Nghiên cứu ứng dụng mạng nơ ron nhân tạo trong dự báo ngắn hạn phụ tải điện (giai đoạn 2)

BỘ CÔNG THƯƠNG
TẬP ĐOÀN ĐIỆN LỰC VIỆT NAM
VIỆN NĂNG LƯỢNG
__________________________________________________________




BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP BỘ
MÃ SỐ: I- 145


NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON
NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN
PHỤ TẢI ĐIỆN
(GIAI ĐOẠN 2)

Chủ nhiệm đề tài:
Trần Kỳ Phúc




7178
17/3/2009

Hà Nội, 12-2008

BỘ CÔNG THƯƠNG
TẬP ĐOÀN ĐIỆN LỰC VIỆT NAM
VIỆN NĂNG LƯỢNG

__________________________________________________________

MÃ SỐ: I 145









ĐỀ TÀI NGHIÊN CỨU KHOA HỌC

NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO
TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN
(GIAI ĐOẠN 2)











Hà Nội, 12-2008

ii


iii

MỤC LỤC

Trang
Mở đầu

ii
Chương 1 Dự báo đỉnh và đáy biểu đồ phụ tải ngày dùng mạng neuron
nhiều lớp MLP

1.1
1.1. Giới thiệu

1.1
1.2. Thuật toán chung dự báo biểu đồ phụ tải ngày
1.1
1.3. Dự báo đỉnh biểu đồ phụ tải ngày trên cơ sở mạng MLP
1.4
1.4. Tóm lược

1.15
Chương 2. Dự báo biểu đồ phụ tải ngày dùng phương pháp đỉnh-đáy-dạng

2.1
2.1. Giới thiệu

2.1
2.2. Dự báo biểu đồ phụ tải ngày bằng phương pháp đỉnh-đáy-dạng

2.1
2.3. Tóm lược chương 2

2.9
Chương 3. Dự báo biểu đồ phụ tải ngày dùng mạng neuron MLP 24 đầu ra
3.1
3.1. Giới thiệu
3.1
3.2. Dự báo biểu đồ phụ tải ngày dùng mạng neuron MLP-31xNx24
3.1
3.3. Dự báo biểu đồ phụ tải ngày dùng mạng 24 neuron đầu ra MLP-
(24L+5W+4D)xNx24
3.4
3.4. Dự báo biểu đồ phụ tải ngày dùng mạng 24 neuron đầu ra mã hoá dạng ngày
dùng 8 neuron đầu vào MLP-(24L+5W+8D)xNx24
3.6
3.5. Một số giải pháp tăng hiệu quả dự báo biểu đồ phụ tải ngày
3.8
3.6. Tóm lược chương 3
3.11
Chương 4. Phân loại dạng biểu đồ phụ tải ngày
4.1
4.1. Giới thiệu
4.1
4.2. Xây dựng mạng ánh xạ đặc trưng tự tổ chức Kohonen (K-SOFM) phân loại
dạng biểu đồ phụ tải ngày

4.2
4.3. Kết quả và phân tích
4.8
4.4. Tóm lược chương 4
4.23
Kết luận
a
Tài liệu tham khảo
b
Phụ lục









iv


M U

Dự báo phụ tải điện với độ chính xác cao là một trong những nhiệm vụ vô
cùng quan trọng trong quy hoạch và vận hành hệ thống điện. Dự báo phụ tải điện có
thể chia làm 3 nhóm: dự báo ngắn hạn (một giờ đến một tuần), dự báo trung hạn (từ
hơn một tuần đến một năm) và dự báo dài hạn (trên một năm). Nếu nh dự báo trung
hạn và dài hạn đợc quan tâm nghiên cứu khá nhiều ở nớc ta (chủ yếu để phục vụ
quy hoạch hệ thống điện) thì dự báo ngắn hạn mặc dù đóng vai trò cực quan trọng

trong vận hành kinh tế hệ thống điện, lại cha đợc quan tâm nghiên cứu đúng mức.
ở nớc ngoài, dự báo ngắn hạn phụ tải điện là một vấn đề đã, đang và tiếp tục
đợc nghiên cứu, chủ yếu dùng các phơng pháp xác suất thống kê nh hồi qui đa
biến, san hàm mũ, chuỗi thời gian,... Gần đây, đã có một số công trình chuyển sang sử
dụng các công cụ của trí tuệ nhân tạo, đặc biệt là mạng nơ ron nhân tạo để dự báo
ngắn hạn.
ở nớc ta, đã có một vài nghiên cứu ở một số nơi về mạng nơ ron trong dự báo
phụ tải điện nhng nặng về nghiên cứu phơng pháp luận và học thuật, cha đi vào số
liệu cụ thể, sai số còn cao và khả năng áp dụng còn giới hạn.
Giai on 1 ca ti ó xem xột cỏc vn sau:
- Tng quan v d bỏo ph ti
in ngn hn
- Tng quan v mng n ron nhõn to v Matlab Neuron Toolbox
- Mng n ron nhõn to trong d bỏo ph ti in ngn hn
- La chn mng n ron nhõn to cho d bỏo ph ti in ngn hn nc ta.
Bỏo cỏo ny trỡnh by cỏc kt qu c bn ca giai on 2, bao gm cỏc vn
thit k mụ hỡnh, lp phn mm v th
nghim d bỏo nh-ỏy-dng biu ph
ti ngy dựng mng neuron nhiu lp thut toỏn lan truyn ngc sai s MLP v
mng mt lp thut toỏn hc khụng giỏm sỏt Kohonen. Kt qu th nghim mng
cho thy hiu qu d bỏo l thp hn cỏc mụ hỡnh dựng phng phỏp thng k v
tng ng vi cỏc cụng b dựng mng neuron, neuron-m,... so sỏnh, giai on
2 cng ó xõy d
ng phn mm d bỏo biu ph ti ngy trờn c s mng neuron

v
24 đầu ra (phụ tải 24 giờ trong ngày). Kết quả cho sai số tương đương với phương
pháp đỉnh-đáy-dạng. Hướng nghiên cứu tiếp theo là tổng hợp cả 2 giải pháp này trong
phần mềm dự báo sử dụng bộ tổng hợp sai số bình phương tối thiểu dựa vào hiệu quả
dự báo của từng giải pháp trong quá khứ.

vi
CHƯƠNG 1

DỰ BÁO ĐỈNH BIỂU ĐỒ PHỤ TẢI NGÀY
DÙNG MẠNG NEURON NHIỀU LỚP MLP

1.1 Giới thiệu
Dự báo đỉnh và đáy biểu đồ phụ tải ngày (tức giá trị công suất phụ tải cao nhất
và thấp nhất trong ngày) có vai trò đặc biệt quan trọng trong điều độ hệ thống điện.
Ngoài ra, dự báo đỉnh và đáy biểu đồ phụ tải còn là giai đoạn
đầu của phương pháp
dự báo biểu đồ phụ tải ngày dùng phương pháp kết hợp dự báo đỉnh, đáy và dạng biểu
đồ phụ tải. Đối với phương pháp này sai số dự báo đỉnh và đáy cùng với sai số dự báo
dạng biểu đồ sẽ ảnh hưởng đến sai số cuối cùng khi dự báo cả biểu đồ phụ tải ngày.
Chương này giới thiệu phương pháp, dữ li
ệu và kết quả dự báo đỉnh và đáy
biểu đồ phụ tải ngày khu vực Hà Nội trên cơ sở mạng neuron nhân tạo nhiều lớp huấn
luyện bằng thuật toán lan truyền ngược sai số MLP.
1.2. Thuật toán chung dự báo biểu đồ phụ tải ngày

Với một số giản ước dựa trên nhu cầu thực tiễn cũng như xem xét lý thuyết, dự
báo biểu đồ phụ tải ngày có thể xem là bài toán xác định đường cong phụ tải biểu diễn
sự phụ thuộc của công suất phụ tải của hệ thống nào đó vào thời gian trong ngày,
đường cong này thường xây dựng cho 24 giờ trong ngày (hoặc có khi từng nửa giờ
một). Biểu đồ phụ tả
i tuần và ngày đặc trưng cho khu vực Hà Nội được biểu diễn trên
hình 1.1
0

100
200
300
400
500
600
1 25 49 73 97 121 145
Giờ, h
P, MW
Thứ Ba, 06/7/2004
0
100
200
300
400
500
600
700
800
1 7 13 19
Giờ trong ngày, h
Phụ tả i, M W


vii
Hình 1.1 Biểu đồ phụ tải tuần và ngày đặc trưng khu vực Hà Nội

Có một số cách tiếp cận đối với bài toán dự báo biểu đồ phụ tải ngày:
- Kết hợp dự báo đỉnh (phụ tải cao nhất), đáy (phụ tải thấp nhất) và dạng biểu
đồ phụ tải ngày (dạng đường cong phụ thuộc phụ tải-giờ) [3]

- Dự báo đồng thời phụ tải 24 giờ ngày dự báo (thường dùng MNN 24 đầu ra)
[2]
- Dự báo 24 lầ
n từng giờ của ngày dự báo (dùng MNN 1 đầu ra) [2]
Nghiên cứu này sử dụng cách tiếp cận đầu tiên vì tính đơn giản và hiệu quả
của mô hình. Toàn bộ thuật toán dự báo sẽ dựa trên đại lượng x
d
- là vector đặc trưng
cho ngày d
{ }
SkdTjdLidd
nkCnjTniL ,1;;,1,;,1,
,,,
====x

với L
d,i
, i=1..n
L
là phụ tải điện tại thời điểm i của ngày d, thông thường n
L
=24
T
d,j
, j=1,n
T
là thông số thời tiết j của ngày d; T có thể là nhiệt độ, độ ẩm,...
C
d,k
, k=1,n

S
là thông số lịch k của ngày d, C có thể là mã hoá của ngày trong
tuần, mùa trong năm, ngày lễ-tết, ngày có sự kiện văn hoá-thể thao đặc biệt,...
Gọi vector x
n
d
là vector đặc trưng cho ngày d được chuẩn hoá
{ }
S
n
T
n
jdL
n
id
n
d
nkCnjTniL
kd
,1;;,1,;,1,
,
,,
====
x

Ở đây, L
n
d,i
, i=1,n
L

chính là biểu đồ phụ tải ngày d chuẩn hoá theo đỉnh và đáy phụ tải
(hoặc gọi là dạng đường cong biểu đồ phụ tải) theo công thức
L
dd
did
n
ni
LL
LL
L
id
,1,
minmax
min
,
,
=
−
−
=
(1.1)
với maxL
d
và minL
d
là giá trị phụ tải lớn nhất và nhỏ nhất của ngày d tương ứng,
{ }
Lidd
niLL
,1,maxmax

,
==

{ }
Lidd
niLL ,1,minmin
,
==


viii
T
n
d,j
, j=1,n
T
và C
n
d,k
, k=1,n
S
cũng được chuẩn hoá tương tự.
Biểu đồ phụ tải ngày d dự báo được nếu có giá trị dự báo của đỉnh maxL
d
, đáy
minL
d
và biểu đồ phụ tải chuẩn hoá nL
d,i

Lddiddid
niLLnLLL ,1),min(max.min
^
,
^^
,
=−+=
(1.2)
Thuật toán này phát triển trên cơ sở đề xuất trong [3] và khác với [3] tại 2
điểm: a) vector đặc trưng ngày x
d
không chỉ có các thành phần phụ tải như trong [3]
mà còn bao gồm cả các thành phần thời tiết và lịch sinh hoạt, sản xuất – là các thành
phần ảnh hưởng đến biểu đồ phụ tải; b) phần dự báo dạng biểu đồ phụ tải ngày không
dựa đơn thuần trên 4 nhóm ngày phân loại cố định từ trước (Chủ nhật, thứ Bảy, thứ
Ba- thứ Năm, thứ Sáu) mà trên cơ sở các nhóm ngày được phân lo
ại chi tiết hơn có
tính đến yếu tố thời tiết và lịch sinh hoạt-sản xuất, tận dụng thông tin về khoảng cách
giữa vector trọng số của neuron đặc trưng cho nhóm và vector đầu vào của mạng
Kohonen (xem chương 4).
Đỉnh và đáy biểu đồ phụ tải sẽ được dự báo dùng 2 MNN nhiều lớp truyền
thẳng một đầu ra. Biểu đồ phụ tải chuẩn hoá sẽ được dự
báo dùng mạng ánh xạ tự tổ
chức Kohonen (xem sơ đồ trên hình 1.2).

Hình 1.2. Sơ đồ cấu trúc mô hình dự báo BĐPT ngày

L,T,C
MLP
dự báo

đỉnh
MLP
dự báo
đáy
SOM
dự báo
dạng




Bộ
tổng
hợp
L,T,C
L,T,C
L
d,i

ix
1.3. Dự báo đỉnh biểu đồ phụ tải ngày trên cơ sở mạng MLP
Cấu hình mạng neuron nhân tạo dự báo đỉnh biểu đồ phụ tải ngày
MNN sẽ là mạng perceptron nhiều lớp truyền thẳng liên kết đủ, số lớp ẩn là 1,
số neuron đầu ra là 1, theo luật học lan truyền ngược sai số [5].
Lựa chọn các neuron đầu vào. Nhằm chọn số neuron đầu vào phù hợp đã tiến
hành phân tích tương quan gi
ữa phụ tải đỉnh ngày dự báo maxL
d
và các thông số thời
tiết khu vực Hà Nội, kết quả như trong bảng 1.1. Ở đây ký hiệu maxL

d-k
- phụ tải đỉnh
k ngày trước ngày dự báo, k=1,2,..; maxT
d-k
, minT
d-k
- nhiệt độ cao nhất và thấp nhất k
ngày trước ngày dự báo; maxT
d
, minT
d
- nhiệt độ cao nhất và thấp nhất ngày dự báo;
maxT
d
-maxT
d-1
- chênh lệch nhiệt độ cao nhất giữa ngày dự báo và ngày trước đó;
H
d
, RF
d
, SH
d
- độ ẩm, lượng mưa và số giờ nắng ngày dự báo.


Bảng 1.1. Hệ số tương quan giữa
maxL
d

và các thông số còn lại x
Hệ số tương quan R
maxL
d-1
maxL
d-2
maxL
d-3
maxL
d-7
maxL
d-14
H
d
RF
d
SH
d
0.812
0,693 0,645
0,762
0,705 -0,109 -0,023
0,301
maxT
d
maxT
d-1
maxT
d-7
minT

d
minT
d-1
minT
d-7

maxT
d
-maxT
d-1

0,456 0,450
0,402
0,434 0,428
0,400 0,026

Liên quan đến đầu vào nhiệt độ, phân tích hàm quan hệ giữa phụ tải điện và
nhiệt độ khu vực Hà Nội (xem hình 1.3) cho thấy hiện nay hàm này có dạng bậc
thang, khác với dạng chữ U như đối với nhiều nước nêu trong [5]. Hai điểm chuyển
đổi (gãy khúc) tương ứng với ngưỡng nhiệt độ sưởi ấm và ngưỡng nhiệt độ làm mát
tương ứng là T
Cmin
= 17,5
0
C và T
Cmax
= 25
0
C, có khác chút ít với nhiều nước
1

. Các
giá trị này cũng thể hiện phần nào tập quán sử dụng điện, mức thu nhập trung bình và
trình độ phát triển của từng khu vực trên thế giới.

1
Nhiều nước công bố giá trị T
Cmin
= 15
0
C và T
Cmax
= 20
0
C

x
Phụ thuộc phụ tải trung bình - nhiệt độ trung bình ngày 2003-2004
0
100
200
300
400
500
600
700
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37
Ttb, oC
Ptb, MW

Hình 1.3. Phụ thuộc phụ tải - nhiệt độ khu vực Hà Nội

Do đó, có thể thay thế đầu vào nhiệt độ T bằng hàm chuyển đổi f(T) sau :
⎪
⎩
⎪
⎨
⎧
≤−
<<
≥−
=
00
00
00
5,17..,5,17
255,17..,0
25..,25
)(
TifT
Tif
TifT
Tf
(1.3)
Thông tin về ngày trong tuần sẽ được mã hoá bằng một trong hai cách, sử
dụng 3 hoặc 7 neuron đầu vào như nêu tại bảng 1.2.

Bảng 1.2. Mã hoá ngày trong tuần
Số neuron Chủ nhật Thứ Hai Thứ Ba Thứ Tư Thứ Năm Thứ Sáu
Thứ Bảy
3 001 010 011 100 101 110 111

7
0000001 0000010 0000100 0001000 0010000 0100000 1000000

Phân tích biến thiên đỉnh phụ tải, dạng biểu đồ phụ tải và nhiệt độ cao nhất
ngày trong một số năm khu vực Hà Nội (xem hình 1.4) cho thấy theo mức phụ tải và
nhiệt độ trong năm có thể chia phụ tải hàng năm của Hà Nội thành 3 mùa: mùa đầu
năm từ tháng Giêng đến tháng 4; mùa giữa năm từ tháng 5 đến tháng 8 và mùa cuối
năm từ tháng 9 đến tháng 12. Các mùa này được mã hoá bằng 3 bit tương ứng như
sau: 100, 010 và 001.

xi

0
100
200
300
400
500
600
700
800
1 60 119 178 237 296 355
Ngày
Pmax, MW
0
10
20
30
40
50

60
Tmax, oC
Pmax Tmax

Hình 1.4. Biến thiên đỉnh biểu đồ phụ tải và nhiệt độ cao nhất ngày trong năm khu vực Hà Nội

Tóm lại, trên cơ sở phân tích tương quan giữa các thông số phụ tải, thời tiết, ...
thiết kế MNN dùng dự báo đỉnh biểu đồ phụ tải ngày với các đầu vào và đầu ra như
sau:
Bảng 3. Đầu vào và đầu ra của MNN dự báo đỉnh biểu đồ phụ tải ngày
Thông số Neuron Ký hiệu
Phụ tải Neuron no. 1... 2
maxL
d-1
,
maxL
d-7
Thời tiết Neuron no. 3....8
maxT
d
,
maxT
d-1
,maxT
d-7
,minT
d
,minT
d-1
,minT

d-7

Ngày Neuron no. 9..15
D
1
D
2
D
3
D
4
D
5
D
6
D
7
Đầu vào

Mùa Neuron no.16..18
S
1
S
2
S
3
Đầu ra
Phụ tải 1 neuron
maxL
d

Mạng cơ sở trên sẽ được thêm, bớt hoặc thay đổi các đầu vào (như hàm nhiệt
độ thay cho nhiệt độ, mã hoá ngày trong tuần dùng 1 neuron hoặc 3 neuron, ...) với

xii
mục đích so sánh hiệu quả dự báo và tìm ra cấu trúc mạng phù hợp nhất đối với hệ
thống điện Hà Nội.
Lựa chọn số neuron lớp ẩn. Nhằm giảm ảnh hưởng của hiện tượng quá khớp
và thừa thông số, số neuron lớp ẩn và số chu kỳ huấn luyện mạng sẽ được xác định
thông qua quá trình kiểm định. Số neuron lớp
ẩn khởi đầu xác định theo công thức
kinh nghiệm nêu trong [7]:

)(5 NoNi
NS
Nh
+
≈
(1.4)
với Nh, NS, Ni và No tương ứng là số neuron lớp ẩn, số mẫu huấn luyện, số neuron
đầu vào và số neuron đầu ra của mạng. Tăng, giảm số neuron lớp ẩn xung quanh giá
trị ban đầu, thông qua huấn luyện mạng có kiểm định, xác định số neuron lớp ẩn
tương ứng với trường hợp sai số đối với tập kiểm định là nhỏ nhất. Ứng với tr
ường
hợp này cũng xác định số chu kỳ huấn luyện mạng.

Kiểm định và lựa chọn số chu kỳ huấn luyện mạng
Để khắc phục hiện tượng quá khớp và thừa tham số, có thể sử dụng phương
pháp điều tiết hoặc kiểm định. Kết hợp công thức kinh nghiệm (1.4) và thuật toán

kiểm định, đề xuất trình tự lựa chọn số neuron lớp ẩn và số chu kỳ huấn luyện mạng
như sau:
Bước 1: Chọn số neuron lớp ẩn ban đầu theo công thức (1.4)
Bước 2: Tăng, giảm số neuron lớp ẩn xung quanh giá trị ban đầu, thông qua
huấn luyện mạng có kiểm định, xác định số neuron lớp ẩn tương ứng với trường hợp
sai số đối với tập kiểm định là nhỏ nhất. Ứng với trường hợp này cũng xác định số
chu kỳ huấn luyện mạng - ký hi
ệu là N
e
.
Bước 3: Gộp tập kiểm định vào tập huấn luyện thành tập huấn luyện mới và
chuyển sang bước huấn luyện mạng chính thức với số neuron lớp ẩn N
h
và số chu kỳ
huấn luyện N
e
tìm được. Đánh giá mạng bằng sai số đối với tập huấn luyện mới (sai
số in-sample) và đối với tập kiểm tra (sai số out-sample)

xiii
Chỉ tiêu sai số so sánh. Sử dụng sai số tuyệt đối phần trăm trung bình (MAPE)
để so sánh hiệu quả dự báo của MNN.
Trên cơ sở thuật toán trên đã xây dựng phần mềm dự báo đỉnh và đáy phụ tải
ngày sử dụng công cụ MATLAB và giao diện đồ hoạ MATLAB-GUI.
Kết quả dự báo đỉnh phụ tải
Để so sánh ảnh hưởng của các thông tin đầu vào khác nhau đến hiệu quả dự
báo đ
ã tiến hành nghiên cứu các phương án mạng khác nhau về số lượng và tính chất
các đầu vào (có và không có thông tin về thời tiết, về mùa, các phương án mã hoá
khác nhau, v.v...):

i.Mạng không có đầu vào về nhiệt độ, ký hiệu MLP-(2L+7DT+3S)x10x1-20e.
Mạng có tất cả 12 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 7
đầu vào mã hoá ngày trong tuần và 3 đầu vào mã hoá mùa trong năm; số neuron lớp
ẩn là 10; số chu kỳ huấn luyện là 20.
ii.Mạng không có đầu vào về nhiệt độ
ngày dự báo nhưng có thông tin đầu vào về
nhiệt độ các ngày quá khứ, ký hiệu MLP-(2L+4f(T)+7DT+3S)x7x1-16e. Mạng có tất
cả 16 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 4 đầu vào là
hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quá khứ, 7 đầu vào mã hoá ngày trong
tuần và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 7; số chu kỳ huấn luyện
là 16.
iii.Mạng không có đầu vào về mùa trong năm, ký hiệu MLP-
(2L+6f(T)+7DT)x7x1-16e. Mạ
ng có tất cả 15 đầu vào, trong đó 2 đầu vào nhận thông
tin về phụ tải quá khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất
quá khứ cũng như ngày dự báo và 7 đầu vào mã hoá ngày trong tuần; số neuron lớp
ẩn là 7; số chu kỳ huấn luyện là 28.
iv.Mạng có 3 bit mã hoá ngày trong tuần, ký hiệu MLP-(2L+6f(T)+3DT+3S)x7x1-
15e. Mạng có tất cả 14 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ,
6 đầu vào là hàm chuyể
n đổi nhiệt độ cao nhất và thấp nhất quá khứ cũng như của

xiv
ngày dự báo, 3 đầu vào mã hoá ngày trong tuần và 3 đầu vào mã hoá mùa trong năm;
số neuron lớp ẩn là 7; số chu kỳ huấn luyện là 15.
v. Mạng có 7 bit mã hoá ngày trong tuần, ký hiệu MLP-
(2L+6f(T)+7DT+3S)x6x1-21e. Mạng đầy đủ nhất trong số xem xét, có tất cả 18 đầu
vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 6 đầu vào là hàm chuyển
đổi nhiệt độ cao nhất và thấp nhất quá khứ cũng như của ngày dự báo, 7 đầu vào mã
hoá ngày trong tuần và 3 đầu vào mã hoá mùa trong n

ăm; số neuron lớp ẩn là 6; số
chu kỳ huấn luyện là 21.
vi.Mạng có đầu vào nhiệt độ trực tiếp (không dùng hàm chuyển đổi), ký hiệu
MLP-(2L+6T+3S)x10x1-16e. Mạng có tất cả 11 đầu vào, trong đó 2 đầu vào nhận
thông tin về phụ tải quá khứ, 6 đầu vào là nhiệt độ cao nhất và thấp nhất quá khứ
cũng như của ngày dự báo và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là
10; số chu kỳ huấ
n luyện là 16.
vii.Mạng có đầu vào là hàm chuyển đổi nhiệt độ, ký hiệu MLP-
(2L+6f(T)+3S)x10x1-16e. Mạng có tất cả 11 đầu vào, trong đó 2 đầu vào nhận thông
tin về phụ tải quá khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất
quá khứ cũng như của ngày dự báo và 3 đầu vào mã hoá mùa trong năm; số neuron
lớp ẩn là 10; số chu kỳ huấn luyện là 16.
. Kết quả tổng hợp trong bảng 1.4. Các giá tr
ị sai số này là trung bình thống kê
10 lần huấn luyện và dự báo độc lập.
Bảng 1.4. So sánh sai số dự báo đỉnh biểu đồ phụ tải ngày với các phương án MNN khác nhau

Mạng
Kỳ dự
báo
Average
Ghi chú

MLP-(11+7)x6x1-21e-f(T) 1.16 Mạng mùa+ngày 7bit+f(T)
MLP-(11+7-3)x7x1-28e-f(T) 1.58 Mạng không mùa+ngày+f(T)
MLP-(11+7-6T)x10x1-20e 3.62 Mạng mùa+ngày 7bit+NoT
MLP-11x10x1-16e-T 1.15 Mạng mùa+T+10 neuron lớp ẩn
MLP-11x10x1-16e-f(T) 1.09 Mạng mùa+f(T)+10 neuron lớp ẩn
MLP-(11+7-2T)x7x1-16e

Ngày
4.38 Mạng mùa+ngày 7bit+NoT(i)
MLP-(11+7)x6x1-21e-f(T) 2.62 Mạng mùa+ngày 7 bit+f(T)
MLP-(11+7-3)x7x1-28e-f(T) 2.97 Mạng không mùa+ngày+f(T)
MLP-(11+7-6T)x10x1-20e 2.95 Mạng mùa+ngày 7bit+NoT
MLP-11x10x1-16e-T
Tuần
2.93 Mạng mùa+T+10 neuron lớp ẩn

xv
Mạng
Kỳ dự
báo
Average
Ghi chú

MLP-11x10x1-16e-f(T) 2.85 Mạng mùa+f(T)+10 neuron lớp ẩn
MLP-(11+7-2T)x7x1-16e 2.71 Mạng mùa+ngày 7bit+NoT(i)
MLP-(11+7)x6x1-21e-f(T) 3.07 Mạng mùa+ngày 7 bit+f(T)
MLP-(11+7-3)x7x1-28e-f(T) 3.43 Mạng không mùa+ngày+f(T)
MLP-(11+7-6T)x10x1-20e 3.73 Mạng mùa+ngày 7bit+NoT
MLP-11x10x1-16e-T 3.76 Mạng mùa+T+10 neuron lớp ẩn
MLP-11x10x1-16e-f(T) 3.70 Mạng mùa+f(T)+10 neuron lớp ẩn
MLP-(11+7-2T)x7x1-16e
Tháng
3.75 Mạng mùa+ngày 7bit+NoT(i)
MLP-(11+7)x6x1-21e-f(T) 3.18 Mạng mùa+ngày 7 bit+f(T)
MLP-(11+7-3)x7x1-28e-f(T) 3.24 Mạng không mùa+ngày+f(T)
MLP-(11+7-6T)x10x1-20e 3.94 Mạng mùa+ngày 7bit+NoT
MLP-11x10x1-16e-T 3.80 Mạng mùa+T+10 neuron lớp ẩn

MLP-11x10x1-16e-f(T) 3.74 Mạng mùa+f(T)10 neuron lớp ẩn
MLP-(11+7-2T)x7x1-16e
Toàn
bộ
3.82 Mạng mùa+ngày 7bit+NoT(i)


0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
Ngày Tuần Tháng Tập test
MAPE, %
Mùa Không mùa

Hình 5. So sánh sai số dự báo đỉnh trường hợp có và không có đầu vào về mùa trong năm

xvi

So sánh hiệu quả dự báo trường hợp có và không có thông tin về mùa trong
năm (hình 5) cho thấy phương pháp phân loại mùa nêu trên và thông tin về mùa đưa
vào mạng khá là hiệu quả. Đối với khu vực Hà Nội thông tin về mùa giúp giảm sai số
dự báo từ 1,58% (đối với dự báo 1 ngày tới), 2,97% (dự báo 1 tuần tới) và 3,43% (đối
với dự báo 1 tháng tới) xuống còn 1,16%, 2,62% và 3,07% tương ứng; tương đương
với giảm được 36% sai số dự báo 1 ngày tớ

i, 14% sai số dự báo 1 tuần tới và 12% sai
số dự báo 1 tháng tới.
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
Ngày TuầnThángTập test
MAPE, %
T
Không T

Hình 1.6. So sánh sai số dự báo đỉnh trường hợp có và không có đầu vào về nhiệt độ

So sánh hiệu quả dự báo trường hợp có và không có thông tin về nhiệt độ
(hình 6) cho thấy nhiệt độ là thông tin cần thiết đối với mạng. Đối với khu vực Hà
Nội thông tin về nhiệt độ giúp giảm sai số dự báo từ 3,62% (đối với dự báo 1 ngày
tới), 2,95% (dự báo 1 tuần tới) và 3,73% (đối với dự báo 1 tháng tới) xuống còn
1,16%, 2,62% và 3,07% tương ứng.

xvii
0.0
0.5
1.0
1.5

2.0
2.5
3.0
3.5
4.0
Ngày Tuần Tháng Tập test
MAPE, %
f(T)
T

Hình 7. So sánh sai số dự báo đỉnh trường hợp dùng và không dùng hàm chuyển đổi nhiệt độ


So sánh hiệu quả dự báo trường hợp không dùng và dùng hàm chuyển đổi
nhiệt độ (hình 7) cho thấy dùng hàm chuyển đổi nhiệt độ mặc dù hiệu quả tăng lên là
không nhiều nhưng sai số dự báo vẫn có xu hướng giảm. Đối với khu vực Hà Nội sai
số dự báo giảm từ 1,15% (đối với dự báo 1 ngày tới), 2,93% (dự báo 1 tuần tới) và
3,76% (đối với dự báo 1 tháng tới) xuống còn 1,09%, 2,85% và 3,70% tương ứng.
Để
tăng hiệu quả dự báo theo hướng này, có thể thay hàm chuyển đổi (3) bằng hàm bình
phương độ lệch nhiệt độ.

xviii
0.0
0.5
1.0
1.5
2.0
2.5
3.0

3.5
4.0
4.5
5.0
Ngày Tuần Tháng Tập test
MAPE, %
T(i)
Không T(i)

Hình 8. So sánh sai số dự báo đỉnh BĐPT ngày trường hợp có và không có nhiệt độ ngày dự báo

So sánh hiệu quả dự báo trường hợp có và không có đầu vào nhiệt độ ngày dự
báo (hình 8) cho thấy thông tin về nhiệt độ ngày dự báo cho phép giảm sai số dự báo
đáng kể. Tuy nhiên, các giá trị nhiệt độ ngày dự báo trong nghiên cứu là giá trị thực
tế. Trên thực tế, tại thời điểm dự báo phụ tải ta chỉ có số liệu nhiệt độ dự báo với sai
số nào đó, sai số này có thể sẽ
ảnh hưởng đến sai số dự báo phụ tải. Vì vậy, cần cân
nhắc giữa sai số dự báo phụ tải gây ra bởi ảnh hưởng của sai số dự báo nhiệt độ với
sai số giảm đi nhờ đưa vào mạng thông tin về nhiệt độ ngày dự báo.
Tương tự, so sánh trường hợp có và không có mã ngày trong tuần cũng cho
thấy thông tin ngày trong tuần làm giảm đến khoảng 10% sai số dự báo. Riêng khác
biệ
t về hiệu quả của 2 trường hợp mã hoá ngày bằng 3 bit hoặc 7 bit là không rõ rệt,
do đó có thể chỉ dùng cách mã hoá 3 bit chứ không cần đến 7 bit để tiết kiệm tài
nguyên.
Cập nhật số liệu đỉnh biểu đồ phụ tải từng ngày để giảm sai số dự báo

xix
Các kết quả trên đây cho thấy, hầu hết các cấu trúc mạng xem xét đều có thể
cho sai số dự báo ngày đầu tiên khá thấp, tuy nhiên sai số dự báo các ngày sau thường

ở mức cao hơn.
Vì vậy đề xuất giải pháp cập nhật mạng MLP hàng ngày với số liệu đỉnh phụ
tải ngày mới nhất để giảm sai số dự báo ngày sắp tới.
Thuật toán cập nhật đề xuất như sau:
a) Sau mỗ
i ngày tập huấn luyện sẽ được cập nhật bằng cách bổ sung giá trị
thực tế của ngày hôm đó về đỉnh phụ tải, thông số thời tiết, kiểu ngày,...(nghĩa là số
vector tập huấn luyện sẽ tăng lên 1 đơn vị)
b) Mạng MLP hiện hữu sẽ được huấn luyện lại với toàn bộ tập huấn luyện mới
được cập nhật (hoặ
c với một tập con của nó, bao gồm ít nhất là vector huấn luyện của
ngày mới nhất)
c) Mạng MLP cập nhật sẽ được dùng để dự báo đỉnh biểu đồ phụ tải của ngày
kế tiếp
d) Chu kỳ a)-c) trên sẽ lặp lại hàng ngày để đạt được sai số dự báo dưới
ngưỡng yêu cầu.



xx
1.4. Tóm lược chương 1
Trong chương này trình bày một số kết quả sau:
- Xây dựng mô hình dự báo biểu đồ phụ tải ngày cho khu vực Hà Nội được
xây dựng trên cơ sở mạng MLP dự báo đỉnh và đáy phụ tải, mạng Kohonen dự báo
dạng BĐPT. Phần mềm dự báo đỉnh và đáy phụ tải được viết trên phần mềm
MATLAB và NNTools có sử dụng công cụ giao diện đồ hoạ GUI
- Để ch
ọn các đầu vào phù hợp nhất trong số các thông số phụ tải, thời tiết và
lịch sinh hoạt-sản xuất, tiến hành phân tích tương quan giữa phụ tải đỉnh dự báo và
các thông số còn lại.

- Nhằm tránh hiện tượng quá khớp và thừa thông số của mạng MLP thuật toán
học lan truyền ngược áp dụng cho dự báo đỉnh phụ tải, số neuron lớp ẩn và số chu kỳ
huấn luyện mạng
được xác định trên cơ sở thuật toán kiểm định và tăng giảm số
neuron lớp ẩn so với công thức kinh nghiệm Oja.
- Kết quả thử nghiệm thuật toán và phần mềm cho sai số dự báo đỉnh phụ tải ở
mức 2,5% và thấp hơn. Để duy trì mức sai số thấp này cần có thủ tục cập nhật mạng
hàng ngày bằng số liệu phụ tải và thời tiết mớ
i cũng như cần tách số liệu quá khứ các
ngày lễ-tết, các ngày cắt điện sự cố hay kế hoạch,... ra khỏi tập huấn luyện để xử lý
riêng.
- So sánh kết quả dự báo dùng các phương án đầu vào mạng khác nhau cho
thấy: a) việc đưa thông tin về mùa giảm được sai số dự báo đáng kể; b) thông tin về
thời tiết là cần thiết cho dự báo đỉnh phụ tải; c) mã hoá ngày dùng 7 neuron đầu vào
không tăng hiệu quả dự báo so với phương án dùng 3 neuron đầu vào.

xxi
Tài liệu tham khảo chương 1

1. Upadhyay K.G., Singh S.N., An approach to short term load forecasting using
market price signal. 19
th
International Conference on Electrical Distribution.
Vienna (2007)
2. H.S. Hippert, C.E. Pedreira, and R.C. Souza. Neural Networks for Short-Term
Load Forecasting: A Review and Evaluation. IEEE Transactions on Power
Systems, 16:44–55, 2001
3. Hsu Y.Y., Yang C.C., Design of ANN for short-term load forecasting. IEE
Proceedings, Vol.123 1991.
4. Trần Kỳ Phúc, Polite M., Nguyễn Tiên Phong, Lê Thị Thanh Hà, Mạng nơ-ron

trong dự báo phụ tải điện ngắn hạn ứng dụng tại Hà Nội: Ảnh hưởng của các
thông số thời tiết. Tuyển tập BCKH Hội nghị KHKT Đo lường IV. Hà Nội (
2005)
5. Rumelhart D.E, McClelland J.L., Parallel Distributed Processing, vol.1, MIT
Press (1986).
6. T. Haida and S. Muto, "Regression based peak load forecasting using a
transformation technique", IEEE Trans. Power Systems, vol. 9, no.4, (1994)
7. Oja E, Lecture material for the course Principles of Neural Computing,
held at
Helsinki University of Technology in Spring 1997
8. Kohonen T. Self-Organization Maps. Berlin (2001)



xxii
CHƯƠNG 2
DỰ BÁO BIỂU ĐỒ PHỤ TẢI NGÀY DÙNG MÔ HÌNH ĐỈNH-ĐÁY-DẠNG

2.1. Giới thiệu
Dự báo biểu đồ phụ tải ngày đóng vai trò quan trọng trong điều độ kinh tế
(economic dispatch), phân bổ công suất các tổ máy (unit commitment), chuẩn bị
nhiên liệu và lên lịch bảo dưỡng hệ thống điện. Biểu đồ phụ tải ngày là một thông tin
không thể thiếu được trong vận hành thị trườ
ng điện Việt Nam trong những năm sắp
tới. Giảm được 1% sai số dự báo phụ tải điện giúp tiết kiệm được hàng chục triệu đô
mỗi năm đối với một hệ thống điện trung bình như hệ thống điện nước ta.
Có một số cách tiếp cận đối với bài toán dự báo biểu đồ phụ tải ngày:
- Kết h
ợp dự báo đỉnh, đáy và dạng biểu đồ phụ tải ngày
- Dự báo đồng thời phụ tải 24 giờ ngày dự báo (thường dùng MNN 24 đầu ra)

- Dự báo 24 lần từng giờ của ngày dự báo (dùng MNN 1 đầu ra)

Trong chương này sẽ nghiên cứu xây dựng mô hình dự báo biểu đồ phụ tải
khu vực Hà Nội theo cách tiếp cận đầu tiên. Các mô hình khác sẽ được xem xét ở các
chương sau.

2.2 Dự báo biểu đồ phụ tải ngày bằng phương pháp đỉnh-đáy-dạng

Thuật toán dự báo biểu đồ phụ tải ngày
Phương pháp này có thể chia thành 3 bước: bước 1 bao gồm các khâu dự báo
đỉnh và đáy phụ tải của ngày tới; bước 2 - dự báo dạng biểu đồ phụ tải của ngày tới;
bước 3 - xây dựng biểu đồ phụ tải ngày tới trên cơ sở đỉnh, đáy phụ tải và dạng biểu
đồ phụ tải dự báo ở bước trước.
Bước 1 có thể sử dụng một trong 2 phương án sau:
- Dùng 2 MNN riêng cho dự báo đỉnh và dự báo đáy (ví dụ, mạng MLP 1 đầu
ra);
- Dùng 1 MNN chung cho dự báo đỉnh và dự báo đáy (MLP 2 đầu ra).

xxiii
Xét điều kiện dữ liệu có được khu vực Hà Nội, năng lực tính toán và yêu cầu
tính toán của bước dự báo đỉnh và đáy phụ tải, đề xuất sử dụng phương án 2 mạng
MLP riêng cho bước 1 với mô hình mạng "mùa" và mạng "kiểu ngày" như đã xem xét
ở chương trước.
Bước 2- dự báo dạng biểu đồ phụ tải ngày tới - tiến hành bằng cách lập dạng
biểu đồ ph
ụ tải ngày tới trên cơ sở lấy trung bình của biểu đồ phụ tải n ngày tương tự
trước đó (ví dụ, n=3..5 và n=2, 3 ngày tương tự trước đó đối với ngày làm việc và đối
với ngày nghỉ, ngày lễ tương ứng). Ngày có biểu đồ phụ tải tương tự được xác định
bằng nhiều cách, ví dụ:
- Dùng mạng ánh xạ tự tổ chức (self-organizing feature map - SOFM) để phân

loại dạng bi
ểu đồ phụ tải của tập biểu đồ phụ tải quá khứ thành các nhóm khác nhau,
xây dựng bộ dấu hiệu nhận dạng (bao gồm các thông tin biết trước, ví dụ, ngày trong
tuần, các ngày lễ xác định, ngày có sự kiện văn hoá thể thao lớn,...) để nhận dạng các
nhóm biểu đồ phụ tải này. Đối với ngày dự báo, cần trình bộ dấu hiệu nhận dạng này
để xác định nhóm biểu đồ ph
ụ tải mà ngày dự báo này trực thuộc.
- Dùng một phương tiện khác (ví dụ logic mờ, khoảng cách euclide,...) để tìm
các biểu đồ phụ tải có dạng tương tự trong quá khứ.

Tập dữ liệu:
- Tập số liệu 1: Số liệu phụ tải từng giờ và thời tiết (nhiệt độ, độ ẩm, ...) của
Công ty Điện lực Hà Nội trong 2 năm 2003-2004, chuyển đổi và lưu trữ trong file
dạng ".xls". Số liệu 2 năm là tạm đủ để phản ánh tính chu kỳ của phụ tải theo tuần,
tháng, mùa và năm.
Sơ đồ cấu trúc mô hình mạng neuron nhân tạo dự
báo biểu đồ phụ tải
ngày
Sơ đồ cấu trúc mô hình mạng neuron nhân tạo dự báo biểu đồ phụ tải ngày
trình bày trên hình 1.2 (xem chương 1)



xxiv

Mô hình bao gồm 2 mạng MLP dùng dự báo đỉnh và đáy phụ tải ngày, một
mạng ánh xạ tự tổ chức SOFM hoặc một công cụ khác dùng phân loại các biểu đồ
phụ tải ngày trong quá khứ - bao gồm cả cơ sở dữ liệu dạng biểu đồ phụ tải ngày đã
phân loại và một bộ tổng hợp cuối cùng. biểu đồ phụ tải ngày.

Dự báo đỉnh và đáy biểu đồ phụ tải ngày

Như đã xem xét ở chương I, trong chương này sẽ sử dụng 2 loại mạng - mạng
"mùa" và mạng "kiểu ngày" để dự báo đỉnh và đáy biểu đồ phụ tải (MLP-
(5+8DT)xNx1 và mạng MLP-(5+3S)xNx1).
Ký hiệu đỉnh và đáy phụ tải của ngày thứ i là Peak(i) và Valley(i) tương ứng.


Dự báo dạng biểu đồ phụ tải ngày
Như sẽ phân tích ở phần sau, biểu đồ phụ tải ngày của hệ thống điện Hà Nội –
thông qua phân loại dùng mạng ánh xạ tự tổ chức Kohonen- có thể chia thành một số
nhóm: nhóm các ngày nghỉ cuối tuần, nhóm các ngày làm việc trong tuần và nhóm
các ngày lễ, tết.
Trên cơ sở đó trong phần này, ta tạm chia các biểu đồ phụ tải ngày thành 8
nhóm: Sun, Mon, Tue, Wed, Thu, Fri, Sat và Hol. Dạng bi
ểu đồ phụ tải ngày dự báo
sẽ được tính là là trung bình dạng của một số biểu đồ phụ tải các ngày tương tự gần
nhất (2..5 ngày tương tự gần nhất).

Các biểu đồ phụ tải ngày tương tự được chuẩn hoá theo công thức: