Dự báo phụ tải ngắn hạn sử dụng mạng Nơ Ron kết hợp dữ liệu từ đồng hồ số thông minh
DỰ BÁO PHỤ TẢI NGẮN HẠN SỬ DỤNG MẠNG NƠ RON KẾT HỢP DỮ
LIỆU TỪ ĐỒNG HỒ SỐ THÔNG MINH
SHORT-TERM ENERGY LOAD FORECASTING USING ARTIfiCIAL
NEURAL NETWORKS MODEL AND DATA OF SMART METER
Nguyễn Nhân Bổn & Đoàn Thành Ân
Học viên cao học Trường đại học Sư phạm Kỹ thuật TP.HCM
TÓM TẮT
Với đặc thù không thể dự trữ năng lượng điện trong quá trình sản xuất, truyền tải và phân phối
điện năng, sự mất cung cầu của sản xuất gây ra tình trạng thất thoát khi thừa cung hay thiếu
điện do thiếu cung điện năng đều làm tổn thất tiền. Dự báo phụ tải ngắn hạn cho phép nhà điều
hành giảm thiểu sự tổn thất này thông qua điều chỉnh kịp thời công suất phát theo nhu cầu tiêu
thụ điện. dự báo phụ tải theo giờ hiện nay đã được chú ý nhiều hơn khi có sự tham gia của các
đồng hồ điện tử thông minh. Bài báo đề xuất phương pháp dự báo phụ tải ngắn hạn dựa trên
mạng nơ ron truyền thẳng nhằm nâng cao hiệu quả hoạt động mua bán điện trong thị trường
điện cạnh tranh. Dựa trên kết quả thực tế ghi nhận được tại điện lực bến trên đã chứng minh
hiệu quả cho phương pháp dự báo được đề xuất qua mô phỏng bằng phần mềm MatLab.
Từ khóa: Dự báo phụ tải ngắn hạn; mạng nơ ron; đồng hồ đo điện thông minh; thị trường điện
cạnh tranh; phần mềm MatLab;
ABSTRACT
In particular, it is impossible to store electrical energy in the process of producing, transmitting
and distributing electricity, and the loss of supply and demand causes a loss of power supply or a
lack of electricity due to the lack of power supply lead to lost money. Short-term load forecasting
allows operators to minimize this loss through timely adjustment of generation capacity
according to power demand. Current hourly load forecasts have been paid more attention with
the participation of smart electronic meter. The paper proposes short-term load forecasting
methods based on neural networks to improve the efficiency of electricity trading in the
competitive electricity market. Based on the actual results recorded at the above berth power, it
has been proved effective for the prediction method proposed through simulation by MatLab
software.
Keywords: Load forecasting; smart meter; time series forecasting; machine learning; energy
prediction
Với sự phát triển của dữ liệu lớn và công
nghệ trí tuệ nhân tạo (AI), các phương pháp
học máy mới đã được áp dụng cho ngành
1. GIỚI THIỆU
Dự báo phụ tải điện rất quan trọng đối
với việc lập lịch trình hệ thống điện được
thông qua bởi các nhà cung cấp năng
lượng[4]. Cụ thể, việc lưu trữ và xả điện
không hiệu quả có thể phải chịu các chi phí
không cần thiết, trong khi ngay cả một cải
thiện nhỏ trong dự báo phụ tải điện cũng có
thể giảm chi phí sản xuất và tăng lợi thế kinh
doanh [4], đặc biệt là trong giai đoạn tiêu thụ
điện cao điểm. Do đó, điều quan trọng đối
với các nhà cung cấp điện là phải lập mô
hình và dự báo tải điện chính xác nhất có thể,
trong cả hai giai đoạn ngắn hạn [5-12] (trước
một ngày đến một tháng) và trung hạn [13]
(một tháng đến 5 năm sau).
điện, nơi dữ liệu điện lớn cần phải được quản
lý cẩn thận. Theo Viện toàn cầu Mckinsey
[14], AI có thể được áp dụng trong ngành
điện để dự đoán nhu cầu điện và khả năng
cung cấp điện năng, bởi vì dự báo tải điện
ảnh hưởng đến nhiều bên liên quan. Dựa trên
dự báo ngắn hạn (trước 1-2 ngày), các hệ
thống phát điện có thể xác định nguồn năng
lượng nào sẽ huy động trong 24 giờ tới và
lưới truyền tải có thể phân bổ kịp thời các
nguồn lực phù hợp cho khách hàng dựa trên
các yêu cầu truyền dẫn hiện tại. Hơn nữa, sử
dụng dự báo cung và cầu phù hợp, các nhà
bán lẻ điện có thể tính toán giá năng lượng
dựa trên nhu cầu ước tính hiệu quả hơn.
Các công nghệ thu thập và phân tích dữ
liệu mạnh mẽ đang trở nên có sẵn trên thị
trường, vì vậy các công ty năng lượng đang
bắt đầu khám phá tính khả thi để có được kết
quả chính xác hơn bằng cách sử dụng AI
trong các dự báo tải ngắn hạn. Chẳng hạn, tại
Vương quốc Anh (UK), National Grid hiện
đang làm việc với Deep Mind [15,16], một
nhóm AI thuộc sở hữu của Google, được sử
dụng để dự đoán các đỉnh cung và cầu điện ở
Anh dựa trên thông tin từ đồng hồ thông
minh và bằng cách kết hợp các biến liên
quan đến thời tiết.
dụng thường xuyên bao gồm hồi quy tuyến
tính [5,6,20], phương pháp hồi quy tự động
[7,21] và mạng nơ ron nhân tạo [9,22,23].
Hơn nữa, các phương pháp phân cụm cũng
được đề xuất [24]. Trong [20,25] các chuỗi
thời gian tương tự đã được khớp trong khi
trong [24], trọng tâm là phân loại khách
hàng. Một cách tiếp cận mới dựa trên máy
vectơ hỗ trợ đã được đề xuất trong [26,27].
Các phương pháp dự báo khác, chẳng hạn
như làm mịn theo cấp số nhân và bộ lọc
Kalman, cũng được áp dụng trong một vài
nghiên cứu [28]. Một đánh giá tài liệu cẩn
thận về phương pháp STLF mới nhất có thể
được tìm thấy trong [8]. Trong [13], người ta
đã chứng minh rằng độ chính xác của STLF
được tính toán bởi nhiều yếu tố, chẳng hạn
như nhiệt độ, độ ẩm, tốc độ gió, v.v. Trong
nhiều nghiên cứu, các phương pháp dự báo
mạng thần kinh nhân tạo (ANN) đã được
chứng minh là chính xác hơn các phương
pháp thống kê truyền thống và độ chính xác
của các phương pháp ANN khác nhau đã
được nhiều nhà nghiên cứu xem xét [1,30].
Dự báo tải có thể được phân loại theo độ
dài của khoảng dự báo. Mặc dù không có
phân loại cụ thể trong ngành điện, nhưng có
ba loại dự báo tải [17]: dự báo tải ngắn hạn
(short term load forecasting STLF), dự báo
tải trung hạn (MTLF) và dự báo tải dài hạn
(LTLF). STLF dự đoán tải trong khoảng thời
gian đến một tuần, MTLF dự báo tải trong
khoảng thời gian từ một tuần đến một năm
và LTLF dự báo hiệu suất tải trong khoảng
thời gian dài hơn một năm. Loại dự báo tải
được chọn dựa trên yêu cầu ứng dụng. Cụ
thể, STLF được áp dụng cho hoạt động của
hệ thống điện hàng ngày và tính toán giá
giao ngay, do đó, yêu cầu độ chính xác cao
hơn nhiều so với dự đoán dài hạn. MTLF và
LTLF được sử dụng để dự đoán việc sử dụng
năng lượng trong một thời gian dài và chúng
thường được tham chiếu trong các hợp đồng
dài hạn khi xác định công suất hệ thống, chi
phí vận hành và bảo trì hệ thống và kế hoạch
mở rộng lưới trong tương lai.
Trong bài báo này, một mô hình dự báo
tải mới dựa trên thuật toán học được trình
bày. Độ chính xác dự báo của mô hình đề
xuất nằm trong phạm vi được yêu cầu và mô
hình có lợi thế về tính đơn giản và hiệu suất
dự báo cao. Kết quả thu được sẽ được chứng
minh qua mô hình hóa mô phỏng trên phần
mềm MatLab.
2. DỮ LIỆU SỬ DỤNG TRONG DỰ
BÁO PHỤ TẢI NGẮN HẠN.
2.1 Thông tin chung trạm Mỏ Cày
Ngoài ra, dự báo tải có thể được phân
loại bằng phương pháp tính toán thành
phương pháp thống kê và phương pháp tính
toán thông minh (CI). Với những phát triển
gần đây trong khoa học tính toán và đo sáng
thông minh, các phương pháp dự báo tải
truyền thống đã dần được thay thế bằng công
nghệ AI. Đồng hồ thông minh cho các tòa
nhà dân cư đã có sẵn trên thị trường vào
khoảng năm 2010 và kể từ đó, các nghiên
cứu khác nhau về STLF cho các cộng đồng
dân cư đã được công bố [18,19]. Khi so sánh
với các phương pháp dự báo thống kê truyền
thống, khả năng phân tích lượng lớn dữ liệu
trong khung thời gian rất ngắn sử dụng công
nghệ AI đã cho thấy những lợi thế rõ ràng
[10].
Trạm 110kV Mỏ Cày nhận điện từ trạm
220kV Mỏ Cày: gồm 02 máy biến áp
40MVA - 115/23kV được cấp điện qua
đường dây 110kV 172 Mỏ Cày 2 – 171 Mỏ
Cày và đường dây 110kV 173 Mỏ Cày 2 –
172 Mỏ Cày. Trạm Mỏ Cày: 2x40MVA -
115/23kV gồm 8 từ Tuyến 471 đến 478 cho
các khu vực trong vùng.
Trạm Mỏ Cày cấp điện chủ yếu cho
Huyện Mỏ Cày Nam và một phần Huyện Mỏ
Cày Bắc, hai huyện này không có khu công
nghiệp phụ tải chủ yếu là ánh sáng sinh hoạt,
một phần tưới tiêu cho cây ăn quả, chăn nuôi
nhỏ lẻ và ngành thủ công sản xuất chỉ sơ
dừa. Đây là trạm mang đặc trưng cơ bản của
vùng đồng bằng sông cửu long. Trong luận
văn, dữ liệu của phát tuyến 472 được sử
Một số phương pháp dự báo tải được sử
dụng làm dữ liệu dự báo phụ tải ngắn hạn.
các thức truy cập và phân loại được trình bày
cụ thể trong các phần sau.
dụng.
ảng 2 Kết quả dữ liệu thời gian đã được
chuyển đổi.
2.2 Dữ liệu thu thập được tại trạm Mỏ
STT
1
2
3
4
5
6
7
8
P
96
Q
34
ngày tháng năm giờ phút
Cày
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
10
10
10
10
10
10
10
10
12 2018
12 2018
12 2018
12 2018
12 2018
12 2018
12 2018
12 2018
12 2018
12 2018
12 2018
12 2018
12 2018
12 2018
12 2018
12 2018
12 2018 23 30
12 2018 23
12 2018 22 30
12 2018 21 30
12 2018 21
12 2018 20 30
12 2018 20
12 2018 19 30
8
7
7
6
6
5
5
4
3
3
2
2
1
1
0
0
0
30
0
30
0
30
0
30
30
0
30
0
30
0
30
0
Nhằm có cơ sở dữ liệu thực tế phục vụ
đề tài dự báo phụ tải, được sự hỗ trợ của điện
lực Bến Tre, thông số đo lường tại đầu phát
tuyến 472 thuộc trạm 110/22 KV Mỏ Cày
được thu thập dựa trên ghi nhận bởi hệ thống
dựa trên thông tin ghi chép của trạm và được
ghi nhận theo bảng thông số riêng.
99.2 31
97.6 27
126 26
134 30
120 25
159 22
154 26
105 22
9
10 104 22
11 66.4 25
12
13 105 22
14 72.8 22
15
16
17 75.2 19
18
19
20 105 28
21 110 29
22 118 28
23 111 30
24 110 30
ảng 1 Dữ liệu được ghi nhận dựa vào hệ
thống SCADA của phát tuyến 472
64
22
Tuyến 472 trạm Mỏ Cày
Tháng 1/2018
UA UB UC IA IB IC
P
Q
68
72
19
21
1/1/2018 1:00 23 23 23 92 89 89 3.5 0.7
1/1/2018 2:00 23 23 23 86 85 84 3.4 0.5
1/1/2018 3:00 23 23 23 92 88 87 3.5 0.4
1/1/2018 4:00 23 23 23 95 92 93 3.7 0.5
1/1/2018 5:00 23 23 23 103 98 99 3.9 0.7
80
80
20
21
0
1/1/2018 6:00 23 23 23 101 102 101
4
0.4
1/1/2018 7:00 23 23 23 104 103 99 4.1 0.5
1/1/2018 8:00 23 23 23 105 105 100 4.2 0.5
1/1/2018 9:00 23 23 23 107 105 105 4.4 0.5
0
0
1/1/2018 10:00 23 23 23 106 108 105 4.3
1/1/2018 11:00 23 23 23 105 105 106 4.3
1/1/2018 12:00 23 23 23 100 100 101 4.1
0
0
0
2.3 Phân tích dữ liệu dự báo
1/1/2018 13:00 23 23 23 109 113 112 4.4 0.5
1/1/2018 14:00 23 23 23 110 115 115 4.5 0.7
1/1/2018 15:00 23 23 23 115 115 114 4.5 0.5
1/1/2018 16:00 23 23 23 119 119 118 4.7 0.2
1/1/2018 17:00 23 23 23 112 109 108 4.3 0.4
1/1/2018 18:00 23 23 23 136 136 133 5.3 0.1
1/1/2018 19:00 23 23 23 135 135 130 5.2 0.3
Sau quá trình thu thập và sắp xếp dữ
liệu, phụ tải trong 7 ngày từ ngày 1 đến 7
tháng 1 năm 2018 được thể hiện như trong
Hình 4.1. Qua đồ thị thu được có thể thấy
phụ tải của thời điểm giờ trong ngày có tính
tương tự nhau và không có sự khác biệt
nhiều giữa các ngày trong tuần bởi tính chất
nông vụ của người dân không theo lịch hành
chính.
1/1/2018 20:00 23 23 23 130 130 125
5
0.4
1/1/2018 21:00 23 23 23 111 107 108 4.3 0.5
1/1/2018 22:00 23 23 23 112 110 110 4.4 0.5
1/1/2018 23:00 23 23 23 100 97 97 3.8 0.8
2/1/2018 0:00 23 23 23 100 95 96 3.7 0.5
Các thông số được ghi nhận bao gồm
thời gian ghi nhận, điện áp và dòng điện trên
các pha, công suất tác dụng và công suất
phản kháng trên phát tuyến. Ngày giờ trong
số liệu thô sẽ được hiệu chỉnh lại cho phù
hợp hơn với kiểu dữ liệu dùng trong dự báo.
Kết quả chỉnh sửa số liệu được thể hiện như
dữ liệu để phục vụ tính toán, trước quá trình
tính toán, các dữ liệu được đánh giá và phân
tích nhằm xác định các dữ liệu nào được sử
nh 1 Biểu đồ phụ tải trong thời gian 7
ngày trong tuần
Trong đặc trưng lưới điện nông thôn, các
nhu cầu của người dân chủ yếu là bơm nước
tưới tiêu là phục vụ tưới tiêu trong nông
nghiệp và phục vụ sinh hoạt trong gia đình.
Do đó, nhu cầu điện có liên hệ mật thiết với
sự thay đổi của nhiệt độ môi trường. dựa vào
nhiệt độ thu thập trong trạm biến áp, thông
số nhiệt độ được đưa vào nhằm xét đến nhu
cầu điện thay đổi khác nhau theo nhiệt độ
môi trường.
Theo phân tích ở phần trên, ngoài các
thông số phụ như độ ẩm không khí, sự biến
động dân cư, nhu cầu phụ tải phụ thuộc
chính vào nhiệt độ và mức tiêu thụ công suất
trước đó để làm tham chiếu đề xuất dự báo
phụ tải.
Tuy nhiên, nhiệt độ trong ngày thì đo
được còn nhiệt độ trong ngày dự báo thì
buộc phải dự báo. Do đó, ngoài dự báo phụ
tải cho ngày hôm sau thì luận văn đề xuất kết
hợp dự báo nhiệt độ trong 24 giờ trong ngày
dự báo phụ tải. Điều này làm thay đổi cấu
trúc dữ liệu mạng nơ ron cần thiết kế.
Để dự báo phụ tải chính xác hơn, luận
văn đề xuất xây dựng nên 2 mạng nơ ron với
mục tiêu các mạng này khác nhau.
nh 2 Nhiệt độ môi trường ghi nhận được
trong 72 giờ
Mạng nơ ron thứ nhất có nhiệm vụ dự
báo nhiệt độ trong ngày tiếp theo và có cấu
trúc được thể hiện như trong Hình 4.3. Trong
mạng nơ ron này, dữ liệu đầu vào là nhiệt độ
đo được trong ba ngày liền kề trước đó (gồm
72 giờ trong ba ngày) và giá trị ngõ ra là
nhiệt độ được dự báo cho ngày tiếp theo
(gồm 24 giờ trong một ngày).
Mạng nơ ron thứ hai có nhiệm vụ dự báo
công suất phụ tải cho ngày tiếp theo. Dữ liệu
đầu vào chính là công suất tiêu thụ được ghi
nhận trong thời gian ba ngày trước đó (gồm
72 dữ liệu công suất) và nhiệt độ được dự
báo trong 24 giờ tới. Nhiệt độ này là kết quả
của dựa báo trong mạng nơ ron thứ nhất.
Như vậy, bằng việc phân chia thành 2
mạng nơ ron cho phép sự linh hoạt trong
chương trình và kết quả dự báo cũng được
nâng cao độ chính xác khi kết hợp dự báo
nhiệt độ theo giờ.
Ngoài nhiệt độ và công suất phụ tải các
ngày liền kề, theo phân tích của các công bố
về dự báo phụ tải thì có nhiều yếu tố khác
ảnh hưởng đến nhu cầu phụ tải như là sự
biến động dân cư, ngày nghĩ trong tuần, các
lễ hội của dân cư địa phương, độ ẩm không
khí…. Phân tích ảnh hưởng của các yếu tố
này trong dự báo phụ tải được thể hiện như
sau:
Về biến động dân số: Với yêu cầu dự
báo ngắn hạn hằng ngày, sự thay đổi dân cư
hầu như không tác động đáng kể đến dự báo
do gần như không xuất hiện sự thay đổi dân
số đột ngột trong dân cư các vùng nông thôn
do sự tham gia của tăng dân số cơ học trên
diện rộng. Ngoài ra, sự cập nhật công suất
phụ tải thường xuyên đã bao hàm một phần
sự thay đổi dân số cơ học trong vùng cấp
điện. Do đó yếu tố này được loại trừ và
không đưa vào dự báo phụ tải trong luận văn.
Về ngày nghĩ trong tuần. Với đặc thù là
sản xuất nông nghiệp và tiểu thủ công nghiệp
là chính nên hầu như không có sự phân biệt
ngày nghĩ hay ngày thường về nhu cầu điện.
Nhu cầu điện chỉ thay đổi theo mùa vụ là
chính.
Các lễ hội trong vùng. Với đặc thù
nông thôn nên các lễ hội cũng nhỏ lẻ, nhu
cầu điện chủ yếu dùng tương tự điện sinh
hoạt phụ vụ nhu cầu thắp sáng, quạt gió, bơm
nước là chính. Điều này ít tác dụng đến thay
đổi công suất phụ tải đột ngột và lớn như đối
với các vùng đô thị.
3. DỰ BÁO NGẮN HẠN SỬ DỤNG
MẠNG NƠ RON
3.1 Cấu trúc của mạng thần kinh nhân
tạo.
Các mạng nơ ron nhân tạo (ANN) là các
hệ thống máy tính được lấy cảm hứng từ các
mạng thần kinh sinh học. Cấu trúc chung của
ANN chứa tế bào thần kinh, trọng số và độ
lệch. Dựa trên khả năng tích hợp kiểu
module mạnh mẽ của chúng, ANN vẫn rất
phổ biến trong lĩnh vực máy học. Tuy nhiên,
có nhiều cấu trúc ANN được sử dụng trong
các vấn đề về máy học, nhưng Perceptionron
đa lớp (Multilayer Perceptron MLP) là loại
ANN được sử dụng phổ biến nhất. MLP là
một cấu trúc mạng lưới thần kinh được kết
2.4 Cấu trúc dữ liệu trong dự báo phụ
tải phát tuyến 472
P
1
Phụ tải của
72 giờ
trước đó.
nối đầy đủ. Cấu trúc của MLP được hiển thị
lớp đầu vào, một hoặc nhiều lớp ẩn và một
lớp đầu ra. Tuy nhiên, mạng MLP được trình
nhất, chỉ có một lớp ẩn. Trong MLP, tất cả
các tế bào thần kinh của lớp trước được kết
nối đầy đủ với các tế bào thần kinh của lớp
P
2
P
...
P
73
Phụ tải dự
đoán của
24 giờ sau.
P
72
P
74
P
...
t703
t704
t.0..
P
Nhiệt độ
dự báo 24
giờ sau.
96
t906
Hình 5 Mô hình mạng nơ ron dự báo công
suất phụ tải.
3.3 Ràng buộc trong mua bán điện tương
nơ ron của lớp vào. h ,h2,h3,h4 là các nơ ron
1
lai.
lớp ẩn và các nơ ron lớp ngõ ra là
y1, y2, y3, y4 . Trong trường hợp dự báo phụ
Theo quyết định số 07/QĐ-ĐTĐL ngày
14/03/2013 về dự báo phụ tải và mua bán
điện đầu nguồn, nếu dự báo sai thì phần sai
sót sẽ được tính vào giá bán điện hiện hành.
Sai số trong dự báo phụ tải điện được xác
tải, đầu vào là công suất phụ tải trong quá
khứ và đầu ra là tcông suất phụ tải trong
tương lai. Mặc dù, cấu trúc MLP rất đơn
giản, nhưng nó cung cấp kết quả tốt trong
nhiều ứng dụng. Thuật toán được sử dụng
phổ biến nhất cho đào tạo MLP là thuật toán
backpropagation.
định như trong phương trình (1) với
P
là
real
công suất thực tế sử dụng và
báo với điều độ A0.
P
est là công suất
P - P
real
A=
est .100
%
( )
(1)
P
est
Cụ thể về việc tính toán khoảng tiền tăng
theo dựa trên quyết định này được xác định
như sau:
Cho phép sai số trong dự báo phụ tải là
±3%. Nghĩa là khi dự báo sai trong giới
hạn này sẽ không bị tính thêm chi phí
bán điện nào.
nh 3 Cấu trúc mạng Perceptron đa lớp
3.2 Dự báo ngắn hạn sử dụng mạng nơ
Khi sai số trong dự báo phụ tải nằm
trong khoảng 3 đến 6% thì giá bán điện
cho khoảng tăng thêm đó là 5%.
Khi sai số trong dự báo phụ tải nằm
trong khoảng 6 đến 9% thì giá bán điện
cho khoảng tăng thêm đó là 10%.
Khi sai số trong dự báo phụ tải nằm
trong khoảng 9 đến 12% thì giá bán điện
cho khoảng tăng thêm đó là 20%.
Khi sai số trong dự báo phụ tải trên 12%
thì giá bán điện cho khoảng tăng thêm
đó là 50%.
Khi sai số trong dự báo phụ tải nằm
trong khoảng -3 đến -6% thì giá bán điện
cho khoảng tăng thêm đó là 5%.
Khi sai số trong dự báo phụ tải nằm
trong khoảng -6 đến -12% thì giá bán
điện cho khoảng tăng thêm đó là 10%.
Khi sai số trong dự báo phụ tải dưới -
12% thì giá bán điện cho khoảng tăng
thêm đó là 20%.
ron.
Mạng nơ ron được huấn luyện trên
nguyên tắc lấy các giá trị trong các ngày
trước đó để huấn luyện mạng. Việc huấn
luyện diễn ra liên tục nhằm cập nhật nhanh
nhất các thay đổi của điều kiện làm việc
trong hệ thống. trong luận văn, mạng được
huấn luyện bằng dữ liệu của ba tuần trước đó
(21 ngày) để dự báo cho từng ngày trong
tuần tiếp theo. Kết quả dự báo và đánh giá
các kết quả dự báo được thể hiện trong các
phần sau.
0
0
0
t0
Nhiệt độ dự
đoán của 24 giờ
sau.
Nhiệt độ của 72
giờ trước đó.
t0
0
0
t0
Hình 4 Mô hình mạng nơ ron dự báo nhiệt
Dựa theo thông tư này, số tiền tăng theo
độ
thấy khi dựa báo sai càng lớn thì chi phí tăng
thêm sẽ rất cao. Đây là chi phí tăng theo cấp
số nhân nên việc giảm thiểu sai số trong dự
báo là rất quan trọng.
-12
-9
-6
-3
0
3
6
9
12
sai số (%)
Giá bán
tăng thêm (%)
20
10
10
5
0
0
5
10
20
50
Hình 6 Chi phí mua điện gia tăng theo sai số
dự báo phụ tải.
4. KẾT QUẢ MÔ PHỎNG.
Bài báo sử dụng dữ liệu thu được từ hệ
thống SCADA của điện lực bến tre tại trạm
110/22 KV. Kết quả đo đạt trong tháng được
dùng làm tham chiếu trong tính toán và đánh
giá kết quả thu được. Dữ liệu huấn luyện
mạng được lấy từ ngày 1 đến ngày 21 của
tháng. Các dữ liệu từ ngày 22 đến ngày 28
được sử dụng làm dữ liệu đánh giá. Kết quả
mô phỏng và đánh giá được thể hiện như bên
dưới.
Kết quả dự báo trong 7 ngày của tháng 1
được thể hiện như trong các hình sau:
Tiền phạt
Ngày thứ
Dự báo theo
Dự báo bằng
kinh nghiệm
10.375
9.125
mạng nơ ron
1
2
3
4
5
6
7
0
0.275
1.625
1.25
0
0
0
0
0
1.125
3
nh 7 Đồ thị dự báo phụ tải trong 7 ngày
cuối tháng 1/2018.
5. KẾT LUẬN.
Qua các kết quả nhận thấy khi có dự báo
phụ tải bằng mạng nơ ron thì độ chính xác
của dự báo sẽ cao hơn nhiều so với khi dự
báo bằng thông tin của ngày trước đó. Các
kết quả tổng kết về số tiền phải tăng lên khi
công suất đặt mua sai lệch với công suất thực
mua qua các ngày trong tuần được thể hiện
thấy khi có dự báo dùng mạng nơ ron thì
hiệu quả sẽ tăng lên khi tiền phạt giảm xuống
do nâng độ chính xác dự báo lên.
ài báo đề xuất giải pháp áp dụng mạng
nơ ron trong dự báo phụ tải. Đối với các mô
hình phi tuyến đa tác nhân thì mạng nơ ron
có ưu điểm là đơn giản, dễ hiểu và có độ
chính xác cao. Kết quả dự báo phụ tải ngắn
hạn đã cho thấy tính hiệu quả của nó so với
các loại dự báo kinh nghiệm khác. Đây là
một đóng góp lớn giúp nâng cao hiệu quả
vận hành hệ thống điện trong thị trường cạnh
tranh tự do.
Bảng 3 Kết quả chi phí tăng thêm do dự báo
sai thực tế của 1/2018
TÀI LIỆU THAM KHẢO
H. Madsen, P. Pinson, G. Kariniotakis, H. A. Nielsen, and T. S. Nielsen, “Standardizing the
[1]
Performance Evaluation of Short-Term Wind Power Prediction Models,” Wind Eng., vol. 29,
no. 6, pp. 475–489, Dec. 2005.
[2]
[3]
. R. Giebel G, Kariniotakis G, “The state of the art in short-term prediction of wind power – a
literature overview,” Tech. Report, EU Proj. ANEMOS, Deliv. Rep. D-1.1, 2018.
A. Costa, A. Crespo, J. Navarro, G. Lizcano, H. Madsen, and E. Feitosa, “A review on the
young history of the wind power short-term prediction,” Renew. Sustain. Energy Rev., vol. 12,
no. 6, pp. 1725–1744, Aug. 2008.
[4]
[5]
A. otterud, J. Wang, V. Miranda, and R. J. essa, “Wind Power Forecasting in U.S.
Electricity Markets,” Electr. J., vol. 23, no. 3, pp. 71–82, Apr. 2010.
J. L. Angarita, J. Usaola, and J. Martínez-Crespo, “Combined hydro-wind generation bids in a
pool-based electricity market,” Electr. Power Syst. Res., vol. 79, no. 7, pp. 1038–1046, Jul.
2009.
[6]
“Pump Up the Volume: Using Hydro Storage to Support Wind Integration - Renewable Energy
12/issue-5/hydropower/pump-up-the-volume-using-hydro-storage-to-support-wind-
integration.html. [Accessed: 27-Apr-2019].
[7]
[8]
[9]
C. Weber, “Adequate intraday market design to enable the integration of wind energy into the
European power systems,” Energy Policy, vol. 38, no. 7, pp. 3155–3163, Jul. 2010.
K. Skytte, “The regulating power market on the Nordic power exchange Nord Pool: an
econometric analysis,” Energy Econ., vol. 21, no. 4, pp. 295–308, Aug. 1999.
J. . remnes, “Probabilistic wind power forecasts using local quantile regression,” Wind
Energy, vol. 7, no. 1, pp. 47–54, Jan. 2004.
[10] S. N. Singh and I. Erlich, “Strategies for Wind Power Trading in Competitive Electricity
Markets,” IEEE Trans. Energy Convers., vol. 23, no. 1, pp. 249–256, Mar. 2008.
[11] T. Gneiting, “Quantiles as optimal point forecasts,” Int. J. Forecast., vol. 27, no. 2, pp. 197–
207, Apr. 2011.
[12] R. J. arthelmie, F. Murray, and S. C. Pryor, “The economic benefit of short-term forecasting
for wind energy in the UK electricity market,” Energy Policy, vol. 36, no. 5, pp. 1687–1696,
May 2008.
[13] J. L. Angarita-Márquez, C. A. Hernandez-Aramburo, and J. Usaola-Garcia, “Analysis of a
wind farm’s revenue in the ritish and Spanish markets,” Energy Policy, vol. 35, no. 10, pp.
5051–5059, Oct. 2007.
[14] J. Chang, B. C. Ummels, W. G. J. H. M. van Sark, H. P. G. M. den Rooijen, and W. L. Kling,
“Economic evaluation of offshore wind power in the liberalized Dutch power market,” Wind
Energy, vol. 12, no. 5, pp. 507–523, Jul. 2009.
[15] S. Galloway, G. ell, G. urt, J. McDonald, and T. Siewierski, “Managing the risk of trading
wind energy in a competitive market,” IEE Proc. - Gener. Transm. Distrib., vol. 153, no. 1, p.
106, 2006.
[16] M. Gibescu, W. L. Kling, and E. . Van Zwet, “ idding and regulating strategies in a dual
imbalance pricing system: case study for a Dutch wind producer,” Int. J. Energy Technol.
Policy, vol. 6, no. 3, p. 240, 2008.
[17] J. M. Morales, A. J. Conejo, and J. Perez-Ruiz, “Short-Term Trading for a Wind Power
Producer,” IEEE Trans. Power Syst., vol. 25, no. 1, pp. 554–564, Feb. 2010.
[18] H. Dommel and W. Tinney, “Optimal Power Flow Solutions,” IEEE Trans. Power Appar.
Syst., vol. PAS-87, no. 10, pp. 1866–1876, Oct. 1968.
[19] X. ai, L. Qu, and W. Qiao, “Robust AC Optimal Power Flow for Power Networks With Wind
Power Generation,” IEEE Trans. Power Syst., vol. 31, no. 5, pp. 4163–4164, Sep. 2016.
[20] J. Lin, V. O. K. Li, K. C. Leung, and A. Y. S. Lam, “Optimal Power Flow with Power Flow
Routers,” IEEE Trans. Power Syst., vol. 32, no. 1, pp. 531–543, 2017.
[21] I. Egido, E. Sáiz-Marín, and E. Lobato, “Optimal voltage control by wind farms using data
mining techniques,” IET Renew. Power Gener., vol. 8, no. 2, pp. 141–150, Mar. 2014.
[22] M. A. Abido and M. Waqar Ahmed, “Multi-objective optimal power flow considering the
system transient stability,” IET Gener. Transm. Distrib., vol. 10, no. 16, pp. 4213–4221, Dec.
2016.
program.com/wind_statistics.htm. [Accessed: 27-Apr-2019].
Tác giả chịu trách nhiệm bài viết:
Họ tên: Đoàn Thành Ân
Đơn vị: Tổng Công ty Điện lực miền Nam
Điện thoại: 0913.44.54.53
9 trang
09/01/2024
19320
Free
Bạn đang xem tài liệu "Dự báo phụ tải ngắn hạn sử dụng mạng Nơ Ron kết hợp dữ liệu từ đồng hồ số thông minh", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- du_bao_phu_tai_ngan_han_su_dung_mang_no_ron_ket_hop_du_lieu.pdf
