Ứng dụng mạng nơron nhân tạo để dự báo phụ tải ngắn hạn trong hệ thống điện có xét đến ảnh hưởng của thông số nhiệt độ

)(00
...
0)(0
0...0)(
)(
.
2
.
1
.
.
m
s
m
m
m
m
m
m
m
mnf
nf
nf
nF
Bây giờ ta viết lại quan hệ hồi qui cho 
độ nhạy cảm dưới dạng ma trận: 
1
1


















m
T
m
m
m
m
n
F
n
n
n
F
s
11
.
))((  mTmm
m
sWnF 
Bây giờ ta có thể thấy độ nhạy cảm 
được lan truyền ngược qua mạng từ lớp 
cuối cùng về lớp đầu tiên: 
121 .... ssss MM   
Cần nhấn mạnh rằng ở đây thuật toán 
BPA sử dụng cùng một kỹ thuật giảm 
theo hướng. Sự phức tạp duy nhất là ở 
chỗ để tính gradient ta cần phải lan 
truyền ngược độ nhạy cảm từ các lớp 
về các lớp trước. Bây giờ ta cần biết 
điểm bắt đầu lan truyền ngược, xét độ 
nhạy cảm sm tại lớp cuối cùng: 
m
j
T
m
j
m
j
n
atat
n
F
s







)()(
M
j
j
jjM
j
s
i
ii
n
a
at
n
at
M







 )(2
)(
1
2
 (16) 
do )(
)( .
M
j
M
M
j
M
j
M
M
j
M
j
M
j
j
nf
n
nf
n
a
n
a









nên ta có thể viết dưới dạng ma trận 
như sau: 
))((2
.
atnFs M
M
M  (17) 
Tóm lại, thuật toán lan truyền ngược có 
thể biểu diễn như sau: 
Bước 1: Lan truyền xuôi đầu vào qua 
mạng 
M
mmmmm
aa
baWfa
pa



 )( 1111
0
với m = 0, 1,... M – 1. 
Bước 2: Lan truyền độ nhạy cảm (lỗi) 
ngược lại qua mạng: 
(13) 
(15) 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
67 
11
.
.
))((
))((2


mTmm
m
m
M
M
M
sWnFs
atnFs
với m = M - 1, M - 2,...,1 
Bước 3: Các trọng số và độ lệch được 
cập nhật bởi công thức: 
mmm
T
mmmm
skbkb
askWkW



 
)()1(
)()()1( 1 
3.2. Cấu trúc mạng nơron dự 
báo đỉnh/đáy biểu đồ phụ tải 
HTĐ 
Có các số liệu về nhiệt độ cao nhất 
Tmax/Tmin và phụ tải cao nhất Pmax/Pmin 
tương ứng trong ngày của các ngày làm 
việc trong tháng, ta có thể xây dựng tập 
hợp ví dụ huấn luyện dùng để huấn 
luyện và kiểm tra khả năng dự báo của 
mạng. Một ví dụ huấn luyện cụ thể 
trong tập ví dụ huấn luyện nói trên 
được xây dựng từ các giá trị vào: 
 Tmax /Tmin của ngày cần dự báo; 
 Tmax /Tmin của ngày trước ngày cần 
dự báo; 
 Tmax /Tmin của ba ngày có cùng kiểu 
ngày trước đó; 
 Pmax/Pmin của ba ngày có cùng kiểu 
ngày trước đó và một giá trị đầu ra, 
Pmax/Pmin của ngày cần dự báo. 
Số liệu đầu vào và ra của các ngày khác 
được xây dựng theo phương pháp 
tương tự. Như vậy có dữ liệu về nhiệt 
độ cao nhất/thấp nhất trong ngày và 
phụ tải cao nhất/thấp nhất tương ứng 
của ngày đó có thể xây dựng tập ví dụ 
huấn luyện cho bất kỳ giai đoạn nào. 
Sơ đồ các bước thực hiện cho ở hình 2. 
Hình 2. Sơ đồ khối của chương trình 
4. KẾT QUẢ XÂY DỰNG 
CHƯƠNG TRÌNH DỰ BÁO ĐỒ 
THỊ PHỤ TẢI NGẮN HẠN 
TRONG HTĐ 
4.1. Dữ liệu dự báo phụ tải 
Các thông số phụ tải mẫu dùng để huấn 
luyện mạng nơron là Pmax, Pmin và nhiệt 
độ Tmax, Tmin tương ứng cùng ngày 
trong vài tuần trước (hình 3). Tốc độ 
huấn luyện được chọn giá trị ban đầu 
trong khoảng 0.3 đến 0.5, hệ số quan 
tính được chọn giá trị ban đầu là 0.5. 
Trong nghiên cứu này lựa chọn số liệu 
phụ tải Pmax và nhiệt độ Tmax trong ngày 
của các ngày làm việc tháng 6/2003 của 
HTĐ Miền Bắc [7] làm các ví dụ để 
học, dự báo và kiểm chứng sai số. 
Hình 3. Biểu đồ cơ sở dữ liệu 
Ta sẽ chọn số liệu phụ tải Pmax và nhiệt 
độ Tmax trong ngày của các ngày làm 
việc tháng 6/2009 làm các ví dụ để học 
và dự báo. Bảng 1 là tập hợp các dữ 
liệu phụ tải cao điểm, phụ tải thấp 
cơ sở 
DL 
lấy các 
mẫu DL 
huấn luyện 
mạng 
tính các 
mẫu dự báo 
kết quả 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
68 
điểm, nhiệt độ cao và nhiệt độ thấp 
trong ngày của tháng 6/2009 khu vực 
miền Bắc nước ta [8]. 
Bảng 1. Dữ liệu phụ tải và nhiệt độ 
Dữ liệu dự báo 
đỉnh 
Dữ liệu dự 
báo đáy 
Thứ 
Ngày 
Pcao 
điểm 
(MW) 
Tmax, 
(0C) 
Pthấp 
điểm 
(MW) 
Tmin 
(0C) 
2 9/6/2003 6588.5 36 3997.5 26 
3 10/6/2003 6581.5 36 4316.5 26 
4 11/6/2003 6454.9 35 4124.5 26 
5 12/6/2003 6450.2 32 3837.5 25 
6 13/6/2003 6587.1 33 3858.5 25 
7 14/6/2003 6245.5 35 3658.5 26 
CN 15/6/2003 5896.5 34 3842 26 
2 16/6/2003 6412.9 35 3760.5 25 
3 17/6/2003 6431.4 35 3890 25 
4 18/6/2003 6506.5 35 3969 26 
5 19/6/2003 6547.8 35 4149.5 27 
6 20/6/2003 6592.2 33 4063.5 25 
7 21/6/2003 6237.3 33 3850 26 
CN 22/6/2003 5743.5 34 3618 26 
2 23/6/2003 6396.7 33 3452 26 
3 24/6/2003 6404.8 32 3829.5 25 
4 25/6/2003 6391.6 35 3814 25 
5 26/6/2003 6483.1 35 3956.5 26 
6 27/6/2003 6284.8 35 3995.5 27 
7 28/6/2003 5958.3 36 3781 27 
CN 29/6/2003 5551.3 36 3634 26 
2 30/6/2003 6050.8 35 3289 25 
4.2. Kết quả 
Dựa vào các số liệu về nhiệt độ cao 
nhất/thấp nhất trong ngày và Pmax/Pmin 
tương ứng của các ngày làm việc trong 
tháng, ta xây dựng tập hợp mẫu dùng 
để huấn luyện và kiểm tra khả năng dự 
báo của mạng. Như vậy có dữ liệu về 
nhiệt độ cao nhất trong ngày và phụ tải 
cao nhất tương ứng của ngày đó ta có 
thể xây dựng tập ví dụ huấn luyện cho 
bất kỳ giai đoạn nào trong năm. Kết 
quả huấn luyện mạng và tính toán dự 
báo đồ thị phụ tải cho ngày 23/06/2009 
được cho trong hình 4, 5, 6. 
Hình 4. Giao diện form dự báo phụ tải 
ngày 23/06/2009 
Chức năng của form này là: 
 Lấy các mẫu dữ liệu để huấn luyện; 
 Chọn ngày cần dự báo; 
 Chọn số vòng và hệ số lỗi khi huấn 
luyện; 
 Dự báo các đỉnh và đáy của phụ tải. 
Hình 5. Giao diện form 
kết quả huấn luyện mạng 
Khối trong hình 5 có chức năng khởi 
tạo mạng noron nhân tạo, tiến hành quá 
trình huấn luyện mạng, đưa ra các kết 
quả mẫu huấn luyện, điều chỉnh trọng 
số của tập huấn luyện sao cho mẫu 
huấn luyện có sai số và % sai số là nhỏ 
nhất. Khi kết thúc huấn luyện sẽ đưa ra 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
69 
kết quả của mẫu dự báo, sai số và % 
sai số. 
Hình 6. Giao diện form 
 kết thúc huấn luyện mạng 
Từ kết quả nhận được như trong các 
hình 5 và hình 6 cho thấy rằng: phương 
pháp mạng nơron cho kết quả tốt hơn 
so với các phương pháp truyền thống. 
Cụ thể đối với tập số liệu này sai số của 
dự báo bằng mang nơron là 0,74%, 
trong khi đó sai số của hàm đa thức bậc 
2 và hàm mũ là 11,5% [8]. 
4.3. Nhận xét 
Hiện có nhiều bài toán dự báo phụ tải 
điện ứng dụng thuật toán lan truyền 
ngược BPA. Tuy nhiên, so với phương 
pháp truyền thống (tức xử lý báo động 
bằng hệ chuyên gia hoặc do chính nhân 
viên vận hành thực hiện) thì phương 
pháp này cho phép tiết kiệm thời gian 
rất nhiều, bởi vì xử lý kiến thức do con 
người hoặc bằng hệ thống chuyên gia 
đều chậm hơn phân loại mẫu bằng 
mạng nơron truyền thẳng. So với hệ 
chuyên gia, mạng nơron có khả năng 
làm việc tốt hơn với các mẫu tín hiệu 
không đầy đủ, biến dạng hoặc gián 
đoạn. 
Ngoài ra, mạng nơron trình bày trong 
bài báo này đã xét đến ảnh hưởng của 
nhiệt độ và yếu tố mùa trong năm 
(bảng 1). Chính vì vậy mà mô hình, cấu 
trúc mạng nơron đề xuất đã thể hiện 
được tính ưu việt của nó về độ chính 
xác. Phương pháp này không yêu cầu 
quá nhiều lượng thông tin đầu vào so 
với các mạng nơ ron truyền thẳng cho 
dự báo phụ tải đã được công bố [5, 9, 
10], hoàn toàn phù hợp với công tác 
điều độ, vận hành hệ thống điện thực ở 
Việt Nam. 
5. KẾT LUẬN 
Việc dự báo dữ liệu là một bài toán rất 
phức tạp, cả về số lượng dữ liệu cần 
quan tâm cũng như độ chính xác của dữ 
liệu dự báo. Do vậy, việc cân nhắc để 
có thể chọn được mô hình phù hợp cho 
việc dự báo dữ liệu là một việc rất khó 
khăn (chỉ có thể bằng phương pháp thử 
- sai). Thuật toán lan truyền ngược ứng 
dụng trong dự báo đã được thực tế 
chứng tỏ là một công cụ tốt áp dụng 
cho các bài toán trong các lĩnh vực dự 
báo dữ liệu. 
Có các số liệu về nhiệt độ cao nhất Tmax 
và phụ tải cao nhất Pmax tương ứng 
trong ngày của các ngày làm việc trong 
tháng, ta có thể xây dựng tập hợp ví dụ 
huấn luyện dùng để huấn luyện và kiểm 
tra khả năng dự báo của mạng. 
Phương pháp BPA học rất nhanh, mạng 
học mối quan hệ giữa công suất phụ tải, 
thời gian ngày - tuần, và điều kiện nhiệt 
độ thông qua dữ liệu vectơ tham số 
học. Vì vậy quy trình dự báo bằng 
mạng nơron sử dụng thuật toán lan 
truyền ngược sai số hứa hẹn mang lại 
nhiều kết quả khả quan trong vấn đề dự 
báo phụ tải ngắn hạn. 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
70 
TÀI LIỆU THAM KHẢO 
[1] Đặng Ngọc Dinh, Trần Bách, Trịnh Hùng Thám; Hệ thống điện; Tập I, II. Nhà xuất 
bản Đại học và Trung học chuyên nghiệp, 1976. 
[2] Lê Minh Trung; Mạng nơron nhân tạo; Nhà xuất bản Thống kê, 1999. 
[3] Juntakan Taweekun; Load forecasting in Thailand using neural networks; Prince of 
Songkla University, Hatyai, Songkla, Thailand, 2005. 
[4] Trần Lộc Hùng; Lý thuyết xác suất và thống kê toán học; Nhà xuất bản Giáo dục, 
1998. 
[5] Jyh-Ming Kuo; Nonlinear Dynamic Modeling with artificial neural networks; The 
Degree of Doctor of Philosophy, 1993. 
[6] Frank Scrimgeour; Modelling and Forecasting the Demand for Electricity in New 
Zealand: A Comparison of Alternative Approaches; The Energy Journal, Volume 24, 
no.1, 2003. 
[7] Tập đoàn Điện lực Việt Nam (EVN); Tổng kết vận hành hệ thống điện Việt Nam; Hà 
Nội 2009. 
[8] M. Becvali, M. Cellura, V. Lo Brano, A. Marvuglia; Forecasting daily urban electric 
load using artificial neural networks; Energy Conversion and management; Vol.45 
(2008); pp 2879-2900. 
[9] Mehdi Khashei; An Artificial neural networks (p, d, q) model for timeseris 
forecasting; Expert system with application; Vol.37 (2010), pp 479-499. 
Giới thiệu tác giả: 
Tác giả Phạm Ngọc Hùng sinh năm 1976 tại Hải Dương, tốt nghiệp 
Trường Đại học Bách Khoa Hà Nội và nhận bằng thạc sỹ kỹ thuật 
điện năm 2006. Tác giả hiện là giảng viên, giảng dạy tại Bộ môn Nhà 
máy điện và Trạm biến áp, Khoa Hệ thống điện - Trường Đại học 
Điện lực. Các lĩnh vực nghiên cứu chính: nhà máy điện, quá trình quá 
độ và năng lượng mới.