Luận văn: Xây dựng công cụ hỗ trợ dự báo nhu cầu phụ tải điện theo vùng

Luận văn thạc sĩ: Xây dựng công cụ dự báo nhu cầu phụ tải điện theo vùng. Nghiên cứu, đánh giá và ứng dụng trong ngành điện lực Việt Nam.

• 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 I: TỔNG QUAN VỀ BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN
• 1.1. GIỚI THIỆU VỀ PHỤ TẢI ĐIỆN
• 1.1.1. Vai trò của phụ tải điện
• 1.1.2. Biểu đồ phụ tải điện
• 1.1.3. Các yếu tố ảnh hƣởng 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 PHƢƠNG PHÁP DỰ BÁO PHỤ TẢI
• 1.3.1. Phƣơng pháp dự báo trung và dài hạn
• 1.3.2. Phƣơng pháp dự báo ngắn hạn
• 1.4. KẾT LUẬN CHƢƠNG I
• 2. CHƢƠNG II. 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 tƣợng 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 hƣởng 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 ƣu bộ trọng số trong mạng nơron nhân tạo sử dụng thuật toán lan truyền ngƣợc
• 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 ƣu bộ trọng số của mạng nơron lan truyền ngƣợc
• 2.3.3. Các bƣớc xây dựng hệ thống
• 2.4. KẾT LUẬN CHƢƠNG II
• 3. KIẾN TRÚC TỔNG THỂ CỦA HỆ THỐNG
• 3.1. THIẾT KẾ CHI TIẾT CỦA HỆ THỐNG
• 3.1.1. Mô hình ca sử dụng
• 3.1.2. Thiết kế cơ sở dữ liệu
• 3.1.3. Đặc tả mạng nơ ron
• 3.2. THU THẬP VÀ XỬ LÝ DỮ LIỆU
• 3.2.1. Thu thập dữ liệu
• 3.2.2. Tiền xử lý dữ liệu
• 3.3. CÀI ĐẶT VÀ THỰC NGHIỆM
• 3.4. ĐÁNH GIÁ KẾT QUẢ THỰC NGHIỆM
• 3.5. KẾT LUẬN CHƢƠNG 3
• KẾT LUẬN CHUNG
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Dự Báo Nhu Cầu Phụ Tải Điện Vùng Miền

Dự báo nhu cầu phụ tải điện theo vùng là một yếu tố then chốt trong việc đảm bảo an ninh năng lượng và vận hành hiệu quả hệ thống điện quốc gia. Việc dự báo chính xác giúp các nhà quản lý và vận hành hệ thống điện có thể lên kế hoạch sản xuất, truyền tải và phân phối điện một cách tối ưu, giảm thiểu lãng phí và đảm bảo nguồn cung ổn định cho các khu vực khác nhau. Theo tài liệu gốc, Trung tâm Điều độ Hệ thống điện Quốc Gia có trách nhiệm xây dựng kế hoạch vận hành hệ thống điện theo năm, tháng, tuần, ngày, giờ, và dự báo nhu cầu dùng điện (phụ tải) đóng vai trò quan trọng để tối ưu hóa việc khai thác các nhà máy điện trên toàn quốc. Điều này đặc biệt quan trọng đối với các nhà máy thủy điện. Dự báo nhu cầu phụ tải điện không chỉ đơn thuần là việc ước tính lượng điện tiêu thụ, mà còn là một quá trình phân tích phức tạp, xem xét nhiều yếu tố khác nhau, từ kinh tế, xã hội đến khí hậu và thời tiết. Công cụ hỗ trợ dự báo nhu cầu phụ tải điện theo vùng giúp tự động hóa và nâng cao độ chính xác của quá trình dự báo, cung cấp thông tin kịp thời và tin cậy cho các quyết định vận hành và đầu tư. Các phương pháp dự báo truyền thống thường dựa trên các mô hình thống kê đơn giản hoặc kinh nghiệm của các chuyên gia. Tuy nhiên, với sự phát triển của công nghệ thông tin và dữ liệu lớn, các công cụ dự báo hiện đại đã tích hợp các thuật toán phức tạp như mạng nơ-ron nhân tạo, học máy, và trí tuệ nhân tạo (AI) để xử lý lượng lớn dữ liệu và đưa ra các dự báo chính xác hơn. Bên cạnh đó, việc phân tích nhu cầu phụ tải điện chi tiết đến từng vùng cũng giúp xác định các khu vực có tiềm năng tăng trưởng cao, từ đó có kế hoạch đầu tư và phát triển hạ tầng điện phù hợp. Điều này đặc biệt quan trọng trong bối cảnh Việt Nam, nơi mà tốc độ tăng trưởng kinh tế và đô thị hóa đang diễn ra nhanh chóng, dẫn đến sự thay đổi liên tục trong nhu cầu tiêu thụ điện.

1.1. Tầm quan trọng của dự báo phụ tải điện chính xác

Dự báo chính xác giúp tối ưu hóa kế hoạch sản xuất, truyền tải, và phân phối điện năng, giảm thiểu chi phí và đảm bảo an ninh năng lượng. Sai lệch trong dự báo nhu cầu điện có thể dẫn đến lãng phí nguồn lực hoặc thiếu hụt điện năng, gây ảnh hưởng tiêu cực đến kinh tế và xã hội. Việc xây dựng công cụ dự báo phụ tải điện chính xác là rất quan trọng.

1.2. Các yếu tố ảnh hưởng đến nhu cầu phụ tải điện vùng miền

Nhu cầu điện năng chịu tác động của nhiều yếu tố như kinh tế, dân số, khí hậu, mùa vụ, và các sự kiện đặc biệt (lễ, tết). Việc phân tích và mô hình hóa các yếu tố này là cần thiết để xây dựng các mô hình dự báo nhu cầu điện chính xác.

II. Thách Thức Dự Báo Nhu Cầu Điện Năng Tiêu Thụ Vùng Miền

Mặc dù có vai trò quan trọng, việc dự báo nhu cầu phụ tải điện theo vùng không phải là một nhiệm vụ dễ dàng. Có nhiều thách thức đặt ra, từ việc thu thập và xử lý dữ liệu, lựa chọn mô hình dự báo phù hợp, đến việc đánh giá và kiểm định độ chính xác của dự báo. Một trong những thách thức lớn nhất là tính biến động của nhu cầu điện năng, phụ thuộc vào nhiều yếu tố khó dự đoán như thời tiết cực đoan, biến động kinh tế, và thay đổi trong thói quen tiêu dùng của người dân. Theo tài liệu gốc, dự báo phụ tải là bài toán phổ biến nhưng lại rất phức tạp, bởi tính diễn biến bất thường của nó theo vùng, theo thời gian. Một thách thức khác là sự thiếu hụt dữ liệu lịch sử, đặc biệt là ở các khu vực mới phát triển hoặc có sự thay đổi lớn trong cơ cấu kinh tế. Dữ liệu lịch sử là nền tảng quan trọng để xây dựng và huấn luyện các mô hình dự báo, và việc thiếu dữ liệu có thể dẫn đến các dự báo không chính xác. Ngoài ra, việc lựa chọn mô hình dự báo phù hợp cũng là một thách thức. Có nhiều phương pháp dự báo nhu cầu điện khác nhau, từ các mô hình thống kê truyền thống đến các mô hình học máy phức tạp, và việc lựa chọn mô hình nào phù hợp nhất phụ thuộc vào đặc điểm của từng khu vực và dữ liệu sẵn có. Cuối cùng, việc đánh giá và kiểm định độ chính xác của dự báo là một thách thức quan trọng. Các sai số dự báo nhu cầu điện có thể dẫn đến các quyết định sai lầm trong vận hành và đầu tư hệ thống điện, do đó việc đánh giá và kiểm định độ chính xác của dự báo là cần thiết để đảm bảo tính tin cậy của thông tin.

2.1. Khó khăn trong việc thu thập và xử lý dữ liệu dự báo

Dữ liệu đầu vào cho dự báo phụ tải điện rất đa dạng và phức tạp, bao gồm dữ liệu về tiêu thụ điện, thời tiết, kinh tế, và các yếu tố xã hội. Việc thu thập, làm sạch, và tích hợp dữ liệu từ nhiều nguồn khác nhau là một thách thức lớn. Bên cạnh đó, dữ liệu có thể bị thiếu hoặc không chính xác, ảnh hưởng đến độ tin cậy của dự báo.

2.2. Lựa chọn phương pháp dự báo nhu cầu điện phù hợp

Có nhiều phương pháp dự báo khác nhau, từ các mô hình thống kê truyền thống đến các mô hình học máy hiện đại. Việc lựa chọn mô hình phù hợp phụ thuộc vào đặc điểm của dữ liệu, yêu cầu về độ chính xác, và nguồn lực có sẵn. Mỗi phương pháp đều có ưu và nhược điểm riêng, và cần được đánh giá kỹ lưỡng trước khi áp dụng.

2.3. Đánh giá và giảm thiểu sai số dự báo nhu cầu phụ tải điện

Sai số trong dự báo là không thể tránh khỏi, nhưng cần được đánh giá và giảm thiểu để đảm bảo tính tin cậy của thông tin. Các phương pháp đánh giá sai số bao gồm tính toán sai số trung bình, sai số tuyệt đối, và các chỉ số thống kê khác. Việc xác định nguyên nhân gây ra sai số và điều chỉnh mô hình là cần thiết để cải thiện độ chính xác của dự báo.

III. Cách Mạng Phương Pháp Dự Báo Nhu Cầu Điện Bằng AI

Để vượt qua các thách thức trên, các nhà nghiên cứu và phát triển đã tập trung vào việc ứng dụng các công nghệ mới, đặc biệt là trí tuệ nhân tạo (AI) và học máy (Machine Learning), vào quá trình dự báo nhu cầu phụ tải điện. Các mô hình AI có khả năng học hỏi từ dữ liệu, nhận diện các mối quan hệ phức tạp giữa các yếu tố ảnh hưởng, và đưa ra các dự báo chính xác hơn so với các mô hình truyền thống. Theo tài liệu gốc, hiện nay có nhiều phương pháp để dự báo phụ tải ngắn hạn. Có thể kể đến các phương pháp dựa trên kỹ thuật thống kê như phương pháp ngày tương tự, phương pháp chuỗi thời gian, phương pháp hồi quy hoặc bằng kỹ thuật trí tuệ nhân tạo như mạng nơron và hệ thống chuyên gia, logic mờ. Một trong những ứng dụng phổ biến nhất của AI trong dự báo nhu cầu điện là mạng nơ-ron nhân tạo (ANN). ANN có khả năng mô phỏng các mối quan hệ phi tuyến tính giữa các yếu tố đầu vào và đầu ra, và đã được chứng minh là có hiệu quả trong việc dự báo nhu cầu điện với độ chính xác cao. Ngoài ANN, các mô hình học máy khác như máy học tăng cường (Gradient Boosting), rừng ngẫu nhiên (Random Forest), và máy vectơ hỗ trợ (Support Vector Machine) cũng được sử dụng rộng rãi trong dự báo nhu cầu điện. Các mô hình này có khả năng xử lý dữ liệu lớn và phức tạp, và có thể được huấn luyện để dự báo nhu cầu điện với độ chính xác cao. Bên cạnh đó, việc sử dụng Big Data để thu thập và phân tích lượng lớn dữ liệu về tiêu thụ điện, thời tiết, kinh tế, và các yếu tố xã hội cũng đóng vai trò quan trọng trong việc nâng cao độ chính xác của dự báo. Các công cụ phân tích dữ liệu lớn cho phép xác định các mẫu và xu hướng ẩn trong dữ liệu, từ đó cải thiện khả năng dự báo của các mô hình AI.

3.1. Ứng dụng mạng nơ ron nhân tạo ANN trong dự báo điện

Mạng nơ-ron nhân tạo (ANN) có khả năng học hỏi từ dữ liệu và mô phỏng các mối quan hệ phi tuyến tính giữa các yếu tố ảnh hưởng đến nhu cầu điện. ANN đã được chứng minh là có hiệu quả trong việc dự báo nhu cầu điện với độ chính xác cao, đặc biệt là trong các tình huống phức tạp và biến động.

3.2. Sử dụng các mô hình học máy khác để dự báo phụ tải

Ngoài ANN, các mô hình học máy khác như máy học tăng cường (Gradient Boosting), rừng ngẫu nhiên (Random Forest), và máy vectơ hỗ trợ (Support Vector Machine) cũng được sử dụng rộng rãi trong dự báo nhu cầu điện. Các mô hình này có khả năng xử lý dữ liệu lớn và phức tạp, và có thể được huấn luyện để dự báo nhu cầu điện với độ chính xác cao.

3.3. Vai trò của Big Data trong dự báo nhu cầu phụ tải điện

Big Data cho phép thu thập và phân tích lượng lớn dữ liệu về tiêu thụ điện, thời tiết, kinh tế, và các yếu tố xã hội. Các công cụ phân tích dữ liệu lớn cho phép xác định các mẫu và xu hướng ẩn trong dữ liệu, từ đó cải thiện khả năng dự báo của các mô hình AI và học máy. Dữ liệu lớn và phân tích sâu đóng vai trò quan trọng trong việc dự báo chính xác nhu cầu điện.

IV. Tối Ưu Dự Báo Nhu Cầu Điện Với Giải Thuật Di Truyền

Để tối ưu hóa hiệu quả của các mô hình AI trong dự báo nhu cầu phụ tải điện, các nhà nghiên cứu đã sử dụng các kỹ thuật tối ưu hóa, chẳng hạn như giải thuật di truyền (Genetic Algorithm). Giải thuật di truyền là một phương pháp tìm kiếm tối ưu dựa trên các nguyên tắc của tiến hóa sinh học, và đã được chứng minh là có hiệu quả trong việc tìm kiếm các tham số tối ưu cho các mô hình AI. Theo tài liệu gốc, một trong những mục tiêu của luận văn là vận dụng mô hình mạng nơron nhân tạo kết hợp với giải thuật di truyền trong bài toán dự báo phụ tải ngắn hạn Tập đoàn Điện lực Việt Nam. Trong lĩnh vực dự báo nhu cầu điện, giải thuật di truyền có thể được sử dụng để tìm kiếm các cấu hình mạng nơ-ron tối ưu, các tham số tối ưu cho các mô hình học máy, hoặc các trọng số tối ưu cho các yếu tố ảnh hưởng đến nhu cầu điện. Bằng cách kết hợp giải thuật di truyền với các mô hình AI, các nhà nghiên cứu có thể tạo ra các công cụ dự báo nhu cầu điện có độ chính xác cao hơn và khả năng thích ứng tốt hơn với các thay đổi trong môi trường.

4.1. Ứng dụng giải thuật di truyền trong tối ưu hóa mô hình ANN

Giải thuật di truyền có thể được sử dụng để tìm kiếm các cấu hình mạng nơ-ron tối ưu, chẳng hạn như số lớp ẩn, số nơ-ron trong mỗi lớp, và các hàm kích hoạt. Bằng cách sử dụng giải thuật di truyền, các nhà nghiên cứu có thể tìm ra các cấu hình mạng nơ-ron có khả năng dự báo nhu cầu điện với độ chính xác cao nhất.

4.2. Tối ưu tham số mô hình học máy bằng giải thuật di truyền

Các mô hình học máy thường có nhiều tham số cần được điều chỉnh để đạt được hiệu quả tốt nhất. Giải thuật di truyền có thể được sử dụng để tìm kiếm các tham số tối ưu cho các mô hình học máy, chẳng hạn như tham số học, tham số chính quy, và các tham số khác. Việc tối ưu tham số giúp cải thiện độ chính xác và khả năng khái quát hóa của mô hình.

4.3. Kết hợp giải thuật di truyền và mô hình AI để dự báo

Việc kết hợp giải thuật di truyền và các mô hình AI cho phép tạo ra các công cụ dự báo nhu cầu điện có độ chính xác cao hơn và khả năng thích ứng tốt hơn với các thay đổi trong môi trường. Các công cụ này có thể được sử dụng để hỗ trợ các quyết định vận hành và đầu tư trong hệ thống điện.

V. Ứng Dụng Thực Tiễn Công Cụ Dự Báo Phụ Tải Điện Vùng

Các công cụ hỗ trợ dự báo nhu cầu phụ tải điện theo vùng không chỉ là các mô hình lý thuyết, mà còn là các ứng dụng thực tiễn có thể mang lại nhiều lợi ích cho các nhà quản lý và vận hành hệ thống điện. Một trong những ứng dụng quan trọng nhất là lập kế hoạch vận hành hệ thống điện. Bằng cách dự báo chính xác nhu cầu điện trong tương lai, các nhà quản lý có thể lên kế hoạch sản xuất, truyền tải và phân phối điện một cách tối ưu, giảm thiểu chi phí và đảm bảo nguồn cung ổn định. Theo tài liệu gốc, nếu dự đoán trước được phụ tải điện cho giờ tới, ngày tới, tuần tới, tháng tới, thậm chí cho năm tới thì việc vận hành toàn bộ hệ thống phát điện sẽ kinh tế hơn. Dự báo phụ tải - mục đích là dự báo nhu cầu điện năng của vùng, miền, quốc gia trong tương lai, dựa vào các quan sát, thực nghiệm của quá khứ nhằm phục vụ cho công tác quy hoạch, phát triển nguồn, lưới điện trong hệ thống điện, phục vụ cho công tác điều độ, vận hành hệ thống lưới điện. Các công cụ dự báo cũng có thể được sử dụng để hỗ trợ các quyết định đầu tư trong hệ thống điện. Bằng cách xác định các khu vực có tiềm năng tăng trưởng cao, các nhà đầu tư có thể lên kế hoạch xây dựng các nhà máy điện mới hoặc nâng cấp các nhà máy hiện có, đảm bảo đáp ứng nhu cầu điện trong tương lai. Ngoài ra, các công cụ dự báo còn có thể được sử dụng để quản lý rủi ro trong hệ thống điện. Bằng cách dự báo các sự kiện cực đoan như thời tiết khắc nghiệt hoặc biến động kinh tế, các nhà quản lý có thể lên kế hoạch ứng phó và giảm thiểu tác động của các sự kiện này đến hệ thống điện.

5.1. Lập kế hoạch vận hành hệ thống điện hiệu quả và tối ưu

Dự báo nhu cầu điện chính xác giúp các nhà quản lý lên kế hoạch sản xuất, truyền tải và phân phối điện một cách tối ưu, giảm thiểu chi phí và đảm bảo nguồn cung ổn định cho các khu vực khác nhau. Kế hoạch vận hành hiệu quả giúp hệ thống điện hoạt động ổn định và kinh tế.

5.2. Hỗ trợ các quyết định đầu tư và phát triển hạ tầng điện

Bằng cách xác định các khu vực có tiềm năng tăng trưởng cao, các nhà đầu tư có thể lên kế hoạch xây dựng các nhà máy điện mới hoặc nâng cấp các nhà máy hiện có, đảm bảo đáp ứng nhu cầu điện trong tương lai. Đầu tư và phát triển hạ tầng điện dựa trên dự báo chính xác giúp đảm bảo nguồn cung điện đáp ứng nhu cầu tăng trưởng.

5.3. Quản lý rủi ro và ứng phó với các sự kiện cực đoan

Dự báo các sự kiện cực đoan như thời tiết khắc nghiệt hoặc biến động kinh tế giúp các nhà quản lý lên kế hoạch ứng phó và giảm thiểu tác động của các sự kiện này đến hệ thống điện. Quản lý rủi ro giúp đảm bảo tính ổn định và tin cậy của hệ thống điện trong mọi tình huống.

VI. Tương Lai Dự Báo Nhu Cầu Điện Vùng Miền Xu Hướng Mới

Trong tương lai, công cụ hỗ trợ dự báo nhu cầu phụ tải điện theo vùng sẽ tiếp tục phát triển và hoàn thiện, nhờ vào sự tiến bộ của công nghệ và sự sẵn có của dữ liệu. Một trong những xu hướng quan trọng nhất là tích hợp các nguồn năng lượng tái tạo vào hệ thống điện. Các nguồn năng lượng tái tạo như điện mặt trời và điện gió có tính biến động cao, và việc dự báo sản lượng của các nguồn này là một thách thức lớn. Tuy nhiên, với sự phát triển của các mô hình dự báo thời tiết và các thuật toán học máy, việc dự báo sản lượng của các nguồn năng lượng tái tạo sẽ trở nên chính xác hơn, giúp tích hợp các nguồn này vào hệ thống điện một cách hiệu quả. Bên cạnh đó, việc sử dụng Smart grid và các công nghệ đo đếm thông minh cũng sẽ đóng vai trò quan trọng trong việc nâng cao độ chính xác của dự báo nhu cầu điện. Các công nghệ này cho phép thu thập dữ liệu về tiêu thụ điện theo thời gian thực, cung cấp thông tin chi tiết về thói quen tiêu dùng của người dân và các yếu tố ảnh hưởng đến nhu cầu điện. Cuối cùng, việc phát triển các mô hình dự báo nhu cầu điện thông minh, có khả năng tự học hỏi và thích ứng với các thay đổi trong môi trường, sẽ là một xu hướng quan trọng trong tương lai. Các mô hình này có thể được huấn luyện để dự báo nhu cầu điện với độ chính xác cao hơn và khả năng thích ứng tốt hơn với các sự kiện bất ngờ.

6.1. Tích hợp năng lượng tái tạo vào mô hình dự báo phụ tải

Dự báo chính xác sản lượng điện từ các nguồn năng lượng tái tạo như điện mặt trời và điện gió là rất quan trọng để tích hợp các nguồn này vào hệ thống điện một cách hiệu quả. Các mô hình dự báo thời tiết và thuật toán học máy đóng vai trò quan trọng trong việc dự báo sản lượng năng lượng tái tạo.

6.2. Smart grid và công nghệ đo đếm thông minh cải thiện dự báo

Smart grid và công nghệ đo đếm thông minh cho phép thu thập dữ liệu về tiêu thụ điện theo thời gian thực, cung cấp thông tin chi tiết về thói quen tiêu dùng và các yếu tố ảnh hưởng đến nhu cầu điện. Dữ liệu này giúp cải thiện độ chính xác của các mô hình dự báo nhu cầu điện.

6.3. Phát triển mô hình dự báo nhu cầu điện thông minh tự học hỏi

Các mô hình dự báo nhu cầu điện thông minh có khả năng tự học hỏi và thích ứng với các thay đổi trong môi trường, giúp dự báo nhu cầu điện với độ chính xác cao hơn và khả năng thích ứng tốt hơn với các sự kiện bất ngờ. Các mô hình này là xu hướng quan trọng trong tương lai của dự báo nhu cầu điện.

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 TIEU LUAN MOI download : [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 TIEU LUAN MOI download : [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 TIEU LUAN MOI download : skknchat@gmail.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 TIEU LUAN MOI download : [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 TIEU LUAN MOI download : [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.