Báo cáo tổng kết:NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN

Chia sẻ: Nguyen Bao Ngoc | Ngày: | Loại File: PDF | Số trang:71

Thêm vào BST

Báo xấu

137
lượt xem 45
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Dự báo phụ tải điện với độ chính xác cao lμ một trong những nhiệm vụ vô cùng quan trọng trong quy hoạch vμ vận hμnh hệ thống điện. Dự báo phụ tải điện có thể chia làm 3 nhóm: dự báo ngắn hạn (một giờ đến một tuần), dự báo trung hạn (từ hơn một tuần đến một năm) vμ dự báo dμi hạn (trên một năm). Nếu như dự báo trung hạn vμ dμi hạn được quan tâm nghiên cứu khá nhiều ở nước ta (chủ yếu để phục vụ quy hoạch hệ thống điện) thì dự báo ngắn hạn mặc dù đóng...

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Báo cáo tổng kết:NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN

BỘ CÔNG THƯƠNG TẬP ĐOÀN ĐIỆN LỰC VIỆT NAM VIỆN NĂNG LƯỢNG __________________________________________________________ BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP BỘ MÃ SỐ: I- 145 NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN (GIAI ĐOẠN 2) Chủ nhiệm đề tài: Trần Kỳ Phúc 7178 17/3/2009 Hà Nội, 12-2008
BỘ CÔNG THƯƠNG TẬP ĐOÀN ĐIỆN LỰC VIỆT NAM VIỆN NĂNG LƯỢNG __________________________________________________________ MÃ SỐ: I 145 ĐỀ TÀI NGHIÊN CỨU KHOA HỌC NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN (GIAI ĐOẠN 2) Hà Nội, 12-2008
ii
Trang MỤC LỤC ii Mở đầu 1.1 Chương 1 Dự báo đỉnh và đáy biểu đồ phụ tải ngày dùng mạng neuron nhiều lớp MLP 1.1 1.1. Giới thiệu 1.1 1.2. Thuật toán chung dự báo biểu đồ phụ tải ngày 1.4 1.3. Dự báo đỉnh biểu đồ phụ tải ngày trên cơ sở mạng MLP 1.15 1.4. Tóm lược 2.1 Chương 2. Dự báo biểu đồ phụ tải ngày dùng phương pháp đỉnh-đáy-dạng 2.1 2.1. Giới thiệu 2.1 2.2. Dự báo biểu đồ phụ tải ngày bằng phương pháp đỉnh-đáy-dạng 2.3. Tóm lược chương 2 2.9 3.1 Chương 3. Dự báo biểu đồ phụ tải ngày dùng mạng neuron MLP 24 đầu ra 3.1 3.1. Giới thiệu 3.1 3.2. Dự báo biểu đồ phụ tải ngày dùng mạng neuron MLP-31xNx24 3.4 3.3. Dự báo biểu đồ phụ tải ngày dùng mạng 24 neuron đầu ra MLP- (24L+5W+4D)xNx24 3.6 3.4. Dự báo biểu đồ phụ tải ngày dùng mạng 24 neuron đầu ra mã hoá dạng ngày dùng 8 neuron đầu vào MLP-(24L+5W+8D)xNx24 3.8 3.5. Một số giải pháp tăng hiệu quả dự báo biểu đồ phụ tải ngày 3.11 3.6. Tóm lược chương 3 4.1 Chương 4. Phân loại dạng biểu đồ phụ tải ngày 4.1 4.1. Giới thiệu 4.2 4.2. Xây dựng mạng ánh xạ đặc trưng tự tổ chức Kohonen (K-SOFM) phân loại dạng biểu đồ phụ tải ngày 4.8 4.3. Kết quả và phân tích 4.23 4.4. Tóm lược chương 4 a Kết luận b Tài liệu tham khảo Phụ lục iii
MỞ ĐẦU Dù b¸o phô t¶i ®iÖn víi ®é chÝnh x¸c cao lµ mét trong nh÷ng nhiÖm vô v« cïng quan träng trong quy ho¹ch vµ vËn hµnh hÖ thèng ®iÖn. Dù b¸o phô t¶i ®iÖn cã thÓ chia lµm 3 nhãm: dù b¸o ng¾n h¹n (mét giê ®Õn mét tuÇn), dù b¸o trung h¹n (tõ h¬n mét tuÇn ®Õn mét n¨m) vµ dù b¸o dµi h¹n (trªn mét n¨m). NÕu nh− dù b¸o trung h¹n vµ dµi h¹n ®−îc quan t©m nghiªn cøu kh¸ nhiÒu ë n−íc ta (chñ yÕu ®Ó phôc vô quy ho¹ch hÖ thèng ®iÖn) th× dù b¸o ng¾n h¹n mÆc dï ®ãng vai trß cùc quan träng trong vËn hµnh kinh tÕ hÖ thèng ®iÖn, l¹i ch−a ®−îc quan t©m nghiªn cøu ®óng møc. ë n−íc ngoµi, dù b¸o ng¾n h¹n phô t¶i ®iÖn lµ mét vÊn ®Ò ®·, ®ang vµ tiÕp tôc ®−îc nghiªn cøu, chñ yÕu dïng c¸c ph−¬ng ph¸p x¸c suÊt thèng kª nh− håi qui ®a biÕn, san hµm mò, chuçi thêi gian,... GÇn ®©y, ®· cã mét sè c«ng tr×nh chuyÓn sang sö dông c¸c c«ng cô cña trÝ tuÖ nh©n t¹o, ®Æc biÖt lµ m¹ng n¬ ron nh©n t¹o ®Ó dù b¸o ng¾n h¹n. ë n−íc ta, ®· cã mét vµi nghiªn cøu ë mét sè n¬i vÒ m¹ng n¬ ron trong dù b¸o phô t¶i ®iÖn nh−ng nÆng vÒ nghiªn cøu ph−¬ng ph¸p luËn vµ häc thuËt, ch−a ®i vµo sè liÖu cô thÓ, sai sè cßn cao vµ kh¶ n¨ng ¸p dông cßn giíi h¹n. Giai đoạn 1 của đề tài đã xem xét các vấn đề sau: - Tổng quan về dự báo phụ tải điện ngắn hạn - Tổng quan về mạng nơ ron nhân tạo và Matlab Neuron Toolbox - Mạng nơ ron nhân tạo trong dự báo phụ tải điện ngắn hạn - Lựa chọn mạng nơ ron nhân tạo cho dự báo phụ tải điện ngắn hạn ở nước ta. Báo cáo này trình bày các kết quả cơ bản của giai đoạn 2, bao gồm các vấn đề thiết kế mô hình, lập phần mềm và thử nghiệm để dự báo đỉnh-đáy-dạng biểu đồ phụ tải ngày dùng mạng neuron nhiều lớp thuật toán lan truyền ngược sai số MLP và mạng một lớp thuật toán học không giám sát Kohonen. Kết quả thử nghiệm mạng cho thấy hiệu quả dự báo là thấp hơn các mô hình dùng phương pháp thống kế và tương đương với các công bố dùng mạng neuron, neuron-mờ,... Để so sánh, giai đoạn 2 cũng đã xây dựng phần mềm dự báo biểu đồ phụ tải ngày trên cơ sở mạng neuron iv
24 đầu ra (phụ tải 24 giờ trong ngày). Kết quả cho sai số tương đương với phương pháp đỉnh-đáy-dạng. Hướng nghiên cứu tiếp theo là tổng hợp cả 2 giải pháp này trong phần mềm dự báo sử dụng bộ tổng hợp sai số bình phương tối thiểu dựa vào hiệu quả dự báo của từng giải pháp trong quá khứ. v
CHƯƠNG 1 DỰ BÁO ĐỈNH BIỂU ĐỒ PHỤ TẢI NGÀY DÙNG MẠNG NEURON NHIỀU LỚP MLP 1.1 Giới thiệu Dự báo đỉnh và đáy biểu đồ phụ tải ngày (tức giá trị công suất phụ tải cao nhất và thấp nhất trong ngày) có vai trò đặc biệt quan trọng trong điều độ hệ thống điện. Ngoài ra, dự báo đỉnh và đáy biểu đồ phụ tải còn là giai đoạn đầu của phương pháp dự báo biểu đồ phụ tải ngày dùng phương pháp kết hợp dự báo đỉnh, đáy và dạng biểu đồ phụ tải. Đối với phương pháp này sai số dự báo đỉnh và đáy cùng với sai số dự báo dạng biểu đồ sẽ ảnh hưởng đến sai số cuối cùng khi dự báo cả biểu đồ phụ tải ngày. Chương này giới thiệu phương pháp, dữ liệu và kết quả dự báo đỉnh và đáy biểu đồ phụ tải ngày khu vực Hà Nội trên cơ sở mạng neuron nhân tạo nhiều lớp huấn luyện bằng thuật toán lan truyền ngược sai số MLP. 1.2. Thuật toán chung dự báo biểu đồ phụ tải ngày Với một số giản ước dựa trên nhu cầu thực tiễn cũng như xem xét lý thuyết, dự báo biểu đồ phụ tải ngày có thể xem là bài toán xác định đường cong phụ tải biểu diễn sự phụ thuộc của công suất phụ tải của hệ thống nào đó vào thời gian trong ngày, đường cong này thường xây dựng cho 24 giờ trong ngày (hoặc có khi từng nửa giờ một). Biểu đồ phụ tải tuần và ngày đặc trưng cho khu vực Hà Nội được biểu diễn trên hình 1.1 600 Thứ B a, 06/7/2004 500 800 400 700 P, MW 600 300 P h ụ t ả i, M W 500 200 400 300 100 200 100 0 0 1 25 49 73 97 121 145 1 7 13 19 Giờ, h Giờ trong ngày, h vi
Hình 1.1 Biểu đồ phụ tải tuần và ngày đặc trưng khu vực Hà Nội Có một số cách tiếp cận đối với bài toán dự báo biểu đồ phụ tải ngày: - Kết hợp dự báo đỉnh (phụ tải cao nhất), đáy (phụ tải thấp nhất) và dạng biểu đồ phụ tải ngày (dạng đường cong phụ thuộc phụ tải-giờ) [3] - Dự báo đồng thời phụ tải 24 giờ ngày dự báo (thường dùng MNN 24 đầu ra) [2] - Dự báo 24 lần từng giờ của ngày dự báo (dùng MNN 1 đầu ra) [2] Nghiên cứu này sử dụng cách tiếp cận đầu tiên vì tính đơn giản và hiệu quả của mô hình. Toàn bộ thuật toán dự báo sẽ dựa trên đại lượng xd - là vector đặc trưng cho ngày d x d = {Ld ,i , i = 1, n L ; Td , j , j = 1, nT ; C d ,k ; k = 1, n S } vớ i Ld,i, i=1..nL là phụ tải điện tại thời điểm i của ngày d, thông thường nL=24 Td,j, j=1,nT là thông số thời tiết j của ngày d; T có thể là nhiệt độ, độ ẩm,... Cd,k, k=1,nS là thông số lịch k của ngày d, C có thể là mã hoá của ngày trong tuần, mùa trong năm, ngày lễ-tết, ngày có sự kiện văn hoá-thể thao đặc biệt,... Gọi vector xnd là vector đặc trưng cho ngày d được chuẩn hoá { } x n = Ln ,i , i = 1, n L ; Tdn, j , j = 1, nT ; C dn, k ; k = 1, n S d d Ở đây, Lnd,i , i=1,nL chính là biểu đồ phụ tải ngày d chuẩn hoá theo đỉnh và đáy phụ tải (hoặc gọi là dạng đường cong biểu đồ phụ tải) theo công thức Ld ,i − min Ld Lnd ,i = , i = 1, n L (1.1) max Ld − min Ld với maxLd và minLd là giá trị phụ tải lớn nhất và nhỏ nhất của ngày d tương ứng, max Ld = max{Ld ,i }, i = 1, n L min Ld = min{Ld ,i }, i = 1, n L vii
Tnd,j, j=1,nT và Cnd,k, k=1,nS cũng được chuẩn hoá tương tự. Biểu đồ phụ tải ngày d dự báo được nếu có giá trị dự báo của đỉnh maxLd , đáy minLd và biểu đồ phụ tải chuẩn hoá nLd,i ^ ^ ^ Ld ,i = min Ld + nLd ,i .(max Ld − min Ld ), i = 1, n L (1.2) Thuật toán này phát triển trên cơ sở đề xuất trong [3] và khác với [3] tại 2 điểm: a) vector đặc trưng ngày xd không chỉ có các thành phần phụ tải như trong [3] mà còn bao gồm cả các thành phần thời tiết và lịch sinh hoạt, sản xuất – là các thành phần ảnh hưởng đến biểu đồ phụ tải; b) phần dự báo dạng biểu đồ phụ tải ngày không dựa đơn thuần trên 4 nhóm ngày phân loại cố định từ trước (Chủ nhật, thứ Bảy, thứ Ba- thứ Năm, thứ Sáu) mà trên cơ sở các nhóm ngày được phân loại chi tiết hơn có tính đến yếu tố thời tiết và lịch sinh hoạt-sản xuất, tận dụng thông tin về khoảng cách giữa vector trọng số của neuron đặc trưng cho nhóm và vector đầu vào của mạng Kohonen (xem chương 4). Đỉnh và đáy biểu đồ phụ tải sẽ được dự báo dùng 2 MNN nhiều lớp truyền thẳng một đầu ra. Biểu đồ phụ tải chuẩn hoá sẽ được dự báo dùng mạng ánh xạ tự tổ chức Kohonen (xem sơ đồ trên hình 1.2). L,T,C MLP dự báo đỉnh Ld,i Bộ L,T,C MLP tổng dự báo hợp đáy L,T,C SOM dự báo dạng Hình 1.2. Sơ đồ cấu trúc mô hình dự báo BĐPT ngày viii
1.3. Dự báo đỉnh biểu đồ phụ tải ngày trên cơ sở mạng MLP Cấu hình mạng neuron nhân tạo dự báo đỉnh biểu đồ phụ tải ngày MNN sẽ là mạng perceptron nhiều lớp truyền thẳng liên kết đủ, số lớp ẩn là 1, số neuron đầu ra là 1, theo luật học lan truyền ngược sai số [5]. Lựa chọn các neuron đầu vào. Nhằm chọn số neuron đầu vào phù hợp đã tiến hành phân tích tương quan giữa phụ tải đỉnh ngày dự báo maxLd và các thông số thời tiết khu vực Hà Nội, kết quả như trong bảng 1.1. Ở đây ký hiệu maxLd-k - phụ tải đỉnh k ngày trước ngày dự báo, k=1,2,..; maxTd-k, minTd-k - nhiệt độ cao nhất và thấp nhất k ngày trước ngày dự báo; maxTd, minTd - nhiệt độ cao nhất và thấp nhất ngày dự báo; maxTd-maxTd-1 - chênh lệch nhiệt độ cao nhất giữa ngày dự báo và ngày trước đó; Hd, RFd, SHd - độ ẩm, lượng mưa và số giờ nắng ngày dự báo. Bảng 1.1. Hệ số tương quan giữa maxLd và các thông số còn lại x Hệ số tương quan R maxLd-1 maxLd-2 maxLd-3 maxLd-7 maxLd-14 Hd R Fd SHd 0,693 0,645 0,705 -0,109 -0,023 0.812 0,762 0,301 maxTd-maxTd-1 maxTd maxTd-1 maxTd-7 minTd minTd-1 minTd-7 0,402 0,400 0,026 0,456 0,450 0,434 0,428 Liên quan đến đầu vào nhiệt độ, phân tích hàm quan hệ giữa phụ tải điện và nhiệt độ khu vực Hà Nội (xem hình 1.3) cho thấy hiện nay hàm này có dạng bậc thang, khác với dạng chữ U như đối với nhiều nước nêu trong [5]. Hai điểm chuyển đổi (gãy khúc) tương ứng với ngưỡng nhiệt độ sưởi ấm và ngưỡng nhiệt độ làm mát tương ứng là TCmin = 17,50C và TCmax = 250C, có khác chút ít với nhiều nước1. Các giá trị này cũng thể hiện phần nào tập quán sử dụng điện, mức thu nhập trung bình và trình độ phát triển của từng khu vực trên thế giới. 1 Nhiều nước công bố giá trị TCmin = 150C và TCmax = 200C ix
Phụ thuộc phụ tải trung bình - nhiệt độ trung bình ngày 2003-2004 700 600 500 400 Ptb, MW 300 200 100 0 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 Ttb, oC Hình 1.3. Phụ thuộc phụ tải - nhiệt độ khu vực Hà Nội Do đó, có thể thay thế đầu vào nhiệt độ T bằng hàm chuyển đổi f(T) sau : ⎧ T − 25 0 , if ..T ≥ 25 0 ⎪ f (T ) = ⎨ 0, if ..17,5 0 < T < 25 0 (1.3) ⎪17,5 0 − T , if ..T ≤ 17,5 0 ⎩ Thông tin về ngày trong tuần sẽ được mã hoá bằng một trong hai cách, sử dụng 3 hoặc 7 neuron đầu vào như nêu tại bảng 1.2. Bảng 1.2. Mã hoá ngày trong tuần Số neuron Chủ nhật Thứ Hai Thứ Ba Thứ Tư Thứ Năm Thứ Sáu Thứ Bảy 3 001 010 011 100 101 110 111 0000001 0000010 0000100 0001000 0010000 0100000 1000000 7 Phân tích biến thiên đỉnh phụ tải, dạng biểu đồ phụ tải và nhiệt độ cao nhất ngày trong một số năm khu vực Hà Nội (xem hình 1.4) cho thấy theo mức phụ tải và nhiệt độ trong năm có thể chia phụ tải hàng năm của Hà Nội thành 3 mùa: mùa đầu năm từ tháng Giêng đến tháng 4; mùa giữa năm từ tháng 5 đến tháng 8 và mùa cuối năm từ tháng 9 đến tháng 12. Các mùa này được mã hoá bằng 3 bit tương ứng như sau: 100, 010 và 001. x
800 60 700 50 600 40 500 Pmax, MW Tmax, oC 400 30 300 20 200 10 100 0 0 1 60 119 178 237 296 355 Ngày Pmax Tmax Hình 1.4. Biến thiên đỉnh biểu đồ phụ tải và nhiệt độ cao nhất ngày trong năm khu vực Hà Nội Tóm lại, trên cơ sở phân tích tương quan giữa các thông số phụ tải, thời tiết, ... thiết kế MNN dùng dự báo đỉnh biểu đồ phụ tải ngày với các đầu vào và đầu ra như sau: Bảng 3. Đầu vào và đầu ra của MNN dự báo đỉnh biểu đồ phụ tải ngày Thông số Neuron Ký hiệu Phụ tải Neuron no. 1... 2 maxLd-1, maxLd-7 Thời tiết Neuron no. 3....8 maxTd ,maxTd-1 ,maxTd-7,minTd,minTd-1,minTd-7 Đầu vào Ngày Neuron no. 9..15 D1D2D3D4D5D6D7 Mùa Neuron no.16..18 S 1 S 2S 3 Đầu ra Phụ tải 1 neuron maxLd Mạng cơ sở trên sẽ được thêm, bớt hoặc thay đổi các đầu vào (như hàm nhiệt độ thay cho nhiệt độ, mã hoá ngày trong tuần dùng 1 neuron hoặc 3 neuron, ...) với xi
mục đích so sánh hiệu quả dự báo và tìm ra cấu trúc mạng phù hợp nhất đối với hệ thống điện Hà Nội. Lựa chọn số neuron lớp ẩn. Nhằm giảm ảnh hưởng của hiện tượng quá khớp và thừa thông số, số neuron lớp ẩn và số chu kỳ huấn luyện mạng sẽ được xác định thông qua quá trình kiểm định. Số neuron lớp ẩn khởi đầu xác định theo công thức kinh nghiệm nêu trong [7]: NS Nh ≈ (1.4) 5( Ni + No) với Nh, NS, Ni và No tương ứng là số neuron lớp ẩn, số mẫu huấn luyện, số neuron đầu vào và số neuron đầu ra của mạng. Tăng, giảm số neuron lớp ẩn xung quanh giá trị ban đầu, thông qua huấn luyện mạng có kiểm định, xác định số neuron lớp ẩn tương ứng với trường hợp sai số đối với tập kiểm định là nhỏ nhất. Ứng với trường hợp này cũng xác định số chu kỳ huấn luyện mạng. Kiểm định và lựa chọn số chu kỳ huấn luyện mạng Để khắc phục hiện tượng quá khớp và thừa tham số, có thể sử dụng phương pháp điều tiết hoặc kiểm định. Kết hợp công thức kinh nghiệm (1.4) và thuật toán kiểm định, đề xuất trình tự lựa chọn số neuron lớp ẩn và số chu kỳ huấn luyện mạng như sau: Bước 1: Chọn số neuron lớp ẩn ban đầu theo công thức (1.4) Bước 2: Tăng, giảm số neuron lớp ẩn xung quanh giá trị ban đầu, thông qua huấn luyện mạng có kiểm định, xác định số neuron lớp ẩn tương ứng với trường hợp sai số đối với tập kiểm định là nhỏ nhất. Ứng với trường hợp này cũng xác định số chu kỳ huấn luyện mạng - ký hiệu là Ne. Bước 3: Gộp tập kiểm định vào tập huấn luyện thành tập huấn luyện mới và chuyển sang bước huấn luyện mạng chính thức với số neuron lớp ẩn Nh và số chu kỳ huấn luyện Ne tìm được. Đánh giá mạng bằng sai số đối với tập huấn luyện mới (sai số in-sample) và đối với tập kiểm tra (sai số out-sample) xii
Chỉ tiêu sai số so sánh. Sử dụng sai số tuyệt đối phần trăm trung bình (MAPE) để so sánh hiệu quả dự báo của MNN. Trên cơ sở thuật toán trên đã xây dựng phần mềm dự báo đỉnh và đáy phụ tải ngày sử dụng công cụ MATLAB và giao diện đồ hoạ MATLAB-GUI. Kết quả dự báo đỉnh phụ tải Để so sánh ảnh hưởng của các thông tin đầu vào khác nhau đến hiệu quả dự báo đã tiến hành nghiên cứu các phương án mạng khác nhau về số lượng và tính chất các đầu vào (có và không có thông tin về thời tiết, về mùa, các phương án mã hoá khác nhau, v.v...): i.Mạng không có đầu vào về nhiệt độ, ký hiệu MLP-(2L+7DT+3S)x10x1-20e. Mạng có tất cả 12 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 7 đầu vào mã hoá ngày trong tuần và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 10; số chu kỳ huấn luyện là 20. ii.Mạng không có đầu vào về nhiệt độ ngày dự báo nhưng có thông tin đầu vào về nhiệt độ các ngày quá khứ, ký hiệu MLP-(2L+4f(T)+7DT+3S)x7x1-16e. Mạng có tất cả 16 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 4 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quá khứ, 7 đầu vào mã hoá ngày trong tuần và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 7; số chu kỳ huấn luyện là 16. iii.Mạng không có đầu vào về mùa trong năm, ký hiệu MLP- (2L+6f(T)+7DT)x7x1-16e. Mạng có tất cả 15 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quá khứ cũng như ngày dự báo và 7 đầu vào mã hoá ngày trong tuần; số neuron lớp ẩn là 7; số chu kỳ huấn luyện là 28. iv.Mạng có 3 bit mã hoá ngày trong tuần, ký hiệu MLP-(2L+6f(T)+3DT+3S)x7x1- 15e. Mạng có tất cả 14 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quá khứ cũng như của xiii
ngày dự báo, 3 đầu vào mã hoá ngày trong tuần và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 7; số chu kỳ huấn luyện là 15. v. Mạng có 7 bit mã hoá ngày trong tuần, ký hiệu MLP- (2L+6f(T)+7DT+3S)x6x1-21e. Mạng đầy đủ nhất trong số xem xét, có tất cả 18 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quá khứ cũng như của ngày dự báo, 7 đầu vào mã hoá ngày trong tuần và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 6; số chu kỳ huấn luyện là 21. vi.Mạng có đầu vào nhiệt độ trực tiếp (không dùng hàm chuyển đổi), ký hiệu MLP-(2L+6T+3S)x10x1-16e. Mạng có tất cả 11 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 6 đầu vào là nhiệt độ cao nhất và thấp nhất quá khứ cũng như của ngày dự báo và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 10; số chu kỳ huấn luyện là 16. vii.Mạng có đầu vào là hàm chuyển đổi nhiệt độ, ký hiệu MLP- (2L+6f(T)+3S)x10x1-16e. Mạng có tất cả 11 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quá khứ cũng như của ngày dự báo và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 10; số chu kỳ huấn luyện là 16. . Kết quả tổng hợp trong bảng 1.4. Các giá trị sai số này là trung bình thống kê 10 lần huấn luyện và dự báo độc lập. Bảng 1.4. So sánh sai số dự báo đỉnh biểu đồ phụ tải ngày với các phương án MNN khác nhau Kỳ dự Ghi chú Mạng Average báo MLP-(11+7)x6x1-21e-f(T) 1.16 Mạng mùa+ngày 7bit+f(T) MLP-(11+7-3)x7x1-28e-f(T) 1.58 Mạng không mùa+ngày+f(T) MLP-(11+7-6T)x10x1-20e 3.62 Mạng mùa+ngày 7bit+NoT Ngày MLP-11x10x1-16e-T 1.15 Mạng mùa+T+10 neuron lớp ẩn MLP-11x10x1-16e-f(T) 1.09 Mạng mùa+f(T)+10 neuron lớp ẩn MLP-(11+7-2T)x7x1-16e 4.38 Mạng mùa+ngày 7bit+NoT(i) Tuần MLP-(11+7)x6x1-21e-f(T) 2.62 Mạng mùa+ngày 7 bit+f(T) MLP-(11+7-3)x7x1-28e-f(T) 2.97 Mạng không mùa+ngày+f(T) MLP-(11+7-6T)x10x1-20e 2.95 Mạng mùa+ngày 7bit+NoT MLP-11x10x1-16e-T 2.93 Mạng mùa+T+10 neuron lớp ẩn xiv
Kỳ dự Ghi chú Mạng Average báo MLP-11x10x1-16e-f(T) 2.85 Mạng mùa+f(T)+10 neuron lớp ẩn MLP-(11+7-2T)x7x1-16e 2.71 Mạng mùa+ngày 7bit+NoT(i) MLP-(11+7)x6x1-21e-f(T) 3.07 Mạng mùa+ngày 7 bit+f(T) MLP-(11+7-3)x7x1-28e-f(T) 3.43 Mạng không mùa+ngày+f(T) MLP-(11+7-6T)x10x1-20e 3.73 Mạng mùa+ngày 7bit+NoT Tháng MLP-11x10x1-16e-T 3.76 Mạng mùa+T+10 neuron lớp ẩn MLP-11x10x1-16e-f(T) 3.70 Mạng mùa+f(T)+10 neuron lớp ẩn MLP-(11+7-2T)x7x1-16e 3.75 Mạng mùa+ngày 7bit+NoT(i) MLP-(11+7)x6x1-21e-f(T) 3.18 Mạng mùa+ngày 7 bit+f(T) MLP-(11+7-3)x7x1-28e-f(T) 3.24 Mạng không mùa+ngày+f(T) MLP-(11+7-6T)x10x1-20e 3.94 Mạng mùa+ngày 7bit+NoT Toàn bộ MLP-11x10x1-16e-T 3.80 Mạng mùa+T+10 neuron lớp ẩn MLP-11x10x1-16e-f(T) 3.74 Mạng mùa+f(T)10 neuron lớp ẩn MLP-(11+7-2T)x7x1-16e 3.82 Mạng mùa+ngày 7bit+NoT(i) 4.0 3.5 3.0 2.5 M APE, % 2.0 1.5 1.0 0.5 0.0 Ngày Tuần Tháng Tập test Mùa Không mùa Hình 5. So sánh sai số dự báo đỉnh trường hợp có và không có đầu vào về mùa trong năm xv
So sánh hiệu quả dự báo trường hợp có và không có thông tin về mùa trong năm (hình 5) cho thấy phương pháp phân loại mùa nêu trên và thông tin về mùa đưa vào mạng khá là hiệu quả. Đối với khu vực Hà Nội thông tin về mùa giúp giảm sai số dự báo từ 1,58% (đối với dự báo 1 ngày tới), 2,97% (dự báo 1 tuần tới) và 3,43% (đối với dự báo 1 tháng tới) xuống còn 1,16%, 2,62% và 3,07% tương ứng; tương đương với giảm được 36% sai số dự báo 1 ngày tới, 14% sai số dự báo 1 tuần tới và 12% sai số dự báo 1 tháng tới. 4.5 4.0 3.5 3.0 M AP E, % 2.5 T Không T 2.0 1.5 1.0 0.5 0.0 Ngày Tuần Tháng Tập test Hình 1.6. So sánh sai số dự báo đỉnh trường hợp có và không có đầu vào về nhiệt độ So sánh hiệu quả dự báo trường hợp có và không có thông tin về nhiệt độ (hình 6) cho thấy nhiệt độ là thông tin cần thiết đối với mạng. Đối với khu vực Hà Nội thông tin về nhiệt độ giúp giảm sai số dự báo từ 3,62% (đối với dự báo 1 ngày tới), 2,95% (dự báo 1 tuần tới) và 3,73% (đối với dự báo 1 tháng tới) xuống còn 1,16%, 2,62% và 3,07% tương ứng. xvi
4.0 3.5 3.0 2.5 M APE, % f(T) 2.0 T 1.5 1.0 0.5 0.0 Ngày Tuần Tháng Tập test Hình 7. So sánh sai số dự báo đỉnh trường hợp dùng và không dùng hàm chuyển đổi nhiệt độ So sánh hiệu quả dự báo trường hợp không dùng và dùng hàm chuyển đổi nhiệt độ (hình 7) cho thấy dùng hàm chuyển đổi nhiệt độ mặc dù hiệu quả tăng lên là không nhiều nhưng sai số dự báo vẫn có xu hướng giảm. Đối với khu vực Hà Nội sai số dự báo giảm từ 1,15% (đối với dự báo 1 ngày tới), 2,93% (dự báo 1 tuần tới) và 3,76% (đối với dự báo 1 tháng tới) xuống còn 1,09%, 2,85% và 3,70% tương ứng. Để tăng hiệu quả dự báo theo hướng này, có thể thay hàm chuyển đổi (3) bằng hàm bình phương độ lệch nhiệt độ. xvii
5.0 4.5 4.0 3.5 3.0 MAPE, % T(i) 2.5 Không T(i) 2.0 1.5 1.0 0.5 0.0 Ngày Tuần Tháng Tập test Hình 8. So sánh sai số dự báo đỉnh BĐPT ngày trường hợp có và không có nhiệt độ ngày dự báo So sánh hiệu quả dự báo trường hợp có và không có đầu vào nhiệt độ ngày dự báo (hình 8) cho thấy thông tin về nhiệt độ ngày dự báo cho phép giảm sai số dự báo đáng kể. Tuy nhiên, các giá trị nhiệt độ ngày dự báo trong nghiên cứu là giá trị thực tế. Trên thực tế, tại thời điểm dự báo phụ tải ta chỉ có số liệu nhiệt độ dự báo với sai số nào đó, sai số này có thể sẽ ảnh hưởng đến sai số dự báo phụ tải. Vì vậy, cần cân nhắc giữa sai số dự báo phụ tải gây ra bởi ảnh hưởng của sai số dự báo nhiệt độ với sai số giảm đi nhờ đưa vào mạng thông tin về nhiệt độ ngày dự báo. Tương tự, so sánh trường hợp có và không có mã ngày trong tuần cũng cho thấy thông tin ngày trong tuần làm giảm đến khoảng 10% sai số dự báo. Riêng khác biệt về hiệu quả của 2 trường hợp mã hoá ngày bằng 3 bit hoặc 7 bit là không rõ rệt, do đó có thể chỉ dùng cách mã hoá 3 bit chứ không cần đến 7 bit để tiết kiệm tài nguyên. Cập nhật số liệu đỉnh biểu đồ phụ tải từng ngày để giảm sai số dự báo xviii
Các kết quả trên đây cho thấy, hầu hết các cấu trúc mạng xem xét đều có thể cho sai số dự báo ngày đầu tiên khá thấp, tuy nhiên sai số dự báo các ngày sau thường ở mức cao hơn. Vì vậy đề xuất giải pháp cập nhật mạng MLP hàng ngày với số liệu đỉnh phụ tải ngày mới nhất để giảm sai số dự báo ngày sắp tới. Thuật toán cập nhật đề xuất như sau: a) Sau mỗi ngày tập huấn luyện sẽ được cập nhật bằng cách bổ sung giá trị thực tế của ngày hôm đó về đỉnh phụ tải, thông số thời tiết, kiểu ngày,...(nghĩa là số vector tập huấn luyện sẽ tăng lên 1 đơn vị) b) Mạng MLP hiện hữu sẽ được huấn luyện lại với toàn bộ tập huấn luyện mới được cập nhật (hoặc với một tập con của nó, bao gồm ít nhất là vector huấn luyện của ngày mới nhất) c) Mạng MLP cập nhật sẽ được dùng để dự báo đỉnh biểu đồ phụ tải của ngày kế tiếp d) Chu kỳ a)-c) trên sẽ lặp lại hàng ngày để đạt được sai số dự báo dưới ngưỡng yêu cầu. xix