Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (1.35 MB, 125 trang )
Header Page 101 of 166.
100
của bài toán dự báo phụ tải ngắn hạn nên ta chỉ quan tâm đến một số bảng dữ
liệu trong toàn bộ hệ thống cơ sở dữ liệu đã đợc thiết kế từ trớc với cấu trúc
bảng nh sau:
Bảng thông tin về phụ tải và nhiệt độ của các điện lực.
Tên cột
Kiểu
Len
PK
FK
Null
Mô tả
Ngay
Date
8
x
Ngày
Gio
2
x
Giờ
ND
2
X
Nhệt độ
B1
Float
4
X
Hà Nội
B2
Float
4
X
Hải phòng
B29
Float
4
X
Lai Châu
Trong đó:
PK : primary key (Khoá chính)
FK : foreign key (khoá liên kết)
Len: Độ dài dữ liệu
5.2. Đặc tả các chức năng
5.2.1. Truy vấn dữ liệu
Module truy vấn dữ liệu dùng để truy vấn số liệu từ cơ sở dữ liệu SQL
Server, số liệu đầu ra bao gồm phụ tải và nhiệt độ của tập mẫu, số liệu này
chính là số liệu đầu vào để huấn luyện mạng. Số liệu sau khi truy vấn đợc lu
vào một file có đuôi mở rộng .xls.
Footer Page 101 of 166.
Header Page 102 of 166.
101
5.2.2. Phân loại dữ liệu
Module này thực hiện phân loại số liệu đã thu thập đợc từ module truy
vấn dữ liệu theo từng nhóm dữ liệu khác nhau. Dữ liệu đã phân loại sẽ đợc
lu vào một file excel.
5.2.3 Chuẩn hoá dữ liệu
Module chuẩn hoá dữ liệu thực hiện việc chuẩn hoá số liệu đã đợc
phân loại ở module phân loại dữ liệu theo công thức đã định nghĩa ở chơng 2,
theo nguyên tắc các giá trị đầu vào cho mạng nơ ron phải nằm trong khoảng [1,1] và đợc lu vào file excel. Số liệu sau khi đợc chuẩn hoá sẽ là số liệu
đầu vào cho module huấn luyện mạng
5.2.4 Huấn luyện mạng
Module này thực hiện việc huấn luyện mạng với bộ trọng số lấy ngẫu
nhiên trong khoảng [-1,1]. Trong quá trình học, mạng sẽ điều chỉnh các tham
số sao cho tổng bình phơng lỗi là nhỏ nhất (Quá trình huấn luyện mạng dừng
nếu SSE = rất nhỏ hoặc khi số vòng lặp qua lớn). Kết thúc quá trình huấn
luyện mạng ta thu đợc bộ trọng số mới, gọi là bộ trọng số sau khi huấn
luyện, bộ trọng số này đợc lu trữ dới dạng file text. Bộ trọng số sau khi
huấn luyện sẽ đợc dùng làm phơng tiện cho việc dự báo phụ tải.
5.2.5 Dự báo phụ tải
Module dự báo phụ tải thực hiện khi mạng đã đợc huấn luyện xong.
Quá trình làm việc của mạng nơron là quá trình tự tái diễn lại, vì vậy khi đa
các giá trị đầu vào của mẫu vào với bộ trọng số sau khi huấn luyện sẽ cho đáp
ứng đầu ra tơng ứng với đầu vào theo sự nhận thức của mạng đợc hình
thành trong quá trình huấn luyện. Đáp ứng đầu ra chính là kết quả dự báo của
mạng.
Footer Page 102 of 166.
Header Page 103 of 166.
102
5.3 Hớng dẫn sử dụng
Trên màn hình Desktop chọn file dubaophutai.xls, chơng trình sẽ chạy
lên màn hình (hình 5.2) mà tại đây ngời sử dụng có thể thực hiện và theo dõi
các chức năng của chơng trình.
Hình 5.2. Giao diện chính của chơng trình
5.3.1 Truy vấn dữ liệu
Trên hình 5.2 ta bấm chuột vào chức năng truy vấn dữ liệu, khi đó
chơng trình xuất hiện hình 5.3, lựa chọn thời gian bắt đầu và thời gian kết
thúc để thực hiện truy vấn dữ liệu . Khi truy vấn xong dữ liệu ngời sử dụng
phải lu dữ liệu dới dạng file excel, tên file do ngời dùng đặt.
Hình 5.3. Giao diện truy vấn dữ liệu
Footer Page 103 of 166.
Header Page 104 of 166.
103
5.3.2 Phân loại dữ liệu
Trên màn hình Desktop nháy đúp vào biểu tợng MATLAB R12 chạy
lên màn hình (hình 5.4). Trên cửa sổ lệnh của hình 5.4 nhập lệnh dubaophutai,
chơng trình sẽ chạy ra menu các chức năng (hình 5.5). Trên hình 5.5 ta chọn
chức năng phan loai so lieu, sau đó phần mềm sẽ yêu cầu ngời sử dụng
nhập tên file dữ liệu, ta nhập tên file số liệu cần phân loại, phần mềm sẽ tự
động phân loại dữ liệu và lu vào file.
Hình 5.4. Giao diện phần mềm matlab
Hình 5.5. Giao diện menu chơng trình
5.3.3 Chuẩn hoá dữ liệu
Trên hình 5.2 ta bấm chuột vào chức năng chuẩn hoá dữ liệu, sau đó
chọn file excel chứa dữ liệu đã đợc phân loại, phần mềm sẽ tự động chuẩn
Footer Page 104 of 166.
Header Page 105 of 166.
104
hoá dữ liệu và lu số liệu vào file excel trong th mục mặc định
C:\matlabR12\work.
5.3.4 Huấn luyện mạng
Trên menu hình 5.5 chọn chức năng huan luyen mang,sau đó chọn
file dữ liệu đã đợc phân loại. Thời gian huấn luyện mạng tuỳ thuộc vào dữ
liệu đầu vào lớn hay bé, nếu chạy bộ số liệu của hệ thống điện miền Bắc thì
thời gian huấn luyện khoảng 7 phút.
5.3.5 Dự báo
Trên menu hình 5.5 chọn chức năng Du bao. sau đó chọn file text đã
lu lại bộ trọng số sau khi huấn luyện, chọn file lu mẫu số liệu đầu vào của
ngày cần dự báo. Phần mềm sẽ đa ra kết quả dự báo, so sánh và vẽ đồ thị dữ
liệu dự báo đợc và dữ liệu đầu vào. Hình 5.6 và hình 5.7 là kết quả và đồ thị
phụ tải đỉnh đã đợc dự báo (từ ngày 08/05/2006 đến ngày 21/05/2006). Trên
đồ thị hình 5.7 điểm 1 đến điểm 14 tơng ứng với ngày 08/05/2006 đến ngày
21/05/2006.
Hình 5.5. Kết quả dự báo phụ tải đỉnh
Footer Page 105 of 166.
Header Page 106 of 166.
105
Hình 5.5. Đồ thị phụ tải thực tế và dự báo
Footer Page 106 of 166.
Header Page 107 of 166.
106
CHƯƠNG vI
so sánh với một số kết quả đ có và Đánh giá kết quả
6.1. So sánh với một số phơng pháp đã có.
- Phơng pháp hồi quy tuyến tính (linear regression), phơng pháp san
bằng hàm số mũ (exponential smoothing), phơng pháp san trung bình
(moving averages), phơng pháp hệ số ngẫu nhiên (stochatic) là những
phơng pháp đợc đề xuất sớm nhất. Tuy nhiên các phơng pháp này đều có
một yêu cầu chung là phải xây dựng đợc hàm hồi quy trên tập dữ liệu thống
kê quá khứ. Các dữ liệu này có thể có các mối tơng quan nhiều chiều và có
tác động tới kết quả dự báo khác nhau tuỳ thuộc vào mối tơng quan của
chúng. Vậy nên việc giải các bài toán dự báo là rất khó khăn. Trong nhiều
hớng nghiên cứu trong giai đoạn tới nhằm triển khai các hệ thống thông
minh, mạng nơron là lựa chọn khá phổ biến, là cơ sở cho các giải pháp nhận
dạng, dự báoMạng nơron nhân tạo là kỹ thuật xử lý thông tin mới mẽ đầy
hứa hẹn trong việc ứng dụng vào bài toán dự báo. Kết hợp chặt chẽ với logic
mờ, mạng nơron nhân tạo có thể giải quyết các bài toán phức tạp hiệu quả
hơn.
- So với các phơng pháp dự báo truyền thống trớc đây chủ yếu tập
trung vào các bài toán tuyến tính, phơng pháp sử dụng mạng nơron có thể
học để xấp xỉ các bài toán mà quan hệ vào ra là phi tuyến nhiều đầu vào và
nhiều đầu ra với độ chính xác dự báo cao, phù hợp với dữ liệu đầu vào của phụ
tải hệ thống điện.
- Trong phơng pháp mạng nơron, ta có thể thử nghiệm nhiều lần để điều
chỉnh cấu trúc mạng, điều chỉnh các tham số học sao cho phù hợp để có đợc
kết quả dự báo tốt nhất. Trong khi các phơng pháp cũ các công thức và tham
Footer Page 107 of 166.
Header Page 108 of 166.
107
số đã đợc xác định từ trớc, không thể thay đổi đợc, các kết quả dự báo trên
các phơng pháp cũ cũng là duy nhất.
- Sử dụng phơng pháp mạng nơron, ta có thể dự báo nhu cầu phụ tải
ngày của hệ thống điện miền Bắc dựa trên tập dữ liệu vào mà không phải phụ
thuộc vào kinh nghiệm chủ quan của các chuyên gia. Mạng nơron đã tự động
xác định nó dựa trên tập trọng số sau huấn luyện của mạng. Việc dự báo dựa
trên cơ sở mạng nơron tự động xác định mối quan hệ liên quan giữa các tập dữ
liệu vào ra, cho ta thấy kết quả dự báo này đáng tin cậy hơn so với những
phơng pháp bị hạn chế về việc phụ thuộc phiến diện vào kinh nghiệm trớc
đây.
- Trong quá trình học, mạng sẽ điều chỉnh các tham số sao cho tổng bình
phơng lỗi là nhỏ nhất, khả năng hội tụ của mạng phụ thuộc vào các tham số
khởi đầu, vì vậy ta cần phải chạy thử nghiệm phần mềm nhiều lần để chọn
đợc bộ tham số ban đầu tốt nhất. Một vấn đề nữa thờng xảy ra đối với mạng
nơron dự báo phụ tải là quá trình học không phải lúc nào cũng hội tụ và có
khả năng rơi vào cực tiểu địa phơng. Nếu mạng rơi vào trờng hợp này ta sẽ
phải bắt đầu huấn luyện lại hoặc thay đổi số nơron của lớp ẩn, điều này sẽ
khiến cho mạng nơron không áp dụng đợc trong các bài toán yêu cầu độ
chính xác cao trong thời gian tối thiểu.
- Sau đây là kết quả thực nghiệm nhằm đánh giá hiệu suất của hai cấu
trúc mô hình mạng, mô hình thứ nhất đã đợc đề xuất ở trên, mô hình thứ hai
hiện đang đợc sử dụng để dự báo phụ tải HTĐ Quốc gia với cấu trúc mạng
nh sau:
+ Lớp vào: 6 nơron đầu vào.
+ Lớp ẩn: 15 nơron
+ Lớp ra: Một nơron ra chính là phụ tải đầu ra của 1 giờ.
Footer Page 108 of 166.