Ứng dụng mạng nơron nhân tạo để dự báo phụ tải ngắn hạn trong hệ thống điện có xét đến ảnh hưởng của thông số nhiệt độ

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
59 
ỨNG DỤNG MẠNG NƠRON NHÂN TẠO 
 ĐỂ DỰ BÁO PHỤ TẢI NGẮN HẠN TRONG HỆ THỐNG ĐIỆN 
CÓ XÉT ĐẾN ẢNH HƯỞNG CỦA THÔNG SỐ NHIỆT ĐỘ 
APPLICATION OF ARTIFICIAL NEURAL NETWORK 
FOR SHORT-TERM LOAD FORECASTING 
IN POWER SYSTEMS CONSIDERING 
THE INFLUENCE OF TEMPERATURE PARAMETERS 
Phạm Ngọc Hùng, Nguyễn Tùng Linh 
Trường Đại học Điện lực 
Tóm tắt: Công việc dự báo có ý nghĩa vô cùng quan trọng trong vận hành các hệ 
thống điện. Việc dự báo chính xác giúp đảm bảo tính ổn định của hệ 
thống điện (ổn định điện áp, ổn định tần số), bảo đảm sự cân bằng giữa 
điện năng sản xuất và điện năng tiêu thụ. Bài báo này đưa ra vấn đề ứng 
dụng thuật toán lan truyền ngược BPA (Back Propagation Algorithm) trong 
mạng Nơron nhân tạo để dự báo phụ tải ngắn hạn có xét đến ảnh hưởng 
của thông số nhiệt độ. Chương trình dự báo được viết trên ngôn ngữ 
Visual C. 
Từ khóa: Dự báo, mạng nơron, nhiệt độ, ngắn hạn. 
Abstract: Load forecasting is of great importance in power system operation. 
Accurate forecasting will help ensure the stability of power systems 
(voltage stability, frequency stability), balancing energy production and 
energy consumption. This paper addresses the application of Back 
Propagation Algorithm (BPA) in artificial neural network for short-term load 
forecast with consideration for the influence of temperature parameters. 
The forecast software is developed in Visual C. 
Keywords: Forecast, neural network, temperature, short-term. 
1. GIỚI THIỆU 
Công tác dự báo luôn giữ vai trò quan 
trọng trong nhiều lĩnh vực: quyết định 
kế hoạch sản xuất, hướng đầu tư phát 
triển trong tương lai, do đó có rất nhiều 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
60 
các mô hình toán học áp dụng cho dự 
báo [1]. Cũng như các dự báo khác, dự 
báo phụ tải điện ngắn hạn cũng phải 
dựa vào số liệu thống kê, phân tích và 
áp dụng thuật toán để xác định mối 
quan hệ giữa phụ tải và các yếu tố ảnh 
hưởng, từ đó dự báo phụ tải dựa trên 
các yếu tố ảnh hưởng đó. 
Qua nhiều công trình đã nghiên cứu [3, 
5, 6] cho thấy rằng: những phương 
pháp dự báo truyền thống đã thể hiện 
nhiều nhược điểm: số liệu đầu vào 
nhiều, sai số lớn..., việc áp dụng mạng 
nơron nhân tạo cho dự báo phụ tải của 
hệ thống điện (HTĐ) dựa trên các yêu 
cầu: phương pháp đơn giản, có tính đến 
ảnh hưởng của biến nhiệt độ và đặc thù 
ngày, cho dự báo với sai số nhỏ là 
phương hướng của nghiên cứu này. 
Một trong những ưu điểm nổi bật của 
hệ thống nơron trong dự báo là phương 
pháp này không cần phải xác định 
những mối quan hệ giữa các biến số 
trước. Phương pháp này có thể xác định 
nhờ vào quá trình học hỏi về các mối 
quan hệ qua những thí dụ đã được đưa 
vào máy, không đòi hỏi bất kỳ giả định 
nào về các phân phối tổng thể và không 
giống những phương pháp dự báo 
truyền thống, nó có thể sử dụng mà 
không cần có đầy đủ số lượng các số 
liệu cần thiết. Chương trình hệ thống 
nơron có thể thay thế nhanh chóng mô 
hình hiện có, ví dụ như phân tích hồi 
quy, để đưa ra những dự báo chính xác 
mà không cần ngưng trệ các hoạt động 
đang diễn ra. Hệ thống nơron đặc biệt 
hữu ích khi số liệu đầu vào có tương 
quan cao hay có số lượng không đủ, 
hoặc khi hệ thống mang tính phi tuyến 
cao. Phương pháp này cho kết quả dự 
báo có độ chính xác cao, dự báo được 
các sự kiện phụ thuộc thời gian. 
2. TỔNG QUAN VỀ BÀI TOÁN 
DỰ TOÁN NGẮN HẠN 
2.1. Khái quát 
Người ta đã chứng tỏ rằng không có 
một phương pháp luận hoàn hảo trong 
tiếp cận các bài toán bằng cách sử dụng 
mạng nơron huấn luyện bởi thuật toán 
lan truyền ngược [2]. Ta có nhiều điều 
cần cân nhắc, lựa chọn để có thể thiết 
lập các tham số cho một mạng nơron, 
bao gồm: 
 Số lớp ẩn, kích thước các lớp ẩn, 
hằng số học; 
 Tham số bước đà (momentum); 
 Khoảng, khuôn dạng dữ liệu đưa 
vào mạng; 
 Dạng hàm nén (squashing); 
 Khởi tạo ma trận trọng số; 
 Tỷ lệ nhiễu ví dụ huấn luyện. 
Việc dự báo dữ liệu (DL) là một bài 
toán rất phức tạp, cả về số lượng dữ 
liệu cần quan tâm cũng như độ chính 
xác của dữ liệu dự báo. Do vậy, việc 
cân nhắc để có thể chọn được mô hình 
phù hợp cho việc dự báo dữ liệu là một 
việc rất khó khăn (chỉ có thể bằng 
phương pháp thử - sai). Thuật toán lan 
truyền ngược (BPA) là thuật toán được 
ứng dụng rất rộng rãi trong các lĩnh 
vực: phân lớp, dự báo đã được thực tế 
chứng tỏ là một công cụ tốt áp dụng 
cho các bài toán trong các lĩnh vực dự 
báo dữ liệu. 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
61 
Do đặc trưng về độ phức tạp dữ liệu, 
các dữ liệu đầu ra thường là các con số 
(mảng các số) dấu phẩy động nên việc 
lựa chọn cấu trúc mạng phù hợp 
thường dùng phương pháp thử sai. 
Đồng thời cần phải chuẩn hoá các dữ 
liệu đầu vào và đầu ra để mạng có khả 
năng học tốt hơn từ các dữ liệu được 
cung cấp. Trong việc dự báo dữ liệu, 
nếu dữ liệu ở nhiều khoảng thời gian 
khác nhau được đưa vào mạng để huấn 
luyện thì việc dự báo chính xác là rất 
khó nếu như mục đích là dự báo chính 
xác 100% dữ liệu trong tương lai, chỉ 
có thể có được kết quả dự báo với một 
mức độ chính xác chấp nhận được. 
2.2. Thu thập, phân tích và xử 
lý dữ liệu 
Dữ liệu đóng một vai trò rất quan trọng 
trong các giải pháp sử dụng mạng 
nơron. Chất lượng, độ tin cậy, tính sẵn 
có và phù hợp của dữ liệu được sử 
dụng để phát triển hệ thống giúp cho 
các giải pháp thành công. Các mô hình 
đơn giản cũng có thể đạt được kết quả 
nhất định nếu như dữ liệu được xử lý 
tốt, bộc lộ được các thông tin quan 
trọng. Bên cạnh đó, các mô hình tốt có 
thể sẽ không cho ta các kết quả mong 
muốn nếu dữ liệu đưa vào quá phức tạp 
và rắc rối. Việc xử lý dữ liệu được bắt 
đầu bằng việc: thu thập và phân tích dữ 
liệu, sau đó là bước tiền xử lý. Dữ liệu 
sau khi qua bước tiền xử lý được đưa 
vào mạng nơron. Cuối cùng, dữ liệu 
đầu ra của mạng nơron qua bước hậu 
xử lý, bước này sẽ thực hiện biến đổi 
kết quả trả về của mạng nơron sang 
dạng yêu cầu của bài toán. 
a. Thu thập dữ liệu 
Bước thu thập các dữ liệu bao gồm 3 
nhiệm vụ chính: 
Xác định yêu cầu dữ liệu 
Điều đầu tiên cần thực hiện khi lập kế 
hoạch thu thập dữ liệu là xác định xem 
các dữ liệu nào là cần thiết để có thể 
giải quyết bài toán. Về tổng thể có thể 
cần sự trợ giúp của các chuyên gia 
trong lĩnh vực của bài toán cần giải 
quyết. Ta phải biết: 
 Các dữ liệu chắc chắn có liên quan 
đến bài toán; 
 Các dữ liệu nào có thể liên quan; 
 Các dữ liệu nào là phụ trợ. 
Các dữ liệu có liên quan và có thể liên 
quan đến bài toán cần được xem là các 
đầu vào cho hệ thống. 
Xác định nguồn dữ liệu 
Bước kế tiếp là quyết định nơi sẽ lấy 
dữ liệu, điều này cho phép ta xác định 
được các ước lượng thực tế về những 
khó khăn và kinh phí cho việc thu thập 
dữ liệu. Nếu ứng dụng yêu cầu các dữ 
liệu thời gian thực, những ước lượng 
này cần tính đến khả năng chuyển đổi 
các dữ liệu tương tự thành dạng số. 
Trong một số trường hợp, ta có thể 
chọn lựa dữ liệu mô phỏng từ các tình 
huống thực tế. Tuy nhiên, cần phải 
quan tâm đến độ chính xác và khả năng 
thể hiện của dữ liệu đối với các trường 
hợp cụ thể. 
Xác định lượng dữ liệu 
Ta cần phải ước đoán số lượng dữ liệu 
cần thiết để có thể sử dụng trong việc 
xây dựng mạng. Nếu lấy quá ít dữ liệu 
thì những dữ liệu này sẽ không thể 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
62 
phản ánh toàn bộ các thuộc tính mà 
mạng cần phải học và do đó mạng sẽ 
không có được phản ứng mong đợi đối 
với những dữ liệu mà nó chưa được 
huấn luyện. 
Mặt khác, cũng không nên đưa vào 
huấn luyện cho mạng qúa nhiều dữ 
liệu. Về tổng thể lượng dữ liệu cần thiết 
bị chi phối bởi số các trường hợp cần 
luyện cho mạng. Bản chất đa chiều của 
dữ liệu và cách giải quyết mong muốn 
là các nhân tố chính xác định số các 
trường hợp cần luyện cho mạng và kéo 
theo là lượng dữ liệu cần thiết. Việc 
định lượng gần đúng lượng dữ liệu cần 
đưa vào luyện mạng là rất cần thiết. 
Thông thường dữ liệu thường thiếu 
hoàn chỉnh, do đó nếu muốn mạng có 
khả năng thực hiện được những điều 
mà ta mong đợi thì nó cần phải được 
luyện với lượng dữ liệu lớn hơn. 
Đương nhiên, nếu có được độ chính 
xác và hoàn chỉnh của dữ liệu thì số các 
trường hợp cần thiết phải đưa vào 
mạng có thể giảm đi. 
b. Phân tích dữ liệu 
Có hai kỹ thuật cơ bản để có thể hiểu 
được dữ liệu: 
Phân tích thống kê 
Mạng nơron có thể được xem như là 
một mở rộng của phương pháp thống 
kê chuẩn. Các thử nghiệm có thể cho ta 
biết được khả năng mà mạng có thể 
thực hiện. Hơn nữa, phân tích có thể 
cho ta các đầu mối để xác định các đặc 
trưng, ví dụ nếu dữ liệu được chia 
thành các lớp, các thử nghiệm thống kê 
có thể xác định được khả năng phân 
biệt các lớp trong dữ liệu thô hoặc dữ 
liệu đã qua tiền xử lý. 
Trực quan hoá dữ liệu 
Trực quan hoá dữ liệu bằng cách vẽ 
biểu đồ trên các dữ liệu theo một dạng 
thích hợp sẽ cho ta thấy được các đặc 
trưng phân biệt của dữ liệu, chẳng hạn 
như: các điểm lệch hay các điểm đỉnh. 
Điều này nếu thực hiện được có thể áp 
dụng thêm các thao tác tiền xử lý để 
tăng cường các đặc trưng đó. Thông 
thường, phân tích dữ liệu bao gồm cả 
các kiểm tra thống kê và trực quan hoá. 
Các kiểm tra này sẽ được lặp đi lặp lại. 
Trực quan hoá cho ta sự đánh giá về dữ 
liệu và các khái niệm sơ khởi về các 
mẫu nằm sau dữ liệu. Trong khi các 
phương pháp thống kê cho phép ta 
kiểm thử những khái niệm này. 
c. Xử lý dữ liệu 
Dẫn nhập về xử lý dữ liệu 
Khi những dữ liệu thô đã được thu 
thập, chúng cần phải được chuyển đổi 
sang các khuôn dạng phù hợp để có thể 
đưa vào luyện mạng. Ở bước này ta cần 
thực hiện các công việc sau: 
 Kiểm tra tính hợp lệ dữ liệu (Data 
validity checks); 
 Việc kiểm tra tính hợp lệ sẽ phát 
hiện ra các dữ liệu không thể chấp nhận 
được mà nếu sử dụng chúng thì sẽ cho 
ra các kết quả không tốt. Chẳng hạn, có 
thể kiểm tra khoảng hợp lệ của dữ liệu 
về nhiệt độ không khí của một vùng 
nhiệt đới; ta mong muốn các giá trị 
trong khoảng từ 8oC đến 40oC, các giá 
trị nằm ngoài khoảng này sẽ không 
chấp nhận. 
Nếu có một mẫu cho một phân bố sai 
của dữ liệu thì ta cần xem xét nguyên 
nhân của nó. Dựa trên bản chất của 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
63 
nguyên nhân dẫn đến sai lầm, ta có thể 
hoặc phải loại bỏ các dữ liệu này, hoặc 
cho phép những thiếu sót đó. Nếu có 
các thành phần quyết định không mong 
muốn như là các xu hướng hay các biến 
thiên có tính chất mùa vụ, chúng cần 
được loại bỏ ngay. 
Phân hoạch dữ liệu (partitioning data) 
Phân hoạch là quá trình chia tập dữ liệu 
thành các tập kiểm định, huấn luyện và 
kiểm tra. Tập kiểm định dùng để xác 
định kiến trúc của mạng, tập huấn 
luyện dùng để điều chỉnh trọng số của 
mạng, tập kiểm tra dùng để kiểm tra 
hiệu năng của mạng sau khi huấn 
luyện. Ta cần phải đảm bảo rằng: 
 Tập ví dụ huấn luyện chứa đủ dữ 
liệu, các dữ liệu đó phân bố phù hợp 
sao cho có thể biểu diễn các thuộc tính 
mà ta muốn mạng sẽ học được. 
 Không có dữ liệu trùng nhau hay 
tương tự nhau của các dữ liệu trong các 
tập dữ liệu khác nhau. 
Tiền xử lý 
Về mặt lý thuyết, một mạng nơron có 
thể dùng để ánh xạ các dữ liệu thô đầu 
vào trực tiếp thành các dữ liệu đầu ra. 
Nhưng trong thực tế, việc sử dụng quá 
trình tiền xử lý cho dữ liệu thường 
mang lại những hiệu quả nhất định 
trước khi những dữ liệu này được đưa 
vào mạng. Có rất nhiều kỹ thuật liên 
quan đến tiền xử lý dữ liệu. Tiền xử lý 
dữ liệu có thể là thực hiện lọc dữ liệu 
hay các phương pháp phức tạp hơn 
như: các phương pháp kết xuất, trích 
chọn các đặc trưng từ dữ liệu ảnh tĩnh. 
Bởi lẽ việc chọn thuật toán dùng trong 
tiền xử lý dữ liệu là phụ thuộc vào ứng 
dụng và bản chất của dữ liệu nên các 
khả năng lựa chọn là rất lớn. Tuy 
nhiên, mục đích của các thuật toán tiền 
xử lý dữ liệu thường tương tự nhau [6]: 
 Chuyển đổi dữ liệu về khuôn dạng 
phù hợp đối với đầu vào mạng nơron, 
điều này thường đơn giản hoá quá trình 
xử lý của mạng phải thực hiện trong 
thời gian ngắn hơn. Các chuyển đổi này 
có thể gồm: 
- Áp dụng một hàm toán học cho đầu 
vào. Mã hoá các dữ liệu văn bản trong 
cơ sở dữ liệu; 
- Chuyển đổi dữ liệu sao cho nó có giá 
trị nằm trong khoảng [0,1]; 
 Lựa chọn các dữ liệu xác đáng nhất, 
việc lựa chọn này có thể bao gồm các 
thao tác đơn giản như lọc hay lấy tổ 
hợp của các đầu vào để tối ưu hoá nội 
dung của dữ liệu. Điều này đặc biệt 
quan trọng khi mà dữ liệu có nhiễu 
hoặc chứa các thông tin thừa. Việc lựa 
chọn cẩn thận các dữ liệu phù hợp sẽ 
làm cho mạng dễ xây dựng và tăng 
cường hiệu năng của chúng đối với các 
dữ liệu nhiễu; 
 Tối thiểu hoá số các đầu vào mạng, 
giảm số chiều của dữ liệu đầu vào và 
tối thiểu số các mẫu đưa vào có thể đơn 
giản hoá được bài toán. Trong một số 
trường hợp ta không thể nào đưa tất cả 
các dữ liệu vào mạng. 
Hậu xử lý 
Hậu xử lý bao gồm các xử lý áp dụng 
cho đầu ra của mạng. Cũng như đối với 
tiền xử lý, hậu xử lý hoàn toàn phụ 
thuộc vào các ứng dụng cụ thể và có 
thể bao gồm cả việc phát hiện các tham 
số có giá trị vượt quá khoảng cho phép 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
64 
hoặc sử dụng đầu ra của mạng như một 
đầu vào của một hệ khác, chẳng hạn 
như một bộ xử lý dựa trên luật. Đôi khi 
hậu xử lý chỉ đơn giản là quá trình 
ngược lại đối với quá trình tiền xử lý. 
3. BÀI TOÁN DỰ BÁO ĐỈNH VÀ 
ĐÁY BIỂU ĐỒ PHỤ TẢI 
Phần này mô tả thuật toán học sử dụng 
để điều chỉnh hiệu năng của mạng sao 
cho mạng có khả năng sinh ra được các 
kết quả mong muốn. Các mạng nơron 
truyền thẳng nhiều lớp được huấn luyện 
bằng phương pháp học có giáo viên 
hướng dẫn. Phương pháp này căn bản 
dựa trên việc yêu cầu mạng thực hiện 
chức năng của nó và sau đó trả lại kết 
quả, kết hợp kết quả này với các đầu ra 
mong muốn để điều chỉnh các tham số 
của mạng. Về cơ bản, BPA là dạng 
tổng quát của thuật toán trung bình 
bình phương tối thiếu (Least Means 
Square-LMS) bởi lẽ nó cùng sử dụng 
kỹ thuật giảm theo hướng vectơ 
gradient nhưng với độ phức tạp của 
hàm lỗi lớn hơn. Thuật toán này thuộc 
dạng thuật toán xấp xỉ để tìm các điểm 
mà tại đó hiệu năng của mạng là tối ưu. 
Chỉ số tối ưu thường được xác định bởi 
một hàm số của ma trận trọng số và các 
đầu vào nào đó bất kỳ. 
3.1. Mô tả thuật toán 
Ta sẽ sử dụng dạng tổng quát của mạng 
nơron truyền thẳng nhiều lớp như ở 
hình 1. Khi đó đầu ra của một lớp trở 
thành đầu vào của lớp kế tiếp [3]: 
am+1 = fm+1(Wm+1am+bm+1); m = 0,1,...M-1 
 (1) 
ở đây M là số lớp trong mạng, các 
nơron lớp thứ nhất nhận tín hiệu từ bên 
ngoài: a0 = p; đầu ra của lớp cuối cùng 
là đầu ra của mạng: a = am. 
Hình 1. Kiến trúc mạng 
Chỉ số hiệu năng (performance index) 
Thuật toán BPA sử dụng chỉ số hiệu 
năng là trung bình bình phương lỗi của 
đầu ra so với giá trị đích. Đầu vào của 
mạng là tập ví dụ huấn luyện: 
{(p1,t1), (p2,t2),.....(pq,tq)} (2) 
ở đây pi là đầu vào và ti là đầu ra đích 
tương ứng (với i = 1,2,...q). Mỗi đầu 
vào đưa vào mạng, sau khi tính toán 
cho đầu ra, đầu ra này được đem so 
sánh với đầu ra mong muốn. Thuật toán 
sẽ điều chỉnh các tham số của mạng để 
tối thiểu hoá trung bình bình phương 
lỗi [4]: 
22 )()( atEeExF (3) 
ở đây x là biến được tạo thành bởi các 
trọng số và độ lệch, E là ký hiệu kỳ 
vọng toán học. Nếu như mạng có nhiều 
đầu ra, ta có thể viết lại phương trình 
trên ở dạng ma trận như sau: 
)()()( atatEeeExF TT (4) 
Kết quả ra 
W2 
W1 
Tầng ẩn 
Tầng ra 
Bias 
Mẫu vào 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
65 
Ký hiệu )(xF

 là giá trị xấp xỉ của F(x) 
thì ta có xấp xỉ của trung bình bình 
phương lỗi như sau: 
)()())()(())()(()( kekekaktkaktxF TT 

 (5) 
trong đó kỳ vọng toán học của bình 
phương lỗi được thay bởi bình phương 
lỗi tại bước thứ k. 
Thuật toán giảm theo hướng cho trung 
bình bình phương lỗi xấp xỉ (với là 
hệ số học) là [5]: 




m
j
m
j
m
j
m
ji
m
ji
m
ji
b
F
kbkb
w
F
kwkw
)()1(
)()1(
(6) 
Luật xích (Chain Rule) 
Đối với mạng nơron truyền thẳng nhiều 
lớp, lỗi không chỉ là một hàm của chỉ 
các trọng số trong lớp ẩn, do vậy việc 
tính các đạo hàm từng phần này là 
không đơn giản. Chính vì lý do đó mà 
ta phải sử dụng luật xích để tính. Luật 
này được mô tả như sau: Giả sử ta có f 
là hàm của biến n, ta muốn đạo hàm 
của f có liên quan đến một biến w khác, 
luật xích này như sau [6]: 
dw
wdn
dn
ndf
dw
wndf )(
.
)()((
 (7) 
Vậy đạo hàm trong (6) sẽ là: 












m
j
m
j
m
j
m
j
m
ji
m
j
m
j
m
ji
b
n
n
F
b
F
w
n
n
F
w
F
.
.
 (8) 
trong đó hạng thức thứ hai ở vế phải 
của phương trình (8) được tính một 
cách dễ dàng, bởi vì đầu vào của lớp m 
của mạng là một hàm của trọng số và 
độ lệch trong tầng đó: 

1
1
1
mS
i
m
j
m
i
m
ji
m
j bawn (9) 
do vậy 1;1 




m
j
m
jm
im
ji
m
j
b
n
a
w
n
Nếu gọi 
m
j
m
j
n
F
s



 là độ nhạy cảm 
của

F đối với các thay đổi của phần tử 
thứ j của đầu vào của mạng tại lớp thứ 
m. Khi đó ta có: 












m
jm
j
m
j
m
j
m
j
m
i
m
jm
ji
m
j
m
j
m
ji
s
b
n
n
F
b
F
as
w
n
n
F
w
F
.
. 1
 (10) 
Thuật toán giảm theo hướng biểu diễn 
như sau: 
m
j
m
j
m
j
m
i
m
j
m
ji
m
ji
skbkb
askwkw
)()1(
)()1( 1
 (11) 
Lan truyền ngược độ nhạy cảm 
Bây giờ ta cần tính toán nốt ma trận độ 
nhạy cảm sm. Để thực hiện điều này cần 
sử dụng một áp dụng khác của luật 
xích. Quá trình này cho ta khái niệm về 
sự “Lan truyền ngược” bởi vì nó mô tả 
mối quan hệ hồi qui trong đó độ nhạy 
cảm sm được tính qua độ nhạy cảm sm+1 
của lớp m+1. Để dẫn đến quan hệ đó, ta 
sử dụng ma trận Jacobian: 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
66 




















m
s
m
s
m
m
s
m
m
s
m
s
m
m
m
m
m
m
s
m
m
m
m
m
m
m
m
mmm
m
m
n
n
n
n
n
n
n
n
n
n
n
n
n
n
n
n
n
n
n
n
1
2
1
1
1
1
2
2
1
2
1
1
2
1
1
2
1
1
1
1
1
1
111
...
...
...
...
(12) 
Xét thành phần thứ j, i của ma trận trên: 
m
i
m
i
m
m
ji
m
i
m
m
ji
m
i
m
i
m
m
ji
m
i
s
j
m
j
m
j
m
ji
m
i
m
j
nf
wnfw
n
nf
w
n
baw
n
n
m





 


 
)(
.)(
)(
1
.
1
1
1
11
1
Như vậy ma trận Jacobian có thể viết 
lại như sau: 
)(
1 .1 m
m
m
m
m
nFW
n
n 


 (14) 
ở đây: 
)(00
...
0)(0
0...0)(
)(
.
2
.
1
.
.
m
s
m
m
m
m
m
m
m
mnf
nf
nf
nF
Bây giờ ta viết lại quan hệ hồi qui cho 
độ nhạy cảm dưới dạng ma trận: 
1
1








m
T
m
m
m
m
n
F
n
n
n
F
s
11
.
))(( mTmm
m
sWnF 
Bây giờ ta có thể thấy độ nhạy cảm 
được lan truyền ngược qua mạng từ lớp 
cuối cùng về lớp đầu tiên: 
121 .... ssss MM 
Cần nhấn mạnh rằng ở đây thuật toán 
BPA sử dụng cùng một kỹ thuật giảm 
theo hướng. Sự phức tạp duy nhất là ở 
chỗ để tính gradient ta cần phải lan 
truyền ngược độ nhạy cảm từ các lớp 
về các lớp trước. Bây giờ ta cần biết 
điểm bắt đầu lan truyền ngược, xét độ 
nhạy cảm sm tại lớp cuối cùng: 
m
j
T
m
j
m
j
n
atat
n
F
s

 



)()(
M
j
j
jjM
j
s
i
ii
n
a
at
n
at
M



 

 )(2
)(
1
2
 (16) 
do )(
)( .
M
j
M
M
j
M
j
M
M
j
M
j
M
j
j
nf
n
nf
n
a
n
a






nên ta có thể viết dưới dạng ma trận 
như sau: 
))((2
.
atnFs M
M
M (17) 
Tóm lại, thuật toán lan truyền ngược có 
thể biểu diễn như sau: 
Bước 1: Lan truyền xuôi đầu vào qua 
mạng 
M
mmmmm
aa
baWfa
pa
 )( 1111
0
với m = 0, 1,... M – 1. 
Bước 2: Lan truyền độ nhạy cảm (lỗi) 
ngược lại qua mạng: 
(13) 
(15) 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
67 
11
.
.
))((
))((2
mTmm
m
m
M
M
M
sWnFs
atnFs
với m = M - 1, M - 2,...,1 
Bước 3: Các trọng số và độ lệch được 
cập nhật bởi công thức: 
mmm
T
mmmm
skbkb
askWkW
)()1(
)()()1( 1 
3.2. Cấu trúc mạng nơron dự 
báo đỉnh/đáy biểu đồ phụ tải 
HTĐ 
Có các số liệu về nhiệt độ cao nhất 
Tmax/Tmin và phụ tải cao nhất Pmax/Pmin 
tương ứng trong ngày của các ngày làm 
việc trong tháng, ta có thể xây dựng tập 
hợp ví dụ huấn luyện dùng để huấn 
luyện và kiểm tra khả năng dự báo của 
mạng. Một ví dụ huấn luyện cụ thể 
trong tập ví dụ huấn luyện nói trên 
được xây dựng từ các giá trị vào: 
 Tmax /Tmin của ngày cần dự báo; 
 Tmax /Tmin của ngày trước ngày cần 
dự báo; 
 Tmax /Tmin của ba ngày có cùng kiểu 
ngày trước đó; 
 Pmax/Pmin của ba ngày có cùng kiểu 
ngày trước đó và một giá trị đầu ra, 
Pmax/Pmin của ngày cần dự báo. 
Số liệu đầu vào và ra của các ngày khác 
được xây dựng theo phương pháp 
tương tự. Như vậy có dữ liệu về nhiệt 
độ cao nhất/thấp nhất trong ngày và 
phụ tải cao nhất/thấp nhất tương ứng 
của ngày đó có thể xây dựng tập ví dụ 
huấn luyện cho bất kỳ giai đoạn nào. 
Sơ đồ các bước thực hiện cho ở hình 2. 
Hình 2. Sơ đồ khối của chương trình 
4. KẾT QUẢ XÂY DỰNG 
CHƯƠNG TRÌNH DỰ BÁO ĐỒ 
THỊ PHỤ TẢI NGẮN HẠN 
TRONG HTĐ 
4.1. Dữ liệu dự báo phụ tải 
Các thông số phụ tải mẫu dùng để huấn 
luyện mạng nơron là Pmax, Pmin và nhiệt 
độ Tmax, Tmin tương ứng cùng ngày 
trong vài tuần trước (hình 3). Tốc độ 
huấn luyện được chọn giá trị ban đầu 
trong khoảng 0.3 đến 0.5, hệ số quan 
tính được chọn giá trị ban đầu là 0.5. 
Trong nghiên cứu này lựa chọn số liệu 
phụ tải Pmax và nhiệt độ Tmax trong ngày 
của các ngày làm việc tháng 6/2003 của 
HTĐ Miền Bắc [7] làm các ví dụ để 
học, dự báo và kiểm chứng sai số. 
Hình 3. Biểu đồ cơ sở dữ liệu 
Ta sẽ chọn số liệu phụ tải Pmax và nhiệt 
độ Tmax trong ngày của các ngày làm 
việc tháng 6/2009 làm các ví dụ để học 
và dự báo. Bảng 1 là tập hợp các dữ 
liệu phụ tải cao điểm, phụ tải thấp 
cơ sở 
DL 
lấy các 
mẫu DL 
huấn luyện 
mạng 
tính các 
mẫu dự báo 
kết quả 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
68 
điểm, nhiệt độ cao và nhiệt độ thấp 
trong ngày của tháng 6/2009 khu vực 
miền Bắc nước ta [8]. 
Bảng 1. Dữ liệu phụ tải và nhiệt độ 
Dữ liệu dự báo 
đỉnh 
Dữ liệu dự 
báo đáy 
Thứ 
Ngày 
Pcao 
điểm 
(MW) 
Tmax, 
(0C) 
Pthấp 
điểm 
(MW) 
Tmin 
(0C) 
2 9/6/2003 6588.5 36 3997.5 26 
3 10/6/2003 6581.5 36 4316.5 26 
4 11/6/2003 6454.9 35 4124.5 26 
5 12/6/2003 6450.2 32 3837.5 25 
6 13/6/2003 6587.1 33 3858.5 25 
7 14/6/2003 6245.5 35 3658.5 26 
CN 15/6/2003 5896.5 34 3842 26 
2 16/6/2003 6412.9 35 3760.5 25 
3 17/6/2003 6431.4 35 3890 25 
4 18/6/2003 6506.5 35 3969 26 
5 19/6/2003 6547.8 35 4149.5 27 
6 20/6/2003 6592.2 33 4063.5 25 
7 21/6/2003 6237.3 33 3850 26 
CN 22/6/2003 5743.5 34 3618 26 
2 23/6/2003 6396.7 33 3452 26 
3 24/6/2003 6404.8 32 3829.5 25 
4 25/6/2003 6391.6 35 3814 25 
5 26/6/2003 6483.1 35 3956.5 26 
6 27/6/2003 6284.8 35 3995.5 27 
7 28/6/2003 5958.3 36 3781 27 
CN 29/6/2003 5551.3 36 3634 26 
2 30/6/2003 6050.8 35 3289 25 
4.2. Kết quả 
Dựa vào các số liệu về nhiệt độ cao 
nhất/thấp nhất trong ngày và Pmax/Pmin 
tương ứng của các ngày làm việc trong 
tháng, ta xây dựng tập hợp mẫu dùng 
để huấn luyện và kiểm tra khả năng dự 
báo của mạng. Như vậy có dữ liệu về 
nhiệt độ cao nhất trong ngày và phụ tải 
cao nhất tương ứng của ngày đó ta có 
thể xây dựng tập ví dụ huấn luyện cho 
bất kỳ giai đoạn nào trong năm. Kết 
quả huấn luyện mạng và tính toán dự 
báo đồ thị phụ tải cho ngày 23/06/2009 
được cho trong hình 4, 5, 6. 
Hình 4. Giao diện form dự báo phụ tải 
ngày 23/06/2009 
Chức năng của form này là: 
 Lấy các mẫu dữ liệu để huấn luyện; 
 Chọn ngày cần dự báo; 
 Chọn số vòng và hệ số lỗi khi huấn 
luyện; 
 Dự báo các đỉnh và đáy của phụ tải. 
Hình 5. Giao diện form 
kết quả huấn luyện mạng 
Khối trong hình 5 có chức năng khởi 
tạo mạng noron nhân tạo, tiến hành quá 
trình huấn luyện mạng, đưa ra các kết 
quả mẫu huấn luyện, điều chỉnh trọng 
số của tập huấn luyện sao cho mẫu 
huấn luyện có sai số và % sai số là nhỏ 
nhất. Khi kết thúc huấn luyện sẽ đưa ra 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
69 
kết quả của mẫu dự báo, sai số và % 
sai số. 
Hình 6. Giao diện form 
 kết thúc huấn luyện mạng 
Từ kết quả nhận được như trong các 
hình 5 và hình 6 cho thấy rằng: phương 
pháp mạng nơron cho kết quả tốt hơn 
so với các phương pháp truyền thống. 
Cụ thể đối với tập số liệu này sai số của 
dự báo bằng mang nơron là 0,74%, 
trong khi đó sai số của hàm đa thức bậc 
2 và hàm mũ là 11,5% [8]. 
4.3. Nhận xét 
Hiện có nhiều bài toán dự báo phụ tải 
điện ứng dụng thuật toán lan truyền 
ngược BPA. Tuy nhiên, so với phương 
pháp truyền thống (tức xử lý báo động 
bằng hệ chuyên gia hoặc do chính nhân 
viên vận hành thực hiện) thì phương 
pháp này cho phép tiết kiệm thời gian 
rất nhiều, bởi vì xử lý kiến thức do con 
người hoặc bằng hệ thống chuyên gia 
đều chậm hơn phân loại mẫu bằng 
mạng nơron truyền thẳng. So với hệ 
chuyên gia, mạng nơron có khả năng 
làm việc tốt hơn với các mẫu tín hiệu 
không đầy đủ, biến dạng hoặc gián 
đoạn. 
Ngoài ra, mạng nơron trình bày trong 
bài báo này đã xét đến ảnh hưởng của 
nhiệt độ và yếu tố mùa trong năm 
(bảng 1). Chính vì vậy mà mô hình, cấu 
trúc mạng nơron đề xuất đã thể hiện 
được tính ưu việt của nó về độ chính 
xác. Phương pháp này không yêu cầu 
quá nhiều lượng thông tin đầu vào so 
với các mạng nơ ron truyền thẳng cho 
dự báo phụ tải đã được công bố [5, 9, 
10], hoàn toàn phù hợp với công tác 
điều độ, vận hành hệ thống điện thực ở 
Việt Nam. 
5. KẾT LUẬN 
Việc dự báo dữ liệu là một bài toán rất 
phức tạp, cả về số lượng dữ liệu cần 
quan tâm cũng như độ chính xác của dữ 
liệu dự báo. Do vậy, việc cân nhắc để 
có thể chọn được mô hình phù hợp cho 
việc dự báo dữ liệu là một việc rất khó 
khăn (chỉ có thể bằng phương pháp thử 
- sai). Thuật toán lan truyền ngược ứng 
dụng trong dự báo đã được thực tế 
chứng tỏ là một công cụ tốt áp dụng 
cho các bài toán trong các lĩnh vực dự 
báo dữ liệu. 
Có các số liệu về nhiệt độ cao nhất Tmax 
và phụ tải cao nhất Pmax tương ứng 
trong ngày của các ngày làm việc trong 
tháng, ta có thể xây dựng tập hợp ví dụ 
huấn luyện dùng để huấn luyện và kiểm 
tra khả năng dự báo của mạng. 
Phương pháp BPA học rất nhanh, mạng 
học mối quan hệ giữa công suất phụ tải, 
thời gian ngày - tuần, và điều kiện nhiệt 
độ thông qua dữ liệu vectơ tham số 
học. Vì vậy quy trình dự báo bằng 
mạng nơron sử dụng thuật toán lan 
truyền ngược sai số hứa hẹn mang lại 
nhiều kết quả khả quan trong vấn đề dự 
báo phụ tải ngắn hạn. 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG (ISSN: 1859 – 4557) 
SỐ 7 - 2014 
70 
TÀI LIỆU THAM KHẢO 
[1] Đặng Ngọc Dinh, Trần Bách, Trịnh Hùng Thám; Hệ thống điện; Tập I, II. Nhà xuất 
bản Đại học và Trung học chuyên nghiệp, 1976. 
[2] Lê Minh Trung; Mạng nơron nhân tạo; Nhà xuất bản Thống kê, 1999. 
[3] Juntakan Taweekun; Load forecasting in Thailand using neural networks; Prince of 
Songkla University, Hatyai, Songkla, Thailand, 2005. 
[4] Trần Lộc Hùng; Lý thuyết xác suất và thống kê toán học; Nhà xuất bản Giáo dục, 
1998. 
[5] Jyh-Ming Kuo; Nonlinear Dynamic Modeling with artificial neural networks; The 
Degree of Doctor of Philosophy, 1993. 
[6] Frank Scrimgeour; Modelling and Forecasting the Demand for Electricity in New 
Zealand: A Comparison of Alternative Approaches; The Energy Journal, Volume 24, 
no.1, 2003. 
[7] Tập đoàn Điện lực Việt Nam (EVN); Tổng kết vận hành hệ thống điện Việt Nam; Hà 
Nội 2009. 
[8] M. Becvali, M. Cellura, V. Lo Brano, A. Marvuglia; Forecasting daily urban electric 
load using artificial neural networks; Energy Conversion and management; Vol.45 
(2008); pp 2879-2900. 
[9] Mehdi Khashei; An Artificial neural networks (p, d, q) model for timeseris 
forecasting; Expert system with application; Vol.37 (2010), pp 479-499. 
Giới thiệu tác giả: 
Tác giả Phạm Ngọc Hùng sinh năm 1976 tại Hải Dương, tốt nghiệp 
Trường Đại học Bách Khoa Hà Nội và nhận bằng thạc sỹ kỹ thuật 
điện năm 2006. Tác giả hiện là giảng viên, giảng dạy tại Bộ môn Nhà 
máy điện và Trạm biến áp, Khoa Hệ thống điện - Trường Đại học 
Điện lực. Các lĩnh vực nghiên cứu chính: nhà máy điện, quá trình quá 
độ và năng lượng mới.