuần giảm.

Đồ thị phụ tải

2000
1500
1000
500

3500

0

3000

Công suất

2500

0

1

2

3

4

5

6

7

Ngy 3/5

2500

8

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Giờ
Ngy 1/5

2000

Hình 1.3. Đồ thị phụ tải HTĐ miền Bắc hai ngày 1/5, 3/5

1500
1000
500

3. Thời tiết trong ngày.

0

0 1

2 3 4 5

Th 5

6 7 8

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

ThGiờ
2

CN

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

Hình 1.2. Đồ thị phụ tải các ngày đặc trng trong tuần
2. Các ngày đặc biệt trong năm

Bắc khi nhiệt độ quá lạnh, phụ tải tăng do sử dụng các thiết bị sởi ấm.


14

15

5. Kế hoạch sửa chữa lớn trong ngày có cắt điện.

Đồ thị phụ tải

Trong quá trình thực hiện kế hoạch sửa chữa lớn, nh cắt điện đờng

3500

dây đang vận hành để kéo đờng dây mới, sửa chữa trạm 220Kv, 500Kv phải

3000

Công suất

2500

cắt tải diện rộng dẫn đến điện năng tiêu thụ vào các ngày này giảm một cách

2000
1500

đáng kể. Dự báo phụ tải những ngày này phải tính toán khấu trừ phụ tải giảm

1000

do ngừng cung cấp điện. Dạng của đồ thị phụ tải trong ngày có cắt điện diện

500

rộng cũng mang đặc thù riêng, thay đổi tuỳ thuộc vào thời gian, vùng , miền

0
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

26-33

cắt điện.

18 26

Hình 1.4. Đồ thị phụ tải ngày hai ngày có nhiệt độ khác
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.

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
(Pmax), thấp điểm đêm (Pmin) 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

Đồ thị phụ tải

khác.
3500

Phạm vi nghiên cứu.

Công suất

3000

2500

Dự báo luôn giữ vai trò quan trọng trong nhiều lĩnh vực, quyết định kế

2000
1500

hoạch sản xuất, hớng đầu t phát triển trong tơng lai do đó có rất nhiều các

1000

mô hình toán học áp dụng cho dự báo. Cũng nh các dự báo khác, dự báo phụ

500
0
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

ờm khụng cú WC

Giờ

ờm cú WC

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.

Hình 1.5. Đồ thị phụ tải HTĐ miền Bắc có truyền hình trực
tiếp Worldcup 2006 và ngày bình thờng.


16

17

Trớc đây, các mô hình toán học truyền thống hay đợc áp dụng cho dự

lợng tiêu thụ của từng ngành trong ba năm 2003 đến 2005. Có thể nhận thấy

báo nh: hồi qui tuyến tính (linear regression), san bằng hàm mũ (exponential

rằng, tỉ trọng điện tiêu thụ trong quản lý & tiêu dùng dân c rất lớn làm chế

smoothing), san trung bình (moving averages), hệ số ngẫu nhiên (stochatic) ....

độ tiêu thụ điện năng xấu đi, hệ số phụ tải giảm, gây nhiều khó khăn cho việc

Gần đây, với sự phát triển của việc nghiên cứu một số thuật toán dựa trên trí

đảm bảo an toàn cung cấp điện.

tuệ của con ngời (artificial intelligence), mạng nơron nhân tạo (artificial

Bảng 1.3 Tỉ trọng sản lợng điện tiêu thụ của các thành phần kinh tế

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

Tiêu dùng

Công nghiệp

Nông lâm

Thơng

dân c

& xây dựng

nghiệp

nghiệp

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

Năm

Khác

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 .

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 (Pmax) lớn hơn rất nhiều so với phụ tải thấp nhất trong ngày (Pmin).

Nghiên cứu phơng pháp dự báo phụ tải ngày là nghiên cứu và áp dụng

Cao điểm tra thờng xảy ra 10h-11h, cao điểm chiều thờng xảy ra 18h-19h.

các phơng pháp toán học để tìm quan hệ giữa phụ tải ngày và các yếu tố chủ

Thấp điểm thờng xảy ra vào ban đêm trong khoảng 3h-4h vào mùa hè, 2h-3h

yếu ảnh hởng đến phụ tải ngày. Thuật toán áp dụng cho dự báo phụ tải theo

vào mùa đông. Đồ thị của những ngày mùa hè thờng đồng đều hơn mùa

nhiệt độ phải dựa trên dự báo thời tiết ngày hôm sau gồm các thông tin nh:

đông, chứng tỏ sản lợng điện sinh hoạt tiêu thụ rất lớn so với các ngành khác.

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


18

19

1.2.2. Dự báo phụ tải ngắn hạn cho 24h tiếp theo
Đ ồ th ị p h ụ tải

Dự báo phụ tải lới điện cho 24h tiếp theo nhằm đa ra các giá trị phụ

3500

tải dự báo theo từng giờ của ngày tiếp theo sát với thực tế vận hành, trong đó

Công suất

3000
2500

giảm sai số là vấn đề mang tính chiến lợc trong quá trình dự báo.

2000
1500

Trong quá trình phân tích, so sánh đồ thị phụ tải của miền Bắc và các

1000
500

miền khác trong một thời gian dài cho thấy kiểu đồ thị phụ tải ngày chủ yếu bị

0
0

1

2

3

4

5

6

7

8

9

14/12/2005

10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

G iờ

11/07/2006

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

Hình 1.6. ĐTPT hai ngày làm việc vào mùa đông và mùa hè
Trong quá trình vận hành của điều độ, phụ tải cao điểm (Pmax) và phụ tải
thấp điểm (Pmin) 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 Pmin, Pmax, 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.

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
Pmax và Pmin là rất lớn.


20

21

Hình 1.8 là ĐTPT ngày đợc chuẩn hoá theo biến i và Pn(i). ĐTPT đã

Đ ồ th ị p h ụ tả i

đợc quy chuẩn vẫn giữ nguyên dạng biến thiên ban đầu, các giá trị đợc quy

3500

chuẩn nằm trong khoảng từ 0 ữ1, với Pnmax=1, Pnmin= 0.

3000

Công suất

2500
2000

Đ ồ th ị p h ụ tả i

1500
1 .0

1000

0 .9
0 .8

0

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

CN 14/05/2006

G iờ

T2 15/05/2006

Công suất

500

0 .7
0 .6
0 .5
0 .4
0 .3
0 .2

Hình 1.7. ĐTPT hai ngày điển hình (CN,T2) của Cty điện lực I

0 .1
0 .0
0

-

Gọi giá trị phụ tải đỉnh là Pmax

-

Gọi giá trị phụ tải đáy là Pmin

2

3

4

5

6

7

8

9

10 11 12

CN 14/05/2006

13 14 15 16 17 18 19 20 21 22 23 24

G iờ

T2 15/05/2006

Hình 1.8. ĐTPT hai ngày (CN,T2) của Cty điện lực I đã chuẩn hoá.

- 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:
Pn(i)=

1

P(i ) P min
P max P min

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

(1.1)

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

Pn(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

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 Pmax và Pmin. nh dự báo theo phơng

24h trong ngày, đồ thị này còn đợc gọi là véctơ ĐTPT.

pháp ngoại suy theo thời gian, phơng pháp hồi quy tuyến tính Trong luận
Đặt véctơ ĐTPT là P, ta có:

văn này chúng ta chỉ nghiên cứu phơng pháp DBPT sử dụng mạng nơron

P = [p1 , p2, , pi , , p24]T

(1.2)
T

Pn(i) =[Pn(1), Pn(2), ,Pn(i), , Pn(24)]

Với Pn(i) là phụ tải đợc quy chuẩn hoá của giờ thứ i.

(1.3)

nhân tạo.
Sau khi đã xác định đợc hai giá trị quan trọng nhất Pmax và Pmin 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

23

trị Pn(i), xác định đợc Pmax và Pmin trong ngày ta sẽ tính đợc phụ tải của từng

CHƯƠNG II

giờ theo công thức 1.1.

Tổng quan Về MạNG NƠRON NHÂN TạO

1.2.2.3 Dự báo phụ tải cho 24h
Mạng nơron nhân tạo là một lĩnh vực đợc đề xuất và nghiên cứu vào
Khi ta đã dự báo đợc Pmax và Pmin trong ngày nếu ta xác định đợc đồ

cuối thập kỷ 1800 khi ngời ta cố gắng mô tả hoạt động của trí tuệ con ngời.

thị phụ tải quy chuẩn tức là xác định đợc các giá trị Pn(i) với i=1ữ24 ta sẽ xác

ý tởng này bắt đầu đợc áp dụng cho các mô hình tính toán từ mạng

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) = Pmin + (Pmax Pmin ) Pn(i)

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

(1.4)

sử dụng để nhận dạng ký tự thông qua khả năng học từ kinh nghiệm hoặc từ

Qua các phân tích nêu trên có thể đi đến kết luận: Để dự báo đợc phụ

tập mẫu, trong khi các phơng pháp truyền thống phải tiêu tốn nhiều thời gian

tải từng giờ cho một ngày cụ thể, ta cần dự báo đợc giá trị phụ tải đỉnh Pmax

cho việc làm mảnh ký tự, khả năng nhận dạng sẽ không cao khi chất lợng

và phụ tải đáy Pmin của ngày đó và tìm ra véctơ ĐTPT Pn(i) của ngày cần dự

quét của scanner tồi hoặc bản thân ký tự đợc lấy từ văn bản mờ hoặc có

báo.

nhiều nét đứt. Cách tiếp cận mạng nơron nhân tạo có ý nghĩa thực tiễn rất lớn
Tóm lại cũng nh các dự báo khác, dự báo phụ tải ngày phải dựa vào số

cho phép tạo ra các thiết bị có thể kết hợp khả năng song song cao của bộ não

liệu thống kê, phân tích và áp dụng các thuật toán để xác định mối quan hệ

với tốc độ tính toán cao của máy tính.

giữa phụ tải và các yếu tố ảnh hởng, từ đó xây dựng phơng pháp dự báo phụ

2.1. Lịch sử phát triển của mạng nơron nhân tạo

tải ngày dựa trên các yếu tố ảnh hởng đã đợc nêu.
Trí tuệ nhân tạo (Artificial Intelligence) hay tạo cho máy móc khả năng
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.

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

25

vì đặc điểm này mà mạng nơron đang đợc phát triển rất mạnh mẽ và đang

Mạng nơron nhiều lớp lan truyền ngợc sai số đã đợc Rosenblatt và

đợc ứng dụng rất nhiều trong thực tế, đặc biệt là trong lĩnh vực dự báo, nhận

một số tác giả khác mô tả từ những năm 50, nhng họ chủ yếu chỉ nghiên cứu

dạng, điều khiển Con ngời bắt đầu nghiên cứu mạng nơron vào cuối thập

sâu về mạng Perceptron một lớp. Sở dĩ nh vậy là do không tìm đợc cách

kỷ 1800 khi ngời ta cố gắng mô tả hoạt động của trí tuệ con ngời, ý tởng

thay đổi trọng số liên kết tại các lớp ẩn. Ngay cả khi đã biết đợc sai số tại các

này bắt đầu đợc áp dụng cho các mô hình tính toán từ mạng Perceptron.

đầu ra, nhng ngời ta vẫn cha hình dung đợc các sai số đó đợc phân bố

Đầu thập kỷ 1950 Friedrich Hayek là ngời đầu tiên khẳng định ý

nh thế nào tại các nơron ẩn. Minsky và Papert đã chỉ ra rằng khó có thể tổng

tởng về trật tự tự phát trong não xuất phát từ các mạng phân tán gồm các đơn

quát hoá luật học đối với mạng một lớp sang mạng nhiều lớp, có hai lý giải

vị đơn giản (nơron). Cuối thập kỷ 1940, Donnald Hebb đa ra giả thuyết đầu

chính cho vấn đề này. Thứ nhất, thuật giải học của mạng nhiều lớp có thể

tiên về một cơ chế thần kinh mềm dẻo (neural plasticity). Hebbian learning

không hiệu quả, hoặc không hội tụ về điểm cực trị tổng thể trong không gian

đợc coi là một quy tắc 'điển hình' của học không có giám sát. Nó (và các biến

véctơ trọng số. Mặt khác, các nghiên cứu trong lý thuyết tính toán đã chỉ ra

thể) là mô hình thời kỳ đầu của long term potentiation. (tạo tiềm lực dài hạn).

rằng trong trờng hợp tồi nhất quá trình học các hàm tổng quát từ mẫu học
không phải lúc nào cũng giải quyết đợc. Các nguyên tắc cơ bản trong luật

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 (adhoc) 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.

học đối với mạng nhiều lớp đã đợc Bryson và Ho đề xuất từ năm 1969,
nhng phải tới giữa năm 1980 vấn đề này mới đợc quan tâm trở lại bởi công
trình nghiên cứu của Rumelhart năm 1986.
Mạng truyền ngợc (backpropagation) có lẽ đã là nguyên nhân chính
của sự tái xuất của mạng nơron từ khi công trình "Learning Internal
Representations by Error Propagation" (học các biểu diễn bên trong bằng
cách lan truyền lỗi) đợc xuất bản năm 1986. Mạng truyền ngợc ban đầu sử
dụng nhiều tầng, mỗi tầng gồm các đơn vị tổng trọng số có dạng g = f(w'x +
b), trong đó f là một hàm sigmoid. Huấn luyện đợc thực hiện theo kiểu
xuống dốc ngẫu nhiên. Việc sử dụng quy tắc tính nguyên hàm cho hàm hợp
(chain rule) khi tính toán các thay đổi thích hợp cho các tham số dẫn đến một
thuật toán có vẻ truyền ngợc lỗi, đó là nguồn gốc của thuật ngữ truyền
ngợc. Tuy nhiên, về bản chất đây chỉ là một dạng xuống dốc, việc xác định
các tham số tối u cho một mô hình thuộc dạng này không đơn giản, không
thể dựa vào các phơng pháp xuống dốc để có đợc lời giải tốt mà không cần
một xuất phát điểm tốt. Ngày nay, các mạng có cùng kiến trúc với mạng


26

truyền ngợc đợc gọi là các mạng Perceptron đa tầng. Thuật ngữ này không
hàm ý bất cứ giới hạn nào đối với loại thuật toán dùng cho việc học.

27

2.3. Bộ não và nơron sinh học
Các nhà nghiên cứu sinh học cho ta thấy rằng các nơron (tế bào thần

Mạng truyền ngợc đã tạo ra nhiều hứng khởi và đã có nhiều tranh cãi

kinh) là đơn vị cơ sở đảm nhiệm những chức năng xử lý nhất định trong hệ

về quy trình học đó có thể đợc thực hiện trong bộ não hay không. Một phần

thần kinh, bao gồm não, tuỷ sống và các dây thần kinh. Mỗi nơron có một

vì khi đó cha tìm ra cơ chế truyền tín hiệu ngợc. Nhng lý do quan trọng

phần thân với nhân bên trong (gọi là soma), một đầu thần kinh ra (gọi là sợi

nhất là cha có một nguồn tín hiệu 'dạy' hay tín hiệu 'đích' đáng tin cậy.

trục axon) và một hệ thống dạng cây các dây thần kinh vào (gọi là dendrite).

2.2. Cơ sở lý thuyết mạng nơron

Các dây thần kinh vào tạo thành một lới dày xung quanh thân tế bào, chiếm

Mạng nơron nhân tạo là một lĩnh vực nghiên cứu rộng lớn và chỉ mới
phát triển mạnh khoảng 20 năm gần đây. Nó đợc nghiên cứu và phát triển

dựa trên nhiều lĩnh vực khoa học khác nhau bao gồm: Sinh học, sinh lý học,
toán học, tin học.

diện tích khoảng 0.25 mm2, còn dây thần kinh tạo thành trục dài có thể từ 1
cm đến hàng mét. Đờng kính của thân tế bào thờng chỉ là 10-4m. Trục dây
thần kinh ra cũng có thể phân nhánh các dây thần kinh theo dạng cây để nối
với các dây thần kinh vào hoặc trực tiếp với nhân tế bào các nơron khác thông
qua các khớp nối (gọi là synapse). Thông thờng, mỗi nơron có thể gồm vài

- Nơron sinh lý học: Các nơron nhân tạo đều có cấu trúc dựa các mô hình

chục cho tới vài trăm ngàn khớp nối để nối với các nơron khác. Ngời ta ớc

nơron sinh vật. Các nhà nghiên cứu đã chọn phơng pháp nghiên cứu

lợng rằng lới các dây thần kinh ra cùng với các khớp nối bao phủ diện tích

đặc tính đáp ứng nơron với các xung kích thích từ thấp đến cao, từ một

khoảng 90% bề mặt nơron (hình 2.1)

đơn thể đến một mạng nhiều lớp, từ các khu thần kinh trung ơng đến
các cơ cấu thần kinh chấp hành.
- Sinh lý học nơron: Các nhà sinh lý học nơron nghiên cứu cách nhận
thức, các hành vi, cách tổ chức của não ngời để giải quyết những bài
toán phức tạp, đòi hỏi sáng tạo. Rất nhiều các thuật học đợc bắt nguồn
từ những nghiên cứu về sinh lý học.
- Cơ sở toán học: Toán học là một công cụ không thể thiếu trong quá
trình nghiên cứu khoa học nói chung và mạng nơron nói riêng.
- Công nghệ thông tin: Biễu diễn và xử lý nhanh các vấn đề đã đợc

nghiên cứu, là yếu tố thúc đẩy các ứng dụng và kỹ thuật mạng nơron
nhân tạo phát triển nhanh chóng.

Hình 2.1. Cấu tạo nơron sinh học


28

Các tín hiệu truyền trong các dây thần kinh vào và dây thần kinh ra của

29

-

Bộ não có khả năng tổng quát hoá, có thể truy xuất các tri thức hay

các nơron là tín hiệu điện và đợc thực hiện thông qua các quá trình phản ứng

các mối liên kết chung của các đối tợng tơng ứng với một khái niệm chung

và giải phóng các chất hữu cơ. Các chất này đợc phát ra từ các khớp nối dẫn

nào đó;

tới các dây thần kinh vào sẽ làm tăng hay giảm điện thế của nhân tế bào. Khi

-

điện thế này đạt tới một ngỡng nào đó, sẽ tạo ra một xung điện dẫn tới trục
dây thần kinh ra. Xung này đợc truyền theo trục, tới các nhánh rẽ khi chạm

tới các khớp nối có các nơron khác sẽ giải phóng các chất truyền điện, có hai
loại khớp nối: khớp nối kích thích (excitatory) hoặc khớp nối ức chế
(inhibitory).

Bộ não có khả năng dung thứ lỗi theo nghĩa có thể điều chỉnh hoặc

tiếp tục thực hiện ngay khi có những sai lệch do thông tin bị thiếu hoặc không
chính xác. Ngoài ra, bộ não còn có thể phát hiện và phục hồi các thông tin mất
dựa trên sự tơng tự giữa các đối tợng;
-

Bộ não có khả năng xuống cấp và thay thế dần, khi có trục trặc tại các

vùng não (do bệnh, chấn thơng) hoặc bắt gặp những thông tin hoàn toàn mới
Phát hiện quan trọng nhất trong ngành nghiên cứu về bộ não là các liên kết
khớp thần kinh khá mềm dẻo, có thể biến động và chỉnh đổi theo thời gian tuỳ
thuộc vào dạng kích thích. Hơn nữa, các nơron có thể sản sinh các liên kết
mới với các nơron khác và đôi khi lới các nơron có thể di chuyển từ vùng này

lạ, bộ não vẫn có thể tiếp tục làm việc;
-

Bộ não có khả năng học.
Dễ dàng thấy rằng bộ não con ngời có thể lu giữ nhiều thông tin hơn

sang vùng khác trong bộ não. Các nhà khoa học cho rằng đây chính là cơ sở

các máy tính hiện đại; Tuy rằng điều này không phải đúng mãi mãi, vì bộ não

quan trọng để giải thích cơ chế học của bộ não con ngời.

tiến hoá chậm, trong khi đó nhờ những tiến bộ trong công nghệ vi điện tử, bộ

Phần lớn các quá trình xử lý thông tin đều xảy ra trên vỏ não. Toàn bộ vỏ
não đợc bao phủ bởi mạng các tổ chức cơ sở có dạng hình thùng tròn với
đờng kính khoảng 0.5mm, độ cao 4mm. Mỗi đơn vị cơ sở này chứa khoảng
2000 nơron. Ngời ta chỉ ra rằng mỗi vùng não có những chức năng nhất định.
Điều rất đáng ngạc nhiên là các nơron rất đơn giản trong cơ chế làm việc,
nhng mạng nơron liên kết với nhau lại có khả năng tính toán, suy nghĩ, tính
toán nghi nhớ, và điều khiển. Có thể điểm qua những chức năng cơ bản của bộ
não nh sau:
-

nhớ máy tính đợc nâng cấp rất nhanh. Hơn nữa, sự hơn kém về bộ nhớ trở
nên hoàn toàn thứ yếu so với sự khác biệt về tốc độ tính toán và khả năng tính
toán song song. Các bộ vi xử lý có thể tính 108 lệnh trong một giây, trong khi
đó mạng nơron xử lý chậm hơn, cần khoảng vài miligây để kích hoạt. Tuy
nhiên, bộ não có thể kích hoạt hầu nh cùng một lúc tại rất nhiều nơron khớp
nối, trong khi đó ngay cả máy tính hiện đại cũng chỉ có một số hạn chế các bộ
vi xử lý song song. Nếu chạy một mạng nơron nhân tạo trên máy tính, phải
tốn hàng trăm lệnh máy để kiểm tra một nơron có đợc kích hoạt hay không
(tiêu phí khoảng10-8 x 10 giây trên nột nơron). Do đó, cho dù bộ vi xử lý có

Bộ nhớ đợc tổ chức theo các bó thông tin và truy nhập theo nội dung

(có thể truy xuất thông tin dựa theo giá trị các thuộc tính của đối tợng);

thể tính toán nhanh hơn hàng triệu lần so với các nơron bộ não, nhng xét
tổng thể bộ não lại tính toán nhanh hơn hàng tỷ lần.
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 và tốc độ


30

31

tính toán cao của máy tính. Tuy vậy, cần phải có một khoảng thời gian dài nữa
để các mạng nơron nhân tạo có thể mô phỏng các hành vi sáng tạo của bộ não

Mỗi nơron nhân tạo (nút) đợc nối với các nơron khác và nhận các tín
hiệu xi từ chúng với các trọng số wi, tổng các thông tin vào có trọng số là

con ngời. Chẳng hạn, bộ não có thể thực hiện một nhiệm vụ khá phức tạp nh

n

a = wi xi

nhận ra khuôn mặt ngời quen sau không quá một giây, trong khi đó một máy
tính tuần tự phải thực hiện hàng tỷ phép tính (khoảng10 giây) để thực hiện
cùng một thao tác đó, nhng với chất lợng kém hơn nhiều, đặc biệt trong

i =1

a là thành phần tuyến tính của nơron. Hàm kích hoạt f (hàm chuyển)
đóng vai trò biến đổi từ a sang tín hiệu đầu ra z.

trờng hợp thông tin không chính xác, đầy đủ.
z =f(a)

2.4 Mô hình mạng nơron nhân tạo
Trong đó:
Mạng nơron nhân tạo (Artificial Neural Network) bao gồm các nút (đơn
vị xử lý, nơron) đợc nối với nhau bởi liên kết nơron. Mỗi liên kết kèm theo

xi: Các tín hiệu đầu vào.

một trọng số nào đó, đặc trng cho đặc tính kích hoạt/ ức chế giữa các nơron.

wi: Các trọng số tơng ứng với các đầu vào

Có thể xem các trọng số là phơng tiện để lu thông tin dài hạn trong mạng

n: số đầu vào của nơron.

nơron và nhiệm vụ của quá trình huấn luyện (học) mạng là cập nhật các trọng

a: Tổng trọng số của mỗi nơron.

số khi có thêm các thông tin về các mẫu học, hay nói một cách khác, các
trọng số đợc điều chỉnh sao cho dáng điệu vào ra của nó mô phỏng hoàn toàn

f: hàm kích hoạt
z: là đầu ra của nơron, đây là thành phần phi tuyến của nơron.

phù hợp môi trờng đang xem xét.
Trong mạng, một số nơron đợc nối với môi trờng bên ngoài nh các đầu

Hàm kích hoạt f thờng có 3 dạng hay dùng trong thực tế.
Hàm dạng bớc:

ra, đầu vào.
2.4.1 Mô hình một nơron nhân tạo

xi
Các liên kết vo

1 nếu x 0
f(x)=

wi

0 nếu x < 0
a=

f

0

Z

hoặc
Cỏc liờn kt ra

Hm vo

Hm kớch
hot

1 nếu x

u ra

Hình 2.2. Mạng nơron nhân tạo

1

f(x)=
0 nếu x <


32

33

Hàm dấu

3.4.2. Mô hình mạng nơron nhân tạo
Mạng nơron là hệ thống bao gồm nhiều phần tử xử lý đơn giản (nơron)
hoạt động song song. Tính năng của hệ thống này tuỳ thuộc vào cấu trúc của

1 nếu x 0

hệ các trọng số liên kết nơron và quá trình tính toán các nơron đơn lẻ. Mạng

f(x)=
1

-1 nếu x < 0

-1

hoặc

nơron có thể học từ dữ liệu mẫu và tổng quát hoá dựa trên các dữ liệu mẫu
học. Trong mạng nơron, các nơron đón nhận tín hiệu vào gọi là nơron vào và
các nơron đa thông tin ra gọi là nơron ra.
3.4.2.1. Phân loại các mạng nơron

1 nếu x

Theo kiểu liên kết nơron: Ta có mạng nơron truyền thẳng (feelforward Neural Network) và mạng nơron qui hồi (recurrent NN). Trong mạng

f(x)=

nơron truyền thẳng, các liên kết nơron đi theo một hớng nhất định, không tạo

0 nếu x <

thành đồ thị có chu trình (Directed Acyclic Graph) với các đỉnh là các nơron,
các cung là các liên kết giữa chúng. Ngợc lại, các mạng qui hồi cho phép các

Hàm singmoid

liên kết nơron tạo thành chu trình. Vì các thông tin ra của các nơron đợc

1
1 + e x

truyền lại cho các nơron đã góp phần kích hoạt chúng, nên mạng qui hồi còn

f(x) =

có khả năng lu giữ trạng thái trong của nó dới dạng ngỡng kích hoạt ngoài
các trọng số liên kết nơron.

ở đây ngỡng đóng vai trò làm tăng tính thích nghi và khả năng tính toán

Nơron vo

Lớp vo

của mạng nơron. Sử dụng ký pháp véctơ, X = (x1, x2, ,xn) véctơ tín hiệu vào,
W = (w1,w2, ,wn) véctơ trọng số, khi đó ta có.
Z = f(a),

a =WS

Trờng hợp xét ngỡng, ta biểu diễn véctơ mới X = (x1,x2, ,xn, ), W
= (w1,w2, ,wn, -1)

Lớp ẩn
Lp ra

Nơron ra
a) Mạng nơron nhiều lớp

b) Mạng nơron truyền thẳng

Hình 2.3. Mạng truyền thẳng và nhiều lớp

34

35

Đầu vào
w1,1

Lớp 1

Lớp 2

a11

X1

a21

Y1

a12

X2

a22

Y2

a1n

Xn

a2k

Yk

s1
s2
Hình 2.4. Mạng nơron hồi qui.

s3
sm

Theo số lớp: Các nơron có thể tổ chức lại thành các lớp sao cho mỗi

wm,n
Hình 2.6. Mạng nơron nhiều lớp

nơron của lớp này chỉ đợc nối với các nơron ở lớp tiếp theo, không cho phép
các liên kết giữa các nơron trong cùng một lớp, hoặc từ nơron lớp dới lên
nơron lớp trên. ở đây cũng không cho phép các liên kết nơron nhảy qua một
lớp.
Dễ dàng nhận thấy rằng các nơron trong cùng một lớp nhận đợc tín
hiệu từ lớp trên cùng một lúc, do vậy về nguyên tắc chúng có thể xử lý song
song. Thông thờng lớp nơron vào chỉ chịu trách nhiệm truyền đa tín hiệu
vào, không thực hiện một tính toán nào nên khi tính số lớp của mạng, ngời ta
không tính lớp vào. Ví dụ, mạng nơron ở hình 2.6 có hai lớp: một lớp ẩn và

2.4.2.2. Cách nhìn về mạng nơron

Mạng nơron nh một công cụ tính toán:
Giả sử mạng nơron NN có n nơron vào và m nơron ra, khi đó với mỗi
véctơ các tín hiệu vào X = (x1,,xn ), sau quá trình tính toán tại các nơron ẩn,
ta nhận đợc kết quả ra Z =( z1, z2,...,zm). Theo nghĩa nào đó mạng nơron làm
việc với t cách một bảng tra, mà không cần biết dạng phụ thuộc hàm tờng
minh giữa Z và X. khi đó có thể viết:
Z=Tinh(X, NN )

một lớp ra.
Đầu vào
w1,1

Các nơron trên cùng một lớp có thể tính toán đồng thời, do vậy độ phức

Lớp nơron
a1

Y1

Các thông số cấu trúc mạng nơron bao gồm.

s1
s2

a2

Y2

+ Số tín hiệu vào, số tín hiệu ra.
+ Số lớp nơron.

s3
sm

tạp tính toán nói chung sẽ phụ thuộc vào số lớp mạng.

an

Yn

wm,n
Hình 2.5. Mạng nơron một lớp

+ Số nơron trên mỗi lớp ẩn.
+ Số lợng liên kết của mỗi nơron (liên kết đầy đủ, liên kết bộ phận và
liên kết ngẫu nhiên).


36

37

+ Các trọng số liên kết nơron.


Mạng nơron N

Xs

Mạng nơron nh một hệ thống thích nghi có khả năng học (huấn

Zs

luyện) để tinh chỉnh các trọng số liên kết cũng nh cấu trúc của mạng sao cho
phù hợp với các mẫu học (samples). Có ba loại kỹ thuật học

Hiệu chỉnh W

(i)

Học có giám sát (supervised learning) hay còn gọi học có thầy;

(ii)

Học không có giám sát (unsupervised leraning) hay còn gọi học

Ds

Sai số

Hình 2.7. Học tham số có giám sát

không có thầy
(iii)

Học cấu trúc: Với học tham số ta giả định rằng mạng có một cấu

Học tăng cờng.

trúc cố định. Việc học cấu trúc của mạng truyền thẳng gắn với yêu cầu tìm ra

Trong học có giám sát, mạng đợc cung cấp một tập mẫu học {(XS,DS)}

số lớp của mạng L và số nơron trên mỗi lớp nj. Đối với các mạng hồi qui còn

theo nghĩa XS là tín hiệu vào, thì kết quả ra đúng của hệ phải là DS. ở mỗi lần

phải xác định thêm các tham số ngỡng của các nơron trong mạng. Một

học, véctơ tín hiệu vào XS đợc đa vào mạng, sau đó so sánh sự sai khác giữa

cách tổng quát phải xác định bộ tham số P = ( L,n1..,n1, 1,.,k), ở đây

các kết quả ra đúng DS với kết quả tính toán ZS. Sai số này sẽ đợc dùng để



hiệu chỉnh lại các trọng số liên kết trong mạng. Quá trình cứ tiếp tục cho đến

k=

nj sao cho:
YS = Tinh ( XS,P) đối với mọi mẫu học s = (XS, DS)

khi thỏa mãn một tiêu chuẩn nào đó. Có hai cách sử dụng tập mẫu học: Hoặc

(2.2)

dùng các mẫu lần lợt, hết mẫu này đến mẫu khác, hoặc sử dụng đồng thời tất

Về thực chất, việc điều chỉnh các véctơ tham số W trong (2.1) hay P

cả các mẫu một lúc. Các mạng với cơ chế học không giám sát đợc gọi là các

trong (2.2) đều qui về bài toán tìm kiếm tối u trong không gian tham số. Do

mạng tự tổ chức. Các kỹ thuật học trong mạng nơron có thể nhằm vào hiệu

vậy, có thể áp dụng các cơ chế tìm kiếm kinh điển theo gradient hay các giải

chỉnh các trọng số liên kết (gọi là tham số) hoặc điều chỉnh, sửa đổi cấu trúc

thuật di truyền, lập trình tiến hoá.

của mạng bao gồm số lớp, số nơron, kiểu và trọng số các liên kết (gọi là học

3.4.2.3. Khả năng tính toán và biểu diễn phụ thuộc dữ liệu của mạng

cấu trúc). Cả hai mục đích học này có thể thực hiện đồng thời hoặc tách biệt.
Học tham số: Giả sử có k nơron trong mạng và mỗi nơron có đúng l liên
kết vào với các nơron khác. Khi đó, ma trận trọng số liên kết W sẽ có kích
thớc kxl. Các thủ tục học tham số nhằm mục đích tìm kiếm ma trận W sao
cho

nơron
Mạng nơron truyền thẳng chỉ đơn thuần tính toán các tín hiệu ra dựa
trên các tín hiệu vào và các trọng số liên kết nơron đã xác định rõ trong mạng.
Do đó chúng không có trạng thái bên trong nào khác ngoài véctơ trọng số W.
Đối với mạng qui hồi, trạng thái trong của mạng đợc lu giữ tại các ngỡng

ZS = Tinh ( XS, W ) đối với mọi mẫu học S = (XS, DS)

(2.1)

của các nơron, các mạng qui hồi có thể không ổn định, thậm chí rối loạn theo
nghĩa, khi cho véctơ giá trị đầu vào X nào đó, mạng cần phải tính toán rất lâu,


38

thậm chí có thể lặp vô hạn trớc khi đa ra đợc kết quả mong muốn. Quá
trình học của mạng qui hồi cũng phức tạp hơn nhiều. Tuy vậy, các mạng qui
hồi có thể cho phép mô phỏng các hệ thống tơng đối phức tạp trong thực tế.
3.4.2.4. Xác định cấu trúc mạng tối u.

39

Ngoài việc loại trừ các liên kết nơron thừa, có thể bỏ qua những nơron
không đóng góp nhiều vào quá trình thực hiện của mạng.
Giải thuật Lợp ngói là một biến thể của kỹ thuật tăng trởng mạng
xuất phát từ cấu hình ban đầu tơng đối nhỏ. ý tởng ở đây là xác định một

Nh ta đã đề cập phần trên, lựa chọn sai cấu trúc mạng có thể dẫn tới

cấu hình mạng cho phép tính đúng các mẫu học đã biết. Sau đó, mỗi khi thêm

hoạt động mạng trở nên kém hiệu quả. Nếu chọn mạng quá nhỏ có thể chúng

dần mẫu học mới, mạng đợc phép thêm một số nơron cho phép đoán đúng

không biểu diễn đợc sự phụ thuộc dữ liệu mong muốn. Nếu chọn mạng quá

kết quả học hiện tại và quá trình cứ tiếp tục nh vậy.

lớn để có thể nhớ đợc tất cả các mẫu học dới dạng bảng tra, nhng hoàn
toàn không thể tổng quát đợc cho những tín hiệu vào cha biết trớc. Nói
cách khác, cũng giống nh trong các mô hìng thống kê, các mạng nơron có
thể đa tới tình trạng quá thừa tham số.
Bài toán xác định cấu trúc mạng tốt có thể xem nh bài toán tìm kiếm
trong không gian tham số. Một cách làm là sử dụng giải thuật di truyền, tuy
vậy, không gian tham số có thể rất lớn và để xác định một trạng thái W ( hoặc
P) trong không gian đòi hỏi phải huấn luyện mạng, do vậy rất tốn thời gian.
Có thể áp dụng t tởng tìm kiếm leo đồi (hill-climbing) nhằm sửa đổi một
cách có lựa chọn, mang tính địa phơng cấu trúc mạng hiện có. Có hai cách
làm:
+ Hoặc bắt đầu với một mạng lớn, sau đó giảm nhỏ xuống;
+ Hoặc bắt đầu với một mạng nhỏ, sau đó tăng dần lên.
Một kỹ thuật khác có thể áp dụng gọi là tổn thơng tối u nhằm loại
bỏ một số liên kết trọng số trong mạng dựa trên các tiếp cận lý thuyết thông
tin, đơn giản nhất là các liên kết có trọng số bằng 0. Quá trình cứ tiếp tục nh
vậy. Kỹ thuật này có thể loại trừ 3/4 các liên kết, do đó nâng cao đáng kể hiệu
quả của mạng.


40

41

Chơng III

6 năm 2005, 2006 của hệ thống điện Miền Bắc (Hình 3.1). Qua đồ thị phụ tải
ta thấy các ngày làm việc trong cùng một tháng của hai năm có dạng giống

ứng dụng mạng nơron ánh xạ đặc trng tự tổ chức
Kohonen trong bài toán phân loại ngày
Bài toán phân loại ngày trong dự báo phụ tải ngắn hạn cho hệ thống
điện là một bài toán rất quan trọng để phân loại các dữ liệu đầu vào và dự
báo các kiểu ngày tiếp theo. Trong một số phần mềm dự báo phụ tải ngắn hạn
trớc đây, cha có phần mềm nào thực hiện vấn đề phân loại dữ liệu, mà việc
phân loại dữ liệu đầu vào đều đợc thực hiện thủ công bằng kinh nghiệm.

nhau. Đồ thị phụ tải của tháng 2 có dạng hoàn toàn khác với tháng 6 và ta
cũng thấy rằng giá trị phụ tải của ngày nghỉ bao giờ cũng nhỏ hơn ngày làm
việc bình thờng, dạng đồ thị của các ngày này cũng có sự thay đổi. Đối với
các ngày truyền hình trực tiếp các sự kiện thể thao văn hoá đồ thị phụ tải cũng
có dạng tơng tự nh các ngày có cùng sự kiện trớc đó. Dạng của đồ thị phụ
tải trong ngày có cắt điện diện rộng cũng mang đặc thù riêng tuỳ thuộc vào
thời gian, vùng cắt điện. Những ngày này nếu áp dụng các phơng pháp dự
báo thờng cho kết quả chính xác không cao.

Trong chơng này tôi trình bày các khái niệm cơ bản về mạng nơron

Đồ thị phụ tải

ánh xạ đặc trng tự tổ chức Kohonen, sau đó phát biểu bài toán, đề xuất cấu

3500

Kohonen để giải quyết bài toán. Xây dựng phần mềm và phân tích đánh giá

Công suất

3000

trúc mạng, cách ứng dụng kỹ thuật mạng nơron ánh xạ đặc trng tự tổ chức

kết quả đạt đợc. Chơng trình đợc viết bằng phần mềm Matlab.

2500
2000

T 22 n 24/02/2005

1500
1000
500
0
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

3.1. Sự cần thiết phân loại đồ thị phụ tải
Đồ thị phụ tải

3.1.1. Tập hợp các kiểu đồ thị phụ tải đặc trng

3500

nói riêng, để đạt đợc kết quả dự báo chính xác cao và thời gian huấn luyện

Côngsuất

3000

Trong các bài toán dự báo nói chung và dự báo phụ tải hệ thống điện

2500

T 22 n 24/02/2006

2000
1500

1000
500

ngắn, ta cần phải phân loại đợc các loại dữ liệu đầu vào. Đặc biệt đối với bài

0
0

1

2

3

4

5

6

7

8

9

10

11

và thực tế vận hành cho thấy tồn tại một vài dạng đồ thị phụ tải đặc trng phụ

14

15

16

17

18

19

20

21

22

23

24

3500
3000

Côngsuất

năm giống nhau thờng có dạng giống nhau. Dới đây là đồ thị phụ tải của

13

Đồ thị phụ tải

thuộc vào các tính chất của ngày nghiên cứu.
Đồ thị phụ tải trong ngày làm việc của các tháng giống nhau trong các

12

Giờ

toán dự báo phụ tải ta cần phân dạng kiểu ngày dự báo vì qua số liệu thống kê

2500

T 9 n 11/05/2005

2000
1500
1000
500

ngày làm việc trong tháng 2 năm 2005, 2006 và các ngày làm việc trong tháng

0
0

1

2

3

4

5

6

7

8

9

10

11

12

13

Giờ

14

15

16

17

18

19

20

21

22

23

24


42

43

Việc sử dụng mạng nơron nhân tạo để phân loại ngày là một giải pháp
khắc phục đợc hạn chế trên. Nhờ cơ chế huấn luyện mạng nơron với các dữ
liệu phụ tải cập nhật theo định kỳ, phần mềm dự báo có thể tìm ra các kiểu
ngày, các ngày tơng tự và các kiểu ngày mới phát sinh không giống với một

Đồ thị phụ tải

số kiểu ngày trong dạng gốc hoặc loại bỏ một số ngày không còn xuất hiện

3500

Công suất

3000

T 9 n 11/05/2006

2500
2000

nữa. Trong suốt quá trình huấn luyện mạng, khi đa các tập mẫu vào mạng, ta
cần phải thu đợc kết quả gì, bao nhiêu kiểu ngày đầu ra? Quá trình học nh

1500
1000

vậy gọi là học không giám sát.

500
0
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

Hình 3.1. ĐTPT đặc trng của các ngày trong tháng
2, 5 của năm 2005 và 2006

Trong phần tiếp theo, ta sẽ đi sâu nghiên cứu mạng nơron ánh xạ đặc
trng tự tổ chức Kohonen và ứng dụng nó để phân loại ngày.
3.2. Mạng nơron ánh xạ đặc trng tự tổ chức Kohonen

Tóm lại để kết quả dự báo phụ tải chính xác cao ta cần phân loại các đồ
thị phụ tải của các ngày trong năm thành một số nhóm, mỗi nhóm bao gồm
các ngày có các dạng đồ thị phụ tải tơng tự. Những ngày có dạng đồ thị phụ
tải tơng tự đợc định nghĩa là những ngày có cùng kiểu ngày.

Cách xử lý thông tin của các mạng nơron thông thờng chỉ quan tâm tới
giá trị và dấu của các thông tin đầu vào, mà cha quan tâm khai thác các mối
liên hệ có tính chất cấu trúc trong lân cận của các vùng dữ liệu mẫu hay toàn

thể không gian mẫu

3.1.2. Sự cần thiết phân loại ngày bằng phơng pháp mạng nơron.
Trớc đây, bằng kinh nghiệm vận hành lâu năm các kỹ s điều hành và
các cán bộ lập phơng thức có thể phân biệt đợc các kiểu ngày gốc đặc trng

Chẳng hạn, với hai phần: 1 tam giác, 1 hình chữ nhật, ta có thể tạo
thành ngôi nhà khi chúng đợc phân bố kề giáp với nhau theo một tật tự nhất
định.

trong quá khứ và dự đoán các kiểu ngày tiếp theo. Tuy nhiên, trong quá trình
biến đổi không ngừng của xã hội, cơ cấu kinh tế và tỉ trọng giữa các ngành
công nghiệp thay đổi, thói quen sinh hoạt của khách hàng thay đổi sẽ xuất
hiện một số kiểu ngày mới mà các chuyên gia với kinh nghiệm của mình có
thể đa ra nhận định với độ chính xác không cao. Hơn nữa sẽ có một số kiểu
ngày nào đó có thể hầu nh không xuất hiện, thậm chí biến mất hoàn toàn mà
không đợc loại trừ khỏi tập hợp các kiểu ngày gốc đặc trng. Đó chính là
nhợc điểm lớn trong quá trình dự báo dạng đồ thị phụ tải dựa vào kinh
nghiệm của chuyên gia.

Hình 3.2. Ví dụ về mối liên hệ có tính chất lân cận
Teuvo kohonen (1989) đã đề xuất một ý tởng rất đáng chú ý về ánh xạ
các đặc trng tự tổ chức (theo nghĩa không cần có mẫu học) nhằm bảo toàn
các trật tự sắp xếp các mẫu trong không gian biểu diễn nhiều chiều sang một
không gian mới các mảng nơron (một hoặc hai chiều). Trong mạng Kohonen,


44

45

các véctơ tín hiệu vào gần nhau sẽ đợc ánh xạ sang các nơron trong mạng lân

đợc nối với tất cả các nơron khác mà chỉ với một số nơron lân cận. Sự phản

cận nhau.

hồi mang tính địa phơng của những điều chỉnh (nếu có) tạo ra hiệu ứng là

3.2.1. Cấu trúc mạng

các nơron gần nhau về vị trí sẽ có hành vi tơng tự khi có những tín hiệu
giống nhau đợc đa vào.

Mạng kohonen rất gần gũi với kiểu cấu trúc mạng nơron sinh học cả về
cấu tạo lẫn cơ chế học. Mạng kohonen thuộc vào nhóm mạng một lớp, các
nơron đợc phân bố trong mặt phẳng hai chiều theo kiểu lới vuông, hay lới
lục giác (hình 3.3).
Phân bố này phải thoả mãn yêu cầu: Mỗi nơron có cùng số nơron trong

3.2.2. Huấn luyện mạng
Quá trình học đợc sử dụng trong mạng Kohonen dựa trên kỹ thuật
cạnh tranh, không cần có tập mẫu học. Khác với học có giám sát, các tín hiệu
đầu ra có thể không đợc biết một cách chính xác.

từng lớp láng giềng, ý tởng cơ bản của Kohonen là các đầu vào tơng tự nhau

Xét mạng nơron hai lớp, lớp đầu vào gồm có các tín hiệu đầu vào Xs,

sẽ kích hoạt các nơron gần nhau về khoảng không gian. Mối quan hệ tơng tự

mỗi tín hiệu vào bao gồm N nơron với X = [x1, x2, ,xN]T. Lớp ẩn bao gồm M

(theo khoảng cách) có thể tổng quát hoá cho một lớp đối tợng rộng các quan

nơron. Trên hình 3.4 mô tả liên kết giữa tín hiệu đầu vào tới một nơron ra.

hệ tơng tự giữa các tín hiệu đầu vào.
Tín hiệu vào

Trọng số
liên kết wij

`
Hình 3.3. Lới các nơron trong mặt phẳng hai chiều
Một cách trực quan, có thể xem thuật giải huấn luyện mạng Kohonen
nhằm biến đổi không gian tín hiệu vào sang mạng nơron giống nh các thủ tục
kiểu làm trơn hay tạo hình dữ diệu.
Tất cả các nơron ở lớp kích hoạt có liên kết đầy đủ với lớp vào. Điểm
quan trọng nhất trong mạng Kohonen là với một véctơ tín hiệu vào, nó chỉ cho
phép các phản hồi có tính địa phơng, nghĩa là đầu ra của mỗi nơron không

Hình 3.4. Liên kết giữa tín hiệu đầu vào tới một nơron ra


47

46

Mỗi đầu vào i đợc kết nối với nơron đầu ra j thông qua một trọng số

wij. Giá trị đầu ra aj đợc gán cho nút đầu ra j theo các biến đầu vào và trọng
số liên kết wij.
N

aj =

w
i =1

ij

(3.1)

xi

Tại mỗi thời điểm chỉ có nơron duy nhất C trong lớp kích hoạt đợc lựa
chọn sau khi đã đa vào mạnh các tín hiệu Xs. Nơron này đợc chọn theo một
trong hai nguyên tắc sau:

Hình 3.5. Phân bố giữa nơron trung tâm và các nơron theo lới vuông
Tuỳ thuộc vào nơron trung tâm C đợc chọn theo nguyên tắc 1 hoặc
nguyên tắc 2 ta có cách hiệu chỉnh các trọng số wij tơng ứng:

Nguyên tắc 1 Nơron C có tín hiệu ra cực đại
Outc m ax(a j ) = max( ( X siW ji ) (3.2)
j =1

i =1

Nguyên tắc 2 Véctơ trọng số của nơron C gần với tín hiệu vào nhất

Errc min( err j ) = min( ( X si W ji ) 2 )

(3.3)

j =1

Sau khi đa vào một tập các véctơ X(1), X(2),,X(K), các véctơ đầu

hoặc

wji=wji +(1-xiwji)

(3.4)

wji=wji +(xi wji)

(3.5)
n

Sau đó chuẩn hoá các trọng số sao cho:

w
i =1

ij

=1

Với luật học này các nơron lân cận sẽ đợc cập nhật tơng tự nhau và nh

vào với các đặc điểm tơng tự đợc gán cho đơn vị đầu ra giống hoặc gần

thế sẽ phù hợp với sự kiện đáp ứng đầu vào lân cận. Trên thực tế khoảng lân

giống nhau. Nh vậy đây là quá trình véctơ đầu vào tự tổ chức trong quá trình

cận Nc và hằng số sẽ đợc thay đổi trong quá trình học. Bắt đầu Nc rất lớn

học và in vào sơ đồ đầu ra. Sự sắp xếp của nút đầu ra thông qua một véctơ đầu

và tơng đối và sau đó giảm cả hai.

vào tơng ứng dựa trên các đặc điểm nêu trên nên loại mạng nơron này đợc
gọi là mạng ánh xạ đặc trng tự tổ chức Kohonen.

Theo kinh nghiệm, cần phải tạo ra phân bố ngẫu nhiên các trọng số trong
khoảng -0.1 đến 0.1 hoặc -1/m đến 1/m, ở đây m là số trọng số của mạng và

Sau khi xác định đợc nơron C, các trọng số wci đợc hiệu chỉnh nhằm

chuẩn hoá dữ liệu vào, ra bằng -1 hoặc 1.

làm cho đầu ra của nó lớn hơn hoặc gần hơn giá trị trọng số mong muốn. Do
vậy, nếu tín hiệu vào xsi với trọng số wci cho kết quả ra quá lớn thì phải giảm
trọng số và ngợc lại. Các trọng số của các nơron láng giềng cũng phải đợc
hiệu chỉnh giảm tuỳ thuộc vào khoảng cách lân cận Nc tính từ C. Với khoảng
lân cận Nc thì số nơron lân cận với nút c là (2Nc+1)2 đợc phân bố trong một
hình vuông mà nút C là trung tâm (Hình 3.5).

Tuy nhiên cũng phải chú ý một điều là việc lựa chọn tiêu chuẩn chuẩn

hoá, định cỡ dữ liệu phụ thuộc rất nhiều vào bản chất bài toán.
3.2.3. Sử dụng mạng
Giả sử đã huấn luyện mạng để nhận đợc ma trận trọng số W. Khi đa
vào mạng một véctơ X, toàn bộ ma trận W lại đợc cập nhật theo các công


48

49

thức (3.4) hoặc (3.5) tuỳ thuộc vào việc xác định nơron trung tâm C sử dụng

324

325

326

343

344

345



340

341

342



359

360

361

theo nguyên tắc 1 hay nguyên tắc 2.
Nh vậy, mạng Kohonen cho chúng ta biết đợc sự phân bố và quan hệ
tơng đối về mặt địa lý giữa các mẫu trong không gian biểu diễn.

346

347

348

Hình 3.6. Sắp xếp các nơron đầu ra của mạng.

3.3. Xây dựng mạng Kohonen để phân loại ngày
3.3.1. Thiết kế cấu trúc mạng.

3.3.2. Huấn luyện mạng

Với đặc thù của bài toán dự báo phụ tải, dữ liệu đầu vào gồm có 24 giá
trị tơng ứng với 24h (N=24),vì vậy ta chọn đầu vào X= (X1, X2, XN). Chọn
lớp đầu ra gồm M= 19x19 nơron với Y = (Y1, Y2, YM).

Sau khi đã chọn đợc cấu trúc mạng, bớc tiếp theo ta sẽ huấn luyện
mạng dựa trên kỹ thuật học cạnh tranh, không cần có tập mẫu học.
Giả sử ta có véctơ ĐTPT P= (P1, P2 , , P24), ta thực hiện quy chuẩn

Các nơron đầu ra đợc sắp xếp trên một mạng kẻ ô hình bàn cờ, mỗi

hoá để thu đợc véctơ đơn vị theo công thức (3.5)

nơron đợc mô tả bằng một hệ toạ độ chữ nhật. Để đơn giản trong mô hình
xi =

này, ta đánh số thứ tự các nơron theo tuần tự và so sánh vị trí tơng quan cụ
thể giữa chúng bằng cách tự phân tích (Hình 3.6 ).
1

2

3

4

5

6

17

18

19

pi

(3.6)

24

p

2
i

Nh vậy véctơ đầu vào tại mạng ánh xạ đặc trng tự tổ chức X = [X1,
X2,..Xn]T

20

21

22



36

37

38

39

40

41



55

56

57

58

59

60



74

75

76

286

287

288



302

303

304

Quá trình huấn luyện đợc bắt đầu bằng việc chọn các véctơ đầu vào
X(1), X(2), .X(n) phụ thuộc vào số ngày mà chúng ta dựa vào phân dạng. Bớc
tiếp theo ta chọn các giá trị trọng số ban đầu wij (i=1, 2,..24); j = (1, 2,,
M) và chiều dài khoảng lân cận là Nc. Theo Kohonen thì các trọng số liên kết
bắt đầu từ các giá trị nhỏ ngẫu nhiên trong khoảng 0.1 đến 0.1. Sau khi đã
xác định đợc các trọng số ban đầu Wij bớc tiếp theo ta cần quy chuẩn hoá

305

306

307



321

322

323

để thu đợc chiều dài véctơ đơn vị theo công thức (3.7).
wij =

w'ij

(3.7)

24

w

2

ij

Nói cách khác trọng số đợc quy chuẩn sao cho: