Nghiên cứu ảnh hưởng của các phương pháp chuẩn hóa dữ liệu đối với giải thuật tìm kiếm lưới siêu tham số tối ưu cho mô hình svr đối với bài toán dự báo phụ tải đi

BỘ CÔNG THƯƠNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH BÁO CÁO TỔNG KẾT ĐỀ TÀI KHOA HỌC KẾT QUẢ THỰC HIỆN ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG Tên đề tài: Nghiên cứu ảnh hưởng của các phương pháp chuẩn hóa dữ liệu đối với giải thuật tìm kiếm lưới siêu tham số tối ưu cho mô hình SVR đối với bài toán dự báo phụ tải điện Mã số đề tài: 21/1D03 Chủ nhiệm đề tài: TS Trần Thanh Ngọc Đơn vị thực hiện: Khoa Cơng Nghệ Điện Tp Hồ Chí Minh, … LỜI CÁM ƠN Tôi xin gửi lời cảm ơn chân thành đến Lãnh đạo Nhà trường, phòng Quản lý Khoa Học Hợp tác Q́c tế, phịng Tài chánh Kế tốn, Ban chủ nhiệm khoa Công Nghệ Điện của Trường Đại Học Cơng Nghiệp thành phớ Hồ Chí Minh tạo điều kiện tốt cho để hoàn thành đề tài Tôi xin cảm ơn đến thành viên tham gia thực hiện đề tài thành viên Hội đồng Nghiệm thu đề tài có những ý kiến đóng góp quý báu cho đề tài PHẦN I THƠNG TIN CHUNG I Thơng tin tổng quát 1.1 Tên đề tài: Nghiên cứu ảnh hưởng của các phương pháp chuẩn hóa dữ liệu đối với giải thuật tìm kiếm lưới siêu tham số tối ưu cho mô hình SVR đối với bài toán dự báo phụ tải điện 1.2 Mã số: 21/1D03 1.3 Danh sách chủ trì, thành viên tham gia thực đề tài Họ tên Đơn vị cơng tác TT Vai trị thực đề tài (học hàm, học vị) TS Trần Thanh Ngọc ThS Lê Quang Bình Khoa Công Nghệ Điện Chủ nhiệm đề tài Tổng Công ty Điện lực Thành viên tham gia TP Hồ Chí Minh NCS Lâm Bình Minh Khoa Công Nghệ Điện Thành viên tham gia ThS Nguyễn Anh Tuấn Khoa Công Nghệ Điện Thành viên tham gia 1.4 Đơn vị chủ trì: Khoa Công Nghệ Điện 1.5 Thời gian thực hiện: 1.5.1 Theo hợp đồng: 12 tháng, từ tháng 03 năm 2021 đến tháng 03 năm 2022 1.5.2 Gia hạn (nếu có): Khơng 1.5.3 Thực hiện thực tế: 12 tháng, từ tháng 03 năm 2021 đến tháng 03 năm 2022 1.6 Những thay đổi so với thuyết minh ban đầu (nếu có): (Về mục tiêu, nội dung, phương pháp, kết nghiên cứu tổ chức thực hiện; Nguyên nhân; Ý kiến Cơ quan quản lý) 1.7 Tổng kinh phí phê duyệt đề tài: bốn mươi triệu đồng (40,000,000 đồng) II Kết nghiên cứu Đặt vấn đề a) Tình hình nghiên cứu q́c tế Dự báo phụ tải điện đóng vai trò quan trọng hệ thống điện, bao gồm kế hoạch sản xuất, vận hành quy hoạch phát triển tương lai [1-5] Có nhiều phương pháp dự báo phụ tải điện như: Phương pháp hồi quy, phương pháp san bằng hàm mũ, phương pháp ARIMA, phương pháp mạng nơ ron nhân tạo, …[6-12] Trong những năm gần đây, mô hình SVR (Support Vector Regression) áp dụng nhiều cho bài toán dự báo dự báo phụ tải và thu những kết quả tích cực [13-20] Đặc trưng của mơ hình SVR là độ xác của kết quả dự báo phụ thuộc vào các siêu tham số của nó (Hyperparameters) ε (error tolerance), C (penalty parameter), hàm Kernel (Kernel function) và tham số của hàm Kernel (Kernel parameter), vì việc tìm siêu tham số tối ưu cho mô hình SVR mang ý nghĩa quan trọng Các giải thuật tìm kiếm lưới (Grid Search), tìm kiếm ngẫu nhiên (Random Search), di truyền (Genetic Algorithm), … sử dụng để xác định siêu tham số tối ưu của mô hình SVR, đó giải thuật tìm kiếm lưới áp dụng tương đối phổ biến [21-35] Ngoài ra, những nhân tố ảnh hưởng đến độ xác, thời gian chạy chương trình là đặc tính của dữ liệu đầu vào Vì vậy, nhiều tác giả thực hiện nhiều nghiên cứu đó áp dụng các phương pháp chuẩn hóa dữ liệu cho các mô hình SVR [13, 16, 18, 36-37] b) Tình hình nghiên cứu nước Trong những năm gần đây, nhiều tác giả áp dụng các giải thuật khác để giải quyết bài toán STLF của Việt Nam Trong [38], các tác giả sử dụng giải thuật dùng mạng fuzzy để dự báo phụ tải cho ngày tiếp theo Một cách tiếp cận khác trình bày [39] các tác giả sử dụng mạng wavelet để dự báo phụ tải cho các ngày đặc biệt Mô hình mạng nơ ron đa lớp (Multi-layer Perceptron – MLP) áp dụng [40, 41], các tác giả thiết lập mạng MLP với dữ liệu đầu vào là phụ tải điện quá khứ để dự báo cho 24 tiếp theo Giải thuật Deep Learning giới thiệu [42], tác giả sử dụng mô hình Recurrent Neural Networks để dự báo phụ tải cho khu vực TP HCM, kết quả có so sánh với số mô hình khác Trong [43-44], tác giả sử dụng mô hình SVR kết hợp với chuẩn hóa dữ liệu đầu vào để dự báo phụ tải cực đại ngày cho ngày tiếp theo, các siêu tham số sử dụng cho mô hình SVR xác định mặc định, và phương pháp chuẩn hóa dữ liệu là phương pháp Max c) Đánh giá kết quả cơng trình nghiên cứu công bố (ưu, khuyết, tồn tại…) Thơng qua phân tích các kết quả nghiên cứu q́c tế và nước, có thể thấy rằng các nhóm nghiên cứu mô hình SVR bài toán dự báo phụ tải chia thành 02 hướng Hướng thứ là áp dụng giải thuật xác định siêu tham số tối ưu của mô hình, đó có giải thuật tìm kiếm lưới [28-35] Hướng thứ hai là áp dụng mô hình SVR với giá trị xác định trước cho các siêu tham số kết với chuẩn hóa dữ liệu đầu vào để giải quyết bài toán dự báo [13, 16, 18, 36-37, 43-44] Điều này sẽ dẫn đến là đối với bài toán tìm kiếm lưới siêu tham số tối ưu có thể bỏ qua những kết quả tốt dữ liệu chưa chuẩn hóa, chưa kể việc không chuẩn hóa dữ liệu có thể làm thời gian chạy chương trình tăng lên đáng kể Vì vậy, vấn đề khảo sát, đánh giá đáp ứng của mô hình tìm kiếm lưới kết hợp với các phương pháp chuẩn hóa dữ liệu cho mô hình SVR là nhu cầu cần thiết để nâng cao độ xác kết quả dự báo rút ngắn thời gian chạy của chương trình Mục tiêu a) Mục tiêu tổng quát Đánh giá ảnh hưởng của các phương pháp chuẩn hóa dữ liệu của giải thuật tìm kiếm lưới siêu tham số tối ưu cho mô hình SVR áp dụng cho bài toán dự báo phụ tải ngắn hạn b) Mục tiêu cụ thể Thiết lập giải thuật tìm kiếm lưới kết hợp với các phương pháp chuẩn hóa dữ liệu So sánh, đánh giá độ xác của giá trị dự báo, thời gian chạy chương trình của phương pháp chuẩn hóa dữ liệu Áp dụng cho số liệu phụ tải điện thực tế khu vực TP Hồ Chí Minh, Việt Nam bang Queensland, Australia Phương pháp nghiên cứu Đề tài gồm có nội dung, với các phương pháp nghiên cứu tương ứng sau: Nội dung 1: Tổng quan mô hình SVR áp dụng cho bài toán dự báo phụ tải - Cách tiếp cận: Tiếp cận từ các sở lý thuyết, cơng trình nghiên cứu - Phương pháp nghiên cứu, kỹ thuật sử dụng: Phương pháp nghiên cứu lý thuyết Nội dung 2: Tổng quan các siêu tham số của mô hình SVR, phương pháp tìm kiếm lưới để xác định mô hình tối ưu, các phương pháp chuẩn hóa dữ liệu - Cách tiếp cận: Tiếp cận từ các sở lý thút, cơng trình nghiên cứu - Phương pháp nghiên cứu, kỹ thuật sử dụng: Phương pháp nghiên cứu lý thuyết Nội dung 3: Thiết lập giải thuật tìm kiếm lưới kết hợp với các phương pháp chuẩn hóa dữ liệu - Cách tiếp cận: Tiếp cận từ nguyên lý của giải thuật tìm kiếm lưới, mô hình tốn học các phương pháp ch̉n hóa dữ liệu - Phương pháp nghiên cứu, kỹ thuật sử dụng: Phương pháp nghiên cứu lý thuyết Nội dung 4: Đánh giá ảnh hưởng của các phương pháp chuẩn hóa dữ liệu đối với giải thuật tìm kiếm lưới - Cách tiếp cận: Tiếp cận từ kết quả mô phỏng, từ đó đưa đánh giá, nhận xét - Phương pháp nghiên cứu, kỹ thuật sử dụng: Phương pháp mô phỏng, phương pháp phân tích Nội dung 5: Cơng bớ kết quả nghiên cứu, báo cáo tổng kết - Cách tiếp cận: Cơ sở lý thuyết, kết quả mô phỏng, đánh giá và nhận xét - Phương pháp nghiên cứu, kỹ thuật sử dụng: Phương pháp nghiên cứu lý thuyết, phương pháp mơ phỏng, phương pháp phân tích Tổng kết kết nghiên cứu - Thiết lập mô hình giải thuật Grid Search dựa các phương pháp chuẩn hóa dữ liệu cho mạng SVR - Thực hiện dự báo cho dữ liệu phụ tải thành phố Hồ Chí Minh, Việt Nam và bang Queensland, Úc - Đánh giá ảnh hưởng của các phương pháp chuẩn hóa dữ liệu đối với giải thuật Grid Search cho mạng SVR Đánh giá kết đạt kết luận - Kết quả thu của đề tài được đăng tạp chí “ International Journal of Electrical and Computer Engineering” thuộc hệ thống Scopus, Q3: “ Thanh Ngoc Tran, Binh Minh Lam, Anh Tuan Nguyen, Quang Binh Le Load forecasting with support vector regression: influence of data normalization on grid search algorithm International Journal of Electrical and Computer Engineering 12(4): 3410-3420 http://ijece.iaescore.com/index.php/IJECE/article/view/25883 ” - Kết quả thu có ý nghĩa quan trọng việc áp dụng phương pháp chuẩn hóa dữ liệu đối với giải thuật Grid Search mô hình SVR Tóm tắt kết (tiếng Việt tiếng Anh) TT Kết thu The obtained results Thiết lập mô hình giải thuật Grid A Grid Search-based model using Search dựa các phương pháp chuẩn different normalization methods for hóa dữ liệu cho mạng SVR an SVR network is established Thực hiện dự báo cho dữ liệu phụ tải The proposed model is applied to thành phớ Hồ Chí Minh, Việt Nam và predict electricity loads of Ho Chi bang Queensland, Úc Minh City (Vietnam) and Queensland (Australia) Đánh giá ảnh hưởng của các phương The project evaluates the impact of pháp chuẩn hóa dữ liệu đối với giải different normalization methods on thuật Grid Search cho mạng SVR the Grid Search algorithm for the SVR model Công bố thành công kết quả nghiên cứu The results are successfully tạp chí Scopus, Q3 “International published in Scopus, Q3 journal of Journal of Electrical and Computer “International Journal of Electrical Engineering” and Computer Engineering” III Sản phẩm đề tài, công bố kết đào tạo 3.1 Kết nghiên cứu ( sản phẩm dạng 1,2,3) Yêu cầu khoa học hoặc/và tiêu TT kinh tế - kỹ thuật Tên sản phẩm Đăng ký Code chương trình Đạt Rõ ràng, chi tiết, đầy đủ Rõ ràng, chi tiết, đầy đủ Bài báo: Research on the Tạp chí thuộc danh mục Tạp chí thuộc danh mục influence of Data SCOPUS SCOPUS, Q3 Báo cáo phân tích Normalization based on SVR Hyperparameter Optimization using Grid Search Algorithm for Load Forecasting Ghi chú: - Các ấn phẩm khoa học (bài báo, báo cáo KH, sách chuyên khảo…) chấp nhận nếu có ghi nhận địa cảm ơn trường ĐH Công Nghiệp Tp HCM cấp kinh phí thực hiện nghiên cứu theo đúng quy định - Các ấn phẩm (bản photo) đính kèm phần phụ lục minh chứng ở cuối báo cáo (đối với ấn phẩm sách, giáo trình cần có bản photo trang bìa, trang trang cuối kèm thông tin quyết định số hiệu xuất bản) 3.2 Kết đào tạo: Không TT Họ tên Thời gian Tên đề tài thực đề tài Tên chuyên đề NCS Đã bảo vệ Tên luận văn Cao học Nghiên cứu sinh Học viên cao học Sinh viên Đại học Ghi chú: - Kèm photo trang bìa chuyên đề nghiên cứu sinh/ luận văn/ khóa luận bằng/giấy chứng nhận nghiên cứu sinh/thạc sỹ học viên bảo vệ thành công luận án/ luận văn;( thể phần cuối báo cáo khoa học) IV Tình hình sử dụng kinh phí T Nội dung chi T A Chi phí trực tiếp Th khốn chun mơn Ngun, nhiên vật liệu, Thiết bị, dụng cụ Cơng tác phí Dịch vụ th ngồi Hội nghị, hội thảo,thù lao nghiệm thu giữa kỳ In ấn, Văn phòng phẩm Chi phí khác B Chi phí gián tiếp Kinh phí Kinh phí duyệt thực (triệu đồng) (triệu đồng) 37,816,200 37,816,200 2,183,800 2,183,800 Ghi Quản lý phí Chi phí điện, nước 40.000.000 Tổng số 40.000.000 V Kiến nghị ( phát triển kết nghiên cứu đề tài) - Đề tài hiện dừng ở việc nghiên cứu ảnh hưởng của các phương pháp chuẩn hóa dữ liệu đối với giải thuật Grid Search cho mạng SVR, có thể mở rộng cho các mô hình máy học khác - Áp dụng phương pháp chuẩn hóa dữ liệu cho các giải thuật xác định siêu tham số tối ưu khác Bayesian optimization, Evolutionary optimization, … VI Phụ lục sản phẩm ( liệt kê minh chứng sản phẩm nêu Phần III) Sản phẩm 1: Code chương trình, Báo cáo phân tích Code chương trình, báo cáo phân tích đính kèm phần III (phụ lục đính kèm) của báo cáo Sản phẩm 2: Bài báo ISI Bản đầy đủ của báo Scopus tạp chí “International Journal of Electrical and Computer Engineering ” đính kèm đính kèm phần III (phụ lục đính kèm) của báo cáo Tp HCM, ngày Chủ nhiệm đề tài Phòng QLKH&HTQT tháng năm 2022 KHOA CÔNG NGHỆ ĐIỆN Trưởng Đơn Vị (Họ, tên, chữ ký) Một nhận xét khác là hàm rbf là hàm Kernel tối ưu cho tất cả các phương pháp chuẩn hóa dữ liệu, ngoại trừ trường hợp dữ liệu gốc None là hàm linear Điều này thể hiện rằng hàm Kernel RBF hiệu quả các phương pháp chuẩn hóa dữ liệu c Sai số trình huấn luyện dự báo Đối với giải thuật Grid Search cho mô hình SVR, sai số của quá trình huấn luyện và dự dự báo là quá trình cần khảo sát và đánh giá Bảng 10 trình bày kết quả đo sai số của quá trình huấn luyện tương ứng với các phương pháp chuẩn hóa dữ liệu khác Đồng thời Hình 15 trình bày đồ thị dạng bar của các giá trị tương ứng với bảng 10 Trong đó hình 15a trình bày kết quả tương ứng tập dữ liệu dataset #1, hình 15b trình bày kết quả tương ứng tập dữ liệu #2 Bảng 10 The error measures of the training process Normalization RMSE (MW), dataset #1 MAE (MW), dataset #2 QL HCM QL HCM None 79.88 88.42 54.66 63.61 Z-Score 47.19 36.44 34.42 21.52 Min-max 46.06 36.79 34.95 22.42 Max 39.23 45.43 34.73 27.12 Decimal 43.72 47.33 37.49 22.73 Sigmoid 38.35 47.19 36.21 25.53 Softmax 39.24 23.00 31.30 18.04 38 Hình 15 – The training performance with respect to (a) dataset #1 and (b) dataset #2 Cuối cùng, Bảng 11 trình bày kết quả đo sai số của quá trình thử nghiệm tương ứng với các phương pháp chuẩn hóa dữ liệu khác Đồng thời Hình 16 trình bày đồ thị dạng bar của các giá trị tương ứng với bảng 10 Trong đó hình 16a trình bày kết quả tương ứng tập dữ liệu dataset #1, hình 16b trình bày kết quả tương ứng tập dữ liệu #2 Bảng 11 The error measures of the testing process Normalization None Z-Score Min-max Max Decimal Sigmoid Softmax RMSE (MW), MAE (MW), dataset #1 dataset #2 QL HCM QL HCM 76.51 44.93 44.53 40.29 42.82 41.52 41.14 81.75 55.21 54.69 57.19 59.94 60.46 53.51 53.43 35.68 34.95 35.82 37.38 37.39 32.86 60.32 35.31 34.70 36.20 33.17 36.04 32.87 39 Hình 16 – The testing performance with respect to (a) dataset #1 and (b) dataset #2 Các phân tích của quá trình huấn luyện Bảng 10 và Hình 15 cho thấy rằng giá trị sai số của các phương pháp chuẩn hóa nhỏ nhiều so với trường hợp sử dụng dữ liệu gốc Xét trường hợp cụ thể là dữ liệu bang Queenslan, tập dữ liệu 1, có sai số của trường hợp sử dụng dữ liệu gốc là 79.88 MW, đó nếu sử dụng các phương pháp chuẩn hóa dữ liệu thì sai số tương ứng sẽ nhỏ nhiều với các giá trị từ 39.23MW đến 47.19MW Kết quả tương tự cho các trường hợp khác Tương tự, các phân tích của quá trình thử nghiệm Bảng 11 và Hình 16 cho thấy rằng giá trị sai số của các phương pháp chuẩn hóa nhỏ nhiều so với trường hợp sử dụng dữ liệu gốc Xét trường hợp cụ thể là dữ liệu bang Queenslan, tập dữ liệu 1, có sai số của trường hợp sử dụng dữ liệu gốc là 76.51 MW, đó nếu sử dụng các phương pháp chuẩn hóa dữ liệu thì sai số tương ứng sẽ nhỏ nhiều với các giá trị từ 40.29MW đến 44.93MW Kết quả tương tự cho các trường hợp khác Một điều đáng lưu ý là không có sự khác biệt rõ ràng giá trị đo sai số cho các phương pháp chuẩn hóa, ngoại trừ nhận xét rằng phương pháp chuẩn hóa dữ liệu Softmax có giá trị sai số nhỏ hầu hết các trường hợp khảo sát 40 3.3 Kết luận Nghiên cứu trình bày cách tiếp cận để khảo sát ảnh hưởng của các phương pháp chuẩn hóa dữ liệu đối với giải thuật Grid Search để xác định các tham số tối ưu của mô hình SVR Thời gian chạy chương trình giá trị đo sai số RMSE và MAE khảo sát thông qua quá trình huấn luyện thử nghiệm Dữ liệu phụ tải ngày của bang Queensland, Úc và Tp Hồ Chí Minh, Việt Nam sử dụng, đồng thời tách thành 02 tập dữ liệu khác để tăng thêm độ tin cậy nghiên cứu Kết quả cho thấy rằng thời gian chạy chương trình rút ngắn đáng kể, giá trị sai số RMSE hoặc MAE nhỏ nhiều áp dụng các phương pháp chuẩn hóa dữ liệu Ngoài ra, kết quả cho thấy rằng các phương pháp chuẩn hóa dữ liệu truyền thống Z-Score hoặc Min-Max không phải là các phương pháp có giá trị tốt thời gian chạy chương trình giá trị sai số Điều này mở hội áp dụng các phương pháp chuẩn hóa dữ liệu khác bài toán Grid Search cho mô hình SVR 3.4 Hướng phát triển đề tài Đề tài hiện dừng ở việc nghiên cứu ảnh hưởng của các phương pháp chuẩn hóa dữ liệu đối với giải thuật Grid Search cho mạng SVR, có thể mở rộng cho các mô hình máy học khác Áp dụng phương pháp chuẩn hóa dữ liệu cho các giải thuật xác định siêu tham số tối ưu khác Bayesian optimization, Evolutionary optimization, … 41 Tài liệu tham khảo [1] Raza MQ, Khosravi A A review on artificial intelligence based load demand forecasting techniques for smart grid and buildings Renew Sustain Energy Rev 2015;50:1352-1372 [2] Din GMU, Mauthe AU, Marnerides AK Appliance-level Short-Term Load Forecasting using Deep Neural Networks 2018 Int Conf Comput Netw Commun ICNC 2018 2018:53-57 [3] J Walther, D Spanier, N Panten, and E Abele, Very short-term load forecasting on factory level - A machine learning approach, Procedia CIRP, vol 80, pp 705–710 (2019) [4] A A Aydarous, M A Elshahed and M A Moustafa Hassan, Short-Term Load Forecasting Approach Based on Different Input Methods of One Variable: Conceptual and Validation Study, 2018 Twentieth International Middle East Power Systems Conference (MEPCON), Cairo, Egypt, pp 179184 (2018) [5] J Walther, D Spanier, N Panten, and E Abele, Very short-term load forecasting on factory level - A machine learning approach, Procedia CIRP, vol 80, pp 705–710 (2019) [6] S Khan, N Javaid, A Chand, R A Abbasi, A B M Khan and H M Faisal, Forecasting day, week and month ahead electricity load consumption of a building using empirical mode decomposition and extreme learning machine, 2019 15th International Wireless Communications & Mobile Computing Conference (IWCMC), Tangier, Morocco, pp 1600-1605 (2019) [7] M Joshi and R Singh, “Short-term load forecasting approaches : A review, International Journal of Recent Engineering Research and Development (IJRERD), no 01, pp 9–17 (2015) [8] Z Cao, S Member, C Wan, and Z Zhang, Hybrid Ensemble Deep Learning for Deterministic and Probabilistic Low-voltage Load Forecasting, IEEE Trans Power Syst., p (2019) [9] Y Yu, T Y Ji, M S Li and Q H Wu, Short-term Load Forecasting Using Deep Belief Network with Empirical Mode Decomposition and Local Predictor, 2018 IEEE Power & Energy Society General Meeting (PESGM), Portland, OR, pp 1-5 (2018) [10] J Yang and Q Wang, A Deep Learning Load Forcasting Method Based on Load Type Rcognition, 2018 International Conference on Machine Learning and Cybernetics (ICMLC), Chengdu, 2018, pp 173-177 (2018) [11] K Krishnakumari, E Sivasankar, and S Radhakrishnan, Hyperparameter tuning in convolutional neural networks for domain adaptation in sentiment classification (HTCNN-DASC), Soft Comput., vol 24, no 5, pp 3511–3527 (2020) [12] S V Subramanian and A H Rao, Deep-learning based time series forecasting of go-around incidents in the national airspace system, AIAA Model Simul Technol Conf 2018, no 209959 (2018) [13] Tian L, Noore A A novel approach for short-term load forecasting using support vector machines Int J Neural Syst 2004;14(5):329-335 42 [14] Hong WC Electric load forecasting by support vector model Appl Math Model 2009;33(5):2444-2454 [15] De Cosmis S, De Leone R, Kropat E, Meyer-Nieberg S, Pickl S Electric load forecasting using support vector machines for robust regression Simul Ser 2013;45(5):72-79 [16] Türkay BE, Demren D Electrical load forecasting using support vector machines: A case study Int Rev Electr Eng 2011;6(5):2411-2418 [17] Li X, Gong D, Li L, Sun C Next day load forecasting using SVM Lect Notes Comput Sci 2005;3498(III):634-639 [18] Ostojin S, Kulic F, Svenda G, Bibic R Short-Term Electrical Load Forecasting Using Support Vector Machines Comput Simul Mod Sci 2008;I:138-142 [19] Matijaš M, Vukićević M, Krajcar S Supplier short term load forecasting using support vector regression and exogenous input J Electr Eng 2011;62(5):280-285 [20] Qiang S, Pu Y Short-term power load forecasting based on support vector machine and particle swarm optimization J Algorithms Comput Technol 2018;13:1-8 [21] Sano N, Higashinaka K, Suzuki T Efficient parameter selection for support vector regression using orthogonal array Conf Proc - IEEE Int Conf Syst Man Cybern 2014;2014Janua(January):2256-2261 [22] Hsia JY, Lin CJ Parameter Selection for Linear Support Vector Regression IEEE Trans Neural Networks Learn Syst 2020:1-6 [23] Jiang F, Wu W Hybrid Genetic Algorithm and Support Vector Regression Performance in CNY Exchange Rate Prediction 2016;(Esm):136-139 [24] Jiang M, Jiang S, Zhu L, Wang Y, Huang W, Zhang H Study on parameter optimization for support vector regression in solving the inverse ECG problem Comput Math Methods Med 2013 [25] Lessmann S, Stahlbock R, Crone SF Optimizing hyperparameters of support vector machines by genetic algorithms Proc 2005 Int Conf Artif Intell ICAI’05 2005;1(January):74-80 [26] Lahiri SK, Ghanta KC The support vector regression with the parameter tuning assisted by a differential evolution technique: Study of the critical velocity of a slurry flow in a pipeline Chem Ind Chem Eng Q 2008;14(3):191-203 [27] Wang, Hailun & Xu, Daxing (2017) Parameter Selection Method for Support Vector Regression Based on Adaptive Fusion of the Mixed Kernel Function Journal of Control Science and Engineering 2017 1-12 [28] Ma X, Zhang Y, Wang Y Performance evaluation of kernel functions based on grid search for support vector regression Proc 2015 7th IEEE Int Conf Cybern Intell Syst CIS 2015 Robot Autom Mechatronics, RAM 2015 2015:283-288 43 [29] Zhang H, Chen L, Qu Y, Zhao G, Guo Z Support vector regression based on grid-search method for short-term wind power forecasting J Appl Math 2014; [30] Yang M, Li W, Zhang H, Wang H Parameters optimization improvement of SVM on load forecasting Proc - 2016 8th Int Conf Intell Human-Machine Syst Cybern IHMSC 2016 [31] Lin S, Zhang S, Qiao J, Liu H, Yu G A parameter choosing method of SVR for time series prediction Proc 9th Int Conf Young Comput Sci ICYCS 2008 2008:130-135 [32] Huang Q, Mao J, Liu Y An improved grid search algorithm of SVR parameters optimization Int Conf Commun Technol Proceedings, ICCT 2012;(2):1022-1026 [33] Zakrani A, Najm A, Marzak A Support Vector Regression Based on Grid-Search Method for Agile Software Effort Prediction Colloq Inf Sci Technol Cist 2018;2018-Octob:492-497 [34] Crone SF, Guajardo J, Weber R Neural Networks in Time Series Prediction Proc 2006 Int Conf Data Mining, DMIN 2006 2006;5(10):8741-8746 [35] Zahid M, Ahmed F, Javaid N, et al Electricity price and load forecasting using enhanced convolutional neural network and enhanced support vector regression in smart grids Electron 2019;8(2):1-32 [36] Li W, Liu Z A method of SVM with normalization in intrusion detection Procedia Environ Sci 2011;11(PART A):256-262 [37] Ali S, Smith-Miles KA Improved support vector machine generalization using normalized input space Lect Notes Comput Sci (including Subser Lect Notes Artif Intell Lect Notes Bioinformatics) 2006;4304 LNAI(2):362-371 [38] Pham Huy Anh, Ho (2020) Fuzzy Load Forecast with Optimized Parametric Adjustment Using Jaya Optimization Algorithm International Journal of Computational Intelligence Systems 13 10.2991/ijcis.d.200617.002 [39] Nguyễn Hoàng Việt, Trần Anh Dũng, Nguyễn Quang Thi M ng wavelet cho toán dự báo phụ tải ngắ n hạn ngày đặc biệt Tạp chí phát triển kh&cn, tập 10, số 06 - 2007 [40] Phạm Anh Cường, Phan Văn Hiền Ứng dụng mạng nơron để dự báo phụ tải điện tỉnh gia lai Tạp chí khoa học công nghệ, đại học đà nẵng - số 2(43).2011 [41] Subhes C Bhattacharyya, Le Tien Thanh Short-term electric load forecasting using an artificial neural network: case of Northern Vietnam Int J Energy Res 2004; 28:463–472 [42] Duong-Ngoc H, Nguyen-Thanh H, Nguyen-Minh T Short term load forcast using deep learning 2019 Innov Power Adv Comput Technol i-PACT 2019 2019:1-5 [43] Dung NT, Phuong NT Improve the accuracy of short-term forecasting algorithms by Standardized Load Profile and Support Regression Vector: Case study Vietnam Adv Sci Technol Eng Syst 2019;4(5):243-249 44 [44] Dung NT, Ha TT, Phuong NT Comparative Study of Short-term Electric Load Forecasting: Case Study EVNHCMC Proc 2018 4th Int Conf Green Technol Sustain Dev GTSD 2018 2018:9095 doi:10.1109/GTSD.2018.8595514 [45] Lương Văn Trung Ứng Dụng Mạng Nơ-Ron Nhân Tạo Dự Báo Phụ Tải Ngắn Hạn Khu Vực Tp.Hồ Chí Minh Luận Văn Thạc Sĩ, IUH, 2020 [46] Phùng Quân Đạt, Lê Minh Hải, …etc Các Phương Pháp Dự Báo Phụ Tải Điện Năng Khóa Luận Tốt Nghiệp, IUH, 2020 [47] Nguyễn Quốc Đại, Điền Ngọc Thắng Nghiên cứu ảnh hưởng tham sớ đầu vào mạng mlp cho tốn dự báo phụ tải Khóa luận tớt nghiệp, IUH, 2021 [48] Đàm Ánh Tuyết, Bùi Nguyễn Hữu Phước Ứng dụng mạng lstm dự báo phụ tải Khóa luận tớt nghiệp, IUH, 2020 [49] Mai Ngọc Hồng, Ngũn Thành Trí, …etc Nghiên cứu ảnh hưởng tham số đầu vào mạng CNN dự báo phụ tải Khóa luận tớt nghiệp, iuh, 2020 [50] Trần Thanh Ngọc Analysis of load forecasting accuracy based on ho chi minh city data Journal Of Science And Technology - Volume 47 (05-2020) [51] Dai, S., Meng, F., Dai, H., Wang, Q & Chen, X Electrical peak demand forecasting- A review vol 0011 (2021) [52] Wan, Z., Xu, Y & Šavija, B On the use of machine learning models for prediction of compressive strength of concrete: Influence of dimensionality reduction on the model performance Materials 14, 1–23 (2021) [53] Tharwat, A Parameter investigation of support vector machine classifier with kernel functions Knowledge and Information Systems 61, 1269–1302 (2019) 45 PHẦN III PHỤ LỤC ĐÍNH KÈM Hợp đồng thực hiện đề tài nghiên cứu khoa học Thuyết minh đề tài phê duyệt Quyết định nghiệm thu Hồ sơ nghiệm thu (biên bản họp, phiếu đánh giá, bảng tổng hợp điểm, bản giải trình, phiếu phản biện) Sản phẩm nghiên cứu (bài báo, bản vẽ, mơ hình .): - Bài báo khoa học: - Code chương trình Lưu ý: (tất văn có sẵn, chủ nhiệm cần photo đính kèm sau nội dung trên, sử dụng lý hợp đồng với phịng kế tốn Khi lý, báo cáo được in thành 03 cuốn, đó, 01 đóng bìa mạ vàng, 02 đóng bìa cứng thường) 46 Hợp đồng thực đề tài nghiên cứu khoa học 47 Thuyết minh đề tài phê duyệt 48 Quyết định nghiệm thu 49 Hồ sơ nghiệm thu (biên họp, phiếu đánh giá, bảng tổng hợp điểm, giải trình, phiếu phản biện) 50 Sản phẩm nghiên cứu (bài báo, vẽ, mô hình .): a Bài báo khoa học: 51 b Code chương trình: 52