2020 httt nguyenthanhnhan ttlv 5957

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 TĨM TẮT LUẬN VĂN THẠC SỸ TP HỒ CHÍ MINH – NĂM 2022 Luận văn hoàn thành tại: HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG Người hướng dẫn khoa học: TS Huỳnh Trọng Thưa Phản biện 1: ………………………………………………… Phản biện 2: ………………………………………………… Luận văn bảo vệ trước Hội đồng chấm luận văn thạc sĩ Học viện Cơng nghệ Bưu Viễn thơng Vào lúc: ngày tháng năm Có thể tìm hiểu luận văn tại: - Thư viện Học viện Cơng nghệ Bưu Viễn thơng I MỞ ĐẦU Lý chọn đề tài Dự báo nhu cầu phụ tải điện hoạt động có vai trị quan trọng việc quy hoạch, vận hành hệ thống điện Công ty Điện lực Tây Ninh đơn vị phân phối điện bên cạnh nhu cầu dự báo ngắn hạn phục vụ lập phương thức vận hành (điều độ hệ thống điện) nhu cầu dự báo phụ tải điện trung hạn nhằm nhằm nâng cao hiệu hoạt động, độ tin cậy đảm bảo cân đối cung cầu phụ tải điện cần thiết Thực đạo Tập đoàn Điện lực Việt Nam triển khai thực Thông tư 19 Bộ công thương, Công ty Điện lực phải thực dự báo phụ tải nhóm khách hàng, thành phần phụ tải hoạt động điều hành, vận hành hệ thống điện tháng Tuy nhiên việc triển khai thực gặp nhiều khó khăn chưa có phương pháp dự báo phụ tải phù hợp với nguồn liệu hữu Hiện nay, chủ yếu Công ty Điện lực dự báo nhu cầu phụ tải dựa theo phương pháp chuyên gia mơ hình hàm hồi quy đa biến phụ thuộc vào yếu tố thời tiết, nhiệt độ, số kinh tế, … kết dự báo hạn chế Nhằm giải vấn đề trên, luận văn đề xuất phương pháp nghiên cứu dự báo chuỗi thời gian để dự báo nhu cầu phụ tải điện trung hạn (xu thế, tốc độ phát triển nhu cầu phụ tải điện) Từ lý trên, xin lựa chọn đề tài nghiên cứu “Ứng dụng chuỗi thời gian dự báo nhu cầu phụ tải điện Công ty Điện lực Tây Ninh” Mục tiêu nghiên cứu 2.1 Mục đích nghiên cứu Xây dựng hệ thống dự báo nhu cầu phụ tải điện trung hạn nhằm hỗ trợ ban Lãnh đạo Công ty Điện lực Tây Ninh hoạt động điều hành, vận hành hệ thống điện đảm bảo mục tiêu nâng cao hiệu quả, độ tin cậy cung cấp điện đảm bảo cân đối cung cầu phụ tải điện phục vụ nhu cầu sử dụng điện khách hàng 2.2 Mục tiêu tổng quát Đánh giá thực trạng nhu cầu dự báo phụ tải Công ty Điện lực Tây Ninh nghiên cứu phương pháp dự báo chuỗi thời gian dự báo nhu cầu phụ tải điện trung hạn, từ đề xuất giải pháp dự báo nhu cầu phụ tải điện trung hạn Công ty Điện lực Tây Ninh 2.3 Mục tiêu cụ thể - Nghiên cứu phương pháp dự báo chuỗi thời gian dự báo nhu cầu phụ tải điện trung hạn - Đánh giá thực trạng dự báo nhu cầu phụ tải điện trung hạn Công ty Điện lực Tây Ninh - Đề xuất giải pháp dự báo nhu cầu phụ tải điện trung hạn dựa phân tích chuỗi thời gian Facebook Prophet Công ty Điện lực Tây Ninh - Xây dựng hệ thống thực nghiệm đánh giá hệ thống dự báo nhu cầu phụ tải điện trung hạn Công ty Điện lực Tây Ninh Đối tượng phạm vi nghiên cứu 3.1 Đối tượng nghiên cứu: - Thực trạng nhu cầu dự báo phụ tải điện trung hạn Công ty Điện lực Tây Ninh - Các phương pháp dự báo nhu cầu phụ tải điện trung hạn phương pháp dự báo đề xuất dự báo chuỗi thời gian theo mô hình cộng Facebook Prophet - Giải pháp hợp lý dự báo nhu cầu phụ tải điện trung hạn Công ty Điện lực Tây Ninh 3.2 Phạm vi nghiên cứu: Về nội dung: Nhu cầu dự báo phụ tải điện trung hạn giải pháp đề xuất nhằm dự báo nhu cầu phụ tải trung hạn Công ty Điện lực Tây Ninh Về thời gian: Các tài liệu nghiên cứu sử dụng luận văn tài liệu nước khoảng thời gian từ năm 2010-2020 Dữ liệu nghiên cứu sản lượng điện tiêu thụ nhóm khách hàng, thành phần phụ tải, địa bàn quản lý tháng từ tháng 01/2009 đến tháng 07/2021 Công ty Điện lực Tây Ninh Về không gian: Nghiên cứu thực ứng dụng Công ty Điện lực Tây Ninh Phương pháp nghiên cứu Đề tài sử dụng phương pháp nghiên cứu lý thuyết kết hợp với xây dựng ứng dụng thực nghiệm: - Nghiên cứu lý thuyết dự báo phụ tải điện dài hạn, thành phần phụ tải điện yếu tố ảnh hưởng đến dự báo - Thu thập liệu nhu cầu phụ tải điện nhóm thành phần phụ tải điện, theo khu vực nhóm khách hàng: Sản lượng điện tiêu thụ hàng tháng nhóm khách hàng địa bàn tỉnh Tây Ninh Công ty Điện lực Tây Ninh quản lý - Xây dựng hệ thống thực nghiệm, đánh giá kết thực nghiệm, đưa hướng phát triển mở rộng để tài để đáp ứng nhu cầu triển khai thực tế Cấu trúc luận văn Ngoài phần mở đầu, mục lục, kết luận kiến nghị, danh mục hình vẽ, danh mục bảng biểu, tài liệu tham khảo, phụ lục, phần nội dung luận văn gồm chương trình bày 57 trang II NỘI DUNG CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO CHUỖI THỜI GIAN 1.1 Tổng quan dự báo 1.2 Các phương pháp dự báo Các phương pháp dự báo ban đầu hoàn toàn dựa theo phương pháp thống kê truyền thống với tiến khoa học đại, công nghệ dự báo phát triển đáng kể Gần đây, phương pháp dự báo dựa lý thuyết học máy ngày trở nên phổ biến dự báo 1.2.1 Các mơ hình thống kê: - Mơ hình Tự hồi quy tích hợp trung bình trượt (ARIMA) - Mơ hình phân rã 1.2.2 Các mơ hình đại dựa máy học, khai phá liệu trí tuệ nhân tạo: - Mạng nơ-ron nhân tạo (ANN), học sâu LSTM - Máy véc-tơ hỗ trợ (SVM) CHƯƠNG 2: MƠ HÌNH DỰ BÁO CHUỖI THỜI GIAN VÀ ỨNG DỤNG TRONG DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN 2.1 Phân tích chuỗi thời gian nhu cầu phụ tải điện Dữ liệu chuỗi thời gian chuỗi quan sát trình ngẫu nhiên lưu trữ theo thứ tự thời gian Dữ liệu sản lượng điện thương phẩm hàng tháng người dân hay quan tổ chức liệu chuỗi thời gian Hình 2-1 biểu đồ minh họa chuỗi thời gian sản lượng điện thương phẩm hàng tháng doanh nghiệp có tổng sản lượng tiêu thụ hàng năm triệu kWh tổng hợp khách hàng có mức tiêu thụ hàng tháng triệu kWh địa bàn Thành phố Tây Ninh Hình 2.1: Biểu đồ sản lượng điện thương phẩm hàng tháng doanh nghiệp có mức tiêu thụ hàng năm triệu kWh 2.2 Mơ hình ARIMA Mơ hình trung bình trượt tích hợp tự hồi quy (Autoregressive Integrated Moving Average - ARIMA) phương pháp phổ biến việc lập mơ hình chuỗi thời gian, thường gọi phương pháp Box-Jenkins (1976) Mơ hình ARIMA phân tích tính tự tương quan liệu quan sát để đưa mơ hình dự báo Mơ hình ARIMA kết hợp thành phần chính: AR (Autoregressive - thành phần tự hồi quy), MA (Moving Average - thành phần trung bình trượt) I (Integrated – thành phần tích hợp, thực q trình sai phân để tạo chuỗi dừng) Các bước xây dựng mơ hình ARIMA để dự báo chuỗi thời gian: - Nhận dạng mô hình - Ước lượng tham số lựa chọn mơ hình - Kiểm định mơ hình - Dự báo 2.3 Mơ hình SARIMA Mơ hình trung bình trượt tích hợp tự hồi quy theo mùa (SARIMA ARIMA theo mùa), mơ hình mở rộng ARIMA hỗ trợ liệu chuỗi thời gian đơn biến với thành phần theo mùa SARIMA bổ sung thêm ba tham số thành phần tự hồi quy (AR), tích hợp (I) trung bình động (MA) cho thành phần theo mùa chuỗi thời gian đơn biến, tham số xác định khoảng thời gian theo mùa Việc xác định tham số mơ hình SARIMA u cầu chọn tham số cho yếu tố xu hướng theo mùa chuỗi Ba tham số xu hướng giống mơ hình ARIMA: - p: Bậc tự hồi quy xu hướng - d: Bậc tích hợp xu hướng - q: Bậc trung bình động xu hướng Bốn tham số theo mùa phần ARIMA phải xác định: - P: Bậc tự hồi quy theo mùa - D: Bậc tích hợp theo mùa - Q: Bậc trung bình động theo mùa - m: Số bước thời gian (kỳ) mùa 2.4 Mơ hình mạng LSTM Mạng LSTM (Long Short Term Memory) biến thể mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) thiết kế để giải toán phụ thuộc xa RNN bị ảnh hưởng vấn đề triệt tiêu gradient (gradient vanishing) LSTM lần đề xuất Hochreiter Schmidhuber cải tiến nhiều nhà nghiên cứu khác Hình 2-4 biểu diễn cấu trúc mạng LSTM gồm nhiều tế bào liên kết với thành chuỗi Mỗi tế bào LSTM 10 - Cổng (output gate): Có nhiệm vụ xác định thơng tin từ trạng thái bên tế bào sử dụng đầu Hình 2.5: Cấu trúc tế bào LSTM 2.5 Mơ hình Prophet Prophet mơ hình dự báo liệu chuỗi thời gian dựa mơ hình cộng (Additive model) xu hướng phi tuyến tính phù hợp với thời vụ hàng năm, hàng tuần hàng ngày, cộng với ảnh hưởng ngày lễ Cơ sở mơ hình Prophet phân rã chuỗi thời gian thành thành phần đại diện cho xu hướng, tính chu kỳ, ảnh hưởng ngày lễ sai số mơ hình theo phương trình: y(t)= g(t) + s(t) + h(t) + εt (2.8) Trong đó: - g(t) hàm đại diện cho xu hướng, thay đổi khơng có tính chu kỳ chuỗi thời gian 11 - s(t) hàm đại diện cho thay đổi có tính chu kỳ chuỗi thời gian (ví dụ: hàng tuần, hàng tháng, hàng năm) - h(t) hàm đại diện cho ảnh hưởng ngày nghỉ (do người dùng cung cấp) xảy theo lịch vài ngày - εt sai số mang tính ngẫu nhiên khơng xác định mơ hình 12 CHƯƠNG 3: XÂY DỰNG MƠ HÌNH DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN 3.1 Xây dựng mơ hình dự báo Để xây dựng mơ hình, chiến lược kiểm tra dự báo gối đầu, hay gọi chiến lược kiểm tra gối đầu (walk forward validation) để kiểm tra, đánh giá mơ hình dự báo đánh giá hiệu suất mơ hình Trước tiên, toàn liệu đầu vào sản lượng điện thương phẩm (chuỗi liệu thời gian nhu cầu phụ tải điện) phân chia thành phần, phần liệu đầu đánh giá, lựa chọn mơ hình phân chia thành liệu huấn luyện kiểm tra theo tỷ lệ 80% liệu huấn luyện 20% liệu kiểm tra, đánh giá mơ hình thử nghiệm; phần liệu đánh giá mơ hình (12 tháng cuối dùng) dùng đánh giá hiệu suất mơ hình dự báo SARIMA, mạng LSTM Prophet 13 Kế tiếp, chiến lược kiểm tra gối đầu áp dụng liệu kiểm tra, đánh giá Chiến lược kiểm tra gối đầu áp dụng tương tự liệu 12 tháng cuối (dữ liệu đánh giá mơ hình) để đánh giá hiệu suất mơ hình dự báo thử nghiệm 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 Các mơ hình dự báo SARIMA, mạng LSTM Prophet xây dựng với vài tham số Chi tiết việc đánh giá lựa chọn tham số mô hình SARIMA, mạng LSTM Prophet nêu rõ phần sau chương 14 Độ đo RMSE áp dụng đánh giá lựa chọn tham số mơ hình đánh giá hiệu suất mơ hình thử nghiệm SARIMA, mạng LSTM Prophet: 𝑅𝑀𝑆𝐸 = √∑𝑛𝑖=1 (𝑦̂𝑖 −𝑦𝑖 )2 𝑛 (3.1) 3.2 Xây dựng mơ hình dự báo SARIMA Một cách tiếp cận thay cách tiếp cận Box-Jenkins tìm kiếm theo lưới (grid search) với tham số mơ hình khám phá tham số hoạt động tốt cho chuỗi thời gian đơn biến cụ thể Với hệ thống máy tính đại ngày, tốc độ xử lý nhanh hơn, cách tiếp cận khả thi thực tìm kiếm nhanh Hình 3.3: Mã giả thuật tốn tìm kiếm lưới khám phá tham số SARIMA cho chuỗi thời gian đơn biến 15 Phương pháp tìm kiếm lưới thực chất vét cạn tổ hợp tham số (p,d,q)(P,D,Q)m mơ hình SARIMA Do đó, tốc độ tìm kiếm điểm yếu phương pháp ưu điểm khơng địi hỏi kĩ phân phân tích 3.3 Xây dựng mơ hình dự báo LSTM Thư viện Keras sử dụng để xây dựng mơ hình dự báo chuỗi thời gian mạng LSTM Đoạn mã Python sau mơ hình LSTM xây dựng để dự báo nhu cầu điện thương phẩm luận văn Mơ hình sử dụng tầng ẩn LSTM với số lượng tế bào neurons Trong đó, tham số neurons, epochs tham số cần phải xác định Hình 3.4: Đoạn mã Python xây dựng mơ hình LSTM 16 3.4 Xây dựng mơ hình dự báo Prophet Thư việc fbprophet sử dụng để xây dựng mô hình dự báo Hình 3.6: Đoạn mã Python mơ hình dự báo Prophet Prophet có tham số tinh chỉnh để nâng cao hiệu suất suất mơ hình, tham số hầu hết Prophet xác định tự động Tuy nhiên, Prophet cung cấp vài tham số để hiệu chỉnh mơ hình phù hợp với liệu, có tham số liên quan đến tính chu kỳ theo mùa liệu chuỗi thời gian là: - seasonality mode: có giá trị additive, multiplicative tương ứng với thay đổi thành phần theo mùa s(t) tuyến tính hay phi tuyến theo thời gian - seasonality prior scale: giá trị mức độ ảnh hưởng thành phần theo mùa s(t) mơ hình Thơng thường có giá trị đoạn [0.01, 10] 17 CHƯƠNG 4: KẾT QUẢ DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN Ở CÔNG TY ĐIỆN LỰC TÂY NINH 4.1 Kết dự báo 4.1.1 Dự báo nhu cầu phụ tải tháng 4.1.1.1 Mơ hình Prophet Đánh giá kết dự báo nhu cầu phụ tải điện tháng mơ hình Prophet liệu Điện lực tháng từ tháng 8/2020 đến tháng 7/2021: Bảng 4.1: Giá trị RMSE liệu đánh giá dự báo 09 Điện lực triển khai dự báo theo mơ hình Prophet 4.1.1.2 Mơ hình SARIMA Đánh giá kết dự báo nhu cầu phụ tải điện tháng mơ hình SARIMA liệu Điện lực tháng từ tháng 8/2020 đến tháng 7/2021: Bảng 4.3: Độ đo RMSE liệu đánh giá dự báo 09 Điện lực triển khai mơ hình SARIMA 18 4.1.1.4 Mơ hình LSTM Đánh giá kết dự báo nhu cầu phụ tải điện tháng mơ hình LSTM liệu Điện lực tháng từ tháng 8/2020 đến tháng 7/2021: Bảng 4.5: Độ đo RMSE liệu đánh giá dự báo 09 Điện lực triển khai mơ hình mạng LSTM 4.1.2 Dự báo nhu cầu phụ tải 12 tháng 4.1.2.1 Mơ hình Prophet 19 Áp dụng mơ hình Prophet dự báo nhu cầu điện thương phẩm 12 tháng tới (từ tháng 08/2020 đến tháng 07/2021) liệu Điện lực: 4.1.2.2 Mơ hình SARIMA Áp dụng mơ hình SARIMA dự báo nhu cầu điện thương phẩm 12 tháng tới (từ tháng 08/2020 đến tháng 07/2021) liệu Điện lực: 20 4.2 So sánh kết áp dụng mơ hình Prophet, SARIMA, LSTM Kết dự báo tháng mơ hình SARIMA, Prophet, LSTM liệu Điện lực cho thấy có 6/9 điện lực có kết mơ hình Prophet cho kết tốt mơ hình SARIMA, mơ hình LSTM cho kết thấp 3/9 điện lực cho kết SARIMA tốt mô hình Prophet Kết dự báo nhu cầu điện thương phẩm 12 tháng tới mơ hình SARIMA, Prophet liệu Điện lực cho thấy mô hình cho kết khơng khác nhiều so với dự báo tháng Mơ hình Prophet cho kết dự báo 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 4.3 Nhận xét chung Kết thử nghiệm mơ hình SARIMA, Prophet mạng LSTM dự báo điện thương phẩm tháng 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) 21 CHƯƠNG 5: XÂY DỰNG HỆ THỐNG DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN 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 Hình 5.1 Mơ hình kiến trúc tổng thể Ngôn ngữ, thư viện khung phần mềm sử dụng hệ thống dự báo phụ tải điện khách hàng: - Ngơn 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 22 5.1.2 Thiết kế sở liệu cho hệ thống Hình 5.2 lược đồ ERD sở liệu tích hợp Hình 5.2 Lược đồ ERD sở liệu dự báo 5.1.3 Xây dựng Dashboard phân tích, dự báo Dashboard phân tích dự báo xây dựng khung phần mềm Streamlit sử dụng ngơn ngữ lập trình Python 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 23 Hình 5.9 Kết dự báo 12 tháng phụ tải điện khách hàng thuộc Điện lực Thành phố Tây Ninh từ tháng 2/2021 Sai số tuyệt đối trung bình tháng (từ 2/2021 đến 7/2021) liệu Điện lực Thành phố Tây Ninh 4.02% 24 III 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)