Luận văn thạc sĩ về ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn

Trong hệ thống điện, có ba loại dự báo chính: ngắn hạn, trung hạn và dài hạn. Dự báo ngắn hạn thường được thực hiện cho khoảng thời gian từ một giờ đến một tuần, với sai số cho phép dưới 5%. Dự báo trung hạn kéo dài từ một tháng đến một năm, trong khi dự báo dài hạn có thể lên đến 10 năm. Mỗi loại dự báo phục vụ cho các mục đích khác nhau trong quy hoạch và vận hành hệ thống điện, và việc lựa chọn phương pháp dự báo phù hợp là rất quan trọng để đảm bảo hiệu quả trong công tác quản lý điện năng.

Các phương pháp dự báo phụ tải điện ngắn hạn bao gồm mô hình áp dụng ngày tương tự, phương pháp hồi quy, và các mô hình chuỗi thời gian. Mô hình áp dụng ngày tương tự dựa trên dữ liệu của các ngày trước đó có đặc điểm tương tự. Phương pháp hồi quy giúp xác định mối quan hệ giữa phụ tải và các yếu tố như thời tiết. Các mô hình chuỗi thời gian sử dụng dữ liệu lịch sử để dự đoán xu hướng tương lai. Tuy nhiên, mạng nơron nhân tạo đã chứng minh được khả năng vượt trội trong việc xử lý các mối quan hệ phức tạp và phi tuyến, từ đó nâng cao độ chính xác của dự báo.

Mô hình nơron sinh học là cơ sở cho việc phát triển mạng nơron nhân tạo. Mỗi nơron trong mô hình này tương tự như nơron trong não người, có khả năng nhận diện và xử lý thông tin. Các nơron kết nối với nhau thông qua các synapse, cho phép truyền tải thông tin và học hỏi từ kinh nghiệm. Mô hình này đã được đơn giản hóa và áp dụng vào các thuật toán máy tính, tạo ra các mạng nơron có khả năng học và dự đoán. Việc hiểu rõ về mô hình nơron sinh học giúp cải thiện thiết kế và hiệu suất của mạng nơron nhân tạo.

Mạng nơron có nhiều tính chất quan trọng, bao gồm khả năng học củng cố và học không có giám sát. Học củng cố cho phép mạng nơron cải thiện hiệu suất dự đoán qua thời gian bằng cách điều chỉnh các trọng số dựa trên sai số dự đoán. Học không có giám sát giúp mạng nơron phát hiện các mẫu trong dữ liệu mà không cần nhãn. Những tính chất này làm cho mạng nơron nhân tạo trở thành một công cụ mạnh mẽ trong việc dự báo phụ tải điện, đặc biệt là trong các tình huống phức tạp và không chắc chắn.

Bài toán dự báo phụ tải điện được xây dựng dựa trên các yếu tố như thời tiết, ngày trong tuần và các sự kiện đặc biệt. Việc thu thập dữ liệu từ ISO-New England cung cấp một cơ sở dữ liệu phong phú để phân tích. Các yếu tố này được đưa vào mô hình mạng nơron để cải thiện độ chính xác của dự báo. Việc xác định các yếu tố ảnh hưởng đến phụ tải điện là rất quan trọng để xây dựng một mô hình dự báo hiệu quả.

Việc so sánh giữa hai mô hình dự báo phụ tải điện cho thấy sự khác biệt rõ rệt về độ chính xác. Mô hình (24xNx24) cho kết quả dự đoán tốt trong các điều kiện bình thường, trong khi mô hình (6x20x1) thể hiện ưu thế trong các tình huống phức tạp hơn. Sự khác biệt này cho thấy rằng việc lựa chọn mô hình phù hợp là rất quan trọng trong công tác dự báo phụ tải điện. Kết quả này cũng nhấn mạnh tầm quan trọng của việc tối ưu hóa cấu trúc mạng nơron để đạt được hiệu suất tốt nhất.

Mô hình dự báo phụ tải điện cho thành phố Hà Nội được xây dựng dựa trên các yếu tố như nhiệt độ, độ ẩm và các sự kiện đặc biệt. Việc thu thập dữ liệu từ các nguồn khác nhau giúp cải thiện độ chính xác của mô hình. Các mô hình mạng nơron được tối ưu hóa để phù hợp với đặc điểm của thành phố, từ đó nâng cao khả năng dự đoán. Kết quả cho thấy rằng việc áp dụng mạng nơron nhân tạo là một giải pháp hiệu quả cho bài toán dự báo phụ tải điện ngắn hạn.

Kết quả từ việc áp dụng các mô hình dự báo cho thấy rằng mạng nơron nhân tạo có khả năng dự đoán chính xác phụ tải điện cho thành phố Hà Nội. Việc lựa chọn mô hình phù hợp và tối ưu hóa các tham số học là rất quan trọng để đạt được kết quả tốt nhất. Các mô hình đã được thử nghiệm cho thấy sự khác biệt rõ rệt về độ chính xác, nhấn mạnh tầm quan trọng của việc nghiên cứu và phát triển các phương pháp dự báo mới trong lĩnh vực điện lực.