Ứng dụng phương pháp phân tích thành phần chính cho bài toán dự báo phụ tải điện ngắn hạn

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:4

Thêm vào BST

Báo xấu

18
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Ứng dụng phương pháp phân tích thành phần chính cho bài toán dự báo phụ tải điện ngắn hạn trình bày việc tính toán phụ tải điện ngắn hạn cho 24 giờ trong ngày và một tuần bằng phương pháp ứng dụng mạng nơ ron. Phương pháp phân tích thành phần chính (PCA) dùng cho việc phân tích bộ số liệu thu thập được. Quá trình xây dựng mô hình, khi xét được sự tương quan giữa ngày dự báo phụ thuộc vào những ngày nào trong quá khứ.

Chủ đề:

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

Lưu

Nội dung Text: Ứng dụng phương pháp phân tích thành phần chính cho bài toán dự báo phụ tải điện ngắn hạn

ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 5(90).2015 15 ỨNG DỤNG PHƯƠNG PHÁP PHÂN TÍCH THÀNH PHẦN CHÍNH CHO BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN APPLYING THE METHOD OF PRINCIPAL COMPONENT ANALYSIS TO SHORT-TERM LOAD FORECASTING IN ELECTRICAL POWER SYSTEM Quản Quốc Cường1, Nguyễn Xuân Vinh3, Nguyễn Đức Thành3, Nguyễn Đức Huy2 1 Học viên cao học K2012B Trường Đại học Bách khoa Hà Nội; quoccuong2089@gmail.com 2 Trường Đại học Bách khoa Hà Nội; vinhnx@vlute.edu.vn, ngduchuy@gmail.com 3 Trường Đại học Sư phạm Kỹ thuật Vĩnh Long; thanhnd@vlute.edu.vn Tóm tắt - Dự báo phụ tải điện năng là một vấn đề quan trọng trong hệ Abstract - Electricity load forecasting is important in power thống điện hiện nay. Mục đích của dự báo phụ tải trong tương lai dựa systems. The purpose of load forecasting in the future based on vào các quan sát trong quá khứ, phục vụ cho công tác điều độ và quy past observations is to serve the regulation and planning of electric hoạch nguồn lưới trong hệ thống điện. Hiện nay có rất nhiều phương power system. At present there are many methods using load pháp dự báo phụ tải khác nhau, nhưng chưa có một phương pháp nào forecasting, but no method to choose the critical data collected in để chọn số liệu quan trọng thu thập được trong quá khứ dùng cho bài the past for load forecasting problem is available. In this paper the toán dự báo phụ tải. Trong bài báo này tính toán phụ tải điện ngắn hạn short-term power load for 24 hours and a week ahead is calculated cho 24 giờ trong ngày và một tuần bằng phương pháp ứng dụng mạng by using artificial neural network (ANN). The principal component nơ ron. Phương pháp phân tích thành phần chính (PCA) dùng cho việc analysis (PCA) method is applied to analyse the data collected. phân tích bộ số liệu thu thập được. Quá trình xây dựng mô hình, khi xét The process of building the model, considering the correlation được sự tương quan giữa ngày dự báo phụ thuộc vào những ngày nào between the predicting date depends on the day of the past. By trong quá khứ. Áp dụng thuật toán PCA sẽ giảm được những số liệu applying PCA algorithm the number of non-critical data in the data không quan trọng trong bộ số liệu mẫu, để phục vụ cho công tác dự sample will be reduced. The accuracy of the algorithm is verified báo. Độ chính xác của giải thuật đã được kiểm chứng thông qua mô through simulation in MATLAB software. phỏng trên phần mềm MATLAB. Từ khóa - thành phần chính; mạng nơ ron; phụ tải điện ngắn hạn; Key words - Principal component analysis; Neural network; Short- mạng truyền thẳng nhiều lớp; sai số trung bình phần trăm tuyệt đối. term Load Forecasting; Multi-layer perceptron; Mean Absolute Percent Error. 1. Đặt vấn đề ngày đặc biệt trong năm. Với bộ số liệu mẫu thu thập được rất Bài toán dự báo phụ tải ngắn hạn cho khoảng thời gian lớn, trong đó có nhiều số liệu không quan trọng và có những một giờ đến một tuần để phục vụ cho công tác điều độ và vận số liệu tương tự nhau. Khi sử dụng bộ số liệu mẫu trên đưa hành hệ thống điện được đánh giá là phức tạp so với các bài vào mạng nơ ron dự báo, dẫn đến quá trình học kéo dài và khả toán khác. Vấn đề này có rất nhiều mô hình, giải pháp được năng tổng quát của mạng sẽ giảm đi. đề xuất và ứng dụng. Tuy nhiên, cho tới thời điểm này vẫn Phương pháp phân tích thành phần chính được viết năm chưa có một mô hình chuẩn nào để áp dụng hiệu quả cho mọi 1901 bởi Karl Pearson và được sử dụng như một công cụ để đối tượng. Do đặc thù mỗi vùng, mỗi khu vực phụ tải điện phụ phục vụ cho việc tính toán phân tích các đặc trưng của tập thuộc khác nhau vào các số liệu trong quá khứ như phụ tải, số liệu mẫu. PCA là phương pháp giảm kích thước của bộ số thời tiết... Sự khác nhau này đòi hỏi phải điều chỉnh lại các liệu mẫu ban đầu. Chỉ chọn những số liệu ảnh hưởng đến thông số của một mô hình đã được lựa chọn nào đó hoặc phải phụ tải dẫn đến kết quả dự báo tốt hơn [4], [5] xây dựng một mô hình hoàn toàn mới. 2. Mô hình dự báo kết hợp giữa PCA và ANN Các phương pháp thông thường để dự báo phụ tải như mô hình áp dụng ngày tương tự (Similar-day approach), phương pháp hồi quy (Regression methods), các mô hình chuỗi thời gian (Time series) [1], [2]. Tuy nhiên, những phương pháp này không thể hiện rõ mối quan hệ phi tuyến phức tạp giữa phụ tải và các yếu tố đầu vào. Để khắc phục những nhược điểm đó, mạng nơ ron được sử dụng trong bài toán dự báo phụ tải điện từ những năm 1990. Mạng nơ ron được dùng ước lượng các hàm phi tuyến phù hợp với đường cong phụ tải [3]. Mô hình có nhiều ứng dụng nhất là mạng truyền thẳng nhiều lớp (MLP) với một hoặc hai lớp ẩn. Số lớp ẩn và số nơ ron trên từng lớp, cũng như các hàm truyền đạt của các nơ ron Hình 1. Mô hình dự báo kết hợp giữa PCA và ANN trong mỗi mô hình, đều khác nhau do được xây dựng cho các Bộ số liệu về thông số thời tiết (nhiệt độ cao, nhiệt độ đối tượng khác nhau hoặc cùng một đối tượng, nhưng các bộ thấp, số giờ nắng, mưa …), các ngày trong tuần (ngày làm số liệu và thời điểm lấy số liệu khác nhau. việc, ngày nghỉ, ngày lễ, tết …) và phụ tải quá khứ được sử Các số liệu quan sát trong quá khứ được đưa vào bài toán dụng trong mô hình [6]. Số liệu mẫu thu thập từ 01/01/2010 dự báo phụ tải như phụ tải quá khứ, thời tiết, các ngày nghỉ lễ, đến 30/09/2014.
16 Quản Quốc Cường, Nguyễn Xuân Vinh, Nguyễn Đức Thành, Nguyễn Đức Huy Thuật toán được trình bày trong bài báo này sử dụng bộ số liệu thu thập được từ lưới điện ISO New England có kích thước [41616 x 17] để kiểm tra tính chính xác và hiệu quả của thuật toán. Áp dụng phương pháp PCA để loại bỏ những thành phần dữ liệu không đặc trưng ra khỏi bộ dữ liệu ban đầu, thu được bộ số liệu có kích thước [41616 x 6]. Bộ dữ liệu ngõ ra của phương pháp PCA được tách thành hai phần 70% dùng để huấn luyện mạng nơ ron và 30% dùng để kiểm tra. 2.1. Phương pháp phân tích thành phần chính Sử dụng mô hình toán học của thuật toán PCA [4]. Hình 2. Mạng truyền thẳng nhiều lớp MLP Cho ma trận 𝑋 = {𝑥𝑖𝑗 } ∈ 𝑅𝑛 × 𝑝 2.2.2. Xây dựng mô hình Bước 1: Chuẩn hóa dữ liệu Trong việc xây dựng các mô hình dự báo phụ tải, để 𝑋̂ = {𝑥̂𝑖𝑗 } được mô hình tốt nhất cần thực hiện nhiều bước với các 𝑥𝑖𝑗 −𝑥̅𝑗 thông số đầu vào thay đổi. Mô hình tốt nhất khi sai số đánh 𝑥̂ = 𝑣ớ𝑖 𝑖 = 1,2, … , 𝑁 ; 𝑗 = 1,2, … , 𝑚 (1) giá trên tập kiểm tra là thấp nhất. Các bước xây dựng một 𝜎𝑗 mô hình dự báo phụ tải như sau: Trong đó: 𝜎𝑗 là độ lệch chuẩn của cột thứ j trong X Bước 1: Thay đổi bộ số liệu mẫu đầu vào mạng nơ ron 1 ∑𝑁 𝑁 1 2 Mô hình được xây dựng trên bộ số liệu trong quá khứ 𝑥̅ = 𝑖=1 𝑥𝑖𝑗 , 𝜎𝑗 = √ ∑𝑖=1(𝑥𝑖𝑗 − 𝑥̅𝑗 ) 𝑁 𝑁 như phụ tải, thời tiết, ngày nghỉ, ngày làm việc ... Khi lựa 1 chọn số liệu đầu vào mạng, cần những số liệu quan trọng 𝑅= 𝑋̂ 𝑇 𝑋̂ (2) 𝑁−1 nhất để đưa vào huấn luyện. Do đó sẽ giảm thời gian huấn luyện và đem lại kết quả tốt. Bước 2: Xây dựng không gian mới Bước 2: Lựa chọn mô hình tốt nhất Trong các tài liệu về mạng nơ ron chưa đưa ra một thuật Tính ma trận hiệp phương sai của các đặc trưng trong 𝑋̂ toán về lựa chọn cấu trúc mạng nơ ron tối ưu cho từng bài toán cụ thể. Cách chọn cấu trúc mạng chỉ dựa trên phương Trong đó: 𝑋̂ là ma trận đã chuẩn hóa từ ma trận số liệu pháp thử và sai, bài báo này áp dụng phương pháp thử và ban đầu 𝑋. Các trị riêng, vector riêng tương ứng của R sẽ sai để xây dựng cấu trúc mạng nơ ron. sắp xếp theo thứ tự giảm dần của trị riêng. Giả sử trị riêng Bước 3: Tối ưu hóa mô hình của R là: 1 ≥ 2 ≥ ⋯ ≥ 𝑚 Khi chọn được mô hình mạng thích hợp, sẽ cố định số Vector riêng tương ứng là: 𝑢1 , 𝑢2 , … , 𝑢𝑚 nơron lớp ẩn và thay đổi số lần lặp để tối ưu hoá sai số. Mô hình với số lần lặp có sai số thấp nhất sẽ được chọn làm mô Bước 3: Tính toán số lượng thành phần chính hình dự báo cuối cùng. 𝑝 Σ (𝑝) = ∑𝑖=1 i (3) 2.2.3. Mô hình dự báo  Mô hình 6xNx1 Trong đó: i = ∑𝑚 𝑖 × 100% 𝑖=1 𝑖 + Số nơ ron lớp vào: 6 Bước 4: Tính các thành phần chính của ma trận ban đầu. - Giờ trong ngày; Chuyển ma trận ban đầu nhiều chiều sang ma trận mới - Nhiệt độ cao; 𝑍𝑁×𝑝 = 𝑋̂ 𝑁×𝑚 × 𝑈𝑚×𝑝 (4) - Nhiệt độ thấp; - Phụ tải cùng giờ của ngày trước; Trong đó: 𝑈𝑚×𝑝 = [𝑢1 , 𝑢2 , … , 𝑢𝑝 ] - Phụ tải cùng giờ của tuần trước; 𝑍𝑁×𝑝 là ma trận mới có mang tất cả các đặc trưng từ ma - Phụ tải trung bình của 24 giờ trước; trận X ban đầu; với số chiều trong ma trận Z giảm so với + Số nơ ron lớp ẩn: N=20; ma trận X. + Số nơ ron lớp ra: 1; 2.2. Mô hình dự báo phụ tải điện ngắn hạn + Số nơ ron lớp ẩn: N=20; 2.2.1. Mạng nơ ron + Số nơ ron lớp ra: 1; Đối với bài toán có hàm truyền đạt với mức độ phi tuyến cao, cấu trúc phức tạp hơn. Cách đơn giản nhất là tăng số lớp xử lý tín hiệu giữa đầu vào và đầu ra cũng như tăng khối lượng tính toán trên từng lớp này. Các lớp tính toán nằm giữa hai lớp vào và lớp ra được gọi chung là lớp ẩn (hidden layer). Mạng truyền thẳng nhiều lớp (MLP) đáp ứng được các yêu cầu của bài toán đặt ra [7]. Hình 3. Mô hình ANN 6×20×1 dự báo phụ tải điện
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 5(90).2015 17 3. Kết quả Kết quả dự báo phụ tải điện cho 24 giờ trong ngày và thể hiện kết quả dự báo trong một tuần từ ngày 01/09/2014 đến ngày 07/09/2014 (Hình 4, 5, 6, 7). Đồ thị dự báo biểu diễn giá trị phụ tải thực tế và phụ tải dự báo, đơn vị dự báo phụ tải là MW và thời gian tương ứng trong ngày. Bảng kết quả dự báo thể hiện thông số phụ tải thực tế, phụ tải dự báo (Bảng 1 và 2). Tiêu chuẩn đánh giá sử dụng hàm APE (Absolute Percent Error): Tính sai số phần trăm tuyệt đối trên toàn bộ mẫu kiểm tra hoặc hàm MAPE (Mean Absolute Percent Error) : Tính sai số trung bình phần trăm tuyệt đối. 𝑃𝑡ℎ𝑢𝑐𝑡𝑒 −𝑃𝑑𝑢𝑏𝑎𝑜 𝐴𝑃𝐸 = × 100 (5) 𝑃𝑡ℎ𝑢𝑐𝑡𝑒 1 Sai số MAPE = 2,02% 𝑀𝐴𝑃𝐸 = ∑1𝑁ℎ 𝐴𝑃𝐸 (6) 𝑁ℎ Hình 6. Đồ thị dự báo phụ tải ngày 01/09/2014 Trong đó Nh: là số giờ trong thời gian dự báo. Dự báo cho tuần từ (01/09/2014 – 07/09/2014) 3.1. Đồ thị dự báo 3.1.1. Đồ thị dự báo của mô hình ANN Ngày dự báo 01/09/2014 Sai số MAPE = 2,22% Hình 7. Đồ thị dự báo phụ tải ngày 01- 07/09/2014 Sai số MAPE = 4,26% 3.2. Bảng kết quả dự báo Hình 4. Đồ thị dự báo phụ tải ngày 01/09/2014 Bảng kết quả dự báo ngày 01/9/2014: Dự báo cho tuần (01/09/2014 – 07/09/2014) Bảng 1. Kết quả dự báo ngày 01/09/2014 Sai số Sai số Phụ tải dự Giờ dự Phụ tải Phụ tải dự APE(%) báo(PCA + APE (%) báo thực tế báo (ANN) PCA + ANN) ANN ANN 1 13527 13057,72 13244,96 3,47 2,09 2 12856 12536,72 12823,86 2,48 0,25 3 12446 12063,55 12333,47 3,07 0,90 4 12238 11950,12 12156,78 2,35 0,66 5 12225 12025,44 11959,12 1,63 2,17 6 12509 12678,48 12121,68 1,35 3,10 7 12959 13864,50 12575,77 6,99 2,96 8 13675 15501,06 13605,13 13,35 0,51 9 15043 17087,24 15363,49 13,59 2,13 Sai số MAPE = 2,43% 10 16594 18400,12 16865,62 10,88 1,64 Hình 5. Đồ thị dự báo phụ tải ngày 01- 07/09/2014 11 17947 19371,71 17767,85 7,94 1,00 3.1.2. Đồ thị dự báo của mô hình PCA+ANN 12 18968 20101,29 18508,54 5,97 2,42 Ngày dự báo 01/09/2014 13 19612 20628,74 19161,86 5,18 2,30
18 Quản Quốc Cường, Nguyễn Xuân Vinh, Nguyễn Đức Thành, Nguyễn Đức Huy 14 19972 20903,91 19495,74 4,67 2,38 4. Kết luận 15 20130 21148,53 19905,75 5,06 1,11 Bài báo này đã đưa ra phương pháp cải tiến áp dụng 16 20414 21096,79 20039,44 3,34 1,83 trong dự báo phụ tải điện ngắn hạn: 17 20781 21119,96 20358,47 1,63 2,03 - Ứng dụng thuật toán PCA giảm kích thước dữ liệu đầu 18 21029 20991,18 20476,83 0,18 2,63 vào vì thế rút ngắn được thời gian huấn luyện mạng nơ ron. 19 20717 20701,32 20414,65 0,08 1,46 - Thuật toán đã sử dụng để dự báo phụ tải cho lưới điện ISO New England kết quả dự báo có sai số dự báo dưới 3%. 20 20643 20281,28 20221,54 1,75 2,04 - Kết quả dự báo hết sức khả quan vì thế phương pháp 21 20421 19929,72 19822,91 2,41 2,93 được trình bày có thể áp dụng dự báo phụ tải ngắn hạn cho 22 18959 19009,68 19091,37 0,27 0,70 lưới điện trong đó phụ tải không biến động trong thời gian 23 17083 17515,44 17814,75 2,53 4,28 khảo sát thu thập số liệu và thời gian dự báo. 24 15435 15738,45 16210,31 1,97 5,02 Sai số MAPE (%) 4,26 2,02 TÀI LIỆU THAM KHẢO Bảng kết quả dự báo cho một tuần (từ ngày 01 – [1] S. Mishra, “Short term load forecasting using computational intelligence methods”, Master Thesis of Technology, National 07 /09/2014): Institute of Technology Rourkela, 2008. Bảng 2. Kết quả dự báo tuần từ ngày 01 – 07 /09/2014 [2] R. Engle, C. Mustafa and J. Rice, “Modeling Peak Electricity Demand”, Journal of Forecasting, p. 11:241–251, 1992. Thứ trong ANN PCA+ANN [3] M. Peng, N. Hubele and G. Karady, “Advancement in the Ngày dự báo tuần MAPE (%) MAPE (%) Application of Neural Networks for Short-Term Load Forecasting”, Thứ 2 01/09/2014 4,26 2,02 IEEE Transactions on Power Systems, p. 7:250–257, 1992. [4] B. L. B. Liu and R. Y. R. Yang, “A Novel Method based on PCA and Thứ 3 02/09/2014 1,71 1,87 LS-SVM for Power Load Forecasting”, 2008 Third Int. Conf. Electr. Thứ 4 03/09/2014 3,72 3,76 Util. Deregul. Restruct. Power Technol., no. 978, pp. 759–763, 2008. [5] M. Afshin and a. Sadeghian, “PCA-based Least Squares Support Thứ 5 04/09/2014 2,71 2,44 Vector Machines in Week-Ahead Load Forecasting”, 2007 IEEE/IAS Thứ 6 05/09/2014 1,84 1,43 Ind. Commer. Power Syst. Tech. Conf., pp. 1–6, May 2007. Thứ 7 06/09/2014 1,70 1,53 [6] http://iso-ne.com/ [7] Q. Q. Cuong, “Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải Chủ nhật 07/09/2014 5,31 2,52 điện ngắn hạn”, Luận văn cao học ngành hệ thống điện, Trường Sai số trung bình 2,43 2,22 ĐHBKHN, 2014. (BBT nhận bài: 16/03/2015, phản biện xong: 17/05/2015)