Nghiên cứu áp dụng mạng nơ ron nhân tạo trong dự báo ngắn hạn phụ tải điện

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

__________________________________________________________

MÃ SỐ: I 145

ĐỀ TÀI NGHIÊN CỨU KHOA HỌC

NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO

TRONG DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN

(GIAI ĐOẠN 2)

Hà Nội, 12-2008

ii

iii

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 2.1

2.2. Dự báo biểu đồ phụ tải ngày bằng phương pháp đỉnh-đáy-dạng 2.1

2.3. Tóm lược chương 2 2.9

Chương 3. Dự báo biểu đồ phụ tải ngày dùng mạng neuron MLP 24 đầu ra 3.1

3.1. Giới thiệu 3.1

3.2. Dự báo biểu đồ phụ tải ngày dùng mạng neuron MLP-31xNx24 3.1

3.3. Dự báo biểu đồ phụ tải ngày dùng mạng 24 neuron đầu ra MLP-

(24L+5W+4D)xNx24

3.4

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

3.6

3.5. Một số giải pháp tăng hiệu quả dự báo biểu đồ phụ tải ngày 3.8

3.6. Tóm lược chương 3 3.11

Chương 4. Phân loại dạng biểu đồ phụ tải ngày 4.1

4.1. Giới thiệu 4.1

4.2. Xây dựng mạng ánh xạ đặc trưng tự tổ chức Kohonen (K-SOFM) phân loại

dạng biểu đồ phụ tải ngày

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

iv

MỞ ĐẦU

Dù b¸o phô t¶i ®iÖn víi ®é chÝnh x¸c cao lµ mét trong nh÷ng nhiÖm vô v«

cïng quan träng trong quy ho¹ch vµ vËn hµnh hÖ thèng ®iÖn. Dù b¸o phô t¶i ®iÖn cã

thÓ chia lµm 3 nhãm: dù b¸o ng¾n h¹n (mét giê ®Õn mét tuÇn), dù b¸o trung h¹n (tõ

h¬n mét tuÇn ®Õn mét n¨m) vµ dù b¸o dµi h¹n (trªn mét n¨m). NÕu nh− dù b¸o trung

h¹n vµ dµi h¹n ®−îc quan t©m nghiªn cøu kh¸ nhiÒu ë n−íc ta (chñ yÕu ®Ó phôc vô

quy ho¹ch hÖ thèng ®iÖn) th× dù b¸o ng¾n h¹n mÆc dï ®ãng vai trß cùc quan träng

trong vËn hµnh kinh tÕ hÖ thèng ®iÖn, l¹i ch−a ®−îc quan t©m nghiªn cøu ®óng møc.

ë n−íc ngoµi, dù b¸o ng¾n h¹n phô t¶i ®iÖn lµ mét vÊn ®Ò ®·, ®ang vµ tiÕp tôc

®−îc nghiªn cøu, chñ yÕu dïng c¸c ph−¬ng ph¸p x¸c suÊt thèng kª nh− håi qui ®a

biÕn, san hµm mò, chuçi thêi gian,... GÇn ®©y, ®· cã mét sè c«ng tr×nh chuyÓn sang sö

dông c¸c c«ng cô cña trÝ tuÖ nh©n t¹o, ®Æc biÖt lµ m¹ng n¬ ron nh©n t¹o ®Ó dù b¸o

ng¾n h¹n.

ë n−íc ta, ®· cã mét vµi nghiªn cøu ë mét sè n¬i vÒ m¹ng n¬ ron trong dù b¸o

phô t¶i ®iÖn nh−ng nÆng vÒ nghiªn cøu ph−¬ng ph¸p luËn vµ häc thuËt, ch−a ®i vµo sè

liÖu cô thÓ, sai sè cßn cao vµ kh¶ n¨ng ¸p dông cßn giíi h¹n.

Giai đoạn 1 của đề tài đã xem xét các vấn đề sau:

- Tổng quan về dự báo phụ tải điện ngắn hạn

- Tổng quan về mạng nơ ron nhân tạo và Matlab Neuron Toolbox

- Mạng nơ ron nhân tạo trong dự báo phụ tải điện ngắn hạn

- Lựa chọn mạng nơ ron nhân tạo cho dự báo phụ tải điện ngắn hạn ở nước ta.

Báo cáo này trình bày các kết quả cơ bản của giai đoạn 2, bao gồm các vấn đề

thiết kế mô hình, lập phần mềm và thử nghiệm để dự báo đỉnh-đáy-dạng biểu đồ phụ

tải ngày dùng mạng neuron nhiều lớp thuật toán lan truyền ngược sai số MLP và

mạng một lớp thuật toán học không giám sát Kohonen. Kết quả thử nghiệm mạng

cho thấy hiệu quả dự báo là thấp hơn các mô hình dùng phương pháp thống kế và

tương đương với các công bố dùng mạng neuron, neuron-mờ,... Để so sánh, giai đoạn

2 cũng đã xây dựng phần mềm dự báo biểu đồ phụ tải ngày trên cơ sở mạng neuron

v

24 đầu ra (phụ tải 24 giờ trong ngày). Kết quả cho sai số tương đương với phương

pháp đỉnh-đáy-dạng. Hướng nghiên cứu tiếp theo là tổng hợp cả 2 giải pháp này trong

phần mềm dự báo sử dụng bộ tổng hợp sai số bình phương tối thiểu dựa vào hiệu quả

dự báo của từng giải pháp trong quá khứ.

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 liệu 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 tải tuần và ngày đặc trưng cho khu vực Hà Nội được biểu diễn trên

hình 1.1

0

100

200

300

400

500

600

1 25 49 73 97 121 145

Giờ, h

P, MW

Thứ Ba, 06/7/2004

0

100

200

300

400

500

600

700

800

1 7 13 19

Giờ trong ngày, h

P hụ tả i, M W