intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Nghiên cứu ứng dụng công nghệ AI vào dự báo phụ tải để đánh giá TTĐN lưới điện trung áp tỉnh Thừa Thiên Huê giai đoạn 2021 – 2025

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:13

Thêm vào BST
Báo xấu
14
lượt xem 6
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết này hướng đến việc ứng dụng trí tuệ nhân tạo vào dự báo phụ tải giai đoạn 2021-2025. Sử dụng tập dữ liệu mẫu đầu vào giống nhau trong đó bao gồm các số liệu về nhiệt độ, lượng mưa, tình hình phát triển kinh tế xã hội, sản lượng và công suất của các xuất tuyến trung thế, trạm biến áp phân phối từ năm 2018 đến năm 2021 được thu thập từ hệ thống đo xa DSPM của EVNCPC.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Nghiên cứu ứng dụng công nghệ AI vào dự báo phụ tải để đánh giá TTĐN lưới điện trung áp tỉnh Thừa Thiên Huê giai đoạn 2021 – 2025

  1. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 NGHIÊN CỨU ỨNG DỤNG CÔNG NGHỆ AI VÀO DỰ BÁO PHỤ TẢI ĐỂ ĐÁNH GIÁ TTĐN LƯỚI ĐIỆN TRUNG ÁP TỈNH THỪA THIÊN HUẾ GIAI ĐOẠN 2021 – 2025 RESEARCH ON APPLICATION OF ARTIFICIAL INTELLIGENCE TECHNOLOGY IN LOAD FORECAST FOR ASSESSMENT ELECTRIC POWER LOSSES OF MEDIUM VOLTAGE POWER NETWORK IN TT-HUE PROVINCE FOR 2021 – 2025 1 2 3 4 Hoàng Ngọc Hoài Quang , Hồ Nghĩa , Hoàng Xuân Thiện , Lê Nguyễn Ngọc Vinh 1Công ty Điện lực Thừa Thiên Huế, 0963211112, quanghnh@cpc.vn 2Công ty Điện lực Thừa Thiên Huế, 0934907909, nghiah@cpc.vn 3Công ty Điện lực Thừa Thiên Huế, 0778526888, thienhx2@cpc.vn 4Công ty Điện lực Thừa Thiên Huế, 0372268967, vinhlnn@cpc.vn Tóm tắt: Tổn thất điện năng trên hệ thống điện là lượng điện năng tiêu hao cho quá trình truyền tải và phân phối. Tỷ lệ tổn thất điện năng phụ thuộc vào sản lượng điện truyền tải, khả năng của hệ thống, đặc điểm vật lý của lưới điện. Phụ tải là số liệu đầu vào để xác định được tổn thất công suất và tổn thất điện năng, do đó số liệu dự báo phụ tải càng chính xác thì kết quả dự báo, tính toán tổn thất điện năng càng đáng tin cậy. Hiện nay công tác dự báo phụ tải ở Công ty Điện lực Thừa Thiên Huế vẫn đang thực hiện một cách thủ công, từ nhiều thông tin rời rạc như tốc độ phát triển kinh tế, nhu cầu kinh của các khu công nghiệp, tình hình thời tiết trên địa bàn tỉnh… do đó chỉ có thể tương đối chính xác trong thời gian ngắn, để dự báo trong thời gian dài cần xây dựng một công cụ dự báo hiệu quả hơn. Bài báo này hướng đến việc ứng dụng trí tuệ nhân tạo vào dự báo phụ tải giai đoạn 2021-2025. Sử dụng tập dữ liệu mẫu đầu vào giống nhau trong đó bao gồm các số liệu về nhiệt độ, lượng mưa, tình hình phát triển kinh tế xã hội, sản lượng và công suất của các xuất tuyến trung thế, trạm biến áp phân phối từ năm 2018 đến năm 2021 được thu thập từ hệ thống đo xa DSPM của EVNCPC. Nhóm tác giả đã nghiên cứu, tìm hiểu và xây dựng mạng nơ-ron nhân tạo sử dụng thuật toán trí tuệ nhân tạo và học sâu LSTM. Từ đó thay đổi các chỉ số như lần duyệt qua hết các dữ liệu trong tập huấn luyện (epoch), số lượng mẫu dữ liệu trong một lần huấn luyện (batch size) và số lượng batchs cần để hoàn thành 01 epoch (iterations) để so sánh độ chính xác của mỗi tập chỉ số và lựa chọn hợp lý khi áp dụng vào thực tiễn. Kết quả dự đoán công suất phụ tải trong 8 tháng các điểm đo mẫu đã bám sát với đường công suất thực tế. Nghiên cứu là bước khởi đầu cho việc nghiên cứu AI phục vụ trong công tác quản lý, điều hành, kinh doanh điện năng tại Công ty Điện lực Thừa Thiên Huế, góp phần thúc đẩy ứng dụng công nghệ trong hoạt động sản xuất kinh doanh điện năng. Từ khóa: LSTM; dự báo phụ tải; trí tuệ nhân tạo; tổn thất điện năng. 154
  2. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA Abstract: Electric power losses on the power system is the amount of wasteful energy for the transmission and distribution process, depending on the transmission power output, the system's capacity, and the physical characteristics of the power grid. The load is the input data to determine the power losses and electric power losses, so the more accurate the load forecast data, the more reliable the prediction and calculation results of the electric power losses. Currently, the load forecasting at Thua Thien Hue Power Company is still done manually, from many discrete information such as economic development speed, electricity demand of industrial zones, etc. weather situation in the province... so it can only be relatively accurate in a short time, to forecast in the long term it is necessary to build a more effective forecasting tool. This article aims to apply artificial intelligence to load forecasting for the period 2021- 2025. Using the same input sample data set which includes data on temperature, rainfall, socio-economic development, output and capacity of medium voltage feeders, distribution substations from 2018 to 2021 were collected from EVNCPC's DSPM telemetry system. The authors have researched, understood and built an artificial neural network using artificial intelligence and LSTM deep learning algorithms. From there, change the indicators such as the number of times to go through all the data in the training set (epoch), the number of data samples in a training time (batch size) and the number of batches needed to complete 01 epoch (iterations). to compare the accuracy of each set of indexes and make a reasonable choice when applied in practice. The results of predicting the load capacity in 8 months of the sample measurement points have closely followed the actual power line. The research results are the first step for AI research to serve in the management, operation and business of electricity at Thua Thien Hue Electricity Company, contributing to promoting the application of technology in electricity production and business activities. Keywords: LSTM; Energy consumption forecasting; Artificial Intelligence; Electric power losses. KÝ HIỆU Ký hiệu Đơn vị Ý nghĩa AP_T kW Công suất tác dụng CHỮ VIẾT TẮT AI Artificial Intelligence (Trí tuệ nhân tạo) Vietnam Electricity Central Power Corporation EVNCPC (Tổng công ty Điện lực miền Trung) LTSM Long Short-term memory (Mạng bộ nhớ dài-ngắn) 155
  3. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 Root Mean Squared Error (Lỗi trung bình bình RMSE phương) RNN Recurrent Neural Network (Mạng hồi quy) TTĐN Tổn thất điện năng Thừa Thiên Huế Power Company (Công ty Điện lực TTHPC Thừa Thiên Huế) 1. GIỚI THIỆU TTĐN trên hệ thống điện là lượng điện năng tiêu hao cho quá trình truyền tải và phân phối điện từ thanh cái các nhà máy điện qua hệ thống lưới điện truyền tải, lưới điện phân phối đến các hộ sử dụng điện. TTĐN phụ thuộc vào sản lượng điện truyền tải, khả năng của hệ thống, đặc điểm vật lý của lưới điện. Do đó, để dự báo, đánh giá TTĐN chính xác thì vấn đề dự báo phụ tải giữ vai trò đặc biệt quan trọng. Phụ tải là số liệu đầu vào để xác định được tổn thất công suất, từ đó tính toán TTĐN. Số liệu dự báo phụ tải càng chính xác thì kết quả dự báo, tính toán TTĐN càng đáng tin cậy. Để dự báo phụ tải, hiện nay tại Công ty Điện lực Thừa Thiên Huế vẫn đang thực hiện thủ công, từ nhiều thông tin rời rạc như tốc độ phát triển kinh tế, nhu cầu sử dụng điện của các khu công nghiệp, tình hình thời tiết trên địa bàn tỉnh… Việc dự báo này chỉ có thể tương đối chính xác trong thời gian ngắn, để dự báo chính xác, đáng tin cậy trong thời gian dài cần xây dựng một công cụ dự báo hiệu quả hơn. Từ những yêu cầu đó, với sự phát triển của thời đại công nghệ 4.0 trong đó nổi bậc là sự phát triển của trí thông minh nhân tạo trong lưới điện [4]. Bài báo hướng đến việc ứng dụng trí tuệ nhân tạo vào dự báo phụ tải giai đoạn 2021-2025, kết quả dự báo sẽ được ứng dụng để đánh giá TTĐN lưới điện trong tương lai. Nhóm tác giả đã nghiên cứu, tìm hiểu về công nghệ trí tuệ nhân tạo, nghiên cứu về các mô hình của trí tuệ nhân tạo, phương pháp khai phá dữ liệu để tìm ra mô hình dự báo phù hợp đối với dữ liệu đầu vào và yêu cầu của bài toán. Bên cạnh đó, để có kết quả dự báo chính xác từ các mô hình trí tuệ nhân tạo, đòi hỏi phải chuẩn bị tập dữ liệu đầy đủ, chính xác để làm dữ liệu huấn luyện. Trong đó, các số liệu về sản lượng, công suất… chủ yếu được lấy từ phần mềm đo xa DSPM, RFSpider. Các số liệu liên quan đến tình hình phát triển kinh tế - xã hội, thời tiết, mùa vụ … đòi hỏi phải có sự thu thập dữ liệu kĩ lưỡng từ nhiều nguồn. Từ các kết quả dự báo phụ tải, có thể sử dụng để đánh giá TTĐN lưới điện tỉnh Thừa Thiên Huế giai đoạn 2021-2025 chính xác, tin cậy, từ đó xây dựng được lộ trình giảm TTĐN, đưa ra kế hoạch vận hành lưới điện hiệu quả và kinh tế. 156
  4. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA 2. CƠ SỞ LÝ THUYẾT/PHƯƠNG PHÁP NGHIÊN CỨU 2.1. Cơ sở nghiên cứu và phương pháp nghiên cứu Đề tài nghiên cứu sử dụng phương pháp thay đổi các chỉ số đầu vào khi huấn luyện trong thuật toán với nguồn dữ liệu mẫu đầu vào giống nhau trong đó bao gồm các số liệu về nhiệt độ, lượng mưa, tình hình phát triển kinh tế xã hội, sản lượng và công suất của các xuất tuyến trung thế, trạm biến áp phân phối từ năm 2018 đến năm 2021 được thu thập từ hệ thống đo xa DSPM EVNCPC. Từ đó tìm ra được bộ chỉ số cho thuật toán hợp lý để có kết quả chính xác nhất khi áp dụng vào thực tiễn. 2.2. Thuật toán Long Short-term memory (LSTM) LSTM là một mạng nơ-ron nhân tạo được sử dụng trong lĩnh vực trí tuệ nhân tạo và học sâu. Không giống như các mạng nơron truyền thẳng tiêu chuẩn, LSTM có các kết nối phản hồi. Một mạng nơ-ron tuần hoàn (RNN) như vậy có thể xử lý không chỉ các điểm dữ liệu đơn lẻ (chẳng hạn như hình ảnh), mà còn toàn bộ chuỗi dữ liệu (chẳng hạn như giọng nói hoặc video). Ví dụ: LSTM có thể áp dụng cho các tác vụ như nhận dạng chữ viết tay được kết nối, không phân đoạn, nhận dạng giọng nói, dịch máy, điều khiển robot, trò chơi điện tử và chăm sóc sức khỏe. LSTM đã trở thành mạng nơ-ron được trích dẫn nhiều nhất trong thế kỷ 20. [7] Hình 1 Mô hình thuật toán LSTM Forget gate: 𝑓𝑡 = 𝜎(𝑈 𝑓 ∗ 𝑥 𝑡 + 𝑊𝑖 ∗ ℎ 𝑡−1 + 𝑏 𝑓 ) (1) Input gate: 𝑖 𝑡 = 𝜎(𝑈 𝑖 ∗ 𝑥 𝑡 + 𝑊𝑖 ∗ ℎ 𝑡−1 + 𝑏 𝑖 ) (2) Output gate 𝑜𝑡 = 𝜎(𝑈 𝑜 ∗ 𝑥 𝑡 + 𝑊𝑖 ∗ ℎ 𝑡−1 + 𝑏 𝑜 ) (3) LSTM - là một dạng đặc biệt của RNN, nó có khả năng học được các phụ thuộc xa. LSTM được giới thiệu bởi Hochreiter & Schmidhuber (1997), và sau đó đã được cải 157
  5. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 tiến và phổ biến bởi rất nhiều người trong ngành. Chúng hoạt động cực kì hiệu quả trên nhiều bài toán khác nhau nên dần đã trở nên phổ biến như hiện nay [2]. RNN là một lớp mạng nơ-ron nhân tạo nơi các kết nối giữa các nút có thể tạo ra một chu kỳ, cho phép đầu ra từ một số nút ảnh hưởng đến đầu vào tiếp theo đến cùng các nút. Điều này cũng cho phép nó thể hiện hành vi động tạm thời. Bắt nguồn từ mạng nơron truyền thẳng, RNN có thể sử dụng trạng thái bên trong của chúng để xử lý chuỗi đầu vào có độ dài thay đổi. Điều này làm cho chúng có thể áp dụng cho các tác vụ như nhận dạng chữ viết tay được kết nối, không phân đoạn hoặc nhận dạng giọng nói [5]. Về mặt lý thuyết, mạng nơ-ron tuần hoàn là Turing hoàn chỉnh và có thể chạy các chương trình tùy ý để xử lý các chuỗi đầu vào tùy ý. LSTM được thiết kế để tránh được vấn đề phụ thuộc xa (long-term dependency). Việc nhớ thông tin trong suốt thời gian dài là đặc tính mặc định của chúng, chứ ta không cần phải huấn luyện nó để có thể nhớ được. 2.3. Dữ liệu nghiên cứu 2.3.1. Dữ liệu phụ tải Thu thập dữ liệu phụ tải của tất cả các điểm đo xuất tuyến trung thế, trạm biến áp phân phối thuộc quản lý của Công ty Điện lực Thừa Thiên Huế. Số liệu được thu thập từ hệ thống DSPM là hệ thống đo xa được xây dựng và phát triển bởi Tổng công ty Điện lực miền Trung. Hình 2 dưới đây thể hiện biểu đồ công suất của điểm đo PC03AA0119284001 từ ngày 25/8/2022 đếm ngày 31/8/2022. PC03AA0119284001 16 14 12 10 8 6 4 2 0 2022-08-26 08:26:15.000 2022-08-25 00:00:15.000 2022-08-25 05:00:14.000 2022-08-25 08:36:15.000 2022-08-25 13:30:15.000 2022-08-25 18:30:14.000 2022-08-25 23:30:17.000 2022-08-26 04:30:13.000 2022-08-26 12:30:15.000 2022-08-26 17:30:14.000 2022-08-26 22:30:17.000 2022-08-27 03:30:15.000 2022-08-27 08:06:14.000 2022-08-27 10:30:14.000 2022-08-27 15:30:15.000 2022-08-27 20:30:16.000 2022-08-28 01:30:14.000 2022-08-28 06:30:16.000 2022-08-28 09:30:18.000 2022-08-28 14:30:17.000 2022-08-28 19:30:14.000 2022-08-29 00:30:16.000 2022-08-29 05:30:15.000 2022-08-29 09:00:14.000 2022-08-29 14:00:14.000 2022-08-29 19:00:15.000 2022-08-30 00:00:14.000 2022-08-30 05:00:14.000 2022-08-30 09:00:14.000 2022-08-30 13:30:18.000 2022-08-30 18:30:15.000 2022-08-31 00:00:18.000 2022-08-31 05:00:13.000 2022-08-31 08:30:17.000 2022-08-31 13:30:15.000 2022-08-31 18:30:14.000 2022-08-31 23:30:14.000 Hình 2. Đồ thị thể hiện phụ tải của Điểm đo PC03AA0119284001 từ ngày 25 đến 31/8/2022 158
  6. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA 2.3.2. Dữ liệu nhiệt độ trên địa bàn tỉnh Thừa Thiên Huế Bảng 1 dưới đây thể hiện nhiệt độ theo từng tháng trong các năm (2015, 2018, 2019, 2020 và 2021) và bình quân nhiệt độ của năm đó. Bảng 1. Nhiệt độ trung bình tại trạm quan trắc Huế Đơn vị tính: (độ C) Năm 2015 2018 2019 2020 2021 Tháng 1 19,5 20,3 20,4 21,8 18,2 2 21,8 19,3 24,1 22,0 21,1 3 25,1 23,0 25,5 25,7 24,4 4 25,9 24,7 28,8 24,8 26,8 5 29,5 28,3 29,0 29,5 29,4 6 29,5 29,1 31,1 29,9 30,6 7 28,2 28,4 30,0 29,6 30,0 8 28,9 28,6 29,6 28,9 30,5 9 28,3 27,7 26,8 28,6 27,2 10 25,1 25,7 26,0 25,0 25,2 11 25,4 24,1 23,8 23,8 22,8 12 21,8 22,4 21,4 20,0 20,4 Bình quân năm 25,8 25,1 26,4 25,8 25,6 (Nguồn: Cục thống kê tỉnh Thừa Thiên Huế) 2.3.3. Dữ liệu lượng mưa trên địa bàn tỉnh Thừa Thiên Huế Bảng 2 dưới đây thể hiện lượng mưa theo từng tháng trong các năm (2015, 2018, 2019, 2020 và 2021) và tổng lượng mưa của năm đó. Bảng 2. Lượng mưa tại trạm quan trắc Huế Đơn vị tính: (Mm) Năm 2015 2018 2019 2020 2021 Tháng 1 70,8 160,3 215,0 80,3 170,4 2 64,2 47,7 0,0 23,9 60,9 159
  7. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 Năm 2015 2018 2019 2020 2021 Tháng 3 180,1 20,8 8,6 47,8 112,4 4 151,7 208,1 0,7 217,4 68,8 5 40,3 24,2 125,1 35,6 1,7 6 33,8 161,9 4,5 14,0 32,0 7 69,0 158,2 80,7 48,2 27,0 8 51,7 22,5 213,6 153,4 52,6 9 246,6 216,7 584,5 225,1 535,6 10 457,6 267,2 333,3 2614,4 1438,3 11 526,6 484,5 376,6 767,0 825,9 12 313,1 745,0 41,7 564,9 190,4 Tổng lượng mưa 2205,5 2517,1 1984,3 4792,0 3516,0 (Nguồn: Cục thống kê tỉnh Thừa Thiên Huế) 2.4. Dự kiến kết quả đạt được Nắm rõ các cơ sở lý thuyết và mô hình các thuật toán học sâu, trí tuệ nhân tạo trong dự báo phụ tải. Xây dựng thành công các mô hình dự báo phụ tải với dữ liệu huấn luyện là dữ liệu phụ tải trong quá khứ, các yếu tố như tình hình phát triển kinh tế - xã hội, điều kiện thời tiết. So sánh được những ưu điểm và nhược điểm của các thuật toán khi áp dụng vào bài toán đề ra. Dự báo được phụ tải theo thời gian 1 giờ/lần của từng xuất tuyến, trạm biến áp phân phối trong giai đoạn 2021-2025. 3. KẾT QUẢ NGHIÊN CỨU/TÍNH TOÁN/MÔ PHỎNG VÀ THẢO LUẬN 3.1. Xây dựng công cụ tiền xử lý dữ liệu thiếu Để xây dựng mô hình dự đoán có tỷ lệ chính xác cao, theo bản chất của thuật toán LSTM cần chuỗi thời gian đầy đủ và chính xác để có kết quả dự đoán tốt. Nhưng trong thực tế, số liệu từ hệ thống đo xa sẽ có lúc không thể thu thập ảnh hưởng đến số liệu trong một ngày. Ví dụ ở hình số 3, số liệu AP_T đang thiếu là 9221 dòng tương ứng với 9221 giờ trong 04 năm từ 2018 đến 2021. Để giải quyết bài toán trên, ta cần một chương trình có thể xử lý được các vị trí dữ liệu còn thiếu bằng các phương pháp hiệu chỉnh và ước lượng số liệu đo đếm của mẫu phụ tải điện (điều 16, thông tư 19/2017/TT- BCT quy định nội dung, phương pháp và trình tự thực hiện nghiên cứu phụ tải điện) 160
  8. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA như lấy giá trị của cùng giờ trong 4/4 tuần trước thời điểm bị thiếu, lấy giá trị của cùng giờ trong 4/4 tuần sau thời điểm bị thiếu và lấy ngày tương đồng nhất trong 21 ngày. Hình 3. Số liệu công suất của điểm đo PC03BB121417001 từ năm 2018-2021của một điểm đo trước khi xử lý Số liệu ở hình 4 dưới đây cho thấy giai đoạn tiền xử lý dữ liệu các số liệu công suất theo thời gian còn thiếu đã được tự động điền vào đầy đủ theo phương pháp nội suy thứ 2 “lấy giá trị của cùng giờ trong 4/4 tuần sau thời điểm bị thiếu”. Cột trạng thái thể hiện cho áp dụng phương pháp nào để suy ra được giá trị đó (Giá trị 0 là mặc định không thay đổi). Hình 4. Số liệu công suất của điểm đo PC03BB121417001 từ năm 2018-2021 của một điểm đo sau khi được xử lý 161
  9. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 3.2. Xây dựng thử nghiệm các mô hình dự báo công suất của các điểm đo 3.2.1. Tập dữ liệu Sử dụng dữ liệu được thu thập của 02 điểm đo khác nhau, trong đó mỗi tập dữ liệu chứa thông tin công suất (AP_T) theo từng giờ của tất cả các ngày trong hai năm 2020-2021 (sau khi sử dụng công cụ tiền xử lý dữ liệu như ở phần 3.1) như ở hình 5. Hình 5. File csv chứa dữ liệu điểm đo PC03BB0214941001 3.2.2. Xây dựng mô hình huấn luyện Xây dựng tập huấn luyện (training data) và tập kiểm thử (test data) bằng cách chia mỗi tập dữ liệu thành 03 phần, trong đó 2/3 tập dữ liệu dùng để huấn luyện (16 tháng) và 1/3 tập dữ liệu dùng để làm tập kiểm thử (8 tháng) [8]. Xây dựng các tập huấn luyện (X_train, Y_train) và tập Test (X_Test, Y_Test) bằng cách lấy mẫu theo bước nhảy (n_steps). Đề tài sử dụng bước nhảy là 24 tương ứng với 24 giờ (có nghĩa là 24 giá trị đầu sẽ sử dụng để dự báo giá trị tiếp theo). Tập X_train, X_test phải chuyển về format của LSTM: X_train (samples, n_steps, features). Với bài toán này, nhóm nghiên cứu đưa ra các chỉ số cuối cùng phục vụ huấn luyện như sau:  Samples (số mẫu): 720 giờ (số giờ trong 1 tháng) x 16 (tháng) = 11520 giờ (tương ứng 2/3 tập dữ liệu ban đầu là 17280 giờ (tổng số giờ trong 2 năm).  n_steps (bước nhảy): 24  features (số biến): 1 (mô hình đang sử dụng dựa trên dữ liệu công suất nên giá trị là 1)  epochs (số lần duyệt qua tập huấn luyện): 100 162
  10. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA  batch_size (số lượng mẫu dữ liệu trên 1 lần duyệt): 1 Hình 6 dưới đây thể hiện áp đưa các giá trị trên vào thuật toán và các bước thuật toán hoạt động để huấn luyện ra mô hình. Hình 6. Code chương trình xây dựng mô hình huấn luyện 3.2.3. Kết quả thực nghiệm và đánh giá Như trình bày ở mục 2, bài toán dự báo phụ tải thuộc dạng bài toán dự báo dữ liệu chuỗi thời gian. Trong bài toán này, chúng tôi áp dụng phương pháp LSTM là phương pháp nghiên cứu chính để cài đặt thử nghiệm. Để đánh giá được độ chính xác cũng như sự tin cậy của thuật toán dự trên các mô hình Train và Test, nhóm nghiên cứu đã áp dụng công thức tính Lỗi trung bình bình phương (RMSE). RMSE là độ lệch chuẩn của phần dư (lỗi dự đoán). Lỗi trung bình bình phương gốc (RMSE) là thước đo mức độ hiệu quả của mô hình của bạn. Nó thực hiện điều này bằng cách đo sự khác biệt giữa các giá trị dự đoán và giá trị thực tế. R-MSE càng nhỏ tức là sai số càng bé thì mức độ ước lượng cho thấy độ tin cậy của mô hình có thể đạt cao nhất. 𝑛 = 𝑁− 𝑘−1 (4) 𝑛 (𝑦 𝑖 − 𝑦 𝑖 )2 ̂ 𝑅𝑀𝑆𝐸 = √∑ (5) 𝑛 𝑖=1 163
  11. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 Với: ̂𝑖 là giá trị ước lượng 𝑦 𝑦 𝑖 là biến độc lập N: số tổng lượng quan sát k: tổng lượng biến Nhằm trực quan hóa dữ liệu dự đoán nhóm đã xây dựng thêm chức năng tạo biểu đồ 2 đường (Đường dữ liệu công suất thực tế và đường dữ liệu công suất dự đoán). Thử nghiệm dự đoán với tập dữ liệu như đã nêu ở mục 3.2.2. tại 02 hình 7 và 8 (tương ứng 1440 giờ trong 2 tháng), ta thấy các hình của 2 điểm đo (PC03BB0214946001 và PC03BB0219000001) có 02 đường vẽ khá trùng nhau và RMSE giao động từ 12 đến 15, đây là kết quả tốt trong dự đoán. 3.2.3.1. Kết quả dự đoán cho điểm đo PC03BB0214946001  Train: RMSE 12.684453569269746  Test: RMSE 12.491513956197979 Hình 7. Dữ liệu 2 tháng bất kỳ trong 8 tháng của tập dữ liệu Test của điểm đo PC03BB0214946001 164
  12. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA 3.2.3.2. Kết quả dự đoán cho điểm đo PC03BB0219000001  Train Score: RMSE 13.145431320046505  Test Score: RMSE 15.446343592433047 Hình 8. Dữ liệu 2 tháng bất kỳ trong 8 tháng của tập dữ liệu kiểm thử của điểm đo PC03BB0219000001 4. KẾT LUẬN VÀ KHUYẾN NGHỊ Kết quả đường dữ liệu công suất dự đoán trong 8 tháng của 2 điểm đo mẫu đã bám sát với đường dữ liệu công suất thực tế. Việc ứng dụng trí tuệ nhân tạo AI vào công tác dự báo phụ tải trong thời gian dài giúp hỗ trợ công tác dự báo phụ tải chính xác và đáng tin cậy hơn. Từ đó công tác quản lý điều hành được chuẩn xác, kịp thời, đáp ứng tiêu chí ngày một khắt khe trong việc quản lý của EVN. Từ kết quả dự báo phụ tải ở phần 3, có thể sử dụng các phầm mềm tính toán trào lưu công suất như PSS/E, PSS/ADEPT để tính toán tổn thất công suất, đánh giá tổn thất điện năng trong tương lai, từ đó xây dựng lộ trình giảm TTĐN, đưa ra kế hoạch đầu tư, vận hành hệ thống điện hiệu quả và kinh tế. Với việc áp dụng thêm các thông số về nhiệt độ, lượng mưa và các điều kiện kinh tế xã hội trong việc huấn luyện và dự đoán phụ tải, nhóm nghiên cứu hi vọng đề tài sẽ đạt kết 165
  13. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 quả tốt và được áp dụng rộng rãi trong toàn EVN. Kết quả nghiên cứu là bước khởi đầu cho việc nghiên cứu trí tuệ nhân tạo phục vụ cho công tác quản lý, điều hoành, kinh doanh điện năng tại Công ty Điện lực Thừa Thiên Huế. Trong tương lai, đây là phương pháp tiếp cận khoa học, bài bản trong quản lý vận hành lưới điện, với các công cụ dự báo ngày càng tốt hơn, sẽ cho những kết quả tính toán, phân tích chính xác hơn. TÀI LIỆU THAM KHẢO [1] Vinh Nguyen, 2017. Truy cập ngày 27 tháng 10 năm 2017. Vanishing & Exploding Gradients Problems in Deep Neural Networks (Part 2). https://viblo.asia/p/vanishing-exploding-gradients- problems-in-deep-neural-networks-part-2-ORNZqPEeK0n [2] Đỗ Minh Hải, 2017. Truy cập ngày 20 tháng 10 năm 2017. [RNN] LSTM. https://dominhhai.github.io/vi/2017/10/what-is-lstm/#3-2-b%C3%AAn-trong-lstm [3] Kelvin Xu, Jimmy Lei Ba, Ryan Kiros, Kyunghyun Cho, Aaron Courville, Ruslan Salakhutdinov, Richard S. Zemel, Yoshua Bengio, 2015. Show, Attend and Tell: Neural Image Caption Generation with Visual Attention. https://arxiv.org/pdf/1502.03044v2.pdf [4] Rastgoufard, Samin, 2018. Applications of Artificial Intelligence in Power Systems. University of New Orleans Theses and Dissertations, 2487. [5] Gábor Petneházi, 2019. Recurrent Neural Networks for Time Series Forecasting. https://www.researchgate.net/publication/330102696. [6] Nguyễn Thanh Tuấn, 2019, Deep Learning Cơ bản, Việt Nam. [7] Wikipedia, 2022. Long short-term memory. https://en.wikipedia.org/wiki/Long_short-term_memory [8] Jason Brownlee, 2016. Deep Learning for Time Series. https://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks- python-keras/ 166
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.15: Bộ Đồ Án Tốt Nghiệp Chuyên Ngành Cơ Khí
65 tài liệu
2418 lượt tải
THÔNG TIN
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.

 

Đồng bộ tài khoản
2=>2