BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
-----------------------------------------
LUẬN VĂN THẠC SĨ KHOA HỌC
ỨNG DỤNG MẠNG NƠRON NHÂN TẠO DỰ BÁO PHỤ TẢI
NGẮN HẠN HỆ THỐNG ĐIỆN MIỀN BẮC
NGÀNH: CễNG NGHỆ THễNG TIN
MÃ SỐ:
CHU NGHĨA
Người hướng dẫn khoa học: PGS.TS. NGUYỄN ĐỨC NGHĨA
HÀ NỘI 2007
1
Mục lục
Danh mục các từ viết tắt ............................................................................. 3
Mở đầu.............................................
125 trang |
Chia sẻ: huyen82 | Lượt xem: 2308 | Lượt tải: 5
Tóm tắt tài liệu Ứng dụng mạng nơron nhân tạo dự báo phụ tải ngắn hạn hệ thống điện miền Bắc, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
........................................................................ 4
CHƯƠNG I.................................................................................................................. 7
PHụ TảI Hệ THốNG ĐIệN MIềN BắC và bài toán dự báo...................... 7
1.1. Phụ tải Hệ thống điện miền Bắc .......................................................................7
1.1.1. Giới thiệu chung về HTĐ miền Bắc...........................................................7
1.1.2 Tầm quan trọng của dự báo phụ tải...........................................................10
1.1.3. Những yếu tố ảnh h−ởng đến phụ tải ngắn hạn .......................................11
1.1.4. Mục tiêu và phạm vi nghiên cứu dự báo phụ tải ......................................15
1.2. Bài toán dự báo phụ tải ...................................................................................16
1.2.1. Đặc điểm đồ thị phụ tải HTĐ miền Bắc...................................................16
1.2.2. Dự báo phụ tải ngắn hạn cho 24h tiếp theo..............................................19
CHƯƠNG II .............................................................................................................. 23
Tổng quan Về MạNG NƠRON NHÂN TạO .................................................. 23
2.1. Lịch sử phát triển của mạng nơron nhân tạo...................................................23
2.2. Cơ sở lý thuyết mạng nơron............................................................................26
2.3. Bộ não và nơron sinh học ...............................................................................27
2.4 Mô hình mạng nơron nhân tạo.........................................................................30
2.4.1 Mô hình một nơron nhân tạo ....................................................................30
3.4.2. Mô hình mạng nơron nhân tạo.................................................................33
Ch−ơng III ............................................................................................................. 40
ứng dụng mạng nơron ánh xạ đặc tr−ng tự tổ chức Kohonen
trong bài toán phân loại ngày.............................................................. 40
3.1. Sự cần thiết phân loại đồ thị phụ tải................................................................40
3.1.1. Tập hợp các kiểu đồ thị phụ tải đặc tr−ng ................................................40
3.1.2. Sự cần thiết phân loại ngày bằng ph−ơng pháp mạng nơron....................42
3.2. Mạng nơron ánh xạ đặc tr−ng tự tổ chức Kohonen ........................................43
3.2.1. Cấu trúc mạng ..........................................................................................44
3.2.2. Huấn luyện mạng .....................................................................................45
3.2.3. Sử dụng mạng...........................................................................................47
3.3. Xây dựng mạng Kohonen để phân loại ngày..................................................48
3.3.1. Thiết kế cấu trúc mạng.............................................................................48
3.3.2. Huấn luyện mạng .....................................................................................49
3.3.3. Xây dựng cấu trúc phần mềm mô phỏng mạng Kohonen phân loại ngày.
...........................................................................................................................52
3.3.4. Kết quả sử dụng mạng Kohonen phân loại ngày .....................................52
3.3.5. Phân tích kết quả phân loại ngày trong tháng 2/2006, tháng 5/2006.......54
CHƯƠNG iV............................................................................................................. 58
2
ứNG DụNG MạNG NƠRON NHIềU LớP LAN TRUYềN NGƯợC SAI Số Dự
BáO PHụ TảI Ngắn hạn THEO NHIệT Độ MÔI TRƯờNG.......................... 58
4.1 Các khái niệm cơ bản về mạng nơron nhiều lớp lan truyền ng−ợc sai số (Back
propagation neural network). .................................................................................58
4.1.1 Kiến trúc mạng truyền thẳng. ...................................................................59
4.1.2. Huấn luyện mạng .....................................................................................60
4.1.3. Sử dụng mạng...........................................................................................64
4.1.4. Nghiên cứu sự hội tụ và độ phức tạp của quá trình huấn luyện mạng. ....64
4.1.5. Một số vấn đề về mạng nơron nhiều lớp. .................................................67
4.2. ứng dụng mạng nơron nhiều lớp lan truyền ng−ợc sai số xây dựng bài toán dự
báo phụ tải hệ thống điện.......................................................................................68
4.2.1. Các b−ớc xây dựng bài toán dự báo phụ tải. ............................................68
4.2.2. Xây dựng cấu trúc phần mềm mô phỏng mạng nơron lan truyền ng−ợc sai
số ứng dụng trong bài toán dự báo đỉnh và đáy đồ thị phụ tải. ..........................72
4.2.3 Dự báo phụ tải cho 24 giờ trong ngày.......................................................85
CHƯƠNG V .............................................................................................................. 99
Hệ thống phần mềm dự báo phụ tải ngắn hạn cho hệ thống
điện miền bắc..................................................................................................... 99
5.1. Giới thiệu về cơ sở dữ liệu. .............................................................................99
5.2. Đặc tả các chức năng ....................................................................................100
5.2.1. Truy vấn dữ liệu.....................................................................................100
5.2.2. Phân loại dữ liệu ....................................................................................101
5.2.3 Chuẩn hoá dữ liệu...................................................................................101
5.2.4 Huấn luyện mạng....................................................................................101
5.2.5 Dự báo phụ tải.........................................................................................101
5.3 H−ớng dẫn sử dụng........................................................................................102
5.3.1 Truy vấn dữ liệu......................................................................................102
5.3.2 Phân loại dữ liệu .....................................................................................103
5.3.3 Chuẩn hoá dữ liệu...................................................................................103
5.3.4 Huấn luyện mạng....................................................................................104
5.3.5 Dự báo ....................................................................................................104
CHƯƠNG vI........................................................................................................... 106
so sánh với một số kết quả đ∙ có và Đánh giá kết quả.......... 106
6.1. So sánh với một số ph−ơng pháp đã có.........................................................106
6.2. Đánh giá kết quả..........................................................................................111
KếT LUậN ............................................................................................................. 114
Tài liệu tham khảo....................................................................................... 116
Phụ lục i ............................................................................................................. 118
Phụ lục II ............................................................................................................ 120
Tóm tắt luận văn.......................................................................................... 123
Summary ............................................................................................................ 124
3
Danh mục các từ viết tắt
ANN Mạng nơron nhân tạo
DBPT Dự báo phụ tải
HTĐ Hệ thống điện
HTĐ1 Trung tâm Điều độ Hệ thống điện miền Bắc
MSE Trung bình tổng bình ph−ơng sai số
SSE Tổng bình ph−ơng sai số
CNTT Công nghệ thông tin
ĐTPT Đồ thị phụ tải
4
Mở đầu
Trong những năm gần đây, do nhu cầu năng l−ợng không ngừng biến
đổi và tăng lên rõ rệt theo thời gian nên ngành Điện lực đã và đang xây dựng
rất nhiều các nhà máy điện để đáp ứng nhu cầu tiêu thụ điện năng trong cả
n−ớc. Vì vậy, một trong những vấn đề quan trọng mà ngành Điện lực cần phải
giải quyết tốt là bài toán dự báo phụ tải ngắn hạn và dài hạn.
Cho đến nay tuy đã có nhiều ph−ơng pháp luận trong việc giải quyết bài
toán dự báo, song bài toán này luôn là một bài toán khó. Hiện nay, trong
ngành Điện lực Việt Nam bài toán dự báo phụ tải đ−ợc giải quyết chủ yếu nhờ
sử dụng các ph−ơng pháp dự báo truyền thống mang tính kinh nghiệm thuần
tuý. Trong số các h−ớng nghiên cứu nhằm triển khai các hệ thống thông minh
ở giai đoạn tới, mạng nơron giữ một vai trò quan trọng trong việc phát triển
các giải pháp nhận dạng, dự báo…Mạng nơron nhân tạo là kỹ thuật xử lý
thông tin có triển vọng ứng dụng trong việc giải quyết bài toán dự báo. Kết
hợp chặt chẽ với logic mờ, mạng nơron nhân tạo có thể giúp giải quyết hiệu
quả hơn các bài toán phức tạp.
Nhờ các −u điểm nh− có cấu trúc xử lý song song, khả năng học và ghi
nhớ, khả năng tự tổ chức và tổng quát hoá, mạng nơron nhân tạo ANN
(Artificial Newal Networks) đã đ−ợc nghiên cứu và ứng dụng thành công
trong rất nhiều lĩnh vực nh− xấp xỉ hàm nhận dạng mẫu, dự báo… Luận văn
này chủ yếu tập trung tìm hiểu về mạng nơron nhân tạo và nghiên cứu ứng
dụng giải quyết bài toán dự báo phụ tải ngắn hạn cho hệ thống điện miền Bắc.
Mục đích của luận văn là phát triển các ph−ơng pháp để giải bài toán dự
báo phụ tải ngắn hạn. Đối t−ợng cụ thể của nghiên cứu là dự báo phụ tải cho
24 giờ sau nhằm đ−a ra các thông số cần thiết cho công tác vận hành và lập
ph−ơng thức điều hành hệ thống điện.
Luận văn bao gồm sáu ch−ơng và hai phụ lục.
5
Ch−ơng I – Phụ tải hệ thống điện miền Bắc và bài toán dự báo:
Trình bày tổng quan về HTĐ miền Bắc. Phát biểu bài toán dự báo phụ tải, nêu
phạm vi, tầm quan trọng của bài toán, các yếu tố ảnh h−ởng đến phụ tải ngắn
hạn.
Ch−ơng II – Tổng quan về mạng nơron nhân tạo: Trình bày các khái
niệm cơ bản về mạng nơron nhân tạo: cơ sở lý thuyết và mô hình mạng.
Ch−ơng III – ứng dụng mạng nơron ánh xạ đặc tr−ng tự tổ chức
Kohonen trong bài toán phân loại ngày: Trình bày các khái niệm cơ bản về
mạng nơron ánh xạ đặc tr−ng tự tổ chức Kohonen, đề xuất cấu trúc mạng để
giải quyết bài toán, xây dựng cấu trúc phần mềm và phân tích đánh giá kết
quả đạt đ−ợc.
Ch−ơng IV – ứng dụng mạng nơron nhiều lớp lan truyền ng−ợc sai
số trong bài toán dự báo phụ tải theo nhiệt độ môi tr−ờng: Trình bày các
khái niệm cơ bản về mạng nơron nhiều lớp lan truyền ng−ợc sai số, đ−a ra các
b−ớc xây dựng bài toán, đề xuất cấu trúc mạng, xây dựng cấu trúc phần mềm,
đánh giá kết quả và so sánh với một số ph−ơng pháp đã có.
Ch−ơng V - Hệ thống phần mềm dự báo phụ tải ngắn hạn cho Hệ
thống điện miền Bắc: Giới thiệu về cơ sở dữ liêụ, đặc tả các chức năng của
hệ thống và h−ớng dẫn sử dụng phần mềm.
Ch−ơng VI - So sánh với một số kết quả đã có và đánh giá kết quả:
So sánh ph−ơng pháp dự báo phụ tải ngắn hạn của Hệ thống điện miền Bắc sử
dụng mạng nơron nhân tạo với một số ph−ơng pháp dự báo truyền thống.
Đánh giá kết quả đạt đ−ợc và khả năng ứng dụng của phần mềm.
Phụ lục I – Phần mềm mô phỏng mạng Kohonen trong bài toán phân
loại kiểu ngày.
6
Phụ lục II – Phần mềm mô phỏng mạng nơron lan truyền ng−ợc sai số
ứng dụng trong bài toán dự báo đỉnh và đáy đồ thị phụ tải.
Em xin chân thành cảm ơn PGS.TS Nguyễn Đức Nghĩa đã h−ớng dẫn và cho
em những ý kiến quý báu, em xin chân thành cảm ơn các thầy cô giáo khoa
Công nghệ Thông tin – Tr−ờng Đại học Bách khoa Hà Nội đã trang bị kiến
thức giúp em hoàn thành luận văn này.
7
CHƯƠNG I
PHụ TảI Hệ THốNG ĐIệN MIềN BắC và bài toán dự báo
Ch−ơng này đề cập đến các vấn đề sau:
• Giới thiệu chung về HTĐ miền Bắc
• Tầm quan trọng của dự báo phụ tải
• Những yếu tố ảnh h−ởng đến phụ tải ngắn hạn
• Mục tiêu và phạm vi nghiên cứu dự báo phụ tải
• Đặc điểm đồ thị phụ tải HTĐ miền Bắc
• Dự báo phụ tải ngắn hạn cho 24h tiếp theo
1.1. Phụ tải Hệ thống điện miền Bắc
1.1.1. Giới thiệu chung về HTĐ miền Bắc
Ranh giới của Hệ thống điện miền Bắc đ−ợc tính từ Hà tĩnh trở ra, là
một vùng có vị trí địa lý t−ơng đối phức tạp, trải dài và nằm sát bờ biển, có
nhiều đồi núi, có nhiều vùng khí hậu khác nhau, kinh tế các khu vực trên toàn
miền Bắc phát triển không đồng đều dẫn đến công suất phụ tải ở các khu vực
có sự chênh lệch lớn. Phụ tải chủ yếu tập trung ở vùng đồng bằng, các thành
phố lớn có công nghiệp phát triển. Tại những vùng này phụ tải cao điểm và
thấp điểm chênh lệch nhau không lớn lắm Pmin/Pmax khoảng 0.7 do phụ tải
công nghiệp tại các khu vực này phát triển. Đối với những vùng miền núi hoặc
sản xuất nông nghiệp, công nghiệp không phát triển thì Pmin/Pmax khoảng 0.3
do phụ tải vào cao điểm chủ yếu là phụ tải sinh hoạt, điều nay gây khó khăn
rất lớn trong vận hành kinh tế hệ thống điện. Vào thấp điểm của hệ thống ta
không khai thác cao đ−ợc các nguồn điện rẻ tiền còn vào cao điểm của hệ
thống ta phải chạy các nguồn điện đắt tiền để phủ đỉnh, có khi còn phải hạn
chế phụ tải vào cao điểm do nguồn điện không đáp ứng đ−ợc nhu cầu của phụ
tải. Các thành phần cấu thành phụ tải đ−ợc thể hiện ở biều đồ sau:
8
Trên biểu đồ ta thấy phụ tải Quản lý & Tiêu dùng dân c−, Công nghiệp
& xây dựng chiếm tỷ trọng lớn, đến 90% tổng công suất phụ tải.
Theo thống kê, mức độ tăng tr−ởng phụ tải hệ thống điện từ năm 2001
– 2005 là rất cao. Bảng 1.1 và bảng 1.2 d−ới đây thể hiện tốc độ tăng tr−ởng
phụ tải về sản l−ợng của các năm trên.
Bảng 1.1: Sản l−ợng điện tiêu thụ của HTĐ miền Bắc từ năm 2001-2005
2001 2002 2003 2004 2005
HTĐ miền Bắc 10.765.767,2 12.251.947,5 14.215.228,6 16.008.894,1 18.057.297,9
Cty I 7.042.600,7 8.125.911,1 9.573.472,8 10.857.462,9 12.292.387,7
Hà Nội 2.777.100,4 3.079.711 3.486.549 3.879.340,1 4,329.367,2
Hải Phòng 946.066,1 1.046.325,4 1.155.206,9 1.272.091,1 1.415.610,8
Hình 1.1. Biểu đồ các thành phần cấu thành nên phụ tải
Công nghiệp và xây
dựng 45.20%
Th−ơng nghiệp &
KSNH 4.49%
Quản lý & Tiêu dùng
dân c− 44.59%
Nông nghiệp và thuỷ
sản 1.40%
Các hoạt động
khác 4.32%
9
Bảng 1.2: Tốc độ tăng tr−ởng phụ tải
2002 2003 2004 2005
HTĐ Bắc 13,84% 16,02% 12,62% 12,8%
Cty I 15,38% 17,81% 13,41% 13,22%
Hà Nội 10,89% 13,21% 11,27% 11,6%
Hải Phòng 10,6% 10,41% 10,12% 11,28%
Do điện năng của Quản lý & Tiêu dùng dân c− là rất lớn nên chênh lệch
công suất giữa giờ cao điểm và thấp điểm rất lớn (khoảng 2-3 lần) và phụ
thuộc rất nhiều vào thời tiết, gây ảnh h−ởng lớn đến việc khai thác tối −u các
nguồn điện. Phụ tải cao điểm là nhân tố quyết định việc huy động nguồn điện
trong khi đó phụ tải thấp điểm lại giữ vai trò quan trọng trong việc quyết định
phối hợp và điều chỉnh các nguồn điện nhằm đảm bảo vận hành kinh tế. Do đó
việc dự báo chính xác phụ tải có ý nghĩa hết sức quan trọng trong bài toán vận
hành kinh tế hệ thống điện cũng nh− cải tạo, thiết kế hệ thống cung cấp điện,
giảm thiểu đ−ợc tổn thất công suất và điện năng. Đặc biệt việc dự báo phụ tải
cao điểm chính xác mang lại lợi ích và hiệu suất sử dụng năng l−ợng cho
khách hàng, tránh trình trạng thiếu công suất giờ cao điểm.
Do đó phụ tải cao điểm và thấp điểm chính là hai giá trị đặc biệt trên đồ
thị phụ tải ngày và là mối quan tâm hàng đầu của ng−ời lập quy hoạch và thiết
kế hệ thống điện. Khi phụ tải thấp thì tỉ lệ tổn thất tăng do tổn hao không tải.
10
1.1.2 Tầm quan trọng của dự báo phụ tải
Nh− chúng ta biết tháng 5/2005 sản l−ợng điện tiêu thụ đột biến trong
khi đó nguồn tài nguyên n−ớc tại thời điểm đó bị thiếu hụt dẫn đến ảnh h−ởng
lớn đến nền kinh tế Việt Nam. Vì vậy dự báo phụ tải điện đóng vai trò hết sức
quan trọng đối với việc quy hoạch, đầu t−, phát triển nguồn điện và vận hành
hệ thống điện. Nhu cầu tiêu thụ điện năng phụ thuộc vào khả năng phát triển
của nền kinh tế quốc dân. nếu dự báo phụ tải quá thấp so với nhu cầu thực tế
thì dẫn đến kết quả nguồn dự phòng thấp, không đáp ứng đầy đủ nhu cầu điện
cho sản xuất công nghiệp và tiêu dùng, còn nếu dự báo phụ tải quá cao sẽ phải
huy động các nguồn đắt tiền gây lãng phí cho nền kinh tế n−ớc nhà.
Dự báo phụ tải dài hạn (khoảng 10-20 năm) nhằm mục đích cung cấp
dữ liệu cho công tác quy hoạch và đầu t− phát triển HTĐ. Còn dự báo phụ tải
ngắn hạn (trong vòng 30 ngày) có nhiệm vụ đảm bảo vận hành hệ thống điện
an toàn và kinh tế. Đối với dự báo dài hạn có tính chất chiến l−ợc thì chỉ nêu
lên những ph−ơng h−ớng phát triển chủ yếu mà không yêu cầu xác định chỉ
tiêu cụ thể.
Các chức năng quan trọng trong kế hoạch vận hành HTĐ nh− phân phối
nguồn một cách kinh tế, hiệu quả, lên kế hoạch bảo d−ỡng và sửa chữa,
th−ờng đ−ợc thực hiện nhờ việc dự báo phụ tải, vì vậy dự báo phụ tải đóng vai
trò đặc biệt quan trọng đối với điều độ viên, những ng−ời hoạch định kế
hoạch, lên ph−ơng thức vận hành HTĐ.
Trong công tác vận hành, việc lập ph−ơng thức ngày, ph−ơng thức tuần
của Trung tâm Điều độ, hay dự báo phụ tải báo tr−ớc một giờ, một ngày, một
tuần là những công việc tối cần thiết. Những ph−ơng thức vận hành cơ bản
trong ngày nh− huy động nguồn, phối hợp nguồn, truyền tải công suất giữa
các miền, giải quyết các công tác sửa chữa trên l−ới điện và đánh giá mức độ
an toàn HTĐ đều đòi hỏi phải có dự báo phụ tải t−ơng đối chính xác.
11
Trong thực tế vận hành HTĐ Việt Nam nói chung và HTĐ miền Bắc
nói riêng, phụ tải cao điểm (phụ tải cao nhất trong ngày Pmax) và thấp điểm
(phụ tải thấp nhất trong ngày Pmin) là hai điểm đặc biệt trong đồ thị phụ tải
ngày và đ−ợc quan tâm nhiều nhất trong vận hành. Phụ tải cao điểm quyết
định việc huy động các nguồn nhiệt điện, tua-bin khí, diesel dự phòng nhằm
đảm bảo đủ nguồn phủ đỉnh và dự phòng nóng, tăng độ an toàn cung cấp điện.
Phụ tải thấp điểm quyết định việc phối hợp và điều chỉnh các nguồn tua-bin
khí, nhiệt điện, thủy điện nhằm đảm bảo vận hành kinh tế, tránh nhà máy thuỷ
điện Hoà Bình vận hành trong vùng công suất không cho phép về kỹ thuật,
trong đó dự báo phụ tải lúc cao điểm Pmax là quan trọng nhất trong ngày. Dự
báo chính xác phụ tải cao điểm có hiệu quả lớn về kinh tế vào mùa lũ khi cần
khai thác tối đa nguồn thủy điện, trong khi n−ớc các hồ chứa đang xả thì các
nguồn điện khác huy động chỉ nhằm mục đích an toàn, bù điện áp và phủ
đỉnh. Nếu sai số dự báo phụ tải lúc cao điểm giảm 2%, Điều độ Quốc Gia
(ĐĐQG) có thể tiết kiệm đ−ợc khoảng 80 MW nguồn tuabin khí chạy dầu đắt
tiền chạy phủ đỉnh lúc cao điểm, góp phần đáng kể vào việc tăng hiệu quả vận
hành HTĐ và tiết kiệm đ−ợc hàng trăm triệu đồng trên mỗi giờ cho ngành
điện nói riêng và cho cả nền kinh tế Quốc dân nói chung.
Hạn chế phụ tải lúc cao điểm cũng th−ờng xảy ra trong mùa lũ khi thiếu
nguồn phủ đỉnh. Tính chính xác đ−ợc l−ợng công suất thiếu để chủ động cắt
phụ tải những khu vực không quan trọng, tránh cắt thừa hoặc cắt thiếu, tránh
sa thải phụ tải do bảo vệ tần số thấp tác động cũng có ý nghĩa lớn trong vận
hành, giảm thiệt hại do cắt điện.
1.1.3. Những yếu tố ảnh h−ởng đến phụ tải ngắn hạn
Để tìm ra đ−ợc ph−ơng pháp dự báo tối −u đối với bài toán dự báo phụ
tải ngày của HTĐ miền Bắc với sai số nhỏ, ta cần xác định đ−ợc các yếu tố
ảnh h−ởng đến phụ tải ngày, ví dụ: thứ của các ngày trong tuần, ngày lễ, các
12
Hình 1.2. Đồ thị phụ tải các ngày đặc tr−ng trong tuần
Đồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Giờ
C
ô
n
g
s
u
ất
Thứ 5 Thứ 2 CN
đặc điểm của ngày cần dự báo, nh− nhiệt độ trong ngày… Chính vì vậy để
nâng cao độ chính xác của quá trình dự báo phụ tải ta cần phải xét đến các yếu
tố chủ yếu ảnh h−ởng đến phụ tải.
Qua thực tế vận hành cho thấy phụ tải của l−ới điện Việt Nam nói
chung và miền Bắc nói riêng phụ thuộc chủ yếu vào các yếu tố chính sau:
1. Thứ của ngày trong tuần
Có quy luật giữa phụ tải và ngày trong tuần
- Phụ tải thấp nhất trong đêm thứ 2
- Đồ thị phụ tải các ngày làm việc th−ờng có dạng giống nhau
- Phụ tải ngày nghỉ cuối tuần giảm.
2. Các ngày đặc biệt trong năm
13
Ngày đặc biệt trong năm nh− các ngày lễ tết, 30/4, 1/5, 2/9... phụ tải các
ngày này giảm đáng kể so với ngày th−ờng. Phụ tải các ngày sát với các ngày
này cũng bị ảnh h−ởng, ta có thể thấy rõ điều đó trên đồ thị phụ tải HTĐ miền
Bắc ngày lễ 1/5/2006 và ngày làm việc bình th−ờng 3/5/2006. Dự báo phụ tải
trong các ngày đặc biệt không đ−ợc áp dụng nh− ngày thông th−ờng mà phải
tách biệt bằng ph−ơng pháp riêng dựa vào sự thay đổi phụ tải của các ngày
này so với các ngày dạng này của các năm tr−ớc đó.
3. Thời tiết trong ngày.
Bao gồm các thông số tự nhiên: nhiệt độ, độ ẩm, tốc độ gió, c−ờng độ
sáng, trong đó nhiệt độ có ảnh h−ởng lớn nhất, nhiệt độ tăng thì phụ tải tăng
và ng−ợc lại vì n−ớc ta là n−ớc nhiệt đới. Chỉ có tr−ờng hợp đặc biệt ở miền
Bắc khi nhiệt độ quá lạnh, phụ tải tăng do sử dụng các thiết bị s−ởi ấm.
Đồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Giờ
C
ô
n
g
s
u
ất
Ngày 3/5 Ngày 1/5
Hình 1.3. Đồ thị phụ tải HTĐ miền Bắc hai ngày 1/5, 3/5
14
4. Truyền hình trực tiếp các sự kiện thể thao văn hoá
Công suất tiêu thụ vào các giờ tuyền hình trực tiếp bóng đá quốc tế, giải
bóng đá có đội tuyển Việt Nam tham gia tăng đột ngột từ 150 - 200 MW. Các
điều độ viên th−ờng dự báo phụ tải những ngày này theo kinh nghiệm những
ngày t−ơng tự tr−ớc đó. Ví dụ: khi dự báo đồ thị phụ tải ngày có truyền hình
trực tiếp Worldcup 2006, ta dựa vào đồ thị phụ tải trong ngày cũng có truyền
hình trực tiếp Worldcup 2006 tr−ớc đó để dự báo.
Đồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Giờ
C
ôn
g
su
ất
Đờm khụng cú WC Đờm cú WC
Hình 1.5. Đồ thị phụ tải HTĐ miền Bắc có truyền hình trực
tiếp Worldcup 2006 và ngày bình th−ờng.
Đồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Giờ
C
ôn
g
su
ất
26-33 độ 18 –26 độ
Hình 1.4. Đồ thị phụ tải ngày hai ngày có nhiệt độ khác
15
5. Kế hoạch sửa chữa lớn trong ngày có cắt điện.
Trong quá trình thực hiện kế hoạch sửa chữa lớn, nh− cắt điện đ−ờng
dây đang vận hành để kéo đ−ờng dây mới, sửa chữa trạm 220Kv, 500Kv phải
cắt tải diện rộng dẫn đến điện năng tiêu thụ vào các ngày này giảm một cách
đáng kể. Dự báo phụ tải những ngày này phải tính toán khấu trừ phụ tải giảm
do ngừng cung cấp điện. Dạng của đồ thị phụ tải trong ngày có cắt điện diện
rộng cũng mang đặc thù riêng, thay đổi tuỳ thuộc vào thời gian, vùng , miền
cắt điện.
Qua quá trình vận hành thực tế và dữ liệu thống kê, các điều độ viên,
các chuyên viên chuyên phân tích về phụ tải hệ thống điện đi đến kết luận:
Nhiệt độ môi tr−ờng, đặc thù của các ngày trong tuần, ngày lễ, ngày tết là các
yếu tố ảnh h−ởng lớn nhất đến giá trị phụ tải ngày.
1.1.4. Mục tiêu và phạm vi nghiên cứu dự báo phụ tải
• Mục tiêu của luận văn
Nghiên cứu áp dụng kỹ thuật mạng nơron để dự báo phụ tải cao điểm
(Pmax), thấp điểm đêm (Pmin) và phụ tải ngày (24 giờ) của HTĐ miền Bắc theo
dữ liệu phụ tải quá khứ, nhiệt độ môi tr−ờng và một số các yếu tố ảnh h−ởng
khác.
• Phạm vi nghiên cứu.
Dự báo luôn giữ vai trò quan trọng trong nhiều lĩnh vực, quyết định kế
hoạch sản xuất, h−ớng đầu t− phát triển trong t−ơng lai do đó có rất nhiều các
mô hình toán học áp dụng cho dự báo. Cũng nh− các dự báo khác, dự báo phụ
tải ngày cũng phải dựa vào dữ liệu thống kê, phân tích và áp dụng thuật toán
để xác định mối quan hệ giữa phụ tải và các yếu tố ảnh h−ởng, từ đó dự báo
phụ tải dựa trên các yếu tố ảnh h−ởng đó.
16
Tr−ớc đây, các mô hình toán học truyền thống hay đ−ợc áp dụng cho dự
báo nh−: hồi qui tuyến tính (linear regression), san bằng hàm mũ (exponential
smoothing), san trung bình (moving averages), hệ số ngẫu nhiên (stochatic) ....
Gần đây, với sự phát triển của việc nghiên cứu một số thuật toán dựa trên trí
tuệ của con ng−ời (artificial intelligence), mạng nơron nhân tạo (artificial
neural networks) đã đ−ợc áp dụng trong dự báo và đ−ợc đánh giá cao. Đây là
mô hình phi tuyến với nhiều −u điểm và đang đ−ợc áp dụng rộng rãi. Mạng
nơron nhân tạo đ−ợc xây dựng trên cơ sở mô phỏng hoạt động của hệ thống
nơron thần kinh sinh học do đó mạng nơron nhân tạo có một số đặc điểm nh−
bộ não con ng−ời, đó là khả năng học đ−ợc những gì đã đ−ợc dạy. Quá trình
học này đ−ợc gọi là quá trình huấn luyện. Trong quá trình này các mẫu thể
hiện quan hệ giữa các biến ngẫu nhiên đ−ợc đ−a vào trong mạng nơron, mạng
nơron sẽ nhận biết đ−ợc quan hệ giữa các biến ngẫu nhiên đó sau khi kết thúc
quá trình huấn luyện. Chính do đặc điểm này mà mạng nơron đ−ợc ứng dụng
rất nhiều trong lĩnh vực dự báo. Đặc biệt đối với bài toán dự báo phụ tải ngắn
hạn thì đây là mô hình đ−ợc đánh giá cao hơn hẳn các mô hình tr−ớc đó và
hiện nay mô hình này đang đ−ợc áp dụng phổ biến ở một số n−ớc phát triển
trong dự báo phụ tải .
Nghiên cứu ph−ơng pháp dự báo phụ tải ngày là nghiên cứu và áp dụng
các ph−ơng pháp toán học để tìm quan hệ giữa phụ tải ngày và các yếu tố chủ
yếu ảnh h−ởng đến phụ tải ngày. Thuật toán áp dụng cho dự báo phụ tải theo
nhiệt độ phải dựa trên dự báo thời tiết ngày hôm sau gồm các thông tin nh−:
nhiệt độ cao nhất và thấp nhất trong ngày, nắng hay m−a, giông bão ...
1.2. Bài toán dự báo phụ tải
1.2.1. Đặc điểm đồ thị phụ tải HTĐ miền Bắc
Phụ tải của HTĐ miền Bắc có các thành phần điện Quản lý & Tiêu dùng
dân c− và Công nghiệp & xây dựng chiếm tỷ trọng lớn. Bảng 1.3 thống kê sản
17
l−ợng tiêu thụ của từng ngành trong ba năm 2003 đến 2005. Có thể nhận thấy
rằng, tỉ trọng điện tiêu thụ trong quản lý & tiêu dùng dân c− rất lớn làm chế
độ tiêu thụ điện năng xấu đi, hệ số phụ tải giảm, gây nhiều khó khăn cho việc
đảm bảo an toàn cung cấp điện.
Bảng 1.3 Tỉ trọng sản l−ợng điện tiêu thụ của các thành phần kinh tế
Năm
Tiêu dùng
dân c−
Công nghiệp
& xây dựng
Nông lâm
nghiệp
Th−ơng
nghiệp
Khác
2003 45,32% 44,2% 1,41% 4,52% 4,55%
2005 44,59% 45,2% 1,4% 4,49% 4,32%
2006 44,31% 45,91 1,42 4,38 3,98
Đồ thị phụ tải ngày của HTĐ miền Bắc đ−ợc xây dựng theo giá trị phụ tải
24h trong ngày. Trên hình 1.6 là đồ thị hai ngày làm việc bình th−ờng vào
mùa đông và mùa hè. Đồ thị phụ tải biến đổi theo từng giờ, phụ tải cao nhất
trong ngày (Pmax) lớn hơn rất nhiều so với phụ tải thấp nhất trong ngày (Pmin).
Cao điểm tr−a th−ờng xảy ra 10h-11h, cao điểm chiều th−ờng xảy ra 18h-19h.
Thấp điểm th−ờng xảy ra vào ban đêm trong khoảng 3h-4h vào mùa hè, 2h-3h
vào mùa đông. Đồ thị của những ngày mùa hè th−ờng đồng đều hơn mùa
đông, chứng tỏ sản l−ợng điện sinh hoạt tiêu thụ rất lớn so với các ngành khác.
18
Trong quá trình vận hành của điều độ, phụ tải cao điểm (Pmax) và phụ tải
thấp điểm (Pmin) là hai điểm quan trọng nhất trong ngày. Phụ tải cao điểm và
thấp điểm quyết định huy động nguồn và điều chỉnh phối hợp nguồn thuỷ
điện, nhiệt điện, diesel…
• Vào thời điểm cao điểm
Điều độ Quốc Gia phải huy động các nguồn điện đắt tiền nh− các nhà
máy diesel, tua bin khí cho việc khởi động và nâng công suất, trong tr−ờng
hợp sự cố thiếu nguồn, điều độ viên cần phải dự báo công suất thiếu để chuẩn
bị tr−ớc ph−ơng án cắt tải sau đó phối hợp với các điều độ miền phân bổ các
công suất cần phải cắt cho các Điều độ l−ới điện phân phối. Cắt tải có chuẩn
bị tr−ớc sẽ ít gây thiệt hại về kinh tế hơn cắt tải do rơ le tần số thấp tác động.
Đặc biệt rất đảm bảo an toàn đối với các nhà máy sản xuất công nghiệp nặng.
• Vào giờ thấp điểm. (phụ tải th−ờng thấp hơn giờ cao điểm 2-3 lần)
Cần điều chỉnh cắt giảm các nguồn điện đắt tiền nh− nguồn tua bin khí
chạy dầu, nhiệt điện sao cho thoả mãn chỉ tiêu kinh tế.
Nếu dự báo càng chính xác Pmin, Pmax, thì có thể huy động và điều chỉnh
nguồn hợp lý, dẫn đến vận hành hệ thống an toàn, hiệu quả và kinh tế hơn.
Đ ồ th ị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
G iờ
C
ô
n
g
s
u
ất
14/12/2005 11/07/2006
Hình 1.6. ĐTPT hai ngày làm việc vào mùa đông và mùa hè
19
1.2.2. Dự báo phụ tải ngắn hạn cho 24h tiếp theo
Dự báo phụ tải l−ới điện cho 24h tiếp theo nhằm đ−a ra các giá trị phụ
tải dự báo theo từng giờ của ngày tiếp theo sát với thực tế vận hành, trong đó
giảm sai số là vấn đề mang tính chiến l−ợc trong quá trình dự báo.
Trong quá trình phân tích, so sánh đồ thị phụ tải của miền Bắc và các
miền khác trong một thời gian dài cho thấy kiểu đồ thị phụ tải ngày chủ yếu bị
ảnh h−ởng bởi thói quen tổ chức sinh hoạt, cách phân công sắp xếp công việc
của khách hàng, từ đó ta thấy ĐTPT có mối liên quan chặt chẽ với môi tr−ờng
hoạt động, ngày làm việc, ngày nghỉ, lễ, tết,… của cả cộng đồng dân c−. Còn
đáy và đỉnh phụ tải là hàm của biến thời tiết nh− nhiệt độ, l−ợng m−a, độ
ẩm…
Bài toán dự báo phụ tải HTĐ có thể chia thành hai bài toán nhỏ:
• Bài toán dự báo đỉnh và đáy ĐTPT ngày cần dự báo
• Bài toán xác định dạng ĐTPT ngày cần dự báo
1.2.2.1. Các dạng của đồ thị phụ tải
Xét đồ thị phụ tải HTĐ trên hình 1.7, đây là đồ thị phụ tải của Công ty
điện lự._.c I các ngày 14/5/2006 (chủ nhật) và ngày 15/5/2006 (Thứ hai) đ−ợc
xây dựng theo giá trị phụ tải 24h trong ngày. ĐTPT hai ngày điễn hình này có
dạng t−ơng tự nh− ĐTPT ngày của HTĐ miền Bắc, ta thấy các giá trị phụ tải
phân bố trên ĐTPT không đồng đều. Đặc biệt độ chênh lệch giữa hai giá trị
Pmax và Pmin là rất lớn.
20
CN 14/05/2006 T2 15/05/2006
- Gọi giá trị phụ tải đỉnh là Pmax
- Gọi giá trị phụ tải đáy là Pmin
- Gọi giá trị phụ tải giờ thứ i là P(i) với i=1ữ24 ứng với 24h trong ngày
Ta cần đ−a ĐTPT trên về dạng ĐTPT ngày chuẩn, muốn vậy ta phải
quy chuẩn hoá phụ tải của từng giờ theo công thức sau:
Pn(i)= minmax
min)(
PP
PiP
−
− (1.1)
Pn(i): là phụ tải quy chuẩn hoá của giờ thứ i.
Dựa vào công thức trên ta tính đ−ợc giá trị phụ tải quy chuẩn hoá của
24h trong ngày, đồ thị này còn đ−ợc gọi là véctơ ĐTPT.
Đặt véctơ ĐTPT là P, ta có:
P = [p1 , p2, … , pi , … , p24]
T (1.2)
Pn(i) =[Pn(1), Pn(2), … ,Pn(i), … , Pn(24)]
T (1.3)
Với Pn(i) là phụ tải đ−ợc quy chuẩn hoá của giờ thứ i.
Đ ồ th ị p h ụ tả i
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
G iờ
C
ô
n
g
s
u
ất
Hình 1.7. ĐTPT hai ngày điển hình (CN,T2) của Cty điện lực I
21
Đ ồ th ị p h ụ tả i
0 .0
0 .1
0 .2
0 .3
0 .4
0 .5
0 .6
0 .7
0 .8
0 .9
1 .0
0 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4
G iờ
C
ô
n
g
s
u
ất
CN 14/05/2006 T2 15/05/2006
Hình 1.8. ĐTPT hai ngày (CN,T2) của Cty điện lực I đã chuẩn hoá.
Hình 1.8 là ĐTPT ngày đ−ợc chuẩn hoá theo biến i và Pn(i). ĐTPT đã
đ−ợc quy chuẩn vẫn giữ nguyên dạng biến thiên ban đầu, các giá trị đ−ợc quy
chuẩn nằm trong khoảng từ 0 ữ1, với Pnmax=1, Pnmin= 0.
1.2.2.2 Đỉnh và đáy của đồ thị phụ tải.
Hai giá trị phụ tải đặc biệt trong ngày mà đ−ợc các kỹ s− vận hành cũng
nh− ng−ời làm ph−ơng thức ngày quan tâm nhiều nhất đó là, phụ tải cao điểm
và phụ tải thấp điểm. Đây cũng chính là mục tiêu quan trọng hàng đầu trong
bài toán dự báo phụ tải điện. Tính kinh tế, hiệu quả, ph−ơng thức vận hành,
cũng nh− h−ớng đầu t− phát triển trong t−ơng lai của HTĐ phụ thuộc rất lớn
vào việc dự báo và độ chính xác của việc dự báo hai giá trị này. Có nhiều
ph−ơng pháp có thể áp dụng để dự báo Pmax và Pmin. nh− dự báo theo ph−ơng
pháp ngoại suy theo thời gian, ph−ơng pháp hồi quy tuyến tính… Trong luận
văn này chúng ta chỉ nghiên cứu ph−ơng pháp DBPT sử dụng mạng nơron
nhân tạo.
Sau khi đã xác định đ−ợc hai giá trị quan trọng nhất Pmax và Pmin trên
ĐTPT thì các giá trị phụ tải khác trong ngày sẽ đ−ợc xác định theo mối quan
hệ của chúng. Vậy nếu biết đ−ợc dạng đồ thị phụ tải quy chuẩn, tức là các giá
22
trị Pn(i), xác định đ−ợc Pmax và Pmin trong ngày ta sẽ tính đ−ợc phụ tải của từng
giờ theo công thức 1.1.
1.2.2.3 Dự báo phụ tải cho 24h
Khi ta đã dự báo đ−ợc Pmax và Pmin trong ngày nếu ta xác định đ−ợc đồ
thị phụ tải quy chuẩn tức là xác định đ−ợc các giá trị Pn(i) với i=1ữ24 ta sẽ xác
định đ−ợc phụ tải của từng giờ trong ngày. Từ công thức (1.1) ta xác định
đ−ợc công thức 1.4 sau:
P(i) = Pmin + (Pmax – Pmin ) Pn(i) (1.4)
Qua các phân tích nêu trên có thể đi đến kết luận: Để dự báo đ−ợc phụ
tải từng giờ cho một ngày cụ thể, ta cần dự báo đ−ợc giá trị phụ tải đỉnh Pmax
và phụ tải đáy Pmin của ngày đó và tìm ra véctơ ĐTPT Pn(i) của ngày cần dự
báo.
Tóm lại cũng nh− các dự báo khác, dự báo phụ tải ngày phải dựa vào số
liệu thống kê, phân tích và áp dụng các thuật toán để xác định mối quan hệ
giữa phụ tải và các yếu tố ảnh h−ởng, từ đó xây dựng ph−ơng pháp dự báo phụ
tải ngày dựa trên các yếu tố ảnh h−ởng đã đ−ợc nêu.
Phần tiếp theo, ta sẽ nghiên cứu ph−ơng pháp giải quyết bài toán dự báo
phụ tải thông qua việc sử dụng các loại mạng nơron nhân tạo. Việc phân tích
đặc điểm riêng, yêu cầu và mục đích từng bài toán sẽ là cơ sở để chọn loại
mạng nơron nhân tạo thích hợp vào việc giải quyết từng bài toán.
23
CHƯƠNG II
Tổng quan Về MạNG NƠRON NHÂN TạO
Mạng nơron nhân tạo là một lĩnh vực đ−ợc đề xuất và nghiên cứu vào
cuối thập kỷ 1800 khi ng−ời ta cố gắng mô tả hoạt động của trí tuệ con ng−ời.
ý t−ởng này bắt đầu đ−ợc áp dụng cho các mô hình tính toán từ mạng
Perceptron và đến nay đã có nhiều ứng dụng trong thực tế, đặc biệt là trong
lĩnh vực dự báo, nhận dạng, điều khiển… Ví dụ, mạng nơron nhân tạo có thể
sử dụng để nhận dạng ký tự thông qua khả năng học từ kinh nghiệm hoặc từ
tập mẫu, trong khi các ph−ơng pháp truyền thống phải tiêu tốn nhiều thời gian
cho việc làm mảnh ký tự, khả năng nhận dạng sẽ không cao khi chất l−ợng
quét của scanner tồi hoặc bản thân ký tự đ−ợc lấy từ văn bản mờ hoặc có
nhiều nét đứt. Cách tiếp cận mạng nơron nhân tạo có ý nghĩa thực tiễn rất lớn
cho phép tạo ra các thiết bị có thể kết hợp khả năng song song cao của bộ não
với tốc độ tính toán cao của máy tính.
2.1. Lịch sử phát triển của mạng nơron nhân tạo
Trí tuệ nhân tạo (Artificial Intelligence) hay tạo cho máy móc khả năng
suy luận, phán đoán và cảm nhận nh− con ng−ời là một trong những tham
vọng to lớn của loài ng−ời. Tham vọng này đã có từ lâu và cùng với sự ra đời
của máy tính, con ng−ời từng b−ớc đ−a kiến thức của mình vào máy, biến
chúng trở thành những công cụ thực sự có trí tuệ. Mạng nơron nhân tạo là một
bộ phận của ngành khoa học trí tuệ nhân tạo, là lĩnh vực tin học nghiên cứu
ứng dụng máy tính điện tử thông minh hoạt động theo cơ chế mô phỏng t−
duy của con ng−ời. Mạng nơron nhân tạo có cấu trúc t−ơng tự nh− bộ não tuy
nhiên số nơron trong mạng nơron nhân tạo là hữu hạn tuỳ thuộc vào nhu cầu
thực tế của bài toán, còn đối với bộ não con ng−ời số nơron lên tới xấp xỉ 15 tỉ
nơron. Mạng nơron có khả năng học và tái tạo lại những gì đã đ−ợc dạy, chính
24
vì đặc điểm này mà mạng nơron đang đ−ợc phát triển rất mạnh mẽ và đang
đ−ợc ứng dụng rất nhiều trong thực tế, đặc biệt là trong lĩnh vực dự báo, nhận
dạng, điều khiển… Con ng−ời bắt đầu nghiên cứu mạng nơron vào cuối thập
kỷ 1800 khi ng−ời ta cố gắng mô tả hoạt động của trí tuệ con ng−ời, ý t−ởng
này bắt đầu đ−ợc áp dụng cho các mô hình tính toán từ mạng Perceptron.
Đầu thập kỷ 1950 Friedrich Hayek là ng−ời đầu tiên khẳng định ý
t−ởng về trật tự tự phát trong não xuất phát từ các mạng phân tán gồm các đơn
vị đơn giản (nơron). Cuối thập kỷ 1940, Donnald Hebb đ−a ra giả thuyết đầu
tiên về một cơ chế thần kinh mềm dẻo (neural plasticity). Hebbian learning
đ−ợc coi là một quy tắc 'điển hình' của học không có giám sát. Nó (và các biến
thể) là mô hình thời kỳ đầu của long term potentiation. (tạo tiềm lực dài hạn).
Perceptron là một bộ phân loại tuyến tính dành cho việc phân loại dữ
liệu xác định bằng các tham số và một hàm đầu ra g
= w'x + b. Các tham số của nó đ−ợc thích nghi với một quy tắc tùy biến (ad-
hoc) t−ơng tự với xuống dốc ngẫu nhiên (stochastic steepest gradient descent).
Perceptron chỉ có thể phân loại hoàn hảo một tập dữ liệu mà các lớp khác
nhau là (linearly separable) trong không gian đầu vào. Nó th−ờng thất bại
hoàn toàn đối với dữ liệu không chia tách đ−ợc. Sự phát triển của thuật toán
này ban đầu đã tạo ra một số hứng khởi, phần vì mối quan hệ của nó đối với
các cơ chế sinh học. Sau này, phát hiện về điểm yếu này đã làm cho các mô
hình Perceptron bị bỏ mặc cho đến khi các mô hình phi tuyến đ−ợc đ−a ra.
Cognitron (1975) là một mạng nơron đa tầng thời kỳ đầu với một thuật
toán huấn luyện. Các chiến l−ợc thần kinh khác nhau sẽ khác nhau về cấu trúc
thực sự của mạng và các ph−ơng pháp thiết lập trọng số cho các kết nối. Mỗi
dạng có các −u điểm và nh−ợc điểm riêng. Mạng có thể lan truyền thông tin
chỉ theo một h−ớng, hoặc thông tin có thể đ−ợc đẩy đi đẩy lại cho đến khi tại
một nút xuất hiện sự tự kích hoạt và mạng sẽ dừng tại một trạng thái kết thúc.
25
Mạng nơron nhiều lớp lan truyền ng−ợc sai số đã đ−ợc Rosenblatt và
một số tác giả khác mô tả từ những năm 50, nh−ng họ chủ yếu chỉ nghiên cứu
sâu về mạng Perceptron một lớp. Sở dĩ nh− vậy là do không tìm đ−ợc cách
thay đổi trọng số liên kết tại các lớp ẩn. Ngay cả khi đã biết đ−ợc sai số tại các
đầu ra, nh−ng ng−ời ta vẫn ch−a hình dung đ−ợc các sai số đó đ−ợc phân bố
nh− thế nào tại các nơron ẩn. Minsky và Papert đã chỉ ra rằng khó có thể tổng
quát hoá luật học đối với mạng một lớp sang mạng nhiều lớp, có hai lý giải
chính cho vấn đề này. Thứ nhất, thuật giải học của mạng nhiều lớp có thể
không hiệu quả, hoặc không hội tụ về điểm cực trị tổng thể trong không gian
véctơ trọng số. Mặt khác, các nghiên cứu trong lý thuyết tính toán đã chỉ ra
rằng trong tr−ờng hợp tồi nhất quá trình học các hàm tổng quát từ mẫu học
không phải lúc nào cũng giải quyết đ−ợc. Các nguyên tắc cơ bản trong luật
học đối với mạng nhiều lớp đã đ−ợc Bryson và Ho đề xuất từ năm 1969,
nh−ng phải tới giữa năm 1980 vấn đề này mới đ−ợc quan tâm trở lại bởi công
trình nghiên cứu của Rumelhart năm 1986.
Mạng truyền ng−ợc (backpropagation) có lẽ đã là nguyên nhân chính
của sự tái xuất của mạng nơron từ khi công trình "Learning Internal
Representations by Error Propagation" (học các biểu diễn bên trong bằng
cách lan truyền lỗi) đ−ợc xuất bản năm 1986. Mạng truyền ng−ợc ban đầu sử
dụng nhiều tầng, mỗi tầng gồm các đơn vị tổng trọng số có dạng g = f(w'x +
b), trong đó f là một hàm sigmoid. Huấn luyện đ−ợc thực hiện theo kiểu
xuống dốc ngẫu nhiên. Việc sử dụng quy tắc tính nguyên hàm cho hàm hợp
(chain rule) khi tính toán các thay đổi thích hợp cho các tham số dẫn đến một
thuật toán có vẻ truyền ng−ợc lỗi, đó là nguồn gốc của thuật ngữ truyền
ng−ợc. Tuy nhiên, về bản chất đây chỉ là một dạng xuống dốc, việc xác định
các tham số tối −u cho một mô hình thuộc dạng này không đơn giản, không
thể dựa vào các ph−ơng pháp xuống dốc để có đ−ợc lời giải tốt mà không cần
một xuất phát điểm tốt. Ngày nay, các mạng có cùng kiến trúc với mạng
26
truyền ng−ợc đ−ợc gọi là các mạng Perceptron đa tầng. Thuật ngữ này không
hàm ý bất cứ giới hạn nào đối với loại thuật toán dùng cho việc học.
Mạng truyền ng−ợc đã tạo ra nhiều hứng khởi và đã có nhiều tranh cãi
về quy trình học đó có thể đ−ợc thực hiện trong bộ não hay không. Một phần
vì khi đó ch−a tìm ra cơ chế truyền tín hiệu ng−ợc. Nh−ng lý do quan trọng
nhất là ch−a có một nguồn tín hiệu 'dạy' hay tín hiệu 'đích' đáng tin cậy.
2.2. Cơ sở lý thuyết mạng nơron
Mạng nơron nhân tạo là một lĩnh vực nghiên cứu rộng lớn và chỉ mới
phát triển mạnh khoảng 20 năm gần đây. Nó đ−ợc nghiên cứu và phát triển
dựa trên nhiều lĩnh vực khoa học khác nhau bao gồm: Sinh học, sinh lý học,
toán học, tin học.
- Nơron sinh lý học: Các nơron nhân tạo đều có cấu trúc dựa các mô hình
nơron sinh vật. Các nhà nghiên cứu đã chọn ph−ơng pháp nghiên cứu
đặc tính đáp ứng nơron với các xung kích thích từ thấp đến cao, từ một
đơn thể đến một mạng nhiều lớp, từ các khu thần kinh trung −ơng đến
các cơ cấu thần kinh chấp hành.
- Sinh lý học nơron: Các nhà sinh lý học nơron nghiên cứu cách nhận
thức, các hành vi, cách tổ chức của não ng−ời để giải quyết những bài
toán phức tạp, đòi hỏi sáng tạo. Rất nhiều các thuật học đ−ợc bắt nguồn
từ những nghiên cứu về sinh lý học.
- Cơ sở toán học: Toán học là một công cụ không thể thiếu trong quá
trình nghiên cứu khoa học nói chung và mạng nơron nói riêng.
- Công nghệ thông tin: Biễu diễn và xử lý nhanh các vấn đề đã đ−ợc
nghiên cứu, là yếu tố thúc đẩy các ứng dụng và kỹ thuật mạng nơron
nhân tạo phát triển nhanh chóng.
27
2.3. Bộ não và nơron sinh học
Các nhà nghiên cứu sinh học cho ta thấy rằng các nơron (tế bào thần
kinh) là đơn vị cơ sở đảm nhiệm những chức năng xử lý nhất định trong hệ
thần kinh, bao gồm não, tuỷ sống và các dây thần kinh. Mỗi nơron có một
phần thân với nhân bên trong (gọi là soma), một đầu thần kinh ra (gọi là sợi
trục axon) và một hệ thống dạng cây các dây thần kinh vào (gọi là dendrite).
Các dây thần kinh vào tạo thành một l−ới dày xung quanh thân tế bào, chiếm
diện tích khoảng 0.25 mm2, còn dây thần kinh tạo thành trục dài có thể từ 1
cm đến hàng mét. Đ−ờng kính của thân tế bào th−ờng chỉ là 10-4m. Trục dây
thần kinh ra cũng có thể phân nhánh các dây thần kinh theo dạng cây để nối
với các dây thần kinh vào hoặc trực tiếp với nhân tế bào các nơron khác thông
qua các khớp nối (gọi là synapse). Thông th−ờng, mỗi nơron có thể gồm vài
chục cho tới vài trăm ngàn khớp nối để nối với các nơron khác. Ng−ời ta −ớc
l−ợng rằng l−ới các dây thần kinh ra cùng với các khớp nối bao phủ diện tích
khoảng 90% bề mặt nơron (hình 2.1)
Hình 2.1. Cấu tạo nơron sinh học
28
Các tín hiệu truyền trong các dây thần kinh vào và dây thần kinh ra của
các nơron là tín hiệu điện và đ−ợc thực hiện thông qua các quá trình phản ứng
và giải phóng các chất hữu cơ. Các chất này đ−ợc phát ra từ các khớp nối dẫn
tới các dây thần kinh vào sẽ làm tăng hay giảm điện thế của nhân tế bào. Khi
điện thế này đạt tới một ng−ỡng nào đó, sẽ tạo ra một xung điện dẫn tới trục
dây thần kinh ra. Xung này đ−ợc truyền theo trục, tới các nhánh rẽ khi chạm
tới các khớp nối có các nơron khác sẽ giải phóng các chất truyền điện, có hai
loại khớp nối: khớp nối kích thích (excitatory) hoặc khớp nối ức chế
(inhibitory).
Phát hiện quan trọng nhất trong ngành nghiên cứu về bộ não là các liên kết
khớp thần kinh khá mềm dẻo, có thể biến động và chỉnh đổi theo thời gian tuỳ
thuộc vào dạng kích thích. Hơn nữa, các nơron có thể sản sinh các liên kết
mới với các nơron khác và đôi khi l−ới các nơron có thể di chuyển từ vùng này
sang vùng khác trong bộ não. Các nhà khoa học cho rằng đây chính là cơ sở
quan trọng để giải thích cơ chế học của bộ não con ng−ời.
Phần lớn các quá trình xử lý thông tin đều xảy ra trên vỏ não. Toàn bộ vỏ
não đ−ợc bao phủ bởi mạng các tổ chức cơ sở có dạng hình thùng tròn với
đ−ờng kính khoảng 0.5mm, độ cao 4mm. Mỗi đơn vị cơ sở này chứa khoảng
2000 nơron. Ng−ời ta chỉ ra rằng mỗi vùng não có những chức năng nhất định.
Điều rất đáng ngạc nhiên là các nơron rất đơn giản trong cơ chế làm việc,
nh−ng mạng nơron liên kết với nhau lại có khả năng tính toán, suy nghĩ, tính
toán nghi nhớ, và điều khiển. Có thể điểm qua những chức năng cơ bản của bộ
não nh− sau:
- Bộ nhớ đ−ợc tổ chức theo các bó thông tin và truy nhập theo nội dung
(có thể truy xuất thông tin dựa theo giá trị các thuộc tính của đối t−ợng);
29
- Bộ não có khả năng tổng quát hoá, có thể truy xuất các tri thức hay
các mối liên kết chung của các đối t−ợng t−ơng ứng với một khái niệm chung
nào đó;
- Bộ não có khả năng dung thứ lỗi theo nghĩa có thể điều chỉnh hoặc
tiếp tục thực hiện ngay khi có những sai lệch do thông tin bị thiếu hoặc không
chính xác. Ngoài ra, bộ não còn có thể phát hiện và phục hồi các thông tin mất
dựa trên sự t−ơng tự giữa các đối t−ợng;
- Bộ não có khả năng xuống cấp và thay thế dần, khi có trục trặc tại các
vùng não (do bệnh, chấn th−ơng) hoặc bắt gặp những thông tin hoàn toàn mới
lạ, bộ não vẫn có thể tiếp tục làm việc;
- Bộ não có khả năng học.
Dễ dàng thấy rằng bộ não con ng−ời có thể l−u giữ nhiều thông tin hơn
các máy tính hiện đại; Tuy rằng điều này không phải đúng mãi mãi, vì bộ não
tiến hoá chậm, trong khi đó nhờ những tiến bộ trong công nghệ vi điện tử, bộ
nhớ máy tính đ−ợc nâng cấp rất nhanh. Hơn nữa, sự hơn kém về bộ nhớ trở
nên hoàn toàn thứ yếu so với sự khác biệt về tốc độ tính toán và khả năng tính
toán song song. Các bộ vi xử lý có thể tính 108 lệnh trong một giây, trong khi
đó mạng nơron xử lý chậm hơn, cần khoảng vài miligây để kích hoạt. Tuy
nhiên, bộ não có thể kích hoạt hầu nh− cùng một lúc tại rất nhiều nơron khớp
nối, trong khi đó ngay cả máy tính hiện đại cũng chỉ có một số hạn chế các bộ
vi xử lý song song. Nếu chạy một mạng nơron nhân tạo trên máy tính, phải
tốn hàng trăm lệnh máy để kiểm tra một nơron có đ−ợc kích hoạt hay không
(tiêu phí khoảng10-8 x 10 giây trên nột nơron). Do đó, cho dù bộ vi xử lý có
thể tính toán nhanh hơn hàng triệu lần so với các nơron bộ não, nh−ng xét
tổng thể bộ não lại tính toán nhanh hơn hàng tỷ lần.
Cách tiếp cận mạng nơron nhân tạo có ý nghĩa thực tiễn rất lớn cho phép
tạo ra các thiết bị có thể kết hợp khả năng song song cao của bộ não và tốc độ
30
tính toán cao của máy tính. Tuy vậy, cần phải có một khoảng thời gian dài nữa
để các mạng nơron nhân tạo có thể mô phỏng các hành vi sáng tạo của bộ não
con ng−ời. Chẳng hạn, bộ não có thể thực hiện một nhiệm vụ khá phức tạp nh−
nhận ra khuôn mặt ng−ời quen sau không quá một giây, trong khi đó một máy
tính tuần tự phải thực hiện hàng tỷ phép tính (khoảng10 giây) để thực hiện
cùng một thao tác đó, nh−ng với chất l−ợng kém hơn nhiều, đặc biệt trong
tr−ờng hợp thông tin không chính xác, đầy đủ.
2.4 Mô hình mạng nơron nhân tạo
Mạng nơron nhân tạo (Artificial Neural Network) bao gồm các nút (đơn
vị xử lý, nơron) đ−ợc nối với nhau bởi liên kết nơron. Mỗi liên kết kèm theo
một trọng số nào đó, đặc tr−ng cho đặc tính kích hoạt/ ức chế giữa các nơron.
Có thể xem các trọng số là ph−ơng tiện để l−u thông tin dài hạn trong mạng
nơron và nhiệm vụ của quá trình huấn luyện (học) mạng là cập nhật các trọng
số khi có thêm các thông tin về các mẫu học, hay nói một cách khác, các
trọng số đ−ợc điều chỉnh sao cho dáng điệu vào ra của nó mô phỏng hoàn toàn
phù hợp môi tr−ờng đang xem xét.
Trong mạng, một số nơron đ−ợc nối với môi tr−ờng bên ngoài nh− các đầu
ra, đầu vào.
2.4.1 Mô hình một nơron nhân tạo
a=∑ Z f
xi
wi
Các liên kết vào
Cỏc liờn kết ra
Hàm vào Đầu raHàm kớch
hoạt
Hình 2.2. Mạng nơron nhân tạo
31
Mỗi nơron nhân tạo (nút) đ−ợc nối với các nơron khác và nhận các tín
hiệu xi từ chúng với các trọng số wi, tổng các thông tin vào có trọng số là
a =∑
=
n
i
ii xw
1
a là thành phần tuyến tính của nơron. Hàm kích hoạt f (hàm chuyển)
đóng vai trò biến đổi từ a sang tín hiệu đầu ra z.
z =f(a)
Trong đó:
xi: Các tín hiệu đầu vào.
wi: Các trọng số t−ơng ứng với các đầu vào
n: số đầu vào của nơron.
a: Tổng trọng số của mỗi nơron.
f: hàm kích hoạt
z: là đầu ra của nơron, đây là thành phần phi tuyến của nơron.
Hàm kích hoạt f th−ờng có 3 dạng hay dùng trong thực tế.
• Hàm dạng b−ớc:
1 nếu x ≥ 0
f(x)=
0 nếu x < 0
hoặc
1 nếu x ≥ θ
f(x)=
0 nếu x < θ
1
0
32
• Hàm dấu
1 nếu x ≥ 0
f(x)=
-1 nếu x < 0
hoặc
1 nếu x ≥ θ
f(x)=
0 nếu x < θ
• Hàm singmoid
f(x) = xe α−+1
1
ở đây ng−ỡng đóng vai trò làm tăng tính thích nghi và khả năng tính toán
của mạng nơron. Sử dụng ký pháp véctơ, X = (x1, x2, …,xn) véctơ tín hiệu vào,
W = (w1,w2, …,wn) véctơ trọng số, khi đó ta có.
Z = f(a), a =WS
Tr−ờng hợp xét ng−ỡng, ta biểu diễn véctơ mới X’ = (x1,x2, …,xn, θ ), W
= (w1,w2, …,wn, -1)
1
-1
33
3.4.2. Mô hình mạng nơron nhân tạo
Mạng nơron là hệ thống bao gồm nhiều phần tử xử lý đơn giản (nơron)
hoạt động song song. Tính năng của hệ thống này tuỳ thuộc vào cấu trúc của
hệ các trọng số liên kết nơron và quá trình tính toán các nơron đơn lẻ. Mạng
nơron có thể học từ dữ liệu mẫu và tổng quát hoá dựa trên các dữ liệu mẫu
học. Trong mạng nơron, các nơron đón nhận tín hiệu vào gọi là nơron vào và
các nơron đ−a thông tin ra gọi là nơron ra.
3.4.2.1. Phân loại các mạng nơron
Theo kiểu liên kết nơron: Ta có mạng nơron truyền thẳng (feel-
forward Neural Network) và mạng nơron qui hồi (recurrent NN). Trong mạng
nơron truyền thẳng, các liên kết nơron đi theo một h−ớng nhất định, không tạo
thành đồ thị có chu trình (Directed Acyclic Graph) với các đỉnh là các nơron,
các cung là các liên kết giữa chúng. Ng−ợc lại, các mạng qui hồi cho phép các
liên kết nơron tạo thành chu trình. Vì các thông tin ra của các nơron đ−ợc
truyền lại cho các nơron đã góp phần kích hoạt chúng, nên mạng qui hồi còn
có khả năng l−u giữ trạng thái trong của nó d−ới dạng ng−ỡng kích hoạt ngoài
các trọng số liên kết nơron.
Lớp vào Nơron vào
Lớp ẩn
Lớp ra Nơron ra
a) Mạng nơron nhiều lớp b) Mạng nơron truyền thẳng
Hình 2.3. Mạng truyền thẳng và nhiều lớp
34
Theo số lớp: Các nơron có thể tổ chức lại thành các lớp sao cho mỗi
nơron của lớp này chỉ đ−ợc nối với các nơron ở lớp tiếp theo, không cho phép
các liên kết giữa các nơron trong cùng một lớp, hoặc từ nơron lớp d−ới lên
nơron lớp trên. ở đây cũng không cho phép các liên kết nơron nhảy qua một
lớp.
Dễ dàng nhận thấy rằng các nơron trong cùng một lớp nhận đ−ợc tín
hiệu từ lớp trên cùng một lúc, do vậy về nguyên tắc chúng có thể xử lý song
song. Thông th−ờng lớp nơron vào chỉ chịu trách nhiệm truyền đ−a tín hiệu
vào, không thực hiện một tính toán nào nên khi tính số lớp của mạng, ng−ời ta
không tính lớp vào. Ví dụ, mạng nơron ở hình 2.6 có hai lớp: một lớp ẩn và
một lớp ra.
Đầu vào Lớp nơron
a1
a2
an
Y2
Y1
Yn
s1
s2
s3
sm
w1,1
wm,n
Hình 2.5. Mạng nơron một lớp
Hình 2.4. Mạng nơron hồi qui.
35
Đầu vào Lớp 1 Lớp 2
2.4.2.2. Cách nhìn về mạng nơron
• Mạng nơron nh− một công cụ tính toán:
Giả sử mạng nơron NN có n nơron vào và m nơron ra, khi đó với mỗi
véctơ các tín hiệu vào X = (x1,…,xn ), sau quá trình tính toán tại các nơron ẩn,
ta nhận đ−ợc kết quả ra Z =( z1, z2,...,zm). Theo nghĩa nào đó mạng nơron làm
việc với t− cách một bảng tra, mà không cần biết dạng phụ thuộc hàm t−ờng
minh giữa Z và X. khi đó có thể viết:
Z=Tinh(X, NN )
Các nơron trên cùng một lớp có thể tính toán đồng thời, do vậy độ phức
tạp tính toán nói chung sẽ phụ thuộc vào số lớp mạng.
Các thông số cấu trúc mạng nơron bao gồm.
+ Số tín hiệu vào, số tín hiệu ra.
+ Số lớp nơron.
+ Số nơron trên mỗi lớp ẩn.
+ Số l−ợng liên kết của mỗi nơron (liên kết đầy đủ, liên kết bộ phận và
liên kết ngẫu nhiên).
a11
a12
a1n
X2
X1
Xn
s1
s2
s3
sm
w1,1
wm,n
a21
a22
a2k
Y2
Y1
Yk
Hình 2.6. Mạng nơron nhiều lớp
36
+ Các trọng số liên kết nơron.
• Mạng nơron nh− một hệ thống thích nghi có khả năng học (huấn
luyện) để tinh chỉnh các trọng số liên kết cũng nh− cấu trúc của mạng sao cho
phù hợp với các mẫu học (samples). Có ba loại kỹ thuật học
(i) Học có giám sát (supervised learning) hay còn gọi học có thầy;
(ii) Học không có giám sát (unsupervised leraning) hay còn gọi học
không có thầy
(iii) Học tăng c−ờng.
Trong học có giám sát, mạng đ−ợc cung cấp một tập mẫu học {(XS,DS)}
theo nghĩa XS là tín hiệu vào, thì kết quả ra đúng của hệ phải là DS. ở mỗi lần
học, véctơ tín hiệu vào XS đ−ợc đ−a vào mạng, sau đó so sánh sự sai khác giữa
các kết quả ra đúng DS với kết quả tính toán ZS. Sai số này sẽ đ−ợc dùng để
hiệu chỉnh lại các trọng số liên kết trong mạng. Quá trình cứ tiếp tục cho đến
khi thỏa mãn một tiêu chuẩn nào đó. Có hai cách sử dụng tập mẫu học: Hoặc
dùng các mẫu lần l−ợt, hết mẫu này đến mẫu khác, hoặc sử dụng đồng thời tất
cả các mẫu một lúc. Các mạng với cơ chế học không giám sát đ−ợc gọi là các
mạng tự tổ chức. Các kỹ thuật học trong mạng nơron có thể nhằm vào hiệu
chỉnh các trọng số liên kết (gọi là tham số) hoặc điều chỉnh, sửa đổi cấu trúc
của mạng bao gồm số lớp, số nơron, kiểu và trọng số các liên kết (gọi là học
cấu trúc). Cả hai mục đích học này có thể thực hiện đồng thời hoặc tách biệt.
Học tham số: Giả sử có k nơron trong mạng và mỗi nơron có đúng l liên
kết vào với các nơron khác. Khi đó, ma trận trọng số liên kết W sẽ có kích
th−ớc kxl. Các thủ tục học tham số nhằm mục đích tìm kiếm ma trận W sao
cho
ZS = Tinh ( XS, W ) đối với mọi mẫu học S = (XS, DS) (2.1)
37
Học cấu trúc: Với học tham số ta giả định rằng mạng có một cấu
trúc cố định. Việc học cấu trúc của mạng truyền thẳng gắn với yêu cầu tìm ra
số lớp của mạng L và số nơron trên mỗi lớp nj. Đối với các mạng hồi qui còn
phải xác định thêm các tham số ng−ỡng θ của các nơron trong mạng. Một
cách tổng quát phải xác định bộ tham số P = ( L,n1…..,n1, θ1,….,θk), ở đây k =
∑ nj sao cho:
YS = Tinh ( XS,P) đối với mọi mẫu học s = (XS, DS) (2.2)
Về thực chất, việc điều chỉnh các véctơ tham số W trong (2.1) hay P
trong (2.2) đều qui về bài toán tìm kiếm tối −u trong không gian tham số. Do
vậy, có thể áp dụng các cơ chế tìm kiếm kinh điển theo gradient hay các giải
thuật di truyền, lập trình tiến hoá.
3.4.2.3. Khả năng tính toán và biểu diễn phụ thuộc dữ liệu của mạng
nơron
Mạng nơron truyền thẳng chỉ đơn thuần tính toán các tín hiệu ra dựa
trên các tín hiệu vào và các trọng số liên kết nơron đã xác định rõ trong mạng.
Do đó chúng không có trạng thái bên trong nào khác ngoài véctơ trọng số W.
Đối với mạng qui hồi, trạng thái trong của mạng đ−ợc l−u giữ tại các ng−ỡng
của các nơron, các mạng qui hồi có thể không ổn định, thậm chí rối loạn theo
nghĩa, khi cho véctơ giá trị đầu vào X nào đó, mạng cần phải tính toán rất lâu,
Mạng nơron N
Hiệu chỉnh W Sai số
Hình 2.7. Học tham số có giám sát
Xs
Ds
Zs
38
thậm chí có thể lặp vô hạn tr−ớc khi đ−a ra đ−ợc kết quả mong muốn. Quá
trình học của mạng qui hồi cũng phức tạp hơn nhiều. Tuy vậy, các mạng qui
hồi có thể cho phép mô phỏng các hệ thống t−ơng đối phức tạp trong thực tế.
3.4.2.4. Xác định cấu trúc mạng tối −u.
Nh− ta đã đề cập phần trên, lựa chọn sai cấu trúc mạng có thể dẫn tới
hoạt động mạng trở nên kém hiệu quả. Nếu chọn mạng quá nhỏ có thể chúng
không biểu diễn đ−ợc sự phụ thuộc dữ liệu mong muốn. Nếu chọn mạng quá
lớn để có thể nhớ đ−ợc tất cả các mẫu học d−ới dạng bảng tra, nh−ng hoàn
toàn không thể tổng quát đ−ợc cho những tín hiệu vào ch−a biết tr−ớc. Nói
cách khác, cũng giống nh− trong các mô hìng thống kê, các mạng nơron có
thể đ−a tới tình trạng quá thừa tham số.
Bài toán xác định cấu trúc mạng tốt có thể xem nh− bài toán tìm kiếm
trong không gian tham số. Một cách làm là sử dụng giải thuật di truyền, tuy
vậy, không gian tham số có thể rất lớn và để xác định một trạng thái W ( hoặc
P) trong không gian đòi hỏi phải huấn luyện mạng, do vậy rất tốn thời gian.
Có thể áp dụng t− t−ởng tìm kiếm leo đồi (hill-climbing) nhằm sửa đổi một
cách có lựa chọn, mang tính địa ph−ơng cấu trúc mạng hiện có. Có hai cách
làm:
+ Hoặc bắt đầu với một mạng lớn, sau đó giảm nhỏ xuống;
+ Hoặc bắt đầu với một mạng nhỏ, sau đó tăng dần lên.
Một kỹ thuật khác có thể áp dụng gọi là “tổn th−ơng tối −u“ nhằm loại
bỏ một số liên kết trọng số trong mạng dựa trên các tiếp cận lý thuyết thông
tin, đơn giản nhất là các liên kết có trọng số bằng 0. Quá trình cứ tiếp tục nh−
vậy. Kỹ thuật này có thể loại trừ 3/4 các liên kết, do đó nâng cao đáng kể hiệu
quả của mạng.
39
Ngoài việc loại trừ các liên kết nơron thừa, có thể bỏ qua những nơron
không đóng góp nhiều vào quá trình thực hiện của mạng.
Giải thuật “Lợp ngói” là một biến thể của kỹ thuật tăng tr−ởng mạng
xuất phát từ cấu hình ban đầu t−ơng đối nhỏ. ý t−ởng ở đây là xác định một
cấu hình mạng cho phép tính đúng các mẫu học đã biết. Sau đó, mỗi khi thêm
dần mẫu học mới, mạng đ−ợc phép thêm một số nơron cho phép đoán đúng
kết quả học hiện tại và quá trình cứ tiếp tục nh− vậy.
40
Ch−ơng III
ứng dụng mạng nơron ánh xạ đặc tr−ng tự tổ chức
Kohonen trong bài toán phân loại ngày
Bài toán phân loại ngày trong dự báo phụ tải ngắn hạn cho hệ thống
điện là một bài toán rất quan trọng để phân loại các dữ liệu đầu vào và dự
báo các kiểu ngày tiếp theo. Trong một số phần mềm dự báo phụ tải ngắn hạn
tr−ớc đây, ch−a có phần mềm nào thực hiện vấn đề phân loại dữ liệu, mà việc
phân loại dữ liệu đầu vào đều đ−ợc thực hiện thủ công bằng kinh nghiệm.
Trong ch−ơng này tôi trình bày các khái niệm cơ bản về mạng nơron
ánh xạ đặc tr−ng tự tổ chức Kohonen, sau đó phát biểu bài toán, đề xuất cấu
trúc mạng, cách ứng dụng kỹ thuật “mạng nơron ánh xạ đặc tr−ng tự tổ chức
Kohonen” để giải quyết bài toán. Xây dựng phần mềm và phân tích đánh giá
kết quả đạt đ−ợc. Ch−ơng trình đ−ợc viết bằng phần mềm Matlab.
3.1. Sự cần thiết phân loại đồ thị phụ tải
3.1.1. Tập hợp các kiểu đồ thị phụ tải đặc tr−ng
Trong các bài toán dự báo nói chung và dự báo phụ tải hệ thống điện
nói riêng, để đạt đ−ợc kết quả dự báo chính xác cao và thời gian huấn luyện
ngắn, ta cần phải phân loại đ−ợc các loại dữ liệu đầu vào. Đặc biệt đối với bài
toán dự báo phụ tải ta cần phân dạng kiểu ngày dự báo vì qua số liệu thống kê
và thực tế vận hành cho thấy tồn tại một vài dạng đồ thị phụ tải đặc tr−ng phụ
thuộc vào các tính chất của ngày nghiên cứu.
Đồ thị phụ tải trong ngày làm việc của các tháng giống nhau trong các
năm giống nhau th−ờng có dạng giống nhau. D−ới đây là đồ thị phụ tải của
ngày làm việc trong tháng 2 năm 2005, 2006 và các ngày làm việc trong tháng
41
Đồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Giờ
C
ôn
g
su
ất
Đồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Giờ
C
ôn
g
su
ất
Đồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Giờ
C
ôn
g
su
ất
6 năm 2005, 2006 của hệ thống điện Miền Bắc (Hình 3.1). Qua đồ thị phụ tải
ta thấy các ngày làm việc trong cùng một tháng của hai năm có dạng giống
nhau. Đồ thị phụ tải của tháng 2 có dạng hoàn toàn khác với tháng 6 và ta
cũng thấy rằng giá trị phụ tải của ngày nghỉ bao giờ cũng nhỏ hơn ngày làm
việc bình th−ờng, dạng đồ thị của các ngày này cũng có sự thay đổi. Đối với
các ngày truyền hình trực tiếp các sự kiện thể thao văn hoá đồ thị phụ tải cũng
có dạng t−ơng tự nh− các ngày có cùng sự kiện tr−ớc đó. Dạng của đồ thị phụ
tải trong ngày có cắt điện diện rộng cũng mang đặc thù riêng tuỳ thuộc vào
thời gian, vùng cắt điện. Những ngày này nếu áp dụng các ph−ơng pháp dự
báo th−ờng cho kết quả chính xác không cao.
Từ 22 đến 24/02/2005
Từ 9 đến 11/05/200._.9.5 -29.70 1.33
17 2557.4 2693.7 -136.30 5.33
95
18 2853.3 2896.9 -43.60 1.53
19 2893.2 2992.4 -99.20 3.43
20 2597.5 2744.1 -146.60 5.64
21 2325.8 2398.7 -72.90 3.13
22 2062.8 2076.9 -14.10 0.68
23 1901.4 1955.8 -54.39 2.86
24 1792.2 1876.3 -94.10 5.25
Bảng 4.16 Kết quả dự báo phụ tải ngày 14/05/2006
Giờ
P thực tế
(MW)
P dự báo
(MW)
Sai số tuyệt đối
(MW) Sai số %
1 1577.0 1572.6 4.40 0.28
Đồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Giờ
C
ôn
g
su
ất
Hình 4.6 Đồ thị phụ tải dự báo và phụ tải thực tế ngày 13/5/2006
Thực tế Dự bỏo
96
2 1578.3 1573.4 4.86 0.31
3 1533.5 1534.4 -0.91 0.06
4 1552.5 1519.7 32.80 2.11
5 1617.7 1627.5 -9.76 0.60
6 1796.3 1862.3 -66.05 3.68
7 1800.1 1905.8 -105.71 5.87
8 1925.2 2021.5 -96.30 5.01
9 2059.1 2100.4 -91.28 4.43
10 2351.8 2427.7 -75.86 3.23
11 2402.8 2455.9 -53.10 2.21
12 1877.5 1986.6 -109.10 5.81
13 1722.1 1808.8 -86.67 5.03
14 1818.7 1898.6 -79.86 4.40
15 1919.4 2010.2 -90.82 4.73
16 2072.7 2130.6 -57.95 2.80
17 2454.4 2597.9 -143.50 5.85
18 2766.9 2832.7 -65.83 2.38
19 2923.6 2914.6 9.00 0.31
20 2674.4 2665.5 8.94 0.33
97
21 2348.8 2382.1 -33.33 1.42
22 2012.4 2088.3 -75.91 3.77
23 1853.0 1926.0 -73.00 3.94
24 1661.2 1683.8 -22.62 1.36
Qua các ĐTPT báo và phụ tải thực tế từ ngày 9/5 đến ngày 14/5 năm
2006 ta thấy các ĐTPT dự báo rất gần với ĐTPT thực tế. Sai số dự báo do các
nguyên nhân sau:
• Mạng bị ảnh h−ởng rất nhiều từ trạng thái khởi đầu của các tham
số học:
- Lựa chọn cấu trúc mạng: bao gồm số nơron lớp vào, lớp ẩn, lớp ra và
các hàm truyền f(.)
- Chọn các giá trị của hệ số học và hệ số quán tính .
Đồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Giờ
C
ôn
g
su
ất
Hình 4.7 Đồ thị phụ tải dự báo và phụ tải thực tế ngày 14/5/2006
Thực tế Dự bỏo
98
- Hệ số trọng l−ợng ban đầu cho mạng, số vòng lặp trong quá trình huấn
luyện.
• Sai số do dữ liệu đầu vào.
- Sai số do phụ tải đầu vào: Hiện nay thông số phụ tải HTĐ miền Bắc vẫn
lấy bằng tay do vậy việc ghi thông số không chính xác, sai lệch thời
gian hoặc lấy thông số trong thời điểm xảy ra sự cố. Mặc dù hiện nay
hệ thống SCADA/EMS đã đ−a vào vận hành cho HTĐ miền Bắc, nh−ng
do hệ thống này chỉ thu thập dữ liệu một số trạm điện quan trọng vì vậy
các yếu tố trên sẽ đ−ợc cải thiện khi hệt thống SCADA/EMS đ−ợc áp
dụng cho toàn bộ các trạm điện trên toàn miền Bắc.
- Sai số do nhiệt độ: Do hệ thống đo l−ờng nhiệt độ môi tr−ờng không
chính xác.
• Sai số do thuật toán:
- Quá trình huấn luyện mạng dừng lại sau khi kiểm tra E < E0 hoặc kết
thúc khi giá trị vòng lặp đạt tới giá trị giới hạn đã định tr−ớc, do quá
trình huấn luyện rất lâu, số l−ợng phép toán lớn dẫn đến sai số trong
quá trình tính toán.
- Phụ tải Pmax, Pmin không chỉ phụ thuộc vào nhiệt độ Tmax, Tmin trong ngày
mà còn chịu ảnh h−ởng của các yếu tố khác về thời tiết nh− m−a, gió,
độ ẩm…
Các mẫu phụ tải Pmax, Pmin và nhiệt độ Tmax, Tmin trong quá khứ có thể không
đúng với quan hệ giữa phụ tải và nhiệt độ hiện tại. Để tránh sai số cần phải
cập nhật phụ tải và nhiệt độ các ngày gần nhất để huấn luyện mạng, trong quá
trình dự báo phụ tải cần quan sát các dữ liệu đầu vào và đầu ra để huấn luyện
lại mạng.
99
CHƯƠNG V
Hệ thống phần mềm dự báo phụ tải ngắn hạn cho hệ
thống điện miền bắc
Căn cứ vào sơ đồ trình tự các b−ớc của thuật toán tạo lập mạng nơron
nhiều lớp lan truyền ng−ợc sai số đ−ợc giới thiệu phần tr−ớc, ta xây dựng phần
mềm dự báo phụ tải đỉnh và đáy của hệ thống điện Miền Bắc. Phần cơ sở dữ
liệu đ−ợc thiết kế trên hệ quản trị CSDL SQL Server và dữ liệu do ng−ời dùng
nhập vào bằng một phần mềm đã có sẵn (Phần mềm phục vụ báo cáo sản xuất,
do phòng tin học của Trung tâm tâm Điều độ HTĐ miền Bắc thiết kế và xây
dựng). Hệ thống ch−ơng trình bao gồm hai phần. Phần thứ nhất đ−ợc viết trên
ngôn ngữ lập trình VBA đ−ợc tích hợp trong phần mềm Excel dùng để truy
vấn cơ sở dữ liệu từ SQL Server và chuẩn hoá dữ liệu. Phần thứ hai đ−ợc viết
trên Matlab để huấn luyện mạng và đ−a ra kết quả dự báo.
5.1. Giới thiệu về cơ sở dữ liệu.
Xuất phát từ sơ đồ thực thể liên kết, thông qua một số tool của SQL
Server, ta có thể kiểm tra đ−ợc tất cả các bảng dữ liệu bắt nguồn từ các thực
thể, mỗi cột bắt nguồn từ các thuộc tính, primary key từ UIK, foreign key từ
quan hệ liên kết (Relationship). Tất cả các định nghĩa của thuộc tính nh− độ
dài, kiểu dữ liệu…đều đã đ−ợc định nghĩa từ tr−ớc. Tuy nhiên do xuất phát
Truy vấn
số liệu
Phân loại
số liệu SQL
S
Chuẩn
hoá
Huấn
luyện mạng Dự báo
*.txt *.xls *.xls *.xls
Hình 5.1. Sơ đồ quan hệ giữa các module
100
của bài toán dự báo phụ tải ngắn hạn nên ta chỉ quan tâm đến một số bảng dữ
liệu trong toàn bộ hệ thống cơ sở dữ liệu đã đ−ợc thiết kế từ tr−ớc với cấu trúc
bảng nh− sau:
Bảng thông tin về phụ tải và nhiệt độ của các điện lực.
Tên cột Kiểu Len PK FK Null Mô tả
Ngay Date 8 x Ngày
Gio 2 x Giờ
ND 2 X Nhệt độ
B1 Float 4 X Hà Nội
B2 Float 4 X Hải phòng
… … … … … … …
B29 Float 4 X Lai Châu
Trong đó:
PK : primary key (Khoá chính)
FK : foreign key (khoá liên kết)
Len: Độ dài dữ liệu
5.2. Đặc tả các chức năng
5.2.1. Truy vấn dữ liệu
Module truy vấn dữ liệu dùng để truy vấn số liệu từ cơ sở dữ liệu SQL
Server, số liệu đầu ra bao gồm phụ tải và nhiệt độ của tập mẫu, số liệu này
chính là số liệu đầu vào để huấn luyện mạng. Số liệu sau khi truy vấn đ−ợc l−u
vào một file có đuôi mở rộng .xls.
101
5.2.2. Phân loại dữ liệu
Module này thực hiện phân loại số liệu đã thu thập đ−ợc từ module truy
vấn dữ liệu theo từng nhóm dữ liệu khác nhau. Dữ liệu đã phân loại sẽ đ−ợc
l−u vào một file excel.
5.2.3 Chuẩn hoá dữ liệu
Module chuẩn hoá dữ liệu thực hiện việc chuẩn hoá số liệu đã đ−ợc
phân loại ở module phân loại dữ liệu theo công thức đã định nghĩa ở ch−ơng 2,
theo nguyên tắc các giá trị đầu vào cho mạng nơ ron phải nằm trong khoảng [-
1,1] và đ−ợc l−u vào file excel. Số liệu sau khi đ−ợc chuẩn hoá sẽ là số liệu
đầu vào cho module huấn luyện mạng
5.2.4 Huấn luyện mạng
Module này thực hiện việc huấn luyện mạng với bộ trọng số lấy ngẫu
nhiên trong khoảng [-1,1]. Trong quá trình học, mạng sẽ điều chỉnh các tham
số sao cho tổng bình ph−ơng lỗi là nhỏ nhất (Quá trình huấn luyện mạng dừng
nếu SSE = ε rất nhỏ hoặc khi số vòng lặp qua lớn). Kết thúc quá trình huấn
luyện mạng ta thu đ−ợc bộ trọng số mới, gọi là bộ trọng số sau khi huấn
luyện, bộ trọng số này đ−ợc l−u trữ d−ới dạng file text. Bộ trọng số sau khi
huấn luyện sẽ đ−ợc dùng làm ph−ơng tiện cho việc dự báo phụ tải.
5.2.5 Dự báo phụ tải
Module dự báo phụ tải thực hiện khi mạng đã đ−ợc huấn luyện xong.
Quá trình làm việc của mạng nơron là quá trình tự tái diễn lại, vì vậy khi đ−a
các giá trị đầu vào của mẫu vào với bộ trọng số sau khi huấn luyện sẽ cho đáp
ứng đầu ra t−ơng ứng với đầu vào theo sự nhận thức của mạng đ−ợc hình
thành trong quá trình huấn luyện. Đáp ứng đầu ra chính là kết quả dự báo của
mạng.
102
5.3 H−ớng dẫn sử dụng
Trên màn hình Desktop chọn file dubaophutai.xls, ch−ơng trình sẽ chạy
lên màn hình (hình 5.2) mà tại đây ng−ời sử dụng có thể thực hiện và theo dõi
các chức năng của ch−ơng trình.
5.3.1 Truy vấn dữ liệu
Trên hình 5.2 ta bấm chuột vào chức năng truy vấn dữ liệu, khi đó
ch−ơng trình xuất hiện hình 5.3, lựa chọn thời gian bắt đầu và thời gian kết
thúc để thực hiện truy vấn dữ liệu . Khi truy vấn xong dữ liệu ng−ời sử dụng
phải l−u dữ liệu d−ới dạng file excel, tên file do ng−ời dùng đặt.
Hình 5.2. Giao diện chính của ch−ơng trình
Hình 5.3. Giao diện truy vấn dữ liệu
103
5.3.2 Phân loại dữ liệu
Trên màn hình Desktop nháy đúp vào biểu t−ợng MATLAB R12 chạy
lên màn hình (hình 5.4). Trên cửa sổ lệnh của hình 5.4 nhập lệnh dubaophutai,
ch−ơng trình sẽ chạy ra menu các chức năng (hình 5.5). Trên hình 5.5 ta chọn
chức năng “phan loai so lieu”, sau đó phần mềm sẽ yêu cầu ng−ời sử dụng
nhập tên file dữ liệu, ta nhập tên file số liệu cần phân loại, phần mềm sẽ tự
động phân loại dữ liệu và l−u vào file.
5.3.3 Chuẩn hoá dữ liệu
Trên hình 5.2 ta bấm chuột vào chức năng chuẩn hoá dữ liệu, sau đó
chọn file excel chứa dữ liệu đã đ−ợc phân loại, phần mềm sẽ tự động chuẩn
Hình 5.4. Giao diện phần mềm matlab
Hình 5.5. Giao diện menu ch−ơng trình
104
hoá dữ liệu và l−u số liệu vào file excel trong th− mục mặc định
C:\matlabR12\work.
5.3.4 Huấn luyện mạng
Trên menu hình 5.5 chọn chức năng “huan luyen mang”,sau đó chọn
file dữ liệu đã đ−ợc phân loại. Thời gian huấn luyện mạng tuỳ thuộc vào dữ
liệu đầu vào lớn hay bé, nếu chạy bộ số liệu của hệ thống điện miền Bắc thì
thời gian huấn luyện khoảng 7 phút.
5.3.5 Dự báo
Trên menu hình 5.5 chọn chức năng “Du bao”. sau đó chọn file text đã
l−u lại bộ trọng số sau khi huấn luyện, chọn file l−u mẫu số liệu đầu vào của
ngày cần dự báo. Phần mềm sẽ đ−a ra kết quả dự báo, so sánh và vẽ đồ thị dữ
liệu dự báo đ−ợc và dữ liệu đầu vào. Hình 5.6 và hình 5.7 là kết quả và đồ thị
phụ tải đỉnh đã đ−ợc dự báo (từ ngày 08/05/2006 đến ngày 21/05/2006). Trên
đồ thị hình 5.7 điểm 1 đến điểm 14 t−ơng ứng với ngày 08/05/2006 đến ngày
21/05/2006.
Hình 5.5. Kết quả dự báo phụ tải đỉnh
105
Hình 5.5. Đồ thị phụ tải thực tế và dự báo
106
CHƯƠNG vI
so sánh với một số kết quả đ∙ có và Đánh giá kết quả
6.1. So sánh với một số ph−ơng pháp đã có.
- Ph−ơng pháp hồi quy tuyến tính (linear regression), ph−ơng pháp san
bằng hàm số mũ (exponential smoothing), ph−ơng pháp san trung bình
(moving averages), ph−ơng pháp hệ số ngẫu nhiên (stochatic) là những
ph−ơng pháp đ−ợc đề xuất sớm nhất. Tuy nhiên các ph−ơng pháp này đều có
một yêu cầu chung là phải xây dựng đ−ợc hàm hồi quy trên tập dữ liệu thống
kê quá khứ. Các dữ liệu này có thể có các mối t−ơng quan nhiều chiều và có
tác động tới kết quả dự báo khác nhau tuỳ thuộc vào mối t−ơng quan của
chúng. Vậy nên việc giải các bài toán dự báo là rất khó khăn. Trong nhiều
h−ớng nghiên cứu trong giai đoạn tới nhằm triển khai các hệ thống thông
minh, mạng nơron là lựa chọn khá phổ biến, là cơ sở cho các giải pháp nhận
dạng, dự báo…Mạng nơron nhân tạo là kỹ thuật xử lý thông tin mới mẽ đầy
hứa hẹn trong việc ứng dụng vào bài toán dự báo. Kết hợp chặt chẽ với logic
mờ, mạng nơron nhân tạo có thể giải quyết các bài toán phức tạp hiệu quả
hơn.
- So với các ph−ơng pháp dự báo truyền thống tr−ớc đây chủ yếu tập
trung vào các bài toán tuyến tính, ph−ơng pháp sử dụng mạng nơron có thể
học để xấp xỉ các bài toán mà quan hệ vào – ra là phi tuyến nhiều đầu vào và
nhiều đầu ra với độ chính xác dự báo cao, phù hợp với dữ liệu đầu vào của phụ
tải hệ thống điện.
- Trong ph−ơng pháp mạng nơron, ta có thể thử nghiệm nhiều lần để điều
chỉnh cấu trúc mạng, điều chỉnh các tham số học sao cho phù hợp để có đ−ợc
kết quả dự báo tốt nhất. Trong khi các ph−ơng pháp cũ các công thức và tham
107
số đã đ−ợc xác định từ tr−ớc, không thể thay đổi đ−ợc, các kết quả dự báo trên
các ph−ơng pháp cũ cũng là duy nhất.
- Sử dụng ph−ơng pháp mạng nơron, ta có thể dự báo nhu cầu phụ tải
ngày của hệ thống điện miền Bắc dựa trên tập dữ liệu vào mà không phải phụ
thuộc vào kinh nghiệm chủ quan của các chuyên gia. Mạng nơron đã tự động
xác định nó dựa trên tập trọng số sau huấn luyện của mạng. Việc dự báo dựa
trên cơ sở mạng nơron tự động xác định mối quan hệ liên quan giữa các tập dữ
liệu vào ra, cho ta thấy kết quả dự báo này đáng tin cậy hơn so với những
ph−ơng pháp bị hạn chế về việc phụ thuộc phiến diện vào kinh nghiệm tr−ớc
đây.
- Trong quá trình học, mạng sẽ điều chỉnh các tham số sao cho tổng bình
ph−ơng lỗi là nhỏ nhất, khả năng hội tụ của mạng phụ thuộc vào các tham số
khởi đầu, vì vậy ta cần phải chạy thử nghiệm phần mềm nhiều lần để chọn
đ−ợc bộ tham số ban đầu tốt nhất. Một vấn đề nữa th−ờng xảy ra đối với mạng
nơron dự báo phụ tải là quá trình học không phải lúc nào cũng hội tụ và có
khả năng rơi vào cực tiểu địa ph−ơng. Nếu mạng rơi vào tr−ờng hợp này ta sẽ
phải bắt đầu huấn luyện lại hoặc thay đổi số nơron của lớp ẩn, điều này sẽ
khiến cho mạng nơron không áp dụng đ−ợc trong các bài toán yêu cầu độ
chính xác cao trong thời gian tối thiểu.
- Sau đây là kết quả thực nghiệm nhằm đánh giá hiệu suất của hai cấu
trúc mô hình mạng, mô hình thứ nhất đã đ−ợc đề xuất ở trên, mô hình thứ hai
hiện đang đ−ợc sử dụng để dự báo phụ tải HTĐ Quốc gia với cấu trúc mạng
nh− sau:
+ Lớp vào: 6 nơron đầu vào.
+ Lớp ẩn: 15 nơron
+ Lớp ra: Một nơron ra chính là phụ tải đầu ra của 1 giờ.
108
Ch−ơng trình đ−ợc viết bằng ngôn ngữ VBA tích hợp trong phần mềm ứng
dụng Excel.
Qua quá trình huấn luyện trên bộ dữ liệu đầu vào của Trung tâm Điều độ
HTĐ miền Bắc với 30 mẫu đầu vào, sau 150000 vòng lặp. Mô hình thứ nhất
chỉ mất khoảng 6 phút, còn mô hình thứ hai phải mất tới khoảng 3 giờ 25
phút: Bảng 5.2 và hình 5.1 đ−a ra kết quả dự báo của ngày 10/5/2006.
Bảng 5.2. Bảng đánh giá kết quả dự báo của hai mô hình (ngày 10/5/2006.)
P dự báo (MW) Sai số %
Giờ
P thực tế
(MW) Mô hình 1 Mô hình 2 Mô hình 1 Mô hình 2
1 2003.0 1983.5 1937.4 0.97 3.28
2 1920.9 1962.1 1985.8 2.14 3.38
3 1941.6 1912.6 1920.4 1.49 1.09
4 1914.3 1915.9 1935.0 0.09 1.08
5 2020.2 2024.8 1980.7 0.23 1.96
6 2096.9 2159.2 2185.4 2.97 4.22
7 2166.4 2217.4 2254.6 2.36 4.07
8 2458.0 2449.1 2430.9 0.36 1.10
9 2670.1 2650.0 2638.9 0.75 1.17
10 3105.4 2975.4 2926.5 4.19 5.76
11 3211.6 3100.2 3084.5 3.47 3.96
109
12 2739.0 2641.5 2700.1 3.56 1.42
13 2646.1 2518.6 2612.3 4.82 1.28
14 2737.5 2612.9 2601.4 4.55 4.97
15 2669.6 2639.4 2633.4 1.13 1.36
16 2681.4 2671.0 2638.7 0.39 1.59
17 2968.0 2852.2 2805.4 3.90 5.48
18 3032.4 2967.6 2966.7 2.14 2.17
19 3226.7 3085.2 3052.3 4.39 5.40
20 3061.1 2910.8 2901.7 4.91 5.21
21 2847.6 2708.5 2745.2 4.88 3.60
22 2625.7 2520.0 2498.5 4.03 4.84
23 2471.2 2393.7 2387.4 3.14 3.39
24 2132.3 2138.8 2115.2 -0.31 0.80
110
Đồ thị đánh giá sai số
0
1
2
3
4
5
6
7
8
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Giờ
%
S
ai
s
ố
Mụ hỡnh 1
Mụ hỡnh 2
Nhận xét: Qua kết quả thực nghiệm nhằm đánh giá hiệu suất của hai cấu
trúc mô hình mạng ta thấy.
- Mô hình thứ nhất có thời gian huấn luyện mạng nhỏ hơn mô hình thứ 2
rất nhiều lần. Nguyên nhân chính là do mô hình 1 đ−ợc lập trình trên phần
mềm Matlab đã đ−ợc hỗ trợ toolbox để xử lý các mô hình về mạng nơron,
Hình 5.1. Kết quả dự báo của hai mô hình (ngày
10/05/2006)
Thực tế
Mụ hỡnh 2
Mụ hỡnh 1
Đồ thị phụ tải
0
500
1000
1500
2000
2500
3000
3500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Giờ
C
ô
n
g
s
u
ất
Hình 5.2. Sai số dự báo % của hai mô hình (ngày
10/05/2006)
111
còn mô hình hai đ−ợc lập trình bằng ngôn ngữ VBA tích hợp trong phần
mềm ứng dụng Excel vì vậy ta phải viết lại toàn bộ thuật toán.
- Qua một số kết quả chạy thử nghiệm trên hai mô hình với nhiều bộ số
liệu khác nhau và căn cứ vào hai đồ thị trên hình 5.1 và 5.2 ta thấy mô hình
thứ nhất có kết quả dự báo chính xác tốt hơn mô hình thứ hai. Điều đó
chứng tỏ mô hình thứ nhất có cấu trúc mạng dự báo tốt và phù hợp với tập
bài toán dự báo hơn so với cấu trúc mạng dự báo của mô hình thứ hai.
6.2. Đánh giá kết quả
Độ chính xác và tốc độ xử lý: Phần mềm đ−ợc chạy thử nghiệm trên 31
bộ dữ liệu trong vòng 5 năm (5/2001-5/2006) của 29 Điện Lực trên toàn bộ
HTĐ miền Bắc, hai bộ còn lại của Công ty điện lực I và của Trung tâm Điều
độ HTĐ miền Bắc. Sau quá trình huấn luyện với 150000 vòng lặp, thời gian
huấn luyện của mỗi bộ dữ liệu hết khoảng 5 phút 25 giây đến 8 phút 27 giây
và mạng đạt đ−ợc kết quả dự báo của tháng 5 năm 2006 (từ 1/5/2006-
31/5/2006) với sai số % lớn nhất của từng điện lực đ−ợc đ−a ra trên bảng 5.1.
Trong đó:
- Pmin: Giá trị phụ tải nhỏ nhất trong tháng 5/2006 (Giá trị phụ tải đ−ợc
lấy theo từng giờ trong ngày).
- Pmax: Giá trị phụ tải lớn nhất trong tháng 5/2006.
- Sai số %(Max): Sai số % lớn nhất, đây là kết quả dự báo tồi nhất mà
phần mềm đ−a ra.
Sai số % =(Pthực tế - Pdự báo)/ Pthực tế*100%
Bảng 5.1. Bảng đánh giá kết quả sai số dự báo tháng 5/2006 trên 31 bộ số
liệu của 31 Điện lực
112
Điện Lực Pmin Pmax
Sai số
%(Max)
Điện Lực Pmin Pmax
Sai số
%(Max)
HTĐ1 1412.7 3317.7 6.01 Nghệ An 62.5 196.8 6.02
Cty 1 890.3 2134.4 5.84 Cao Bằng 3.7 19.8 7.16
Hà Nội 245.0 818.0 7.12 Sơn La 6.2 35.4 6.92
Hải Phòng 92.5 259.7 4.81 Hà Tĩnh 10.9 60.9 6.10
Nam Định 30.2 143.1 6.74 Hoà Bình 10.0 41.7 5.92
Phú Thọ 45.8 119.6 4.61 Lào Cai 16.0 52.0 5.64
Quảng Ninh 65.2 188.3 4.89 Điện Biên 2.2 14.2 7.82
Thái Nguyên 43.0 168.0 5.41 Hà Giang 3.8 22.5 7.32
Bắc Giang 21.8 115.8 4.31 Ninh Bình 27.0 77.6 4.36
Hải D−ơng 87.8 198.3 3.75 Hà Nam 19.2 75.3 4.91
Thanh Hoá 68.0 220.0 4.24 Vĩnh Phúc 35.0 112.8 5.25
Hà Tây 64.3 237.9 5.61 Bắc Cạn 3.2 14.2 6.34
Thái Bình 30.6 115.1 5.78 Bắc Ninh 57.5 196.0 5.47
Yên Bái 8.3 34.1 7.02 H−ng Yên 35.4 156.6 6.24
Lạng Sơn 10.0 39.2 6.91 Lai Châu 1.5 6.7 5.97
Tuyên Quang 7.1 39.1 6.89
Trên bảng 5.1 ta thấy với 31 bộ dữ liệu đ−ợc dùng để thử nghiệm, trong đó
các bộ dữ liệu có giá trị rất đa dạng, nh−ng sai số dự báo chỉ nằm trong
khoảng 3,75% đến 7,85%. Nguyên nhân có những bộ dữ liệu khi dự báo có sai
số lớn là do tỉ lệ chênh lệch giữa Pmax và Pmin lớn, giá trị phụ tải của các giờ
trong ngày không đồng đều. Trên thực tế, đối với dự báo phụ tải sai số cho
phép khoảng từ 5 – 10%. Vậy kết quả dự báo đã đạt đ−ợc các yêu cầu đề ra và
phù hợp với tình hình vận hành hệ thống điện hiện nay.
- Khẳ năng ứng dụng: Qua khai thác thử nghiệm ch−ơng trình dự báo
phụ tải ngắn hạn sử dụng kỹ thuật mạng nơron tại Trung tâm Điều độ HTĐ
113
miền Bắc đã đạt đ−ợc những kết quả đáng kể nh− đã nên trên. Điều đó cho
phép ta hy vọng vào triển vọng và tính khả thi của việc ứng dụng mô hình này
thay thế cho mô hình cũ hiện đang đ−ợc áp dụng tại Trung tâm Điều độ HTĐ
miền Bắc. Đặc biệt ch−ơng trình sẽ áp dụng dự báo rất hiệu quả đối với những
Công ty Điện lực có tỉ lệ chênh lệch giữa Pmax và Pmin nhỏ và giá trị phụ tải của
các giờ trong ngày khá đồng đều.
114
KếT LUậN
Với mục đích nghiên cứu và áp dụng mạng nơron vào dự báo phụ tải hệ
thống điện Miền Bắc, luận văn b−ớc đầu tìm hiểu về bài toán dự báo phụ tải
ngắn hạn, tìm hiểu một số vấn đề mà các chuyên gia vận hành hệ thống điện
quan tâm để từ đó có thể đ−a vào áp dụng trong thực tế.
So với các ph−ơng pháp dự báo tr−ớc, ph−ơng pháp sử dụng mạng nơron
có thể học để xấp xỉ các bài toán mà quan hệ vào – ra là phi tuyến với nhiều
đầu vào và nhiều đầu ra đ−ợc các chuyên gia trên thế giới đánh giá là có độ
chính xác cao, đ−ợc ứng dụng trong rất nhiều loại bài toán dự báo.
Luận văn đã xem xét và nghiên cứu đ−ợc các thuật tính nh− xác định
các tham số đầu vào, các kiến trúc mạng, quá trình huấn luyện… của mạng
ánh xạ đặc tr−ng tự tổ chức kohonen và mạng nơron nhiều lớp lan truyền
ng−ợc sai số từ đó mô phỏng xác định các đầu vào, đ−a ra kiến trúc của mạng
và thực hiện huấn luyện mạng trên bộ dữ liệu thu thập đ−ợc tại trung tâm điều
độ HTĐ Miền Bắc.
Đối với ánh xạ tự tổ chức kohonen đ−ợc dùng để phân dạng kiểu ngày,
đây là yếu tố quan trọng nhất cho quá trình dự báo phụ tải tiếp theo. Đầu vào
của mạng là các dữ liệu phụ tải 24 giờ trong ngày. Qua quá trình huấn luyện
mạng đã nhận ra đ−ợc các kiểu ngày đặc tr−ng trong hệ thống, −u điểm của
ph−ơng pháp này là nó có thể nhận ra đ−ợc một số dạng kiểu ngày mới hoặc
loại bỏ một số dạng kiểu ngày không bao giờ xuất hiện nữa mà các kỹ s− điều
hành bằng kinh nghiệm của mình có thể không nhận ra hoặc nhận ra muộn.
Vì thế phân dạng kiểu ngày sẽ là một ph−ơng tiện hỗ trợ cho các kỹ s− điều
hành trong quá trình dự báo phụ tải và vận hành hệ thống.
Mạng nơron nhiều lớp lan truyền ng−ợc sai số qua quá trình huấn luyện
với tập mẫu vào là các giá trị phụ tải đỉnh hoặc phụ tải đáy và nhiệt độ cao
nhất hoặc thấp nhất của các ngày có cùng kiểu và gần nhất với ngày dự báo,
115
đ−ợc sử dụng để dự báo phụ tải đỉnh và phụ tải đáy theo nhiệt độ môi tr−ờng,
từ đó xác định đ−ợc các giá trị phụ tải 24 giờ trong ngày. Các thí nghiệm cho
thấy nếu nh− mạng đ−ợc huấn luyện tốt, các tham số đầu vào đ−ợc lựa chọn
cẩn thận, dữ liệu huận luyện đầy đủ và sát ngày cần dự báo thì khả năng dự
báo đạt độ chính xác t−ơng đối cao với sai số nhỏ hơn 8%.
Ngoài những −u điểm đặc biệt mạng nơron cũng có những nh−ợc điểm
nhất định. Khả năng hội tụ của mạng phụ thuộc vào các tham số khởi đầu, vì
vậy ta cần phải chạy thử nghiệm phần mềm nhiều lần để chọn đ−ợc bộ tham
số ban đầu tốt nhất. Còn khả năng tổng quát hoá lại phụ thuộc rất nhiều vào
dữ liệu đầu vào. Nếu dữ liệu đầu vào quá nhiều thì có thể dẫn đến trình trạng
luyện mạng mất nhiều thời gian và khả năng tổng quát hoá kém, nếu ít dữ liệu
thì sai số sẽ tăng. Một vấn đề nữa th−ờng xảy ra đối với mạng nơron trong dự
báo phụ tải là quá trình học không phải lúc nào cũng hội tụ và có khả năng
rơi vào cực tiểu địa ph−ơng . Nếu mạng rơi vào tr−ờng hợp này ta sẽ phải bắt
đầu huấn luyện lại, điều này sẽ khiến cho mạng nơron không áp dụng đ−ợc
trong các bài toán yêu cầu độ chính xác cao trong thời gian tối thiểu.
Luận văn đ−ợc thực hiện trong thời gian ngắn chắc chắn không tránh khỏi
những thiếu sót. Rất mong nhận đ−ợc những ý kiến đóng góp của quý thầy cô
và những ng−ời quan tâm để luận văn đ−ợc hoàn thiện tốt hơn.
Kiến nghị về nhứng nghiên cứu tiếp theo.
1. Phát triển mở rộng bài toán dự báo ngắn hạn theo nhiều loại thông
số khác nhau có ảnh h−ởng trực tiếp đến phụ tải nh− nhiệt độ, độ
ẩm, tốc độ gió…
2. Nghiên cứu ứng dụng mạng nơron nhân tạo để dự báo phụ tải dài
hạn (khoảng từ 1 – 20 năm) dựa vào mức tăng tr−ởng GDP, tốc độ
phát triển công nghiệp…
116
Tài liệu tham khảo
Tài liệu tiếng việt
[1] Tổng sơ đồ phát triển Điện lực Việt Nam giai đoạn 2001-2020 có
xét đến triển vọng đến năm 2020 (6/2000), Viện năng l−ợng.
[2] Tài liệu báo cáo tổng kết hàng năm của Trung tâm Điều độ HTĐ
miền Bắc.
[3] Nguyễn Đình Thúc (2000), Mạng nơron ph−ơng pháp và ứng dụng,
Nhà xuất bản giáo dục.
[4] L−ơng Mạnh Bá, Nguyễn Thanh Thuỷ (2003), nhập môn xử lý ảnh
số, Nhà xuất bản khoa học và kỹ thuật.
[5] Nguyễn Phùng Quang, Matlab & Simulink, Nhà xuất bản khoa học
và kỹ thuật.
[6] Quách Tiến Dũng (2000), Dự báo phụ tải hệ thống điện Việt Nam
theo nhiệt độ môi tr−ờng, Báo cáo khoa học Tổng công ty điện lực
Việt Nam.
[7] Trịnh Khánh Ly (2004), Luận văn cao học, Tr−ờng ĐHBK-HN.
[8] Lê Quốc Định, Nguyễn Trọng Đức (2005), áp dụng kỹ thuật mạng
nơron trong tự động điều khiển hệ thống lái tàu.
Tài liệu tiếng anh
[9] Robert L. Harvey (1996), Neural Network Principles, Prentice –hall
117
international, inc
[10] David M. Skapura, Building Neural Networks, Addison-Wesley
Publishing Company
[11] Howard Demuth, Mark Beale, Martin Hagan (March 2006), Neural
Network Toolbox
[12] Vanaja Iyer, Chun Che Fung and Tamas Gedeon (1998), A Fuzzy-
Neural Approach to Electricity Load and Spotprice
Forecasting in a Deregulated Electricity Market
[13] Antti Laukkanen (2004), The use of special day information in
a demand forecasting model for Nordic power market,
[14] P.K. Dash, G. Ramakrishna, A.C. Liew, S. Rahman (1995),
Fuzzy neural networks for time-series forecasting of electric
load.
[15] D.C.Sansom and T. K .Saha, Neural networks for forecasting
electricity pool price in a deregulated electricity supply industry.
118
Phụ lục i
Phần mềm mô phỏng mạng Kohonen trong bài toán phân loại ngày.
w=rands (100,24);
X = fopen(phanloaingay.xls, ‘w’)
M1=19;
pt=X';
delta =0.01;
Q=size(w,1);
for q=1:Q
nq =w(q,:) ;
a=sumsqr(nq);
m=nq/sqrt(a);
w(q,:) = m;
k=sqrt(sumsqr(m));
end
w1=w;
%n=negdist (w,X);
n=w*X;
%n=0
Q1=size(X,2);
for q=1:Q1
nk=n(:,q);
k1=find(nk==max(nk));
k1=k1(1)
119
nk(k1)=-inf;
% k6=find(nk==max(nk))
% k6=k6(1)
ptq=pt(q,:);
for i=-2:2
for j=-2:2
xi=mod(k1+i+M1-1,M1)+1;
yj=mod(k1+j+M1-1,M1)+1;
jj=M1*(yj-1)+xi;
%kk=w(jj,:)
w(jj,:)=w(jj,:)+ delta*(ptq - w(jj,:));
end
end
fclose(X)
end
120
Phụ lục II
Phần mềm mô phỏng mạng nơron lan truyền ng−ợc sai số ứng dụng
trong bài toán dự báo đỉnh và đáy đồ thị phụ tải và kết quả huấn luyện
1. Ch−ơng trình chính
% menu
display(' CHUONG TRINH DU BAO PHU TAI');
display(' =====================');
chon=menu('Hay chon chuc nang','1. Phan loai so lieu','2. Huan luyen mang', '3.
Du Bao ','4. Thoat ')
switch chon
case chon == 1
fn=input('Nhap ten file du lieu:' ,'s');
P1=fopen(fn,'w');
phanloaingay
case chon==2
fn=input('Nhap ten file du lieu:' ,'s');
huanluyenmang
case chon==3
fn1=input('Nhap ten file trong so W1:' ,'s');
fn2=input('Nhap ten file trong so W2' ,'s');
Dubao
OTHERWISE
exit
end
121
2. Module dự báo phụ tải
w1=rands (30,8);
P= fopen(dubaophutai.xls, ‘w’)
alpha=0.4; %He so hoc
beta =0.6 ;%He so quan tinh
ep=15000;
w2=rands(1,30);%Trong so lop an
w11=w1;
w22=w2;
for i=1:ep
aj=w1*P';% Tong thong tin dau vao lop an Y
yj=logsig(aj);% Output lop an
bk=w2*yj; % Tong thong tin dau vao lop ra Z
zk=logsig(bk);%Gia tri output
Errk=dk-zk;
ee=sumsqr(Errk);
tetak=(1-zk).*Errk.*zk; %Sai so lop ra
tetaj=yj.*(1-yj).*(w2'*tetak);% Sai so lop an
dw1=alpha*tetaj*P + beta*(w1-w11);
w11=w1;
w1=w1+dw1; % Cap nhat trong so lop vao
dw2=alpha*tetak*yj' + beta*(w2-w22);
w22=w2;
w2=w2+dw2;
end
122
Z=zk ;
q=size(Z,2);
D=dk;
SSTD=abs(dk-zk);
Errk=(dk-zk)./D*100;
w1=w1; w2=w2;
display= input([' Ket qua du bao: \n']);
disp (display)
display= input([' STT Pchtt Pchdb Ptt Pdb SSTD SS% \n']);
disp (display)
for i=1:q
display= sprintf(' %2d %2.4f %2.4f %4.1f %4.1f %5.2f %1.2f',...
i,D(i),Z(i), D(i)*5000,Z(i)*5000,SSTD(i)*5000,SSTD(i)/D(i)*100 );
disp(display);
end
Err=ee/2
display= input(['Trong do: \n\n Pchtt: Phu tai chuan hoa thuc te \n',...
' Pchdb: Phu tai chuan hoa du bao \n',...
' Ptt : Phu tai thuc te \n',...
' Pdb : Phu tai du bao \n',...
' SSTD : Sai so tuyet doi \n',...
' SS% : Sai so % \n'...
' Err : Binh phuong sai so']);
disp (display)
fclose(P)
123
Tóm tắt luận văn
Trong những năm gần đây, cùng với sự phát triển lớn mạnh của nền
kinh tế quốc gia, nhu cầu tiêu thụ điện năng hàng năm đã tăng lên rất nhiều,
đặc biệt đối với HTĐ miền Bắc bình quân hàng năm tăng trên 12,6%. Vì vậy
chúng ta phải huy động vốn rất lớn để đầu t− xây dựng nhiều nguồn phát điện
và mua điện của các n−ớc trong khu vực, nh−ng thực tế nếu không dùng hết
công suất đ−ợc huy động, chúng sẽ gây nhiều lãng phí. Vì vậy việc dự báo
phụ tải chính xác sẽ trợ giúp cho nhiều chức năng quan trọng đối với kế
hoạch phát triển điện năng trong t−ơng lai, lập kế hoạch hoá vận hành HTĐ
nh− phân phối phụ tải một cách kinh tế, hiệu quả, lên kế hoạch bảo d−ỡng và
sửa chữa, lập ph−ơng thức vận hành…Luận văn chủ yếu tập trung nghiên cứu
và giải quyết các vấn đề sau.
1. Tìm hiểu các yếu tố ảnh h−ởng đến phụ tải HTĐ miền Bắc, tầm quan
trọng của bài toán dự báo phụ tải trong công tác vận hành hệ thống
điện
2. Tìm hiểu các đặc điểm, các dạng của ĐTPT, giá trị phụ tải đặc biệt
trong ngày mà đ−ợc các kỹ s− vận hành cũng nh− ng−ời làm ph−ơng
thức ngày quan tâm nhiều nhất (Pmax, Pmin)
3. Tìm hiểu các kiến thức cơ bản của mạng nơron nhân tạo, cơ sở lý
thuyết, mô hình mạng nơron nhân tạo.
4. Nghiên cứu, thiết kế cấu trúc mạng nơron, ph−ơng pháp huấn luyện
mạng; xây dựng phần mềm mô phỏng mạng Kohonen phân loại ngày;
đ−a ra một số kết quả và phân tích đánh giá kết quả đạt đ−ợc.
5. Nghiên cứu, thiết kế cấu trúc mạng nơron nhiều lớp lan truyền ng−ợc
sai số, từ đó áp dụng và xây dựng phần mềm dự báo phụ tải đỉnh và
đáy đồ thị phụ tải, dự báo phụ tải cho 24 giờ trong ngày, đ−a ra một số
kết quả và phân tích đánh giá kết quả đạt đ−ợc.
124
Summary
In recent years, with strong development of national economy, annual power
consuming demand has been rapidly increased, especially for the Northern
Power System, annual average demand has an increase of over 12.6%.
Therefore, it is necessary to mobilize a huge amount of capital to invest and
construct more Power Supply Sources and purchase power from other nations
in the region. In reality, however, if mobilized capacity is not used up, it is
wasteful. Therefore, correct load forecast plays an important role in making
plan of electricity development in the future, power system operation such as
economically load distribution, repairmen, maintenance and operation method
as well. The thesis mainly focuses on researching and solving the following
problems:
1. Study factors affecting to load of the Northern Power System, the
importance of load forecast in power system operation.
2. Study characteristics, types of additional charge diagrams, daily
special load value that operators as well as method-makers are
increasingly concerning as the most important thing (Pmax, Pmin).
3. Study basic knowledge of artificial neural network, theory basis, and
artificial neural network model.
4. Study, design neural network structure, network training method;
construct a software imitating Kohonen that distinguish types of
days; give out some results, analyze and evaluate the result obtained.
5. Study, design back-propagation Neural Network and then apply and
set up a load forecast software at top and bottom of load diagram,
forecast load for 24 hours in one day, give out some results, analyze
and evaluate the result obtained.
._.
Các file đính kèm theo tài liệu này:
- LA3275.pdf