MỤC LỤC
Chương 1 Dự báo đỉnh và đáy biểu đồ phụ tải ngày dùng mạng neuron
nhiều lớp MLP
1.1. Giới thiệu 1.1
1.2. Thuật toán chung dự báo biểu đồ phụ tải ngày 1.1
1.3. Dự báo đỉnh biểu đồ phụ tải ngày trên cơ sở mạng MLP 1.4
1.4. Tóm lược 1.15
Chương 2. Dự báo biểu đồ phụ tải ngày dùng phương pháp đỉnh-đáy-dạng 2.1
2.1. Giới thiệu 2.1
2.2. Dự báo biểu đồ phụ tải ngày bằng phương pháp đỉnh-đáy-dạng 2.1
2.3. Tóm lược chương 2 2.9
Chương 3. Dự báo biểu đồ phụ tải ngày dùng mạng neuron MLP 24 đầu ra 3.1
3.1. Giới thiệu 3.1
3.2. Dự báo biểu đồ phụ tải ngày dùng mạng neuron MLP-31xNx24 3.1
3.3. Dự báo biểu đồ phụ tải ngày dùng mạng 24 neuron đầu ra MLP-(24L+5W+4D)xNx24 3.4
3.4. Dự báo biểu đồ phụ tải ngày dùng mạng 24 neuron đầu ra mã hoá dạng ngày dùng 8 neuron đầu vào MLP-(24L+5W+8D)xNx24 3.6
3.5. Một số giải pháp tăng hiệu quả dự báo biểu đồ phụ tải ngày 3.8
3.6. Tóm lược chương 3 3.11
Chương 4. Phân loại dạng biểu đồ phụ tải ngày 4.1
4.1. Giới thiệu 4.1
4.2. Xây dựng mạng ánh xạ đặc trưng tự tổ chức Kohonen (K-SOFM) phân loại dạng biểu đồ phụ tải ngày 4.2
4.3. Kết quả và phân tích 4.8
4.4. Tóm lược chương 4 4.23
Kết luận a
Tài liệu tham khảo b
71 trang |
Chia sẻ: banmai | Lượt xem: 1938 | Lượt tải: 0
Bạn đang xem trước 20 trang tài liệu Nghiên cứu ứng dụng mạng nơ ron nhân tạo trong dự báo ngắn hạn phụ tải điện, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
ừng lớp láng giềng. Số neuron trong từng lớp
láng giềng của lưới ngẫu nhiên cũng là một số ngẫu nhiên.
Matlab chứa 3 hàm để khởi tạo lưới vuông, lưới lục giác và lưới ngẫu nhiên là:
gridtop(nx, ny), hextop(nx, ny) và randtop(nx, ny) tương ứng.
xlvi
Hình 4.2
Hình 4.3
xlvii
Hình 4.4
Để đơn giản, ta chọn lưới chữ nhật 18x18 neuron để phân loại vector đầu vào
P(24).
-Hàm khoảng cách giữa các neuron:
Có 4 cách phổ biến để tính khoảng cách từ neuron xem xét đến neuron láng
giềng:
khoảng cách euclide (hàm dist)
khoảng cách hộp (hàm boxdist)
khoảng cách đường nối (hàm linkdist) – bằng số bước cần thực hiện để
đi từ neuron xem xét đến neuron láng giềng.
khoảng cách manhattan (hàm mandist), tính bằng công thức:
∑ −= yxd
Để khởi đầu ta chọn khoảng cách 'linkdist' để tạo mạng SOFM ( 'linkdist' là
hàm mặc định của NNToolbox).
- Bán kính láng giềng giai đoạn chỉnh tinh:
xlviii
Chọn bán kính láng giềng là 1 (giá trị mặc định).
- Số bước của pha xếp thứ tự neuron ( OSTEPS):
Mặc định số bước của pha xếp thứ tự neuron lấy bằng 1000. Theo khuyến cáo
của chính Kohonen, số bước này càng nhiều thì hiệu quả huấn luyện càng cao và tối
thiểu phải bằng 500 lần số neuron của mạng. Vì vậy, ta chọn số bước của pha xếp thứ
tự neuron bằng 500x18x18.
- Vận tốc học pha xếp thứ tự neuron và vận tốc học pha chỉnh tinh chọn giá trị
mặc định theo NNToolbox tương ứng là 0,9 và 0,02.
Tóm lại, để khởi tạo mạng SOFM với các thông số chọn như trên ta dùng lệnh
SOMFnet=newsom([minp maxp],[18 18],'gridtop','linkdist', 0.9,500*18*18,0.02,2)
Huấn luyện mạng
Quá trình huấn luyện diễn ra như sau [NNTool Guidelines]:
- Mạng tìm neuron thắng cuộc cho mỗi vector đầu vào
- Ứng với mỗi neuron thắng cuộc, sau khi xác định tất cả các vector đầu vào
kích thích nó hoặc kích thích các neuron láng giềng của nó, vector trọng số của
neuron thắng cuộc này sẽ chuyển đến vị trí trung bình của tập các vector đầu vào đó.
- Khoảng cách trên cơ sở đó xác định bán kính láng giềng thay đổi trong quá
trình huấn luyện qua 2 pha:
Pha sắp xếp neuron: pha này kéo dài OSTEPS bước, tức
500x18x18 trong trường hợp này, bán kính láng giềng sẽ giảm
từ giá trị ban đầu xuống đến giá trị bán kính láng giềng của pha
chỉnh tinh (ND=1). Theo chiều giảm bán kính láng giềng các
neuron sẽ tự sắp xếp lại trong không gian đầu vào (cũng tức là
các vector trọng số của neuron sắp xếp lại).
Pha chỉnh tinh: bán kính láng giềng giữ giá trị tối thiểu (ND=1),
vector trọng số điều chỉnh tinh nhưng vẫn giữ vị trí đã sắp xếp ở
pha đầu. Vận tốc học tiếp tục giảm chậm từ giá trị vận tốc học
xlix
của pha chỉnh tinh ban đầu (ở đây là 0,02). Số chu kỳ huấn
luyện ở pha này cần lớn hơn nhiều so với số bước của pha đầu.
Mạng được huấn luyện như trên nhờ lệnh sau của Matlab
SOFMnet = train(SOFMnet, pn);
Nhận dạng các vector đầu vào
Các vector đầu vào được xác định thuộc nhóm nào thông qua quá trình mô
phỏng dùng mạng đã huấn luyện với lệnh sim và vec2index
a = sim(SOFMnet, pn)
ac=vec2index(a)
4.3 Kết quả và phân tích
4.3.1 Phân loại toàn bộ các vector phụ tải trong năm 2004
Dùng mạng SOFM-18x18 nói trên để phân loại toàn bộ vector phụ tải trong
năm 2004. Kết quả phân loại đưa ra trong bảng 4.1 sau.
Bảng 4.1 Mã số các neuron kích hoạt bởi các vector phụ tải ngày tương ứng
I-II II-III
III-
IV
IV-
V V-VI
VI-
VII
VII-
VIII
VIII-
IX
IX-
X
X-
XI
XI-
XII XII
Mon 35 17 16 16 27 24 56 40 2 5 26 7 11
Tue 17 34 50 16 45 23 74 60 1 4 7 6 11
Wed 17 33 32 14 26 22 73 43 20 3 6 6 11
Thu 17 32 32 31 44 42 74 44 38 3 7 6 10
Fri 14 15 16 33 88 22 74 44 38 3 25 6 11
Sat 35 15 52 52 88 43 76 63 58 77 45 44 12
Sun 72 53 54 71 87 82 83 85 79 80 64 64 68
Mon 17 16 33 16 63 66 23 23 19 24 6 28 11
Tue 33 50 50 31 84 47 20 21 37 5 6 11 10
Wed 14 32 50 29 49 26 37 20 55 2 25 12 10
Thu 17 32 32 33 48 23 73 20 55 3 8 12 10
Fri 35 50 32 51 48 22 73 39 55 2 7 12 28
Sat 54 52 51 52 67 61 74 62 78 61 64 68 30
Sun 72 54 54 88 86 82 75 83 82 81 86 70 68
Mon 72 16 15 31 26 42 73 23 24 2 9 13 10
Tue 90 14 31 47 24 23 57 21 25 41 8 12 10
Wed 89 18 31 47 4 22 37 1 42 4 9 11 10
Thu 90 16 49 31 41 40 19 20 85 3 9 11 9
Fri 90 16 49 34 42 41 39 39 23 3 8 13 9
l
I-II II-III
III-
IV
IV-
V V-VI
VI-
VII
VII-
VIII
VIII-
IX
IX-
X
X-
XI
XI-
XII XII
Sat 90 18 52 52 43 62 61 61 61 64 46 50 12
Sun 90 54 54 70 84 83 83 81 80 87 86 69 68
Mon 90 17 15 49 48 42 43 38 37 27 27 12 11
Tue 54 15 15 47 46 23 23 37 1 8 7 12 10
Wed 36 34 33 47 66 41 42 55 40 25 7 10 10
Thu 36 15 33 47 48 39 21 56 25 45 7 11 10
Fri 18 51 51 27 47 38 21 76 24 60 8 10 30
Sat 36 52 52 65 65 76 59 59 62 64 46 30
Sun 54 71 71 87 85 79 80 80 82 86 86 69
Phân tích phân bố các neuron được kích hoạt bởi các ngày cùng thứ trong tuần
trên lưới, ví dụ, các ngày Chủ nhật (bảng 4.2a,b,c), các ngày thứ Hai (bảng 4.3 a,b,c)
và các ngày thứ Ba (bảng 4.4 a,b,c), ta thấy rằng cùng là ngày Chủ nhật nhưng rơi vào
các nhóm mùa khác nhau (mùa 1: tháng 1 đến tháng 4; mùa 2: tháng 5-8; mùa 3:
tháng 9-12) thì kích hoạt các nhóm neuron khác nhau. Vì vậy không thể nhóm các
ngày cùng thứ trong tuần với nhau lại mà không tính đến yếu tố mùa. Nói cách khác,
thông tin về mùa là thiết yếu trong đầu vào của mạng neuron dự báo phụ tải ngắn hạn.
Hình 4.5 minh hoạ sự khác biệt đặc trưng của biểu đồ phụ tải các tháng khác nhau
trong năm.
Bảng 4.2 a)Chủ nhật (mùa đầu năm)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108
109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306
307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
li
Bảng 4.2 b)Chủ nhật (mùa giữa năm)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108
109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306
307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
Bảng 4.2 c)Chủ nhật (mùa cuối năm)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108
109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306
307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
lii
Bảng 4.2 d)Chủ nhật (cả năm)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108
109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306
307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
Bảng 4.3 a)Thứ Hai (mùa đầu năm)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108
109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306
307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
liii
Bảng 4.3 b)Thứ Hai (mùa giữa năm)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108
109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306
307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
Bảng 4.3 c)Thứ Hai (mùa cuối năm)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108
109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306
307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
liv
Bảng 4.3 d)Thứ Hai (cả năm)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108
109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306
307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
Bảng 4.4 a)Thứ Ba (mùa đầu năm)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108
109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306
307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
lv
Bảng 4.4 b)Thứ Ba (mùa giữa năm)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108
109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306
307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
Bảng 4.4 c)Thứ Ba (mùa cuối năm)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108
109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306
307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
lvi
Bảng 4.4 d) Thứ Ba (cả năm)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108
109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306
307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
Hình 4.5. Khác biệt đặc trưng biểu đồ phụ tải ngày thường giữa tháng
Giêng, tháng 7 và tháng 11 (số liệu năm 2003 Hà Nội)
4.3.2 Phân loại các vector phụ tải của 12 tuần đại diện cho 12 tháng trong
năm 2004
Chọn các vector phụ tải của tuần đầu tiên của tất cả 12 tháng trong năm 2004
làm đầu vào cho mạng SOFM-18x18. Mã các neuron kích hoạt bởi các vector phụ tải
tương ứng nêu trong bảng 4.5 và phân bố các nhóm neuron được kích hoạt trên lưới
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Tuesday, 07
January 2003
Tuesday, 14
January 2003
Tuesday, 21
January 2003
Tuesday, 28
January 2003
0
100
200
300
400
500
600
700
1 3 5 7 9 11 13 15 17 19 21 23
Tuesday, 01 July
2003
Tuesday, 08 July
2003
Tuesday, 15 July
2003
Tuesday, 22 July
2003
Tuesday, 29 July
2003
0
100
200
300
400
500
600
700
1 3 5 7 9 11 13 15 17 19 21 23
Tuesday, 04
November 2003
Tuesday, 11
November 2003
Tuesday, 18
November 2003
Tuesday, 25
November 2003
lvii
18x18 trong bảng 4.6 (màu xanh: mã tháng I-IV; màu đỏ: mã tháng V-IX và màu tím:
mã tháng IX-XII)
Bảng 4.5 Mã số các neuron kích hoạt bởi các vector phụ tải ngày tương ứng
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Mon 53 72 89 90 27 59 1 76 37 80 63 82
Tue 52 71 69 85 13 76 2 22 3 61 79 82
Wed 52 87 86 84 68 74 37 39 41 61 79 82
Thu 53 68 86 69 67 40 20 73 43 44 79 82
Fri 88 88 89 51 48 6 4 4 59 24 79 82
Sat 72 90 35 54 49 8 7 7 26 47 47 83
Sun 18 17 18 18 14 11 11 10 10 14 14 33
Bảng 4.6 Phân bố neuron được kích hoạt trên lưới 18x18
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108
109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306
307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
Qua phân bố neuron trên lưới dễ nhận thấy hiệu ứng mùa: các neuron kích
hoạt bởi các biểu đồ phụ tải cùng mùa thường nằm trong cùng nhóm, (rõ nhất là thời
gian từ tháng 1-4).
4.3.3. Phân loại các vector phụ tải của từng tháng, đặc biệt các tháng có
ngày lễ-tết.
lviii
Tháng Giêng
Jan-04
Sun 3 2 3 1
Mon 324 324 3 1
Tue 324 324 1 3
Wed 324 324 1 304
Thu 3 324 324 1 287
Fri 324 324 324 1 324
Sat 287 324 4 1 304
- Ngày Tết Dương lịch 1/1/2004 rơi vào thứ Năm, neuron kích hoạt có nhãn là
3 khác với các neuron được kích hoạt bởi các ngày thứ Năm khác (324,324,1,287).
Ngoài ra neuron 3 là neuron kích hoạt các ngày Chủ Nhật. Vì vậy, cũng có thể kết
luận rằng biểu đồ phụ tải ngày 1/1/2004 cùng nhóm ngày Chủ Nhật.
- Nhóm kích hoạt neuron 1 là nhóm thuộc các ngày nghỉ Tết Âm lịch và các
ngày lân cận.
- Neuron 324 đại diện cho nhóm các ngày làm việc bình thường.
- Các đặc điểm nêu trên dễ nhận thấy nếu phân tích trên các biểu đồ hình 4.6
- Kết quả phân loại theo phương pháp chuẩn hoá theo min và max của từng
BĐPT như sau.
Jan-04
Sun 306 306 37 1
Mon 323 270 19 19
Tue 323 323 2 3
Wed 323 323 1 324
Thu 19 306 270 1 324
Fri 323 305 323 1 324
Sat 306 305 324 1 305
Dễ thấy rằng nếu chuẩn hoá theo min và max của từng BĐPT thì không thể
phân loại được như trên. Ví dụ, ngày thứ Năm 8/1/2004 gần với ngày thứ Hai
5/1/2004, trong khi đó theo cách chuẩn hoá này thì lại được nhóm cùng với ngày Chủ
nhật 4/1/2004 (neuron 306)!?
lix
Hình 4.6
0
100
200
300
400
500
600
700
1 4 7 10 13 16 19 22
Monday, 05
January 2004
Monday, 12
January 2004
Monday, 19
January 2004
Monday, 26
January 2004
0
100
200
300
400
500
600
700
1 3 5 7 9 11 13 15 17 19 21 23
Tuesday, 06
January 2004
Tuesday, 13
January 2004
Tuesday, 20
January 2004
Tuesday, 27
January 2004
0
100
200
300
400
500
600
700
1 3 5 7 9 11 13 15 17 19 21 23
Wednesday, 07
January 2004
Wednesday, 14
January 2004
Wednesday, 21
January 2004
Wednesday, 28
January 2004
0
100
200
300
400
500
600
700
1 3 5 7 9 11 13 15 17 19 21 23
Thursday, 08
January 2004
Thursday, 15
January 2004
Thursday, 22
January 2004
Thursday, 29
January 2004
0
100
200
300
400
500
600
700
1 3 5 7 9 11 13 15 17 19 21 23
Friday, 09 January
2004
Friday, 16 January
2004
Friday, 23 January
2004
Friday, 30 January
2004
0
100
200
300
400
500
600
700
1 3 5 7 9 11 13 15 17 19 21 23
Saturday, 10
January 2004
Saturday, 17
January 2004
Saturday, 24
January 2004
Saturday, 31
January 2004
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Sunday, 04
January 2004
Sunday, 11
January 2004
Sunday, 18
January 2004
Sunday, 25
January 2004
lx
Tháng Hai:
Feb-04
Sun 73 73 73 73 73
Mon 69 17 17 69
Tue 69 54 89 89
Wed 90 90 55 53
Thu 72 90 17 17
Fri 17 72 17 12
Sat 17 40 55 6
Tháng Ba:
Mar-04
Sun 37 37 37 37
Mon 13 32 32 51 12
Tue 87 7 72 51 59
Wed 36 86 18 32 89
Thu 72 18 36 7
Fri 59 18 36 22
Sat 37 76 22 37
Tháng Tư:
Apr-04
Sun 19 19 19 4
Mon 75 15 67 90
Tue 15 89 89 90
Wed 54 89 72 90
Thu 15 75 84 90 90
Fri 75 23 6 90 19
Sat 3 6 6 33
Tháng Năm:
May-04
Sun 90 89 69 32 12
Mon 67 4 12 37 87
Tue 69 73 86 73
Wed 69 73 69 73
Thu 69 73 69 74
Fri 12 37 12 73
Sat 90 12 58 12 58
lxi
Ngày 1/5/2004 rơi vào thứ Bảy, kích hoạt neuron 90, khác biệt với 2 neuron
còn lại được kích hoạt bởi các ngày thứ Bảy kia (12,12,58,58).
Tháng Sáu:
Jun-04
Sun 1 1 15 1
Mon 19 19 54 67
Tue 1 67 67 90 33
Wed 19 67 67 54 17
Thu 67 67 33 90
Fri 67 8 89 90
Sat 73 1 15 15
Tháng Bảy:
Jul-04
Sun 1 54 54 54
Mon 73 72 40 18
Tue 73 18 36 4
Wed 73 18 71 19
Thu 73 73 5 72 19
Fri 73 22 5 72 22
Sat 73 90 13 54 54
Tháng Tám
Aug 2004
Sun 90 90 90 90 90
Mon 84 38 7 37 54
Tue 7 37 57 37 54
Wed 2 37 57 37
Thu 73 37 38 37
Fri 77 77 4 37
Sat 90 87 77 90
Tháng Chín:
Sep-04
Sun 72 72 72 72
Mon 1 7 51 1
Tue 1 55 7 13
Wed 15 37 1 1 55
Thu 72 16 37 1 1
Fri 14 14 1 1
Sat 87 72 15 53
lxii
Ngày Quốc khánh 2/9 rơi vào thứ Năm và kích hoạt neuron 72, trùng với
nhóm neuron Chủ nhật và khác biệt với nhóm neuron còn lại của ngày thứ Năm
(1,1,16,37).
Tháng Mười
Oct-04
Sun 73 73 74 73 73
Mon 31 31 36 12
Tue 69 70 36 13
Wed 69 36 70 87
Thu 87 89 69 87
Fri 36 70 70 70 69
Sat 55 3 84 3 22
Tháng 11:
Nov-04
Sun 54 87 54 54
Mon 57 1 74 51 14
Tue 1 1 40 69 32
Wed 1 1 50 40 324
Thu 1 1 15 79
Fri 1 1 32 15
Sat 12 73 54 54
Tháng 12:
Dec-04
Sun 1 1 1 1
Mon 31 72 72 72
Tue 72 72 72 72
Wed 72 72 72 72 72
Thu 31 72 72 72 72
Fri 72 72 72 72 41
Sat 40 86 76 60 0
Hình 4.7 là kết quả phân loại mùa đầu tiên của năm 2003.
Nhận xét:
- Các ngày Chủ nhật là đồng dạng nhất trong tuần
- Nhóm các ngày làm việc cùng với nhau là hợp lý, tuy nhiên không phải đối
với tháng nào sự phân loại này cũng phù hợp...
lxiii
- Các ngày lế đặc biệt như 1/5, 2/9 kích hoạt các neuron riêng biệt, thường
không thuộc nhóm các neuron được kích hoạt bởi phụ tải ngày trong tuần bình
thường.
- Để tách tự động thành các nhóm vector phụ tải "đồng dạng", bản thân
SOFM-Kohonen chưa đủ thông tin, cần bước clustering hoặc dùng một thuật toán
khác ngay từ đầu để phân loại.
152 153 154 155 156 157 158 159 160 161 162 145 146 147 148 149 150 151
170 171 172 173 174 175 176 177 178 179 180 163 164 165 166 167 168 169
188 189 190 191 192 193 194 195 196 197 198 181 182 183 184 185 186 187
206 207 208 209 210 211 212 213 214 215 216 199 200 201 202 203 204 205
224 225 226 227 228 229 230 231 232 233 234 217 218 219 220 221 222 223
242 243 244 245 246 247 248 249 250 251 252 235 236 237 238 239 240 241
260 261 262 263 264 265 266 267 268 269 270 253 254 255 256 257 258 259
278 279 280 281 282 283 284 285 286 287 288 271 272 273 274 275 276 277
296 297 298 299 300 301 302 303 304 305 306 289 290 291 292 293 294 295
314 315 316 317 318 319 320 321 322 323 324 307 308 309 310 311 312 313
8 9 10 11 12 13 14 15 16 17 18 1 2 3 4 5 6 7
26 27 28 29 30 31 32 33 34 35 36 19 20 21 22 23 24 25
44 45 46 47 48 49 50 51 52 53 54 37 38 39 40 41 42 43
62 63 64 65 66 67 68 69 70 71 72 55 56 57 58 59 60 61
80 81 82 83 84 85 86 87 88 89 90 73 74 75 76 77 78 79
98 99 100 101 102 103 104 105 106 107 108 91 92 93 94 95 96 97
116 117 118 119 120 121 122 123 124 125 126 109 110 111 112 113 114 115
0
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Sunday, 19
January 2003
Sunday, 23
February 2003
Sunday, 06
April 2003
0
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Thursday, 20
February 2003
Thursday, 27
February 2003
Thursday, 27
March 2003
Thursday, 03
April 2003
Thursday, 10
April 2003
Thursday, 17
April 2003
Thursday, 24
April 20030
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Wednesday, 19
March 2003
0
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Wednesday, 22
January 2003
Wednesday, 19
February 2003
Tuesday, 04
March 2003
Tuesday, 01 April
2003
Tuesday, 15 April
2003
Wednesday, 16
April 2003
0
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Wednesday, 05
March 2003
Monday, 31
March 2003
Wednesday, 02
April 2003
Friday, 04 April
2003
Wednesday, 09
April 2003
Friday, 11 April
2003
Friday, 18 April
2003
Saturday, 19
April 2003
0
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Tuesday, 11
February 2003
Friday, 21
February 2003
Tuesday, 25
February 2003
Saturday, 01
March 2003
Friday, 07 March
2003
Saturday, 15
March 2003
Friday, 21 March
2003
Tuesday, 25
March 2003
0
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Sunday, 13 April
2003
Sunday, 20 April
2003
Sunday, 27 April
2003
0
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Saturday, 18
January 2003
Friday, 24
January 2003
Saturday, 25
January 2003
Saturday, 22
February 2003
Wednesday, 26
February 2003
0
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Monday, 20
January 2003
Monday, 03
March 2003
Monday, 10
March 2003
Monday, 17
March 2003
Monday, 24
March 2003
Monday, 07 April
2003
Monday, 14 April
2003
Thursday, 13 March 2003
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Thursday, 13
March 2003
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Friday, 17
January 2003
Sunday, 02
March 2003
Thursday, 06
March 2003
Sunday, 09
March 2003
Sunday, 16
March 2003
Sunday, 30
March 2003
Monday, 27 January 2003
0
50
100
150
200
250
300
350
400
450
1 3 5 7 9 11 13 15 17 19 21 23
Monday, 27
January 2003
0
50
100
150
200
250
300
350
400
450
1 3 5 7 9 11 13 15 17 19 21 23
Monday, 06
January 2003
Tuesday, 07
January 2003
Tuesday, 28
January 2003
Saturday, 08
February 2003
0
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Sunday, 05
January 2003
Sunday, 12
January 2003
Sunday, 26
January 2003
Friday, 31
January 2003
Sunday, 09
February 2003
Sunday, 16
February 2003
0
50
100
150
200
250
300
350
400
450
500
1 3 5 7 9 11 13 15 17 19 21 23
Saturday, 15
February 2003
Saturday, 08
March 2003
0
50
100
150
200
250
300
350
400
450
1 3 5 7 9 11 13 15 17 19 21 23
Sunday, 23
March 2003
0
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Giờ
M
W
Monday, 13
January 2003
Monday, 10
February 2003
Monday, 17
February 2003
Friday, 14
March 2003
Friday, 28
March 2003
0
50
100
150
200
250
300
350
400
450
500
1 5 9 13 17 21
Friday, 03
January 2003
Wednesday, 08
January 2003
Friday, 10
January 2003
Wednesday, 29
January 2003
Wednesday, 05
February 2003
Friday, 07
February 2003
0
50
100
150
200
250
300
350
400
1 4 7 10 13 16 19 22
Wednesday, 01
January 2003
Saturday, 04
January 2003
Saturday, 11
January 2003
Thursday, 30
January 2003
Sunday, 02
February 2003
Monday, 03
February 2003
Tuesday, 04
February 2003
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Thursday, 16
January 2003
Thursday, 23
January 2003
Thursday, 20
March 2003
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Tuesday, 14
January 2003
Tuesday, 21
January 2003
Tuesday, 18
February 2003
Tuesday, 11
March 2003
0
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Friday, 14
February 2003
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Thursday, 02
January 2003
Thursday, 09
January 2003
Monday, 13
January 2003
Thursday, 06 February 2003
0
50
100
150
200
250
300
350
400
450
1 4 7 10 13 16 19 22
Thursday, 06
February 2003
Saturday, 22 March 2003
0
50
100
150
200
250
300
350
400
450
500
1 3 5 7 9 11 13 15 17 19 21 23
Saturday, 22
March 2003
0
0
0
0
0
0
0
1 4 7 10 13 16 19 22
Thursday, 20
February 2 03
Thursday, 27
February 2003
Thursday, 27
March 2003
Thursday, 03
April 2003
Thursday, 10
April 2003
Thursday, 17
April 2003
Thursday, 24
April 20030
100
200
300
400
500
1 4 7 10 13 16 19 22
Wednesday, 19
March 2003
1 4 7 10 13 16 19 22
Wednesday, 22
January 2003
Wednesday, 19
February 2003
Tuesday, 04
March 2003
Tuesday, 01
April 2003
Tuesday, 15
April 2003
Wednesday, 16
April 2003
0
100
200
1 4 7 10 13 16 19 22
ednesday, 05
arch 2003
onday, 31
r
,
April 2003
Friday, 04 April
2003
ednesday, 09
ril
ri , ril
Friday, 18 April
2003
Saturday, 19
April 2003 7 10 13 16 19 2
Tuesday, 11
February 2003
Friday, 21
February 2003
Tuesday, 25
February 2003
Saturday, 01
March 2003
Friday, 07 March
20 3
Saturday, 15
March 2003
Friday, 21 March
20 3
Tuesday, 25
March 2003 1 3 16 19 22
Sunday, 13 April
2003
Sunday, 20 April
2003
Sunday, 27 April
2003
0
100
200
1 4 7 10 13 16 19 22
Saturday, 18
January 2003
Friday, 24
January 2003
Saturday, 25
January 2003
Saturday, 22
February 2003
ednesday, 26
February 2003
0
100
300
1 4 7 10 13 16 19 22
onday, 20
January 2003
onday, 03
arch 2003
,
r
,
arch 2003
onday, 24
arch 2003
onday, 07 April
, ril
2003
0
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Friday, 28
February 2003
Tuesday, 18
March 2003
0
100
200
300
400
500
600
1 7 13 19
Giờ
M
W
Monday,
13
January
2003
Monday,
10
February
2003
Monday,
17
February
2003
0
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Wednesday,
15 January
2003
Wednesday,
12 February
2003
Wednesday,
12 March 2003
Wednesday,
26 March 2003
Hình 4.7. Kết quả phân loại mùa đầu năm 2003
lxiv
4.4 Tóm lược chương 4
Phân loại dạng biểu đồ phụ tải có 2 ý nghĩa quan trọng: nếu dùng phương pháp
dự báo đỉnh-đáy-dạng biểu đồ phụ tải để dự báo thì việc phân loại này giúp xây dựng
cơ sở dữ liệu các dạng biểu đồ phụ tải cần thiết cho phương pháp; nếu dùng phương
pháp dự báo phụ tải đồng thời 24 giờ hoặc dự báo phụ tải từng giờ tới thì việc phân
loại này sẽ cung cấp thông tin ban đầu về dạng biểu đồ mà ngày dự báo này trực
thuộc để làm giảm sai số dự báo.
Các thử nghiêm với bộ dữ liệu quá khứ về phụ tải khu vực Hà Nội cho thấy
mạng ánh xạ tự tổ chức SOFM xây dựng trong chương này có thể phân loại các biểu
đồ phụ tải ngày thành các nhóm khác nhau. Biểu đồ phụ tải các ngày Chủ Nhật trong
tháng thường có dạng đồng nhất cao, vì vậy được phân loại thành một nhóm nhất
định. Các ngày làm việc bình thường có thể nhóm thành một nhóm khác, tuy nhiên,
luật phân loại này không phải đối với tháng nào cũng phù hợp. Các ngày lễ-tết đặc
biệt như Tết Dương lịch, Tết Âm lịch, 1/5, 2/9,... kích hoạt các neuron riêng biệt,
thường không thuộc nhóm các neuron được kích hoạt bởi phụ tải ngày trong tuần bình
thường. Kết quả phân loại dùng SOFM cũng cho thấy các biểu đồ phụ tải phụ thuộc
vào mùa trong năm rất cao (như có thể kết luận từ quan sát trực quan chuỗi số liệu
phụ tải). Biểu đồ phụ tải của 3 mùa (theo phân loại mùa xem xét trước đây) kích hoạt
3 nhóm neuron khác hẳn nhau trên lưới của mạng SOFM-Kohonen.
Mạng SOFM cho thấy khả năng phân loại khá tốt các biểu đồ phụ tải điện quá
khứ. Tuy nhiên, vì tính tương tự của các biểu đồ phụ tải là khá cao nên để tách chúng
thành các nhóm vector phụ tải "đồng dạng", bản thân SOFM-Kohonen chưa đủ thông
tin, cần bước clustering trực quan hoặc dùng một thuật toán khác ngay từ đầu để phân
loại tự động.
lxv
Khảo cứu:
*[Tomonobu2002-49]: Chọn các ngày tương tự dùng Euclidian norm với trọng
số.
*[Rui-50]:
- Phân loại kiểu ngày không thể giải quyết vạn năng, nó phụ thuộc vào đặc
điểm hệ thống điện
- Phân loại kiểu ngày có thể bằng 2 cách: truyền thống và ANN
- Bài toán phân loại kiểu ngày có 2 ý nghĩa:
* là bước 3 của phương pháp dự báo đỉnh-đáy-dạng BDDPT
* để đánh giá có bao nhiêu kiểu ngày và đưa thông tin về các kiểu ngày
vào mô hình, theo 2 cách: a) mã hoá các kiểu ngày này và đưa vào đầu vào của mạng;
b) nếu có N kiểu ngày thì xây dựng N mạng mỗi mạng dự báo cho 1kiểu ngày.
*[Gavrilas]:
- Vẽ các biểu đồ phụ tải ngày cho các ngày Chủ nhật, thứ Hai, thứ Ba,...
-
lxvi
0
100
200
300
400
500
600
700
1 4 7 10 13 16 19 22
Monday, 05
January 2004
Monday, 12
January 2004
Monday, 19
January 2004
Monday, 26
January 2004
0
100
200
300
400
500
600
1 4 7 10 13 16 19 22
Monday, 06
January 2003
Monday, 13
January 2003
Monday, 20
January 2003
Monday, 27
January 2003
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Tuesday, 07
January 2003
Tuesday, 14
January 2003
Tuesday, 21
January 2003
Tuesday, 28
January 2003
0
100
200
300
400
500
600
700
1 3 5 7 9 11 13 15 17 19 21 23
Tuesday, 06
January 2004
Tuesday, 13
January 2004
Tuesday, 20
January 2004
Tuesday, 27
January 2004
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Wednesday, 01
January 2003
Wednesday, 08
January 2003
Wednesday, 15
January 2003
Wednesday, 22
January 2003
Wednesday, 29
January 2003
0
100
200
300
400
500
600
700
1 3 5 7 9 11 13 15 17 19 21 23
Wednesday, 07
January 2004
Wednesday, 14
January 2004
Wednesday, 21
January 2004
Wednesday, 28
January 2004
0
100
200
300
400
500
600
700
1 3 5 7 9 11 13 15 17 19 21 23
Thursday, 08
January 2004
Thursday, 15
January 2004
Thursday, 22
January 2004
Thursday, 29
January 2004
0
100
200
300
400
500
600
700
1 3 5 7 9 11 13 15 17 19 21 23
Friday, 09 January
2004
Friday, 16 January
2004
Friday, 23 January
2004
Friday, 30 January
2004
0
100
200
300
400
500
600
700
1 3 5 7 9 11 13 15 17 19 21 23
Saturday, 10
January 2004
Saturday, 17
January 2004
Saturday, 24
January 2004
Saturday, 31
January 2004
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Sunday, 04
January 2004
Sunday, 11
January 2004
Sunday, 18
January 2004
Sunday, 25
January 2004
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Thursday, 02
January 2003
Thursday, 09
January 2003
Thursday, 16
January 2003
Thursday, 23
January 2003
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Friday, 03 January
2003
Friday, 10 January
2003
Friday, 17 January
2003
Friday, 24 January
2003
Friday, 24 January
2003
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Saturday, 04
January 2003
Saturday, 11
January 2003
Saturday, 18
January 2003
Saturday, 25
January 2003
0
100
200
300
400
500
600
1 3 5 7 9 11 13 15 17 19 21 23
Sunday, 05
January 2003
Sunday, 12
January 2003
Sunday, 19
January 2003
Sunday, 26
January 2003
- Đỉnh thứ nhất của
Chủ nhật thấp hơn
nhiều so với ngày
thường.
- Đỉnh thứ hai ít thay
đổi so với ngày
thường. (chủ yếu phụ
tải ánh sáng sinh hoạt
không khác nhiều giữa
ngày thường và Chủ
nhật)
lxvii
Tài liệu tham khảo
9. Chin-Teng Lin, George Lee, “Neural Fuzzy Systems”, 1996.
10. Tran Ky Phuc, Pham Thuong Han, Le Thi Thanh Ha, Quach Tuan Dung,
“Applied research Artificial Neural Network in Short term Load Forecasting
in Vietnam, Part 1”. Today Automation magazine 07/12/2001.
11. M. Espinoza, Caroline Joye, Ronnie Belmans, Bart De MoorShort-term load
forcasting, profile identification, and customer segmentation: a methodology
based on periodic time series. IEEE Transactions on Power System, Vol. 20,
No. 3, August 2005.
12. Kohonen T.K. “Self-Organization and Associative Memory” 1989.
13. Christianse W.R., “Short term Load Forecasting using general exponential
smoothing”, IEEE Transactions on Power Apparatus and Systems, Vol. 90,
1971.
14. Park D.C et al. Electric Load Forecasting Using an Artificial Neural Network.
IEEE Transactions on Power System, Vol. 6, No. 2, May 1991.
15. Lee K.Y. et al. Short-term Load Forecasting using an Artificial Neural
Network. IEEE Transaction on Power System, Vol 7, No. 1, February 1992.
16. Quach Tuan Dung, Daily Load forecasting for Vietnam Power System. Science
Report, National Load Dispatch – EVN 2000.
17. A.G. Bakirtzis, et. al, “A Neural Network Short Term Load Forecasting
Model for the Greek Power System,” IEEE Trans. PWRS, vol. 11, no. 2, pp.
858-863, May, 1996
18. T.S. Dillon, S. Sestito and S. Leung, “Short Term Load Forecasting Using an
Adaptive Neural Network,” Electrical Power and Energy Systems, vol. 13, no.
4, Aug. 1991.
19. K. Ho, Y. Hsu, C. Yang, “Short Term Load Forecasting Using a Multi-Layer
Neural Network with an Adaptive Learning Algorithm,” IEEE Trans. PWRS,
vol. 7, pp. 141-149, no. 1, Feb. 1992.
20. A. Khotanzad, A. Abaye, and D. Maratukulam, “Forecasting Power System
Peak Loads by an Adaptive Neural Network,” Intelligent Engineering Systems
Through Artificial Neural Networks, vol. 3, edited by C.H. Dagli, et. al, ASME
Press, pp. 891-896, 1993.
21. A. Khotanzad, R. Afkhami-Rohani, T.L. Lu, M.H. Davis, A. Abaye, and D.J.
Maratukulam, “ANNSTLF - A Neural Network-Based Electric Load
Forecasting System,” IEEE Trans. on Neural Networks, vol. 8, no. 4, pp. 835-
846, July, 97.
22. A. Khotanzad, M.H. Davis, A. Abaye, and D.J. Martukulam, “An Artificial
Neural Network Hourly Temperature Forecaster with Applications in Load
Forecasting,” IEEE Trans. PWRS, vol. 11, pp. 870-876, no. 2, May 1996.
23. A. Khotanzad, R.C. Hwang, A. Abaye, and D. Maratukulam, “An Adaptive
Modular Artificial Neural Network Hourly Load Forecaster and its
lxviii
Implementation at Electric Utilities,” IEEE Trans. PWRS, vol. 10, pp. 1716-
1722, no. 3, Aug. 1995.
24. K.Y. Lee, Y.T. Cha, J.H. Park, “Short-Term Load Forecasting Using an
Artificial Neural Network,” IEEE Trans. PWRS, vol. 7, no. 1, pp. 124-132,
Feb. 1992.
25. C.N. Lu, N. T. Wu, S. Vemuri, “Neural Network Based Short Term Load
Forecasting,” IEEE Trans. PWRS, vol. 8, No. 1, pp. 336-342, Feb. 1993.
26. O. Mohammed, D. Park, R. Merchant, et. al, “Practical Experiences with an
Adaptive Neural Network Short-Term Load Forecasting System,” IEEE Trans.
PWRS, vol. 10, no. 1, pp. 254-265, Feb. 1995.
27. A. D. Papalexopolos, S. Hao, and T.M. Peng, “An Implementation of a Neural
Network Based Load Forecasting Model for the EMS, “ IEEE Trans. PWRS,
vol. 9, no. 4, pp. 1956-1962, Nov., 1994.
28. D. C. Park, M.A. El-Sharkawi, R.J. Marks, L.E. Atlas, and M.J. Damborg,
“Electric Load Forecasting Using an Artificial Neural Network,” IEEE Trans.
PWRS, pp. 442-449, May 1991.
29. T. M. Peng, N.F. Hubele, and G.G. Karady, “Advancement in the Application
of Neural Networks for Short-Term Load Forecasting,” IEEE Trans. PWRS,
vol. 8, no. 3, pp. 1195-1202, Feb. 1993.
30. J. G. Proakis, C.M. Rader, F. Ling, and C.L. Nikias, Advanced Digital Signal
Processing, Macmillan Publishing Company, New York, NY, pp. 351-358,
1992.
31. D. E. Rumelhart and J.L. McClelland, Parallel Distributed Processing, vol. 1,
MIT Press, 1986.
32. [1] M. Adya and F. Collopy, “How effective are neural networks at forecasting
and prediction? A review and evaluation,” J. Forecast., vol. 17, pp. 481–495,
1998.
33. A. S. AlFuhaid, M. A. El-Sayed, and M. S. Mahmoud, “Cascaded artificial
neural networks for short-term load forecasting,” IEEE Trans.Power Systems,
vol. 12, no. 4, pp. 1524–1529, 1997.
34. U. Anders and O. Korn, “Model selection in neural networks,” Neural
Networks, vol. 12, pp. 309–323, 2000.
35. J. S. Armstrong and F. Collopy, “Error measures for generalizing about
forecasting methods: Empirical comparisons,” Int. J. Forecast., vol. 8, pp. 69–
80, 1992.
36. J. S. Armstrong and R. Fildes, “Correspondence on the selection of error
measures for comparisons among forecasting methods,” J. Forecast., vol. 14,
pp. 67–71, 1995.
37. C. M. Bishop, Neural Networks for Pattern Recognition. Oxford: Claredon
Press, 1997.
38. D. W. Bunn, “Forecasting loads and prices in competitive power
markets,”Proc. IEEE, vol. 88, no. 2, pp. 163–169, 2000.
39. D. W. Bunn and E. D. Farmer, Eds., Comparative Models for Electrical
40. Load Forecasting: John Wiley & Sons, 1985.
lxix
41. W. Charytoniuk, M. S. Chen, and P. Van Olinda, “Nonparametric regression
based short-term load forecasting,” IEEE Trans. Power Systems, vol. 13, no. 3,
pp. 725–730, 1998.
42. C. Chatfield, “Neural networks: Forecasting breakthrough or passing fad?,”
Int. J. Forecast, vol. 9, pp. 1–3, 1993.
43. Murto P.
44. Fienberg
45. H.S. Hippert, C.E. Pedreira, and R.C. Souza. Neural Networks for Short-Term
Load Forecasting: A Review and Evaluation. IEEE Transactions on Power
Systems, 16:44–55, 2001
46. Gavrilas
47. Gross G., Galina F.D.1987, Short-term load forecasting, Proceedings of the
IEEE, Vol. 75, No. 12, December 1987, pp. 1558-1573
48. Rasanen, M., Modeling procceses in the design of electric tariffs, Research
Report A60, Systems Analysis Laboratory, Helsinki University of
Technology.
49. Papalexopoulos, A. D., T. C. Hesterberg, 1990, "A regression-based approach
to short-term system load forecasting", IEEE Transactions on Power Systems,
Vol. 5, No. 4, November 1990, pp. 1535-1547.
50. Box, G. E. P, G. M. Jenkins, 1976, "Time series analysis: forecasting and
control", Holden-Day, San Fransisco
51. Jabbour, K., J. F. V. Riveros, D. Landsbergen, and W. Meyer, 1988, "ALFA:
Automated Load Forecasting Assistant", IEEE Transactions on Power
Systems, Vol. 2, No. 3, August 1988, pp.908-914.
52. Momoh, J. A., K. Tomsovic, 1995, "Overview and literature survey of fuzzy
set theory in power systems", IEEE Transactions on Power Systems, Vol. 10,
No. 3, August 1995, pp. 1676-1690.
53. K. L. Ho, Y. Y. Hsu, C. F. Chen, T. E. Lee, C. C. Liang, T. S. Lai, and K. K.
Chen, “Short term load forecasting of Taiwan power system using a
knowledge-based expert system,” IEEE Trans. Power Systems, vol. 5, no. 4,
pp. 1214–1221, 1990.
54. I. Drezga and S. Rahman, “Input variable selection for ANN-based short-term
load forecasting,” IEEE Trans. Power Systems, vol. 13, no. 4, pp. 1238–1244,
1998.
55. K. L. Ho, Y. Y. Hsu, C. F. Chen, T. E. Lee, C. C. Liang, T. S. Lai, and J. S.
McMenamin and F. A. Monforte, “Short-term energy forecasting with neural
networks,” Energy J., vol. 19, no. 4, pp. 43–61, 1998
56. Radwan E. "Short-term hourly load forecasting using abductive networks",
IEEE Trans. on PS, vol.19, No.1, February 2004.
lxx
KẾT LUẬN
Giai đoạn 2 của đề tài nghiên cứu đã xem xét các vấn đề thiết kế mô hình, lập
phần mềm và thử nghiệm để dự báo đỉnh-đáy-dạng biểu đồ phụ tải ngày dùng mạng
neuron nhiều lớp thuật toán lan truyền ngược sai số MLP và mạng một lớp thuật toán
học không giám sát Kohonen.
Kết quả thử nghiệm mạng cho thấy sai số dự báo là thấp hơn các mô hình
dùng phương pháp thống kê và tương đương với các công bố dùng mạng neuron,
neuron-mờ,...
Để so sánh, trong giai đoạn 2 cũng đã xây dựng phần mềm dự báo biểu đồ phụ
tải ngày trên cơ sở mạng neuron 24 đầu ra (phụ tải 24 giờ trong ngày). Kết quả cho
sai số tương đương với phương pháp đỉnh-đáy-dạng.
Hướng nghiên cứu tiếp theo là tổng hợp cả 2 giải pháp này trong phần mềm dự
báo sử dụng bộ tổng hợp sai số bình phương tối thiểu dựa vào hiệu quả dự báo của
từng giải pháp trong quá khứ.
i Cần nghiên cứu lại đặc điểm của hàm train(...trainV.p, trainV.T, val, test)
ii Một trong những lý do có quan điểm bảo thủ về ANNSTLF là số dữ liệu không đủ cho các mạng có kích
thước lớn như các mạng có 24 đầu ra ở đây (xem [Hippert])
iii Số chu kỳ huấn luyện epochs= 51, có vẻ trong trường hợp này luật học L-M chậm hội tụ hơn các luật học
còn lại.
iv Tuy nhiên, cũng còn cần phải chứng minh kết quả này là đại diện chưa, và hiệu quả phải tính trên MAPE
cả kỳ dự báo, ví dụ MAPE tuần, MAPE tháng, …
v Xem mini-training với một vài ngày dữ liệu cập nhật theo [Khotanzad]
Các file đính kèm theo tài liệu này:
- 7178R.pdf