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 Nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM

-

NCS NGUYỄN TUẤN DŨNG

KỸ THUẬT DỰ BÁO TRONG VẬN HÀNH

THỊ TRƯỜNG ĐIỆN VIỆT NAM

Chuyên ngành: Kỹ thuật điện

ii

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

iii

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

iv

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

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

vi

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;

vii

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

viii

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

ix

x

CÁC CÔNG TRÌNH NGHIÊN CỨU ĐÃ CÔNG BỐ

I CÁC CÔNG TRÌNH THAM DỰ HỘI NGHỊ

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

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

• TẠP CHÍ QUỐC TẾ

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

xii

DANH MỤC CÁC HÌNH VẼ

Hình 1.1 – Biến đổi không gian dữ liệu sang 17 Hình 1.2 – Minh họa cho các biến lỏngn 19

Hình 1.3 – Thuật toán Rừng ngẫu nhiên Hồi qui 21

Hình 2.2 – Hệ số tự tương quan của chuỗi thời gian không tĩnh 34 Hình 2.3 – Thống kê hệ số Pmax của tháng 10/2018 34 Hình 2.4 – Hệ số tương quan của Pmax tháng 10/2018 35 Hình 2.5 – Bảng thống kê điện thương phẩm theo từng tháng 35 Hình 2.6 – Hệ số tương quan của 12 tháng của năm 36 Hình 2.7 – Các lỗi thường gặp trong ghi nhận dữ liệu điện 40 Hình 2.8 – Đồ thị biểu diễn tương quan Pmax, Atổng và nhiệt độ 43

Hình 2.10 – Giải thuật xử lý dữ liệu thiếu 45 Hình 2.11 – Mô phỏng lại đường cong tải bị thiếu dữ liệu 48 Hình 2.12 – Kết quả ước lượng dữ liệu thiếu bằng SVR 48 Hình 2.13 – Mô hình mạng Neural Network 49 Hình 2.14 – Mô phỏng lại đường cong tải bị thiếu dữ liệu 51 Hình 2.15 – Kết quả ước lượng các giá trị thiếu, lỗi 51 Hình 2.16 – Mô phỏng lại đường cong tải bị thiếu dữ liệu 52 Hình 2.17 – Kết quả ước lượng các giá trị thiếu, lỗi 53 Hình 3.1 – Tăng trưởng của GRDP và Điện năng qua các năm (triệu kWh) 55

xiii

Hình 3.2 – Biểu đồ tương quan giữa GRDP và Điện năng (triệu kWh) 55 Hình 3.3 – 5 thành phần phụ tải sử dụng điện (hộ sử dụng điện) 56 Hình 3.4 – Đồ thị phụ tải của tòa nhà Green Power (EVNHCMC) 57

Hình 3.6 – Phụ tải Nhà máy Xi măng (kWh) 57 Hình 3.7 – Sự thay đổi theo nhiệt độ trong năm (tháng 5 – mùa hè) 58 Hình 3.8 – Sự thay đổi theo các ngày lễ trong năm 58 Hình 3.9 – Dao động mạnh giữa El Nino và La Nina 58

Hình 3.11 – Đặc tính tải thay đổi theo ngày 60 Hình 3.12 – Đặc tính tải thay đổi theo giờ - tuần 60 Hình 3.13 – Đồ thị các ngày điển hình tháng1 61 Hình 3.14 – Đồ thị các ngày điển hình tháng 2 61 Hình 3.15 – Đồ thị các ngày điển hình tháng 3 61 Hình 3.16 – Đồ thị các ngày điển hình tháng 4 61 Hình 3.17 – Đồ thị các ngày điển hình tháng 5 62 Hình 3.18 – Đồ thị các ngày điển hình tháng 6 62 Hình 3.19 – Đồ thị các ngày điển hình tháng 7 62 Hình 3.20 – Đồ thị các ngày điển hình tháng 8 62 Hình 3.21 – Đồ thị các ngày điển hình tháng 9 63 Hình 3.22 – Đồ thị các ngày điển hình tháng 10 63 Hình 3.23 – Đồ thị các ngày điển hình tháng 11 63 Hình 3.24 – Đồ thị các ngày điển hình tháng 12 63

xiv

Hình 3.25 – Biểu đồ quan hệ phụ tải và nhiệt độ 64 Hình 3.26 – Đồ thị phụ tải các ngày thứ 6, 7 và chủ nhật 65 Hình 3.27 – Đồ thị phụ tải các ngày thường trong tuần 66 Hình 3.28 – Đồ phụ tải ngày Tết DL, AL và ngày thường 66 Hình 3.29 – Biểu đồ chuẩn hóa đơn vị ngày Tết Dương lịch qua các năm 69 Hình 3.30 – Biểu đồ chuẩn hóa đơn vị ngày Tết Nguyên Đán qua các năm 70 Hình 3.31 – Biểu đồ chuẩn hóa đơn vị ngày thứ 2 trong tuần 70 Hình 3.32 – Biểu đồ chuẩn hóa đơn vị ngày thứ 3 trong tuần 71 Hình 3.33 – Biểu đồ chuẩn hóa đơn vị ngày thứ 6 trong tuần 71 Hình 3.34 – Biểu đồ chuẩn hóa đơn vị ngày thứ 7 trong tuần 71

Hình 3.36 – Giải thuật xử lý dữ liệu thiếu 74 Hình 3.37 – Một số ngày dữ liệu bị lỗi một vài chu kỳ 78 Hình 3.38 – Các hàm hồi qui SVR được xây dựng 79 Hình 3.39 – Các hàm hồi qui được xây dựng lại 79 Hình 3.40 – Đường cong phụ tải được xây dựng lại 80 Hình 3.41 – Dữ liệu được xây dựng lại ngày 08/08/2018 81 Hình 3.42 – Dữ liệu được xây dựng lại ngày 13/08/2018 81 Hình 3.43 – Dữ liệu được xây dựng lại ngày 17/08/2018 81 Hình 3.44 – Dữ liệu được xây dựng lại ngày 25/08/2018 82 Hình 4.1 – Biểu đồ phụ tải tháng 01 qua các năm 85 Hình 4.2 – Biểu đồ phụ tải tháng 02 qua các năm 86 Hình 4.3 – Lưu đồ giải thuật dự báo ngắn hạn 89

xv

Hình 4.4 – Một số Biểu đồ phụ tải chuẩn hóa đơn vị 92

Hình 4.8 – Kết quả chạy test các mô hình SVR 97 Hình 4.9 – Kết quả chạy test các mô hình học máy 98 Hình 4.10 – Kết quả chạy test các mô hình hồi qui 100 Hình 4.11 – Mô hình được chọn để dùng làm hàm dự báo 101 Hình 4.12 – Kết quả chạy dự báo cho 07 ngày tiếp theo 101 Hình 4.13 – Kết quả dự báo chu kỳ 60 phút/24h/7ngày 102 Hình 4.14 – Kết quả chạy test các mô hình SVR 103 Hình 4.15 – Kết quả chạy test các mô hình học máy 104 Hình 4.16 – Kết quả chạy test các mô hình hồi qui 105 Hình 4.17 – Mô hình được chọn để dùng làm hàm dự báo 106 Hình 4.18 – Kết quả chạy dự báo cho 30 ngày tiếp theo 107 Hình 5.1 – Công suất các nguồn tham gia trực tiếp và gián tiếp VCGM 111 Hình 5.2 – Cơ cấu sản lượng điện năng theo hình thức tham gia thị trường 112 Hình 5.3 – Tăng trưởng công suất đặc các tham gia VCGM 112 Hình 5.4 – Sản lượng Thủy điện qua các năm 113 Hình 5.5 – Sản lượng Nhiệt điện qua các năm 113 Hình 5.6 – Tăng trưởng các nhà máy tham gia thị trường điện 114 Hình 5.7 – Giá SMP và FMP bình quân qua các năm 114 Hình 5.7 – Giá trần thị trường qua các năm 115

xvi

Hình 5.9 – Cấu trúc thị trường Phát điện cạnh tranh Việt Nam 116 Hình 5.10 – Mô hình Thị trường bán buôn điện cạnh tranh 117 Hình 5.11 – Mô hình Thị trường bán buôn điện cạnh tranh năm 2019 118

Hình 5.13 – Các biên độ và mục đích dự báo trong vận hành hệ thống điện 121 Hình 5.14 – Điều độ Thị trường điện theo thời gian 122 Hình 5.15 – Đồ thị tương quan của các thành phần 124

Hình 5.17 – Định hướng tốc độ tăng trưởng điện năng 126 Hình 5.18 – Lưu đồ giải thuật dự báo 365 ngày – 24 chu kỳ 127 Hình 5.19 – SLP của ngày Tết Dương lịch 01/01/2019 130 Hình 5.20 – SLP của ngày mồng 1 - Tết Nguyên đán Kỷ Hợi 130

Hình 5.23 – Kết quả dự báo 365 ngày – 24 chu kỳ của năm 2019 132 Hình 5.24 – Sự biến động của giá SMP trên thị trường qua các năm 136 Hình 5.25 – Sự biến động của giá SMP của các tháng năm 2018 136 Hình 5.26 – Sự biến động của giá SMP theo từng giờ, từng ngày 137 Hình 5.27 – Cơ chế thanh toán CFD trên thị trường 138 Hình 5.28 – Biến động giá SMP ngày 18/02/2018 (Tết Âm lịch) 139 Hình 5.29 – Biến động giá SMP ngày 21/02/2018 139 Hình 5.30 – Biến động giá SMP ngày 02/05/2018 140

Bảng 4.9 – Kết quả kiểm tra của các mô hình SVR 103 Bảng 4.10 – Sai số của các mô hình SVR (%) 104

xviii

Bảng 4.11 – Kết quả kiểm tra của các mô hình học máy 104 Bảng 4.12 – Sai số của các mô hình học máy (%) 105 Bảng 4.13 – Sai số các mô hình hồi qui (%) 106 Bảng 5.1 – Bảng thống kê điện thương phẩm theo 5 thành phần 123 Bảng 5.2 – Bảng thống kê điện khách hàng theo 5 thành phần 123 Bảng 5.3 – Bảng thống kê GRDP theo thành phần kinh tế 123 Bảng 5.4 – Các giả thuyết đầu vào dựa trên các chính sách dài hạn 125 Bảng 5.5 – Kết quả dự báo dài hạn (đến năm 2025) 125 Bảng 5.7 – Dữ liệu thống kê theo tháng 128 Bảng 5.8 – Dữ liệu thống kê theo ngày từ 01/01/2014 – 31/12/2019 128 Bảng 5.8 – Lịch qui đổi ngày dương lịch và âm lịch các ngày lễ năm 2019 129 Bảng 5.9 – Kết quả dự báo 12 tháng năm 2019 132 Bảng 5.10 – Kết quả dự báo 365 ngày của năm 2019 132 Bảng 5.11 – Kết quả sai số dự báo năm 2018 133 Bảng 5.12 – Kết quả sai số dự báo năm 2019 134

xix

DANH MỤC CÁC TỪ VIẾT TẮT

AR Mô hình tự hồi quy

MA Mô hình trung bình trượt

ARMA Mô hình bình quân di động

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

Moving Average) MAD Sai số trung bình tuyệt đối (Mean Absolute Deviation)

MAPE Sai số phần trăm trung bình tuyệt đối

MSE Sai số bình phương trung bình

FIT Dự báo nhu cầu theo xu hướng (Forecart inchiding trend)

ACF Hàm tự tương quan

PACF Hàm tự tương quan riêng phần

STLF Dự báo phụ tải ngắn hạn

NN Mạng thần kinh (nơ-ron)

GAs Thuật toán di truyền

SVM Phương pháp học máy (Support Vector Machine)

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

Regression)

RF Mô hình Rừng ngẫu nhiên (Random Forest)

CART Cây phân loại và hồi qui

MAR Thiếu ngẫu nhiên

NAMR Thiếu không ngẫu nhiên

EE Hiệu quả năng lượng

xx

DR Điều chỉnh nhu cầu phụ tải

DSM Quản lý nhu cầu phụ tải

CSDL Cơ sở dữ liệu

Pmax Công suất cực đại

Pmin Công suất cực tiểu

A Sản lượng điện thương phẩm

GDP Tăng trưởng kinh tế

GRDP Tăng trưởng kinh tế

TOU Thời gian sử dụng (Time of Use)

SLP Biểu đồ phụ tải chuẩn hóa đơn vị (Standardized Load Profiles) TTĐ Thị trường điện

VCGM Thị trường điện phát điện cạnh tranh

VWEM Thị trường bán buôn điện cạnh tranh

CfD Hợp đồng sai khác

CAN Phí công suất

SMP Chi phí biên của hệ thống

FMP Giá toàn phần

SRMC Chi phí biên ngắn hạn

NMĐ Nhà máy điện

NMTĐ Nhà máy thủy điện

NMNĐ Nhà máy nhiệt điện

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

SMHP Nhà máy thủy điện chiến lược đa mục tiêu

xxi

MSO Đơn vị vận hành hệ thống và thị trường điện

A0 Trung tâm điều độ Hệ thống điện Quốc gia

MOIT Bộ Công Thương

ERAV Cục Điều tiết Điện lực

EVN Tập đoàn Điện lực Việt Nam

EPTC Công ty mua bán điện

PC Tổng công ty Điện lực phân phối

EVNHCMC Tổng công ty Điện lực thành phố Hồ Chí Minh

EVNCPC Tổng công ty Điện lực Miền Trung

EVNSPC Tổng công ty Điện lực Miền Nam

EVNNPC Tổng công ty Điện lực Miền Bắc

EVNHNPC Tổng công ty Điện lực thành phố Hà Nội

Rcfd Khoản thanh toán sai khác trong chu kỳ giao dịch

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

giao dịch

Pc Giá hợp đồng mua bán điện dạng sai khác

RTD Điều độ thời gian thực

QCA Đấu giá hợp đồng tập trung hàng quý

ACA Đấu giá hợp đồng tập trung hàng năm

PASA Đánh giá an ninh hệ thống

là hệ số tự tương quan lấy mẫu ở độ trễ

là trung bình mẫu của

xxiii

n

 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)

xxiv

MỤC LỤC

1.2 Các yếu tố tác động đến các mô hình dự báo phụ tải ngắn hạn 21

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

xxv

2.3.2 Phương pháp xử lý dữ liệu thiếu trong nghiên cứu phụ tải điện 41

b) Xây dựng mô hình hồi quy cho việc dự đoán các giá trị thiếu 44

• 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

xxvi

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

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) 107

CHƯƠNG V – DỰ BÁO TRONG VẬN HÀNH THỊ TRƯỜNG

5.1.1 Thị trường phát điện cạnh tranh (giai đoạn 2012 - 2018) 115 5.1.2 Thị trường bán buôn điện cạnh tranh (từ 01/01/2019) 116

5.2.1 Dự báo phục vụ Kế hoạch phát triển lưới điện truyền tải và phân

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

TẢI ĐIỆN THEO TỪNG THÀNH PHẦN CỦA TỔNG CÔNG

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

xxviii

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

1

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

2

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 Chúng ta có thể chia dự báo thành các dạng mô hình chính như sau:

1.1.1 Các phương pháp thống kê

(1) Phương pháp bình quân di động

Phương pháp này sử dụng khi các số liệu trong dãy số biến động không lớn lắm Các số bình quân di động được tính từ các số liệu của dãy số thời gian có khoảng cách đều nhau

Chẳng hạn có dãy số thời gian tính theo tháng gồm các số liệu y1, y2,… , y12, trong đó các yi biến động không lớn, nếu tính bình quân di động theo từng nhóm 3 thành phần ta có:

yI = (y1 + y2 + y3) / 3

yII = (y2 + y3 + y4) / 3

……

(2) Phương pháp bình quân di động có trọng số

Những số liệu mới xuất hiện trong các thời kỳ cuối có giá trị lớn hơn những

số liệu xuất hiện đã lâu Để xét đến vấn đề này ta sử dụng các trọng số để nhấn mạnh giá trị các số liệu gần nhất, vừa xảy ra

Việc chọn các trọng số phụ thuộc vào kinh nghiệm và sự nhạy cảm của người làm công tác dự báo Công thức tính:

3

(3) Phương pháp san bằng số mũ

Phương pháp này rất tiện lợi khi dùng máy tính Đây cũng là kỹ thuật tính số bình quân di động nhưng không đòi hỏi phải có nhiều số liệu quá khứ Công thức tính nhu cầu tương lai như sau:

Ft =F(t-1) + [A(t-1) - F(t-1)] trong đó:

Ft – Nhu cầu dự báo thời kỳ t

F(t-1) – Nhu cầu dự báo thời kỳ t -1

A(t-1) – Số liệu nhu cầu dự báo thời kỳ t - 1

 – hệ số san bằng 0 ≤  ≤ 1

Hệ số  có thể thay đổi để xét đến trọng số lớn hơn của những số liệu ở các thời gian gần hơn Lúc này công thức dự báo sẽ là:

Ft = A(t-1) + (1-)A(t-2) + (1-)2A(t-3) +… + (1-)n-1A(t-n)

Lựa chọn hệ số : Hệ số  có ảnh hưởng trực tiếp đến kết quả dự báo Để

chọn  người ta dựa vào độ lệch tuyệt đối bình quân MAD (Mean Absolute

Deviation) MAD càng nhỏ thì trị số  càng hợp lý vì nó cho kết quả dự báo ít sai lệch

độ lệch tuyệt đối bình quân MAD theo từng hệ số = 0,1 và 0,5 xem hệ số nào cho MAD bé hơn sẽ được chọn

(4) Phương pháp san bằng số mũ có điều chỉnh xu hướng

Phương pháp san bằng số mũ giản đơn không thể hiện rõ xu hương biến

động Do đó cần phải sử dụng thêm kỹ thuật điều chỉnh xu hướng Cách làm như

(1.3)

(1.4)

(1.5)

4

sau: đầu tiên tiến hành dự báo theo phương pháp san bằng số mũ giản đơn sau đó sẽ thêm vào một lượng điều chỉnh (có thể âm hay dương)

Tính toán theo công thức: FITt = Ft + Tt

Dự báo nhu cầu theo

xu hướng =

Dự báo nhu cầu cho thời kỳ mới +

Lượng điều chỉnh theo xu hướng trong đó:

FIT (Forecart inchiding trend) – Dự báo nhu cầu theo xu hướng

Ft (New forecart) – Dự báo nhu cầu cho thời kỳ mới

Tt (Trend correction) – Lượng điều chỉnh theo xu hướng

Để xác định phương trình xu hướng dùng khi điều chỉnh ta sử dụng hệ số san bằng số mũ  Ý nghĩa và cách sử dụng hệ số này cũng giống như hệ số 

Tt = Tt-1 + (Ft - Ft-1) trong đó:

Tt – Lượng điều chỉnh dự báo theo xu hướng trong thời kỳ t

Tt-1 – Lượng điều chỉnh dự báo theo xu hướng trong thời kỳ t-1

 – Hệ số san bằng mà ta lựa chọn

Ft – Lượng dự báo nhu cầu theo phương pháp san bằng số mũ giản đơn Ft ở thời kỳ t

Ft-1 – Lượng dự báo nhu cầu trong thời kỳ t-1

Phương pháp Winter là một trong một số phương pháp làm mịn hàm mũ giúp phân tích các chuỗi thời gian theo mùa một cách trực tiếp Phương pháp này được dựa trên ba hằng số làm mịn cho tính dừng, xu hướng và mùa Kết quả phân tích của Barakat et al [2] cho thấy rằng mô hình độc đáo của năng lượng và nhu cầu liên quan đến các khu vực phát triển nhanh rất khó để phân tích và dự đoán bằng cách áp dụng trực tiếp phương pháp Winter El-Keib et al [3] trình bày một cách tiếp cận

(1.6)

(1.7)

5

lai, trong đó làm mịn hàm mũ được tăng cường với phân tích phổ điện và mô hình

tự điều chỉnh tự hồi quy

(5) Phương pháp dự báo theo đường khuynh hướng

Các phương pháp dự báo theo đường khuynh hướng cũng dựa vào dãy số thời gian Dãy số này cho phép ta xác định đường khuynh hướng lý thuyết trên cơ

sở kỹ thuật bình phương cực tiểu, tức là tổng khoảng cách từ các điểm thể hiện nhu cầu thực tế trong quá khứ đến đường khuynh hướng lấy theo trục tung là nhỏ nhất Sau đó dựa vào đường khuynh hướng lý thuyết ta tiến hành dự báo nhu cầu cho các năm trong tương lai

Có thể sử dụng được đường khuynh hướng dự báo theo đường khuynh hướng để dự báo ngắn hạn, trung và dài hạn Đường khuynh hướng có thể là tuyến tính hay phi tuyến

Để xác định được đường khuynh hướng là tuyến tính trước hết ta cần biểu diễn các nhu cầu thực tế trong quá khứ lên biểu đồ và phân tích xu hướng phát triển của các số liệu đó Qua phân tích nếu thấy rằng các số liệu tăng hay giảm tương đối đều đặn theo một chiều hướng nhất định thì ta có thể vạch ra một đường biểu hiện chiều hướng đó Nếu các số liệu biến động theo hướng đặc biệt hơn như tăng giảm ngày càng nhanh hay ngày càng biến động chậm thì ta có thể sử dụng các đường cong thích hợp để mô tả biến động đó (đường parabol, hyperbol, logarit,…)

Dưới đây trình bày về một số phương pháp đường thẳng khuynh hướng:

a) Phương pháp đường thẳng thống kê

Sử dụng phương trình đường thẳng sau: Yf = aX + b

6

Y – Số liệu nhu cầu thực tế trong quá khứ

n – Số lượng các số liệu có được trong quá khứ

Yf – Giá trị nhu cầu dự báo ở tương lai

b) Phương pháp đường thẳng thông thường

Phương pháp này còn có thể được gọi là phương pháp đường thẳng bình phương cực tiểu Nhưng cách gọi này không thật chính xác vì kỹ thuật bình phương cực tiểu được sử dụng cả trong phương pháp đường thẳng thống kê và cả trong các đường phi tuyến khác

n

Y X XY

n a

XX

n

XY

XY

.Xnb

X – Thứ tự thời gian (năm) trong dãy số, đánh theo thứ tự tự nhiên

từ 1 trở lên, không phân biệt số lượng số liệu là chẵn hay lẻ

Y – Giá trị trong quá khứ đã thực hiện

n – Số lượng các số liệu có được trong quá khứ

Yf – Giá trị nhu cầu dự báo trong tương lai

c) Phương pháp theo khuynh hướng có xét đến biến động thời vụ

Đối với những số liệu dự báo có tính chất biến động theo thời vụ trong năm như thời tiết, địa lý, tập quán của người tiêu dùng,… nên sử dụng phương pháp này

Để dự báo như cầu cần khảo sát mức độ biến động nhu cầu theo thời vụ bằng cách

tính chỉ số thời vụ trên cơ sở dãy số thời gian điều tra được

Chỉ số thời vụ tính theo công thức sau:

0

i sy

y

I =

(1.9)

(1.10)

7

trong đó:

Is – Chỉ số thời vụ

yi –Số bình quân của các tháng cùng tên

y0 –Số bình quân chung của tất của các tháng trong dãy số Nhu cầu dự báo xét đến biến động thời vụ có công thức tính như sau:

Ys = Is x Yf

d) Phương pháp đường Parabol thống kê

Khi phân tích các số liệu trong quá khứ trên đồ thị mà thấy đường xu hướng biến đổi không tuân thủ theo đường thẳng mà dạng đường cong parabol thì lúc đó nên dùng phương pháp đường parabol để dự báo

Phương trình dự báo có dạng:

Yc = aX2 + bX + c Bằng kỹ thuật tính bình phương cực tiểu ta có:

( 2)2 4

2 2

X X

n

Y X Y

X n

XY

( 2)2 4

2 2 4

X X

n

Y X X Y

X n c

e) Phương pháp đường Logarit

Phương trình dự báo có dạng: log Yf = X log a + log b

n

Ylogb