ỨNG DỤNG MẠNG NƠRON XÂY DỰNG HỆ THỐNG DỰ BÁO PHỤ TẢI ĐIỆN NĂNG THÀNH PHỐ QUẢNG NGÃI 12d9dc0f

1. TRẦN
THỊ
HOÀI
MY
ĐẠI HỌC ĐÀ NẴNG
TRƢỜNG ĐẠI HỌC BÁCH KHOA
---------------------------------------
TRẦN THỊ HOÀI MY
KHOA
HỌC
MÁY
TÍNH
ỨNG DỤNG MẠNG NƠRON XÂY DỰNG
HỆ THỐNG DỰ BÁO PHỤ TẢI ĐIỆN NĂNG
THÀNH PHỐ QUẢNG NGÃI
LUẬN VĂN THẠC SĨ
CHUYÊN NGÀNH KHOA HỌC MÁY TÍNH
K33
QNG
Đà Nẵng – Năm 2019

2. ĐẠI HỌC ĐÀ NẴNG
TRƢỜNG ĐẠI HỌC BÁCH KHOA
---------------------------------------
TRẦN THỊ HOÀI MY
ỨNG DỤNG MẠNG NƠRON XÂY DỰNG
HỆ THỐNG DỰ BÁO PHỤ TẢI ĐIỆN NĂNG
THÀNH PHỐ QUẢNG NGÃI
Chuyên ngành: KHOA HỌC MÁY TÍNH
Mã số: 60.48.01
LUẬN VĂN THẠC SĨ
NGƢỜI HƢỚNG DẪN KHOA HỌC:
TS. Đặng Hoài Phƣơng
Đà Nẵng – Năm 2019

3. ỜI CẢM ƠN
Trƣ tiên t i xin gửi l i m ơn s u s t i TS Đặng Hoài Phƣơng ngƣ i ã
tận t nh hỉ o và hƣ ng ẫn t i trong suốt qu tr nh th hiện luận v n tốt nghiệp
T i h n thành m ơn thầy ã t o iều kiện thuận l i ho t i họ tập
nghiên u và gi p t i trong qu tr nh họ tập t i trƣ ng.
Cuối ng t i xin gửi l i m ơn t i gi nh n và nh ng ngƣ i th n lu n
ên nh ng viên t i trong suốt qu tr nh th hiện luận v n tốt nghiệp.
T i xin h n thành m ơn
Tác giả
Trần Thị Hoài My

4. ỜI CAM ĐOAN
T i xin m o n:
Nh ng n i ung trong luận v n này là o t i th hiện ƣ i s hƣ ng ẫn tr
tiếp TS. Đặng Hoài Phƣơng.
Mọi th m kh o ng trong luận v n ều ƣ tr h ẫn r ràng tên t gi tên
ng tr nh th i gi n ị iểm ng ố.
Mọi s o h p kh ng h p lệ vi ph m quy hế ào t o h y gi n tr t i xin hịu
hoàn toàn tr h nhiệm.
Tác giả
Trần Thị Hoài My

5. MỤC ỤC
MỞ ĐẦU .........................................................................................................................1
1. Lý o họn ề tài ....................................................................................................1
2. Mụ h và ý nghĩ ề tài......................................................................................1
a. Mụ h...............................................................................................................1
b. Ý nghĩ kho học..................................................................................................1
c. Ý nghĩ th c tiễn ..................................................................................................1
3. Mụ tiêu và nhiệm vụ .............................................................................................1
a. Mụ tiêu................................................................................................................2
b. Nhiệm vụ ..............................................................................................................2
4. Đối tƣ ng và ph m vi nghiên u ..........................................................................2
5. Phƣơng ph p nghiên u ........................................................................................2
a. Phƣơng ph p lý thuyết .........................................................................................2
b. Phƣơng ph p th c nghiệm ...................................................................................2
6. Ý nghĩ khoa họ và th c tiễn c ề tài................................................................2
7. Cấu tr a luận v n..............................................................................................3
Chƣơng I: NGHIÊN CỨU TỔNG QUAN VỀ MÔ HÌNH DỰ BÁO.............................4
1.1.TỔNG QUAN VỀ BÀI TOÁN DỰ BÁO.................................................................4
1.2. TÌNH HÌNH THỰC TẾ NHU CẦU TIÊU THỤ ĐIỆN THÀNH PHỐ QUẢNG
NGÃI. ..............................................................................................................................5
1.2.1. Hệ thống phụ t i iện thành phố Qu ng Ngãi .....................................................5
1.2.2. Bài to n th c tế nh hƣởng ến phụ t i iện n ng (TP. Qu ng Ngãi) ................9
1.2.3. C m h nh phƣơng ph p o phụ t i iện n ng [2] ..................................13
KẾT LUẬN CHƢƠNG 1..............................................................................................18
Chƣơng II ......................................................................................................................18
MÔ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN NĂNG SỬ DỤNG..........................................19
MẠNG NEURAL NHÂN TẠO ...................................................................................19
2.1. TỔNG QUAN VỀ MẠNG NEURAL NHÂN TẠO............................................19
2.1.1. Kiến tr tổng qu t m t ANN .....................................................................19
2.1.2 M h nh m ng Neur l nh n t o..........................................................................22
2.1.3 M ng truyền thẳng .............................................................................................28
2.1.4 Thuật to n l n truyền ngƣ (Back-Propagation) .............................................29
2.2. MÔ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN NĂNG....................................................29

6. 2.2.1. M ng Neur l và phƣơng tr nh hồi quy tuyến t nh trong m h nh o .........30
2.2.2. Bài to n o phụ t i iện sử dụng m ng nerur l nh n t o ...........................31
2.2.3. X y ng cấu tr m ng ....................................................................................32
2.3.ỨNG DỤNG MẠNG NEEURAL NHIỀU LỚP VÀ THUẬT TOÁN LAN TRUYỀN
NGƢỢC XÂY DỰNG BÀI TOÁN DỰ BÁO PHỤ TẢI HỆ THỐNG ĐIỆN .................. 40
2.3.1 C ƣ x y ng ài to n o phụ t i iện n ng......................................40
Chƣơng 3 .......................................................................................................................43
XÂY DỰNG, TRIỂN KHAI HỆ THỐNG DỰ BÁO PHỤ TẢI ĐIỆN NĂNG ...........43
3.1. XÂY DỰNG CẤU TRÚC PHẦN MỀM MÔ PHỎNG MẠNG NEURAL LAN
TRUYỀN NGƢỢC SAI SỐ ỨNG DỤNG TRONG BÀI TOÁN DỰ BÁO ĐỈNH VÀ
ĐÁY ĐỒ THỊ PHỤ TẢI ...............................................................................................43
3.1.1 Cấu tr m ng Neural d o phụ t i ỉnh........................................................43
3.1.2 Cấu tr m ng Neural d o phụ t i y .........................................................46
3.1.3 D o phụ t i cho m t ngày ất kỳ. .................................................................48
3.2. H n chế c a ng dụng ..........................................................................................49
KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN ĐỀ TÀI ......................................................51
A. Kết luận.....................................................................................................................51
B. H n chế .....................................................................................................................51
C. Hƣ ng ph t triển .......................................................................................................51
TÀI LIỆU THAM KHẢO.............................................................................................52

7. ỨNG DỤNG MẠNG NEURAL XÂY DỰNG HỆ THỐNG DỰ BÁO PHỤ
TẢI ĐIỆN NĂNG THÀNH PHỐ QUẢNG NGÃI
Họ viên: Trần Thị Hoài My Chuyên ngành: Kho họ m y t nh
Mã số: 60.48.01 Khó : K33QNG. Trƣ ng Đ i họ B h kho - ĐHĐN
Tóm tắt - D o phụ t i lu n gi v i trò ặ iệt qu n trọng ối v i ngành iện.
D o phụ t i quyết ịnh kế ho h vận hành kế ho h s n xuất và hƣ ng ầu tƣ ph t
triển trong tƣơng l i.
Qua ph n t h hiện tr ng hiện t i C ng ty Điện l Qu ng Ngãi t gi thấy
ng t o iện n ng là kỳ qu n trọng ối v i C ng ty. Nếu kết qu o thiếu
h nh x th sẽ ẫn ến hiện tƣ ng ph t triển lƣ i iện kh ng theo kịp hoặ vƣ t qu nhu
cầu th tế. Điều này sẽ g y r hiện tƣ ng thiếu hoặ lãng ph nguồn iện. Để gi m r i ro
ho C ng ty hàng n m lu n nghiên u và ó kế ho h ể ƣ r on số o s o ho
h nh x nhất. Tuy nhiên v i h th o nhƣ hiện n y th ngƣ i o kh ng thể
nào kh i qu t hết yếu tố t ng ến nhu ầu iện n ng. V vậy kết qu o h
h n sẽ khó h nh x . Để kh phụ t nh tr ng trên òi hỏi ần ph i ó m t ng ụ
o kho họ hiệu qu và ng tin ậy hơn ho C ng ty.
Trong ài viết này t gi l họn o phụ t i iện ƣ th hiện trên hƣơng
tr nh o huyên ụng ( p ụng M h nh Neural nh n t o và thuật to n l n truyền
ngƣ ) nhằm p ng ƣ yêu về ầu trong o và phụ vụ tốt ng t lập phƣơng
th vận hành (gi ngày và tuần) t i C ng ty iện l hiện n y.
Cũng nhƣ o kh o phụ t i ũng ph i vào số liệu thống kê ph n
t h và p ụng thuật to n ể x ịnh mối qu n hệ gi phụ t i và yếu tố nh
hƣởng từ ó th hiện ài to n o trên yếu tố nh hƣởng ó ƣ r kết qu
h nh x nhất. Đối v i yêu ầu o ở y yếu tố nh hƣởng l n ến kết qu o
ó là: th i tiết và ồ thị phụ t i ngày trong tuần (ngày làm việ nh thƣ ng và
ngày nghỉ).
D vào kết qu o hƣơng tr nh sẽ ƣ r nh gi ối v i kết qu o
từ ó ƣ r kế ho h vận hành hệ thống iện n toàn và kinh tế.
Từ khóa – M ng neur l nh n t o; thuật to n l n truyền ngƣ .
APPLICATION OF NEURAL NETWORK TO LOAD FORECASTING IN
QUANG NGAI CITY
Abstract - Forecasting load always plays a particularly important role for the electricity
industry. Load forecast determines the operating plan, production plan and future
development investment direction.
By analyzing the current situation of Quang Ngai Electricity Company, the author found
that power forecasting is extremely important for the Company. If the forecast results are
inaccurate, it will lead to the development of the grid without keeping up or exceeding the
actual demand. This will cause a shortage or waste of power. In order to reduce risks for the

8. Company, every year, research and plan to make the forecast figures are most accurate.
However, with the current forecasting method, forecasters cannot generalize the factors
affecting power demand. Therefore, the forecast results will certainly be difficult to correct.
To overcome this situation requires a more scientific, effective and reliable forecasting tool for
the Company.
In this article, the author chooses the power load forecast made on a dedicated
forecasting program (applying artificial Neural Model and backpropagation algorithm) to
meet the demand for demand in forecasting Good service of operating modes (hours, days and
weeks) at the current power companies.
As with other forecasts, load forecasting must also be based on statistics, analysis and
application of algorithms to determine the relationship between the load and the influencing
factors, thereby performing the problem. The forecast based on the influencing factors gives
the most accurate results. For the forecasted requirements here, the major factor influencing
the forecast results is: weather and load graphs of the days of the week (normal working days
and holidays).
Based on the forecasted results, the program will make assessments of the forecasted
results, thereby providing a safe and economical power system operation plan.
Key words - Artificial neural network (ANN); Backpropagation algorithm

9. DANH MỤC CÁC TỪ VIẾT TẮT
Chữ viết tắt Chữ đầy đủ
HTĐ Hệ thống iện
ĐTPT Đồ Thị phụ t i
ANN
Artificial Neural Network (M ng Neural
nh n t o)
PE
Pro essing Elements (C thành phần xử
lý)
LMS
Least Means Squares (Trung nh nh
phƣơng tối thiểu)
SSE
Sum of Squ res Errors (Tổng nh
phƣơng số lỗi)
MSE Mean Sum of Squares Errors

10. DANH MỤC CÁC BẢNG
S
hiệu
T n ảng Trang
Bảng 1.1
B ng s n lƣ ng iện tiêu thụ c HTĐ Qu ng Ngãi ( ơn vị
t nh kWh)
7
Bảng 1.2 Tố t ng trƣởng phụ t i 8
Bảng 1.3
D liệu phụ t i c a m t tuần làm việc c thành phố Qu ng
Ngãi từ ngày 06/11/2017 ến ngày 12/11/2017
10
Bảng 1.4
D liệu phụ t i ngày ặc biệt trong n m so v i ngày
nh thƣ ng c thành phố Qu ng Ngãi từ ngày 30/4/2017 ến
ngày 3/5/2017
11
Bảng 3.1 B ng d liệu c ngày 5/4/2017 ến ngày 8/4/2017 44
Bảng 3.2 B ng d liệu phụ t i cao nhất c ngày trong th ng 4/2017 46
Bảng 3.3
B ng d liệu phụ t i thấp nhất c ngày trong th ng
4/2017
46

11. DANH MỤC CÁC HÌNH
S
hiệu
T n hình Trang
H nh 1.1 Biểu ồ thành phần ấu thành phụ t i 7
H nh 1.2 Đồ thị phụ t i ngày ặ trƣng trong tuần 11
H nh 1.3 Đồ thị phụ t i ngày ặ trƣng 12
H nh 1.4 Đồ thị phụ t i h i ngày ó nhiệt kh nh u 13
H nh 1.5 Cấu tr m t m ng Neur l 17
H nh 2.1 Kiến tr tổng qu t ANN 19
H nh 2.2 Qu tr nh xử lý th ng tin m t ANN 20
H nh 2.3 M ng Neur l nh n t o 22
H nh 2.4 Hàm k h ho t 24
H nh 2.5 M ng neur l nhiều l p và truyền thẳng 25
H nh 2.6 M ng neur l hồi qui 25
H nh 2.7 M ng neur l m t l p 26
H nh 2.8 M ng neur l nhiều l p 26
H nh 2.9 Họ ó gi m s t 27
H nh 2.10 M ng Neur l truyền thẳng nhiều l p 28
H nh 2.11 Cấu tr m ng Neur l 33
H nh 2.12 L n truyền t n hiệu theo phƣơng ph p 34
H nh 2.13
Sơ ồ khối tr nh t ƣ thuật to n t o lập m ng l n
truyền ngƣ s i số
39
H nh 3.1 Đồ thị o phụ t i ỉnh 45
H nh 3.2 Đồ thị o phụ t i y 47

12. 1
MỞ ĐẦU
1. ý do chọn đề tài
N ng lƣ ng iện ngày n y trở thành xƣơng sống trong mọi ng nghệ hiện i,
óng v i trò qu n trọng trong i sống sinh ho t on ngƣ i. Và nhu ầu sử thiết bị
iện iện tử t i ơ qu n, ơn vị và gi nh ngày àng t ng o ặc biệt là
thị. Đồng th i, việc ph t triển kinh tế xã h i i i v i qu tr nh ng nghiệp hó ũng
dẫn ến s gi t ng nhu cầu phụ t i iện.
Nhận th ƣ c tầm quan trọng ó Lãnh o ngành iện nói hung và C ng ty
Điện l c Qu ng Ngãi nói riêng rất qu n t m ến việ n ằng n ng lƣ ng tiêu thụ.
Hiện nay, phần l n C ng ty hi nh nh Điện l c Qu ng Ngãi ều hƣ ó m h nh
& hệ thống d o phụ t i iện n ng ể phục vụ cho ng t o nhu cầu iện
n ng trên ị àn ơn vị qu n lý. Do ó vấn ề ài to n d o nhu ầu tiêu thụ iện
n ng (phụ t i iện n ng) là ài to n ần thiết trong qu tr nh vận hành quy ho h ph t
triển iều khiển tối ƣu hế m ng iện c a thành phố Qu ng Ngãi.
V vậy t gi ề xuất chọn ề tài: “Ứng dụng mạng Neural xây dựng hệ
th ng dự áo phụ tải điện năng thành ph Quảng Ngãi” nhằm nghiên u x y m
h nh hệ thống d o phụ t i iện n ng nhằm hỗ tr quy ho h ph t triển và phòng
phụ t i iện, m b o cung cấp nguồn iện cho nhu cầu tiêu thụ iện thành phố
Qu ng Ngãi và tỉnh Qu ng Ngãi nói hung ồng th i ho ph p sử dụng tiết kiệm ƣ c
nguồn n ng lƣ ng.
2. Mục đích và ý nghĩa đề tài
a. Mục đích
- Nghiên u, ng dụng m ng Neural nh n t o ể x y ng m h nh o phụ
t i iện n ng ng n h n cho thành phố Qu ng Ngãi;
- Hiện th hó hệ thống d o phụ t i iện n ng trên ơ sở m h nh ề xuất
góp phần n ng o hiệu qu trong vấn ề tiết kiệm n ng lƣ ng iện.
b. Ý nghĩa khoa học
- X y ng m h nh o phụ t i iện n ng trên m ng Neural nh n t o;
- Kết qu ó thể làm tài liệu tham kh o trong ài to n d o phụ t i iện n ng.
c. Ý nghĩa thực tiễn
- Hệ thống d o nhu ầu phụ t i iện n ng sẽ là ng ụ hỗ tr ng t o
nhu cầu phụ t i iện n ng c a thành phố Qu ng Ngãi.
- Kết qu d o a hệ thống này ó ý nghĩ là ơ sở ể kiểm nghiệm nh gi
l i chất lƣ ng kết qu d o hƣơng tr nh o hiện ó.

13. 2
3. Mục ti u và nhiệm vụ
a. Mục ti u
Mụ tiêu h nh ề tài là nghiên u x y ng hệ thống d o phụ t i iện
n ng ng n h n cho thành phố Qu ng Ngãi trên ơ sở m h nh m ng Neural nh n
t o. Để th c hiện ƣ c tốt ề tài này th ần ph i t ƣ c nh ng mụ tiêu ụ thể
sau:
- Nghiên u ph n t h m h nh phƣơng ph p d o phụ t i iện ã tồn t i;
- Nghiên u, ng dụng m ng Neural nh n t o x y ng hệ thống d o phụ t i
iện cho thành phố Qu ng Ngãi;
- Hiện th hó hệ thống d o phụ t i iện n ng trên ơ sở m h nh ề xuất,
triển khai th c tế & nh gi kết qu t ƣ c.
b. Nhiệm vụ
Để t ƣ c nh ng mụ tiêu trên th nhiệm vụ ặt ra c ề tài là:
- Nghiên u ph n t h m h nh phƣơng ph p d o phụ t i iện n ng;
- Ph n t h ài to n o phụ t i iện th c tế c a thành phố Qu ng Ngãi;
- Nghiên u, ng dụng m ng Neural nh n t o x y ng m h nh gi i quyết ài
to n nêu trên.
4. Đ i tƣợng và phạm vi nghi n cứu
Trong khu n khổ c a luận v n thu c lo i nghiên u và ng dụng t gi chỉ gi i
h n nghiên u vấn ề sau:
- Phƣơng ph p th c hiện d o th ng tin ằng phƣơng ph p hồi quy tƣơng
quan;
- Ứng dụng thuật to n m ng Neural nh n t o ể x y ng hệ thống d o phụ
t i iện n ng trên m h nh o.
- D o t nh h nh sử dụng iện n ng t i thành phố Qu ng Ngãi v i kho ng d
o ng n h n.
5. Phƣơng pháp nghi n cứu
a. Phƣơng pháp lý thuyết
- Tiến hành thu nhập và ph n t h tài liệu ó liên qu n ến ề tài;
- Nghiên u m ng Neural nh n t o x y ng m h nh o phụ t i iện n ng
ng n h n;
- Đ nh gi l a chọn phƣơng ph p gi i quyết vấn ề.
b. Phƣơng pháp thực nghiệm
- X y ng hệ thống d o phụ t i iện n ng trên ơ sở m h nh ề xuất;
- Triển khai ng dụng ối v i ài to n o iện n ng thành phố Qu ng Ngãi
và nh gi kết qu t ƣ c trong th c tế.
6. Ý nghĩa khoa học và thực tiễn của đề tài
- X y ng m h nh m h nh o phụ t i iện n ng ng n h n ho thành phố
Qu ng Ngãi trên ơ sở m ng Neur l nh n t o;

14. 3
- Hiện th hó & nh gi hiệu qu c m h nh ề xuất.
7. Cấu trúc của luận văn
Luận v n ƣ tr nh ày o gồm phần h nh nhƣ s u:
MỤC LỤC
DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
DANH MỤC CÁC BẢNG
DANH MỤC CÁC HÌNH VẼ
MỞ ĐẦU
CHƢƠNG 1: TỔNG QUAN VỀ BÀI TOÁN DỰ BÁO
1.1. Nhu cầu th c tiễn về d o phụ t i iện
1.2. M h nh o phụ t i iện
1.3. Kết luận
CHƢƠNG 2: MÔ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN
2.1. Lý thuyết về m ng Neural nh n t o.
2.2. M h nh o phụ t i iện n ng ng n h n trên ơ sở m ng Neural nh n t o
2.3. Kết luận
CHƢƠNG 3: XÂY DỰNG, TRIỂN KHAI HỆ THỐNG DỰ BÁO PHỤ TẢI
ĐIỆN NĂNG
3.1. X y ng hệ thống d o phụ t i iện n ng
3.2. Thử nghiệm và nh gi
3.3. Kết luận
KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN
PHỤ LỤC
TÀI IỆU THAM KHẢO

15. 4
CHƢƠNG I
NGHIÊN CỨU TỔNG QUAN VỀ MÔ HÌNH DỰ BÁO
1.1. TỔNG QUAN VỀ BÀI TOÁN DỰ BÁO
1.1.1. Các khái niệm
1.1.1.1. Khái niệm về dự báo
Thuật ng o ó nguồn gố từ tiếng Hy L p "Pro" (nghĩ là trƣ ) và
"gnois" ( ó nghĩ là iết) "prognois" nghĩ là iết trƣ .
D o là s tiên o n ó n kho họ m ng t nh hất x suất về m
n i ung mối qu n hệ tr ng th i xu hƣ ng ph t triển ối tƣ ng nghiên u
hoặ về h th và th i h n t ƣ mụ tiêu nhất ịnh ã ề r trong tƣơng
lai [1].
D o là m t kho họ và nghệ thuật tiên o n nh ng s việ sẽ x y r trong
tƣơng l i trên ơ sở ph n t h kho họ về liệu ã thu thập ƣ .
Khi tiến hành o t n vào việ thu thập xử lý số liệu trong qu kh và
hiện t i ể x ịnh xu hƣ ng vận ng hiện tƣ ng trong tƣơng l i nh vào
m t số m h nh to n họ .
D o ó thể là m t o n h qu n hoặ tr gi về tƣơng l i. Nhƣng ể
ho o ƣ h nh x hơn ngƣ i t ố lo i trừ nh ng t nh h qu n ngƣ i
o.
D o nhằm mụ h nghiên u nh ng phƣơng ph p luận khoa họ làm ơ sở
cho việ ề xuất o ụ thể ũng nhƣ việ nh gi m tin cậy, m
h nh x phƣơng ph p o – nếu d o s i lệ h qu nhiều về kh n ng
cung cấp và nhu ầu n ng lƣ ng sẽ dẫn ến hậu qu kh ng tốt cho nền kinh tế. Nếu d
o qu thừa về nguồn sẽ ph i huy ng nguồn qu l n làm t ng vốn ầu tƣ ẫn ến
lãng ph vốn ầu tƣ và kh ng kh i th hết ng suất thiết bị ngƣ c l i nếu d o
thiếu ng suất nguồn sẽ dẫn ến cung cấp iện kh ng cho nhu cầu c a phụ t i,
gi m tin cậy cung cấp iện g y thiệt h i cho nền kinh tế quố n.
1.1.1.1. Khái niệm phụ tải điện
Phụ t i là nơi iện n ng sẽ ƣ iến ổi thành nh ng n ng lƣ ng kh nhƣ
nhiệt n ng qu ng n ng h y ơ n ng nhằm phụ vụ nh ng nhu ầu và mụ h
ng on ngƣ i.
D o phụ t i iện n ng là m t vấn ề qu n trọng trong ng t thiết kế qui
ho h hệ thống iện. Mụ h o iện n ng trong tƣơng l i vào
qu n s t trong qu kh phụ vụ ho ng t qui ho h nguồn lƣ i trong hệ thống
iện phụ vụ ho ng t iều hệ thống ( ó kế ho h huẩn ị sẵn sàng p ng
phụ t i).

16. 5
1.1.1.2. Dự báo phụ tải điện năng
D o phụ t i iện vẫn là m t trong nh ng vấn ề ơ n c ngành iện. Đặc
biệt, d o h nh x là ần thiết khi thiết lập h p ồng gi nhà ung ấp và
ngƣ i tiêu ng iện. Nếu iện ph n phối thấp hơn nhu ầu, sẽ dẫn ến cung cấp iện
kh ng cho nhu cầu kh h hàng gi m tin cậy cung cấp iện g y thiệt h i cho nền
kinh tế. Mặt kh khi ung ấp n ng lƣ ng o hơn nhu ầu th c tế nhà ung ấp
ũng ph i chịu thêm hi ph .
Hiện nay, thị trƣ ng iện và iện n ng trở thành m t mặt hàng ể mu và n
theo gi thị trƣ ng. Điện ƣ ph n iệt v i s n phẩm hàng hó kh nh kh
n ng p ng nh nh hóng nh ng biến ổi c a nhu cầu t i mọi th i iểm và hầu nhƣ
kh ng thể d tr ƣ . Do ó vấn ề d o phụ t i m t h h nh x ũng nhƣ
toàn kh u s n xuất, truyền t i, ph n phối, ph i lu n ở t nh tr ng sẵn sàng p
ng nhu cầu phụ t i là yếu tố ơ n nh hƣởng ến hiệu qu phục vụ kh h hàng a
hệ thống. D o phụ t i trong iều kiện ó sẽ óng v i trò qu n trọng hàng ầu trong
việ h nh thành gi n iện. Và h n ng qu n trọng trong kế ho ch vận hành
HTĐ nhƣ ph n phối nguồn m t h kinh tế, hiệu qu lên kế ho ch b o ƣ ng và sửa
ch thƣ ng ƣ c th c hiện nh việc d o phụ t i iện n ng v vậy d o phụ t i
iện n ng óng v i trò ặc biệt quan trọng ối v i iều viên nh ng ngƣ i ho ch
ịnh kế ho h lên phƣơng th c vận hành HTĐ.
D o phụ t i ài h n (kho ng 10-20 n m) nhằm mụ h ung ấp d liệu cho
ng t quy ho h và ầu tƣ ph t triển HTĐ. Còn o phụ t i ng n h n (trong
vòng 30 ngày) ó nhiệm vụ m b o vận hành HTĐ n toàn và kinh tế. Đối v i d o
ài h n ó t nh hất chiến lƣ th hỉ nêu lên nh ng phƣơng hƣ ng ph t triển ch yếu
mà kh ng yêu ầu x ịnh chỉ tiêu ụ thể.
1.2. TÌNH HÌNH THỰC TẾ NHU CẦU TIÊU THỤ ĐIỆN THÀNH PHỐ
QUẢNG NGÃI.
1.2.1. Hệ th ng phụ tải điện thành ph Quảng Ngãi
 Giới thiệu chung về HTĐ thành phố Quảng Ngãi
Hệ thống iện thành phố Qu ng Ngãi t ầu ph ƣ t nh từ xã B nh
Ch nh – Huyện B nh Sơn – Thành phố Qu ng Ngãi ến ph n m Thị trấn S Huỳnh
– Huyện Đ Phổ - Thành phố Qu ng Ngãi và mở r ng lên hƣ ng t y Huyện Sơn Hà
gi p v i Ngọ Tem – Kon Tum. Đị h nh tr i ài ọ theo nằm s t iển và ũng
ó nhiều ồi n i h nh v vậy ó s hênh lệ h về ng suất phụ t i ở v ng. Phụ
t i h yếu tập trung ở thành phố và huyện ồng ằng ó khu ng nghiệp
ph t triển. T i v ng này th phụ t i o iểm và thấp iểm s hênh lệ h kh ng l n….
Đối v i huyện miền n i và huyện hỉ s n xuất n ng nghiệp th s hênh lệ h
kh o v phụ t i vào th i gi n o iểm h yếu là phụ t i sinh ho t iều này g y
khó kh n trong việ vận hành kinh tế hệ thống iện. Vào thấp iểm hệ thống th

17. 6
kh ng kh i th o ƣ nguồn iện rẻ tiền òn vào l o iểm hệ thống
ph i h y nguồn iện t tiền ể ph ỉnh và òn ph i h n hế phụ t i vào o
iểm o nguồn iện kh ng p ng ƣ nhu ầu phụ t i.
Thành phần phụ tải điện là phụ t i iện ƣ ph n lo i theo ơ ấu tiêu thụ iện
o gồm: C ng Nghiệp - X y ng Thƣơng m i - Dị h vụ N ng nghiệp - L m
nghiệp - Th y s n Sinh ho t Nhà hàng - Kh h s n và ho t ng kh .
D vào ng s n lƣ ng iện tiêu thụ HTĐ Qu ng Ngãi ( ng 1.1) thấy
ƣ thành phần phụ t i C ng nghiệp & x y ng Qu n lý & tiêu ng hiếm 90%
tổng ng suất phụ t i.

18. 7
Bảng 1.1: B ng s n lƣ ng iện tiêu thụ HTĐ Qu ng Ngãi ( ơn vị t nh kWh)
Hình 1.1: Biểu ồ thành phần cấu thành phụ t i
Năm 2012 2013 2014 2015 2017 2017
N ng l m nghiệp
thuỷ s n
3.260.489 3.246.368 3.513.135 5.586.070 10.144.960 18.714.393
C ng nghiệp X y
ng
218.075.455 219.281.655 224.886.843 273.678.727 303.865.314 340.702.231
Thƣơng nghiệp kh h
s n nhà hàng
16.988.802 18.463.713 21.176.083 30.247.501 49.924.762 59.248.220
Qu n lý tiêu ng 391.065.907 421.025.968 469.366.471 486.241.729 525.706.321 559.058.792
Ho t ng kh 21.712.314 22.777.985 25.121.591 29.256.680 32.908.968 34.462.334
Tổng cộng (kWH) 651.102.967 684.795.689 744.064.123 825.010.707 922.550.325 1.012.185.970

19. 8
Bảng 1.2: Tố t ng trƣởng phụ t i
Năm 2012 2013 2014 2015 2017 2017
S n lƣ ng
iện tiêu thụ
(kWh)
608.116.399 651.102.967 684.795.689 744.064.123 825.010.707 922.550.325 1.012.185.970
T c độ tăng
trƣởng (%)
7,07% 5,17% 8,65% 10,88% 11,82% 9,72%
Nh n tố quyết ịnh việ huy ng nguồn iện h nh là phụ t i o iểm và trong khi ó phụ t i thấp iểm l i gi v i trò qu n
trọng trong việ quyết ịnh phối h p và iều hỉnh nguồn iện nh m m o vận hành kinh tế. Ch nh v vậy việ o h nh
x phụ t i ó ý nghĩ hết s qu n trọng trong ài to n vận hành kinh tế hệ thống iện ũng nhƣ i t o thiết kế hệ thống ung ấp
iện gi m thiểu ƣ tổn thất ng suất và iện n ng. Đặ iệt việ o phụ t i o iểm h nh x m ng l i l i h và hiệu suất
sử ụng n ng lƣ ng ho kh h hàng tr nh t nh tr ng thiếu ng suất gi o iểm.

20. 9
1.2.2. Bài toán thực tế ảnh hƣởng đến phụ tải điện năng (TP. Quảng Ngãi)
D o phụ t i iện n ng là m t vấn ề qu n trọng trong ng t thiết kế quy
ho h hệ thống iện. Mụ h o iện n ng trong tƣơng l i vào qu n s t
trong qu kh phụ vụ ho ng t qui ho h nguồn lƣ i iện phụ vụ ng t
iều hệ thống. V vậy việ o phụ t i iện n ng óng v i trò rất qu n trọng
trong ngành iện nƣ t nói hung và ũng nhƣ TP Qu ng Ngãi.
Bài to n o phụ t i iện n ng ó thể hi làm nhóm: ài h n trung h n
và ng n h n.
D o phụ t i iện n ng ài h n là kho n từ 1 – 10 n m. V i kho n th i gi n
này ần ho việ quy ho h x y ng nhà m y ƣ ng y truyền t i và ph n
phối iện.
D o phụ t i iện n ng trung h n là o ho kho n th i gi n gi 1 th ng
và 1 n m. Lo i o này thƣ ng ƣ ng ể x ịnh thiết ị và lƣ i iện sẽ l p
ặt hoặ thiết lập h p ồng trong thị trƣ ng iện.
D o phụ t i iện n ng ng n h n ó h i lo i:
- D o rất ng n h n d o ho vài ph t s p t i và ƣ ng ho iều
khiển nguồn ph t t ng.
- D o ng n h n ƣ c lập d o ho 1 gi ến 168 gi t i. Kết qu d o
phụ t i ng n h n ch yếu ng ho mụ h thiết lập biểu ồ ph t iện.
Trong th i gi n này ng ty Điện l c ph i ƣ r kế ho h kinh o nh iện,
kế ho ch b o ƣ ng hoặc kế ho h iều khiển phụ t i ể tối thiểu hó hi
ph .
D vào nhu ầu o phụ t i iện n ng và n vào th i gi n o th
ó thể hi thành h i lo i o phụ t i ph n iệt trong vận hành và lập quy ho h
hệ thống iện: trong quy ho h hệ thống iện ó thể p ụng o ài h n
và o trung h n. Tuy nhiên trong iều kiện th tế TP. Qu ng Ngãi hỉ ó
thể p ụng ài to n o ng n h n.
C yếu tố nh hƣởng ến phụ t i iện n ng thành phố Qu ng Ngãi: Để ƣ
r ƣ phƣơng ph p o phụ t i m t h tối ƣu ho HTĐ thành phố Qu ng Ngãi
th ần ph i ph n t h ƣ yếu tố nh hƣởng ến phụ t i.
Qu số liệu thống kê và th tế vận hành ho thấy phụ t i HTĐ phụ thu
vào yếu tố s u:
- Th c ngày trong tuần;
- C ngày ặc biệt trong n m;
- Th i tiết trong ngày;
- Kế ho ch sửa ch a l n trong ngày ó t iện.

21. 10
 Phụ tải điện năng phụ thuộc vào thứ của ngày trong tuần: Nh n vào ng 1.3 &
ồ thị h nh 1.2 t ó thể thấy: gi trị phụ t i gi trong ngày làm việ thƣ ng
o hơn phụ t i gi c ngày nghỉ trong tuần. Và ó quy luật gi a phụ t i và
ngày trong tuần:
- Đồ thị phụ t i iện n ng ngày làm việ thƣ ng ó ng gần giống
nhau;
- Phụ t i iện n ng trong ngày nghỉ cuối tuần gi m.
Bảng 1.3: D liệu phụ t i m t tuần làm việ thành phố Qu ng Ngãi từ
ngày 06/11/2017 ến ngày 12/11/2017
01h00 53,2 67,7 82,4 82,7 83,8 92 86,7
02h00 52,2 67,3 83,3 81,4 81,7 88,3 85,9
03h00 52,9 67,9 83,6 85,7 82,5 90,1 86,4
04h00 54,1 68,5 86,6 87 87 91,4 95
05h00 58,9 75,2 88,8 96 92,2 96,7 93,8
06h00 75,2 93,3 107,5 110,4 109,3 110,83 106,3
07h00 74,9 91,1 97,7 109,3 99,9 105,8 100,5
08h00 82,4 100,5 111,4 121,4 118,5 112,7 108,1
09h00 87,1 110,4 119,6 132,8 124,3 124,5 115,6
10h00 98,2 125,8 127,8 144,3 102,9 134,3 131,3
11h00 89,3 121,1 119 134,9 127,2 120,1 120,7
12h00 78,7 103,9 101,9 112 108,3 105,3 105,9
13h00 77,3 111,4 102,3 122,9 109,46 106,2 105,8
14h00 86,4 123 113,1 125,2 121,3 108,5 111,2
15h00 94,6 120,1 116,2 129,1 127,7 118,5 115,5
16h00 110,5 127,4 129,8 138,7 141,1 134,4 125,6
17h00 121,8 140,9 153,9 161,8 150,3 151,8 138
18h00 121 144,6 154,3 146,7 158,5 153,1 153,9
19h00 115,7 135,7 137 133,2 145,4 135,6 141,8
20h00 97,2 123,9 129,5 127,2 133,1 129,3 134,4
21h00 88 113,8 118,8 117,1 124 120,5 122,5
22h00 78,4 101,4 105,6 103,9 110,2 106,8 108,2
23h00 75,1 90 96,5 92,3 98,2 95,4 97,2
24h00 68,9 83,9 91,2 88,5 94 87,8 91,3
SLngày: 1.994.645 2.452.127 2.707.591 2.788.319 2.764.186 2.747.014 2.668.156
Công suất phụ tải
ngày 10/11/2017
Công suất phụ tải
ngày 11/11/2017
Công suất phụ tải
ngày 12/11/2017
Giờ
Công suất phụ tải
ngày 6/11/2017
Công suất phụ tải
ngày 7/11/2017
Công suất phụ tải
ngày 8/11/2017
Công suất phụ tải
ngày 9/11/2017

22. 11
Hình 1.2: Đồ thị phụ t i ngày ặ trƣng trong tuần
 Phụ tải điện năng phụ thuộc vào Các ngày đặc biệt trong năm như: ngày
30/4-1/5, 2/9, tết t y và tết cổ truyền… Từ b ng 1.4 & ồ thị 1.3 ó thể nhận x t rằng
phụ t i iện n ng ngày này gi m ng kể so v i ngày nh thƣ ng trong n m.
V vậy d o phụ t i iện n ng ho ngày ặc biệt này kh ng ƣ p ụng nhƣ
ngày th ng thƣ ng mà ph i t h iệt bằng phƣơng ph p riêng vào s th y ổi
phụ t i iện n ng c ngày này so s nh gi n m trƣ c ó.
Bảng 1.4: D liệu phụ t i ngày ặc biệt trong n m so v i ngày nh thƣ ng
c thành phố Qu ng Ngãi từ ngày 30/4/2017 ến ngày 3/5/2017
Giờ
Công suất phụ tải (MW)
Ngày 30/4/2017 Ngày 1/5/2017 Ngày 2/5/2017 Ngày 3/5/2017
01h00 82,6 87,8 91,9 103,6
02h00 80,4 86,2 88,9 102,4
03h00 81,7 85,8 90,9 103,3
04h00 83 88,2 92,5 103,6
05h00 91,3 97,5 100,2 117,2
06h00 95,9 88,1 103,1 115,5
07h00 92,4 93,2 102,8 117
08h00 102,9 98,8 119 139,5
09h00 111,6 105,3 130,9 154
10h00 135,1 119,1 144,9 160,4
11h00 128,6 111,6 132,8 153,5
12h00 108,7 105,6 121,8 137,7
13h00 109,1 104 126 134,3
14h00 110,1 103,1 129,7 151,9
15h00 107,9 101,4 132,2 152,9
16h00 114,1 109,3 131,9 155,1
0
50
100
150
200
01h00
02h00
03h00
04h00
05h00
06h00
07h00
08h00
09h00
10h00
11h00
12h00
13h00
14h00
15h00
16h00
17h00
18h00
19h00
20h00
21h00
22h00
23h00
24h00
Công
suất
MW
Axis Title
Đồ thị phụ tải các ngày đặc trưng trong tuần
ngày 6/11/2017 ngày 7/11/2017 ngày 8/11/2017
ngày 9/11/2017 ngày 10/11/2017 ngày 11/11/2016
ngày 12/11/2016

23. 12
Giờ
Công suất phụ tải (MW)
Ngày 30/4/2017 Ngày 1/5/2017 Ngày 2/5/2017 Ngày 3/5/2017
17h00 123,7 117,6 135,3 157,2
18h00 142,1 123,9 140,9 160
19h00 145,8 136,7 151,2 164,6
20h00 140,2 125,7 141,5 163,2
21h00 124,4 112,9 142,4 157,7
22h00 116,9 115,6 128,9 130,4
23h00 103,5 102,9 118,9 127,3
24h00 96,9 98,2 110,3 121
S ngày: 2.505.637 2.550.584 2.920.439 3.317.884
Hình 1.3: Đồ thị phụ t i ngày ặ trƣng
 Phụ tải điện năng phụ thuộc vào Thời tiết trong ngày như: nhiệt ẩm
tố gió, hƣ ng gió & ƣ ng nh s ng .. Trong th ng số nêu trên th nhiệt
là yếu tố nh hƣởng nhiều nhất ến phụ t i iện n ng. V ụ ặ iểm miền Trung vào
m h nhiệt o n ng nóng ngƣ i n sử ụng nhiều qu t và iều hò nên phụ t i
vào m này rất o ( ồ thị h nh …).
0
20
40
60
80
100
120
140
160
180
Đồ Thị Phụ Tải
Công suất
phụ tải (MW)
Công suất
phụ tải (MW)
Công suất
phụ tải (MW)
Công suất
phụ tải (MW)

24. 13
Hình 1.4: Đồ thị phụ t i h i ngày ó nhiệt kh nh u
 Ngoài ra, phụ tải điện năng còn phụ thuộc vào nhiều yếu tố chủ quan &
khách quan khác như: Kế hoạch sửa chữa lớn trong ngày có cắt điện. Trong ngày ó
kế ho ch sửa ch a l n (c t iện ƣ ng y ng vận hành ể k o ƣ ng y m i, sửa
ch a tr m 220Kv, 500Kv …) ph i c t t i diện r ng dẫn ến iện n ng tiêu thụ vào
ngày này gi m ng kể. D o phụ t i iện n ng nh ng ngày này ph i t nh to n khấu
trừ phụ t i iện n ng gi m do ngừng cấp iện. D ng c ồ thị phụ t i iện n ng trong
ngày ó t iện diện r ng ũng m ng ặ th riêng th y ổi t y thu vào th i gian,
v ng miền c t iện.
Ph n t h liệu th tế về phụ t i iện n ng iện l TP. Qu ng Ngãi
ó thể thấy rằng nhiệt m i trƣ ng ặ th ngày trong tuần ngày lễ ngày
tết là yếu tố nh hƣởng nhiều nhất ến gi trị phụ t i iện n ng ng n h n.
1.2.3. Các mô hình, phƣơng pháp dự áo phụ tải điện năng [2]
Theo th i gian d o ph n r lo i d o s u:
- D o ng n h n (tầm ng n): Th i gian từ 1 ến 2 th ng.
- D o h n vừa (tầm trung): Th i gian từ 3 ến 10 n m.
- D o ài h n (tầm xa): th i gian từ 15 ến 20 n m ó t nh hất chiến
lƣ c.
Ngoài r òn ó o iều v i th i gian d o theo gi trong ngày tuần,
… ể phục vụ ho ng t iều hệ thống.
Sai số ho ph p ối v i từng lo i d o nhƣ s u:
- D o tầm ng n và tầm trung: từ (5-10) %,
- Đối v i d o ài h n 5-15 % (thậm h ến 20%),
- Còn o iều th ho ph p (3-5) %.
0
20
40
60
80
100
120
140
160
180
200
Công
suất
phụ
tải
(MW)
Đồ thị phụ tải
18-26 độ
26-40 độ

25. 14
1.2.3.1. Phương pháp tính hệ số vượt trước
Phƣơng ph p này ho iết khuynh hƣ ng ph t triển c a nhu cầu tiêu thụ iện
n ng so v i nhịp ph t triển c a nền kinh tế quố n.
* Trong thời gian từ năm 2012 đến năm 2017, sản lượng công nghiệp và xây
dựng của thành phố Quảng Ngãi tăng 120%, còn sản lượng điện năng tiêu thụ cũng
trong khoảng thời gian đó là 123.88%.
Như vậy hệ số vượt trước là:
D vào hệ số k t x ịnh ƣ iện n ng tiêu thụ ở n m o. Phƣơng ph p
này ó nhiều sai số do nh ng nguyên nh n s u:
- Suất tiêu h o iện n ng ngày àng gi m ( ối v i m t s n phẩm) o ng
nghệ ngày àng o và qu n lý ngày àng tốt hơn.
- Điện n ng ngày àng sử dụng trong nhiều ngành kinh tế và nhiều ịa
phƣơng.
- Cơ ấu kinh tế thƣ ng xuyên th y ổi.
1.2.3.2. Phương pháp tính trực tiếp
N i dung c phƣơng ph p là x ịnh iện n ng tiêu thụ c n m o a
trên tổng s n lƣ ng kinh tế c ngành ở n m o và suất tiêu h o iện n ng
ối v i từng lo i s n phẩm, m tiêu h o a từng h gi nh…Phƣơng ph p này
ƣ p ụng ở nƣ ó nền kinh tế ph t triển ổn ịnh ó kế ho h kh ng ó
kh ng ho ng.
 Ƣu iểm c phƣơng ph p là: t nh to n ơn gi n, cho ta biết ƣ c tỉ lệ sử
dụng iện n ng trong ngành kinh tế nhƣ ng nghiệp n ng nghiệp n
dụng v.v…và x ịnh ƣ c nhu cầu iện n ng ở từng ị phƣơng (sử
dụng thuận tiện trong qui ho ch).
 Nhƣ iểm: M h nh x phụ thu c nhiều vào việc thu thập số liệu
c ngành ị phƣơng o.
Phƣơng ph p này ng ể d o tầm ng n và tầm trung.
1.2.3.3. Phương pháp ngoại suy theo thời gian
N i dung c phƣơng ph p là t m quy luật ph t triển c iện n ng theo th i
gian d vào số liệu thống kê trong m t th i gi n qu kh tƣơng ối ổn ịnh, rồi k o
ài quy luật ó r ể d o ho tƣơng l i.
V ụ: M h nh ó ng mũ nhƣ s u:
At = A0 (1+ t
(1-1)
Trong ó: - tố ph t triển nh qu n hàng n m
- t: th i gian d o
- A0: iện n ng ở n m họn gốc
- At: iện n ng o ở n m th t. At+1

26. 15
Nhƣ vậy hàm mũ ó ƣu iểm là ơn gi n, ph n nh hỉ số ph t triển hàng n m
kh ng ổi. Có thể x ịnh hằng số C bằng h lấy gi trị trung nh nh n hỉ số
ph t triển c a nhiều n m.
√ (1-2)
(Ci: hệ số ph t triển n m i; n: số n m qu n s t)
Tổng qu t m h nh o ó ng:
At = A0Ct
Logarit 2 vế (1-3) t ƣ c:
lgAt = lgA0 + t. lgC
Đặt y = lgAt; a = lgA0; = lgC th (1-3) ó thể viết:
Y = a + bt (1-4)
C hệ số ƣ x ịnh bằng phƣơng ph p nh phƣơng c tiểu.
 Số liệu phụ tải điện quá khứ sử dụng cho phương pháp ngoại suy
a) Đối v i d o nhu ầu phụ t i iện n m: C số liệu thống kê về ng
suất iện n ng tiêu thụ trong t nhất 05 n m trƣ c gần nhất;
b) Đối v i d o nhu ầu phụ t i iện th ng: C số liệu thống kê về ng
suất iện n ng tiêu thụ c th ng ng kỳ n m trƣ và t nhất 03 th ng
trƣ c gần nhất;
c) Đối v i d o nhu ầu phụ t i iện tuần: C số liệu thống kê về ng
suất iện n ng tiêu thụ trong t nhất 04 tuần trƣ c gần nhất;
d) Đối v i d o nhu ầu phụ t i iện ngày: C số liệu thống kê về ng
suất iện n ng tiêu thụ trong t nhất 07 ngày trƣ . Trƣ ng h p ngày lễ,
tết ph i sử dụng số liệu c ngày lễ, tết n m trƣ c;
e) Đối v i d o nhu ầu phụ t i iện gi : C số liệu thống kê về ng
suất iện n ng tiêu thụ trong t nhất 48 gi ng kỳ tuần trƣ c.
 Ƣu iểm c phƣơng ph p ngo i suy hàm mũ là ơn gi n và ó thể p
dụng ể d o iện n ng tầm ng n và tầm xa.
 Nhƣ iểm: Kết qu chỉ h nh x nếu tƣơng l i kh ng nhiễu và qu kh
ph i tu n theo m t quy luật (thƣ ng ối v i hệ thống kh ng ổn ịnh, thiếu
nguồn th ng tin qu kh ó số liệu kh ng thật sẽ dẫn ến qui luật sai)
1.2.3.4. Phương pháp tương quan
Nghiên u mối tƣơng qu n gi thành phần kinh tế v i iện n ng nhằm
ph t hiện nh ng quan hệ về mặt ịnh lƣ ng từ ó x y ng m h nh iểu diễn s
tƣơng qu n gi iện n ng v i s n lƣ ng thành phần kinh tế nhƣ: s n lƣ ng ng
nghiệp, s n lƣ ng kinh tế quố n… Khi x ịnh ƣ gi trị s n lƣ ng thành

27. 16
phần kinh tế (bằng phƣơng ph p kh ) ở n m o vào mối quan hệ trên
ể d o phụ t i iện n ng.
Phƣơng ph p này x ịnh mối tƣơng qu n gi a nhu cầu tiêu thụ iện ( ng suất,
iện n ng) a phụ t i v i yếu tố nh hƣởng quan trọng (t ng trƣởng kinh tế gi
iện, th i tiết, tỷ gi …) và ƣ c th c hiện trên nền Excel v i ƣ s u y:
Dự báo đồ thị phụ tải giờ tới
Đối v i từng miền so s nh iểu ồ ngày qu kh thu ƣ c v i biểu ồ ngày
hiện t i D ể t m ƣ c biểu ồ ó h nh ng giống nhất v i biểu ồ ngày D . C h so
s nh ƣ c th c hiện t ng v i hàm:
)
2
,
1
( array
array
Correl
V i thuật to n s u:
 






2
2
)
(
)
(
)
)(
(
)
,
(
y
y
x
x
y
y
x
x
Y
X
Correl
Trong ó:
- X là ng suất phụ t i 24 gi th c tế c ngày i
D  ;
-

x là ng suất trung nh 24 gi th c tế c ngày i
D  ;
-

y là ng suất trung nh 24 gi d o ngày D ;
- Y là ng suất phụ t i 24 gi d o ngày D .
Hàm Correl tr l i kết qu là s tƣơng qu n gi a hai biến m ng X ,Y . Nếu biến
m ng X ,Y àng giống nh u th kết qu c hàm Correl àng gần 1. Do vậy sau khi
so s nh 21 ngày qu kh v i ngày hiện t i D sẽ t m ƣ ngày ó h nh ng phụ t i
giống nhất v i ngày D , gi sử ngày i
D  .
Đối v i từng miền, sử dụng hàm xu thế ể d o ng suất phụ t i cho 04 gi
t i (từ gi H ến gi 3

H ) v i hàm FORECAST và ph p lệnh sau:
)
'
_
,
'
_
,
( s
x
known
s
y
known
x
FORECAST
Trong ó:
- x là ng suất phụ t i gi 1

H ;
- s
y
known '
_ là ng suất phụ t i 05 gi qu kh kể từ gi 1

H c ngày
i
D  ;
- s
x
known '
_ là ng suất phụ t i 05 gi qu kh kể từ gi 1

H c ngày D
.
So sánh đồ thị phụ tải dự báo với đồ thị phụ tải quá khứ
S u khi ó ồ thị phụ t i d o từng miền cho 04 gi t i, tiến hành so s nh ồ

28. 17
thị phụ t i này v i ồ thị phụ t i qu kh từng miền theo gi trị Correl từ o ến
thấp (so s nh iểu ồ qu kh ó ng giống nhất rồi ến iểu ồ qu kh t giống
hơn). Qu tr nh so s nh này ể xử lý số liệu phụ t i qu kh ó thể bị sai do c t
t i, do lỗi SCADA (kh ng thu thập ƣ số liệu phụ t i qu kh ).
Hiệu chỉnh lại đồ thị phụ tải
S u khi so s nh ồ thị phụ t i d o v i ồ thị phụ t i qu kh và ồ thị phụ t i
hiện t i, nếu hàm Correl ho kết qu < 0 9 th ho ph p nh n kết qu tƣơng ng
v i hệ số huyên gi h huyen_gi theo quy ịnh:
1
,
1
9
,
0 _ 
 gia
chuyen
h
.
Nhƣ iểm c phƣơng ph p là t ph i thành lập m h nh o phụ.
1.2.3.5. Phương pháp so sánh đối chiếu
So s nh ối chiếu nhu ầu ph t triển iện n ng nƣ ó hoàn nh tƣơng
t . Đ y là phƣơng ph p ƣ nhiều nƣ p ụng ể o nhu ầu n ng lƣ ng m t
h ó hiệu qu . Phƣơng ph p thƣ ng ƣ p ụng ho o ng n h n và trung
h n.
1.2.3.6. Phương pháp chuyên gia
D trên ơ sở hiểu iết s u s huyên gi giỏi ở lĩnh v
ngành ể o hỉ tiêu kinh tế. Cũng ó khi ng phƣơng ph p này ể o
triển vọng thƣ ng ngƣ i t lấy trung nh ó tỉ trọng ý kiến huyên gi ph t
iểu.
Trong trƣ ng h p ó nhiều yếu tố kh ng ổn ịnh th sử dụng phƣơng ph p huyên
gi ó th m kh o ý kiến c a h i ồng tƣ vấn. Việc lấy ý kiến ƣ c tiến hành theo
ƣ c sau:
- Chuyên gi ho iểm theo từng tiêu huẩn. Mỗi tiêu huẩn có m t thang
iểm thống nhất.
- Lấy trọng số c ý kiến c a h i ồng tƣ vấn ể tổng h p.
1.2.3.7. Phương pháp mạng Neural nhân tạo
Cấu trúc của mạng Neural nhân tạo
Hình 1.5: Cấu tr a m t m ng Neural

29. 18
Trong ó:
- Pi là l p vào o gồm t n hiệu ầu vào (nhiệt ẩm ngày nghỉ hoặc
làm việ …);
- 1
b và 2
b là l p ẩn;
- 3
b
là l p ra;
- là hàm số iện n ng ng suất ngày gi .
Việc chọn l a số lƣ ng t n hiệu ầu vào phụ thu vào ài to n ụ thể và hỉ
ó thể x ịnh d trên nh gi nh hƣởng c yếu tố ầu vào và phụ t i iện.
Kết qu ầu ra phụ thu vào ấu tr a m ng Neural và liệu qu kh .
C phƣơng ph p nêu trên tuy phổ iến nhƣng hƣ p ng ƣ yêu ầu ho ài
to n o phụ t i iện ng n h n. T gi ã nêu ƣ ƣu iểm và nhƣ iểm ho
từng phƣơng ph p. Vậy trong vấn ề gi i quyết ài to n o phụ t i iện thành phố
Qu ng Ngãi t gi ã l họn phƣơng ph p m ng Neural nh n t o sử ụng thuật
to n l n truyền ngƣ ể x y ng m h nh o phụ t i iện ho thành phố Qu ng
Ngãi.
KẾT LUẬN CHƢƠNG 1
Trong chƣơng 1 ã tr nh ày tổng qu n về kh i niệm o ài to n ặt r ối
v i t nh h nh th tế nhu ầu tiêu thụ iện thành phố Qu ng Ngãi. T m hiểu và
ph n t h m h nh phƣơng ph p o phụ t i iện n ng ã ó. Đồng th i
trên t nh h nh th tế t gi ề xuất gi i quyết ài to n ằng h sử ụng m ng
Neural nh n t o ể x y ng m h nh o phụ t i iện ng n h n.

30. 19
CHƢƠNG II
MÔ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN NĂNG SỬ DỤNG
MẠNG NEURA NHÂN TẠO
2.1. TỔNG QUAN VỀ MẠNG NEURA NHÂN TẠO
M ng Neural nh n t o (ANN) là m h nh xử lý th ng tin ƣ m phỏng
trên ho t ng hệ thống thần kinh sinh vật o gồm số lƣ ng l n Neural
ƣ g n kết ể xử lý th ng tin. ANN giống nhƣ não on ngƣ i ƣ họ ởi kinh
nghiệm (th ng qu huấn luyện) ó kh n ng lƣu gi nh ng kinh nghiệm hiểu iết (tri
th ) và sử ụng nh ng tri th ó trong việ o n liệu hƣ iết (unseen
data).
C ng ụng m ng Neural ƣ sử ụng trong rất nhiều lĩnh v nhƣ iện
iện tử kinh tế qu n s … ể gi i quyết ài to n ó ph t p và òi hỏi ó
h nh x o nhƣ iều khiển t ng kh i ph liệu nhận ng …
2.1.1. Kiến trúc tổng quát của một ANN
Kiến tr hung m t ANN gồm 3 phần ó là Input L yer Hi en L yer và
Output Layer [3] (h nh 2.1)
Trong ó l p ẩn (Hi en l yer) gồm Neural nhận liệu input từ
Neural ở Input Layer và huyển ổi thong so này ho l p xử lý tiếp theo.
Trong ANN ó thể ó nhiều Hi en L yer.
Processing Elements (PE): là Neural mỗi Neural nhận liệu vào (Input)
xử lý h ng và ho r m t kết qu (Output) uy nhất. Output c a m t Neural ó thể
làm Input ho Neural kh .

31. 20
Quá trình xử lý thông tin của một ANN
M t Neural là m t ơn vị xử lý th ng tin và là thành phần ơ n m t m ng
ANN. Cấu tr m t ANN ƣ m t nhƣ h nh 2.2
Inputs: Mỗi Input tƣơng ng v i 1 thu t nh ( ttri ute) liệu (p tterns)
nhận t n hiệu từ ên ngoài.
Output: Kết qu m t ANN là m t gi i ph p ho m t vấn ề. Gửi liệu r
ên ngoài.
Connection Weight (Trọng số liên kết): Đ y là thành phần rất qu n trọng
m t ANN nó thể hiện m qu n trọng liệu input ối v i qu tr nh xử lý
th ng tin (qu tr nh huyển ổi liệu từ L yer này s ng l yer kh ). Qu tr nh họ
(Learning Pro essing) ANN th r là qu tr nh iều hỉnh trọng số (Weight)
input ể ó ƣ kết qu mong muốn.
Summation Function (Hàm tổng): T nh tổng trọng số tất input ƣ
ƣ vào mỗi Neural (phần tử xử lý PE). Hàm tổng m t Neural ối v i n input
ƣ t nh theo ng th s u:
∑
Hàm tổng ối v i nhiều Neural trong ng m t L yer
∑

32. 21
(a) Single Neural
Y = X1W1 + X2W2
PE = processing element
(b) Several Neurals
Transformation (Transfer) Function (Hàm chuyển đổi): Hàm tổng (Summ tion
Fun tion) m t Neural ho iết kh n ng k h ho t (A tiv tion) Neural ó òn
gọi là k h ho t ên trong (intern l tiv tion). C Neural này ó thể sinh r m t
output hoặ kh ng trong ANN (Có thể output 1 Neural ó thể ƣ huyển ến
l yer tiếp trong m ng Neural theo hoặ kh ng). Mối qu n hệ gi Intern l A tiv tion
và kết qu (output) ƣ thể hiện ằng hàm huyển ổi (Tr nsfer Fun tion).
Summation function: Y=3(0.2) +1(0.4) + 2(0.1) =1.2
Transformation (transfer) function: YT=1/(1+e-1.2
) = 0.77
Y1=X1W11 + X2W21
Y2=X1W12 + X2W22
Y3= X2W23

33. 22
Về việ l họn Tr nsfer Fun tion ó t ng l n ến kết qu ANN. Hàm
huyển ổi phi tuyến ƣ sử ụng phổ iến trong ANN là sigmoid (logical
activation) function.
YT = 1/ (1+ e-Y
)
Trong đó: YT là hàm huyển ổi và Y hàm tổng
Kết qu xử lý t i Neural (Output) i khi rất l n v vậy tr nsfer fun tion
ƣ sử ụng ể xử lý output này trƣ khi huyển ến l yer tiếp theo. Đ i khi th y
v sử ụng Tr nsfer Fun tion ngƣ i t sử ụng gi trị ngƣ ng (Threshol v lue) ể
kiểm so t output Neural t i m t l yer nào ó trƣ khi huyển
output này ến l yer tiếp theo. Nếu output m t Neural nào ó nhỏ hơn
Threshol th nó sẽ kh ng ƣ huyển ến l yer tiếp theo.
2.1.2 Mô hình mạng Neural nhân tạo
M ng Neural nh n t o (Artifi i l Neural Network) o gồm n t ( ơn vị xử
lý Neural) ƣ nối v i nh u ởi liên kết Neural. Mỗi liên kết k m theo m t trọng số
nào ó ặ trƣng ho ặ t nh k h ho t/ hế gi Neural. Có thể xem
trọng số là phƣơng tiện ể lƣu th ng tin ài h n trong m ng Neural và nhiệm vụ
qu tr nh huấn luyện là ập nhật trọng số khi ó thêm th ng tin về mẫu
h y nói m t h kh trọng số ƣ iều hỉnh s o ho ng iệu vào r nó
m phỏng hoàn toàn ph h p m i trƣ ng ng xem x t.
Trong m ng m t số Neural ƣ nối v i m i trƣ ng ên ngoài nhƣ output,
input.
Mỗi Neural nh n t o (n t) ƣ nối v i Neural kh và nhận t n hiệu xi từ
h ng v i trọng số wi tổng th ng tin vào ó trọng số là:

34. 23
∑
là thành phần tuyến t nh Neural. Hàm k h ho t f (hàm huyển) óng v i trò
iến ổi từ s ng t n hiệu output z.
z =f(a)
Trong ó:
- xi - c t n hiệu input;
- Wi - C trọng số tƣơng ng v i input;
- n - số input c a Neural;
- a - Tổng trọng số c a mỗi Neural;
- f - Hàm k h ho t;
- z - là output c a Neural y là thành phần phi tuyến c a Neural.
Hàm k h ho t f thƣ ng ó 3 ng h y ng trong th tế: hàm ng ƣ hàm
dấu & hàm singmo nhƣ h nh 2.4
 Hàm ng ƣ c:
 Hàm ấu

35. 24
 Hàm singmoi
Ở y ngƣ ng óng v i trò làm t ng t nh th h nghi và kh n ng t nh to n
m ng Neural. Sử ụng ký ph p ve tor X= (x1, x2 … xn) ve tor t n hiệu vào W =
(w1, w2 … wn) ve tor trọng số khi ó t ó:
Z = f(a), a=WS
Trƣ ng h p x t ngƣ ng t iểu iễn ve tor m i X’ = (x1, x2 … xn Ɵ) W = (w1,
w2 … wn, -1)
 Phân loại các mạng Neural
ANN là s liên kết Neur l nh n t o. S s p xếp ố tr Neur l và
h th liên hệ gi h ng t o nên kiến tr m ng Neur l.
Theo h s p xếp Neur l th ó kiến tr m ng m t l p (single-l yer) là m ng
hỉ ó m t l p r (h nh 2.7) và kiến tr m ng nhiều l p (multiple-l yer) là m ng ó
l p ẩn (h nh 2.8).
Theo h liên hệ gi neur l th t ó m ng Neur l truyền thẳng (feel-
forward Neural Network) và m ng Neur l hồi quy (re urrent Neur l Network).
Ngoài r òn m t lo i liên kết theo s ph n ố neur l trong kh ng gi n h i
hiều trong m t l p gọi là liên kết ên (l ter l one tion). V i liên kết này Kohonen
ã t o r lo i m ng t tổ h (Self – Organizing Neural Network).
Có thể ph n lo i m ng Neur l thành h i nhóm h nh trên thuật to n họ
h ng là lo i họ h ng là lo i họ ó gi m s t (supervise ) và họ n gi m
s t (unsupervise ).
 Khác nhau giữa mạng Neural truyền thẳng và Neural hồi qui
Trong m ng Neural truyền thẳng liên kết Neural i theo m t hƣ ng nhất
ịnh kh ng t o thành ồ thị ó hu tr nh (Dire te A y li Gr ph) v i ỉnh là
Neural ung là liên kết gi h ng (h nh 2.4).
Ngƣ l i m ng qui hồi ho ph p liên kết Neural t o thành hu tr nh. V
th ng tin r Neural ƣ truyền l i ho Neural ã góp phần k h ho t
h ng nên m ng qui hồi òn ó kh n ng lƣu gi tr ng th i trong nó ƣ i ng
ngƣ ng k h ho t ngoài trọng số liên kết Neural (h nh 2.5).

36. 25
Hình 2.5: M ng neural nhiều l p và truyền thẳng
Hình 2.6: M ng neural hồi qui
Theo số l p: C Neural ó thể tổ h l i thành l p s o ho mỗi Neural
l p này hỉ ƣ nối v i Neural ở l p tiếp theo kh ng ho ph p liên kết gi
Neural trong ng m t l p hoặ từ Neural l p ƣ i lên Neural l p trên. Ở y
ũng kh ng ho ph p liên kết Neural nh y qu m t l p.
Dễ àng nhận thấy rằng Neural trong ng m t l p nhận ƣ t n hiệu từ l p
trên ng m t l o vậy về nguyên t h ng ó thể xử lý song song. Th ng thƣ ng
l p Neural vào hỉ hịu tr h nhiệm truyền ƣ t n hiệu vào kh ng th hiện m t t nh
to n nào nên khi t nh số l p m ng ngƣ i t kh ng t nh l p vào.
a) M ng neural nhiều l p

37. 26
 Luật học của mạng Neural
Gi sử m ng Neural ó n Neural vào và m Neural r khi ó v i mỗi ve to
t n hiệu vào X = (x1 … xn) s u qu tr nh t nh to n Neural ẩn t nhận ƣ kết
qu r Z = (z1 z2 … zm). Theo nghĩ nào ó m ng Neural làm việ v i tƣ h m t
ng tr mà kh ng ần iết ng phụ thu hàm tƣ ng minh gi Z và X. Khi ó ó
thể viết:
Z=Tinh (X, NN)
C Neural trên ng m t l p ó thể t nh to n ồng th i o vậy ph t p t nh
to n nói hung sẽ phụ thu vào số l p m ng. C th ng số ấu tr m ng Neural bao
gồm: số t n hiệu input& output, số l p Neural, số Neural trên mỗi l p ẩn, số lƣ ng
liên kết mỗi Neural (liên kết ầy liên kết phận và liên kết ngẫu nhiên) và
c trọng số liên kết Neural.

38. 27
M ng Neural nhƣ m t hệ thống th h nghi ó kh n ng họ (huấn luyện) ể tinh
hỉnh trọng số liên kết ũng nhƣ ấu tr m ng s o ho ph h p v i mẫu
họ (s mples). Có lo i kỹ thuật họ :
 Học có giám sát (supervised learning)
M ng ƣ huấn luyện ằng h ung ấp ho nó ặp mẫu inputvà
output mong muốn (t rget v lues). C ặp ƣ ung ấp ởi “thầy gi o” h y ởi hệ
thống trên ó m ng ho t ng. S kh iệt gi output th tế so v i output
mong muốn ƣ thuật to n sử ụng ể th h ng trọng số trong m ng. Điều này
thƣ ng ƣ ƣ r nhƣ m t ài to n xấp xỉ hàm số - ho liệu huấn luyện o gồm
ặp mẫu inputx và m t h tƣơng ng t mụ h là t m r hàm f(x) thỏ mãn
tất mẫu họ input.
 Học bán giám sát (Unsupervised Learning)
V i h họ n gi m s t kh ng ó ph n hồi từ m i trƣ ng ể hỉ r rằng
output m ng là ng. M ng sẽ ph i kh m ph ặ trƣng iều hỉnh
mối tƣơng qu n h y l p trong liệu vào m t h t ng. Trong th tế ối
v i phần l n iến thể họ n gi m s t h tr ng v i input. Nói m t
h kh họ kh ng ó thầy lu n th hiện m t ng việ tƣơng t nhƣ m t m ng
t liên h p ọng th ng tin từ liệu vào.
 Học tăng cường
D liệu x thƣ ng kh ng ƣ t o trƣ mà ƣ t o r trong qu tr nh m t gent
tƣơng t v i m i trƣ ng. T i mỗi th i iểm t gent th hiện hành ng yt và m i
trƣ ng t o m t qu n s t xt v i m t hi ph t th i Ct theo m t quy tr nh ng nào
ó (thƣ ng là kh ng ƣ iết). Mụ tiêu là m t s h lƣ l họn hành ng ể
tiểu hó m t hi ph ài h n nào ó nghĩ là hi ph t h lũy mong i. Quy tr nh ho t
ng m i trƣ ng và hi ph ài h n ho mỗi s h lƣ thƣ ng kh ng ƣ iết
nhƣng ó thể ƣ lƣ ng ƣ . M ng Neural nh n t o thƣ ng ƣ ng trong họ

39. 28
t ng ƣ ng nhƣ m t phần thuật to n toàn ụ . C ài to n thƣ ng ƣ gi i
quyết ằng họ t ng ƣ ng là ài to n iều khiển trò hơi và nhiệm vụ quyết
ịnh tuần t (sequenti l e ision m king) kh .
2.1.3 Mạng truyền thẳng
M t m ng truyền thẳng nhiều l p o gồm m t l p vào m t l p r và m t hoặ
nhiều l p ẩn. C Neural input th hất kh ng ph i Neural theo ng nghĩ ởi
lẽ h ng kh ng th hiện ất kỳ m t t nh to n nào trên liệu vào ơn gi n nó hỉ
tiếp nhận liệu vào và huyển ho l p kế tiếp. C Neural ở l p ẩn và l p r
m i th s th hiện t nh to n kết qu ƣ ịnh ng ởi hàm output (hàm
huyển). Cụm từ “truyền thẳng” (fee forw r ) (kh ng ph i là tr i nghĩ l n
truyền ngƣ ) liên qu n ến m t th tế là tất Neural hỉ ó thể ƣ kết nối
v i nh u theo m t hƣ ng: t i m t h y nhiều Neural kh trong l p kế tiếp (lo i
trừ Neural ở l p r ). Trong nhiều ng ụng th tế ể ơn gi n ngƣ i t thƣ ng
sử ụng m ng ó 1 l p ẩn số Neural trong l p ẩn ƣ x ịnh trên kinh
nghiệm trên kỹ thuật t m kiếm kh nh u
Trong ó:
 P - Vector input (vector c t);
 Wi - Ma trận trọng số c Neural l p th I;
 (sixi - s hàng (Neural) - R c t (số input))
 bi - Ve tor lệch (bias) c a l p th i (Six1: cho S Neural);
 ni - net input (Six1);
 fi - Hàm huyển (hàm k h ho t);
 ai - net output (Six1);
 ⊕ - Hàm tổng th ng thƣ ng.
Mỗi liên kết g n v i m t trọng số trọng số này ƣ thêm vào trong qu tr nh
t n hiệu i qu liên kết ó. C trọng số ó thể ƣơng thể hiện tr ng th i k h th h
h y m thể hiện tr ng th i kiềm hế. Mỗi Neural t nh to n m k h ho t h ng

40. 29
ằng h ng tổng inputvà ƣ r hàm huyển. M t khi output tất
Neural trong m t l p m ng ụ thể ã th hiện xong t nh to n th l p kế tiếp ó thể
t ầu th hiện t nh to n m nh ởi v output l p hiện t i t o r input l p
kế tiếp. Khi tất Neural ã th hiện t nh to n th kết qu ƣ tr l i ởi
Neural output. Tuy nhiên ó thể là hƣ ng yêu ầu khi ó m t thuật to n huấn
luyện ần ƣ p ụng ể iều hỉnh th m số m ng.
Trong h nh 2.9 số Neural ở l p th nhất và l p th h i tƣơng ng là S1 và S2.
M trận trọng số ối v i l p tƣơng ng là W1
và W2
. Có thể thấy s liên kết gi
l p m ng thể hiện trong h nh vẽ: ở l p th 2 ve tor ầu vào h nh là net output
l p th nhất.
Tƣơng t nhƣ vậy nếu thêm vào l p kh n vào trong ấu tr này th l p
m ng uối ng thƣ ng là l p ho r kết qu toàn m ng l p ó gọi là l p r
(Output Layer). M ng ó nhiều l p ó kh n ng tốt hơn là m ng hỉ ó m t l p
hẳng h n nhƣ m ng h i l p v i l p th nhất sử ụng hàm sigmoi và l p th h i
ng hàm ồng nhất ó thể p ụng ể xấp xỉ hàm to n họ kh tốt trong khi
m ng hỉ ó m t l p th kh ng ó kh n ng này. X t trƣ ng h p m ng ó h i l p nhƣ
h nh vẽ ng th t nh to n ho output nhƣ s u:
a2
= f2
(W2
(f1
(W1
P + b1
)) + b2
)
Trong ó ý nghĩ ký hiệu nhƣ ã nêu trong h nh vẽ 2.9
2.1.4 Thuật toán lan truyền ngƣợc (Back-Propagation)
Cần ó m t s ph n iệt gi kiến tr m t m ng và thuật to n họ nó
m t trong mụ trên mụ h là nhằm làm r yếu tố về kiến tr
m ng và h mà m ng t nh to n output từ tập input. S u y là m t
thuật to n họ sử ụng ể iều hỉnh hiệu n ng m ng s o ho m ng ó kh n ng
sinh r ƣ kết qu mong muốn.
Về ơ n ó h i ng thuật to n ể luyện m ng: họ ó gi m s t và n gi m
s t. C m ng Neural truyền thẳng nhiều l p ƣ luyện ằng phƣơng ph p họ ó
gi m s t. Phƣơng ph p này n n trên việ yêu ầu m ng th hiện h n ng
nó và s u ó tr l i kết qu kết h p kết qu này v i output mong muốn ể
iều hỉnh th m số m ng nghĩ là m ng sẽ họ th ng qu nh ng s i sót
nó. Về ơ n thuật to n l n truyền ngƣ là ng tổng qu t thuật to n trung nh
nh phƣơng tối thiểu (Le st Me ns Squ re-LMS). Thuật to n này thu ng thuật
to n xấp xỉ ể t m iểm mà t i ó hiệu n ng m ng là tối ƣu. Chỉ số tối ƣu
(performance index) thƣ ng ƣ x ịnh ởi m t hàm số m trận trọng số và
input nào ó mà trong qu tr nh t m hiểu ài to n ặt r .
2.2. MÔ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN NĂNG
Theo nhƣ ph n t h ở trên L n truyền ngƣ (backpropagation) là gi i thuật ốt
l i gi p ho m h nh họ s u ó thể ễ àng th thi t nh to n ƣ . V i

41. 30
m ng ANN hiện i nh gi i thuật này mà thuật to n tối ƣu v i o hàm (gradient
descent) ó thể nh nh hơn hàng triệu lần so v i h th hiện truyền thống.
Mặ l n truyền ngƣ ƣ sử ụng ho họ s u nhƣng nó òn là ng ụ t nh
to n m nh mẽ ho nhiều lĩnh v kh từ o th i tiết t i ph n t h t nh ổn ịnh số
họ hỉ ó iều là nó ƣ sử ụng v i nh ng tên kh nh u.
Do ó t gi ề xuất sử ụng sử ụng m ng Neural nhiều l p p ụng thuật
to n l n truyền ngƣ trong ài to n o phụ t i iện ng n h n.
2.2.1. Mạng Neural và phƣơng trình hồi quy tuyến tính trong mô hình dự
áo
M t m ng Neural là m t m h nh t nh to n ƣ x ịnh qu th m số: kiểu
Neural (nhƣ là n t nếu t oi m ng Neural là m t ồ thị) kiến tr kết nối (s
tổ h kết nối gi Neural) và thuật to n họ (thuật to n ng ể họ ho m ng)
[4].
Đặ iểm h nh ANN [5]
- Phi tuyến. Cho ph p xử lý phi tuyến;
- Cơ hế nh x vào → ra (x→ (x)) ho ph p họ ó gi m s t;
- Cơ hế th h nghi. Th y ổi tham số ph h p v i m i trƣ ng;
- Đ p ng theo mẫu ào t o. Đƣ c thiết kế kh ng nh ng cung cấp th ng tin
về mẫu ào t o mà òn ho iết m c tin cậy c nó;
- Th ng tin theo ng c nh. Tri th ƣ c biểu diễn t y theo tr ng th i và
kiến tr a ANN;
- Cho ph p ó lỗi (fault tolerance);
- T h h p l n, VLSI (very large scale Intergrated);
- Phòng sinh học.
M t m ng Neural ó h n ng nhƣ là m t hàm nh x F: X → Y ó thể xem là
m t m h nh t nh to n y = f(x)
Trong ó:
- x: là tr ng th i input;
- y: là tr ng th i output.
C m ng hỉ ơn gi n làm nhiệm vụ nh x ve tor inputx ∈ X s ng
vector output y ∈ Y th ng qu “ lọ ” (filter) trọng số.
Y = F(x) = s (W x). Trong ó: W là m trận trọng số liên kết.
Sự tương đồng giữa mô hình hồi quy tuyến tính và ANN trong bài toán dự
báo nhu cầu điện năng
M t ANN ó thể ƣ xem nhƣ là m t m h nh t nh to n Y = F(X) v i X là
ve to số liệu input ( iến lập) và Y là ve to số liệu output ( iến phụ thu ). Trong
trƣ ng h p m ng Neur l ơn l p tối gi n gọi là ADALINE mối qu n hệ input –
output hoàn toàn tƣơng ồng v i phƣơng tr nh hồi quy tuyến t nh.

42. 31
∑
V i y là ầu r m ng h nh là iến o nhu ầu iện n ng xi là
iến lập. C wi là trọng số m ng tƣơng ồng v i hệ số phƣơng
tr nh hồi quy tuyến t nh.
Sự khác biệt giữa mô hình hồi quy tuyến tính và ANN trong bài toán dự báo
nhu cầu điện năng
Kh iệt h nh gi h i lĩnh v này là hồi quy tuyến t nh tập trung vào
ài to n tuyến t nh trong khi ó ANN l i tập trung vào ài to n phi tuyến. Ch nh
v xử lý mối qu n hệ input – output th ng qu n t ẩn trong l p ẩn v i th m
số ặ trƣng là trọng số liên kết gi n t wij và hàm ho t hó m ng mà
ANN ó kh n ng xử lý qu tr nh phi tuyến.
2.2.2. Bài toán dự áo phụ tải điện sử dụng mạng nerural nhân tạo
D vào hệ thống phụ t i iện Thành phố Qu ng Ngãi và yếu tố nh hƣởng ến
phụ t i t ó thể nêu r ài to n o phụ t i ng n h n.
 Dự báo phụ tải ngắn hạn
D o phụ t i lƣ i iện ho 24h tiếp theo nhằm ƣ r gi trị phụ t i o
theo từng gi ngày tiếp theo s t v i th tế vận hành trong ó gi m s i số là vấn
ề m ng t nh hiến lƣ trong qu tr nh o.
Ph n t h so s nh ồ thị phụ t i Thành phố Qu ng Ngãi trong th i gi n ài
thấy ƣ kiểu ồ thị phụ t i ngày h yếu ị nh hƣởng ởi thói quen tổ h sinh
ho t và ĐTPT ó mối liên qu n hặt hẽ v i m i trƣ ng ho t ng ngày làm việ
ngày nghỉ lễ tết …Còn y và ỉnh phụ t i là hàm iến thiên theo th i tiết.
D vào yếu tố nh hƣởng t i ph n t h th m số ần thiết ho ài to n:
Tập th m số inputxi (input):
- C gi trị phụ t i c a th i gi n trƣ ó: P;
- Nhiệt nh hƣởng ến phụ t i: T;
- C ngày ặ trƣng: D;
Th m số 1 n t output h nh là gi trị phụ t i iện o n: Y;
Số Neural trong l p ẩn (Hi en): K
ANN ó thể m t nhƣ s u: m ng Neural sẽ th hiện ph p nh x iến
lập xi vào iến phụ thu Y. Ở y ANN sử ụng liệu thử gi xi và Y ể họ
mối liên hệ gi h ng th ng qu gi i thuật họ và hàm k h ho t ể t m r
th m số m ng là trọng số Wij g n trên ung liên kết gi n t trong
m ng. S u qu tr nh họ s i số gi input và output t ƣ gi trị ngƣ i ng
mong muốn và ƣ lƣu l i ể th hiện qu tr nh o s u này ằng ph p nh x
input và output.
Tải bản FULL (73 trang): bit.ly/2Ywib4t
Dự phòng: fb.com/KhoTaiLieuAZ

43. 32
 Dạng đồ thị phụ tải điện
- X ịnh gi trị phụ t i ỉnh là Pmax.
- X ịnh gi trị phụ t i y là Pmin.
- Gi trị phụ t i gi th i là P(i) v i i = 1÷ 24 ng v i 24h trong ngày.
T ó ng th c sau:
Pn(i): là phụ t i quy chuẩn hó a gi th i.
D vào ng th trên t t nh ƣ gi trị phụ t i quy chuẩn c 24h trong ngày.
Khi ã o ƣ c Pmax và Pmin trong ngày nếu t x ịnh ƣ ồ thị phụ t i quy
chuẩn th t sẽ x ịnh ƣ g trị Pn(i) v i i=1÷24 ta sẽ x ịnh ƣ c phụ t i c a
từng gi trong ngày. Từ ng th (1.1) t x ịnh ƣ c:
P(i)= Pmin + (Pmax – Pmin) Pn(i)
Qu ph n t h nêu trên ó thể i ến kết luận: Để d o ƣ c phụ t i từng gi
cho m t ngày ụ thể, ta cần d o ƣ gi trị phụ t i ỉnh Pmax và phụ t i y Pmin
c ngày ó và t m r Ve tor ĐTPT Pn(i) c ngày ần d o.
Tóm l i ũng nhƣ o kh o phụ t i ngày ph i d vào số liệu
thống kê ph n t h và p ụng thuật to n ể x ịnh mối quan hệ gi a phụ t i và
yếu tố nh hƣởng, từ ó x y ng phƣơng ph p o phụ t i ngày trên
yếu tố nh hƣởng ã ƣ nêu.
 Đỉnh và đáy của đồ thị phụ tải
H i gi trị phụ t i ặ iệt trong ngày mà ƣ kỹ sƣ vận hành ũng nhƣ
ngƣ i làm phƣơng th ngày qu n t m nhiều nhất ó là phụ t i o iểm và phụ t i
thấp iểm. Đ y ũng h nh là mụ tiêu qu n trọng hàng ầu trong ài to n o phụ
t i iện. T nh kinh tế hiệu qu phƣơng th vận hành ũng nhƣ hƣ ng ầu tƣ ph t
triển trong tƣơng l i HTĐ phụ thu rất l n vào việ o và h nh x
việ o h i gi trị này. Có nhiều phƣơng ph p ó thể p ụng ể o Pm x và
Pmin. nhƣ o theo phƣơng ph p ngo i suy theo th i gi n phƣơng ph p hồi quy
tuyến t nh… Trong luận v n này hỉ nghiên u phƣơng ph p DBPT sử ụng m ng
Neural nh n t o.
S u khi ã x ịnh ƣ h i gi trị qu n trọng nhất Pm x và Pmin trên ĐTPT th
gi trị phụ t i kh trong ngày sẽ ƣ x ịnh theo mối qu n hệ h ng. Vậy
nếu iết ƣ ng ồ thị phụ t i quy huẩn t là gi trị Pn(i) x ịnh ƣ
Pm x và Pmin trong ngày t sẽ t nh ƣ phụ t i từng gi theo ng th (1.1).
2.2.3. Xây dựng cấu trúc mạng
Th ng tin ến Neural nh n t o qu nh ng input(input) mỗi input ƣ nh n ởi
m t hàm trọng số trƣ khi i vào Neural. Neural s u ó tổng h p tất liệu
Tải bản FULL (73 trang): bit.ly/2Ywib4t
Dự phòng: fb.com/KhoTaiLieuAZ

44. 33
input ã ƣ gi trọng s i số và xử lý tổng qu m t hàm huyển ổi trƣ khi truyền
th ng tin t i nh ng output [5].
Theo phần Bài to n o phụ t i iện sử ụng m ng nerur l nh n t o (2.2.2) t
x y ng ấu tr m ng nhƣ h nh 2.10
Thuật toán học theo phương pháp lan truyền ngược sai số
Thuật to n họ theo phƣơng ph p l n truyền ngƣ c sai số ƣ p ụng cho
m ng truyền thẳng nhiều l p trong ó Neural ó thể sử dụng hàm huyển là
hàm liên tụ ó ng kh nh u.
Thuật to n sử dụng m t tập mẫu gồm ặp input– output ể luyện m ng.
V i mỗi cặp input– output (xi, Y) thuật to n l n truyền ngƣ c sai số th c hiện hai giai
o n sau:
- Giai đoạn thứ nhất: mẫu input xi ƣ c truyền từ l p vào t i l p r và t
ó kết qu output t nh to n ƣ là Y;
- Giai đoạn thứ hai: t n hiệu lỗi ƣ t nh to n từ s kh nh u gi a output
qu n s t ƣ c: Yqs v i output t nh to n Y sẽ ƣ c lan truyền ngƣ c l i từ
l p r ến l p trƣ ể iều chỉnh trọng số c a m ng. Để làm v
dụ t x t m ng truyền thẳng ó m t l p ẩn ƣ i y ối v i m ng ó
k h thƣ c l n hơn th th o t ũng tƣơng t .
12d9dc0f