Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn

..

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
---------------------------------------

Quản Quốc Cường

ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG
DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN

Chuyên ngành: Kỹ thuật Điện

LUẬN VĂN THẠC SĨ KỸ THUẬT
KỸ THUẬT ĐIỆN

CHỦ TỊCH HỘI ĐỒNG

NGƯỜI HƯỚNG DẪN KHOA HỌC

TS. NGUYỄN XUÂN TÙNG

TS. NGUYỄN ĐỨC HUY

Hà Nội – Năm 2014


MỤC LỤC
LỜI CAM ĐOAN ..................................................................................................... iii
LỜI CẢM ƠN…………. .......................................................................................... iv
DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT .......................................................v

DANH MỤC CÁC BẢNG........................................................................................ vi
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ .................................................................. vii
MỞ ĐẦU………… .....................................................................................................1
CHƯƠNG 1:

TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI ..........................................5

1.1

GIỚI THIỆU CHUNG...................................................................................5

1.2

CÁC LOẠI DỰ BÁO PHỤ TẢI ĐIỆN .........................................................5

1.3

CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN ................6

1.3.1

Mơ hình áp dụng ngày tương tự (Similar-day approach) .......................7

1.3.2

Phương pháp hồi quy (Regression methods) ..........................................7

1.3.3

Các mơ hình chuỗi thời gian ngẫu nhiên (Time series) ..........................7

1.3.4

Mạng nơron (Neural Network) ...............................................................8

1.3.5

Phương pháp chuyên gia (Expert systems) ...........................................10

1.3.6

Lôgic mờ (Fuzzy logic) ........................................................................10

1.3.7

Máy vectơ hỗ trợ (Support vector machines). ......................................10

1.4

PHỤ TẢI ĐIỆN THÀNH PHỐ HÀ NỘI ....................................................11

1.4.1

Ngày trong tuần ....................................................................................11

1.4.2

Các ngày đặc biệt trong năm ................................................................12

1.4.3

Thời tiết trong ngày ..............................................................................13

1.4.4

Kế hoạch sửa chữa lớn trong ngày có cắt điện. ....................................13

CHƯƠNG 2:
2.1

MƠ HÌNH NƠRON SINH HỌC .................................................................15

2.1.1
2.2

TỔNG QUAN VỀ MẠNG NƠRON .............................................14

Phần tử xử lý .........................................................................................16

MÔ HÌNH CẤU TRÚC MẠNG NƠRON ..................................................18

2.2.1

Mạng truyền thẳng một lớp ..................................................................19
i


2.2.2

Mạng nơron nhiều lớp...........................................................................19

2.3

CÁC TÍNH CHẤT CỦA MẠNG NƠRON.................................................20

2.4

CÁC LUẬT HỌC ........................................................................................20

2.4.1

Học có giám sát.....................................................................................21

2.4.2

Học củng cố ..........................................................................................22

2.4.3

Học khơng có giám sát..........................................................................22

2.5

MẠNG NƠRON MLP.................................................................................23

2.5.1

Cấu trúc mạng MLP ..............................................................................23

2.5.2

Quá trình học của mạng MLP ...............................................................24

2.6

VẤN ĐỀ MẠNG HỌC QUÁ KHỚP VÀ MẠNG HỌC KHÔNG ĐỦ ......27

CHƯƠNG 3:

DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN VỚI SỐ LIỆU THU

THẬP TỪ ISO-NEW ENGLAND ...........................................................................30
3.1

XÂY DỰNG BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN ................................30

3.2 DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN DÙNG MẠNG NƠRON MLP
(24xNx24) ..............................................................................................................33
3.3 MƠ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN DÙNG MẠNG NƠRON MLP
(6xNx1) ..................................................................................................................36
3.4

SO SÁNH HAI MƠ HÌNH DỰ BÁO PHỤ TẢI ........................................40

3.5

KẾT LUẬN NỘI DUNG CHƯƠNG 3 .......................................................42

CHƯƠNG 4: ỨNG DỤNG MẠNG NƠRON NHÂN TẠO TRONG DỰ BÁO
PHỤ TẢI ĐIỆN NGẮN HẠN CHO THÀNH PHỐ HÀ NỘI ..................................43

4.1 XÂY DỰNG MƠ HÌNH DỰ BÁO ÁP DỤNG CHO THÀNH PHỐ HÀ
NỘI 43
4.1.1

Mơ hình dự báo phụ tải điện dùng mạng nơron (24xNx24) .................44

4.1.2

Mơ hình dự báo phụ tải điện dùng mạng nơron (27xNx24) .................47

4.1.3

Mơ hình dự báo phụ tải điện dùng mạng nơron (31xNx24) .................49

4.1.4

Mơ hình dự báo phụ tải điện dùng mạng nơron (34xNx24) .................51

4.2

KẾT LUẬN NỘI DUNG CHƯƠNG 4 .......................................................53

TÀI LIỆU THAM KHẢO .........................................................................................56
PHỤ LỤC………… .................................................................................................... I
ii


LỜI CAM ĐOAN
Tôi xin cam đoan luận văn này do tôi thực hiện. Các số liệu sử dụng trong luận
văn được thu thập thực tế, kết quả phân tích và tính tốn trong luận văn là trung

thực và do tơi tìm hiểu trong các tài liệu.

Học viên

Quản Quốc Cường

iii


LỜI CẢM ƠN
Luận văn thạc sĩ kỹ thuật chuyên ngành Kỹ thuật điện với tên đề tài là “Ứng
dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn” được hoàn thành
vào tháng 9 năm 2014.
Em xin gửi lời cảm ơn sâu sắc đến thầy TS.Nguyễn Đức Huy, người đã giúp đỡ
em rất nhiều trong quá trình thực hiện luận văn. Xin cảm ơn các thầy cô thuộc bộ
môn Hệ thống điện – Viện Điện – Trường Đại học Bách Khoa Hà Nội đã có những
góp ý quý báu về nội dung của đề tài. Đồng thời, cảm ơn tới các bạn bè, đồng
nghiệp đã cùng tôi trao đổi và giúp tôi tháo gỡ nhiều vướng mắc trong quá trình
thực hiện.
Qua đây xin gửi tới gia đình và người thân trong gia đình, những người ln
quan tâm, động viên, khích lệ trong suốt q trình học tập và nghiên cứu.
Do thời gian có hạn, chắc chắn luận văn khơng tránh khỏi những thiếu sót. Em
kính mong các thầy cơ chỉ bảo, bạn bè ... đóng góp ý kiến để em có thể hồn thiện,
tiếp tục nghiên cứu và phát triển đề tài.
Xin chân thành cảm ơn!
Hà Nội, tháng 9 năm 2014

Quản Quốc Cường

iv

DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT

ANN

Applications Neural
Network

Mạng nơron nhân tạo

MSE

Mean Sum of Squares
Errors

Trung bình tổng bình phương sai số

SSE

Sum of Squares Errors

Tổng bình phương sai số

APE

Absolute Percent Error

Tính sai số phần trăm tuyệt đối

MAPE

Mean Absolute Percent
Error

Tính trung bình sai số phần trăm
tuyệt đối

STLF

Short – term Load
Forecasting

Dự báo phụ tải ngắn hạn

MTLF

Medium –term Load
Forecasting

Dự báo phụ tải trung hạn

LTLF

Long –term Load
Forecasting

Dự báo phụ tải dài hạn

MLP

Multi- layer Feedforward

Mạng truyền nhiều lớp

SVM

Support Vector Machines

Máy vectơ hỗ trợ

v


DANH MỤC CÁC BẢNG
Bảng 3.1 Kết quả dự báo phụ tải từ 22- 28/06/2014 (ANN 24x20x24) ...................34
Bảng 3.2 Kết quả dự báo phụ tải ngày 30/06/2014 (ANN 24x20x24) .....................35
Bảng 3.3 Kết quả dự báo phụ tải từ ngày 22-28/06/2014 (ANN 6x20x1) ................37
Bảng 3.4 Kết quả dự báo phụ tải ngày 30/06/2014 (ANN 6x20x1) .........................38
Bảng 3.5 Kết quả so sánh dự báo phụ tải của hai mơ hình .......................................40
Bảng 4.1 Kết quả dự báo phụ tải ngày 08/11/2012 (24xNx24) ................................46
Bảng 4.2 Kết quả dự báo phụ tải ngày 08/11/2012 (27xNx24) ................................48
Bảng 4.3 Kết quả dự báo phụ tải ngày 08/11/2012 (31xNx24) ................................50
Bảng 4.4 Kết quả dự báo phụ tải ngày 08/11/2012 (34xNx24) ................................52

vi


DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
Hình 1.1. Đồ thị phụ tải các ngày đặc trưng trong tuần ............................................12

Hình 1.2. Đồ thị phụ tải thành phố Hà Nội hai ngày 1/1/2012, 6/1/2012 .................12
Hình 1.3. Đồ thị phụ tải ngày hai ngày có nhiệt độ khác ..........................................13
Hình 2.1. Mơ hình một dạng nơron sinh học ............................................................15
Hình 2.2 Mơ hình phần tử xử lý (mơ hình một nơron) thứ i, dạng M-P ...................16
Hình 2.3 Mạng nơron truyền thẳng một lớp .............................................................19
Hình 2.4 Mạng nơron truyền thẳng nhiều lớp ...........................................................20
Hình 2.5 Sơ đồ ba kiểu học của mạng nơron ............................................................22
Hình 2.6 Mơ hình mạng MLP một lớp ẩn .................................................................23
Hình 3.1 Đồ thị dự báo phụ tải ngày 30/06/2014 (ANN 24x20x24) ........................34
Hình 3.2 Đồ thị dự báo phụ tải ngày 30/06/2014 (ANN 6x20x1) ............................37
Hình 3.3 Đồ thị dự báo phụ tải ngày 22-28/06/2014 (ANN 6x20x1) .......................39
Hình 3.4 Đồ thị so sánh dự báo phụ tải của hai mơ hình ..........................................41
Hình 4.1 Đồ thị dự báo phụ tải ngày 08/11/2012 (24xNx24) ...................................45
Hình 4.2 Đồ thị dự báo phụ tải ngày 08/11/2012 (27xNx24) ...................................47
Hình 4.3 Đồ thị dự báo phụ tải ngày 08/11/2012 (31xNx24) ...................................49
Hình 4.4 Đồ thị dự báo phụ tải ngày 08/11/2012 (34xNx24) ...................................51

vii


MỞ ĐẦU
1. Lý do chọn đề tài
Trong giai đoạn thực hiện tiến trình cơng nghiệp hóa, hiện đại hóa đất nước đã
đẩy nhanh sự phát triển của nền kinh tế, ứng dụng các thành tựu khoa học công
nghệ dẫn đến nhu cầu sử dụng điện tăng cao. Vấn đề đặt ra cho ngành điện xây
dựng các công cụ dự báo phụ tải điện, làm cơ sở cho công tác thiết kế quy hoạch hệ
thống điện. Mục đích của dự báo phụ tải trong tương lai dựa vào các quan sát trong
quá khứ, phục vụ cho công tác quy hoạch nguồn lưới trong hệ thống điện, phục vụ
cho công tác điều độ hệ thống (Có kế hoạch chuẩn bị sẵn sàng đáp ứng phụ tải).
Dự báo là một khoa học còn non trẻ, trong đó có nhiều vấn đề chưa hình thành

trọn vẹn. Đối tượng nghiên cứu của khoa học này là các phương pháp dự báo và
phạm vi ứng dụng là các hiện tượng xã hội, kinh tế, kỹ thuật… Dự báo là một khoa
học quan trọng, nhằm mục đích nghiên cứu những phương pháp luận khoa học, làm
cơ sở cho việc đề xuất các dự báo cụ thể cũng như việc đánh giá mức độ tin cậy,
mức độ chính xác của các phương pháp dự báo – nếu dự báo sai lệch quá nhiều về
khả năng cung cấp và nhu cầu năng lượng sẽ dẫn đến hậu quả không tốt trong
ngành kinh tế. Nếu dự báo quá thừa về phụ tải sẽ phải huy động nguồn quá lớn làm
tăng vốn đầu tư dẫn đến lãng phí vốn đầu tư và không khai thác hết công suất thiết
bị, ngược lại nếu dự báo thiếu phụ tải sẽ dẫn đến cung cấp điện không đủ cho nhu
cầu của phụ tải, giảm độ tin cậy cung cấp điện gây thiệt hại cho nền kinh tế quốc
dân. Vì vậy tác giả thực hiện đề tài “Ứng dụng mạng nơron nhân tạo trong dự báo
phụ tải điện ngắn hạn” nhằm phát huy tính chất ưu việt của mạng nơron nhân tạo
trong công tác dự báo phụ tải.
2. Lịch sử nghiên cứu
Hiện nay đã có rất nhiều đề tài khoa học, bài báo và tài liệu trong nước, nước
ngoài nghiên cứu về phương pháp sử dụng mạng nơron nhân tạo để dự báo ngắn
hạn phụ tải điện.

`1


Tại Việt Nam:
Bài toán dự báo phụ tải ngắn hạn được giải quyết bằng nhiều phương pháp khác
nhau như: Phương pháp ngoại suy, phương pháp san bằng hàm mũ, phương pháp
hồi quy đa biến... đã được đề xuất trong dự báo phụ tải ngắn hạn. Có thể nhận thấy
rằng nhược điểm của các phương pháp trên là mơ hình dự báo lượng điện năng tiêu
thụ chỉ hiệu quả đối với một số ngày bình thường nhưng khơng hiệu quả đối với tất
cả các ngày. Phụ tải là một đại lượng phụ thuộc (phi tuyến) vào rất nhiều yếu tố, có
thể kể tới sự phụ thuộc của lượng điện tiêu thụ vào các thông số thời tiết như nhiệt
độ, độ ẩm...

Một số đề tài nghiên cứu, ứng dụng mạng nơron vào công tác dự báo phụ tải
điện ngắn hạn cho hệ thống điện Việt Nam như:
 TSKH. Trần Kỳ Phúc – Viện năng lượng với đề tài “Nghiên cứu ứng dụng
mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn”.
 Phạm Anh Cường, Phạm Văn Hiền – Công ty Điện lực Gia Lai, Đại học
Bách Khoa Đà Nẵng với bài viết “ Ứng dụng mạng nơron nhân tạo để dự báo
phụ tải điện tỉnh Gia Lai”.
 Trần Thị Hoàng Oanh, Đồng Sĩ Thiên Châu, Trần Hoàng Lĩnh, Nguyễn Kỳ
Tài – Viện nghiên cứu phát triển năng lượng, ĐHBK TP. Hồ Chí Minh với
bài viết “Ứng dụng mạng nơron song tuyến trong bài toán dự báo phụ tải
điện”.

Trên thế giới:
Đầu những năm 90 mơ hình dự báo bằng mạng nơron được nghiên cứu và phát
triển. Bởi vì mạng nơron thể áp dụng trong các dự báo dài hạn, dự báo trung hạn và
dự báo ngắn hạn cho kết quả khá chính xác. Mơ hình mạng nơron dự báo phụ tải
đang được áp dụng ở rất nhiều nước có thị trường điện phát triển trên thế giới. Các
mơ hình mạng nơron thường có cấu trúc tổng thể giống nhau. Một số nghiên cứu,
ứng dụng và bài viết về mạng nơron như:

`2


 D.C.Park, M.A. EL-Sharkawi, R.J.Marks II, L.E Atlas and M.J Damborg –
University of Washington “ Electric Load Forecasting Using An Artification
Neural Network”, IEEE Trans, 1991
 Rui Zhang, Zhao Yang Dong, Yan Xu, Ke Meng, Kit Po Wong – University
of Newcastle, Newcastle, Australia “Short-term load forecasting of
Australian National Electricity Market by an ensemble model of extreme
learning machine”, 2012

3. Mục đích nghiên cứu của luận văn, đối tượng, phạm vi nghiên cứu.
3.1 Mục đích nghiên cứu:
Mục đích của đề tài là đề xuất phương pháp dự báo phụ tải điện ngắn hạn dựa
vào mạng nơron, đưa ra mơ hình dự báo phù hợp nhất để thu được kết quả tốt với
sai số của dự báo trong khoảng cho phép.
3.2 Đối tượng nghiên cứu:
Tìm hiểu về mạng nơron nhân tạo, các mơ hình và phương pháp dự báo phụ tải
điện hiện nay, các yếu tố ảnh hưởng đến phụ tải điện ngắn hạn. Lựa chọn phương
pháp để dự báo phụ tải ngắn hạn dựa vào mạng nơron.
3.3 Phạm vi nghiên cứu:
Luận văn nghiên cứu đồ thị phụ tải và xây dựng mơ hình dự báo phụ tải điện
ngắn hạn áp dụng cho thành phố Hà Nội.
3.4 Ý nghĩa khoa học và thực tiễn của đề tài
Trong dự báo phụ tải điện hiện nay tại nước ta có rất nhiều phương pháp dự báo.
Mơ hình sử dụng mạng nơron được ứng dụng trong cơng tác dự báo phụ tải. Các mơ
hình đó đã xét đến các vấn đề về phụ tải, nhiêt độ, kiểu ngày dự báo. Nhưng bên
cạnh đó phụ tải hệ thống điện còn phụ thuộc cả vào độ ẩm, số giờ sáng, tốc độ
gió… Trong luận văn này đưa ra các mơ hình sử dụng mạng nơron để giải quyết bài
tốn dự báo phụ tải có xét đến các yếu tố về thời tiết như độ ẩm, tốc độ gió. Đánh
giá sai số dự báo trong mỗi mơ hình và lựa chọn mơ hình tối ưu nhất để ứng dụng
dự báo phụ tải cho thành phố Hà Nội.

`3


4. Nội dung luận văn
Chương 1- Tổng quan về dự báo phụ tải
-

Trình bày tổng quan về dự báo phụ tải điện, và các phương pháp dự báo phụ

tải ngắn hạn.

-

Phân tích phụ tải điện của thành phố Hà Nội, các yếu tố ảnh hưởng chủ yếu
đến phụ tải điện.

Chương 2 - Tổng quan về mạng nơron nhân tạo
-

Giới thiệu tổng quan về mạng nơron nhân tạo cấu trúc, mô hình, các luật học
của mạng nơron.

-

Trình bày khái quát về mạng MLP, về cấu trúc, quá trình huấn luyện mạng.

Chương 3 –Dự báo phụ tải điện ngắn hạn với số liệu thu thập từ ISO-New
England
-

Thu thập số liệu về phụ tải, nhiệt độ… từ ISO - New England, áp dụng mơ
hình (24xNx24) cho bộ số liệu thu được trên.

-

Xây dựng mơ hình (6x20x1) dự báo mới để áp dụng cho bộ số liệu trên, so
sánh kết quả giữa hai mô hình.

Chương 4 - Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn

hạn cho thành phố Hà Nội
-

Xây dựng các mơ hình dự báo phụ tải ngắn hạn. Áp dụng các mơ hình đó vào
thực tế và lựa chọn ra mơ hình phù hợp nhất với thành phố Hà Nội.

Chương 5 - Kết luận và hướng nghiên cứu tiếp theo
Trình bày kết quả luận văn đã đạt được và hướng nghiên cứu tiếp theo của
luận văn

`4


CHƯƠNG 1:

TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI

1.1 GIỚI THIỆU CHUNG
Dự báo phụ tải điện năng là một vấn đề quan trọng trong hệ thống điện hiện nay.
Mục đích của dự báo điện năng trong tương lai dựa vào các quan sát trong quá khứ,
phục vụ cho công tác quy hoạch nguồn lưới trong hệ thống điện, phục vụ cho cơng
tác điều độ hệ thống (Có kế hoạch chuẩn bị sẵn sàng đáp ứng phụ tải).
Dự báo là một khoa học cịn non trẻ, trong đó có nhiều vấn đề chưa hình thành
trọn vẹn. Đối tượng nghiên cứu của khoa học này là các phương pháp dự báo và
phạm vi ứng dụng là các hiện tượng xã hội, kinh tế, kỹ thuật, … Dự báo là một
khoa học quan trọng, nhằm mục đích nghiên cứu những phương pháp luận khoa
học, làm cơ sở cho việc đề xuất các dự báo cụ thể cũng như việc đánh giá mức độ
tin cậy, mức độ chính xác của các phương pháp dự báo – nếu dự báo sai lệch quá
nhiều về khả năng cung cấp và nhu cầu năng lượng sẽ dẫn đến hậu quả không tốt
trong ngành kinh tế. Nếu dự báo quá thừa về nguồn sẽ phải huy động nguồn quá lớn

làm tăng vốn đầu tư dẫn đến lãng phí vốn đầu tư và không khai thác hết công suất
thiết bị, ngược lại nếu dự báo thiếu công suất nguồn sẽ dẫn đến cung cấp điện
không đủ cho nhu cầu của phụ tải, giảm độ tin cậy cung cấp điện gây thiệt hại cho
nền kinh tế quốc dân [1].
1.2 CÁC LOẠI DỰ BÁO PHỤ TẢI ĐIỆN
Trong hệ thống điện có hai loại dự báo phụ tải điện [2] dùng để quy hoạch hệ
thống điện và vận hành hệ thống. Sự khác biệt được dựa trên thời gian dự báo.

-

Trong quy hoạch hệ thống điện, dự báo phụ tải là cho một khoảng thời gian

vài tháng đến một năm. Đây là loại dự báo là chủ yếu để xác định lưới điện, thiết bị
điện sẽ được lắp hoặc các hợp đồng trong thị trường điện. Thời gian dự báo dài có
thể là từ 1 ÷ 10 năm, xây dựng các nhà máy, xí nghiệp, các đường dây truyền tải và
phân phối điện năng.

-

Trong vận hành hệ thống điện, dự báo phụ tải là chủ yếu cho một khoảng

thời gian một giờ đến một tuần. Có hai loại chính của dự báo phụ tải hệ thống điện

`5


hoạt động: dự báo tải rất ngắn hạn và ngắn hạn. Dự báo tải rất ngắn hạn là phút
trước và để phục vụ cho công tác điều độ hệ thống. Dự báo tải ngắn hạn là từ một
giờ đến một tuần. Kết quả dự báo phụ tải ngắn hạn chủ yếu được sử dụng cho mục
đích điều độ và vận hành hệ thống điện.

Như vậy, dự báo phụ tải điện chia thành 3 nhóm dự báo phụ tải sau:

- Dự báo ngắn hạn (STLF)
Dự báo phụ tải điện ngắn hạn thường dự báo cho một giờ đến một tuần. Sai số
cho phép của công tác dự báo trong khoảng yêu cầu < 5%. Loại dự báo này phục vụ
cho công tác điều độ và vận hành hệ thống điện trong khoảng thời gian ngắn.

- Dự báo trung hạn (MTLF)
Dự báo phụ tải điện trung hạn thường dự báo phụ tải một tháng cho đến một
năm. Loại dự báo này thường dùng để xác định lưới điện, thiết bị điện sẽ được lắp
hoặc các hợp đồng trong thị trường điện. Sai số cho phép trong khoảng (5- 10) %.

- Dự báo dài hạn (LTLF)
Dự báo phụ tải điện dài hạn thường dự báo phụ tải nhiều hơn một năm. Khoảng
thời gian này cần xây dựng các nhà máy, xí nghiệp, các đường dây truyền tải và
phân phối điện năng. Sai số cho phép trong khoảng (5-15) %.
1.3 CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN
Bài toán dự báo phụ tải ngắn hạn được đánh giá là phức tạp so với các bài toán
khác. Kết quả dự báo ngắn hạn chính xác sẽ hỗ trợ các cơng tác vận hành và khai
thác hệ thống điện ở khu vực được hiệu quả, thuận lợi. Kết quả dự báo này cũng
có thể nhanh chóng và dễ dàng kiểm chứng do khơng cần phải chờ đợi dài ngày.
Bài toán dự báo phụ tải ngày là một trong những nhiệm vụ quan trọng của cơng
tác điều độ và có nhu cầu thực tiễn rất cao. Đã có rất nhiều mơ hình giải pháp được
đề xuất và ứng dụng, tuy nhiên cho tới thời điểm này vẫn chưa có một mơ hình nào
được coi là chuẩn và áp dụng hiệu quả cho mọi đối tượng. Một trong những
nguyên nhân chính của vấn đề này là do ở mỗi vùng, mỗi khu vực phụ tải ngày phụ

`6

thuộc khác nhau vào các số liệu trong quá khứ. Sự khác nhau này đòi hỏi phải điều
chỉnh lại các thơng số của một mơ hình đã được lựa chọn nào đó hoặc đến mức độ
phải xây dựng một mơ hình hồn tồn mới.
1.3.1

Mơ hình áp dụng ngày tương tự (Similar-day approach)

Phương pháp này dựa trên cơ sở dữ liệu ngày [3] trước đó trong vịng một, hai,
hoặc ba năm với các đặc tính tương tự như ngày dự báo. Đặc điểm tương tự bao
gồm thời tiết, ngày trong tuần, và ngày tháng. Phụ tải của một ngày tương tự được
xem đó là phụ tải của ngày dự báo. Thay vì một tải duy nhất ngày tương tự, dự báo
có thể sử dụng phương pháp hồi quy tuyến tính lấy số liệu nhiều ngày tương tự ngày
dự báo. Phụ tải đuợc sử dụng cho các ngày tương tự lấy từ các năm trước.
1.3.2

Phương pháp hồi quy (Regression methods)

Hồi quy theo [3], là một trong những phương pháp được sử dụng rộng rãi trong
bài toán kỹ thuật. Đối với bài toán dự báo phụ tải điện, phương pháp hồi quy thường
được sử dụng để mơ hình mối quan hệ phụ tải và các yếu tố khác như thời tiết, loại
ngày. Mô hình hồi quy tuyến tính là mơ hình kinh điển, đơn giản và khá hiệu quả
trong thống kê và dự báo, do đó có rất nhiều dự báo dựa trên phương pháp này. [4]
trình bày một số mơ hình hồi quy cho dự báo đỉnh ngày hơm sau. Mơ hình của họ
kết hợp ảnh hưởng xác định như ngày lễ, ảnh hưởng ngẫu nhiên như phụ tải trung
bình, và ảnh hưởng khác như thời tiết.
1.3.3

Các mơ hình chuỗi thời gian ngẫu nhiên (Time series)

Phương pháp chuỗi thời gian [3] dựa trên giả định rằng các dữ liệu có cấu trúc

nội bộ, chẳng hạn như tương tự, xu hướng, hoặc biến đổi theo mùa. Chuỗi thời gian
đã được sử dụng trong nhiều thập niên trong các lĩnh vực như kinh tế, xử lý tín hiệu
kỹ thuật số, cũng như dự báo phụ tải điện. Nguyên tắc cơ bản của phương pháp này
là đầu tiên chuỗi phụ tải theo thời gian được chuyển thành chuỗi thời gian dừng (tức
chuỗi thời gian không biến đổi), sau đó chuỗi dừng cịn lại sẽ được lọc nhiễu trắng.
Các mơ hình chuỗi thời gian có ưu điểm. Trước hết, lý thuyết mơ hình chuỗi
thời gian có cơ sở toán học chặt chẽ và rõ ràng nên dễ thực hiện dự báo trên cơ sở lý

`7


thuyết này. Các thơng số của mơ hình cũng được tính tốn một cách dễ dàng. Thủ
tục đánh giá thơng số mơ hình cũng khơng khó.
Xét hai mơ hình ARMAX và ARIMAX, trong mơ hình ARMAX, sử dụng các
sai số của các buớc dự báo trước để thực hiện các bước dự báo tiếp theo.
K

K

i 1

j 1

Pest (d )  P0   ai ,d Pest (d  i )    i ,d e(d  i )   (d)

Với e(d  i)  P(d  i)  Pest (d  i) là sai số dự báo tại thời điểm d-I, P(d-i) là công
suất tiêu thụ thực tế.
Khi có thêm thơng số thời tiết ta sẽ có mơ hình ARMAX như sau:
K

K

K

i 1

j 1

i 1

Pest (d )  P0   ai ,d Pest (d  i )    i ,d e(d  i )   i ,d X(d  i )   (d)

Nếu mơ hình dự báo đang xây dựng là mơ hình biến thiên theo thời gian (độ lệch
chuẩn của mơ hình biến thiên theo thời gian) mơ hình ARMAX sẽ được thực hiện
cho chuỗi đã loại trừ yếu tố xu thế (trend). Khi đó mơ hình mang tên ARIMAX.
1.3.4 Mạng nơron (Neural Network)
Việc sử dụng mạng nơron (Neural network-NN) [3], [5] được sử dụng trong
bài toán dự báo phụ tải từ những năm 1990. Mạng nơron cơ dùng ước lượng các
hàm phi tuyến phù hợp với đường cong phụ tải. Thông dụng nhất là các giải pháp
dự báo ngắn hạn như dự báo trước 1 giờ, dự báo trước 12 giờ hoặc 24 giờ. Trong
bài toán dự báo ta quan tâm giải quyết hai vấn đề lớn là:

-

Phát hiện các mối liên hệ giữa các đại lượng để cải thiện chất lượng của mơ

hình ước lượng.

-

Tối ưu hóa mơ hình (mạng nơron) để đạt chất lượng cao khơng chỉ trong

q trình học mà cả trong quá trình kiểm tra.
Hai vấn đề này có liên quan chặt chẽ với nhau do mỗi bộ số liệu học khác nhau
lại có thể làm thay đổi cấu trúc của mơ hình xấp xỉ. Đồng thời bộ số liệu đặc trưng
cũng tạo điều kiện để hạn chế lại khơng gian tìm kiếm mơ hình.

`8


Mơ hình [6] có nhiều ứng dụng nhất là mạng MLP với một hoặc hai lớp ẩn. Số
lớp ẩn và số nơron trên từng lớp cũng như các hàm truyền đạt của các nơron trong
mỗi mơ hình đều khác nhau do được xây dựng cho các đối tượng khác nhau hoặc
thậm chí cho cùng một đối tượng nhưng các bộ số liệu và thời điểm lấy số liệu
khác nhau.
Các mạng nơron hồi quy cũng ít được sử dụng hơn các giải pháp khác do các
thuật toán học phức tạp hơn mạng truyền thẳng, xác suất tìm được cực trị tốt thấp
hơn. Mặc dù vậy, mạng hồi quy với các kênh tín hiệu phản hồi của mình cũng rất
phù hợp với các bài tốn mơ hình hóa đối tượng có phụ thuộc thời gian trễ. Trong
số các mạng được sử dụng, các mạng được dùng nhiều hơn cả là mạng Elman và
mạng RTRN với thuật toán học của Williams – Zipser.
Một lớp mạng khác cũng được sử dụng trong các bài toán dự báo phụ tải là các
mạng tự tổ chức, hoạt động theo nguyên tắc tự sắp xếp các véc-tơ đầu vào để phát
hiện các vùng số liệu tập trung. Hiểu theo nghĩa khoảng cách giữa các véc-tơ đa
thành phần thì các véc-tơ có giá trị tương đối giống nhau sẽ được nhóm vào thành
một nhóm. Trong bài tốn dự báo phụ tải ta hay sử dụng mạng tự tổ chức để nhóm
các nhóm biểu đồ phụ tải chuẩn hóa (hay cịn gọi là hình dạng của biểu đồ phụ tải
– đã chuẩn hóa về đoạn giá trị 0 - 1). Sau khi đã có các nhóm ngày có biểu đồ phụ
tải tương đối giống nhau, ta cần xác định quy luật để thuộc về nhóm đó và khi cần
dự báo ta xác định xem ngày cần dự báo thuộc vào nhóm nào và sẽ lấy biểu đồ đặc

trưng cho nhóm đó để làm kết quả dự báo.
Hiện nay trên thị trường cũng có rất nhiều các phần mềm phục vụ cho cơng
việc dự báo. Có thể lấy ví dụ phần mềm ANNSTLF của EPRI cho phép dự báo với
sai số 2 – 4% tùy thuộc vào kiểu dự báo và dạng biến thiên của phụ tải. Phần mềm
UNIPEDE hỗ trợ sử dụng các phương pháp mạng nơron, lơ-gíc mờ trong một số
bài toán liên quan tới hệ thống điện, trong đó có dự báo ngắn hạn, quy hoạch lưới
điện, mơ hình hóa và ứng dụng tốt trong điều khiển các quá trình trong nhà máy
điện, ...

`9


Cũng cần phải nhấn mạnh rằng các giải pháp đã đề xuất khác biệt nhau rất
nhiều về ý tưởng, về công cụ và nhất là về kết quả đánh giá cuối cùng. Độ chính
xác của kết quả dự báo có thể thay đổi từ 1,5% tới 12% , nhưng điều này khơng có
nghĩa rằng mơ hình có sai số lớn hơn là mơ hình kém hiệu quả hơn. Vấn đề nằm ở
chỗ mỗi một mơ hình được xây dựng cho một đối tượng (một khu vực phụ tải)
khác nhau, cho những khoảng thời gian khác nhau và cho những thông tin đầu vào
khác nhau.
1.3.5 Phương pháp chuyên gia (Expert systems)
Trong những năm gần đây nhiều nước đã áp dụng phương pháp chuyên gia [3],
[6] có trọng số, dựa trên cơ sở hiểu biết sâu sắc của các chuyên gia về các lĩnh vực
của các ngành để dự báo các chỉ tiêu kinh tế. Trong ngành năng lượng, người ta
cũng dùng phương pháp này để dự báo nhu cầu điện năng của nước mình. Đây là
bài tốn cần phải lựa chọn lời giải trong điều kiện đa chỉ tiêu và bất định nên thường
được thực hiện bởi cá nhân quyết định có tham khảo ý kiến của hội đồng tư vấn.
Phương pháp chuyên gia có ưu thế hơn hẳn khi dự báo những hiện tượng hay
q trình có tầm bao qt rộng, cấu trúc nói chung phức tạp nhiều chỉ tiêu, nhiều
nhân tố chi phối làm cho xu hướng vận động cũng như hình thức biểu diễn đa dạng,
khó định lượng bằng con đường tiếp cận trực tiếp để tính tốn, đo đạc thông qua các

phương pháp ước lượng và công cụ chính xác.
1.3.6 Lơgic mờ (Fuzzy logic)
Lơgic mờ [3] được phát triển từ lý thuyết tập mờ để thực hiện lập luận một cách
xấp xỉ thay vì lập luận chính xác theo lơgic vị từ cổ điển. Lơgic mờ có thể được coi
là mặt ứng dụng của lý thuyết tập mờ để xử lý các giá trị trong thế giới thực cho các
bài tốn phức tạp. Lơgic mờ cho suy ra được kết quả từ đầu vào mờ.
1.3.7 Máy vectơ hỗ trợ (Support vector machines).
SVM là một tập hợp các phương pháp học có giám sát được sử dụng để phân
loại, hồi quy. Khơng giống như mạng nơron, tìm các hàm đặc trưng không gian
trạng thái của mẫu đầu vào, SVM thực hiện một ánh xạ phi tuyến dạng chuẩn nhận

`10


dữ liệu vào và phân loại chúng vào hai lớp khác nhau. Do đó SVM là một thuật tốn
phân loại nhị phân. Với một bộ các ví dụ luyện tập thuộc hai thể loại cho trước,
thuật toán luyện tập SVM xây dựng một mơ hình SVM để phân loại các ví dụ khác
vào hai thể loại đó. Một mơ hình SVM là một cách biểu diễn các điểm trong không
gian và lựa chọn ranh giới giữa hai thể loại sao cho khoảng cách từ các ví dụ luyện
tập tới ranh giới là xa nhất có thể. Các ví dụ mới cũng được biểu diễn trong cùng
một không gian và được thuật toán dự đoán thuộc một trong hai thể loại tùy vào ví
dụ đó nằm ở phía nào của ranh giới. [7] áp dụng phương pháp SVM để dự báo phụ
tải điện ngắn hạn. Tác giả so sánh kết quả với phuơng pháp tự hồi quy. Kết quả so
sánh cho thấy sử dụng SVM cho kết quả dự báo rất tốt. [8] Sử dụng mơ hình SVM
để dự báo phụ tải điện trong một tháng. Li and Fang [9] cũng sử dụng mạng
Wavelet kết hợp với SVM để dự báo phụ tải điện ngắn hạn.
1.4 PHỤ TẢI ĐIỆN THÀNH PHỐ HÀ NỘI
Để xây dựng được mơ hình tối ưu áp dụng cho thành phố Hà Nội, phải xác định
đến các yếu tố ảnh hưởng đến phụ tải như: các ngày trong tuần, đặc điểm phụ tải
của ngày cần dự báo, như nhiệt độ trong ngày… Vậy để mơ hình dự báo tối ưu cần

phải xét đến các yếu tố chủ yếu ảnh hưởng đến phụ tải.
Luận văn thạc sĩ của tác giả Chu Nghĩa [10]cho thấy phụ tải của lưới điện thành
phố Hà Nội phụ thuộc chủ yếu vào các yếu tố chính sau:
1.4.1 Ngày trong tuần
Các yếu tố thời gian bao gồm thời gian của năm, các ngày trong tuần, và giờ
trong ngày. Có sự khác biệt quan trọng trong việc tải các ngày trong tuần và cuối
tuần. Phụ tải tại các ngày trong tuần khác nhau cũng có khác nhau, như ngày thứ
Hai và thứ Sáu là tiếp giáp với cuối tuần, đồ thị phụ tải khác nhau hơn so với thứ Ba
đến thứ Năm. Ngày thứ Bảy và chủ nhật đồ thị phụ tải tương đối giống nhau [11],
[12]. Điều này đặc biệt đúng trong thời gian mùa hè, cịn ngày lễ là ngày rất khó khả
năng dự báo phụ tải bởi vì nhu cầu sử dụng là khác nhau.

`11


Phụ tải, MW

ĐỒ THỊ PHỤ TẢI
2000
1800
1600
1400
1200
1000
800
600
400
200
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
Thứ 7 & Chủ Nhật

Thứ 2

Thứ 3 - Thứ 5

Thứ 6

Hình 1.1. Đồ thị phụ tải các ngày đặc trưng trong tuần
1.4.2 Các ngày đặc biệt trong năm
Ngày đặc biệt trong năm như các ngày lễ tết, 30/4, 1/5, 2/9... phụ tải giảm đáng
kể so với ngày thường. Phụ tải các ngày sát với các ngày này cũng bị ảnh hưởng,

có thể thấy rõ điều đó trên đồ thị phụ tải thành phố Hà Nội ngày lễ tết dương lịch
1/1/2012 và ngày làm việc bình thường 6/1/2012. Vì vậy, phụ tải trong các ngày
đặc biệt không được áp dụng như ngày thông thường mà phải tách biệt bằng
phương pháp riêng, thường là dựa vào các ngày dạng này của các năm trước đó.

Phụ tải, MWh

ĐỒ THỊ PHỤ TẢI
2000
1800
1600
1400
1200
1000
800
600
400
200
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
Ngày 1/1/2012

Ngày 6/1/2012

Hình 1.2. Đồ thị phụ tải thành phố Hà Nội hai ngày 1/1/2012, 6/1/2012
`12


1.4.3 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. Thành phố Hà Nội khi thời tiết thay đổi nhiệt độ tăng lên, nhu cầu sửdụng điện
tăng, đây là vấn đề tất yếu do nhu cầu sử dụng làm mát, nhu cầu này khơng chỉ có
trong dân dụng mà cả trong cơng nghiệp, các thiết bị điện cần phải tăng cường làm
mát. Khi nhiệt độ lạnh xuống phụ tải sẽ tăng lên do sử dụng thiết bị sưởi ấm.

Phụ tải, MWh

ĐỒ THỊ PHỤ TẢI
2400
2200
2000

1800
1600
1400
1200
1000
800
600
400
200
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
Nhiệt độ 19-26

Nhiệt độ 27-35

Hình 1.3. Đồ thị phụ tải ngày hai ngày có nhiệt độ khác
1.4.4 Kế hoạch sửa chữa lớn trong ngày có cắt điện.
Trong q 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 một cách đáng kể. Dự báo
phụ tải những ngày này phải tính tốn khấu trừ phụ tải giảm do ngừng cung cấp
điện. Dạng của đồ thị phụ tải trong ngày có cắt điện diện rộng cũng mang đặc thù
riêng, thay đổi tuỳ thuộc 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 luận: Nhiệt độ môi trường, đặc thù của các
gày trong tuần, ngày lễ, ngày tết là các yếu tố ảnh hưởng lớn nhất đến giá trị phụ
tải ngày.
`13


CHƯƠNG 2:

TỔNG QUAN VỀ MẠNG NƠRON

Mạng nơron nhân tạo [13] (Artifical Neural Networks) được xây dựng dựa trên
cấu trúc của bộ não con người, giúp đưa ra một phương pháp mới trong lĩnh vực
tiếp cận thông tin. Mạng nơron nhân tạo có thể thực hiện các bài tốn nhận mẫu
(Recognition), tối ưu, nhận dạng (Identification) và điều khiển (Control) cho các đối
tượng tuyến tính và phi tuyến đạt hiệu quả hơn so với các phương pháp tính tốn
truyền thống.
Mạng nơron nhân tạo (gọi tắt là mạng nơron) gồm nhiều nơron nhân tạo (gọi tắt
là nơron) liên kết với nhau thành mạng. Nó có hành vi tương tự như bộ não con

người với khả năng học (Learning), gọi lại (Recall) và tổng hợp thông tin từ sự
luyện tập từ mẫu và dữ liệu.
Mạng nơron đã có lịch sử nghiên cứu phát triển khá lâu dài. Từ năm 1943,
McCulloch và Pitt’s đã đề xuất một số liên kết cơ bản của mạng nơron. Năm 1949,
Hebb đã đưa ra các luật thích nghi trong mạng nơron. Rosenblatt đưa ra cấu trúc
Perceptron năm 1958. Năm 1969, Minsky và Papert phân tích sự đúng đắn của
Perceptron, chứng minh các tính chất và chỉ rõ các giới hạn của một số mơ hình.
Năm 1976, Grossberg dựa vào tính chất sinh học đã đưa ra một số cấu trúc của hệ
động học phi tuyến với các tính chất mới. Hopfield đã đưa ra mạng hồi quy một lớp
Hopfield được đề xuất năm 1982. Năm 1986, Rumelhart đưa ra mơ hình xử lý song
song và một số kết quả của thuật toán. Năm 1986, thuật toán học được lan truyền
ngược (Back Propagation) được Rumelhart, Hinton và Williams đề xuất thực hiện
luyện mạng nơron truyền thẳng nhiều lớp.
Những năm gần đây có nhiều cơng trình nghiên cứu đề xuất các cấu trúc, luật
học cho nhiều loại mạng nơron truyền thẳng và hồi quy mới có nhiều ưu điểm.
Mạng nơron hiện đang được áp dụng có hiệu quả trong nhiều lĩnh vực kinh tế, kỹ
thuật.

`14


2.1 MƠ HÌNH NƠRON SINH HỌC
Bộ não con người có khoảng 1011nơron sinh học ở nhiều dạng khác nhau. Mơ
hình của dạng nơron sinh học gồm có ba phần chính là: thân, bên trong có nhân, cây
và trục. Cây gồm các dây thần kinh liên kết với thân. Trục có cấu trúc đơn, dài liên
kết với thân. Phần cuối của trục có dạng phân nhánh. Trong mỗi nhánh có một cơ
cấu nhỏ là khớp thần kinh, từ đây nơron sinh học này liên kết bằng tín hiệu tới các
nơron khác. Sự thu nhận thông tin của nơron sinh học được thực hiện từ cây hoặc từ
thân của nó. Tín hiệu thu, nhận ở dạng các xung điện.

Hình 2.1. Mơ hình một dạng nơron sinh học
Mỗi tế bào thần kinh có một màng, nhiệm vụ của nó là giữ cho các chất ni tế
bào khơng tràn ra ngồi. Ở giữa phần tử nội bào và ngoại bào có dung dịch muối
lỏng làm cho chúng bị phân rã thành các ion âm và dương. Các ion dương có trong
màng tạo ra điện thế màng với trạng thái cân bằng lực: lực đẩy của các ion dương ra
khỏi tế bào cân bằng với lực hút chúng vào trong tế bào.
Điện thế màng là phần tử quan trọng trong quá trình truyền tin của hệ thần kinh.
Khi thay đổi khả năng thẩm thấu ion của màng thì điện thế màng của tế bào bị thay
đổi và tiến tới một ngưỡng nào đó, đồng thời sinh ra dòng điện, dòng điện này gây
ra phản ứng kích thích làm thay đổi khả năng thẩm thấu ion của các tế bào thần kinh
tiếp theo.
`15


2.1.1 Phần tử xử lý
Mơ hình phần tử xử lý (Processing Elements) hay mơ hình nơrondạng M-P, do
Coullock và Pitts đề xuất năm 1943. Phần tử xử lý có dạng nhiều vào một ra MISO.
Hình 2.2 mơ tả mơ hình của phần tử xử lý (hay mơ hình một nơron) thứ i, dạng MP, trong đó có các phần tử sau đây.

Hình 2.2 Mơ hình phần tử xử lý (mơ hình một nơron) thứ i, dạng M-P
 Tín hiệu đầu vào :
Có m tín hiệu vào, trong đó (m -1) tín hiệu là tín hiệu kích thích ở đầu vào là
(x1,…, xj,... ,xm-1 ), chúng được lấy từ đầu ra của các nơron được đặt trước nơron này
hoặc được lấy từ các nguồn tín hiệu đầu vào khác. Các tín hiệu kích thích đầu vào
này được thơng qua bộ trọng số (weight) wij đặc trưng cho mức độ liên kết giữa các
nơron thứ j (j= 1, 2, 3…., m-1) với nơron thứ i. Trọng số liên kết có giá trị dương
tương ứng khớp với thần kinh bị kích thích, ngược lại có giá trị âm tương ứng khớp
với thần kinh bị kiềm chế.
Riêng thành phần tín hiệu vào thứ m là xm được gọi là ngưỡng (threshold) có
giá trị xm= -1. Tín hiệu xm được đưa qua thành phần dịch chuyển (bias) bi:

Wim =bi

(2.1)

 Tín hiệu ra: Có một tín hiệu ra là yi.
 Bộ cộng
Thực hiện phép tính tìm tổng trọng vi (hoặc neti) bằng cách so sánh tổng trọng
của (m-1) kích thích đầu vào với giá trị trọng lượng của ngưỡng, nếu tổng trọng của
`16


(m-1) đầu vào vượt qua trọng lượng của ngưỡng thì nơron ở trạng thái kích thích để
tạo ra được tín hiệu ra yi:
m

neti  vi   w ij .x j  bi .xm
j 1

Thành phần bi về cơ bản giống trọng số wij chỉ khác là luôn liên kết tín hiệu xm = -1.
Do đó, cũng có thể coi bi là trọng số liên kết thứ m là wim của nơron thứ i nối với tín
hiệu vào thứ m là xm ln có giá trị là -1. Viết lại biểu thức (2.1) ở dạng sau đây:
m

neti  vi   w ij .x j
j 1

với wim= bi và xm= -1
 Hàm kích hoạt (activation function)
Là hàm thể hiện biến đổi tuyến tính giữa các kích thích đầu vào của một nơron
và tín hiệu đầu ra tương ứng. Thực tế hàm kích hoạt này thường hoạt động theo

ngưỡng nhất định thì nơron sẽ tạo thành một xung điện áp tại đầu ra. Ngưỡng kích
hoạt này được thể hiện với giá trị phân cực (bias). Bên cạnh đó, hàm kích hoạt của
nơron cũng thực hiện nhiệm vụ hạn chế mức tín hiệu trong mảng.
 Các dạng hàm truyền đạt sử dụng trong mạng nơron.
Hàm truyền đạt (hoặc ngưỡng làm việc, hàm chuyển đổi) dùng để đưa tính chất
phi tuyến, tuyến tính vào chức năng hoạt động của nơron. Kết quả sau khi chuyển
đổi đầu ra của nơron.

-

Hàm chuyển đổi giới hạn cứng
Hàm chuyển đổi giới hạn cứng (hard limit

transfer fuction),cịn có tên gọi là hàm chuyển
đổi dạng bước nhảy (step transfer fuction).

`17