Giáo trình mạng _Chương 3

Chương 3:Thiết kế chương trình dự báo phụ tải bằng mạng Neural

- 47 -
Chương 3:
THIẾT KẾ CHƯƠNG TRÌNH DỰ BÁO PHỤ TẢI BẰNG
MẠNG NEURAL
I. LỰA CHỌN VÀ PHÂN TÍCH DỮ LIỆU ĐẦU VÀO
.
Như đã giới thiệu ở phần một, mạng Neural được ứng dụng vào nhiều lónh vực
khác nhau, nhưng trong nội dung luận văn này chỉ ứng dụng vào việc dự báo phụ tải
ngắn hạn, dài hạn theo hai phương pháp : Chuỗi thời gian và Tương quan.
I.1. Phương pháp chuỗi thời gian :

Trong phương pháp này dữ liệu ta chỉ cần đến số liệu đã có trong quá khứ, từ
đó ta tìm một quy luật và kéo dài quy luật đó vào tương lai để dự báo. Số liệu này
được chia làm hai phần: Phần để huấn luyện và phần để kiểm tra.
Trong lónh vực điện năng, số liệu thường được thể hiện dưới những dạng sau
đây

a. Dự báo cho các giờ trong ngày :
Nghiên cứu sự diễn tiến của điện năng theo các giờ ở TP HCM của những năm
gần đây ta nhận thấy điện năng tiêu thụ trong các giờ không những phụ thuộc vào
các giờ trong ngày mà còn phụ thuộc vào rất nhiều yếu tố khác như các ngày trong
tuần ( ngày làm việc, ngày nghỉ,…), các tháng trong năm, các mùa ( quý ) trong
năm, các năm,… Do đó việc xây dựng một quy luật tổng quát cho sự diễn tiến điện
năng theo giờ là hết sức khó khăn và rất phức tạp. Trong trường hợp này, để ứng
dụng trong dự báo ngắn hạn ta chỉ xây dựng một quy luật trong một khoảng thời
gian xác đònh nào đó mà thôi. Dữ liệu được cho ở dạng bảng như ở bảng 1 - phụ lục
2 đồ thò dạng dữ liệu như hình 3.1

Hình 3.1: Đồ thò dạng dữ liệu

Từ bảng số liệu và đồ thò dạng dữ liệu trên ta nhận thấy:
Dữ liệu là một dạng đường điều hòa, trạng thái sẽ gần như lặp lại ở 7 ngày ( 1
tuần) sau đó, tất nhiên lúc này nó sẽ khác đi. Để nâng cao tính chính xác ta xét sự
biến đổi sự biến đổi trạng thái của giờ thứ t của ngày quan sát so với các giờ thứ t
của những ngày trước đó. Như vậy để dự báo giờ thứ t của ngày n ( kí hiệu X (n, t) )
ta cần các số liệu X (n-1, t), X(n-2, t), …X (n-7, t) để tính. Mặt khác để cho kết quả
chính xác ta cập nhật thêm thông tin của ngày hôm đó bằng cách thêm số liệu của
Chương 3:Thiết kế chương trình dự báo phụ tải bằng mạng Neural

- 48 -
các giờ trước đó như: X(n, t-1), X(n, t-2),… Khi đó số Neural lớp đầu vào có thể là
9, 10, 11, 12, 13…, 30.
b. Dự báo theo ngày trong tuần : Dữ liệu cũng được cho ở dạng bảng như ở
bảng 3.2
Bảng 3.2: Dữ liệu của các ngày trong tuần


Thứ 2 Thứ 3 Thứ 4 Thứ 5 Thứ 6 Thứ 7 Chủ nhật
Tuần 1
22196.8 23741.6 23118.7 23618 23172.6 22589.3 18752.7
Tuần 2
23136.6 22765.2 23775.1 24033.7 24025.5 23212.6 18762.5
Tuần 3
22889.6 22987.8 21971.9 21950.6 20401.4 19953.91 18930.7
Tuần 4
22961.7 22699.5 23108.8 23192.7 24320.3 23114.5 18147.1
Tuần 5
22692.5 23339.1 22697.8 23300.2 23801.1 22858.2 20122.7
Tuần 6
24009.4 24362.9 24400.5 24077.8 24493.9 22736.7 19924.5

Tuần 7 22578.2 22751.4 21649.2 22516.1 23271.1 22845.1 19460.6
Tuần 8
22911.7 22511.5 24906.7 24918.3 23922.6 22413.9 19495.3
Tuần 9
22255.5 22464.3 22439.9 23060.6 24341.9 22913.8 20256.4
Tuần 10
23305.5 23260.5 23442.9 23108 24449.9 22883.2 19119.2
Tuần 11
23097.4 24111.5 23926.3 24067.5 23267.5 22352.4 18850.3
Tuần 12
22545.5 23772.8 23449.8 23747.3 23587.3 22210.1 19508.1
Tuần 13
23497.5 23385.6 23166.7 23465 23671.6 22951.8 19254.3
Tuần 14 23518.3 23990.7 23336.8 23802.5 23867.2 23160.4 20227.5
Tuần 15
23583 24139 23414.2 23351.4 23061.4 22123.7 18861.7
Tuần 16
22733.7 23476.1 22663.6 23251.8 22881.4 21050.5 19813
Tuần 17
22980.7 22810.3 24428.4 24802.6 24596.7 23113.3 19784.9
Tuần 18
23810.1 24404.4 24213.9 24518.8 24626.8 23568.5 20555.2
Tuần 19
24579.1 24600.9 23579.2 23226.6 23441.8 23226.3 20427.8
Tuần 20
24236.1 24503.7 23107 25111.2 24474.7 22029 19310.8
Tuần 21
23822.2 23444.3 25169.4 25577.5 24883.6 24028 20003.3
(Số liệu tổng hợp từ tháng 8/2003 – 12/2003 điện lực TPHCM).

Tương tự như số liệu của các giờ trong ngày nhưng trạng thái lặp lại là sau 4
tuần ( 1 tháng) do đó để dự báo cho 1 tuần nào đó thì ta cần số liệu của 4 tuần trước
đó. Số tuần cần để học
≥ 10 và số noron trong lớp đầu vào sẽ là 5, 6, 7, 8,…, 10.
c. Dự báo theo các tháng trong năm :
Dữ liệu được trình bày theo mẫu ở bảng 3.3
Chương 3:Thiết kế chương trình dự báo phụ tải bằng mạng Neural

- 49 -
Bảng 3.3: Mẫu số liệu của các tháng trong năm
Tháng 1 Tháng 2 … Tháng 12
Năm 1 X11 X12 … X112
Năm … … … … …
Năm n Xn1 Xn2 … Xn12
Các tháng trong năm còn phụ thuộc vào yếu tố mùa, năm. Do đó ta xét sự thay
đổi của tháng t năm quan sát so với tháng t của những năm trước đó. Để dự báo cho
các tháng ở năm thứ n, ta chỉ cần số liệu của 3 năm trước đó, số năm cần để học ≥ 5
,số noron lớp đầu vào là 4, 5, 6, 7, …, 14.
dDự báo theo các quý trong năm :
Mẫu dữ liệu trình bày như bảng 3.4
Bảng 3.4: Mẫu dữ liệu của các quý trong một năm

Quý 1 Quý 2 Quý 3 Quý 4
Năm 1 X11 X12 X13 X14
Năm … … … … …
Năm n Xn1 Xn2 Xn3 Xn4
Trường hợp này tương tự như các tháng trong năm.
e. Dự báo theo năm, quý :
Dữ liệu được cho ở dạng cột như ở bảng 3.5
Bảng 3.5: Số liệu điện của các năm

Năm Điện Năng(Mw)
1987 35813
1988 43936
1989 64065
1990 74221
1991 79663
1992 84691
1993 100218
1994 125872
1995 151037
1996 178060
1997 205151
Chương 3:Thiết kế chương trình dự báo phụ tải bằng mạng Neural

- 50 -
1998 239636
1999 272982
2000 309321
2001 351177
2002 411491
2003 461489
( Trích Điện lực Tiền Giang)
Để dự báo cho năm thứ t có nhiều cách, thông thường ta lấy thông số của 3
năm trước đó. Đối với các quý ta sẽ lấy thông số của 4 quý trước để dự báo cho quý
thứ 5. Số mẫu cần để học ≥ 10.
I.2. Phương pháp tương quan:
Trong mô hình dự báo tương quan thông số được cho ở bảng 1. Đây là thông số
cơ bản để dự báo phụ tải theo phương pháp dài hạn.
Bảng 3.6: Số liệu tương quan

Năm S GSP CPI C
1981 4900 16.2 8.7 16
1982 5000 9.5 11.1 14.5
1983 5200 15.4 10.4 14
1984 5300 7.8 7 3.8
1985 6000 16.2 3.75 3.8
1986 6400 10.5 8 12
1987 6850 13 10 5.5
1988 7500 15 7.1 0
1989 8400 14.2 7.5 7
1990 9200 10.5 8.5 8
1991 9560 8.5 5 2
1992 9700 4.7 0.8 0
1993 9950 4.5 0.2 0
1994 10500 7.8 2.1 0
1995 11000 7.2 3.5 0
1996 11600 8 4 0
1997 11700 3 1.2 3.8
1998 11750 8 0.4 0
1999 12300 2.8 1.8 0
2000 12800 8.2 2.3 0
Chương 3:Thiết kế chương trình dự báo phụ tải bằng mạng Neural

- 51 -
Trong đó:

S: Sản lượng điện năng tiêu thụ.
GSP: Tốc độ tăng trưởng kinh tế.
CPI: Chỉ số giá hàng tiêu dùng.
C: Giá điện năng.

Đây chỉ là những thông số cơ sở. Để có thể đưa vào mạng Neural ta phải qua
biến đổi số liệu.
Giả sử ta chọn mạng Neural 12 đầu vào X1, X2, X3,…,X12 thì thông số đầu
vào có thể được tính như sau:
X1= St là năng lượng tiêu thụ của năm t
X2= St-1 là năng lượng tiêu thụ của năm t-1
X3= GSPt tốc độ tăng trưởng kinh tế năm t
X4= (GSPt/ (GSPt-1)-1) chỉ số gia tăng tăng trưởng kinh tế năm t so
với năm t-1.
X5= CPIt chỉ số giá của hàng tiêu dùng năm t
X6= CPIt/(CPIt-1) chỉ số gia tăng của hàng tiêu dùng năm t so với
năm t-1
X7=Ct là giá điện năm t
X8= Ct/(Ct-1) chỉ số gia tăng giá điện năm t so với năm t-1
X9=GSP2 * Cos(3.14*GSP)
X10=GSP * C * Cos(3.14*GSP*C)
X11=C2 * Cos(3.14*C)
X12=(St-1)2 * Cos(3.14*(St-1))
Yt trò số điện năng năm t
Sau khi tính toán ta có được bản sau: Bảng 3.7

Bảng 3.7: Số liệu dự báo tương quan ( đã biến đổi)

Năm Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12
1981 4900 0.047 0.042 0.11620 0.0162 0.10870 0.0087 0.11600 0.016 0.01348 0.01347 0.01257 0.00218
1982 5000 0.049 0.047 0.12724 0.0095 0.12077 0.0111 0.13282 0.015 0.01618 0.01688 0.01613 0.00237
1983 5200 0.05 0.049 0.14683 0.0154 0.13333 0.0104 0.15141 0.014 0.02153 0.02218 0.02038 0.00247
1984 5300 0.052 0.05 0.15829 0.0078 0.14266 0.0070 0.15717 0.004 0.02505 0.02480 0.02175 0.00267
1985 6000 0.053 0.052 0.18393 0.0162 0.14801 0.0038 0.16314 0.004 0.03379 0.02987 0.02320 0.00277
1986 6400 0.06 0.053 0.20324 0.0105 0.15985 0.0080 0.18272 0.012 0.04128 0.03688 0.02804 0.00354

1987 6850 0.064 0.06 0.22966 0.0130 0.17583 0.0100 0.19276 0.005 0.05270 0.04384 0.03055 0.00401
1988 7500 0.0685 0.064 0.26411 0.0150 0.18832 0.0071 0.19278 0.000 0.06968 0.05027 0.03056 0.00458
1989 8400 0.075 0.0685 0.30162 0.0142 0.20244 0.0075 0.20626 0.007 0.09088 0.06103 0.03393 0.00547
1990 9200 0.084 0.075 0.33329 0.0105 0.21969 0.0085 0.22276 0.008 0.11102 0.07224 0.03797 0.00681