Đề tài Tìm hiểu, phân tích bài toán dự báo phụ tải và mạng nơron

TẬP ĐOÀN ĐIỆN LỰC VIỆT NAM TRƯỜNG ĐẠI HỌC ĐIỆN LỰC & KHOA CNTT BẢN BÁO CÁO MÔN MÔ HÌNH TOÁN TRONG ĐIỆN LỰC Đề tài: Tìm hiểu, phân tích bài toán dự báo phụ tải và mạng nơron Giảng viên hướng dẫn: Ths. Nguyễn Tùng Linh Sinh viên thực hiện :- Trần Huy Bình - Nguyễn Như Toàn Nguyễn Văn Phụng Lớp : D2_CNTT Nội Dung I/ Tìm hiểu và phân tích mô hình bài toán dự báo phụ tải: 1/ Dự báo phụ tải là gì? Dự báo phụ tải là dựa vào số liệu phụ tải trong quá khứ để dự đoán trước đồ thị phụ tải trong tương lai. 2/ Sự cần thiết của bài toán dự báo phụ tải: Dự báo phụ tải là một nhiệm vụ cần thiết trong kế hoạch và điểu khiển hệ thống điện. Các thông số dự báo thường được sử dụng để xây dựng các chế độ vận hành cho các thiết bị điện, chúng cũng được sử dụng cho việc tính toán phân bố vận hành các nguồn năng lượng, phân bố công suất giữa các nhà máy thủy điện, nhiệt điện và phân tích các hoạt động của hệ thống. Hầu hết các bài toán dự báo phụ tải đều dựa trên cơ sở các mô hình toán học hoặc các mô hình thực nghiệm nhằm tìm ra các quy luật biến đổi của phụ tải điện trong chu kỳ xét. Kinh nghiệm thực tế cho thấy không có phương pháp dự báo chung cho mọi quá trình. Mỗi quá trình, mỗi ngành sản xuất có những đặc điểm riêng biệt, đồng thời ở mỗi lĩnh vực lại có những nét chung mà có thể sử dụng làm cơ sở cho việc thiết lập các mô hình dự báo. Việc phân tích, đánh giá các phương pháp dự báo nhu cầu phụ tải nhằm tìm ra những nét chung, nét riêng để có thể áp dụng cho những điều kiện cụ thể là vấn đề hết sức cấp thiết đối với sự phát triển mạng điện nước ta, đặc biệt trong bối cảnh các ngành kinh tế ở Việt Nam đang có những biến chuyển lớn. 3/ Các phương pháp dự báo phụ tải cơ bản: a/ Phương pháp ngoại suy Nội dung phương pháp Theo nghĩa rộng nhất thì ngoại suy dự báo là nghiên cứu lịch sử phát triển của đối tượng năng lượng và chuyển tính quy luật đã được phát hiện trong quá khứ và hiện tại sang tương lai bằng phương pháp xử lý chuỗi thời gian kinh tế. Thực chất của việc nghiên cứu lịch sử và nghiên cứu quá trình thay đổi và phát triển của đối tượng tiêu thụ điện theo thời gian. Kết quả thu thập thông tin một cách liên tục về sự vận động của đối tượng tiêu thụ điện theo một đặc trưng nào đó hình thành một chuỗi thời gian. Ðiều kiện chuỗi thời gian: Khoảng cách giữa các thời điểm của chuỗi phải bằng nhau, có nghĩa là phải đảm bảo tính liên tục nhằm phục vụ cho việc xử lý. Ðơn vị đo giá trị chuỗi thời gian phải đồng nhất. Theo ý nghĩa toán học thì phương pháp ngoại suy chính là việc phát hiện xu hướng vận động của đối tượng năng lượng, có khả năng tuân theo quy luật hàm số f(t) nào để từ đó tiên liệu giá trị đối tượng năng lượng ở ngoài khoảng giá trị đã biết (y1, yn) định dạng: Trong đó: - thành phần phụ tải có xét đến nhiễu của các thông tin. Ðiều kiện của phương pháp: - Ðối tượng năng lượng phát triển tương đối ổn định theo thời gian. - Những nhân tố ảnh hưởng chung nhất cho sự phát triển đối tượng năng lượng vẫn được duy trì trong khoảng thời gian nào đấy trong tương lai. - Sẽ không có tác động mạnh từ bên ngoài dẫn tới những đột biến trong quá trình phát triển đối tượng năng lượng. Quá trình dự báo theo phương pháp ngoại suy được thể hiện qua sơ đồ sau: Ðánh giá Phương pháp ngoại suy thường có sai số dự báo khá lớn.Nguyên nhân chính dẫn đến sai số dự báo là do sự biến động của một số nhân tố liên qua đến quá trình tiêu thụ điện. Giá điện là một biến quan trọng tác động đến nhu cầu phụ tải. Cuộc khủng hoảng năng lượng đầu tiên năm 1973 đã làm giá điện tăng 4,1% hằng năm cho giai đoạn dự báo 1974-1983. Giá điện tăng tạo ra các thay đổi về mô hình nhu cầu phụ tải cho giai đoạn dự báo. Có giả thiết cho rằng sự thay đổi cấu trúc trong mô hình cũng có thể là nguyên nhân khác gây ra sai số dự báo. Ở Việt Nam, từ trước đến nay phương pháp ngoại suy được áp dụng không nhiều do thiếu lượng thông tin cần thiết về tiêu thụ điện trong quá khứ. Tuy nhiên, trong những năm gần đây với việc áp dụng các phần mềm dự báo như SIMPLE-E, phương pháp ngoại suy đã bắt đầu được sử dụng để tính toán dự báo cho Tổng sơ đồ VI. Ðể có thể áp dụng thuận tiện phương pháp ngoại suy, cần ý thức được tầm quan trọng của thông tin để thu thập và lưu giữ, đồng thời cần phải trang bị các cơ cấu đo cần thiết. b/ Phương pháp hồi quy tương quan Phương pháp luận: Phương pháp này nghiên cứu mối tương quan giữa các thành phần kinh tế, xã hội... nhằm phát hiện những quan hệ về mặt định lượng của các tham số dựa vào thống kê toán học. Các mối tương quan đó giúp chúng ta xác dịnh được lượng điện năng tiêu thụ. Có hai loại phương trình hồi quy được ứng dụng nhiều trong hệ thống điện: phương trình tuyến tính và phương trình luỹ thừa. Phương trình dạng tuyến tính: Ðây là dạng phương trình thông dụng nhất, nó cho phép phân tích đánh giá sự ảnh hưởng của các nhân tố đối với tham số cơ bản cần xét. Dạng của phương trình này biểu diễn như sau: (1) Trong đó: n: số quan trắc; a0, ai: các hệ số hồi quy; Xi: các nhân tố ảnh hưởng, hay các biến ngẫu nhiên; Y: tham số cơ bản, có thể coi là hàm của các biến ngẫu nhiên. Phương trình dạng luỹ thừa: (2) Dạng phương trình (2) cũng có thể đưa về dạng phương trình (1) bằng cách lấy logarit 2 vế. Việc lựa chọn hàm hồi quy được tiến hành trên cơ sở so sánh các hệ số tương quan, hệ số tương quan của dạng phương trình nào lớn thì chọn dạng phương trình đó. Khi các biến ngẫu nhiên ảnh hưởng đến quá trình tiêu thụ điện Y tăng lên sẽ làm tăng số ẩn Xi và tăng kích thước bài toán nhưng thuật toán để tìm nghiệm là như nhau. Ngày nay với sự trợ giúp của máy tính thì các phép toán đó sẽ trở nên đơn giản, vấn đề đặt ra là chúng ta phải có một bộ dữ liệu quá khứ đủ mức tin cậy để xây dựng hàm hồi quy, dựa trên cơ sở xác định phụ tải bằng các phương pháp: dùng phiếu điều tra, phương pháp trực tiếp... Kết quả của phương pháp nêu trên xác định được các hệ số hồi quy ai. Việc xác định mức tiêu thụ điện được xác định dựa trên cơ sở của ai và các yếu tố ảnh hưởng khác. c/ Phương pháp hệ số đàn hồi thu nhập Nội dung phương pháp Nhu cầu điện năng được dự báo theo như phương pháp “mô phỏng kịch bản” hiện đang được áp dụng rộng rãi trong khu vực và trên thế giới. Phương pháp luận dự báo là: trên cơ sở phát triển kinh tế – xã hội trung – dài hạn, nhu cầu điện năng cũng như nhu cầu tiêu thụ các dạng năng lượng khác mô phỏng theo quan hệ đàn hồi với tốc độ tăng trưởng kinh tế. Phương pháp này thích hợp với các dự báo trung và dài hạn. Ðàn hồi thu nhập được xác định như sau: (3) Trong đó: αET - Hệ số đàn hồi thu nhập; A% và Y% - Suất tăng tương đối điện năng và GDP; A - Ðiện năng sử dụng; Y - Giá trị thu nhập GDP; A và Y - Tăng trưởng trung bình điện năng và thu nhập trong giai đoạn xét. Các hệ số đàn hồi được xác định theo từng ngành và từng miền lãnh thổ. Việc xác định chúng được tiến hành theo chuỗi phân tích quá khứ và có sự tham khảo kinh nghiệm từ các nước trên thế giới và trong khu vực. Ngoài ra, các yếu tố quan trọng khác tác động đến nhu cầu điện được xét đến là: - Hệ số đàn hồi giá điện: Khi giá điện tăng lên, một số hộ tiêu thụ sẽ có xu hướng chuyển sang sử dụng các nhiên liệu năng lượng khác hoặc ngược lại. Như vậy về mặt thị trường, giá cả mỗi loại năng lượng dẫn đến tính cạnh tranh của loại đó. Hệ số phản ánh sự thay đổi nhu cầu điện của một ngành hay khu vực nào đó khi giá điện thay đổi được gọi là hệ số đàn hồi giá. - Hệ số tiết kiệm năng lượng: tính tới việc áp dụng tiến bộ khoa học kỹ thuật, thực hiện tiết kiệm năng lượng, đặc biệt là triển khai các chương trình quản lý phía nhu cầu DSM. Hàm số dự báo là hàm tổng hợp, dự báo nhu cầu điện năng toàn quốc được tổ hợp từ nhu cầu điện năng cho các ngành kinh tế, khu vực dân dụng và từ các vùng lãnh thổ. Ðàn hồi thu nhập và giá biểu thị nhu cầu năng lượng thay đổi do sự thay đổi giá năng lượng và thu nhập trong mô hình kinh tế lượng. Phân tích đánh giá Thông thường, các hệ số đàn hồi được xác định bằng các phân tích kinh tế lượng của các chuỗi dữ liệu theo thời gian trong quá khứ. Ðiều này không thể làm được ở Việt Nam vì các chuỗi dữ liệu theo thời gian này không đủ và ngay cả khi có đủ thì một số sự phân bổ sai lệch tác động đến nền kinh tế Việt Nam sẽ làm mất tác dụng của cách tiếp cận này. Vì thế các hệ số đàn hồi dùng trong việc phân tích dự báo nhu cầu năng lượng thường được lựa chọn bằng cách mô phỏng kinh nghiệm của các quốc gia lân cận ở thời điểm mà họ có các điều kiện và hoàn cảnh tương tự. Cách tiếp cận này không phải là dễ dàng vì một số lý do. Các ước tính kinh trắc thường là không tin cậy và dễ bị thay đổi tuỳ thuộc vào việc hình thành các quan hệ giữa sử dụng năng lượng và nhu cầu năng lượng cũng như các tập hợp dữ liệu nhất định đang được nghiên cứu. Phương pháp này ứng dụng tại Việt Nam mang nặng tính chuyên gia hơn là các tính toán thông thường. d/ Phương pháp chuyên gia Về thực chất, phương pháp chuyên gia là phương pháp dự báo mà kết quả là các thông số do các chuyên gia đưa ra, hay nói đúng hơn là sự công não để khai thác và lợi dụng trình độ uyên bác và lý luận thành thạo về chuyên môn, phong phú về khả năng thực tiễn và khả năng mẫn cảm, nhạy bén và thiên hướng sâu sắc về tương lai đối với đối tượng dự báo của một tập thể các nhà khoa học, các nhà quản lý cùng đội ngũ cán bộ thuộc các chuyên môn bao hàm hay nằm trong miền lân cận của đối tượng dự báo. Nhiệm vụ của phương pháp chuyên gia là đưa ra những dự đoán khách quan về tương lai phát triển của một lĩnh vực hẹp của khoa học hoặc dựa trên việc xử lý có hệ thống các đánh giá dự đoán của chuyên gia. Sau khi đã thu thập ý kiến của các chuyên gia, cần xử lý các thông tin theo phương pháp xác suất thống kê. Thực tế phương pháp chuyên gia hoàn toàn mang tính chủ quan, phụ thuộc vào nhận thức của từng cá nhân, nhưng khi đã được xử lý theo phương pháp xác suất thống kê thì tính chủ quan sẽ được khách quan hoá bởi các mô hình toán học và vì vậy có thể nâng cao độ tin cậy của dự báo. e/ Phương pháp mạng neural nhân tạo Có ba nguồn trí thông minh nhân tạo bắt chước các quá trình của bộ óc và hệ thống thần kinh của con người là quá trình xử lý ngôn ngữ, robot và các hệ neural nhân tạo. Hệ neural nhân tạo có ứng dụng hầu hết ở các lĩnh vực thương mại, trong đó có dự báo. Mạng neural có khả năng chiết xuất thông tin từ những dữ liệu không chắc chắn hay những dữ liệu phức tạp nhằm phát hiện ra những xu hướng không quan sát được bằng mắt thường hoặc bằng một số các kỹ thuật máy tính khác. Trong hệ thống neural, nhiều thí dụ được lập chương trình trong máy vi tính. Những thí dụ này bao gồm toàn bộ các mối quan hệ trong quá khứ giữa các biến có thể ảnh hưởng đến các biến phụ thuộc. Chương trình hệ thống neural sau đó bắt chước ví dụ này và cố gắng bắt chước mối quan hệ cơ sở đó bằng cách học hỏi khi xử lý. Quá trình học hỏi này cũng được gọi là đào tạo giống như việc đào tạo con người trong công việc. Một trong những ưu điểm nổi bật của hệ thống neural 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. Bên cạnh đó, hệ thống neural 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 neural 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 neural 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 theo thời gian. 4/ Phân loại các bài toán dự báo phụ tải: Dự báo dài hạn: (Long term Load Forcasting) Chủ yếu cho việc hoạch định hệ thống điện trong thời gian 10 đến 20 năm. Dự báo trung hạn: (Mid Term Load Forcasting) Chủ yếu cho việc dự trù nguồn nhiên liệu và bảo trì. Dự báo ngắn hạn: (Short Term Load Forcasting) Dự báo theo hằng giờ, hằng ngày, hằng tuần, hằng tháng và trong một năm. II/ Tìm hiểu mạng nơron: 1/ Mạng nơ ron sinh học: Các thành phần chính của nơron: Khớp kết nối (Synapse):kết nối các nơron nhờ các tính chất hoá lý Điện → Hoá → Điện Xúc tu (dendrites): Thu nhận thông tin về nhân qua khớp. Thân tế bào: tổng hợp tín hiệu và khi đủ mạnh thì có tín hiệu ra ở truc cảm ứng và nổn lúc đó gọi là cháy. Trục cảm ứng (Axon) đưa tín hiệu ra và truyền tới các nơron khác qua các khớp kết nối. 2/ Đặc điểm của mạng Nơron nhân tạo Mặc dù hiểu biết của con người về kiến trúc và hoạt động của não còn chưa đầy đủ, người ta tạo ra được các máy có một số tính năng tương tự não nhờ mô phỏng các đặc điểm: Tri thức thu nhận được nhờ quá trình học Tính năng có được nhờ kiến trúc mạng và tính chât kết nối Các mày loại mô phỏng này có tên chung là mạng nơron nhân tạo hay gọn hơn mạng nơron (còn có tên gọi là máy thần kinh) và viết tắt là ANN hoặc gọn hơn là NN. Trong ứng dụng chúng thường được tích hợp với các hệ khác Đặc điểm chính của ANN Phi tuyến. Cho phép xử lý phi tuyến: Cơ chế ánh xạ vào → ra (x → d(x)) cho phép học có giám sát Cơ chế thích nghi. Thay đổi tham số phù hợp với môi trường. Đáp ứng theo mẫu đào tạo. Được thiết kế không nhữngcung cấp thông tin về mẫu đào tạo mà còn cho biết mức tin cậy của nó. Thông tin theo ngữ cảnh.Tri thức được biểu diễn tuỳ theo trạng thái và kiến trúc của ANN Cho phép có lỗi (fault tolerance). 7. tích hợ lớn. VLSI (very large scale Integrated). Phỏng sinh học Mô hình Nơ ron Nơroncó đầu vào đơn. Hình 2.2 mô tả nơron có đầu vào đơn, có hoạt động như sau. Một tín hiệu vào p được nhân với trọng số w thành wp và một tín hiệu khác bằng 1 nhân với giá trị khuynh hướng b đưa tới bộ tổng. Tín hiệu ra n của bộ tổng qua hàm chuyển f cho tín hiệu ra a.Trong đó trọng số w tương ứng với độ liên kết của khớp kết nối (Synapse), hàm tổng và hàm chuyển mô phỏng thân tế bào còn tín hiệu ra mô phỏng tín hiệu ở Axon. f w n a p output b (khuynh hướng) 1 n=wp + b; a=f(n) Hình 2.2. Nơron có đầu vào đơn. Tín hiệu ra a= f(wp+b) Ví dụ: w=3 p=2 b=-1,5 suy ra a = f(3.2-1,5) = f(4,5) Tín hiệu ra a phụ thuộc vào hàm chuyển còn khuynh hướng có thể xem như là một trọng số của tín hiệu vào bằng 1. Hàm chuyển. Hàm chuyển f có thể là hàm tuyến tính hoặc phi tuyến và phụ thuộc theo từng bài toán. Có nhiều loại hàm chuyển, việc chọn hàm chuyển cần phù hợp với bài toán cụ thể phải giải quyết. Một số hàm chuyển thông dụng: Hàm ngưỡng: (hardlim) a= hardlim(n)= Ký hiệu: Hàm ngưỡng đối xứng: (Hardlims) a= hardlims(n)= Ký hiệu: Hàm tuyến tính: (purelin) a= purelin(n)= n Ký hiệu: Hàm tuyến tính trên đoạn: (satlin) a= satlin(n)= Ký hiệu: Hàm tuyến tính bão hoà đối xứng: (satlins) a= satlins(n)= Ký hiệu: Hàm log_sig : (log-sigmoid) a= logsig(n)= Ký hiệu: Hàm tanghyperbolic : (tansig) a= tansig(n)= Ký hiệu: Hàm tuyến tính dương: (poslin) a= poslin(n)= Ký hiệu: Hàm cạnh tranh: (compet) a= compet(n)= C Ký hiệu: (Compet) 2/ Nơron nhiều tín hiệu vào. Thường thì một nơron có nhiều tín hiệu vào. Mô hình nơron có R tín hiệu vào được cho trong hình 2.3. Trong đó n= hay n= Wp+b;với nơron đơn W chỉ là vectơ hàng. f p1 w11 p2 w12 n= Wp+b a=f(Wp+b) w1R b pR 1 Hình 2.3. Nơron đơn nhiều tín hiệu vào a= f(Wp +b). Ta sẽ mô tả một cách đơn giản nơron trên như hình 2.4. P W b f R x 1 n a = f(Wp + b) 1 x R 1 x 1 1 x 1 R 1 1 x 1 Hình 2.4. Mô tả đơn giản một nơron W: là trọng số kết nối b: Khuynh hướng f: Hàm chuyển 3/ Các kiểu kiến trúc mạng a/ Mạng 1 tầng Nơron. Mạng một tầng của S nơron được mô tả trong hình 2.7. Ký hiệu W là ma trận trọng số, p là vectơ tín hiệu vạo và b là vectơ khuynh hướng. f f f p1 w1,1 n1 a1 w2,1 wS1 b1 w1,2 1 w2,2 n2 a2 p2 wS,2 w1,R b2 w2,R 1 wS,R nS aS pR bS 1 Hình 2.5. Mạng nơron một tầng truyền tới Ma trận trọng số có dạng W= Ta quy ước chỉ số thứ nhất chỉ nơron mà tín hiệu đến còn chỉ số thứ hai là nguồn tín hiệu. n = Wp + b ; a = f(n) = f(Wp + b) b/ Mạng nhiều tầng Nơron Mạng có thể có nhiều tầng nơron, một mạng truyền tới 3 tầng (hai tầng nơron) cho trong hình 2.6. Trong đó chỉ số trên là tầng nơ ron tương ứng. Trong giáo trình nay ta nọi mạng n-tầng thì n là số tầng nơron. f1 f2 f1 f2 p1 p2 1 1 pR 1 1 Hình 2.6. Mô hình mạng ba tầng truyền tới Ta có: ai là đầu ra của tầng i n1 = W1p+ b1 ai = fi(ni), trong đó ni = Wi ai-1 + bi với mọi i ≥2. Mạng trên được mô tả đơn giản hơn trong hình 2.7. P W2 b2 f2 b1 f1 W1 a1 R x 1 S1 x R n1 S1 x 1 1 1 S1 x 1 Hình 2.7. Mô tả rút gọn mạng hai tầng nơron truyền tới. Tầng nơron cuối gọi là tầng ra, các tầng nơron còn lại gọi là tầng ẩn. Tầng đầu gọi là tầng vào và p là tín hiệu vào. Mạng nhiều tầng mạnh hơn mạng tầng đơn. Chẳng hạn một mạng hai tầng với hàm chuyển tầng ẩn là hàm Sigmoid và hàm chuyển tầng hai tuyến tính có thể xấp xỉ một hàm liên tục với độ chính xác tuỳ ý khi có đủ nhiều c/ Mạng hồi quy. Trước khi giới thiệu mạng hồi quy ta cần làm quen với một số khối xây dựng đơn giản. Khối trễ: T là biến thời gian là giá trị nguyên dương D u(t) a(t)=u(t-1) a(0) Hình 2.8. Khối trễ Bộ tích phân. Bộ này có đầu ra cho bởi công thức : a(t)= + a(0) Điều kiệu ban đầu a(0) được đưa và từ đáy. Bộ nay được ký hiệu như trong hình 2.9. u(t) a(t) a(0) t Hình 2.9. Bộ tích phân. Bây giờ ta làm quen với mạng hồi quy. Mạng hồi quy là mạng có một số tín hiệu ra được nối với tín hiệu vào của nó (có mối liên hệ ngược). Mạng hồi quy thường có nhiều khả năng hơn mạng truyền tới. Ví dụ trong hình 2.10 là một mạng hồi quy.: D W b f P n a(t) s x a 1 s s x 1 4/ Thuật toán áp dụng cho chương trình dự báo phụ tải Giải thuật lan truyền ngược Xét một mạng nơ ron 3 tầng: input, hiden, output Hàm kích hoạt của các nơ ron: logistic sigmod Giải thuật lan truyền ngược gồm 2 giai đoạn: + Lan truyền tiến (tính output của các nơ-ron) Tính giá trị đầu ra của mạng nơron là công xuất phụ tải tiêu thụ dựa vào thông tin giá trị của đầu vào là nhiệt độ và độ ẩm(12 mẫu dự báo dùng hàm z=g(v) để huấn luyện các mẫu dự báo) + Lan truyền ngược (thay đổi trọng số của các cung, dùng thông tin gradient của hàm lỗi) Cập nhật giá trị trọng số phụ tải đầu vào Dựa vào thông tin đầu vào là nhiệt độ và độ ẩm Tính sai số=giá trị thực tế-giá trị dự báo Hàm Lỗi x=E(z)=(z - t)2 Cập nhật giá trị trọng số dựa vào kết quả hàm lỗi b0=g(x) = Hàm huấn luyện mạng nơ ron là học không có giám sát(mỗi đầu ra là một giá trị đầu ra không biết trước) III/ Phân tích bài toán dự báo phụ tải 1/ Phát hiện thực thể bài toán: Thực thể bảng phụ tải: + Ngày (Ngay). + Nhiệt độ Max (NhietDoMax) + Độ ẩm Max (DoAmMax) + Phụ tải Max (Pmax) + Nhiệt độ Min (NhietDoMin) + Độ ẩm Min (DoAmMin) + Phụ tải Min (Pmin) Thực thể bảng Admin: + Mã admin (ID) + Tên đăng nhập (TenDangNhap) + Mật khẩu (MatKhau) + Quyền hạn (QuyenHan) 2/ Đặc tả bảng dữ liệu: Bảng Phụ tải Tên cột Kiểu dữ liệu Null Ngay datetime NhietDoMax int DoAmMax int PMax nchar(20) NhietDoMin int DoAmMin int PMin nchar(20) Bảng Admin Tên cột Kiểu dữ liệu Null ID int TenDangNhap nchar(20) MatKhau nchar(20) QuyenHan nvachar(20) IV/ Thiết kế giao diện chương trình 1/ Form giao diện chính 2/ Form dự báo phụ tải V/ Tổng kết Nhìn chung chương trình chạy ổn định, sai số trong dự báo tương đối nhỏ, nhưng vẫn còn một số lỗi cần khắc phục. MỤC LỤC Một số phần mềm sử dụng cho việc thiết kế và xây dựng chương trình: + Microsoft Visual Studio 2008 + Microsoft SQL Studio Express 2005 + Phần mềm hỗ trợ thiết kế giao diện cho Visual Studio: DevExpress 1.6 + Mật khẩu đăng nhập quyền Admin: toan, Password: 3010