Dự báo nhu cầu phụ tải điện năng dùng mạng neural electricity demand forecasting using neural network
DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN NĂNG DÙNG MẠNG NEURAL
ELECTRICITY DEMAND FORECASTING USING NEURAL NETWORK
Đoàn Văn Vững1, Lê Mỹ Hà1
1 Trường đại học Sư phạm Kỹ thuật TP.HCM
TÓM TẮT
Dự báo nhu cầu phụ tải điện năng đóng vai trò rất quan trọng trong việc quản lý năng lượng
một cách hiệu quả, bền vững như quy hoạch, đầu tư phát triển thêm cơ sở hạ tầng và vận hành hệ
thống điện. Tính chính xác của dự báo nhu cầu phụ tải điện năng trong tương lai càng phải được
đặc biệt chú trọng. Trong nội dung bài báo này, tác giả nghiên cứu một phương pháp dự báo phụ
tải mới dựa trên mạng Nơ-ron học sâu (Deep Learning Network), cụ thể là mạng Nơ-ron hồi quy
(Recurent neural network - RNN) với mô hình cải tiến là Long Short-Term Memory (LSTM). Cấu
trúc mạng được đề xuất gồm có 4 lớp là Sequence Input, LSTM, Fully Connected và Regression
Output. Phương pháp đề xuất được thực nghiệm trên dữ liệu lượng điện năng tiêu thụ trong 06
năm từ 2012 đến 2017 của tỉnh Tiền Giang. Kết quả thực nghiệm cho thấy phương pháp dự báo
đề xuất trong bài báo phù hợp với dữ liệu thực dùng kiểm tra với sai số trung bình hiệu dụng là
9.6333.
Từ khóa: Mạng Nơ-ron nhân tạo; Mạng Nơ-ron học sâu; Mạng LSTM; Mạng RNN; Dự báo nhu
cầu phụ tải điện năng.
ABSTRACT
Electricity demand forecasting plays a very important role in energy effectively and
sustainably management such as suitable planning, investing in developing more infrastructure
and moderate operating the electricity system. Moreover, the accuracy of the load forecasting must
be paid special attention. In this paper, we apply a load prediction model based on the Deep
Learning Network, namely Long Short-Term Memory (LSTM), an improvement model of Recurrent
Neural Network (RNN). The proposed network structure includes 4 layers: Sequence Input, LSTM,
Fully Connected và Regression Output. The proposed method was carried out on the data of power
consumption in 06 years, from 2017 to 2017, of Tien Giang province. The experiment results show
that the proposed model is suitable with Root Mean Square Error (RMSE) is 9.6333.
Keywords: Neural Network; Deep Learning; Recurent neural network; Long Short-Term Memory
networks; Forecasting of electrical load demand.
1. GIỚI THIỆU
nhiều sai số hoặc cần phải có nhiều thời gian
cho tính toán. Trong thực tế, không có phương
trình với những tham số có sẵn mà chỉ biết
được giá trị gần đúng hoặc kỳ vọng toán học.
Vì thế phải đưa ra một phương trình sẵn có
với những tham số chưa được biết, dùng
phương pháp gần đúng để tìm ra những tham
số này và như vậy độ chính xác sẽ giảm đi rất
nhiều. Phương pháp truyền thống được sử
dụng có hiệu quả chỉ trong các trường hợp các
dữ liệu quan hệ tuyến tính với nhau, nó không
thể trình bày rõ ràng các mối quan hệ phi
tuyến, phức tạp giữa phụ tải và các tham số
liên quan. Để khắc phục nhược điểm của các
Trong ngành quản lý năng lượng, dự báo
nhu cầu phụ tải điện năng có ý nghĩa vô cùng
quan trọng vì nó gắn liền và ảnh hưởng trực
tiếp đến đời sống sinh hoạt của nhân dân và
các ngành kinh tế khác. Ngoài ra, dự báo nhu
cầu phụ tải có ý nghĩa quyết định trong việc
đảm bảo chế độ làm việc an toàn và tiết kiệm
của hệ thống điện, đồng thời có tính chất
quyết định trong việc hoạch định chiến lược
phát triển hệ thống. Các phương pháp dự báo
phụ tải trước đây thường không thể miêu tả
đầy đủ và chính xác quá trình thực tế xảy ra vì
số lượng cơ sở dữ liệu không đầy đủ và có
phương pháp dự báo phụ tải truyền thống, các
nhà khoa học đã ứng dụng kỹ thuật dự báo
hiện đại như: fuzzy logic, mạng Nơ-ron, phép
phân tích wavelet… Các phương pháp dự báo
hiện đại trên ngày càng được quan tâm vì kết
quả dự báo khá chính xác. Nếu dự báo quá dư
thừa so với nhu cầu sử dụng thì hậu quả là
phải huy động nguồn quá lớn, làm tăng vốn
đầu tư và có thể gây tổn thất năng lượng.
Ngược lại, nếu dự báo phụ tải quá thấp so với
nhu cầu sẽ không có đủ năng lượng cung cấp
và tất nhiên sẽ dẫn đến việc phải cắt bỏ một số
phụ tải mà không có kế hoạch trước gây thiệt
hại cho nền kinh tế. Vì vậy, hiện nay việc dự
báo nhu cầu phụ tải điện năng đã nhận được
sự quan tâm ngày càng cao, tuy nhiên thực tế
chứng minh đây cũng là một vấn đề rất khó
khăn. Đã có nhiều phương pháp cho bài toán
dự báo, từ các phương pháp toán học đến sử
dụng các thuật toán heuristic và đặc biệt sử
dụng các phương pháp liên quan đến trí tuệ
nhân tạo. Việc nghiên cứu, ứng dụng các mô
hình, thuật toán dự báo khác nhau cho phép
tiếp cận tới việc lựa chọn phương pháp dự báo,
đánh giá mức độ chính xác của dự báo. Trong
thời gian gần đây, mạng Nơ-ron nhân tạo có
nhiều ưu điểm hơn vì là một mô hình rõ ràng,
hiệu quả, dễ thực hiện. Có thể nói, dự báo nhu
cầu phụ tải là một trong những ứng dụng
thành công nhất của mạng Nơ-ron nhân tạo
trong hệ thống điện. Chính vì thế, dự báo phụ
tải điện năng sử dụng kỹ thuật mạng Nơ-ron
nhân tạo được nghiên cứu trong bài báo này.
năng là vấn đề quan trọng cần được xem xét
nghiên cứu.
Một số kết quả nghiên cứu về dự báo phụ
tải đã được công bố trong nước và ngoài nước.
Năm 2012, bài báo: “Short – term load
forecasting Using Artificial Neural Network”
của nhóm tác giả Muhammad Buhari,
Member, IAENG, Sanusi Sani Adamu [1] đã
được công bố với mô hình được thiết kế trên
phần mềm Matlab R2008b, với công cụ
Annealing Neural Network (ANN) toolbox.
Việc xây dựng cấu trúc mạng, huấn luyện
mạng Nơ-ron và mô phỏng kết quả kiểm tra
đều thành công với một mức độ chính xác cao.
Một tập hợp các trọng số tối ưu và sau khi
huấn luyện mạng với dữ liệu thu được từ
các công ty điện lực. Tính chính xác của dự
báo đã được chứng minh bằng cách so
sánh các kết quả mô phỏng từ mạng với kết
quả thu được từ các công ty điện lực.
Nhiều cấu trúc mạng đã được huấn luyện và
mô phỏng trước khi đến sai số tốt nhất. Một
bài báo khác “Deep Learning for Solar Power
Forecasting
–
An Approach Using
Autoencoder and LSTM (Long Short-Term
Memory) Neural Networks” của các tác giả
Andre Gensler, Janosch Henze, Bernhard Sick
and Nils Raabe, năm 2016 [2], cũng trình bày
về thuật toán Deep Learning cho thấy hiệu
suất dự báo cao hơn so với mạng nơron nhân
tạo cũng như các mô hình khác, cụ thể bằng
cách sử dụng các thuật toán mạng học sâu và
mạng nơ-ron nhân tạo khác nhau, chẳng hạn
như Deep Belief Networks, AutoEncoder và
LSTM, nhóm tác giả đã áp dụng các thuật toán
này trong lĩnh vực dự báo năng lượng tái tạo.
Trong các thí nghiệm, nhóm tác giả trên đã sử
dụng kết hợp các thuật toán này để thực hiện
dự báo phụ tải so với phương pháp dùng
Multi-Layer Perceptron (MLP) chuẩn và mô
hình dự báo vật lý trong dự báo sản lượng
năng lượng của 21 nhà máy điện mặt trời. Về
nghiên cứu trong nước, bài báo: “Ứng dụng
về mạng Nơ-ron để dự báo phụ tải tỉnh Gia
Lai” của tác giả Phạm Anh Cường, Phan Văn
Hiền cũng đã được công bố năm 2011. Với
cấu trúc sử dụng là mạng Nơ-ron truyền thẳng,
bao gồm một lớp ra, một lớp ẩn được huấn
luyện bằng thuật toán lan truyền ngược, hàm
kích hoạt của các đơn vị trong lớp ẩn là hàm
2. CÁC NGHIÊN CỨU LIÊN QUAN
Dự báo phụ tải ngắn hạn đề cập đến dự
báo nhu cầu điện năng trên cơ sở hằng giờ, từ
01 giờ đến một vài ngày sắp đến. Việc phát
triển một phương pháp dự báo ngắn hạn mạnh,
nhanh và chính xác là cần thiết cho việc quản
lý hệ thống điện. Trong nhiều thuật toán và
phương pháp đã được đề xuất để thực hiện dự
báo phụ tải ngắn hạn thì mạng Nơ-ron nhân
tạo (ANN) có nhiều ưu điểm hơn cả vì là một
mô hình rõ ràng, dễ thực hiện, chính xác và
hiệu quả. Có thể nói, dự báo phụ tải là một
trong những ứng dụng thành công nhất của
ANN trong hệ thống điện. Chính vì vậy việc
nghiên cứu ứng dụng các phương pháp khác
nhau của mạng Nơ-ron để dự báo phụ tải điện
tansig, hàm kích hoạt của các đơn vị ở lớp ra
là hàm đồng nhất purelin, số Nơ-ron ở đầu ra
là 24 và số Nơ-ron trong lớp ẩn là 23 thì mạng
cơ bản đã đáp ứng được yêu cầu của bài toán
cụ thể đặt ra là dự báo phụ tải điện tại tỉnh
Gia Lai, đạt sai số dự báo 2.46% (sai số cho
phép < 5%). Trong các mạng Nơ-ron truyền
thống, tất cả các đầu vào và cả đầu ra là độc
lập với nhau. Tức là chúng không liên kết
thành chuỗi với nhau. Nhưng các mô hình này
không phù hợp trong rất nhiều bài toán. Đặc
biệt là các bài toán về vấn đề dự báo, dự đoán.
Nhận thấy được hạn chế đề cập ở trên, tác giả
đề xuất sử dụng mạng Nơ-ron hồi quy để giải
quyết vấn đề đó.
Hình 1. Mô tả mô hình mạng Nơ-ron hồi quy
3. PHƯƠNG PHÁP DỰ BÁO ĐỀ XUẤT
Hình 2. Mô tả mô hình toán mạng Nơ-ron
3.1. Mạng Nơ-ron hồi quy
hồi quy
Mạng Nơ-ron hồi quy (Recurent neural
network - RNN) là một dạng học sâu
vào những năm 1980, RNN cơ bản là một
Mỗi nút (neuron) có một kích hoạt thời gian
khác nhau có giá trị kích hoạt. Mỗi kết nối
nút là các nút đầu vào (nhận dữ liệu từ bên
ngoài mạng), các nút đầu ra (kết quả mang lại)
hoặc các nút ẩn (điều chỉnh dữ liệu trên đường
đi từ đầu vào đến đầu ra) [3] (Hình 1).
Hàm f thường là một hàm phi tuyến tính
tính ReLu. Để làm phép toán cho phần tử ẩn
đầu tiên cần khởi tạo thêm s−1, thường giá trị
khởi tạo được gắn bằng 0. ot là đầu ra tại
bước t.
3.2. Mạng Long Short-Term Memory
(LSTM Networks)
Huấn luyện mạng RNN cũng tương tự
như các mạng Nơ-ron truyền thống, tuy nhiên
đạo hàm tại mỗi đầu ra phụ thuộc không chỉ
vào các tính toán tại bước đó, mà còn phụ
thuộc vào các bước trước đó nữa. Điều này
dẫn đến việc phụ thuộc lâu dài của mạng hồi
quy. Để khắc phụ được vấn đề này, mạng
LSTM đã được ra đời [4]. Long Short-Term
Memory Network - thường được gọi là
"LSTM" - là một loại mạng RNN đặc biệt, có
khả năng học các phụ thuộc dài hạn [4]. Mạng
này đã được giới thiệu bởi Hochreiter &
Schmidhuber (1997) và đã được tinh chỉnh và
phổ biến bởi nhiều người trong công việc ứng
dụng sau này. LSTM làm việc rất tốt trên
nhiều vấn đề lớn, và hiện đang được sử dụng
rộng rãi. LSTM được thiết kế để nhằm tránh
vấn đề phụ thuộc lâu dài. Ghi nhớ thông tin
trong thời gian dài là ứng dụng thực tế của
mạng này mang lại [5]. Tất cả các mạng thần
kinh hồi quy đều có dạng chuỗi lặp lại mô-đun
của mạng thần kinh. Trong RNNs chuẩn, mô
đun lặp lại này sẽ có một cấu trúc rất đơn giản,
Ý tưởng chính của mạng Nơ-ron hồi quy
RNN là sử dụng chuỗi các thông tin độc lập
với nhau. RNN được gọi là hồi quy
(Recurrent) bởi lẽ chúng thực hiện cùng một
tác vụ cho tất cả các phần tử của một chuỗi
với đầu ra phụ thuộc vào cả các phép tính
trước đó. Nói cách khác, RNN có khả năng
nhớ các thông tin được tính toán trước đó.
Trên lý thuyết, RNN có thể sử dụng được
thông tin của một văn bản rất dài, tuy nhiên
thực tế thì nó chỉ có thể nhớ được một vài
bước trước đó mà thôi. Về cơ bản một mạng
RNN có dạng như hình 2. Trong đó, xt là đầu
vào tại bước t,
s
t là trạng thái ẩn tại bước t. Nó
chính là bộ nhớ của mạng.
s
t được tính toán
dựa trên cả các trạng thái ẩn phía trước và đầu
vào tại bước đó: st f (Ux W )
st1
t
Hình 3. Mô đun lặp lại trong một tiêu chuẩn
RNN chứa một lớp duy nhất.
Hình 6. Cổng tế bào.
Hình 4. Mô đun lặp đi lặp lại trong một
LSTM chứa bốn lớp tương tác.
Hình 5. Trạng thái tế bào.
chẳng hạn như một lớp duy nhất (hình 3).
LSTM cũng có cấu trúc giống như dây chuyền,
nhưng mô-đun lặp đi lặp lại có một cấu trúc
khác. Thay vì có một lớp mạng thần kinh duy
nhất mà có nhiều tương tác một cách rất đặc
biệt (Hình 4) [6].
Hình 7. Tầng cổng quên (forget gate layer).
nhân. Tầng sigmoid sẽ cho đầu ra là một số
trong khoản [0, 1] [0,1], mô tả có bao nhiêu
thông tin có thể được thông qua. Khi đầu ra
là 00 thì có nghĩa là không cho thông tin nào
qua cả, còn khi là 11 thì có nghĩa là cho tất cả
các thông tin đi qua nó [4].
Điều cốt lõi của mạng LSTM là trạng thái
tế bào (cell state) - chính đường chạy thông
ngang phía trên của sơ đồ hình vẽ. Trạng thái
tế bào là một dạng giống như băng truyền. Nó
chạy xuyên suốt tất cả các mắt xích (các nút
mạng) và chỉ tương tác tuyến tính đôi chút. Vì
vậy mà các thông tin có thể dễ dàng truyền đi
thông suốt mà không sợ bị thay đổi (Hình 5).
3.3. Cơ sở toán học của mạng Long Short-
Term Memory (LSTM Networks)
Bước đầu tiên của LSTM là quyết định
xem thông tin nào cần bỏ đi từ trạng thái tế
bào. Quyết định này được đưa ra bởi tầng
sigmoid - gọi là “tầng cổng quên” (forget gate
layer) (hình 7). Nó sẽ lấy đầu vào là ht1
LSTM có khả năng bỏ đi hoặc thêm vào
các thông tin cần thiết cho trạng thái tế bào,
chúng được điều chỉnh cẩn thận bởi các nhóm
được gọi là cổng (hình 6). Các cổng là nơi
sàng lọc thông tin đi qua nó, chúng được kết
hợp bởi một tầng mạng sigmoid và một phép
và xt rồi đưa ra kết quả là một số trong
khoảng [0,1] cho mỗi số trong trạng thái tế
bào
C
t1 . Đầu ra là 11 thể hiện rằng nó giữ
toàn bộ thông tin lại, còn 00 chỉ rằng toàn bộ
thông tin sẽ bị bỏ đi [4].
(1)
ft (Wf .[ht1,xt ]+bf )
Bước tiếp theo là quyết định xem thông
tin mới nào sẽ lưu vào trạng thái tế bào. Việc
này gồm 2 phần. Đầu tiên là sử dụng một tầng
sigmoid được gọi là “tầng cổng vào” (input
gate layer) để quyết định giá trị nào sẽ cập
nhật. Tiếp theo là một tầng tanh tạo ra một
~
Ct
véc-tơ cho giá trị mới
nhằm thêm vào
cho trạng thái. Trong bước tiếp theo sẽ kết hợp
2 giá trị đó lại để tạo ra một cập nhật cho trạng
thái (hình 7) [4].
it
(W.[ht1,xt ]+bi )
(2)
i
~
Ct tanh(WC .[ht1,xt ]+bC )
(3)
Kế tiếp là lúc cập nhật trạng thái tế bào
cũ Ct1 thành trạng thái mới Ct (hình 7). Ở
các bước trước đó đã quyết định những việc
cần làm. Nhân trạng thái cũ với ft để bỏ đi
Hình 8. Sơ đồ khối chung.
4.2. Sơ đồ khối chung
Các phần chính trong giải thuật (hình 8):
những thông tin mà quyết định quên lúc trước.
~
Sau đó cộng thêm it *Ct . Trạng thái mới thu
được này phụ thuộc vào việc quyết định cập
nhật mỗi giá trị trạng thái ra sao [4].
-
-
-
-
-
Đọc chuỗi dữ liệu.
Chuẩn hóa dữ liệu.
~
Xác định cấu trúc mạng LSTM.
Huấn luyện mạng LSTM.
Dự báo các bước thời gian trong
tương lai.
So sánh giá trị dự đoán và giá trị
kiểm tra.
Ct ft *Ct1 it *Ct
(4)
Cuối cùng, quyết định giá trị đầu ra cái
mà sẽ dựa vào trạng thái tế bào, nhưng sẽ được
tiếp tục sàng lọc. Đầu tiên, chạy một tầng
sigmoid để quyết định phần nào của trạng thái
tế bào muốn xuất ra. Sau đó, đưa nó trạng thái
tế bào qua một hàm tanh để có giá trị nó về
khoảng [-1, 1], và nhân nó với đầu ra của cổng
sigmoid để được giá trị đầu ra mong muốn
(hình 7) [4].
-
4.3. Kết quả thực nghiệm từng bước
4.3.1. Đọc chuỗi dữ liệu
Nhập chuỗi dữ liệu là chỉ số năng lượng
tái tạo chứa 1 chuỗi thời gian đơn, trong đó
các bước thời gian là đơn vị ngày và các giá
trị tương ứng với tải tiêu thụ. Dữ liệu này được
đưa vào vector hàng (Hình 9). Phân chia dữ
liệu để huấn luyện và kiểm tra là dùng 80%
chuỗi dữ liệu để huấn luyện và 20% để kiểm
tra.
ot
(W [ht1,xt ]+bo )
(5)
(6)
o
h ot *tanh(Ct )
t
4. THỰC NGHIỆM
4.1. Giới thiệu bộ dữ liệu
4.3.2. Chuẩn hóa dữ liệu
Bộ dữ liệu lấy từ nguồn tải tiêu thụ điện
năng trong 6 năm của tỉnh Tiền Giang từ năm
2012 đến năm 2017, từ bộ dữ liệu này có thể
dự báo nhu cầu phụ tải điện năng trong thời
gian tiếp theo. Số lượng dữ liệu khoảng 2200
giá trị.
Để dữ liệu đầu vào mô hình tốt hơn cũng
như ngăn chặn việc bị phân kỳ trong quá trình
huấn luyện thì việc chuẩn hóa dữ liệu là vô
cùng quan trọng. Cụ thể chuẩn hóa dữ liệu
huấn luyện về giá trị trung bình bằng không
Hình 9. Dữ liệu phụ tải điện năng tỉnh Tiền
Hình 11. Quá trình huấn luyện.
Giang giai đoạn 2012-2017.
Hình 10. Dữ liệu đầu vào sau khi chuẩn hóa.
và phương sai đơn vị. Chuẩn hóa dữ liệu kiểm
tra cùng thông số như là dữ liệu huấn luyện
(Hình 10).
Hình 12. Kết quả dự báo phụ tải điện năng
của tỉnh Tiền Giang.
4.3.3. Huấn luyện mạng LSTM
Cấu trúc mạng được đề xuất gồm có 4 lớp
là Sequence Input, LSTM, Fully Connected
và Regression Output. Quá trình huấn luyện
được giới hạn trong 200 chu kỳ và ngưỡng
được đặt là 1, tốc độ học ban đầu là 0.005, tốc
độ học này sẽ giảm sau 125 chu kỳ huấn luyện
bằng cách nhân hệ số 0.2 (Hình 11).
4.3.4. Kết quả dự báo
Kết quả dự đoán phụ tải điện năng của
tỉnh Tiền Giang được thể hiện ở hình 12. Kết
quả phụ tải điện sau khi dự báo sẽ được so
sánh với giá trị kiểm tra trong tập dữ liệu ban
đầu. Từ hình 13 nhận thấy, hai kết quả này
bám sát nhau, có nghĩa là kết quả dự báo về
phụ tải điện tương đối chính xác với độ sai số
hiệu dụng nhỏ, cụ thể RMSE=9.6333.
Hình 13. So sánh kết quả dự báo phụ tải
điện năng với giá trị kiểm tra.
Điều này chứng tỏ kết quả dự báo chỉ đúng ở
các giá trị đầu, từ những giá trị sau kết quả dự
báo ngày càng có độ sai số lớn, dẫn đến việc
dự báo không bền vững theo thời gian. (Hình
14). Từ hình 15, nhận thấy khi sử dụng mạng
Nơ-ron truyền thống thì kết quả phụ tải điện
sau khi dự báo với giá trị kiểm tra trong tập dữ
liệu ban đầu không bám sát nhau. Điều này có
là kết quả dự báo về phụ tải điện không có độ
chính xác cao.
4.4. So sánh giá trị dự báo và giá trị kiểm
tra khi sử dụng mạng Nơ-ron truyền thống
(Fully Connected).
Sơ đồ của quá trình huấn luyện cho thấy,
kết quả kiểm tra đang có xu hướng bị phân kỳ.
5. KẾT LUẬN
Từ các kết quả ở phần 4, tác giả có thể
đưa ra các kết luận như sau. Mạng LSTM
(Long Short-Term Memory networks) giải
quyết các nhược điểm mà mạng truyền thống
chưa làm được. Trong bài báo này tác giả đã
dự báo nhu cầu phụ tải điện năng trên tập dữ
liệu thực. Trong quá trình nghiên cứu tác giả
phân tích lý thuyết và kiểm chứng thực
nghiệm trên phần mềm. Qua đó thấy được
phương pháp mà tác giả đề xuất là dùng mạng
LSTM để dự báo có độ chính xác cao hơn so
với các phương pháp truyền thống trước đây.
Tóm lại kết quả của bài báo đã đưa ra kết quả
dự báo khá chính xác về nhu cầu phụ tải điện
năng, qua đó có thể áp dụng kết quả nghiên
cứu này vào thực tế tại các cơ quan điện lực
trên toàn quốc.
Hình 14. Quá trình huấn luyện của mạng
Nơ-ron truyền thống.
Mặc dù kết quả đạt được từ nghiên cứu
khá tốt nhưng vẫn còn nhiều vấn đề mà tác
giả cần muốn cải thiện. Đầu tiên, tác giả quan
tâm đến chạy trên nhiều tập dữ liệu khác nhau
để cho kết quả chính xác hơn. Ngoài ra, điều
chỉnh cấu trúc mạng để cho kết quả tối ưu
hơn cũng là bài toán mà tác giả đang hướng
đến.
Hình 15. Kết quả dự báo phụ tải được so
sánh với kết quả kiểm tra trong tập dữ liệu
ban đầu khi sử dụng mạng Nơ-ron truyền
thống.
TÀI LIỆU THAM KHẢO
[1]
[2]
M. Buhari and S. S. Adamu, "Short-term load forecasting using artificial neural
network," in Proceedings of the International MultiConference of Engineers and
Computer Scientists, 2012, vol. 1, pp. 806-811.
A. Gensler, J. Henze, B. Sick, and N. Raabe, "Deep Learning for solar power
forecasting—An approach using AutoEncoder and LSTM Neural Networks," in
Systems, Man, and Cybernetics (SMC), 2016 IEEE International Conference on, 2016,
pp. 002858-002865: IEEE.
[3]
[4]
T. Mikolov, M. Karafiát, L. Burget, J. Černocký, and S. Khudanpur, "Recurrent neural
network based language model," in Eleventh Annual Conference of the International
Speech Communication Association, 2010.
S. Hochreiter and J. Schmidhuber, "Long short-term memory," Neural computation, vol.
9, no. 8, pp. 1735-1780, 1997.
[5]
[6]
P. Malhotra, L. Vig, G. Shroff, and P. Agarwal, "Long short term memory networks for
anomaly detection in time series," in Proceedings, 2015, p. 89: Presses universitaires de
Louvain.
N. Tax, I. Verenich, M. La Rosa, and M. Dumas, "Predictive business process
monitoring with LSTM neural networks," in International
Tác giả chịu trách nhiệm bài viết:
Họ tên: Đoàn Văn Vững
Đơn vị: Trường Đại Học Sự Phạm Kỹ Thuật TP.HCM
Điện thoại: 0989365394
Email: [email protected]
BÀI BÁO KHOA HỌC
THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ
Bài báo khoa học của học viên
có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn
Bản tiếng Việt ©, TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH và TÁC GIẢ
Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam.
Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý
của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.
ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN!
Thực hiện theo MTCL & KHTHMTCL Năm học 2018-2019 của Thư viện Trường Đại học
Sư phạm Kỹ thuật Tp. Hồ Chí Minh.
9 trang
12/01/2024
13520
Free
Bạn đang xem tài liệu "Dự báo nhu cầu phụ tải điện năng dùng mạng neural electricity demand forecasting using neural network", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- du_bao_nhu_cau_phu_tai_dien_nang_dung_mang_neural_electricit.pdf
