chương 1, chương 2. Tháng 1/2018: Bảo vệ chuyên đề. Tháng 02 – Tháng 04 năm 2018: Thực hiện chương 3. Tháng 05 – Tháng 07 năm 2018: Thực hiện chương 4.
Tháng 08 – Tháng 09 năm 2018: Hoàn chỉnh luận văn. Tháng 10 năm 2018: Bảo vệ luận văn.Tổng quan các kết quả nghiên cứu Năm 2004, các tác giả C.Yang [1] có bài báo:“ Ứng dụng mạng Wavelet cho dự báo phụ tải ngắn hạn” Bài báo đề nghị phương pháp tiếp cận được kiểm tra lại qua các dữ liệu khác nhau đối với hệ thống điện và tải trạm. Sự so sánh sai số dự báo và thời gian thực hiện dùng mạng Wavelet có thể vượt trội hơn so với mạng Neural nhân tạo hiện thời. Năm 2004, các tác giả Trương Quang Đăng Khoa, Lê Minh Phương, Phan Thị Thanh Bình, Nguyễn Thị Hồng Liên [2] có bài báo về: “Ứng dụng về mạng Neural và Wavelet để dự báo phụ tải dài hạn”.
Bài nghiên cứu đề nghị đặc tính xấp xỉ của mạng Wavelet và Neural để xác định chức năng biểu thị mối liên hệ giữa biến số và năng lượng đầu ra. Kiến nghị của bài báo là mạng lưới liên kết chức năng, mạng lưới Neural nhiều lớp và mạng Wavelet. Trong 3 năm thử nghiệm, kỹ thuật dự báo hiện đại: mạng Wavelet Neural (sai số 1.75%) và mạng Emal (sai số 2.59%) đưa ra nhiều kết quả tốt hơn so với kỹ thuật dự báo truyền thống (sai số 3. Năm 2006, các tác giả Zheng hua, Zhang Lizi [3] có bài báo về: ”Sử dụng biến đổi Wavelet để dự báo phụ tải ngắn hạn”.
3 Trong những năm gần đây, phương pháp phân tích Wavelet có thể giúp chúng ta thu được những tín hiệu mong muốn với tần số khác nhau bằng phân tích trong nhiều mức khác nhau, được ứng dụng rộng rãi trong nhiều lĩnh vực kể cả hệ thống điện. Qua phân tích và so sánh, phương pháp có thể cải thiện tính khả thi của các thành phần tải được phân tích và nâng cao tính chính xác của dự báo, dự báo trong 24 giờ với sai số trung bình là 1. Năm 2007, các tác giả Nguyễn Hoàng Việt, Trần Anh Dũng, Nguyễn Quang Thi [4] có bài báo về: “Mạng Wavelet cho các bài toán dự báo phụ tải ngắn hạn trong các ngày đặc biệt”. Bài báo này đưa ra vấn đề dự báo phụ tải tiêu thụ bằng phương pháp mạng Wavelet.
Phương pháp này kết hợp mô hình mạng Neural nhân tạo, hàm Wavelet và logic mờ để dự báo ngắn hạn của phụ tải tiêu thụ trong các ngày lễ, Tết. Phụ tải tiêu thụ trong các ngày này rất khác biệt so với các ngày bình thường. Nếu áp dụng chương trình dự báo các ngày bình thường để dự báo các ngày này sẽ đưa ra kết quả sai lệch rất lớn, do vậy ta phải xây dựng chương trình dự báo cho các ngày đặc biệt. Chương trình dự báo được viết trên ngôn ngữ Matlab 6.
Năm 2010, tác giả Gaviphat Lekutai [5] có bài báo về:“Các bộ điều khiển mạng Neural Wavelet tự điều chỉnh tương thích”. Mạng lưới sóng dựa trên bộ điều chỉnh cải thiện sự hoạt động của mạng lưới, giảm thiểu sự biến thiên giữa các đợt vận hành, đến giao thoa âm thanh và khả năng phức tạp cao nhằm nghiên cứu và theo dõi các hệ thống phức tạp chưa được biết đến. Mạng lưới sóng này có thể khắc phục những vấn đề nêu trên và hy vọng đóng góp vào việc đặt nền móng cho sự phát triển hơn nữa của mạng Neural tương thích dựa vào phương pháp hệ thống điều khiển. Năm 2011, các tác giả Anant Oonsivilai, El-Hawary [6] có bài báo:“ Dự báo tải ngắn hạn của hệ thống điện dựa trên mạng Neural Wavelet” Giới thiệu phương pháp tiếp cận cho việc dự đoán hệ thống điện tải sử dụng mạng Neural Wavelet.
4 Mạng Neural Wavelet có thể làm tốt hơn những cấu trúc truyền thống trong phương diện xấp xỉ và dự báo liên quan đến hệ thống điện. Năm 2013, các tác giả Zidan Bashir, El-Hawary [7] có bài báo:“ Sử dụng mạng Neural Wavelet dự báo tải ngắn hạn”. Dữ liệu đầu vào được thu thập trong khoảng 2 năm (2009-2010) nhằm nghiên cứu mạng lưới và dữ liệu của năm 2011 dùng để kiểm tra mạng lưới. Mạng lưới được so sánh với mạng Neural nhân tạo và đưa ra dự báo cải thiện với độ hội tụ nhanh.
Năm 2015, các tác giả Zhao-Yang Dong, Bai-Ling Zhang, Qian Huang [8] có bài báo về:“ Sự tương thích của mạng Neural Network với các phân tích Wavelet trong dự báo phụ tải ngắn hạn”. Bài nghiên cứu giới thiệu mô hình lai để lồng ghép thông tin entropi với mạng neural nhằm thiết lập mô hình dự báo tải ngắn hạn. Mô hình được giới thiệu có cải thiện một cách hiệu quả tính chính xác của dự báo. Mô hình đã được kiểm tra với việc sử dụng dữ liệu tải hàng ngày ở tỉnh Heibei với những kết quả thỏa đáng.
Năm 2017, các tác giả Yanqiu Bi, Jianguo Zhao, Dahai Zhang [9] có bài báo về:“Thuật toán dự báo phụ tải sử dụng phân tích Wavelet gói”. Thuật toán sử dụng wavelet nhằm phân tích dữ liệu để rút ra thành phần tải của các tần số khác nhau và sau đó mạng Neural được dùng để dự đoán thành phần tải của mỗi gói Wavelet, những thuật toán được đề xuất nâng cao tính chính xác của dự báo và nó tốt hơn so với mạng lưới Neural lan truyền ngược, dự báo trong 24 giờ với sai số trung bình là 1. 5 Chương 2 CƠ SỞ LÝ THUYẾT DỰ BÁO PHỤ TẢI 2.Giới thiệu dự báo phụ tải trong hệ thống điện 2.Giới thiệu về dự báo phụ tải Công việc dự báo có ý nghĩa vô cùng quan trọng. Việc dự báo chính xác giúp đảm bảo tính ổn định của hệ thống điện (ổn định điện áp, ổn định tần số), bảo đảm sự cân bằng giữa điện năng sản xuất và điện năng tiêu thụ.
Dự báo là một khoa học quan trọng nghiên cứu các phương pháp luận khoa học làm cơ sở cho việc đề xuất dự báo cụ thể cũng như việc đánh giá mức độ tin cậy, mức độ chính xác của các phương pháp dự báo. Dự báo là đi tìm một mô hình toán thích hợp mô tả mối quan hệ phụ thuộc của các đại lượng cần dự báo với các yếu tố khác, hay chính bản thân nó. Nhiệm vụ chính của dự báo là việc xác định các tham số mô hình. Về mặt lý luận thì các tính chất của mô hình dự báo được nghiên cứu trên cơ sở giả định rằng nó được ứng dụng để dự báo một quá trình nào đó được sinh ra từ một mô hình giải tích.
Hiện nay có nhiều phương pháp luận cho hoạt động dự báo mà hầu hết các phương pháp ấy đều mang tính chất kinh nghiệm thuần túy. Vận dụng cách giải quyết theo kinh nghiệm vào dự báo là không đầy đủ vì cách làm ấy chỉ hoàn toàn dựa trên kinh nghiệm của các giai đoạn quá khứ và không phải lúc nào cũng có thể vận dụng vào hoàn cảnh hiện tại đã thay đổi so với trước. Do đó cần phải hoàn thiện về mặt lý thuyết các vấn đề dự báo. Sự hoàn thiện ấy cho phép chúng ta có thêm cơ sở tiếp cận với việc lựa chọn các phương pháp dự báo, đánh giá mức độ chính xác của dự báo đồng thời xác định khoảng thời gian lớn nhất có thể dùng cho dự báo.
Tác dụng của dự báo đối với quản lý kinh tế nói chung là rất lớn. Dự báo và lập kế hoạch là hai giai đoạn gắn kết chặt chẽ với nhau của một quá trình quản lý. Trong mối quan hệ ấy, phần dự báo sẽ góp phần giải quyết các vấn đề cơ bản sau: 6 Xác định xu thế phát triển. Đề xuất những yếu tố cụ thể quyết định các xu thế ấy.
Xác định quy luật và đặc điểm của sự phát triển. Nếu công tác dự báo mà dựa trên các lập luận khoa học thì nó sẽ trở thành cơ sở để xây dựng các kế hoạch phát triển nền kinh tế quốc dân. Đặc biệt đối với ngành năng lượng thì tác dụng của dự báo càng có ý nghĩa quan trọng vì năng lượng có liên quan rất chặt chẽ với tất các các ngành kinh tế quốc dân, cũng như mọi sinh hoạt bình thường của nhân dân. Do đó nếu dự báo không chính xác hoặc sai lệch quá nhiều về khả năng cung cấp nhu cầu năng lượng sẽ dẫn đến những hạn chế không tốt cho nền kinh tế.Phân loại dự báo phụ tải Việc phân loại dự báo phụ tải ra thành các loại khác nhau có vai trò rất quan trọng.
Mỗi loại dự báo khác nhau sẽ có những tính chất khác nhau, và phù hợp với những loại mô hình khác nhau. Do vậy người ta phân chia thành các loại dự báo khác nhau để nghiên cứu, xây dựng mô hình và tiến hành dự báo một cách phù hợp. Sau đây là các loại dự báo: Dự báo điều độ: thời gian dự báo theo giờ hoặc vài phút. Sai số yêu cầu <5%.
Dự báo ngắn hạn: thời gian dự báo theo ngày hoặc vài ngày hoặc tháng. Sai số cho phép của công tác dự báo ngắn hạn là 3÷5%. Dự báo trung hạn: thời gian dự báo theo năm và sẽ dự báo trong khoảng thời gian 5÷7năm. Sai số cho phép của công tác dự báo trung hạn là 5÷10%.
Dự báo dài hạn: thời gian dự báo theo năm và sẽ dự báo trong khoảng thời gian 10÷20 năm. Tính đúng đắn của dự báo phụ thuộc nhiều vào các phương pháp dự báo mà chúng ta áp dụng, mỗi phương pháp dự báo ứng với các sai số cho phép khác nhau. Đối với dự báo điều độ thì sai số cho phép nhỏ hơn 5%, dự báo ngắn hạn thì sai số 7 cho phép vào khoảng 3 - 5%, dự báo trung hạn thì sai số cho phép vào khoảng 5 – 10% và đối với dự báo dài hạn thì sai số cho phép vào khoảng 10 - 20%.Các phương pháp dự báo phụ tải điện 2.Phương pháp tính hệ số vượt trước Phương pháp này dựa trên khuynh hướng phát triển của nhu cầu điện năng và sơ bộ cân đối nhu cầu này. Nó được đặc trung bởi hệ số K phụ thuộc vào nhịp độ phát triển năng lượng điện và nhịp độ phát triển của toàn bộ nền kinh tế quốc dân.
Ngoài ra phương pháp này còn chịu ảnh hưởng bởi nhiều yếu tố khác, ví dụ như: Do tiến bộ về mặt khoa học kỹ thuật và quản lý nên suất tiêu hao điện năng đối với mỗi sản phẩm ngày càng giảm xuống. Do điện năng ngày càng được sử dụng rộng rãi trong các ngành kinh tế quốc dân và địa phương. Do cơ cấu kinh tế ngày càng không ngừng thay đổi.