BỘ CÔNG THƯƠNG
TẬP ĐOÀN ĐIỆN LỰC VIỆT NAM
VIỆN NĂNG LƯỢNG
__________________________________________________________
BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP BỘ
MÃ SỐ: I- 145 NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON
NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN
PHỤ TẢI ĐIỆN
(GIAI ĐOẠN 2)
Chủ nhiệm đề tài:
Trần Kỳ Phúc
7178
17/3/2009
Hà Nội, 12-2008
BỘ CÔNG THƯƠNG
TẬP ĐOÀN ĐIỆN LỰC VIỆT NAM
VIỆN NĂNG LƯỢNG
iiiii
MỤC LỤC
Trang
Mở đầu
ii
Chương 1 Dự báo đỉnh và đáy biểu đồ phụ tải ngày dùng mạng neuron
nhiều lớp MLP
1.1
1.1. Giới thiệu
1.1
1.2. Thuật toán chung dự báo biểu đồ phụ tải ngày
1.1
1.3. Dự báo đỉnh biểu đồ phụ tải ngày trên cơ sở mạng MLP
1.4
1.4. Tóm lược
1.15
Chương 2. Dự báo biểu đồ phụ tải ngày dùng phương pháp đỉnh-đáy-dạng
2.1
2.1. Giới thiệu
4.2
4.3. Kết quả và phân tích
4.8
4.4. Tóm lược chương 4
4.23
Kết luận
a
Tài liệu tham khảo
b
Phụ lục
ivM U
Dự báo phụ tải điện với độ chính xác cao là một trong những nhiệm vụ vô
cùng quan trọng trong quy hoạch và vận hành hệ thống điện. Dự báo phụ tải điện có
thể chia làm 3 nhóm: dự báo ngắn hạn (một giờ đến một tuần), dự báo trung hạn (từ
hơn một tuần đến một năm) và dự báo dài hạn (trên một năm). Nếu nh dự báo trung
hạn và dài hạn đợc quan tâm nghiên cứu khá nhiều ở nớc ta (chủ yếu để phục vụ
quy hoạch hệ thống điện) thì dự báo ngắn hạn mặc dù đóng vai trò cực quan trọng
vi
CHƯƠNG 1
DỰ BÁO ĐỈNH BIỂU ĐỒ PHỤ TẢI NGÀY
DÙNG MẠNG NEURON NHIỀU LỚP MLP
1.1 Giới thiệu
Dự báo đỉnh và đáy biểu đồ phụ tải ngày (tức giá trị công suất phụ tải cao nhất
và thấp nhất trong ngày) có vai trò đặc biệt quan trọng trong điều độ hệ thống điện.
Ngoài ra, dự báo đỉnh và đáy biểu đồ phụ tải còn là giai đoạn
đầu của phương pháp
dự báo biểu đồ phụ tải ngày dùng phương pháp kết hợp dự báo đỉnh, đáy và dạng biểu
đồ phụ tải. Đối với phương pháp này sai số dự báo đỉnh và đáy cùng với sai số dự báo
dạng biểu đồ sẽ ảnh hưởng đến sai số cuối cùng khi dự báo cả biểu đồ phụ tải ngày.
Chương này giới thiệu phương pháp, dữ li
ệu và kết quả dự báo đỉnh và đáy
biểu đồ phụ tải ngày khu vực Hà Nội trên cơ sở mạng neuron nhân tạo nhiều lớp huấn
luyện bằng thuật toán lan truyền ngược sai số MLP.
1.2. Thuật toán chung dự báo biểu đồ phụ tải ngày
Với một số giản ước dựa trên nhu cầu thực tiễn cũng như xem xét lý thuyết, dự
báo biểu đồ phụ tải ngày có thể xem là bài toán xác định đường cong phụ tải biểu diễn
sự phụ thuộc của công suất phụ tải của hệ thống nào đó vào thời gian trong ngày,
đường cong này thường xây dựng cho 24 giờ trong ngày (hoặc có khi từng nửa giờ
một). Biểu đồ phụ tả
i tuần và ngày đặc trưng cho khu vực Hà Nội được biểu diễn trên
hình 1.1
0
- Dự báo đồng thời phụ tải 24 giờ ngày dự báo (thường dùng MNN 24 đầu ra)
[2]
- Dự báo 24 lầ
n từng giờ của ngày dự báo (dùng MNN 1 đầu ra) [2]
Nghiên cứu này sử dụng cách tiếp cận đầu tiên vì tính đơn giản và hiệu quả
của mô hình. Toàn bộ thuật toán dự báo sẽ dựa trên đại lượng x
d
- là vector đặc trưng
cho ngày d
{ }
SkdTjdLidd
nkCnjTniL ,1;;,1,;,1,
,,,
====x
với L
d,i
, i=1..n
L
là phụ tải điện tại thời điểm i của ngày d, thông thường n
L
=24
T
d,j
, j=1,n
T
là thông số thời tiết j của ngày d; T có thể là nhiệt độ, độ ẩm,...
C
d,k
, k=1,n
chính là biểu đồ phụ tải ngày d chuẩn hoá theo đỉnh và đáy phụ tải
(hoặc gọi là dạng đường cong biểu đồ phụ tải) theo công thức
L
dd
did
n
ni
LL
LL
L
id
,1,
minmax
min
,
,
=
−
−
=
(1.1)
với maxL
d
và minL
d
là giá trị phụ tải lớn nhất và nhỏ nhất của ngày d tương ứng,
{ }
Lidd
niLL
,1,maxmax
Lddiddid
niLLnLLL ,1),min(max.min
^
,
^^
,
=−+=
(1.2)
Thuật toán này phát triển trên cơ sở đề xuất trong [3] và khác với [3] tại 2
điểm: a) vector đặc trưng ngày x
d
không chỉ có các thành phần phụ tải như trong [3]
mà còn bao gồm cả các thành phần thời tiết và lịch sinh hoạt, sản xuất – là các thành
phần ảnh hưởng đến biểu đồ phụ tải; b) phần dự báo dạng biểu đồ phụ tải ngày không
dựa đơn thuần trên 4 nhóm ngày phân loại cố định từ trước (Chủ nhật, thứ Bảy, thứ
Ba- thứ Năm, thứ Sáu) mà trên cơ sở các nhóm ngày được phân lo
ại chi tiết hơn có
tính đến yếu tố thời tiết và lịch sinh hoạt-sản xuất, tận dụng thông tin về khoảng cách
giữa vector trọng số của neuron đặc trưng cho nhóm và vector đầu vào của mạng
Kohonen (xem chương 4).
Đỉnh và đáy biểu đồ phụ tải sẽ được dự báo dùng 2 MNN nhiều lớp truyền
thẳng một đầu ra. Biểu đồ phụ tải chuẩn hoá sẽ được dự
báo dùng mạng ánh xạ tự tổ
chức Kohonen (xem sơ đồ trên hình 1.2).
Hình 1.2. Sơ đồ cấu trúc mô hình dự báo BĐPT ngày
L,T,C
MLP
dự báo
d-k
- phụ tải đỉnh
k ngày trước ngày dự báo, k=1,2,..; maxT
d-k
, minT
d-k
- nhiệt độ cao nhất và thấp nhất k
ngày trước ngày dự báo; maxT
d
, minT
d
- nhiệt độ cao nhất và thấp nhất ngày dự báo;
maxT
d
-maxT
d-1
- chênh lệch nhiệt độ cao nhất giữa ngày dự báo và ngày trước đó;
H
d
, RF
d
, SH
d
- độ ẩm, lượng mưa và số giờ nắng ngày dự báo.Bảng 1.1. Hệ số tương quan giữa
maxL
d
d
minT
d-1
minT
d-7
maxT
d
-maxT
d-1
0,456 0,450
0,402
0,434 0,428
0,400 0,026
Liên quan đến đầu vào nhiệt độ, phân tích hàm quan hệ giữa phụ tải điện và
nhiệt độ khu vực Hà Nội (xem hình 1.3) cho thấy hiện nay hàm này có dạng bậc
thang, khác với dạng chữ U như đối với nhiều nước nêu trong [5]. Hai điểm chuyển
đổi (gãy khúc) tương ứng với ngưỡng nhiệt độ sưởi ấm và ngưỡng nhiệt độ làm mát
tương ứng là T
Cmin
= 17,5
0
C và T
Cmax
= 25
0
C, có khác chút ít với nhiều nước
1
Do đó, có thể thay thế đầu vào nhiệt độ T bằng hàm chuyển đổi f(T) sau :
⎪
⎩
⎪
⎨
⎧
≤−
<<
≥−
=
00
00
00
5,17..,5,17
255,17..,0
25..,25
)(
TifT
Tif
TifT
Tf
(1.3)
Thông tin về ngày trong tuần sẽ được mã hoá bằng một trong hai cách, sử
dụng 3 hoặc 7 neuron đầu vào như nêu tại bảng 1.2.
Bảng 1.2. Mã hoá ngày trong tuần
Số neuron Chủ nhật Thứ Hai Thứ Ba Thứ Tư Thứ Năm Thứ Sáu
Thứ Bảy
3 001 010 011 100 101 110 111
60
Tmax, oC
Pmax Tmax
Hình 1.4. Biến thiên đỉnh biểu đồ phụ tải và nhiệt độ cao nhất ngày trong năm khu vực Hà Nội
Tóm lại, trên cơ sở phân tích tương quan giữa các thông số phụ tải, thời tiết, ...
thiết kế MNN dùng dự báo đỉnh biểu đồ phụ tải ngày với các đầu vào và đầu ra như
sau:
Bảng 3. Đầu vào và đầu ra của MNN dự báo đỉnh biểu đồ phụ tải ngày
Thông số Neuron Ký hiệu
Phụ tải Neuron no. 1... 2
maxL
d-1
,
maxL
d-7
Thời tiết Neuron no. 3....8
maxT
d
,
maxT
d-1
,maxT
d-7
,minT
d
,minT
d-1
,minT
Mạng cơ sở trên sẽ được thêm, bớt hoặc thay đổi các đầu vào (như hàm nhiệt
độ thay cho nhiệt độ, mã hoá ngày trong tuần dùng 1 neuron hoặc 3 neuron, ...) với
xii
mục đích so sánh hiệu quả dự báo và tìm ra cấu trúc mạng phù hợp nhất đối với hệ
thống điện Hà Nội.
Lựa chọn số neuron lớp ẩn. Nhằm giảm ảnh hưởng của hiện tượng quá khớp
và thừa thông số, số neuron lớp ẩn và số chu kỳ huấn luyện mạng sẽ được xác định
thông qua quá trình kiểm định. Số neuron lớp
ẩn khởi đầu xác định theo công thức
kinh nghiệm nêu trong [7]:
)(5 NoNi
NS
Nh
+
≈
(1.4)
với Nh, NS, Ni và No tương ứng là số neuron lớp ẩn, số mẫu huấn luyện, số neuron
đầu vào và số neuron đầu ra của mạng. Tăng, giảm số neuron lớp ẩn xung quanh giá
trị ban đầu, thông qua huấn luyện mạng có kiểm định, xác định số neuron lớp ẩn
tương ứng với trường hợp sai số đối với tập kiểm định là nhỏ nhất. Ứng với tr
ường
hợp này cũng xác định số chu kỳ huấn luyện mạng.
Kiểm định và lựa chọn số chu kỳ huấn luyện mạng
Để khắc phục hiện tượng quá khớp và thừa tham số, có thể sử dụng phương
pháp điều tiết hoặc kiểm định. Kết hợp công thức kinh nghiệm (1.4) và thuật toán
i.Mạng không có đầu vào về nhiệt độ, ký hiệu MLP-(2L+7DT+3S)x10x1-20e.
Mạng có tất cả 12 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 7
đầu vào mã hoá ngày trong tuần và 3 đầu vào mã hoá mùa trong năm; số neuron lớp
ẩn là 10; số chu kỳ huấn luyện là 20.
ii.Mạng không có đầu vào về nhiệt độ
ngày dự báo nhưng có thông tin đầu vào về
nhiệt độ các ngày quá khứ, ký hiệu MLP-(2L+4f(T)+7DT+3S)x7x1-16e. Mạng có tất
cả 16 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 4 đầu vào là
hàm chuyển đổi nhiệt độ cao nhất và thấp nhất quá khứ, 7 đầu vào mã hoá ngày trong
tuần và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 7; số chu kỳ huấn luyện
là 16.
iii.Mạng không có đầu vào về mùa trong năm, ký hiệu MLP-
(2L+6f(T)+7DT)x7x1-16e. Mạ
ng có tất cả 15 đầu vào, trong đó 2 đầu vào nhận thông
tin về phụ tải quá khứ, 6 đầu vào là hàm chuyển đổi nhiệt độ cao nhất và thấp nhất
quá khứ cũng như ngày dự báo và 7 đầu vào mã hoá ngày trong tuần; số neuron lớp
ẩn là 7; số chu kỳ huấn luyện là 28.
iv.Mạng có 3 bit mã hoá ngày trong tuần, ký hiệu MLP-(2L+6f(T)+3DT+3S)x7x1-
15e. Mạng có tất cả 14 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ,
6 đầu vào là hàm chuyể
n đổi nhiệt độ cao nhất và thấp nhất quá khứ cũng như của
xiv
ngày dự báo, 3 đầu vào mã hoá ngày trong tuần và 3 đầu vào mã hoá mùa trong năm;
số neuron lớp ẩn là 7; số chu kỳ huấn luyện là 15.
v. Mạng có 7 bit mã hoá ngày trong tuần, ký hiệu MLP-
(2L+6f(T)+7DT+3S)x6x1-21e. Mạng đầy đủ nhất trong số xem xét, có tất cả 18 đầu
vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 6 đầu vào là hàm chuyển
đổi nhiệt độ cao nhất và thấp nhất quá khứ cũng như của ngày dự báo, 7 đầu vào mã
hoá ngày trong tuần và 3 đầu vào mã hoá mùa trong n
Ngày
4.38 Mạng mùa+ngày 7bit+NoT(i)
MLP-(11+7)x6x1-21e-f(T) 2.62 Mạng mùa+ngày 7 bit+f(T)
MLP-(11+7-3)x7x1-28e-f(T) 2.97 Mạng không mùa+ngày+f(T)
MLP-(11+7-6T)x10x1-20e 2.95 Mạng mùa+ngày 7bit+NoT
MLP-11x10x1-16e-T
Tuần
2.93 Mạng mùa+T+10 neuron lớp ẩn
xv
Mạng
Kỳ dự
báo
Average
Ghi chú
MLP-11x10x1-16e-f(T) 2.85 Mạng mùa+f(T)+10 neuron lớp ẩn
MLP-(11+7-2T)x7x1-16e 2.71 Mạng mùa+ngày 7bit+NoT(i)
MLP-(11+7)x6x1-21e-f(T) 3.07 Mạng mùa+ngày 7 bit+f(T)
MLP-(11+7-3)x7x1-28e-f(T) 3.43 Mạng không mùa+ngày+f(T)
MLP-(11+7-6T)x10x1-20e 3.73 Mạng mùa+ngày 7bit+NoT
MLP-11x10x1-16e-T 3.76 Mạng mùa+T+10 neuron lớp ẩn
MLP-11x10x1-16e-f(T) 3.70 Mạng mùa+f(T)+10 neuron lớp ẩn
MLP-(11+7-2T)x7x1-16e
Tháng
3.75 Mạng mùa+ngày 7bit+NoT(i)
MLP-(11+7)x6x1-21e-f(T) 3.18 Mạng mùa+ngày 7 bit+f(T)
MLP-(11+7-3)x7x1-28e-f(T) 3.24 Mạng không mùa+ngày+f(T)
MLP-(11+7-6T)x10x1-20e 3.94 Mạng mùa+ngày 7bit+NoT
MLP-11x10x1-16e-T 3.80 Mạng mùa+T+10 neuron lớp ẩn
i, 14% sai số dự báo 1 tuần tới và 12% sai
số dự báo 1 tháng tới.
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
Ngày TuầnThángTập test
MAPE, %
T
Không T
Hình 1.6. So sánh sai số dự báo đỉnh trường hợp có và không có đầu vào về nhiệt độ
So sánh hiệu quả dự báo trường hợp có và không có thông tin về nhiệt độ
(hình 6) cho thấy nhiệt độ là thông tin cần thiết đối với mạng. Đối với khu vực Hà
Nội thông tin về nhiệt độ giúp giảm sai số dự báo từ 3,62% (đối với dự báo 1 ngày
tới), 2,95% (dự báo 1 tuần tới) và 3,73% (đối với dự báo 1 tháng tới) xuống còn
1,16%, 2,62% và 3,07% tương ứng.
xvii
0.0
0.5
1.0
1.5
3.5
4.0
4.5
5.0
Ngày Tuần Tháng Tập test
MAPE, %
T(i)
Không T(i)
Hình 8. So sánh sai số dự báo đỉnh BĐPT ngày trường hợp có và không có nhiệt độ ngày dự báo
So sánh hiệu quả dự báo trường hợp có và không có đầu vào nhiệt độ ngày dự
báo (hình 8) cho thấy thông tin về nhiệt độ ngày dự báo cho phép giảm sai số dự báo
đáng kể. Tuy nhiên, các giá trị nhiệt độ ngày dự báo trong nghiên cứu là giá trị thực
tế. Trên thực tế, tại thời điểm dự báo phụ tải ta chỉ có số liệu nhiệt độ dự báo với sai
số nào đó, sai số này có thể sẽ
ảnh hưởng đến sai số dự báo phụ tải. Vì vậy, cần cân
nhắc giữa sai số dự báo phụ tải gây ra bởi ảnh hưởng của sai số dự báo nhiệt độ với
sai số giảm đi nhờ đưa vào mạng thông tin về nhiệt độ ngày dự báo.
Tương tự, so sánh trường hợp có và không có mã ngày trong tuần cũng cho
thấy thông tin ngày trong tuần làm giảm đến khoảng 10% sai số dự báo. Riêng khác
biệ
t về hiệu quả của 2 trường hợp mã hoá ngày bằng 3 bit hoặc 7 bit là không rõ rệt,
do đó có thể chỉ dùng cách mã hoá 3 bit chứ không cần đến 7 bit để tiết kiệm tài
nguyên.
Cập nhật số liệu đỉnh biểu đồ phụ tải từng ngày để giảm sai số dự báo
xix
Các kết quả trên đây cho thấy, hầu hết các cấu trúc mạng xem xét đều có thể
cho sai số dự báo ngày đầu tiên khá thấp, tuy nhiên sai số dự báo các ngày sau thường
- Nhằm tránh hiện tượng quá khớp và thừa thông số của mạng MLP thuật toán
học lan truyền ngược áp dụng cho dự báo đỉnh phụ tải, số neuron lớp ẩn và số chu kỳ
huấn luyện mạng
được xác định trên cơ sở thuật toán kiểm định và tăng giảm số
neuron lớp ẩn so với công thức kinh nghiệm Oja.
- Kết quả thử nghiệm thuật toán và phần mềm cho sai số dự báo đỉnh phụ tải ở
mức 2,5% và thấp hơn. Để duy trì mức sai số thấp này cần có thủ tục cập nhật mạng
hàng ngày bằng số liệu phụ tải và thời tiết mớ
i cũng như cần tách số liệu quá khứ các
ngày lễ-tết, các ngày cắt điện sự cố hay kế hoạch,... ra khỏi tập huấn luyện để xử lý
riêng.
- So sánh kết quả dự báo dùng các phương án đầu vào mạng khác nhau cho
thấy: a) việc đưa thông tin về mùa giảm được sai số dự báo đáng kể; b) thông tin về
thời tiết là cần thiết cho dự báo đỉnh phụ tải; c) mã hoá ngày dùng 7 neuron đầu vào
không tăng hiệu quả dự báo so với phương án dùng 3 neuron đầu vào.
xxi
Tài liệu tham khảo chương 1
1. Upadhyay K.G., Singh S.N., An approach to short term load forecasting using
market price signal. 19
th
International Conference on Electrical Distribution.
Vienna (2007)
2. H.S. Hippert, C.E. Pedreira, and R.C. Souza. Neural Networks for Short-Term
Load Forecasting: A Review and Evaluation. IEEE Transactions on Power
Systems, 16:44–55, 2001
3. Hsu Y.Y., Yang C.C., Design of ANN for short-term load forecasting. IEE
Proceedings, Vol.123 1991.
4. Trần Kỳ Phúc, Polite M., Nguyễn Tiên Phong, Lê Thị Thanh Hà, Mạng nơ-ron
- Dự báo 24 lần từng giờ của ngày dự báo (dùng MNN 1 đầu ra)
Trong chương này sẽ nghiên cứu xây dựng mô hình dự báo biểu đồ phụ tải
khu vực Hà Nội theo cách tiếp cận đầu tiên. Các mô hình khác sẽ được xem xét ở các
chương sau.
2.2 Dự báo biểu đồ phụ tải ngày bằng phương pháp đỉnh-đáy-dạng
Thuật toán dự báo biểu đồ phụ tải ngày
Phương pháp này có thể chia thành 3 bước: bước 1 bao gồm các khâu dự báo
đỉnh và đáy phụ tải của ngày tới; bước 2 - dự báo dạng biểu đồ phụ tải của ngày tới;
bước 3 - xây dựng biểu đồ phụ tải ngày tới trên cơ sở đỉnh, đáy phụ tải và dạng biểu
đồ phụ tải dự báo ở bước trước.
Bước 1 có thể sử dụng một trong 2 phương án sau:
- Dùng 2 MNN riêng cho dự báo đỉnh và dự báo đáy (ví dụ, mạng MLP 1 đầu
ra);
- Dùng 1 MNN chung cho dự báo đỉnh và dự báo đáy (MLP 2 đầu ra).
xxiii
Xét điều kiện dữ liệu có được khu vực Hà Nội, năng lực tính toán và yêu cầu
tính toán của bước dự báo đỉnh và đáy phụ tải, đề xuất sử dụng phương án 2 mạng
MLP riêng cho bước 1 với mô hình mạng "mùa" và mạng "kiểu ngày" như đã xem xét
ở chương trước.
Bước 2- dự báo dạng biểu đồ phụ tải ngày tới - tiến hành bằng cách lập dạng
biểu đồ ph
ụ tải ngày tới trên cơ sở lấy trung bình của biểu đồ phụ tải n ngày tương tự
trước đó (ví dụ, n=3..5 và n=2, 3 ngày tương tự trước đó đối với ngày làm việc và đối
với ngày nghỉ, ngày lễ tương ứng). Ngày có biểu đồ phụ tải tương tự được xác định
bằng nhiều cách, ví dụ:
- Dùng mạng ánh xạ tự tổ chức (self-organizing feature map - SOFM) để phân
Dự báo đỉnh và đáy biểu đồ phụ tải ngày
Như đã xem xét ở chương I, trong chương này sẽ sử dụng 2 loại mạng - mạng
"mùa" và mạng "kiểu ngày" để dự báo đỉnh và đáy biểu đồ phụ tải (MLP-
(5+8DT)xNx1 và mạng MLP-(5+3S)xNx1).
Ký hiệu đỉnh và đáy phụ tải của ngày thứ i là Peak(i) và Valley(i) tương ứng. Dự báo dạng biểu đồ phụ tải ngày
Như sẽ phân tích ở phần sau, biểu đồ phụ tải ngày của hệ thống điện Hà Nội –
thông qua phân loại dùng mạng ánh xạ tự tổ chức Kohonen- có thể chia thành một số
nhóm: nhóm các ngày nghỉ cuối tuần, nhóm các ngày làm việc trong tuần và nhóm
các ngày lễ, tết.
Trên cơ sở đó trong phần này, ta tạm chia các biểu đồ phụ tải ngày thành 8
nhóm: Sun, Mon, Tue, Wed, Thu, Fri, Sat và Hol. Dạng bi
ểu đồ phụ tải ngày dự báo
sẽ được tính là là trung bình dạng của một số biểu đồ phụ tải các ngày tương tự gần
nhất (2..5 ngày tương tự gần nhất).
Các biểu đồ phụ tải ngày tương tự được chuẩn hoá theo công thức:
Copyright: Tài liệu đại học ©