BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

LUẬN VĂN THẠC SĨ KHOA HỌC ỨNG DỤNG MẠNG NƠRON NHÂN TẠO DỰ BÁO PHỤ TẢI
NGẮN HẠN HỆ THỐNG ĐIỆN MIỀN BẮC NGÀNH: CÔNG NGHỆ THÔNG TIN
MÃ SỐ:

CHU NGHĨA Người hướng dẫn khoa học: PGS.TS. NGUYỄN ĐỨC NGHĨA

HÀ NỘI 2007 1


3.2.1. Cấu trúc mạng 44
3.2.2. Huấn luyện mạng 45
3.2.3. Sử dụng mạng 47
3.3. Xây dựng mạng Kohonen để phân loại ngày 48
3.3.1. Thiết kế cấu trúc mạng 48
3.3.2. Huấn luyện mạng 49
3.3.3. Xây dựng cấu trúc phần mềm mô phỏng mạng Kohonen phân loại ngày.
52
3.3.4. Kết quả sử dụng mạng Kohonen phân loại ngày 52
3.3.5. Phân tích kết quả phân loại ngày trong tháng 2/2006, tháng 5/2006 54
CHƯƠNG iV 58 2

ứNG DụNG MạNG NƠRON NHIềU LớP LAN TRUYềN NGƯợC SAI Số Dự
BáO PHụ TảI Ngắn hạn THEO NHIệT Độ MÔI TRƯờNG 58
4.1 Các khái niệm cơ bản về mạng nơron nhiều lớp lan truyền ngợc sai số (Back
propagation neural network) 58
4.1.1 Kiến trúc mạng truyền thẳng. 59
4.1.2. Huấn luyện mạng 60
4.1.3. Sử dụng mạng 64
4.1.4. Nghiên cứu sự hội tụ và độ phức tạp của quá trình huấn luyện mạng. 64
4.1.5. Một số vấn đề về mạng nơron nhiều lớp 67
4.2. ứng dụng mạng nơron nhiều lớp lan truyền ngợc sai số xây dựng bài toán dự
báo phụ tải hệ thống điện 68
4.2.1. Các bớc xây dựng bài toán dự báo phụ tải 68
4.2.2. Xây dựng cấu trúc phần mềm mô phỏng mạng nơron lan truyền ngợc sai
số ứng dụng trong bài toán dự báo đỉnh và đáy đồ thị phụ tải 72
4.2.3 Dự báo phụ tải cho 24 giờ trong ngày 85

3

Danh môc c¸c tõ viÕt t¾t

ANN M¹ng n¬ron nh©n t¹o
DBPT Dù b¸o phô t¶i
HT§ HÖ thèng ®iÖn
HT§1 Trung t©m §iÒu ®é HÖ thèng ®iÖn miÒn B¾c
MSE Trung b×nh tæng b×nh ph−¬ng sai sè
SSE Tæng b×nh ph−¬ng sai sè
CNTT C«ng nghÖ th«ng tin
§TPT §å thÞ phô t¶i
4

Mở đầu
Trong những năm gần đây, do nhu cầu năng lợng không ngừng biến
đổi và tăng lên rõ rệt theo thời gian nên ngành Điện lực đã và đang xây dựng
rất nhiều các nhà máy điện để đáp ứng nhu cầu tiêu thụ điện năng trong cả

hạn.
Chơng II Tổng quan về mạng nơron nhân tạo: Trình bày các khái
niệm cơ bản về mạng nơron nhân tạo: cơ sở lý thuyết và mô hình mạng.
Chơng III
ứng dụng mạng nơron ánh xạ đặc trng tự tổ chức
Kohonen trong bài toán phân loại ngày: Trình bày các khái niệm cơ bản về
mạng nơron ánh xạ đặc trng tự tổ chức Kohonen, đề xuất cấu trúc mạng để
giải quyết bài toán, xây dựng cấu trúc phần mềm và phân tích đánh giá kết
quả đạt đợc.
Chơng IV
ứng dụng mạng nơron nhiều lớp lan truyền ngợc sai
số trong bài toán dự báo phụ tải theo nhiệt độ môi trờng: Trình bày các
khái niệm cơ bản về mạng nơron nhiều lớp lan truyền ngợc sai số, đa ra các
bớc xây dựng bài toán, đề xuất cấu trúc mạng, xây dựng cấu trúc phần mềm,
đánh giá kết quả và so sánh với một số phơng pháp đã có.
Chơng V - Hệ thống phần mềm dự báo phụ tải ngắn hạn cho Hệ
thống điện miền Bắc: Giới thiệu về cơ sở dữ liêụ, đặc tả các chức năng của
hệ thống và hớng dẫn sử dụng phần mềm.
Chơng VI - So sánh với một số kết quả đã có và đánh giá kết quả:
So sánh phơng pháp dự báo phụ tải ngắn hạn của Hệ thống điện miền Bắc sử
dụng mạng nơron nhân tạo với một số phơng pháp dự báo truyền thống.
Đánh giá kết quả đạt đợc và khả năng ứng dụng của phần mềm.
Phụ lục I Phần mềm mô phỏng mạng Kohonen trong bài toán phân
loại kiểu ngày. 6

Phụ lục II Phần mềm mô phỏng mạng nơron lan truyền ngợc sai số
ứng dụng trong bài toán dự báo đỉnh và đáy đồ thị phụ tải.

CHƯƠNG I
PHụ TảI Hệ THốNG ĐIệN MIềN BắC và bài toán dự báo
Chơng này đề cập đến các vấn đề sau:
Giới thiệu chung về HTĐ miền Bắc
Tầm quan trọng của dự báo phụ tải
Những yếu tố ảnh hởng đến phụ tải ngắn hạn
Mục tiêu và phạm vi nghiên cứu dự báo phụ tải
Đặc điểm đồ thị phụ tải HTĐ miền Bắc
Dự báo phụ tải ngắn hạn cho 24h tiếp theo
1.1. Phụ tải Hệ thống điện miền Bắc
1.1.1. Giới thiệu chung về HTĐ miền Bắc
Ranh giới của Hệ thống điện miền Bắc đợc tính từ Hà tĩnh trở ra, là
một vùng có vị trí địa lý tơng đối phức tạp, trải dài và nằm sát bờ biển, có
nhiều đồi núi, có nhiều vùng khí hậu khác nhau, kinh tế các khu vực trên toàn
miền Bắc phát triển không đồng đều dẫn đến công suất phụ tải ở các khu vực
có sự chênh lệch lớn. Phụ tải chủ yếu tập trung ở vùng đồng bằng, các thành
phố lớn có công nghiệp phát triển. Tại những vùng này phụ tải cao điểm và
thấp điểm chênh lệch nhau không lớn lắm P
min
/P
max
khoảng 0.7 do phụ tải
công nghiệp tại các khu vực này phát triển. Đối với những vùng miền núi hoặc
sản xuất nông nghiệp, công nghiệp không phát triển thì P
min
/P
max
khoảng 0.3
do phụ tải vào cao điểm chủ yếu là phụ tải sinh hoạt, điều nay gây khó khăn
rất lớn trong vận hành kinh tế hệ thống điện. Vào thấp điểm của hệ thống ta


Hình 1.1. Biểu đồ các thành phần cấu thành nên phụ tải
Côn
g
n
g
hiệ
p
và xâ
y

dựng 45.20%
Thơn
g
n
g
hiệ
p
&
KSNH 4.49%
Quản l
ý
& Tiêu dùn
g

dân c 44.59%

Nôn
g
n

hành kinh tế hệ thống điện cũng nh cải tạo, thiết kế hệ thống cung cấp điện,
giảm thiểu đợc tổn thất công suất và điện năng. Đặc biệt việc dự báo phụ tải
cao điểm chính xác mang lại lợi ích và hiệu suất sử dụng năng lợng cho
khách hàng, tránh trình trạng thiếu công suất giờ cao điểm.
Do đó phụ tải cao điểm và thấp điểm chính là hai giá trị đặc biệt trên đồ
thị phụ tải ngày và là mối quan tâm hàng đầu của ngời lập quy hoạch và thiết
kế hệ thống điện. Khi phụ tải thấp thì tỉ lệ tổn thất tăng do tổn hao không tải. 10

1.1.2 Tầm quan trọng của dự báo phụ tải
Nh chúng ta biết tháng 5/2005 sản lợng điện tiêu thụ đột biến trong
khi đó nguồn tài nguyên nớc tại thời điểm đó bị thiếu hụt dẫn đến ảnh hởng
lớn đến nền kinh tế Việt Nam. Vì vậy dự báo phụ tải điện đóng vai trò hết sức
quan trọng đối với việc quy hoạch, đầu t, phát triển nguồn điện và vận hành
hệ thống điện. Nhu cầu tiêu thụ điện năng phụ thuộc vào khả năng phát triển
của nền kinh tế quốc dân. nếu dự báo phụ tải quá thấp so với nhu cầu thực tế
thì dẫn đến kết quả nguồn dự phòng thấp, không đáp ứng đầy đủ nhu cầu điện
cho sản xuất công nghiệp và tiêu dùng, còn nếu dự báo phụ tải quá cao sẽ phải
huy động các nguồn đắt tiền gây lãng phí cho nền kinh tế nớc nhà.
Dự báo phụ tải dài hạn (khoảng 10-20 năm) nhằm mục đích cung cấp
dữ liệu cho công tác quy hoạch và đầu t phát triển HTĐ. Còn dự báo phụ tải
ngắn hạn (trong vòng 30 ngày) có nhiệm vụ đảm bảo vận hành hệ thống điện
an toàn và kinh tế. Đối với dự báo dài hạn có tính chất chiến lợc thì chỉ nêu
lên những phơng hớng phát triển chủ yếu mà không yêu cầu xác định chỉ
tiêu cụ thể.
Các chức năng quan trọng trong kế hoạch vận hành HTĐ nh phân phối
nguồn một cách kinh tế, hiệu quả, lên kế hoạch bảo dỡng và sửa chữa,
thờng đợc thực hiện nhờ việc dự báo phụ tải, vì vậy dự báo phụ tải đóng vai

nguồn điện khác huy động chỉ nhằm mục đích an toàn, bù điện áp và phủ
đỉnh. Nếu sai số dự báo phụ tải lúc cao điểm giảm 2%, Điều độ Quốc Gia
(ĐĐQG) có thể tiết kiệm đợc khoảng 80 MW nguồn tuabin khí chạy dầu đắt
tiền chạy phủ đỉnh lúc cao điểm, góp phần đáng kể vào việc tăng hiệu quả vận
hành HTĐ và tiết kiệm đợc hàng trăm triệu đồng trên mỗi giờ cho ngành
điện nói riêng và cho cả nền kinh tế Quốc dân nói chung.
Hạn chế phụ tải lúc cao điểm cũng thờng xảy ra trong mùa lũ khi thiếu
nguồn phủ đỉnh. Tính chính xác đợc lợng công suất thiếu để chủ động cắt
phụ tải những khu vực không quan trọng, tránh cắt thừa hoặc cắt thiếu, tránh
sa thải phụ tải do bảo vệ tần số thấp tác động cũng có ý nghĩa lớn trong vận
hành, giảm thiệt hại do cắt điện.
1.1.3. Những yếu tố ảnh hởng đến phụ tải ngắn hạn
Để tìm ra đợc phơng pháp dự báo tối u đối với bài toán dự báo phụ
tải ngày của HTĐ miền Bắc với sai số nhỏ, ta cần xác định đợc các yếu tố
ảnh hởng đến phụ tải ngày, ví dụ: thứ của các ngày trong tuần, ngày lễ, các 12

Hình 1.2. Đồ thị phụ tải các ngày đặc trng trong tuần
Đ
ồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500

13

Ngày đặc biệt trong năm nh các ngày lễ tết, 30/4, 1/5, 2/9 phụ tải các
ngày này giảm đáng kể so với ngày thờng. Phụ tải các ngày sát với các ngày
này cũng bị ảnh hởng, ta có thể thấy rõ điều đó trên đồ thị phụ tải HTĐ miền
Bắc ngày lễ 1/5/2006 và ngày làm việc bình thờng 3/5/2006. Dự báo phụ tải
trong các ngày đặc biệt không đợc áp dụng nh ngày thông thờng mà phải
tách biệt bằng phơng pháp riêng dựa vào sự thay đổi phụ tải của các ngày
này so với các ngày dạng này của các năm trớc đó.

3. Thời tiết trong ngày.
Bao gồm các thông số tự nhiên: nhiệt độ, độ ẩm, tốc độ gió, cờng độ
sáng, trong đó nhiệt độ có ảnh hởng lớn nhất, nhiệt độ tăng thì phụ tải tăng
và ngợc lại vì nớc ta là nớc nhiệt đới. Chỉ có trờng hợp đặc biệt ở miền
Bắc khi nhiệt độ quá lạnh, phụ tải tăng do sử dụng các thiết bị sởi ấm. Đ
ồ thị phụ tải
0
500

hình trực tiếp Worldcup 2006 trớc đó để dự báo. Đ
ồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0123456789101112131415161718192021222324
Giờ
Công suất
ờm khụng cú WC
ờm cú WC
Hình 1.5. Đồ thị phụ tải HTĐ miền Bắc có truyền hình trực
tiếp Worldcup 2006 và ngày bình thờng.
Đ
ồ thị phụ tải
0
500

Nghiên cứu áp dụng kỹ thuật mạng nơron để dự báo phụ tải cao điểm
(P
max
), thấp điểm đêm (P
min
) và phụ tải ngày (24 giờ) của HTĐ miền Bắc theo
dữ liệu phụ tải quá khứ, nhiệt độ môi trờng và một số các yếu tố ảnh hởng
khác.
Phạm vi nghiên cứu.
Dự báo luôn giữ vai trò quan trọng trong nhiều lĩnh vực, quyết định kế
hoạch sản xuất, hớng đầu t phát triển trong tơng lai do đó có rất nhiều các
mô hình toán học áp dụng cho dự báo. Cũng nh các dự báo khác, dự báo phụ
tải ngày cũng phải dựa vào dữ liệu thống kê, phân tích và áp dụng thuật toán
để xác định mối quan hệ giữa phụ tải và các yếu tố ảnh hởng, từ đó dự báo
phụ tải dựa trên các yếu tố ảnh hởng đó. 16

Trớc đây, các mô hình toán học truyền thống hay đợc áp dụng cho dự
báo nh: hồi qui tuyến tính (linear regression), san bằng hàm mũ (exponential
smoothing), san trung bình (moving averages), hệ số ngẫu nhiên (stochatic)
Gần đây, với sự phát triển của việc nghiên cứu một số thuật toán dựa trên trí
tuệ của con ngời (artificial intelligence), mạng nơron nhân tạo (artificial
neural networks) đã đợc áp dụng trong dự báo và đợc đánh giá cao. Đây là
mô hình phi tuyến với nhiều u điểm và đang đợc áp dụng rộng rãi. Mạng
nơron nhân tạo đợc xây dựng trên cơ sở mô phỏng hoạt động của hệ thống
nơron thần kinh sinh học do đó mạng nơron nhân tạo có một số đặc điểm nh
bộ não con ngời, đó là khả năng học đợc những gì đã đợc dạy. Quá trình
học này đợc gọi là quá trình huấn luyện. Trong quá trình này các mẫu thể

& xây dựng
Nông lâm
nghiệp
Thơng
nghiệp
Khác
2003 45,32% 44,2% 1,41% 4,52% 4,55%
2005 44,59% 45,2% 1,4% 4,49% 4,32%
2006 44,31% 45,91 1,42 4,38 3,98

Đồ thị phụ tải ngày của HTĐ miền Bắc đợc xây dựng theo giá trị phụ tải
24h trong ngày. Trên hình 1.6 là đồ thị hai ngày làm việc bình thờng vào
mùa đông và mùa hè. Đồ thị phụ tải biến đổi theo từng giờ, phụ tải cao nhất
trong ngày (P
max
) lớn hơn rất nhiều so với phụ tải thấp nhất trong ngày (P
min
).
Cao điểm tra thờng xảy ra 10h-11h, cao điểm chiều thờng xảy ra 18h-19h.
Thấp điểm thờng xảy ra vào ban đêm trong khoảng 3h-4h vào mùa hè, 2h-3h
vào mùa đông. Đồ thị của những ngày mùa hè thờng đồng đều hơn mùa
đông, chứng tỏ sản lợng điện sinh hoạt tiêu thụ rất lớn so với các ngành khác.
18


max
, thì có thể huy động và điều chỉnh
nguồn hợp lý, dẫn đến vận hành hệ thống an toàn, hiệu quả và kinh tế hơn.
Đ
ồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
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
Công suất
14/12/2005
11/07/2006
Hình 1.6. ĐTPT hai ngày làm việc vào mùa đông và mùa hè19

1.2.2. Dự báo phụ tải ngắn hạn cho 24h tiếp theo
Dự báo phụ tải lới điện cho 24h tiếp theo nhằm đa ra các giá trị phụ
tải dự báo theo từng giờ của ngày tiếp theo sát với thực tế vận hành, trong đó
giảm sai số là vấn đề mang tính chiến lợc trong quá trình dự báo.
Trong quá trình phân tích, so sánh đồ thị phụ tải của miền Bắc và các
miền khác trong một thời gian dài cho thấy kiểu đồ thị phụ tải ngày chủ yếu bị
ảnh hởng bởi thói quen tổ chức sinh hoạt, cách phân công sắp xếp công việc


-
Gọi giá trị phụ tải đỉnh là P
max
-
Gọi giá trị phụ tải đáy là P
min
- Gọi giá trị phụ tải giờ thứ i là P(i) với i=1ữ24 ứng với 24h trong ngày
Ta cần đa ĐTPT trên về dạng ĐTPT ngày chuẩn, muốn vậy ta phải
quy chuẩn hoá phụ tải của từng giờ theo công thức sau:
P
n
(i)=
mi
n
ma
x
min)(
PP
PiP


(1.1)
P

n
(i) là phụ tải đợc quy chuẩn hoá của giờ thứ i.
Đ
ồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
Giờ
Công suất
Hình 1.7. ĐTPT hai ngày điển hình (CN,T2) của Cty điện lực I 21

Đ
ồ thị phụ tải
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7

và phụ tải thấp điểm. Đây cũng chính là mục tiêu quan trọng hàng đầu trong
bài toán dự báo phụ tải điện. Tính kinh tế, hiệu quả, phơng thức vận hành,
cũng nh hớng đầu t phát triển trong tơng lai của HTĐ phụ thuộc rất lớn
vào việc dự báo và độ chính xác của việc dự báo hai giá trị này. Có nhiều
phơng pháp có thể áp dụng để dự báo P
max
và P
min.
nh dự báo theo phơng
pháp ngoại suy theo thời gian, phơng pháp hồi quy tuyến tính Trong luận
văn này chúng ta chỉ nghiên cứu phơng pháp DBPT sử dụng mạng nơron
nhân tạo.
Sau khi đã xác định đợc hai giá trị quan trọng nhất P
max
và P
min
trên
ĐTPT thì các giá trị phụ tải khác trong ngày sẽ đợc xác định theo mối quan
hệ của chúng. Vậy nếu biết đợc dạng đồ thị phụ tải quy chuẩn, tức là các giá 22

trị P
n
(i), xác định đợc P
max
và P
min
trong ngày ta sẽ tính đợc phụ tải của từng

Tóm lại cũng nh các dự báo khác, dự báo phụ tải ngày phải dựa vào số
liệu thống kê, phân tích và áp dụng các thuật toán để xác định mối quan hệ
giữa phụ tải và các yếu tố ảnh hởng, từ đó xây dựng phơng pháp dự báo phụ
tải ngày dựa trên các yếu tố ảnh hởng đã đợc nêu.
Phần tiếp theo, ta sẽ nghiên cứu phơng pháp giải quyết bài toán dự báo
phụ tải thông qua việc sử dụng các loại mạng nơron nhân tạo. Việc phân tích
đặc điểm riêng, yêu cầu và mục đích từng bài toán sẽ là cơ sở để chọn loại
mạng nơron nhân tạo thích hợp vào việc giải quyết từng bài toán.

23

CHƯƠNG II
Tổng quan Về MạNG NƠRON NHÂN TạO
Mạng nơron nhân tạo là một lĩnh vực đợc đề xuất và nghiên cứu vào
cuối thập kỷ 1800 khi ngời ta cố gắng mô tả hoạt động của trí tuệ con ngời.
ý tởng này bắt đầu đợc áp dụng cho các mô hình tính toán từ mạng
Perceptron và đến nay đã có nhiều ứng dụng trong thực tế, đặc biệt là trong
lĩnh vực dự báo, nhận dạng, điều khiển Ví dụ, mạng nơron nhân tạo có thể
sử dụng để nhận dạng ký tự thông qua khả năng học từ kinh nghiệm hoặc từ
tập mẫu, trong khi các phơng pháp truyền thống phải tiêu tốn nhiều thời gian
cho việc làm mảnh ký tự, khả năng nhận dạng sẽ không cao khi chất lợng
quét của scanner tồi hoặc bản thân ký tự đợc lấy từ văn bản mờ hoặc có
nhiều nét đứt. Cách tiếp cận mạng nơron nhân tạo có ý nghĩa thực tiễn rất lớn
cho phép tạo ra các thiết bị có thể kết hợp khả năng song song cao của bộ não
với tốc độ tính toán cao của máy tính.
2.1. Lịch sử phát triển của mạng nơron nhân tạo
Trí tuệ nhân tạo (Artificial Intelligence) hay tạo cho máy móc khả năng

Perceptron chỉ có thể phân loại hoàn hảo một tập dữ liệu mà các lớp khác
nhau là (linearly separable) trong không gian đầu vào. Nó thờng thất bại
hoàn toàn đối với dữ liệu không chia tách đợc. Sự phát triển của thuật toán
này ban đầu đã tạo ra một số hứng khởi, phần vì mối quan hệ của nó đối với
các cơ chế sinh học. Sau này, phát hiện về điểm yếu này đã làm cho các mô
hình Perceptron bị bỏ mặc cho đến khi các mô hình phi tuyến đợc đa ra.
Cognitron (1975) là một mạng nơron đa tầng thời kỳ đầu với một thuật
toán huấn luyện. Các chiến lợc thần kinh khác nhau sẽ khác nhau về cấu trúc
thực sự của mạng và các phơng pháp thiết lập trọng số cho các kết nối. Mỗi
dạng có các u điểm và nhợc điểm riêng. Mạng có thể lan truyền thông tin
chỉ theo một hớng, hoặc thông tin có thể đợc đẩy đi đẩy lại cho đến khi tại
một nút xuất hiện sự tự kích hoạt và mạng sẽ dừng tại một trạng thái kết thúc.