Nghiên cứu các phương pháp dự báo phụ tải ngắn hạn cho lưới điện tỉnh bình định

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC QUY NHƠN NGUYỄN QUỐC BẢO NGHIÊN CỨU CÁC PHƢƠNG PHÁP DỰ BÁO PHỤ TẢI NGẮN HẠN CHO LƢỚI ĐIỆN TỈNH BÌNH ĐỊNH LUẬN VĂN THẠC SĨ KỸ THUẬT ĐIỆN Bình Định - Năm 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC QUY NHƠN NGUYỄN QUỐC BẢO NGHIÊN CỨU CÁC PHƢƠNG PHÁP DỰ BÁO PHỤ TẢI NGẮN HẠN CHO LƢỚI ĐIỆN TỈNH BÌNH ĐỊNH Ngành: Kỹ thuật điện Mã số: 8520201 Ngƣời hƣớng dẫn: TS Lê Tuấn Hộ LỜI CAM KẾT Tôi xin cam đoan: Luận văn tốt nghiệp thạc sỹ cơng trình nghiên cứu thực cá nhân tôi, đƣợc thực sở nghiên cứu lý thuyết, nghiên cứu khảo sát tình hình thực tiễn dƣới hƣớng dẫn khoa học TS Lê Tuấn Hộ Các số liệu tính tốn đƣợc thu thập từ Cơng ty Điện lực Bình Định đóng góp đƣa xuất phát từ thực tiễn, kết nghiên cứu luận văn thân thực cách trung thực chƣa đƣợc công bố cơng trình nghiên cứu khác Một lần xin khẳng định trung thực lời cam kết Tơi xin hồn tồn chịu trách nhiệm lời cam đoan Tác giả luận văn Nguyễn Quốc Bảo iii LỜI CẢM ƠN Trong trình thực đề tài “Nghiên cứu phƣơng pháp dự báo phụ tải ngắn hạn cho lƣới điện tỉnh Bình Định”, em nhận đƣợc nhiều giúp đỡ, tạo điều kiện tập thể lãnh đạo, cán Phịng Sau đại học, giảng viên mơn Kỹ Thuật Điện, Trƣờng Đại học Quy Nhơn Em xin bày tỏ lòng cảm ơn chân thành giúp đỡ Em xin bày tỏ lịng biết ơn sâu sắc tới TS Lê Tuấn Hộ, giảng viên trực tiếp hƣớng dẫn bảo cho em hoàn thành luận văn Em xin bày tỏ biết ơn cán nhân viên phòng điều độ Cơng ty điện lực Bình Định, ngƣời tạo điều kiện thuận lợi nhất, cung cấp số liệu để em nghiên cứu phƣơng pháp dự báo phụ tải ngắn hạn cho lƣới điện tỉnh Bình Định Em cảm ơn gia đình động viên, khích lệ, cảm ơn Lãnh đạo Cơng ty điện lực Bình Định tạo điều kiện giúp đỡ em suốt q trình thực hồn thành luận văn Tuy nhiên, với kiến thức, kinh nghiệm khả cịn có nhiều hạn chế, luận văn khơng thể tránh khỏi thiếu sót Vì em mong nhận đƣợc đóng góp q báu Q thầy để luận văn đƣợc hoàn thiện Em xin chân thành cảm ơn! iv MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN MỤC LỤC iv DANH MỤC CÁC CHỮ VIẾT TẮT vi DANH MỤC CÁC BẢNG vii DANH MỤC CÁC HÌNH VÀ ĐỒ THỊ viii MỞ ĐẦU 1 Lý chọn đề tài Tổng quan tình hình nghiên cứu đề tài 3 Mục đích nhiệm vụ nghiên cứu Đối tƣợng phạm vi nghiên cứu Phƣơng pháp nghiên cứu CHƢƠNG TỔNG QUAN VỀ LƢỚI ĐIỆN TỈNH BÌNH ĐỊNH VÀ BÀI TỐN DỰ BÁO PHỤ TẢI 1.1 Giới thiệu tổng quan lƣới điện tỉnh Bình Định [11] 1.1.1 Lƣới điện 110 kV tỉnh Bình Định 1.1.2 Lƣới điện trung áp tỉnh Bình Định 1.1.3 Liên kết lƣới điện với tỉnh 1.1.4 Tốc độ tăng trƣởng phụ tải lƣới điện tỉnh Bình Định 11 1.2 Quy hoạch phát triển điện lực Bình Định [11] 13 1.2.1 Định hƣớng quy hoạch phát triển lƣới điện 13 1.2.2 Quy hoạch phát triển kinh tế - xã hội địa phƣơng 15 1.3 Giới thiệu chung toán dự báo phụ tải 17 1.4 Các loại dự báo [4, 7, 9] 18 1.5 Các yếu tố ảnh hƣởng tới phụ tải [4] 19 KẾT LUẬN CHƢƠNG 21 CHƢƠNG CÁC PHƢƠNG PHÁP VÀ MƠ HÌNH DỰ BÁO PHỤ TẢI NGẮN HẠN 22 2.1 Các phƣơng pháp mơ hình thống kê 22 2.1.1 Phƣơng pháp trung bình trƣợt (Moving average) 22 2.1.2 Phƣơng pháp làm mịn lũy thừa (Exponential smoothing method) 23 2.1.3 Mơ hình Tự hồi quy tích hợp trung bình trƣợt (ARIMA) 25 2.2 Các phƣơng pháp mơ hình dựa trí tuệ nhân tạo 27 2.2.1 Mơ hình mạng nơ ron nhân tạo 27 v 2.2.2 Máy vector hỗ trợ (Support vector machine) 33 2.2.3 Các kỹ thuật mờ (Fuzzy) 35 2.3 Các phƣơng pháp kết hợp 36 2.4 Các tiêu chí đánh giá sai số dự báo 37 2.4.1 Sai số tuyệt đối trung bình (MAE) 38 2.4.2 Sai số phần trăm tuyệt đối trung bình (MAPE) 38 2.4.3 Sai số phần trăm trung bình có trọng số (WAPE) 38 2.4.4 Sai số bình phƣơng trung bình (MSE) 39 2.4.5 Căn bậc hai sai số bình phƣơng trung bình (RMSE) 39 2.4.6 Xu hƣớng dự báo Dstat 39 KẾT LUẬN CHƢƠNG 40 CHƢƠNG NGHIÊN CỨU SO SÁNH CÁC PHƢƠNG PHÁP VÀ MƠ HÌNH DỰ BÁO PHỤ TẢI NGẮN HẠN CHO LƢỚI ĐIỆN TỈNH BÌNH ĐỊNH 41 3.1 Giới thiệu 41 3.2 Trƣờng hợp nghiên cứu 1: công suất phụ tải đo đƣợc từ ngày 01 tháng 01 năm 2022 đến ngày 31 tháng 01 năm 2022 44 3.3 Trƣờng hợp nghiên cứu 2: công suất phụ tải đo đƣợc từ ngày 01 tháng 01 năm 2022 đến ngày 31 tháng 03 năm 2022 48 3.4 Trƣờng hợp nghiên cứu 3: công suất phụ tải đo đƣợc từ ngày 01 tháng 01 năm 2022 đến ngày 30 tháng 06 năm 2022 54 KẾT LUẬN CHƢƠNG 59 KẾT LUẬN VÀ KIẾN NGHỊ 61 KẾT LUẬN 61 KIẾN NGHỊ 62 DANH MỤC TÀI LIỆU THAM KHẢO 63 vi DANH MỤC CÁC CHỮ VIẾT TẮT Chữ viết tắt ANN NARNET Cov-var ARIMA MAE MAPE WAPE MSE RMSE Dstat English Tiếng Việt Artifical neural networks Mạng nơ ron nhân tạo Nonlinear autoregressive neural Mạng nơ ron tự động hồi quy network phi tuyến Tiêu chuẩn phƣơng sai – hiệp Covariance – variance phƣơng sai Autoregressive integrated Mơ hình Tự hồi quy tích hợp moving average trung bình trƣợt Mean absolute error Sai số tuyệt đối trung bình Sai số phần trăm tuyệt đối Mean absolute percentage error trung bình Weighted average percentage Sai số phần trăm trung bình có error trọng số Mean squared error Sai số bình phƣơng trung bình Căn bậc hai sai số bình Root mean squared error phƣơng trung bình Directional statistic Xu hƣớng dự báo vii DANH MỤC CÁC BẢNG Bảng 3.1: Các giá trị trọng số tiêu chuẩn phương sai – hiệp phương sai trường hợp nghiên cứu 44 Bảng 3.2: Các tiêu chuẩn đánh giá hiệu mơ hình phương pháp dự báo trường hợp nghiên cứu 45 Bảng 3.3: Các giá trị trọng số tiêu chuẩn phương sai – hiệp phương sai trường hợp nghiên cứu 49 Bảng 3.4: Các tiêu chuẩn đánh giá hiệu mơ hình phương pháp dự báo trường hợp nghiên cứu 50 Bảng 3.5: Các giá trị trọng số tiêu chuẩn phương sai – hiệp phương sai trường hợp nghiên cứu 55 Bảng 3.6: Các tiêu chuẩn đánh giá hiệu mơ hình phương pháp dự báo trường hợp nghiên cứu 55 viii DANH MỤC CÁC HÌNH VÀ ĐỒ THỊ Hình 1.1: Sơ đồ lưới điện tỉnh Bình Định 10 Hình 1.2: Sản lượng điện nhận/mua Cơng ty điện lực Bình Định năm 2019 11 Hình 1.3: Sản lượng điện nhận/mua Cơng ty điện lực Bình Định năm 2020 12 Hình 1.4: Sản lượng điện nhận/mua Cơng ty điện lực Bình Định năm 2021 12 Hình 2.1: Mơ hình mạng nơ ron nhân tạo tổng quát 28 Hình 2.2: Đồ thị hàm Hard-Limit 29 Hình 2.3: Đồ thị hàm Purelin 29 Hình 2.4: Đồ thị hàm Log – Sigmoid 30 Hình 2.5: Đồ thị hàm Tansig 30 Hình 2.6: Mạng nơ ron truyền thẳng lớp 31 Hình 2.7: Mạng nơron truyền thẳng nhiều lớp 31 Hình 2.8: Cấu trúc huấn luyện 32 Hình 2.9: Cấu trúc huấn luyện 34 Hình 3.1: Sơ đồ mạng nơ ron NARNET 42 Hình 3.2: Phương pháp dự báo phụ tải ngắn hạn đề xuất sử dụng mạng nơ ron truyền thẳng 43 Hình 3.3: Cơng suất phụ tải trường hợp nghiên cứu 46 Hình 3.4: Các kết dự báo công suất phụ tải ngắn hạn trường hợp nghiên cứu 47 Hình 3.5: Cơng suất phụ tải trường hợp nghiên cứu 52 Hình 3.6: Các kết dự báo cơng suất phụ tải ngắn hạn trường hợp nghiên cứu 53 ix Hình 3.7: Cơng suất phụ tải trường hợp nghiên cứu 57 Hình 3.8: Các kết dự báo công suất phụ tải ngắn hạn trường hợp nghiên cứu 58 52 Hình 3.5: Cơng suất phụ tải trường hợp nghiên cứu 53 Hình 3.6: Các kết dự báo công suất phụ tải ngắn hạn trường hợp nghiên cứu 54 3.4 Trƣờng hợp nghiên c u 3: công suất phụ tải đo đƣợc từ ngày 01 tháng 01 năm 2022 đến ngày 30 tháng 06 năm 2022 Dữ liệu công suất phụ tải [MW] lƣới điện tỉnh Bình Định trƣờng hợp nghiên cứu đƣợc vẽ Hình 3.7 Trên Hình 3.7, đƣờng nét liền (màu đen) biểu diễn cơng suất phụ tải, trục tung biểu diễn giá trị công suất phụ tải [MW] trục hoành biểu diễn số điểm đo giai đoạn khảo sát Để dự báo công suất phụ tải, luận văn sử dụng phần mềm MINITAB cho mơ hình ARIMA phần mềm MATLAB để huấn luyện cho mơ hình mạng nơ ron nhân tạo Các thơng số mơ hình mạng nơ ron NARNET đƣợc huấn luyện để dự báo công suất phụ tải trƣờng hợp nhƣ sau: số nơ ron lớp ẩn 6, thuật toán huấn luyện trainlm, hàm truyền sử dụng logsig, số epoch thiết lập 5000 Các thông số mơ hình mạng nơ ron truyền thẳng đƣợc huấn luyện dùng nhƣ phƣơng pháp kết hợp dự báo công suất phụ tải trƣờng hợp nhƣ sau: số nơ ron lớp ẩn 297, thuật toán huấn luyện trainbr, hàm truyền sử dụng logsig, số epoch thiết lập 5000 Các kết dự báo sử dụng mơ hình ARIMA, mạng nơ ron NARNET, phƣơng pháp kết hợp theo phƣơng pháp phƣơng sai – hiệp phƣơng sai phƣơng pháp dự báo kết hợp đề xuất với công suất phụ tải thực tế trƣờng hợp đƣợc cho Hình 3.8 Các giá trị trọng số tiêu chuẩn phƣơng sai – hiệp phƣơng sai trƣờng hợp nghiên cứu đƣợc mô tả Bảng 3.5 55 Bảng 3.5: Các giá trị trọng số tiêu chuẩn phương sai – hiệp phương sai trường hợp nghiên cứu Trọng số Phƣơng pháp ARIMA + NARNET w1 w2 0.966 0.034 Trong Hình 3.8, liệu cơng suất phụ tải đƣợc minh họa đƣờng nét liền (màu đen) Các kết dự báo sử dụng mơ hình ARRIMA, mơ hình mạng nơ ron NARNET đƣợc huấn luyện, phƣơng pháp kết hợp phƣơng pháp kết hợp lần lƣợt đƣợc biểu thị đƣờng nét đứt với đánh dấu * (màu đỏ), đánh dấu + (màu tím), đánh dấu x (màu xanh nhạt), đánh dấu năm cánh (màu xanh trời nhạt) Hầu hết giá trị dự báo xấp xỉ với công suất phụ tải đo đƣợc Điều chứng tỏ hiệu phƣơng pháp mơ hình dự báo đƣợc sử dụng trƣờng hợp nghiên cứu Các tiêu chuẩn đánh giá sai số mơ hình ARIMA, mơ hình mạng nơ ron NARNET đƣợc huấn luyện, phƣơng pháp kết hợp theo tiêu chuẩn phƣơng sai – hiệp phƣơng sai phƣơng pháp kết hợp sử dụng mạng nơ ron truyền thẳng đƣợc huấn luyện đƣợc cho Bảng 3.6 Bảng 3.6: Các tiêu chuẩn đánh giá hiệu mô hình phương pháp dự báo trường hợp nghiên cứu Mơ hình phƣơng pháp MAE Các tiêu chí MAPE WAPE RMSE Dstat% ARIMA 9.639 4.056 3.824 13.608 66.064 Mạng nơ ron NARNET 58.620 29.216 23.251 79.315 56.908 Phƣơng pháp kết hợp cov-var 9.537 4.071 3.783 13.333 66.083 Phƣơng pháp kết hợp đề xuất 8.641 3.626 3.427 12.652 70.447 56 Dựa kết có đƣợc từ Bảng 3.6, ta có tiêu đánh giá sai số mơ hình phƣơng pháp dự báo nhƣ sau: mơ hình ARIMA có MAE = 9.639, MAPE = 4.056, WAPE = 3.824, RMSE = 13.608 Dstat = 66.064%, mơ hình mạng nơ ron NARNET có MAE = 58.620, MAPE = 29.216, WAPE = 23.251, RMSE = 79.315 Dstat = 56.908%, phƣơng pháp kết hợp theo phƣơng pháp phƣơng sai – hiệp phƣơng sai có MAE = 9.537, MAPE = 4.071, WAPE = 3.783, RMSE = 13.333 Dstat = 66.083% phƣơng pháp kết hợp đề xuất có MAE = 8.641, MAPE = 3.626, WAPE = 3.427, RMSE = 12.652 Dstat = 70.447% Trong tiêu chí MAE, MAPE, WAPE RMSE có giá trị nhỏ cho thấy hiệu phƣơng pháp dự báo có giá trị tốt tiêu chí Dstat có giá trị lớn cho thấy phƣơng pháp dự báo có hiệu Trong trƣờng hợp nghiên cứu này, phƣơng pháp kết hợp theo phƣơng pháp phƣơng sai – hiệp phƣơng sai có kết dự báo tốt so với phƣơng pháp đơn lẻ mơ hình ARIMA mơ hình mạng nơ ron NARNET Tuy nhiên, trƣờng hợp phƣơng pháp dự báo kết hợp đề xuất cho kết dự báo tốt dùng cho dự báo phụ tải ngắn hạn lƣới điện tỉnh Bình Định xét theo tiêu chuẩn MAE, MAPE, WAPE, RMSE Dstat 57 Hình 3.7: Cơng suất phụ tải trường hợp nghiên cứu 58 Hình 3.8: Các kết dự báo công suất phụ tải ngắn hạn trường hợp nghiên cứu 59 Nhƣ vậy, tất trƣờng hợp nghiên cứu phƣơng pháp kết hợp đề xuất sử dụng mạng nơ ron truyền thẳng cho kết dự báo phụ tải ngắn hạn lƣới điện tỉnh Bình Định tốt so với phƣơng pháp thống kê, mơ hình mạng nơ ron NARNET phƣơng pháp kết hợp sử dụng phƣơng pháp phƣơng sai – hiệp phƣơng sai xét theo tất tiêu chuẩn MAE, MAPE, WAPE, RMSE Dstat KẾT LUẬN CHƢƠNG Dữ liệu phụ tải lƣới điện tỉnh Bình Định ba trƣờng hợp nghiên cứu với số điểm đo công suất khác tháng: từ ngày 01 tháng 01 năm 2022 đến 31 tháng 01 năm 2022 (số điểm đo ít), từ ngày 01 tháng 01 năm 2022 đến 31 tháng 03 năm 2022 (số điểm đo tƣơng đối), từ ngày 01 tháng 01 năm 2022 đến 30 tháng 06 năm 2022 (số điểm đo nhiều) đƣợc sử dụng để nghiên cứu luận văn Dựa vào phân tích kết dự báo công suất phụ tải nói rằng: Để dự báo đƣợc cơng suất phụ tải cho ngày, tuần, tháng, quý nửa năm cụ thể, ta cần xác định đƣờng cong công suất phụ tải cho ngày, tuần, tháng, quý nửa năm Trong bảng ta tính đƣợc giá trị dự báo so với giá trị thực công suất phụ tải 01 tháng, 01 quý (03 tháng) nửa năm (06 tháng) Từ ta tính đƣợc tiêu chí đánh giá sai số dự báo sai số tuyệt đối trung bình (MAE), sai số tƣơng đối trung bình (MAPE), sai số phần trăm trung bình có trọng số (WAPE), bậc hai sai số bình phƣơng trung bình (RMSE) xu hƣớng dự báo Dstat mơ hình thống kê ARIMA, mơ hình mạng nơ ron nhân tạo NARNET, phƣơng pháp kết hợp sử dụng phƣơng pháp phƣơng sai – hiệp phƣơng sai phƣơng pháp kết hợp đề xuất sử dụng mạng nơ ron 60 truyền thẳng, chứng tỏ phƣơng pháp kết hợp sử dụng mạng nơ ron truyền thẳng đề xuất cho kết dự báo công suất phụ tải dự báo ngắn hạn cho kết tốt Kết dự báo có đƣợc với giá trị công suất phụ tải đƣợc mô tả hình đồ thị sử dụng từ mơ hình thống kê ARIMA, mơ hình mạng nơ ron nhân tạo NARNET, phƣơng pháp kết hợp sử dụng phƣơng pháp phƣơng sai – hiệp phƣơng sai phƣơng pháp kết hợp đề xuất sử dụng mạng nơ ron truyền thẳng để dự báo ngắn hạn công suất phụ tải lƣới điện tỉnh Bình Định Hầu hết giá trị công suất dự báo nằm gần với giá trị công suất thực chứng tỏ phƣơng pháp sử dụng dự báo có độ xác cao 61 KẾT LUẬN VÀ KIẾN NGHỊ KẾT LUẬN Ngày với tốc độ thị hóa ngày nhanh dẫn đến mở rộng khu công nghiệp khu dân cƣ, đó, dẫn đến nhu cầu sử dụng điện ngày nhiều Ngoài ra, sách khuyến khích cho nguồn lƣợng tái tạo dẫn đến phát triển nhanh chóng nguồn Do đó, cơng việc cấp thiết quy hoạch phát triển hệ thống điện cơng tác dự báo phụ tải điện Trong vận hành hệ thống điện, dự báo phụ tải điện công việc cần thiết công ty điện lực nhằm giúp đƣa sách quan trọng vận hành quy hoạch, quản lý phụ tải, đánh giá độ tin cậy lƣới công tác điều độ hệ thống Qua nghiên cứu phƣơng pháp mơ hình dự báo ngắn hạn nhu cầu phụ tải điện năng, nhìn chung phƣơng pháp có ƣu nhƣợc điểm khác nhau, tùy theo yêu cầu độ tin cậy, độ xác phạm vi dự báo phụ tải để lựa chọn phƣơng pháp thích hợp Trong luận văn này, phƣơng pháp thống kê ARIMA, mơ hình mạng nơ ron NARNET, phƣơng pháp dự báo kết hợp sử dụng phƣơng pháp phƣơng sai – hiệp phƣơng sai phƣơng pháp dự báo kết hợp đề xuất sử dụng mạng nơ ron nhân tạo truyền thẳng đƣợc sử dụng để dự báo phụ tải ngắn hạn lƣới điện tỉnh Bình Định Lƣới điện tỉnh Bình Định có tốc độ tăng trƣởng phụ tải tƣơng đối nhanh năm vừa qua Dữ liệu phụ tải 01 tháng, 03 tháng 06 tháng đặc trƣng cho số điểm đo ít, tƣơng đối nhiều đƣợc sử dụng để nghiên cứu luận văn Kết dự báo sử dụng phƣơng pháp kết hợp dựa mạng nơ ron truyền thẳng đề xuất để dự báo phụ tải ngắn hạn lƣới điện tỉnh Bình Định cho kết tốt đạt đƣợc độ xác cao 62 Mặc dù phƣơng pháp sử dụng mạng nơ ron nhân tạo cần thu thập thông tin nhiều khối lƣợng tính tốn tƣơng đối lớn nhƣng với hỗ trợ máy vi tính phƣơng pháp hứa hẹn phục vụ đắc lực cho công tác dự báo nhằm giúp công ty điện lực nâng cao việc vận hành hiệu tin cậy hệ thống điện KIẾN NGHỊ Mặc dù, phƣơng pháp kết hợp đề xuất dựa mơ hình mạng nơ ron truyền thẳng sử dụng cho kết dự báo tƣơng đối tối nhƣng kết dự báo tốt cần phải thực thêm cải tiến Do đó, hƣớng nghiên cứu đề tài đƣợc mở rộng tƣơng lai theo hƣớng nhƣ sau: Hƣớng thứ nhất: ứng dụng học máy học sâu việc huấn luyện mạng nơ ron truyền thẳng Hƣớng thứ hai: Có thể kết hợp phƣơng pháp sử dụng mạng nơ ron với thuật tốn tối ƣu kết tốt 63 DANH MỤC TÀI LIỆU THAM KHẢO Tài liệu tiếng Việt: [1] Báo cáo tổng kết thực nhiệm vụ kế hoạch năm 2021 mục tiêu, nhiệm vụ kế hoạch năm 2022, Công ty Điện lực Bình Định [2] Báo cáo tổng kết thực nhiệm vụ kế hoạch năm 2021 mục tiêu, nhiệm vụ kế hoạch năm 2022, Công ty Điện lực Bình Định [3] Cơng văn số: 6050/EPTC-KDMĐ ngày 12/10/2021 Công ty mua bán điện (EVNEPTC) [4] Chu Nghĩa (2007), Luận văn thạc sỹ khoa học “Ứng dụng mạng nơron nhân tạo dự báo phụ tải ngắn hạn hệ thống điện miền Bắc” [5] Diệp Xuân Trƣờng (2007), Luận văn thạc sỹ kỹ thuật “Ứng dụng mạng nơron nhân tạo dự báo ngắn hạn phụ tải điện khu vực tỉnh Sóc Trăng” [6] Lê Đình Dƣơng (2019), “Mơ hình dự báo phụ tải ngắn hạn dựa phương pháp xử lý liệu nhóm”, Số 17 (7), trang – [7] Lê Thị Thanh Hải (2011), Luận văn thạc sỹ kỹ thuật “Nghiên cứu ứng dụng mạng nơron nhân tạo dự báo phụ tải ngắn hạn cho thành phố Đà Nẵng” [8] Phan Thành Hoàng (2020), Luận văn thạc sỹ kỹ thuật “Nghiên cứu ứng dụng mạng nơ ron nhân tạo dự báo phụ tải ngắn hạn lưới điện thành phố Quy Nhơn” [9] Lê Quang Hƣng (2020), Luận văn thạc sỹ kỹ thuật “Nghiên cứu ứng dụng mơ hình ARIMA dự báo phụ tải ngắn hạn lưới điện huyện Phù Cát” [10] Quản Quốc Cƣờng (2014), Luận văn thạc sỹ kỹ thuật “Ứng dụng mạng nơ ron nhân tạo dự báo phụ tải điện ngắn hạn” [11] Quyết định số 332/QĐ-BCT ngày 03 tháng 02 năm 2017 Bộ Công thƣơng việc phê duyệt Quy hoạch phát triển điện lực tỉnh Bình Định giai đoạn 64 2016 – 2025, có xét đến năm 2035 – Quy hoạch phát triển hệ thống điện 110 kV [12] Nguyễn Thanh Khiết (2013), Luận văn thạc sỹ kỹ thuật “Nghiên cứu ứng dụng mạng nơ ron nhân tạo dự báo phụ tải điện cho thành phố Hưng Yên” [13] Nguyễn Văn Ninh, Nguyễn Hữu Định, Lê Tuấn Hộ (2022), “Nghiên cứu so sánh phương pháp dự báo lượng gió”, Tạp chí Khoa học Công nghệ - Đại học Đà Nẵng, Số 20 (5), trang 43 – 49 [14] Thi Thu Ha Truong, Ngọc-Tri Ngo, Tang Thi Khanh Vy (2018), “Dự báo tiêu thụ điện thành phố Đà Nẵng sử dụng mơ hình kết hợp cửa sổ dịch chuyển hồi quy máy học tối ưu trí tuệ bầy đàn”, Tạp chí Khoa học Cơng nghệ - Đại học Đà Nẵng, Số 11 (132), trang 108 – 112 Tài liệu tiếng Anh: [15] Abd Jalil, N A., Ahmad, M H., & Mohamed, N (2013) Electricity load demand forecasting using exponential smoothing methods World Applied Sciences Journal, 22(11), 1540-1543 [16] Ali, D., Yohanna, M., Puwu, M I., & Garkida, B M (2016) Long-term load forecast modelling using a fuzzy logic approach Pacific Science Review A: Natural Science and Engineering, 18(2), 123-127 [17] Arvanitidis, A I., Bargiotas, D., Daskalopulu, A., Laitsos, V M., & Tsoukalas, L H (2021) Enhanced Short-Term Load Forecasting Using Artificial Neural Networks Energies, 14(22), 7788 [18] Bao, J (2000) Short-term Load Forecasting based on neural network and moving average Artificial Intelligence Lab, Dept of Computer Science Iowa State University [19] Chodakowska, E., Nazarko, J., & Nazarko, Ł (2021) Arima models in electrical load forecasting and their robustness to noise Energies, 14(23), 7952 65 [20] Çevik, H H., & Çunkaş, M (2015) Short-term load forecasting using fuzzy logic and ANFIS Neural Computing and Applications, 26(6), 1355-1367 [21] de Andrade, L C M., & da Silva, I N (2009, November) Very short-term load forecasting based on ARIMA model and intelligent systems In 2009 15th International Conference on Intelligent System Applications to Power Systems (pp 1-6) IEEE [22] Duan, J., Tian, X., Ma, W., Qiu, X., Wang, P., & An, L (2019) Electricity consumption forecasting using support vector regression with the mixture maximum correntropy criterion Entropy, 21(7), 707 [23] Ji, P., Xiong, D., Wang, P., & Chen, J (2012, March) A study on exponential smoothing model for load forecasting In 2012 Asia-Pacific Power and Energy Engineering Conference (pp 1-4) IEEE [24] Karim, S A., & Alwi, S A (2013) Electricity load forecasting in UTP using moving averages and exponential smoothing techniques Applied Mathematical Sciences, 7(77-80), 4003-4014 [25] Khorsheed, E (2019) Energy load forecasting: Bayesian and exponential smoothing hybrid methodology International Journal of Energy Sector Management, 15(2), 294-308 [26] Lee, K Y., Cha, Y T., & Park, J H (1992) Short-term load forecasting using an artificial neural network IEEE transactions on power systems, 7(1), 124-132 [27] Li, G., Cheng, C T., Lin, J Y., & Zeng, Y (2007, August) Short-term load forecasting using support vector machine with SCE-UA algorithm In Third International Conference on Natural Computation (ICNC 2007) (Vol 1, pp 290-294) IEEE 66 [28] Mukhopadhyay, P., Mitra, G., Banerjee, S., & Mukherjee, G (2017, December) Electricity load forecasting using fuzzy logic: Short term load forecasting factoring weather parameter In 2017 7th International Conference on Power Systems (ICPS) (pp 812-819) IEEE [29] Nepal, B., Yamaha, M., Yokoe, A., & Yamaji, T (2020) Electricity load forecasting using clustering and ARIMA model for energy management in buildings Japan Architectural Review, 3(1), 62-76 [30] Qiang, S., & Pu, Y (2018) Short-term power load forecasting based on support vector machine and particle swarm optimization Journal of Algorithms & Computational Technology, 13, 1748301818797061 [31] Shafiei Chafi, Z., & Afrakhte, H (2021) Short-term load forecasting using neural network and particle swarm optimization (PSO) algorithm Mathematical Problems in Engineering, 2021 [32] Singh, S., Hussain, S., & Bazaz, M A (2017, December) Short term load forecasting using artificial neural network In 2017 Fourth International Conference on Image Information Processing (ICIIP) (pp 1-5) IEEE [33] Türkay, B E., & Demren, D (2011, December) Electrical load forecasting using support vector machines In 2011 7th International Conference on Electrical and Electronics Engineering (ELECO) (pp I-49) IEEE