BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM - NGUYỄN TUẤN DŨNG KỸ THUẬT DỰ BÁO TRONG VẬN HÀNH THỊ TRƯỜNG ĐIỆN VIỆT NAM LUẬN ÁN TIẾN SĨ KỸ THUẬT TP HỒ CHÍ MINH NĂM 2020 ii CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM Cán hướng dẫn khoa học : - PGS.TS Trần Thu Hà - PGS.TS Nguyễn Thanh Phương Luận án Tiến sĩ bảo vệ Trường Đại học Công nghệ TP HCM ngày 06 tháng 11 năm 2020 Thành phần Hội đồng đánh giá Luận án gồm: TT Họ tên GS TSKH Nguyễn Xuân Quỳnh GS TS Lê Kim Hùng PGS TS Lê Minh Phương PGS TS Quyền Huy Ánh GS TS Phạm Thị Ngọc Yến PGS TS Nguyễn Hùng PGS TS Ngô Cao Cường Chức danh Hội đồng Chủ tịch Phản biện Phản biện Phản biện Ủy viên Ủy viên Ủy viên, Thư ký Xác nhận Chủ tịch Hội đồng đánh giá Luận án sau Luận án báo cáo sửa chữa Chủ tịch Hội đồng đánh giá Luận án GS TSKH Nguyễn Xuân Quỳnh iii CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM Luận án Tiến sĩ bảo vệ Trường Đại học Công nghệ TP HCM ngày 06 tháng 11 năm 2020 Thành phần Hội đồng đánh giá Luận án gồm: TT Họ tên GS TSKH Nguyễn Xuân Quỳnh GS TS Lê Kim Hùng PGS TS Lê Minh Phương PGS TS Quyền Huy Ánh GS TS Phạm Thị Ngọc Yến PGS TS Nguyễn Hùng PGS TS Ngô Cao Cường Chức danh Hội đồng Chủ tịch Phản biện Phản biện Phản biện Ủy viên Ủy viên Ủy viên, Thư ký Xác nhận Nghiên cứu sinh, tập thể cán hướng dẫn, Khoa/Viện quản lý chuyên ngành Viện Đào tạo Sau đại hộc sau Luận án sửa chữa Cán hướng dẫn Cán hướng dẫn Nghiên cứu sinh PGS TS Trần Thu Hà PGS TS Nguyễn Thanh Phương Nguyễn Tuấn Dũng KHOA QUẢN LÝ CHUYÊN NGÀNH PGS TS Nguyễn Thanh Phương VIỆN ĐÀO TẠO SAU ĐẠI HỌC PGS TS Huỳnh Châu Duy iv LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi Các số liệu, kết nêu Luận án trung thực chưa công bố cơng trình khác Tơi xin cam đoan giúp đỡ cho việc thực Luận án cảm ơn thông tin trích dẫn Luận án rõ nguồn gốc tham khảo Tác giả Luận án Nguyễn Tuấn Dũng v LỜI CÁM ƠN Tơi xin bày tỏ lịng biết ơn chân thành đến PGS.TS Trần Thu Hà PGS.TS Nguyễn Thanh Phương, Thầy, Cô tận tâm dẫn, truyền đạt kiến thức kinh nghiệm q báu cho tơi suốt q trình thực Luận án Và xin gửi lời cám ơn đến gia đình bạn bè - người ủng hộ động viên suốt thời gian vừa qua Tác giả Luận án Nguyễn Tuấn Dũng vi TĨM TẮT Đặc điểm q trình sản xuất tiêu thụ điện phải đảm bảo cân sản xuất tiêu thụ thời điểm, có cân sản xuất tiêu thụ làm cho chất lượng điện thay đổi, nặng nề dẫn đến sụp đỗ điện áp gây tan rã hệ thống Tuy nhiên, điện mặt hàng đặc biệt, mặt kinh tế khơng thể lưu trữ ổn định hệ thống điện đòi hỏi cân liên tục sản xuất tiêu dùng Đồng thời, nhu cầu sử dụng điện phụ thuộc vào thời tiết (nhiệt độ, tốc độ gió, mưa,…); nhu cầu sử dụng doanh nghiệp, hoạt động hàng ngày (công suất đỉnh so với cao điểm, ngày tuần so với ngày cuối tuần, ngày lễ gần ngày lễ,…); công suất phát nguồn lượng tái tạo thay đổi theo điều kiện tự nhiên; Do đó, phải cần đến kỹ thuật dự báo điện để cung cấp thơng tin cho q trình điều khiển HTĐ nhằm đảm bảo cân sản xuất tiêu thụ Đặc biệt HTĐ vận hành theo chế thị trường điện cạnh tranh, kết dự báo cung cấp thông tin cho nhà quản lý điều hành giá mua bán diện Đã có nhiều phương pháp dự báo sử dụng, nhiên phần lớn phương pháp dự báo dài hạn trung hạn dùng để cung cấp thông tin cho việc qui hoạch phát triển nguồn, lưới điện lập kế hoạch vận hành HTĐ Luận án nghiên cứu đề xuất phương pháp dự báo ngắn hạn để cung cấp thông tin phụ tải điện cho nhà quản lý điều hành thị trường điện cạnh tranh Việc nghiên cứu đặc tính phụ tải; xây dựng phương pháp xử lý liệu thiếu, sai sốt liệu; đề xuất sử dụng biểu đồ phụ tải chuẩn hóa đơn vị (SLP) để cung cấp thơng tin cho mơ hình dự báo nhiệm vụ quan trọng luận án Qua phân tích mơ hình dự báo sử dụng giới (Kỹ thuật thống kê – mơ hình SARIMA; Trí tuệ nhân tạo, học máy – mơ vii hình Support Vector Regression; Neural Network, Feedforward Networks; Random Forest), luận án đã 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 Dương lịch Tết Ngun Đán) Mơ hình kết hợp Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) Support Vector Regression (SVR) hoàn thiện hàm dự báo ngắn hạn, cung cấp kết dự báo cho nhà quản lý điều hành thị trường điện cạnh tranh, kết dự báo kiểm chứng với liệu 05 Tổng công ty Điện lực thuộc Tập đoàn Điện lực Việt Nam 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 Các module xử lý liệu thiếu, xây dựng Biểu đồ phụ tải chuẩn hóa đơn vị (SLP), dự báo phụ tải,… tác giả tự lập trình ngơn ngữ Matlab 2017 viii ABSTRACT The characteristic of the production and consumption of electricity is to ensure a balance between production and consumption at all times When there is an imbalance between production and consumption, the quality of power changes, which can even lead to voltage collapse, causing the system to fail However, electricity is a very special commodity, it is economically impossible to store Stabilizing the electrical system requires a constant balance between production and consumption In addition, the demand for electricity also depends on factors such as weather (temperature, wind speed, rain, ); daily usage demand (peak capacity, demand on weekdays, weekends, holidays, ) and variation in generating capacity of renewable energy sources according to natural conditions Therefore, forecast techniques are needed to provide information for the control process of the power system to ensure a balance between production and consumption Especially when the power system is operated under the mechanism of a competitive electricity market, the forecast results will provide information for managers to control the buying and selling prices Many forecasting methods have been used, but most are long-term and medium-term forecasting methods used to provide information for power and grid development planning as well as power system operation planning The thesis will study and propose a new short-term forecasting method to provide information about electricity load to managers operating the competitive electricity market The important tasks of the thesis include studying load characteristics, developing missing and incorrect data processing methods, as well as proposing to use the Standardized Load Profile (SLP) to provide information for forecasting models Through analysis of forecasting models being used in the world (including Statistical Engineering - SARIMA model; Artificial Intelligence, machine learning Support Vector Regression model; Neural Network, Feedforward Networks; ix Random Forest), the thesis has successfully built a new algorithm It is a method of using the Standardized Load Profile (SLP) as input data sets for the regression building modules This method is effective and gives the forecast results with low error It solves the difference of negative and positive days, holidays, special days of the year and the days of January and February (the month of New Year and Lunar New Year) The combined model of the Standardized Load Profile (SLP) and Support Vector Regression (SVR) has completed the short-term forecast function and provided the forecast results for the managers operating the competitive electricity market The forecast results are verified with the data set of 05 Electricity Corporations of Electricity of Vietnam (EVN) In addition, the thesis also analyzes the impact of SMP market price and CFD contracts on Qc forecast results to minimize risks and take advantage of the fluctuations of the market for the highest returns The modules on processing missing data , building the Standardized Load Profile (SLP), load forecasting, are programmed by the author using the Matlab 2017 x GIẤY XÁC NHẬN CỦA TỔNG CÔNG TY ĐIỆN LỰC TP.HCM 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 − Ngồi 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 HÓA ĐƠN VỊ CỦA TỔNG CÔNG 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