1. Trang chủ
  2. » Giáo Dục - Đào Tạo

Dự báo phụ tải cho tỉnh kiên giang sử dụng neural network

167 6 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Tiêu đề Dự Báo Phụ Tải Cho Tỉnh Kiên Giang Sử Dụng Neural Network
Tác giả Trịnh Tiến Uy
Người hướng dẫn PGS.TS Quyền Huy Ánh
Trường học Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
Chuyên ngành Kỹ Thuật Điện
Thể loại Luận Văn Thạc Sĩ
Năm xuất bản 2017
Thành phố Tp. Hồ Chí Minh
Định dạng
Số trang 167
Dung lượng 12,3 MB

Cấu trúc

  • Chương 1: TỔNG QUAN (26)
    • 1.1 Tổng quan về hướng nghiên cứu (26)
    • 1.2 Mục tiêu và nhiệm vụ của luận văn (27)
    • 1.3 Phạm vi nghiên cứu (27)
    • 1.4 Phương pháp nghiên cứu (27)
    • 1.5 Điểm mới của luận văn (28)
    • 1.6 Giá trị thực tiễn của luận văn (28)
    • 1.7 Nội dung của luận văn (28)
  • Chương 2: TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐỆN (29)
    • 2.1 Phương pháp dự báo truyền thống (29)
      • 2.1.1 Phương pháp hệ số đàn hồi (29)
      • 2.1.2 Phương pháp tính tương quan - xu thế (30)
      • 2.1.3 Phương pháp tính trực tiếp (31)
      • 2.1.4 Phương pháp chuyên gia (32)
      • 2.1.5 Phương pháp hồi quy (32)
      • 2.1.6 Phương pháp san bằng hàm mũ (33)
      • 2.1.7 Phương pháp ngoại suy theo thời gian (34)
    • 2.2 Phương pháp dự báo phụ tải hiện đại (35)
      • 2.2.1 Phương pháp dự báo bằng Fuzzy logic (logic mờ) (36)
      • 2.2.2 Phép phân tích Wavelet (37)
      • 2.2.3 Mạng nơron nhân tạo (neural network) (38)
      • 2.2.4 Mạng nơron mờ (Fuzzy neural network - FNN) (40)
  • Chương 3: PHƯƠNG PHÁP DỰ BÁO TRÊN CƠ SỞ MẠNG NƠRON NHÂN TẠO (41)
    • 3.1 Mạng nơron nhân tạo (41)
      • 3.1.1 Cấu trúc của mạng nơron nhân tạo (42)
      • 3.1.2 Một số hàm truyền thông dụng (43)
      • 3.1.3 Mô hình kết nối (44)
      • 3.1.4 Phân loại (46)
      • 3.1.5 Các loại mạng nơron (47)
      • 3.1.6 Một số luật học và giải thuật cơ bản (49)
    • 3.2 Mô hình dự báo sử dụng mạng nơron (55)
      • 3.2.1 Huấn luyện mạng nơron (55)
      • 3.2.2 Các yếu tố ảnh hưởng đến quá trình huấn luyện mạng (56)
      • 3.2.3 Lựa chọn mạng (58)
      • 3.2.4 Thuật toán huấn luyện mạng theo giải thuật lan truyền ngược cho mạng nơron nhân tạo (62)
  • Chương 4: GIẢI THUẬT DỰ BÁO PHỤ TẢI ĐỀ XUẤT (68)
    • 4.1 Huấn luyện mạng nơron cho mô hình dự báo phụ tải điện (68)
    • 4.2 Giải thuật chương trình huấn luyện (69)
      • 4.2.1 Lựa chọn thay đổi số neural lớp ẩn (0)
      • 4.2.2 Phân tích kết quả (78)
    • 4.3 Giải thuật lập trình dự báo phụ tải bằng mạng nơron (79)
      • 4.3.1 Giải thuật dự báo phụ tải 24 giờ (ngày) (79)
      • 4.3.2 Giải thuật dự báo phụ tải tuần (80)
      • 4.3.3 Giải thuật dự báo phụ tải tháng (82)
    • 5.1 Các chương trình dự báo phụ tải cho tỉnh Kiên Giang bằng mạng nơron (84)
      • 5.1.1 Dự báo phụ tải 24 giờ của 7 ngày tiếp theo (84)
      • 5.1.2 Dự Báo phụ tải của 7 ngày tiếp theo (96)
      • 5.1.3 Dự Báo phụ tải 12 tháng tiếp theo (107)
    • 5.2 Kết quả dự báo phụ tải cho tỉnh Kiên Giang bằng mạng nơron (117)
      • 5.2.1 Kết quả dự báo phụ tải 24 giờ (117)
      • 5.2.2 Kết quả dự báo phụ tải của 7 ngày (124)
      • 5.2.3 Kết quả dự báo phụ tải 12 tháng (124)
  • Chương 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI (84)
    • 6.1 Kết luận (126)
    • 6.2 Hướng phát triển của đề tài (126)
  • TÀI LIỆU THAM KHẢO (28)

Nội dung

TỔNG QUAN

Tổng quan về hướng nghiên cứu

Sự phát triển của sản xuất và tiêu dùng năng lượng ảnh hưởng mạnh mẽ đến nhiều vấn đề xã hội quan trọng như kinh tế, dân số, chất lượng cuộc sống, công nghệ, mức độ công nghiệp hóa, và môi trường Hệ thống năng lượng ngày càng trở nên phức tạp về quy mô và trình độ, do đó, việc quy hoạch và dự báo chính xác hướng phát triển của hệ thống năng lượng, đặc biệt là hệ thống điện, luôn là vấn đề cấp bách và là mối quan tâm hàng đầu của các quốc gia.

Dự báo phụ tải trong ngành năng lượng đóng vai trò quan trọng vì nó ảnh hưởng trực tiếp đến đời sống của người dân và các ngành kinh tế Ngoài ra, việc dự báo này quyết định đến an toàn và hiệu quả hoạt động của hệ thống điện, đồng thời là yếu tố then chốt trong việc hoạch định chiến lược phát triển hệ thống năng lượng.

Năng lượng đóng vai trò quan trọng trong mọi hoạt động của con người, đặc biệt trong thời đại công nghệ phát triển mạnh mẽ hiện nay Sự thiếu hụt năng lượng sẽ ảnh hưởng nghiêm trọng đến cuộc sống và sự tiến bộ của các quốc gia Do đó, việc tìm kiếm và phát triển các nguồn năng lượng bền vững trở thành ưu tiên hàng đầu để con người có thể chinh phục thiên nhiên và nâng cao chất lượng cuộc sống.

Công tác dự báo cần tính chính xác:

Nếu dự báo vượt quá nhu cầu sử dụng, việc huy động nguồn lực quá lớn sẽ dẫn đến tăng vốn đầu tư, gây lãng phí và có thể làm gia tăng tổn thất năng lượng.

Dự báo phụ tải quá thấp so với nhu cầu có thể dẫn đến tình trạng thiếu năng lượng cung cấp, gây ra việc cắt giảm phụ tải không kế hoạch và ảnh hưởng tiêu cực đến nền kinh tế Tại Việt Nam, việc nghiên cứu và tổ chức dự báo phụ tải đang được chú trọng, nhưng vẫn còn nhiều vấn đề cần được xem xét và cải tiến Các phương pháp dự báo phụ tải truyền thống thường thiếu độ chính xác, đòi hỏi sự phát triển và áp dụng các phương pháp mới hiệu quả hơn.

Trịnh Tiến Uy (1620632 2) chỉ ra rằng việc dự báo phụ tải thường gặp khó khăn do thiếu hụt cơ sở dữ liệu và nhiều sai số, đồng thời yêu cầu thời gian tính toán lớn Không có phương trình nào với các tham số cho phép ước lượng giá trị gần đúng hoặc kỳ vọng toán học Do đó, các nhà nghiên cứu thường phải sử dụng các phương trình có sẵn với tham số được xác định qua phương pháp gần đúng, dẫn đến độ chính xác giảm Để cải thiện độ chính xác trong dự báo phụ tải, nhiều nghiên cứu gần đây đã tập trung vào việc khắc phục nhược điểm của các phương pháp cổ điển và phát triển các phương pháp mới dựa trên công nghệ trí tuệ nhân tạo, như fuzzy logic.

Các phương pháp dự báo hiện đại, như mạng nơron, phân tích wavelet và sự phối hợp giữa các phương pháp fuzzy, ngày càng được chú ý do độ chính xác cao trong kết quả dự báo Đặc biệt, ứng dụng mạng nơron nhân tạo trong dự báo đang thu hút sự quan tâm lớn và đã đạt được những thành công đáng kể.

Mục tiêu và nhiệm vụ của luận văn

 Tìm hiểu tổng quan về các phương pháp dự báo phụ tải điện;

Nghiên cứu này tập trung vào mạng nơron và mô hình dự báo, bao gồm các thuật toán huấn luyện mô hình và giải thuật lập trình dự báo phụ tải cho tỉnh Kiên Giang Thông qua việc áp dụng các kỹ thuật này, nghiên cứu nhằm cải thiện độ chính xác trong việc dự đoán nhu cầu năng lượng, góp phần vào việc quản lý và phát triển bền vững nguồn năng lượng tại địa phương.

 Ứng dụng mạng nơron dự báo cho tỉnh Kiên Giang với kết quả sai số nằm trong phạm vi cho phép (

Ngày đăng: 19/09/2022, 14:57

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1]. Yan Yan and Aimin Yang, “Fuzzy Load Forecasting of Electric Power System”, Journal of Computers, Vol.7, Issue 8, pp: 1903-1910, August 2012 Sách, tạp chí
Tiêu đề: Fuzzy Load Forecasting of Electric Power System
[2]. Patel Parth Manoj, Ashish Pravinchandra Shah, “Fuzzy logic methodology for short-term load forecasting”, International Journal of Research in Engineering and Technology, Vol. 3, Issue 4, pp: 2321-7308, April 2014 Sách, tạp chí
Tiêu đề: Fuzzy logic methodology for short-term load forecasting
[3]. Hasan H.Cevik and Mehmet Cunkas, “A Fuzzy Logic Based Short-term Load Forecast for the Holidays”, International Journal of Machine Learning and Computing,Vol. 6, Issue 1, pp: 57, February.2016 Sách, tạp chí
Tiêu đề: A Fuzzy Logic Based Short-term Load Forecast for the Holidays
[4]. Mahmuda Akter Monne and Kazi Saifui Alam, “Application of Fuzzy logic to Electric Load Forecasting”, International Journal of Science and Advanced Technology, Vol. 3, Issue 12, pp: 2221-8386, December.2013 Sách, tạp chí
Tiêu đề: Application of Fuzzy logic to Electric Load Forecasting
[5]. Badri A, Ameli Z, Birjandi A.M, “Application of Artificial Neural Networks and Fuzzy logic Methods for Short Term Load Forecasting”, Energy Procedia 2012, 14, pp.1883–1888, 2012 Sách, tạp chí
Tiêu đề: Application of Artificial Neural Networks and Fuzzy logic Methods for Short Term Load Forecasting
[6]. Webberley.A, D.W.Gao, “Study of articial neural network based short term load forecasting”, Power and Energy Society General Meeting (PES), IEEE, Vancouver, BC, pp. 1-4, 2013 Sách, tạp chí
Tiêu đề: Study of articial neural network based short term load forecasting
[7]. Yokoyama.J, H.D.Chiang, “Short Term Load Forecasting improved by ensemble and its variations”, Power and Energy Society General Meeting (PES), 2012 IEEE, pp. 1-6, November.2012 Sách, tạp chí
Tiêu đề: Short Term Load Forecasting improved by ensemble and its variations
[8]. M.Buhari, S.S.Adamu, “Short-Term Load Forecasting Using Artificial Neural Network,” IMECS, pp. 83-88, Mar.2012 Sách, tạp chí
Tiêu đề: Short-Term Load Forecasting Using Artificial Neural Network,” "IMECS
[9]. M.De Felice, Y.Xin, "Short-term load forecasting with neural network ensembles: A comparative study", IEEE Computational Intell. Mag, vol 6, pp. 47-56, 2013 Sách, tạp chí
Tiêu đề: Short-term load forecasting with neural network ensembles: A comparative study
[10]. S.Li, P.Wang, L.Goel, "Short-term load forecasting by wavelet transform and evolutionary extreme learning machine", Electric Power System Research, vol. 122, pp. 96-103, 2015 Sách, tạp chí
Tiêu đề: Short-term load forecasting by wavelet transform and evolutionary extreme learning machine
[11]. N.Amjady, F.Keynia, "Short-term load forecasting of power systems by combination of wavelet transform and neuro-evolutionary algorithm", Energy, vol. 34, pp. 46-57, 2012 Sách, tạp chí
Tiêu đề: Short-term load forecasting of power systems by combination of wavelet transform and neuro-evolutionary algorithm
[12]. Liu Dong, Li Li, “Embed expert system short-term load forecasting of wavelet neural network”, Shanxi Electric Power, 37(10):44-48, 2012 Sách, tạp chí
Tiêu đề: Embed expert system short-term load forecasting of wavelet neural network
[13]. Che Gua, Peter.B.Luh, Laurent.D.Michel, Yuting Wang, Peter.B.Friendland, “Very Short-Term Load Forecasting; Wavelet Neural Network With Data Pre-Filtering”, IEEE Trans, Power System, Vol 28, No.1, pp. 30-41, Feb 2013 Sách, tạp chí
Tiêu đề: Very Short-Term Load Forecasting; Wavelet Neural Network With Data Pre-Filtering
[14]. D. Chaturvedi , S. Anad, and A. Chandiok, "Short Term load Forecasting Using Nero - Fuzzy - Wavelet Approach", International Journal of Computing Academic Research, Vol.2, No.1, p.p.36-48, February 2013 Sách, tạp chí
Tiêu đề: Short Term load Forecasting Using Nero - Fuzzy - Wavelet Approach
[15]. Medha Joshi, Rajiv Singh, “Short-term load forecasting approaches: A review”, International Journal of Recent Engineering Research and Development (IJRERD), Volume No. 01 – Issue No. 03, ISSN: 2455- 8761, pp. 09-17, 2013 Sách, tạp chí
Tiêu đề: Short-term load forecasting approaches: A review
[16]. Medha Joshi, Rajiv Singh , “An Intelligent ANN Approach for Short Term Electric Load Forecasting”, International Journal of Scientific Engineering and Research (IJSER), ISSN: 2347-3878, 2015 Sách, tạp chí
Tiêu đề: An Intelligent ANN Approach for Short Term Electric Load Forecasting
[17]. Nazih Abu-Shikhah, Fawwaz Elkarmi, Osama M. Aloquili “Medium-Term Electric Load Forecasting Using Multivariable Linear and Non-Linear Regression”, Smart Grid and Renewable Energy, vol 2, pp: 126-135, 2011 Sách, tạp chí
Tiêu đề: Medium-Term Electric Load Forecasting Using Multivariable Linear and Non-Linear Regression”, "Smart Grid and Renewable Energy
[18]. Manoj Kumar, “Short-term load forecasting using artificical neural network techniques”, Department of Electrical Engineering National Institute of Technology Rourkela, 2009 Sách, tạp chí
Tiêu đề: Short-term load forecasting using artificical neural network techniques
[19]. Firas M. Tuaimah, Huda M. Abdul Abass, “Short-Term Electrical Load Forecasting for Iraqi Power System based on Multiple Linear Regression Method”, International Journal of Computer Applications, Vol 100–No.1, August 2014 Sách, tạp chí
Tiêu đề: Short-Term Electrical Load Forecasting for Iraqi Power System based on Multiple Linear Regression Method
[20]. Wagdy Mansour, Mohamed Moenes, Hassan Mahmoud, Ahmed Ghareeb, “Long-term load forecasting for the Egyptian network using ANN and regression models”, 21st International Conference on Electricity Distribution, Frankfurt, pp: 1-5, June 2011 Sách, tạp chí
Tiêu đề: Long-term load forecasting for the Egyptian network using ANN and regression models

HÌNH ẢNH LIÊN QUAN

Hình 4.1: Lưu đồ giải thuật chương trình huấn luyện mạng. - Dự báo phụ tải cho tỉnh kiên giang sử dụng neural network
Hình 4.1 Lưu đồ giải thuật chương trình huấn luyện mạng (Trang 69)
Hình 4.2: Giao diện huấn luyện mạng nơron Trainrp với 02 nơron lớp ẩn. - Dự báo phụ tải cho tỉnh kiên giang sử dụng neural network
Hình 4.2 Giao diện huấn luyện mạng nơron Trainrp với 02 nơron lớp ẩn (Trang 71)
Hình 4.4: Biểu đồ mối quan hệ tuyến tính giữa ng  ra và mẫu huấn luyện với 02 - Dự báo phụ tải cho tỉnh kiên giang sử dụng neural network
Hình 4.4 Biểu đồ mối quan hệ tuyến tính giữa ng ra và mẫu huấn luyện với 02 (Trang 72)
Hình 4.5:  Giao diện huấn luyện mạng nơron Trainrp với 4 nơron lớp ẩn - Dự báo phụ tải cho tỉnh kiên giang sử dụng neural network
Hình 4.5 Giao diện huấn luyện mạng nơron Trainrp với 4 nơron lớp ẩn (Trang 72)
Hình 4.9: Biểu đồ sai số bình phương trung bình với 05 nơron lớp ẩn. - Dự báo phụ tải cho tỉnh kiên giang sử dụng neural network
Hình 4.9 Biểu đồ sai số bình phương trung bình với 05 nơron lớp ẩn (Trang 75)
Hình 4.10: Biểu đồ mối quan hệ tuyến tính giữa ng  ra và mẫu huấn luyện với 05 - Dự báo phụ tải cho tỉnh kiên giang sử dụng neural network
Hình 4.10 Biểu đồ mối quan hệ tuyến tính giữa ng ra và mẫu huấn luyện với 05 (Trang 75)
Hình 4.12: Biểu đồ sai số bình phương trung bình với 07 nơron lớp ẩn. - Dự báo phụ tải cho tỉnh kiên giang sử dụng neural network
Hình 4.12 Biểu đồ sai số bình phương trung bình với 07 nơron lớp ẩn (Trang 77)
Hình 4.13: Biểu đồ mối quan hệ tuyến tính giữa ng  ra và mẫu huấn luyện với 07 - Dự báo phụ tải cho tỉnh kiên giang sử dụng neural network
Hình 4.13 Biểu đồ mối quan hệ tuyến tính giữa ng ra và mẫu huấn luyện với 07 (Trang 77)
Hình 4.14: Lưu đồ giải thuật dự báo phụ tải 24h (ngày). - Dự báo phụ tải cho tỉnh kiên giang sử dụng neural network
Hình 4.14 Lưu đồ giải thuật dự báo phụ tải 24h (ngày) (Trang 79)
Hình 5.7: Kết quả huấn luyện dữ liệu quá khứ của 3 tháng. - Dự báo phụ tải cho tỉnh kiên giang sử dụng neural network
Hình 5.7 Kết quả huấn luyện dữ liệu quá khứ của 3 tháng (Trang 88)
Hình 5.10: Giao diện nhập thực tế để dự báo phụ tải 24h. - Dự báo phụ tải cho tỉnh kiên giang sử dụng neural network
Hình 5.10 Giao diện nhập thực tế để dự báo phụ tải 24h (Trang 89)

TRÍCH ĐOẠN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w