Lời cam đoan i
Lời Thank ii
Mục lục iii
Bảng ký hiệu vi
Danh mục hình vii
Danh mục bảng X
Mở đầu 1
Chương l ễ Nhu cầu thực tiễn về dự báo phụ tải điện và một số phương
pháp dự báo hiện có 7
1.1 Nhu cầu thực tiễn về dự báo phụ tải điện 7
1.2 Các phương pháp dự báo đang được nghiên cứu và ứng dụng 9
1.2.1 Phân loại các phương pháp dự báo phụ tải điện 9
1.2.2 Một số phương pháp dự báo điển hình 10
1.3 Cơ sở xây dựng phương pháp dự báo phụ tải mới sử dụng mạng
nơ ron nhân tạo 13
Chương 2. Giói thiệu về mạng nơ ron nhân tạo 14
2.1 Trí tuệ nhân tạo 14
2.2 Nơ ron sinh học 15
2.3 Mạng nơ ron nhân tạo 16
2.3.1 Lịch sử hình thành và phát triển 17
2.3.2 Mô hình mạng nơ ron nhân tạo 17
2.3.3 Các hàm kích hoạt 19
2.3.4 Phân loại các mạng nơ ron 21
2.4 Huấn luyện mạng nơ ron 22
2.5 Hàm mục tiêu 24
2.6 Một số ứng dụng của mạng nơ ron 25
MỤC LỤCChương 3ẳ Đặc điểm biểu đồ phụ tải tỉnh Sóc Trăng 27
3.1 Biểu đồ phụ tải điện 27
3.2 Các yếu tố ảnh hưởng đến phụ tải điện 28
3.3 Dạng biểu đồ phụ tải 35
3.4 Đỉnh và đáy biểu đồ phụ tải 3 6
Chương 4. ứng dụng mạng nơ ron nhân tạo trong bài toán
phân loại kiểu ngày 38
4.1 Đối tượng để phân loại 38
4.2 Phương pháp phân loại dạng biểu đồ phụ tải 38
4.3 Mạng Kohonen và ứng dụng trong phân loại kiểu ngày 39
4.3.1 Giới thiệu 39
4.3.2 Thuật giải SOM 40
4.4 Phương pháp trọng tâm mờ ứng dụng phân loại kiểu ngày 41
4.5 ứ n g dụng thuật toán và chạy thử mạng 43
4.5.1 Xử lý số liệu thu thập 43
4.5.2 Phân nhóm biểu đồ phụ tải 44
4.6 Xây dựng giao diện dự báo hình dạng biểu đồ phụ tải 50
Chương 5. Xác định các thông số đầu vào cho mạng MLP và thuật toán
Levenberg - Martquardt 53
5.1 Lựa chọn các thông số đàu vào phục vụ quá trình huấn luyện
mạng nơ ron 53
5.1.1 Phân tích tương quan 54
5.1.2 Tìm hệ số tương quan giữa công suất với công suất
trong quá khứ 56
5.1.3 Một số kết quả thu được 57
5.2 Lựa chọn mạng nơ ron cho bài toán dự báo đỉnh và đáy BĐPT 62
5.2.1 Mạng Perceptron MLP 62
5.2.2 Thuật toán Levenberg Marquardt 65
5.3 Sơ lược về bài toán dự báo dữ liệu 68
Chương 6ế Kết quả tính toán mô phỏng 73
6.1 Xây dựng mô hình dự báo phụ tải cao điểm và thấp điểm 73
6.2 cách xây dựng mô hình 73
6.3 Các bước tiến hành huấn luyện mạng với mô hình 3 75
6.3.1 Xây dựng mạng dự báo đỉnh BĐPT 75
6.3.2 Xây dựng mạng dự báo đáy BĐPT 81
6.4 Xây dựng mạng cho mô hình 1 83
6.4.1 Các mô hình dự báo đỉnh BĐPT 83
6.4.2 Các mô hình dự báo đáy BĐPT 84
6.5 Xây dựng mạng cho mô hình 2 85
6.5.1 Các mô hình dự báo đỉnh BĐPT 85
6.5.2 Các mô hình dự báo đáy BĐPT 86
6.6 Tiến hành dự báo Pmax Pmin và đánh giá sai số 88
6.7 Dự báo phụ tải cho 24 giờ sau 91
6.8 Xây dựng giao diện phần mềm dự báo BĐPT 100
Kết luận và kiến nghị 104
Tài liệu tham khảo 108
Phụ lục I: 110
Phụ lục II: 111
l ể Tính cấp thiết của đề tài
Trong những năm gần đây, thực hiện tiến trình công nghiệp hóa, hiện đại hóa
đất nước đã đẩy nhanh sự phát ừiển của nền kinh tế, ứng dụng các thành tựu khoa
học công nghệ dẫn đến nhu cầu sử dụng điện tăng cao. Theo dự báo của Tổng công
ty Điện lực Việt Nam nhu cầu phụ tải điện ừong giai đoạn 2006-2010 tăng 16-
17%/năm. Tính đến hết 12/2006 điện lưới Quốc gia đã phủ đến 97,84% số xã, 98%
số huyện và hơn 93% số hộ dân được dùng điện. Với tốc độ phát triển phụ tải ừên
thì công tác dự báo phụ tải là một trong những đề tài quan tâm chủ yếu trong lĩnh
vực phát điện, truyền tải và phân phối điện năng.
Bên cạnh việc xây dựng thêm nhiều nhà máy, đường dây tải điện, trạm biến áp
nhằm đáp ứng nhu cầu ngày càng tăng cao của các trung tâm phụ tải, dẫn đến các hệ
thống truyền tải phân phối hoạt động không đảm bảo kỹ thuật, thiếu đồng bộ, đặc
biệt việc nâng cấp hệ thống điện không dựa trên qui hoạch tổng thể vẫn còn mang
tính tự phát, tùy tiện. Hậu quả để lại hàng loạt vấn đề cần khắc phục như: mất cân
đối nguồn và lưới điện, giữa cung và cầu, độ tinh cậy cung cấp điện, chất lượng
điện năng không cao, tổn thất công suất, tổn thất điện năng trong hệ thống quá lớn
[2] các nguyên nhân là do hạn chế về vốn đầu tư, nhưng nguyên nhân quan trọng
chủ yếu là lập kế hoạch vận hành HTĐ. Trong kế hoạch hóa vận hành HTĐ như
phân phối một cách kinh tế, hiệu quả, lên kế hoạch bảo dưỡng và sửa chữa,... nhiều
hoạt động thường được thực hiện dựa trên việc dự báo phụ tải.
Dự báo phụ tải có thể được phân thành: Dự báo dài hạn tò 10 đến 30 năm, dự
báo trung hạn từ 3 đến 10 năm và dự báo ngắn hạn (giờ, ngày, tháng, mùa năm). Dự
báo ngắn hạn chủ yếu phục vụ việc điều hành sản xuất, truyền tải và phân phối năng
lượng phục vụ cho nhu cầu trực tiếp của sản xuất và đời sống, lập kế hoạch sản xuất
và kinh doanh.
Nếu dự báo phụ tải điện quá thừa so với nhu cầu thực tế thì dẫn đến việc phải
huy động một số lượng lớn nguồn phát, nhưng thực tế không dùng hết công suất của
chúng sẽ gây lãng phí. Nếu kết quả dự báo phụ tải điện quá thấp so với nhu cầu thực
tế sẽ dẫn đến tình trạng thiếu nguồn điện, ảnh hưởng đến phát triển của nền kinh tế
quốc dân. Khi kết quả dự báo tốt sẽ giúp cho việc huy động nguồn tốt và điều độ
cũng tốt có lợi ích về kinh tế.
Ở nước ta dự báo phụ tải ngắn hạn cũng thu hút sự quan tâm nhất định trong
ngành điện, các trường đại học và Viện nghiên cứu. Một vài công ty điện lực, cơ
quan điều độ quốc gia đã bắt đầu xây dựng chương trình dự báo phụ tải điện. Ngoài
một số nghiên cứu ứng dụng mô hình hồi quy. Có thể thấy rằng nhu cầu dự báo phụ
tải ngắn hạn ở các công ty điện lực chỉ được thực hiện bằng phương pháp chuyên
gia dựa trên kinh nghiệm của các kỹ sư điều độ. Nên mang tính rủi ro và độ chính
xác không cao. Mặc khác, dự báo phụ tải trước đây chỉ tập trung dự báo cho các
thành phố lớn như Hà Nội hay TP Hồ Chí Minh còn các tỉnh vùng nông nghiệp,
nông thôn mà đặc biệt là tinh Sóc Trăng chưa có chương trình dự báo phụ tải, hoạt
động dự báo dựa vào kinh nghiệm và điều hành trực tiếp. Việc áp dụng mạng nơ
ron nhân tạo cho dự báo phụ tải điện cho một tinh thuần nông nghiệp như Sóc
Trăng dựa ứên yêu cầu đơn giản, có tính đến ảnh hưởng của nhiệt độ và đặc thù
ngày, cho kết quả dự báo với sai số chấp nhận được là hướng của nghiên cứu này.
2ể Khả năng ứng dụng mạng nơ ron nhân tạo trong bài toán dự báo
Bài toán dự báo phụ tải đã được phát ừiển từ rất lâu với rất nhiều mô hình đã
được đề xuất. Đầu thập niên 90 mô hình dự báo bằng công nghệ mạng nơ ron bắt
đầu được nghiên cứu và phát triển vì công cụ mạng nơ ron có thể áp dụng trong các
dự báo dài hạn, trung hạn và cả ứong dự báo phụ tải ngắn hạn, cho kết quả khá
chính xác. Mô hình mạng nơ-ron dự báo phụ tải đang được ứng dụng ở nhiều nước
có thị trường điện phát triển như Mỹ, úc, Anh, Pháp... Các mô hình mạng thường
có cấu trúc tổng thể giống nhau. Hiện nay không chỉ ở Việt Nam mà ngay cả các
công ty điện lực và thị trường điện ừên thế giới vẫn tiếp tục tìm kiếm các thuật toán
mới phục vụ công tác dự báo đạt mức chính xác và nhanh chóng hơn. Tuy nhiên đối
với từng hệ thống với những đặc trưng riêng ta không thể sử dụng các mô hình với
các thông số của hệ thống khác mà vẫn cần xác định các cấu trúc và thông số
tối ưu cho hệ thống của riêng mình.
Ở Việt Nam bài toán dự báo phụ tải ngắn hạn được giải quyết bằng nhiều
phương pháp khác nhau như: Phương pháp ngoại suy, phương pháp san bằng hàm
mũ, phương pháp hồi qui đa biến,... đã được đề xuất ừong dự báo phụ tải ngắn hạn.
Có thể nhận thấy rằng nhược điểm của các phương pháp trên là mô hình dự báo
lượng điện năng tiêu thụ chỉ hiệu quả đối với một số ngày bình thường nhưng lại
không hiệu quả đối với tất cả các ngày. Với nhược điểm ứên đã thức đĩỶ các
chuyên gia vận hành phát triển phương pháp chuyên gia: phương pháp dựa ừên một
số qui tắc (luật) của các chuyên gia về chuyên ngành để dự báo, nên mang tính kinh
nghiệm, định hướng, phụ thuộc vào ừình độ của cá nhân chuyên gia. Thường các
quy luật này được mô tả bởi quan hệ hàm đơn giản nên không đủ để thể hiện các
mối liên hệ phức tạp giữa các thông tin hệ thống điện.
Các phương pháp trên đã và đang được sử dụng nhưng vẫn còn một số hạn chế
như: Phụ tải là một đại lượng phụ thuộc (phi tuyến) vào rất nhiều yếu tố, có thể kể
tới sự phụ thuộc của lượng điện tiêu thụ vào các thông số thời tiết như nhiệt độ, độ
Nn số giờ chiếu sáng, các sự phụ thuộc này có quan hệ rất mật thiết nhưng hết sức
phức tạp, khó xác định các qui luật hàm chính xác. Hiện nay, việc phát triển của
máy tính cho phép ta sử dụng các mô hình phức tạp mà vẫn đảm bảo thời gian tính
toán phù hợp.
Mặt khác, hệ thống điện là một ứong những hệ thống có tính phi tuyến cao.
Phân tích, giám sát và điều khiển HTĐ làm việc với hàng trăm biến trung gian
không phải lúc nào cũng đo lường được. Trong khi đó, mạng nơ ron nhân tạo được
thiết kế để tìm hàm quan hệ trực tiếp giữa các biến đầu vào và đầu ra, không cần
phải tìm các mối liên hệ giữa các biến trung gian. Mạng nơ ron là phương tiện có
khả năng học từ các số liệu quá khứ và tìm ra các mối quan hệ phụ thuộc phức tạp
giữa các biến thậm chí khi không xây dựng được mô hình toán học của bài toán.
Mạng nơ-ron có thể làm việc với các dữ liệu không đầy đủ hay dữ liệu bị nhiễu.
Để khắc phục các hạn chế trong xử lý các hàm quan hệ phi tuyến, luận văn sẽ
sử dụng công nghệ trí tuệ nhân tạo mà mạng nơ ron là một đại diện để ứng dụng
ừong dự báo phụ tải ở Việt Nam. Các nghiên cứu hiện nay về lĩnh vực này vẫn còn
ở giai đoạn bắt đầu phát triển. Các nghiên cứu về ứng dụng các công cụ dự báo
ừong và ngoài nước vẫn đang được thực hiện, nhưng nhu cầu thực tế vẫn chưa được
đáp ứng đầy đủ.
3. Đổi tượng, mục tiêu và nhiệm vụ nghiên cứu
Đối tượng nghiên cứu của luận văn là dự báo phụ tải ngắn hạn dựa trên các
biểu đồ phụ tải ứong quá khứ, các đặc điểm, tính chất của biểu đồ phụ tải, các thông
số khí tượng. Mô hình dự báo mạng nơ ron.
Mục tiêu của luận văn là nghiên cứu, xây dựng mô hình dự báo phụ tải điện có
độ chính xác cao. Mô hình sẽ sử dụng mạng nơ ron ừong tính toán, sẽ có chương
trình mô phỏng với giao diện thuận tiện cho người sử dụng. Để đạt được mục tiêu
ừên đề tài cần thực hiện những nhiệm vụ sau:
1) Nghiên cứu về các phương pháp dự báo đã và đang được sử dụng trong bài
toán dự báo phụ tải điện ngắn hạn, có xem xét các ưu nhược điểm từng
phương pháp.
2) Từ đó đề xuất giải pháp sử dụng MNR theo mô hình hai bước:
Bước 1: Phân nhóm các biểu đồ phụ tải (BĐPT) trong quá khứ để dự báo
hình dạng BĐPT dựa trên ý tưởng mạng tự tổ chức Kohonen (Self-
Organization Map) với thuật toán tìm trọng tâm được áp dụng là Fuzzy
Clustering Method (FCM). Thuật toán sẽ xếp các BĐPT ừong quá khứ của các
ngày theo thứ trong tháng tương đối giống nhau vào một nhỏm như (thứ bảy,
chủ nhật, thứ hai - thứ sáu.. .)•
