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 luanvanchat@agmail.com 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 luanvanchat@agmail.com - 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 luanvanchat@agmail.com 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 luanvanchat@agmail.com - 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.