zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Kỹ Thuật - Công Nghệ

» Điện - Điện tử

Ứng dụng mạng nơron nhân tạo để dự báo phụ tải điện dài hạn cho khu vực Hà Nội

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

Báo xấu

10
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Ứng dụng mạng nơron nhân tạo để dự báo phụ tải điện dài hạn cho khu vực Hà Nội trình bày việc xét các yếu tố ảnh hưởng chính: dân số, GDP, thời tiết; Sử dụng mô hình mạng nơ ron nhân tạo để dự báo; Có xét đến các yếu tố vùng miền.

Chủ đề:

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

Lưu

Nội dung Text: Ứng dụng mạng nơron nhân tạo để dự báo phụ tải điện dài hạn cho khu vực Hà Nội

Tuyển tập Hội nghị Khoa học thường niên năm 2017. ISBN: 978-604-82-2274-1 ỨNG DỤNG MẠNG NƠRON NHÂN TẠO ĐỂ DỰ BÁO PHỤ TẢI ĐIỆN DÀI HẠN CHO KHU VỰC HÀ NỘI Lê Công Thành, Lê Quang Cường Trường Đại học Thuỷ lợi, email: thanhlc@tlu.edu.vn 1. GIỚI THIỆU CHUNG 3. KẾT QUẢ NGHIÊN CỨU Năng lượng luôn cần thiết cho sự phát 3.1. Dự báo phụ tải điện triển kinh tế xã hội. Quy hoạch hệ thống điện (HTĐ) định hướng phát triển ngành điện Dự báo phụ tải điện có thể thực hiện bằng nhằm bảo đảm đáp ứng nhu cầu năng lượng nhiều phương pháp. Các yếu tố ảnh hưởng cho phát triển kinh tế đất nước [1,2]. Một cũng đa dạng [2,6]. Tầm dự báo phụ tải có trong hai vấn đề quan trọng nhất cần giải thể chia thành ngắn hạn, trung hạn (1 ngày quyết trong các quy hoạch điện là dự báo phụ đến 1 năm) và dài hạn (1 đến 10 năm). tải trong tầm quan sát. Ở khía cạnh khác, cần HTĐ Việt Nam đang phát triển mạnh theo xét tới ảnh hưởng của yếu tố thị trường điện xu thế thị trường cạnh tranh. Các phát triển cạnh tranh trong dự báo phụ tải điện. định hướng thị trường của nguồn và lưới Mạng nơron nhân tạo (ANN) là các kỹ truyền tải đang đặt vấn đề cần chú ý nhiều hơn thuật khai phá dữ liệu đã và đang được đến yếu tố địa phương của phát triển phụ tải. nghiên cứu và sử dụng khá phổ biến trên thế Các dự báo phụ tải cũng vì thế cần chi tiết đến giới [5]. Các tài liệu nghiên cứu và kết quả từng vùng miền và từng thành phần phụ tải. công bố cho thấy kỹ thuật này được sử dụng Các phương pháp dự báo phụ tải trong rất hiệu quả trong việc giải quyết các vấn đề ngành điện thường dùng hiện nay bao gồm: về khai phá dữ liệu, xử lý dữ liệu và dự báo phương pháp hồi qui, phương pháp thông kê, trong nhiều lĩnh vực khác nhau, đặc biệt là phương pháp sử dụng ANN, hệ chuyên gia… ngành điện [4,6,7]. Trong đó phương pháp sử dụng ANN đã Nghiên cứu này đề xuất một dự báo phụ nhận được nhiều sự quan tâm. tải cho miền Bắc Việt Nam với các đặc điểm: Nhu cầu phụ tải điện của xã hội phụ thuộc - Xét các yếu tố ảnh hưởng chính: dân số, vào rất nhiều các yếu tố như kinh tế, thời GDP, thời tiết. gian, thời tiết, cơ cấu ngành công nghiệp, - Sử dụng mô hình mạng nơ ron nhân tạo vùng miền… Trong đề tài này thực hiện dự để dự báo. báo phụ tải điện cho miền Bắc Việt Nam - Có xét đến các yếu tố vùng miền. giới hạn bởi các yều tố đầu vào là: tốc độ phát triển GDP, dân số và nhiệt độ tháng 2. PHƯƠNG PHÁP NGHIÊN CỨU nóng nhất trong năm của các vùng miền Các số liệu được thống kê, xử lí từ các trong khoảng thời gian xét [3,7]. (Bảng 1). nguồn chính thức. Phân tích các phương pháp 3.2. Ứng dụng mạng nơ ron nhân tạo để dự báo hiện đang sử dụng. Sử dụng phương dự báo phụ tải điện pháp mô hình hóa bằng ANN. Kiểm tra độ chính xác của mô hình với số liệu đã biết. Mạng nơron là cách tiếp cận tính toán mới Tiến hành dự báo nhu cầu phụ tải cho những liên quan đến việc phát triển các cấu trúc toán năm tiếp theo. học với khả năng học. 475
Tuyển tập Hội nghị Khoa học thường niên năm 2017. ISBN: 978-604-82-2274-1 Bảng 1. Số liệu đầu vào Tổng Công ty thuật học [5] bao gồm: học có giám sát, học Điện lực Hà Nội tăng cường, học không giám sát. ANN lan truyền thông tin từ lớp vào đến A KT DS Tmax Năm lớp ra. Khi việc lan truyền kết thúc, thông [tỉ kWh] [%] [%] [ C] tin tại lớp ra chính là kết quả của quá trình 2008 5,99 10,7 1,25 29,4 lan truyền. 2009 7,35 7,50 1,41 30,3 ANN truyền thẳng nhiều lớp với giải thuật 2010 8,91 11,3 2,50 30,7 lan truyền ngược sai số: bao gồm một lớp vào, một lớp ra và một hoặc nhiều các lớp ẩn, 2011 9,51 10,7 1,93 29,9 các nơ ron chỉ có thể được kết nối với nhau 2012 10,6 9,00 1,54 30,3 theo một hướng tới một hay nhiều các nơ ron 2013 11,6 8,50 1,63 30,0 khác trong lớp kế tiếp. Giải thuật lan tryền 2014 12,2 8,80 1,70 30,1 ngược của sai số (BP) là giải thuật học có giám sát, nó cần một tập mẫu gồm các cặp 2015 13,9 9,24 1,69 30,9 véc tơ (Xi,Yi), với Xi là véc tơ vào, Yi là véc 2016 15,4 8,20 1,66 31,3 tơ ra mong muốn. Đối với một cặp véc tơ vào A - điện năng; KT - tốc độ phát triển kinh tế; và véc tơ ra mong muốn, giải thuật BP thực DS - tốc độ tăng dân số; Tmax - nhiệt độ trung hiện hai giai đoạn theo dòng chảy số liệu: 1) bình tháng nóng nhất trong năm Tín hiệu vào Xi được lan truyền qua mạng từ lớp vào đến lớp ra, kết quả của việc lan Cấu trúc và phân loại mạng nơron: truyền là sản sinh véc tơ tín hiệu ra; 2) Tín Trong mô hình ANN, các nơron được nối với hiệu sai số giữa véc tơ ra mong muốn và véc nhau bởi các liên kết nơron, mỗi liên kết có tơ tín hiệu ra, được lan truyền ngược từ lớp một trọng số đặc trưng cho đặc tính kích hoạt ra tới các lớp phía trước để hiệu chỉnh các hay ức chế giữa các nơron. Đồng thời, các trọng số. nơron được nhóm lại với nhau theo cấu trúc Thực tế chứng minh [4,6] trong các bài phân lớp, bao gồm: lớp vào (input layer), lớp toán dự báo, thường sử dụng mô hình ANN ra (output layer) và lớp ẩn (hidden layer). truyền thẳng 3 lớp với giải thuật BP. Số nơ ANN có nhiều loại khác nhau, theo tiêu ron của lớp vào bằng số biến vào, số nơ ron chí liên kiết các nơ ron thì có Mạng nơron của lớp ra bằng số biến ra, số nơ ron của lớp truyền thẳng (feed – forward Neural ẩn thường lấy theo kinh nghiệm dựa vào số Network); mạng hồi quy;mạng kết nối đối mẫu trong tập mẫu. xứng và không đối xứng, Phân loại theo số lớp thì ta có mạng đơn lớp hay đa lớp. Xây dựng ANN truyền thẳng nhiều lớp Học và lan truyền trong mạng: ANN với giản thuật BP cho bài toán dự báo phụ thực hiện hai chức năng quan trọng là học tải dài hạn khu vực Hà Nội: Cấu trúc nơ và tổng quát hoá. Học là quá trình hiệu ron gồm 3 lớp:Lớp vàocó 3 nơ ron tương ứng chỉnh các tham số và các trọng số liên kết 3 tham số đầu vào: KT - tốc độ phát triển trong mạng để tối thiểu hoá sai số với vectơ kinh tế; DS - tốc độ tăng dân số; và Tmax - đầu vào cho trước. Tổng quá hoá là quá nhiệt độ trung bình tháng nóng nhất trong trình đưa vào một vector đầu vào mới và sản năm; Lớp ra có 1 nơ ron tương ứng với phụ sinh ra quyết định dựa trên vector đầu ra tải điện đầu ra là A - điện năng; Lớp ẩn: gồm tính được từ mạng. 30 nơ ron. Học chia thành hai loại: học tham số và Tập dữ liệu mẫu huấn luyện: Dùng dữ liệu học cấu trúc. Các kỹ thuật học của ANN chỉ từ năm 2008 đến năm 2015 để huấn luyện ra cách chỉnh sửa các trọng số liên kết mạng mạng, dữ liệu năm 2016 để dự báo nhằm khi một mẫu học được đưa vào mạng. Các kỹ kiểm tra độ chính xác. Sơ đồ ANN như hình 1. 476
Tuyển tập Hội nghị Khoa học thường niên năm 2017. ISBN: 978-604-82-2274-1 Tiến hành dự báo giai đoạn 20172020: Theo số liệu dự báo của Hà Nội: KT=1213%, DS=1,8%, Tmax=31,5oC, thì nhu cầu phụ tải điện của Hà Nội là: 21,222,5 tỷ kWh. 4. KẾT LUẬN Dự báo phụ tải điện dài hạn có xét đến Hình 1. Sơ đồ ANN dự báo phụ tải ảnh hưởng: Sử dụng công cụ Neural Network Toolbox - Quá khứ; trong phần mềm Matlab để xây dựng ANN dự - Phát triển kinh tế (GDP), xã hội (dân số - báo phụ tải, hàm huấn luyện mạng traincgf DS) và môi trường (nhiệt độ trung bình tháng (Hình 2), ta thu được kết quả (Hình 3). nóng nhất trong năm Tmax); - Thỏa mãn các quy hoạch phát triển; - Mang yếu tố riêng từng vùng. 5. TÀI LIỆU THAM KHẢO [1] 1208/QĐ-TTg, 2011: Quy hoạch phát triển điện lực quốc gia giai đoạn 2011-2020 có xét đến 2030. [2] 07/QĐ-ĐTĐL, 2013: Quy trình dự báo nhu cầu phụ tải hệ thống điện quốc gia. Hình 2. Mô hình ANN trong Matlab [3] Cục Thống kê Hà Nội:thongkehanoi.gov.vn [4] R. Behera, B. B. Pati, B. P. Panigrahi, 2014: Kiểm tra độ chính xác của mô hình dự báo A Long Term Load Forecasting of an bằng số liệu của năm 2016, với dữ liệu đầu vào: Indian Grid for Power System Planning. KT = 8,2%, DS = 1,66%, Tmax = 31,3oC cho J. Inst. Eng. India Ser. B (October– ta kết quả dự báo là: A = 15,67 tỷ kWh so với December 2014) 95(4):279–285. kết quả thực tế là 15,4 tỷ kWh, sai số 1,75%, [5] Patterson D., 1996, Artifical Neural Networks, kết quả là tương đối chính xác (Hình 3). Theory and Application, Prentice Hall. [6] Swaroop R, 2012: Load Forecasting for Power System Planning using Fuzzy-Neural Networks. Proceedings of the World Congress on Engineering and Computer Science 2012 Vol I WCECS 2012, October 24-26, 2012, San Francisco, USA. [7] Tổng Cục Thống kê: gso.gov.vn. Hình 3. Kết quả chạy mô hình dự báo 477

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.15: Bộ Đồ Án Tốt Nghiệp Chuyên Ngành Cơ Khí

65 tài liệu

2397 lượt tải

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.