Báo cáo Tổng kết Nghiên cứu ứng 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 Mà 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 __________________________________________________________ Mà 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, M W Thứ Ba, 06/7/2004 0 100 200 300 400 500 600 700 800 1 7 13 19 Giờ trong ngày, h Ph ụ tả i, M W vii Hình 1.1 Biểu đồ phụ tải tuần và ngày đặc trưng khu vực Hà Nội Có một số cách tiếp cận đối với bài toán dự báo biểu đồ phụ tải ngày: - Kết hợp dự báo đỉnh (phụ tải cao nhất), đáy (phụ tải thấp nhất) và dạng biểu đồ phụ tải ngày (dạng đường cong phụ thuộc phụ tải-giờ) [3] - Dự báo đồng thời phụ tải 24 giờ ngày dự báo (thường dùng MNN 24 đầu ra) [2] - Dự báo 24 lần 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 xd - là vector đặc trưng cho ngày d { }SkdTjdLidd nkCnjTniL ,1;;,1,;,1, ,,, ====x với Ld,i, i=1..nL là phụ tải điện tại thời điểm i của ngày d, thông thường nL=24 Td,j, j=1,nT là thông số thời tiết j của ngày d; T có thể là nhiệt độ, độ ẩm,... Cd,k, k=1,nS là thông số lịch k của ngày d, C có thể là mã hoá của ngày trong tuần, mùa trong năm, ngày lễ-tết, ngày có sự kiện văn hoá-thể thao đặc biệt,... Gọi vector xnd là vector đặc trưng cho ngày d được chuẩn hoá { }SnTn jdLn idnd nkCnjTniL kd ,1;;,1,;,1, ,,, ====x Ở đây, Lnd,i , i=1,nL 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 didn ni LL LL L id ,1, minmax min, , =− −= (1.1) với maxLd và minLd là giá trị phụ tải lớn nhất và nhỏ nhất của ngày d tương ứng, { } Lidd niLL ,1,maxmax , == { } Lidd niLL ,1,minmin , == viii Tnd,j, j=1,nT và Cnd,k, k=1,nS cũng được chuẩn hoá tương tự. Biểu đồ phụ tải ngày d dự báo được nếu có giá trị dự báo của đỉnh maxLd , đáy minLd và biểu đồ phụ tải chuẩn hoá nLd,i 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 xd 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 loại 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 đỉnh MLP dự báo đáy SOM dự báo dạng Bộ tổng hợp L,T,C L,T,C Ld,i ix 1.3. Dự báo đỉnh biểu đồ phụ tải ngày trên cơ sở mạng MLP Cấu hình mạng neuron nhân tạo dự báo đỉnh biểu đồ phụ tải ngày MNN sẽ là mạng perceptron nhiều lớp truyền thẳng liên kết đủ, số lớp ẩn là 1, số neuron đầu ra là 1, theo luật học lan truyền ngược sai số [5]. Lựa chọn các neuron đầu vào. Nhằm chọn số neuron đầu vào phù hợp đã tiến hành phân tích tương quan giữa phụ tải đỉnh ngày dự báo maxLd và các thông số thời tiết khu vực Hà Nội, kết quả như trong bảng 1.1. Ở đây ký hiệu maxLd-k - phụ tải đỉnh k ngày trước ngày dự báo, k=1,2,..; maxTd-k, minTd-k - nhiệt độ cao nhất và thấp nhất k ngày trước ngày dự báo; maxTd, minTd - nhiệt độ cao nhất và thấp nhất ngày dự báo; maxTd-maxTd-1 - chênh lệch nhiệt độ cao nhất giữa ngày dự báo và ngày trước đó; Hd, RFd, SHd - độ ẩm, lượng mưa và số giờ nắng ngày dự báo. Bảng 1.1. Hệ số tương quan giữa maxLd và các thông số còn lại x Hệ số tương quan R maxLd-1 maxLd-2 maxLd-3 maxLd-7 maxLd-14 Hd RFd SHd 0.812 0,693 0,645 0,762 0,705 -0,109 -0,023 0,301 maxTd maxTd-1 maxTd-7 minTd minTd-1 minTd-7 maxTd-maxTd-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 TCmin = 17,50C và TCmax = 250C, có khác chút ít với nhiều nước1. Các giá trị này cũng thể hiện phần nào tập quán sử dụng điện, mức thu nhập trung bình và trình độ phát triển của từng khu vực trên thế giới. 1 Nhiều nước công bố giá trị TCmin = 150C và TCmax = 200C x Phụ thuộc phụ tải trung bình - nhiệt độ trung bình ngày 2003-2004 0 100 200 300 400 500 600 700 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 Ttb, oC Pt b, M W Hình 1.3. Phụ thuộc phụ tải - nhiệt độ khu vực Hà Nội 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 7 0000001 0000010 0000100 0001000 0010000 0100000 1000000 Phân tích biến thiên đỉnh phụ tải, dạng biểu đồ phụ tải và nhiệt độ cao nhất ngày trong một số năm khu vực Hà Nội (xem hình 1.4) cho thấy theo mức phụ tải và nhiệt độ trong năm có thể chia phụ tải hàng năm của Hà Nội thành 3 mùa: mùa đầu năm từ tháng Giêng đến tháng 4; mùa giữa năm từ tháng 5 đến tháng 8 và mùa cuối năm từ tháng 9 đến tháng 12. Các mùa này được mã hoá bằng 3 bit tương ứng như sau: 100, 010 và 001. xi 0 100 200 300 400 500 600 700 800 1 60 119 178 237 296 355 Ngày Pm ax , M W 0 10 20 30 40 50 60 Tm ax , o C 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 maxLd-1, maxLd-7 Thời tiết Neuron no. 3....8 maxTd ,maxTd-1 ,maxTd-7,minTd,minTd-1,minTd-7 Ngày Neuron no. 9..15 D1D2D3D4D5D6D7 Đầu vào Mùa Neuron no.16..18 S1S2S3 Đầu ra Phụ tải 1 neuron maxLd 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 NSNh +≈ (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 trường 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 kiểm định, đề xuất trình tự lựa chọn số neuron lớp ẩn và số chu kỳ huấn luyện mạng như sau: Bước 1: Chọn số neuron lớp ẩn ban đầu theo công thức (1.4) Bước 2: 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 trường hợp này cũng xác định số chu kỳ huấn luyện mạng - ký hiệu là Ne. Bước 3: Gộp tập kiểm định vào tập huấn luyện thành tập huấn luyện mới và chuyển sang bước huấn luyện mạng chính thức với số neuron lớp ẩn Nh và số chu kỳ huấn luyện Ne tìm được. Đánh giá mạng bằng sai số đối với tập huấn luyện mới (sai số in-sample) và đối với tập kiểm tra (sai số out-sample) xiii Chỉ tiêu sai số so sánh. Sử dụng sai số tuyệt đối phần trăm trung bình (MAPE) để so sánh hiệu quả dự báo của MNN. Trên cơ sở thuật toán trên đã xây dựng phần mềm dự báo đỉnh và đáy phụ tải ngày sử dụng công cụ MATLAB và giao diện đồ hoạ MATLAB-GUI. Kết quả dự báo đỉnh phụ tải Để so sánh ảnh hưởng của các thông tin đầu vào khác nhau đến hiệu quả dự báo đã tiến hành nghiên cứu các phương án mạng khác nhau về số lượng và tính chất các đầu vào (có và không có thông tin về thời tiết, về mùa, các phương án mã hoá khác nhau, v.v...): 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. Mạng 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 chuyển 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 năm; số neuron lớp ẩn là 6; số chu kỳ huấn luyện là 21. vi.Mạng có đầu vào nhiệt độ trực tiếp (không dùng hàm chuyển đổi), ký hiệu MLP-(2L+6T+3S)x10x1-16e. Mạng có tất cả 11 đầu vào, trong đó 2 đầu vào nhận thông tin về phụ tải quá khứ, 6 đầu vào là nhiệt độ cao nhất và thấp nhất quá khứ cũng như của ngày dự báo và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 10; số chu kỳ huấn luyện là 16. vii.Mạng có đầu vào là hàm chuyển đổi nhiệt độ, ký hiệu MLP- (2L+6f(T)+3S)x10x1-16e. Mạng có tất cả 11 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 và 3 đầu vào mã hoá mùa trong năm; số neuron lớp ẩn là 10; số chu kỳ huấn luyện là 16. . Kết quả tổng hợp trong bảng 1.4. Các giá trị sai số này là trung bình thống kê 10 lần huấn luyện và dự báo độc lập. Bảng 1.4. So sánh sai số dự báo đỉnh biểu đồ phụ tải ngày với các phương án MNN khác nhau Mạng Kỳ dự báo Average Ghi chú MLP-(11+7)x6x1-21e-f(T) 1.16 Mạng mùa+ngày 7bit+f(T) MLP-(11+7-3)x7x1-28e-f(T) 1.58 Mạng không mùa+ngày+f(T) MLP-(11+7-6T)x10x1-20e 3.62 Mạng mùa+ngày 7bit+NoT MLP-11x10x1-16e-T 1.15 Mạng mùa+T+10 neuron lớp ẩn MLP-11x10x1-16e-f(T) 1.09 Mạng mùa+f(T)+10 neuron lớp ẩn MLP-(11+7-2T)x7x1-16e 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 MLP-11x10x1-16e-f(T) 3.74 Mạng mùa+f(T)10 neuron lớp ẩn MLP-(11+7-2T)x7x1-16e Toàn bộ 3.82 Mạng mùa+ngày 7bit+NoT(i) 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 Ngày Tuần Tháng Tập test M A PE ,% Mùa Không mùa Hình 5. So sánh sai số dự báo đỉnh trường hợp có và không có đầu vào về mùa trong năm xvi So sánh hiệu quả dự báo trường hợp có và không có thông tin về mùa trong năm (hình 5) cho thấy phương pháp phân loại mùa nêu trên và thông tin về mùa đưa vào mạng khá là hiệu quả. Đối với khu vực Hà Nội thông tin về mùa giúp giảm sai số dự báo từ 1,58% (đối với dự báo 1 ngày tới), 2,97% (dự báo 1 tuần tới) và 3,43% (đối với dự báo 1 tháng tới) xuống còn 1,16%, 2,62% và 3,07% tương ứng; tương đương với giảm được 36% sai số dự báo 1 ngày tới, 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 Tuần Tháng Tập test M AP E, % 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 2.0 2.5 3.0 3.5 4.0 Ngày Tuần Tháng Tập test M AP E, % f(T) T Hình 7. So sánh sai số dự báo đỉnh trường hợp dùng và không dùng hàm chuyển đổi nhiệt độ So sánh hiệu quả dự báo trường hợp không dùng và dùng hàm chuyển đổi nhiệt độ (hình 7) cho thấy dùng hàm chuyển đổi nhiệt độ mặc dù hiệu quả tăng lên là không nhiều nhưng sai số dự báo vẫn có xu hướng giảm. Đối với khu vực Hà Nội sai số dự báo giảm từ 1,15% (đối với dự báo 1 ngày tới), 2,93% (dự báo 1 tuần tới) và 3,76% (đối với dự báo 1 tháng tới) xuống còn 1,09%, 2,85% và 3,70% tương ứng. Để tăng hiệu quả dự báo theo hướng này, có thể thay hàm chuyển đổi (3) bằng hàm bình phương độ lệch nhiệt độ. xviii 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 Ngày Tuần Tháng Tập test M AP E , % 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 biệt 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 ở mức cao hơn. Vì vậy đề xuất giải pháp cập nhật mạng MLP hàng ngày với số liệu đỉnh phụ tải ngày mới nhất để giảm sai số dự báo ngày sắp tới. Thuật toán cập nhật đề xuất như sau: a) Sau mỗi ngày tập huấn luyện sẽ được cập nhật bằng cách bổ sung giá trị thực tế của ngày hôm đó về đỉnh phụ tải, thông số thời tiết, kiểu ngày,...(nghĩa là số vector tập huấn luyện sẽ tăng lên 1 đơn vị) b) Mạng MLP hiện hữu sẽ được huấn luyện lại với toàn bộ tập huấn luyện mới được cập nhật (hoặc với một tập con của nó, bao gồm ít nhất là vector huấn luyện của ngày mới nhất) c) Mạng MLP cập nhật sẽ được dùng để dự báo đỉnh biểu đồ phụ tải của ngày kế tiếp d) Chu kỳ a)-c) trên sẽ lặp lại hàng ngày để đạt được sai số dự báo dưới ngưỡng yêu cầu. xx 1.4. Tóm lược chương 1 Trong chương này trình bày một số kết quả sau: - Xây dựng mô hình dự báo biểu đồ phụ tải ngày cho khu vực Hà Nội được xây dựng trên cơ sở mạng MLP dự báo đỉnh và đáy phụ tải, mạng Kohonen dự báo dạng BĐPT. Phần mềm dự báo đỉnh và đáy phụ tải được viết trên phần mềm MATLAB và NNTools có sử dụng công cụ giao diện đồ hoạ GUI - Để chọn các đầu vào phù hợp nhất trong số các thông số phụ tải, thời tiết và lịch sinh hoạt-sản xuất, tiến hành phân tích tương quan giữa phụ tải đỉnh dự báo và các thông số còn lại. - 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 mới 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. 19th 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 trong dự báo phụ tải điện ngắn hạn ứng dụng tại Hà Nội: Ảnh hưởng của các thông số thời tiết. Tuyển tập BCKH Hội nghị KHKT Đo lường IV. Hà Nội ( 2005) 5. Rumelhart D.E, McClelland J.L., Parallel Distributed Processing, vol.1, MIT Press (1986). 6. T. Haida and S. Muto, "Regression based peak load forecasting using a transformation technique", IEEE Trans. Power Systems, vol. 9, no.4, (1994) 7. Oja E, Lecture material for the course Principles of Neural Computing, held at Helsinki University of Technology in Spring 1997 8. Kohonen T. Self-Organization Maps. Berlin (2001) xxii CHƯƠNG 2 DỰ BÁO BIỂU ĐỒ PHỤ TẢI NGÀY DÙNG MÔ HÌNH ĐỈNH-ĐÁY-DẠNG 2.1. Giới thiệu Dự báo biểu đồ phụ tải ngày đóng vai trò quan trọng trong điều độ kinh tế (economic dispatch), phân bổ công suất các tổ máy (unit commitment), chuẩn bị nhiên liệu và lên lịch bảo dưỡng hệ thống điện. Biểu đồ phụ tải ngày là một thông tin không thể thiếu được trong vận hành thị trường điện Việt Nam trong những năm sắp tới. Giảm được 1% sai số dự báo phụ tải điện giúp tiết kiệm được hàng chục triệu đô mỗi năm đối với một hệ thống điện trung bình như hệ thống điện nước ta. Có một số cách tiếp cận đối với bài toán dự báo biểu đồ phụ tải ngày: - Kết hợp dự báo đỉnh, đáy và dạng biểu đồ phụ tải ngày - Dự báo đồng thời phụ tải 24 giờ ngày dự báo (thường dùng MNN 24 đầu ra) - 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 phụ 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 loại dạng biểu đồ phụ tải của tập biểu đồ phụ tải quá khứ thành các nhóm khác nhau, xây dựng bộ dấu hiệu nhận dạng (bao gồm các thông tin biết trước, ví dụ, ngày trong tuần, các ngày lễ xác định, ngày có sự kiện văn hoá thể thao lớn,...) để nhận dạng các nhóm biểu đồ phụ tải này. Đối với ngày dự báo, cần trình bộ dấu hiệu nhận dạng này để xác định nhóm biểu đồ phụ tải mà ngày dự báo này trực thuộc. - Dùng một phương tiện khác (ví dụ logic mờ, khoảng cách euclide,...) để tìm các biểu đồ phụ tải có dạng tương tự trong quá khứ. Tập dữ liệu: - Tập số liệu 1: Số liệu phụ tải từng giờ và thời tiết (nhiệt độ, độ ẩm, ...) của Công ty Điện lực Hà Nội trong 2 năm 2003-2004, chuyển đổi và lưu trữ trong file dạng ".xls". Số liệu 2 năm là tạm đủ để phản ánh tính chu kỳ của phụ tải theo tuần, tháng, mùa và năm. Sơ đồ cấu trúc mô hình mạng neuron nhân tạo dự báo biểu đồ phụ tải ngày Sơ đồ cấu trúc mô hình mạng neuron nhân tạo dự báo biểu đồ phụ tải ngày trình bày trên hình 1.2 (xem chương 1) xxiv Mô hình bao gồm 2 mạng MLP dùng dự báo đỉnh và đáy phụ tải ngày, một mạng ánh xạ tự tổ chức SOFM hoặc một công cụ khác dùng phân loại các biểu đồ phụ tải ngày trong quá khứ - bao gồm cả cơ sở dữ liệu dạng biểu đồ phụ tải ngày đã phân loại và một bộ tổng hợp cuối cùng. biểu đồ phụ tải ngày. 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 biểu 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: xxv )()( )(),(),( minmax min iPiP iPjiPjipn − −= với P(i,j) là phụ tải giờ thứ j của ngày thứ i, j=1..24 Pmax(i) và Pmin(i) là đỉnh và đáy phụ tải ngày thứ i. Biểu đồ phụ tải chuẩn hoá trung bình được tính theo công thức ( )∑ = −= K k nn jkipK jip 1 ),.7(1),( với K là số ngày tương tự gần nhất, K=2..5 Có thể gọi đây là biểu đồ phụ tải chuẩn hoá trung bình hay dạng biểu đồ phụ tải của ngày dự báo kỳ vọng. - Tính toán biểu đồ phụ tải của ngày dự báo theo công thức [ ] )()()(.),(),( ivalleyivalleyipeakjipjiL n +−= Kết quả và phân tích Lựa chọn số biểu đồ phụ tải ngày tương tự Số ngày có biểu đồ phụ tải tương tự ngày dự báo được đề xuất là K=2..5. Để lựa chọn số biểu đồ phụ tải tương tự, tác giả đã tiến hành thí nghiệm với các giá trị K khác nhau với cùng các giá trị đỉnh và đáy biểu đồ phụ tải đã được dự báo và so sánh hiệu quả dự báo biểu đồ phụ tải ngày. Dưới đây ta sẽ tiến hành các thí nghiệm lựa chọn số biểu đồ phụ tải tương tự để lấy trung bình cho 2 trường hợp mạng dự báo đỉnh đáy phụ tải: mạng "kiểu ngày" MLP-(5+8DT)xNx1 và mạng "mùa" MLP(5+3S)xNx1 a) Trường hợp mạng "kiểu ngày" MLP-(5+8DT)xNx1 Điều kiện tính toán như sau: a. Cấu trúc mạng MLP dự báo đỉnh và đáy biểu đồ phụ tải MLP Architecture Number of input neurons 13 Number of hidden neurons 7 Number of output neurons 1 Training Function trainlm xxvi b. Đặc điểm tập số liệu mẫu Test Data Number of total data vectors 724 Number of training vectors 580 Number of test vectors 144 c. Điều kiện huấn luyện và hiệu quả mạng MLP dự báo đỉnh và đáy biểu đồ phụ tải Training and Performance Peak Valley Number of maximum epochs 16 16 Number of actual epochs 16 16 Training Performance 0.00739 0.00483 Correlation Coeff R(a, t) 0.91831 0.94024 Kết quả tính toán tổng hợp trong các bảng dưới đây: MAPE Number of similar days K Peak Valley Forecast Period 5 4 3 2 Peak Valley 1st day : Tue 10/8/2008 3,30% 2,60% 3,17% 2,82% 2,66% 0,80% Có thể thấy rằng sai số tuyệt đối phần trăm dự báo cho ngày đầu tiên thấp nhất khi số ngày tương tự bằng 4 (tức lấy trung bình của 4 biểu đồ phụ tải ngày tương tự) Đây là các kết quả tương đối khả quan từ góc độ sai số (có thể đạt MAPE mức 2,5% cho dự báo ngày đầu tiên ) và cả dưới góc độ phương pháp (chỉ ra số biểu đồ phụ tải ngày tương tự cần lấy trung bình). xxvii Kết quả dự báo đỉnh BĐPT trong 1 tháng 0 100 200 300 400 500 600 700 800 900 1 4 7 10 13 16 19 22 25 28 Ngày Ph ụ tả i, M W Đỉnh BĐPT dự báo Đỉnh BĐPT thực tế Kết quả dự báo đáy BĐPT trong 1 tháng 0 50 100 150 200 250 300 350 400 450 1 4 7 10 13 16 19 22 25 28 Ngày Ph ụ tả i, M W Đáy BĐPT dự báo Đáy BĐPT thực tế Forecast and Actual LP of the 1st day 0 100 200 300 400 500 600 700 800 1 3 5 7 9 11 13 15 17 19 21 23 Hours Lo ad , M W Actual LP Forecast LP Hình 2.1 Kết quả dự báo đỉnh đáy và biểu đồ phụ tải ngày dùng mạng "kiểu ngày" xxviii b) Trường hợp mạng "mùa" MLP-(5+3S)xNx1 Điều kiện tính toán như sau: a. Cấu trúc mạng MLP dự báo đỉnh và đáy biểu đồ phụ tải MLP Architecture Number of input neurons 8 Number of hidden neurons 7 Number of output neurons 1 Training Function trainlm b. Đặc điểm tập số liệu mẫu Test Data Number of total data vectors 724 Number of training vectors 580 Number of test vectors 144 c. Điều kiện huấn luyện và hiệu quả mạng MLP dự báo đỉnh và đáy BĐPT Training and Performance Peak Valley Number of maximum epochs 20 20 Number of actual epochs 20 20 Training Performance 0.01272 0.008753 Kết quả tính toán tổng hợp trong các bảng dưới đây: MAPE Number of similar days K Peak Valley Forecast Period 5 4 3 2 Peak Valley 1st day : Tue 10/8/2008 4,84% 4,35% 4,98% 4,64% 1,98% 6,66% Trường hợp dùng mạng "mùa" cũng cho thấy sai số dự báo thấp nhất nếu lấy trung bình 4 ngày tương tự trước đó. Ở đây cần lưu ý rằng sai số dự báo của đáy phụ tải thiên cao, có thể cần nghiên cứu lại thông số mạng "mùa" đối với tập dữ liệu về đáy phụ tải. Chính vì vậy dự báo đáy dùng mạng "kiểu ngày" phù hợp hơn để dự báo đáy biểu đồ phụ tải. xxix Kết quả dự báo đỉnh BĐPT trong 1 tháng 0 100 200 300 400 500 600 700 800 900 1 4 7 10 13 16 19 22 25 28 Ngày Ph ụ tả i, M W Đỉnh BĐPT dự báo Đỉnh BĐPT thực tế Kết quả dự báo đáy BĐPT trong 1 tháng 0 50 100 150 200 250 300 350 400 450 1 4 7 10 13 16 19 22 25 28 Ngày Ph ụ tả i, M W Đáy BĐPT dự báo Đáy BĐPT thực tế Forecast and Actual LP of the 1st day 0 100 200 300 400 500 600 700 800 1 3 5 7 9 11 13 15 17 19 21 23 Hours Lo ad , M W Actual LP Forecast LP Hình 2.2 Kết quả dự báo đỉnh đáy và biểu đồ phụ tải ngày dùng mạng "mùa" xxx 2.3. Tóm lược chương 2 Để dự báo đồng thời phụ tải 24 giờ tới - tức biểu đồ phụ tải ngày, xây dựng mô hình kết hợp bao gồm 2 mạng MLP dùng dự báo đỉnh và đáy phụ tải ngày, một mạng ánh xạ tự tổ chức SOFM hoặc một công cụ khác dùng phân loại các biểu đồ phụ tải ngày trong quá khứ - bao gồm cả cơ sở dữ liệu dạng biểu đồ phụ tải ngày đã phân loại và một bộ tổng hợp biểu đồ phụ tải ngày. Qua thử nghiệm các phương án cấu trúc mạng MLP và các dữ liệu đầu vào khác nhau, ta thấy rằng các mạng MLP dự báo đỉnh và đáy biểu đồ phụ tải ngày phải là các mạng có cấu trúc và đầu vào khác nhau. Đối với dự báo đáy biểu đồ phụ tải, hiệu quả nhất là mạng có các đầu vào mã hoá dạng ngày (gọi là mạng “kiểu ngày”) mà không cần các đầu vào về mùa trong năm. Mạng MLP có các đầu vào mùa trong năm (gọi là mạng “kiểu mùa”) lại là mạng có hiệu quả cao đối với dự báo đỉnh biểu đồ phụ tải. Điều này thể hiện rõ qua các chỉ tiêu sai số tính toán trong chương này và phản ánh tương quan giữa đỉnh biểu đồ phụ tải khu vực Hà Nội và yếu tố mùa trong năm. Để dự báo dạng biểu đồ phụ tải, ta sử dụng phương pháp lấy trung bình biểu đồ phụ tải của các ngày tương tự gần nhất. Các tính toán trên cơ sở so sánh sai số trong chương này đã chỉ ra rằng số biểu đồ phụ tải tương tự phù hợp nhất là 4. Khi đó sai số dự báo biểu đồ phụ tải ngày đạt mức 2,6%. Để duy trì được mức sai số 2,6% này đối với các ngày tiếp theo, cần cập nhật mạng hàng ngày với các số liệu phụ tải và thời tiết của ngày mới nhất. xxxi CHƯƠNG 3 DỰ BÁO BIỂU ĐỒ PHỤ TẢI NGÀY DÙNG MẠNG NEURON NHIỀU LỚP MLP 24 ĐẦU RA 3.1 Giới thiệu Chương 2 đã xem xét mô hình dự báo biểu đồ phụ tải ngày sử dụng phương pháp kết hợp dự báo đỉnh-đáy-dạng biểu đồ phụ tải trên cơ sở mạng neron nhiều lớp 1 đầu ra và lấy trung bình dạng biểu đồ phụ tải các ngày tương tự gần nhất. Nếu cập nhật mạng hàng ngày, sai số dự báo biểu đồ phụ tải ngày đạt 2,6%, là mức khá thấp so với các số liệu công bố đến nay cho trường hợp dự báo đồng thời 24 giờ tới (ví dụ: [P. Murto] ở mức 4%,....). Để so sánh, trong chương này xem xét thêm mô hình dự báo biểu đồ phụ tải ngày sử dụng mạng neuron nhiều lớp 24 neuron đầu ra. Phụ thuộc vào số liệu đầu vào ta sẽ xem xét một số cấu hình mạng dưới đây để so sánh: a) Mạng MLP-31xNx24 với 31 đầu vào sau (24L+3W+4DT): - 24 đầu vào phụ tải P(i-1,1)....P(i-1,24) - 3 đầu vào nhiệt độ: Tmax(i-1),Tmin(i-1),Ttb(i-1) - 4 đầu vào mã hoá dạng ngày: d1d2d3d4 b) Mạng MLP-33xNx24 với 33 đầu vào sau (24L+5W+4DT): - 24 đầu vào phụ tải P(i-1,1)....P(i-1,24) - 5 đầu vào nhiệt độ: Tmax(i-1),Tmin(i-1),Ttb(i-1),Tmax(i),Tmin(i) - 4 đầu vào mã hoá dạng ngày: d1d2d3d4 c) Mạng MLP-37xNx24 với 37 đầu vào sau (24L+5W+8DT): - 24 đầu vào phụ tải P(i-1,1)....P(i-1,24) - 5 đầu vào nhiệt độ: Tmax(i-1),Tmin(i-1),Ttb(i-1),Tmax(i),Tmin(i) - 8 đầu vào mã hoá dạng ngày: d1d2d3d4d5d6d7d8 Trên cơ sở phân tích kết quả dự báo của các mô hình mạng này, chương này cũng sẽ xem xét một số giải pháp nâng cao hiệu quả dự báo và đề xuất cấu hình và thuật học phù hợp cho tập học xem xét. 3.2 Dự báo biểu đồ phụ tải ngày dùng mạng neuron MLP-31xNx24: Cấu trúc mạng MLP phương án cơ sở: xxxii Đầu vào (24L+3W+4D2): 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) -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) Lựa chọn số neuron lớp ẩn Trên cơ sở tính toán so sánh (tương tự phần dự báo đỉnh biểu đồ phụ tải trước đây), chọn số neuron lớp ẩn cơ sở là 17 Như vậy mạng cơ sở là MLP-(24+3+4)x17x24. Tập dữ liệu Sử dụng tập dữ liệu về phụ tải và thời tiết của Công ty Điện lực Hà Nội trong 2 năm 2003-2004. Tổng số ngày số liệu ban đầu là 731. Từ tập dữ liệu này xây dựng bộ dữ liệu học gồm 731-1=730 vector mẫu. Chia 730 vector mẫu này thành 3 tập con: tập mẫu học (trainV), chiếm 60% bộ dữ liệu, tức khoảng 60%*(731)=438 ngày; tập kiểm tra chéo cross-validation (val); tập test (test). Tập val và tập test chiếm 20% mỗi tập, tức khoảng 20%*(731)=146 ngày mỗi tậpi. (Như vậy số thông số tự do cần đánh giá (trọng số W) là khoảng (31+24)x17=935. Số vector mẫu học chỉ là 438, tuy nhiên tổng số số liệu để huấn luyện mạng là 438x31ii). Kết quả và phân tích Mạng MLP-(24+3+4)x17x24 là mạng có kích thước tương đối lớn. Vì vậy, cần lựa chọn thuật toán huấn luyện phù hợp nhằm giảm bộ nhớ và tốc độ tính toán. Nghiên cứu đã so sánh hiệu quả các hàm huấn luyện có trong MATLAB thông qua chỉ tiêu sai số MAPE. Điều kiện tính toán như sau: a. Cấu trúc mạng: MLP-(24+3+4)x17x24 2 L: load; W: weather; D: day type xxxiii MLP Architecture Number of input neurons 31 Number of hidden neurons 17 Number of output neurons 24 b. Đặc điểm tập số liệu mẫu: Test Data Number of total data vectors 730 Number of training vectors 438 Number of validation vectors 146 Number of test vectors 146 c.Số chu kỳ huấn luyện: 5000 Kết quả tính toán tổng hợp trong bảng sau: Bảng 3.1 So sánh sai số MAPE giữa các hàm huấn luyện khác nhau MAPE Kỳ dự báo trainrp traincgb traincgf traincgp traingda trainlm trainoss trainscg Ngày đầu 2.6% 4.1% 7.9% 6.8% 2.9% 3.1% 5.0% 3.4% Tuần đầu 3.0% 4.3% 3.8% 3.8% 3.4% 8.3% 3.9% 5.6% Tháng đầu 3.3% 4.8% 3.9% 4.9% 3.6% 7.3% 4.5% 5.3% Tất cả 392 ngày 5.9% 10.4% 7.3% 14.3% 5.3% 16.0% 8.6% 8.3% MSE 0.00880 0.00411 0.00455 0.00375 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 hoặc 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- đáy- dạng BĐPT MLP31x17x24 MLP33x17x24 MLP35x17x24 MLP35x17x24- Không có ngày nghỉ cuối tuần Sai số 2,49% 2,60% 2,99% 3,14% 1,87% xli 3.6. Tóm lược chương 3 Qua xây dựng và thử nghiệm một số mô hình mạng neuron nhiều lớp MLP với 24 đầu ra sử dụng để dự báo biểu đồ phụ tải ngày, ta thấy rằng: - Vì mạng có 24 đầu ra là mạng có số thông số khá lớn, thuật toán huấn luyện Lavenberg- Marquardt không phù hợp về tốc độ tính toán. Đã tiến hành so sánh hiệu quả dự báo mạng 24 đầu ra với các thuật toán huấn luyện khác nhau. Thuật toán cho kết quả dự báo tốt nhất là thuật toán truyền ngược co giãn (resilient backpropagation - hàm trainrp) , xếp thứ hai là thuật toán có tốc độ học thích nghi (adaptive learning rate - hàm traingda). Hầu hết các thí nghiệm trong chương này đều dùng thuật toán truyền ngược co giãn và cho kết quả huấn luyện khá tốt. - Mô hình mạng MLP 24 đầu ra có thể cho sai số dự báo đạt mức tương đương với mô hình MLP một đầu ra trên cơ sở phương pháp đỉnh-đáy-dạng BĐPT. Ví dụ cùng số thông tin đầu vào (phụ tải quá khứ, nhiệt độ quá khứ, nhiệt độ ngày dự báo, mã ngày trong tuần) các mạng MLP-31xNx24, MLP-33xNx24, MLP-37xNx24 cho sai số dự báo BĐPT ngày đầu tiên ở mức 2,60%; 2,99%; 3,14% tương đương với mô hình đỉnh-đáy-dạng BĐPT (ở mức 2,60%). - Giảm sai số dự báo hoặc giữ ổn định mức sai số dự báo như đạt được trong mô hình đỉnh-đáy-dạng BĐPT và mô hình 24 đầu ra MLP-MxNx24 có thể đạt được bằng 2 cách: a. Cập nhật on-line hàng ngày thông số mạng (huấn luyện mạng on-line) trên cơ sở số liệu thực tế về phụ tải và thời tiết của ngày mới nhất. Việc cập nhật này được thực hiện trên cơ sở huấn luyện lại toàn bộ mạng với tập dữ liệu mới. Kết quả dự báo ngày kế tiếp dùng phưong pháp cập nhật mạng này cho sai số dự báo thấp hơn so với trường hợp dự báo một số ngày liên tiếp mà không cập nhật thông số mạng. Vì thời gian huấn luyện lại mạng trong trường hợp xem xét là chấp nhận được, mạng được cập nhật trên toàn bộ bộ số liệu mới hàng ngày. Nếu bộ số liệu là lớn hoặc năng lực tính toán là có hạn có thể xem xét cập nhật bộ trọng số mạng với một tập con số liệu các ngày mới nhất. b. Loại các ngày nghỉ cuối tuần và các ngày đặc biệt ra khỏi tập huấn luyện. Kết quả thí nghiệm cho thấy loại các ngày nghỉ cuối tuần ra khỏi tập dữ liệu huấn luyện cho kết quả dự báo biểu đồ phụ tải ngày đầu tiên giảm đến mức 1,89%. Như vậy, xử lý sơ bộ số liệu đầu vào, đặc biệt là số liệu về phụ tải quá khứ trước khi huấn luyện mạng là một công đoạn đóng vai trò khá quan trọng để đạt được hiệu quả dự báo cao. Các giải pháp nâng cao chất lượng mẫu học (như phân tích principal - gộp một số đầu vào tương quan thành một, phân tích tương quan, bổ sung thông tin về mùa,…) cũng cần được xem xét kỹ lưỡng trong các nghiên cứu tiếp theo. xlii CHƯƠNG 4 PHÂN LOẠI DẠNG BIỂU ĐỒ PHỤ TẢI NGÀY 4.1 Giới thiệu Kinh nghiệm chuyên gia vận hành hệ thống điện cho thấy các biểu đồ phụ tải ngày của một khu vực nào đó có thể phân thành một số nhóm nhất định. Ví dụ, các ngày nghỉ cuối tuần có biểu đồ phụ tải có thể gộp thành 1 nhóm, các ngày trước và sau ngày nghỉ như thứ Sáu và thứ Hai cũng có thể thuộc cùng 1 nhóm, từ thứ Ba-thứ Năm lại thuộc một nhóm khác; ngoài ra các ngày lễ-tết hoặc các ngày có sự kiện văn hoá thể thao đặc biệt ảnh hưởng đến nhu cầu điện lại có biểu đồ phụ tải dạng khác hẳn các ngày bình thường trong tuần. Việc phân các biểu đồ phụ tải thành các nhóm có 2 ý nghĩa quan trọng. Trước hết, nếu dự báo biểu đồ phụ tải bằng phương pháp dự báo đỉnh-đáy-dạng BĐPT thì việc phân loại này tạo cơ sở dữ liệu dạng biểu đồ phụ tải để xây dựng biểu đồ phụ tải cuối cùng của ngày dự báo sau khi xác định đỉnh và đáy phụ tải ngày. Thứ hai, nếu dự báo biểu đồ phụ tải ngày hoặc dự báo phụ tải từng giờ thì thông tin về các dạng biểu đồ phụ tải ngày nếu đưa vào mô hình sẽ giúp giảm sai số dự báo. Trong trường hợp này, sau khi phân loại các biểu đồ phụ tải quá khứ để đánh giá có bao nhiêu dạng ngày, thông tin về các dạng ngày đưa vào mô hình theo 2 cách: a) mã hoá các dạng ngày này và đưa vào đầu vào của mạng; b) nếu có N kiểu ngày thì xây dựng N mạng mỗi mạng dự báo cho một kiểu ngày. Mặt khác, các nhóm biểu đồ phụ tải được phân loại thường không vạn năng đối với mọi hệ thống. Nói cách khác, sự phân loại nào đó có thể đúng với hệ thống này nhưng lại không phù hợp với hệ thống khác (tính phụ thuộc vào hệ thống). Chính vì vậy, một hệ thống dự báo phụ tải điện nhất thiết phải có chức năng phân loại biểu đồ phụ tải ngày, dùng công cụ này hay công cụ khác. Về phương pháp, phân loại dạng biểu đồ phụ tải ngày – tương tự các bài toán nhận dạng mẫu khác – có thể được thực hiện bằng 2 cách: a)dùng các phương pháp xliii thống kê truyền thống và b)dùng các phương pháp trí tuệ nhân tạo, đặc biệt là mạng neuron nhân tạo. Trong số các loại mạng neuron nhân tạo, mạng ánh xạ đặc trưng tự tổ chức SOFM là loại mạng có nhiều tính năng ưu việt từ góc độ huấn luyện mạng không có tín hiệu giám sát, tức là quá trình phân loại không biết trước có bao nhiêu và những loại nhóm nào cần được phân loại. Vì vậy, trong chương này sẽ nghiên cứu ứng dụng loại mạng này để phân loại các biểu đồ phụ tải ngày trong hệ thống điện Việt Nam với bộ dữ liệu đại diện thu thập từ Công ty Điện lực Hà Nội. 4.2. Xây dựng mạng ánh xạ đặc trưng tự tổ chức Kohonen (K-SOFM) phân loại dạng biểu đồ phụ tải ngày Các thông tin ngắn gọn về mạng SOFM đã được trình bày ở giai đoạn I nghiên cứu này. Dưới đây trình bày các vấn đề có tính ứng dụng SOFM để xây dựng bộ phân loại biểu đồ phụ tải ngày và một số kết quả thử nghiệm. Mô tả bộ số liệu đầu vào Bộ dữ liệu đầu vào thu thập từ Công ty Điện lực Hà Nội có thể tổ chức dưới dạng ma trận R(731, 24). Từ đó ta có 731 biểu đồ phụ tải ngày (ứng với 2 năm 2003- 2004), mỗi biểu đồ phụ tải ngày có thể xem như một vector đầu vào P(i) dưới dạng P(i) = [P(i, 1) P(i,2) ... P(i, 24)] Vector P(i) có 24 phần tử P(i,j), j=1..24, mỗi phần tử là phụ tải của giờ thứ j của ngày thứ i. Biểu đồ phụ tải 7 ngày trong tuần đặc trưng của khu vực Hà Nội có dạng như trên hình 4.1 xliv Hình 4.1 Biểu đồ phụ tải 7 ngày tháng 11/2004 Hà Nội 0 100 200 300 400 500 600 700 800 1 4 7 10 13 16 19 22 h M W Saturday, 06 November 2004 Sunday, 07 November 2004 Monday, 08 November 2004 Tuesday, 09 November 2004 Wednesday, 10 November 2004 Thursday, 11 November 2004 Friday, 12 November 2004 Chuẩn hoá số liệu đầu vào Biểu đồ phụ tải ngày được chuẩn hoá theo các cách khác nhau. Ở đây sử dụng phương pháp chuẩn hoá dùng các giá trị min, max. Phân tích cho thấy cũng có 2 cách chuẩn hoá theo phương pháp này: theo giá trị min max của từng vector và theo giá trị min, max của cả bộ dữ liệu. Công thức chuẩn hoá theo 2 cách tương ứng như sau )()( )(),( ),( minmax max iPiP iPjiP jipn − −= (4.1) minmax max),(),( PP PjiP jipn − −= (4.2) với Pmax(i) và Pmin(i) là đỉnh và đáy phụ tải ngày thứ i, còn Pmax và Pmin là đỉnh và đáy phụ tải của cả tập dữ liệu. xlv Để đảm bảo phân loại được các biểu đồ phụ tải có mức phụ tải khác nhau ("giống nhau" theo trục thời gian nhưng khác nhau theo trục công suất) đề xuất sử dụng giá trị min, max của cả bộ dữ liệu, như vậy sẽ bảo tồn dạng theo trục công suất. Mẫu đầu vào của mạng sẽ bao gồm các tổ hợp khác nhau của các vector biểu đồ phụ tải trong tập số liệu ban đầu này. Cấu trúc mạng Để khởi tạo mạng SOFM cần xác định các thông số sau: số phần tử đầu vào, lưới phân bố neuron trong lớp, hàm tính khoảng cách giữa các neuron, số bước của pha xếp thứ tự neuron (ordering phase steps), vận tốc học pha xếp thứ tự neuron, vận tốc học pha chỉnh tinh, bán kính các neuron láng giềng pha chỉnh tinh. Ta lần lượt xem xét từng thông số này. - Số đầu vào: Vì vector biểu đồ phụ tải gồm 24 phần tử, số đầu vào của mạng sẽ là 24. - Lưới phân bố neuron: Mạng SOFM-Kohonen thuộc vào nhóm mạng một lớp, các nơron được phân bố trong không gian một chiều (đường thẳng) hoặc trong không gian hai chiều (mặt phẳng) theo kiểu lưới vuông (xem hình 4.2), lưới lục giác (xem hình 4.3) hay lưới ngẫu nhiên (hình 4.4). Lưới đường thẳng, lưới vuông và lưới lục giác thỏa mãn yêu cầu mỗi nơron có cùng số nơron trong từng lớp láng giềng. Số neuron trong từng lớp láng giềng của lưới ngẫu nhiên cũng là một số ngẫu nhiên. Matlab chứa 3 hàm để khởi tạo lưới vuông, lưới lục giác và lưới ngẫu nhiên là: gridtop(nx, ny), hextop(nx, ny) và randtop(nx, ny) tương ứng. xlvi Hình 4.2 Hình 4.3 xlvii Hình 4.4 Để đơn giản, ta chọn lưới chữ nhật 18x18 neuron để phân loại vector đầu vào P(24). -Hàm khoảng cách giữa các neuron: Có 4 cách phổ biến để tính khoảng cách từ neuron xem xét đến neuron láng giềng: khoảng cách euclide (hàm dist) khoảng cách hộp (hàm boxdist) khoảng cách đường nối (hàm linkdist) – bằng số bước cần thực hiện để đi từ neuron xem xét đến neuron láng giềng. khoảng cách manhattan (hàm mandist), tính bằng công thức: ∑ −= yxd Để khởi đầu ta chọn khoảng cách 'linkdist' để tạo mạng SOFM ( 'linkdist' là hàm mặc định của NNToolbox). - Bán kính láng giềng giai đoạn chỉnh tinh: xlviii Chọn bán kính láng giềng là 1 (giá trị mặc định). - Số bước của pha xếp thứ tự neuron ( OSTEPS): Mặc định số bước của pha xếp thứ tự neuron lấy bằng 1000. Theo khuyến cáo của chính Kohonen, số bước này càng nhiều thì hiệu quả huấn luyện càng cao và tối thiểu phải bằng 500 lần số neuron của mạng. Vì vậy, ta chọn số bước của pha xếp thứ tự neuron bằng 500x18x18. - Vận tốc học pha xếp thứ tự neuron và vận tốc học pha chỉnh tinh chọn giá trị mặc định theo NNToolbox tương ứng là 0,9 và 0,02. Tóm lại, để khởi tạo mạng SOFM với các thông số chọn như trên ta dùng lệnh SOMFnet=newsom([minp maxp],[18 18],'gridtop','linkdist', 0.9,500*18*18,0.02,2) Huấn luyện mạng Quá trình huấn luyện diễn ra như sau [NNTool Guidelines]: - Mạng tìm neuron thắng cuộc cho mỗi vector đầu vào - Ứng với mỗi neuron thắng cuộc, sau khi xác định tất cả các vector đầu vào kích thích nó hoặc kích thích các neuron láng giềng của nó, vector trọng số của neuron thắng cuộc này sẽ chuyển đến vị trí trung bình của tập các vector đầu vào đó. - Khoảng cách trên cơ sở đó xác định bán kính láng giềng thay đổi trong quá trình huấn luyện qua 2 pha: Pha sắp xếp neuron: pha này kéo dài OSTEPS bước, tức 500x18x18 trong trường hợp này, bán kính láng giềng sẽ giảm từ giá trị ban đầu xuống đến giá trị bán kính láng giềng của pha chỉnh tinh (ND=1). Theo chiều giảm bán kính láng giềng các neuron sẽ tự sắp xếp lại trong không gian đầu vào (cũng tức là các vector trọng số của neuron sắp xếp lại). Pha chỉnh tinh: bán kính láng giềng giữ giá trị tối thiểu (ND=1), vector trọng số điều chỉnh tinh nhưng vẫn giữ vị trí đã sắp xếp ở pha đầu. Vận tốc học tiếp tục giảm chậm từ giá trị vận tốc học xlix của pha chỉnh tinh ban đầu (ở đây là 0,02). Số chu kỳ huấn luyện ở pha này cần lớn hơn nhiều so với số bước của pha đầu. Mạng được huấn luyện như trên nhờ lệnh sau của Matlab SOFMnet = train(SOFMnet, pn); Nhận dạng các vector đầu vào Các vector đầu vào được xác định thuộc nhóm nào thông qua quá trình mô phỏng dùng mạng đã huấn luyện với lệnh sim và vec2index a = sim(SOFMnet, pn) ac=vec2index(a) 4.3 Kết quả và phân tích 4.3.1 Phân loại toàn bộ các vector phụ tải trong năm 2004 Dùng mạng SOFM-18x18 nói trên để phân loại toàn bộ vector phụ tải trong năm 2004. Kết quả phân loại đưa ra trong bảng 4.1 sau. Bảng 4.1 Mã số các neuron kích hoạt bởi các vector phụ tải ngày tương ứng I-II II-III III- IV IV- V V-VI VI- VII VII- VIII VIII- IX IX- X X- XI XI- XII XII Mon 35 17 16 16 27 24 56 40 2 5 26 7 11 Tue 17 34 50 16 45 23 74 60 1 4 7 6 11 Wed 17 33 32 14 26 22 73 43 20 3 6 6 11 Thu 17 32 32 31 44 42 74 44 38 3 7 6 10 Fri 14 15 16 33 88 22 74 44 38 3 25 6 11 Sat 35 15 52 52 88 43 76 63 58 77 45 44 12 Sun 72 53 54 71 87 82 83 85 79 80 64 64 68 Mon 17 16 33 16 63 66 23 23 19 24 6 28 11 Tue 33 50 50 31 84 47 20 21 37 5 6 11 10 Wed 14 32 50 29 49 26 37 20 55 2 25 12 10 Thu 17 32 32 33 48 23 73 20 55 3 8 12 10 Fri 35 50 32 51 48 22 73 39 55 2 7 12 28 Sat 54 52 51 52 67 61 74 62 78 61 64 68 30 Sun 72 54 54 88 86 82 75 83 82 81 86 70 68 Mon 72 16 15 31 26 42 73 23 24 2 9 13 10 Tue 90 14 31 47 24 23 57 21 25 41 8 12 10 Wed 89 18 31 47 4 22 37 1 42 4 9 11 10 Thu 90 16 49 31 41 40 19 20 85 3 9 11 9 Fri 90 16 49 34 42 41 39 39 23 3 8 13 9 l I-II II-III III- IV IV- V V-VI VI- VII VII- VIII VIII- IX IX- X X- XI XI- XII XII Sat 90 18 52 52 43 62 61 61 61 64 46 50 12 Sun 90 54 54 70 84 83 83 81 80 87 86 69 68 Mon 90 17 15 49 48 42 43 38 37 27 27 12 11 Tue 54 15 15 47 46 23 23 37 1 8 7 12 10 Wed 36 34 33 47 66 41 42 55 40 25 7 10 10 Thu 36 15 33 47 48 39 21 56 25 45 7 11 10 Fri 18 51 51 27 47 38 21 76 24 60 8 10 30 Sat 36 52 52 65 65 76 59 59 62 64 46 30 Sun 54 71 71 87 85 79 80 80 82 86 86 69 Phân tích phân bố các neuron được kích hoạt bởi các ngày cùng thứ trong tuần trên lưới, ví dụ, các ngày Chủ nhật (bảng 4.2a,b,c), các ngày thứ Hai (bảng 4.3 a,b,c) và các ngày thứ Ba (bảng 4.4 a,b,c), ta thấy rằng cùng là ngày Chủ nhật nhưng rơi vào các nhóm mùa khác nhau (mùa 1: tháng 1 đến tháng 4; mùa 2: tháng 5-8; mùa 3: tháng 9-12) thì kích hoạt các nhóm neuron khác nhau. Vì vậy không thể nhóm các ngày cùng thứ trong tuần với nhau lại mà không tính đến yếu tố mùa. Nói cách khác, thông tin về mùa là thiết yếu trong đầu vào của mạng neuron dự báo phụ tải ngắn hạn. Hình 4.5 minh hoạ sự khác biệt đặc trưng của biểu đồ phụ tải các tháng khác nhau trong năm. Bảng 4.2 a)Chủ nhật (mùa đầu năm) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 li Bảng 4.2 b)Chủ nhật (mùa giữa năm) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 Bảng 4.2 c)Chủ nhật (mùa cuối năm) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 lii Bảng 4.2 d)Chủ nhật (cả năm) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 Bảng 4.3 a)Thứ Hai (mùa đầu năm) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 liii Bảng 4.3 b)Thứ Hai (mùa giữa năm) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 Bảng 4.3 c)Thứ Hai (mùa cuối năm) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 liv Bảng 4.3 d)Thứ Hai (cả năm) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 Bảng 4.4 a)Thứ Ba (mùa đầu năm) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 lv Bảng 4.4 b)Thứ Ba (mùa giữa năm) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 Bảng 4.4 c)Thứ Ba (mùa cuối năm) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 lvi Bảng 4.4 d) Thứ Ba (cả năm) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 Hình 4.5. Khác biệt đặc trưng biểu đồ phụ tải ngày thường giữa tháng Giêng, tháng 7 và tháng 11 (số liệu năm 2003 Hà Nội) 4.3.2 Phân loại các vector phụ tải của 12 tuần đại diện cho 12 tháng trong năm 2004 Chọn các vector phụ tải của tuần đầu tiên của tất cả 12 tháng trong năm 2004 làm đầu vào cho mạng SOFM-18x18. Mã các neuron kích hoạt bởi các vector phụ tải tương ứng nêu trong bảng 4.5 và phân bố các nhóm neuron được kích hoạt trên lưới 0 100 200 300 400 500 600 1 3 5 7 9 11 13 15 17 19 21 23 Tuesday, 07 January 2003 Tuesday, 14 January 2003 Tuesday, 21 January 2003 Tuesday, 28 January 2003 0 100 200 300 400 500 600 700 1 3 5 7 9 11 13 15 17 19 21 23 Tuesday, 01 July 2003 Tuesday, 08 July 2003 Tuesday, 15 July 2003 Tuesday, 22 July 2003 Tuesday, 29 July 2003 0 100 200 300 400 500 600 700 1 3 5 7 9 11 13 15 17 19 21 23 Tuesday, 04 November 2003 Tuesday, 11 November 2003 Tuesday, 18 November 2003 Tuesday, 25 November 2003 lvii 18x18 trong bảng 4.6 (màu xanh: mã tháng I-IV; màu đỏ: mã tháng V-IX và màu tím: mã tháng IX-XII) Bảng 4.5 Mã số các neuron kích hoạt bởi các vector phụ tải ngày tương ứng Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Mon 53 72 89 90 27 59 1 76 37 80 63 82 Tue 52 71 69 85 13 76 2 22 3 61 79 82 Wed 52 87 86 84 68 74 37 39 41 61 79 82 Thu 53 68 86 69 67 40 20 73 43 44 79 82 Fri 88 88 89 51 48 6 4 4 59 24 79 82 Sat 72 90 35 54 49 8 7 7 26 47 47 83 Sun 18 17 18 18 14 11 11 10 10 14 14 33 Bảng 4.6 Phân bố neuron được kích hoạt trên lưới 18x18 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 Qua phân bố neuron trên lưới dễ nhận thấy hiệu ứng mùa: các neuron kích hoạt bởi các biểu đồ phụ tải cùng mùa thường nằm trong cùng nhóm, (rõ nhất là thời gian từ tháng 1-4). 4.3.3. Phân loại các vector phụ tải của từng tháng, đặc biệt các tháng có ngày lễ-tết. lviii Tháng Giêng Jan-04 Sun 3 2 3 1 Mon 324 324 3 1 Tue 324 324 1 3 Wed 324 324 1 304 Thu 3 324 324 1 287 Fri 324 324 324 1 324 Sat 287 324 4 1 304 - Ngày Tết Dương lịch 1/1/2004 rơi vào thứ Năm, neuron kích hoạt có nhãn là 3 khác với các neuron được kích hoạt bởi các ngày thứ Năm khác (324,324,1,287). Ngoài ra neuron 3 là neuron kích hoạt các ngày Chủ Nhật. Vì vậy, cũng có thể kết luận rằng biểu đồ phụ tải ngày 1/1/2004 cùng nhóm ngày Chủ Nhật. - Nhóm kích hoạt neuron 1 là nhóm thuộc các ngày nghỉ Tết Âm lịch và các ngày lân cận. - Neuron 324 đại diện cho nhóm các ngày làm việc bình thường. - Các đặc điểm nêu trên dễ nhận thấy nếu phân tích trên các biểu đồ hình 4.6 - Kết quả phân loại theo phương pháp chuẩn hoá theo min và max của từng BĐPT như sau. Jan-04 Sun 306 306 37 1 Mon 323 270 19 19 Tue 323 323 2 3 Wed 323 323 1 324 Thu 19 306 270 1 324 Fri 323 305 323 1 324 Sat 306 305 324 1 305 Dễ thấy rằng nếu chuẩn hoá theo min và max của từng BĐPT thì không thể phân loại được như trên. Ví dụ, ngày thứ Năm 8/1/2004 gần với ngày thứ Hai 5/1/2004, trong khi đó theo cách chuẩn hoá này thì lại được nhóm cùng với ngày Chủ nhật 4/1/2004 (neuron 306)!? lix Hình 4.6 0 100 200 300 400 500 600 700 1 4 7 10 13 16 19 22 Monday, 05 January 2004 Monday, 12 January 2004 Monday, 19 January 2004 Monday, 26 January 2004 0 100 200 300 400 500 600 700 1 3 5 7 9 11 13 15 17 19 21 23 Tuesday, 06 January 2004 Tuesday, 13 January 2004 Tuesday, 20 January 2004 Tuesday, 27 January 2004 0 100 200 300 400 500 600 700 1 3 5 7 9 11 13 15 17 19 21 23 Wednesday, 07 January 2004 Wednesday, 14 January 2004 Wednesday, 21 January 2004 Wednesday, 28 January 2004 0 100 200 300 400 500 600 700 1 3 5 7 9 11 13 15 17 19 21 23 Thursday, 08 January 2004 Thursday, 15 January 2004 Thursday, 22 January 2004 Thursday, 29 January 2004 0 100 200 300 400 500 600 700 1 3 5 7 9 11 13 15 17 19 21 23 Friday, 09 January 2004 Friday, 16 January 2004 Friday, 23 January 2004 Friday, 30 January 2004 0 100 200 300 400 500 600 700 1 3 5 7 9 11 13 15 17 19 21 23 Saturday, 10 January 2004 Saturday, 17 January 2004 Saturday, 24 January 2004 Saturday, 31 January 2004 0 100 200 300 400 500 600 1 3 5 7 9 11 13 15 17 19 21 23 Sunday, 04 January 2004 Sunday, 11 January 2004 Sunday, 18 January 2004 Sunday, 25 January 2004 lx Tháng Hai: Feb-04 Sun 73 73 73 73 73 Mon 69 17 17 69 Tue 69 54 89 89 Wed 90 90 55 53 Thu 72 90 17 17 Fri 17 72 17 12 Sat 17 40 55 6 Tháng Ba: Mar-04 Sun 37 37 37 37 Mon 13 32 32 51 12 Tue 87 7 72 51 59 Wed 36 86 18 32 89 Thu 72 18 36 7 Fri 59 18 36 22 Sat 37 76 22 37 Tháng Tư: Apr-04 Sun 19 19 19 4 Mon 75 15 67 90 Tue 15 89 89 90 Wed 54 89 72 90 Thu 15 75 84 90 90 Fri 75 23 6 90 19 Sat 3 6 6 33 Tháng Năm: May-04 Sun 90 89 69 32 12 Mon 67 4 12 37 87 Tue 69 73 86 73 Wed 69 73 69 73 Thu 69 73 69 74 Fri 12 37 12 73 Sat 90 12 58 12 58 lxi Ngày 1/5/2004 rơi vào thứ Bảy, kích hoạt neuron 90, khác biệt với 2 neuron còn lại được kích hoạt bởi các ngày thứ Bảy kia (12,12,58,58). Tháng Sáu: Jun-04 Sun 1 1 15 1 Mon 19 19 54 67 Tue 1 67 67 90 33 Wed 19 67 67 54 17 Thu 67 67 33 90 Fri 67 8 89 90 Sat 73 1 15 15 Tháng Bảy: Jul-04 Sun 1 54 54 54 Mon 73 72 40 18 Tue 73 18 36 4 Wed 73 18 71 19 Thu 73 73 5 72 19 Fri 73 22 5 72 22 Sat 73 90 13 54 54 Tháng Tám Aug 2004 Sun 90 90 90 90 90 Mon 84 38 7 37 54 Tue 7 37 57 37 54 Wed 2 37 57 37 Thu 73 37 38 37 Fri 77 77 4 37 Sat 90 87 77 90 Tháng Chín: Sep-04 Sun 72 72 72 72 Mon 1 7 51 1 Tue 1 55 7 13 Wed 15 37 1 1 55 Thu 72 16 37 1 1 Fri 14 14 1 1 Sat 87 72 15 53 lxii Ngày Quốc khánh 2/9 rơi vào thứ Năm và kích hoạt neuron 72, trùng với nhóm neuron Chủ nhật và khác biệt với nhóm neuron còn lại của ngày thứ Năm (1,1,16,37). Tháng Mười Oct-04 Sun 73 73 74 73 73 Mon 31 31 36 12 Tue 69 70 36 13 Wed 69 36 70 87 Thu 87 89 69 87 Fri 36 70 70 70 69 Sat 55 3 84 3 22 Tháng 11: Nov-04 Sun 54 87 54 54 Mon 57 1 74 51 14 Tue 1 1 40 69 32 Wed 1 1 50 40 324 Thu 1 1 15 79 Fri 1 1 32 15 Sat 12 73 54 54 Tháng 12: Dec-04 Sun 1 1 1 1 Mon 31 72 72 72 Tue 72 72 72 72 Wed 72 72 72 72 72 Thu 31 72 72 72 72 Fri 72 72 72 72 41 Sat 40 86 76 60 0 Hình 4.7 là kết quả phân loại mùa đầu tiên của năm 2003. Nhận xét: - Các ngày Chủ nhật là đồng dạng nhất trong tuần - Nhóm các ngày làm việc cùng với nhau là hợp lý, tuy nhiên không phải đối với tháng nào sự phân loại này cũng phù hợp... lxiii - Các ngày lế đặc biệt như 1/5, 2/9 kích hoạt các neuron riêng biệt, thường không thuộc nhóm các neuron được kích hoạt bởi phụ tải ngày trong tuần bình thường. - Để tách tự động thành các nhóm vector phụ tải "đồng dạng", bản thân SOFM-Kohonen chưa đủ thông tin, cần bước clustering hoặc dùng một thuật toán khác ngay từ đầu để phân loại. 152 153 154 155 156 157 158 159 160 161 162 145 146 147 148 149 150 151 170 171 172 173 174 175 176 177 178 179 180 163 164 165 166 167 168 169 188 189 190 191 192 193 194 195 196 197 198 181 182 183 184 185 186 187 206 207 208 209 210 211 212 213 214 215 216 199 200 201 202 203 204 205 224 225 226 227 228 229 230 231 232 233 234 217 218 219 220 221 222 223 242 243 244 245 246 247 248 249 250 251 252 235 236 237 238 239 240 241 260 261 262 263 264 265 266 267 268 269 270 253 254 255 256 257 258 259 278 279 280 281 282 283 284 285 286 287 288 271 272 273 274 275 276 277 296 297 298 299 300 301 302 303 304 305 306 289 290 291 292 293 294 295 314 315 316 317 318 319 320 321 322 323 324 307 308 309 310 311 312 313 8 9 10 11 12 13 14 15 16 17 18 1 2 3 4 5 6 7 26 27 28 29 30 31 32 33 34 35 36 19 20 21 22 23 24 25 44 45 46 47 48 49 50 51 52 53 54 37 38 39 40 41 42 43 62 63 64 65 66 67 68 69 70 71 72 55 56 57 58 59 60 61 80 81 82 83 84 85 86 87 88 89 90 73 74 75 76 77 78 79 98 99 100 101 102 103 104 105 106 107 108 91 92 93 94 95 96 97 116 117 118 119 120 121 122 123 124 125 126 109 110 111 112 113 114 115 0 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Sunday, 19 January 2003 Sunday, 23 February 2003 Sunday, 06 April 2003 0 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Thursday, 20 February 2003 Thursday, 27 February 2003 Thursday, 27 March 2003 Thursday, 03 April 2003 Thursday, 10 April 2003 Thursday, 17 April 2003 Thursday, 24 April 20030 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Wednesday, 19 March 2003 0 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Wednesday, 22 January 2003 Wednesday, 19 February 2003 Tuesday, 04 March 2003 Tuesday, 01 April 2003 Tuesday, 15 April 2003 Wednesday, 16 April 2003 0 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Wednesday, 05 March 2003 Monday, 31 March 2003 Wednesday, 02 April 2003 Friday, 04 April 2003 Wednesday, 09 April 2003 Friday, 11 April 2003 Friday, 18 April 2003 Saturday, 19 April 2003 0 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Tuesday, 11 February 2003 Friday, 21 February 2003 Tuesday, 25 February 2003 Saturday, 01 March 2003 Friday, 07 March 2003 Saturday, 15 March 2003 Friday, 21 March 2003 Tuesday, 25 March 2003 0 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Sunday, 13 April 2003 Sunday, 20 April 2003 Sunday, 27 April 2003 0 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Saturday, 18 January 2003 Friday, 24 January 2003 Saturday, 25 January 2003 Saturday, 22 February 2003 Wednesday, 26 February 2003 0 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Monday, 20 January 2003 Monday, 03 March 2003 Monday, 10 March 2003 Monday, 17 March 2003 Monday, 24 March 2003 Monday, 07 April 2003 Monday, 14 April 2003 Thursday, 13 March 2003 0 100 200 300 400 500 600 1 3 5 7 9 11 13 15 17 19 21 23 Thursday, 13 March 2003 0 100 200 300 400 500 600 1 3 5 7 9 11 13 15 17 19 21 23 Friday, 17 January 2003 Sunday, 02 March 2003 Thursday, 06 March 2003 Sunday, 09 March 2003 Sunday, 16 March 2003 Sunday, 30 March 2003 Monday, 27 January 2003 0 50 100 150 200 250 300 350 400 450 1 3 5 7 9 11 13 15 17 19 21 23 Monday, 27 January 2003 0 50 100 150 200 250 300 350 400 450 1 3 5 7 9 11 13 15 17 19 21 23 Monday, 06 January 2003 Tuesday, 07 January 2003 Tuesday, 28 January 2003 Saturday, 08 February 2003 0 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Sunday, 05 January 2003 Sunday, 12 January 2003 Sunday, 26 January 2003 Friday, 31 January 2003 Sunday, 09 February 2003 Sunday, 16 February 2003 0 50 100 150 200 250 300 350 400 450 500 1 3 5 7 9 11 13 15 17 19 21 23 Saturday, 15 February 2003 Saturday, 08 March 2003 0 50 100 150 200 250 300 350 400 450 1 3 5 7 9 11 13 15 17 19 21 23 Sunday, 23 March 2003 0 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Giờ M W Monday, 13 January 2003 Monday, 10 February 2003 Monday, 17 February 2003 Friday, 14 March 2003 Friday, 28 March 2003 0 50 100 150 200 250 300 350 400 450 500 1 5 9 13 17 21 Friday, 03 January 2003 Wednesday, 08 January 2003 Friday, 10 January 2003 Wednesday, 29 January 2003 Wednesday, 05 February 2003 Friday, 07 February 2003 0 50 100 150 200 250 300 350 400 1 4 7 10 13 16 19 22 Wednesday, 01 January 2003 Saturday, 04 January 2003 Saturday, 11 January 2003 Thursday, 30 January 2003 Sunday, 02 February 2003 Monday, 03 February 2003 Tuesday, 04 February 2003 0 100 200 300 400 500 600 1 3 5 7 9 11 13 15 17 19 21 23 Thursday, 16 January 2003 Thursday, 23 January 2003 Thursday, 20 March 2003 0 100 200 300 400 500 600 1 3 5 7 9 11 13 15 17 19 21 23 Tuesday, 14 January 2003 Tuesday, 21 January 2003 Tuesday, 18 February 2003 Tuesday, 11 March 2003 0 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Friday, 14 February 2003 0 100 200 300 400 500 600 1 3 5 7 9 11 13 15 17 19 21 23 Thursday, 02 January 2003 Thursday, 09 January 2003 Monday, 13 January 2003 Thursday, 06 February 2003 0 50 100 150 200 250 300 350 400 450 1 4 7 10 13 16 19 22 Thursday, 06 February 2003 Saturday, 22 March 2003 0 50 100 150 200 250 300 350 400 450 500 1 3 5 7 9 11 13 15 17 19 21 23 Saturday, 22 March 2003 0 0 0 0 0 0 0 1 4 7 10 13 16 19 22 Thursday, 20 February 2 03 Thursday, 27 February 2003 Thursday, 27 March 2003 Thursday, 03 April 2003 Thursday, 10 April 2003 Thursday, 17 April 2003 Thursday, 24 April 20030 100 200 300 400 500 1 4 7 10 13 16 19 22 Wednesday, 19 March 2003 1 4 7 10 13 16 19 22 Wednesday, 22 January 2003 Wednesday, 19 February 2003 Tuesday, 04 March 2003 Tuesday, 01 April 2003 Tuesday, 15 April 2003 Wednesday, 16 April 2003 0 100 200 1 4 7 10 13 16 19 22 ednesday, 05 arch 2003 onday, 31 r , April 2003 Friday, 04 April 2003 ednesday, 09 ril ri , ril Friday, 18 April 2003 Saturday, 19 April 2003 7 10 13 16 19 2 Tuesday, 11 February 2003 Friday, 21 February 2003 Tuesday, 25 February 2003 Saturday, 01 March 2003 Friday, 07 March 20 3 Saturday, 15 March 2003 Friday, 21 March 20 3 Tuesday, 25 March 2003 1 3 16 19 22 Sunday, 13 April 2003 Sunday, 20 April 2003 Sunday, 27 April 2003 0 100 200 1 4 7 10 13 16 19 22 Saturday, 18 January 2003 Friday, 24 January 2003 Saturday, 25 January 2003 Saturday, 22 February 2003 ednesday, 26 February 2003 0 100 300 1 4 7 10 13 16 19 22 onday, 20 January 2003 onday, 03 arch 2003 , r , arch 2003 onday, 24 arch 2003 onday, 07 April , ril 2003 0 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Friday, 28 February 2003 Tuesday, 18 March 2003 0 100 200 300 400 500 600 1 7 13 19 Giờ M W Monday, 13 January 2003 Monday, 10 February 2003 Monday, 17 February 2003 0 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Wednesday, 15 January 2003 Wednesday, 12 February 2003 Wednesday, 12 March 2003 Wednesday, 26 March 2003 Hình 4.7. Kết quả phân loại mùa đầu năm 2003 lxiv 4.4 Tóm lược chương 4 Phân loại dạng biểu đồ phụ tải có 2 ý nghĩa quan trọng: nếu dùng phương pháp dự báo đỉnh-đáy-dạng biểu đồ phụ tải để dự báo thì việc phân loại này giúp xây dựng cơ sở dữ liệu các dạng biểu đồ phụ tải cần thiết cho phương pháp; nếu dùng phương pháp dự báo phụ tải đồng thời 24 giờ hoặc dự báo phụ tải từng giờ tới thì việc phân loại này sẽ cung cấp thông tin ban đầu về dạng biểu đồ mà ngày dự báo này trực thuộc để làm giảm sai số dự báo. Các thử nghiêm với bộ dữ liệu quá khứ về phụ tải khu vực Hà Nội cho thấy mạng ánh xạ tự tổ chức SOFM xây dựng trong chương này có thể phân loại các biểu đồ phụ tải ngày thành các nhóm khác nhau. Biểu đồ phụ tải các ngày Chủ Nhật trong tháng thường có dạng đồng nhất cao, vì vậy được phân loại thành một nhóm nhất định. Các ngày làm việc bình thường có thể nhóm thành một nhóm khác, tuy nhiên, luật phân loại này không phải đối với tháng nào cũng phù hợp. Các ngày lễ-tết đặc biệt như Tết Dương lịch, Tết Âm lịch, 1/5, 2/9,... kích hoạt các neuron riêng biệt, thường không thuộc nhóm các neuron được kích hoạt bởi phụ tải ngày trong tuần bình thường. Kết quả phân loại dùng SOFM cũng cho thấy các biểu đồ phụ tải phụ thuộc vào mùa trong năm rất cao (như có thể kết luận từ quan sát trực quan chuỗi số liệu phụ tải). Biểu đồ phụ tải của 3 mùa (theo phân loại mùa xem xét trước đây) kích hoạt 3 nhóm neuron khác hẳn nhau trên lưới của mạng SOFM-Kohonen. Mạng SOFM cho thấy khả năng phân loại khá tốt các biểu đồ phụ tải điện quá khứ. Tuy nhiên, vì tính tương tự của các biểu đồ phụ tải là khá cao nên để tách chúng thành các nhóm vector phụ tải "đồng dạng", bản thân SOFM-Kohonen chưa đủ thông tin, cần bước clustering trực quan hoặc dùng một thuật toán khác ngay từ đầu để phân loại tự động. lxv Khảo cứu: *[Tomonobu2002-49]: Chọn các ngày tương tự dùng Euclidian norm với trọng số. *[Rui-50]: - Phân loại kiểu ngày không thể giải quyết vạn năng, nó phụ thuộc vào đặc điểm hệ thống điện - Phân loại kiểu ngày có thể bằng 2 cách: truyền thống và ANN - Bài toán phân loại kiểu ngày có 2 ý nghĩa: * là bước 3 của phương pháp dự báo đỉnh-đáy-dạng BDDPT * để đánh giá có bao nhiêu kiểu ngày và đưa thông tin về các kiểu ngày vào mô hình, theo 2 cách: a) mã hoá các kiểu ngày này và đưa vào đầu vào của mạng; b) nếu có N kiểu ngày thì xây dựng N mạng mỗi mạng dự báo cho 1kiểu ngày. *[Gavrilas]: - Vẽ các biểu đồ phụ tải ngày cho các ngày Chủ nhật, thứ Hai, thứ Ba,... - lxvi 0 100 200 300 400 500 600 700 1 4 7 10 13 16 19 22 Monday, 05 January 2004 Monday, 12 January 2004 Monday, 19 January 2004 Monday, 26 January 2004 0 100 200 300 400 500 600 1 4 7 10 13 16 19 22 Monday, 06 January 2003 Monday, 13 January 2003 Monday, 20 January 2003 Monday, 27 January 2003 0 100 200 300 400 500 600 1 3 5 7 9 11 13 15 17 19 21 23 Tuesday, 07 January 2003 Tuesday, 14 January 2003 Tuesday, 21 January 2003 Tuesday, 28 January 2003 0 100 200 300 400 500 600 700 1 3 5 7 9 11 13 15 17 19 21 23 Tuesday, 06 January 2004 Tuesday, 13 January 2004 Tuesday, 20 January 2004 Tuesday, 27 January 2004 0 100 200 300 400 500 600 1 3 5 7 9 11 13 15 17 19 21 23 Wednesday, 01 January 2003 Wednesday, 08 January 2003 Wednesday, 15 January 2003 Wednesday, 22 January 2003 Wednesday, 29 January 2003 0 100 200 300 400 500 600 700 1 3 5 7 9 11 13 15 17 19 21 23 Wednesday, 07 January 2004 Wednesday, 14 January 2004 Wednesday, 21 January 2004 Wednesday, 28 January 2004 0 100 200 300 400 500 600 700 1 3 5 7 9 11 13 15 17 19 21 23 Thursday, 08 January 2004 Thursday, 15 January 2004 Thursday, 22 January 2004 Thursday, 29 January 2004 0 100 200 300 400 500 600 700 1 3 5 7 9 11 13 15 17 19 21 23 Friday, 09 January 2004 Friday, 16 January 2004 Friday, 23 January 2004 Friday, 30 January 2004 0 100 200 300 400 500 600 700 1 3 5 7 9 11 13 15 17 19 21 23 Saturday, 10 January 2004 Saturday, 17 January 2004 Saturday, 24 January 2004 Saturday, 31 January 2004 0 100 200 300 400 500 600 1 3 5 7 9 11 13 15 17 19 21 23 Sunday, 04 January 2004 Sunday, 11 January 2004 Sunday, 18 January 2004 Sunday, 25 January 2004 0 100 200 300 400 500 600 1 3 5 7 9 11 13 15 17 19 21 23 Thursday, 02 January 2003 Thursday, 09 January 2003 Thursday, 16 January 2003 Thursday, 23 January 2003 0 100 200 300 400 500 600 1 3 5 7 9 11 13 15 17 19 21 23 Friday, 03 January 2003 Friday, 10 January 2003 Friday, 17 January 2003 Friday, 24 January 2003 Friday, 24 January 2003 0 100 200 300 400 500 600 1 3 5 7 9 11 13 15 17 19 21 23 Saturday, 04 January 2003 Saturday, 11 January 2003 Saturday, 18 January 2003 Saturday, 25 January 2003 0 100 200 300 400 500 600 1 3 5 7 9 11 13 15 17 19 21 23 Sunday, 05 January 2003 Sunday, 12 January 2003 Sunday, 19 January 2003 Sunday, 26 January 2003 - Đỉnh thứ nhất của Chủ nhật thấp hơn nhiều so với ngày thường. - Đỉnh thứ hai ít thay đổi so với ngày thường. (chủ yếu phụ tải ánh sáng sinh hoạt không khác nhiều giữa ngày thường và Chủ nhật) lxvii Tài liệu tham khảo 9. Chin-Teng Lin, George Lee, “Neural Fuzzy Systems”, 1996. 10. Tran Ky Phuc, Pham Thuong Han, Le Thi Thanh Ha, Quach Tuan Dung, “Applied research Artificial Neural Network in Short term Load Forecasting in Vietnam, Part 1”. Today Automation magazine 07/12/2001. 11. M. Espinoza, Caroline Joye, Ronnie Belmans, Bart De MoorShort-term load forcasting, profile identification, and customer segmentation: a methodology based on periodic time series. IEEE Transactions on Power System, Vol. 20, No. 3, August 2005. 12. Kohonen T.K. “Self-Organization and Associative Memory” 1989. 13. Christianse W.R., “Short term Load Forecasting using general exponential smoothing”, IEEE Transactions on Power Apparatus and Systems, Vol. 90, 1971. 14. Park D.C et al. Electric Load Forecasting Using an Artificial Neural Network. IEEE Transactions on Power System, Vol. 6, No. 2, May 1991. 15. Lee K.Y. et al. Short-term Load Forecasting using an Artificial Neural Network. IEEE Transaction on Power System, Vol 7, No. 1, February 1992. 16. Quach Tuan Dung, Daily Load forecasting for Vietnam Power System. Science Report, National Load Dispatch – EVN 2000. 17. A.G. Bakirtzis, et. al, “A Neural Network Short Term Load Forecasting Model for the Greek Power System,” IEEE Trans. PWRS, vol. 11, no. 2, pp. 858-863, May, 1996 18. T.S. Dillon, S. Sestito and S. Leung, “Short Term Load Forecasting Using an Adaptive Neural Network,” Electrical Power and Energy Systems, vol. 13, no. 4, Aug. 1991. 19. K. Ho, Y. Hsu, C. Yang, “Short Term Load Forecasting Using a Multi-Layer Neural Network with an Adaptive Learning Algorithm,” IEEE Trans. PWRS, vol. 7, pp. 141-149, no. 1, Feb. 1992. 20. A. Khotanzad, A. Abaye, and D. Maratukulam, “Forecasting Power System Peak Loads by an Adaptive Neural Network,” Intelligent Engineering Systems Through Artificial Neural Networks, vol. 3, edited by C.H. Dagli, et. al, ASME Press, pp. 891-896, 1993. 21. A. Khotanzad, R. Afkhami-Rohani, T.L. Lu, M.H. Davis, A. Abaye, and D.J. Maratukulam, “ANNSTLF - A Neural Network-Based Electric Load Forecasting System,” IEEE Trans. on Neural Networks, vol. 8, no. 4, pp. 835- 846, July, 97. 22. A. Khotanzad, M.H. Davis, A. Abaye, and D.J. Martukulam, “An Artificial Neural Network Hourly Temperature Forecaster with Applications in Load Forecasting,” IEEE Trans. PWRS, vol. 11, pp. 870-876, no. 2, May 1996. 23. A. Khotanzad, R.C. Hwang, A. Abaye, and D. Maratukulam, “An Adaptive Modu