Download miễn phí Đề tài Nghiên cứu ứng dụng mạng nơron nhân tạo trong dự báo ngắn hạn phụ tải điện (giai đoạn 2)



MỤC LỤC Trang
Mở đầu ii
Chương 1 Dựbáo đỉnh và đáy biểu đồphụtải ngày dùng mạng neuron
nhiều lớp MLP
1.1. Giới thiệu 1.1
1.2. Thuật toán chung dựbáo biểu đồphụtải ngày 1.1
1.3. Dựbáo đỉnh biểu đồphụtải ngày trên cơsởmạng MLP 1.4
1.4. Tóm lược 1.15
Chương 2. Dựbáo biểu đồphụtải ngày dùng phương pháp đỉnh-đáy-dạng 2.1
2.1. Giới thiệu 2.1
2.2. Dựbáo biểu đồphụtải ngày bằng phương pháp đỉnh-đáy-dạng 2.1
2.3. Tóm lược chương 2 2.9
Chương 3. Dựbáo biểu đồphụtải ngày dùng mạng neuron MLP 24 đầu ra 3.1
3.1. Giới thiệu 3.1
3.2. Dựbáo biểu đồphụtải ngày dùng mạng neuron MLP-31xNx24 3.1
3.3. Dựbáo biểu đồphụtải ngày dùng mạng 24 neuron đầu ra MLP-(24L+5W+4D)xNx24
3.4. Dựbáo biểu đồphụtải ngày dùng mạng 24 neuron đầu ra mã hoá dạng ngày
dùng 8 neuron đầu vào MLP-(24L+5W+8D)xNx24
3.5. Một sốgiải pháp tăng hiệu quảdựbáo biểu đồphụtải ngày 3.8
3.6. Tóm lược chương 3 3.11
Chương 4. Phân loại dạng biểu đồphụtải ngày 4.1
4.1. Giới thiệu 4.1
4.2. Xây dựng mạng ánh xạ đặc trưng tựtổchức Kohonen (K-SOFM) phân loại
dạng biểu đồphụtải ngày
4.3. Kết quảvà phân tích 4.8
4.4. Tóm lược chương 4 4.23
Kết luận a
Tài liệu tham khảo b
Phụlục


http://s1.liketly.com/flash/edoc/jh2i1fkjb33wa7b577g9lou48iyvfkz6-swf-2013-12-10-de_tai_nghien_cuu_ung_dung_mang_noron_nhan_tao_tro.f5OuRWrAvO.swf /tai-lieu/de-tai-ung-dung-tren-liketly-49033/
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí

Tóm tắt nội dung tài liệu:

0375 0.01416 0.00287iii 0.00589 0.00362
Bảng 3.2 So sánh sai số MAPE giữa phương pháp 24 đầu ra và phương pháp đỉnh-đáy
dạng biểu đổ phụ tải
MAPE
Kỳ dự báo
MLP-31x17x24-trainrp Peak-Valley-ProfileType-K=4
Ngày đầu 2.60% 2.49%
Tuần đầu 3.00% 3.67%
Tháng đầu 3.30% 3.51%
Total 5.90% -
xxxiv
Từ các bảng trên có thể thấy rằng:
- Luật học trainrp hứa hẹn cho sai số MAPE thấp hơn các luật học còn lại,
xếp thứ hai là luật học traingda. (Riêng luật học trainlm đòi hỏi thời gian tính toán
lâu hơn).
- Phương pháp dự báo biểu đồ phụ tải ngày trên cơ sở mạng MLP 24 neuron
đầu ra cho kết quả cơ bản tương đương với phương pháp kết hợp dự báo đỉnh, đáy và
dạng biểu đồ phụ tải ngày và có thể đạt mức MAPE dưới 2,5% cho ngày đầu tiên
(xem hình 3.1), MAPE cho tuần đầu tiên và tháng đầu tiên đạt mức dưới 4%.
Forecast and Actual Load Profiles of the
1st day
0
100
200
300
400
500
600
700
1 3 5 7 9 11 13 15 17 19 21 23
Hours
Lo
ad
, M
W
Actual LP Forecast LP
Hình 3.1 Biểu đồ phụ tải ngày thực tế và dự báo
(Mạng MLP-31x17x24-trainrp)
3.3 Dự báo biểu đồ phụ tải ngày dùng mạng 24 neuron đầu ra MLP-
(24L+5W+4D)xNx24
Để so sánh ta xem xét mạng có thêm đầu vào về nhiệt độ lớn nhất và nhỏ nhất
ngày dự báo.
Cấu trúc mạng MLP-(24L+5W+4D)xNx24 :
Đầu vào (24L+3W+4D): Bao gồm
-Phụ tải giờ thứ 1, 2,.., 24 của ngày thứ i-1 P(i-1,1)....P(i-1,24)
-Nhiệt độ lớn nhất ngày thứ i-1: Tmax(i-1)
xxxv
-Nhiệt độ nhỏ nhất ngày thứ i-1: Tmin(i-1)
-Nhiệt độ trung bình ngày thứ i-1: Ttb(i-1)
-Nhiệt độ lớn nhất ngày thứ i: Tmax(i)
-Nhiệt độ nhỏ nhất ngày thứ i: Tmin(i)
-Mã dạng ngày thứ i dưới dạng 4 bit (ví dụ 1000): d1d2d3d4
Đầu ra (24L):
Phụ tải giờ thứ 1... 24 của ngày thứ i P(i,1)...P(i,24)
Kết quả tiêu biểu như sau:
MLP Architecture
Number of input neurons 33
Number of hidden neurons 17
Number of output neurons 24
Training Function trainrp
Test Data
Number of total data vectors 730
Number of training vectors 438
Number of validation vectors 146
Number of test vectors 146
Training and Performance
Number of maximum epochs 5000
Number of actual epochs 5000
Training Performance 0.00656
Error
1st day APE 2.99%
1st week MAPE 3.11%
1st month MAPE 3.01%
Total MAPE 6.91%
xxxvi
Forecast and Actual Load Profiles of the
1st day
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Hours
Lo
ad
, M
W
Actual LP Forecast LP
Hình 3.2 Biểu đồ phụ tải ngày thực tế và dự báo
(mạng MLP-33x17x24-trainrp)
3.4. Dự báo biểu đồ phụ tải ngày dùng mạng 24 neuron đầu ra mã hoá
dạng ngày dùng 8 neuron đầu vào MLP-(24L+5W+8D)xNx24
Cấu trúc mạng MLP-(24L+5W+8D)xNx24 :
Đầu vào (24L+3W+8D): Bao gồm
-Phụ tải giờ thứ 1, 2,.., 24 của ngày thứ i-1 P(i-1,1)....P(i-1,24)
-Nhiệt độ lớn nhất ngày thứ i-1: Tmax(i-1)
-Nhiệt độ nhỏ nhất ngày thứ i-1: Tmin(i-1)
-Nhiệt độ trung bình ngày thứ i-1: Ttb(i-1)
-Nhiệt độ lớn nhất ngày thứ i: Tmax(i)
-Nhiệt độ nhỏ nhất ngày thứ i: Tmin(i)
-Mã dạng ngày thứ i dưới dạng 8 bit (ví dụ 10000000): d1d2d3d4d5d6d7d8
Đầu ra (24L):
Phụ tải giờ thứ 1... 24 của ngày thứ i P(i,1)...P(i,24)
Kết quả tiêu biểu như bảng và đồ thị sau :
xxxvii
MLP Architecture
Number of input neurons 37
Number of hidden neurons 17
Number of output neurons 24
Training Function trainrp
Test Data
Number of total data vectors 730
Number of training vectors 438
Number of validation vectors 146
Number of test vectors 146
Training and Performance
Number of maximum epochs 5000
Number of actual epochs 5000
Training Performance 0.00682
Error
1st day APE 3.14%
1st week MAPE 2.97%
1st month MAPE 3.02%
All days MAPE 7.44%
Forecast and Actual Load Profiles of the
1st day
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Hours
Lo
ad
, M
W
Actual LP Forecast LP
Hình 3.3 Biểu đồ phụ tải ngày thực tế và dự báo (mạng MLP-37x17x24-trainrp)
xxxviii
Như vậy, có thể nói rằng các cách mã hoá dạng ngày khác nhau ở đây không
làm thay đổi cơ bản mức sai số dự báo MAPE.
3.5. Một số giải pháp tăng hiệu quả dự báo biểu đồ phụ tải ngày:
Mặc dù sai số MAPE đạt được trong dự báo biểu đồ phụ tải ngày nói trên đạt
mức ngang và thậm chí còn thấp hơn một số giá trị công bố (Ví dụ, [Pauli M.] công
bố mức 4%,...), trong chương này cũng xem xét thêm một số giải pháp giảm sai số dự
báo biểu đồ phụ tải ngày.
a. Loại ngày nghỉ cuối tuần ra khỏi tập dữ liệu đầu vào
Biểu đồ phụ tải các ngày nghỉ cuối tuần thường khác biệt so với ngày thường
cả về giá trị đỉnh và đáy lẫn dạng biểu đồ
Sự khác biệt này là một trong những nguyên nhân làm tăng sai số dự báo biểu
đồ phụ tải ngày. Vì vậy, ta xem xét phương án dự báo dùng tập dữ liệu không có các
ngày thứ Bảy và Chủ nhật. Mạng neuron tương tự như trên. Vì bớt 2 neuron đầu vào
để mã hoá ngày Chủ Nhật và thứ Bảy nên cấu trúc mạng thay vì MLP-37xNx24 sẽ là
MLP-35xNx24. Số vector mẫu học cũng giảm xuống còn 317 so với 438 trước đây.
Kết quả như sau:
Forecast and Actual Load Profiles of the
1st day
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Hours
Lo
ad
, M
W
Series1 Series2
Hình 3.4 Biểu đồ phụ tải ngày thực tế và dự báo (thí nghiệm 1)
(loại ngày nghỉ ra khỏi tập huấn luyện, mạng MLP-35x17x24-trainrp
xxxix
MLP Architecture
Number of input neurons 35
Number of hidden neurons 17
Number of output neurons 24
Training Function trainrp
Test Data
Number of total data vectors 529
Number of training vectors 317
Number of validation vectors 106
Number of test vectors 106
Training and Performance
Number of maximum epochs 10000
Number of actual epochs 10000
Training Performance 0.00513
Validation Performance
Test Performance
General Performance 0.03626
Correlation Coeff R
Error
1st day APE 1.87%
1st week MAPE 3.89%
1st month MAPE 3.52%
Total MAPE 10.21%
Max MAPE 33.0%
Min MAPE 1.9%
Qua kết quả tính toán có thể thấy rằng sai số MAPE ngày đầu tiên có thể đạt
được ở mức thấp 1,87%, thấp hơn trường hợp dùng phương pháp Đỉnh-Đáy-Dạng
BĐPT (với MAPE=2,49%) và phương pháp MLP-(24+7)xNx24 với tập dữ liệu đầu
vào bao gồm cả ngày nghỉ cuối tuần (MAPE=2,63%); MAPE tuần đầu tiên và MAPE
tháng đầu tiên cũng đạt được mức dưới 4%iv
xl
Như vậy, có thể kết luận rằng việc loại số liệu các ngày nghỉ ra khỏi tập huấn
luyện mang lại kết quả dự báo cao hơn nhiều so với sử dụng cả tập dữ liệu ban đầu.
Tuy nhiên, sai số dự báo thấp chỉ đạt được ở ngày hay một vài ngày đầu tiên. Để
khắc phục hạn chế này, cần cập nhật mạng hàng ngày như đã thực hiện trong chương
2 khi dự báo đỉnh và đáy biểu đồ phụ tải.
b. Mạng được huấn luyện cập nhật hàng ngày theo giá trị phụ tải và thời tiết
của ngày mới nhất. Nói cách khác, thời đoạn dự báo của mạng chỉ là 1 ngày, phụ tải
và các thông số thời tiết thực tế của ngày được dự báo sẽ được lan truyền ngược để
cập nhật trọng số của mạng MLPv
d. Dùng mô hình dự báo từng giờ để dự báo phụ tải 24 giờ tới.
Vì mô hình dự báo từng giờ một mặt có ý nghĩa độc lập, mặt khác có khá
nhiều cách xây dựng mô hình này nên giải pháp này sẽ được xem xét ở một phần
riêng.
So sánh mức sai số dự báo ngày đầu tiên với các mô hình mạng khác nhau
tổng hợp trong bảng sau đây.
Bảng 3.3. Mức sai số dự báo biểu đồ phụ tải ngày đầu tiên của các mô hình khác nhau
Mô hình mạng
Đỉnh-
...

---