Tìm kiếm
Đang tải khung tìm kiếm
Kết quả 1 đến 1 của 1

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

    D
    dream dream Đang Ngoại tuyến (18524 tài liệu)
    .:: Cộng Tác Viên ::.
  1. Gửi tài liệu
  2. Bình luận
  3. Chia sẻ
  4. Thông tin
  5. Công cụ
  6. 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,


    Xem Thêm: ứng dụng công cụ wavelet để dự báo phụ tải điện tại huyện đông anh-hà nội
    Nội dung trên chỉ thể hiện một phần hoặc nhiều phần trích dẫn. Để có thể xem đầy đủ, chi tiết và đúng định dạng tài liệu, bạn vui lòng tải tài liệu. Hy vọng tài liệu ứng dụng công cụ wavelet để dự báo phụ tải điện tại huyện đông anh-hà nội sẽ giúp ích cho bạn.
    #1
  7. Đang tải dữ liệu...

    Chia sẻ link hay nhận ngay tiền thưởng
    Vui lòng Tải xuống để xem tài liệu đầy đủ.

    Gửi bình luận

    ♥ Tải tài liệu

social Thư Viện Tài Liệu
Tài liệu mới

Từ khóa được tìm kiếm

Nobody landed on this page from a search engine, yet!

Quyền viết bài

  • Bạn Không thể gửi Chủ đề mới
  • Bạn Không thể Gửi trả lời
  • Bạn Không thể Gửi file đính kèm
  • Bạn Không thể Sửa bài viết của mình
  •  
DMCA.com Protection Status