Dự báo phụ tải tỉnh Tiền Giang
DỰ BÁO PHỤ TẢI TỈNH TIỀN GIANG
ELECTRIC LOAD FORECAST OF TIEN GIANG PROVINCE
Trương Minh Tài
Trường cao đẳng Nghề Tiền Giang
TÓM TẮT
Dự báo phụ tải điện đóng một vai trò hết sức quan trọng trong việc lập kế hoạch thiết kế
và vận hành hệ thống điện. Dự báo sẽ giúp chúng ta định hướng được phương hướng và kế
hoạch cho tương lai, chủ động trong công việc và xử lí được những biến cố xảy ra. Nếu như
không có công việc dự báo phụ tải điện, ta sẽ gặp phải hai trường hợp có thể xảy ra: một là
chúng ta sẽ thiếu hụt điện năng sử dụng và hai là chúng ta sẽ sản xuất ra một lượng điện năng
thừa vô ích.
Đối với trường hợp thiếu hụt điện năng, chúng ta sẽ không có đủ điện năng để phục vụ
cho nhu cầu sinh hoạt, giải trí của nhân dân và không đủ điều kiện để cung cấp điện năng cho
các ngành kinh tế như công nghiệp, nông nghiệp và dịch vụ. Nó gây ra một hậu quả hết sức
nghiêm trọng: các dây chuyền tự động, các máy móc, thiết bị sẽ ngưng hoạt động, nền kinh tế sẽ
bị ảnh hưởng.
Điện năng có tính chất rất đặc biệt đó là không thể lưu trữ hay cất vào kho khi dư thừa.
Do vậy chúng ta sẽ bị lãng phí một lượng lớn điện năng dư thừa vô ích, gây thiệt hại kinh tế cho
đất nước.
Để đảm bảo lượng điện năng sản xuất ra không dư thừa và cũng không thiếu hụt so với
nhu cầu sử dụng thì bài toán dự báo phụ tải điện cần được quan tâm đúng mức. Việc dự báo
chính xác góp phần cải thiện chất lượng điện năng cũng như giảm chi phí sản xuất, vận hành và
đảm bảo an toàn cho hệ thống điện.
Tiền Giang là tỉnh nằm trong khu vực đồng bằng sông Cửu Long, là tỉnh nằm trong vùng
kinh tế trọng điểm phía nam. Do vậy như cầu sử dụng điện ở Tiền Giang rất cao và việc dự báo
phụ tải điện được đặt lên hàng đầu trong việc thiết kế và vận hành hệ thống điện. Trong khuôn
khổ luận văn này, phương pháp dự báo kết hợp mạng Wavelet và Fuzzy Logic sẽ được nghiên
cứu và áp dụng để dự báo đồ thị phụ tải ngày của tỉnh Tiền Giang.
Từ khóa: Dự báo phụ tải điện; Mạng Wavelet; Logic mờ.
ABSTRACT
Load forecasting plays a very important role in planning the design and operation of
electrical systems. It will help us to forecast the direction and orientation plan for the future,
work actively and treat the incident. Without the work of the load forecast, we can meet two
cases: the power shortage and the power redundancy.
In case of the power shortage, we will not have enough power to serve people’s daily as
well as to provide for industries such as industrial, agriculture and services. It causes a serious
consequence: the automated production lines, machines and equipment will be shut down, the
economy will be affected.
In case of the power redundancy, unlike other commodities, electricity is a very special
properties that it can not be stored or put into storage. So we will waste a large amount of excess
energy in vain, to cause great damage to the national economy.
To ensure that power does not produce surplus nor deficit relative to the problem using
the electricity load forecast should be well heeded. The predictions improve power quality and
reduce production costs, operation and safety for the electrical system.
Tien Giang province is located in the Cuu Long River Delta - a key economic area of the
south. Thus the demand for electricity is very high in Tien Giang and load forecast is placed on
top in the design and operation of electrical systems. In the framework of this thesis, Wavelet
and Fuzzy Logic networks will be studied and applied to predict daily load graph of Tien Giang
province.
Keywords: Load forecasting; Wavelet network; Fuzzy Logic.
N1
1.GIỚI THIỆU
o
D h W
và
j,t
j,l j,tl mod N
Việc phân loại dự báo phụ tải ra thành
các loại khác nhau có vai trò rất quan trọng.
Mỗi loại dự báo khác nhau sẽ có những tính
chất khác nhau, và phù hợp với những loại mô
hình khác nhau. Do vậy người ta phân chia
thành các loại dự báo khác nhau để nghiên
cứu, xây dựng mô hình và tiến hành dự báo
một cách phù hợp. Sau đây là các loại dự báo:
. Dự báo điều độ: thời gian dự báo theo
giờ hoặc vài phút. Sai số yêu cầu <5%.
. Dự báo ngắn hạn: thời gian dự báo
theo ngày hoặc vài ngày hoặc tháng.
Sai số cho phép
của công tác dự báo ngắn hạn là 3÷5%.
. Dự báo trung hạn: thời gian dự báo
theo năm và sẽ dự báo trong khoảng
thời gian 5÷7năm.
Sai số cho phép của công tác dự báo trung hạn
là 5÷10%.
l0
N1
o
S g V
j,t
j,l j,tl mod N
l0
V
Trong đó
j và j lần lượt là các hệ số
W
MODWT wavelet và MODWT scaling:
L 1
j
và
W
h X
j,t
j,t tl mod N
l0
Lj 1
V
g X
j,t
j,t tl mod N
l0
j/2
Với hj,l hj,l / 2
MODWT wavelet và gj,l gj,l / 2j/2 là các hệ
số lọc MODWT scaling. Trong bài báo này,
việc phân tích MODWT cho chuỗi Xn được
thực hiện bằng “wmtsa” toolbox trong Matlab.
là các hệ số lọc
3.FUZZY LOGIC (LOGIC MỜ)
. Dự báo dài hạn: thời gian dự báo theo
năm và sẽ dự báo trong khoảng thời
gian 10÷20 năm.
Các bước thiết kế một bộ mờ:
. Xác định số tín hiệu vào và ra của bộ
mờ, miền giá trị vật lý của các biến vào
và ra này.
. Xây dựng các biến ngôn ngữ và các giá
trị của nó. Về nguyên tắc số lượng các
biến ngôn ngữ nên nằm trong khoảng
từ 3 đến 11 giá trị.
. Xây dựng các hàm thuộc của các
biến đầu vào và đầu ra theo các
biến ngôn ngữ của chúng. Cần chọn
các hàm thuộc có phần chồng lên nhau
và phủ kín miền giá trị vật lý để trong
quá trình thực hiện không xuất hiện lỗ
trống.
Đồ thị phụ tải tỉnh Tiền Giang có các
tính chất biến đổi mang tính chu kì theo ngày
(giờ cao điểm, thấp điểm), theo tuần, theo mùa
và theo các biến động của nền kinh tế. Bài báo
này phát triển ý tưởng của [1] và ứng dụng dự
báo đồ thị phụ tải ngày tỉnh Tiền Giang bằng
phương pháp dự báo sử dụng mạng Wavelet
và Fuzzy Logic (vốn khá tốt trong việc nắm
bắt các biến động mang tính chu kì của chuỗi
thời gian biến động không dừng).
2.PHÂN TÍCH MODWT (Maximal
Overlap Discrete Wavelet Transform)
. Xây dựng các luật hợp thành mờ. Biểu
diễn các luật này dưới dạng ma trận vì
cách biểu diễn này rất tiện lợi và bao
quát.
. Chọn thiết bị hợp thành: có thể chọn
thiết bị hợp thành theo những nguyên
tắc đã giới
Cho một chuỗi dữ liệu thời gian {Xj},
j=1,2,3…n. Ta xây dựng mô hình:
j0
X D S
j
j0
j1
Trong đó : D j và
S
j0 là các hệ số của
thiệu. Thông thường trong thực tế thường sử
dụng luật hợp thành max - MIN, max - PROD,
hoặc sum - MIN, sum - PROD.
phép phân tích MODWT lên N mẫu thử của
chuỗi {Xn} với cấp phân tích là j0 :
. Chọn nguyên lý giải mờ: phương pháp
4.2.Giải thuật dự báo
giải mờ được chọn cũng gây ảnh
Chuỗi dữ liệu đồ thị phụ tải của 200
hưởng đến độ phức tạp và trạng thái ngày sẽ được đưa vào chương trình phân tích
làm việc của toàn bộ hệ thống. MODWT ở cấp 5. Kết quả là 5 chuỗi hệ số
Thường thì phương pháp điểm trọng MODWT D1 D2 D3 D4 D5 và S5. Mỗi chuỗi hệ
tâm có nhiều ưu điểm vì trong kết quả số này sau đó sẽ được dự báo một cách riêng
có sự tham gia của tất cả các kết luận rẽ và được tổ hợp lại để cho ra dự báo công
của các luật điều khiển.
suất giờ.
Giải thuật dự báo được tóm lượt trong
4.MÔ HÌNH DỰ BÁO PHỤ TẢI NGÀY
TỈNH TIỀN GIANG SỬ DỤNG MẠNG
WAVELET - FUZZY LOGIC
các sơ đồ khối hình 3. Quá trình xây dựng luật
mờ cho từng hệ số MODWT dựa trên giải
thuật xây dựng mô hình nhận dạng mờ (Fuzzy
Identification Model) trên cơ sở nhóm tâm
theo giải thuật Mountain Clustering.
4.1.Đặc điểm đồ thị phụ tải ngày tỉnh
Tiền Giang
Chuỗi dữ liệu
đồ thị phụ tải
200 ngày
Phân tích
MODWT
Hình 1. Các dạng đồ thị phụ tải ngày
thường, ngày chủ nhật và ngày lễ Tết
D1
D2
D3
D4
D5
S5
Luật
mờ
Luật
mờ
Luật
mờ
Luật
mờ
Luật
mờ
Luật
mờ
Hình 2. Đồ thị phụ tải từ 01/01/2016
đến 31/12/2016
Trong hình 1 trình bày đồ thị phụ tải của
các ngày bình thường( 23/02/2016), ngày chủ
nhật (14/02/2016) và ngày Tết nguyên đán
(08/02/2016). Các đồ thị phụ tải ngày thường
có dạng tương tự nhau và hầu như không cách
xa nhau. Đồ thị phụ tải ngày chủ nhật có phần
hơi thấp xuống phía dưới đồ thị ngày thường.
Và đồ thị phụ tải ngày lễ nằm rất thấp xuống
phía dưới so với đồ thị của các ngày bình
thường khác, điều này có thể lý giải được là do
vào các ngày lễ các cơ quan xí nghiệp đều
ngưng hoạt động nên điện năng sử dụng giảm
mạnh. Đối với ngày chủ nhật thì không phải
tất cả các cơ quan xí nghiệp đều ngưng hoạt
động vào ngày này nên lượng điện năng tiêu
thụ có giảm nhưng không nhiều như ngày lễ
Tết.
Dự
báo
D1
Dự
báo
D2
Dự
báo
D3
Dự
báo
D4
Dự
báo
D5
Dự
báo
S5
Tổ hợp dự
báo
5
D S
j
5
j1
Đồ thị phụ tải dự
báo 24h
Ta cũng có nhận xét rằng nếu không kể
các ngày lễ Tết thì đồ thị phụ tải tỉnh Tiền
Giang mang tính biến động chu kì theo ngày,
theo tuần, theo mùa. Từ đây ta đề xuất phương
pháp dự báo đồ thị phụ tải ngày sử dụng mạng
Wavelet-Fuzzy Logic.
Hình 3. Sơ đồ khối dự báo phụ tải 24h
4.3.Các bước tính toán dự báo
Bước 1 : Phân tích MODWT cấp 5 cho
chuỗi đồ thị phụ tải 200 ngày (tương ứng với
4800 dữ liệu công suất) {Xn/n=1:4800} .
Các bước thự hiện:
tốt nhất cho chuỗi dữ liệu dự báo. Ma trận
1. Cho k đủ lớn và thực hiện biến đổi input-output được xây dựng dựa trên tổ hợp
MODWT
X(2),..,X(n)}.
trên
chuỗi
{X(1), {h,d,w} – dữ liệu đầu ra Zj=Xt sẽ tương ứng
với một tổ hợp đầu vào Yj bao gồm dữ liệu
2. Giữ lại các giá trị xấp xỉ giá trị thực vào thời điểm lùi h giờ, d ngày và w tuần so
với Xt. Sau nhiều thử nghiệm dự báo với dữ
liệu luyện mạng 200 ngày với nhiều tổ hợp
{h,d,w} ta nhận thấy tổ hợp {2,2,4} cho kết
quả dự báo chính xác nhất. Nghĩa là với mỗi
giá trị đầu ra Zj=Xt sẽ tương ứng với các giá trị
đầu vào Yj:
tại thời điểm thứ k: D1(k), D2(k),…,
D5(k), S5(k) vì nó có ích cho dự báo
(Tổng các giá trị này là X(k)).
3. Nếu k<4800 tăng k=k+1 và lặp lại
bước 1.
Việc phân tích MODWT được bắt đầu
tại k=1536 tương ứng với 64 ngày.
{Xt-672, Xt-504, Xt-336, Xt-168, Xt-48, Xt-24
Xt-2, Xt-1}
,
Bước 2 : Quá trình luyện mạng xây dựng
mô hình nhận dạng mờ: Mỗi hệ số MODWT Dj
và S5 sẽ được đưa vào mô hình luyện mạng và
dự báo riêng biệt. Sơ đồ khối của quá trình
luyện mạng đối với chuỗi thời gian không dừng
Xn (tương ứng trong bài báo này là Dj
(j=1,2…,5) và S5) như hình 4
Giải thuật nhóm tâm Mountain
Clustering được đề xuất bởi Chiu (1994) với
mục tiêu tìm số nhóm hướng tâm ít nhất (nhằm
giảm thiểu sự phức tạp trong tính toán) nhưng
vẫn đại diện tốt cho mô hình mờ. Sơ đồ khối
giải thuật Mountain Clustering được trình bày
trong hình 5.
Hệ số MODWT
Ma trận IO
Xây dựng mô
hình
Input-Output
P*1=max
{Pi}
Thế năng
tâm nhóm Pi
P*k=max
Tìm tâm theo
Mountain
P* P*
Dừng
k
1
Tìm
và i
P* P*
k
1
Ma trận A
dmin P*
k
*
1
Ma trận hệ
số
Mô hình
Fuzzy X
Max{Pi}
Tâm nhóm
[C] = [Y*
Hình 4 . Sơ đồ khối mô hình luyện mạng
( Fuzzy Identification Model)
Hình 5. Sơ đồ khối giải thuật nhóm tâm
Mục đích của việc xây dựng ma trận
input-output B=[Y Z] (với Y là các giá trị đầu
vào và Z là giá trị đầu ra) là xử lý sắp xếp các
dữ liệu đầu vào tương ứng với mỗi giá trị đầu
ra sao cho ma trận input-output có thể đại diện
theo Mountain Clustering
Kết quả của quá trình luyện mạng là 6
ma trận XD1 XD2 XD3 XD4 XD5 và XS5 tương
ứng với 6 hệ số MODWT D1 D2 D3 D4 D5 và
S5
Ý nghĩa của ma trận hệ số mô hình X đó
là nó cho ta một sự xấp xỉ các giá trị đầu ra Zj
5.KẾT QUẢ
Với chuỗi dữ liệu 200 ngày từ
Aj*X, với A được xây dựng từ ma trận input 16/02/2016 đến 02/09/2016 ta sẽ dự báo đồ thị
Y và các tâm nhóm C tìm được. Như vậy để phụ tải ngày 03/09/2016. Sai số dự báo là
dự báo Zn+1 ta chỉ cần tìm An+1
.
2,76%.
Bảng 1. Kết quả dự báo và sai số ngày
Hệ số MODWT
03/09/2016
Giờ
1h
2h
3h
4h
5h
6h
Dự
102,6
103,4
0,69
7h
110.1 112.6 112.0 111.7 115.2
104.0 103.6 103.0 102.8 110.4
Giá trị
Sai số
Giờ
Hàng thứ n+1 của
ma trận input
5.58
8.07
8.11
8.00
4.19
8h
9h
10h
11h
12h
[Yn+1
]
Dự
120.
121.
0.99
13h
123.3 125.2 130.7 132.2 131.8
127.6 131.0 131.2 131.0 130.6
Giá trị
Sai số
Giờ
3.44
4.59
0.34
0.94
0.94
14h
15h
16h
17h
18h
Tâm
nhóm
Dự
132.
131.
0.78
19h
132.6 134.3 137.7 137.4 130.6
132.6 133.5 138.7 138.1 125.0
Tìm i,n1 và
Giá trị
Sai số
Giờ
*
0.04
0.59
0.68
0.50
4.35
20h
21h
22h
23h
24h
Dự
Giá trị
Sai số
131.
142.
7.90
140.2 136.2 123.2 111.8 102.3
141.3 132.4 121.4 111.3 102.4
0.76
2.79
1.47
0.47
0.08
Ma trận [An+1
]
Ma trận hệ số
mô hình Fuzzy
[X]
Kết quả dự
báo
Zn+1=An+1*X
Hình 7. Kết quả đồ thị phụ tải dự báo
ngày 3/9/2016
Hình 6. Sơ đồ khối mô hình dự báo
Với mô hình dự báo trên và phương
pháp dự báo như trên ta có kết quả dự báo cho
các ngày lễ dương lịch, âm lịch và ngày nghỉ
chủ nhật như sau:
Bước 3 : Dự báo từng hệ số MODWT
riêng rẽ và tổ hợp dự báo: mỗi ma trận hệ số
mô hình Fuzzy X tương ứng với từng hệ số
MODWT tìm được ở bước 2 sẽ được sử dụng
để dự báo cho mỗi hệ số MODWT tương ứng.
Sau khi các hệ số MODWT thứ n+1
Kết quả dự báo ngày 30/04/2016 và
các giá trị sai số được trình bày trong bảng 2.
Bảng 2.Dự báo và sai số đồ thị phụ tải ngày
30/04/2016
(tương ứng lúc 1h) được dự báo, chúng sẽ
được tổ hợp lại để đưa ra dự báo công suất (lúc
Gi
1h
2h
3h
4h
5h
6h
Dự
107.9
114.9
110.3
4.24
8h
123.3
115.0
7.24
14h
134.8
131.9
2.22
20h
143.2
135.6
5.62
116.7
114.0
2.43
9h
128.2
119.8
7.02
15h
136.2
128.0
6.44
21h
134.3
128.7
4.41
115.3
112.4
2.60
114.3
112.0
2.09
115.3
112.5
2.52
12h
132.5
125.3
5.82
18h
1h) :
Giá 107.0
Sai
Gi
5
0.84
7h
118.2
P D S
j
5
10h
11h
j1
Dự
133.8
125.3
6.83
133.5
126.0
6.01
Bước 4 : Tiến hành dự báo cho 23h còn
lại trong ngày. Sau khi công suất lúc 1h được
dự báo thì nó sẽ được đưa vào chuỗi dữ liệu đồ
thị phụ tải . Lúc này chiều dài của chuỗi dữ
liệu công suất phụ tải sẽ là 4800+1=4801. Ta
tiến hành lại các bước từ 1 đến 3 để dự báo
công suất phụ tải lúc 2h.
Lặp lại các bước từ 1 đến 4 cho đến khi
công suất lúc 24h được dự báo. Tổ hợp các số
liệu công suất dự báo từ 1h đến 24h ta được đồ
thị phụ tải ngày thứ 201 cần dự báo.
Giá 113.5
Sai
Gi
4.16
13h
132.7
16h
17h
Dự
143.3
133.0
7.76
142.9
134.0
6.68
136.8
127.1
7.7
Giá 128.3
Sai
Gi
3.47
19h
137.9
22h
23h
24h
Dự
121.5
124.5
2.36
109.7
115.0
4.59
98.58
104.0
5.21
Giá 128.0
Sai
7.8
Bảng 4.Dự báo và sai số đồ thị phụ tải ngày
chủ nhật (09/10/2016).
Gi
1h
2h
3h
4h
5h
6h
Dự
107.8
114.0
109.6
4.10
8h
115.7
112.0
3.37
9h
114.6
110.0
4.24
10h
113.6
109.6
3.68
118.5
114.5
3.56
Giá 103.0
Sai
Gi
4.69
7h
11h
12h
Dự
124.0
132.3
127.4
3.86
14h
136.6
130.2
4.94
15h
139.5
132.8
5.08
16h
139.4
132.5
5.26
139.3
132.2
5.41
Giá 120.1
Sai
Gi
3.27
13h
17h
18h
Hình 8. Kết quả đồ thị phụ tải dự báo
ngày 30/04/2016.
Sai số là 4.84%. Sai số 4.84% là sai số
chấp nhận được đối với dự báo 24 thời điểm
liên tiếp trong tương lai.
Kết quả đồ thị phụ tải ngày 30 tết và
các giá trị sai số được trình bày trong bảng 3.
Bảng 3.Dự báo và sai số đồ thị phụ tải
ngày 30 tết.
Dự
139.8
140.7
136.8
2.92
20h
145.9
140.7
3.73
142.7
139.0
2.7
144.7
140.5
3.0
144.0
141.0
2.16
139.1
143.4
2.96
Giá 133.0
Sai
Gi
5.13
19h
144.3
21h
22h
23h
24h
Dự
140.5
131.2
7.12
128.4
120.1
6.91
117.1
110.7
5.79
106.9
109.8
2.57
Giá 140.6
Sai
2.68
Gi
1h
2h
3h
4h
5h
6h
Dự
Giá
Sai
Gi
90.83
92.90
2.23
7h
88.28
93.20
5.28
8h
89.79
97.00
7.43
14h
104.0
107.0
2.72
20h
100.4
109.4
8.2
88.92
92.90
4.28
9h
79.04
85.00
7.01
15h
89.37
92.40
3.28
10h
85.16
92.00
7.44
16h
88.75
92.10
3.63
89.51
93.60
4.37
11h
12h
Hình 10. Kết quả đồ thị phụ tải dự báo
ngày chủ nhật (09/10/2016).
Dự
95.58
86.79
94.00
7.67
91.76
99.10
7.41
Giá 100.0
Sai
Gi
4.42
13h
99.06
17h
18h
Sai số là 4.13%. Sai số 4.13% là sai số
chấp nhận được đối với dự báo 24 thời điểm
liên tiếp trong tương lai.
Dự
103.1
105.0
1.8
101.6
106.2
4.3
101.0
104.2
3.05
106.5
101.7
4.77
Giá 104.0
Sai
Gi
4.75
19h
113.2
21h
22h
23h
24h
6.KẾT LUẬN
Dự
103.8
100.0
3.87
118.5
114.0
3.97
113.2
111.1
1.95
104.1
100.0
4.19
Giá 104.6
Sai
Mạng Wavelet-Fuzzy đã thể hiện được
nhiều ưu điểm trong bài toán dự báo một bước.
Mạng Wavelet-Fuzzy là một sự kết hợp giữa
khả năng tổng quát hóa, nắm bắt các hành vi
hệ thống của mạng Wavelet và khả năng suy
luận logic vận dụng những kiến thức vào kinh
nghiệm dự báo.
8.27
Kết quả dự báo phụ tải ngày tỉnh Tiền
Giang cho thấy mạng Wavelet-Fuzzy Logic có
khả năng nắm bắt những biến động mang tính
chu kì và các hành vi của hệ thống khá tốt
đồng thời đồ thị phụ tải ngày dự báo đều có
hình dạng khá giống với đồ thị phụ tải thực tế.
Sai số của các kết quả dự báo và thực tế chấp
nhận được đối với bài toán dự báo 24 thời
điểm liên tiếp trong tương lai.
Hình 9.Kết quả đồ thị phụ tải dự báo
ngày 30 tết.
Sai số là 4.85%. Sai số 4.85% là sai số
chấp nhận được đối với dự báo 24 thời điểm
liên tiếp trong tương lai.
Kết quả dự báo ngày chủ nhật (
09/10/2016) và các giá trị sai số được trình bày
trong bảng 4.
TÀI LIỆU THAM KHẢO
[1] LVTN “ Dự báo phụ tải điện”, Văn Công Tấn Linh. 2010, ĐH BKTPHCM
[2] Aussem, A., J., and F. Murtagh. 1997. “Combining neural network forecasts on wavelet-
transformed time series.” Connection Science 9 (1): 113-121.
[3]“Wavelet-basedMultiresolution Forecasting”.UniS Technical Report(June 2005).
[4] Chiu, S. 1994. “Fuzzy Model Identification Based on Cluster Estimation.” Journal of
Intelligent & Fuzzy Systems 2 (3): 267-278.
[5] Chiu, S. 1997. “Extracting Fuzzy Rules from Data for Function Approximation and Pattern
Classification.” D. Dubois, H. Prade, and R. Yager (Eds.), Fuzzy Information Engineering: A
Guided Tour of Applications. John Wiley and Sons.
[6] Bojadzive,G., Bojadzive,M. 2007. “Fuzzy Logic for business, finance and management”.
World Scientific Publishing Co. Pte. Ltd, Singapore.
[7] Gençay, R., F. Selcuk, and B. Whitcher. 2002. “An Introduction to Wavelets and Other
Filtering Methods in Finance and Economics.” Academic Press, New York.
[8] Mallat, S. 1989. “A Theory for Multiresolution Signal Decomposition: The Wavelet
Representation.” IEEE Transactions on Pattern Analysis and Machine Intelligence 11: 674-93.
[9] Zhang, X.P,, Tian, L.S., and Peng, Y.N. 1996. “From the Wavelet series to Discrete Wavelet
Transform – the Initialization”. IEEE Trans. Signal Process. 44: No. 1.
[10] Percival, D. B., and A. T. Walden. 2000. “Wavelet Methods for Time Series Analysis.”
Cambridge University Press.
[11] Ramsey, J. B. 1999. “The contribution of wavelets to the analysis of economic and financial
data.” Phil. Trans. R. Soc. Lond. A 357: 2593-2606.
Tác giả chịu trách nhiệm bài viết:
Họ tên: Trương Minh Tài
Đơn vị: Trường cao đẳng nghề Tiền Giang
Điện thoại: 0948710284
Email: [email protected]m
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.
8 trang
09/01/2024
23860
Free
Bạn đang xem tài liệu "Dự báo phụ tải tỉnh Tiền Giang", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- du_bao_phu_tai_tinh_tien_giang.pdf
