ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ
ĐINH NHẬT MINH XÂY DỰNG CÔNG CỤ HỖ TRỢ DỰ BÁO,
ĐÁNH GIÁ NHU CẦU PHỤ TẢI ĐIỆN THEO VÙNG

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN HÀ NỘI , 2013

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ ĐINH NHẬT MINH


1.1.1 Khái niệm 3
1.1.2 Phân loại 3
1.1.3 Vai trò của phụ tải điện 3
1.1.4 Biểu đồ phụ tải điện 3
1.1.5 Các yếu tố ảnh hƣởng đến phụ tải điện 4
1.2 BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN 5
1.2.1 Vai trò của dự báo phụ tải điện 5
1.2.2 Phân loại dự báo 6
1.2.3 Dự báo phụ tải điện trong thực tế 6
1.3 MỘT SỐ PHƢƠNG PHÁP DỰ BÁO PHỤ TẢI 7
1.3.1. Phƣơng pháp dự báo trung và dài hạn 7
1.3.2. Phƣơng pháp dự báo ngắn hạn 8
1.4 KẾT LUẬN CHƢƠNG I 9
CHƢƠNG II. GIẢI PHÁP DỰ BÁO PHỤ TẢI SỬ DỤNG MẠNG NƠRON NHÂN TẠO
VÀ GIẢI THUẬT DI TRUYỀN 10
2.1 YÊU CẦU ĐẶT RA CỦA BÀI TOÁN DỰ BÁO PHỤ TẢI 10
2.1.1 Đối tƣợng dự báo 10
2.1.2 Khu vực dự báo 10
2.1.3 Thời gian dự báo 10
2.1.4 Xác định tiêu chuẩn đánh giá dự báo 10
2.1.5 Các yếu tố ảnh hƣởng đến phụ tải điện 10
2.2 LÝ THUYẾT LIÊN QUAN 12
2.2.1 Mạng nơron nhân tạo 12
2.2.2 Giải thuật di truyền 15
2.2.3 Kết hợp giải thuật di truyền để tối ƣu bộ trọng số trong mạng nơron nhân tạo sử dụng thuật
toán lan truyền ngƣợc 18
2.3 MÔ HÌNH GIẢI PHÁP ĐỀ XUẤT 21
2.3.1 Cách tiếp cận 21
2.3.2 Mô hình áp dụng giải thuật di truyền để tối ƣu bộ trọng số của mạng nơron lan truyền ngƣợc
22

thuật toán lan truyền ngược 23
Hình 3.1. Kiến trúc tổng thể của hệ thống dự báo phụ tải 27
Hình 3.2: Mô hình use case tổng thể của hệ thống 28
Hình 3.3: Thiết kế cơ sở dữ liệu phần quản trị 29
Hình 3.4: Sơ đồ thiết kế cơ sở dữ liệu chương trình dự báo phụ tải 30
Hình 3.5: Tham số sử dụng để dự báo phụ tải giờ tới 32
Hình 3.6: Tham số dùng để dự báo phụ tải ngày tới 33
Hình 3.7: Các yếu tố ảnh hưởng đến dự báo phụ tải tháng tới 34
Hình 3.8: Giao diện chức năng nhập dữ liệu quá khứ 41
Hình 3.9: Giao diện chức năng quản lý phương án 42
Hình 3.10: Giao diện chức năng thêm mới phương án 42
Hình 3.11: Giao diện chức năng dự báo 43
Hình 3.12: Biểu đồ huấn luyện mạng với 3 phương án 48
Hình 3.13: Biểu đồ dự báo phụ tải năm 2009 51
Hình 3.14: Biểu đồ dự báo phụ tải tất cả các ngày từ 2009 đến 2011 51
Hình 3.15: Biểu đồ dự báo phụ tải của các ngày thứ 7 51
Hình 3.16: Biểu đồ dự báo phụ tải của các ngày chủ nhật 52
Hình 3.17: Biểu đồ dự báo phụ tải của các ngày lễ 52
Hình 3.18: Biểu đồ dự báo phụ tải 24h của ngày 01/04/2012 52

DANH MỤC CÁC BẢNG
Bảng 3.1: Ràng buộc dữ liệu đầu vào 38
Bảng 3.2: Kết quả thử nghiệm thuật toán lan truyền ngược 43
Bảng 3.3: Kết quả thử nghiệm với thuật toán di truyền 45
Bảng 3.4: Kết quả thử nghiệm kết hợp cả 2 phương án 47
Bảng 3.5: Thử nghiệm so sánh 3 phương pháp dự báo 47
Bảng 3.6: Kết quả huấn luyện hệ thống sau khi bổ sung thêm dữ liệu học 49
Bảng 3.7: Ảnh hưởng của nhiễu đến kết quả dự báo 50
Bảng 3.8: Tổng hợp kết quả đánh giá thử nghiệm mô hình 50


Trung tâm Điều độ Hệ thống điện Quốc Gia thuộc Tập đoàn Điện lực Việt Nam
được giao nhiệm vụ quản lý, điều hành hệ thống điện Việt Nam đảm bảo đầy đủ điện
phục vụ an ninh quốc gia, sinh hoạt, sản xuất cho nhân dân và các doanh nghiệp trên
toàn quốc. Với đặc thù nghành điện là sản xuất phải tiêu dùng ngay, phạm vi lưới điện
trải dài mọi vùng miền của Tổ quốc và gần 120 nhà máy điện đủ loại hình (thủy điện,
nhiệt điện than, nhiệt điện khí, dầu). Trung tâm Điều độ hệ thống điện Quốc Gia có
trách nhiệm vận hành hệ thống điện an toàn, hiệu quả và hướng tới thị trường phát
điện canh tranh theo thông tư 18/2010/TT-BCT của Bộ Công thương ban hành.
Để hoàn thành tốt nhiệm vụ được giao, Trung tâm Điều độ Hệ thống điện Quốc
Gia phải xây dựng kế hoạch vận hành hệ thống điện theo năm, tháng, tuần, ngày, giờ.
Muốn có được kế hoạch vận hành hệ thống điện tốt thì dự báo nhu cầu dùng điện (phụ
tải) của tất cả các vùng miền trên toàn quốc đóng vai trò quan trọng để tối ưu hóa việc
khai thác các nhà máy điện trên toàn quốc, trong đó đặc biệt nhất là nhà máy thủy
điện. Nhu cầu này đã được đặc tả rõ qua bài toán dự báo phụ tải hệ thống điện phục vụ
vận hành hệ thống điện và thị trường điện. Với nhu cầu đặt ra đó, dựa trên những kiến
thức thu được trong quá trình học Cao học tại trường Đại học Công nghệ, ĐHQGHN,
tôi đã lựa chọn đề tài luận văn tốt nghiệp “Xây dựng công cụ hỗ trợ dự báo, đánh giá
nhu cầu phụ tải điện theo vùng” để có thể vận dụng trực tiếp những kiến thức thu
được trong bài toán thực tiễn.
Dự báo phụ tải là bài toán phổ biến nhưng lại rất phức tạp, bởi tính diễn biến bất
thường của nó theo vùng, theo thời gian. Khi vận hành hệ thống điện, nếu dự đoán
trước được phụ tải điện cho giờ tới, ngày tới, tuần tới, tháng tới, thậm chí cho năm tới
thì việc vận hành toàn bộ hệ thống phát điện sẽ kinh tế hơn.
Các phương pháp dự báo nói chung đều được xây dựng dựa vào những dữ liệu
quan sát, thu thập thực tế được trong quá khứ và những hành vi, thói quen của người
dùng. Tuỳ thuộc vào nhu cầu dự báo điều độ, ngắn hạn, trung hạn hay dài hạn mà
chúng ta có thể xây dựng những phương pháp dự báo khác nhau. Trong khuôn khổ
luận văn này, tôi chỉ tập trung đến bài toán dự báo phụ tải ngắn hạn với lý do dự báo
phụ tải ngắn hạn cần ít tham số đầu vào hơn so với dự báo phụ tải dài hạn. Trong thời
gian ngắn hạn, các yếu tố ảnh hưởng đến phụ tải không thay đổi quá nhiều, do đó kết

cài đặt và thử nghiệm các chức năng dự báo của hệ thống.
Kết luận chung: Tổng hợp những đóng góp chính của luận văn và đề xuất một số
hướng phát triển mở rộng kế tiếp của luận văn.

3 CHƢƠNG I. TỔNG QUAN VỀ BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN
Trong phần này chúng ta tìm hiểu về phụ tải điện, các yếu tố ảnh hưởng đến
phụ tải điện. Từ đó phân tích được những yếu tố nào là quan trọng, quyết định đến phụ
tải trong thực tế. Kiến thức của chương này được tham khảo từ [1].
1.1 GIỚI THIỆU VỀ PHỤ TẢI ĐIỆN
1.1.1 Khái niệm
Là công suất điện tổng cộng tiêu thụ bởi tất cả các thiết bị dùng điện nối vào
các mạng lưới phân phối của hệ thống điện hoặc các thiết bị dùng điện (ví dụ như các
máy công nghiệp, máy phục vụ sản xuất hoặc các thiết bị sinh hoạt dân dụng như đèn,
bàn là, bếp điện,… ).
Phụ tải của một miền công suất điện tổng cộng tiêu thụ bởi tất cả các thiết bị
dùng điện nối vào các mạng lưới phân phối của hệ thống điện của miền đó.
1.1.2 Phân loại
Phụ tải điện được chia thành 2 nhóm như sau (chi tiết xem phụ lục 1):
- Nhóm phụ tải phi dân dụng: là phụ tải điện thuộc các thành phần phụ tải Công
Nghiệp - Xây dựng, Thương nghiệp - Khách sạn - Nhà hàng, Nông – Lâm - Thủy sản
và các hoạt động khác.
- Phụ tải dân dụng: là phụ tải điện thuộc thành phần phụ tải Sinh hoạt dân dụng.
1.1.3 Vai trò của phụ tải điện
Trong các cơ quan, xí nghiệp cũng như trong các hộ gia đình có rất nhiều loại
máy, thiết bị điện khác nhau, với nhiều công nghệ khác nhau, trình độ của người sử
dụng cũng rất khác nhau cùng với nhiều yếu tố khác dẫn tới sự tiêu thụ công suất của
các thiết bị không bao giờ bằng công suất định mức của chúng. Phụ tải điện là một

vùng miền. Phụ tải điện phụ thuộc vào rất nhiều yếu tố, mà điển hình là các yếu tố sau
đây:
- Yếu tố kinh tế: điều kiện kinh tế của vùng, miền ảnh hưởng rất lớn đến
nhu cầu sử dụng điện của vùng, miền đó. Cụ thể ở đây, tốc độ tăng trưởng kinh
tế có tác động lớn nhất. Tốc độ phát triển kinh tế của năm ảnh hưởng tới giá
điện, sức mua của dân, sự phát triển của nền công nghiệp - những đối tượng
tiêu thụ điện chủ yếu. Yếu tố kinh tế chủ yếu ảnh hưởng đến phụ tải dài hạn.
- Yếu tố dân số: Dân số trong vùng ảnh hưởng lớn đến phụ tải điện dài hạn
bởi vì đó là đối tượng sử dụng điện chủ yếu. Yếu tố kinh tế cũng chủ yếu ảnh
hưởng đến phụ tải dài hạn.
5

- Yếu tố khí hậu. Ở đây nhiệt độ đóng vai trò quyết định. Nhiệt độ ảnh
hưởng tới độ ẩm, tới nắng mưa, tới khả năng tiêu thụ điện của các khu dân cư,
khả năng tiêu thụ điện của các thiết bị điện.
- Yếu tố mùa vụ. Mùa vụ ở đây là mùa xuân, hạ, thu, đông (thời gian), mùa
nắng, mưa, bão, lũ. Các mùa này ảnh hưởng trực tiếp đến sức tiêu thụ điện của
khu dân cư. Ta có thể quy yếu tố mùa vụ về yếu tố thời gian.
- Yếu tố ngày lễ, tết. Yếu tố này ảnh hưởng đến sức tiêu thụ điện lớn. Với
ngày nghỉ cuối tuần thì sức tiêu thụ điện của khu dân cư giảm hẳn. Trong khi
đó ngày lễ, tết thì khu công nghiệp cũng giảm hẳn sức tiêu thụ điện.
- Yếu tố địa lý. Yếu tố tạo nên sự đặc trưng cho phụ tải ở từng vùng, miền.
Do yêu cầu thực tế cũng như do đặc trưng về khí hậu, kinh tế của mỗi vùng
miền là khác nhau nên ta sẽ xây dựng phương án dự báo phụ tải cho mỗi vùng
miền.
- Khả năng vận hành của các tổ máy. Trên thực tế, khi tiến hành dự báo
phụ tải thì ta có thêm yếu tố là khả năng vận hành của tổ máy. Mỗi tổ máy sẽ
có một bộ tham số ứng với Pmax - công suất lớn nhất và Pmin - công suất nhỏ
nhất.


hợp với những loại mô hình khác nhau. Do vậy, người ta phân chia thành các loại dự
báo khác nhau để nghiên cứu, xây dựng mô hình và tiến hành dự báo một cách phù
hợp. Sau đây là các loại dự báo:
- Dự báo điều độ: thời gian dự báo theo giờ hoặc vài phút. Sai số yêu cầu nhỏ
hơn 5%.
- Dự báo ngắn hạn: thời gian dự báo theo ngày hoặc vài ngày hoặc tháng. Sai số
cho phép của công tác dự báo ngắn hạn là 3÷5%.
- Dự báo trung hạn: thời gian dự báo theo năm và sẽ dự báo trong khoảng thời
gian 5÷7 năm. Sai số cho phép của công tác dự báo trung hạn là 5÷10%.
- Dự báo dài hạn: thời gian dự báo theo năm và sẽ dự báo trong khoảng thời
gian 10÷20 năm.
Yêu cầu chung mà tất cả các bài toán dự báo phụ tải cần phải giải quyết là làm
cách nào để có thể phân tích và sử dụng chuỗi dữ liệu có trong quá khứ để dự đoán
được giá trị tương lai.
1.2.3 Dự báo phụ tải điện trong thực tế
Trên thực tế có các loại dự báo phụ tải như sau:
1.3.1.1 Dự báo giờ tới
Loại dự báo này xác định nhu cầu phụ tải của các giờ. Thường thì, theo yêu cầu
lập lịch cho các nhà máy điện, ta cần dự báo phụ tải cho 3 giờ tới (3 giờ tiếp theo so
với giờ hiện tại) và đến thời điểm cuối mỗi giờ, ta cần dự báo lại cho giờ kế tiếp.
1.3.1.2 Dự báo ngày tới
Dự báo ngày tới cũng như dự báo giờ tới. Chỉ khác về mặt thời gian, ta sẽ dự
báo phụ tải cho ngày tiếp theo hoặc cho 7 ngày của tuần tới.
1.3.1.3 Dự báo tháng tới
7

Dự báo tháng tới cũng như dự báo ngày tới. Chỉ khác về mặt thời gian, ta sẽ dự
báo phụ tải cho cả tháng tiếp theo hoặc cho 12 tháng của năm tới.
1.3.1.4 Dự báo năm tới
Dự báo năm tới là ta dự báo cho đầy đủ 12 tháng của các năm tới.


Đánh giá: Mô hình này là lý tưởng nhất vì nó dựa vào nhu cầu thực tế, lại đòi
hỏi ít dữ liệu quá khứ hơn. Tuy nhiên mô hình này khó áp dụng bởi vì nó đòi hỏi một
bộ dữ liệu thống kê chính xác và khổng lồ về nhu cầu sử dụng điện hiện tại của các
nhóm đối tượng
1.3.1.2 Mô hình toán kinh tế
Phương pháp toán kinh tế kết hợp lý thuyết kinh tế với các kĩ thuật thống kê để
dự báo nhu cầu điện. Phương pháp này tính toán quan hệ giữa nhu cầu sử dụng điện
năng và các yếu tố ảnh hưởng đến tiêu thụ.
1.3.2. Phƣơng pháp dự báo ngắn hạn
1.3.2.1 Phương pháp ngày tương tự
Phương pháp này dựa trên bộ dữ liệu quá khứ của những ngày của 1, 2 hay 3
năm trước có đặc điểm tương tự ngày dự báo (thời gian, nhiệt độ, mùa vụ…).
Đánh giá: Mô hình này khá chính xác, tuy nhiên nó đòi hỏi bộ dữ liệu quá khứ
phải đầy đủ.
1.3.2.2 Phương pháp hồi quy
Phương pháp này nghiên cứu mối tương quan giữa các thành phần kinh tế, xã
hội nhằm phát hiện những quan hệ về mặt định lượng của các tham số dựa vào thống
kê toán học. Các mối tương quan đó giúp chúng ta xác dịnh được lượng điện năng tiêu
thụ.
Các kiến thức của phương pháp này được tham khảo tại [10]
1.3.2.3 Chuỗi thời gian
Phương pháp này dựa trên giả định là bộ dữ liệu có một số đặc điểm như tự
tương quan, xu hướng hay biến đổi theo mùa. Phương pháp chuỗi thời gian cũng cho
kết quả dự báo khá chính xác, nhất là dự báo điều độ (dự báo cho giờ tới).
Các kiến thức của phương pháp này được tham khảo tại [11]
1.3.2.4 Mạng nơron
Mạng nơron nhân tạo (ANN) là một mô hình mô phỏng xử lý thông tin, được
nghiên cứu ra từ hệ thống thần kinh của sinh vật, giống như bộ não để xử lý thông tin.
Nó bao gồm số lượng lớn các mối gắn kết cấp cao để xử lý các yếu tố làm việc trong

tạo với thuật toán lan truyền ngược và áp dụng giải thuật di truyền để tối ưu bộ trọng
số cho mạng.
10

CHƢƠNG II. GIẢI PHÁP DỰ BÁO PHỤ TẢI SỬ DỤNG MẠNG
NƠRON NHÂN TẠO VÀ GIẢI THUẬT DI TRUYỀN

2.1 YÊU CẦU ĐẶT RA CỦA BÀI TOÁN DỰ BÁO PHỤ TẢI
2.1.1 Đối tƣợng dự báo
Đối tượng dự báo ở đây chính là nhu cầu sử dụng điện của một vùng, miền thuộc
phạm vi lãnh thổ Việt Nam.
2.1.2 Khu vực dự báo
Khu vực dự báo được xem xét trên cơ sở vị trí địa lý cũng như đặc trưng của từng
vùng, miền. Từ đó, chúng ta có ba khu vực dự báo chính: Miền Bắc, Miền Trung và
miền Nam.
2.1.3 Thời gian dự báo
Dựa trên nhu cầu thực tế, ta cần dự báo phụ tải cho:
- Giờ tới: phụ tải của 1- 3 giờ tới.
- 24 giờ của ngày tới: phụ tải 24h của ngày tới hoặc của 24h của các ngày của
tuần tới.
- Ngày tới: phụ tải của 7 ngày của tuần tới.
- Tháng tới: phụ tải của 1-12 tháng tới.
2.1.4 Xác định tiêu chuẩn đánh giá dự báo
Một dự báo phụ tải được coi là chấp nhận được nếu như nó thỏa mãn 2 yếu tố:
- Sai số phần trăm trung bình 3-5%.
- Xu hướng thay đổi phụ tải phải tương đối chính xác: đồ thị phụ tải dự báo phải
khớp với đồ thị phụ tải thực tế.
2.1.5 Các yếu tố ảnh hƣởng đến phụ tải điện
Ta sẽ liệt kê và phân tích các yếu tố ảnh hưởng đến phụ tải cho từng loại thời
gian:

- Tháng trong năm: từ tháng 1 đến tháng 12 trong năm.
- Mùa vụ: mùa xuân, mùa hạ, mùa thu, mùa đông.
- Năm: năm của thời điểm hiện tại.
- Dải nhiệt độ: Tmin- nhiệt độ trung bình nhỏ nhất trong tháng, Tmax- nhiệt độ
trung bình cao nhất tháng.
- Dải công suất phát điện: Pmin-công suất nhỏ nhất trong tháng, Pmax- công suất
lớn nhất trong tháng.
Nhận thấy bài toán dự báo phụ tải có đặc điểm:
- Các yếu tố đầu vào có độ tương quan cao.
- Dữ liệu phụ tải trong quá khứ thu thập có thể là không đủ.
- Hệ thống mang tính phi tuyến cao: Phụ tải phụ thuộc biến động một cách phức
tạp vào rất nhiều yếu tố như khí hậu, kinh tế, thời gian,…
12

Mạng nơron nhân tạo là giải pháp phù hợp trong trường hợp này để dự báo nhu
cầu phụ tải trong tương lai dựa trên dữ liệu quá khứ. Bản chất của việc sử dụng mạng
nơron là nhớ và so sánh đặc điểm của đầu vào với dữ liệu quá khứ để cho ra kết quả.
Điều này giống với phương pháp ngày tương tự, ta so sánh đặc điểm của ngày (giờ,
tháng, năm) cần dự báo với ngày (giờ, tháng, năm) trong quá khứ có cùng điểm
tương đồng mà đã biết phụ tải. Mặt khác, phương thức hoạt động này dễ được người
dùng chấp nhận do nó gần với suy nghĩ và cách làm thực tiễn của số đông người.
2.2 LÝ THUYẾT LIÊN QUAN
2.2.1 Mạng nơron nhân tạo
2.2.1.1 Giới thiệu
Mạng nơron nhân tạo (Artifical Neural Network - ANN) là một mô hình mô
phỏng xử lý thông tin, được nghiên cứu ra từ hệ thống thần kinh của sinh vật, giống
như bộ não để xử lý thông tin. Nó bao gồm số lượng lớn các mối gắn kết cấp cao để
xử lý các yếu tố làm việc trong mối liên hệ giải quyết vấn đề rõ ràng. Nơron nhân tạo
giống như con người, được học bởi kinh nghiệm, lưu những kinh nghiệm hiểu biết và
sử dụng trong những tình huống phù hợp.


∑
θ
j

a
j

g(a
j
)
z
j

z
j
= g(a
j
)

13

- z
j
: đầu ra của nơron.

- g(x): hàm chuyển (hàm kích hoạt).
Hàm kích hoạt phải có các tính chất sau:
- Hàm bị chặn trên và chặn dưới.
- Hàm có tính đơn điệu.


Hình 2.2: Mạng nơron truyền thẳng 3 lớp
 Mạng hồi quy
Có chứa các liên kết ngược. Khác với mạng truyền thẳng, các thuộc tính động
của mạng mới quan trọng. Trong một số trường hợp, các giá trị kích hoạt của các đơn
vị trải qua quá trình nới lỏng (tăng/giảm số đơn vị và thay đổi các liên kết) cho đến
khi mạng đạt đến một trạng thái ổn định và các giá trị kích hoạt không thay đổi nữa.
Trong các ứng dụng khác mà cách chạy động tạo thành đầu ra của mạng thì những
sự thay đổi các giá trị kích hoạt là đáng quan tâm.

Hình 2.3:Mạng hồi quy 3 lớp
2.2.1.5 Hàm lỗi
Để huấn luyện một mạng và xét xem nó thực hiện tốt đến đâu, ta cần xây dựng
một hàm lỗi để cung cấp cách thức đánh giá khả năng hệ thống một cách không nhập
nhằng. Việc chọn hàm lỗi là rất quan trọng bởi vì hàm này thể hiện các mục tiêu thiết
kế và quyết định thuật toán huấn luyện nào có thể được áp dụng. Một vài hàm cơ bản
được sử dụng rất rộng rãi. Một trong số chúng là hàm tổng bình phương lỗi (sum of
squares error function):
15 Trong đó:
- p: số thứ tự mẫu trong tập huấn luyện, i: số thứ tự của đơn vị đầu ra…
- d
pi
và y
pi
: tương ứng là đầu ra mong muốn và đầu ra thực tế của mạng cho đơn
vị đầu ra thứ i trên mẫu thứ p.
2.2.2 Giải thuật di truyền

Mã hóa lời giải có nhiều phương pháp như mã hóa nhị phân, mã hóa số thực,
mã hóa đa giá trị, mã hóa cây… Tùy từng bài toán mà ta sử dụng phương pháp mã hóa
thích hợp.
 Phương pháp chọn lọc cha mẹ:
Phép chọn là quá trình loại bỏ các cá thể xấu trong quần thể để chỉ giữ lại trong
quần thể những cá thể tốt. Phép chọn có thể mô phỏng như sau:
- Bước 1: Sắp xếp các cá thể theo độ thích nghi giảm dần.
- Bước 2: Loại bỏ các cá thể ở cuối dãy, chỉ để giữ lại n cá thể tốt nhất (ở đây ta
giả sử quần thể có kích thước cố định n).
 Phương pháp lai tạo:
Phép lai là quá trình hình thành nhiễm sắc thể mới trên cơ sở các nhiễm sắc thể
cha mẹ, bằng cách ghép một hay nhiều đoạn gen của hai hay nhiều nhiễm sắc thể cha
mẹ với nhau. Phép lai xảy ra với xác suất p
c
, có thể mô phỏng như sau:
- Bước 1: Chọn ngẫu nhiên hai (hay nhiều) cá thể bất kỳ trong quần thể. Giả sử
các nhiễm sắc thể cha mẹ đều có m gen.
- Bước 2: Tạo một số ngẫu nhiên trong khoảng từ 1 đến m-1(điểm lai). Điểm lai
chia các chuỗi cha, mẹ lần lượt thành hai nhóm chuỗi con dài m
1
và m
2
. Hai
chuỗi nhiễm sắc thể con mới sẽ là m
11
+m
22
và m
21
+m

- Bước 2: Tạo một số ngẫu nhiên F trong khoảng từ 0 đến F
m
.
- Bước 3: Chọn cá thể thứ k đầu tiên thỏa mãn F
tk
≥ F và đưa vào quần thể thế hệ
mới.
Lặp lại các bước 2, 3 cho đến khi đủ số lượng cá thể mong muốn.
2.2.2.2 Cấu trúc giải thuật di truyền
Giải thuật di truyền bao gồm các bước sau:
Bước 1. Khởi tạo quần thể ban đầu của các chuỗi nhiễm sắc thể.
Bước 2. Xác định giá trị hàm mục tiêu cho mỗi một chuỗi nhiễm sắc thể.
Bước 3. Tạo các chuỗi nhiễm sắc thể mới bằng sinh sản từ các chuỗi nhiễm sắc
thể hiện tại, có tính đến ghép chéo và đột biến xảy ra (nếu có).
Bước 4. Xác định hàm mục tiêu cho các chuỗi nhiễm sắc thể mới và đưa nó
vào trong một quần thể mới.
Bước 5. Nếu điều kiện dừng đã thỏa mãn thì dừng lại và trả về chuỗi nhiễm sắc
thể tốt nhất cùng với giá trị hàm mục tiêu của nó, nếu không thì quay
về bước 3.
18 Hình 2.4: Cấu trúc giải thuật di truyền
2.2.3 Kết hợp giải thuật di truyền để tối ƣu bộ trọng số trong mạng nơron nhân
tạo sử dụng thuật toán lan truyền ngƣợc
2.2.3.1 Xây dựng hàm đánh giá độ thích nghi cá thể
Hàm giá này sẽ được sử dụng để tạo nên độ phù hợp của các cá thể và của cả
quần thể trong GA. Trong luận văn này, tôi vẫn sử dụng hàm sai số căn quân phương
RMSE của tập mẫu học.