TẠP CHÍ PHÁT TRIỂN KH&CN, TẬP 10, SỐ 11 - 2007
Trang 57
ỨNG DỤNG MẠNG NƠRON SONG TUYẾN
TRONG BÀI TỐN DỰ BÁO PHỤ TẢI ĐIỆN phần 2

Trần Thị Hồng Oanh
(1)
, Trần Hồng Lĩnh
(2)

Đồng Sĩ Thiên Châu
(1)
, Nguyễn Kỳ Tài
(2)
(1) Viện Nghiên cứu Phát triển Năng lượng
(2)

Trường Đại học Bách Khoa , ĐHQG-HCM
(Bài nhận ngày 26 tháng 03 năm 2007, hồn chỉnh sửa chữa ngày 29 tháng 10 năm 2007)
TĨM TẮT: Bài báo trình bày một hướng thực hiện xây dựng tập dữ liệu huấn luyện
mạng nơron cho bài tốn dự báo phụ tải ngắn hạn để tăng độ chính xác và giảm sai số dự
báo. Mạng nơron có cấu trúc là mạng song tuyến như trong [1]. Mục đích giảm sai số trong
trường hợp có những yếu tố làm ảnh hưởng đến kết quả dự báo như: yếu t
ố ngày, yếu tố thời
tiết…Số liệu dùng trong bài báo là số liệu thực tế của hệ thống điện Tp.Hồ Chí Minh.
1.GIỚI THIỆU
Xây dựng tập dữ liệu đầu vào là một phần quan trọng trong bài tốn huấn luyện mạng
nơron nhằm mang lại kết quả có độ chính xác cao. Trong bài báo này trình bày một hướng
thực hiện xây dựng tập dữ liệu huấn luyện mạng nơron cho bài tốn d
ự báo phụ tải ngắn hạn
hệ thống điện thành phố Hồ Chí Minh để đạt được kết quả dự báo chính xác và giảm sai số dự

j
jkikij
N
i
N
j
jkikij
N
i
N
j
jkikij
N
i
iki
N
i
ikik
yugCyycC
uudCybCuaCCy
00
5
00
4
00
3
0
2
0
101

N
i
i
b
1=
,
{}
c
N
i
ij
c
1=
,
{}
d
N
ji
ij
d
1,1 ==
,
{
}
g
N
ji
ij
g
1,1 ==

ccddba
N
i
N
j
jkikij
N
i
N
j
jkikij
N
i
N
j
jkikij
N
i
iki
N
i
ikik
yugyycuudybuay
00000000
1
ˆˆˆˆˆ
(2)

Trong phương trình (2), nếu các hệ số
0

i
ikik
yycybuuduay
000000
1
ˆˆˆˆ
(3)
Khi cho các hệ số
0,0,0
=
==
ijijij
gdc , thì (3) trở thành mô hình đơn tuyến:

∑∑
=
−
=
−+
+=
ba
N
i
iki
N
i
ikik
ybuay
00
1

quá trình tích lũy kinh nghiệm – giống như ng
ười công nhân được huấn luyện công việc. Mặt
TẠP CHÍ PHÁT TRIỂN KH&CN, TẬP 10, SỐ 11 - 2007
Trang 59
khác việc học này khơng giống như q trình tư duy của nhà khoa học, kết quả nhận được từ
mạng nơron khơng phải là kết quả của sự tư duy. Trong q trình học nếu có tư duy giúp cho
việc học nhanh chóng và kết quả tốt hơn.
Việc phân tích dữ liệu trước khi đưa vào huấn luyện chính là bước tư duy xây dựng
phương pháp học sao cho việc huấn luyện đạt kết quả tốt nh
ất, giúp cho q trình học được
nhanh chóng chính xác, loại bỏ những nhiễu có thể làm cho q trình học kéo dài.
Ví dụ về việc sử dụng năng lượng điện: Việc sử dụng điện hàng ngày ảnh hưởng bởi nhiều
yếu tố hay nói cách khác có nhiều yếu tố làm cho thay đổi việc tiêu thụ điện năng của các phụ
tải.
Ở những nước nhiệt đới như nước ta, khi th
ời tiết thay đổi nhiệt độ tăng lên, nhu cầu sử
dụng điện tăng, đây là vấn đề tất yếu do nhu cầu sử dụng làm mát, nhu cầu này khơng chỉ có
trong dân dụng mà cả trong cơng nghiệp, các thiết bị điện cần phải tăng cường làm mát. Việc
tăng nhiệt độ lên 1
0
C so với nhiệt độ trung bình thì mức độ ảnh hưởng của việc tăng nhiệt độ
này đến việc thay đổi mức tiêu thụ điện năng thế nào? Phụ tải sẽ tăng thế nào? Hoặc khi nhiệt
độ tăng lên 2-3
0
C so với nhiệt độ trung bình thì phụ tải sẽ tăng như thế nào? Chắc chắn có một
vấn đề là phụ tải tiêu thụ điện sẽ khơng tăng tuyến tính, nhưng sự thay đổi khơng tuyến tính
này được thể hiện như thế nào? Cách lập bài tốn để các thành phần khơng tuyến tính này ra
sao? Đây cũng là vấn đề khơng dễ giải quyết.
Ngay trong việc thay đổi nhiệt độ mơi trường, q trình tăng gi
ảm nhanh hay chậm của

phương theo phương trình (1) cho phép vừa xét đến yếu tố phi tuyến của số liệu đầu vào vừa
xét đến mối ảnh hưởng lẫn nhau của các dữ liệu vừa làm tăng cường tính hiện diện của dữ liệu.
Science & Technology Development, Vol 10, No.11 - 2007

Trang 60
Mục tiêu của bài tốn dự báo là dự báo được chính xác yếu tố cần dự báo, còn các yếu tố
khác trong q trình giải bài tốn có thể cũng được xác định, nhưng ở đây khơng cần quan tâm
đến các thành phần ngồi thơng số cần dự báo. Ví dụ như bài tốn dự báo phụ tải, trong dự báo
phụ tải có yếu tố nhiệt độ, tuy nhiên kết quả cần các yếu tố liên quan khơng phân tích định
lượng mà chỉ đưa vào làm các thành phần và mạng nơ
ron qua q trình tự học đưa ra được
thơng số thể hiện mối ảnh hưởng đó, thơng số này là thơng số nội bộ trong mạng, khơng cần
thiết thể hiện ra do các thơng số này khơng có nhu cầu sử dụng.
Để tăng độ chính xác cho bài tốn dự báo, các thơng số dự báo cần có giá trị ngang nhau
để trong tính tốn các thơng số có sai số tương đương.
Các thơng số cơng suất phụ tải có tính chất là chuỗi dữ liệu tuần tự theo thời gian nên khi
áp d
ụng dữ liệu này vào dự báo phụ tải sử dụng thuật tốn nơron tồn phương thì phương trình
(1) được mơ tả cụ thể là:

∑∑∑∑
==
−−−
=
−
=
−+
+++=
gg
ba

Hình 1a: Đồ thị biểu diễn điện năng tiêu thụ hàng ngày từ 1/5/2005 đến 28/9/2005 CN CN CN CN CN CN CN CN CN CN CN CN CN CN CN CN CN
22
24
26
28
30
32
34
ngày

thường khác do ngày trước là ngày chủ nhật – ngày nghỉ, như trên các hình 3, 4 và 5 các
đường chấm chấm biểu diễn đồ thị phụ tải ngày thứ hai, các đường liền nét biểu diễn đồ thị
phụ tải ngày thứ ba, khoả
ng thời gian từ 1 giờ sáng đến trước 7 giờ sáng các ngày thứ hai phụ
tải thường thấp hơn các giờ tương ứng trong ngày thứ ba.
-
Vào các ngày giữa tuần, mức tiêu thụ thường là cao nhất, nhất là vào các ngày thứ tư,
thứ năm hàng tuần và điện năng tiêu thụ thường giảm thấp vào các ngày cuối tuần và đầu tuần.
ngày
Đ
iện năng tổng(MWh)
CN
5/2 CN
12/2

CN
19/2

CN
26/2

CN
5/3


25
27
29
31
33
35
Science & Technology Development, Vol 10, No.11 - 2007

Trang 62
0 4 8 12 16 20 24
700
800
900
1000
1100
1200
1300
1400
1500
1600
giôø
coâng suaát (MW)

thöù 2
thöù 3
0 4 8 12 16 20 24
800
900
1000
1100

Hình 5: Đồ thị phụ tải ngày thứ hai (10/10/2005)
và thứ ba (11/10/2005)
- Mức tiêu thụ điện năng ngày thứ bảy thấp hơn các ngày làm việc nhưng cao hơn mức
tiêu thụ ngày chủ nhật. Cuối ngày thứ sáu, phụ tải tiêu thụ cũng giảm thấp do là ngày cuối
tuần. Như trên các đồ thị hình 6, 7, 8 và 9 các đường chấm là đồ thị phụ tải ngày thứ năm.
Đường liền nét là đồ thị phụ tải ngày thứ sáu. So sánh các đồ thị này thấy rằng: khoảng th
ời
gian từ sau 12 giờ trưa các ngày thứ sáu phụ tải giảm thấp hơn cùng thời điểm của ngày thứ
năm trước đó.
-
Cũng theo như trên đồ thị khảo sát, ngày lễ như ngày 2/9 có mức độ tiêu thụ điện năng
thấp hơn các ngày khác.
0 4 8 12 16 20 24
800
900
1000
1100
1200
1300
1400
1500
1600
1700
giôø
coâng suaát (MW)

thöù 2
thöù 3
0 4 8 12 16 20 24
800

sáu (8/9/2005)

Trong khoảng thời gian từ thứ 4 (1/5/2005) đến thứ 4 (28/9/2005), ngày thứ 6 là ngày làm
việc cuối tuần mức tiêu thụ điện năng cũng giảm thấp. Ngược lại trong khoảng thời gian từ
10/2/2006 đến 30/5/2006 (theo hình 1.b) mức tiêu thụ điện năng ngày thứ 6 thường cao hơn
các ngày khác.
Từ khảo sát này nhận thấy rằng yếu tố thứ tự ngày trong tuần có ảnh hưởng đến phụ tải
tiêu thụ
. Trong những nghiên cứu về bài tốn dự báo phụ tải trước đây, các nhà khoa học đã
đưa các yếu tố ngày vào ma trận dữ liệu theo hình thức: đánh dấu phân biệt dữ liệu theo ngày.
Theo [5] R. Lamedica đã thực hiện xây dựng ma trận huấn luyện với các thơng số về thứ tự
ngày trong tuần được mơ tả dưới dạng bit nhị phân ở 3 đầu vào. Cũng có nhà khoa học khác
đưa các thơng tin ngày dưới dạng từng đầu vào,
ứng với 5 ngày làm việc cần có 5 đầu vào,
ngày nào hiện diện dữ liệu đó bằng 1 còn khơng tương ứng thì dữ liệu đó bằng 0. Với các cách
xây dựng dữ liệu như trên tập dữ liệu có kích thước tăng lên do phải thêm vào các yếu tố ngày.
4.2.Khảo sát yếu tố thời tiết
0 4 8 12 16 20 24
800
900
1000
1100
1200
1300
1400
1500
1600
giờ
công suất (MW)


iờ
công suất (MW)

thứ 5
thứ 6
0 4 8 12 16 20 24
800
900
1000
1100
1200
1300
1400
1500
1600
g
iờ
công suất (MW) thứ 5
thứ 6
Science & Technology Development, Vol 10, No.11 - 2007

Trang 64
Yếu tố thời tiết bao gồm nhiệt độ, độ ẩm và sức gió, ngồi ra còn có thể kể đến các yếu tố
khác như mưa, nắng, bão… Các thơng số thời tiết này có hai loại: các thơng số về thời tiết
những ngày đã qua và các thơng số dự báo. Các đài khí tượng thủy văn đo đạc các thơng số
thời tiết hàng ngày và lưu trữ các thơng số này, ngồi ra các đài khí tượng thủy văn còn đưa ra
dự báo các thơng sHình 10.a
Hình 10.b
Hình 10.c
CN CN CN CN CN CN CN CN CN CN CN CN CN CN CN CN CN

Nhiệt độ
26
28
30
Độ ẩm(%)
0 7
14 21 28 35 42 49 56 63 70 77 84 91 98 105 112115
50
60
70
80
90
n
g
à
y
n
g
à
y
n

đưa vào tập dữ liệu huấn luyện ở dạng thơng số d
ữ liệu tồn phương.
Yếu tố ngày có ảnh hưởng đến kết quả dự báo do đó tập dữ liệu huấn luyện mạng nơron
cần được xây dựng thích hợp với việc tích hợp các thành phần của yếu tố ngày mà khơng làm
tăng kích thước tập huấn luyện. Điều này cũng là một yếu tố khơng làm tăng tính chính xác do
các sai số trong tập huấn luyện mẫu, vấn
đề này đã bàn trong bài báo trước.
Do tập dữ liệu được xây dựng dưới dạng tồn phương nên các yếu tố ngày được tích hợp
là một thành phần trong các thơng số tồn phương mà khơng phải tăng kích thước của mạng.
Yếu tố ngày được đưa vào tập huấn luyện dưới dạng tích hợp với các thơng số có sẵn trong tập
dữ liệu: Thành phần tương ứng về dữ liệu phụ tải củ
a cùng thời điểm dự báo nhưng của các
tuần trước là một thành phần trong tích hợp tồn phương.
Cụ thể trong khảo sát này để dự báo dữ liệu phụ tải giờ thứ g, ngày thứ n, trong tuần thứ t
Với g = 1÷24 tương ứng với 24 giờ trong ngày.
n=1÷5 tương ứng với 5 ngày làm việc trong tuần từ thứ hai đến thứ sáu.
t là tuần có dữ liệu dự báo cho gi
ờ g của ngày n
Dữ liệu tích hợp được chọn là các dữ liệu vào giờ g của ngày n trong các tuần trước của
tuần có dữ liệu cần dự báo, ở đây chọn các số liệu trong hai tuần trước đó là tuần thứ t-1 và t-2,
như vậy để dự báo cho thời điểm giờ g thì các thơng số dùng để tích hợp được chọn các giờ
tương ứng là các giờ:
g1=g-24x7
g2=g-2x24x7
Với x là dữ liệu đầu vào khi đó tập dữ liệu tích hợp là: x.x
g1
+x.x
g2

Khi áp dụng cách tích hợp này kích thước tập dữ liệu đầu vào khơng tăng nhiều như vậy

3 1.51 1.05 1.29 1.26 1.05 1.15 1.86 1.04 0.78 0.80
4 1.59 1.42 1.59 1.42 1.01 0.81 0.52 0.52 0.54 0.39

28/2 1/3 2/3 3/3 6/3 7/3 8/3 9/3 10/3 13/3
1 2.88 1.41 1.31 1.99 2.38 1.56 1.78 1.10 1.38 1.59
2 2.94 1.31 0.77 1.65 2.26 1.43 1.60 1.00 0.97 1.42
3 1.26 1.14 1.38 1.36 1.02 0.60 1.15 0.87 0.89 1.08
4 1.28 0.61 0.55 0.85 0.59 0.64 0.72 0.80 0.52 0.60
5.2.Ảnh hưởng của thành phần song tuyến thời tiết – nhiệt độ - đến kết quả dự báo
Trong phần này đưa ra kết quả khảo sát khi có sự tham gia vào tập huấn luyện thành phần
song tuyến về nhiệt độ tức là thành phần T
2
(bình phương nhiệt độ), khảo sát được thực hiện
với các số liệu trong các ngày làm việc từ ngày 14/3/2006 đến 10/4/2006.
Các khảo sát gồm:
1.
Bài toán khảo sát khi không xét tới thành phần nhiệt độ
2.
Bài toán khảo sát khi xét tới thành phần bình phương nhiệt độ
3.
Bài toán khảo sát khi xét tới thành phần nhiệt độ và bình phương nhiệt độ
Bảng 2 trình bày kết quả khảo sát khi đưa các tham số nhiệt độ và bình phương nhiệt độ
vào tập huấn luyện mạng nơron, phần lớn các kết quả nhận được có độ chính xác cao hơn so
với các khảo sát khi không có các thành phần nhiệt độ.Trong một số trường hợp tập huấn
luyện chỉ thêm vào thành phần bình phương nhiệt
độ cho kết quả tốt nhất như các ngày 14, 17,
18/4. Trong một số trường hợp khác khi thêm vào tập huấn luyện chỉ một thành phần nhiệt độ
(T) thì kết quả nhận được tốt hơn các trường hợp khác như các ngày 27/4, 5/5…
TAẽP CH PHAT TRIEN KH&CN, TAP 10, SO 11 - 2007
Trang 67

1 1.78 2.10 1.05 1.24 0.56 0.85 0.86 1.50 1.72 1.66
2 0.78 1.67 0.99 1.09 0.32 0.43 0.52 0.74 1.20 1.81
3 0.84 1.43 0.77 1.04 0.32 0.52 0.49 1.08 1.13 1.58
4 1.06 1.56 0.69 0.82 0.29 0.45 0.54 1.22 1.18 1.56
5.3.nh hng ca thnh phn m n kt qu d bỏo
Trong mc ny a ra cỏc kt qu kho sỏt mng cú thờm vo cỏc thnh phn liờn quan
n m. Thụng s m c ly t s liu khớ tng, m c tớnh theo giỏ tr %,
thụng s c a vo tp d liu hun luyn mng l m trung bỡnh trong ngy.
Bng 3 l kt qu kho sỏt c thc hin vi cỏc s liu trong cỏc ngy lm vic t ngy
14/3/2006 n 10/4/2006. Trong kho sỏt ny
a thnh phn m (H) vo tp hun luyn,
kho sỏt c thc hin theo hai tp hun luyn khỏc nhau: tp hun luyn 1 ch thờm vo
thnh phn m H, tp hun luyn 2 thờm vo thnh phn m H v thnh phn tớch hp
gia nhit v m cú dng T x H
-1
.
Trong bng 3 c kho sỏt vi mng nron hiu chnh:
Hng 1: kho sỏt khi khụng xột ti thnh phn m.
Science & Technology Development, Vol 10, No.11 - 2007

Trang 68
Hàng 2: khảo sát có xét tới thành phần độ ẩm (H).
Hàng 3: khảo sát có xét tới thành phần độ ẩm (H) và thành phần tích hợp nhiệt độ và độ ẩm
Tx H
-1
.
Theo các kết quả trên bảng 3 thành phần độ ẩm tham gia vào tập huấn luyện không cải
thiện được độ chính xác. Như vậy trong tập huấn luyện không cần đưa vào thành phần độ ẩm.
Bảng 3: Tổng bình phương sai số dự báo tính theo % trong ngày từ 14/3/2006 đến 10/5/2006,
Khảo sát ảnh hưởng của thành phần độ ẩm


28/2 1/3 2/3 3/3 6/3 7/3 8/3 9/3 10/3 13/3
1 1.39 0.63 0.43 0.61 0.58 0.57 0.43 0.63 0.39 0.67
TAẽP CH PHAT TRIEN KH&CN, TAP 10, SO 11 - 2007
Trang 69
2 1.58 1.36 0.64 1.10 0.57 0.57 0.58 0.79 0.50 0.73

14/3 15/3 16/3 17/3 20/3 21/3 22/3 23/3 24/3 27/3
1 0.73 0.41 0.35 0.58 0.58 1.12 1.22 0.58 0.71 1.56
2 0.56 0.38 0.45 0.58 0.76 1.25 0.97 0.46 0.59 1.29

38/3 29/3 30/3 31/3 3/4 4/4 5/4 6/4 7/4 10/4
1 1.21 0.57 0.45 0.42 0.77 0.31 0.22 0.35 0.41 0.77
2 1.32 0.44 0.44 0.43 1.12 0.33 0.27 0.45 0.62 0.71

11/4 12/4 13/4 14/4 17/4 18/4 19/4 20/4 21/4 24/4
1 0.71 0.74 0.86 0.68 0.73 0.65 0.50 0.58 1.00 0.97
2 0.68 0.60 0.70 0.68 1.01 0.70 0.46 0.69 1.04 0.91

25/4 26/4 27/4 28/4 3/5 4/5 5/5 8/5 9/5 10/5
1 0.88 1.48 0.56 0.64 0.31 0.35 0.41 0.53 0.89 1.28
2 1.06 1.56 0.69 0.82 0.29 0.45 0.54 1.22 1.18 1.56
Di õy l mt s kt qu kho sỏt:
Bng 5: Sai s % d bỏo tớnh theo mng cha hiu chnh trong 10 ngy lm vic t ngy
28/3/2006 n 10/4/2006

Ngy
Gi 28/3 29/3 30/3 31/3 3/4 4/4 5/4 6/4 7/4 10/4
1 -3.95 -6.59 -4.87 -3.95 7.51 1.61 0.31 -1.25 0.20 -0.47
2 -3.06 -5.71 -2.61 -5.14 7.59 2.73 0.78 -2.01 0.84 -0.79

17 -1.74 -1.43 -1.60 -1.33 4.28 1.74 -0.28 -0.66 1.26 0.79
18 0.33 -0.12 -1.77 -0.39 5.99 4.83 2.09 0.06
-
0.13 -0.66
19 -3.12 -3.50 -1.18 0.30 2.44 2.18 0.75 2.39
-
1.68 -1.44
20 -3.13 -4.17 -0.98 -0.06 1.99 0.59 0.67 0.50
-
1.04 -1.32
21 -4.19 -3.21 -2.83 -1.35 2.63 0.36 0.44 0.60
-
1.72 -1.85
22 -4.42 -2.06 -1.58 0.45 3.51 0.36 0.67 -0.28
-
1.68 -2.28
23 -5.02 -2.40 -2.01 -2.54 4.11 1.50 -0.30 -0.68
-
2.05 -3.51
24 -4.50 -3.15 -2.43 -1.46 6.73 0.60 0.80 1.56
-
0.21 -0.74
Bảng 6: Sai số % dự báo đã qua hiệu chỉnh tính trong 10 ngày làm việc từ ngày 28/3/2006 đến
10/4/2006

Ngày
Giờ 28/3 29/3 30/3 31/3 3/4 4/4 5/4 6/4 7/4 10/4
1 -2.00 -2.87 -1.29 -0.96 3.92 -0.52 -0.07 -0.82 -0.33 -0.26
2 -0.21 -1.71 0.46 -1.18 0.77 0.51 0.14 -0.67 0.19 -0.35
3 0.56 -0.64 -1.41 -0.03 0.97 0.21 -0.19 -1.28 0.28 -0.30

-
0.47 0.18 -0.21 -0.57 0.12 0.45
18 1.94 1.00 -0.23 0.55 0.67 1.02 0.76 -0.16 -0.40 -0.66
19 -1.84 -1.03 0.02 0.41 0.13 0.12 -0.27 0.88 -0.76 -1.03
20 -0.57 -1.08 -0.01 0.80 0.29 -0.23 -0.05 -0.44 -0.35 -0.93
21 -1.47 -0.17 -0.76 -0.08 0.53 -0.02 -0.26 0.04 -0.67 -1.29
22 -1.30 0.17 0.05 0.74 0.48 0.02 0.10 -0.37 -0.87 -1.39
23 -1.76 -0.22 -0.34 -0.58 0.38 0.38 -0.37 -0.37 -0.76 -2.34
24 -1.00 -0.68 -0.43 0.23 1.02 -0.13 0.33 0.68 0.11 -0.29

T cỏc s liu trờn bng 5 v 6 xõy dng c cỏc th so sỏnh sai s d bỏo hỡnh 11 v
12


Sai s (%)
0 24 48 72 96 120
0
1
2
3
4
5
6
7
8
9
10
Gi

Sai s
(
%
)

Science & Technology Development, Vol 10, No.11 - 2007

Trang 72
Hình 12: Đồ thị sai số dự báo từng giờ trong các ngày làm việc từ 4/3/2006 đến 10/4/2006

Trên hình 11, 12, đường nét liền là sai số dự báo sử dụng thuật toán mạng nơron chưa có
hiệu chỉnh, đường nét đứt là sai số dự báo sử dụng thuật toán mạng nơron đã có hiệu chỉnh,
nhận thấy khi sử dụng thuật toán hiệu chỉnh sai số giảm xuống.
6.NHẬN XÉT KẾT QUẢ

weather factor… The practicability of the proposed approach has been confirmed through a
comprehensive study based on the data provided by HCMC Electricity Company.
TÀI LIỆU THAM KHẢO
[1]. Trần Thị Hoàng Oanh, Trần Hoàng Lĩnh, Đồng Sĩ Thiên Châu, Nguyễn Kỳ Tài, Ứng
dụng mạng nơron song tuyến trong bài toán dự báo phụ tải, Tạp chí Phát triển Khoa
học và Công nghệ, Tập10, số 04, trang 15-26, (2007)
[2].
Da-Zheng Feng, Wei Xing Zheng, Fast RLS-Type Algorithm for Unbiased Equation-
Error Adaptive IIR Filtering Based on Approximate Inverse – Power Iteration, IEEE
Transactions on Signal Processing, Vol. 53, No. 11, pp. 4169-4184, (2005).
TAẽP CH PHAT TRIEN KH&CN, TAP 10, SO 11 - 2007
Trang 73
[3]. Enzo Mumolo, Alberto Carini, A Stability Condition for Adaptive Recursive Second-
Order Polynominal Filters, Signal Processing 54, pp. 85-90, (1996).
[4].
Gianluigi Rech, Forecasting with artificial neural network models, No.49, January
(2002).
[5].
A.S. AlFuhaid, M.A. El-Sayed, M. S. Mahmoud, Cascaded Artificial Neural
Networks For Short-Term Load Forecasting, IEEE Transactions on Power Systems,
Vol.12, No.4, November, pp 1524, (1997).
[6].
R. Lamedica, A. Prudenzi M. Sforna M. Caciotta, V.Orsdini Cencellli, A Neural
Network Based Technique For Short-Term Forecasting Of Anomalous Load
Perioids, IEEE Transactions on Power Systems, Vol. 11, No. 4, November, pp 1749,
(1996).
[7].
T. W.S. Chow, C.T. Long, Neural Network based short-term Load Forecasting
Using Weather Compensation, IEEE Transactions on Power Systems, Vol. 11, No. 4,
November, pp 1736, (1996).