Chương VI: So sánh với một số kết quả đã có và đánh giá kết quả

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.