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 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.
Header Page 109 of 166.
108
Chơng trình đợc viết bằng ngôn ngữ VBA tích hợp trong phần mềm ứng
dụng Excel.
Qua quá trình huấn luyện trên bộ dữ liệu đầu vào của Trung tâm Điều độ
HTĐ miền Bắc với 30 mẫu đầu vào, sau 150000 vòng lặp. Mô hình thứ nhất
chỉ mất khoảng 6 phút, còn mô hình thứ hai phải mất tới khoảng 3 giờ 25
phút: Bảng 5.2 và hình 5.1 đa ra kết quả dự báo của ngày 10/5/2006.
Bảng 5.2. Bảng đánh giá kết quả dự báo của hai mô hình (ngày 10/5/2006.)
P thực tế
P dự báo (MW)
Sai số %
Giờ
(MW)
Mô hình 1
Mô hình 2
Mô hình 1
Mô hình 2
1
2003.0
1983.5
1937.4
0.97
3.28
2
1920.9
1962.1
1985.8
2.14
3.38
3
1941.6
1912.6
1920.4
1.49
1.09
4
1914.3
1915.9
1935.0
0.09
1.08
5
2020.2
2024.8
1980.7
0.23
1.96
6
2096.9
2159.2
2185.4
2.97
4.22
7
2166.4
2217.4
2254.6
2.36
4.07
8
2458.0
2449.1
2430.9
0.36
1.10
9
2670.1
2650.0
2638.9
0.75
1.17
10
3105.4
2975.4
2926.5
4.19
5.76
11
3211.6
3100.2
3084.5
3.47
3.96
Footer Page 109 of 166.
Header Page 110 of 166.
109
12
2739.0
2641.5
2700.1
3.56
1.42
13
2646.1
2518.6
2612.3
4.82
1.28
14
2737.5
2612.9
2601.4
4.55
4.97
15
2669.6
2639.4
2633.4
1.13
1.36
16
2681.4
2671.0
2638.7
0.39
1.59
17
2968.0
2852.2
2805.4
3.90
5.48
18
3032.4
2967.6
2966.7
2.14
2.17
19
3226.7
3085.2
3052.3
4.39
5.40
20
3061.1
2910.8
2901.7
4.91
5.21
21
2847.6
2708.5
2745.2
4.88
3.60
22
2625.7
2520.0
2498.5
4.03
4.84
23
2471.2
2393.7
2387.4
3.14
3.39
24
2132.3
2138.8
2115.2
-0.31
0.80
Footer Page 110 of 166.
Header Page 111 of 166.
110
Đồ thị phụ tải
3500
3000
Thc t
Mụ hỡnh 1
Mụ hỡnh 2
C ông suất
2500
2000
1500
1000
500
0
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
Hình 5.1. Kết quả dự báo của hai mô hình (ngày
10/05/2006)
Đồ thị đánh giá sai số
8
7
% S ai số
6
5
4
Mụ hỡnh 1
Mụ hỡnh 2
3
2
1
0
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
Hình 5.2. Sai số dự báo % của hai mô hình (ngày
10/05/2006)
Nhận xét: Qua kết quả thực nghiệm nhằm đánh giá hiệu suất của hai cấu
trúc mô hình mạng ta thấy.
- Mô hình thứ nhất có thời gian huấn luyện mạng nhỏ hơn mô hình thứ 2
rất nhiều lần. Nguyên nhân chính là do mô hình 1 đợc lập trình trên phần
mềm Matlab đã đợc hỗ trợ toolbox để xử lý các mô hình về mạng nơron,
Footer Page 111 of 166.
Header Page 112 of 166.
111
còn mô hình hai đợc lập trình bằng ngôn ngữ VBA tích hợp trong phần
mềm ứng dụng Excel vì vậy ta phải viết lại toàn bộ thuật toán.
- Qua một số kết quả chạy thử nghiệm trên hai mô hình với nhiều bộ số
liệu khác nhau và căn cứ vào hai đồ thị trên hình 5.1 và 5.2 ta thấy mô hình
thứ nhất có kết quả dự báo chính xác tốt hơn mô hình thứ hai. Điều đó
chứng tỏ mô hình thứ nhất có cấu trúc mạng dự báo tốt và phù hợp với tập
bài toán dự báo hơn so với cấu trúc mạng dự báo của mô hình thứ hai.
6.2. Đánh giá kết quả
Độ chính xác và tốc độ xử lý: Phần mềm đợc chạy thử nghiệm trên 31
bộ dữ liệu trong vòng 5 năm (5/2001-5/2006) của 29 Điện Lực trên toàn bộ
HTĐ miền Bắc, hai bộ còn lại của Công ty điện lực I và của Trung tâm Điều
độ HTĐ miền Bắc. Sau quá trình huấn luyện với 150000 vòng lặp, thời gian
huấn luyện của mỗi bộ dữ liệu hết khoảng 5 phút 25 giây đến 8 phút 27 giây
và mạng đạt đợc kết quả dự báo của tháng 5 năm 2006 (từ 1/5/200631/5/2006) với sai số % lớn nhất của từng điện lực đợc đa ra trên bảng 5.1.
Trong đó:
- Pmin: Giá trị phụ tải nhỏ nhất trong tháng 5/2006 (Giá trị phụ tải đợc
lấy theo từng giờ trong ngày).
- Pmax: Giá trị phụ tải lớn nhất trong tháng 5/2006.
- Sai số %(Max): Sai số % lớn nhất, đây là kết quả dự báo tồi nhất mà
phần mềm đa ra.
Sai số % =(Pthực tế - Pdự báo)/ Pthực tế*100%
Bảng 5.1. Bảng đánh giá kết quả sai số dự báo tháng 5/2006 trên 31 bộ số
liệu của 31 Điện lực
Footer Page 112 of 166.
Header Page 113 of 166.
112
Điện Lực
Sai số
Pmax
HTĐ1
1412.7
3317.7
6.01 Nghệ An
62.5
196.8
6.02
Cty 1
890.3
2134.4
5.84 Cao Bằng
3.7
19.8
7.16
Hà Nội
245.0
818.0
7.12 Sơn La
6.2
35.4
6.92
Hải Phòng
92.5
259.7
4.81 Hà Tĩnh
10.9
60.9
6.10
Nam Định
30.2
143.1
6.74 Hoà Bình
10.0
41.7
5.92
Phú Thọ
45.8
119.6
4.61 Lào Cai
16.0
52.0
5.64
Quảng Ninh
65.2
188.3
4.89 Điện Biên
2.2
14.2
7.82
Thái Nguyên
43.0
168.0
5.41 Hà Giang
3.8
22.5
7.32
Bắc Giang
21.8
115.8
4.31 Ninh Bình
27.0
77.6
4.36
Hải Dơng
87.8
198.3
3.75 Hà Nam
19.2
75.3
4.91
Thanh Hoá
68.0
220.0
4.24 Vĩnh Phúc
35.0
112.8
5.25
Hà Tây
64.3
237.9
5.61 Bắc Cạn
3.2
14.2
6.34
Thái Bình
30.6
115.1
5.78 Bắc Ninh
57.5
196.0
5.47
Yên Bái
8.3
34.1
7.02 Hng Yên
35.4
156.6
6.24
Lạng Sơn
10.0
39.2
6.91 Lai Châu
1.5
6.7
5.97
7.1
39.1
6.89
Tuyên Quang
%(Max)
Điện Lực
Pmin
Pmax
Sai số
Pmin
%(Max)
Trên bảng 5.1 ta thấy với 31 bộ dữ liệu đợc dùng để thử nghiệm, trong đó
các bộ dữ liệu có giá trị rất đa dạng, nhng sai số dự báo chỉ nằm trong
khoảng 3,75% đến 7,85%. Nguyên nhân có những bộ dữ liệu khi dự báo có sai
số lớn là do tỉ lệ chênh lệch giữa Pmax và Pmin lớn, giá trị phụ tải của các giờ
trong ngày không đồng đều. Trên thực tế, đối với dự báo phụ tải sai số cho
phép khoảng từ 5 10%. Vậy kết quả dự báo đã đạt đợc các yêu cầu đề ra và
phù hợp với tình hình vận hành hệ thống điện hiện nay.
- Khẳ năng ứng dụng: Qua khai thác thử nghiệm chơng trình dự báo
phụ tải ngắn hạn sử dụng kỹ thuật mạng nơron tại Trung tâm Điều độ HTĐ
Footer Page 113 of 166.
Header Page 114 of 166.
113
miền Bắc đã đạt đợc những kết quả đáng kể nh đã nên trên. Điều đó cho
phép ta hy vọng vào triển vọng và tính khả thi của việc ứng dụng mô hình này
thay thế cho mô hình cũ hiện đang đợc áp dụng tại Trung tâm Điều độ HTĐ
miền Bắc. Đặc biệt chơng trình sẽ áp dụng dự báo rất hiệu quả đối với những
Công ty Điện lực có tỉ lệ chênh lệch giữa Pmax và Pmin nhỏ và giá trị phụ tải của
các giờ trong ngày khá đồng đều.
Footer Page 114 of 166.
Header Page 115 of 166.
114
KếT LUậN
Với mục đích nghiên cứu và áp dụng mạng nơron vào dự báo phụ tải hệ
thống điện Miền Bắc, luận văn bớc đầu tìm hiểu về bài toán dự báo phụ tải
ngắn hạn, tìm hiểu một số vấn đề mà các chuyên gia vận hành hệ thống điện
quan tâm để từ đó có thể đa vào áp dụng trong thực tế.
So với các phơng pháp dự báo trớc, phơng pháp sử dụng mạng nơron
có thể học để xấp xỉ các bài toán mà quan hệ vào ra là phi tuyến với nhiều
đầu vào và nhiều đầu ra đợc các chuyên gia trên thế giới đánh giá là có độ
chính xác cao, đợc ứng dụng trong rất nhiều loại bài toán dự báo.
Luận văn đã xem xét và nghiên cứu đợc các thuật tính nh xác định
các tham số đầu vào, các kiến trúc mạng, quá trình huấn luyện của mạng
ánh xạ đặc trng tự tổ chức kohonen và mạng nơron nhiều lớp lan truyền
ngợc sai số từ đó mô phỏng xác định các đầu vào, đa ra kiến trúc của mạng
và thực hiện huấn luyện mạng trên bộ dữ liệu thu thập đợc tại trung tâm điều
độ HTĐ Miền Bắc.
Đối với ánh xạ tự tổ chức kohonen đợc dùng để phân dạng kiểu ngày,
đây là yếu tố quan trọng nhất cho quá trình dự báo phụ tải tiếp theo. Đầu vào
của mạng là các dữ liệu phụ tải 24 giờ trong ngày. Qua quá trình huấn luyện
mạng đã nhận ra đợc các kiểu ngày đặc trng trong hệ thống, u điểm của
phơng pháp này là nó có thể nhận ra đợc một số dạng kiểu ngày mới hoặc
loại bỏ một số dạng kiểu ngày không bao giờ xuất hiện nữa mà các kỹ s điều
hành bằng kinh nghiệm của mình có thể không nhận ra hoặc nhận ra muộn.
Vì thế phân dạng kiểu ngày sẽ là một phơng tiện hỗ trợ cho các kỹ s điều
hành trong quá trình dự báo phụ tải và vận hành hệ thống.
Mạng nơron nhiều lớp lan truyền ngợc sai số qua quá trình huấn luyện
với tập mẫu vào là các giá trị phụ tải đỉnh hoặc phụ tải đáy và nhiệt độ cao
nhất hoặc thấp nhất của các ngày có cùng kiểu và gần nhất với ngày dự báo,
Footer Page 115 of 166.
Header Page 116 of 166.
115
đợc sử dụng để dự báo phụ tải đỉnh và phụ tải đáy theo nhiệt độ môi trờng,
từ đó xác định đợc các giá trị phụ tải 24 giờ trong ngày. Các thí nghiệm cho
thấy nếu nh mạng đợc huấn luyện tốt, các tham số đầu vào đợc lựa chọn
cẩn thận, dữ liệu huận luyện đầy đủ và sát ngày cần dự báo thì khả năng dự
báo đạt độ chính xác tơng đối cao với sai số nhỏ hơn 8%.
Ngoài những u điểm đặc biệt mạng nơron cũng có những nhợc điểm
nhất định. 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. Còn khả năng tổng quát hoá lại phụ thuộc rất nhiều vào
dữ liệu đầu vào. Nếu dữ liệu đầu vào quá nhiều thì có thể dẫn đến trình trạng
luyện mạng mất nhiều thời gian và khả năng tổng quát hoá kém, nếu ít dữ liệu
thì sai số sẽ tăng. Một vấn đề nữa thờng xảy ra đối với mạng nơron trong 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, 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.
Luận văn đợc thực hiện trong thời gian ngắn chắc chắn không tránh khỏi
những thiếu sót. Rất mong nhận đợc những ý kiến đóng góp của quý thầy cô
và những ngời quan tâm để luận văn đợc hoàn thiện tốt hơn.
Kiến nghị về nhứng nghiên cứu tiếp theo.
1. Phát triển mở rộng bài toán dự báo ngắn hạn theo nhiều loại thông
số khác nhau có ảnh hởng trực tiếp đến phụ tải nh nhiệt độ, độ
ẩm, tốc độ gió
2. Nghiên cứu ứng dụng mạng nơron nhân tạo để dự báo phụ tải dài
hạn (khoảng từ 1 20 năm) dựa vào mức tăng trởng GDP, tốc độ
phát triển công nghiệp
Footer Page 116 of 166.
Header Page 117 of 166.
116
Tài liệu tham khảo
Tài liệu tiếng việt
[1]
Tổng sơ đồ phát triển Điện lực Việt Nam giai đoạn 2001-2020 có
xét đến triển vọng đến năm 2020 (6/2000), Viện năng lợng.
[2]
Tài liệu báo cáo tổng kết hàng năm của Trung tâm Điều độ HTĐ
miền Bắc.
[3]
Nguyễn Đình Thúc (2000), Mạng nơron phơng pháp và ứng dụng,
Nhà xuất bản giáo dục.
[4]
Lơng Mạnh Bá, Nguyễn Thanh Thuỷ (2003), nhập môn xử lý ảnh
số, Nhà xuất bản khoa học và kỹ thuật.
[5]
Nguyễn Phùng Quang, Matlab & Simulink, Nhà xuất bản khoa học
và kỹ thuật.
[6]
Quách Tiến Dũng (2000), Dự báo phụ tải hệ thống điện Việt Nam
theo nhiệt độ môi trờng, Báo cáo khoa học Tổng công ty điện lực
Việt Nam.
[7]
Trịnh Khánh Ly (2004), Luận văn cao học, Trờng ĐHBK-HN.
[8]
Lê Quốc Định, Nguyễn Trọng Đức (2005), áp dụng kỹ thuật mạng
nơron trong tự động điều khiển hệ thống lái tàu.
Tài liệu tiếng anh
[9]
Robert L. Harvey (1996), Neural Network Principles, Prentice hall
Footer Page 117 of 166.
Header Page 118 of 166.
117
international, inc
[10]
David M. Skapura, Building Neural Networks, Addison-Wesley
Publishing Company
[11]
Howard Demuth, Mark Beale, Martin Hagan (March 2006), Neural
Network Toolbox
[12]
Vanaja Iyer, Chun Che Fung and Tamas Gedeon (1998), A FuzzyNeural Approach to Electricity Load and Spotprice
Forecasting in a Deregulated Electricity Market
[13]
Antti Laukkanen (2004), The use of special day information in
a demand forecasting model for Nordic power market,
http://www.sal.hut.fi
[14]
P.K. Dash, G. Ramakrishna, A.C. Liew, S. Rahman (1995),
Fuzzy neural networks for time-series forecasting of electric
load.
[15]
D.C.Sansom and T. K .Saha, Neural networks for forecasting
electricity pool price in a deregulated electricity supply industry.
Footer Page 118 of 166.