Professional Documents
Culture Documents
FAIR2020 - paper - 23 - CẢI TIẾN THUẬT TOÁN DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN
FAIR2020 - paper - 23 - CẢI TIẾN THUẬT TOÁN DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN
CẢI TIẾN THUẬT TOÁN DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN
Ca Chí Thuần 1, Lâm Xuân Tuấn 2, Hoàng Tuấn Long 3, Ngô Thanh Hùng4,
1
Trường Đại học Công nghệ thông tin, ĐHQG-HCM
2
Tổng Công ty Điện lực miền Nam
3
Trường Đại Học Cảnh Sát nhân dân
4
Faculty of Information Technology, Ho Chi Minh City University of Technology (HUTECH)
TÓM TẮT— Dự báo nhu cầu phụ tải điện tiêu thụ là vấn đề cấp thiết. Đã có nhiều công trình nghiên cứu về dự báo phụ tải
đã đề xuất các phương pháp dự báo khác nhau. Trong bài báo này, tác giả đã đề xuất thuật toán dự báo gồm hai bước. Bước một, sẽ
chọn thuật toán cho kết quả học tốt nhất trong số các thuật toán dự báo thuộc loại học có giám sát được lựa chọn. Bước hai, tác giả
phát hiện thuật toán chọn ở bước một giá trị dự báo thấp hơn giá trị thật và sai số dự báo cao. Do đó đề xuất phương pháp tính một
lượng bù (hệ số điều chỉnh có giá trị dương) để thêm vào giá trị dự báo với mong muốn làm giảm độ lệch âm và cải nâng độ chính
xác dự báo (sai số thấp). Vì trong dự báo điện, nếu trường hợp giá trị dự báo thấp hơn giá trị thật (sẽ dẫn đến thiếu nguồn cung điện)
thì phải cắt giảm điện một số khu vực hoặc chạy non tải, nếu trường hợp giá trị dự báo lớn hơn giá trị thật (dư nguồn cung điện) thì
lãng phí tài nguyên. Quá trình thử nghiệm với dữ liệu thật đã chứng minh được hiệu quả của đề xuất cải tiến.
Từ khóa— Dự báo phụ tải, chuỗi thời gian mờ, mô hình arima, mạng nơron, công thức tính lượng bù phụ tải điện
I. GIỚI THIỆU
Trong những năm qua, với sự tiến bộ của khoa học và công nghệ, đặc biệt sự phát triển công nghệ thông tin, đã
tác động mạnh mẽ góp phần tạo ra nhiều thay đổi tích cực, những ứng dụng công nghệ thông tin trong việc dự báo được
ứng dụng rộng rãi trong nhiều lĩnh vực: thời tiết, việc làm, thị trường, chứng khoán,... Nhiều ứng dụng dự báo không chỉ
cung cấp một dự đoán phát hiện sớm mà còn gắn liền thực tiễn và có ảnh hưởng trực tiếp cuộc sống hằng ngày chúng ta.
Các ứng dụng dự báo có ý nghĩa khoa học và thực tiễn cao hỗ trợ rất lớn trong việc quy hoạch, lập chính sách, v.v... một
cách hiệu quả. Hiện nay dự báo phụ tải Điện được Nhà nước quan tâm và chỉ đạo sâu sắc cụ thể là một số văn bản quản
lý Nhà nước cũng đã có hướng dẫn [1, 2]. Tuy nhiên, thực tế các thuật toán khi áp dụng dự báo phụ tải điện còn tồn tại
giá trị dự đoán thấp so thực nhu cầu sử dụng điện thực tế (lệch âm) và kết quả dự đoán sai số lớn (chưa chính xác) dẫn
đến khó khăn lựa chọn quyết định phù hợp nhất. Bài báo này tác giả đề xuất cải tiến giải thuật dự báo phụ tải điện và
công thức bù phụ tải. Một giải thuật mang lại hiệu quả hiệu quả cao dự báo chính xác (sai số thấp).
Nghiên cứu trong nước, một số nghiên công bố về lĩnh vực dự báo phụ tải điện như sau: Năm 2014, một nghiên
cứu [3] của Phan Thị Thanh Bình và Lương Văn Mạnh đăng trên tạp chí Tạp chí Phát triển Khoa học và Công nghệ
2014, đã nghiên cứu cách tiếp cận sử dụng thuật toán của Chiu tìm kiếm luật mờ cho bài toán dự báo phụ tải điện theo
mô hình tương quan.
Nghiên cứu ngoài nước, Høverstad [12], phương pháp ARIMA đạt được kết quả tốt hơn so với mạng neural.
Mặt khác, Veit [10] cho rằng mạng neural cho kết quả tốt hơn so với các phương pháp ARIMA. Nhưng Gerwig [9] chỉ
ra rằng việc so sánh kết quả của các phương pháp của các bài báo là khó khăn vì các đánh giá không chỉ khác nhau ở các
tập dữ liệu quá khứ mà còn về độ dài của chuỗi thời gian dự báo.
Trong [5], một nghiên cứu của Alberg và Last sử dụng mô hình ARIMA (mùa vụ và không mùa vụ), để dự báo
phụ tải điện ngắn hạn điện giờ, làm sáng tỏ các giải thuật sử dụng dự báo, giải thích một cách chi tiết và trình bày đề xuất
mới gọi là “Incremental ARIMA” qua các thử nghiệm với bốn thuật toán (SWH2A, SWHSA, SWDP2A, SWDPSA), tác
giả phát hiện có yếu tố mùa vụ thì thuật toán SWDP2A vượt trội.
Gần đây nhất một nghiên cứu [8], của Feilat EA, Talal Al-Sha’abi D, Momani MA, nhóm tác giả huấn luyện
mạng neural lan truyền ngược (BPNN) để dự báo phụ tải điện dài hạn cho hệ thống điện Jordan.
Qua các khảo sát công trình nghiên cứu và những văn bản nhà nước hướng dẫn về dự báo phụ tải, tác giả tiến
hành chiến lược cụ thể như sau: bước một sử dụng các phương pháp dự báo học có quan sát và đánh giá theo tiêu chí
trên cùng bộ dữ liệu và so sánh chọn ra một phương pháp học tốt nhất. Tại bước hai, tiến hành đề xuất phương án và cải
tiến giải thuật.
Ca Chí Thuần, Lâm Xuân Tuấn, Hoàng Tuấn Long, Ngô Thanh Hùng
II. BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN VÀ GIẢI THUẬT ĐỀ XUẤT
A. Bài toán dự báo phụ tải điện ngắn hạn
1. Phát biểu bài toán
Input: File dữ liệu (chuỗi số liệu tổng sản lượng tiêu thụ điện tháng tại khu vực trong quá khứ)
Output: Dự báo số liệu tổng sản lượng điện tiêu thụ trên khu vực trong vài tháng tới
2. Mô tả đề xuất
Dự báo
Nhận xét: Theo Bảng 1 kết quả từ các phương pháp dự báo ta thấy số liệu điện dự báo thấp hơn so với số liệu điện thực
tế cho thấy rằng nhu cầu sử dụng điện cao hơn so với dự báo cần tiến hành đề xuất phương án cải tiến giải thuật dự báo
cải thiện tình trạng thiếu tải hoặc non tải.
B. Giải thuật đề xuất
1. Ý tưởng: Bổ sung lượng điện bù phụ tải vào giá trị dự báo để dự báo chính xác (sai số thấp).
2. Giải thuật
Bước 1: Tính sai số trung bình của các phương pháp dự báo ARIMA, Neural, Abbasov-Mamedova (AM)
Bước 2: Tìm giá trị sai số trung bình nhỏ nhất
Bước 3: Xây dựng công thức tính lượng bù phụ tải bổ sung epsilon
Công thức: 𝜀 = ( max{average|𝑎𝑖 − 𝑏𝑖 < 0|, 7% ∗ Att. average|𝑎𝑖 − 𝑏𝑖 > 0|, i = 1, n})
Bước 4: Chọn một phương pháp trong (ARIMA, NEURAL, AM) với sai số trung bình nhỏ nhất tính 𝑨𝒕𝒕
Bước 5: 𝑨𝒕𝒔 = 𝑨𝒕𝒕 + 𝜺 cộng epsilon (trong miền sai số) vào giá trị 𝑨𝒕𝒕 xuất kết quả 𝑨𝒕𝒔
3. Mã giả
ALGORITHM SPC-LFC
// input: file tông sản lượng điện tiêu thụ quá khứ hàng tháng trên toàn tỉnh
// output: dự đoán tổng sản lượng điện tiêu thụ hàng tháng trên toàn tỉnh trong vài tháng tới
Begin
Foreach (i in 1:n)
{
ARIMA, NEURAL, AM
// tinh sai so trung binh cac phuong phap
x=(ARIMA) y=(NEURAL) z=( AM)
// tim sai so trung binh du bao nho nhat
Min={ x,y,z }
right =round(mean(abs(efa[efa>0])))
center =round((PP_Arima[i])*7/100) -right
left = round(mean(abs(efa[efa<0])))
epsilon = min(left,center)
IF arima = supmin //
{
epsilon=epsilon_arima
PP_Ctien <-round(dubao$pred)+epsilon
Ats= PP_Ctien
}
IF am= supmin //
{
epsilon=epsilon_am
PP_Ctien <-round(dubao$pred)+epsilon
Ats= PP_Ctien
}
IF neural = supmin //
{
epsilon=epsilon_neural
PP_Ctien <-round(dubao$pred)+epsilon
Ats= PP_Ctien
}
}
End
Ca Chí Thuần, Lâm Xuân Tuấn, Hoàng Tuấn Long, Ngô Thanh Hùng
ARIMA NEURAL
Stt Phương pháp dự báo Số lệch dương Số lệch âm Sai số dự báo Sai số dự báo
(tr.kwh) (tr.kwh (<7%) (>7%)
ARIMA 1 5 6 0
1
Neural 0 6 6 0
2
Mờ Abbasov-Mamedova 0 6 3 3
3 (AM)
Đề xuất SPC-LFC 5 1 6 0
4
MAPE
Sai số trung bình (MAPE)
0.2
Giá trị sai số
0.15
Sai số spc-lfc
0.1
sai số mờ (AM)
0.05
0 Sai số neural
Jul-19 Aug-19 Sep-19 Oct-19 Nov-19 Dec-19
Sai số arima
Tháng
0 0.05 0.1
Sai số arima Sai số Neural sai số mờ (AM) Sai số spc-lfc
Hình 4. Biểu đồ sai số trung bình thực
nghiệm 1
Hình 3. Đồ thị tính giá trị sai số tương đối thử nghiệm 1
Nhận xét: Theo kết quả trong thử nghiệm 1 và Bảng 2, Bảng 3 và Bảng 4. Tác giả rút ra kết luận trong khoảng thời gian
dự báo 6 tháng 2019 thì các phương pháp ARIMA, Neural, AM cho kết quả số liệu dự báo thấp hơn so thực tế (lệch âm)
và phương pháp spc-lfc vượt trội so các phương pháp khác cụ thể là sai số trung bình thấp trong 6 tháng thấp và cải thiện
tình trạng lệch âm và tất cả số quan sát thỏa điều kiện sai số (<7%).
2. Kết quả thực nghiệm 2
Giám sát quá trình dự báo tổng sản lượng điện trên toàn khu vực khoảng thời gian 12 tháng năm 2019 đồ thị thể hiện qua
Hình 5 và tiến hành đánh giá sai số tương đối số trên bộ kiểm thử thu được kết quả Bảng 5, 6, 7.
Bảng 5. Kết quả sai số các phương pháp dự báo và thực tế
Sai số
Stt Tháng Thực tế Sai số Arima Sai số neural Sai số mờ spc-lfc
(Tr.kWh)
(%) (%) (%) (%)
Jan-19 1.116 9.767 9.140 12.993 4.211
1
Feb-19 793 1.892 1.135 18.789 9.710
2
Mar-19 1.052 9.791 10.076 13.118 3.897
3
Apr-19 1.197 8.605 8.772 25.982 3.425
4
May-19 1.150 8.870 9.739 25.478 3.478
5
Jun-19 1.197 7.352 6.266 30.744 2.172
6
Jul-19 1.173 7.587 7.758 31.714 2.302
7
Aug-19 1.197 7.268 8.104 35.505 2.089
8
Sep-19 1.159 7.161 5.177 35.807 1.812
9
Oct-19 1.181 6.774 5.758 39.373 1.524
10
Nov-19 1.218 7.061 6.814 43.596 1.970
11
Dec-19 1.194 7.621 5.528 44.807 2.429
12
Sai số trung bình 7.479 7.022 9.826 3.252
Bảng 7. Thông kê quan sát thực nghiệm 2
Stt Phương pháp dự báo Số lệch dương Số lệch âm Sai số dự báo Sai số dự báo
(tr.kwh) (tr.kwh
(<7%) (>7%)
ARIMA 1 11 1 11
1
Neural 1 11 6 6
2
Mờ Abbasov-Mamedova 0 12 0 12
3 (AM)
Đề xuất SPC-LFC 12 0 11 1
4
Hình 5. Đồ thị biểu diễn sai số trung bình các phương pháp thực nghiệm 2
sai số MAPE
Sai số trung bình MAPE
0.5
0.4
Sai số spc-lfc
0.3
0.2 sai số mờ (AM)
0.1
0 Sai số Neural
Sai số arima
0 0.2 0.4
sai số arima sai số neural sai số mờ (AM) sai số spc-lfc
Nhận xét: Từ kết quả thử nghiệm 2 thể hiện Bảng 5, Bảng 6, Bảng 7 và Hình 6. Tác giả thấy rằng giá trị sai số trung
bình (MAPE) trong 12 tháng dự báo phương pháp đề xuất spc-lfc thấp nhất so với các phương pháp như: arima, neural,
mờ (AM), số quan sát dương đạt 12/12 và sai số dự báo (<7%) là 11/12. Qua đó cho thấy phương pháp spc-lfc dự báo
tốt nhất.
Ca Chí Thuần, Lâm Xuân Tuấn, Hoàng Tuấn Long, Ngô Thanh Hùng 7