Ứng dụng mạng nơron nhân tạo dự báo đồ thị phụ tải ngắn hạn hệ thống

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
--------------------------------------HÀ TIẾN HUY

ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO DỰ BÁO ĐỒ THỊ PHỤ TẢI
NGẮN HẠN HỆ THỐNG ĐIỆN

Chuyên ngành : HỆ THỐNG ĐIỆN

LUẬN VĂN THẠC SĨ KỸ THUẬT
HỆ THỐNG ĐIỆN

NGƢỜI HƢỚNG DẪN KHOA HỌC:
PGS. TS NGUYỄN LÂN TRÁNG

Hà Nội – Năm 2013

-1-


LỜI CAM ĐOAN

Tôi xin cam đoan bản thuyết minh luận văn này do tôi thực hiện. Các số liệu sử
dụng trong thuyết minh, kết quả phân tích và tính toán là trung thực và do tôi tìm
hiểu trong các tài liệu.

Tác giả

Hà Tiến Huy

-2-

MỤC LỤC
Trang phụ bìa ....................................................................................................................
Lời cam đoan .....................................................................................................................
Danh mục ký hiệu và chữ viết tắt .....................................................................................
Danh mục các bảng biểu ..................................................................................................
Danh mục các hình vẽ, đồ thị ............................................................................................
Mở đầu ......................................................................................................................... 10
Chƣơng 1: Tổng quan về dự báo phụ tải và mạng nơron nhân tạo ....................... 12
1.1. Dự báo phụ tải ........................................................................................................ 12
1.1.1. Giới thiệu chung ........................................................................................ 12
1.1.2. Các loại dự báo phụ tải ............................................................................... 14
1.1.3. Các yếu tố ảnh hưởng đến phụ tải ............................................................... 16
1.1.4. Các phương pháp dự báo cơ bản ................................................................. 19
1.1.4.1. Phương pháp ngoại suy..................................................................... 19
1.1.4.2. Phương pháp hồi quy tương quan ..................................................... 20
1.1.4.3. Phương pháp hệ số đàn hồi thu nhập ................................................ 21
1.1.4.4. Phương pháp chuyên gia................................................................... 23
1.1.4.5. Phương pháp mạng nơron nhân tạo .................................................. 24
1.2. Mạng nơron nhân tạo ............................................................................................ 25
1.2.1. Lịch sử phát triển của mạng nơron nhân tạo ............................................... 25
1.2.2. Lý thuyết mạng nơron ................................................................................. 27
1.2.2.1. Giới thiệu ANN ............................................................................... 27
1.2.2.2. Mô hình mạng nơron ....................................................................... 30
1.2.2.3. Quá trình học ................................................................................... 34
1.2.2.4. Mạng lan truyền ngược ................................................................... 33
Kết luận chương 1 ......................................................................................................... 35

-3-

Chƣơng 2: Ứng dụng mạng nơ ron nhiều lớp lan truyền ngƣợc sai số trong dự
báo đồ thị phụ tải ngày. .............................................................................................. 36
2.1. Các khái niệm cơ bản về mạng nơron nhiều lớp lan truyền ngược sai số (back
propagation neural network)................................................................................... 36
2.1.1. Cấu trúc mạng truyền thẳng. ....................................................................... 36
2.1.2. Huấn luyện mạng ........................................................................................ 37
2.1.2.1. Thuật toán lan truyền ngược (backpropagation) ............................ 37
2.1.2.2. Huấn luyện nhanh ........................................................................... 39
2.1.2.3. So sánh bộ nhớ và tốc độ ................................................................ 45
2.2. Xây dựng mô hình mạng cho bài toán dự báo phụ tải ngày .................................. 45
2.2.1. Lựa chọn thông số đầu vào và đầu ra cho mô hình..................................... 45
2.2.1.1. Lựa chọn đầu ra cho mô hình mạng ................................................ 45
2.2.1.2. Lựa chọn đầu vào cho mô hình mạng ............................................. 46
2.2.2. Lựa chọn số lớp ẩn và số nơ ron trong lớp ẩn ............................................ 48
2.3. Sử dụng Matlab, Guide và ANN toolbox mô phỏng mạng ................................... 49
2.3.1. Khái niệm về Matlab ................................................................................... 49
2.3.2. Sơ lược về Matlab GUIDE .......................................................................... 50
2.3.3. Công cụ Matlab ANN Toolbox (Neural Network Toolbox) ...................... 53
2.3.3.1. Các lệnh mô phỏng mạng nơron nhân tạo ...................................... 54
2.3.3.2. Mô phỏng mạng nơron nhân tạo
bằng giao diện đồ họa ANN toolbox .............................................. 55
Kết luận chương 2 ......................................................................................................... 59
Chƣơng 3: Xây dựng phần mềm mô phỏng mạng nơ ron nhân tạo dự báo phụ
tải áp dụng cho Thành phố Hà Nội ........................................................................... 60
3.1. Xây dựng phần mềm .............................................................................................. 60
3.1.1. Cơ sở dữ liệu ............................................................................................... 60
3.1.2. Lưu đồ thuật toán ........................................................................................ 60
3.1.3. Phần mềm dự báo phụ tải ngày Thành phố Hà Nội .................................... 61

-4-


3.1.4. Các mã lệnh khởi tạo mạng nơron .............................................................. 66
3.2. Xây dựng các mô hình dự báo áp dụng cho Thành phố Hà Nội. ........................... 68
3.2.1. Mô hình mạng với thông số đầu vào là thông số phụ tải 24h của ngày
trước ngày dự báo(24xNx24) ...................................................................... 69
3.2.2.1. Thiết lập các thông số ban đầu của mạng ........................................ 69
3.2.2.2. Kết quả dự báo ................................................................................. 69
3.2.2. Mô hình mạng với thông số phụ tải 24h của ngày trước ngày dự báo,
nhiệt độ Tmax Tmin Ttrung bình của ngày trước và Tmax Tmin của ngày dự
báo(29xNx24) ........................................................................................... 72
3.2.2. Mô hình mạng với thông số phụ tải 24h của ngày trước ngày dự báo,
nhiệt độ Tmax Tmin Ttrung bình của ngày trước và Tmax Tmin , kiểu ngày của
ngày dự báo(ngày làm việc, ngày nghỉ) (33xNx24) ................................. 74
3.3. Một số biện pháp nâng cao hiệu quả các mô hình dự báo ..................................... 77
3.3.1. Chia tập dữ liệu thành hai tập ngày làm việc và ngày nghỉ ........................ 77
3.3.2. Một số biện pháp khác ................................................................................ 80
Kết luận chương 3 ......................................................................................................... 80
Kết luận và kiến nghị .................................................................................................... 81
Tài liệu tham khảo ......................................................................................................... 82
Phụ lục ........................................................................................................................... 83

-5-


DANH MỤC CÁC CHỮ VIẾT TẮT

1

Chữ viết
tắt
HTĐ

2

ARMA

Autoregresive moving
average

Trung bình trượt tự hồi
quy

3

ANN

Artificial Neural Network

Mạng nơron nhân tạo

4

APE

Absolute Percentage Error

Sai số tuyệt đối phần trăm

5

MAPE

Mean Absolute Percentage
Error

Sai số tuyệt đối trung bình
phần trăm

6

BP

Back- propagation

Lan truyền ngược

7

DBPT

Dự báo phụ tải

8

MSE

Mean Sum Erorr

Sai số trung bình bình
phương

9

GUI

Graphical User Interface

Giao diện đồ họa người
dùng

STT

Nguồn gốc

Ý nghĩa

Hệ thống điện

-6-


DANH MỤC CÁC BẢNG
Bảng 3-1 : Kết quả dự báo phụ tải 24h ngày 30/03/2013(mạng 24x17x24)
Bảng 3-2 : Sai số các ngày trong tuần từ 25/03/2013 đến ngày 31/03/2013 (mạng
24x17x24)
Bảng 3-3 : Kết quả dự báo phụ tải 24h ngày 30/03/2013 (mạng 29x17x24)
Sai số các ngày trong tuần từ 25/03/2013 đến ngày 31/03/ 2013 (mạng 29x17x24)
Bảng 3-5 : Kết quả dự báo phụ tải 24h ngày 30/03/2013(mạng 33x17x24)

Bảng 3-6 : Sai số các ngày trong tuần từ 25/03/2013 đến ngày 31/03 năm 2013
(mạng 29x17x24
Bảng 3-7 : Kết quả dự báo đồ thị phụ tải ngày 29/03/2013 (mạng 32x17x24 đã loại
bỏ ngày nghỉ)
DANH MỤC CÁC HÌNH, ĐỒ THỊ
Hình 1.1: Đồ thị phụ tải đặc trưng các ngày trong tuần
Hình 1.2: Đồ thị phụ tải Hà Nội hai ngày 28/4/2011 và 30/4/2011
Hình 1.3: Đồ thị phụ tải Hà Nội 2 ngày có nhiệt độ khác nhau
Hình 1.4: Đồ thị phụ tải Hà Nội ngày 2/7/2012 và 9/7/2012
Hình 1.5: Minh hoạ một nơron sinh học
Hình 1.6: Mô hình toán học của nơron
Hình 1.7: Mô hình của mạng nơron
Hình 1.8: Hàm chuyển đổi
Hình 1.9: Mô hình ANN tổng quát
Hình 1.10: Mạng một lớp và mạng nhiều lớp
Hình 1.11: Mạng Hopfield
Hình 1.12: Mạng Kohonen
Hình 1.13: Cấu trúc của mạng lan truyền ngược
Hình 2.1: Khởi động Matlab Guide
Hình 2.2: Giao diện Matlab Guide
Hình 2.3: Giao diện đồ họa ANN tool
Hình 2.4: Giao diện đồ họa Matlab ANN toolbox
-7-


Hình 2.5: Cấu trúc mạng đã tạo
Hình 2.6: Menu huấn luyện mạng
Hình 2.7: Quá trình huấn luyện mạng
Hình 2.6: Quá trình lưu trữ mạng
Hình 3.1: Lưu đồ thuật toán

Hình 3.2: Khởi động phần mềm
Hình 3.3: Giao diện chính của phần mềm
Hình 3.4: Giao diện khởi tạo mạng nơron
Hình 3.5: Giao diện dữ liệu đầu vào
Hình 3.6: Dữ liệu đầu vào ngày 31 tháng 3 năm 2013
Hình 3.7: Giao diện kết quả dự báo
Hình 3.8: Giao diện kết quả dự báo dạng bảng
Hình 3.9: Kết quả dự báo đồ thị phụ tải ngày 30/03/2013 (mạng 24x17x24)
Hình 3.10: Kết quả dự báo đồ thị phụ tải ngày 30/03/2013 (mạng 29x17x24)
Hình 3.11: Kết quả dự báo đồ thị phụ tải ngày 30/03/2013 (mạng 33x17x24)
Hình 3.12: Kết quả dự báo đồ thị phụ tải ngày 29/03/2013 (mạng 32x17x24 đã loại
bỏ ngày nghỉ)

-8-


MỞ ĐẦU
1. Lý do chọn đề tài
Phụ tải điện là đối tượng phục vụ của ngành điện. Phụ tải điện luôn luôn thay
đổi nên công tác dự báo phụ tải là hết sức quan trọng.Việc dự báo phụ tải chính xác
quyết định đến việc đảm bảo an toàn và tiết kiệm của hệ thống điện. Nếu chúng ta dự
báo thừa quá nhiều sẽ dẫn đến lãng phí nguồn lực, tăng chi phí và tổn thất điện năng,
còn nếu quá thiếu sẽ dẫn đến thiếu hụt điện năng để sản xuất, phát triển kinh tế, xã
hội.
Hiện nay có nhiều phương pháp dự báo phụ tải nhưng chủ yếu mang tính chất
kinh nghiệm thuần túy nên độ chính xác chưa cao. Phương pháp mạng nơron nhân
tạo với những ưu điểm như khả năng học trên các tập mẫu, phát hiện ra những quy
luật ẩn của tập dữ liệu đã được ứng dụng trong nhiều lĩnh vực khác nhau đặc biệt là
trong lĩnh vực dự báo. Ở nước ngoài cũng như Việt Nam phương pháp mạng nơron
nhân tạo đang được nghiên cứu phát triển để dự báo phụ tải hệ thống điện và bước

đầu đã cho kết quả khả quan. Vì vậy tác giả thực hiện đề tài “Ứng dụng mạng nơron
nhân tạo dự báo đồ thị phụ tải ngắn hạn hệ thống điện” nhằm phát huy tính chất ưu
việt của mạng nơron nhân tạo trong dự báo phụ tải.
2. Lịch sử nghiên cứu
Đến thời điểm hiện tại đã có một số đề tài, bài báo và tài liệu trong nước
cũng như thế giới nghiên cứu về phương pháp mạng nơ ron nhân tạo dự báo phụ tải
như:
- TSKH. Trần Kỳ Phúc – Viện năng lượng với đề tài “ Nghiên cứu ứng dụng
mạng nơron nhân tạo trong dự báo ngắn hạn phụ tải điện.
- Tác giả Phạm Anh Cường, Phạm Văn Hiền – Đại học Bách khoa Đà Nẵng với
bài viết “ Ứng dụng mạng nơ ron nhân tạo để dự báo phụ tải điện tỉnh Gia Lai”
- Tác giả Pauli Murto với đề tài “ Neural Network Models For Short-term Load
Forecasting”.

-9-


- Tác giả Hsu Y.Y., Yang C.C., với đề tài “Design of ANN for short-term load
forecasting. IEE Proceedings, Vol.123 1991.”
3. Mục đích nghiên cứu của luận văn, đối tƣợng, phạm vi nghiên cứu
* Mục đích:
- Nghiên cứu ứng dụng những ưu điểm to lớn của mạng nơron trong lĩnh vực
dự báo phụ tải ngắn hạn hệ thống điện.
- Xây dựng mô hình mạng phù hơp cho việc dự báo đồ thị phụ tải ngày - áp
dụng cho hệ thống điện thành phố Hà Nội.
- Xây dựng phần mềm dự báo phụ tải dựa trên mạng nơron nhân tạo
* Đối tƣợng:
Đối tượng nghiên cứu của luận văn là mạng nơ ron nhân tạo phục vụ cho bài
toán dự báo phụ tải ngắn hạn.
* Phạm vi nghiên cứu:

Luận văn nghiên cứu trong phạm vi dự báo đồ thị phụ tải ngày áp dụng cho
hệ thống điện thành phố Hà Nội.
4. Nội dung luận văn
Luận văn gồm 3 chƣơng:
Chƣơng 1 - Tổng quan về dự báo phụ tải và mạng nơron nhân tạo
Trình bày tầm quan trọng của dự báo phụ tải, các loại dự báo phụ tải, các yếu tố
ảnh hưởng đến đồ thị phụ tải ngắn hạn và các phương pháp dự báo phụ tải ngắn hạn.
Giới thiệu lịch sử phát triển và trình bày cơ sở lý thuyết của mạng nơron nhân tạo .
Chƣơng 2 - Ứng dụng mạng nơron nhiều lớp lan truyền ngƣợc sai số trong
dự báo đồ thị phụ tải ngày
Trình bày khái quát về mạng nhiều lớp lan truyền ngược sai số cũng như các
giải thuật huấn luyện mạng. Xây dựng mô hình mạng cho bài toán dự báo đồ thị phụ
tải ngày. Sử dụng các công cụ trong phần mềm Matlab để mô phỏng mạng.
Chƣơng 3 - Xây dựng phần mềm mô phỏng mạng nơ ron nhân tạo dự báo
phụ tải áp dụng cho TP Hà Nội
Trình bày các bước xây dựng phần mềm, các mã lệnh chính và cách sử dụng
- 10 -


phần mềm dự báo đồ thị phụ tải. Thử nghiệm các mô hình mạng khác nhau để chọn
ra mô hình dự báo phù hợp nhất với thành phố Hà Nội. Đưa ra các phương pháp nâng
cao hiệu quả dự báo đồ thị phụ tải ngày.
5) Phƣơng pháp nghiên cứu
Luận văn sử phương pháp dụng nghiên cứu diễn dịch để thực hiện đề tài.
Trước tiên tác giả đưa ra phương pháp sử dụng những ưu điểm của mạng nơ ron
nhân tạo để giải quyết bài toán dự báo phụ tải, nghiên cứu cơ sở lý thuyết của mạng
nơ ron và bài toán dự báo phụ tải. Tác giả tham khảo những nghiên cứu có sẵn, thu
thập dữ liệu, đưa ra các mô hình. Sau đó tác giả tiến hành thử nghiệm các mô hình
so sánh kết quả và đưa ra kết luận chấp nhận kết quả tính toán của mình.
Tác giả xin chân thành cảm ơn PGS.TS. Nguyễn Lân Tráng trong suốt thời

gian qua đã luôn quan tâm giúp đỡ và hướng dẫn sát sao, tận tình để giúp tác giả
hoàn thành luận văn tốt nghiệp. Tác giả cũng xin chân thành cảm ơn các thầy, cô
giáo trong bộ môn Hệ thống điện, Viện Điện, Đại học Bách Khoa Hà Nội và các
anh, chị tại Viện năng lượng, Trung tâm điều độ Hệ thống điện Hà Nội (B1), Công
ty Mua bán điện đã giúp đỡ nhiệt tình và tạo mọi điều kiện giúp tác giả hoàn thành
luận văn. Do trình độ và thời gian còn hạn chế, bản luận văn chắc chắn còn nhiều
thiếu sót. Tác giả rất mong được sự góp ý chân thành, thắng thắn của các thầy, cô
và các bạn để luận văn được hoàn thiện hơn.
Một lần nữa, tác giả xin chân thành cảm ơn!
Hà Nội, ngày 22 tháng 9 năm 2013
Tác giả
Hà Tiến Huy

- 11 -


CHƢƠNG 1 : TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI VÀ MẠNG NƠRON
NHÂN TẠO
Nội dung chƣơng 1:
-

Giới thiệu chung về dự báo phụ tải

-

Các mô hình dự báo phụ tải

-

Các yếu tố ảnh hƣởng đến phụ tải ngắn hạn

-

Các phƣơng pháp dự báo phụ tải ngắn hạn

- Sơ lƣợc lịch sử phát triển mạng nơ ron nhân tạo
- Lý thuyết tổng quan mạng nơ ron nhân tạo
1.1

DỰ BÁO PHỤ TẢI

1.1.1 Giới thiệu chung
Như chúng ta đã biết phụ tải điện là đối tượng phục vụ của ngành điện. Phụ tải
điện luôn luôn thay đổi nên công tác dự báo phụ tải là hết sức quan trọng. Ví dụ:
tháng 5/2005 sản lượng điện tiêu thụ đột biến trong khi đó nguồn tài nguyên nước tại
thời điểm đó bị thiếu hụt dẫn đến ảnh hưởng 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 tư,
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 xây dựng trước thời hạn các nguồn điện và mạng điện gây lãng phí về
vốn đầu tư của nhà nước.
Dự báo phụ tải dài hạn (khoảng 10-20 năm) nhằm mục đích cung cấp dữ liệu
cho công tác quy hoạch và đầu tư 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 lược thì chỉ nêu lên những phương
hướng 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 như phân phối nguồn
một cách kinh tế, hiệu quả, lên kế hoạch bảo dưỡng và sửa chữa, thường được thực

- 12 -


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 người hoạch định kế hoạch, lên phương thức vận hành
HTĐ.
Trong công tác vận hành, việc lập phương thức ngày, phương thức tuần của
Trung tâm Điều độ, hay dự báo phụ tải báo trước một giờ, một ngày, một tuần là
những công việc rất cần thiết. Những phương thức vận hành cơ bản trong ngày như
huy động nguồn, phối hợp nguồn, truyền tải công suất giữa các miền, giải quyết các
công tác sửa chữa trên lưới điện và đánh giá mức độ an toàn HTĐ đều đòi hỏi phải có
dự báo phụ tải tương đối chính xác.
Trong thực tế vận hành HTĐ Việt Nam nói chung và HTĐ Hà Nội nói riêng,
phụ tải cao điểm (phụ tải cao nhất trong ngày Pmax) và thấp điểm (phụ tải thấp nhất
trong ngày Pmin) là hai điểm đặc biệt trong đồ thị phụ tải ngày và được 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 điện vận hành trong vùng công suất không kinh tế và
không cho phép về kỹ thuât, trong đó dự báo phụ tải lúc cao điểm Pmax là quan trọng
nhất. Dự báo chính xác phụ tải cao điểm có hiệu quả lớn về kinh tế vào mùa lũ khi
cần khai thác tối đa nguồn thủy điện, trong khi nước 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 được 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 được
hàng trăm triệu đồng trên mỗi giờ cho ngành điện và cho cả nền kinh tế Quốc dân.
Hạn chế phụ tải lúc cao điểm cũng thường xảy ra trong mùa lũ khi thiếu nguồn
phủ đỉnh. Tính chính xác được lượng 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
- 13 -


điện.
1.1.2 Các loại dự báo phụ tải
Các mô hình chính xác đối với dự báo phụ tải điện là cần thiết cho vận hành và
quy hoạch của một công ty điện. Dự báo phụ tải giúp một công ty điện ra các quyết
định quan trọng bao gồm quyết định mua và phát điện, thao tác đóng cắt tải, phát
triển lưới điện cũng như ảnh hưởng đến các nhà cung cấp điện năng, người vận hành
thị trường, những thành phần tham gia trong việc phát, truyền tải và phân phối điện
năng. Để thiết lập một mô hình dự báo, cần thiết phải xác định các nhu cầu mà chúng
ta muốn trả lời. Theo đó có hai loại dự báo phụ tải được phân biệt trong vận hành và
lập quy hoạch các hệ thống điện. Sự phân biệt này căn cứ vào thời gian dự báo trong
quy hoạch các hệ thống điện:
- Dự báo dài hạn: Phạm vi dự báo bao gồm một giai đoạn từ 10-20 năm.
Khoảng thời gian này cần cho quy hoạch, xây dựng các nhà máy, các đường dây
truyền tải và phân phối điện.
- Dự báo trung hạn: Phạm vi dự báo trung hạn là một giai đoạn từ 5-7 năm. Loại
dự báo này thường được dùng để xác định thiết bị và lưới điện sẽ lắp đặt hoặc thiết
lập các hợp đồng trong thị trường điện.
Trong vận hành hệ thống điện, dự báo phụ tải chủ yếu lập cho khoảng thời gian
vài phút đến 168 giờ. Có 2 loại dự báo phụ tải chính trong vận hành hệ thống điện là :
dự báo phụ tải rất ngắn hạn và ngắn hạn.
- Dự báo phụ tải rất ngắn hạn được lập cho vài phút sắp tới và được dùng cho
điều khiển nguồn phát tự động.
- Dự báo phụ tải ngắn hạn được lập cho 1 giờ đến 168 giờ tới. Kết quả dự báo
phụ tải ngắn hạn chủ yếu dùng cho các mục đích thiết lập biểu đồ phát điện. Trong
thời gian này, công ty điện phải biết kế hoạch kinh doanh điện, kế hoạch bảo dưỡng

hoặc kế hoạch điều khiển phụ tải để tối thiểu hóa chi phí.
Nói chung, dự báo phụ tải ngắn hạn nên có sẵn trước 7 giờ mỗi sáng cho 40 giờ
kế tiếp. Dự báo phụ tải thứ Sáu bao gồm dự báo phụ tải các ngày cuối tuần và ngày
thứ Hai tuần đến. Nhưng khi dự báo thứ Hai trở nên quyết định, thì dự báo có thể
- 14 -


được thực hiện với ngày Chủ nhật.
Dự báo phụ tải cũng có thể được phân loại thành dự báo phụ tải đỉnh và dự báo
đồ thị phụ tải. Điều này căn cứ vào cách mà phụ tải được mô hình. Các mô hình khác
nhau của phụ tải sẽ quyết định các kỹ thuật dự báo khác nhau. Trong mô hình phụ
tải đỉnh, phụ tải là một hàm của thời tiết và độc lập với thời gian. Dạng điển hình của
mô hình phụ tải đỉnh là phụ tải đỉnh bằng phụ tải nền cộng thành phần phụ thuộc vào
thời tiết. Ưu điểm của mô hình phụ tải đỉnh nằm ở tính đơn giản của nó, tính chất này
sẽ yêu cầu một lượng nhỏ dữ liệu. Nhược điểm của mô hình này xuất phát từ tính độc
lập với thời gian của nó.
Trong mô hình dự báo đồ thị phụ tải, phụ tải là một hàm của thời gian. Dự báo
phụ tải ở đây được lập cho 30 phút đến 1giờ trong khi đại lượng đo là điện năng tiêu
thụ trong thời kỳ đó. Có 2 loại mô hình đồ thị phụ tải, mô hình thời gian của ngày và
mô hình động. Trong mô hình thời gian của ngày, phụ tải được định nghĩa là một
chuỗi thời gian tại từng thời điểm lấy mẫu rời rạc của thời kỳ dự báo. Ưu điểm của
mô hình này là cấu trúc đơn giản mà có thể được cập nhật nhanh. Nhược điểm của
mô hình này là ở chỗ không tồn tại mối quan hệ giữa phụ tải và thời tiết. Mô hình
động xác nhận rằng phụ tải không chỉ là một hàm của thời gian trong ngày mà còn là
hành vi gần đây nhất của nó cũng như thời tiết là một đầu vào ngẫu nhiên.
Có 2 loại mô hình động cơ bản, mô hình trung bình trượt tự hồi quy (ARMA)
và mô hình không gian trạng thái. Dạng phổ biến của mô hình ARMA là :
z(t)

=

yp(t) +

y(t)

trong đó yp(t) là thành phần phụ thuộc thời gian và thời tiết trong một ngày cụ
thể, còn y(t) là số hạng dư của phụ tải bổ sung mô tả sự ảnh hưởng do sai lệch mô
hình thời tiết so với bình thường và tương quan ngẫu nhiên. Mô hình ARMA sẽ bao
gồm thời tiết như là một đầu vào chi tiết. Tuy vậy, mô hình sẽ phải điều chỉnh một
vài tham số trong các khu vực có nhiều biến đổi khí hậu. Đầu vào thời tiết quan trọng
nhất dựa trên sai lệch nhiệt độ. Đầu vào này được mô tả như là một hàm phi tuyến
của hiệu số giữa nhiệt độ bình thường và nhiệt độ thực tế.
Mô hình không gian trạng thái có dạng chung là:
- 15 -


z(t) = cTx(t)
x(t+1) =A x(t) + B u(t) + w(t)
Trong đó :
x(t) là vectơ trạng thái ở thời điểm t, u(t) là vectơ của đầu vào thời tiết nền, và
w(t) là vectơ của đầu vào nhiễu trắng. Các ma trận A và B được coi là không đổi.
Khác biệt chính giữa mô hình ARMA và mô hình không gian trạng thái là ở chỗ mô
hình không gian trạng thái giả định rằng thành phần định kỳ của tải là các quá trình
ngẫu nhiên.
Không có ưu điểm nào của mô hình không gian trạng thái so với mô hình
ARMA. Tuy nhiên, trong một khu vực có thể, mô hình không gian trạng thái có thể
nhiều ưu thế hơn trong việc phát triển dự báo phụ tải thanh cái, trong đó phụ tải thanh
cái có sự tương quan ở mức độ cao.
1.1.3 Các yếu tố ảnh hƣởng đến phụ tải ngắn hạn
Qua thực tế vận hành cho thấy phụ tải của lưới điện Việt Nam nói chung và

miền Bắc nói riêng phụ thuộc chủ yếu vào các yếu tố chính sau:
a. Thứ của ngày trong tuần
Ta xem xét đồ thị phụ tải đặc trưng của các ngày thứ 2, thứ 4, thứ 6 và chủ
nhật:

Hình1.1 Đồ thị phụ tải đặc trưng các ngày trong tuần
- 16 -


Từ hình 1.1 ta rút ra quy luật giữa phụ tải và ngày trong tuần
- Phụ tải thấp nhất trong đêm thứ 2
- Đổ thị phụ tải các ngày làm việc thứ 3 đến thứ 5 thường có dạng giống nhau
- Đồ thị phụ tải ngày thứ 6 có giảm so với ngày làm việc bình thường
- Phụ tải ngày nghỉ cuối tuần giảm mạnh.

b. Các ngày đặc biệt trong năm
Ngày đặc biệt trong năm như các ngày lễ tết, 30/4, 1/5, 2/9... phụ tải các ngày
này giảm đáng kể so với ngày thường. Phụ tải các ngày sát với các ngày này cũng bị
ảnh hưởng, ta có thể thấy rõ điều đó trên đổ thị phụ tải HTĐ Hà Nội ngày lễ
30/4/2011 và ngày làm việc bình thường 28/4/2011. Dự báo phụ tải trong các ngày
đặc biệt không được áp dụng như ngày thông thường mà phải tách biệt bằng phương
pháp riêng dựa vào sự thay đổi phụ tải của các ngày này so với các ngày dạng này
của các năm trước đó.

Hình1.2 Đồ thị phụ tải Hà Nội hai ngày 28/4/2011 và 30/4/2011
c.Thời tiết trong ngày
Bao gồm các thông số tự nhiên: nhiệt độ, độ ẩm, tốc độ gió, cường độ sáng,
trong đó nhiệt độ có ảnh hưởng lớn nhất, nhiệt độ tăng thì phụ tải tăng và ngược lại vì
nước ta là nước nhiệt đới. Chỉ có trường hợp đặc biệt ở Hà Nội khi nhiệt độ quá lạnh,
phụ tải tăng do sử dụng các thiết bị sưởi ấm.

- 17 -


Hình1.3: Đồ thị phụ tải Hà Nội 2 ngày có nhiệt độ khác nhau
d. 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 200 - 300 MW. Các điều độ viên
thường dự báo phụ tải những ngày này theo kinh nghiệm những ngày tương tự trước
đó.

Hình1.4: Đồ thị phụ tải Hà Nội ngày 2/7/2012 và 9/7/2012

- 18 -


e. Kế hoạch sửa chữa lớn trong ngày có cắt điện.
Trong quá trình thực hiện kế hoạch sửa chữa lớn, như cắt điện đường dây
đang vận hành để kéo đường dây mới, sửa chữa trạm 220kV, 500kV phải cắt tải
diện rộng dẫn đến điện năng tiêu thụ vào các ngày này giảm môt cách đáng kể. Dự
báo phụ tải những ngày này phải tính toán khấu trừ phụ tải giảm do ngừng cung cấp
điện. Dạng của đổ thị phụ tải trong ngày có cắt điện diện rộng cũng mang đặc thù
riêng, thay đổi tuỳ thuôc vào thời gian, vùng , miền cắt điện.
Qua quá trình vận hành thực tế và dữ liệu thống kê, các điều độ viên, các
chuyên viên chuyên phân tích về phụ tải hệ thống điện đi đến kết luân: Nhiệt độ
môi trường, đặc thù của các ngày trong tuần, ngày lễ, ngày tết là các yếu tố ảnh
hưởng lớn nhất đến giá trị phụ tải ngày.
1.1.4 Các phƣơng pháp dự báo cơ bản
1.4.1.1 Phƣơng pháp ngoại suy
a. Nội dung phương pháp
Theo nghĩa rộng nhất thì ngoại suy dự báo là nghiên cứu lịch sử phát triển của

đối tượng năng lượng và chuyển tính quy luật đã được phát hiện trong quá khứ và
hiện tại sang tương lai bằng phương pháp xử lý chuỗi số liệu thống kê. Thực chất của
việc nghiên cứu lịch sử và nghiên cứu quá trình thay đổi và phát triển của đối tượng
tiêu thụ điện theo thời gian. Kết quả thu thập thông tin một cách liên tục về sự vận
động của đối tượng tiêu thụ điện theo một đặc trưng nào đó hình thành một chuỗi thời
gian.
Ðiều kiện chuỗi thời gian:
Khoảng cách giữa các thời điểm của chuỗi phải bằng nhau, có nghĩa là phải
đảm bảo tính liện tục nhằm phục vụ cho việc xử lý. Ðơn vị đo giá trị chuỗi thời gian
phải đồng nhất. Theo ý nghĩa toán học thì phương pháp ngoại suy chính là việc phát
hiện xu hướng vận động của đối tượng năng lượng, có khả năng tuân theo quy luật
hàm số f(t) nào để từ đó tiện liệu giá trị đối tượng năng lượng ở ngoài khoảng giá trị
đã biết (y1, yn) định dạng:
- 19 -


y DB t 1  f (t  1)  

Trong đó: - thành phần phụ tải có xét đến nhiễu của các thông tin.
Ðiều kiện của phương pháp:
- Ðối tượng năng lượng phát triển tương đối ổn định theo thời gian.
- Những nhân tố ảnh hưởng chung nhất cho sự phát triển đối tượng năng lượng vẫn
được duy trì trong khoảng thời gian nào đấy trong tương lai.
- Sẽ không có tác động mạnh từ bên ngoài dẫn tới những đột biến trong quá trình phát
triển đối tượng năng lượng.
b. Ðánh giá
Phương pháp ngoại suy thường có sai số dự báo khá lớn.Nguyên nhân chính
dẫn đến sai số dự báo là do sự biến động của một số nhân tố liên quan đến quá trình
tiêu thụ điện. Giá điện là một biến quan trọng tác động đến nhu cầu phụ tải. Cuộc
khủng hoảng năng lượng đầu tiện năm 1973 đã làm giá điện tăng 4,1% hằng năm cho

giai đoạn dự báo 1974-1983. Giá điện tăng tạo ra các thay đổi về mô hình nhu cầu
phụ tải cho giai đoạn dự báo. Có giả thiết cho rằng sự thay đổi cấu trúc trong mô hình
cũng có thể là nguyên nhân khác gây ra sai số dự báo.
Ở Việt Nam, từ trước đến nay phương pháp ngoại suy được áp dụng không
nhiều do thiếu lượng thông tin cần thiết về tiêu thụ điện trong quá khứ. Tuy nhiên,
trong những năm gần đây với việc áp dụng các phần mềm dự báo như SIMPLE-E,
phương pháp ngoại suy đã bắt đầu được sử dụng để tính toán dự báo cho Tổng sơ đồ
VI. Ðể có thể áp dụng thuận tiện phương pháp ngoại suy, cần ý thức được tầm quan
trọng của thông tin để thu thập và lưu giữ, đồng thời cần phải trang bị các cơ cấu đo
cần thiết.
1.1.4.2. Phƣơng pháp hồi quy tƣơng quan
Phương pháp luận
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
- 20 -


năng tiêu thụ. Có hai loại phương trình hồi quy được ứng dụng nhiều trong hệ thống
điện: phương trình tuyến tính và phương trình luỹ thừa.
Phương trình dạng tuyến tính:
Ðây là dạng phương trình thông dụng nhất, nó cho phép phân tích đánh giá sự
ảnh hưởng của các nhân tố đối với tham số cơ bản cần xét. Dạng của phương trình
này biểu diễn như sau:
n

Y = a0  ai . X i

(1)

i 1

Trong đó:
n: số quan trắc; a0, ai: các hệ số hồi quy; Xi: các nhân tố ảnh hưởng, hay các biến
ngẫu nhiên; Y: tham số cơ bản, có thể coi là hàm của các biến ngẫu nhiên.
Phƣơng trình dạng luỹ thừa:

Y = a0 . X 1a1. X 2a 2 ... X nan (2)
Dạng phương trình (2) cũng có thể đưa về dạng phương trình (1) bằng cách lấy
logarit 2 vế. Việc lựa chọn hàm hồi quy được tiến hành trên cơ sở so sánh các hệ số
tương quan, hệ số tương quan của dạng phương trình nào lớn thì chọn dạng phương
trình đó.
Khi các biến ngẫu nhiên ảnh hưởng đến quá trình tiêu thụ điện Y tăng lên sẽ làm
tăng số ẩn Xi và tăng kích thước bài toán nhưng thuật toán để tìm nghiệm là như nhau.
Ngày nay với sự trợ giúp của máy tính thì các phép toán đó sẽ trở nên đơn giản, vấn
đề đặt ra là chúng ta phải có một bộ dữ liệu quá khứ đủ mức tin cậy để xây dựng hàm
hồi quy, dựa trên cơ sở xác định phụ tải bằng các phương pháp: dùng phiếu điều tra,
phương pháp trực tiếp... Kết quả của phương pháp nêu trên xác định được các hệ số
hồi quy ai. Việc xác định mức tiêu thụ điện được xác định dựa trên cơ sở của ai và các
yếu tố ảnh hưởng khác.
1.1.4.3. Phƣơng pháp hệ số đàn hồi thu nhập
a. Nội dung phương pháp
- 21 -


Nhu cầu điện năng được dự báo theo như phương pháp “mô phỏng kịch bản” hiện
đang được áp dụng rộng rãi trong khu vực và trên thế giới. Phương pháp luận dự báo
là: trên cơ sở phát triển kinh tế – xã hội trung – dài hạn, nhu cầu điện năng cũng như
nhu cầu tiêu thụ các dạng năng lượng khác mô phỏng theo quan hệ đàn hồi với tốc độ
tăng trưởng kinh tế. Phương pháp này thích hợp với các dự báo trung và dài hạn. Ðàn

hồi thu nhập được xác định như sau:

 ET

A
 A%

 A
 Y % Y
Y
Trong đó: αET - Hệ số đàn hồi thu nhập; A% và Y% - Suất tăng tương đối điện

năng và GDP; A - Ðiện năng sử dụng; Y - Giá trị thu nhập GDP; A và Y - Tăng
trưởng trung bình điện năng và thu nhập trong giai đoạn xét.
Các hệ số đàn hồi được xác định theo từng ngành và từng miền lãnh thổ. Việc
xác định chúng được tiến hành theo chuỗi phân tích quá khứ và có sự tham khảo kinh
nghiệm từ các nước trên thế giới và trong khu vực. Ngoài ra, các yếu tố quan trọng
khác tác động đến nhu cầu điện được xét đến là:
- Hệ số đàn hồi giá điện: Khi giá điện tăng lên, một số hộ tiêu thụ sẽ có xu hướng
chuyển sang sử dụng các nhiên liệu năng lượng khác hoặc ngược lại. Như vậy về mặt
thị trường, giá cả mỗi loại năng lượng dẫn đến tính cạnh tranh của loại đó. Hệ số phản
ánh sự thay đổi nhu cầu điện của một ngành hay khu vực nào đó khi giá điện thay đổi
được gọi là hệ số đàn hồi giá.
- Hệ số tiết kiệm năng lượng: tính tới việc áp dụng tiến bộ khoa học kỹ thuật,
thực hiện tiết kiệm năng lượng, đặc biệt là triển khai các chương trình quản lý phía
nhu cầu DSM.
Hàm số dự báo là hàm tổng hợp, dự báo nhu cầu điện năng toàn quốc được tổ
hợp từ nhu cầu điện năng cho các ngành kinh tế, khu vực dân dụng và từ các vùng
lãnh thổ. Ðàn hồi thu nhập và giá biểu thị nhu cầu năng lượng thay đổi do sự thay đổi
giá năng lượng và thu nhập trong mô hình kinh tế lượng.

- 22 -


b. Phân tích đánh giá
Thông thường, các hệ số đàn hồi được xác định bằng các phân tích kinh tế lượng
của các chuỗi dữ liệu theo thời gian trong quá khứ. Ðiều này không thể làm được ở
Việt Nam vì các chuỗi dữ liệu theo thời gian này không đủ và ngay cả khi có đủ thì
một số sự phân bổ sai lệch tác động đến nền kinh tế Việt Nam sẽ làm mất tác dụng của
cách tiếp cận này. Vì thế các hệ số đàn hồi dùng trong việc phân tích dự báo nhu cầu
năng lượng thường được lựa chọn bằng cách mô phỏng kinh nghiệm của các quốc gia
lân cận ở thời điểm mà họ có các điều kiện và hoàn cảnh tương tự. Cách tiếp cận này
không phải là dễ dàng vì một số lý do. Các ước tính kinh trắc thường là không tin cậy
và dễ bị thay đổi tuỳ thuộc vào việc hình thành các quan hệ giữa sử dụng năng lượng
và nhu cầu năng lượng cũng như các tập hợp dữ liệu nhất định đang được nghiên cứu.
Phương pháp này ứng dụng tại Việt Nam mang nặng tính chuyên gia hơn là các tính
toán thông thường.
1.1.4.4. Phƣơng pháp chuyên gia
Về thực chất, phương pháp 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 sự công não để khai thác và
lợi 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 thiện 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.
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.
- 23 -


1.1.4.5. Phƣơng pháp mạng nơron nhân tạo
Có ba nguồn trí thông minh nhân tạo bắt chước các quá trình của bộ óc và hệ
thống thần kinh của con người là quá trình xử lý ngôn ngữ, robot và các mạng nơ ron
nhân tạo. Mạng nơron nhân tạo có ứng dụng hầu hết ở các lĩnh vực thương mại, trong
đó có dự báo. Mạng nơron có khả năng chiết xuất thông tin từ những dữ liệu không
chắc chắn hay những dữ liệu phức tạp nhằm phát hiện ra những xu hướng không quan
sát được bằng mắt thường hoặc bằng một số các kỹ thuật máy tính khác.
Trong mạng nơ ron nhân tạo, nhiều ví dụ được lập chương trình trong máy vi
tính. Những thí dụ này bao gồm toàn bộ các mối quan hệ trong quá khứ giữa các biến
có thể ảnh hưởng đến các biến phụ thuộc. Chương trình mạng nơ ron nhân tạo sau đó
bắt chước ví dụ này và cố gắng bắt chước mối quan hệ cơ sở đó bằng cách học hỏi khi
xử lý. Quá trình học hỏi này cũng được gọi là đào tạo giống như việc đào tạo con
người trong công việc. Một trong những ưu điểm nổi bật của hệ thống nơ ron trong dự
báo là phương pháp này không cần phải xác định những mối quan hệ giữa các biến số
trước. Phương pháp này có thể xác định nhờ vào quá trình học hỏi về các mối quan hệ
qua những ví dụ đã được đưa vào máy. Bên cạnh đó, mạng nơron nhân tạo không đòi
hỏi bất kỳ giả định nào về các phân phối tổng thể và không giống những phương pháp
dự báo truyền thống, nó có thể sử dụng mà không cần có đầy đủ số lượng các số liệu
cần thiết. Chương trình mạng nơron nhân tạo có thể thay thế nhanh chóng mô hình
hiện có, ví dụ như phân tích hồi quy, để đưa ra những dự báo chính xác mà không cần
ngưng trệ các hoạt động đang diễn ra. Mạng nơron nhân tạo 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.

- 24 -


1.2. MẠNG NƠRON NHÂN TẠO
1.2.1. Lịch sử phát triển của mạng nơron nhân tạo
Trí tuệ nhân tạo (Artificial Intelligence) hay tạo cho máy móc khả năng suy
luận, phán đoán và cảm nhận như con người là một trong những tham vọng to lớn
của loài người. Tham vọng này đã có từ lâu và cùng với sự ra đời của máy tính,
con người từng bước đưa 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 tư duy của con người. Mạng
nơron nhân tạo có cấu trúc tương tự như 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 người số nơron lên tới xấp xỉ 15 tỉ nơron. Mạng nơron có khả năng
học và tái tạo lại những gì đã được dạy, chính vì đặc điểm này mà mạng nơron
đang được phát triển rất mạnh mẽ và đang được ứng dụng rất nhiều trong thực tế,
đặc biệt là trong lĩnh vực dự báo, nhận dạng, điều khiển... Con người bắt đầu
nghiên cứu mạng nơron vào cuối thập niên 1800 khi người ta cố gắng mô tả hoạt
đông của trí tuệ con người, ý tưởng này bắt đầu được áp dụng cho các mô hình
tính toán từ mạng Perceptron.
Đầu thập niên 1950 Friedrich Hayek là người đầu tiên khẳng định ý tưởng
về trật tự tự phát trong não xuất phát từ các mạng phân tán gồm các đơn vị đơn
giản (nơron). Cuối thập niên 1940, Donnald Hebb đưa ra giả thuyết đầu tiên về
một cơ chế thần kinh mềm dẻo (neural plasticity). Hebbian learning được coi là
một quy tắc 'điển hình' của học không có giám sát. Nó (và các biến thể) là mô hình
thời kỳ đầu của việc tạo tiềm lực dài hạn.
Perceptron là môt bộ phân loại tuyến tính dành cho việc phân loại dữ liệu
x∈ Rn xác định bằng các tham số w ∈ Rn, b ∈ Rn và một hàm đầu ra g = w'x + b.

Các tham số của nó được thích nghi với môt quy tắc tùy biến (ad- hoc) tương tự
với xuống dốc ngẫu nhiên (stochastic steepest gradient descent). Perceptron chỉ có
thể phân loại hoàn hảo môt tập dữ liệu mà các lớp khác nhau là (linearly
- 25 -