Luận Văn Thạc Sĩ Về Công Cụ Dự Báo Nhu Cầu Phụ Tải Điện Theo Vùng

Luận văn thạc sĩ VNU UET trình bày công cụ hỗ trợ dự báo và đánh giá nhu cầu phụ tải điện theo vùng, góp phần nâng cao hiệu quả quản lý năng lượng.

• Tác giả: Đinh Nhật Minh
• Người hướng dẫn: Ts. Nguyễn Ngọc Hóa
• Trường học: Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Xây dựng công cụ hỗ trợ dự báo, đánh giá nhu cầu phụ tải điện theo vùng
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2013
• Địa điểm: Hà Nội

Mục lục chi tiết

• TÓM TẮT NỘI DUNG LUẬN VĂN
• DANH MỤC HÌNH VẼ
• DANH MỤC CÁC BẢNG
• THUẬT NGỮ VÀ TỪ VIẾT TẮT
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN
• 1.1. GIỚI THIỆU VỀ PHỤ TẢI ĐIỆN
• 1.1.1. Khái niệm
• 1.1.2. Phân loại
• 1.1.3. Vai trò của phụ tải điện
• 1.1.4. Biểu đồ phụ tải điện
• 1.1.5. Các yếu tố ảnh hưởng đến phụ tải điện
• 1.2. BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN
• 1.2.1. Vai trò của dự báo phụ tải điện
• 1.2.2. Phân loại dự báo
• 1.2.3. Dự báo phụ tải điện trong thực tế
• 1.3. MỘT SỐ PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI
• 1.3.1. Phương pháp dự báo trung và dài hạn
• 1.3.1.1. Mô hình người dùng cuối
• 1.3.1.2. Mô hình toán kinh tế
• 1.3.2. Phương pháp dự báo ngắn hạn
• 1.3.2.1. Phương pháp ngày tương tự
• 1.3.2.2. Phương pháp hồi quy
• 1.3.2.3. Chuỗi thời gian
• 1.4. KẾT LUẬN CHƯƠNG I
• 2. CHƯƠNG 2: GIẢI PHÁP DỰ BÁO PHỤ TẢI SỬ DỤNG MẠNG NƠRON NHÂN TẠO VÀ GIẢI THUẬT DI TRUYỀN
• 2.1. YÊU CẦU ĐẶT RA CỦA BÀI TOÁN DỰ BÁO PHỤ TẢI
• 2.1.1. Đối tượng dự báo
• 2.1.2. Khu vực dự báo
• 2.1.3. Thời gian dự báo
• 2.1.4. Xác định tiêu chuẩn đánh giá dự báo
• 2.1.5. Các yếu tố ảnh hưởng đến phụ tải điện
• 2.2. LÝ THUYẾT LIÊN QUAN
• 2.2.1. Mạng nơron nhân tạo
• 2.2.2. Giải thuật di truyền
• 2.2.3. Kết hợp giải thuật di truyền để tối ưu bộ trọng số trong mạng nơron nhân tạo sử dụng thuật toán lan truyền ngược
• 2.3. MÔ HÌNH GIẢI PHÁP ĐỀ XUẤT
• 2.3.1. Cách tiếp cận
• 2.3.2. Mô hình áp dụng giải thuật di truyền để tối ưu bộ trọng số của mạng nơron lan truyền ngược
• 2.3.3. Các bước xây dựng hệ thống
• 2.4. KẾT LUẬN CHƯƠNG II
• 3. CHƯƠNG 3
• 3.1. KIẾN TRÚC TỔNG THỂ CỦA HỆ THỐNG
• 3.2. THIẾT KẾ CHI TIẾT CỦA HỆ THỐNG
• 3.2.1. Mô hình ca sử dụng
• 3.2.2. Thiết kế cơ sở dữ liệu
• 3.2.3. Đặc tả mạng nơ ron
• 3.3. THU THẬP VÀ XỬ LÝ DỮ LIỆU
• 3.3.1. Thu thập dữ liệu
• 3.3.2. Tiền xử lý dữ liệu
• 3.4. CÀI ĐẶT VÀ THỰC NGHIỆM
• 3.5. ĐÁNH GIÁ KẾT QUẢ THỰC NGHIỆM
• 3.6. KẾT LUẬN CHƯƠNG 3
• KẾT LUẬN CHUNG
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Công Cụ Dự Báo Nhu Cầu Phụ Tải Điện

Công cụ dự báo nhu cầu phụ tải điện theo vùng là một phần quan trọng trong việc quản lý và vận hành hệ thống điện. Nó giúp các nhà quản lý dự đoán được nhu cầu sử dụng điện trong tương lai, từ đó có thể lập kế hoạch sản xuất và phân phối điện hợp lý. Việc dự báo chính xác không chỉ giúp tiết kiệm chi phí mà còn đảm bảo cung cấp điện ổn định cho người tiêu dùng.

1.1. Khái Niệm Về Dự Báo Nhu Cầu Điện

Dự báo nhu cầu điện là quá trình ước lượng lượng điện năng cần thiết cho một khu vực trong một khoảng thời gian nhất định. Điều này bao gồm việc phân tích các yếu tố như dân số, kinh tế, và thời tiết để đưa ra dự đoán chính xác.

1.2. Vai Trò Của Dự Báo Nhu Cầu Điện

Dự báo nhu cầu điện đóng vai trò quan trọng trong việc lập kế hoạch và vận hành hệ thống điện. Nó giúp các nhà quản lý điều chỉnh sản xuất điện, giảm thiểu lãng phí và đảm bảo cung cấp điện liên tục cho người tiêu dùng.

II. Thách Thức Trong Dự Báo Nhu Cầu Phụ Tải Điện

Dự báo nhu cầu phụ tải điện không phải là một nhiệm vụ đơn giản. Có nhiều yếu tố ảnh hưởng đến độ chính xác của dự báo, bao gồm sự biến động của thị trường, thay đổi trong thói quen tiêu dùng, và các yếu tố môi trường. Những thách thức này cần được giải quyết để cải thiện độ tin cậy của các công cụ dự báo.

2.1. Các Yếu Tố Ảnh Hưởng Đến Dự Báo

Các yếu tố như kinh tế, khí hậu, và dân số đều có tác động lớn đến nhu cầu điện. Sự thay đổi trong một trong những yếu tố này có thể dẫn đến sự sai lệch lớn trong dự báo.

2.2. Khó Khăn Trong Việc Thu Thập Dữ Liệu

Việc thu thập dữ liệu chính xác và đầy đủ là một thách thức lớn. Dữ liệu không chính xác có thể dẫn đến những dự báo sai lệch, ảnh hưởng đến quyết định quản lý hệ thống điện.

III. Phương Pháp Dự Báo Nhu Cầu Phụ Tải Điện Hiện Nay

Có nhiều phương pháp khác nhau để dự báo nhu cầu phụ tải điện, từ các phương pháp truyền thống đến các kỹ thuật hiện đại như mạng nơron nhân tạo. Mỗi phương pháp có ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp là rất quan trọng.

3.1. Phương Pháp Thống Kê

Phương pháp thống kê sử dụng dữ liệu lịch sử để dự đoán nhu cầu trong tương lai. Các kỹ thuật như hồi quy và chuỗi thời gian thường được áp dụng trong phương pháp này.

3.2. Mạng Nơron Nhân Tạo

Mạng nơron nhân tạo là một trong những công nghệ tiên tiến nhất hiện nay trong việc dự báo nhu cầu điện. Nó có khả năng học hỏi từ dữ liệu và cải thiện độ chính xác của dự báo theo thời gian.

IV. Ứng Dụng Thực Tiễn Của Công Cụ Dự Báo Nhu Cầu Điện

Công cụ dự báo nhu cầu phụ tải điện đã được áp dụng rộng rãi trong nhiều lĩnh vực, từ quản lý hệ thống điện đến lập kế hoạch phát triển cơ sở hạ tầng. Những ứng dụng này không chỉ giúp tiết kiệm chi phí mà còn nâng cao hiệu quả hoạt động của hệ thống điện.

4.1. Quản Lý Hệ Thống Điện

Công cụ dự báo giúp các nhà quản lý điều chỉnh sản xuất điện, đảm bảo cung cấp đủ điện cho nhu cầu tiêu dùng. Điều này rất quan trọng trong việc duy trì sự ổn định của hệ thống điện.

4.2. Lập Kế Hoạch Phát Triển

Dự báo nhu cầu điện cũng hỗ trợ trong việc lập kế hoạch phát triển cơ sở hạ tầng điện, từ việc xây dựng nhà máy điện mới đến cải thiện lưới điện hiện có.

V. Kết Luận Về Công Cụ Dự Báo Nhu Cầu Phụ Tải Điện

Công cụ dự báo nhu cầu phụ tải điện theo vùng là một phần không thể thiếu trong việc quản lý và vận hành hệ thống điện. Việc cải thiện độ chính xác của các công cụ này sẽ giúp tối ưu hóa việc sử dụng tài nguyên và nâng cao hiệu quả kinh tế.

5.1. Tương Lai Của Dự Báo Nhu Cầu Điện

Với sự phát triển của công nghệ, các công cụ dự báo sẽ ngày càng trở nên chính xác hơn. Điều này sẽ giúp ngành điện đáp ứng tốt hơn nhu cầu của người tiêu dùng.

5.2. Đề Xuất Nghiên Cứu Thêm

Cần tiếp tục nghiên cứu và phát triển các phương pháp dự báo mới, đặc biệt là trong bối cảnh biến đổi khí hậu và sự thay đổi trong thói quen tiêu dùng.

Nội dung chính

Tổng quan nghiên cứu

Trong hệ thống năng lượng quốc gia với quy mô gần 120 nhà máy điện đa dạng loại hình như thủy điện, nhiệt điện than, tuabin khí và dầu, việc cân bằng giữa sản xuất và tiêu thụ điện năng tức thời là bài toán kỹ thuật mang tính sống còn. Khi vận hành thị trường phát điện cạnh tranh theo Thông tư 18/2010/TT-BCT của Bộ Công Thương, Trung tâm Điều độ Hệ thống điện Quốc gia thuộc Tập đoàn Điện lực Việt Nam phải đối mặt với áp lực tối ưu hóa chi phí vận hành hàng tỷ đồng mỗi ngày. Sai số dự báo nhu cầu phụ tải nếu vượt quá ngưỡng tiêu chuẩn 5% sẽ dẫn đến những tổn thất kinh tế và kỹ thuật nghiêm trọng. Nếu dự báo thấp hơn thực tế, hệ thống đối mặt nguy cơ quá tải cục bộ, giảm tuổi thọ thiết bị và đe dọa an ninh năng lượng; ngược lại, nếu dự báo cao hơn thực tế, lượng công suất nguồn phát dư thừa từ 10% đến 15% sẽ gây lãng phí tài nguyên và tăng chi phí phát điện không cần thiết.

Luận văn thạc sĩ chuyên ngành Các hệ thống thông tin của tác giả Đinh Nhật Minh, dưới sự hướng dẫn khoa học của Tiến sĩ Nguyễn Ngọc Hóa tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội, đã tập trung giải quyết bài toán dự báo phụ tải ngắn hạn theo vùng miền. Mục tiêu cụ thể của đề tài là xây dựng công cụ phần mềm thông minh ứng dụng trí tuệ nhân tạo nhằm dự báo chính xác phụ tải cho các khung thời gian: 1 đến 3 giờ tới, 24 giờ của ngày tiếp theo, 7 ngày trong tuần và 12 tháng trong năm. Không gian thực nghiệm tập trung vào lưới điện khu vực miền Bắc trong giai đoạn từ năm 2009 đến năm 2012. Ý nghĩa thực tiễn nổi bật của công trình là đưa sai số phần trăm tuyệt đối trung bình xuống dưới mức 4,5%, tạo lập công cụ hỗ trợ đắc lực cho các kỹ sư điều độ lập phương thức vận hành nguồn và lưới điện an toàn, kinh tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự kết hợp giữa lý thuyết mạng nơ-ron nhân tạo truyền thẳng nhiều lớp và lý thuyết tối ưu hóa tiến hóa bằng giải thuật di truyền. Ba khái niệm nền tảng xuyên suốt bao gồm: Phụ tải điện biểu diễn hàm biến thiên công suất theo thời gian; Thuật toán lan truyền ngược thực hiện tinh chỉnh trọng số dựa trên đạo hàm riêng của hàm lỗi; và Giải thuật di truyền mô phỏng quá trình chọn lọc tự nhiên để tìm kiếm không gian nghiệm tối ưu toàn cục.

Mô hình nghiên cứu đề xuất sử dụng cấu trúc mạng nơ-ron 3 lớp gồm lớp vào, một lớp ẩn và lớp ra. Để khắc phục triệt để hiện tượng thuật toán lan truyền ngược truyền thống thường xuyên bị bẫy tại các điểm cực trị địa phương và tốc độ hội tụ chậm, tác giả vận dụng giải pháp lai ghép theo nghiên cứu kinh điển của Kitano. Trong mô hình này, giải thuật di truyền với kỹ thuật mã hóa nhiễm sắc thể dạng số thực đảm nhiệm việc rà quét toàn cục để xác định bộ trọng số khởi tạo tối ưu ban đầu. Sau đó, thuật toán lan truyền ngược sẽ tiếp nhận bộ trọng số này để tinh chỉnh cục bộ nhanh chóng, sử dụng hàm kích hoạt Sigmoid và hàm kích hoạt Sigmoid lưỡng cực với miền giá trị xác định từ 0 đến 1 hoặc từ âm 1 đến 1.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được thu thập trực tiếp từ hệ thống ghi nhận phụ tải thực tế của Trung tâm Điều độ Hệ thống điện Quốc gia, kết hợp các thông số khí tượng nhiệt độ cực đại, nhiệt độ cực tiểu từ cơ quan khí tượng và dải công suất giới hạn của các tổ máy phát điện. Cỡ mẫu nghiên cứu bao gồm toàn bộ 1.461 mẫu dữ liệu ngày liên tục trong 4 năm, từ ngày 01/01/2009 đến ngày 31/12/2012.

Phương pháp chọn mẫu là chọn mẫu chuỗi thời gian toàn phần, được phân chia khoa học thành hai tập độc lập: Tập huấn luyện gồm 1.095 mẫu dữ liệu từ năm 2009 đến năm 2011 dùng để tối ưu trọng số mạng; Tập kiểm thử gồm 366 mẫu dữ liệu của toàn bộ năm 2012 dùng để đánh giá năng lực tổng quát hóa. Dữ liệu đầu vào được tiền xử lý qua các bước kiểm tra tính hợp lệ nghiêm ngặt, chuẩn hóa dải giá trị thực về khoảng kích hoạt và mã hóa thuộc tính định tính như các ngày trong tuần và bốn mùa vụ trong năm thành các chỉ số số học cụ thể. Lý do lựa chọn phương pháp phân tích kết hợp giữa mạng nơ-ron và giải thuật di truyền là nhằm xử lý đặc tính phi tuyến tính cao và mối tương quan phức tạp giữa các yếu tố thời tiết, lịch làm việc xã hội với công suất tiêu thụ điện mà các mô hình hồi quy tuyến tính cổ điển không thể giải quyết hiệu quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm chuyên sâu trên dữ liệu thực tế của hệ thống điện miền Bắc đã mang lại những phát hiện định lượng quan trọng:

Thứ nhất, mô hình lai kết hợp giải thuật di truyền và lan truyền ngược đạt độ chính xác vượt trội so với các phương pháp đơn lẻ. Trong khi thuật toán lan truyền ngược độc lập có sai số trung bình từ 5,8% đến 7,6% và giải thuật di truyền thuần túy đạt mức sai số 6,5%, mô hình kết hợp đã hạ thấp sai số phần trăm tuyệt đối trung bình xuống khoảng 3,12% đến 4,25% trên tập dữ liệu kiểm thử năm 2012. Mức độ cải thiện độ chính xác đạt trên 35% so với phương pháp truyền thống.

Thứ hai, độ chính xác của dự báo phụ thuộc rõ rệt vào tính chất của từng loại ngày trong tuần. Đối với các ngày làm việc tiêu chuẩn từ thứ Hai đến thứ Sáu, mô hình đạt độ khớp rất cao với sai số trung bình chỉ 2,85%. Đối với các ngày thứ Bảy, Chủ nhật và các kỳ nghỉ lễ lớn, nhờ cơ chế mã hóa trọng số riêng biệt cho ngày nghỉ, sai số vẫn được kiểm soát chặt chẽ ở mức 4,1% đến 4,78%, hoàn toàn thỏa mãn tiêu chuẩn khắt khe dưới 5% của ngành điện.

Thứ ba, việc xác lập kiến trúc mạng nơ-ron với một lớp ẩn chứa 5 đơn vị nơ-ron mang lại hiệu năng huấn luyện tối ưu nhất. Thử nghiệm cho thấy khi tăng số nơ-ron ẩn lên 10 hoặc 15 nút, thời gian huấn luyện tăng hơn 60% nhưng hàm lỗi kiểm thử lại có xu hướng tăng nhẹ do hiện tượng học quá khớp, khẳng định tính đúng đắn của cấu trúc mạng tinh gọn.

Thứ tư, biến động nhiệt độ môi trường là nhân tố tác động phi tuyến mạnh nhất đến phụ tải sinh hoạt. Trong các đợt nắng nóng cực đoan khi nhiệt độ vượt 38 độ C hoặc các đợt rét đậm dưới 11 độ C, phụ tải đỉnh tăng vọt từ 20% đến 28%, và mô hình đã bám sát thành công xu hướng đột biến này nhờ các tham số nhiệt độ giới hạn đầu vào.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp mô hình lai đạt hiệu quả cao là khả năng bổ trợ hoàn hảo giữa hai giải thuật: giải thuật di truyền định hướng nhanh chóng không gian tìm kiếm về vùng đáy của hàm lỗi parabol, giúp loại bỏ hoàn toàn nguy cơ tắc nghẽn tại các cực trị địa phương, trong khi thuật toán lan truyền ngược hoàn thiện bước hội tụ dốc bậc nhất với tốc độ nhanh gấp 3 lần so với khởi tạo ngẫu nhiên. Khi so sánh với các công trình dự báo bằng chuỗi thời gian hay hệ chuyên gia, mô hình mạng nơ-ron tối ưu di truyền thể hiện tính thích nghi vượt bậc trước các dữ liệu nhiễu và sự thay đổi bất thường của thời tiết.

Dữ liệu kết quả dự báo có thể được minh họa trực quan qua biểu đồ đường so sánh giữa đường cong phụ tải thực tế 24 giờ và đường cong dự báo, thể hiện mức độ bám sát gần như trùng khít tại các khung giờ cao điểm trưa từ 11 giờ đến 13 giờ và cao điểm tối từ 18 giờ đến 21 giờ. Đồng thời, bảng tổng hợp phân phối sai số qua từng tháng cho thấy tính ổn định cao của hệ thống phần mềm được xây dựng bằng ngôn ngữ C Sharp và hệ quản trị cơ sở dữ liệu Microsoft SQL Server 2005.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu và kiểm thử thành công, luận văn đưa ra bốn nhóm giải pháp mang tính ứng dụng cao cho ngành năng lượng:

Thứ nhất, tích hợp trực tiếp module dự báo phụ tải GA-BP vào hệ thống phần mềm quản lý vận hành thị trường điện tại Trung tâm Điều độ Hệ thống điện Quốc gia và các trung tâm điều độ miền trong vòng 6 đến 12 tháng tới, nhằm mục tiêu duy trì sai số dự báo toàn hệ thống luôn dưới 3,5%.

Thứ hai, thiết lập cơ chế kết nối dữ liệu tự động với Trung tâm Dự báo Khí tượng Thủy văn Quốc gia để cập nhật thông số nhiệt độ, độ ẩm theo thời gian thực với chu kỳ 1 giờ một lần, do Tổng công ty Điện lực Việt Nam chủ trì thực hiện nhằm giảm thiểu thêm 15% độ lệch cực đại trong những ngày thời tiết cực đoan.

Thứ three, mở rộng quy mô thu thập dữ liệu và phân tách chi tiết mạng nơ-ron dự báo cho từng phân vùng phụ tải công nghiệp nặng, thương mại dịch vụ và sinh hoạt dân dụng tại từng tỉnh thành, triển khai trong lộ trình 2 năm nhằm nâng cao độ tin cậy cung cấp điện đạt 99,8%.

Thứ tư, duy trì quy trình định kỳ 3 tháng một lần tái huấn luyện bộ trọng số mạng bằng cách bổ sung dữ liệu vận hành mới nhất, do đội ngũ kỹ sư công nghệ thông tin và chuyên gia điều độ phối hợp thực hiện, đảm bảo mô hình luôn thích ứng kịp thời với tốc độ tăng trưởng nhu cầu điện từ 10% đến 12% mỗi năm của nền kinh tế.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị thực tiễn và học thuật phong phú cho bốn nhóm độc giả chuyên ngành:

Nhóm thứ nhất là các kỹ sư điều độ, chuyên viên lập phương thức vận hành tại Tập đoàn Điện lực Việt Nam và các công ty truyền tải, phân phối điện. Luận văn cung cấp công cụ đắc lực để lập kế hoạch huy động kinh tế các tổ máy thủy điện, nhiệt điện và tối ưu hóa chi phí mua bán điện trên thị trường cạnh tranh.

Nhóm thứ hai là các nhà nghiên cứu, nghiên cứu sinh và học viên cao học thuộc chuyên ngành Hệ thống thông tin, Khoa học dữ liệu và Trí tuệ nhân tạo. Tài liệu là tài liệu tham khảo chất lượng cao về phương pháp lai ghép giữa giải thuật tiến hóa và mạng nơ-ron nhân tạo ứng dụng trong các bài toán dự báo chuỗi thời gian phức tạp.

Nhóm thứ ba là giảng viên và sinh viên ngành Kỹ thuật điện, Năng lượng tại các trường đại học kỹ thuật. Đây là giáo trình tham khảo sinh động giúp người học nắm vững bản chất biểu đồ phụ tải, các yếu tố khí tượng kinh tế ảnh hưởng đến tiêu thụ năng lượng và kỹ năng xử lý dữ liệu lớn.

Nhóm thứ tư là các nhà phát triển phần mềm, kiến trúc sư hệ thống trong lĩnh vực giải pháp quản trị năng lượng thông minh. Công trình cung cấp bản thiết kế chi tiết về sơ đồ cơ sở dữ liệu, mô hình ca sử dụng và các lớp xử lý thuật toán tối ưu trên nền tảng công nghệ Microsoft.

Câu hỏi thường gặp

Phương pháp dự báo nào được ứng dụng trong luận văn và tại sao lại đem lại hiệu quả vượt trội? Nghiên cứu kết hợp mạng nơ-ron nhân tạo lan truyền ngược với giải thuật di truyền. Giải thuật di truyền giúp tìm kiếm toàn cục bộ trọng số khởi tạo tối ưu, sau đó lan truyền ngược tinh chỉnh cục bộ nhanh chóng, giúp triệt tiêu nguy cơ rơi vào cực trị địa phương và hạ sai số xuống dưới 4,5%.

Quy mô và độ tin cậy của tập dữ liệu thực nghiệm trong nghiên cứu như thế nào? Dữ liệu thực nghiệm gồm 1.461 ngày phụ tải thực tế của hệ thống điện miền Bắc từ năm 2009 đến năm 2012 do Trung tâm Điều độ Hệ thống điện Quốc gia cung cấp, kết hợp các thông số nhiệt độ khí tượng và giới hạn công suất tổ máy, chia tách rõ ràng thành tập học 3 năm và tập thử nghiệm 1 năm.

Tại sao mô hình chỉ sử dụng một lớp ẩn thay vì xây dựng mạng nơ-ron nhiều lớp sâu? Cơ sở toán học chứng minh mạng nơ-ron truyền thẳng một lớp ẩn với số nút thích hợp hoàn toàn có thể xấp xỉ bất kỳ hàm phi tuyến liên tục nào. Việc chỉ dùng 1 lớp ẩn giúp giảm thiểu đáng kể thời gian huấn luyện, duy trì tính ổn định của véc-tơ gradient và tránh hiện tượng bão hòa tín hiệu.

Các yếu tố thời tiết tác động như thế nào đến độ chính xác của công cụ dự báo? Nhiệt độ cực đại và nhiệt độ cực tiểu là hai thông số quyết định mức tiêu thụ điện làm mát vào mùa hè và sưởi ấm vào mùa đông. Khi nhiệt độ vượt quá ngưỡng 38 độ C, phụ tải sinh hoạt có thể tăng đột biến trên 25%, và mô hình đã lượng hóa chính xác mối quan hệ phi tuyến này vào các nút đầu vào.

Công cụ và thuật toán trong luận văn có khả năng mở rộng cho các dạng năng lượng mới hiện nay không? Hoàn toàn khả thi. Khung kiến trúc phần mềm linh hoạt cùng giải thuật lai GA-BP có thể mở rộng nhanh chóng để dự báo công suất phát của các nguồn năng lượng tái tạo như điện mặt trời, điện gió bằng cách bổ sung các trường dữ liệu bức xạ quang học và vận tốc gió vào lớp đầu vào.

Kết luận

Công trình nghiên cứu đã hoàn thành xuất sắc các mục tiêu học thuật và ứng dụng thực tiễn thông qua 5 điểm cốt lõi sau:

• Phát triển thành công mô hình lai thông minh kết hợp giải thuật di truyền số thực và mạng nơ-ron lan truyền ngược, khắc phục triệt để nhược điểm bẫy cực trị địa phương của các phương pháp truyền thống.
• Thiết kế và cài đặt hoàn chỉnh phần mềm dự báo phụ tải theo vùng miền trên nền tảng C Sharp và hệ quản trị cơ sở dữ liệu Microsoft SQL Server với giao diện trực quan, tiện ích.
• Kiểm chứng toàn diện trên 1.461 tập mẫu dữ liệu thực tế giai đoạn 2009 đến 2012 của lưới điện miền Bắc, đạt độ chính xác cao với sai số MAPE trung bình chỉ từ 3,12% đến 4,25%.
• Đưa ra hệ thống giải pháp và khuyến nghị kỹ thuật có tính ứng dụng cao phục vụ công tác điều độ kinh tế gần 120 nhà máy điện thuộc hệ thống năng lượng quốc gia.
• Xác định lộ trình nâng cấp công nghệ trong giai đoạn 1 đến 2 năm tiếp theo nhằm mở rộng dự báo đa vùng cho cả miền Trung và miền Nam.

Quý bạn đọc, nhà nghiên cứu và các kỹ sư hệ thống năng lượng quan tâm có thể khai thác trực tiếp mã nguồn mô hình và tài liệu thiết kế của luận văn để áp dụng vào các dự án chuyển đổi số và quản trị lưới điện thông minh hiện đại.

Trích đoạn nội dung tài liệu

chương 1, có nhiều yếu tố ảnh hưởng đến phụ tải điện, tuy nhiên các yếu tố đầu vào cần có độ tin cậy cao để tránh gây sai số lớn cho dự báo. Vì vậy ta loại bỏ 2 yếu tố đầu vào là yếu tố kinh tế và yếu tố dân số vì bản thân dự báo các yếu tố này đã cho ta một sai số rất lớn. Còn lại, ta trích chọn đặc trưng được các yếu tố ảnh hưởng đến phụ tải điện ngày tới: - Giờ trong ngày (đối với dự báo điều độ): 24 giờ trong ngày. - Loại giờ trong ngày (đối với dự báo điều độ): Giờ cao điểm, giờ thấp điểm, giờ thông thường.

- Ngày trong tháng: ngày 1, 2, …, 31. - Ngày trong tuần: từ thứ 2 đến chủ nhật. - Ngày lễ tết: 01/01, 30/04,… - Tháng trong năm: từ tháng 1 đến tháng 12 trong năm. - Mùa vụ: mùa xuân, mùa hạ, mùa thu, mùa đông.

- Năm: năm của thời điểm hiện tại. - Dải nhiệt độ: Tmin- nhiệt độ nhỏ nhất trong ngày, Tmax- nhiệt độ cao nhất ngày. - Dải công suất phát điện: Pmin-công suất nhỏ nhất trong ngày, Pmax- công suất lớn nhất trong ngày.  Tháng tới Các yếu tố ảnh hưởng đến phụ tải tháng tới: - Tháng trong năm: từ tháng 1 đến tháng 12 trong năm.

- Mùa vụ: mùa xuân, mùa hạ, mùa thu, mùa đông. - Năm: năm của thời điểm hiện tại. - Dải nhiệt độ: Tmin- nhiệt độ trung bình nhỏ nhất trong tháng, Tmax- nhiệt độ trung bình cao nhất tháng. - Dải công suất phát điện: Pmin-công suất nhỏ nhất trong tháng, Pmax- công suất lớn nhất trong tháng.

Nhận thấy bài toán dự báo phụ tải có đặc điểm: - Các yếu tố đầu vào có độ tương quan cao. - Dữ liệu phụ tải trong quá khứ thu thập có thể là không đủ. - Hệ thống mang tính phi tuyến cao: Phụ tải phụ thuộc biến động một cách phức tạp vào rất nhiều yếu tố như khí hậu, kinh tế, thời gian,… 11 LUAN VAN CHAT LUONG download : add [e-mail] Mạng nơron nhân tạo là giải pháp phù hợp trong trường hợp này để dự báo nhu cầu phụ tải trong tương lai dựa trên dữ liệu quá khứ. Bản chất của việc sử dụng mạng nơron là nhớ và so sánh đặc điểm của đầu vào với dữ liệu quá khứ để cho ra kết quả.

Điều này giống với phương pháp ngày tương tự, ta so sánh đặc điểm của ngày (giờ, tháng, năm) cần dự báo với ngày (giờ, tháng, năm) trong quá khứ có cùng điểm tương đồng mà đã biết phụ tải. Mặt khác, phương thức hoạt động này dễ được người dùng chấp nhận do nó gần với suy nghĩ và cách làm thực tiễn của số đông người.2 LÝ THUYẾT LIÊN QUAN 2.1 Mạng nơron nhân tạo 2.1 Giới thiệu Mạng nơron nhân tạo (Artifical Neural Network - ANN) là một mô hình mô phỏng xử lý thông tin, được nghiên cứu ra từ hệ thống thần kinh của sinh vật, giống như bộ não để xử lý thông tin. Nó bao gồm số lượng lớn các mối gắn kết cấp cao để xử lý các yếu tố làm việc trong mối liên hệ giải quyết vấn đề rõ ràng. Nơron nhân tạo giống như con người, được học bởi kinh nghiệm, lưu những kinh nghiệm hiểu biết và sử dụng trong những tình huống phù hợp.2 Đơn vị xử lý Một đơn vị xử lý, cũng được gọi là một nơron hay một nút, thực hiện một công việc rất đơn giản: nó nhận tín hiệu vào từ các đơn vị phía trước hay một nguồn bên ngoài và sử dụng chúng để tính tín hiệu ra sẽ được lan truyền sang các đơn vị khác.

θj x0 x1 aj zj ∑ g(aj) … xn zj = g(aj) Hình 2. Đơn vị xử lý trong mạng nơron nhân tạo Trong đó: - xi: các đầu vào. - wji: các trọng số tương ứng với các đầu vào. 12 LUAN VAN CHAT LUONG download : add [e-mail] - zj: đầu ra của nơron.

Hàm kích hoạt phải có các tính chất sau: - Hàm bị chặn trên và chặn dưới. - Hàm có tính đơn điệu. - Hàm phải có tính liên tục và trơn.3 Các đặc trưng của mạng Mạng nơron được xem như là các mô hình liên kết, là các mô hình phân bổ song song có các đặc trưng phân biệt sau: -Tập các đơn vị xử lý. -Trạng thái kích hoạt hay là đầu ra của đơn vị xử lý.

- Liên kết giữa các đơn vị. Xét tổng quát, mỗi liên kết được định nghĩa bởi một trọng số wjk cho ta biết hiệu ứng mà tín hiệu của đơn vị j có trên đơn vị k. - Một luật lan truyền quyết định cách tính tín hiệu ra của từng đơn vị từ đầu vào của nó. - Phương pháp thu thập thông tin.

- Một hàm kích hoạt, hay hàm chuyển, xác định mức độ kích hoạt khác dựa trên mức độ kích hoạt hiện tại. -Một đơn vị điều chỉnh của mỗi đơn vị. -Môi trường hệ thống có thể hoạt động.4 Các hình trạng của mạng Hình trạng của mạng được định nghĩa bởi: số lớp, số đơn vị trên mỗi lớp, và sự liên kết giữa các lớp như thế nào.Các mạng về tổng thể được chia thành hai loại dựa trên cách thức liên kết các đơn vị:  Mạng truyền thẳng Dòng dữ liệu từ đơn vị đầu vào đến đơn vị đầu ra chỉ được truyền thẳng. Việc xử lý dữ liệu có thể mở rộng ra nhiều lớp, nhưng không có các liên kết phản hồi.

Nghĩa là, các liên kết mở rộng từ các đơn vị đầu ra tới các đơn vị đầu vào trong cùng một lớp hay các lớp trước đó là không cho phép. 13 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.2: Mạng nơron truyền thẳng 3 lớp  Mạng hồi quy Có chứa các liên kết ngược. Khác với mạng truyền thẳng, các thuộc tính động của mạng mới quan trọng. Trong một số trường hợp, các giá trị kích hoạt của các đơn vị trải qua quá trình nới lỏng (tăng/giảm số đơn vị và thay đổi các liên kết) cho đến khi mạng đạt đến một trạng thái ổn định và các giá trị kích hoạt không thay đổi nữa.

Trong các ứng dụng khác mà cách chạy động tạo thành đầu ra của mạng thì những sự thay đổi các giá trị kích hoạt là đáng quan tâm.3:Mạng hồi quy 3 lớp 2.5 Hàm lỗi Để huấn luyện một mạng và xét xem nó thực hiện tốt đến đâu, ta cần xây dựng một hàm lỗi để cung cấp cách thức đánh giá khả năng hệ thống một cách không nhập nhằng. Việc chọn hàm lỗi là rất quan trọng bởi vì hàm này thể hiện các mục tiêu thiết kế và quyết định thuật toán huấn luyện nào có thể được áp dụng. Một vài hàm cơ bản được sử dụng rất rộng rãi. Một trong số chúng là hàm tổng bình phương lỗi (sum of squares error function): 14 LUAN VAN CHAT LUONG download : add [e-mail] Trong đó: - p: số thứ tự mẫu trong tập huấn luyện, i: số thứ tự của đơn vị đầu ra… - dpi và ypi: tương ứng là đầu ra mong muốn và đầu ra thực tế của mạng cho đơn vị đầu ra thứ i trên mẫu thứ p.2 Giải thuật di truyền Giải thuật di truyền (Genetic Algorithm - GA) là một kỹ thuật của khoa học máy tính nhằm tìm kiếm giải pháp thích hợp cho các bài toán tối ưu tổ hợp.

Giải thuật di truyền là một phân ngành của giải thuật tiến hóa vận dụng các nguyên lý của tiến hóa như di truyền, đột biến, chọn lọc tự nhiên, và trao đổi chéo. Giải thuật di truyền thường được ứng dụng với mục đích sử dụng ngôn ngữ máy tính để mô phỏng quá trình tiến hoá của một tập hợp những đối tượng mang tính trừu tượng (gọi là những nhiễm sắc thể) của các lời giải của bài toán đặt ra (gọi là những cá thể). Tập hợp này sẽ tiến triển theo hướng chọn lọc những cá thể tốt hơn. Thông thường, những lời giải được thể hiện dưới dạng những chuỗi nhị phân với 0 và 1, nhưng lại mang nhiều thông tin mã hóa khác nhau.

Quá trình tiến hóa xảy ra từ một tập hợp những cá thể hoàn toàn ngẫu nhiên ở tất cả các thế hệ, ta gọi là quần thể. Trong từng thế hệ, độ thích nghi của quần thể này được tính toán, các cá thể được chọn lọc từ quần thể hiện thời dựa vào độ thích nghi, sau đó được đem đi biến đổi (bằng đột biến hoặc lai ghép) để hình thành một quần thể mới. Quần thể mới này sẽ tiếp tục được chọn lọc lặp đi lặp lại trong các thế hệ kế tiếp của giải thuật.1 Các thành phần của giải thuật Giải thuật bao gồm những thành phần chính sau: -Phương pháp mã hóa lời giải. -Phương pháp chọn lọc cha mẹ.

-Phương pháp lai tạo. -Phương pháp đột biến. -Phương pháp đấu tranh sinh tồn.  Phương pháp mã hóa lời giải: Mã hóa lời giải là mô tả di truyền cho lời giải của bài toán.

Việc mô tả di truyền cho lời giải của bài toán gồm hai bước cơ bản: 15 LUAN VAN CHAT LUONG download : add [e-mail] - Xây dựng cấu trúc gen cho mỗi lời giải của bài toán để từ mỗi lời giải ta có thể mã hoá thành một nhiễm sắc thể (NST). - Giải mã các NST để nhận được lời giải. Mã hóa lời giải có nhiều phương pháp như mã hóa nhị phân, mã hóa số thực, mã hóa đa giá trị, mã hóa cây… Tùy từng bài toán mà ta sử dụng phương pháp mã hóa thích hợp.  Phương pháp chọn lọc cha mẹ: Phép chọn là quá trình loại bỏ các cá thể xấu trong quần thể để chỉ giữ lại trong quần thể những cá thể tốt.

Phép chọn có thể mô phỏng như sau: - Bước 1: Sắp xếp các cá thể theo độ thích nghi giảm dần. - Bước 2: Loại bỏ các cá thể ở cuối dãy, chỉ để giữ lại n cá thể tốt nhất (ở đây ta giả sử quần thể có kích thước cố định n).  Phương pháp lai tạo: Phép lai là quá trình hình thành nhiễm sắc thể mới trên cơ sở các nhiễm sắc thể cha mẹ, bằng cách ghép một hay nhiều đoạn gen của hai hay nhiều nhiễm sắc thể cha mẹ với nhau. Phép lai xảy ra với xác suất p c, có thể mô phỏng như sau: - Bước 1: Chọn ngẫu nhiên hai (hay nhiều) cá thể bất kỳ trong quần thể.

Giả sử các nhiễm sắc thể cha mẹ đều có m gen. - Bước 2: Tạo một số ngẫu nhiên trong khoảng từ 1 đến m-1(điểm lai). Điểm lai chia các chuỗi cha, mẹ lần lượt thành hai nhóm chuỗi con dài m1 và m2. Hai chuỗi nhiễm sắc thể con mới sẽ là m11+m22 và m21+m12.

- Bước 3: Đưa hai cá thể mới này vào quần thể để tham gia các quá trình tiến hóa tiếp theo.