MẠNG NEURON TRONG DỰ BÁO NHU CẦU ĐIỆN

Chia sẻ: Ad Dada | Ngày: | Loại File: PDF | Số trang:6

Thêm vào BST

Báo xấu

94
lượt xem 12
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Một trong số các bộ phận hợp thành quan trọng của chiến lược phát triển Năng lượng Quốc gia là công tác dự báo nhu cầu tiêu thụ điện. Đã có nhiều phương pháp khác nhau cho bài toán dự báo năng lượng và điện năng. Mặc dù vậy thì dự báo vẫn là một ngành khoa học còn non trẻ với nhiều vấn đề giải quyết. Bài báo này giới thiệu kỹ thuật mạng neuron bằng cách sử dụng giải thuật di truyền để dự báo nhu cầu điện cho 1 tỉnh thuộc đồng bằng Bắc bộ. Các kết...

Chủ đề:

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

Lưu

Nội dung Text: MẠNG NEURON TRONG DỰ BÁO NHU CẦU ĐIỆN

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 3(38).2010 MẠNG NEURON TRONG DỰ BÁO NHU CẦU ĐIỆN NEURON NETWORK IN FORCASTING ELECTRICITY DEMAND Đàm Xuân Hiệp Đoàn Văn Bình Trường Đại học Điện lực Trung tâm KHTN và CNQG TÓM TẮT Một trong số các bộ phận hợp thành quan trọng của chiến lược phát triển Năng lư ợng Quốc gia là công tác dự báo nhu cầu tiêu thụ điện. Đã có nhiều phương pháp khác nhau cho bài toán dự báo năng lượng và điện năng. Mặc dù vậy thì dự báo vẫn là một ngành khoa học còn non trẻ với nhiều vấn đề giải quyết. Bài báo này giới thiệu kỹ thuật m ạng neuron bằng cách sử dụng giải thuật di truyền để dự báo nhu cầu điện cho 1 tỉnh thuộc đồng bằng Bắc bộ. Các kết quả chứng tỏ tính ưu việt hơn hẳn của phương pháp này so với các phương pháp truyền thống khác. ABSTRACT An important part of development strategy in the energy sector of each country is forcasting the electricity consumption demand. There have been many diverse methods for the forcasting of energy and electricity. However, forcasting is still a new science which abounds in problems. This paper presents a Neuron Network Technique by using the genetic algorithm to forcast electricity demand in intermedium term of a Northern Delta province. The results showed that this method was more advantageous than other traditional methods. 1. Đặt vấn đề Đa số các phương pháp dự báo đều dựa trên các mô hình thống kê ngoại suy. Thực tế, khi tập dữ liệu phức tạp và nhiều chiều thì việc sử dụng các kỹ thuật mô hình hoá thống kê để dự báo sẽ gặp nhiều khó khăn. Ngoài ra, dùng các số liệu thống kê sẽ gặp các sai số lớn khi khoảng dự báo dài. Gần đây, một kỹ thuật dự báo được nhiều người sử dụng - kỹ thuật mạng neuron lan truyền ngược sai số kết hợp với giải thuật di truyền (GAs-Genetic Algorithms). Đây là phương pháp có nhiều ưu điểm : - Mạng neuron có khả năng mô hình hoá những dữ liệu phức tạp và nhiều chiều. - Mạng neuron được đóng gói thành một giải pháp hoàn chỉnh. Điều này cho phép mạng neuron được chuẩn bị kỹ càng cho một ứng dụng. - Mạng neuron được đóng gói với những thông tin trợ giúp của các chuyên gia đáng tin cậy và được các chuyên gia đảm bảo các mô hình này làm việc tốt. - Tự động tìm kiếm tất cả các mối quan hệ có thể giữa các nhân tố chính. - Mô hình hoá tự động các bài toán phức tạp mà không cần biết trước mức độ phức tạp. 23
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 3(38).2010 - Có khả năng chiết xuất thông tin nhanh hơn nhiều so với hầu hết các công cụ khác 2. Phương pháp mạng neuron lan truyền ngược sai số kết hợp với giải thuật di truyền Mạng neuron lan truyền ngược sai số thuộc loại mạng truyền thẳng, có thể là mạng nhiều lớp hoặc mạng đơn, trong đó, các tầng neurons thường được nối đầy đủ với nhau. Hình 1 đưa ra cấu trúc của mạng lan truyền ngược hai lớp (một tầng vào, hai tầng neurons tích cực gồm một tầng ẩn và một tầng ra). Nút bias được nối với tất cả neurons trong các tầng tích cực (tham số này được đưa vào để tăng tính thích nghi của mạng với bài toán đặt ra). Số tầng và số neurons Mẫu vào trong mỗi tầng là tuỳ thuộc vào Bias từng ứng dụng và được xác định 1 W bằng thực nghiệm. Số neuron trên 1 lớp ra bằng số biến của vector lời Tầng ẩn giải. Do đó, số trọng số trong một ứng dụng có thể lên đến hàng W2 triệu nhưng cũng có thể chỉ vài Tầng ra chục. 2 22 Kết quả ra 22 22 Hình 1. Cấu trúc mạng lan truyền ngược 2 tầng 2.1. Giải thuật học Phương pháp học của mạng neuron lan truyền ngược sai số là phương pháp học có thầy sao cho các trọng số được sửa để giá trị ra gần với giá trị đích nhất với nhiều mẫu nhất. 2.1.1. Mẫu vào: Mẫu vào của mạng là một tập mẫu dùng để học và để kiểm tra (Xs, Ys) với Xs là vector vào của mẫu s, Ys là vector lời giải của mẫu s: Xs ( X1 , Xs ,..., Xsm ), Ys (Y1s , Y2s ,..., Yns ) s 2 với m là số nút vào của mạng, n là số nút ra của mạng. 2.1.2. Khởi tạo: Các trọng số của mạng ban đầu được khởi tạo với các số ngẫu nhiên nhỏ. Tốc độ học của mạng cũng được khởi tạo ban đầu là một số lớn hơn 0 và nhỏ hơn 1. 2.1.3. Tính mức tích cực: 1. Mức tích cực của các nút vào được gán là giá trị của các mẫu vào. Gọi đầu ra 24
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 3(38).2010 l của nút thứ j của tầng l là O j , đầu vào của nó là đầu ra của tầng kề cận trước nó: Ol1 (O11 , Ol22 ,..., Olm1 , l) . Vậy ta có đầu vào tầng vào là: OO (O1 , OO ,..., OO , l) .  l O 2 m Nút bias của tất cả các tầng luôn có mức tích cực là 1. l 2. Mức tích cực O j của một nút ẩn hoặc nút ra được tính như sau: m  O lj  f   w lji Oil 1  (1)    j 1  với f là hàm truyền:f(x) = (1+ exp(-x))-1 f’(x) = f(x)(1-f(x)) w lji là trọng số từ nút i đến nút j của tầng l. 2.1.4. Sửa trọng số: 1. Điều chỉnh các trọng số từ đầu ra ngược trở về các trọng số tầng ẩn: W ji (l  1)  W ji (t )  Wji l l l (2) l Với Wji ( t ) là trọng số từ nút i đến nút j của tầng l tại thời điểm t (hay tại vòng lặp thứ t), Wji là độ điều chỉnh của trọng số. l 2. Độ thay đổi trọng số được tính bằng: Wji =  ljO li 1 l (3)  là tốc độ học: 0 <  < 1 với  lj là gradient sai lệch đầu ra tại nút j của tầng l. Mạng cũng có thể hội tụ nhanh hơn nhờ độ đo quán tính :   Wji ( t  1)  Wji ( t )   jO i   Wji ( t )  Wji ( t  1) l l l l 0 <  < 1. với 3. Độ sai lệch gradient được tính như sau: - Đối với các nút ra: j = Oj(1 - Oj)(Yj - Oj) (4) - Đối với các nút ẩn: j = Oj(1 - Oj)   k Wkj (5) k với k là sai lệch gradient tại nút k mà nút j nối tới. 4. Lặp lại giải thuật với các cặp mẫu tiếp theo (Xs, Ys). 5. Lặp đi lặp lại cho đến khi độ hội tụ đạt đến chuẩn sai số đã định hoặc số vòng lặp đạt đến số vòng lặp đã định. 25
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 3(38).2010 a. Các nhân tố của quá trình học * Khởi tạo các trọng số Các giá trị khởi tạo của các trọng số ảnh hưởng rất mạnh đến lời giải cuối cùng. Các trọng số này thường được khởi tạo bằng những số ngẫu nhiên nhỏ. Việc khởi tạo tất cả các trọng số bằng nhau sẽ làm cho mạng học không tốt. Nếu các trọng số được khởi tạo với giá trị lớn thì ngay từ đầu tổng tín hiệu vào Net đã có giá trị tuyệt đối lớn và làm cho hàm sigmoid chỉ đạt 2 giá trị 0 và 1. Điều này làm cho hệ thống sẽ bị tắc ngay tại một cực tiểu cục bộ hoặc tại một vùng bằng phẳng nào đó gần ngay tại điểm xuất phát. Giá trị khởi động ban đầu của các trọng số trên lớp thứ l của mạng sẽ được chọn ngẫu nhiên nhỏ trong khoảng [-1/n, 1/n], trong đó n là số trọng số nối tới lớp l. Do bản chất của giải thuật học lan truyền ngược sai số là phương pháp giảm độ lệch gradient nên việc khởi động các giá trị ban đầu của các trọng số các giá trị nhỏ ngẫu nhiên sẽ làm cho mạng hội tụ về các giá trị cực tiểu khác nhau. Nếu gặp may thì mạng sẽ hội tụ được về giá trị cực tiểu tổng thể. * Hằng số học  Một nhân tố khác ảnh hưởng đến hiệu lực và độ hội tụ của giải thuật lan truyền ngược sai số là hằng số học . Không có một giá trị xác định nào cho các bài toán khác nhau. Với mỗi bài toán, hằng số học thường được lựa chọn bằng thực nghiệm theo phương pháp thử và sai. Giá trị  lớn làm tăng tốc quá trình hội tụ. Điều này không phải lúc nào cũng có lợi vì nếu ngay từ đầu ta đã cho là mạng nhanh hội tụ thì rất có thể mạng sẽ hội tụ sớm ngay tại một cực tiểu địa phương gần nhất mà không đạt được độ sai số như mong muốn. Tuy nhiên, đặt giá trị hằng số học quá nhỏ thì mạng sẽ hội tụ rất chậm, thậm chí mạng có thể vượt được qua các cực tiểu cục bộ và vì vậy dẫn đến học mãi mà không hội tụ. Do vậy, việc chọn hằng số học ban đầu là rất quan trọng. Thực nghiệm cho thấy hằng số học ban đầu đạt hiệu quả nằm trong khoảng [0.3, 0.6]. Sau đó, khi đã cảm thấy mạng gần đạt đến giá trị cực tiểu thì có thể giảm nhỏ giá trị học. * Hằng số quán tính Tốc độ học của giải thuật làm truyền ngược sai số có thể giao động khi hằng số học lớn. Một phương pháp thường dùng cho phép sử dụng hằng số học lớn là thêm thành phần quán tính vào các phương trình hiệu chỉnh các trọng số. Ngoài ra, hằng số quán tính  ngăn cản sự thay đổi đột ngột của các trọng số theo hướng khác với hướng mà lời giải đang di chuyển đến. Mặt trái của việc sử dụng thành phần quán tính là chúng ta phải tăng đáng kể bộ nhớ của máy tính gần như gấp đôi để lưu trữ các giá trị hiệu chỉnh ở chu kỳ trước. b. Kết hợp GAs vào việc tối ưu hoá mô hình mạng neuron Có nhiều cách để kết hợp giải thuật di truyền vào mạng neuron nhưng cách đơn giản và khá hiệu quả là ta thực hiện lai ghép hai giải thuật nối tiếp nhau. Với một cấu trúc mạng cho trước, ta xuất phát bằng giải thuật di truyền, đi tìm tập các trọng số tốt nhất đối với mạng. Một quần thể N chuỗi được khởi tạo ngẫu nhiên. 26
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 3(38).2010 Mỗi chuỗi là một bản mã hoá của một tập trọng số của mạng. Sau G thế hệ tiến hoá, 5% các cá thể tốt nhất trong G thế hệ sẽ được lưu giữ lại. Các cá thể này sau đó sẽ được giải mã và được đưa vào mạng neuron xây nên các mô hình để học. Sau quá trình học, tập trọng số nào cho kết quả dự báo tốt nhất sẽ được giữ lại làm thông số của mạng neuron cho việc dự báo đó. Với việc lai ghép này, giải thuật lan truyền ngược sai số lược bỏ đi một số bước sau: - Không khởi tạo các giá trị trọng số ban đầu vì tập trọng số đã được lấy từ kết quả của giải thuật di truyền. - Thành phần quán tính trong các phương trình hiệu chỉnh trọng số là không cần thiết vì tập trọng số xuất phát đã khá gần lời giải; tác dụng chống dao động và thay đổi đột ngột các trọng số theo hướng khác với hướng của lời giải trở nên không cần thiết. 3. Ứng dụng trong bài toán dự báo nhu cầu điện năng Ta chọn lấy các số liệu của 1 tỉnh thuộc đồng bằng Bắc bộ, ví dụ Ninh Bình (xem bảng). Dự báo đến năm 2020. Việc dự báo dựa trên số liệu sản lượng Công nghiệp, sản lượng ngành Nông-Lâm-Ngư, sản lượng ngành Dịch vụ, giá trị GDP và dân số của tỉnh Ninh Bình tính từ năm 2004 kể lại đây. Ngoài ra việc dự báo còn dựa trên những số liệu kể trên đã tính dự báo đến năm 2020. Việc dự báo này sử dụng công cụ thiết lập mạng neuron cho dự báo đã được tạo lập sẵn trên môi trường Visual Basic. Công cụ này có chức năng xây dựng những mạng mới có cấu trúc 2 tầng, học theo giải thuật Lan truyền ngược (Back-propagation) và dự báo theo cơ chế có dữ liệu đầu vào hoặc không có dữ liệu đầu vào. Bài toán của chúng tôi ở đây sử dụng việc dự báo có dữ liệu đầu vào. Kết quả dự báo với cấu trúc mạng 5 nút vào, 3 nút ẩn, 1 nút ra, tốc độ học lựa chọn là 0.4, thời gian học trong 20 phút đạt được như sau: Giá trị thực Giá trị dự báo Năm Sai số Sai số % (tr. KWh) (tr.KWh) 2004 83.08 84.81 -1.73 -2.08 2005 96.6 94.81 1.79 1.85 2006 114 114.12 -0.12 -0.10 2007 120.16 120.93 -0.77 -0.64 2008 144.7 143.35 1.35 0.93 2009 152.11 152.53 -0.42 -0.27 2010 165.21 165.41 -0.20 -0.12 27
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 3(38).2010 Năm 2011 2012 2013 2014 2015 Giá trị dự báo (tr.kwh) 184.04 205.80 230.75 258.58 288.50 Năm 2016 2017 2018 2019 2020 Giá trị dự báo (tr.kwh) 353.22 405.02 435.53 449.22 454.28 Như vậy, với phương pháp này ta có thể dự báo điện năng tiêu thụ toàn tỉnh Ninh Bình dựa trên rất nhiều yếu tố phụ thuộc, mà ở đây là số liệu của 5 ngành nghề, với các tác động qua lại của chúng. Bản thân việc dự báo dựa trên nhiều yếu tố phụ thuộc này đã cho thấy kết quả dự báo này là đáng tin cậy hơn so với những phương pháp bị hạn chế về việc phụ thuộc phiến diện trước đây. Một điểm khác nữa của phương pháp này là khả năng thử nghiệm để tìm ra giá trị dự báo xác đáng nhất. Trong khi ở các phương pháp cũ, các công thức và tham số đã được xác định từ trước và không thể thay đổi được. Các kết quả dự báo dựa trên các phương pháp này cũng là duy nhất; thì ở phương pháp này, ta có thể thử nghiệm nhiều lần, điểu chỉnh cấu trúc mạng neuron, điều chỉnh các tham số học sao cho phù hợp để có được sai số như mong muốn. Như ta có thể thấy, các giá trị sai số trong bảng kết quả dưới đây chưa phải là các giá trị sai số nhỏ nhất mà mạng có thể đạt được nhưng kết quả sai số đã khá nhỏ (hầu hết là dưới 1%) và đã là sai số chấp nhận được trong việc dự báo này. Bằng phương pháp này, ta cũng đạt được giá trị sai số trung bình nhỏ hơn giá trị sai số trung bình nhận được từ các phương pháp trước. 4. Kết luận Mặc dù các số liệu quá khứ không phải là dài, nhưng các sai số khá ổn định, hơn nữa chúng lại khá bé (hầu hết nhỏ hơn 1%). Kết quả như vậy là có thể chấp nhận được. Chúng tôi cũng đã thử so sánh kết quả này với các kết quả tính toán theo phương pháp truyền thống và thấy rằng các phương pháp cũ thường có độ sai số lớn hơn [5]. Như vậy, phương pháp neuron đã chứng tỏ khả năng của nó trong bài toán dự báo trung hạn. TÀI LIỆU THAM KHẢO [1] Andreou A., Zombanakis G.,: Modeling and Forecasting Exchange-Rate Schocks. 60th International Conference – AEA. Paris (6-1998) [2] Dam Xuan Hiep: Controling the Chaos in a Oligopoly Market. 60th International Conference - AEA. Paris (6-1998) [3] Dam Xuan Hiep: La methode adaptative pour Prevoire une Secrie Chaotique. Le Colloque “ Dynamique des Prix et des Marches de Matieres Premieres: Analyse et Prevision: (11-1998). [4] ThS. Nguyễn Thị Diệu Linh: Luận văn Cao học “Khoa Công nghệ thông tin”, ĐHBK HN (9-2000) [5] Đoàn Văn Bình: Luận văn Cao học, Khoa kinh tế và quản lý, ĐHBK HN (9-2000). 28