Luận văn Thạc sĩ Kỹ thuật: Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn

Chia sẻ: Sơ Dương | Ngày: | Loại File: PDF | Số trang:76

Thêm vào BST

Báo xấu

18
lượt xem 7
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục tiêu của đề tài "Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn" đề xuất phương pháp dự báo phụ tải điện ngắn hạn dựa vào mạng nơron, đưa ra mô hình dự báo phù hợp nhất để thu được kết quả tốt với sai số của dự báo trong khoảng cho phép. Mời các bạn cùng tham khảo nội dung chi tiết.

Chủ đề:

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

Lưu

Nội dung Text: Luận văn Thạc sĩ Kỹ thuật: Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI --------------------------------------- Quản Quốc Cường ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN Chuyên ngành: Kỹ thuật Điện LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT ĐIỆN CHỦ TỊCH HỘI ĐỒNG NGƯỜI HƯỚNG DẪN KHOA HỌC TS. NGUYỄN XUÂN TÙNG TS. NGUYỄN ĐỨC HUY Hà Nội – Năm 2014
MỤC LỤC LỜI CAM ĐOAN ..................................................................................................... iii LỜI CẢM ƠN…………. .......................................................................................... iv DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT .......................................................v DANH MỤC CÁC BẢNG........................................................................................ vi DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ .................................................................. vii MỞ ĐẦU………… .....................................................................................................1 CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI ..........................................5 1.1 GIỚI THIỆU CHUNG...................................................................................5 1.2 CÁC LOẠI DỰ BÁO PHỤ TẢI ĐIỆN .........................................................5 1.3 CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN ................6 1.3.1 Mô hình áp dụng ngày tương tự (Similar-day approach) .......................7 1.3.2 Phương pháp hồi quy (Regression methods) ..........................................7 1.3.3 Các mô hình chuỗi thời gian ngẫu nhiên (Time series) ..........................7 1.3.4 Mạng nơron (Neural Network) ...............................................................8 1.3.5 Phương pháp chuyên gia (Expert systems)...........................................10 1.3.6 Lôgic mờ (Fuzzy logic) ........................................................................10 1.3.7 Máy vectơ hỗ trợ (Support vector machines). ......................................10 1.4 PHỤ TẢI ĐIỆN THÀNH PHỐ HÀ NỘI ....................................................11 1.4.1 Ngày trong tuần ....................................................................................11 1.4.2 Các ngày đặc biệt trong năm ................................................................12 1.4.3 Thời tiết trong ngày ..............................................................................13 1.4.4 Kế hoạch sửa chữa lớn trong ngày có cắt điện. ....................................13 CHƯƠNG 2: TỔNG QUAN VỀ MẠNG NƠRON .............................................14 2.1 MÔ HÌNH NƠRON SINH HỌC .................................................................15 2.1.1 Phần tử xử lý .........................................................................................16 2.2 MÔ HÌNH CẤU TRÚC MẠNG NƠRON ..................................................18 2.2.1 Mạng truyền thẳng một lớp ..................................................................19 i
2.2.2 Mạng nơron nhiều lớp...........................................................................19 2.3 CÁC TÍNH CHẤT CỦA MẠNG NƠRON.................................................20 2.4 CÁC LUẬT HỌC ........................................................................................20 2.4.1 Học có giám sát.....................................................................................21 2.4.2 Học củng cố ..........................................................................................22 2.4.3 Học không có giám sát..........................................................................22 2.5 MẠNG NƠRON MLP.................................................................................23 2.5.1 Cấu trúc mạng MLP ..............................................................................23 2.5.2 Quá trình học của mạng MLP ...............................................................24 2.6 VẤN ĐỀ MẠNG HỌC QUÁ KHỚP VÀ MẠNG HỌC KHÔNG ĐỦ ......27 CHƯƠNG 3: DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN VỚI SỐ LIỆU THU THẬP TỪ ISO-NEW ENGLAND ...........................................................................30 3.1 XÂY DỰNG BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN ................................30 3.2 DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN DÙNG MẠNG NƠRON MLP (24xNx24) ..............................................................................................................33 3.3 MÔ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN DÙNG MẠNG NƠRON MLP (6xNx1) ..................................................................................................................36 3.4 SO SÁNH HAI MÔ HÌNH DỰ BÁO PHỤ TẢI ........................................40 3.5 KẾT LUẬN NỘI DUNG CHƯƠNG 3 .......................................................42 CHƯƠNG 4: ỨNG DỤNG MẠNG NƠRON NHÂN TẠO TRONG DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN CHO THÀNH PHỐ HÀ NỘI ..................................43 4.1 XÂY DỰNG MÔ HÌNH DỰ BÁO ÁP DỤNG CHO THÀNH PHỐ HÀ NỘI 43 4.1.1 Mô hình dự báo phụ tải điện dùng mạng nơron (24xNx24) .................44 4.1.2 Mô hình dự báo phụ tải điện dùng mạng nơron (27xNx24) .................47 4.1.3 Mô hình dự báo phụ tải điện dùng mạng nơron (31xNx24) .................49 4.1.4 Mô hình dự báo phụ tải điện dùng mạng nơron (34xNx24) .................51 4.2 KẾT LUẬN NỘI DUNG CHƯƠNG 4 .......................................................53 TÀI LIỆU THAM KHẢO .........................................................................................56 PHỤ LỤC………… .................................................................................................... I ii
LỜI CAM ĐOAN Tôi xin cam đoan luận văn này do tôi thực hiện. Các số liệu sử dụng trong luận văn được thu thập thực tế, kết quả phân tích và tính toán trong luận văn là trung thực và do tôi tìm hiểu trong các tài liệu. Học viên Quản Quốc Cường iii
LỜI CẢM ƠN Luận văn thạc sĩ kỹ thuật chuyên ngành Kỹ thuật điện với tên đề tài là “Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn” được hoàn thành vào tháng 9 năm 2014. Em xin gửi lời cảm ơn sâu sắc đến thầy TS.Nguyễn Đức Huy, người đã giúp đỡ em rất nhiều trong quá trình thực hiện luận văn. Xin cảm ơn các thầy cô thuộc bộ môn Hệ thống điện – Viện Điện – Trường Đại học Bách Khoa Hà Nội đã có những góp ý quý báu về nội dung của đề tài. Đồng thời, cảm ơn tới các bạn bè, đồng nghiệp đã cùng tôi trao đổi và giúp tôi tháo gỡ nhiều vướng mắc trong quá trình thực hiện. Qua đây xin gửi tới gia đình và người thân trong gia đình, những người luôn quan tâm, động viên, khích lệ trong suốt quá trình học tập và nghiên cứu. Do thời gian có hạn, chắc chắn luận văn không tránh khỏi những thiếu sót. Em kính mong các thầy cô chỉ bảo, bạn bè ... đóng góp ý kiến để em có thể hoàn thiện, tiếp tục nghiên cứu và phát triển đề tài. Xin chân thành cảm ơn! Hà Nội, tháng 9 năm 2014 Quản Quốc Cường iv
DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT Applications Neural ANN Mạng nơron nhân tạo Network Mean Sum of Squares MSE Trung bình tổng bình phương sai số Errors SSE Sum of Squares Errors Tổng bình phương sai số APE Absolute Percent Error Tính sai số phần trăm tuyệt đối Mean Absolute Percent Tính trung bình sai số phần trăm MAPE Error tuyệt đối Short – term Load STLF Dự báo phụ tải ngắn hạn Forecasting Medium –term Load MTLF Dự báo phụ tải trung hạn Forecasting Long –term Load LTLF Dự báo phụ tải dài hạn Forecasting MLP Multi- layer Feedforward Mạng truyền nhiều lớp SVM Support Vector Machines Máy vectơ hỗ trợ v
DANH MỤC CÁC BẢNG Bảng 3.1 Kết quả dự báo phụ tải từ 22- 28/06/2014 (ANN 24x20x24) ...................34 Bảng 3.2 Kết quả dự báo phụ tải ngày 30/06/2014 (ANN 24x20x24) .....................35 Bảng 3.3 Kết quả dự báo phụ tải từ ngày 22-28/06/2014 (ANN 6x20x1) ................37 Bảng 3.4 Kết quả dự báo phụ tải ngày 30/06/2014 (ANN 6x20x1) .........................38 Bảng 3.5 Kết quả so sánh dự báo phụ tải của hai mô hình .......................................40 Bảng 4.1 Kết quả dự báo phụ tải ngày 08/11/2012 (24xNx24) ................................46 Bảng 4.2 Kết quả dự báo phụ tải ngày 08/11/2012 (27xNx24) ................................48 Bảng 4.3 Kết quả dự báo phụ tải ngày 08/11/2012 (31xNx24) ................................50 Bảng 4.4 Kết quả dự báo phụ tải ngày 08/11/2012 (34xNx24) ................................52 vi
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1. Đồ thị phụ tải các ngày đặc trưng trong tuần ............................................12 Hình 1.2. Đồ thị phụ tải thành phố Hà Nội hai ngày 1/1/2012, 6/1/2012 .................12 Hình 1.3. Đồ thị phụ tải ngày hai ngày có nhiệt độ khác ..........................................13 Hình 2.1. Mô hình một dạng nơron sinh học ............................................................15 Hình 2.2 Mô hình phần tử xử lý (mô hình một nơron) thứ i, dạng M-P ...................16 Hình 2.3 Mạng nơron truyền thẳng một lớp .............................................................19 Hình 2.4 Mạng nơron truyền thẳng nhiều lớp ...........................................................20 Hình 2.5 Sơ đồ ba kiểu học của mạng nơron ............................................................22 Hình 2.6 Mô hình mạng MLP một lớp ẩn .................................................................23 Hình 3.1 Đồ thị dự báo phụ tải ngày 30/06/2014 (ANN 24x20x24) ........................34 Hình 3.2 Đồ thị dự báo phụ tải ngày 30/06/2014 (ANN 6x20x1) ............................37 Hình 3.3 Đồ thị dự báo phụ tải ngày 22-28/06/2014 (ANN 6x20x1) .......................39 Hình 3.4 Đồ thị so sánh dự báo phụ tải của hai mô hình ..........................................41 Hình 4.1 Đồ thị dự báo phụ tải ngày 08/11/2012 (24xNx24) ...................................45 Hình 4.2 Đồ thị dự báo phụ tải ngày 08/11/2012 (27xNx24) ...................................47 Hình 4.3 Đồ thị dự báo phụ tải ngày 08/11/2012 (31xNx24) ...................................49 Hình 4.4 Đồ thị dự báo phụ tải ngày 08/11/2012 (34xNx24) ...................................51 vii
MỞ ĐẦU 1. Lý do chọn đề tài Trong giai đoạn thực hiện tiến trình công nghiệp hóa, hiện đại hóa đất nước đã đẩy nhanh sự phát triển của nền kinh tế, ứng dụng các thành tựu khoa học công nghệ dẫn đến nhu cầu sử dụng điện tăng cao. Vấn đề đặt ra cho ngành điện xây dựng các công cụ dự báo phụ tải điện, làm cơ sở cho công tác thiết kế quy hoạch hệ thống điện. Mục đích của dự báo phụ tải trong tương lai dựa vào các quan sát trong quá khứ, phục vụ cho công tác quy hoạch nguồn lưới trong hệ thống điện, phục vụ cho công tác điều độ hệ thống (Có kế hoạch chuẩn bị sẵn sàng đáp ứng phụ tải). Dự báo là một khoa học còn non trẻ, trong đó có nhiều vấn đề chưa hình thành trọn vẹn. Đối tượng nghiên cứu của khoa học này là các phương pháp dự báo và phạm vi ứng dụng là các hiện tượng xã hội, kinh tế, kỹ thuật… Dự báo là một khoa học quan trọng, nhằm mục đích nghiên cứu những phương pháp luận khoa học, làm cơ sở cho việc đề xuất các dự báo cụ thể cũng như việc đánh giá mức độ tin cậy, mức độ chính xác của các phương pháp dự báo – nếu dự báo sai lệch quá nhiều về khả năng cung cấp và nhu cầu năng lượng sẽ dẫn đến hậu quả không tốt trong ngành kinh tế. Nếu dự báo quá thừa về phụ tải sẽ phải huy động nguồn quá lớn làm tăng vốn đầu tư dẫn đến lãng phí vốn đầu tư và không khai thác hết công suất thiết bị, ngược lại nếu dự báo thiếu phụ tải sẽ dẫn đến cung cấp điện không đủ cho nhu cầu của phụ tải, giảm độ tin cậy cung cấp điện gây thiệt hại cho nền kinh tế quốc dân. Vì vậy tác giả thực hiện đề tài “Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn” nhằm phát huy tính chất ưu việt của mạng nơron nhân tạo trong công tác dự báo phụ tải. 2. Lịch sử nghiên cứu Hiện nay đã có rất nhiều đề tài khoa học, bài báo và tài liệu trong nước, nước ngoài nghiên cứu về phương pháp sử dụng mạng nơron nhân tạo để dự báo ngắn hạn phụ tải điện. `1
Tại Việt Nam: Bài toán dự báo phụ tải ngắn hạn được giải quyết bằng nhiều phương pháp khác nhau như: Phương pháp ngoại suy, phương pháp san bằng hàm mũ, phương pháp hồi quy đa biến... đã được đề xuất trong dự báo phụ tải ngắn hạn. Có thể nhận thấy rằng nhược điểm của các phương pháp trên là mô hình dự báo lượng điện năng tiêu thụ chỉ hiệu quả đối với một số ngày bình thường nhưng không hiệu quả đối với tất cả các ngày. Phụ tải là một đại lượng phụ thuộc (phi tuyến) vào rất nhiều yếu tố, có thể kể tới sự phụ thuộc của lượng điện tiêu thụ vào các thông số thời tiết như nhiệt độ, độ ẩm... Một số đề tài nghiên cứu, ứng dụng mạng nơron vào công tác dự báo phụ tải điện ngắn hạn cho hệ thống điện Việt Nam như:  TSKH. Trần Kỳ Phúc – Viện năng lượng với đề tài “Nghiên cứu ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn”.  Phạm Anh Cường, Phạm Văn Hiền – Công ty Điện lực Gia Lai, Đại học Bách Khoa Đà Nẵng với bài viết “ Ứng dụng mạng nơron nhân tạo để dự báo phụ tải điện tỉnh Gia Lai”.  Trần Thị Hoàng Oanh, Đồng Sĩ Thiên Châu, Trần Hoàng Lĩnh, Nguyễn Kỳ Tài – Viện nghiên cứu phát triển năng lượng, ĐHBK TP. Hồ Chí Minh với bài viết “Ứng dụng mạng nơron song tuyến trong bài toán dự báo phụ tải điện”. Trên thế giới: Đầu những năm 90 mô hình dự báo bằng mạng nơron được nghiên cứu và phát triển. Bởi vì mạng nơron thể áp dụng trong các dự báo dài hạn, dự báo trung hạn và dự báo ngắn hạn cho kết quả khá chính xác. Mô hình mạng nơron dự báo phụ tải đang được áp dụng ở rất nhiều nước có thị trường điện phát triển trên thế giới. Các mô hình mạng nơron thường có cấu trúc tổng thể giống nhau. Một số nghiên cứu, ứng dụng và bài viết về mạng nơron như: `2
 D.C.Park, M.A. EL-Sharkawi, R.J.Marks II, L.E Atlas and M.J Damborg – University of Washington “ Electric Load Forecasting Using An Artification Neural Network”, IEEE Trans, 1991  Rui Zhang, Zhao Yang Dong, Yan Xu, Ke Meng, Kit Po Wong – University of Newcastle, Newcastle, Australia “Short-term load forecasting of Australian National Electricity Market by an ensemble model of extreme learning machine”, 2012 3. Mục đích nghiên cứu của luận văn, đối tượng, phạm vi nghiên cứu. 3.1 Mục đích nghiên cứu: Mục đích của đề tài là đề xuất phương pháp dự báo phụ tải điện ngắn hạn dựa vào mạng nơron, đưa ra mô hình dự báo phù hợp nhất để thu được kết quả tốt với sai số của dự báo trong khoảng cho phép. 3.2 Đối tượng nghiên cứu: Tìm hiểu về mạng nơron nhân tạo, các mô hình và phương pháp dự báo phụ tải điện hiện nay, các yếu tố ảnh hưởng đến phụ tải điện ngắn hạn. Lựa chọn phương pháp để dự báo phụ tải ngắn hạn dựa vào mạng nơron. 3.3 Phạm vi nghiên cứu: Luận văn nghiên cứu đồ thị phụ tải và xây dựng mô hình dự báo phụ tải điện ngắn hạn áp dụng cho thành phố Hà Nội. 3.4 Ý nghĩa khoa học và thực tiễn của đề tài Trong dự báo phụ tải điện hiện nay tại nước ta có rất nhiều phương pháp dự báo. Mô hình sử dụng mạng nơron được ứng dụng trong công tác dự báo phụ tải. Các mô hình đó đã xét đến các vấn đề về phụ tải, nhiêt độ, kiểu ngày dự báo. Nhưng bên cạnh đó phụ tải hệ thống điện còn phụ thuộc cả vào độ ẩm, số giờ sáng, tốc độ gió… Trong luận văn này đưa ra các mô hình sử dụng mạng nơron để giải quyết bài toán dự báo phụ tải có xét đến các yếu tố về thời tiết như độ ẩm, tốc độ gió. Đánh giá sai số dự báo trong mỗi mô hình và lựa chọn mô hình tối ưu nhất để ứng dụng dự báo phụ tải cho thành phố Hà Nội. `3
4. Nội dung luận văn Chương 1- Tổng quan về dự báo phụ tải - Trình bày tổng quan về dự báo phụ tải điện, và các phương pháp dự báo phụ tải ngắn hạn. - Phân tích phụ tải điện của thành phố Hà Nội, các yếu tố ảnh hưởng chủ yếu đến phụ tải điện. Chương 2 - Tổng quan về mạng nơron nhân tạo - Giới thiệu tổng quan về mạng nơron nhân tạo cấu trúc, mô hình, các luật học của mạng nơron. - Trình bày khái quát về mạng MLP, về cấu trúc, quá trình huấn luyện mạng. Chương 3 –Dự báo phụ tải điện ngắn hạn với số liệu thu thập từ ISO-New England - Thu thập số liệu về phụ tải, nhiệt độ… từ ISO - New England, áp dụng mô hình (24xNx24) cho bộ số liệu thu được trên. - Xây dựng mô hình (6x20x1) dự báo mới để áp dụng cho bộ số liệu trên, so sánh kết quả giữa hai mô hình. Chương 4 - Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn cho thành phố Hà Nội - Xây dựng các mô hình dự báo phụ tải ngắn hạn. Áp dụng các mô hình đó vào thực tế và lựa chọn ra mô hình phù hợp nhất với thành phố Hà Nội. Chương 5 - Kết luận và hướng nghiên cứu tiếp theo Trình bày kết quả luận văn đã đạt được và hướng nghiên cứu tiếp theo của luận văn `4
CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI 1.1 GIỚI THIỆU CHUNG Dự báo phụ tải điện năng là một vấn đề quan trọng trong hệ thống điện hiện nay. Mục đích của dự báo điện năng trong tương lai dựa vào các quan sát trong quá khứ, phục vụ cho công tác quy hoạch nguồn lưới trong hệ thống điện, phục vụ cho công tác điều độ hệ thống (Có kế hoạch chuẩn bị sẵn sàng đáp ứng phụ tải). Dự báo là một khoa học còn non trẻ, trong đó có nhiều vấn đề chưa hình thành trọn vẹn. Đối tượng nghiên cứu của khoa học này là các phương pháp dự báo và phạm vi ứng dụng là các hiện tượng xã hội, kinh tế, kỹ thuật, … Dự báo là một khoa học quan trọng, nhằm mục đích nghiên cứu những phương pháp luận khoa học, làm cơ sở cho việc đề xuất các dự báo cụ thể cũng như việc đánh giá mức độ tin cậy, mức độ chính xác của các phương pháp dự báo – nếu dự báo sai lệch quá nhiều về khả năng cung cấp và nhu cầu năng lượng sẽ dẫn đến hậu quả không tốt trong ngành kinh tế. Nếu dự báo quá thừa về nguồn sẽ phải huy động nguồn quá lớn làm tăng vốn đầu tư dẫn đến lãng phí vốn đầu tư và không khai thác hết công suất thiết bị, ngược lại nếu dự báo thiếu công suất nguồn sẽ dẫn đến cung cấp điện không đủ cho nhu cầu của phụ tải, giảm độ tin cậy cung cấp điện gây thiệt hại cho nền kinh tế quốc dân [1]. 1.2 CÁC LOẠI DỰ BÁO PHỤ TẢI ĐIỆN Trong hệ thống điện có hai loại dự báo phụ tải điện [2] dùng để quy hoạch hệ thống điện và vận hành hệ thống. Sự khác biệt được dựa trên thời gian dự báo. - Trong quy hoạch hệ thống điện, dự báo phụ tải là cho một khoảng thời gian vài tháng đến một năm. Đây là loại dự báo là chủ yếu để xác định lưới điện, thiết bị điện sẽ được lắp hoặc các hợp đồng trong thị trường điện. Thời gian dự báo dài có thể là từ 1 ÷ 10 năm, xây dựng các nhà máy, xí nghiệp, các đường dây truyền tải và phân phối điện năng. - Trong vận hành hệ thống điện, dự báo phụ tải là chủ yếu cho một khoảng thời gian một giờ đến một tuần. Có hai loại chính của dự báo phụ tải hệ thống điện `5
hoạt động: dự báo tải rất ngắn hạn và ngắn hạn. Dự báo tải rất ngắn hạn là phút trước và để phục vụ cho công tác điều độ hệ thống. Dự báo tải ngắn hạn là từ một giờ đến một tuần. Kết quả dự báo phụ tải ngắn hạn chủ yếu được sử dụng cho mục đích điều độ và vận hành hệ thống điện. Như vậy, dự báo phụ tải điện chia thành 3 nhóm dự báo phụ tải sau: - Dự báo ngắn hạn (STLF) Dự báo phụ tải điện ngắn hạn thường dự báo cho một giờ đến một tuần. Sai số cho phép của công tác dự báo trong khoảng yêu cầu < 5%. Loại dự báo này phục vụ cho công tác điều độ và vận hành hệ thống điện trong khoảng thời gian ngắn. - Dự báo trung hạn (MTLF) Dự báo phụ tải điện trung hạn thường dự báo phụ tải một tháng cho đến một năm. Loại dự báo này thường dùng để xác định lưới điện, thiết bị điện sẽ được lắp hoặc các hợp đồng trong thị trường điện. Sai số cho phép trong khoảng (5- 10) %. - Dự báo dài hạn (LTLF) Dự báo phụ tải điện dài hạn thường dự báo phụ tải nhiều hơn một năm. Khoảng thời gian này cần xây dựng các nhà máy, xí nghiệp, các đường dây truyền tải và phân phối điện năng. Sai số cho phép trong khoảng (5-15) %. 1.3 CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN Bài toán dự báo phụ tải ngắn hạn được đánh giá là phức tạp so với các bài toán khác. Kết quả dự báo ngắn hạn chính xác sẽ hỗ trợ các công tác vận hành và khai thác hệ thống điện ở khu vực được hiệu quả, thuận lợi. Kết quả dự báo này cũng có thể nhanh chóng và dễ dàng kiểm chứng do không cần phải chờ đợi dài ngày. Bài toán dự báo phụ tải ngày là một trong những nhiệm vụ quan trọng của công tác điều độ và có nhu cầu thực tiễn rất cao. Đã có rất nhiều mô hình giải pháp được đề xuất và ứng dụng, tuy nhiên cho tới thời điểm này vẫn chưa có một mô hình nào được coi là chuẩn và áp dụng hiệu quả cho mọi đối tượng. Một trong những nguyên nhân chính của vấn đề này là do ở mỗi vùng, mỗi khu vực phụ tải ngày phụ `6
thuộc khác nhau vào các số liệu trong quá khứ. Sự khác nhau này đòi hỏi phải điều chỉnh lại các thông số của một mô hình đã được lựa chọn nào đó hoặc đến mức độ phải xây dựng một mô hình hoàn toàn mới. 1.3.1 Mô hình áp dụng ngày tương tự (Similar-day approach) Phương pháp này dựa trên cơ sở dữ liệu ngày [3] trước đó trong vòng một, hai, hoặc ba năm với các đặc tính tương tự như ngày dự báo. Đặc điểm tương tự bao gồm thời tiết, ngày trong tuần, và ngày tháng. Phụ tải của một ngày tương tự được xem đó là phụ tải của ngày dự báo. Thay vì một tải duy nhất ngày tương tự, dự báo có thể sử dụng phương pháp hồi quy tuyến tính lấy số liệu nhiều ngày tương tự ngày dự báo. Phụ tải đuợc sử dụng cho các ngày tương tự lấy từ các năm trước. 1.3.2 Phương pháp hồi quy (Regression methods) Hồi quy theo [3], là một trong những phương pháp được sử dụng rộng rãi trong bài toán kỹ thuật. Đối với bài toán dự báo phụ tải điện, phương pháp hồi quy thường được sử dụng để mô hình mối quan hệ phụ tải và các yếu tố khác như thời tiết, loại ngày. Mô hình hồi quy tuyến tính là mô hình kinh điển, đơn giản và khá hiệu quả trong thống kê và dự báo, do đó có rất nhiều dự báo dựa trên phương pháp này. [4] trình bày một số mô hình hồi quy cho dự báo đỉnh ngày hôm sau. Mô hình của họ kết hợp ảnh hưởng xác định như ngày lễ, ảnh hưởng ngẫu nhiên như phụ tải trung bình, và ảnh hưởng khác như thời tiết. 1.3.3 Các mô hình chuỗi thời gian ngẫu nhiên (Time series) Phương pháp chuỗi thời gian [3] dựa trên giả định rằng các dữ liệu có cấu trúc nội bộ, chẳng hạn như tương tự, xu hướng, hoặc biến đổi theo mùa. Chuỗi thời gian đã được sử dụng trong nhiều thập niên trong các lĩnh vực như kinh tế, xử lý tín hiệu kỹ thuật số, cũng như dự báo phụ tải điện. Nguyên tắc cơ bản của phương pháp này là đầu tiên chuỗi phụ tải theo thời gian được chuyển thành chuỗi thời gian dừng (tức chuỗi thời gian không biến đổi), sau đó chuỗi dừng còn lại sẽ được lọc nhiễu trắng. Các mô hình chuỗi thời gian có ưu điểm. Trước hết, lý thuyết mô hình chuỗi thời gian có cơ sở toán học chặt chẽ và rõ ràng nên dễ thực hiện dự báo trên cơ sở lý `7
thuyết này. Các thông số của mô hình cũng được tính toán một cách dễ dàng. Thủ tục đánh giá thông số mô hình cũng không khó. Xét hai mô hình ARMAX và ARIMAX, trong mô hình ARMAX, sử dụng các sai số của các buớc dự báo trước để thực hiện các bước dự báo tiếp theo. K K Pest (d ) P0 a i ,dPest (d  i ,d e(d i ) (d) i)  i 1 j 1 Với e(d i ) P (d i )  ) là sai số dự báo tại thời điểm d-I, P(d-i) là công Pest (d i suất tiêu thụ thực tế. Khi có thêm thông số thời tiết ta sẽ có mô hình ARMAX như sau: K K K Pest (d )  P0 a i,dP est (d  i ,d e(d i )  i)    i , d X(d i )  (d) i1 j 1 i  1 Nếu mô hình dự báo đang xây dựng là mô hình biến thiên theo thời gian (độ lệch chuẩn của mô hình biến thiên theo thời gian) mô hình ARMAX sẽ được thực hiện cho chuỗi đã loại trừ yếu tố xu thế (trend). Khi đó mô hình mang tên ARIMAX. 1.3.4 Mạng nơron (Neural Network) Việc sử dụng mạng nơron (Neural network-NN) [3], [5] được sử dụng trong bài toán dự báo phụ tải từ những năm 1990. Mạng nơron cơ dùng ước lượng các hàm phi tuyến phù hợp với đường cong phụ tải. Thông dụng nhất là các giải pháp dự báo ngắn hạn như dự báo trước 1 giờ, dự báo trước 12 giờ hoặc 24 giờ. Trong bài toán dự báo ta quan tâm giải quyết hai vấn đề lớn là: - Phát hiện các mối liên hệ giữa các đại lượng để cải thiện chất lượng của mô hình ước lượng. - Tối ưu hóa mô hình (mạng nơron) để đạt chất lượng cao không chỉ trong quá trình học mà cả trong quá trình kiểm tra. Hai vấn đề này có liên quan chặt chẽ với nhau do mỗi bộ số liệu học khác nhau lại có thể làm thay đổi cấu trúc của mô hình xấp xỉ. Đồng thời bộ số liệu đặc trưng cũng tạo điều kiện để hạn chế lại không gian tìm kiếm mô hình. `8
Mô hình [6] có nhiều ứng dụng nhất là mạng MLP với một hoặc hai lớp ẩn. Số lớp ẩn và số nơron trên từng lớp cũng như các hàm truyền đạt của các nơron trong mỗi mô hình đều khác nhau do được xây dựng cho các đối tượng khác nhau hoặc thậm chí cho cùng một đối tượng nhưng các bộ số liệu và thời điểm lấy số liệu khác nhau. Các mạng nơron hồi quy cũng ít được sử dụng hơn các giải pháp khác do các thuật toán học phức tạp hơn mạng truyền thẳng, xác suất tìm được cực trị tốt thấp hơn. Mặc dù vậy, mạng hồi quy với các kênh tín hiệu phản hồi của mình cũng rất phù hợp với các bài toán mô hình hóa đối tượng có phụ thuộc thời gian trễ. Trong số các mạng được sử dụng, các mạng được dùng nhiều hơn cả là mạng Elman và mạng RTRN với thuật toán học của Williams – Zipser. Một lớp mạng khác cũng được sử dụng trong các bài toán dự báo phụ tải là các mạng tự tổ chức, hoạt động theo nguyên tắc tự sắp xếp các véc-tơ đầu vào để phát hiện các vùng số liệu tập trung. Hiểu theo nghĩa khoảng cách giữa các véc-tơ đa thành phần thì các véc-tơ có giá trị tương đối giống nhau sẽ được nhóm vào thành một nhóm. Trong bài toán dự báo phụ tải ta hay sử dụng mạng tự tổ chức để nhóm các nhóm biểu đồ phụ tải chuẩn hóa (hay còn gọi là hình dạng của biểu đồ phụ tải – đã chuẩn hóa về đoạn giá trị 0 - 1). Sau khi đã có các nhóm ngày có biểu đồ phụ tải tương đối giống nhau, ta cần xác định quy luật để thuộc về nhóm đó và khi cần dự báo ta xác định xem ngày cần dự báo thuộc vào nhóm nào và sẽ lấy biểu đồ đặc trưng cho nhóm đó để làm kết quả dự báo. Hiện nay trên thị trường cũng có rất nhiều các phần mềm phục vụ cho công việc dự báo. Có thể lấy ví dụ phần mềm ANNSTLF của EPRI cho phép dự báo với sai số 2 – 4% tùy thuộc vào kiểu dự báo và dạng biến thiên của phụ tải. Phần mềm UNIPEDE hỗ trợ sử dụng các phương pháp mạng nơron, lô-gíc mờ trong một số bài toán liên quan tới hệ thống điện, trong đó có dự báo ngắn hạn, quy hoạch lưới điện, mô hình hóa và ứng dụng tốt trong điều khiển các quá trình trong nhà máy điện, ... `9
Cũng cần phải nhấn mạnh rằng các giải pháp đã đề xuất khác biệt nhau rất nhiều về ý tưởng, về công cụ và nhất là về kết quả đánh giá cuối cùng. Độ chính xác của kết quả dự báo có thể thay đổi từ 1,5% tới 12% , nhưng điều này không có nghĩa rằng mô hình có sai số lớn hơn là mô hình kém hiệu quả hơn. Vấn đề nằm ở chỗ mỗi một mô hình được xây dựng cho một đối tượng (một khu vực phụ tải) khác nhau, cho những khoảng thời gian khác nhau và cho những thông tin đầu vào khác nhau. 1.3.5 Phương pháp chuyên gia (Expert systems) Trong những năm gần đây nhiều nước đã áp dụng phương pháp chuyên gia [3], [6] có trọng số, dựa trên cơ sở hiểu biết sâu sắc của các chuyên gia về các lĩnh vực của các ngành để dự báo các chỉ tiêu kinh tế. Trong ngành năng lượng, người ta cũng dùng phương pháp này để dự báo nhu cầu điện năng của nước mình. Đây là bài toán cần phải lựa chọn lời giải trong điều kiện đa chỉ tiêu và bất định nên thường được thực hiện bởi cá nhân quyết định có tham khảo ý kiến của hội đồng tư vấn. Phương pháp chuyên gia có ưu thế hơn hẳn khi dự báo những hiện tượng hay quá trình có tầm bao quát rộng, cấu trúc nói chung phức tạp nhiều chỉ tiêu, nhiều nhân tố chi phối làm cho xu hướng vận động cũng như hình thức biểu diễn đa dạng, khó định lượng bằng con đường tiếp cận trực tiếp để tính toán, đo đạc thông qua các phương pháp ước lượng và công cụ chính xác. 1.3.6 Lôgic mờ (Fuzzy logic) Lôgic mờ [3] được phát triển từ lý thuyết tập mờ để thực hiện lập luận một cách xấp xỉ thay vì lập luận chính xác theo lôgic vị từ cổ điển. Lôgic mờ có thể được coi là mặt ứng dụng của lý thuyết tập mờ để xử lý các giá trị trong thế giới thực cho các bài toán phức tạp. Lôgic mờ cho suy ra được kết quả từ đầu vào mờ. 1.3.7 Máy vectơ hỗ trợ (Support vector machines). SVM là một tập hợp các phương pháp học có giám sát được sử dụng để phân loại, hồi quy. Không giống như mạng nơron, tìm các hàm đặc trưng không gian trạng thái của mẫu đầu vào, SVM thực hiện một ánh xạ phi tuyến dạng chuẩn nhận `10
dữ liệu vào và phân loại chúng vào hai lớp khác nhau. Do đó SVM là một thuật toán phân loại nhị phân. Với một bộ các ví dụ luyện tập thuộc hai thể loại cho trước, thuật toán luyện tập SVM xây dựng một mô hình SVM để phân loại các ví dụ khác vào hai thể loại đó. Một mô hình SVM là một cách biểu diễn các điểm trong không gian và lựa chọn ranh giới giữa hai thể loại sao cho khoảng cách từ các ví dụ luyện tập tới ranh giới là xa nhất có thể. Các ví dụ mới cũng được biểu diễn trong cùng một không gian và được thuật toán dự đoán thuộc một trong hai thể loại tùy vào ví dụ đó nằm ở phía nào của ranh giới. [7] áp dụng phương pháp SVM để dự báo phụ tải điện ngắn hạn. Tác giả so sánh kết quả với phuơng pháp tự hồi quy. Kết quả so sánh cho thấy sử dụng SVM cho kết quả dự báo rất tốt. [8] Sử dụng mô hình SVM để dự báo phụ tải điện trong một tháng. Li and Fang [9] cũng sử dụng mạng Wavelet kết hợp với SVM để dự báo phụ tải điện ngắn hạn. 1.4 PHỤ TẢI ĐIỆN THÀNH PHỐ HÀ NỘI Để xây dựng được mô hình tối ưu áp dụng cho thành phố Hà Nội, phải xác định đến các yếu tố ảnh hưởng đến phụ tải như: các ngày trong tuần, đặc điểm phụ tải của ngày cần dự báo, như nhiệt độ trong ngày… Vậy để mô hình dự báo tối ưu cần phải xét đến các yếu tố chủ yếu ảnh hưởng đến phụ tải. Luận văn thạc sĩ của tác giả Chu Nghĩa [10]cho thấy phụ tải của lưới điện thành phố Hà Nội phụ thuộc chủ yếu vào các yếu tố chính sau: 1.4.1 Ngày trong tuần Các yếu tố thời gian bao gồm thời gian của năm, các ngày trong tuần, và giờ trong ngày. Có sự khác biệt quan trọng trong việc tải các ngày trong tuần và cuối tuần. Phụ tải tại các ngày trong tuần khác nhau cũng có khác nhau, như ngày thứ Hai và thứ Sáu là tiếp giáp với cuối tuần, đồ thị phụ tải khác nhau hơn so với thứ Ba đến thứ Năm. Ngày thứ Bảy và chủ nhật đồ thị phụ tải tương đối giống nhau [11], [12]. Điều này đặc biệt đúng trong thời gian mùa hè, còn ngày lễ là ngày rất khó khả năng dự báo phụ tải bởi vì nhu cầu sử dụng là khác nhau. `11
ĐỒ THỊ PHỤ TẢI 2000 1800 1600 1400 Phụ tải, MW 1200 1000 800 600 400 200 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giờ Thứ 7 & Chủ Nhật Thứ 2 Thứ 3 - Thứ 5 Thứ 6 Hình 1.1. Đồ thị phụ tải các ngày đặc trưng trong tuần 1.4.2 Các ngày đặc biệt trong năm Ngày đặc biệt trong năm như các ngày lễ tết, 30/4, 1/5, 2/9... phụ tải giảm đáng kể so với ngày thường. Phụ tải các ngày sát với các ngày này cũng bị ảnh hưởng, có thể thấy rõ điều đó trên đồ thị phụ tải thành phố Hà Nội ngày lễ tết dương lịch 1/1/2012 và ngày làm việc bình thường 6/1/2012. Vì vậy, phụ tải trong các ngày đặc biệt không được áp dụng như ngày thông thường mà phải tách biệt bằng phương pháp riêng, thường là dựa vào các ngày dạng này của các năm trước đó. ĐỒ THỊ PHỤ TẢI 2000 1800 1600 Phụ tải, MWh 1400 1200 1000 800 600 400 200 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giờ Ngày 1/1/2012 Ngày 6/1/2012 Hình 1.2. Đồ thị phụ tải thành phố Hà Nội hai ngày 1/1/2012, 6/1/2012 `12