Thạc Sĩ ứng dụng công cụ wavelet để dự báo phụ tải điện tại huyện đông anh-hà nội

Luận văn thạc sĩ năm 2012
Đề tài: ỨNG DỤNG CÔNG CỤ WAVELET ĐỂ DỰ BÁO PHỤ TẢI ĐIỆN TẠI HUYỆN ĐÔNG ANH-HÀ NỘI
Định dạng file word

MỤC LỤC

CHƯƠNG I: MỞ ĐAU 04^`
1. Lý do chọn đề tai 04`
2. Đối tượng và phạm vi nghiên cứu của đề
tai .05`
3. Nội dung cơ bản của đề tai .05`
4. Ý nghĩa khoa học và thực tiễn kết quả thu đuợc .06+

CHƯƠNG II: TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI ĐIEN 07^.
1. Dự báo phụ tải đien 07^.
11. Giới
thieu 07^.
12. Phân loại dự báo phụ tải
đien .08^.
12.1. Dự báo phụ tải điện ngắn
han 08.
12.2. Dự báo phụ tải điện trung
han .09.
12.3. Dự báo phụ tải điện dài
han .10.
2. Đo lường độ chính xác của dự báo phụ tải đien 10^.
21. Sai số dự bao 10'
22. Phương pháp thống kê và các công thức độ chính xác của dự
bao.11'
23. Phương pháp đồ thị đánh giá độ chính xác của dự
bao 12'
3. Các khái niệm toán trong thống
ke .12^
31. Kỳ vọng toán hoc 12.
32. Phương sai .12
33. Độ
chuan 13^?
34. Dự
khoang 13?
ệch báo
35. Kiểm định giả thiet 13^'
36. Mức ý nghĩa chính xac 14'
37. Hiệp phương sai của 2 biến
(Cov) .14
38. Hệ số tương quan .14.
39. Hệ số xác định r2 .15.
310. Mối quan hệ giữa r và r2 .15.

CHƯƠNG III: PHƯƠNG PHÁP DỰ BÁO BOX-JENKINS, PHÂN TÍCH
WAVELET KẾT HỢP PHƯƠNG PHÁP DỰ BÁO BOX-JENKINS
16
1. Dự báo bằng phương pháp Box-Jenkins 16.
11. Chuỗi thời gian 16.
11.1. Định nghia 16~
11.2. Các thành phần cơ bản của chuỗi thời
gian 16.
11.3. Các dạng cấu trúc của chuỗi thời
gian .17.
11.4. Phương pháp biến đổi về chuỗi
dung 18+`
12. Các hàm tương quan 19.
12.1. Hàm tự tương quan (ACF) 19
12.2. Hàm tự tương quan riêng
(PACF) 20
13. Các quá trình ngẫu nhiên đơn gian .21?
13.1. Nhiễu trắng (White noise) 22
13.2. Bước ngẫu nhiên (Randon walk) 22
13.3. Quá trình tự hồi quy
(AR) .23
13.4. Quá trình trung bình trượt
(MA) .25
13.5. Quá trình trung bình trượt và tự hồi quy
(ARMA) 27
13.6. Mô hình ARMA mở rộng (ARIMA,
SARIMA) 29
14. Các bước của phương pháp Box-
Jenkins 30.
14.1. Định dạng mô hinh .31`
14.2. Ước lượng các hệ số của mô
hinh 33`
14.3. Kiểm tra giá trị mô
hinh 34`
14.4. Dự
bao .34'
15. Phân tích Wavelet kết hợp phương pháp dự báo Box-
Jenkins .35.
2. Ứng
dụng
GARCH
TOOLBOX 38.
21. Giới thieu 38^.
22. Mô hình hàm trung bình và hàm
Variance 38.
23. Mô
hình
mặc
đinh .40.
24. Các hàm chính trong Garch
toolbox 40.
3. Wavelet toolbox và các
ứng
dung 44.
31. Wavelet trong phân tích tín
hieu 44^.
31.1. Giới
thieu .44^.
31.2. Wavelet
toolbox 45
31.3. Họ
Wavelet
(Wavelet
families) 45
32. Các phương pháp phân tích
Wavelet 47
32.1. Biến đổi Wavelet liên
tucCWT) 47(.
32.2. Biến đổi Wavelet rời rac 49.
a. Phân tích đơn bac 49^.
b. Phân tích đa bac .50^.
32.3. Phân tích Wavelet packet .51
32.4. Tái cấu trúc lại bằng Wavelet 52
a. Phục hồi các xấp xỉ và chi
tiet .53^'
b. Phân tích và phục hồi đa thuc .54+'
33. Hướng dẫn sử dụng Wavelet toolbox 54
33.1. Phân tích Wavelet liên tục 1-D 54
33.2. Phân tích Wavelet liên tục phức hợp 1- D 57
33.3. Biến đổi Wavelet rời rạc 1- D 57
34. Tín hiệu điện dùng trong thực
te 59^'
34.1. Dữ liệu và các thông tin
khac 61'
34.2. Phân tích chu kỳ giữa
ngay 62`
34.3. Phân tích chu kỳ cuối
ngay 63`
35. Dự báo phụ tải điện bằng biến đổi Wavelet kết hợp phương pháp
Box-Jenkins
.64
Giới Thuật toan .65'

CHƯƠNG IV: KẾT QUẢ ỨNG DỤNG PHÂN TÍCH WAVELET KẾT
HỢP PHƯƠNG PHÁP DỰ BÁO BOX-JENKINS TẠI PHỤ TẢI ĐIỆN ĐÔNG ANH-HÀ NOI 69^.
1. Kết quả dự báo bằng phương pháp Box- Jenkins 69
2. Kết quả dự báo bằng biến đổi Wavelet kết hợp phương pháp Box Jenkins . 75
CHƯƠNG V: KẾT LUẬN VÀ TRIEN 88^?
ĐỀ XUẤT HƯỚNG PHÁT

Kết uan 88^.
2. Hướng phát triển của tai .88`
Tài iệu tham khao 89?
Phụ luc .90.


TÓM TẮT
1. GIỚI THIỆU ĐỀ TÀI:
Việc dự báo phụ tải điện đóng vai trò rất quan trọng trong việc đảm bảo
chế độ làm việc an toàn đạt hiệu quả và tiết kiệm của hệ thống điện. Mặt khác
nó là cơ sở để tiến hành hoạch định chiến lược phát triển hệ thống điện trong
tương lai. Do đó tính chính xác của dự báo cần phải đặc biệt chú trọng. Huyện
Đông anh thành phố Hà nội là nơi có tốc độ phát triển nhanh về kinh tế xã hội,
song song với sự phát triển đó thì nhu cầu sử dụng điện năng ngày càng cấp
thiết đặc biệt với sự xuất hiện của nhiều khu công nghiệp, nhà máy, xí nghiệp.
Trong thời gian vừa qua thì sự thiếu hụt, biến động điện năng ngày càng phổ
biến. Sự biến động phụ thuộc vào từng thời điểm trong ngày dẫn tới quá trình
sử dụng điện năng của khách hàng bị ảnh hưởng nặng nề. Do đó dự báo phụ tải
điện tại đây càng trở lên cần thiết hơn bao giờ hết để hoạch định, vận hành lưới
điện một cách hiệu quả.
Vận dụng cách giải quyết theo kinh nghiệm mang tính cổ điển vào bài
toán dự báo phụ tải điện là thiếu chính xác, cách làm ấy chỉ hoàn toàn dựa trên
những kinh nghiệm của quá khứ mà các kinh nghiệm ấy không phải lúc nào
cũng đúng khi vận dụng vào hoàn cảnh thay đổi liên tục trong tương lai. Để
khắc phục những nhược điểm trên, người viết đưa ra phương pháp phân tích
biến đổi Wavelet. Mô hình dự báo áp dụng phân tích biến đổi Wavelet dùng
cho dự báo ngắn hạn cho ta kết quả dự báo khá chính xác, có tính ứng dụng
thực tiễn cao, đáp ứng được nhu cầu phát triển tương lai của ngành điện.

2. GIẢI THUẬT CHƯƠNG TRÌNH VÀ KẾT QUẢ ỨNG DỤNG:
2.1 THUẬT TOÁN CƠ BẢN CỦA CHƯƠNG TRÌNH
+ Phương pháp dự báo Box-Jenkins dựa trên cơ sở hành vi quá khứ của chính
biến đang cần dự báo.
+ Phương pháp dự báo Box-Jenkins thông qua mô hình dự báo ARMA (quá
trình trung bình trượt AR và tự quy hồi MA).
+ 2 mô hình ARMA mở rộng:
- Mô hình ARIMA: Áp dụng cho chuỗi có xu thế không ổn định tăng
hay giảm theo thời gian, ta đưa chuỗi về dạng dừng loại bỏ yếu tố xu thế.
- Mô hình SARIMA: Áp dụng cho chuỗi có yếu tố mùa với chu kỳ bằng
4 (quý), 12 (tháng), ta đưa chuỗi về dạng dừng loại bỏ yếu tố mùa.
2.2 CÁC BƯỚC CỦA PHƯƠNG PHÁP DỰ BÁO BOX-JENKINS.
Bước 1: Định dạng mô hình (Tìm các giá trị p, d, q): Đây là bước quan trọng
nhất để nhận biết tất cả các họ mô hình ARMA và đưa ra mô hình nào thích
hợp và tối ưu nhất.
-Đưa chuỗi về dạng dừng ( Xác định bậc d của xu thế, xác định chu kỳ, lấy sai
phân để loại bỏ yếu tố xu thế và chu kỳ)
-Xác định p, q của mô hình nhờ vào biểu đồ tương quan (Phân tích đồ thị trong
các trường hợp đơn giản)
Bước 2: Ước lượng các hệ số của mô hình:
-Mô hình AR(p) áp dụng phương pháp bình phương cực tiểu hoặc dung quan
hệ giữa tính tự tương quan và các hệ số của mô hình.
-Mô hình MA(q) áp dụng phương pháp lặp dưới dạng quét.
Bước 3: Kiểm tra giá trị mô hình: Cần chọn ra mô hình phù hợp nhất với các
số liệu hiện có, nếu không chọn được mô hình thích hợp phải quay lại bước
một.
-Hệ số của mô hình phải khác 0, nếu không thỏa mãn thì loại ra khỏi mô hình
ARMA.
-Kiểm định tính dừng của các phần dư, nếu phần dư là một nhiễu trắng thì đạt
yêu cầu nếu không thỏa thì lập lại quá trình cho đến khi tìm được mô hình thích
hợp.
Bước 4: Dự báo: Dự báo giới hạn trong một vài chu kỳ (ngắn hạn) vì biên độ
sai số tăng nhanh theo thời gian dự báo.
-Khi dự báo ta tính giá trị dự báo cho một thời đoạn sắp tới.
-Sử dụng giá trị dự báo để tính cho giá trị dự báo thời đoạn tiếp theo.
-Cứ tiếp tục như vậy cho đến khi hết thời đoạn xác định.

2.3 CÁC BƯỚC CỦA PHÂN TÍCH WAVELET KẾT HỢP
PHƯƠNG PHÁP DỰ BÁO BOX-JENKINS.
Bước 1: Phân tích và tái cấu trúc tín hiệu qua Wavelet transform:
-Tách tín hiệu thành các chuỗi xấp xỉ và chi tiết (chọn họ Wavelet phù hợp thì
dự báo mới chính xác).
Bước 2: Tiến hành dự báo cho từng chuỗi: Thực hiện các bước theo phương
pháp dự báo Box-Jenkins
Bước 3: Tái cấu trúc kết quả dự báo bằng biến đổi Wavelet ngược cho ra kết
quả dự báo.
-Tổng hợp chuỗi dự báo xấp xỉ và chi tiết ra kết quả cần dự báo.
2.4 KẾT QUẢ DỰ BÁO BẰNG PHƯƠNG PHÁP BOX-JENKINS:
Nhập chuỗi dữ liệu 10 ngày để dự báo từ giờ 217 đến giờ 240 (24 giờ). Đồ thị
chuỗi phụ tải cần dự báo (chuỗi thực tế) :

ABSTRACT
1. INTRODUCE ABOUT SUBJECT:
The electricity load forecasting plays an important role in ensuringsafe working regime
to be effective and economical power system. On the other hand it is the basis to
conduct strategic planning to develop future power system. Thus the accuracy of the

forecasts need special attention.Dong Anh District of Hanoi city
where there

is rapid growth of economic and social, Parallel with that development, the demand
for power users more pressing particularly with the emergence of many industrial parks,

factories and enterprises. During the recent
shortages, power
fluctuations become

increasingly popular. The
variation depends on the time of the dayled

to the use of power customers were affected.Thereforeelectricity load forecasts in this
increasingly more necessary than ever to plan, operate an efficient grid.
How to solve manipulation by classical experience nature on computation power
load forecast is inaccurate, how it just purely based on the experiences of the past

that the experience
was notalways true when applied to continuously changing

circumstancesin the future. To overcome the above disadvantages, the writer offers

analysis method of wavelet transform.
Forecasting model application of wavelet

transform analysis for short-term forecast we predicted theresults accurately, taking into
account practical applications to meet the needs of future development of the electricity
sector.
2. ALGORITHM PROGRAM APPLICATIONAND RESULTS:
2.1 BASIC ALGORITHM PROGRAM
+ Method of Box-Jenkins forecasts based on past conduct of theforecasting variables are
needed.
+ Method of Box-Jenkins forecasting via ARMA model forecasts(AR moving
average process and self-regulation in MA).
+ 2 extended ARMA model:
- ARIMA model: Application to sequence instability tends toincrease or decrease over
time, we put the string on the formfactor stopping trend removal.
- SARIMA model: Application to sequence elements in fourseasons with the periodic
(quarterly), 12 (Month), we take the formatstring stops eliminate seasonal factors.
2.2 STEP FORECASTING METHOD OF BOX-JENKINS.
Step 1: Model Format (Find the value of p, d, q): This is the most important step to get

to know them all ARMA models and makeappropriate model and optimal.
-Give the format string stops (step d Determination of trend, cycledetermined, taking first

difference to eliminate the trend factor and cycle) -Determination of
model due to the correlation chart(chart analysis in the simplest case)
Step 2: Estimate the coefficients of the model:

-Model AR (p) apply the minimum square method or use the relationship between self-
correlation and the coefficients of the model.
-Model MA (q) iteration method applied in the form of scanning.
Step 3: Check the value model: Need to select the most appropriate model with
the available data, if not choose theappropriate model to go back to step one.
Coefficient of the model must be different from 0, if not satisfied, then removed from
the ARMA model.
-Inspection of the rest of the remainder, if the remainder is a white noise is satisfactory
if not satisfied then repeat the process until you find the appropriate model.
Step 4: Forecast: Forecast limited to a few cycles (short term)because of increasing
amplitude error of prediction time.
-When we calculate the predicted value predicted for anupcoming time period.
-Using the predicted values to calculate the value of the nextforecast.
-Continue until such time period specified.
2.3 STEPS OF COMBINATION WAVELET ANALYSIS PREDICTION
METHOD BOX-JENKINS.
Step 1: Analyze and reconstruct the signal by Wavelet transform:
-Split signal into approximation and detail sequences (Waveletthey choose to comply,
the new forecast accuracy).
Step 2: Perform a prediction for each sequence: Perform the stepsby the method
of Box-Jenkins forecasting
Step 3: Re-structure prediction results using wavelet transformback to the
forecast results.
Chain-sum approximation and forecast information to forecastresults.
2.4 RESULTS FORECAST BY BOX-JENKINS:
Enter the data for 10days forecast from 217 hours to 240 hours (24 hours).
Graph to chain load forecasts (actual sequence):



1. LÝ DO CHỌN ĐỀ TÀI:

Việc dự báo phụ tải điện đóng vai trò rất quan trọng trong việc đảm bảo
chế độ làm việc an toàn đạt hiệu quả và tiết kiệm của hệ thống điện. Mặt khác
nó là cơ sở để tiến hành hoạch định chiến lược phát triển hệ thống điện trong
tương lai. Do đó tính chính xác của dự báo cần phải đặc biệt chú trọng, Vì nếu
chúng ta dự báo quá thừa so với nhu cầu sử dụng thì dẫn đến hậu quả là huy
động nguồn vốn đầu tư quá lớn, tăng tổn thất năng lượng, gây lãng phí điện
năng do không tích trữ được. Ngược lại nếu ta dự báo thấp hơn so với nhu cầu
thì sẽ không đủ điện năng cung cấp cho các hộ tiêu thụ, buộc phải cắt bớt một
số tải gây thiệt hại cho nền kinh tế.
Khi điện năng trở thành một thứ hàng hoá trong tương lai, các bên mua
và bán đều thực hiện giao dịch qua thị trường điện với sự biến động từng phút
từng giờ trong ngày. Lúc này độ chính xác của công tác dự báo lại càng trở nên
vô cùng cần thiết cho nền kinh tế thị trường. Ngoài ra việc nắm bắt được quy
luật cung cầu cũng là vấn đề sống còn cho các nhà quản lý, đầu tư và kinh
doanh điện năng.
Huyện Đông anh thành phố Hà nội là nơi có tốc độ phát triển nhanh về
kinh tế xã hội, song song với sự phát triển đó thì nhu cầu sử dụng điện năng
ngày càng cấp thiết đặc biệt với sự xuất hiện của nhiều khu công nghiệp, nhà
máy, xí nghiệp. Trong thời gian vừa qua thì sự thiếu hụt, biến động điện năng
ngày càng phổ biến. Sự biến động phụ thuộc vào từng thời điểm trong ngày dẫn
tới quá trình sử dụng điện năng của khách hàng bị ảnh hưởng nặng nề. Do đó
dự báo phụ tải điện tại đây càng trở lên cần thiết hơn bao giờ hết để hoạch định,
vận hành lưới điện một cách hiệu quả.
Với các công cụ toán mới như AI hay Wavelet thì có thể nâng cao độ
chính xác hoặc cải thiện tốc độ tính toán nên ngày càng thu hút được sự quan
tâm của nhiều nhà nghiên cứu. Đó là lý do người viết chọn đề tài “Ứng dụng
công cụ Wavelet để dự báo phụ tải điện tại huyện Đông anh - Hà noi”^
Vận dụng cách giải quyết theo kinh nghiệm mang tính cổ điển vào bài
toán dự báo phụ tải điện là thiếu chính xác, cách làm ấy chỉ hoàn toàn dựa trên
những kinh nghiệm của quá khứ mà các kinh nghiệm ấy không phải lúc nào
cũng đúng khi vận dụng vào hoàn cảnh thay đổi liên tục trong tương lai. Để
khắc phục những nhược điểm trên, người viết đưa ra phương pháp phân tích
biến đổi Wavelet. Chuỗi tín hiệu thực của phụ tải điện được tách thành 2 chuỗi
trước khi tiến hành dự báo. Mỗi một chuỗi đều có đặc điểm riêng, một chuỗi là
tín hiệu tần số cao nên có chu kỳ ngắn, một chuỗi là tín hiệu tần số thấp có chu
kỳ dài. Do đó việc xây dựng mô hình riêng cho từng chuỗi được thực hiện dễ
dàng và kết quả là ta thu được mô hình sát với thực tế và chính xác hơn cho
mỗi chuỗi. Sau đó ta tổng hợp các chuỗi phân tích lại cho ra chuỗi dự báo cuối
cùng. Mô hình dự báo áp dụng phân tích biến đổi Wavelet dùng cho dự báo
ngắn hạn cho ta kết quả dự báo khá chính xác, có tính ứng dụng thực tiễn cao,
đáp ứng được nhu cầu phát triển tương lai của ngành điện.
2. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU CỦA ĐỀ TÀI:

Dùng phương pháp Box-Jenkins, ứng dụng mô hình ARMA để dự báo
phụ tải ngày.
Kết hợp phân tích biến đổi Wavelet và ứng dụng mô hình ARMA để dự
báo phụ tải ngày.
So sánh hai kết quả trên cho ta thấy ưu điểm của phương pháp áp dụng
phân tích biến đổi wavelet trong ứng dụng dự báo phụ tải.
Phương pháp Box-Jenkins thích hợp cho dự báo ngắn hạn do đó phạm vi
của đề tài dùng cho dự báo ngắn hạn (dự báo ngày).


3. NỘI DUNG CƠ BẢN CỦA ĐỀ TÀI:

Nhằm xây dựng được mô hình dự báo phụ tải điện đạt độ chính xác cao
có tính ứng dụng thực tiễn đáp ứng yêu cầu nhà quản lý, đầu tư, quy hoạch và
kinh doanh điện năng, đáp ứng được nhu cầu phát triển tương lai của ngành
điện. Trong đề tài luận văn này đề xuất giải pháp sử dụng phân tích biến đổi
Wavelet kết hợp ứng dụng mô hình ARMA với Garch toolbox để xây dựng mô
hình dự báo. Tính khả thi thể hiện theo các tiến trình như sau :
+Dùng dữ liệu phụ tải điện thực tế là giá trị đầu vào để làm nền tảng xây
dựng các chuỗi dữ liệu liên hợp bằng cách dùng hàm biến đổi Wavelet xây
dựng các chuỗi chi tiết và xấp xỉ.
+Ứng dụng mô hình ARMA phù hợp cho mỗi chuỗi liên hợp để dự báo
các giá trị tương lai của mỗi chuỗi liên hợp vừa tạo thành.
+Dùng hàm Wavelet ngược xây dựng lại chuỗi tải dự báo cần tìm dựa
trên kết quả dự báo các giá trị tương lai của các chuỗi liên hợp, bằng cách tổng
hợp các dự báo đó.


4. Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN KẾT QUẢ THU ĐƯỢC:

Ứng dụng xây dựng mô hình dự báo phụ tải trên nền phần mềm
MATLAB thông qua công cụ Wavelet phục vụ cho công tác dự báo ngắn hạn.
Ngoài mục đích phục vụ cho công tác quản lý và vận hành hệ thống
điện, mô hình trên có thể phục vụ cho các công tác dự báo khác như dự báo thị
trường chứng khoán, thời tiết, kết quả xổ số, giá vang `
Xây dựng công cụ toán học để tính toán dữ liệu rồi đưa vào phân tích
trong công cụ Wavelet (viết chương trình phân tích) ta chia chuỗi dữ liệu ra
làm hai dạng đó là tín hiệu tần số thấp và tín hiệu tần số cao. Từ đó tái cấu trúc
lại tín hiệu, xây dựng mô hình riêng và dự báo cho từng chuỗi. Khi đó chương
trình Matlab chạy và cho ra kết quả với độ chính xác < 3% với dự báo ngày.

CHƯƠNG II : TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI ĐIỆN

1. DỰ BÁO PHỤ TẢI ĐIỆN:


11. Giới thiệu:

Con người luôn quan tâm đến tương lai do đó dự báo nhằm mục đích
định hướng cho sự nghiên cứu và phát triển. Đặc biệt đối với ngành năng
lượng, nhất là điện năng thì tác dụng của dự báo càng có ý nghĩa quan trọng vì
nó có quan hệ chặt chẽ đối với tất cả các ngành kinh tế cũng như hoạt động của
xã hội. Việc dự báo phụ tải điện đóng vai trò rất quan trọng trong việc đảm bảo
chế độ làm việc an toàn đạt hiệu quả và tiết kiệm của hệ thống điện. Mặt khác
nó là cơ sở để tiến hành hoạch định chiến lược phát triển hệ thống điện trong
tương lai. Do đó tính chính xác của dự báo cần phải đặc biệt chú trọng, Vì nếu
chúng ta dự báo quá thừa so với nhu cầu sử dụng thì dẫn đến hậu quả là huy
động nguồn vốn đầu tư quá lớn, tăng tổn thất năng lượng, gây lãng phí điện
năng do không tích trữ được. Ngược lại nếu ta dự báo thấp hơn so với nhu cầu
thì sẽ không đủ điện năng cung cấp cho các hộ tiêu thụ, buộc phải cắt bớt một
số tải một cách không có kế hoạch gây thiệt hại cho nền kinh tế còn nếu không
cắt tải thì sẽ ảnh hưởng đến chất lượng điện năng (điện áp và tần số). Trong hệ
thống điện cần phải có đủ công suất tác dụng và phản kháng để đáp ứng nhu
cầu luôn thay đổi của phụ tải điện tức là tại mỗi thời điểm luôn luôn phải đảm
bảo cân bằng giữa điện năng sản xuất và tải tiêu thụ. Để đáp ứng được điều này
thì ta phải dự báo nhu cầu phụ tải tiêu thụ càng chính xác càng tốt. Hơn thế nữa
bài toán dự báo phụ tải điện càng được quan tâm vì ngày nay điện năng được
xem như một loại hàng hoá và nó được mua bán theo thị trường điện.
Tại Huyện Đông anh thành phố Hà nội phụ tải điện sinh hoạt và phụ
tải điện dịch vụ chiếm tỉ trọng khá cao (khoảng 55%) do đó sự chênh lệch phụ
tải điện giữa giờ cao điểm và thấp điểm là rất lớn. Ngoài ra thời tiết có 4 mùa
rõ rệt, do ó nhu cầu sử dụng cũng biến động không ngừng. Dự báo phụ tải
điện thường rơi vào bên trong hay bên ngoài giới hạn, nên người dự báo cần
phải chọn phương pháp dự báo làm sao cho kết quả càng gần với giới hạn càng
tốt để thuyết phục được mọi người đặc biệt là những người làm công tác quản
lý điện năng.
12. Phân loại dự báo phụ tải điện:
Dựa vào tầm thời gian dự báo phụ tải điện người ta phân làm 3 loại
12.1. Dự báo phụ tải điện ngắn hạn:
Dự báo phụ tải điện ngắn hạn có tính chất quyết định hiệu quả kinh tế và
các bộ phận liên quan. Dự báo phụ tải điện ngắn hạn còn gọi là dự báo điều độ,
nó được sử dụng trong việc lên kế hoạch sản xuất hoạch điều khiển trực tuyến
đảm bảo an toàn trong công tác vận hành hệ thống điện. Khoảng thời gian dự
báo thường là một giờ hay một ngày do đó nó đóng vai trò quan trọng cho
những đơn vị liên quan hoặc xoay vòng dự trữ năng lượng và thay thế một cách
kinh tế và hiệu quả ngoài ra nó còn quyết định cho vấn đề quản lý tai Phủ tải
điện có tính chất biến đổi theo thời gian và nó còn bị ảnh hưởng bởi nhiều yếu
tố như thời tiết, tình hình kinh tế, điều kiện xã hội nhưng vì dự báo ngắn hạn
tức là thời gian ít ảnh hưởng đến dự báo dẫn đến các yếu tố khác cũng ít ảnh
hưởng nhưng thời tiết đóng vai trò quan trọng trong việc lấy mẫu dự báo do nó
có ảnh hưởng tương đối ví dụ đồ thị phụ tải điện giữa tuần khác với đồ thị phụ
tải điện cuối tuần, ngày tết lễ khác với ngày thường. Trong ngày tải đỉnh xuất
hiện giá trị cực đại hay cực tiểu phụ thuộc nhu cầu làm mát hay sưởi ấm tương
ứng. Đường cong tải bình thường chạy theo bảng tóm tắt nhiệt độ ngày.
Dữ liệu cần thiết và sử lý dữ liệu : Chọn lựa những giá trị đầu vào thích
hợp cho mô hình dự án đưa ra. Thực hiện theo các bước.
+Một danh sách các biến cố của phụ tải phát sinh trong suốt chu kỳ biến
đổi mạnh mẽ.
+Dữ liệu thu thập từ những chuyên gia thích hợp.
+Dữ liệu ứng với mỗi biến số sau đó được kiểm tra để xác định phần
còn thiếu hoặc nằm ngoài hay bị lỗi.
+Căn cứ vào mối tương quan giữa các biến số đã thu nhập vào và phụ tải
đã được tính toán hoặc các giá trị biến thiên tương quan ít hơn 10% so với phụ
tải thì được loại bỏ.
Ngoài ra ta còn gặp phải những tiêu chuẩn trong mô hình như giờ trong
ngày, sức gió của mỗi giờ, nhiệt độ, độ am Những^? dữ liệu thu thập được
trong quá khứ cho những giá trị biến thiên thuộc hai dạng ngày giữa tuần và
ngày cuối tuần được xây dựng để dự báo phụ tải ngày. Phương tiện dùng để
xây dựng dự báo phụ tải điện thông dụng ngắn hạn là kỹ thuật thống kê mô
hình của Box-Jenkins, gần đây việc dùng mạng Noron nhân tạo ngày càng trở
lên phổ biến. Để kiểm tra và xác nhận dự báo xây dựng bởi mô hình trên ta so
sánh kết quả dự báo với giá trị thực tế của tải bằng một số phương pháp thống
kê phổ biến như sai số tuyệt đối (MAE), phần trăm sai số tuyệt đối (MAD),
bình phương sai số (MSE), độ lệch tiêu chuẩn của sai số (SDE), hệ số xác định
(r2).
12.2. Dự báo phụ tải điện trung hạn:
Dự báo phụ tải điện trung hạn cần cho việc tìm kiếm nhiên liệu, lịch
trình phát điện. Khoảng thời gian của dự báo thường khoảng từ 1 đến 5 năm.
Dự báo phụ tải đỉnh mỗi tháng để xác định lịch trình cấp phát điện, xác lập giá,
kế hoạch sản xuất trung hạn và nhu cầu nhiên liệu trong tương lai. Dự báo
trung hạn bị ảnh hưởng bởi nhiều yếu tố khác nhau như điều kiện thời tiết, sự
thay đổi kinh tế xã hội. Khi khảo sát các dữ liệu cho thấy đường cong của phụ
tải nhiều hay ít cũng tuần hoàn nhưng đỉnh của nó tăng lên tương ứng với sự

phát triển. Do đó công việc của người dự báo là nhận ra dạng của phụ tải và xác
định xu hướng phát triển của nó.
Dữ liệu cần thiết và sử lý dữ liệu : Theo những biến có được từ những
chu kỳ đầy biến động sau đó tham khảo các nhân viên vận hành thì các yếu tố
ảnh hưởng gồm có nhiệt độ max (Tavmax), độ ẩm tương đối max (RHmax), độ ẩm
tương đối trung bình (RHav), sức gió (W), thời gian tồn tại của ánh sáng mặt
trời (S), tất cả năng lượng bức xạ (R), mưa hay tuyết (PR), áp suất khí (VP),
đơn vị ngày (Đ), chỉ số tiện nghi (CI), nhiệt độ lúc tải đỉnh (Tpkld), độ ẩm
tương đối lúc tải đỉnh (RHpkld), lượng khách hàng tiêu thu Tật cả các biến đều
được xử lý ngoại trừ Đ và CI.
12.3. Dự báo phụ tải điện dài hạn:
Dự báo phụ tải điện dài hạn dùng vào kế hoạch mở rộng hệ thống điện
và phân tích nguồn tài chính. Nó đóng vai trò rất quan trọng cho kế hoạch mở
rộng sản xuất, đầu tư công nghệ thiết bị và máy móc, xây dựng nhà máy điện
và dự trù nhu cầu sử dụng nhiên liệu trong tương lai, ngoài ra nó xác định thuế
xuất cho từng giai đoạn. Khoảng thời gian của dự báo thường khoảng từ 5 đến
25 năm. Thông thường phải mất từ 2 đến 12 năm mới lắp đặt xong một nhà
máy điện tuỳ theo công suất của nó, do đó cần phải lập kế hoạch trước và dự án
phải được trải ra và minh chứng trong một thời gian dài đó là toàn bộ khâu
khảo sát.
Dữ liệu cần thiết và sử lý dữ liệu : Khi thời gian cho dự báo phụ tải điện
tăng lên thì các yếu tố ảnh hưởng tới dự báo cũng thay đổi đáng kể, khi tác
động của các biến thời tiết không đáng kể thì ảnh hưởng của các biến kinh tế xã
hội tăng lên đóng vai trò quan trọng. Khi thêm vào các biến dùng cho dự báo
dân số, thu nhập quốc dân được xem là đầu vào, nhưng mối tương quan của các
yếu tố này bị sai lệch do đó nó được làm giảm đi để có thể tính đến xây dựng
mô hình dài hạn.



2. ĐO LƯỜNG ĐỘ CHÍNH XÁC CỦA DỰ BÁO PHỤ TẢI ĐIỆN:
21. Sai số dự báo:
Sai số dự báo là thước đo tìm hiểu giá trị dự báo gần với giá trị thực tế là
bao nhiêu, nghĩa là sự chênh lệch giữa giá trị thực tế và giá trị dự báo tương
ứng.
Et = yt -ŷ t
Khi sai số dự báo nhỏ thì phương pháp dự báo được cho là tối ưu,
thường những dao động của sai số dự báo không theo một quy luật nào cả nó
do những yếu tố bên ngoài ảnh hưởng mà ta không thể đoán được. Nghĩa là
những dao động ngẫu nhiên của et trong mỗi thời đoạn chỉ thuần tuý là dao
động ngẫu nhiên quanh giá trị dự báo ŷt vì vậy tổng của sai số dự báo sẽ tiến về
0. Độ chính xác của dự báo thông qua thước đo ngẫu nhiên này có thể đạt được
bằng cách sử dụng phương pháp thống kê hay đồ thị.



22. Phương pháp thống kê và các công thức độ chính xác của dự

báo:
Theo thống kê thì độ chính xác dự báo đo bằng sai số tuyệt đối và sai số
tương đối với quy luật giá trị sai số của dự báo cành nhỏ thì mô hình dự báo
càng có giá trị.
Sai số dự báo tuyệt đối:



TÀI LIỆU THAM KHẢO
-Giáo trình Matlab và Simulink tác giả Nguyễn Phùng Quang
trường Đại học Giao thông Vận tải.
-Giáo trình Mô hình hoá và mô phỏng với MatlabSimulink/ tác
giả Trần Vĩnh Thái trường Đại học Bách khoa Hà nội.
-Giáo trình Matlab và Simulink trong điều khiển tự động tác giả
Lê Thành Sơn trường Đại học Sư phạm Kỹ thuật Hưng yên.
- Giáo trình môn học Vận hành hệ thống điện Đại học Bách khoa
Đà Nẵng.
-Mạng Wavelet cho bài toán dự báo phụ tải ngắn hạn trong các
ngày đặc biệt đồng tác giả Nguyễn Hoàng Việt, Trần Anh Dũng trường Đại
học Bách khoa Thành phố Hồ Chí Minh, Nguyễn Quang Thi công ty điện lực
Thành phố Hồ Chí Minh.
-Mạng Norơn nhân tạo đồng tác giả Lê Minh Trung, Trương Văn
Thiện nhà xuất bản thống kê (1999).

-SSitharamạ Iyengar, ẸCChọ and Vir V. Phoha, Foundations of

wavelet networks and applications, Chapman & HallCRC/.
-Qinghua Zhang and Albert Benveniste, Wavelet Networks,