Kỹ thuật dự báo trong vận hành thị trường điện Việt Nam

Kỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt NamKỹ thuật dự báo trong vận hành thị trường điện Việt Nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM

-

NGUYỄN TUẤN DŨNG

KỸ THUẬT DỰ BÁO TRONG VẬN HÀNH

THỊ TRƯỜNG ĐIỆN VIỆT NAM

LUẬN ÁN TIẾN SĨ KỸ THUẬT

TP HỒ CHÍ MINH NĂM 2020

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM

Cán bộ hướng dẫn khoa học :

- PGS.TS Trần Thu Hà

- PGS.TS Nguyễn Thanh Phương

Luận án Tiến sĩ đã được bảo vệ tại Trường Đại học Công nghệ TP HCM ngày 06 tháng 11 năm 2020

Thành phần Hội đồng đánh giá Luận án gồm:

1 GS TSKH Nguyễn Xuân Quỳnh Chủ tịch

2 GS TS Lê Kim Hùng Phản biện 1

3 PGS TS Lê Minh Phương Phản biện 2

4 PGS TS Quyền Huy Ánh Phản biện 3

5 GS TS Phạm Thị Ngọc Yến Ủy viên

6 PGS TS Nguyễn Hùng Ủy viên

7 PGS TS Ngô Cao Cường Ủy viên, Thư ký

Xác nhận của Chủ tịch Hội đồng đánh giá Luận án sau khi Luận án đã được báo cáo và sửa chữa

Chủ tịch Hội đồng đánh giá Luận án

GS TSKH Nguyễn Xuân Quỳnh

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM

Luận án Tiến sĩ đã được bảo vệ tại Trường Đại học Công nghệ TP HCM ngày 06 tháng 11 năm 2020

Thành phần Hội đồng đánh giá Luận án gồm:

1 GS TSKH Nguyễn Xuân Quỳnh Chủ tịch

2 GS TS Lê Kim Hùng Phản biện 1

3 PGS TS Lê Minh Phương Phản biện 2

4 PGS TS Quyền Huy Ánh Phản biện 3

5 GS TS Phạm Thị Ngọc Yến Ủy viên

6 PGS TS Nguyễn Hùng Ủy viên

7 PGS TS Ngô Cao Cường Ủy viên, Thư ký

Xác nhận của Nghiên cứu sinh, tập thể cán bộ hướng dẫn, Khoa/Viện quản lý chuyên ngành và Viện Đào tạo Sau đại hộc sau khi Luận án đã được sửa chữa

PGS TS Trần Thu Hà PGS TS Nguyễn Thanh Phương Nguyễn Tuấn Dũng KHOA QUẢN LÝ CHUYÊN NGÀNH

PGS TS Nguyễn Thanh Phương

VIỆN ĐÀO TẠO SAU ĐẠI HỌC

PGS TS Huỳnh Châu Duy

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu, kết quả nêu trong Luận án là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác

Tôi xin cam đoan rằng mọi sự giúp đỡ cho việc thực hiện Luận án này

đã được cảm ơn và các thông tin trích dẫn trong Luận án đã được chỉ rõ nguồn gốc tham khảo

Tác giả Luận án

LỜI CÁM ƠN

Tôi xin bày tỏ lòng biết ơn chân thành nhất đến PGS.TS Trần Thu Hà và PGS.TS Nguyễn Thanh Phương, các Thầy, Cô đã tận tâm chỉ dẫn, truyền đạt những kiến thức và kinh nghiệm quý báu cho tôi trong suốt quá trình thực hiện Luận án này

Và tôi xin được gửi lời cám ơn đến gia đình và bạn bè - những người đã luôn ủng hộ và động viên chúng tôi trong suốt thời gian vừa qua

Tác giả Luận án

Nguyễn Tuấn Dũng

TÓM TẮT

Đặc điểm của quá trình sản xuất và tiêu thụ điện năng là phải đảm bảo sự cân bằng giữa sản xuất và tiêu thụ ở mọi thời điểm, khi có sự mất cân bằng giữa sản xuất và tiêu thụ đều làm cho chất lượng điện năng thay đổi, nặng nề hơn có thể dẫn đến sự sụp đỗ điện áp gây tan rã hệ thống

Tuy nhiên, điện năng là một mặt hàng rất đặc biệt, đó là về mặt kinh tế không thể lưu trữ và ổn định hệ thống điện đòi hỏi một sự cân bằng liên tục giữa sản xuất và tiêu dùng Đồng thời, nhu cầu sử dụng điện còn phụ thuộc vào thời tiết

(nhiệt độ, tốc độ gió, mưa,…); nhu cầu sử dụng của các doanh nghiệp, cũng như các hoạt động hàng ngày (công suất đỉnh so với giờ cao điểm, các ngày trong tuần so với ngày cuối tuần, ngày lễ và gần ngày lễ,…); công suất phát của các nguồn năng

lượng tái tạo cũng thay đổi theo điều kiện tự nhiên; Do đó, phải cần đến kỹ thuật dự báo điện năng để cung cấp thông tin cho quá trình điều khiển HTĐ nhằm đảm bảo

sự cân bằng giữa sản xuất và tiêu thụ Đặc biệt khi HTĐ được vận hành theo cơ chế thị trường điện cạnh tranh, kết quả dự báo sẽ cung cấp thông tin cho các nhà quản lý điều hành giá mua bán diện

Đã có nhiều phương pháp dự báo được sử dụng, tuy nhiên phần lớn là các phương pháp dự báo dài hạn và trung hạn dùng để cung cấp thông tin cho việc qui hoạch phát triển nguồn, lưới điện và lập kế hoạch vận hành HTĐ Luận án sẽ nghiên cứu đề xuất một phương pháp dự báo ngắn hạn mới để cung cấp thông tin phụ tải điện cho các nhà quản lý điều hành thị trường điện cạnh tranh

Việc nghiên cứu các đặc tính của phụ tải; xây dựng các phương pháp xử lý

dữ liệu thiếu, sai sốt dữ liệu; cũng như đề xuất sử dụng biểu đồ phụ tải chuẩn hóa đơn vị (SLP) để cung cấp thông tin cho các mô hình dự báo là những nhiệm vụ quan trọng của luận án Qua phân tích các mô hình dự báo đang được sử dụng trên

thế giới (Kỹ thuật thống kê – mô hình SARIMA; Trí tuệ nhân tạo, học máy – mô

hình Support Vector Regression; Neural Network, Feedforward Networks; Random Forest), luận án đã đã xây dựng thành công giải thuật mới đó là sử dụng Biểu đồ

phụ tải chuẩn hóa đơn vị (SLP) làm bộ dữ liệu đầu vào cho các modules xây dựng hàm hồi qui đã phát huy tác dụng và cho kết quả dự báo có độ sai số thấp, nó giải quyết được câu chuyện chênh lệch ngày âm và ngày dương, các ngày lễ hội, ngày

đặc biệt trong năm và nhất là các ngày trong các tháng 01 và 02 (tháng có Tết

Dương lịch và Tết Nguyên Đán) Mô hình kết hợp Biểu đồ phụ tải chuẩn hóa đơn

vị (SLP) và Support Vector Regression (SVR) đã hoàn thiện hàm dự báo ngắn hạn,

cung cấp kết quả dự báo cho các nhà quản lý điều hành thị trường điện cạnh tranh,

các kết quả dự báo được kiểm chứng với bộ dữ liệu của 05 Tổng công ty Điện lực thuộc Tập đoàn Điện lực Việt Nam

Ngoài ra, luận án cũng đã có những phân tích sự tác động của giá thị trường SMP và các hợp đồng CFD đến các kết quả dự báo Qc để làm sao hạn chế tới mức thấp nhất các rủi ro và tận dụng được các biến động của thị trường để mang về lợi nhuận cao nhất Các module xử lý dữ liệu thiếu, xây dựng Biểu đồ phụ tải chuẩn hóa đơn vị (SLP), dự báo phụ tải,… được chính tác giả tự lập trình bằng ngôn ngữ Matlab 2017

ABSTRACT

The characteristic of the production and consumption of electricity is to ensure a balance between production and consumption at all times When there is an imbalance between production and consumption, the quality of power changes, which can even lead to voltage collapse, causing the system to fail

However, electricity is a very special commodity, it is economically impossible to store Stabilizing the electrical system requires a constant balance between production and consumption In addition, the demand for electricity also

depends on factors such as weather (temperature, wind speed, rain, ); daily usage demand (peak capacity, demand on weekdays, weekends, holidays, ) and variation

in generating capacity of renewable energy sources according to natural conditions Therefore, forecast techniques are needed to provide information for the control process of the power system to ensure a balance between production and consumption Especially when the power system is operated under the mechanism

of a competitive electricity market, the forecast results will provide information for managers to control the buying and selling prices

Many forecasting methods have been used, but most are long-term and medium-term forecasting methods used to provide information for power and grid development planning as well as power system operation planning The thesis will study and propose a new short-term forecasting method to provide information about electricity load to managers operating the competitive electricity market

The important tasks of the thesis include studying load characteristics, developing missing and incorrect data processing methods, as well as proposing to use the Standardized Load Profile (SLP) to provide information for forecasting

models Through analysis of forecasting models being used in the world (including Statistical Engineering - SARIMA model; Artificial Intelligence, machine learning - Support Vector Regression model; Neural Network, Feedforward Networks;

Random Forest), the thesis has successfully built a new algorithm It is a method of

using the Standardized Load Profile (SLP) as input data sets for the regression building modules This method is effective and gives the forecast results with low error It solves the difference of negative and positive days, holidays, special days

of the year and the days of January and February (the month of New Year and Lunar New Year) The combined model of the Standardized Load Profile (SLP) and

Support Vector Regression (SVR) has completed the short-term forecast function and provided the forecast results for the managers operating the competitive electricity market The forecast results are verified with the data set of 05 Electricity Corporations of Electricity of Vietnam (EVN)

In addition, the thesis also analyzes the impact of SMP market price and CFD contracts on Qc forecast results to minimize risks and take advantage of the fluctuations of the market for the highest returns The modules on processing missing data , building the Standardized Load Profile (SLP), load forecasting, are programmed by the author using the Matlab 2017

GIẤY XÁC NHẬN CỦA TỔNG CÔNG TY ĐIỆN LỰC TP.HCM

CÁC CÔNG TRÌNH NGHIÊN CỨU ĐÃ CÔNG BỐ

1 Nguyen Tuan Dung, Tran Thu Ha, Nguyen Thanh Phuong, 2018: COMPARATIVE STUDY OF SHORT-TERM ELECTRIC LOAD FORECASTING: CASE STUDY EVNHCMC - 2018 4th International

Conference on Green Technology and Sustainable Development (GTSD) – IEEE Conference 2018

2 Nguyen Tuan Dung, Nguyen Thanh Phuong, tháng 7 năm 2018: Comparative Study of Short-Term Electric Load Forecasting: Case Study EVNHCMC

– Hội thảo Quốc gia lần thứ XXI – Một số vấn đề chọn lọc của Công nghệ thông tin và Truyền thông – Thanh Hóa

3 Nguyen Tuan Dung, Nguyen Thanh Phuong, 2018: DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN BẰNG SUPPORT VECTOR REGRESSION (SVR) –

Hội nghị Khoa học công nghệ 2018 – Trường Đại học Công nghệ thành phố

Hồ Chí Minh

4 Nguyen Tuan Dung, Nguyen Thanh Phuong, 2019: HANDLING MISSING DATA USING STANDARDIZED LOAD PROFILE (SLP) AND SUPPORT VECTOR REGRESSION (SVR) - 2019 International

Conference on System Science and Engineering (ICSSE) – IEEE Conference

2019

5 Nguyen Tuan Dung, Nguyen Thanh Phuong, 2020: LOAD FORECASTING FOR MONTHS OF THE LUNAR NEW YEAR HOLIDAY USING STANDARDIZED LOAD PROFILE AND SUPPORT REGRESSION VECTOR: CASE STUDY HO CHI MINH CITY - The International

Conference On Science, Technology And Society Studies (STS 2020) – Trường Đại học Công nghệ thành phố Hồ Chí Minh

II CÔNG TRÌNH CÔNG BỐ TẠI CÁC TẠP CHÍ KHOA HỌC

6 Nguyen Tuan Dung, Nguyen Thanh Phuong, 2017: DEALING WITH MISSING DATA FOR THE POWER LOAD STUDIES USING SUPPORT VECTOR REGRESSION (SVR) - ISSN 1859-1531 - Tạp chí

KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ Số Quyển 1; Trang: 28-33

3(112).2017-7 Nguyen Tuan Dung, Nguyen Thanh Phuong, 2019: XỬ LÝ DỮ LIỆU THIẾU BẰNG BIỂU ĐỒ CHUẨN HÓA ĐƠN VỊ (SLP) VÀ SUPPORT VECTOR REGRESSION (SVR) - ISSN 1859-3585 - Tạp chí KHOA HỌC

& CÔNG NGHỆ, Số 50.2019, trang 21

8 Nguyen Tuan Dung, Nguyen Thanh Phuong, 2019: SHORT-TERM ELECTRIC LOAD FORECASTING USING STANDARDIZED LOAD PROFILE (SLP) AND SUPPORT VECTOR REGRESSION (SVR) -

Engineering, Technology & Applied Science Research Vol 9, No 4, 2019, 4548-4553

9 Nguyen Tuan Dung, Nguyen Thanh Phuong, 2019: IMPROVE THE ACCURACY OF SHORT-TERM FORECASTING ALGORITHMS BY STANDARDIZED LOAD PROFILE AND SUPPORT REGRESSION VECTOR: CASE STUDY VIETNAM - Advances in Science, Technology

and Engineering Systems Journal Vol 4, No 5, 243-249 (2019) ASTESJ ISSN: 2415-6698 https://dx.doi.org/10.25046/aj040530

DANH MỤC CÁC HÌNH VẼ

Hình 1.1 – Biến đổi không gian dữ liệu sang 31

Hình 1.3 – Thuật toán Rừng ngẫu nhiên Hồi qui 35

Hình 2.2 – Hệ số tự tương quan của chuỗi thời gian không tĩnh 41Hình 2.3 – Thống kê hệ số Pmax của tháng 10/2018 41Hình 2.4 – Hệ số tương quan của Pmax tháng 10/2018 42Hình 2.5 – Bảng thống kê điện thương phẩm theo từng tháng 42Hình 2.6 – Hệ số tương quan của 12 tháng của năm 43Hình 2.7 – Các lỗi thường gặp trong ghi nhận dữ liệu điện 47Hình 2.8 – Đồ thị biểu diễn tương quan Pmax, Atổng và nhiệt độ 50

Hình 2.10 – Giải thuật xử lý dữ liệu thiếu 52Hình 2.11 – Mô phỏng lại đường cong tải bị thiếu dữ liệu 55Hình 2.12 – Kết quả ước lượng dữ liệu thiếu bằng SVR 56

Hình 2.14 – Mô phỏng lại đường cong tải bị thiếu dữ liệu 58Hình 2.15 – Kết quả ước lượng các giá trị thiếu, lỗi 59Hình 2.16 – Mô phỏng lại đường cong tải bị thiếu dữ liệu 60Hình 2.17 – Kết quả ước lượng các giá trị thiếu, lỗi 60Hình 3.1 – Tăng trưởng của GRDP và Điện năng qua các năm (triệu kWh) 62

Hình 3.2 – Biểu đồ tương quan giữa GRDP và Điện năng (triệu kWh) 62Hình 3.3 – 5 thành phần phụ tải sử dụng điện (hộ sử dụng điện) 63Hình 3.4 – Đồ thị phụ tải của tòa nhà Green Power (EVNHCMC) 64

Hình 3.6 – Phụ tải Nhà máy Xi măng (kWh) 64Hình 3.7 – Sự thay đổi theo nhiệt độ trong năm (tháng 5 – mùa hè) 65Hình 3.8 – Sự thay đổi theo các ngày lễ trong năm 65Hình 3.9 – Dao động mạnh giữa El Nino và La Nina 65

Hình 3.11 – Đặc tính tải thay đổi theo ngày 67Hình 3.12 – Đặc tính tải thay đổi theo giờ - tuần 67Hình 3.13 – Đồ thị các ngày điển hình tháng1 68Hình 3.14 – Đồ thị các ngày điển hình tháng 2 68Hình 3.15 – Đồ thị các ngày điển hình tháng 3 68Hình 3.16 – Đồ thị các ngày điển hình tháng 4 68Hình 3.17 – Đồ thị các ngày điển hình tháng 5 69Hình 3.18 – Đồ thị các ngày điển hình tháng 6 69Hình 3.19 – Đồ thị các ngày điển hình tháng 7 69Hình 3.20 – Đồ thị các ngày điển hình tháng 8 69Hình 3.21 – Đồ thị các ngày điển hình tháng 9 70Hình 3.22 – Đồ thị các ngày điển hình tháng 10 70Hình 3.23 – Đồ thị các ngày điển hình tháng 11 70Hình 3.24 – Đồ thị các ngày điển hình tháng 12 70

Hình 3.25 – Biểu đồ quan hệ phụ tải và nhiệt độ 71Hình 3.26 – Đồ thị phụ tải các ngày thứ 6, 7 và chủ nhật 72Hình 3.27 – Đồ thị phụ tải các ngày thường trong tuần 73Hình 3.28 – Đồ phụ tải ngày Tết DL, AL và ngày thường 73Hình 3.29 – Biểu đồ chuẩn hóa đơn vị ngày Tết Dương lịch qua các năm 76Hình 3.30 – Biểu đồ chuẩn hóa đơn vị ngày Tết Nguyên Đán qua các năm 77Hình 3.31 – Biểu đồ chuẩn hóa đơn vị ngày thứ 2 trong tuần 77Hình 3.32 – Biểu đồ chuẩn hóa đơn vị ngày thứ 3 trong tuần 78Hình 3.33 – Biểu đồ chuẩn hóa đơn vị ngày thứ 6 trong tuần 78Hình 3.34 – Biểu đồ chuẩn hóa đơn vị ngày thứ 7 trong tuần 78

Hình 3.36 – Giải thuật xử lý dữ liệu thiếu 81Hình 3.37 – Một số ngày dữ liệu bị lỗi một vài chu kỳ 85Hình 3.38 – Các hàm hồi qui SVR được xây dựng 86Hình 3.39 – Các hàm hồi qui được xây dựng lại 86Hình 3.40 – Đường cong phụ tải được xây dựng lại 87Hình 3.41 – Dữ liệu được xây dựng lại ngày 08/08/2018 87Hình 3.42 – Dữ liệu được xây dựng lại ngày 13/08/2018 88Hình 3.43 – Dữ liệu được xây dựng lại ngày 17/08/2018 88Hình 3.44 – Dữ liệu được xây dựng lại ngày 25/08/2018 88Hình 4.1 – Biểu đồ phụ tải tháng 01 qua các năm 92Hình 4.2 – Biểu đồ phụ tải tháng 02 qua các năm 93Hình 4.3 – Lưu đồ giải thuật dự báo ngắn hạn 96

Hình 4.4 – Một số Biểu đồ phụ tải chuẩn hóa đơn vị 99

Hình 4.8 – Kết quả chạy test các mô hình SVR 104Hình 4.9 – Kết quả chạy test các mô hình học máy 105Hình 4.10 – Kết quả chạy test các mô hình hồi qui 107Hình 4.11 – Mô hình được chọn để dùng làm hàm dự báo 108Hình 4.12 – Kết quả chạy dự báo cho 07 ngày tiếp theo 108Hình 4.13 – Kết quả dự báo chu kỳ 60 phút/24h/7ngày 109Hình 4.14 – Kết quả chạy test các mô hình SVR 110Hình 4.15 – Kết quả chạy test các mô hình học máy 111Hình 4.16 – Kết quả chạy test các mô hình hồi qui 112Hình 4.17 – Mô hình được chọn để dùng làm hàm dự báo 113Hình 4.18 – Kết quả chạy dự báo cho 30 ngày tiếp theo 114Hình 5.1 – Công suất các nguồn tham gia trực tiếp và gián tiếp VCGM 118Hình 5.2 – Cơ cấu sản lượng điện năng theo hình thức tham gia thị trường 119Hình 5.3 – Tăng trưởng công suất đặc các tham gia VCGM 119Hình 5.4 – Sản lượng Thủy điện qua các năm 120Hình 5.5 – Sản lượng Nhiệt điện qua các năm 120Hình 5.6 – Tăng trưởng các nhà máy tham gia thị trường điện 121Hình 5.7 – Giá SMP và FMP bình quân qua các năm 121Hình 5.7 – Giá trần thị trường qua các năm 122

Hình 5.9 – Cấu trúc thị trường Phát điện cạnh tranh Việt Nam 123Hình 5.10 – Mô hình Thị trường bán buôn điện cạnh tranh 124Hình 5.11 – Mô hình Thị trường bán buôn điện cạnh tranh năm 2019 125

Hình 5.13 – Các biên độ và mục đích dự báo trong vận hành hệ thống điện 128Hình 5.14 – Điều độ Thị trường điện theo thời gian 129Hình 5.15 – Đồ thị tương quan của các thành phần 131

Hình 5.17 – Định hướng tốc độ tăng trưởng điện năng 133Hình 5.18 – Lưu đồ giải thuật dự báo 365 ngày – 24 chu kỳ 134Hình 5.19 – SLP của ngày Tết Dương lịch 01/01/2019 137Hình 5.20 – SLP của ngày mồng 1 - Tết Nguyên đán Kỷ Hợi 137

Hình 5.23 – Kết quả dự báo 365 ngày – 24 chu kỳ của năm 2019 139Hình 5.24 – Sự biến động của giá SMP trên thị trường qua các năm 143Hình 5.25 – Sự biến động của giá SMP của các tháng năm 2018 143Hình 5.26 – Sự biến động của giá SMP theo từng giờ, từng ngày 144Hình 5.27 – Cơ chế thanh toán CFD trên thị trường 145Hình 5.28 – Biến động giá SMP ngày 18/02/2018 (Tết Âm lịch) 146Hình 5.29 – Biến động giá SMP ngày 21/02/2018 146Hình 5.30 – Biến động giá SMP ngày 02/05/2018 147

Bảng 4.9 – Kết quả kiểm tra của các mô hình SVR 110Bảng 4.10 – Sai số của các mô hình SVR (%) 111

Bảng 4.11 – Kết quả kiểm tra của các mô hình học máy 111Bảng 4.12 – Sai số của các mô hình học máy (%) 112Bảng 4.13 – Sai số các mô hình hồi qui (%) 113Bảng 5.1 – Bảng thống kê điện thương phẩm theo 5 thành phần 130Bảng 5.2 – Bảng thống kê điện khách hàng theo 5 thành phần 130Bảng 5.3 – Bảng thống kê GRDP theo thành phần kinh tế 130Bảng 5.4 – Các giả thuyết đầu vào dựa trên các chính sách dài hạn 132Bảng 5.5 – Kết quả dự báo dài hạn (đến năm 2025) 132

Bảng 5.8 – Dữ liệu thống kê theo ngày từ 01/01/2014 – 31/12/2019 135Bảng 5.8 – Lịch qui đổi ngày dương lịch và âm lịch các ngày lễ năm 2019 136Bảng 5.9 – Kết quả dự báo 12 tháng năm 2019 139Bảng 5.10 – Kết quả dự báo 365 ngày của năm 2019 139Bảng 5.11 – Kết quả sai số dự báo năm 2018 140Bảng 5.12 – Kết quả sai số dự báo năm 2019 141

DANH MỤC CÁC TỪ VIẾT TẮT

A Sản lượng điện thương phẩm

A0 Trung tâm điều độ Hệ thống điện Quốc gia

ACA Đấu giá hợp đồng tập trung hàng năm

ACF Hàm tự tương quan

AR Mô hình tự hồi quy

ARIMA Trung bình trượt kết hợp tự hồi quy (Autoregressive Integrated

Moving Average) ARMA Mô hình bình quân di động

BOT Nhà máy điện bao tiêu (có cam kết Chính phủ)

CAN Phí công suất

CART Cây phân loại và hồi qui

CfD Hợp đồng sai khác

CSDL Cơ sở dữ liệu

DR Điều chỉnh nhu cầu phụ tải

DSM Quản lý nhu cầu phụ tải

EE Hiệu quả năng lượng

EPTC Công ty mua bán điện

ERAV Cục Điều tiết Điện lực

EVN Tập đoàn Điện lực Việt Nam

EVNCPC Tổng công ty Điện lực Miền Trung

EVNHCMC Tổng công ty Điện lực thành phố Hồ Chí Minh

EVNHNPC Tổng công ty Điện lực thành phố Hà Nội

EVNNPC Tổng công ty Điện lực Miền Bắc

EVNSPC Tổng công ty Điện lực Miền Nam

FIT Dự báo nhu cầu theo xu hướng (Forecart inchiding trend) FMP Giá toàn phần

GAs Thuật toán di truyền

GDP Tăng trưởng kinh tế

GRDP Tăng trưởng kinh tế

MA Mô hình trung bình trượt

MAD Sai số trung bình tuyệt đối (Mean Absolute Deviation) MAPE Sai số phần trăm trung bình tuyệt đối

MAR Thiếu ngẫu nhiên

MOIT Bộ Công Thương

MSE Sai số bình phương trung bình

MSO Đơn vị vận hành hệ thống và thị trường điện

NAMR Thiếu không ngẫu nhiên

NMĐ Nhà máy điện

NMNĐ Nhà máy nhiệt điện

NMTĐ Nhà máy thủy điện

NN Mạng thần kinh (nơ-ron)

PACF Hàm tự tương quan riêng phần

PASA Đánh giá an ninh hệ thống

PC Tổng công ty Điện lực phân phối

Pc Giá hợp đồng mua bán điện dạng sai khác

Pmax Công suất cực đại

Pmin Công suất cực tiểu

Qc Sản lượng điện năng thanh toán theo giá hợp đồng trong chu

kỳ giao dịch QCA Đấu giá hợp đồng tập trung hàng quý

Rcfd Khoản thanh toán sai khác trong chu kỳ giao dịch

RF Mô hình Rừng ngẫu nhiên (Random Forest)

RTD Điều độ thời gian thực

SLP Biểu đồ phụ tải chuẩn hóa đơn vị (Standardized Load Profiles) SMHP Nhà máy thủy điện chiến lược đa mục tiêu

SMP Chi phí biên của hệ thống

SRMC Chi phí biên ngắn hạn

STLF Dự báo phụ tải ngắn hạn

SVM Phương pháp học máy (Support Vector Machine)

SVR Mô hình Bộ hồi quy dựa theo vector hỗ trợ (Support Vector

Regression) TOU Thời gian sử dụng (Time of Use)

TTĐ Thị trường điện

VCGM Thị trường điện phát điện cạnh tranh

VWEM Thị trường bán buôn điện cạnh tranh

là hệ số tự tương quan lấy mẫu ở độ trễ

là trung bình mẫu của

 là biến lỏng

 là tham số của hàm nhân Gaussian

Y t là giá trị đo lường tải hệ thống

v t là vector dữ liệu theo thời gian

α t là vector hệ số hồi quy,

ε t là lỗi mô hình tại thời điểm t

At là điện năng dự báo ở năm thứ t

Ao là điện năng ở năm chọn làm gốc

α là tốc độ phát triển bình quân hàng năm

t là thời gian dự báo

K là hệ số mùa

yi là giá trị điện năng quan sát của tháng thứ i

y là giá trị điện năng trung bình của các tháng trong năm

Rcfdi là khoản thanh toán sai khác trong chu kỳ giao dịch i (đồng); Qci là sản lượng điện năng thanh toán theo giá hợp đồng trong chu kỳ

giao dịch i (kWh);

Pc là giá hợp đồng mua bán điện dạng sai khác (đồng/kWh) Đối với

các nhà máy thuỷ điện giá hợp đồng này chưa bao gồm thuế tài nguyên nước và phí môi trường rừng;

SMPi là giá điện năng thị trường trong chu kỳ giao dịch i (đồng/kWh); CANi là giá công suất thị trường trong chu kỳ giao dịch i (đồng/kWh)

1.2 Tổng quan tình hình nghiên cứu trong nước và nước ngoài liên

1.3 Các yếu tố tác động đến các mô hình dự báo phụ tải ngắn hạn 8

CHƯƠNG II: GIỚI THIỆU VỀ CÁC PHƯƠNG PHÁP DỰ BÁO THỊ

2.2 KỸ THUẬT XỬ LÝ CHUỖI DỮ LIỆU 36

2.2.2 Nhận biết các thành phần của chuỗi thời gian bằng phương pháp

2.2.4 Dữ liệu thiếu trong nghiên cứu phụ tải điện 46 2.2.5 Các phương pháp nghiên cứu xử lý dữ liệu thiếu 47 2.2.6 Phương pháp xử lý dữ liệu thiếu trong nghiên cứu phụ tải điện 48

2.3.2 Xây dựng mô hình hồi quy cho việc dự đoán các giá trị thiếu 51

• Phương pháp thông thường: sử dụng giá trị trung bình trong

cùng thời gian cho 4 tuần trước đó của chuổi dữ liệu đang xét,

• Phương pháp xây dựng đường cong hồi qui bằng giải thuật SVR

• Phương pháp xây dựng đường cong hồi qui bằng mạng Neural

3.1.5 Quản lý nhu cầu phụ tải 66

3.3.2 Ứng dụng xử lý dữ liệu thiếu bằng Biểu đồ chuẩn hóa đơn vị

3.3.3 Kết quả áp dụng SLP vào xử lý dữ liệu thiếu 83

4.3.6 Kiểm chứng bằng bộ dữ liệu ngày Tết Nguyên Đán

4.3.7 Kiểm chứng với bộ dữ liệu của 05 Tổng công ty Điện lực thuộc

Tập đoàn Điện lực Việt Nam (Chi tiết theo Phụ lục đính kèm) 114

CHƯƠNG V – DỰ BÁO TRONG VẬN HÀNH THỊ TRƯỜNG

5.1 TỔNG QUAN VỀ THỊ TRƯỜNG ĐIỆN VIỆT NAM HIỆN

5.1.1 Thị trường phát điện cạnh tranh (giai đoạn 2012 - 2018) 122 5.1.2 Thị trường bán buôn điện cạnh tranh (từ 01/01/2019) 123

5.2 CÁC YÊU CẦU VỀ DỰ BÁO PHỤ TẢI TRONG VWEM 126 5.2.1 Dự báo phục vụ Kế hoạch phát triển lưới điện truyền tải và phân

1 DỮ LIỆU PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC

TP.HCM TỪ 01/01/2014 ĐẾN 31/12/2019 (số liệu công suất – Pmax, điện năng tiêu thụ – Atổng (24 chu kỳ/ngày) và nhiệt độ

2 CÁC SỐ LIỆU THỐNG KÊ CÁC CHỈ TIÊU KINH TẾ, PHỤ

TẢI ĐIỆN THEO TỪNG THÀNH PHẦN CỦA TỔNG CÔNG

3 ĐỒ THỊ PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC

4 BIỂU ĐỒ CHUẨN HÓA ĐƠN VỊ CỦA TỔNG CÔNG TY

6 KẾT QUẢ CHẠY DỰ BÁO CHO 30 NGÀY CỦA THÁNG

02/2018 – THÁNG 02/2019 (24 CHU KỲ) CỦA TỔNG CÔNG

9 DỮ LIỆU PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC

10 DỮ LIỆU PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC

15 KẾT QUẢ DỰ BÁO 8760 CHU KỲ NĂM 2018, 2019 VÀ

CHƯƠNG I: TỔNG QUAN

1.1 Tổng quan về vấn đề nghiên cứu

Vấn đề dự báo điện năng đóng một vai trò hết sức quan trọng và có tính quyết định đối với nền kinh tế và đời sống của chúng ta Đây là một môn khoa học quan trọng nhằm nghiên cứu các phương pháp luận khoa học để đưa ra các con số chính xác nhất sẽ xảy ra trong tương lai, giúp cho chúng ta định hướng được phương hướng và kế hoạch cho tương lai, chủ động trong công việc và xử lí được những biến cố Nếu như không thực hiện công tác dự báo điện năng, ta sẽ gặp phải hai trường hợp có thể xảy ra, đó là: sẽ thiếu hụt điện năng sử dụng hay dư thừa điện năng sản xuất

Trong những năm qua, dự báo tiêu thụ điện năng thu hút một sự quan tâm lớn từ các Công ty điện lực và các nhà nghiên cứu từ các khu vực khác nhau Đối với các Công ty điện lực đây là một vấn đề lớn bởi vì họ cần phải ước lượng điện cần thiết để đáp ứng khách hàng của họ Đối với họ, đây không phải là một nhiệm

vụ dễ dàng bởi vì nhu cầu điện ngày càng tăng trong những năm qua và cũng vì mô hình tiêu thụ điện ngày càng khác nhau với nhiều yếu tố bao gồm cả thời gian Vì vậy, một trong những mục tiêu của Công ty điện lực là dự báo phải bám sát với thực

tế để ngăn ngừa sự thiếu hụt hoặc lãng phí điện năng

Việc tìm kiếm các phương pháp dự báo tốt nhất không phải là một nhiệm vụ

dễ dàng vì có nhiều biến như: nhiệt độ, độ ẩm, gió, nhân khẩu học, số lượng trung bình của các thiết bị điện trong nước, mùa trong năm, ngày trong tuần, ngày lễ đã được đưa vào xem xét Ngoài ra, việc xây dựng các nhà máy và hệ thống điện luôn cần có thời gian Do vậy, muốn đáp ứng được yêu cầu sử dụng điện, ngành điện phải làm tốt công tác dự báo để lập kế hoạch triển khai Chính sự phát triển nhanh của nhu cầu sử dụng điện đang gây ra mất cân đối về tài chính để đảm bảo sự phát triển bền vững của ngành Điện Giá điện mua cạnh tranh sẽ là công cụ của thị

trường để tạo ra sự cân bằng tự nhiên nhu cầu sử dụng điện, lợi nhuận của các ngành sản xuất và các đơn vị cung cấp điện [1]

Hiện nay, do sự phát triển nhanh về khoa học kĩ thuật, đặc biệt là những công

cụ tính toán, nhiều phương pháp dự báo đã, đang và sẽ được nghiên cứu để đưa vào

sử dụng Các mô hình dự báo có nhiều loại [10] dựa trên các phương pháp thống

kê như: Phương pháp bình quân di động, Phương pháp bình quân di động có trọng

số, Phương pháp san bằng số mũ, Phương pháp san bằng số mũ có điều chỉnh xu hướng, Phương pháp dự báo theo đường khuynh hướng, Phương pháp đường thẳng thống kê; Phương pháp đường thẳng thông thường; Phương pháp theo khuynh hướng có xét đến biến động thời vụ; Phương pháp đường Parabol thống kê; Phương pháp đường Logarit; Phương pháp đa hồi qui (Multiple regression method);

Các mô hình đã được ứng dụng để dự báo trên thế giới ứng dụng công nghệ mạng neuron như mô hình Rừng ngẫu nhiên (Random Forest Regression): RF là một bộ các cây phân loại và hồi qui (CART), được đưa ra bởi Breiman (2001) [63] Trong RF, mẫu huấn luyện được đặt cho một nhà phân loại cơ bản được xây dựng bằng cách sử dụng thuật toán Bagging [64] Khi xây dựng một cơ sở phân loại, các nút bên trong được kết hợp với một tập hợp thuộc tính ứng cử viên ngẫu nhiên

Trong bộ cây phân loại và hồi quy CART truyền thống, mỗi nút bên trong là tập con của tập dữ liệu ban đầu và nút gốc chứa tất cả dữ liệu ban đầu Các rừng ngẫu nhiên để hồi quy được hình thành bằng cách hình thành cây dựa vào một vector ngẫu nhiên sao cho cây tiên đoán có các giá trị số cao hơn so với các nhãn lớp Tập huấn luyện được rút ra một cách độc lập từ sự phân bố của vector ngẫu nhiên, các dự đoán rừng ngẫu nhiên được hình thành bằng cách lấy trung bình trên k của cây Giải thuật rừng ngẫu nhiên sinh ra mô hình có độ chính xác cao đáp ứng được yêu cầu thực tiễn cho vấn đề phân loại, hồi qui [65] – [70]

Phương pháp dự báo từ các mô hình chuỗi thời gian (mô hình JENKINS) để đưa ra các dự báo ngắn hạn và trung hạn Các mô hình kinh tế lượng chủ yếu dựa trên một động thái rõ nét của các đối tượng có liên quan đến hệ thống

BOX-kinh tế Tuy nhiên một họ các mô hình thay thế khác được sử dụng rộng rãi, đặc

biệt trong dự báo ngắn hạn, được gọi là các mô hình chuỗi thời gian Chủ yếu, các

mô hình này nối kết một biến phụ thuộc với các giá trị của nó trong quá khứ và với các sai số ngẫu nhiên mà có thể có tương quan theo chuỗi Một các tổng quát, các

mô hình chuỗi thời gian không dựa trên bất kỳ một động thái kinh tế rõ nét nào

Cách đây 30 năm, các mô hình chuỗi thời gian được sử dụng phổ biến nhất trong kỹ thuật và các khoa học vật lý Tuy nhiên, trong khoảng 2 thập kỷ gần đây, các phương pháp chuỗi thời gian đã được sử dụng rất rộng rãi trong kinh tế học đặc biệt là trong dự báo ngắn hạn, trong đó các mô hình chuỗi thời gian đã chứng tỏ là thích hợp hơn so với các mô hình kinh tế lượng

Một phương pháp rất phổ biến trong việc lập mô hình chuỗi thời gian là

phương pháp trung bình trượt kết hợp tự hồi quy (autoregressive integrated

moving average - ARIMA), thường được gọi là phương pháp luận Box-Jenkins

Trọng tâm của các phương pháp dự báo mới này không phải là xây dựng các mô hình đơn phương trình hay phương trình đồng thời mà là phân tích các tính chất xác

suất hay ngẫu nhiên của bản thân các chuỗi thời gian kinh tế theo triết lý “hãy để dữ liệu tự nói”

Tác giả nghiên cứu mô hình thống kê Box-Jenkin (SARIMA), nghiên cứu các mô hình học máy tiên tiến như: Neural Network, Support Vector Regression, Random Forest,… để xây dựng mô hình dự báo (dự báo ngắn hạn, trung hạn) theo yêu cầu của Cục Điều Tiết Điện lực (ERAV) – Bộ Công Thương

1.2 Tổng quan tình hình nghiên cứu trong nước và nước ngoài liên quan đến

Gần đây một số tác giả đã đề xuất mô hình chi tiết có xét tới xu hướng và tính thời vụ hàng năm Soares and Mederios (2008) đã mô phỏng xu hướng tải như

là một hàm xác định của tổng sản phẩm quốc nội; Dordonnat et al (2008) đã ước tính xu hướng tuyến tính cục bộ theo mỗi giờ trong ngày Dordonnat et al (2008) và Soares và Mederios (2008) đã mô hình hóa tính chu chu kỳ hàng năm như là tổ hợp của các hàm sin và cosin giống trong phân tích chuỗi Fourier

• Xử lý các mẫu trong-tuần và trong-ngày

Khi lập mô hình phụ tải điện theo giờ (hoặc nửa giờ) cần quan tâm tới hai yếu tố chính là dạng đồ thị phụ tải điển hình của ngày và tuần trong các mùa Trong bài toán STLF tồn tại hai cách tiếp cận chính để xử lý các đồ thị phụ tải ngày: sử dụng mô hình một phương trình cho tất cả các giờ hoặc sử dụng mô hình đa phương trình với các phương trình khác nhau cho các giờ khác nhau trong ngày Cách tiếp cận đầu tiên cho phép áp dụng các mô hình có khả năng mô hình hóa tính động của của cả mô hình tuần và ngày, như mô hình ARIMA theo mùa kép hoặc phương

pháp làm mịn theo cấp số mũ cho mùa kép (Taylor (2008)) Một cách tiếp cận khác

để nắm bắt mô hình biểu đồ phụ tải ngày là coi mỗi giờ là một chuỗi thời gian riêng biệt Một cách đơn giản nhất, phương pháp này sử dụng 24 mô hình độc lập cho 24 giờ trong ngày; các phương pháp phức tạp hơn bao gồm các mô hình vectơ trong đó các phương trình cho các giờ khác nhau có liên hệ chéo (Ramanathan et al (1997), Cottet and Smith (2003), Dordonnat et al (2008) hoặc Soares and Mederios (2008)) Nhìn chung phương pháp dùng mô hình riêng biệt cho mỗi giờ được sử dụng rộng rãi hơn

• Xử lý ảnh hưởng của các biến thời tiết

Các điều kiện khí tượng có ảnh hưởng đáng kể đến phụ tải tiêu thụ điện Các yếu tố như nhiệt độ, bức xạ mặt trời, độ ẩm, tốc độ gió, tình trạng mây mù, hay lượng mưa đã từng sử dụng như là các biến ngoại sinh để cải tiến dự báo phụ tải điện Tuy nhiên, theo Weron (2006) & kết quả khảo sát dự báo phụ tải (Hippert et

al 2001a) đã cho thấy hầu hết nghiên cứu đều có xét đến ảnh hưởng của nhiệt độ và chỉ có rất ít nghiên cứu xét thêm ảnh hưởng của các yếu tố thời tiết khác Việc chỉ

sử dụng biến nhiệt độ cũng một phần do dữ liệu thường có sẵn trong khi các dữ liệu khác về thời tiết thường không đầy đủ (Soares and Mederios 2008)

Nhiều nghiên cứu đã tìm ra được mối tương quan giữa phụ tải điện và nhiệt

độ ngoài trời (Engle et al 1986; Sailor and Mu˜ noz 1997; Valor et al 2001; Pardo

et al 2002; Moral-Carcedo and Vic’ ens-Otero 2005; Cancelo et al 2008) và mức

độ tương quan Mặc dù mối liên hệ này phụ thuộc vào đặc trưng khí hậu của vùng địa lý đang xem xét, tuy nhiên mối liên hệ này rất đa dạng và phức tạp, ví dụ phụ tải điện có thể tăng lên dù nhiệt độ có tăng hay giảm Lý do là khi nhiệt độ giảm thì việc sử dụng hệ thống sưởi tăng lên, khi nhiệt độ tăng thì việc sử dụng điều hòa lại tăng; do vậy mối liên hệ này được coi là không tuyến tính Ngoài ra mối liên hệ tương quan còn thay đổi tùy theo ngày làm việc hay ngày nghỉ, tùy theo tháng của năm (Cancelo et al 2008)

Để giải mối quan hệ phi tuyến này S´anchez-Ubeda and Wehenkel (1998) đã

đề xuất mô hình phân đoạn nhiệt độ: vùng lạnh (dưới 15 độ), vùng trung gian

(15-17 độ), vùng nóng (trên (15-17 độ) Trong trường hợp các dữ liệu thời tiết được cho với nhiều kịch bản khác nhau thì có thể sử dụng mô hình học máy kết hợp (Taylor và Buizza 2003), trong đó dự báo phụ tải được tính toán theo nhiều kịch bản và đưa ra kết quả dự báo theo một khoảng giá trị

• Xử lý các ngày sự kiện theo lịch

Đồ thị phụ tải phụ thuộc vào loại ngày đang xét là ngày làm việc, ngày cuối tuần, ngày nghỉ lễ…do đó các mô hình dự báo thường được xây dựng riêng cho ngày bình thường của tuần, ngày lễ trong tuần (Ramanathan et al 1997) Mặt hạn chế của phương pháp này là khó khăn khi xử lý những ngày lễ đặc biệt như ngày đầu năm mới Để giải quyết bài toán dự báo cho các ngày lễ đặc biệt này cần mô hình có sử dụng các biến phụ (Moral-Carcedo and Vicens-Otero 2005)

− Đề tài nghiên cứu cấp Bộ Công Thương của Viện Năng Lượng do Trần

Kỳ Phúc làm chủ nhiệm năm 2008 Đề tài “Nghiên cứu ứng dụng mạng Nơron nhân tạo trong dự báo ngắn hạn phụ tải điện” [71] Theo đó, đề tài nghiên cứu thiết kế mô hình, lập phần mềm thử nghiệm dự báo đỉnh – đáy – dạng biểu đồ phụ tải ngày dùng mạng neuron nhiều lớp thuật toán lan truyền ngược sai số MLP và mạng một lớp thuật toán học không giám sát Kohonen

− Mạng Wavelet cho bài toán dự báo phụ tải ngắn hạn trong các ngày đặc biệt của TS Nguyễn Hoàng Việt, Trần Anh Dũng và Nguyễn Quang Thi – Tạp chí phát triển KH&CN, tập 10 số 6 – 2007 [72]

− Ứng dụng mạng Neural song tuyến trong bài toán dự báo phụ tải điện của Trần Thị Hoàng Oanh, Trần Hoàng Lĩnh, Đồng Sĩ Thiên Châu và Nguyễn Kỳ Tài - Tạp chí phát triển KH&CN, tập 10 số 11 – 2007 [73]

− Mô hình dự báo phụ tải ngắn hạn dựa trên phương pháp xử lý dữ liệu nhóm của Lê Đình Dương – ISSN 1859-1531 - Tạp Chí Khoa Học và Công Nghệ Đại Học Đà Nẵng, VOL 17, NO 7, 2019 [77] Theo đó, Thuật toán GMDH có thể được biểu diễn dưới dạng một tập hợp các nơron trong đó các cặp khác nhau trong mỗi lớp được kết nối thông qua đa thức bậc hai và do đó tạo ra các nơron mới ở lớp tiếp theo GMDH hoạt động bằng cách xây dựng các lớp liên tiếp với các liên kết (hoặc kết nối) phức tạp là các mục của một đa thức Lớp ban đầu chỉ đơn giản là lớp đầu vào Lớp đầu tiên được thực hiện bằng cách hồi quy của các biến đầu vào và sau đó chọn các biến tốt nhất Lớp thứ hai được tạo bằng cách tính hồi quy của các giá trị trong lớp đầu tiên cùng với các biến đầu vào Điều này có nghĩa là thuật toán

về cơ bản xây dựng các đa thức của đa thức

Ngoài ra, còn có một số nghiên cứu liên quan đến công tác dự báo ứng dụng trong các lĩnh vực kinh tế, thời tiết, Cụ thể:

− Ứng dụng mô hình ARIMA để dự báo VNINDEX, TS Võ Thị Thúy Anh Khoa Tài Chính – Ngân hàng, Trường Đại học Kinh tế Tuyển tập Báo cáo Hội nghị Sinh viên Nghiên cứu Khoa học lần thứ 7 Đại học Đà Nẵng năm 2010 [74] Theo đó, đề tài đề xuất sử dụng mô hình ARIMA và phương pháp Box-jenkins để

dự báo chỉ số VnIndex trong ngắn hạn căn cứ vào chuỗi dữ liệu quá khứ

− Xây dựng mô hình mô phỏng tốc độ gió từng giờ từ tốc độ gió trung bình hàng tháng Nguyễn Thế Bảo – Trường Đại học Bách khoa HCM, Trần Hồng Hà – Trung tâm kiểm định kỹ thuật an toàn khu vực 2; Science & Technology Development, Vol 9, No.7- 2006 [75] Bài báo trình bày một phương pháp mô hình hóa thống kê tuyến tính và quy trình mô phỏng cho phép tạo ra chuỗi số liệu tốc độ gió từng giờ cho cả năm với số liệu đầu vào là tốc độ gió trung bình hàng tháng Kết quả so sánh số liệu mô phỏng từ mô hình với số liệu quan sát thực tế cho thấy mô

hình đảm bảo độ tin cậy để tạo ra chuỗi số liệu tốc độ gió đầu vào trong các bài toán

mô phỏng kỹ thuật, nhất là các bài toán về năng lượng gió

− Một số phương pháp khai phá dữ liệu chuỗi thời gian trong dự báo tài chính, chứng khoán (mô hình ARIMA) – Nguyễn Ngọc Thiệp – Trường Đại học Công Nghệ - Đại học Quốc Gia Hà Nội [76] Đề tài nghiên cứu, thi hành mô hình ARIMA (từ các nghiên cứu của Box- Jenkins) và ứng dụng vào bài toán khai phá

dữ liệu chuỗi thời gian trong dự báo tài chính, chứng khoán và cách áp dụng vào bài toán thực tế - dự báo sự lên xuống của thị trường chứng khoán Việt Nam

1.3 Các yếu tố tác động đến các mô hình dự báo phụ tải ngắn hạn

Dự báo phụ tải ngắn hạn trong vận hành thị trường điện thường là dự báo phụ tải cho ngày tới, tuần tới với chu kỳ 60/30 phút, nó được chia thành các loại ngày trong tuần, chẳng hạn như: ngày bình thường (thứ ba đến thứ 6); ngày thứ 2; ngày thứ 7; ngày chủ nhật, các ngày lễ, Tết (Dương lịch và Nguyên Đán); các kỳ nghỉ trong năm Mỗi loại ngày có một đặc điểm hình thái riêng của nó, do đó mô hình dự báo được thiết lập phải làm sao phản ánh được các đặc tính này

Các mẫu phụ tải điện bao gồm các yếu tố tiềm ẩn, nó thường có xu hướng tương đồng mô hình tải trước đó, tuy nhiên, nó sẽ dẫn đến dự đoán sai giữa các ngày tiếp theo nếu kiểu ngày khác so với ngày trước đó hoặc có một sự kiện nào đó tác động Ngoài ra, sự biến đổi theo mùa, xu thế khí tượng học (như El nino, La nina) cũng được xem xét cẩn thận

Các biến thời tiết có ảnh hưởng đáng kể đến nhu cầu tải Nhiều biến thời tiết

có thể được xem xét trong dự báo tải (nhiệt độ, tốc độ gió, độ che phủ mây, độ ẩm), nhưng ảnh hưởng của chúng đến nhu cầu tải là khác nhau Theo nhiều tác giả, nhiệt

độ là một biến được chấp nhận rộng rãi trong dự báo tải điện Tuy nhiên, ở đây cần phải cẩn thận vì dự báo nhiệt độ là một vấn đề phức tạp hơn nhiều so với dự báo tải điện và nhiệt độ ước tính được sử dụng cho đầu vào thay vì số thực Tuy nhiên, không phải lúc nào nhiệt độ cũng là sự lựa chọn tốt cho đầu vào dự báo, đôi khi có thể làm giảm độ chính xác của kết quả dự báo

Ngoài ra, đối với các nước Châu Á có sử dụng lịch âm thì một vấn đề cần được quan tâm và khó dự đoán nhất đó chính là các ngày lễ, Tết Nguyên Đán (thường rơi vào các ngày cuối tháng 1 hoặc đầu tháng 2 dương lịch) Thường kết quả dự báo giai đoạn này có sai số lớn, do có sự sai lệch chu kỳ phụ tải giữa ngày dương lịch và ngày âm lịch

Đối với các bài toán dự báo trước đây, các tác giả thường lấy giá trị quá khứ của bộ dữ liệu như: phụ tải ngày trước, giờ trước, trung bình của tuần trước,… để làm dữ liệu đầu vào huấn luyện Như trình bày trên, do đặc thù là nước sử dụng cả lịch âm và lịch dương nên trên thực tế việc sử dụng các dữ liệu đầu vào này sẽ bị ảnh hưởng rất lớn do sự chênh lệch ngày âm và ngày dương, cũng như làm cho kết quả dự báo bị ảnh hưởng rất nhiều, nhất là trong các tháng 01 và 02 Quan sát biểu

đồ phụ tải của tháng 01 và tháng 02, chúng ta sẽ thấy có sự biến động rất lớn về hình dáng biểu đồ qua các năm, làm cho việc sử dụng các dữ liệu quá khứ để dự báo cho khoảng thời gian này là hết sức phức tạp Trên thực tế, các thuật toán khi áp dụng để dự báo cho Việt Nam đều phải thực hiện qua một khâu trung gian đó là qui đổi các tháng này thành các tháng thông thường và sau khi chạy kết quả dự báo sẽ qui đổi ngược lại hoặc là chấp nhận sai số lớn Các phần mềm thương mại do nước ngoài cung cấp đều gặp rắc rối này

Thêm nữa, với sự tác động của biến đổi khí hậu toàn cầu thì các số liệu dự báo thời tiết gần đây hầu như không chuẩn xác và khoảng thời gian dự báo tin cậy cũng rất ngắn chỉ từ 05 đến 07 ngày, khó đáp ứng yêu cầu ngày càng cao của các qui định thị trường điện bán buôn cạnh tranh (các Tổng công ty Điện lực phải công

bố bảng chào Qc tháng N+1 24 chu kỳ trước ngày 20 của tháng N,…)

1.4 Mục tiêu của luận án

− Xây dựng mô hình kết hợp Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) –

Support Vector Regression (SVR) để tối ưu giảm thiểu các yếu tố làm ảnh hưởng đến kết quả dự báo phụ tải ngắn hạn và đáp ứng các yêu cầu về dự báo ngắn hạn của Cục Điều Tiết Điện lực (ERAV) – Bộ Công Thương

− Áp dụng giải thuật của mô hình kết hợp Biểu đồ phụ tải chuẩn hóa đơn

vị (SLP) – Support Vector Regression (SVR) vào thực tế dự báo ngắn hạn của

EVNHCMC, cung cấp kết quả dự báo cho các nhà quản lý điều hành thị trường điện cạnh tranh, đánh giá, hiệu chỉnh kết quả dự báo Qc, hạn chế các rủi ro và tận dụng được các biến động của thị trường để tính toán chi phí tối ưu nhất cho giá điện

1.5 Nhiệm vụ và giới hạn của luận án

Nội dung đề tài được thể hiện trong các vấn đề chính như sau:

− Nghiên cứu các phương pháp ứng dụng trong dự báo vận hành thị trường điện trên thế giới và tại Việt Nam để chọn cơ sở xây dựng mô hình Biểu đò phụ tải

− Nghiên cứu các yếu tố ảnh hưởng đến phụ tải và ảnh hưởng đến chi phí gía điện, khảo sát các ảnh hưởng của khi hậu Việt nam đến dự báo: đặc tính, các thành phần của chuỗi dữ liệu quá khứ điện năng ghi nhận được theo năm, theo

tháng, theo ngày và theo giờ (thành phần xu hướng, thành phần chu kỳ, thành phần bất qui tắc và thành phần theo mùa)

− Nghiên cứu các mô hình dự báo tiên tiến trên thế giới để xây dựng giải thuật mới để áp dụng dự báo phụ tải theo từng tháng/năm; dự báo ngày/tháng và dự báo phụ tải 24 giờ/ngày, có xem xét tác động của yếu tố thời tiết và các yếu tố tác động khác (nếu có), tạo tiền đề để áp dụng trong dự báo thị trường điện phân phối

và bán lẻ cạnh tranh

− Nghiên cứu các kỹ thuật ước lượng lại dữ liệu bị lỗi, thiếu và sai sót

− Thiết kế đề xuất mô hình kết hợp Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) – Support Vector Regression (SVR) để tối ưu giảm thiểu các yếu tố làm ảnh hưởng đến kết quả dự báo phụ tải ngắn hạn và đáp ứng các yêu cầu về dự báo ngắn hạn của Cục Điều Tiết Điện lực (ERAV)

− Tiến hành thực nghiệm ứng dụng mô hình vào Chương trình dự báo phụ tải phục vụ Vận hành Thị trường điện bán buôn cạnh tranh theo qui định của Thông