Luận văn thạc sĩ Kỹ thuật điện: Mô hình dự báo nhu cầu điện năng trung hạn cho các nhóm khách hàng của tổng công ty điện lực Miền Nam

TÓM TẮT LUẬN VĂN Trong bối cảnh đảm bảo cung cấp điện cho nền kinh tế- xã hội như hiện nay thì việc điều hành, huy động nguồn điện của ngành điện chiếm vai trò quan trọng và công tác dự

GIỚI THIỆU TỔNG QUAN ĐỀ TÀI

Giới thiệu tổng quan phụ tải hệ thống điện

1.1.1 Phụ tải hệ thống điện Việt Nam

Theo số liệu báo cáo của Tổng cục Thống kê, tổng sản phẩm trong nước (GDP) của Việt Nam năm 2023 tăng 5,05% so với năm trước, cao hơn tốc độ tăng của 2020 và 2021 - thời điểm chịu ảnh hưởng bởi đại dịch Covid-19

Trong mức tăng tổng giá trị tăng thêm toàn nền kinh tế, khu vực nông, lâm nghiệp và thủy sản tăng 3,83%, đóng góp 8,84%; khu vực công nghiệp và xây dựng tăng 3,74%, đóng góp 28,87%; khu vực dịch vụ tăng 6,82%, đóng góp 62,29% [1]

Hình 1 1 Tốc độ tăng trưởng GDP cả nước giai đoạn 2018-2023 [1]

Gắn liền với tình hình phát triển của kinh tế- xã hội đất nước theo báo cáo của Tập đoàn Điện lực Việt Nam, tính đến cuối năm 2023, quy mô hệ thống điện Việt Nam đạt khoảng 80.555MW về tổng công suất nguồn, tăng thêm khoảng 2.800MW so với năm 2022

Trong đó, tổng công suất các nguồn điện năng lượng tái tạo (điện gió, điện mặt trời) là 21.664 MW, chiếm tỷ trọng 26,9%; thủy điện (bao gồm thủy điện nhỏ) là

Tăng trưởng GDP Việt Nam giai đoạn 2018-

Giới thiệu tổng quan HVTH: Huỳnh Thị Hồng Xuân

Luận văn Thạc sĩ 2 GVHD: TS Nguyễn Chấn Việt

22.872 MW, chiếm tỷ trọng 28,4%; nhiệt điện than là 26.757 MW, chiếm tỷ trọng 33,2%; nhiệt điện khí 7.160 MW, chiếm tỷ trọng 8,9% Như vậy, tỷ lệ năng lượng tái tạo (bao gồm điện gió, điện mặt trời, thủy điện) chiếm tỷ trọng 55,3% tổng công suất đặt của hệ thống Quy mô hệ thống điện Việt Nam hiện đứng đầu khu vực ASEAN

Tổng điện năng sản xuất và nhập khẩu toàn hệ thống đạt 280,6 tỷ kWh, tăng 4,56% so với năm trước; điện năng thương phẩm đạt 251,25 tỷ kWh, tăng 3,52% so với cùng kỳ năm 2022

Hình 1 2 Mức điện năng tiêu thụ Việt Nam giai đoạn năm 2018-2023 [1]

Mặc dù 2 tháng đầu hè năm 2023 đã xảy ra thiếu điện tại một số khu vực miền Bắc do nhiều nguyên nhân xảy ra đồng thời (như phụ tải tăng cao, nước về các hồ thủy điện rất kém, sự cố các tổ máy nhiệt điện, thiếu than ) nhưng EVN đã cố gắng chủ động điều hành sản xuất, vận hành hệ thống điện và thị trường điện bám sát nhu cầu phụ tải, khai thác hiệu quả các nguồn điện trong hệ thống Đến nay, việc cung ứng điện đã trở lại bình thường và ổn định, tăng trưởng điện năng thương phẩm 2023 so với năm 2022 tăng 3,52%

2018 2019 2020 2021 2022 2023 Đi ện thư ơ ng ph ẩm ( tỷ k W h)

Năm Điện năng tiêu thụ Việt Nam giai đoạn 2018-

Luận văn Thạc sĩ 3 GVHD: TS Nguyễn Chấn Việt Điện năng thương phẩm trên đầu người đạt 2.517 kWh/người, tăng 3,69 % so với 2022

Hình 1 3 Tỷ trọng thành phần phụ tải của Việt Nam năm 2023 [1]

1.1.2 Phụ tải hệ thống điện Miền Nam

Năm 2018-2023 là những năm trong bối cảnh nền kinh tế đang ở giai đoạn hồi phục nhưng với nguồn dự phòng điện thấp, thời tiết bất thường, cùng với việc phát triển nhanh chóng nguồn năng lượng tái tạo trên địa bàn đã gây khó khăn trong vấn đề giải tỏa công suất, tạo áp lực lớn về dự báo nhu cầu phụ tải nhằm cân đối cung - cầu Song song đó kinh tế Việt Nam và toàn cầu chịu ảnh hưởng của đại dịch Covid-

19 bùng phát mạnh lần thứ 4, và tình hình cuộc chiến Nga-Ukraine đã tác động không nhỏ đến toàn bộ hoạt động sản xuất, kinh doanh của miền Nam nói riêng và cả nước nói chung, hệ thống điện miền Nam đã đảm bảo mục tiêu cung ứng điện đáp ứng hoạt động sản xuất, kinh doanh, đầu tư phát triển, tiết giảm chi phí, đảm bảo khả năng cân đối tài chính, phát triển bền vững, hiệu quả

Năm 2023, EVNSPC quản lý vận hành ổn định và an toàn 81,2 km đường dây

220 kV, 6.372 km đường dây 110 kV, trong đó có 62,2 km cáp ngầm 110 kV, 249 trạm biến áp 110 kV với 444 MBA tổng dung lượng 21.977 MVA So với năm 2022 tăng thêm 287,65 km đường dây, công suất trạm tăng thêm là 835 MVA

Tỷ trọng thành phần phụ tải của Việt Nam năm 2023

Quản lý-Tiêu dùngHoạt động khácThương nghiệp-Dịch vụNông lâm-Nông nghiệpCông nghiệp-Xây dựng

Về hệ thống đường dây 22 kV, hiện EVNSPC quản lý 67.237 km, trong đó có trên 1.000 km cáp ngầm, 108.984 trạm biến áp phân phối với 150.367 MBA có tổng dung lượng 10.892 MVA, tăng 3.581 km đường dây, tăng công suất thêm 1.012 MVA

Cụ thể, cung ứng điện điện năm 2023 toàn Tổng công ty thực hiện đạt 85 tỷ

167 triệu kWh, tăng 2,54% so với thực hiện năm 2022, trong đó sản lượng nhóm khách hàng có mức sản lượng tiêu thụ điện thương phẩm trên 1 triệu kWh/năm chiểm tỷ lệ 48,87% điện năng thương phẩm toàn EVNSPC và chiếm tỷ lệ 16,47% điện năng thương phẩm cả nước

Hình 1 4 Điện năng miền Nam 2018-2023

T.Nghiệp-Dvụ Q.Lý-T.Dùng Hoạt động khác

N.Lâm-N.Nghiệp C.Nghiệp-X.dựng T.Nghiệp-Dvụ Q.Lý-T.Dùng Hoạt động khác Tổng

2018 3.98 40.99 2.38 17.20 2.12 66.67 Điện năng tiêu thụ miền Nam giai đoạn 2018-2023

1.1.3 Phân loại nhóm khách hàng

Theo chỉ đạo của EVN tại Văn bản số 3464/EVN-KD ngày 16/8/2019, điện năng thương phẩm từ nhóm phụ tải phi dân dụng và phủ tải dân dụng được chia thành hai nhóm khách hàng:

• Nhóm khách hàng lớn (điện năng thương phẩm ≥ 1.000.000 kWh/năm): áp dụng phương pháp dự báo trực tiếp Các Tổng công ty làm việc với khách hàng để thu thập thông tin điện tiêu thụ dự kiến hằng tháng và cả năm của khách hàng

• Nhóm khách hàng còn lại (điện năng thương phẩm < 1.000.000 kWh/năm): áp dụng phương pháp dự báo thống kê và sử dụng các công cụ để dự báo điện năng tiêu thụ dự kiến hằng tháng và cả năm của khách hàng

Nhóm phụ tải điện là tập hợp các phụ tải điện có đặc tính tiêu thụ điện tương đồng nhau, thuộc các thành phần phụ tải điện, bao gồm:

Mục tiêu nghiên cứu

• Thu thập và tiền xử lý dữ liệu: Thu thập dữ liệu tiêu thụ điện năng lịch sử từ EVN SPC và các nguồn dữ liệu khác liên quan Tiến hành tiền xử lý dữ liệu để loại bỏ các giá trị nhiễu và xử lý các giá trị thiếu

• Xây dựng mô hình dự báo: Sử dụng các thuật toán học máy và học sâu (như ARIMA, SARIMA, NARX, MLFF) để xây dựng các mô hình dự báo nhu cầu điện năng cho từng nhóm khách hàng

• Đánh giá hiệu quả mô hình: Sử dụng các chỉ số đánh giá hiệu quả (MAPE) để đánh giá và so sánh hiệu quả của các mô hình dự báo

• Triển khai mô hình: Phát triển một hệ thống triển khai mô hình dự báo vào thực tế, tích hợp với hệ thống quản lý điện năng của EVN SPC, giúp đưa ra các dự báo nhu cầu điện năng một cách chính xác và kịp thời

• Phân tích kết quả và đưa ra khuyến nghị: Phân tích kết quả dự báo để hiểu rõ các yếu tố ảnh hưởng đến nhu cầu điện năng của các nhóm khách hàng Đưa ra các khuyến nghị chiến lược cho EVN SPC trong việc quản lý và điều tiết nguồn cung cấp điện năng

Phương pháp nghiên cứu

Để thực hiện nghiên cứu dự báo nhu cầu điện năng trung hạn cho các nhóm khách hàng của Tổng Công ty Điện lực Miền Nam sử dụng ngôn ngữ Python, phương pháp nghiên cứu sẽ được triển khai qua sáu bước chi tiết sau:

• Phương pháp phát hiện vấn đề nghiên cứu

- Xác định xu hướng công nghệ: Tìm hiểu và nhận diện các xu hướng phát triển công nghệ mới hiện nay liên quan đến dự báo nhu cầu điện năng, bao gồm các phương pháp học máy và trí tuệ nhân tạo

- Xác định yếu tố kỹ thuật chính: Đánh giá những yếu tố kỹ thuật quan trọng ảnh hưởng đến dự báo nhu cầu điện năng, như biến động thời tiết, mô hình tiêu thụ điện năng, và các yếu tố kinh tế xã hội

- Xem xét thách thức và ý tưởng mở: Phân tích các thách thức hiện tại và các ý tưởng mới trong kỹ thuật dự báo nhu cầu điện năng Xác định những khoảng trống nghiên cứu cần được khai thác

- Xác định vấn đề nghiên cứu cụ thể: Dựa trên những phân tích trên và nguồn lực cá nhân, xác định vấn đề nghiên cứu cụ thể: Dự báo nhu cầu điện năng trung hạn cho các nhóm khách hàng sinh hoạt và thương mại của EVN SPC sử dụng mô hình

ARIMA, SARIMA, NARX, MLFF trong Python

• Phương pháp thu thập thông tin

- Tìm kiếm tài liệu: Sử dụng các cơ sở dữ liệu trực tuyến uy tín như IEEE Xplore, SpringerLink, Researchgate, Google Scholar để tìm kiếm các nghiên cứu liên quan trong vòng năm năm gần nhất

- Tổng hợp ý tưởng: Tổng hợp các ý tưởng và kết quả từ các nghiên cứu đã tìm được, tập trung vào các mô hình dự báo nhu cầu điện năng và các phương pháp học máy liên quan

- Xử lý và chuẩn bị dữ liệu: Thu thập dữ liệu tiêu thụ điện năng hàng ngày/giờ của khách hàng từ hệ thống quản lý của EVN SPC, cùng với dữ liệu thời tiết và các yếu tố kinh tế xã hội Sử dụng các công cụ Python như pandas và numpy để làm sạch và chuẩn hóa dữ liệu

• Phương pháp phân tích và thảo luận

- Trình bày số liệu: Trình bày các số liệu dưới dạng bảng biểu và đồ thị để dễ dàng phân tích Sử dụng matplotlib và seaborn trong Python để vẽ biểu đồ

- Kiểm tra tính khả thi và độ chính xác: Kiểm tra độ chính xác của các mô hình dự báo bằng chỉ số MAPE Sử dụng thư viện scikit-learn để tính toán các chỉ số này

- Phân tích kết quả: Phân tích kết quả dự báo của từng mô hình để xác định mô hình nào phù hợp nhất với dữ liệu và đáp ứng tốt các yêu cầu dự báo

• Nghiên cứu mô phỏng mô hình

- Xây dựng mô hình mô phỏng: Sử dụng các mô hình ARIMA, SARIMA, NARX, và MLFF bằng Python để xây dựng các mô hình dự báo nhu cầu điện năng

- Mô phỏng và đánh giá: Tiến hành mô phỏng và đánh giá các điều kiện hoạt động khác nhau để xác định tính chính xác và khả năng ứng dụng của các mô hình

Luận văn Thạc sĩ 8 GVHD: TS Nguyễn Chấn Việt trong thực tế Sử dụng các công cụ mô phỏng như Keras và TensorFlow cho các mô hình NARX và MLFF

• Phương pháp viết bài báo cáo

- Trình bày bài viết: Trình bày bài viết theo bố cục đã xác định trước, tập trung vào các nội dung đã thực hiện và phân tích kết quả mô phỏng một cách chi tiết

- Thu thập dữ liệu: Thu thập dữ liệu liên quan đến điện năng thương phẩm của EVNSPC và dữ liệu nhiệt độ

- Xác định tiêu chí đánh giá: Xác định các tiêu chí đánh giá chất lượng dự báo (MAPE)

- Đánh giá kết quả: Đánh giá kết quả mô phỏng dựa trên các tiêu chí đã xác định, nhằm so sánh các mô hình

- Nhận xét và đề xuất: Dựa trên kết quả đánh giá, đưa ra nhận xét và kết luận

• Phương pháp đề xuất và cải thiện

- Phân tích ưu nhược điểm: Dựa trên kết quả mô phỏng, phân tích các ưu nhược điểm của từng mô hình

Đối tượng nghiên cứu

Đề tài tập trung vào các đối tượng nghiên cứu cụ thể như sau:

• Nhóm khách hàng: Sinh hoạt và thương mại

• Điện lực thuộc Tổng Công ty Điện lực Miền Nam: Bình Dương, Đồng Nai,

Bà Rịa Vũng Tàu, Vĩnh Long, Cần Thơ, Kiên Giang (việc đưa ra đề xuất căn cứ vào cơ sở dữ liệu đã được xem xét đầy đủ về mức độ ổn định phân bổ đầy đủ tất cả các tháng trong năm).

Phạm vi nghiên cứu

Đề tài tập trung vào các khía cạnh sau:

• Khu vực nghiên cứu: Nghiên cứu sẽ được thực hiện tại khu vực quản lý của Tổng Công ty Điện lực Miền Nam (EVNSPC), bao gồm các tỉnh thành miền Nam Việt Nam: Bình Dương, Đồng Nai, Bà Rịa Vũng Tàu, Vĩnh Long, Cần Thơ, Kiên Giang

• Dữ liệu tiêu thụ điện năng: Sử dụng dữ liệu lịch sử tiêu thụ điện năng hằng tháng của các nhóm khách hàng từ hệ thống quản lý của EVNSPC trong khoảng thời gian từ năm 2018 đến 2023 để đảm bảo tính chính xác và độ tin cậy của mô hình dự báo

• Dữ liệu nhiệt độ: Dữ liệu nhiệt độ từ năm 2018 đến 2023 được thu thập và phân tích để nâng cao độ chính xác của dự báo

• Phương pháp sử dụng: Mô hình ARIMA (AutoRegressive Integrated Moving Average): Sử dụng cho các chuỗi thời gian có tính tuyến tính, mô hình SARIMA (Seasonal ARIMA): Mở rộng của ARIMA để xử lý các yếu tố thời vụ, mô hình NARX (Nonlinear AutoRegressive with eXogenous inputs): Mô hình hồi quy tự hồi phi tuyến với các đầu vào ngoại sinh, mô hình MLFF (Multi-Layer FeedForward Neural Network): Mạng nơ-ron truyền thẳng nhiều lớp cho dự báo chuỗi thời gian.

Tính cấp thiết của đề tài

• Nhu cầu tăng cao và phức tạp của điện năng:

- Tăng trưởng nhu cầu điện: Kinh tế và xã hội phát triển kéo theo sự gia tăng mạnh mẽ nhu cầu sử dụng điện Đặc biệt tại khu vực miền Nam Việt Nam, sự phát triển kinh tế nhanh chóng và quá trình đô thị hóa dẫn đến sự gia tăng đột biến nhu cầu điện năng của cả khách hàng sinh hoạt và thương mại

- Phức tạp trong quản lý và điều phối: Nhu cầu điện năng không chỉ tăng về số lượng mà còn phức tạp hơn về đặc điểm tiêu thụ Sự biến động theo mùa, theo giờ, và theo các sự kiện đặc biệt đòi hỏi EVN SPC phải có các công cụ dự báo chính xác để đảm bảo cung cấp điện ổn định

• Áp lực cung ứng và hiệu quả vận hành

- Áp lực cung ứng: Việc đáp ứng đủ nhu cầu điện năng trong bối cảnh nguồn cung cấp còn hạn chế và không ổn định là một thách thức lớn Thiếu điện không chỉ

Luận văn Thạc sĩ 10 GVHD: TS Nguyễn Chấn Việt gây ảnh hưởng đến sinh hoạt của người dân mà còn tác động tiêu cực đến hoạt động kinh doanh của các doanh nghiệp

- Hiệu quả vận hành: Quản lý và vận hành hệ thống điện đòi hỏi sự chính xác cao trong dự báo nhu cầu để tối ưu hóa việc sản xuất, truyền tải và phân phối điện

Dự báo không chính xác có thể dẫn đến lãng phí tài nguyên hoặc gây ra tình trạng quá tải

• Ứng dụng công nghệ hiện đại

- Sử dụng công nghệ học máy: Việc áp dụng các phương pháp học máy hiện đại như ARIMA, SARIMA, NARX, và MLFF giúp nâng cao độ chính xác trong dự báo, cho phép EVNSPC dự đoán chính xác nhu cầu điện năng của từng nhóm khách hàng Điều này là cần thiết trong bối cảnh công nghệ ngày càng phát triển và dữ liệu ngày càng lớn

- Tối ưu hóa nguồn lực: Áp dụng các mô hình dự báo hiện đại giúp tối ưu hóa việc sử dụng nguồn lực, giảm chi phí vận hành và nâng cao hiệu quả cung cấp điện Điều này đặc biệt quan trọng trong việc giảm thiểu các tác động môi trường và chi phí sản xuất

• Hỗ trợ quyết định chiến lược và quy hoạch

- Quy hoạch điện lực: Các mô hình dự báo chính xác cung cấp dữ liệu quan trọng để hỗ trợ các quyết định chiến lược trong quy hoạch điện lực, xây dựng các dự án năng lượng mới và nâng cấp hệ thống điện hiện tại

- Chính sách và kế hoạch: Dữ liệu dự báo giúp các nhà quản lý và các cơ quan chức năng xây dựng các chính sách và kế hoạch dài hạn, đảm bảo cung cấp điện liên tục và ổn định, đồng thời hỗ trợ các chính sách tiết kiệm và sử dụng hiệu quả điện năng.

Các nghiên cứu gần đây

Dự báo tải bằng cách sử dụng mạng nơ-ron đã trở thành một khía cạnh quan trọng trong việc lập kế hoạch và vận hành hệ thống điện, mang lại những cải tiến đáng kể so với các phương pháp truyền thống Các mạng nơ-ron, đặc biệt là những mạng sử dụng các kiến trúc tiên tiến như bộ nhớ ngắn hạn (LSTM) và mạng nơron

Convolutional (CNN), đã chứng minh độ chính xác vượt trội trong việc dự đoán tải điện ngắn hạn và dài hạn Ví dụ, một mô hình dựa trên mạng nơ-ron tích hợp dữ liệu từ đồng hồ thông minh, mẫu tuần và thông tin thời tiết đã cho thấy hiệu quả trong dự báo tải hàng ngày tới và hàng giờ trước bằng cách sử dụng dự đoán của thời điểm trước đó làm đầu vào cho dự báo tiếp theo, do đó nâng cao độ chính xác [3] Tương tự, mô hình LSTM nhiều lớp, kết hợp cơ chế tập trung vào thông tin chính, đã được chứng minh là chính xác và ổn định hơn các phương pháp truyền thống, được xác nhận bởi các bộ dữ liệu thực [4] Khả năng xử lý dữ liệu chuỗi thời gian của mô hình LSTM mà không có sự biến mất gradient hoặc các vấn đề bùng nổ phổ biến trong mạng nơron hồi quy (RNN) càng nhấn mạnh thêm tính ưu việt của nó trong dự báo tải [5]

Ngoài ra, việc chuẩn hóa các yếu tố liên quan ảnh hưởng đến thay đổi phụ tải và sử dụng các mô hình dựa trên LSTM đã được chứng minh là dự báo xu hướng phụ tải chính xác hơn so với các thuật toán khác [6] Những thay đổi mới như bộ mã hóa GCN và GRU hai chiều trong mô hình W-GRA cũng đã cải thiện độ chính xác dự báo bằng cách giải quyết vấn đề biến mất gradient và tối ưu hóa hàm tổn thất [7] [8] Hơn nữa, một cách tiếp cận mới sử dụng mạng nơ-ron với phương pháp học Polak- Ribière-Polyak (PRP) cải tiến đã chứng minh tỷ lệ sai số thấp hơn trong dự báo tải và được chứng minh qua số liệu như MAPE, MSE và RMSE [9] Sự kết hợp của mạng CNN và LSTM đặc biệt hiệu quả, với các CNN trích xuất các vectơ tính năng từ các yếu tố ảnh hưởng đến tải và LSTM sử dụng các vectơ này để dự đoán tải chính xác, vượt trội hơn các mô hình CNN hoặc LSTM độc lập [10] Hơn nữa, mô hình mạng nơ-ron đa lớp (MLP) kết hợp các thông số khí quyển đã cho thấy hiệu suất mạnh mẽ và đáng tin cậy, giảm sai số [11] Cuối cùng, việc tích hợp CNN và LSTM trong mô hình lai đã được tối ưu hóa thông qua các điều chỉnh lặp đi lặp lại, đạt được giá trị MAPE và hàm tổn thất thấp nhất, do đó chứng minh hiệu suất dự báo phụ tải vượt trội của chúng [12] Nói chung, những cải tiến này làm nổi bật vai trò quan trọng của mạng nơ-ron trong việc nâng cao độ chính xác và độ tin cậy của dự báo tải, do đó hỗ trợ quản lý hệ thống điện và điều phối kinh tế hiệu quả hơn

Ý nghĩa khoa học của đề tài

Ý nghĩa khoa học của đề tài là so sánh phương pháp dự báo nhu cầu điện năng trung hạn cho các nhóm khách hàng của Tổng Công ty Điện lực Miền Nam sử dụng các mô hình dự báo như ARIMA, SARIMA, NARX và MLFF Việc nghiên cứu này giúp cải thiện hiểu biết về xu hướng tiêu thụ điện năng của các nhóm khách hàng trong tương lai và hỗ trợ quản lý năng lượng hiệu quả hơn Đồng thời, kết quả từ đề tài có thể ứng dụng rộng rãi trong lĩnh vực năng lượng và quản lý hệ thống điện, góp phần vào việc phát triển và ổn định hệ thống năng lượng cho cộng đồng.

Ý nghĩa thực tiễn của đề tài

Giảm thiểu các rủi ro liên quan đến thiếu hụt hoặc dư thừa cung cấp điện, cải thiện sự ổn định và tin cậy của hệ thống điện, và giảm thiểu các chi phí vận hành và mất mát trong quá trình cung cấp điện Đồng thời, việc tối ưu hóa việc sử dụng năng lượng cũng có thể góp phần vào việc bảo vệ môi trường và phát triển bền vững của ngành năng lượng

Luận văn Thạc sĩ GVHD: TS Nguyễn Chấn Việt

CƠ SỞ LÝ THUYẾT

Dự báo điện năng năng

Dự báo phụ tải là công tác dùng dữ liệu phụ tải trong quá khứ để dự đoán xu hướng thay đổi, phát triển của phụ tải nhằm đưa ra những phương án, hoạch định phù hợp Đây cũng là hoạt động tính toán, ước lượng và đánh giá xu hướng, tốc độ tăng trưởng và nhu cầu của phụ tải được cung cấp điện từ hệ thống điện trong ngắn hạn, trung hạn và dài hạn [4]

Dự báo nhu cầu phụ tải điện hệ thống điện quốc gia bao gồm dự báo nhu cầu phụ tải điện năm, tháng, tuần, ngày và giờ tới, cụ thể:

• Dự báo phụ tải rất ngắn hạn – VSTLF (Very Short-Term Load Forecasting) được lập cho vài phút đến 24h và được dùng cho điều khiển nguồn phát tự động

• Dự báo phụ tải ngắn hạn – STLF (Short-Term Load Forecasting) được lập cho khoảng thời gian từ 1 ngày đến 2 tuần Kết quả dự báo phụ tải ngắn hạn chủ yếu dùng cho các mục đích thiết lập biểu đồ phát điện Để các công ty điện có thể lên kế hoạch kinh doanh, bảo dưỡng hoặc kế hoạch điều khiển phụ tải để tối thiểu hóa chi phí

• Dự báo trung hạn – MTLF (Mid-Term Load Forecasting), phạm vi dự báo trung hạn là một giai đoạn từ 1 tháng đến 3 năm Loại dự báo này thường được dùng để xác định thiết bị và lưới điện sẽ lắp đặt hoặc thiết lập các hợp đồng trong thị trường điện

• Dự báo dài hạn – LTLF (Long-Term Load Forecasting), phạm vi dự báo báo gồm một giai đoạn từ 3 đến 30 năm Khoảng thời gian này cần cho quy hoạch, xây dựng các nhà máy, các đường dây truyền tải và phân phối điện

• Tóm tắt đặc điểm của từng loại dự báo được thể hiện trong bảng dưới đây:

Bảng 2 1 Phân loại dự báo

Loại Dự Báo Thời gian tối thiểu Thời gian tối đa

Dự báo rất ngắn hạn ≥ 1 Phút 1 Ngày

Dự báo ngắn hạn 1 Ngày 2 Tuần

Dự báo trung hạn 1 Tháng 3 Năm

Dự báo dài hạn 3 Năm 30 Năm

Mô hình mạng ARIMA

Mô hình ARIMA (Autoregressive Integrated Moving Average) là một công cụ mạnh mẽ và linh hoạt được sử dụng rộng rãi trong phân tích và dự báo chuỗi thời gian Bằng cách kết hợp các thành phần AR (Autoregressive), I (Integrated), và MA (Moving Average), mô hình ARIMA cho phép mô hình hóa và dự báo các chuỗi thời gian có các đặc điểm phức tạp như biến động, xu hướng, và mùa vụ

- Thành phần AR biểu diễn sự phụ thuộc của giá trị hiện tại vào các giá trị quan sát trước đó trong chuỗi thời gian

- Trong một mô hình AR(p), giá trị hiện tại được dự đoán dựa trên p giá trị quan sát trước đó, với mỗi giá trị quan sát có trọng số tương ứng

- Các hệ số của mô hình AR cung cấp thông tin về mức độ ảnh hưởng của các giá trị quan sát trước đó đối với giá trị hiện tại

- Thành phần I là quá trình tích phân để đạt được tính dừng cho chuỗi thời gian

- Quá trình này bao gồm việc lấy sai số giữa các giá trị kế tiếp trong chuỗi thời gian (tích phân)

- Mục tiêu của quá trình tích phân là làm cho chuỗi thời gian trở nên ổn định hơn và dễ dự báo hơn

• Thành phần Moving Average (MA):

- Thành phần MA biểu diễn sự phụ thuộc của giá trị hiện tại vào các giá trị trung bình của sai số trước đó trong chuỗi thời gian

- Trong một mô hình MA(q), giá trị hiện tại được dự đoán dựa trên q sai số trước đó

- Các hệ số của mô hình MA cung cấp thông tin về mức độ biến động của chuỗi thời gian

- Xác định các tham số của mô hình ARIMA:

- Một mô hình ARIMA được xác định bởi ba tham số chính: p, d, và q

- p là số lượng phần tử của thành phần AR, d là số lần tích phân cần thực hiện để đạt được tính dừng, và q là số lượng phần tử của thành phần MA

• Ưu điểm và hạn chế của mô hình ARIMA:

• Ưu điểm: Mô hình ARIMA thích hợp cho các chuỗi thời gian có tính chất tuyến tính và biến động tự nhiên Nó cũng linh hoạt trong việc xử lý các chuỗi thời gian có xu hướng và mùa vụ

• Hạn chế: Mô hình ARIMA có thể không phù hợp cho các chuỗi thời gian có tính chất không ổn định hoặc có xu hướng phi tuyến Ngoài ra, việc xác định các tham số p, d và q cũng đòi hỏi sự chủ quan và kinh nghiệm từ người mô hình

• Ứng dụng của mô hình ARIMA:

• Mô hình ARIMA được sử dụng rộng rãi trong nhiều lĩnh vực như tài chính, kinh tế, y tế, và năng lượng để dự báo xu hướng và biến động của các biến thời gian quan trọng

Tóm lại, mô hình ARIMA là một công cụ quan trọng trong phân tích và dự báo chuỗi thời gian, mang lại sự linh hoạt và độ chính xác trong việc mô hình hóa và dự báo các biến thay đổi theo thời gian.

Mô hình mạng SARIMA

Mô hình SARIMA (Seasonal Autoregressive Integrated Moving Average) là một phương pháp dự báo chuỗi thời gian mở rộng từ mô hình ARIMA để xử lý các chuỗi có yếu tố mùa vụ SARIMA kết hợp các thành phần của ARIMA với một thành phần mùa vụ, giúp nắm bắt và mô hình hóa các xu hướng mùa vụ trong dữ liệu

Thành phần AR của SARIMA tương tự như trong mô hình ARIMA, biểu diễn sự phụ thuộc của giá trị hiện tại vào các giá trị quan sát trước đó trong chuỗi thời gian

Thành phần I trong SARIMA cũng tương tự như trong ARIMA, là quá trình tích phân để đạt được tính dừng cho chuỗi thời gian

• Thành phần Moving Average (MA):

Thành phần MA của SARIMA biểu diễn sự phụ thuộc của giá trị hiện tại vào các giá trị trung bình của sai số trước đó trong chuỗi thời gian

Thành phần mùa vụ trong SARIMA là một yếu tố quan trọng để xử lý các chuỗi thời gian có yếu tố mùa vụ Thành phần này biểu diễn sự phụ thuộc của giá trị hiện tại vào các giá trị quan sát cùng mùa vụ trong các chu kỳ trước đó

• Xác định các tham số của mô hình SARIMA:

Một mô hình SARIMA được xác định bởi bốn tham số chính: p, d, q, và P, D,

Q, m Trong đó p, d, và q là các tham số của thành phần ARIMA, trong khi P, D, và

Q là các tham số của thành phần mùa vụ, và m là độ dài của chu kỳ mùa vụ

• Ưu điểm và hạn chế của mô hình SARIMA:

17 Ưu điểm: SARIMA phù hợp cho việc mô hình hóa và dự báo các chuỗi thời gian có xu hướng và mùa vụ

Hạn chế: Việc xác định các tham số của mô hình SARIMA đòi hỏi sự thử nghiệm và phân tích đáng kể, và có thể phức tạp hơn so với ARIMA

• Ứng dụng của mô hình SARIMA:

SARIMA thường được sử dụng trong dự báo và phân tích các chuỗi thời gian có yếu tố mùa vụ như doanh số bán hàng, sản lượng nông sản, và tải điện

Tóm lại, mô hình SARIMA là một công cụ quan trọng trong phân tích và dự báo chuỗi thời gian, đặc biệt là cho các chuỗi có yếu tố mùa vụ, mang lại sự linh hoạt và độ chính xác trong việc mô hình hóa và dự báo các biến thay đổi theo thời gian.

Mô hình mạng NARX

Mạng nơ-ron nhân tạo (ANN) là một tập hợp các mô hình học được lấy cảm hứng từ mạng nơ-ron sinh học, được sử dụng chủ yếu để ước lượng một hàm phụ thuộc vào một số lượng lớn các đầu vào thường không biết trước Chúng được tạo thành từ một số nơ-ron kết nối với nhau Mỗi nơ-ron nhận một tín hiệu đầu vào từ các nơ-ron khác hoặc kích thích bên ngoài, xử lý tín hiệu đó và tạo ra một tín hiệu đầu ra đã được biến đổi để gửi đến các nơ-ron khác hoặc đầu ra bên ngoài Các đặc điểm của một thuật toán ANN cho phép ANN học từ các ví dụ và sau đó tổng quát hóa các ví dụ chưa từng được nhìn thấy trước đó ANN có thể dễ dàng nhận diện và học các mẫu tương tác giữa các tập dữ liệu đầu vào và các giá trị mục tiêu tương ứng Sau khi huấn luyện dữ liệu, ANN có thể được áp dụng vào một tập dữ liệu đầu vào độc lập mới để dự đoán một kết quả [12]

Việc học của ANN cơ bản là sửa đổi các trọng số của các kết nối giữa các nơ- ron, trong đó các trọng số ban đầu (synapse) được sửa đổi theo phương pháp lặp, bằng một thuật toán Có học có giám sát, được trình bày bởi một tập huấn luyện, bao gồm các đầu vào và các đầu ra mong muốn tương ứng Và học không giám sát, xảy ra khi

18 mạng cập nhật các trọng số của mình mà không cần sử dụng các cặp đầu vào-đầu ra mong muốn và không có chỉ dẫn về tính thích hợp của các đầu ra được tạo ra [12]

Một mạng nơ-ron hồi quy là một mạng chứa các kết nối hồi quy và các độ trễ cho phép luồng thông tin giữa các nơ-ron của các lớp khác nhau Sự hồi quy là một loại cơ chế bộ nhớ ngắn hạn cho phép mạng ghi nhớ thông tin từ quá khứ gần Trong khi độ trễ cung cấp các giá trị chính xác của thông tin từ quá khứ tại thời điểm hiện tại, các vòng phản hồi thực hiện một loại xử lý (lọc) trên thông tin từ quá khứ

Một lớp quan trọng của mạng nơ-ron hồi quy là NARX, trong đó các đầu ra thực tế của hệ thống được sử dụng làm đầu vào cho mô hình Hành vi động của mô hình NARX được mô tả bởi [3]

( ) [ ( 1), , ( y ); ( ), ( 1), , ( u 1) y n = f y n − y n − d u n u n − u n − d + (2.1) Ở đây, u(n) và y(n) lần lượt đại diện cho đầu vào và đầu ra của mô hình tại thời điểm n, trong khi du

Tiêu đề	Mô hình dự báo nhu cầu điện năng trung hạn cho các nhóm khách hàng của Tổng Công ty Điện lực Miền Nam
Tác giả	Huỳnh Thị Hồng Xuân
Người hướng dẫn	TS. Nguyễn Chấn Việt
Trường học	Trường Đại học Bách Khoa, Đại học Quốc gia Tp. HCM
Chuyên ngành	Kỹ thuật điện
Thể loại	Luận văn thạc sĩ
Năm xuất bản	2024
Thành phố	Tp. Hồ Chí Minh

Định dạng
Số trang	85
Dung lượng	1,09 MB