Bài Giảng Phương Pháp Dự Báo Nhu Cầu Năng Lượng ( Combo Full Slides 3 Chương )

Tầm quan trọng của cụng tỏc dự bỏo- Lập kế hoạch: dựa vào kết quả dự bỏo nhu cầu để lập kế hoạch sản xuất, vận chuyển, tiền mặt, nhõn lực để đảm bảo việc sử dụng nguồn lực một cỏch cú hi

1

Trường Đại học Điện lực Khoa Quản lý Năng lượng

Phương pháp dự báo

3

Chương 1: Những nội dung cơ bản về dự báo

4

1 Khái niệm cơ bản về dự báo

- Dự báo là quá trình lập báo cáo về các sự việc mà các kết quả thực tế của chúng nói chung chưa được quan sát/nhìn thấy

- Dự báo được bắt đầu bằng các giả thuyết nhất định dựa trên các kinh nghiệm quản lý, hiểu biết, sự phán đoán

5

2 Sự cần thiết của công tác dự báo

- Các nước phát triển hàng năm chi một khoản tiền tương đối lớn (nhiều hơn so với các nước đang phát triển) cho công tác dự báo nói chung và nhu cầu điện nói riêng

- Nhiều nước đang phát triển cũng thực hiện các dự báo về: phát triển kinh tế-xã hội, nhu cầu điện năng

và năng lượng,… để làm cơ sở cho công tác quy hoạch phát triển kinh tế-xã hội, ngành điện,… nhằm đáp ứng nhu cầu phát triển đất nước

6

3 Tầm quan trọng của công tác dự báo

- Lập kế hoạch: dựa vào kết quả dự báo nhu cầu để

lập kế hoạch sản xuất, vận chuyển, tiền mặt, nhân lực để đảm bảo việc sử dụng nguồn lực một cách có hiệu quả

- Chuẩn bị nguồn lực: có thời gian chuẩn bị nguyên

liệu thô, thuê nhân lực, mua máy móc và thiết bị,…

- Xác định các yêu cầu nguồn lực: các cơ quan/tổ

chức phải xác định nhu cầu dài hạn về các nguồn lực dựa trên kết quả dự báo

7

4 Giá trị của các dự báo chính xác

- Đánh giá nhu cầu thấp: dẫn đến không đủ đáp ứng nhu cầu

(với hệ thống phát điện, có độ tin cậy thấp và không

có khả năng đáp ứng một phần của nhu cầu điện)

- Đánh giá nhu cầu cao: dẫn đến cung nhiều và có thể thừa cung

(với hệ thống điện sẽ làm cho chi phí của hệ thống tăng lên)

8

5 Các nguyên tắc của dự báo

1 Có quan hệ nhân quả

2 Có tính lặp lại

3 Có tính thiết thực

4 Cần kiểm tra độ nhạy

5 Duy trì tính đơn giản

9

6 Các bước cơ bản của công tác dự báo

Bước 1: Xác định bài toán

Bước 2: Thu thập thông tin

Bước 3: Phân tích sơ bộ (thăm dò)

Bước 4: Lựa chọn mô hình dự báo phù hợp

Bước 5: Đánh giá và sử dụng mô hình dự báo

11

7 Quá trình đánh giá phương pháp dự báo

Giai đoạn 1: Chọn một chuỗi số liệu theo thời gian để phân tích

Chia chuỗi thành 2 tập: tập ban đầu và tập thử

Giai đoạn 2: Lựa chọn phương pháp dự báo

Giai đoạn 3: Sử dụng tập dữ liệu ban đầu với phương pháp lựa

chọn để dự báo

Giai đoạn 4: Sử dụng phương pháp lựa chọn để dự báo với tập

dữ liệu thử (để xem phương pháp này làm việc thế nào với các

dữ liệu chưa được dùng ở giai đoạn 3) để đánh giá các thành phần của mô hình Đánh giá kiểm tra: MAPE, MSE,… Tối ưu các giá trị của tham số

Giai đoạn 5: Đánh giá sự thích hợp của phương pháp lựa chọn

đối với các loại dữ liệu khác nhau và xác định khả năng áp dụng

12

8 Các kiểu/loại dữ liệu chuỗi thời gian

Chuỗi dữ liệu có 4 kiểu cơ bản sau:

1 Nằm ngang (horizontal): khi các giá trị dữ liệu dao động

xung quanh một giá trị trung bình không đổi Ví dụ, một sản phẩm có doanh số không tăng hoặc không giảm theo thời gian

2 Theo mùa (seasonal): khi một chuỗi dữ liệu bị ảnh hưởng

bởi các yếu tố mùa (quý của năm, tháng, hoặc ngày của tuần) Ví dụ như, doanh số của đồ uống, kem và điện năng tiêu thụ của các hộ gia đình

13

3 Theo chu kỳ (cyclical): khi dữ liệu biểu thị sự tăng lên và

giảm xuống nhưng không theo thời kỳ cố định Ví dụ, dữ liệu kinh tế được gắn với chu kỳ kinh doanh

4 Xu thế (trend): khi có một sự tăng lên hoặc giảm xuống

dài hạn trong chuỗi dữ liệu Ví dụ như: doanh số của các công ty kinh doanh, GNP, và nhiều chỉ số kinh doanh hoặc kinh tế khác

14

9 Đo độ chính xác của dự báo

Có một vài giá trị đo độ chính xác của dự báo như sau:

- Sai số dự báo (sai số dự báo một bước): et = Yt - Ft

Yt: giá trị quan sát thực ở thời kỳ t và

Ft: giá trị dự báo thời kỳ t

Ft được dự báo bằng cách sử dụng các dữ liệu Y1,… Yt-1

- Sai số trung bình (mean error) – ME: ME =

ý nghĩa: dự báo cao/thấp (chệch) 1

1 n

t t

e

n 

15

- Sai số tuyệt đối trung bình (mean absolute error) – MAE (dễ giải thích hơn với những người không phải là chuyên gia):

MAE =

- Sai số bình phương trung bình (mean squared error)– MSE (dễ để giải quyết về mặt toán, được sử dụng trong tối ưu thống kê):

MSE =

1

1 n

t t

e

n 

2 1

1 n

t t

e

n 

Y F Y

PE

n 

17

Chương 2: Các phương pháp dự báo

19

Các PP dự báo nhu cầu năng lượng-điện năng

Hiện nay, có 2 loại PP được dùng để dự báo nói chung, đó là:

20

Phương pháp dự báo định tính

Các phương pháp này mang tính trực giác và chủ quan phụ thuộc vào cách nhìn nhận và sự hiểu biết của các nhà dự báo nhiều hơn là dựa vào các mối liên hệ toán học và thống kê

Sử dụng ý kiến chuyên gia đôi khi là khả năng tốt nhất cho các đánh giá nhanh và mới

21

Phương pháp dự báo định lượng

1 Phương pháp dự báo theo chuỗi thời gian (time series

method)

2 Phương pháp dự báo theo mô hình kinh tế lượng

(econometric method) hay theo quan hệ nhân quả (causal

method)

3 Phương pháp dự báo mô phỏng (simulation method) hay

còn gọi là phương pháp dự báo theo mô hình sử dụng cuối

cùng (end-use method)

4 Phương pháp phân tích kết hợp (combined analysis) của

PP mô hình kinh tế lượng và mô hình sử dụng cuối cùng

22

1 Phương pháp chuỗi thời gian

- Điều chỉnh đường cong đơn giản (Simple Curve Fitting)

- Trung bình: giá trị trung bình (mean) và trung bình dịch

chuyển (Moving averages)

- San bằng hàm số mũ (Exponential Smoothing)

- Phân tích (Decomposition)

- Holt-Winters và phân tích Box-Jenkins

- Bayesian (Bayesian Method)

23

PP điều chỉnh đường cong đơn giản

Mô hình chuỗi thời gian đơn giản nhất sử dụng kỹ thuật xu hướng làm công cụ dự báo

Nếu E là năng lượng tiêu thụ, t là thời gian, và a, b,

c là các tham số điều chỉnh thì có các quan hệ sau đây để biểu thị mối liên hệ của E với t như sau:

- Liên hệ tuyến tính: E = a + b * t

- Liên hệ logarit: E = a * log(b * t)

24

Ưu điểm:

- Yêu cầu thu thập số liệu đơn giản

- Dễ hiểu, chi phí thấp hơn so với các kỹ thuật dự báo khác

25

Giả sử X là biến độc lập được dùng để dự báo biến phụ thuộc Y

có dạng hàm Y=a + b * X; Y = a + b * t

Với n quan sát (dãy số liệu) (Xi, Yi) thì chúng ta có thể xác định

a, b bằng PP bình phương cực tiểu để cho sai số/đọ lệch của giá trị dự báo so với giá trị thực là nhỏ nhất ( (Y i - a - bX i)2

n

X b

n

Y a

n

X X

n

Y

X Y

X b

i i

i i

i i

i i

)

( x x

n

XY X

)

( x

x n

n

5 Bài tập ứng dụng

30

Phương pháp giá trị trung bình (mean)

PP này lấy giá trị trung bình của tất cả các dữ liệu quan sát được (Y) làm giá trị dự báo (F)

Khi có một quan sát mới, Yt+1 thì dự báo cho thời gian t+2 là một giá trị trung bình mới gồm dữ liệu quan sát được từ trước và cộng thêm quan sát mới này:

- Trung bình dịch chuyển đơn,

- Trung bình dịch chuyển kép, và

- Trung bình dịch chuyển có trọng số

32

PP trung bình dịch chuyển đơn

Theo cách này, khi có một quan sát mới thì một trung bình mới có thể được tính toán bằng cách bỏ quan sát cũ đi để thay bằng một quan sát mới Vì thế, trung bình dịch chuyển được dùng để dự báo cho thời kỳ tiếp theo

Lưu ý khi áp dụng cách này, số các điểm dữ liệu trong từng trung bình được giữ nguyên (không thay đổi) và bao gồm các quan sát gần nhất

34

Dự báo theo trung bình dịch chuyển

Giá trị 3 tháng 5 tháng Tháng Thời gian quan sát Moving average Moving average

Mean Absolute Error (MAE) 71.46 51.00

Mean Absolute Percentage Error (MAPE) 34.89 27.88

Mean Square Error (MSE) 6395.66 3013.25

35

Phương pháp san bằng hàm mũ (Exponential smoothing methods)

mà giá trị này sẽ được quan sát, với giá trị dự báo

36

Như vậy, dự báo cho thời kỳ mới là dự báo cho thời

kỳ trước cộng với một điều chỉnh theo sai số dự báo của thời kỳ trước

Nếu α có giá trị gần tới 1 thì dự báo mới sẽ được điều chỉnh đáng kể theo dự báo cũ, và ngược lại

Điều này nghĩa là, sai số của dự báo trước (quá khứ) được dùng để hiệu chỉnh dự báo sau theo một hướng ngược với sai số đó

38

San bằng hàm mũ được xem là tốt hơn nếu phương

40

Dự báo theo san bằng hàm số mũ

Giá trị Tháng Thời gian quan sát α = 0.1 α = 0.5 α = 0.9

Thời kỳ kiểm tra

Các giá trị san bằng hàm mũ

42

PP Phân tích (Decomposition)

- Dựa vào chuỗi số liệu theo thời gian, có thể phân tích thành: thành phần hệ thống(thay đổi theo chu kỳ, xu thế) và thành phần ngẫu nhiên không hệ thống

- Về nguyên tắc, số liệu gốc được phân tích theo các cách sau:

Các yếu tố theo mùa

Các biến động ngẫu nhiên được xác định và san bằng Các biến động mang tính chu kỳ (ảnh hưởng của chu

kỳ kinh doanh)

Xu thế cơ bản đạt được bằng cách lọc ra 3 yếu tố trên

43

PP Holt-Winters và phân tích Box-Jenkins

Kỹ thuật Box-Jenkins cần sử dụng một mô hình hỗn hợp của phép tính tự hồi quy và ước lượng trung bình dịch chuyển để giải thích hành vi của chuỗi số liệu cần được dự báo

Tự hồi quy

X(t) = O(1)X(t-1) + O(2)X(t-2) + +O(p)X(t-p) +

e(t) - A(1)e(t-1) - A(2)e(t-2) - - A(q)e(t-q)

Ước lượng trung bình dịch chuyển

O(1), O(p): các hệ số tự hồi quy

e(t), e(t-q): các sai số giữa các giá trị thực và dự báo cho các thời kỳ quá khứ

A(1), A(q): các hệ số ước lượng trung bình dịch

chuyển (moving-average)

46

PP dự báo Bayesian (Bayesian Method)

PP này cho phép các nhà phân tích định ra một vài mô hình tùy theo yêu cầu về số liệu với các xác suất kèm theo

Khi mà các số liệu có thể có nhiều hơn thì các tham số mô hình và giá trị các xác suất được cập nhật bằng việc sử dụng một kỹ thuật quen thuộc: kỹ thuật Kalmen, Filtering

PP này bao gồm cả PP san bằng hàm số mũ và các mô hình Box-Jenkins

Tuy nhiên, PP này đòi hỏi khả năng phân tích và kinh nghiệm ở mức độ rất cao

47

2 PP mô hình kinh tế lượng (Hồi quy)

- Các mô hình hồi quy (quan hệ nhân quả) dựa trên giải thiết là hành vi của biến số cần được dự báo sẽ

bị ảnh hưởng bởi một hoặc nhiều yếu tố khác

- Những yếu tố này được biểu diễn là các biến số độc lập (hoặc là các biến số giải thích)

- Mô hình hồi quy là để xác lập mối quan hệ giữa biến số phụ thuộc E và các biến số độc lập X1, X2,… Xn

Hồi quy đơnE=f(X), hồi quy bội E=f (X1, X2,…Xn)

48

Nhìn chung, mộ mô hình kinh tế lượng sẽ có dạng như sau:

Di,t = a +  bi,j Xi,j,tTrong đó: a là hằng số Các hệ số a và b được xác định theo

PP bình phương cực tiểu

Di,t: nhu cầu năng lượng của khu vực i ở thời gian t,

bi,j: hệ số được xác định cho khu vực i và biến giải thích j

Xi,j,t: mức độ hoạt động cho biến giải thích j, chẳng hạn như mức đầu ra, giá của 1 loại nhiên liệu, các giá của các nhiên liệu cạnh tranh, và các biến số về thời tiết

49

Ở các mô hình kinh tế lượng, một quyết định cơ bản

là xác định mức độ chi tiết cần thiết, bởi vì càng chi tiết thì càng phức tạp Trong một mô hình kinh tế lượng có các nhiệm vụ như sau:

1 Xác định những biến nào đưa vào từng phương trình (chỉ định)

2 Xác định dạng hàm của mỗi một phương trình (tuyến tính, mũ, logarit,…)

50

3 Đánh giá các tham số của tất cả các phương trình cùng một lúc

4 Kiểm định ý nghĩa thống kê của các kết quả

5 Kiểm tra độ chắc chắn của các giả thuyết

51

Để đánh giá chất lượng của quan hệ giữa các biến số độc lập và biến số phụ thuộc, sử dụng:

- Hệ số hồi quy,

- Các thống kê theo phân phối t,

- Tổng các sai số bình phương giữa các giá trị dự báo và giá trị quan sát (SSE: sum of squre errors),…

52

Hệ số tương quan r giữa A và t:

Ai : điện năng đã cho ở năm i,

2 i

n

1 i

2 i

i i

n

1 i

) t t

( )

A A

(

) t t

)(

A A

i n

1 n

1 i

i n

A

1 n r









55

-  nói lên khả năng phạm sai lầm của giả thiết thống kê, 

lấy từ 0,001 đến 0,1 và thờng đợc chọn bằng mức trung bình là 0,05

- Số bậc tự do f phụ thuộc vào số thông số đo đợc n:

+ Khi n < 25 thì f=n-2

+ Khi n  25 thì f=n-1

- Đem so  tính đợc với ,f vừa tra, nếu ,f thì quan hệ

không sử dụng đợc quan hệ tuyến tính mà phải sử dụng quan hệ phi tuyến nào đó

56

3 PP mụ phỏng hay mụ hỡnh sử dụng cuối cựng

- Các PP mô phỏng đợc dùng để xây dựng một cách chi tiết mô hình hiện thực nhất của 1 hệ thống và mối liên hệ qua lại của các thành phần khác nhau trong hệ thống

- Các mô hình mô phỏng năng lợng thờng dùng để tính toán nhu

cầu năng lợng theo cách tiếp cận từ dới lên (bottom-up

57

Dạng toán học của một mô hình mô phỏng động đợc mô tả nh sau:

X(t) = ft[Z(t), Z(t-1), , Z(t-n), X(t-1), , X(t-n)], U

Với Z là các biến số ngoại sinh (exogenous)

X là các biến số nội sinh (endogenous)

U là số hạng nhiễu ngẫu nhiên (stochastic disturbance)

t là thời gian

58

Chương 3: Một số ứng dụng phương pháp dự báo

MEEDE: cña trêng Grenobe, níc céng hoµ Ph¸p

MAED (ENPEP): cña c¬ quan nguyªn tö quèc tÕ (IAEA)

Vµ mét sè c«ng cô kh¸c

60

Bài tập ứng dụng

Dự báo phụ tải cực đại/đỉnh (kW)

(i) Với một dự báo về điện năng cho trước, cách đơn giản nhất

để dự báo phụ tải đỉnh là sử dụng đồng nhất thức sau:

Peak Load=Energy/(Load factor*period of time) Trong đó, Energy: Điện năng (kWh)

Peak load: Phụ tải nhiệt hoặc điện cực đại đạt được trong một thời gian nhất định (kW)

Load factor: Hệ số phụ tải, là tỷ số giữa phụ tải trung bình trong một thời gian nhất định với phụ tải đỉnh trong thời gian đó

Period of time: thời gian (h) (8760h or …)

62

(ii) Sử dụng chuỗi số liệu quá khứ về quan hệ giữa nhu cầu cực đại và điện năng để dự báo phụ tải cực đại như sau:

Peak load = a + b * base energy + weather

Trong đó, base energy: phần phụ tải không nhạy cảm với yếu tố thời tiết;

weather: chỉ số của các điều kiện khí tượng được biết có tương quan với các phụ tải điều hòa không khí

Theo cách này, người ta đo quan hệ của phụ tải đỉnh với điện năng tiêu thụ theo các mùa (khô, mưa hoặc đông, hè hay là các tháng) của năm