Luận án kỹ thuật dự báo trong vận hành thị trường điện việt nam

1 CHƯƠNG I: TỔNG QUAN 1.1 Tổng quan vấn đề nghiên cứu Vấn đề dự báo điện đóng vai trị quan trọng có tính định kinh tế đời sống Đây môn khoa học quan trọng nhằm nghiên cứu phương pháp luận khoa học để đưa số xác xảy tương lai, giúp cho định hướng phương hướng kế hoạch cho tương lai, chủ động cơng việc xử lí biến cố Nếu không thực công tác dự báo điện năng, ta gặp phải hai trường hợp xảy ra, là: thiếu hụt điện sử dụng hay dư thừa điện sản xuất Trong năm qua, dự báo tiêu thụ điện thu hút quan tâm lớn từ Công ty điện lực nhà nghiên cứu từ khu vực khác Đối với Công ty điện lực vấn đề lớn họ cần phải ước lượng điện cần thiết để đáp ứng khách hàng họ Đối với họ, nhiệm vụ dễ dàng nhu cầu điện ngày tăng năm qua mơ hình tiêu thụ điện ngày khác với nhiều yếu tố bao gồm thời gian Vì vậy, mục tiêu Công ty điện lực dự báo phải bám sát với thực tế để ngăn ngừa thiếu hụt lãng phí điện Việc tìm kiếm phương pháp dự báo tốt khơng phải nhiệm vụ dễ dàng có nhiều biến như: nhiệt độ, độ ẩm, gió, nhân học, số lượng trung bình thiết bị điện nước, mùa năm, ngày tuần, ngày lễ đưa vào xem xét Ngoài ra, việc xây dựng nhà máy hệ thống điện cần có thời gian Do vậy, muốn đáp ứng yêu cầu sử dụng điện, ngành điện phải làm tốt công tác dự báo để lập kế hoạch triển khai Chính phát triển nhanh nhu cầu sử dụng điện gây cân đối tài để đảm bảo phát triển bền vững ngành Điện Giá điện mua cạnh tranh công cụ thị trường để tạo cân tự nhiên nhu cầu sử dụng điện, lợi nhuận ngành sản xuất đơn vị cung cấp điện [1] Hiện nay, phát triển nhanh khoa học kĩ thuật, đặc biệt công cụ tính tốn, nhiều phương pháp dự báo đã, nghiên cứu để đưa vào sử dụng Các mơ hình dự báo có nhiều loại [10] dựa phương pháp thống kê như: Phương pháp bình quân di động, Phương pháp bình qn di động có trọng số, Phương pháp san số mũ, Phương pháp san số mũ có điều chỉnh xu hướng, Phương pháp dự báo theo đường khuynh hướng, Phương pháp đường thẳng thống kê; Phương pháp đường thẳng thông thường; Phương pháp theo khuynh hướng có xét đến biến động thời vụ; Phương pháp đường Parabol thống kê; Phương pháp đường Logarit; Phương pháp đa hồi qui (Multiple regression method); Các mô hình ứng dụng để dự báo giới ứng dụng cơng nghệ mạng neuron mơ hình Rừng ngẫu nhiên (Random Forest Regression): RF phân loại hồi qui (CART), đưa Breiman (2001) [63] Trong RF, mẫu huấn luyện đặt cho nhà phân loại xây dựng cách sử dụng thuật toán Bagging [64] Khi xây dựng sở phân loại, nút bên kết hợp với tập hợp thuộc tính ứng cử viên ngẫu nhiên Trong phân loại hồi quy CART truyền thống, nút bên tập tập liệu ban đầu nút gốc chứa tất liệu ban đầu Các rừng ngẫu nhiên để hồi quy hình thành cách hình thành dựa vào vector ngẫu nhiên cho tiên đốn có giá trị số cao so với nhãn lớp Tập huấn luyện rút cách độc lập từ phân bố vector ngẫu nhiên, dự đoán rừng ngẫu nhiên hình thành cách lấy trung bình k Giải thuật rừng ngẫu nhiên sinh mơ hình có độ xác cao đáp ứng yêu cầu thực tiễn cho vấn đề phân loại, hồi qui [65] – [70] Phương pháp dự báo từ mơ hình chuỗi thời gian (mơ hình BOXJENKINS) để đưa dự báo ngắn hạn trung hạn Các mơ hình kinh tế lượng chủ yếu dựa động thái rõ nét đối tượng có liên quan đến hệ thống kinh tế Tuy nhiên họ mơ hình thay khác sử dụng rộng rãi, đặc biệt dự báo ngắn hạn, gọi mơ hình chuỗi thời gian Chủ yếu, mơ hình nối kết biến phụ thuộc với giá trị khứ với sai số ngẫu nhiên mà có tương quan theo chuỗi Một tổng quát, mơ hình chuỗi thời gian khơng dựa động thái kinh tế rõ nét Cách 30 năm, mơ hình chuỗi thời gian sử dụng phổ biến kỹ thuật khoa học vật lý Tuy nhiên, khoảng thập kỷ gần đây, phương pháp chuỗi thời gian sử dụng rộng rãi kinh tế học đặc biệt dự báo ngắn hạn, mơ hình chuỗi thời gian chứng tỏ thích hợp so với mơ hình kinh tế lượng Một phương pháp phổ biến việc lập mơ hình chuỗi thời gian phương pháp trung bình trượt kết hợp tự hồi quy (autoregressive integrated moving average - ARIMA), thường gọi phương pháp luận Box-Jenkins Trọng tâm phương pháp dự báo khơng phải xây dựng mơ hình đơn phương trình hay phương trình đồng thời mà phân tích tính chất xác suất hay ngẫu nhiên thân chuỗi thời gian kinh tế theo triết lý “hãy để liệu tự nói” Tác giả nghiên cứu mơ hình thống kê Box-Jenkin (SARIMA), nghiên cứu mơ hình học máy tiên tiến như: Neural Network, Support Vector Regression, Random Forest,… để xây dựng mơ hình dự báo (dự báo ngắn hạn, trung hạn) theo yêu cầu Cục Điều Tiết Điện lực (ERAV) – Bộ Công Thương 1.2 Tổng quan tình hình nghiên cứu nước nước liên quan đến đề tài Dự báo phụ tải điện với độ xác cao nhiệm vụ vô quan trọng qui hoạch vận hành hệ thống điện Nếu dự báo trung dài dài hạn quan tâm nghiên cứu nhiều nước ta (chủ yếu để phục vụ qui hoạch phát triển hệ thống điện) dự báo ngắn hạn đóng vai trị quan trọng vận hành kinh tế hệ thống điện, lại chưa quan tâm nghiên cứu mức a) Ngoài nước Trên giới, nghiên cứu STLF giai đoạn gần tập trung vào hướng sau: Rất nhiều phương pháp tiếp cận đề xuất tài liệu để xét đến xu hướng biến đổi phụ tải, hầu hết nghiên cứu STLF dựa phương án tính sai phân bậc chuỗi phụ tải để xét xu hướng biến đổi phụ tải Mặt khác, hầu hết biến động phụ tải điện chủ yếu chịu chi phối yếu tố điều kiện khí hậu, nhiệt độ số trời sáng ngày Mặc dù biến động có hệ thống tồn chuỗi phụ tải, với STLF thời gian đưa dự báo ngắn chiều dài chu kỳ hàng năm; đó, đoán phương pháp dự báo ngắn hạn STLF khơng cần thiết phải mơ hình hóa tính mùa đảm bảo độ tin cậy, thay vào tập trung đánh giá theo dựa theo tính chu kỳ với khoảng thời gian ngắn hạn chu kỳ theo tuần, chu kỳ ngày (Weron (2006) Taylor (2008)) Gần số tác giả đề xuất mơ hình chi tiết có xét tới xu hướng tính thời vụ hàng năm Soares and Mederios (2008) mô xu hướng tải hàm xác định tổng sản phẩm quốc nội; Dordonnat et al (2008) ước tính xu hướng tuyến tính cục theo ngày Dordonnat et al (2008) Soares Mederios (2008) mơ hình hóa tính chu chu kỳ hàng năm tổ hợp hàm sin cosin giống phân tích chuỗi Fourier • Xử lý mẫu trong-tuần trong-ngày Khi lập mơ hình phụ tải điện theo (hoặc nửa giờ) cần quan tâm tới hai yếu tố dạng đồ thị phụ tải điển hình ngày tuần mùa Trong toán STLF tồn hai cách tiếp cận để xử lý đồ thị phụ tải ngày: sử dụng mơ hình phương trình cho tất sử dụng mơ hình đa phương trình với phương trình khác cho khác ngày Cách tiếp cận cho phép áp dụng mơ hình có khả mơ hình hóa tính động của mơ hình tuần ngày, mơ hình ARIMA theo mùa kép phương pháp làm mịn theo cấp số mũ cho mùa kép (Taylor (2008)) Một cách tiếp cận khác để nắm bắt mơ hình biểu đồ phụ tải ngày coi chuỗi thời gian riêng biệt Một cách đơn giản nhất, phương pháp sử dụng 24 mơ hình độc lập cho 24 ngày; phương pháp phức tạp bao gồm mô hình vectơ phương trình cho khác có liên hệ chéo (Ramanathan et al (1997), Cottet and Smith (2003), Dordonnat et al (2008) Soares and Mederios (2008)) Nhìn chung phương pháp dùng mơ hình riêng biệt cho sử dụng rộng rãi • Xử lý ảnh hưởng biến thời tiết Các điều kiện khí tượng có ảnh hưởng đáng kể đến phụ tải tiêu thụ điện Các yếu tố nhiệt độ, xạ mặt trời, độ ẩm, tốc độ gió, tình trạng mây mù, hay lượng mưa sử dụng biến ngoại sinh để cải tiến dự báo phụ tải điện Tuy nhiên, theo Weron (2006) & kết khảo sát dự báo phụ tải (Hippert et al 2001a) cho thấy hầu hết nghiên cứu có xét đến ảnh hưởng nhiệt độ có nghiên cứu xét thêm ảnh hưởng yếu tố thời tiết khác Việc sử dụng biến nhiệt độ phần liệu thường có sẵn liệu khác thời tiết thường không đầy đủ (Soares and Mederios 2008) Nhiều nghiên cứu tìm mối tương quan phụ tải điện nhiệt độ trời (Engle et al 1986; Sailor and Mu˜ noz 1997; Valor et al 2001; Pardo et al 2002; Moral-Carcedo and Vic’ ens-Otero 2005; Cancelo et al 2008) mức độ tương quan Mặc dù mối liên hệ phụ thuộc vào đặc trưng khí hậu vùng địa lý xem xét, nhiên mối liên hệ đa dạng phức tạp, ví dụ phụ tải điện tăng lên dù nhiệt độ có tăng hay giảm Lý nhiệt độ giảm việc sử dụng hệ thống sưởi tăng lên, nhiệt độ tăng việc sử dụng điều hịa lại tăng; mối liên hệ coi khơng tuyến tính Ngồi mối liên hệ tương quan cịn thay đổi tùy theo ngày làm việc hay ngày nghỉ, tùy theo tháng năm (Cancelo et al 2008) Để giải mối quan hệ phi tuyến S´anchez-Ubeda and Wehenkel (1998) đề xuất mơ hình phân đoạn nhiệt độ: vùng lạnh (dưới 15 độ), vùng trung gian (1517 độ), vùng nóng (trên 17 độ) Trong trường hợp liệu thời tiết cho với nhiều kịch khác sử dụng mơ hình học máy kết hợp (Taylor Buizza 2003), dự báo phụ tải tính tốn theo nhiều kịch đưa kết dự báo theo khoảng giá trị • Xử lý ngày kiện theo lịch Đồ thị phụ tải phụ thuộc vào loại ngày xét ngày làm việc, ngày cuối tuần, ngày nghỉ lễ…do mơ hình dự báo thường xây dựng riêng cho ngày bình thường tuần, ngày lễ tuần (Ramanathan et al 1997) Mặt hạn chế phương pháp khó khăn xử lý ngày lễ đặc biệt ngày đầu năm Để giải toán dự báo cho ngày lễ đặc biệt cần mơ hình có sử dụng biến phụ (Moral-Carcedo and Vicens-Otero 2005) b) Trong nước Ở nước ta, có vài nghiên cứu dự báo phụ tải điện nặng nghiên cứu phương pháp luận học thuật, chưa vào số liệu cụ thể, sai số dự báo cao khả áp dụng nhiều giới hạn Các đề tài nước nghiên cứu vấn đề dự báo ngắn hạn phụ tải điện sau: − Đề tài nghiên cứu cấp Bộ Công Thương Viện Năng Lượng Trần Kỳ Phúc làm chủ nhiệm năm 2008 Đề tài “Nghiên cứu ứng dụng mạng Nơron nhân tạo dự báo ngắn hạn phụ tải điện” [71] Theo đó, đề tài nghiên cứu thiết kế mơ hình, lập phần mềm thử nghiệm dự báo đỉnh – đáy – dạng biểu đồ phụ tải ngày dùng mạng neuron nhiều lớp thuật toán lan truyền ngược sai số MLP mạng lớp thuật tốn học khơng giám sát Kohonen − Mạng Wavelet cho toán dự báo phụ tải ngắn hạn ngày đặc biệt TS Nguyễn Hoàng Việt, Trần Anh Dũng Nguyễn Quang Thi – Tạp chí phát triển KH&CN, tập 10 số – 2007 [72] − Ứng dụng mạng Neural song tuyến toán dự báo phụ tải điện Trần Thị Hoàng Oanh, Trần Hoàng Lĩnh, Đồng Sĩ Thiên Châu Nguyễn Kỳ Tài - Tạp chí phát triển KH&CN, tập 10 số 11 – 2007 [73] − Mơ hình dự báo phụ tải ngắn hạn dựa phương pháp xử lý liệu nhóm Lê Đình Dương – ISSN 1859-1531 - Tạp Chí Khoa Học Công Nghệ Đại Học Đà Nẵng, VOL 17, NO 7, 2019 [77] Theo đó, Thuật tốn GMDH biểu diễn dạng tập hợp nơron cặp khác lớp kết nối thông qua đa thức bậc hai tạo nơron lớp GMDH hoạt động cách xây dựng lớp liên tiếp với liên kết (hoặc kết nối) phức tạp mục đa thức Lớp ban đầu đơn giản lớp đầu vào Lớp thực cách hồi quy biến đầu vào sau chọn biến tốt Lớp thứ hai tạo cách tính hồi quy giá trị lớp với biến đầu vào Điều có nghĩa thuật toán xây dựng đa thức đa thức Ngồi ra, cịn có số nghiên cứu liên quan đến công tác dự báo ứng dụng lĩnh vực kinh tế, thời tiết, Cụ thể: − Ứng dụng mơ hình ARIMA để dự báo VNINDEX, TS Võ Thị Thúy Anh Khoa Tài Chính – Ngân hàng, Trường Đại học Kinh tế Tuyển tập Báo cáo Hội nghị Sinh viên Nghiên cứu Khoa học lần thứ Đại học Đà Nẵng năm 2010 [74] Theo đó, đề tài đề xuất sử dụng mơ hình ARIMA phương pháp Box-jenkins để dự báo số VnIndex ngắn hạn vào chuỗi liệu khứ − Xây dựng mơ hình mơ tốc độ gió từ tốc độ gió trung bình hàng tháng Nguyễn Thế Bảo – Trường Đại học Bách khoa HCM, Trần Hồng Hà – Trung tâm kiểm định kỹ thuật an toàn khu vực 2; Science & Technology Development, Vol 9, No.7- 2006 [75] Bài báo trình bày phương pháp mơ hình hóa thống kê tuyến tính quy trình mơ cho phép tạo chuỗi số liệu tốc độ gió cho năm với số liệu đầu vào tốc độ gió trung bình hàng tháng Kết so sánh số liệu mô từ mơ hình với số liệu quan sát thực tế cho thấy mơ hình đảm bảo độ tin cậy để tạo chuỗi số liệu tốc độ gió đầu vào tốn mơ kỹ thuật, tốn lượng gió − Một số phương pháp khai phá liệu chuỗi thời gian dự báo tài chính, chứng khốn (mơ hình ARIMA) – Nguyễn Ngọc Thiệp – Trường Đại học Công Nghệ - Đại học Quốc Gia Hà Nội [76] Đề tài nghiên cứu, thi hành mơ hình ARIMA (từ nghiên cứu Box- Jenkins) ứng dụng vào toán khai phá liệu chuỗi thời gian dự báo tài chính, chứng khốn cách áp dụng vào toán thực tế - dự báo lên xuống thị trường chứng khoán Việt Nam 1.3 Các yếu tố tác động đến mơ hình dự báo phụ tải ngắn hạn Dự báo phụ tải ngắn hạn vận hành thị trường điện thường dự báo phụ tải cho ngày tới, tuần tới với chu kỳ 60/30 phút, chia thành loại ngày tuần, chẳng hạn như: ngày bình thường (thứ ba đến thứ 6); ngày thứ 2; ngày thứ 7; ngày chủ nhật, ngày lễ, Tết (Dương lịch Nguyên Đán); kỳ nghỉ năm Mỗi loại ngày có đặc điểm hình thái riêng nó, mơ hình dự báo thiết lập phải phản ánh đặc tính Các mẫu phụ tải điện bao gồm yếu tố tiềm ẩn, thường có xu hướng tương đồng mơ hình tải trước đó, nhiên, dẫn đến dự đốn sai ngày kiểu ngày khác so với ngày trước có kiện tác động Ngồi ra, biến đổi theo mùa, xu khí tượng học (như El nino, La nina) xem xét cẩn thận Các biến thời tiết có ảnh hưởng đáng kể đến nhu cầu tải Nhiều biến thời tiết xem xét dự báo tải (nhiệt độ, tốc độ gió, độ che phủ mây, độ ẩm), ảnh hưởng chúng đến nhu cầu tải khác Theo nhiều tác giả, nhiệt độ biến chấp nhận rộng rãi dự báo tải điện Tuy nhiên, cần phải cẩn thận dự báo nhiệt độ vấn đề phức tạp nhiều so với dự báo tải điện nhiệt độ ước tính sử dụng cho đầu vào thay số thực Tuy nhiên, khơng phải lúc nhiệt độ lựa chọn tốt cho đầu vào dự báo, đơi làm giảm độ xác kết dự báo Ngoài ra, nước Châu Á có sử dụng lịch âm vấn đề cần quan tâm khó dự đốn ngày lễ, Tết Nguyên Đán (thường rơi vào ngày cuối tháng đầu tháng dương lịch) Thường kết dự báo giai đoạn có sai số lớn, có sai lệch chu kỳ phụ tải ngày dương lịch ngày âm lịch Đối với toán dự báo trước đây, tác giả thường lấy giá trị khứ liệu như: phụ tải ngày trước, trước, trung bình tuần trước,… để làm liệu đầu vào huấn luyện Như trình bày trên, đặc thù nước sử dụng lịch âm lịch dương nên thực tế việc sử dụng liệu đầu vào bị ảnh hưởng lớn chênh lệch ngày âm ngày dương, làm cho kết dự báo bị ảnh hưởng nhiều, tháng 01 02 Quan sát biểu đồ phụ tải tháng 01 tháng 02, thấy có biến động lớn hình dáng biểu đồ qua năm, làm cho việc sử dụng liệu khứ để dự báo cho khoảng thời gian phức tạp Trên thực tế, thuật toán áp dụng để dự báo cho Việt Nam phải thực qua khâu trung gian qui đổi tháng thành tháng thông thường sau chạy kết dự báo qui đổi ngược lại chấp nhận sai số lớn Các phần mềm thương mại nước cung cấp gặp rắc rối Thêm nữa, với tác động biến đổi khí hậu tồn cầu số liệu dự báo thời tiết gần không chuẩn xác khoảng thời gian dự báo tin cậy ngắn từ 05 đến 07 ngày, khó đáp ứng yêu cầu ngày cao qui định thị trường điện bán buôn cạnh tranh (các Tổng công ty Điện lực phải công bố bảng chào Qc tháng N+1 24 chu kỳ trước ngày 20 tháng N,…) 1.4 Mục tiêu luận án − Xây dựng mơ hình kết hợp Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) – Support Vector Regression (SVR) để tối ưu giảm thiểu yếu tố làm ảnh hưởng đến kết dự báo phụ tải ngắn hạn đáp ứng yêu cầu dự báo ngắn hạn Cục Điều Tiết Điện lực (ERAV) – Bộ Công Thương 10 − Áp dụng giải thuật mơ hình kết hợp Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) – Support Vector Regression (SVR) vào thực tế dự báo ngắn hạn EVNHCMC, cung cấp kết dự báo cho nhà quản lý điều hành thị trường điện cạnh tranh, đánh giá, hiệu chỉnh kết dự báo Qc, hạn chế rủi ro tận dụng biến động thị trường để tính tốn chi phí tối ưu cho giá điện 1.5 Nhiệm vụ giới hạn luận án Nội dung đề tài thể vấn đề sau: − Nghiên cứu phương pháp ứng dụng dự báo vận hành thị trường điện giới Việt Nam để chọn sở xây dựng mơ hình Biểu đị phụ tải − Nghiên cứu yếu tố ảnh hưởng đến phụ tải ảnh hưởng đến chi phí gía điện, khảo sát ảnh hưởng hậu Việt nam đến dự báo: đặc tính, thành phần chuỗi liệu khứ điện ghi nhận theo năm, theo tháng, theo ngày theo (thành phần xu hướng, thành phần chu kỳ, thành phần bất qui tắc thành phần theo mùa) − Nghiên cứu mô hình dự báo tiên tiến giới để xây dựng giải thuật để áp dụng dự báo phụ tải theo tháng/năm; dự báo ngày/tháng dự báo phụ tải 24 giờ/ngày, có xem xét tác động yếu tố thời tiết yếu tố tác động khác (nếu có), tạo tiền đề để áp dụng dự báo thị trường điện phân phối bán lẻ cạnh tranh − Nghiên cứu kỹ thuật ước lượng lại liệu bị lỗi, thiếu sai sót − Thiết kế đề xuất mơ hình kết hợp Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) – Support Vector Regression (SVR) để tối ưu giảm thiểu yếu tố làm ảnh hưởng đến kết dự báo phụ tải ngắn hạn đáp ứng yêu cầu dự báo ngắn hạn Cục Điều Tiết Điện lực (ERAV) − Tiến hành thực nghiệm ứng dụng mơ hình vào Chương trình dự báo phụ tải phục vụ Vận hành Thị trường điện bán buôn cạnh tranh theo qui định Thông 150 CHƯƠNG VI – KẾT LUẬN 6.1 CÁC KẾT QUẢ ĐẠT ĐƯỢC CỦA LUẬN ÁN Luận án xác định hướng nghiên cứu rõ ràng, xây dựng cụ thể mục tiêu nghiên cứu, nội dung phương pháp nghiên cứu Trên sở nội dung xác định, luận án giải vấn đề nghiên cứu đặt ra: − Nghiên cứu đặc tính, thành phần chuỗi liệu khứ điện ghi nhận theo năm, theo tháng, theo ngày theo (thành phần xu hướng, thành phần chu kỳ, thành phần bất qui tắc thành phần theo mùa) − Nghiên cứu qui trình Nghiên cứu phụ tải điện, đề xuất xây dựng Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) − Đã đề xuất phương pháp xây dựng đường cong hồi qui giải thuật huấn luyện SVR (Support Vector Regression) kết hợp Biểu đồ phụ tải chuẩn hóa đơn vị (SLP), từ ước lượng, xử lý vấn đề thiếu, sai sót liệu q trình nghiên cứu, dự báo phụ tải điện − Đã xây dựng giải thuật Mơ hình kết hợp Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) - Support Vector Regression (SVR) để làm hàm dự báo STLF (kiểm chứng với liệu 05 Tổng công ty Điện lực) − Nghiên cứu thử nghiệm kỹ thuật dự báo tiên tiến như: mơ hình SARIMA, Neural Network, Support Vector Regression, Ramdom Forest để xây dựng giải thuật để dự báo phụ tải theo tháng/năm; dự báo ngày/tháng dự báo phụ tải 24 (48) giờ/ngày, có xem xét tác động yếu tố thời tiết yếu tố tác động khác − Chạy kết dự báo dài hạn (5-10 năm), dự báo theo tháng/ năm kết dự báo ngắn hạn 24/48 chu kỳ 365 ngày/ năm theo qui định thị trường cho Tổng công ty Điện lực TP.HCM Theo đó, kết sai số dự báo thực phù hợp với qui định Quyết định số 07/QĐ-ĐTĐL ngày 14 151 tháng 03 năm 2013 Cục trưởng Cục Điều tiết điện lực việc phê duyệt Quy trình dự báo nhu cầu phụ tải điện Hệ thống điện quốc gia, sai số lũy kế cho phép ± 3% − Đánh giá ảnh hưởng giá thị trường điện đến công tác dự báo nhu cầu phụ tải nhằm đảm bảo hạn chế rủi ro, tối đa hóa lợi nhuận hoạt động Sản xuất – Kinh doanh Tổng công ty Điện lực phân phối mơi trường thị trường điện 6.2 TĨM TẮT CÁC ĐĨNG GĨP CHÍNH CỦA LUẬN ÁN Luận án có đóng góp cho khoa học sau: − Luận án nghiên cứu xây dựng thành công công cụ tự động ước lượng liệu bị lỗi mà trước phải thực thực cách thủ cơng Mơ hình kết hợp Biểu đồ chuẩn hóa đơn vị (SLP) Support Vector Regression (SVR) góp phần không nhỏ kỹ thuật ước lượng lại liệu bị lỗi, bị trình đo đếm, thu thập liệu Kết thể Chương II, III − Luận án xây dựng thành công giải thuật sử dụng Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) làm liệu đầu vào cho modules xây dựng hàm hồi qui phát huy tác dụng cho kết dự báo có độ sai số thấp, giải câu chuyện chênh lệch ngày âm ngày dương, ngày lễ hội, ngày đặc biệt năm ngày tháng 01 02 (tháng có Tết âm lịch) Mơ hình kết hợp Biểu đồ chuẩn hóa đơn vị (SLP) Support Vector Regression (SVR) để làm hàm dự báo STLF (kiểm chứng với liệu 05 Tổng công ty Điện lực) giải khó khăn, vướng mắc mà luận án đề Chương I − Luận án thử nghiệm nhiều mơ hình dự báo tiên tiến theo xu hướng giới như: Kỹ thuật thống kê – mơ hình SARIMA; Trí tuệ nhân tạo (học máy) – mạng Neural Network, Feedforward Networks; Rừng ngẫu 152 nhiên (Random Forest); Qua đó, đánh giá kết giải thuật xây dựng đường cong hồi qui mơ hình, với trọng số khác nhau, để từ lựa chọn mơ hình có sai số phù hợp làm hàm dự báo STLF Kết thể Chương IV, V − Ngoài ra, luận án có phân tích tác động giá thị trường SMP hợp đồng CFD đến kết dự báo Qc để hạn chế tới mức thấp rủi ro tận dụng biến động thị trường để mang lợi nhuận cao Kết thể Chương V 6.3 HƯỚNG PHÁT TRIỂN CỦA LUẬN ÁN Hiện luận án chạy mơ hình sở liệu nhiệt độ, cơng suất, sản lượng tồn hệ thống điện thành phố Hồ Chí Minh, mà chưa tiến hành chạy mơ hình đến nút, từng máy biến áp chí đến vị trí tải Do hạn chế mặt thu thập liệu trình vận hành (thu thập liệu đo đếm chu kỳ 60 phút/ 30 phút yêu cầu) vị trí nêu nên hướng phát triển tới sử dụng mơ hình huấn luyện trình bày để chạy dự báo STLF cho số nút TBA 220kV TBA 110kV địa bàn thành phố (có liệu thu thập theo yêu cầu) Ngoài ra, việc kiểm chứng liệu 04 Tổng cơng ty Điện lực cịn lại cho thấy mức độ sai số mơ hình khác nhau, có liệu cho sai số kết thấp (< 2%) có liệu cho sai số liệu cao (~ 4%) Điều cho thấy chất lượng liệu không đồng số lượng liệu chưa đầy đủ, chưa thể hết chất tải (đối với Tổng công ty Điện lực Miền Trung, Tổng công ty Điện lực Miền Bắc có biến động thời tiết bất thường) Trong thời gian tới, luận án cập nhật thêm liệu hoàn thiện huấn luyện kết xác hơn, tạo điều kiện phát triển mơ hình cho tất Tổng cơng ty Điện lực Tập đồn điện lực Việt Nam 153 TÀI LIỆU THAM KHẢO [1] Đề án “Thiết kế tổng thể thị trường phân phối điện cạnh tranh” Cục Điều tiết Điện lực Việt Nam – Bộ Công Thương – năm 2014 [2] Barakat, E H., Qayyum, M A., Hamed, M N., and Al-Rashed, S A., “Short-term peak demand forecasting in fast developing utility with inherent dynamic load characteristics”, IEEE Transactions on Power Systems, 5, 1990, pp 813-824 [3] El-Keib, A A., MA, X., and MA, H., “Advancement of statistical based modeling for short-term load forecasting”, Electric Power Systems Research, 35, 1995, pp 51-58 [4] Juberias, G., Yunta, R., Garcia Morino, J., And Mendivil, C., 1999, A new ARIMA model for hourly load forecasting IEEE Transmission and Distribution Conference Proceedings, 1, 314±319 [5] Luis A Dı´az-Robles, Juan C Ortega, Joshua S Fu, Gregory D Reed, Judith C Chow, John G Watson, Juan A Moncada-Herrera A hybrid ARIMA and artificial neural networks model to forecast particulate matter in urban areas: The case of Temuco, Chile Atmospheric Environment 42 (2008) 8331– 8340 [6] Jan Sterba, Katarina Hilovska The implementation of hybrid ARIMANeural network prediction model for aggregate water consumption prediction, 2010 [7] Mehdi Khashei, Mehdi Bijari – Department of Industrial Engineering, Isfahan University of Technology, Isfahan, Iran A novel hybridization of artificial neural networks and ARIMA models for time series forecasting Applied Soft Computing 11 (2011) 2664–2675 [8] Xiping Wang – Department of Economy and Management, North China 154 Electric Power University, Baoding 071003, China A Hybrid Neural Network and ARIMA Model for Energy Consumption Forecasting Journal Of Computers, VOL 7, NO 5, May 2012 [9] Lintao Yang College and Honggeng Yang of Electrical Engineering and Information Technology, Sichuan University Chengdu, China A Combined ARIMA-PPR Model for Short-Term Load Forecasting 2019 IEEE PES Innovative Smart Grid Technologies Asia 978-1-7281-3520-5/19/$31.00 ©2019 IEEE [10] Quyết định số 07/QĐ-ĐTĐL ngày 14/03/2013, Cục trưởng Cục Điều tiết Điện lực ban hành Quy trình với quy định nguyên tắc, trình tự, thủ tục phương pháp dự báo nhu cầu phụ tải điện hệ thống điện quốc gia làm sở để lập kế hoạch đầu tư phát triển hệ thống điện quốc gia, kế hoạch phương thức vận hành hệ thống điện vận hành thị trường điện [11] K Liu, S Subbarayan, R R.Shoults, M T Manry, C Kwan, F L LEWIS and J NACCARINO, “Comparison Of Very Short-Term Load Forecasting," IEEE Transactions on Power Systems, Vol.11,pp 877-882, 1996 [12] Y Y Hsu, “Fuzzy Expert Systems: An Application to Short-Term Load Forecasting”, IEEE Proceedings,” D C, Vol 139, pp 471-477, 1992, [13] R H Liang and Y Y HSU, “Fuzzy linear programming: an application to hydroelectric generation scheduling," IEE Proceedings: Generation, Transmission and Distribution, Vol.141, pp.568-574, 1994 [14] P K Dash, A C Liew and S Rahman, “Comparison of Fuzzy Neural Networks for the Generation of Daily Average and Peak Load Profiles," International Journal of System Science, Vol.26, pp.2091-2106, 1995 [15] H Mori and H Kobayashi, “Optimal Fuzzy Inference For Short- Term Load Forecasting," IEEE Transaction on Power System, Vol.11, pp.390-396, 1996 [16] P K Dash, A C Liew and S Rahman, “Fuzzy Neural Network and Fuzzy 155 Expert System for Load Forecasting," IEE Proceedings: Generation, Transmission, and Distribution, Vol.143,1996, pp.106-114 [17] I J Ramirez-Rosado and J A Dominguez-Navarro, “Distribution Planning of Electric Energy Using Fuzzy Models," International Journal of Power and Energy Systems, Vol.16, 1996, pp.49-55 [18] M Chow and H TRAM, “Application of Fuzzy Logic Technology for Spatial Load Forecasting," IEEE Transactions on Power System, Vol.12, 1997, pp 1360-1366 [19] M Chow, J Zhu and H Tram, “Application of Fuzzy Multiobjective Decision Making in Spatial Load Forecasting," IEEE Transactions on Power Systems, Vol.13, 1998 pp 1185-1190 [20] T Senjyu, S Higa and K Uezato, “Future Load Curve Shaping Based on Similarity Using Fuzzy Logic Approach," IEE Proceedings: Generation, Transaction and Distribution, Vol 145, 1998, pp 375-380 [21] H Mori, Y Sone, D Moridera and T Kondo, “Fuzzy Inference Models For Short-Term Load Forecasting With Tabu Search," IEEE Systems, Man and Cybernetics Conference Proceedings, Vol.6, 1999, pp 551-556 [22] H.-C Wu and C Lu, “Automatic Fuzzy Model Identification for Short-Term Load Forecast," Generation Transmission And Distribution, IEE Proceedings, Vol.146, 1999, pp.477-482, [23] Shruthi Mathew, Siraparapu Satyanarayana – Department of Electrical Engineering, ITM University, Raipur, India An Overview of Short Term Load Forecasting in Electrical Power System using Fuzzy Controller 2016 5th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO) (Trends and Future Directions), Sep 7-9, 2016, AIIT, Amity University Uttar Pradesh, Noida, India 978-1-5090-14897/16/$31.00 ©2016 IEEE 156 [24] Hippert, H.S., Pedreira, C.E., Souza, R.C., Neural networks for short-term load forecasting: A review and evaluation IEEE Transactions on Power Systems 16 (1), 2001,pp 44-55 [25] Bishop, C.M., 1995 Neural Networks for Pattern Recognition Oxford University Press [26] Becalli, M., Cellura, M., Lo Brano, V., Marvuglia, A., Forecasting daily urban electric load profiles using artificial neural networks Energy Conversion and Management 45, 2004,pp 2879-2900 [27] Hippert, H.S., Bunn, D.W., Souza, R.C., Large neural networks for electricity load forecasting: Are they over fitted International Journal of Forecasting 21, 2005,pp 425-434 [28] Senjyu, T., Mandal, P., Uezato, K., Funabashi, T., Next day load curve forecasting using recurrent neural network structure IEE Proceedings of Generation, Transmission and Distribution 151 (3), 2004,pp 388-394 [29] Tran, C.N., Park, D.-C., Choi, W.-S., Short-term load forecasting using multiscale bilinear recurrent neural network with an adaptive learning algorithm In: King, I et al (Eds.), Thirteenth International Conference on Neural Information Processing (ICONIP 2006), LNCS, vol 4233 Springer, 2006, pp 964-973 [30] Gonzalez-Romera, E., Jaramillo-Moran, M.A.,Carmona Fernandez, D., Monthly electric energy demand forecasting based on trend extraction IEEE Transactions on Power Systems 21 (4), 2006,pp 1946-1953 [31] Ringwood, J.V., Bofelli, D., Murray, F.T., Forecasting electricity demand on short, medium, and long time scales using neural networks Journal of Intelligent and Robotic Systems 31, 2001, pp 129-147 [32] Fidalgo, J., Matos, M.A., Forecasting portugal global load with artificial neural networks In: Marques de Sa, J et al (Eds.), ICANN 2007, Part II, 157 vol 4669 Springer, 2007, pp 728-737 [33] N.-H Liao, Z.-H Hu, Y.-Y Ma, and W.-Y Lu, “Review of the shortterm load forecasting methods of electric power system,” Dianli Xitong Baohuyu Kongzhi/Power System Protection and Control, vol 39, no 1, pp 147-152, 2011 [34] A Lahouar and J Ben Hadj Slama, “Day-ahead load forecast using random forest and expert input selection,” Energy Conversion and Management, vol 103, pp 1040-1051, 2015 [35] Madan Mohan Malaviya University of Technology, Gorakhpur, India ShortTerm Demand Forecasting by Using ANN Algorithms Astha Singh; Kishan Bhushan Sahay – Department of Electrical Engineering 2018 International Electrical Engineering Congress (iEECON), Krabi, Thailand [36] Changhai Li, Yunlong Teng, Lulu An, Qiuge Dan – School of Mechanical and Electrical Engineering University of Electronic Science and Technology of China Interval Prediction Method Based on Neural Networks for ShortTerm Load Forecasting 2020 Asia Energy and Electrical Engineering Symposium 978-1-7281-6782-4/20/$31.00 ©2020 IEEE [37] K Sastry and D Goldberg, Genetic Algorithms 1975 [38] DeJong KA An analysis of the behaviour of a class of genetic adaptive systems Doctoral Dissertation, University of Michigan 1975 [39] Heine S, Neumann I Optimal load forecast models using an evolutionary algorithm In: Proceedings of the 2nd European Congress on Intelligent Techniques and Soft Computing Germany: Aachen; 1994 p 1690-4 [40] D Floreano and F Mondada Evolution of homing navigation in a real mobile robot IEEE Trans on Systems, Man, and Cybernetics - Part B: Cybernetics, 26(3):396–407, 1996 11 [41] D A Goldberg Genetic Algorithms in Search, Optimization, and Machine 158 Learning Addison-Wesley Publishing Company, Inc., 1989 [42] Goldberg, D.E 1989 Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, Reading, Massachusetts [43] Reeves CR Modern heuristic techniques for combinatorial problems Oxford, United Kingdom: Blackwell Scientific; 1996 [44] M Melanie, An Introduction to Genetic Algorithms Massachusetts Institute of Technology, 1999 [45] M G R Cheng, Genetic Algorithms & Engineering Optimization, Hamid R P JOHN WILEY & SOBS, INC, 2000 [46] Z Honghui and L Yongqiang, “Application of an Adaptive Network-Based Fuzzy Inference System Using Genetic Algorithm for Short Term Load Forecasting,” 2012 Int Conf Comput Sci Electron Eng., pp 314-317, 2012 [47] B Islam, z Baharudin, Q Raza, and p Nallagownden, “Hybrid and Integrated Intelligent System for Load Demand Prediction,” in B Islam, z Baharudin, Q Raza el at., 2013, no June, pp 178-183 [48] F Yu and X Xu, “A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network,” Appl Energy, vol 134, pp 102-113, 2014 [49] S Yu, K Wang, and Y Wei, “A hybrid self-adaptive Particle Swarm Optimization - Genetic Algorithm - Radial Basis Function model for annual electricity demand prediction,” Energy Convers Manag., vol 91, pp 176185, 2015 [50] Mamunu Mustapha, Sani Salisu, Abdullahi Abdu Ibrahim and Muhammad Dikko Almustapha – Department of Electrical Enginerring Kano University of Science and Technology Wudil Kano, Nigeria Pattern-based Short-Term Load Forecasting using Optimized ANFIS with Cuckoo Search Algorithm 159 2020 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA) 978-1-7281-9352-6/20/$31.00 ©2020 IEEE [51] V.Vapnik, 1995, “The nature of statistical learning theory,” Springer, NY [52] S.R Gunn, 1998: Support Vector Machines for Classification and Regression, Technical Report, Image Speech and Intelligent Systems Research Group, University of Southampton [53] V Cherkassky, Y Ma, 2002: Selection of Meta-parameters for Support Vector Regression, International Conference on Artificial Neural Networks, Madrid, Spain, Aug pp 687 – 693 [54] D Basak, S Pal, D.C Patranabis, Oct 2007: Support Vector Regression, Neural Information Processing – Letters and Reviews, Vol 11, No 10, pp 203 – 224 [55] A.J Smola, B Schölkopf, Aug 2004: A Tutorial on Support Vector Regression, Statistics and Computing, Vol 14, No 3, pp 199 – 222 [56] C.-C Chang and C.-J Lin, "LIBSVM: A library for support vector machines," ACM Transactions on Intelligent Systems and Technology, vol 2, pp 27:1-27:27, 2011, software available at http://www.csie.ntu edu.tw/~cjlin/libsvm [57] Juan Huo,Tingting Shi and Jing Chang, Comparison of Random Forest and SVM for Electrical Short-term Load Forecast with Different Data Sources, 978-1-4673-9904-3/16/$31.00 ©2016 IEEE; [58] Understanding Support Vector Machine Regression and Support Vector Machine Regression, http://www.mathworks.com [59] Karthika S Department, Vijaya Margaret and Dr K Balaraman of Electrical & Electronics Engineering Christ University Faculty of Engineering, Bangalore, India Hybrid Short Term Load Forecasting using ARIMA-SVM 160 International Conference on Innovations in Power and Advanced Computing Technologies [i-PACT2017] 978-1-5090-5682-8 /17/$31.00 ©2017 IEEE [60] Justin Jose, Vijaya Margaret and K Uma Rao – Department of Electrical & Electronics Engineering Impact of demand response contracts on ShortTerm Load Forecasting in Smart Grid using SVR optimized by GA Christ University Faculty of Engineering Bangalore, India International Conference on Innovations in Power and Advanced Computing Technologies [i-PACT2017] 978-1-5090-5682-8 /17/$31.00 ©2017 IEEE [61] Jianhua Ye Tianjin, Li Yang –Tianjin University of Technology and Education Tianjin, China Short-Term Load Forecasting Using Ensemble Empirical Mode Decomposition and Harmony Search Optimized Support Vector Regression 2019 14th IEEE Conference on Industrial Electronics and Applications (ICIEA) 978-1-5386-9490-9/19/$31.00 c 2019 IEEE [62] Arghavan Zare-Noghabi; Morteza Shabanzadeh – Department of Power System Operation and Planning Niroo Research Institute (NRI) Tehran, Iran Medium-Term Load Forecasting Using Support Vector Regression, Feature Selection, and Symbiotic Organism Search Optimization 978-1-7281-19816/19/$31.00 ©2019 IEEE [63] Breiman, L., Random Forests, Mach Learn., vol 45(1), p.p 5-32, 2001 [64] Breiman, L., Bagging predictors, Machine Learning, vol 24 (2), p.p 123140, 1996 [65] Yali Li and Shengjin Wang and Xiaoqing Ding, Person-independent head pose estimation based on random forest regression, Image Processing (ICIP), 2010 17th IEEE International Conference on, p.p 1521 -1524, 2010 [66] X Wu, J He, P Zhang, and J Hu, "Power system short-term load forecasting based on improved random forest with grey relation projection," Dianli Xitong Zidonghualautomation of Electric Power Systems, vol 39, no 161 12, pp 50-55, 2015 [67] Z Y-w M B.-h J Huan, "Research of medium and long term precipitation forecasting model based on random forest," Water Resources and Power, vol 33, no 6, pp 6-10, 2015 [68] Juan Huo,Tingting Shi and Jing Chang, Comparison of Random Forest and SVM for Electrical Short-term Load Forecast with Different Data Sources, 978-1-4673-9904-3/16/$31.00 ©2016 IEEE; [69] Xiaoyu WU, Jinghan HE, Tony YIP and Jian lu, Ning Lu, A Two-Stage Random Forest Method for Short-term Load Forecasting, 978-1-5090-41688/16/$31.00 ©2016 IEEE [70] Xiaoyu WU, Jinghan HE, Tony YIP and Jian lu, Ning Lu, A Two-Stage Random Forest Method for Short-term Load Forecasting, 978-1-5090-41688/16/$31.00 ©2016 IEEE [71] Đề tài nghiên cứu cấp Bộ Công Thương Viện Năng Lượng Trần Kỳ Phúc làm chủ nhiệm năm 2008 Đề tài “Nghiên cứu ứng dụng mạng Nơron nhân tạo dự báo ngắn hạn phụ tải điện” [72] Mạng Wavelet cho toán dự báo phụ tải ngắn hạn ngày đặc biệt TS Nguyễn Hoàng Việt, Trần Anh Dũng Nguyễn Quang Thi – Tạp chí phát triển KH&CN, tập 10 số – 2007; [73] Ứng dụng mạng Neural song tuyến toán dự báo phụ tải điện Trần Thị Hoàng Oanh, Trần Hoàng Lĩnh, Đồng Sĩ Thiên Châu Nguyễn Kỳ Tài - Tạp chí phát triển KH&CN, tập 10 số 11 – 2007 [74] Ứng dụng mơ hình ARIMA để dự báo VNINDEX, TS Võ Thị Thúy Anh Khoa Tài Chính – Ngân hàng, Trường Đại học Kinh tế Tuyển tập Báo cáo Hội nghị Sinh viên Nghiên cứu Khoa học lần thứ Đại học Đà Nẵng năm 2010 [75] Xây dựng mơ hình mơ tốc độ gió từ tốc độ gió trung bình 162 hàng tháng Nguyễn Thế Bảo – Trường Đại học Bách khoa HCM, Trần Hồng Hà – Trung tâm kiểm định kỹ thuật an toàn khu vực 2; Science & Technology Development, Vol 9, No.7- 2006 [76] Một số phương pháp khai phá liệu chuỗi thời gian dự báo tài chính, chứng khốn (mơ hình ARIMA) – Nguyễn Ngọc Thiệp – Trường Đại học Công Nghệ - Đại học Quốc Gia Hà Nội [77] Mơ hình dự báo phụ tải ngắn hạn dựa phương pháp xử lý liệu nhóm Lê Đình Dương – ISSN 1859-1531 - Tạp Chí Khoa Học Công Nghệ Đại Học Đà Nẵng, VOL 17, NO 7, 2019 [78] Judi Scheffer, 2002 Dealing with Missing Data, Res Lett.Inf Math.Sci (2002) Quad A, Massey University, P.O Box 102904N.S.M.C, Auckland, 1310 [79] Popova, V 2006 Missing Values in Monotone Data Sets In Proceedings of the Sixth international Conference on intelligent Systems Design and Applications (Isda'06) - Volume 01 (October 16 - 18, 2006) ISDA IEEE Computer Society, Washington, DC, 627-632 [80] SAS Institute, 2005 Multiple Imputation for Missing Data: Concepts and New Approaches [81] Yuan Yang C., 2011 Multiple imputation for Missing Data: Concepts and New Development (SAS Version 9.0) SAS Institute Inc., Rockville, MA) [82] Nakai M and Weiming Ke., 2011 Review of Methods for Handling Missing Data in Longitudinal Data Analysis Int Journal of Math Analysis Vol 5, no.1, -13 [83] Thông tư số 33/2011/TT-BCT ngày 06/09/2011 Bộ Công Thương Quy định nội dung, phương pháp, trình tự thủ tục nghiên cứu phụ tải điện 163 CÁC PHỤ LỤC DỮ LIỆU PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC TP.HCM TỪ 01/01/2014 ĐẾN 31/12/2019 (số liệu công suất – Pmax, điện tiêu thụ – Atổng (24 chu kỳ/ngày) nhiệt độ (t0) theo giờ) CÁC SỐ LIỆU THỐNG KÊ CÁC CHỈ TIÊU KINH TẾ, PHỤ TẢI ĐIỆN THEO TỪNG THÀNH PHẦN CỦA TỔNG CÔNG TY ĐIỆN LỰC TP.HCM TỪ NĂM 2014 ĐẾN NĂM 2019 ĐỒ THỊ PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC TP.HCM BIỂU ĐỒ CHUẨN HĨA ĐƠN VỊ CỦA TỔNG CƠNG TY ĐIỆN LỰC TP.HCM DANH SÁCH CÁC NGÀY LỄ TẾT CỦA TP.HCM KẾT QUẢ CHẠY DỰ BÁO CHO 30 NGÀY CỦA THÁNG 02/2018 – THÁNG 02/2019 (24 CHU KỲ) CỦA TỔNG CÔNG TY ĐIỆN LỰC TP.HCM DỮ LIỆU PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC HÀ NỘI DỮ LIỆU PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC MIỀN BẮC DỮ LIỆU PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC MIỀN TRUNG 10 DỮ LIỆU PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC MIỀN NAM 11 KẾT QUẢ KIỂM CHỨNG BẰNG BỘ DỮ LIỆU CỦA TỔNG CÔNG TY ĐIỆN LỰC MIỀN NAM 12 KẾT QUẢ KIỂM CHỨNG BẰNG BỘ DỮ LIỆU CỦA TỔNG CÔNG TY ĐIỆN LỰC MIỀN TRUNG 164 13 KẾT QUẢ KIỂM CHỨNG BẰNG BỘ DỮ LIỆU CỦA TỔNG CÔNG TY ĐIỆN LỰC MIỀN BẮC 14 KẾT QUẢ KIỂM CHỨNG BẰNG BỘ DỮ LIỆU CỦA TỔNG CÔNG TY ĐIỆN LỰC HÀ NỘI 15 KẾT QUẢ DỰ BÁO 8760 CHU KỲ NĂM 2018, 2019 VÀ 2020 CỦA TỔNG CÔNG TY ĐIỆN LỰC TP.HCM 16 CODE CHƯƠNG TRÌNH ... thị trường điện, cụ thể: 13 − Xây dựng cho ngành điện thêm công cụ dự báo mang tính ứng dụng cao giải vấn đề thực trạng thị trường điện Việt nam vấn đề nghiên cứu: sai số dự báo, kết lực dự báo. .. Luận án giúp đơn vị điều hành thị trường điện dự báo nhu cầu phụ tải giá điện để xác định phản ứng thị trường vào thời điểm khác từ có chiến lược điều tiết thị trường cách hợp lý 1.9 Bố cục luận. .. để so sánh đánh giá, để từ lựa chọn mơ hình có sai số phù hợp làm hàm dự báo STLF CHƯƠNG V – DỰ BÁO TRONG VẬN HÀNH THỊ TRƯỜNG ĐIỆN CẠNH TRANH CỦA VIỆT NAM 15 Chương tác giả tiến hành thực nghiệm