Ứng dụng chuỗi thời gian trong dự báo nhu cầu phụ tải điện ở công ty điện lực tây ninh

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - NGUYỄN THANH NHÂN ỨNG DỤNG CHUỖI THỜI GIAN TRONG DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN Ở CÔNG TY ĐIỆN LỰC TÂY NINH LUẬN VĂN THẠC SỸ KỸ THUẬT (Theo định hướng ứng dụng) TP HỒ CHÍ MINH – NĂM 2022 HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - NGUYỄN THANH NHÂN ỨNG DỤNG CHUỖI THỜI GIAN TRONG DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN Ở CÔNG TY ĐIỆN LỰC TÂY NINH CHUYÊN NGÀNH: MÃ SỐ: HỆ THỐNG THÔNG TIN 8.48.01.04 LUẬN VĂN THẠC SỸ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC: TS HUỲNH TRỌNG THƯA TP HỒ CHÍ MINH – NĂM 2022 i LỜI CAM ĐOAN Tôi xin cam đoan luận văn thạc sĩ hệ thống thông tin “ Ứng dụng chuỗi thời gian dự báo nhu cầu phụ tải điện Công ty Điện lực Tây Ninh” nghiên cứu, tổng hợp thực Toàn nội dung luận văn, điều trình bày cá nhân tơi tham khảo, tổng hợp từ nhiều nguồn tài liệu khác Tất tài liệu tham khảo, tổng hợp trích xuất với nguồn gốc rõ ràng Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình khác TP HCM, ngày 25 tháng 01 năm 2022 Học viên thực luận văn Nguyễn Thanh Nhân ii LỜI CẢM ƠN Trước tiên xin gửi lời cảm ơn sâu sắc đến giảng viên hướng dẫn trực tiếp - TS Huỳnh Trọng Thưa Cảm ơn Thầy lắng nghe quan điểm cá nhân đưa nhận xét q báu, góp ý dẫn dắt tơi hướng suốt thời gian thực đề tài luận văn thạc sĩ Tôi xin trân trọng cảm ơn Thầy Cô giáo Khoa Đào tạo Sau đại học - Học viện Cơng nghệ Bưu viễn thơng Cơ sở Thành phố Hồ Chí Minh truyền đạt kiến thức chuyên môn sâu rộng ngành cho tơi, có tảng kiến thức hỗ trợ lớn cho tơi q trình nghiên cứu, hồn thiện luận văn Cuối cùng, xin gửi lời cảm ơn chân thành đến gia đình, bạn bè quý đồng nghiệp ln đồng hành, tạo điều kiện, hỗ trợ khuyến khích tơi cố gắng suốt năm tháng học tập trình nghiên cứu viết luận văn Xin chân thành cảm ơn! TP HCM, ngày 25 tháng 01 năm 2022 Học viên thực luận văn Nguyễn Thanh Nhân iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT v DANH SÁCH BẢNG vi DANH SÁCH HÌNH VẼ vii MỞ ĐẦU 1 Lý chọn đề tài Tổng quan vấn đề nghiên cứu Mục tiêu nghiên cứu 4 Đối tượng phạm vi nghiên cứu 5 Phương pháp nghiên cứu Cấu trúc luận văn CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO CHUỖI THỜI GIAN 1.1 Tổng quan dự báo 1.2 Các phương pháp dự báo 1.2.1 Các mơ hình thống kê 1.2.2 Các mô hình đại dựa máy học, khai phá liệu trí tuệ nhân tạo 12 1.3 Thực trạng dự báo phụ tải điện Công ty Điện lực Tây Ninh 13 CHƯƠNG 2: MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN VÀ ỨNG DỤNG TRONG DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN 16 2.1 Phân tích chuỗi thời gian nhu cầu phụ tải điện 16 2.2 Mơ hình ARIMA 21 iv 2.3 Mơ hình SARIMA 24 2.4 Mơ hình mạng LSTM 25 2.5 Mơ hình Prophet 28 CHƯƠNG 3: XÂY DỰNG MƠ HÌNH DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN 29 3.1 Xây dựng mơ hình dự báo 29 3.2 Xây dựng mô hình dự báo SARIMA 31 3.3 Xây dựng mơ hình dự báo LSTM 33 3.4 Xây dựng mơ hình dự báo Prophet 35 CHƯƠNG 4: KẾT QUẢ DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN Ở CÔNG TY ĐIỆN LỰC TÂY NINH 37 4.1 Kết dự báo 37 4.1.1 Dự báo nhu cầu phụ tải tháng 37 4.1.2 Dự báo nhu cầu phụ tải 12 tháng 43 4.2 So sánh kết áp dụng mơ hình Prophet, SARIMA, LSTM 44 4.3 Nhận xét chung 46 CHƯƠNG 5: XÂY DỰNG HỆ THỐNG DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN 47 5.1 Thiết kế hệ thống 47 5.1.1 Mơ hình hệ thống 47 5.1.2 Thiết kế sở liệu cho hệ thống 48 5.1.3 Xây dựng Dashboard phân tích, dự báo 50 5.2 Kết 52 KẾT LUẬN 54 DANH MỤC TÀI LIỆU THAM KHẢO 55 v DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT Viết tắt Tiếng Anh Tiếng Việt ANN Artificial Neural Network Mạng nơ-ron nhân tạo LSTM Long Short Term Memory Mạng nơ-ron nhớ dài-ngắn ARIMA Autoregressive Intergrated Moving Average Mơ hình trung bình trượt tích hợp tự hồi quy SARIMA Seasonal ARIMA ARIMA mùa vụ SVM Support Vector Machine Véc-tơ máy hỗ trợ RMSE Root Mean Square Error Sai số trung bình bình phương gốc (Độ lệch chuẩn phần dư) MAPE Mean Absolute Percentage Error Sai số phần trăm tuyệt đối trung bình vi DANH SÁCH BẢNG Bảng 3.1: Các giá trị RMSE nhỏ mơ hình thực tìm kiếm lưới liệu 09 Điện lực 33 Bảng 4.1: Giá trị RMSE liệu đánh giá dự báo 09 Điện lực triển khai dự báo theo mơ hình Prophet 37 Bảng 4.2: Sai số (%) liệu 12 tháng kết dự báo tháng tương ứng 09 điện lực 38 Bảng 4.3: Độ đo RMSE liệu đánh giá dự báo 09 Điện lực triển khai mơ hình SARIMA 39 Bảng 4.4: Sai số (%) liệu 12 tháng kết dự báo tháng tương ứng 09 mơ hình tương ứng 09 Điện lực 40 Bảng 4.5: Độ đo RMSE liệu đánh giá dự báo 09 Điện lực triển khai mơ hình mạng LSTM 41 Bảng 4.6: Sai số (%) liệu 12 tháng kết dự báo tháng tương ứng 09 mơ hình tương ứng 09 Điện lực 42 Bảng 4.7: Các giá trị RMSE liệu 12 tháng dùng đánh giá kết dự báo mơ hình Prophet tương ứng 09 Điện lực 43 Bảng 4.8: Các giá trị RMSE liệu 12 tháng dùng đánh giá kết dự báo mơ hình SARIMA tương ứng 09 Điện lực 44 Bảng 4.9: So sánh hiệu suất dự báo tháng mơ hình SARIMA, Prophet LSTM 44 Bảng 4.10: So sánh hiệu suất dự báo 12 tháng mơ hình SARIMA Prophet 46 vii DANH SÁCH HÌNH VẼ Hình 2.1a: Biểu đồ sản lượng điện thương phẩm hàng tháng doanh nghiệp có mức tiêu thụ hàng năm triệu kWh 17 Hình 2.1b: Biểu đồ sản lượng điện thương phẩm hàng tháng khách hàng có mức tiêu thụ triệu kWh/năm 18 Hình 2.2: Biểu đồ phân rã đặc trưng (thành phần) liệu chuỗi thời gian sản lượng điện thương phẩm hàng tháng chu kỳ 12 tháng khách hàng có mức tiêu thụ triệu kWh/năm 20 Hình 2.3a: Biểu đồ chu kỳ 12 tháng chuỗi thời gian sản lượng điện thương phẩm 20 Hình 2.3b: Biểu đồ sai phân bậc chuỗi thời gian sản lượng điện thương phẩm 21 Hình 2.4: Một mạng LSTM cấu trúc bên tế bào LSTM 26 Hình 2.5: Cấu trúc tế bào LSTM 27 Hình 3.1: Minh họa phân chia liệu chuỗi thời gian sản lượng điện thương phẩm lựa chọn mơ hình đánh giá mơ hình 29 Hình 3.2: Mã giả thuật tốn đánh giá mơ hình theo chiến lược kiểm tra gối đầu áp dụng lựa chọn mơ hình đánh giá hiệu suất mơ hình 30 Hình 3.3: Mã giả thuật tốn tìm kiếm lưới khám phá tham số SARIMA cho chuỗi thời gian đơn biến 32 Hình 3.4: Đoạn mã Python xây dựng mơ hình LSTM 34 Hình 3.5a: Biểu đồ giá trị RMSE mơ hình LSTM theo số neurons, epochs 34 Hình 3.5b: Biểu đồ giá trị RMSE mơ hình LSTM theo số neurons, epochs 35 Hình 3.6: Đoạn mã Python mơ hình dự báo Prophet 35 Hình 4.1: Biểu đồ so sánh kết dự báo tháng mô hình SARIMA, Prophet mạng LSTM điện lực 45 Hình 5.1: Mơ hình kiến trúc tổng thể 47 viii Hình 5.2: Lược đồ ERD sở liệu dự báo 48 Hình 5.4: Dữ liệu mẫu bảng khách hàng 49 Hình 5.5: Dữ liệu mẫu bảng liệu phụ tải điện hàng tháng 49 Hình 5.6: Dữ liệu mẫu bảng tham số mơ hình 50 Hình 5.8: Mã nguồn Dashboard phân tích, dự báo 51 Hình 5.9: Kết dự báo 12 tháng phụ tải điện khách hàng thuộc Điện lực Thành phố Tây Ninh từ tháng 2/2021 52 Hình 5.10: Kết dự báo 12 tháng phụ tải điện khách hàng thuộc Điện lực Gò Dầu từ tháng 2/2021 53 45 Hình 4.1: Biểu đồ so sánh kết dự báo tháng mơ hình SARIMA, Prophet mạng LSTM điện lực So sánh kết dự báo nhu cầu điện thương phẩm 12 tháng tới mô hình SARIMA, Prophet liệu Điện lực Kết cho thấy mơ hình cho kết khơng khác nhiều so với dự báo tháng Mơ hình Prophet cho kết dự báo 46 12 tháng tốt mơ hình SARIMA 7/9 điện lực, mơ hình SARIMA cho kết dự báo tốt mơ hình Prophet 2/9 điện lực Bảng 4.10: So sánh hiệu suất dự báo 12 tháng mơ hình SARIMA Prophet 4.3 Nhận xét chung Kết thử nghiệm mơ hình SARIMA, Prophet mạng LSTM dự báo điện thương phẩm 12 tháng liệu điện thương phẩm thuộc điện lực cho thấy mơ hình Prophet cho kết dự báo với hiệu suất tốt mơ hình SARIMA, mơ hình mạng LSTM cho kết với hiệu suất thấp (giá trị RMSE lớn nhất) 47 CHƯƠNG 5: XÂY DỰNG HỆ THỐNG DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN Chương giới thiệu hệ thống dự báo nhu cầu phụ tải điện hàng tháng ứng dụng mơ hình dự báo phụ tải điện nghiên cứu 5.1 Thiết kế hệ thống 5.1.1 Mơ hình hệ thống Kiến trúc tổng thể mơ hình hệ thống dự báo phụ tải điện khách hàng Công ty Điện lực Tây Ninh thể Hình 5.1 Trong đó, nguồn liệu lấy từ sở liệu (CSDL) Báo cáo nơi lưu trữ liệu hóa đơn tất khách hàng sử dụng điện Dữ liệu trích xuất từ nguồn qua tiến trình tiền xử lý tổng hợp thành liệu phụ tải điện khách hàng hàng tháng lưu vào CSDL Tích hợp phục vụ chức phân tích, dự báo phụ tải điện khách hàng hàng tháng Hình 5.1: Mơ hình kiến trúc tổng thể Hàng tháng (từ ngày 15-20 hàng tháng) nhân viên kinh doanh Điện lực truy cập Dashboard tiến hành phân tích, dự báo phụ tải điện khách hàng tháng tới Nhân viên phân tích liệu chịu trách nhiệm thực tiến trình ETL liệu đánh giá mơ hình, cập nhật thơng số mơ hình liệu phụ tải điện định kỳ, chu kỳ đánh giá lại hàng năm Ngôn ngữ, thư viện khung phần mềm sử dụng hệ thống dự báo phụ tải điện khách hàng: 48 - Ngôn lập trình: Python - Cơ sở liệu: SQL Lite - Thư viện xây dựng mơ hình dự báo (nền tảng Python): SARIMAX, Keras LSTM Facebook Prophet - Khung xây dựng Dashboard phân tích, dự báo: Streamlit 5.1.2 Thiết kế sở liệu cho hệ thống Hệ quản trị sở liệu sử dụng để xây dựng hệ thống liệu khách hàng SQL Lite (version 3), đáp ứng đủ nhu cầu lưu trữ truy xuất liệu Hình 5.2 lược đồ ERD sở liệu tích hợp Hình 5.2 Lược đồ ERD sở liệu dự báo Dữ liệu mẫu bảng: a) Bảng Phân loại xử lý (ploai_xly): Hình 5.3: Dữ liệu bảng phân loại xử lý b) Bảng Khách hàng (khach_hang): 49 Hình 5.4: Dữ liệu mẫu bảng khách hàng c) Bảng Dữ liệu phụ tải điện (data): Hình 5.5: Dữ liệu mẫu bảng liệu phụ tải điện hàng tháng d) Bảng Tham số mơ hình (mhinh_thso): 50 Hình 5.6: Dữ liệu mẫu bảng tham số mơ hình 5.1.3 Xây dựng Dashboard phân tích, dự báo Dashboard phân tích dự báo xây dựng khung phần mềm Streamlit sử dụng ngôn ngữ lập trình Python Hình 5.7 đoạn mã nguồn Python truy xuất liệu, thực dự báo hiển thị kết dự báo trực tiếp trình duyệt web thơng dụng 51 52 Hình 5.8: Mã nguồn Dashboard phân tích, dự báo 5.2 Kết Thực dự báo phụ tải điện khách hàng 12 tháng tới Dashboard với liệu phụ tải điện khách hàng thuộc Điện lực Thành phố Tây Ninh từ tháng 02/2021 sử dụng mơ hình dự báo Facebook Prophet Hình 5.9 kết dự báo thực hệ thống dự báo Hình 5.9: Kết dự báo 12 tháng phụ tải điện khách hàng thuộc Điện lực Thành phố Tây Ninh từ tháng 2/2021 53 Sai số tuyệt đối trung bình tháng (từ 2/2021 đến 7/2021) liệu Điện lực Thành phố Tây Ninh 4.02% Tương tự, thực dự báo phụ tải điện khách hàng 12 tháng tới Dashboard với liệu phụ tải điện khách hàng thuộc Điện lực Gị Dầu từ tháng 02/2021 sử dụng mơ hình dự báo Facebook Prophet Hình 5.10 kết dự báo thực hệ thống dự báo Sai số tuyệt đối trung bình tháng (từ 2/2021 đến 7/2021) 3.2% Hình 5.10: Kết dự báo 12 tháng phụ tải điện khách hàng thuộc Điện lực Gò Dầu từ tháng 2/2021 54 KẾT LUẬN Hiện có nhiều hướng nghiên cứu để triển khai hệ thống dự báo phụ tải điện đáp ứng nhu cầu điều hành, vận hành hệ thống điện Luận văn trình bày hướng tiếp cận có hiệu việc dự báo nhu cầu phụ tải điện trung hạn phục vụ tốt công tác quy hoạch, điều hành hệ thống điện đáp ứng mục tiêu nâng cao hiệu hoạt động, độ tin cậy cung cấp điện đảm bảo cân đối cung cầu nhằm đáp ứng nhu cầu sử dụng điện khách hàng, nghiên cứu xây dựng hệ thống dự báo phụ tải điện dựa phương pháp dự báo chuỗi thời gian dựa thuật toán Facebook Prophet, SARIMA LSTM Kết thực nghiệm mơ hình dự báo liệu phụ tải điện khách hàng Điện lực cho thấy mơ hình dự báo chuỗi thời gian dựa thuật toán Facebook Prophet cho kết dự báo với hiệu suất tốt nhất, mơ hình SARIMA sau mơ hình LSTM Hướng nghiên cứu mở rộng đề tài nghiên cứu ứng dụng thuật tốn phân tích chuỗi thời gian Facebook Prophet dự báo phụ tải ngắn hạn phục vụ công tác lập phương thức vận hành hệ thống điện (Điều độ hệ thống điện) 55 DANH MỤC TÀI LIỆU THAM KHẢO [1] Bộ Công thương, “Quy định nội dung, phương pháp trình tự thực nghiên cứu phụ tải,” Thơng tư số 19/2017/TT-BCT, 2017 [2] H.K Alfares, M Nazeeruddin, "Electric load forecasting: literature survey and classification of methods," International Journal of Systems Science, vol 33, no 1, pp 23-34, 2002 [3] D.J Pedregal, J.R Trapero, "Mid-term hourly electricity forecasting based on a multi-rate approach," Energy Conversion and Management, vol 51, no 1, pp 105-111, 2010 [4] LD Phúc, BM Dương, PA Duy, NT Hoan, BĐ Hồi, NM Tùng, NM Khơi, ĐN Minh, NV Dũng, “Ứng dụng phân tích thống kê để đánh giá độ tin cậy nguồn liệu đầu vào nhằm nâng cao chất lượng dự báo phụ tải điện ngắn hạn lưới điện TP.HCM,” Tạp chí Phát triển Khoa học Công nghệ – Kĩ thuật Công nghệ, tập 2, số 4, pp 223-239, 2019 [5] Nazih Abu-Shikhah, Fawwaz Elkarmi, Osama M Aloquili, "Medium-Term Electric Load Forecasting Using Multivariable Linear and Non-Linear Regression," Smart Grid and Renewable Energy, vol 2, pp 126-135, 2011 [6] Isaac A Samuel, Felly-Njoku Chihurumanya F., Adewale Adeyinka A and Ayokunle A Awelewa, "Medium-Term Load Forecasting Of Covenant University Using The Regression Analysis Methods," Journal of Energy Technologies and Policy, vol 4, no 4, pp 4-16, 2014 [7] Pituk Bunnoon, "Mid-Term Load Forecasting Based on Neural Network Algorithm: a Comparison of Models," International Journal of Computer and Electrical Engineering, vol 3, no 4, pp 600-605, 2011 [8] E C Ashigwuike, A R A Aluya, J E C Emechebe and S A Benson, "Medium term electrical load forcast of Abuja Municipal Area Council using Artificial Neural Network method," Nigerian Journal of Technology, vol 39, no 3, pp 860-870, 2020 56 [9] Saeed M Badran, Ossama B Abouelatta, "Forecasting Electrical Load using ANN Combined with Multiple Regression method," The Research Bulletin of Jordan ACM, vol 2, pp 52-58, 2020 [10] Lei Guo, Linyu Wang and Hao Chen, "Electrical Load Forecasting Based on LSTM Neural Networks," International Conference on Big Data, Electronics and Communication Engineering, vol 94, pp 107-111, 2019 [11] Zhitong Ma, Cantao Ye, Huashan Li, Weibin Ma, "Applying support vector machines to predict building energy consumption in China," Enery Procedia, vol 152, pp 780-786, 2018 [12] Sean J Taylor and Benjamin Letham, "Forecasting at Scale," The American Statistian, vol 72, no 1, pp 37-45, 2018 [13] HT Thưa, T Hạnh, LNK Thư, HT Trụ, LB Loan, HL Minh, LTK Vân, “Phân tích nhu cầu dự báo hoạt động đầu tư Khu cơng nghệ cao Thành phố Hồ Chí Minh,” 2021 [14] Zar Zar Oo and Sabai Phyu, "Time Series Prediction Based on Facebook Prophet: A Case Study, Temperature Forecasting in Myintkyina," International Journal of Applied Mathematics, Electronics and Computers, vol 8, no 4, pp 263-267, 2020 [15] Toni Toharudin , Resa Septiani Pontoh , Rezzy Eko Caraka , Solichatus Zahroh , Youngjo Lee & Rung Ching Chen, "Employing Long Short-Term Memory and Facebook Prophet Model in Air Temperature Forecasting," Communications in Statistics - Simulation and Computation, 2021 [16] Emir Žunić, Kemal Korjenić, Kerim Hodžić and Dženana Đonko, "Application of Facebook's Prophet Algorithm for Successful Sales Forcasting Based on Real-World Data," International Journal of Computer Science & Information Technology, vol 12, no 2, pp 23-36, 2020 [17] Huỳnh Tấn Nguyên, Nguyễn Văn Lượng, “Ứng dụng mơ hình Arima để dự báo số giá tiêu dùn Việt Nam,” Tạp chí Khoa học Cơng nghệ Đại học Quảng Bình, tập 12, 2016 57 [18] Trịnh Thị Phan Lan, “Dự báo biến động tỷ giá mơ hình ARIMA,” Tài chính, tập 2, số 2, pp 45-47, 2018 [19] Nghiêm Phúc Hiếu, “Ứng dụng mơ hình SARIMA dự báo lượng khách quôc tế đen Việt Nam tới năm 2020,” Kinh tế Dự báo, 2017 [20] Lê Nhị Bảo Ngọc, Lê Quang Thơng Thái Anh Hịa, “Mơ hình dự báo giá tôm sú xuất Việt Nam,” Tạp chí Khoa học Trường Đại học Cần Thơ, tập 54, số 6D, pp 188-195, 2018 [21] LH Phúc, “Dự báo phụ tải điện tỉnh Tiền Giang sở Neural Network,” Đại học Sư phạm Kỹ thuật Thành phố HCM, 2014 [22] LTT Hải, “Nghiên cứu ứng dụng mạng nơron nhân tạo dự báo phụ tải ngắn hạn cho Thành phố Đà Nẵng,” Đại học Đà Nẵng, 2011 BẢN CAM ĐOAN Tôi cam đoan thực việc kiểm tra mức độ tương đồng nội dung luận văn “Ứng dụng chuỗi thời gian dự báo nhu cầu phụ tải điện Công ty Điện lực Tây Ninh” qua phần mềm DoIT cách trung thực đạt kết mức độ tương đồng 13% toàn nội dung luận văn Bản luận văn kiểm tra qua phần mềm cứng luận văn nộp để bảo vệ trước hội đồng Nếu sai xin chịu hình thức kỷ luật theo quy định hành Học viện TP.HCM, ngày 25 tháng 01 năm 2022 Học viên thực luận văn Nguyễn Thanh Nhân HỌC VIÊN THỰC HIỆN LUẬN VĂN NGƯỜI HƯỚNG DẪN KHOA HỌC Nguyễn Thanh Nhân TS Huỳnh Trọng Thưa