RealEDU.

1. BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
---------------------------------------
Quản Quốc Cường
ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG
DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN
Chuyên ngành: Kỹ thuật Điện
LUẬN VĂN THẠC SĨ KỸ THUẬT
KỸ THUẬT ĐIỆN
CHỦ TỊCH HỘI ĐỒNG NGƯỜI HƯỚNG DẪN KHOA HỌC
TS. NGUYỄN XUÂN TÙNG TS. NGUYỄN ĐỨC HUY
Hà Nội – Năm 2014

2. i
M C
ỤC LỤ
LỜI CAM ĐOAN ..................................................................................................... iii
LỜI CẢM ƠN…………. .......................................................................................... iv
DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT.......................................................v
DANH MỤC CÁC BẢNG........................................................................................ vi
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ .................................................................. vii
MỞ ĐẦU………….....................................................................................................1
CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI ..........................................5
1.1 ...................................................................................5
GIỚI THIỆU CHUNG
1.2 T N.........................................................5
CÁC LOẠI DỰ BÁO PHỤ ẢI ĐIỆ
1.3 ................6
CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN
1.3.1 (Similar-day approach) .......................7
Mô hình áp dụng ngày tương tự
1.3.2 i quy (Regression methods)..........................................7
Phương pháp hồ
1.3.3 i th i gian ng ..........................7
Các mô hình chuỗ ờ ẫu nhiên (Time series)
1.3.4 M ...............................................................8
ạng nơron (Neural Network)
1.3.5 Phương pháp chuyên gia (Expert systems)...........................................10
1.3.6 (Fuzzy logic) ........................................................................10
Lôgic mờ
1.3.7 (Support vector machines). ......................................10
Máy vectơ hỗ trợ
1.4 T I....................................................11
PHỤ ẢI ĐIỆN THÀNH PHỐ HÀ NỘ
1.4.1 n ....................................................................................11
Ngày trong tuầ
1.4.2 ................................................................12
Các ngày đặc biệt trong năm
1.4.3 ..............................................................................13
Thời tiết trong ngày
1.4.4 K ho n. ....................................13
ế ạch sửa chữa lớn trong ngày có cắ ệ
t đi
CHƯƠNG 2: TỔNG QUAN VỀ MẠNG NƠRON .............................................14
2.1 C.................................................................15
MÔ HÌNH NƠRON SINH HỌ
2.1.1 n t x .........................................................................................16
Phầ ử ử lý
2.2 ..................................................18
MÔ HÌNH CẤU TRÚC MẠNG NƠRON
2.2.1 M ng truy n th ng m t l p ..................................................................19
ạ ề ẳ ộ ớ

3. ii
2.2.2 M u l p...........................................................................19
ạng nơron nhiề ớ
2.3 .................................................20
CÁC TÍNH CHẤT CỦA MẠNG NƠRON
2.4 C........................................................................................20
CÁC LUẬT HỌ
2.4.1 H .....................................................................................21
ọc có giám sát
2.4.2 H ng c ..........................................................................................22
ọc củ ố
2.4.3 H ..........................................................................22
ọc không có giám sát
2.5 M .................................................................................23
ẠNG NƠRON MLP
2.5.1 C ng MLP..............................................................................23
ấu trúc mạ
2.5.2 a m ng MLP...............................................................24
Quá trình học củ ạ
2.6 V M NG H ......27
Ấ Ề
N Đ Ạ ỌC QUÁ KHỚP VÀ MẠNG HỌC KHÔNG ĐỦ
CHƯƠNG 3: DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN VỚI SỐ LIỆU THU
THẬP TỪ ISO-NEW ENGLAND ...........................................................................30
3.1 T N................................30
XÂY DỰNG BÀI TOÁN DỰ BÁO PHỤ Ả Ệ
I ĐI
3.2 D T N H
Ự BÁO PHỤ Ả Ệ
I ĐI N NGẮ ẠN DÙNG MẠNG NƠRON MLP
(24xNx24)..............................................................................................................33
3.3 T
MÔ HÌNH DỰ BÁO PHỤ Ả ỆN DÙNG MẠNG NƠRON MLP
I ĐI
(6xNx1)..................................................................................................................36
3.4 T I ........................................40
SO SÁNH HAI MÔ HÌNH DỰ BÁO PHỤ Ả
3.5 K .......................................................42
ẾT LUẬN NỘI DUNG CHƯƠNG 3
CHƯƠNG 4: ỨNG DỤNG MẠNG NƠRON NHÂN TẠO TRONG DỰ BÁO
PHỤ TẢI ĐIỆN NGẮN HẠN CHO THÀNH PHỐ HÀ NỘI..................................43
4.1 XÂY DỰNG MÔ HÌNH DỰ BÁO ÁP DỤNG CHO THÀNH PHỐ HÀ
N I 43
Ộ
4.1.1 t .................44
Mô hình dự báo phụ ải điện dùng mạng nơron (24xNx24)
4.1.2 t .................47
Mô hình dự báo phụ ải điện dùng mạng nơron (27xNx24)
4.1.3 t .................49
Mô hình dự báo phụ ải điện dùng mạng nơron (31xNx24)
4.1.4 t .................51
Mô hình dự báo phụ ải điện dùng mạng nơron (34xNx24)
4.2 K .......................................................53
ẾT LUẬN NỘI DUNG CHƯƠNG 4
TÀI LIỆU THAM KHẢO.........................................................................................56
PHỤ LỤC………….................................................................................................... I

4. iii
LỜI CAM ĐOAN
n. u s d ng trong lu n
Tôi xin cam đoan luận văn này do tôi thực hiệ Các số liệ ử ụ ậ
văn đượ ậ ự ế ế ả phân tích và tính toán ận văn
c thu th p th c t , k t qu trong lu là trung
thự ểu trong các tài liệ
c và do tôi tìm hi u.
Học viên
n Qu ng
Quả ốc Cườ

5. iv
LỜI CẢM ƠN
Luận văn thạc sĩ k thu n v
ỹ ật chuyên ngành Kỹ thuật điệ ới tên đề tài là “Ứng
d o trong d t n n h n
ụng mạ ạ
ng nơron nhân t ự báo phụ ải điệ ngắ ạ ” được hoàn thành
vào tháng 9 năm 2014.
xin g i l i c n TS.Nguy
Em ử ờ ảm ơn sâu sắc đế thầy ễn Đức Huy, người đã giúp đỡ
em r t nhi c hi n lu c b
ấ ều trong quá trình thự ệ ận văn. Xin cảm ơn các thầy cô thuộ ộ
môn Hệ ống điệ – ện Điệ – ờng Đạ ọc Bách Khoa Hà Nội đã có nhữ
th n Vi n Trư i h ng
góp ý quý báu về ộ ủa đề tài. Đồ ờ ảm ơn ới các bạn bè, đồ
n i dung c ng th i, c t ng
nghi nhi ng m
ệp đã cùng tôi trao đổi và giúp tôi tháo gỡ ều vướ ắc trong quá trình
thực hiện.
xin g i t , nh
Qua đây ử ới gia đình và người thân trong gia đình ững người luôn
quan tâm, động viên, khích lệ ốt quá trình họ ập và nghiên cứ
trong su c t u.
Do th n, ch c ch n lu i nh ng thi
ời gian có hạ ắ ắ ận văn không tránh khỏ ữ ếu sót. Em
kính mong các thầy cô chỉ ả ạn bè ... đóng góp ý kiến để em có thể hoàn thiệ
b o, b n,
tiế ục nghiên cứu và phát triển đề
p t tài.
Xin chân thành cảm ơn!
Hà Nội, tháng 9 năm 2014
n Qu ng
Quả ốc Cườ

6. v
DANH M VI
ỤC CÁC KÝ HIỆ Ữ
U, CH Ế Ắ
T T T
ANN
Applications Neural
Network
Mạng nơron nhân tạo
MSE
Mean Sum of Squares
Errors
Trung bình tổng bình phương sai số
SSE Sum of Squares Errors Tổng bình phương sai số
APE Absolute Percent Error Tính sai số phần trăm tuyệt đối
MAPE
Mean Absolute Percent
Error
Tính trung bình sai số phần trăm
tuyệt đối
STLF
Short term Load
–
Forecasting
Dự báo phụ tải ngắn hạn
MTLF
Medium term Load
–
Forecasting
Dự báo phụ tải trung hạn
LTLF
Long –term Load
Forecasting
Dự báo phụ tải dài hạn
MLP - layer Feedforw
Multi ard Mạng truyền nhiều lớp
SVM Support Vector Machines Máy vectơ hỗ trợ

7. vi
DANH M NG
ỤC CÁC BẢ
B ng 3.1 K d t - 28/06/2014 (ANN 24x20x24) ...................34
ả ết quả ự báo phụ ải từ 22
B ng 3.2 K d t .....................35
ả ết quả ự báo phụ ải ngày 30/06/2014 (ANN 24x20x24)
B ng 3.3 K d t -28/06/2014 (ANN 6x20x1)................37
ả ết quả ự báo phụ ải từ ngày 22
B ng 3.4 K d t .........................38
ả ết quả ự báo phụ ải ngày 30/06/2014 (ANN 6x20x1)
B ng 3.5 K t .......................................40
ả ết quả so sánh dự báo phụ ải của hai mô hình
B ng 4.1 K d t ................................46
ả ết quả ự báo phụ ải ngày 08/11/2012 (24xNx24)
B ng 4.2 K d t ................................48
ả ết quả ự báo phụ ải ngày 08/11/2012 (27xNx24)
B ng 4.3 K d t ................................50
ả ết quả ự báo phụ ải ngày 08/11/2012 (31xNx24)
B ng 4.4 K d t ................................52
ả ết quả ự báo phụ ải ngày 08/11/2012 (34xNx24)

8. vii
DANH MỤC CÁC HÌNH VẼ, ĐỒ Ị
TH
Hình 1.1. Đồ ị ụ ả ặc trưng trong tuầ
th ph t i các ngày đ n............................................12
Hình 1.2. Đ Hà N
ồ ị ụ ả ố
th ph t i thành ph ội hai ngày 1/1/2012, 6/1/2012.................12
Hình 1.3. Đồ ị ụ ải ngày hai ngày có nhiệ ộ khác
th ph t t đ ..........................................13
Hình 2.1. Mô hình mộ ạng nơron sinh họ
t d c ............................................................15
Hình 2.2 Mô hình phầ ử ử lý (mô hình một nơron) thứ ạ
n t x i, d ng M-P...................16
Hình 2.3 Mạng nơron truyề ẳ ộ ớ
n th ng m t l p .............................................................19
Hình 2.4 Mạng nơron truyề ẳ ề ớ
n th ng nhi u l p...........................................................20
Hình 2.5 Sơ ba ki u h a m ............................................................22
đồ ể ọc củ ạng nơron
Hình 2.6 Mô hình mạ ộ ớ ẩ
ng MLP m t l p n.................................................................23
Hình 3.1 Đồ ị ự báo phụ ải ngày 30/06/2014 (ANN 24x20x24)
th d t ........................34
Hình 3.2 Đồ ị ự báo phụ ải ngày 30/06/2014 (ANN 6x20x1)
th d t ............................37
Hình 3.3 Đồ ị ự báo phụ ải ngày 22
th d t -28/06/2014 (ANN 6x20x1).......................39
Hình 3.4 Đồ ị so sánh dự báo phụ ả ủa hai mô hình
th t i c ..........................................41
Hình 4.1 Đồ ị ự báo phụ ải ngày 08/11/2012 (24xNx24)
th d t ...................................45
Hình 4.2 Đồ ị ự báo phụ ải ngày 08/11/2012 (27xNx24)
th d t ...................................47
Hình 4.3 Đồ ị ự báo phụ ải ngày 08/11/2012 (31xNx24)
th d t ...................................49
Hình 4.4 Đồ ị ự báo phụ ải ngày 08/11/2012 (34xNx24)
th d t ...................................51

9. `1
M U
Ở ĐẦ
1. Lý do chọn đề tài
Trong giai đoạn thực hiện tiến trình công nghiệp hóa, hiện đại hóa đất nước đã
đẩy nhanh sự phát triển của nền kinh tế, ứng dụng các thành tựu khoa học công
nghệ dẫn đến nhu cầu sử dụng điện tăng cao. Vấn đề đặt ra cho ngành điện xây
dựng các công cụ dự báo phụ tải điện, làm cơ sở cho công tác thiế ế ạ ệ
t k quy ho ch h
thống điệ ục đích củ ự báo phụ ả trong tương lai dựa vào các quan sát trong
n. M a d t i
quá khứ ụ ụ cho công tác quy hoạ ồn lướ ệ ống điệ ụ ụ
, ph c v ch ngu i trong h th n, ph c v
cho công tác điều độ ệ ống (Có kế ạ ẩ ị ẵn sàng đáp ứ ụ ả
h th ho ch chu n b s ng ph t i).
D l t khoa h u v
ự báo à mộ ọc còn non trẻ, trong đó có nhiề ấn đề chưa hình thành
trọ ẹn. Đối tượng nghiên cứ ủ ọc này là các phương pháp dự báo và
n v u c a khoa h
ph m vi ng d i, kinh t , k thu t D t khoa
ạ ứ ụng là các hiện tượng xã hộ ế ỹ ậ … ự báo là mộ
h c quan tr ng, nh m m u nh n khoa h
ọ ọ ằ ục đích nghiên cứ ững phương pháp luậ ọc, làm
cơ sở ệc đề ất các dự báo cụ ể cũng như việc đánh giá mức độ ậ
cho vi xu th tin c y,
m n u d u v
ức độ chính xác của các phương pháp dự báo – ế ự báo sai lệch quá nhiề ề
kh ng s d n h u qu t trong
ả năng cung cấp và nhu cầu năng lượ ẽ ẫn đế ậ ả không tố
ngành kinh tế ế ự báo quá thừ ề ụ ả ẽ ải huy độ ồn quá lớn làm
. N u d a v ph t i s ph ng ngu
tăng vốn đầu tư dẫn đến lãng phí vốn đầu tư và không khai thác hết côn ấ ế
g su t thi t
b c l i n u d u ph t i s d n cung c cho nhu
ị, ngượ ạ ế ự báo thiế ụ ả ẽ ẫn đế ấp điện không đủ
c u c a ph t i, gi tin c y cung c t h i cho n n kinh t qu
ầ ủ ụ ả ảm độ ậ ấp điện gây thiệ ạ ề ế ốc
dân. Vì vậy tác giả ự ện đề tài “
th c hi Ứ ụ ạ nhân tạ ự báo
ng d ng m ng nơron o d
trong
ph t n n h n
ụ ải điệ ngắ ạ ” nhằm phát huy tính chất ưu việ ủ ạ nơron nhân tạ
t c a m ng o
trong công tác dự báo phụ ả
t i.
2. Lịch sử nghiên cứu
Hiện nay đã có rất nhiều đề tài khoa học, bài báo và tài liệu trong nước, nước
ngoài nghiên cứu về phương pháp sử dụng mạng nơr nhân tạo để dự báo ngắn
on
hạn phụ tải điện.

10. `2
Tại Việt Nam:
Bài toán dự báo phụ tải ngắn hạn được giải quyết bằng nhiều phương pháp khác
nhau như: Phương pháp ngoại suy, phương pháp san bằng hàm mũ, phương pháp
hồi quy đa biến đã được đề xuất trong dự báo phụ tải ngắn hạn. Có thể nhận thấy
...
rằng nhược điểm của các phương pháp trên là mô hình dự báo lượng điện năng tiêu
thụ chỉ hiệu quả đối với một số ngày bình thường nhưng không hiệu quả đối với tất
cả các ngày. Phụ tải là một đại lượng phụ thuộc (phi tuyến) vào rất nhiều yếu tố, có
thể kể tới sự phụ thuộc của lượng điện tiêu thụ vào các thông số thời tiết như nhiệt
độ, độ ẩm...
Một số đề tài nghiên cứu, ứng dụng mạng nơron vào công tác dự báo phụ tải
điện ngắn hạn cho hệ thống điện Việt Nam như:
 TSKH. Trần Kỳ Phúc – Viện năng lượng với đề tài “Nghiên cứu ứng dụng
mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn”.
 Phạm Anh Cường, Phạm Văn Hiền – Công ty Điện lực Gia Lai, Đại học
Bách Khoa Đà Nẵng với bài viết “ Ứng dụng mạng nơron nhân tạo để dự báo
phụ tải điện tỉnh Gia Lai”.
 Trần Thị Hoàng Oanh, Đồng Sĩ Thiên Châu, Trần Hoàng Lĩnh, Nguyễn Kỳ
Tài – Viện nghiên cứu phát triển năng lượng, ĐHBK TP. Hồ Chí Minh với
bài viết “Ứng dụng mạng nơron song tuyến trong bài toán dự báo phụ tải
điện”.
T :
rên thế giới
Đầu những năm 90 mô hình dự báo bằng mạng nơron được nghiên cứu và phát
triển. Bởi vì mạng nơron thể áp dụng trong các dự báo dài hạn, dự báo trung hạn và
dự báo ngắn hạn cho kết quả khá chính xác. Mô hình mạng nơron dự báo phụ tải
đang được áp dụng ở rất nhiều nước có thị trường điện phát triển trên thế giới. Các
mô hình mạng nơron thường có cấu trúc tổng thể giống nhau. Một số nghiên cứu,
ứng dụng và bài viết về mạng nơron như:

11. `3
 D.C.Park, M.A. EL-Sharkawi, R.J.Marks II, L.E Atlas and M.J Damborg –
University of Washington “ Electric Load Forecasting Using An Artification
Neural Network”, IEEE Trans, 1991
 Rui Zhang, Zhao Yang Dong, Yan Xu, Ke Meng, Kit Po Wong University
–
of Newcastle, Newcastle, Australia “Short-term load forecasting of
Australian National Electricity Market by an ensemble model of extreme
learning machine”, 2012
3. Mục đích nghiên cứu của luận văn, đối tượng, phạm vi nghiên cứu.
3.1 Mục đích nghiên cứu:
Mục đích của đề tài là đề xuất phương pháp dự báo phụ tải điện ngắn hạn dựa
vào mạng nơron, đưa ra mô hình dự báo phù hợp nhất để thu được kết quả tốt với
sai số của dự báo trong khoảng cho phép.
3.2 Đối tượng nghiên cứu:
Tìm hiểu về mạng nơron nhân tạo, các mô hình và phương pháp dự báo phụ tải
điện hiện nay, các yếu tố ảnh hưởng đến phụ tải điện ngắn hạn. Lựa chọn phương
pháp để dự báo phụ tải ngắn hạn dựa vào mạng nơron.
3.3 Phạm vi nghiên cứu:
Luận văn nghiên cứu đồ thị phụ tải và xây dựng mô hình dự báo phụ tải điện
ngắn hạn áp dụng cho thành phố Hà Nội.
3.4 i
Ý nghĩa khoa học và thực tiễn của đề tà
Trong dự báo phụ tải điện hiện nay tại nước ta có rất nhiều phương pháp dự báo.
Mô hình sử dụng mạng nơron được ứng dụng trong công tác dự báo phụ tải. Các mô
hình đó đã xét đến các vấn đề về phụ tải, nhiêt độ, kiểu ngày dự báo. Nhưng bên
cạnh đó phụ tải hệ thống điện còn phụ thuộc cả vào độ ẩm, số giờ sáng, tốc độ
gió… Trong luận văn này đưa ra các mô hình sử dụng mạng nơron để giải quyết bài
toán dự báo phụ tải có xét đến các yếu tố về thời tiết như độ ẩm, tốc độ gió. Đánh
giá sai số dự báo trong mỗi mô hình và lựa chọn mô hình tối ưu nhất để ứng dụng
dự báo phụ tải cho thành phố Hà Nội.

12. `4
4. Nội dung luận văn
Chương 1 Tổng quan về dự báo phụ tải
-
- Trình bày tổng quan về dự báo phụ tải điện, và các phương pháp dự báo phụ
tải ngắn hạn.
- Phân tích phụ tải điện của thành phố Hà Nội, các yếu tố ảnh hưởng chủ yếu
đến phụ tải điện.
Chương 2 g quan về mạng nơron nhân tạo
- Tổn
- Giới thiệu tổng quan về mạng nơron nhân tạo cấu trúc, mô hình, các luật học
của mạng nơron.
- .
Trình bày khái quát về mạng MLP, về cấu trúc, quá trình huấn luyện mạng
Chương 3 –Dự báo phụ tải điện ngắn hạn với số liệu thu thập từ ISO-New
England
- -
Thu thập số liệu về phụ tải, nhiệt độ… từ ISO New England, áp dụng mô
hình (24xNx24) cho bộ số liệu thu được trên.
- Xây dựng mô hình (6x20x1) dự báo mới để áp dụng cho bộ số liệu trên, so
sánh kết quả giữa hai mô hình.
Chương 4 Ứng dụng mạng nơron nhân tạo dự báo phụ tải điện ngắn
- trong
hạn cho thành phố Hà Nội
- Xây dựng các mô hình dự báo phụ tải ngắn hạn. Áp dụng các mô hình đó vào
thực tế và lựa chọn ra mô hình phù hợp nhất với thành phố Hà Nội.
Chương 5 Kết luận và hướng nghiên cứu tiếp theo
-
Trình bày kết quả luận văn đã đạt được và hướng nghiên cứu tiếp theo của
luận văn

13. `5
CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI
1.1 GIỚI THIỆU CHUNG
D t t v quan tr ng trong h n hi n nay.
ự báo phụ ải điện năng là mộ ấn đề ọ ệ thống điệ ệ
M a d n
ục đích củ ự báo điệ năng trong tương lai dựa vào các quan sát trong quá khứ,
ph c v
ụ ụ cho công tác quy hoạ ồn lướ ệ ống điệ ụ ụ cho công
ch ngu i trong h th n, ph c v
tác điều độ ệ ống (Có kế ạ ẩ ị ẵn sàng đáp ứ ụ ả
h th ho ch chu n b s ng ph t i).
D t khoa h nhi u v
ự báo là mộ ọc còn non trẻ, trong đó có ề ấn đề chưa hình thành
trọ ẹn. Đối tượng nghiên cứ ủ ọc này là các phương pháp dự báo và
n v u c a khoa h
ph m vi ng d i, kinh t , k
ạ ứ ụng là các hiện tượng xã hộ ế ỹ thuật, … Dự báo là một
khoa h c quan tr ng, nh m m u nh n khoa
ọ ọ ằ ục đích nghiên cứ ững phương pháp luậ
h cho vi xu
ọc, làm cơ sở ệc đề ất các dự báo cụ thể cũng như việc đánh giá mức độ
tin c y, m n u d
ậ ức độ chính xác của các phương pháp dự báo – ế ự báo sai lệch quá
nhi u v kh ng s d n h u qu
ề ề ả năng cung cấp và nhu cầu năng lượ ẽ ẫn đế ậ ả không tốt
trong ngành kinh ế ế ự báo quá thừ ề ồ ẽ ải huy độ ồn quá lớ
t . N u d a v ngu n s ph ng ngu n
làm tăng vốn đầu tư dẫn đến lãng phí vốn đầu tư và không khai thác hết công suất
thiế ị, ngượ ạ ế ự báo thiếu công suấ ồ ẽ ẫn đế ấp điệ
t b c l i n u d t ngu n s d n cung c n
không đủ ầ ủ ụ ả ảm độ ậ ấp điện gây thiệ ạ
cho nhu c u c a ph t i, gi tin c y cung c t h i cho
n n kinh t qu [1].
ề ế ốc dân
1.2 T N
CÁC LOẠI DỰ BÁO PHỤ Ả Ệ
I ĐI
[2]
Trong hệ thống điện có hai loại dự báo phụ tải điện dùng để quy hoạch hệ
thống điện và vận hành hệ thống. Sự khác biệt được dựa trên thời gian dự báo.
- Trong quy hoạch hệ thống điện, dự báo phụ tải là cho một khoảng thời gian
vài tháng đến một năm. Đây là loại dự báo là chủ yếu để xác định lưới điện, thiết bị
điện sẽ được lắp hoặc các hợp đồng trong thị trường điện. Thời gian dự báo dài có
thể là từ 1 ÷ 10 năm, xây dựng các nhà máy, xí nghiệp, các đường dây truyền tải và
phân phối điện năng.
- Trong vận hành hệ thống điện, dự báo phụ tải là chủ yếu cho một khoảng
thời gian một giờ đến một tuần. Có hai loại chính của dự báo phụ tải hệ thống điện

14. `6
hoạt động: dự báo tải rất ngắn hạn và ngắn hạn. Dự báo tải rất ngắn hạn là phút
trước và để phục vụ cho công tác điều độ hệ Dự báo tải ngắn hạn là từ một
thống.
giờ đến một tuần. Kết quả dự báo phụ tải ngắn hạn chủ yếu được sử dụng cho mục
đích điều độ và vận hành hệ thống điện.
Như vậy, ự báo phụ tải điện chia thành 3 nhóm dự báo phụ tải sau:
d
- D n (STLF)
ự báo ngắn hạ
D t n ng n h n th ng d t gi n m t tu n. Sai s
ự báo phụ ải điệ ắ ạ ườ ự báo cho mộ ờ đế ộ ầ ố
cho phép ủa công tác dự báo trong khoảng yêu cầ ạ ự báo này phụ ụ
c u < 5%. Lo i d c v
cho công tác điều độ và vận hành hệ ống điệ ả ờ ắ
th n trong kho ng th i gian ng n.
- D n (MTLF)
ự báo trung hạ
D t n trung h ng d t i m n m
ự báo phụ ải điệ ạn thườ ự báo phụ ả ột tháng cho đế ột
năm ạ ự báo này thường dùng để xác định lưới điệ ế ị ệ ẽ đượ ắ
. Lo i d n, thi t b đi n s c l p
ho ng trong th n. Sai s ng (5- 10 .
ặ ợp đồ
c các h ị trường điệ ố cho phép trong khoả ) %
- D n (LTLF)
ự báo dài hạ
D t ng d t i nhi . Kho
ự báo phụ ải điện dài hạn thườ ự báo phụ ả ều hơn một năm ảng
thờ gian này cần xây dựng các nhà máy, xí nghiệp, các đường dây truyề ải và
i n t
phân phối điện năng. ố cho phép trong khoả
Sai s ng (5-15) %.
1.3 CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN
Bài toán dự báo phụ tải ngắn hạn được đánh giá là phức tạp so với các bài toán
khác. Kết quả dự báo ngắn hạn chính xác sẽ hỗ trợ các công tác vận hành và khai
thác hệ thống điện ở khu vực được hiệu quả, thuận lợi. Kết quả dự báo này cũng
có thể nhanh chóng và dễ dàng kiểm chứng do không cần phải chờ đợi dài ngày.
Bài toán dự báo phụ tải ngày là một trong những nhiệm vụ quan trọng của công
tác điều độ và có nhu cầu thực tiễn rất cao. Đã có rất nhiều mô hình giải pháp được
đề xuất và ứng dụng, tuy nhiên cho tới thời điểm này vẫn chưa có một mô hình nào
được coi là chuẩn và áp dụng hiệu quả cho mọi đối tượng. Một trong những
nguyên nhân chính của vấn đề này là do ở mỗi vùng, mỗi khu vực phụ tải ngày phụ

15. `7
thuộc khác nhau vào các số liệu trong quá khứ. Sự khác nhau này đòi hỏi phải điều
chỉnh lại các thông số của một mô hình đã được lựa chọn nào đó hoặc đến mức độ
phải xây dựng một mô hình hoàn toàn mới.
1.3.1 d (Similar-day approach)
Mô hình áp ụng ngày tương tự
Phương pháp này dựa trên cơ sở ữ ệu ngày trướ đó trong vòng mộ
d li [3] c t, hai,
ho m v
ặc ba nă ới các đặc tính tương tự như ngày dự báo. Đặc điểm tương tự bao
g m th i ti t i c a m
ồ ờ ết, ngày trong tuần, và ngày tháng. Phụ ả ủ ột ngày tương tự được
xem đó là phụ ả ủa ngày ự báo. Thay vì mộ ả ất ngày tương tự ự báo
t i c d t t i duy nh , d
có thể ử ụng phương phá ồ ến tính lấ ố ệ ều ngày tương tự ngày
s d p h i quy tuy y s li u nhi
d . t s d l y t c.
ự báo Phụ ả ợ
i đu c ử ụng cho các ngày tương tự ấ ừ các năm trướ
1.3.2 i quy (Regression methods)
Phương pháp hồ
Hồi quy một trong những phương pháp được sử dụng rộng rãi trong
theo [3], là
bài toán kỹ thuật. Đối với bài toán dự báo phụ tải điện, phương pháp hồi quy thường
được sử dụng để mô hình mối quan hệ phụ tải và các yếu tố khác như thời tiết, loại
ngày. Mô hình hồ ến tính là mô hình kinh điể đơn giản và khá hiệ ả
i quy tuy n, u qu
trong th t nhi u d
ống kê và dự báo, do đó có rấ ề ự báo dựa trên phương pháp này. [4]
trình bày một số mô hình hồi quy cho dự báo đỉnh ngày hôm sau. Mô hình của họ
kết hợp ảnh hưởng xác định như ngày lễ, ảnh hưởng ngẫu nhiên như phụ tải trung
bình, và ảnh hưởng khác như thời tiết.
1.3.3 (Time series)
Các mô hình chuỗi thời gian ngẫu nhiên
Phương pháp chuỗi thời gian dựa trên giả định rằng các dữ liệu có cấu trú
[3] c
nội bộ, chẳng hạn như tương u hướng, hoặc biến đổi theo mùa. Chuỗi thời gian
tự, x
đã được sử dụng trong nhiều thập niên trong các lĩnh vực như kinh tế, xử lý tín hiệu
kỹ thuật số, cũng như dự báo phụ tải điện. Nguyên tắc cơ bản của phương pháp này
là đầu tiên chuỗi phụ tải theo thời gian được chuyển thành chuỗi thời gian dừng (tức
chuỗi thời gian không biến đổi), sau đó chuỗi dừng còn lại sẽ được lọc nhiễu trắng.
Các mô hình chuỗi thời gian có ưu điểm. Trước hết, lý thuyết mô hình chuỗi
thời gian có cơ sở toán học chặt chẽ và rõ ràng nên dễ thực hiện dự báo trên cơ sở lý

16. `8
thuyết này. Các thông số của mô hình cũng được tính toán một cách dễ dàng. Thủ
tục đánh giá thông số mô hình cũng không khó.
Xét hai mô hình ARMAX và ARIMAX, trong mô hình ARMAX, sử dụng các
sai số của các buớc dự báo trước để thực hiện các bước dự báo tiếp theo.
0 , ,
1 1
( ) ( ) e( ) (d)
K K
est i d est i d
i j
P d P a P d i d i
 
 
     
 
Với e( ) ( ) ( )
est
d i P d i P d i
    là sai số dự báo tại thời điểm d- P(d-i)
I, là công
suất tiêu thụ thực tế.
Khi có thêm thông số thời tiết ta sẽ có mô hình ARMAX như sau:
0 , , ,
1 1 1
( ) ( ) e( ) X( ) (d)
K K K
est i d est i d i d
i j i
P d P a P d i d i d i
  
  
       
  
Nếu mô hình dự báo đang xây dựng là mô hình biến thiên theo thời gian (độ lệch
chuẩn của mô hình biến thiên theo thời gian) mô hình ARMAX sẽ được thực hiện
cho chuỗi đã loại trừ yếu tố xu thế (trend). Khi đó mô hình mang tên ARIMAX.
1.3.4 M (Neural Network)
ạng nơron
Việc sử dụng mạng nơron được sử dụng trong
(Neural network- [3], [5]
NN)
bài toán dự báo phụ tải từ những năm 1990 nơron cơ dùng ước lượng các
. Mạng
hàm phi tuyến phù hợp với đường cong phụ tải. Thông dụng nhất là các giải pháp
dự báo ngắn hạn như dự báo trước 1 giờ, dự báo trước 12 giờ hoặc 24 giờ. Trong
bài toán dự báo ta quan tâm giải quyết hai vấn đề lớn là:
- Phát hiện các mối liên hệ giữa các đại lượng để cải thiện chất lượng của mô
hình ước lượng.
- Tối ưu hóa mô hình (mạng nơron) để đạt chất lượng cao không chỉ trong
quá trình học mà cả trong quá trình kiểm tra.
Hai vấn đề này có liên quan chặt chẽ với nhau do mỗi bộ số liệu học khác nhau
lại có thể làm thay đổi cấu trúc của mô hình xấp xỉ. Đồng thời bộ số liệu đặc trưng
cũng tạo điều kiện để hạn chế lại không gian tìm kiếm mô hình.

17. `9
M [6]
ô hình có nhiều ứng dụng nhất là mạng MLP với một hoặc hai lớp ẩn. Số
lớp ẩn và số nơron trên từng lớp cũng như các hàm truyền đạt của các nơron trong
mỗi mô hình đều khác nhau do được xây dựng cho các đối tượng khác nhau hoặc
thậm chí cho cùng một đối tượng nhưng các bộ số liệu và thời điểm lấy số liệu
khác nhau.
Các mạng nơron hồi quy cũng ít được sử dụng hơn các giải pháp khác do các
thuật toán học phức tạp hơn mạng truyền thẳng, xác suất tìm được cực trị tốt thấp
hơn. Mặc dù vậy, mạng hồi quy với các kênh tín hiệu phản hồi của mình cũng rất
phù hợp với các bài toán mô hình hóa đối tượng có phụ thuộc thời gian trễ. Trong
số các mạng được sử dụng, các mạng được dùng nhiều hơn cả là mạng Elman và
mạng RTRN với thuật toán học của Williams – Zipser.
Một lớp mạng khác cũng được sử dụng trong các bài toán dự báo phụ tải là các
mạng tự tổ chức, hoạt động theo nguyên tắc tự sắp xếp các véc tơ đầu vào để phát
-
hiện các vùng số liệu tập trung. Hiểu theo nghĩa khoảng cách giữa các véc tơ đa
-
thành phần thì các véc tơ có giá trị tương đối giống nhau sẽ được nhóm vào thành
-
một nhóm. Trong bài toán dự báo phụ tải ta hay sử dụng mạng tự tổ chức để nhóm
các nhóm biểu đồ phụ tải chuẩn hóa (hay còn gọi là hình dạng của biểu đồ phụ tải
– đã chuẩn hóa về đoạn giá trị 0 1). Sau khi đã có các nhóm ngày có biểu đồ phụ
-
tải tương đối giống nhau, ta cần xác định quy luật để thuộc về nhóm đó và khi cần
dự báo ta xác định xem ngày cần dự báo thuộc vào nhóm nào và sẽ lấy biểu đồ đặc
trưng cho nhóm đó để làm kết quả dự báo.
Hiện nay trên thị trường cũng có rất nhiều các phần mềm phục vụ cho công
việc dự báo. Có thể lấy ví dụ phần mềm ANNSTLF của EPRI cho phép dự báo với
sai số 2 – tùy thuộc vào kiểu dự báo và dạng biến thiên của phụ tải. Phần mềm
4%
UNIPEDE hỗ trợ sử dụng các phương pháp mạng nơron, lô gíc mờ trong một số
-
bài toán liên quan tới hệ thống điện, trong đó có dự báo ngắn hạn, quy hoạch lưới
điện, mô hình hóa và ứng dụng tốt trong điều khiển các quá trình trong nhà máy
điện, ...

18. `10
Cũng cần phải nhấn mạnh rằng các giải pháp đã đề xuất khác biệt nhau rất
nhiều về ý tưởng, về công cụ và nhất là về kết quả đánh giá cuối cùng. Độ chính
xác của kết quả dự báo có thể thay đổi từ 1,5% tới 12% , nhưng điều này không có
nghĩa rằng mô hình có sai số lớn hơn là mô hình kém hiệu quả hơn. Vấn đề nằm ở
chỗ mỗi một mô hình được xây dựng cho một đối tượng (một khu vực phụ tải)
khác nhau, cho những khoảng thời gian khác nhau và cho những thông tin đầu vào
khác nhau.
1.3.5 Expert systems)
Phương pháp chuyên gia (
Trong nh [3],
ững năm gần đây nhiều nước đã áp dụng phương pháp chuyên gia
[6] ng s , d hi u bi c c
có trọ ố ựa trên cơ sở ể ết sâu sắ ủa các chuyên gia về các lĩnh vực
c d i ta
ủa các ngành để ự báo các chỉ tiêu kinh tế. Trong ngành năng lượng, ngườ
cũng dùng phương pháp này để ự báo nhu cầu điệ năng của nước mình. Đây là
d n
bài toán cầ ả ự ọ ờ ải trong điề ện đa chỉ ất định nên thườ
n ph i l a ch n l i gi u ki tiêu và b ng
đượ ự ệ ởi cá nhân quyế ịnh có tham khảo ý kiế ủ ộ ồng tư vấ
c th c hi n b t đ n c a h i đ n.
Phương pháp chuyên gia có ưu thế hơn hẳ ự báo nhữ ệ ợ
n khi d ng hi n tư ng hay
quá trình có tầm bao quát rộ ấu trúc nói ứ ạ ề ỉ tiêu, nhiề
ng, c chung ph c t p nhi u ch u
nhân tố ối làm cho xu hướ ận động cũng như hình thứ ể ễn đa dạ
chi ph ng v c bi u di ng,
khó định lượ ằng con đườ ế ậ ự ếp để tính toán, đo đạc thông qua cá
ng b ng ti p c n tr c ti c
phương pháp ướ ợng và công cụ chính xác.
c lư
1.3.6 gic m (Fuzzy logic)
Lô ờ
Lôgic mờ được phát triể ừ lý thuyế ậ ờ để ự ệ ậ ậ ột cách
[3] n t t t p m th c hi n l p lu n m
x p x p lu t c c coi
ấ ỉ thay vì lậ ận chính xác theo lôgic vị ừ ổ điển. Lôgic mờ có thể đượ
là mặ ứ ụ ủa lý thuyế ậ ờ để ử lý các giá trị ế ớ ực cho các
t ng d ng c t t p m x trong th gi i th
bài toán phứ ạ ờ cho suy ra đượ ế ả ừ đầu vào mờ
c t p. Lôgic m c k t qu t .
1.3.7 (Support vector machines).
Máy vectơ hỗ trợ
SVM là mộ ậ ợp các phương pháp học có giám sát đượ ử ụ để phân
t t p h c s d ng
loạ ồ . Không giống như mạ nơron, tìm các hàm đặc trưng không gian
i, h i quy ng
trạng thái củ ẫu đầu vào, SVM thự ệ ột ánh xạ ế ạ ẩ ậ
a m c hi n m phi tuy n d ng chu n nh n

19. `11
d t
ữ liệu vào và phân loại chúng vào hai lớp khác nhau. Do đó SVM là mộ thuật toán
phân loạ ị phân ớ ộ ộ các ví dụ ệ ậ ộ ể ại cho trướ
i nh . V i m t b luy n t p thu c hai th lo c,
thuật toán luyệ ập SVM xây dự ột mô hình SVM để phân loại các ví dụ khác
n t ng m
vào hai thể ại đó. Một mô hình SVM là một cách biể ễn các điể không
lo u di m trong
gian và lự ọ ớ ữ ể ạ ảng cách từ các ví dụ ệ
a ch n ranh gi i gi a hai th lo i sao cho kho luy n
t p t i ranh gi m c bi u di
ậ ớ ới là xa nhất có thể. Các ví dụ ới cũng đượ ể ễn trong cùng
m c thu c m t trong hai th
ột không gian và đượ ật toán dự đoán thuộ ộ ể loại tùy vào ví
d a ranh gi [7] d
ụ đó nằm ở phía nào củ ới. áp dụng phương pháp SVM để ự báo phụ
t n ng n h t qu v h i quy. K t qu so
ải điệ ắ ạn. Tác giả so sánh kế ả ới phuơng pháp tự ồ ế ả
sánh cho thấ ử ụ ế ả ự báo rấ ố ử ụng mô hình SVM
y s d ng SVM cho k t qu d t t t. [8] S d
để ự báo phụ ải điệ ột tháng. Li and Fang cũng sử ụ ạ
d t n trong m [9] d ng m ng
Wavelet k t h p v d t n ng n h n.
ế ợ ới SVM để ự báo phụ ải điệ ắ ạ
1.4 T I
PHỤ ẢI ĐIỆN THÀNH PHỐ HÀ NỘ
Để xây dựng đượ mô hình tối ưu áp dụ thành phố Hà Nộ ải xác đị
c ng cho i, ph nh
đến các yế ố ảnh hưởng đế ụ ải như: các ngày trong tuần, đặc điể ụ ả
u t n ph t m ph t i
c n d d c
ủa ngày cầ ự báo, như nhiệt độ trong ngày… Vậy để mô hình ự báo tối ưu ần
ph u t y u n ph t
ả ến các yế
i xét đ ố chủ ế ảnh hưởng đế ụ ải.
Luận văn thạc sĩ của tác giả ấ ụ ả ủa lưới điện thành
Chu Nghĩa [10]cho th y ph t i c
ph thu c ch y u t
ố Hà Nội phụ ộ ủ ếu vào các yế ố chính sau:
1.4.1 trong tu n
Ngày ầ
Các yếu tố thời gian bao gồm thời gian của năm, các ngày trong tuần, và giờ
trong ngày. Có sự khác biệt quan trọng trong việc tải các ngày trong tuần và cuối
tuần. Phụ tải tại các ngày trong tuần khác nhau cũng có ác nhau, như ngày thứ
kh
Hai và thứ Sáu là tiếp giáp với cuối tuần, đồ thị phụ tải khác nhau hơn so với thứ Ba
đến thứ Năm. Ngày thứ Bảy và chủ nhật đồ thị phụ tải tương đối giống nhau [11],
[12]. Điều này đặc biệt đúng trong thời gian mùa hè, còn ngày lễ là ngày rất khó khả
năng dự báo phụ tải bởi vì nhu cầu sử dụng là khác nhau.

20. `12
Hình 1.1. Đồ ị ụ ả ặc trưng trong tuầ
th ph t i các ngày đ n
1.4.2 c bi
Các ngày đặ ệt trong năm
N c bi t t, 30/4, 1/5, 2/9... ph t i gi
gày đặ ệt trong năm như các ngày lễ ế ụ ả ảm đáng
k so v ng. Ph t ng,
ể ới ngày thườ ụ ải các ngày sát với các ngày này cũng bị ảnh hưở
có thể ấy rõ điều đó trên đồ ị ụ ả thành phố Hà ội ngày ễ ết dương lị
th th ph t i N l t ch
1/1/2012 và ngày làm việc bình thườ Vì vậ ụ ải trong các ngày
ng 6/1/2012. y, ph t
đặ ệt không được áp dụng như ngày thông thường mà ải tách biệ ằ
c bi ph t b ng
phương pháp riêng, thường là ựa vào các ngày dạng này củ ớ
d a các năm trư c đó.
Hình 1.2 Hà N
. Đồ ị ụ ả ố
th ph t i thành ph ội hai ngày 1/1/2012, 6/1/2012
0
200
400
600
800
1000
1200
1400
1600
1800
2000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Phụ
tải,
MW
Giờ
ĐỒ THỊ PHỤ TẢI
Thứ 7 & Chủ Nhật Thứ 2 Thứ 3 Thứ 5 Thứ 6
-
0
200
400
600
800
1000
1200
1400
1600
1800
2000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Phụ
tải,
MWh
Giờ
ĐỒ THỊ PHỤ TẢI
Ngày 1/1/2012 Ngày 6/1/2012

21. `13
1.4.3 Thời tiết trong ngày
Bao g t m, t
ồm các thông số ự nhiên: nhiệt độ, độ ẩ ốc độ gió, cường độ sáng,
trong đó nhiệt độ có ảnh hưở ớ ấ ệt độ tăng thì phụ ải tăng và ngượ
ng l n nh t, nhi t c
l khi th i ti i nhi u s d n
ại. Thành phố Hà Nội ờ ết thay đổ ệt độ tăng lên, nhu cầ ử ụng điệ
tăng, đây là vấn đề ấ ế ầ ử ụng làm mát, nhu cầu này không chỉ có
t t y u do nhu c u s d
trong dân dụng mà cả trong công nghiệp, các thiế ị điệ ầ ải tăng cường làm
t b n c n ph
mát. ệ ộ ạ ố ụ ả ẽ tăng lên do sử ụ ế ị ở ấ
Khi nhi t đ l nh xu ng ph t i s d ng thi t b sư i m.
Hình 1.3. Đồ ị ụ ả ệ ộ
th ph t i ngày hai ngày có nhi t đ khác
1.4.4 K ch s a ch a l
ế hoạ ử ữ ớn trong ngày có cắt điện.
Trong quá trình thự ệ ế ạ ử ữ ớn, như cắt điện đường dây đang
c hi n k ho ch s a ch a l
v i, s a ch a tr m 220KV, 500KV ph i c t t i di
ận hành để kéo đường dây mớ ử ữ ạ ả ắ ả ện
r ng d m m D
ộ ẫn đến điện năng tiêu thụ vào các ngày này giả ột cách đáng kể. ự báo
ph t i nh ng n u tr ph t i gi m do ng ng cung c p
ụ ả ữ gày này phải tính toán khấ ừ ụ ả ả ừ ấ
điệ ạ ủa đồ ị ụ ải trong ngày có cắt điệ ệ ộng cũng mang đặc thù
n. D ng c th ph t n di n r
riêng, thay đổ ỳ ộc vào thời gian, vùng ề ắt điệ Qua quá trình vậ
i tu thu , mi n c n. n
hành thự ế và dữ ệ ống kê, các điều độ viên, các chuyên viên chuyên phân
c t li u th
tích về ụ ả ệ ống điện đi đế ế ậ ệt độ môi trường, đặc thù của các
ph t i h th n k t lu n: Nhi
gày trong tuần, ngày lễ, ngày tết là các yế ố ảnh hưở ớ ất đến giá trị ụ
u t ng l n nh ph
tải ngày.
0
200
400
600
800
1000
1200
1400
1600
1800
2000
2200
2400
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Phụ
tải,
MWh
Giờ
ĐỒ THỊ PHỤ TẢI
Nhiệt độ 19-26 Nhiệt độ 27-35

22. `14
CHƯƠNG 2: TỔNG QUAN VỀ MẠNG ƠRON
N
M ng t [13] ng d
ạ nơron nhân ạo (Artifical Neural Networks) được xây dự ựa trên
c a b
ấu trúc củ ộ não con người, giúp đưa ra một phương pháp mới trong lĩnh vực
ti th
ế ận thông tin. Mạ nơron nhân tạo có thể
p c ng ự ện các bài toán nhậ ẫ
c hi n m u
(Recognition), tối ưu, nhậ ạng (Identification) và điề ển (Control) cho các đố
n d u khi i
tượ ến tính và phi tuyến đạ ệ ả hơn so với các phương pháp tính toán
ng tuy t hi u qu
truy n th ng.
ề ố
M ng o (g i t ng ) g m nhi n o (g i t
ạ nơron nhân tạ ọ ắt là mạ nơron ồ ều ơron nhân tạ ọ ắt
là nơron) liên kế ới nhau thành mạng. Nó có hành vi tương tự như bộ não con
t v
ngườ ớ ả năng họ ọ ại (Recall) và tổ ợp thông tin từ ự
i v i kh c (Learning), g i l ng h s
luy n t p t m u.
ệ ậ ừ ẫu và dữ liệ
M ng ch s
ạ nơron đã có lị ử nghiên cứu phát triển khá lâu dài. Từ năm 1943,
McCulloch và Pitt’s đã đề ấ ộ ố liên kết cơ bả ủ ạ nơron. Năm 1949,
xu t m t s n c a m ng
Hebb đã đưa ra các luật thích nghi trong mạ nơron. Rosenblatt đưa ra cấu trúc
ng
Perceptron n c
năm 1958. Năm 1969, Minsky và Papert phân tích sự đúng đắ ủa
Percept n, ch i h n c a m t s
ro ứng minh các tính chất và chỉ rõ các giớ ạ ủ ộ ố mô hình.
Năm 1976, Grossberg dựa vào tính chấ ọc đã đưa ra mộ ố ấu trúc củ ệ
t sinh h t s c a h
độ ọ ế ới các tính chấ ới. Hopfield đã đưa ra mạ ồ ộ ớ
ng h c phi tuy n v t m ng h i quy m t l p
Hopfield xu
được đề ất năm 1982. Năm 1986, Rumelhart đưa ra mô hình xử lý song
song và mộ ố ế ả ủ ật toán. Năm 1986, thuật toán học đượ ề
t s k t qu c a thu c lan truy n
ngược (Back Propagation) được Rumelhart, Hinton và Williams đề ấ ự ệ
xu t th c hi n
luy n m ng truy n th ng nhi u l
ệ ạ nơron ề ẳ ề ớp.
Những năm gần đây có nhiều công trình nghiên cứu đề ất các cấu trúc, luậ
xu t
h c cho nhi u lo i m ng truy n th i quy m m.
ọ ề ạ ạ nơron ề ẳng và hồ ới có nhiều ưu điể
M ng hi u qu trong nhi c kinh t , k
ạ nơron ện đang được áp dụng có hiệ ả ều lĩnh vự ế ỹ
thu t.
ậ

23. `15
2.1 SINH H C
MÔ HÌNH NƠRON Ọ
B ng 10
ộ não con người có khoả 11
nơron ọ ở ề ạng khác nhau. Mô
sinh h c nhi u d
hình củ ạ nơron ọ ồm có ba phần chính là: thân, bên trong có nhân, cây
a d ng sinh h c g
và trục. Cây gồm các dây thần kinh liên kế ới thân. Trục có cấu trúc đơn, dài liên
t v
k t v n cu i c a tr
ế ới thân. Phầ ố ủ ục có dạng phân nhánh. Trong mỗi nhánh có một cơ
c u nh p th n kinh, t sinh h
ấ ỏ là khớ ầ ừ đây nơron ọc này liên kế ằng tín hiệ ới các
t b u t
nơron khác. Sự ận thông tin củ nơron ọc đượ ự ệ ừ cây hoặ ừ
thu nh a sinh h c th c hi n t c t
thân c u thu, nh n d n.
ủa nó. Tín hiệ ậ ở ạng các xung điệ
Hình 2.1. Mô hình mộ ạ nơron ọ
t d ng sinh h c
M i t m v c
ỗ ế bào thần kinh có một màng, nhiệ ụ ủa nó là giữ cho các chất nuôi tế
bào không tràn ra ngoài. Ở ữ ầ ử ội bào và ngoại bào có dung dị ố
gi a ph n t n ch mu i
l ng
ỏ làm cho chúng bị phân rã thành các ion âm và dương. Các ion dương có trong
màng tạo ra điệ ế màng vớ ạng thái cân bằ ự ực đẩ ủa các ion dương ra
n th i tr ng l c: l y c
kh ng v
ỏi tế bào cân bằ ới lự ế
c hút chúng vào trong t bào.
Điệ ế màng là phầ ử ọ ng quá trình truyề ủ ệ ầ
n th n t quan tr ng tro n tin c a h th n kinh.
Khi thay đổ ả năng thẩ ấ ủa màng thì điệ ế màng củ ế bào bị
i kh m th u ion c n th a t thay
đổi và tiế ớ ột ngưỡng nào đó, đồ ời sinh ra dòng điện, dòng điện này gây
n t i m ng th
ra phả ứng kích thích làm thay đổ ả năng thẩ
n i kh m thấ ủa các tế bào thầ
u ion c n kinh
tiếp theo.

24. `16
2.1.1 Ph x
ần tử ử lý
Mô hình phầ ử ử lý (Processing Elements) hay mô hình nơron ạ
n t x d ng M-P, do
Coullock và Pitts đề ấ năm 1943. Phầ ử ử lý có dạ ều vào mộ
xu t n t x ng nhi t ra MISO.
H c ph n t x l ) th i, d ng M-
ình 2.2 mô tả mô hình ủa ầ ử ử ý (hay mô hình một nơron ứ ạ
P, n t
trong đó có các phầ ử sau đây.
Hình 2.2 Mô hình phầ ử ử lý (mô hình ộ nơron ứ ạ
n t x m t ) th i, d ng M-P
 Tín hiệu đầu vào :
-1
Có m tín hiệu vào, trong đó (m ) tín hiệu là tín hiệu kích thích ở đầu vào là
(x1,…, xj,... ,xm-1 ), chúng đượ ấ
c l y t u ra c
ừ đầ ủa các nơron được đặt trước nơron này
ho c l y t
ặc đượ ấ ừ các nguồn tín hiệu đầu vào khác. Các tín hiệu kích thích đầu vào
này đượ thông qua ộ ọ ố
c b tr ng s (weight) wij đặc trưng cho mức độ liên kế ữa các
t gi
nơron ứ
th j (j= 1, 2, 3 , m-
…. 1) v i. Tr ng s
ới nơron thứ ọ ố liên kết có giá trị dương
tương ứ ớ ớ ầ ị kích thích, ngượ ại có giá trị âm tương ứ ớ
ng kh p v i th n kinh b c l ng kh p
v n kinh b m ch .
ới thầ ị kiề ế
Riêng thành phần tín hiệu vào thứ m là xm c g ng (threshold)
đượ ọi là ngưỡ có
giá trị xm= -1. Tín hiệu xm n d ch chuy n (bias)
được đưa qua thành phầ ị ể bi:
Wim =bi (2.1)
 Tín hiệu ra: Có một tín hiệu ra là yi.
 B c
ộ ộng
Thự ện phép tính tìm tổ ọ
c hi ng tr ng vi (hoặc neti) b ng tr ng
ằng cách so sánh tổ ọ
c ng c ng, n u t ng tr ng c
ủa (m-1) kích thích đầu vào với giá trị trọng lượ ủa ngưỡ ế ổ ọ ủa

25. `17
(m-1) t qua tr ng c
đầu vào vượ ọng lượ ủa ngưỡng thì nơron ở trạng thái kích thích để
t u ra y
ạo ra được tín hiệ i:
ij
1
w . .
m
i i j i m
j
net v x b x

  

Thành phần bi v n gi ng ng s
ề cơ bả ố trọ ố wij u
chỉ khác là luôn liên kết tín hiệ xm= -1.
Do đó, cũng có thể coi bi là trọ ố liên kế ứ m là
ng s t th wim c n i v
ủa nơron thứ i ố ới tín
hiệu vào thứ m là xm -1. Vi t l u th c (2.1 d
luôn có giá trị là ế ại biể ứ ) ở ạng sau đây:
ij
1
w .
m
i i j
j
net v x

 

với wim
= b i và xm= -1
 Hàm kích hoạt (activation function)
L hi n bi i tuy a m
à hàm thể ệ ến đổ ến tính giữa các kích thích đầu vào củ ột nơron
và tín hiệu đầu ra tương ứ ự ế hàm kích hoạt này thườ ạt độ
ng. Th c t ng ho ng theo
ngưỡ ất định thì nơron ẽ ạo thàn ột xung điện áp tại đầu ra. Ngưỡng kích
ng nh s t h m
ho c th hi n v t c
ạt này đượ ể ệ ới giá trị phân cực (bias). Bên cạnh đó, hàm kích hoạ ủa
nơron ự ệ ệ ụ ạ ế ức tín hiệ ả
cũng th c hi n nhi m v h n ch m u trong m ng.
 Các dạng hàm truy t s d ng trong m .
ề ạ
n đ ử ụ ạng nơron
t (ho
Hàm truyền đạ ặc ngưỡng làm việc, hàm chuyển đổi) dùng để đưa tính chất
phi tuy n, tuy ng c . K t qu sau khi chuy n
ế ến tính vào chức năng hoạt độ ủa nơron ế ả ể
đổ ầ ủ nơron
i đ u ra c a .
- Hàm chuyển đổ ớ ạ ứ
i gi i h n c ng
i gi i h n c ng (
Hàm chuyển đổ ớ ạ ứ hard limit
transfer fuction) n
,còn có tên gọi là hàm chuyể
đổ ạng bướ ả
i d c nh y (step transfer fuction).

26. `18
- Hàm chuyển đổ ạ ặ
i d ng sigmoid ho c logsig
i d ng logsig (
Hàm chuyển đổ ạ logsig
transfer fuction) có biể ứ
u th c sau :
1
1 


 v
a(v )
e
- Hàm chuyể đổ ạ
n i d ng tansig
Hàm chuyển đổ ạ
i d ng tansig (tansig
transfer fuction) có biể ứ
u th c sau:
 
 





u u
u u
e e
a(v)
e e
- Hàm chuyển đổ ạ ến tính
i d ng tuy
Hàm chuyển đổ ạ ế
i d ng tuy n tính (linear
transfer fuction) có biể ứ
u th c sau :
a(v) =n
Hàm chuyển đổ ạ ến tính bảo hòa
i d ng tuy
Hàm chuyển đổ ạ ến tính bảo hòa
i d ng tuy
(satlin-Saturating linear transfer function)
có biể ứ
u th c sau:
2.2 NG
MÔ HÌNH CẤU TRÚC MẠ NƠRON
M ng bao g m s t c a nhi u u ra c a m k t n
ạ nơron ồ ự liên kế ủ ề nơron. Đầ ủ ỗi nơron ế ối
v ng s ho c t ph n h i tr v
ới các nơron khác thông qua các trọ ố, ặ ự ả ồ ở ề đầu vào của
chính nó. ấ trúc củ ạ nơron là kiể ế ối hình họ ủ ỗ nơron liên kế
C u a m ng u k t n c c a m i t
 
1 khi n 1
khi 0 n 1
0 khi 0
a satlin n n



   

 


27. `19
trong m m quan tr ng c a t ng m ng , d
ạng, đây là một đặc điể ọ ủ ừ ạ nơron ựa vào đó tiến
hành phân loại chúng.
2.2.1 M truy n th m p
ạng ề ẳng ột lớ
M ng ch g m hai l n, l ) g nh n tr c ti p
ạ ỉ ồ ớp cơ bả ớp vào (input layer ồmcác nơron ậ ự ế
các tín hiệu vào lấ ừ bên ngoài. ớ ồm có các nơron có các tín
y t L p ra ( ) g
outputlayer
hi n ( ) g i
ệu ra, đưa ra bên ngoài. Lớp ẩ hidden layer ồm các nơron còn lạ không nhận
trự ếp các tín hiệu vào lấ ừ bên ngoài và không cung cấp tín hiệu ra cho bên
c ti y t
ngoài mạ , nó ỉ có nhiệ ụ ền tín hiệ ừ nơron ở ớ vào đến các
ng ch m v truy u t các l p
nơron ở ớ
l p ra.
Hình 2.3 Mạ nơron ề ẳ ộ ớ
ng truy n th ng m t l p
2.2.2 M nhi p
ạng nơron ều lớ
Trong trườ ợ ần các hàm truyền đạ ớ ức độ ế ần có
ng h p c t v i m phi tuy n cao, c
m ng v i c c t n nh l p s
ạ ớ ấu trúc phứ ạp hơn. Cách đơn giả ất là tăng số ớ ử lý tín hiệu
gi ng l
ữa đầu vào và đầu ra cũng như tăng khối lượng tính toán ( ) trên từ
nơron ớp
này. Các lớp tính toán nằ ữ ớp vào và lớp ra đượ ọi chung là lớ ẩ
m gi a hai l c g p n
(hidden layer).

28. `20
Hình 2.4 Mạ nơron ề ẳ ề ớ
ng truy n th ng nhi u l p
2.3 NG
CÁC TÍNH CHẤT CỦA MẠ NƠRON
M ng t s
ạ nơron có mộ ố tính chất sau đây:
- .
Là hệ ế
phi tuy n
- : m ng n
Là hệ ử lý song song
x ạ ơron có cấu trúc song song, do đó tốc độ tính
toán r i các lĩnh v
ấ ất phù hợ ớ
t cao, r p v ự ậ ạng và điề ể
c nh n d u khi n.
- : m c luy n t
Là hệ ọc và thích nghi
h ạng đượ ệ ừ các số liệu quá khứ, có khả
năng tự ỉ ố ệu đầu vào bị ất, có thể điề ể
ch nh khi s li m u khi n on-line.
- MIMO) r t ti
L u bi nhi u ra (
à hệ có nhiề ến, là hệ ều đầu vào, nhiều đầ ấ ện dùng
khi điề ển đối tượng có nhiề ế ố
u khi u bi n s .
2.4 C
CÁC LUẬT HỌ
M ng s d t h t h (parameter
ạ nơron ử ụng hai nhóm luậ ọc: nhóm các luậ ọc thông số
learning rules) và nhóm các luật họ ấu trúc (
c c structure learning rules).
Các luậ ọc trong nhóm học thông số có nhiêm vụ tính toán cậ ật giá trị ủ
t h p nh c a
trọ ố liên kết trong các nơron ạ
ng s trong m ng.

29. `21
Các luậ ọc trong nhóm họ ấu trúc có nhiệ ụ đưa ra cấu trúc hợp lý củ
t h c c m v a
m i s ng ho i s t c
ạng như thay đổ ố lượ nơron ặc thay đổ ố lượng liên kế ủa các nơron
trong m ng.
ạ
Hai nhóm luât học trên có thể được áp dụng đồ ời (khi đó gọi là các luậ ọ
ng th t h c
lai – ọ
hybrid learning rules) h c cả ấu trúc và thông số ặ ợc áp dụng riêng rẽ
c , ho c đư .
v i gi
Sau đây trình bày các luật học thông số ớ ả thiết:
- C a m ng g m s ng l , s ng
ấu trúc củ ạ nơron ồ ố lượ ớp nơron ố lượ nơron và cách thức
liên kết các trọ ố có trong mạng đã hợp lý.
ng s
- Ma trậ ọ ố đã bao gồ ấ
n tr ng s m t t cả ầ ử ứ
các ph n t thích ng.
Nhiệ ụ ủ ọc thông số là đưa ra phương pháp nào đó để tìm ma trậ ọ ố
m v c a h n tr ng s
điề ể ừ ậ ọ ố tùy chọn ban đầ ớ ấu trúc củ ạ nơron đã xác
u khi n t ma tr n tr ng s u v i c a m ng
đị ừ ớ ỏa mãn điề ệ ệ ạm vi cho phép.
nh t trư c, th u ki n sai l ch trong ph
Để làm được điều đó, mạ nơron ử ụng các phương pháp học thích ứng để
ng s d
tính toán được các ma trậ ọ ố điề ỉ đặc trưng cho mạng. Có ba kiể
n tr ng s u ch nh w u
h c c ng c (Reinforcement Learning)
ọc là: học giám sát (Supervised Learning), họ ủ ố
và học không có giám sát (Unsupervised Learning).
2.4.1 H c
ọ có giám sát
c p c p m
Cho trướ ặ ẫu tín hiệu vào – ra sau đây:
(x(1)
, d(1)
), …, (x(k)
, d(k)
), …, (x(p)
, d(p)
),
V u m
ới x là vectơ tín hiệ ẫu đầu vào x = [x(1)
, x(2)
,…, x(p)
]T
và d là vector tín hiệu
đầ ố
u ra mong mu n d=[d(1)
, d(2)
,…,d(p)
]T
.
Khi đưa mộ ẫ tín hiệu là x
t m u (k) a m ng ,
vào đầu vào củ ạ nơron ở đầu ra có một
tín hiệu ra tương ứng là y(k). Sai l ch gi
ệ ữa hai vectơ tín hiệu d và y có nhiệ ụ điề
m v u
chỉnh vectơ trọ ố ủ ạ nơron sao cho vectơ tín hiệ
ng s w c a m ng u ra y c a m
ủ ạng bám
theo được vectơ tín hiệ ốn d, nói cách khác là để ả ể ệ
u ra mong mu gi m thi u sai l ch
gi y ki u h u ra
ữa chúng. Như vậ ể ọc có giám sát có đặc điểm là cần có tín hiệu đầ
mong mu y t
ốn được lấ ừ bên ngoài.

30. `22
2.4.2 H ng c
ọc củ ố
Trong quá trình học giám sát, giả ế ằng đáp ứng đầ ủ ạng đã đạ
thi t r u ra c a m t
được giá trị ốn. Nhưng ở ộ ẫu vào ra nào đó bị ằ ế ả
mong mu m t m cho r ng k t qu
không đáng tin cậy, vì vậ ầ ả ến hành kiể ạ ẫu nói trên. Khi đó chỉ
y c n ph i ti m tra l i m
có một bit tín hiệ ủ ẫ ầ ểm tra đóng vai trò là tín hiệ ủ ố được đưa
u c a m u c n ki u c ng c
vào mạng để góp p ầ ẳng đị ế ả quá trình học giám sát đúng hay sai.
h n kh nh k t qu
Kiể ọc này gọi là kiể ọ ủ ố ể ọc này cũng có tín hiệ ủ ố đượ
u h u h c c ng c . Ki u h u c ng c c
l y t ng h a ki u h
ấ ừ bên ngoài nên nó chỉ là một trườ ợp đặc biệt củ ể ọc có giám sát.
2.4.3 Học không có giám sát
Kiể ọ ày có đặc điểm là không có tín hiệ ấ ừ bên ngoài. Mạ ầ ả
u h c n u l y t ng c n ph i
t i trong d u
ự mình tìm ra các mẫu, nét đặc trưng, sự tương thích, phân loạ ữ liệu đầ
vào và mã hóa thành các mẫ ở đầu ra. Trong quá trình học không giám sát nế
u u
m c t c (self organizing).
ạng không thay đổi thông số ủ ợ
a nó thì đư c gọ ự
i là t ổ chứ –
Hình 2.5 trình bày luậ ọ ọ ố ở ạng cơ bả ấ nơron ứ
t h c tr ng s d n nh t cho th . Trong
i
đó vectơ tín hiệu vào x= [x1, x2, …, xj, …, xm]T có thể ấ ừ nơron khác hoặ
l y t các c
đượ ấ ừ bên ngoài.Thành phần thông ố ngưỡng có thể đượ ế ằ
c l y t s c thay th b ng
thành phầ ứ ủa vectơ tín hiệu vào x là x
n th m c m= - t n i tr ng s
1 được kế ối vớ ọ ố xim=bi
Vectơ trọ ố liên kế nơron ứ i là
ng s t th 1 2 3
[ , ,..., ]
 T
i i i i
w w w w
(a)
(b)
(a)
Y
X
Tín hiệu ra
mong mu n
ố
Tín hiệu vào
M n
ạ
g
nơro
Máy
phát
Tín hiệu ra
Tín hiệu
đánh giá
X
Tín hiệ ủ
u ra c ng cố
Tín hiệu vào
M ng
ạ
nơro
n
Máy
phát
Tín hiệu ra
Y
X
Tín hiệu
vào
M ng
ạ
nơron
W
Tín hiệu ra
(c)
Hình 2.5 Sơ đồ ể ọ ủ ạ nơron
ba ki u h c c a m ng
(a) .H ng c
ọc có giám sát; (b) .Học củ ố;
(c) .Học không có giám sát

31. `23
2.5 M MLP
ẠNG NƠRON
2.5.1 C ng MLP
ấu trúc mạ
M t m ng truy n th ng [14] v Mc
ạng MLP là mộ ạ ề ẳ ới các khối cơ bản là các nơron
Culloch- ng MLP u sau v c ng:
Pitts. Ngoài ra mạ còn một số yêu cầ ề ấu trúc mạ
c s p x p ( ), m ng g m m t l p g
Các nơron đượ ắ ếp thành các lớ layer ạ ồ ộ ớ ồm các kênh
tín hiệu đầu vào (input layer), mộ ớp các kênh tín hiệu đầ ) và có
t l u ra (output layer
th t s
ể ồ ộ
g m m ố ớ ọi chung là các lớ ẩ
l p trung gian g p n (hidden layers).
i gi t l
Không có các ghép nố ữa các nơron trên cùng mộ ớp mà chỉ có ghép nối
gi c a hai l ng t
ữa các nơron ủ ớp liên tiếp. Các ghép nối đều có chiều hướ ừ đầu vào
đến đầ ạ ề ẳ
u ra (m ng truy n th ng).
p s t
Các nơron trên cùng một lớ ẽ có cùng hàm truyền đạ
Hình 2.6 Mô hình mạ ộ ớ ẩ
ng MLP m t l p n
V m
ề ặt lý thuyết, ta có thể xây dự ạ ớ ố ợ ớ ẩn tùy ý, tuy
ng m ng MLP v i s lư ng l p
nhiên các nghiên cứu đã chứ ằ ỉ ầ ử ụ ối đa hai lớ ẩn có thể
ng minh r ng ch c n s d ng t p
mô hình hóa hàm phi tuyế ới độ chính xác tùy chọ ầ ớ ỉ dùng mạ ộ
n v n. Ph n l n ch ng m t
l p n do m ng hai l p
ớ ẩ ạng không có lớp ẩn thì quá đơn giản, còn mạ ớ ẩn thì quá phức
t p.
ạ
M ng MLP v i m p sau:
ạ ớ ột lớ ẩn có thể đượ ặc trưng bở ố
c đ i các thông s
 B - S - s c l n, K- s
ộ ba (N, M, K), trong đó N ố đầu vào, M ố nơron thuộ ớp ẩ ố
nơron ở ớ
l p ra.

32. `24
 Các hàm truyền đạt: 
1 c p
ủa lớ ẩn và 2 c u ra.
ủa lớp đầ
 Ma tr n tr ng s W k t n i gi a l p n. Ma tr n tr ng s k
ậ ọ ố ế ố ữ ớp đầu vào và lớ ẩ ậ ọ ố ết
n p u ra.
ối V giữa lớ ẩn và lớp đầ
Khi đó, với véc – tơ đầu vào  


 

 

 u c c
(đầ vào phân cự ố định
x0 =1), c nh theo tu n t u ra lan truy n thu n
ó đầu ra được xác đị ầ ự chiề ề ậ (forward
propagation) như sau:
- T n th
ổng đầu vào của nơron ẩ ứ i:
i
0
N
i j j
u x W
 
 
 

- u ra c n th
Đầ ủa nơron ẩ ứ i: vi=f1ui
(Để ậ ệ ệ ể ễn các cô ức, xem đầu vào phân cực cho các
thu n ti n cho vi c bi u di ng th
nơron ớp ra là =1 cố đị
l nh)
- T u ra th
ổng kích thích đầu vào của nơron đầ ứ  
1
0
M
i i
j
g f u

 
 
 

- u ra th ng:
Đầ ứ i của mạ yi=f2(gi)
T ng h p l n cho theo
ổ ợ ại ta có hàm truyền đạt của mạng MLP là một hàm phi tuyế
công thức phụ ộ
thu c sau:
   
2 2 i 2 1 i 2 1 i i
0 0 0 0
i
0
M M M N
i i j j i j j j j
j j j
N
i j j
y f g f v V f f u V f f x W V
u x W
  
      
   
      
 
    
 
 
 
   

2.5.2 a m ng MLP
Quá trình học củ ạ
M ng MLP v i c c s d ng r
ạ ớ ấu trúc như trên đượ ử ụ ộng rãi trong việc tái tạo các
ánh xạ vào – ra được xác đị ừ các bộ ố ệ ẫu. Đố ớ ạ ộ ố ệ
nh t s li u m i v i m ng MLP, b s li u
m t t p h p g m p p m c cho d - u
ẫu là mộ ậ ợ ồ các cặ ẫu đượ ở ạng véc tơ đầu vào, véc tơ đầ
ra tương ứng {xi, di} v i i= 1, , p, x
ớ … iRN
; diRK
. Nhi m v c
ệ ụ ủa quá trình học là
xác định giá trị các phầ ử ủa W và V sao cho đáp ứng đầ ủ ạ ầ ố
n t c u ra c a m ng g n gi ng

33. `25
v t nhi u W, V c a m ng
ới giá trị đích nhất. Có rấ ề thuật toán để tìm giá trị ủ ạ nơron.
Trong luận văn này sử ụ ật toán Levenberg –
d ng thu Marquardt.
Marquardt
Thuật toán Levenberg –
c Levenberg [15] ng d ng cho m ng lan truy n nh
Luật họ – Marquardt được ứ ụ ạ ề ằm
c i n t h c c i ti n t -
ả thiệ ốc độ ọc. Phương pháp này đượ ả ế ừ phương pháp Guass
Newton để tránh tình trạ ạng rơi vào các cự ị địa phương. Thuật toán này dự
ng m c tr a
trên khai triể ặ ủ ể ằ ục đích xác định giá trị bé nhấ
n b c hai c a khai tri n Taylor nh m m t
c nh n
ủa sai số đị ghĩa bởi:
   
 





u ch ng s i gi
Các tham số tham gia quá trình điề ỉnh này là các trọ ố ghép nố ữa các
l p trong m i v i m t l p n, s ng
ớ nơron ạng MLP. Đố ớ ạng có mộ ớ nơron ẩ ẽ có hai bộ trọ
s i gi a l p u u chung W- ma tr n ch
ố ghép nố ữ ớp đầu vào, lớ ẩn và lớp đầ ra. Ký hiệ ậ ứa
các tham số ủa quá trình tối ưu hóa tìm giá trị ỏ ấ ủa hàm E. Khi đó ta có
c nh nh t c
d ng ma tr n c a khai tri
ạ ậ ủ ển hàm E xung quanh lân cận W là
3
1
( ) ( ) [ ( )] ( ) ( )
2
T T
E W p E W g W p p H W p O h
    
Trong đó
1 2
( ) [ , ,..., ]T
n
E E E
g W E
W W W
  
  
  
là các véc tơ gradient, còn H là các
ma i x ng c c hai g n Hessian)
trận vuông đố ứ ủ ạo hàm bậ
a các đ (còn ọi là ma trậ
V i
ớ
2 2
1 1 1
2 2
1
...
( )
...
n
n n n
E E
W W W W
H W
E E
W W W W
 
 
 
   
 
 

 
 
 
 
   
 
T m c c ti u c ta s c l p
ại điể ự ể ủa hàm số ẽ có H(W) và xác định dương. Xét bướ ặ thứ k
giá trị ọ ố là W
các tr ng s (k)
. C u c a ng v i
ực tiể ủ hàm sai số tương ứ ớ

34. `26
2
1
1
( ) (W)
2
M
i
i
E W e

 
Trong đó ( ) ( )
i i i
e W y W d
 
Và các ký hiệu
1 1 1
1 2
1
2 2 2
2
1 2
1 2
( )
( )
( ) , ( )
( )
n
n
M
n n n
n
e e e
W W W
e W
e e e
e W
W W W
e W J W
e W
e e e
W W W
  
 
 
  
 
 
  
 
 
 
    
 
 
 
 
 
 
    
 
 
  
 
Khi đó véctơ gradient g và ma trậ ấ ỉ ận Hessian H đượ ị ở
n G x p x ma tr c xác đ nh b i
 
 
( ) ( ) ( )
( ) ( ) ( ) ( )
T
T
g W J W e W
G W J W J W R W

 
V n khai tri n b c cao c nh
ới R(W) là thành phầ ể ậ ủa H theo W. Tuy nhiên việc xác đị
giá trị chính xác của R khá khó khăn nên thuật toán L M đã thay thành phần này bở
- i
thành ph i bư
ầ ới v thay đổi trong quá trình họ ụ ể ạ
n v1 v c. C th , t ớ ứ k ta có
c th
 
( ) ( ) ( ) (k)
( ) ( ) ( .1
T
k k k
G W J W J W v
 
 
 
T c h k nh ), W
ại các bướ ọc đầu tiên ( ỏ (k) n so v i v c ti
sai khác lớ ớ ị trí cự ểu, do đó
c n ch n v
ầ ọ (k) r t l n ( so v n nh t c a ma tr n
ấ ớ ới giá trị riêng lớ ấ ủ ậ  
( ) ( )
( ) (
T
k k
J W J W
 
 
để có ( ) (k)
( ) .1
k
G W v

Và biến thiên sẽ được tính theo phương bướ ả ự ạ
c gi m c c đ i
(k)
(k)
(
k g W
p
v
  .
Khi sai số đã giảm xuống và W(k) n g n t m c s v
đã tiế ầ ớ ể
i đi ực tiểu thì hệ ố (k) sẽ
đượ ả ống và thành phầ
c gi m xu n  
( ) ( )
( ) (
T
k k
J W J W
 
  s m t
ẽ chiế ỷ trọng ngày càng
l u qu c - do vi u ch nh v
ớn trong công thức. Tính hiệ ả ủa thuật toán L M sẽ ệc điề ỉ (k)

35. `27
quyế ịnh. Như trên có v
t đ (k)
s b u t m l n v
ẽ ắ ầ
t đ ừ ột giá trị ớn và giảm dầ ề 0 khi đạt
g n t c do L-
ầ ớ ể
i đi m cực trị. Có rất nhiều phương án lựa chọn nhưng phương án gố
M đưa ra như sau. Ký hiệu E(k)
k, r- h s gi m c
là giá trị hàm sai số ở bước thứ ệ ố ả ủa
v. Khi đó:
N u
ế  
1
k
k
v
E E v
r

 

 
 
thì 1
k
k
v
v
r


N u
ế 
1
k
k
v
E E v
r

 

 
 
và   
1 <
k k
E v E v
 thì 1
k k
v v

N u
ế 
1
k
k
v
E E v
r

 

 
 
và   
1 >
k k
E v E v
 t sao
thì ta xác định n nguyên dương bé nhấ
cho   
1
k k
E v E v
  thì 1
n
k k
v v r


Quá trình thay đổ ệ ố ẽ đượ ự ện cho đến khi ta có hệ ố chính xác củ
i h s v s c th c hi s a
nghi g n b ng 1 v i
ệm q đạ ị
t giá tr ầ ằ ớ
(k) (k 1)
( ) ( ) ( ) (k) (k)
0,5
T T
k k k
E E
q
W g W G W



   
   
   
Khi 1
q  x p x b ng khai tri n Taylor b
giá trị hàm sai số ấ ỉ ằ ể ậc hai, điều đó có nghĩa
sai số ần đạ ến điể
g t đ m cực tr c b
ị và giá trị v có thể đượ ỏ qua.
Thuật toán L M có trong thư việ ủ ủ tlab (các
- n c a Neural Network Toolbox c a Ma
hàm train và trainlm)
2.6 V M NG H
Ấ Ề
N Đ Ạ ỌC QUÁ KHỚP VÀ MẠNG HỌC KHÔNG ĐỦ
[14], v i m t t p s u b t k t m c sai s b t k
Theo ớ ộ ậ ố liệ ấ ỳ và mộ ứ ố ấ ỳ cho trước, có thể
xây dựng đượ ộ ạ nơron sao cho có thể đạt đượ ố này. Tuy nhiên trong
c m t m ng c sai s
nh ng h ng t l n,
ững trườ ợp như vậy, các mạ nơron tìm được có cấu trúc rấ ớ và đưa
vào mạ ột tín hiệu đầu vào mới (chưa xuấ ệ ậ ố ệ ọc) thì xác
ng m t hi n trong t p s li u h
suấ ể có đáp ứng đầ ố ủ
t đ u ra t t c a mạng là rấ ấ ữ ạ nơron ạt độ ố
t th p. Nh ng m ng ho ng t t
trên các mẫu đã đượ ử ụng để xây dựng mô hình nhưng hoạt động không hiệ
c s d u

36. `28
qu u m c g ng ki n th
ả trên các mẫ ới đượ ọi là mạ nơron có khả năng tổng quát hóa ế ức
thấp.
c m t m ng v c bi
Để tìm đượ ộ ạ nơron ừa đáp ứng được các yêu cầu đã đượ ết và đặt
ra trướ ạ ừa đồ ời có xác suất thành công cao khi xử lý những yêu cầu đầ
c, l i v ng th u
vào mới. Có thể ể ệ ệc đạ ế ả ằng cách sử ụ ậ ố ệ
ki m nghi m vi t k t qu b d ng hai t p s li u
thay vì chỉ ử ụ ộ ậ ộ ập để ử ụng trong quá trình xây dựn mô hình,
s d ng m t t p. M t t s d
t p s i l p s u h u {x
ậ ố liệu này gọ à tậ ố liệ ọc (learning data set), ký hiệ i, di} v i i=1, 2
ớ ,
… ậ ố ệu còn lạ ẽ đượ ử ụng trong quá trình kiể
, p. T p s li i s c s d m tra (testing data set),
ký hiệu {xi
kt
, di
kt
} v i i=1, , ng m u ki m tra. M ng
ớ 2, … q trong đó q là số lượ ẫ ể ạ nơron
sau khi đã xây ựng trên tậ ố ệ ọ ẽ đượ ể ớ ậ ố ệ ứ hai và
d p s li u h c s c ki m tra v i t p s li u th
có sai số ểm tra như sau
ki :
2
1
1
( )
2
q
kt kt
kt i i
i
E y x d

 

M ng s p nh t n p ki nh , m t trong
ạ ẽ chấ ận là tố ếu như sai số trên tậ ểm tra đủ ỏ ộ
nh u ki n quan tr m b p s u ki m tra
ững điề ệ ọng để đả ảo tính khách quan là tậ ố liệ ể
(testing set) không đượ ứ ố ệu đã xuấ ệ ậ ố ọ
c ch a s li t hi n trong t p s h c.
Trong m ng u ph i m t v i hai hi
ạ nơron và các mô hình phi tuyến đề ải đố ặ ớ ện
tượ ọc quá khớ ) và học quá ít ( ộ ạng quá đơn
ng: h p (overfitting underfitting). M t m
gi ph c t p c a s u d n ng h p h
ản không có khả năng xử lý hết độ ứ ạ ủ ố liệ ẫn đế trườ ợ ọc
quá ít. Mộ ạng quá phứ ạp có thể ọ ất chính xác các mẫu đế ức không
t m c t h c r n m
gi i quy u m i s d n t i hi ng h p. H
ả ết được các mẫ ớ ẽ ẫ ớ ện tượ ọc quá khớ ọc quá khớp là
hiện tượng khá nguy hiể có thể ễ dàng dẫ ớ ững trườ ợp đưa ra đáp
m do d n t i nh ng h
ứng khác lệ ấ ề ới giá trị chính xác. Để tránh hiện tượ ọc quá khớ
ch r t nhi u so v ng h p,
có thể ử ụ ấ ề ố ệ ẫ ộ ữ ế ố ảnh hưở ạ ấ
s d ng r t nhi u s li u m u. M t trong nh ng y u t ng m nh nh t
t phi tuy n c a m ng n n. S n ph
ới độ ế ủ ạ nơron là số ơron ẩ ố nơron ẩ ụ thuộc vào rất
nhi u y u t
ề ế ố như:

37. `29
 S u ra c a m ng ;
ố đầu vào và đầ ủ ạ nơron
 S c p m u trong s u h c
ố ặ ẫ ố liệ ọ
 Lượ ễu có trong tín hiệu vào;
ng nhi
 Độ ứ ạ ủa hàm ánh xạ đang cần tìm;
ph c t p c
 C ng
ấu trúc của mạ nơron đang xây dựng;
 D n trong m ng;
ạng hàm truyề đạt củ nơron
a các ạ
 Thuật toán học;
 Các phương pháp hỗ ợ quá trình họ ệ “làm trơn hàm ánh xạ
tr c trong vi c ” .
V t quy t c th ng nh t trong vi nh c
ẫn chưa có mộ ắ ố ấ ệc xác đị ấu trúc tối ưu. Cách phổ
bi n nh nghi c v i nhi u m
ế ất là thử ệm quá trình họ ớ ề ạng khác nhau thông qua việc
kh l n m ng
ảo sát sai số thu được. Có thể ựa chọ ạ nơron nào có sai số bé nhất.
M xu c l n s l p
ột số nghiên cứu đã đề ất việ ựa chọ ố nơron ớ ẩn như sau:
 S trong l n gi i h n trong kho ng s u ra c
ố nơron ớp ẩ ớ ạ ả ố đầu vào và số đầ ủa
m ng
ạ
 M ng v i m t l p n ch c n s d n,
ạ nơron ớ ộ ớ ẩ ỉ ầ ử ụng không quá 2N số nơron ẩ
Trong đó N là số đầu vào củ ạ nơron
a m ng .
 S n s i s c s d ng
ố nơron ẩ ẽ tương đương vớ ố thành phần chính (PCA) đượ ử ụ
để ạ ừ 70% đế ứ ộ ến thiên củ ậ ố ệu đầu vào.
tái t o t n 90% m c đ bi a t p s li

38. `30
CHƯƠNG 3 Ự BÁO PHỤ ẢI ĐIỆ Ắ Ạ Ớ Ố Ệ
: D T N NG N H N V I S LI U THU
THẬP TỪ I -NEW ENGLAND
SO
Trong nh t nhi u v m ng ng d ng
ững năm gần đây có rấ ều nghiên cứ ề ạ nơron và ứ ụ
cho bài toán dự báo phụ ải điện. Các nghiên cứu đã chứ ỏ ằng không có mộ
t ng t r t
mô hình mạ nơron ụ ể nào cho tấ ả cá bài toán, ngay cả ớ ột bài toán
ng c th t c v i m
nhưng nhiề ẫ ố ệu khác nhau. Như vậy đố ớ ỗi bài toán cụ ể ả
u m u s li i v i m th ph i đi
xây dựng mô hình mạ nơron để ụng cho bài toán đó.
ng áp d
3.1 T N
XÂY DỰNG BÀI TOÁN DỰ BÁO PHỤ ẢI ĐIỆ
Bài toán dự báo là một bài toán phứ ạ ả ề ố ợ ữ ệu đưa vào cũng
c t p, c v s lư ng d li
như độ chính xác dữ ệ ầ ự báo. Có các phương pháp dự báo khác nhau như
li u c n d
phương pháp: Hồ ến tính, Phương pháp ngoạ ời gian… Tuy
i quy tuy i suy theo th
nhiên đế ời điể ày đố ới các bài toán dự báo phứ ạp, đòi hỏi độ chính xác
n th m n i v c t
cao người ta thường dùng thuật toán lan truyền ngược để ứ ụng trong các lĩnh
ng d
v c d n d t k
ự ự báo, nhậ ạng, phân lớp. Các bước chính trong quá trình thiế ế và xây
d ng m ng d ng d ng MLP bao g
ự ột ứ ụ ựa trên mạ nơron ồm:
Bướ ự ọn các biế ầu vào
c1: L a ch n đ
i v t t ng t ng
Đố ới bài toán dự báo phụ ải điện, giá trị phụ ải và nhiệt độ tương ứ ừ
gi ng.
ờ là các dữ liệu đầu vào cho mạ
Bướ ậ ữ ệ
c2: Thu th p d li u
p d u sau khi thu c c n ph
Xem xét khả năng thu thậ ữ liệu, các dữ liệ thập đượ ầ ải
ki p l c
ểm tra tính hợ ệ ủa chúng.
Bướ : Phân chia tậ ữ ệ
c 3 p d li u
hu n luy n m ng ta ph i chia t p d p hu n luy p ki
Để ấ ệ ạ ả ậ ữ liệu thành tậ ấ ện và tậ ểm
tra. T p hu n luy p ki m tra, t p hu n luy ng ch
ậ ấ ện thường là lớn hơn tậ ể ậ ấ ện thườ ứa
kho ng 60% - 70% t p d u. T p ki m tra s d ki
ả toàn bộ ậ ữ liệ ậ ể ử ụng để ểm tra tính
đúng đắ ủ ạng sau khi đã huấ ện, có hai cách xác đị ậ ể ộ
n c a m n luy nh t p ki m tra, m t
là lấ ẫu nhiên các mẫ ừ ậ ấ ện ban đầu, hai là chỉ ấ ậ ữ ệ ầ
y ng u t t p hu n luy l y t p d li u g n
v n t n .
ới hiệ ại hơn vì nó quan trọ g hơn các dữ liệu trong quá khứ

39. `31
Bướ : Xác đị ấu trúc mạ
c 4 nh c ng
ng m t m
Để xây dự ộ ạng nơron hoàn chỉ ần xác định các yế ố
nh, ta c u t sau:
 Số đầu vào: nh s a l
Xác đị ố đầu vào củ ớp vào căn cứ vào dữ liệu đầu vào
và quá trình huấ ệ ạ
n luy n m ng.
 S l
ố ớp ẩn: i v i ta s
Đố ới các bài toán dự báo nói chung thông thường ngườ ử
d ng m t l p c t u xem vi
ụ ộ ớ ẩn vì thự ế đã có nhiều nghiên cứu tìm hiể ệc thêm
các lớ ẩn có làm tăng năng lự ọ ặ ốc độ ọ ủ ạng không. Tuy
p c h c ho c t h c c a m
nhiên chưa có lậ ận lý thuyết nào ủ ộ ệc thêm các lớ ẩ ớ
p lu ng h cho vi p n. V i
m t l p n m p x m c b t k
ộ ớ ẩ ạng có thể tính toán xấ ỉ ột hàm liên tụ ấ ỳ đối với các
bi i nhi u l p n m
ến tương ứng là các tín hiệu đầu vào. Còn vớ ề ớ ẩ ặc dù có thể
tính toán xấ ỉ ột hàm bấ ỳ ậ
p x m t k , tuy v y s p
ố nơron trong các lớ ẩn có thể
tăng theo hàm mũ đố ớ ố đầu vào dẫn đến công thức tính toán các đầ
i v i s u
vào, đầ ứ ạp hơn và việ ấ ệ ạ ẽ ậm hơn. Cho đế
u ra ph c t c hu n luy n m ng s ch n
nay v kh
ẫn chưa có những cơ sở lý luận đầy đủ để ảo sát họ các hàm có thể
x p x nh ng nhi u l p.
ấ ỉ ờ các mạ ề ớ
 S trong l
ố nơron ớp ẩn: c s t
Chưa có phương pháp nào có thể chọn đượ ố ối
ưu các nơron ử ụ ớ ẩ ỉ có mộ ố phương pháp cho ta lự
s d ng trong l p n. Ch t s a
chọn ban đầu, nhưng muốn có đượ ố ối ưu các nơron ớ ẩn thì
c s t trong l p
ngườ ế ế mô hình cầ ả ự ệ ều thí nghiệ Đồ ờ ệ
i thi t k n ph i th c hi n nhi m. ng th i, vi c
chọ ự ố đầu vào mạng cũng mang tính chấ ết định đế ấu trúc
n l a s t quy n c
m t. Ta c n th c hi n hu n luy n, ki
ạng để có khả năng tổng quát hoá tố ầ ự ệ ấ ệ ểm
tra l i c
ỗ ủa toàn bộ ậ ẫu để có thể tăng hoặ
t p m c giảm các nơron ớ ẩ
l p n.
S u ra:
ố nơron đầ o m c a t
Căn cứ và ục tiêu cụ thể ủ ừng bài toán dự báo để
xác định đầu ra tương ứng.
Bướ Tiêu chuẩn đánh giá:
c 5:
ng ch
Có nhiều cách đánh giá độ chính xác của bài toán dự báo nhưng thườ ọn
hàm SSE ( ): Tính tổng các bình phương sai số trên toàn ộ
Sum of Squares Errors b

40. `32
t p m u h
ậ ẫ ọc, hàm MSE ( ): Tính trung bình tổng các
Mean Sum of Squares Errors
bình phương sai số trên toàn bộ ậ ẫ ọ
t p m u h c
Hàm APE ( ): Tính sai số ần trăm tuyệt đối trên bộ
Absolute Percent Error ph
m u ki m tra ho ): T trung
ẫ ể ặc hàm MAPE (Mean Absolute Percent Error ính sai số
bình phần trăm tuyệ ố
t đ i
 


 




 
 


  


Trong đó Nh: là số ờ ờ ự báo.
gi trong th i gian d
Bướ ấ ệ ạ
c 6: Hu n luy n m ng
Huấ ệ ạ ọc các dữ ệ ằng cách lần lượt đưa các mẫu vào cùng
n luy n m ng h li u b
v mong mu n. M n luy n m
ới những giá trị ố ục tiêu của việc huấ ệ ạng là tìm ra tập các
trọ ố sao cho giá trị ỏ ất toàn cụ ủa hàm lỗ ột câu hỏi đặt ra là khi
ng s nh nh c c i. M
nào ngừ ấ ện? Thông thường có hai biện pháp ứ ấ ừ ấ
ng hu n luy : Th nh t ng ng hu n
luy n tri i n a v i d t s t
ện khi không có tiế ển nào của hàm lỗ ữ ớ ữ liệu trên mộ ố ập các
tham s c a m ng. Th c ch t bi c kh n
ố ủ ạ ự ấ ện pháp này là xác định đượ ả năng đạt đế
c c ti c l n nh t. Bi n th c hi ng
ự ểu toàn cụ ớ ấ ện pháp thứ hai là cầ ự ện xem xét thườ
xuyên khả năng tổng quát hoá bằng cách sau mỗ ỳ nào đó thự ệ ể
i chu k c hi n ki m tra
t a m n luy n.
ổng quát hoá củ ạng và sau đó quay lại quá trình huấ ệ
Việ ự ệ ấ ệ ạng còn cần xem xét khả năng vớ ộ ố nào đó
c th c hi n hu n luy n m i m t s
l n th c hi n hu n luy n m t p kh i t u c . Sau khi
ầ ự ệ ấ ệ ạng trên ậ ở ạo ban đầ ủa các tham số
thự ệ ấ ện trên tấ ả các tham số này, cầ ự ện đánh giá lạ ế
c hi n hu n luy t c n th c hi i k t
qu , t t lu n v s l n t c hi n hu n luy n cho m ng cho t ng
ả ừ đó đưa ra kế ậ ề ố ầ ối đa thự ệ ấ ệ ạ ừ
bài toán cụ ể
th .
M c hi n vi c v
ột phương pháp khác là thự ệ ệ ẽ đồ thị để có thể theo dõi trạng thái
l i c a m ng. T
ỗ ủ ạ ừ đó có thể quan sát được các vùng mà mạng có trạng thái không
thay đổ ớ ữ ệu vào hay vùng hộ ụ ậm. Thông thườ ố ầ ự ệ
i v i d li i t ch ng s l n th c hi n

41. `33
hu n luy n m ng bi n t v
ấ ệ ạng có khoả ến thiên khá lớ ừ ài nghìn đến vài chục nghìn
chu k . Vi c tr a m ng v i t p hu n luy
ỳ ệc theo dõi đượ ạng thái củ ạ ớ ậ ấ ện và khả năng
t ng ng khi c ng. C n ph i c p nh sau
ổng quát hoá để có thể ừ ần là quan trọ ầ ả ậ ật đồ thị
mỗi chu kỳ hu n luy n m ng.
để có thể theo dõi được các tham số ấ ệ ạ
Bướ Áp dụ
c 7: ng
M ng y m ng t t nh
ạ nơron có khả năng xử lý tính toán song song, do vậ ạ nơron ố ất
nên được cài đặt trên các vi mạch điệ ử. Trong đó môi trường máy tính cá nhân
n t
l n luy ng th
ại phù hợp trong quá trình huấ ện để cài đặt đồ ời có khả năng linh hoạt
đáp ứ ều bài toán.
ng nhi
3.2 D T N NG
Ự BÁO PHỤ ẢI ĐIỆ ẮN HẠN DÙNG MẠNG NƠRON MLP
(24xNx24)
 Cấu trúc mạng MLP
 Lớp vào:
Phụ ả
t i của ngày trước ngày dự báo P(k-1, 1) ÷P (k-24)
 L p n:
ớ ẩ
Trên cơ sở tính toán so sánh sai số khi thay đổ ố nơron trong lớ ẩ ọ ố
, i s p n. Ch n s
n p
ơron trong lớ ẩn là 20
 L p ra:
ớ
Phụ ả
t i của ngày dự báo: P (k, 1) ÷P(k, 24)
 Thông số ữ ệ
d li u
Sử ụ ậ ữ ệ ề ụ ải và thờ ế ủ trong 5 năm
d ng t p d li u v ph t i ti t c a ISO- New England
2010-2014. V i t p s
ớ ậ ố liệu này xây dự ộ ữ ệ ấ ện và kiểm tra. Dùng 4
ng b d li u hu n luy
năm 2010 ÷ 2013 để làm bộ ố ệ ấ ện, năm 2014 dùng để ểm tra và đánh
s li u hu n luy ki
giá.
 K d
ết quả ự báo
B ng k t qu d t n sai s d 1 tu n
ả ế ả ự báo phụ ả ệ
i đi ngày 30/06/2014 và ố ự báo cho ầ
(22-28/06/2014) ph t i c
và đồ thị ụ ả ủa ngày 30/06/2014 khi dùng mô hình 24xNx24.

42. `34
Ngày dự báo Sai số MAPE
Chủ nhật 22/6/2014 1.942
Thứ 2 23/6/2014 2.704
Thứ 3 24/6/2014 4.658
Thứ 4 25/6/2014 9.649
Thứ 5 26/6/2014 7.421
Thứ 6 27/6/2014 7.641
Thứ 7 28/6/2014 3.096
Sai số trung bình trong tuần 5.301
B ng 3.1 K t qu d t i t 22- /06/2014 (ANN 24x20x24)
ả ế ả ự báo phụ ả ừ 28
Hình 3.1 Đồ ị ự báo phụ ải ngày 30/06/2014 (ANN
th d t 24x20x24)

43. `35
Giờ dự
báo
Phụ tải thực tế Phụ tải dự báo Sai số APE (%)
1 12330.000 12370.286 0.327
2 11649.000 11643.885 0.044
3 11245.000 11229.122 0.141
4 11093.000 11038.900 0.488
5 11299.000 11177.651 1.074
6 11889.000 11765.633 1.038
7 13393.000 13384.409 0.064
8 15150.000 15038.589 0.735
9 16395.000 16186.865 1.270
10 17459.000 17144.120 1.804
11 18434.000 17991.649 2.400
12 19225.000 18603.164 3.235
13 19847.000 18980.252 4.367
14 20430.000 19313.156 5.467
15 20807.000 19463.658 6.456
16 21048.000 19552.256 7.106
17 21228.000 19709.497 7.153
18 21195.000 19651.828 7.281
19 20791.000 19408.670 6.649
20 20092.000 18695.007 6.953
21 19710.000 18347.904 6.911
22 18986.000 17695.598 6.797
23 17166.000 15993.167 6.832
24 15352.000 14262.627 7.096
Sai số trung bình MAPE (%) 3.820
B ng 3.2 K d ph t (ANN 24x20x24)
ả ết quả ự báo ụ ải ngày 30/06/2014

44. `36
3.3 T
MÔ HÌNH DỰ BÁO PHỤ ẢI ĐIỆN DÙNG MẠNG NƠRON MLP
(6xNx1)
 Cấu trúc mạng nơron
 Số nơron lớp vào: 6
Trong đó: - Giờ trong ngày.
- cao.
Nhiệ ộ
t đ
- t p
Nhiệ độ thấ
- t c
Phụ ải cùng giờ ủa ngày trước.
- t c
Phụ ải cùng giờ ủa tuần trước.
- t a 24 gi
Phụ ải trung bình củ ờ trước.
 S p n : 20
ố nơron lớ ẩ
 S p ra: 1
ố nơron lớ
 Đặ ể ậ ố ệ ẫ ấ ện và kiể
c đi m t p s li u m u hu n luy m tra
- T p m u g
ậ ẫ ồm 5 năm từ năm 2010 đến năm 2014
- T p m n luy n : S d n 2013
ậ ẫu dùng để huấ ệ ử ụng 4 năm 2010 đế
- T p m ki
ậ ẫu để ểm tra : năm 2014
 K d
ết quả ự báo
S ng cho b s u thu
au quá trình xây dựng mô hình dự báo 6xNx1 để áp dụ ộ ố liệ
th t qu
ập được t c k
ừ ớ ệ – England thu đượ
lư i đi n Iso New ế ả ự báo
d sau:
- B ng sai s d n t 28/06/2014
ả ố ự báo cho một tuầ ừ ngày 22 →
- d t tu n t 28/06/2014
Đồ thị ự báo cho mộ ầ ừ ngày 22 →
- B ng sai s d
ả ố ự báo ngày 30/06/3014
- d t
Đồ thị ự báo phụ ải cho ngày 30/06/3014
- B t qu d
ảng so sánh kế ả ự báo của 2 mô hình 24xNx24 và mô hình 6xNx1
- ph t s
Đồ thị thị ụ ải của 2 mô hình khi dự báo với bộ ố liệu trên

45. `37
Ngày dự báo Sai số MAPE
Chủ nhật 22/6/2014 2.401
Thứ 2 23/6/2014 2.444
Thứ 3 24/6/2014 3.551
Thứ 4 25/6/2014 3.410
Thứ 5 26/6/2014 2.129
Thứ 6 27/6/2014 1.335
Thứ 7 28/6/2014 1.921
Sai số trung bình trong tuần 2.456
B ng 3.3 K d ph t i t -28/06/2014 ( 6x20x1)
ả ết quả ự báo ụ ả ừ ngày 22 ANN
Hình 3.2 Đồ ị ự báo phụ ải ngày 30/06/2014
th d t ( 6x20x1)
ANN

46. `38
Giờ ự
d
báo Phụ ả
t i thực tế Phụ ả
t i dự báo Sai s APE (%)
ố
1 12330 12005.883 2.629
2 11649 11223.338 3.654
3 11245 10938.419 2.726
4 11093 10743.616 3.150
5 11299 10693.562 5.358
6 11889 11175.451 6.002
7 13393 12566.409 6.172
8 15150 14470.557 4.485
9 16395 16288.553 0.649
10 17459 17653.755 1.115
11 18434 18735.723 1.637
12 19225 19546.746 1.674
13 19847 20125.488 1.403
14 20430 20588.432 0.775
15 20807 20935.306 0.617
16 21048 21066.859 0.090
17 21228 21021.461 0.973
18 21195 20951.909 1.147
19 20791 20524.818 1.280
20 20092 20043.013 0.244
21 19710 19534.794 0.889
22 18986 18513.311 2.490
23 17166 16921.706 1.423
24 15352 15741.305 2.536
Sai số trung bình MAPE(%) 2.213
B ng 3.4 K d ph t (ANN 6x20x1)
ả ết quả ự báo ụ ải ngày 30/06/2014

47. 39
Hình 3.3 d t n -28/06/2014 (ANN 6x20x1)
Đồ thị ự báo phụ ải gày 22

48. 40
3.4 T I
SO SÁNH HAI MÔ HÌNH DỰ BÁO PHỤ Ả
Giờ dự báo Sai số mô hình 24x20x24 Sai số mô hình 6x20x1
1 0.327 2.629
2 0.044 3.654
3 0.141 2.726
4 0.488 3.15
5 1.074 5.358
6 1.038 6.002
7 0.064 6.172
8 0.735 4.485
9 1.270 0.649
10 1.804 1.115
11 2.400 1.637
12 3.235 1.674
13 4.367 1.403
14 5.467 0.775
15 6.456 0.617
16 7.106 0.09
17 7.153 0.973
18 7.281 1.147
19 6.649 1.28
20 6.953 0.244
21 6.911 0.889
23 6 832 1 423
24 7.096 2.536
Trung bình sai số 3.820 2.213
B ng 3.5 K t i c
ả ết quả so sánh dự báo phụ ả ủa hai mô hình

49. 41
Mô hình MLP Mô hình MLP 6x20x1
24x20x24
Hình 3.4 d t i c
Đồ thị so sánh ự báo phụ ả ủa hai mô hình

50. 42
Nhận xét:
Qua k t qu y r ng sai s MAPE c 6x20x1
ế ả tính toán có thể thấ ằ ố ủa mô hình đạt
được là ấp hơn so với mô hình 24xNx24 ạng đượ
2.213%, th ( M
MAPE =3.820%). c
hu n luy n c p nh t i c c, tu
ấ ệ ậ ập hàng ngày theo giá trị phụ ả ủa ngày trướ ần trước...và
th i ti t s t k th i ti t.
ờ ế ẽ đạ ế ả ốt hơn so vớ ạ g không huấ ệ ới giá trị
t qu t i m n n luy n v ờ ế
3.5 K 3
ẾT LUẬN NỘI DUNG CHƯƠNG
- Các số liệu được lấy từ ISO- New England năm 2010 ÷ 2014 gồm có phụ tải
điện, nhiệt độ. Các số liệu này được sử dụng để tạo các mẫu số liệu đầu vào của bài
toán dự báo phụ tải.
- Sai s n h n trong kho
ố trong công tác dự báo ngắ ạ ảng 1% ÷ 5%.Mô hình trên đã
d t tu n % n m trong kho ng sai s
ự báo sai số trung bình trong mộ ầ là 2.213 ằ ả ố cho
phép của bài toán dự báo.

51. 43
CHƯƠNG Ứ Ụ ẠNG NƠRON NHÂN TẠ Ự BÁO
4: NG D NG M O TRONG D
PHỤ ẢI ĐIỆ Ắ
T N NG N HẠN CHO THÀNH PHỐ HÀ NỘI
4.1 I
XÂY DỰNG MÔ HÌNH DỰ BÁO ÁP DỤNG CHO THÀNH PHỐ HÀ NỘ
Trong vi t i t nh t c
ệc xây dựng các mô hình dự báo phụ ả , để được mô hình tố ấ ần
thự ệ ều bướ ới các thông số đầu vào thay đổi. Mô hình tố ấ ố
c hi n nhi c v t nh t khi sai s
đánh giá trên tậ ểm tra là thấ ất. Xây dựng mô hình dự báo theo các bướ
p ki p nh c
sau:
ng
Bước 1: Thay đổi các đầu vào mạ nơron để được các mô hình dự báo
khác nhau.
c thi t k d t
ANN đượ ế ế ựa trên các phụ ải trước đó, loại mùa, loại ngày, giờ trong
ngày, các ngày trong tuầ ờ ế ệt độ… là nhữ
n, th i ti t, nhi ng yế ố có ảnh hưởng đế
u t n
ph t n. Trong lu u t ph t , nhi t ,
ụ ải điệ ận văn xét yế ố ụ ải điện trong quá khứ ệ độ phân
loạ ngày, độ ẩ ố ộ gió để xây dựng mô hình dự báo.
i m, t c đ
Bước 2: Tìm kiếm mô hình tố ấ
t nh t:
i v i m m ng s c nh s l n l m b o m
Đố ớ ỗi mô hình ạ ẽ ố đị ố ầ ặp để đả ả ỗi mô hình được
hu n luy i s trong l p ng v i s
ấ ện là như nhau. Thay đổ ố nơron ớ ẩn, tương ứ ớ ố nơron
trong l p c k t qu sai s n l p n v i sai s
ớ ẩn thu đượ ế ả ố khác nhau. Chọ nơron ớ ẩ ớ ố nhỏ
nh c l a ch t qu sai s d
ất. Mô hình đượ ự ọn khi so sánh kế ả ố ự báo các mô hình với
nhau. Mô hình nào có sai số ỏ ấ ẽ là mô hình đượ ự ọ
nh nh t s c l a ch n.
Bước 3: Tối ưu hóa mô hình.
Khi ch p, s c nh s l p
ọn đuợc mô hình mạng thích hợ ẽ ố đị ố nơron ớ ẩn và thay đổi
s l n l t i s l n l p nh t s
ố ầ ặp để ối ưu hoá sai số. Mô hình vớ ố ầ ặp có sai số thấ ấ ẽ được
chọn làm mô hình dự báo cuối cùng.
Xây dựng các mô hình dự báo phụ ả ệ ắ ạ
t i đi n ng n h n sau:
 Mô hình 1: 24xNx24 vớ ầu vào P
i 24 đ (k-1)
- t
24 đầu vào phụ ải trước ngày dự báo: P(k-1,1)÷ P(k-1,24)

52. 44
 Mô hình 2: 27xNx24
- u t P
24 đầ vào phụ ải trước ngày dự báo: (k-1,1)÷ P(k-1,24)
- 3 cao, th T
đầu vào nhiệt độ ấp và trung bình trước ngày dự báo: max -
(k 1),
Tmin -
(k 1), Ttb -
(k 1)
 Mô hình 3: 31xNx24
- 24 đầu vào phụ ải trước ngày dự báo: P
t (k-1,1)÷ P(k-1,24)
- 3 cao, th p T
đầu vào nhiệt độ ấ và trung bình trước ngày dự báo: max(k-1),
Tmin(k-1), Ttb(k-1)
- 4 đầu vào mã hoá dạng ngày: d1,d2,d3,d4
 Mô hình 4: 34xNx24
- 24 đầu vào phụ ải trước ngày dự báo:
t P(k-1,1)÷ P(k-1,24)
- 3 cao, th
đầu vào nhiệt độ ấp và trung bình trước ngày dự báo:Tmax(k-1),
Tmin(k-1), Ttb(k-1)
- 4 đầu vào mã hoá dạng ngày: d1,d2,d3,d4
- 1 đầu vào độ ẩm trước ngày dự báo: H(k-1)
- 2 V
đầu vào tố ộ
c đ gió trước ngày dự báo: tb -1
(k ), Vmax.
4.1.1 t (24xNx24)
Mô hình dự báo phụ ả ện dùng mạ
i đi ng nơron
 C a m
ấu trúc củ ạng nơron
S l u v ph t
ố nơron ớp vào là 24, với 24 dữ liệ ề ụ ải của ngày trước ngày dự báo.
S l 24 ng v i 24 gi c
ố nơron ớp ra là , tương ứ ớ ờ ủa ngày dự báo.
 L a ch l p n
ự ọn số nơron ớ ẩ
S l p c p ki
ố nơron ớ ẩn đượ xác định trên phương pháp đánh giá sai số trên tậ ểm
tra là thấ ấ đổ ố nơron ớ ẩ ừ 1 đế ọn đượ ố nơron
p nh t. Khi thay i s l p n t n 30, ch c s
tương ứng là 20 cho kế ả ố ự báo tố ấ
t qu sai s d t nh t.
 T p d u
ậ ữ liệ
S d ng t p d u v ph t i ti t c i t
ử ụ ậ ữ liệ ề ụ ải và thờ ế ủa Hà Nộ ừ 01/01/2011 đến
31/12/2012 p s u: t p hu n luy p ki m tra. V i t p s
chia thành 2 tậ ố liệ ậ ấ ện và tậ ể ớ ậ ố

53. 45
li /2012
ệu năm ừ 01/01/2011 đế /2012. Và tậ ể ừ
t n 30/06 p ki m tra t 01/07 đến
31/12/2012
 Kết quả
- Đồ ị ụ ải cho ngày 08/11/2012
th ph t
- B ng sai s d
ả ố ự báo cho ngày 08/11/2012
Hình 4.1 Đồ ị ự báo phụ ải ngày 08/11/2012
th d t (24xNx24)

54. 46
Giờ dự
báo
Phụ tải thực tế Phụ tải dự báo Sai số APE (%)
1 1014.782 1099.321 8.331
2 1015.292 971.908 4.273
3 904.462 977.018 8.022
4 929.495 955.231 2.769
5 960.378 979.058 1.945
6 1009.082 997.414 1.156
7 1065.743 1154.463 8.325
8 1605.943 1483.131 7.647
9 1581.137 1529.465 3.268
10 1559.420 1648.304 5.700
11 1812.302 1851.766 2.178
12 1692.680 1700.253 0.447
13 1371.282 1538.434 12.189
14 1419.368 1555.634 9.600
15 1707.521 1591.366 6.803
16 1695.124 1780.953 5.063
17 1888.163 1832.199 2.964
18 1923.958 2043.825 6.230
19 1883.132 1907.281 1.282
20 1737.721 1768.786 1.788
21 1531.640 1648.279 7.615
22 1508.084 1492.424 1.038
23 1310.262 1391.024 6.164
24 1101.308 1064.362 3.355
Sai số trung bình MAPE (%) 4.923
B ng 4.1 K d t (24xNx24)
ả ết quả ự báo phụ ải ngày 08/11/2012

55. 47
4.1.2 t xNx24)
Mô hình dự báo phụ ả ện dùng mạ
i đi ng nơron (27
 Cấu trúc mạng nơron
 S l 27: bao g t nhi
ố nơron ớp vào là ồm 24 đầu vào phụ ải và 3 đầu vào về ệt độ
(nhi cao nh t, th p nh
ệ ộ
t đ ấ ấ ấ ớc ngày dự báo.
t, trung bình) trư
 S l p 20
ố nơron ớ ẩn là
 S l 24
ố nơron ớp ra là
 Đặ ể ậ ố ệ ẫ ấ ện và kiể
c đi m t p s li u m u hu n luy m tra
 T p m u t -01- -12-2012
ậ ẫ ừ ngày 01 2011 đến ngày 31
 T p m n luy n : 01-01- - -2012
ậ ẫu dùng để huấ ệ 2011 đến ngày 30 06
 T p m ki m tra : 01-01- n 31-12-2012
ậ ẫu để ể 2012 đế
 K d 08/11/2012
ết quả ự báo cho ngày
Hình 4.2 Đồ ị ự báo phụ ải ngày 08/11/2012
th d t (27xNx24)

56. 48
Giờ dự
báo
Phụ tải thực tế Phụ tải dự báo Sai số APE (%)
1 1014.782 1006.467 0.819
2 1015.292 898.750 11.479
3 904.462 907.520 0.338
4 929.495 900.693 3.099
5 960.378 944.760 1.626
6 1009.082 973.866 3.490
7 1065.743 1073.247 0.704
8 1605.943 1441.943 10.212
9 1581.137 1501.458 5.039
10 1559.420 1621.284 3.967
11 1812.302 1687.387 6.893
12 1692.680 1638.844 3.181
13 1371.282 1411.404 2.926
14 1419.368 1445.358 1.831
15 1707.521 1535.934 10.049
16 1695.124 1794.705 5.875
17 1888.163 1735.138 8.104
18 1923.958 1855.867 3.539
19 1883.132 1754.544 6.828
20 1737.721 1653.594 4.841
21 1531.640 1492.088 2.582
22 1508.084 1397.600 7.326
23 1310.262 1318.538 0.632
24 1101.308 1075.288 2.363
Sai số trung bình MAPE (%) 4.489
B ng 4.2 K d ph t i (27xNx24)
ả ết quả ự báo ụ ả ngày 08/11/2012

57. 49
4.1.3 t (31xNx24)
Mô hình dự báo phụ ả ện dùng mạ
i đi ng nơron
 Cấu trúc mạng nơron
 S bao g t
ố nơron lớp vào: ồm 24 đầu vào phụ ải trước ngày dự báo và 3
đầu vào về ệt độ ệt độ ấ ấ ất, trung bình) trước ngày
nhi (nhi cao nh t, th p nh
dự báo, 4 đầu vào mã hóa ngày d1,d2,d3,d4 [12], [16] ( 2:1000, th 3
Thứ ứ –
thứ ứ ứ 7 và chủ ậ
5:0100 , th 6:0010, th nh t: 0001)
 S l p n: 20
ố nơron ớ ẩ
 S p ra: 24
ố nơron lớ
 Đặ ể ậ ố ệ ẫ ấ ện và kiể
c đi m t p s li u m u hu n luy m tra
 T p m u t -01- -12-2012
ậ ẫ ừ ngày 01 2011 đến ngày 31
 T p m n luy n : 01-01- - -2012
ậ ẫu dùng để huấ ệ 2011 đến ngày 30 06
 T p m ki m tra : 01-01- n 31-12-2012
ậ ẫu để ể 2012 đế
 K d 08/11/2012
ết quả ự báo cho ngày
Hình 4.3 Đồ ị ự báo phụ ải ngày
th d t 08/11/2012 (31xNx24)

58. 50
Giờ dự
báo
Phụ tải thực tế Phụ tải dự báo Sai số APE (%)
1 1014.782 937.123 7.653
2 1015.292 928.101 8.588
3 904.462 917.303 1.420
4 929.495 938.444 0.963
5 960.378 946.455 1.450
6 1009.082 1005.849 0.320
7 1065.743 1113.832 4.512
8 1605.943 1440.915 10.276
9 1581.137 1512.730 4.326
10 1559.420 1605.174 2.934
11 1812.302 1797.406 0.822
12 1692.680 1632.932 3.530
13 1371.282 1430.653 4.330
14 1419.368 1499.909 5.674
15 1707.521 1555.729 8.890
16 1695.124 1811.703 6.877
17 1888.163 1763.906 6.581
18 1923.958 1980.564 2.942
19 1883.132 1883.432 0.016
20 1737.721 1798.057 3.472
21 1531.640 1578.307 3.047
22 1508.084 1464.605 2.883
23 1310.262 1378.427 5.202
24 1101.308 1101.866 0.051
Sai số trung bình MAPE (%) 4.032
B ng 4.3 K d t i (31xNx24)
ả ết quả ự báo phụ ả ngày 08/11/2012

59. 51
4.1.4 t xNx24)
Mô hình dự báo phụ ả ện dùng mạ
i đi ng nơron (34
 Cấu trúc mạng nơron
 S : bao g t
ố nơron lớp vào ồm 24 đầu vào phụ ải trước ngày dự báo và 3
đầu vào về ệt độ ệt độ ấ ấ ấ ng bình) trước ngày
nhi (nhi cao nh t, th p nh t, tru
dự báo, 4 đầu vào mã hóa ngày d1,d2,d3,d4, 1 đầu vào về độ ẩm và 2 đầu
vào về ố ộ gió.
t c đ
 S l p n : 20
ố nơron ớ ẩ
 S p ra: 24
ố nơron lớ
 Đặ ể ậ ố ệ ẫ ấ ện và kiể
c đi m t p s li u m u hu n luy m tra
 T p m u t -01- -12-2012
ậ ẫ ừ ngày 01 2011 đến ngày 31
 T p m u n luy n : 01-01- - -2012
ậ ẫ dùng để huấ ệ 2011 đến ngày 30 06
 T p m ki m tra : 01-01- n 31-12-2012
ậ ẫu để ể 2012 đế
 K d
ết quả ự báo cho ngày 08/11/2012
Hình 4.4 d t
Đồ thị ự báo phụ ải ngày 08/11/2012 (34xNx24)

60. 52
Giờ dự
báo
Phụ tải thực tế Phụ tải dự báo Sai số APE (%)
1 1014.782 932.901 8.069
2 1015.292 960.864 5.361
3 904.462 960.526 6.199
4 929.495 963.985 3.711
5 960.378 975.782 1.604
6 1009.082 998.243 1.074
7 1065.743 1133.302 6.339
8 1605.943 1464.247 8.823
9 1581.137 1502.534 4.971
10 1559.420 1573.719 0.917
11 1812.302 1786.739 1.411
12 1692.680 1579.318 6.697
13 1371.282 1439.006 4.939
14 1419.368 1450.368 2.184
15 1707.521 1598.510 6.384
16 1695.124 1734.624 2.33
17 1888.163 1767.693 6.38
18 1923.958 1921.977 0.103
19 1883.132 1826.316 3.017
20 1737.721 1687.421 2.895
21 1531.640 1513.213 1.203
22 1508.084 1414.545 6.202
23 1310.262 1333.424 1.768
24 1101.308 1096.008 0.481
Sai số trung bình MAPE (%) 3.878
B ng 4.4 K d t (34xNx24)
ả ết quả ự báo phụ ải ngày 08/11/2012