Bài giảng môn Phương Pháp dự báo phụ tải điện

Dự báo nhu cầu tiêu thụ điện là bài toán hết sức cần thiết trong quá trình vận hành, quy hoạch, phát triển, điều khiển tối ưu chế độ mạng điện v.v… Hầu hết các bài toán dự báo phụ tải đều dựa trên cơ sở các mô hình toán học hoặc các mô hình thực nghiệm nhằm tìm ra các quy luật biến đổi của phụ tải điện trong chu kỳ xét. Kinh nghiệm thực tế cho thấy không có phương pháp dự báo chung cho mọi quá trình. Mỗi quá trình, mỗi ngành sản xuất có những đặc điểm riêng biệt, đồng thời ở mỗi lĩnh vực lại có những nét chung mà có thể sử dụng làm cơ sở cho việc thiết lập các mô hình dự báo. Việc phân tích, đánh giá các phương pháp dự báo nhu cầu phụ tải nhằm tìm ra những nét chung, nét riêng để có thể áp dụng cho những điều kiện cụ thể là vấn đề hết sức cấp thiết đối với sự phát triển mạng điện nước ta, đặc biệt trong bối cảnh các ngành kinh tế ở Việt Nam đang có những biến chuyển lớn.

“The weather forecast has no effect on the

weather but the economics forecast may well

affect the economy”

John Mason (1940)

“If you can get the forecast right, you have the potential to get everything else

in the supply chain right”

Al Enns – Motts North America

Chương 1: Những nội dung cơ bản về dự báo

1 Khái niệm cơ bản về dự báo

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

- Dự báo được bắt đầu bằng các giả thuyết nhấtđịnh dựa trên các kinh nghiệm quản lý, hiểu biết, sựphán đoán

2 Sự cần thiết của công tác dự báo

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

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

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

3 Tầm quan trọng của công tác dự báo

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

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

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

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

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

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

4 Giá trị của các dự báo chính xác

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

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

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

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

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

5 Các nguyên tắc của dự báo

1 Có quan hệ nhân quả

2 Có tính lặp lại

3 Có tính thiết thực

4 Cần kiểm tra độ nhạy

5 Duy trì tính đơn giản

6 Các bước cơ bản của công tác dự báo

Bước 1: Xác định bài toán

Bước 2: Thu thập thông tin

Bước 3: Phân tích sơ bộ (thăm dò)

Bước 4: Lựa chọn mô hình dự báo phù hợp

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

7 Quá trình đánh giá phương pháp dự báo

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

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

Giai đoạn 2: Lựa chọn phương pháp dự báo

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

chọn để dự báo.

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

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

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

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

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

8 Các kiểu/loại dữ liệu chuỗi thời gian

Chuỗi dữ liệu có 4 kiểu cơ bản sau:

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

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

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

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

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

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

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

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

Xu thế trường kỳ (100 năm)

Xu thế theo chu kỳ

Xu thế theo mùa

9 Đo độ chính xác của dự báo

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

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

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

Ft: giá trị dự báo thời kỳ t

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

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

1 n

t t

e

n 

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

MAE =

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

MSE =

1

1 n

t t

e

n 

2 1

1 n

t t

e

n 

n 

20

Chương 2: Các phương pháp dự báo

Các PP dự báo nhu cầu năng lượng-điện năng

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

1 Phương pháp dự báo mô tả (descriptive):

(định tính)

2 Phương pháp định lượng (quantitative):

Phương pháp dự báo định tính

Các phương pháp này mang tính trực giác và chủquan phụ thuộc vào cách nhìn nhận và sự hiểu biếtcủa các nhà dự báo nhiều hơn là dựa vào các mốiliên hệ toán học và thống kê

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

Phương pháp dự báo định lượng

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

method)

2 Phương pháp dự báo theo mô hình kinh tế lượng

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

method)

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

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

cùng (end-use method)

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

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

1 Phương pháp chuỗi thời gian

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

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

chuyển (Moving averages)

- San bằng hàm số mũ (Exponential Smoothing)

- Phân tích (Decomposition)

- Holt-Winters và phân tích Box-Jenkins

- Bayesian (Bayesian Method)

PP điều chỉnh đường cong đơn giản

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

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

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

- Liên hệ tuyến tính: E = a + b * t

- Liên hệ phi tuyến: E = a + b * t + c * t2

- Liên hệ logarit: E = a * log(b * t)

Ưu điểm:

- Yêu cầu thu thập số liệu đơn giản

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

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

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

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

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

n

X b

n

Y a

n

X X

n

Y

X Y

X b

i i

i i

i i

i i

)

( x

x n

XY X

)

( x

x n

n

Y(7)= 129.4687

5 Bài tập ứng dụng

Phương pháp giá trị trung bình (mean)

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

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

Phương pháp này thích hợp với chuỗi dữ liệu quan sát không có yếu tố xu thế và mùa rõ rệt.

- Trung bình dịch chuyển đơn,

- Trung bình dịch chuyển kép, và

- Trung bình dịch chuyển có trọng số

PP trung bình dịch chuyển đơn

Theo cách này, khi có một quan sát mới thì mộttrung bình mới có thể được tính toán bằng cách bỏquan sát cũ đi để thay bằng một quan sát mới Vìthế, trung bình dịch chuyển được dùng để dự báocho thời kỳ tiếp theo

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

Phương pháp san bằng hàm mũ (Exponential smoothing methods)

Giả sử ta muốn dự báo giá trị tiếp theo của chuỗi Yt,

mà giá trị này sẽ được quan sát, với giá trị dự báođược biểu thị là Ft Khi có giá trị quan sát Yt thì sai

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

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

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

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

San bằng hàm mũ được xem là tốt hơn nếu phươngtrình trên được mở rộng ra bằng cách thay Ft với cácthành phần như sau:

Ft+1 = αYt + (1– α) [αYt-1 + (1-α)Ft-1]

= αYt + α(1-α)Yt-1 + (1- α)2Ft-1

Nếu như quá trình thay thế này được lặp lại bằngcách thay Ft-1 bằng các thành phần của nó và Ft-2được thay bằng các thành phần của nó thì ta có kếtquả như sau:

Ft+1 = αYt + α(1-α)Yt-1 + α (1- α)2 Yt-2 + α (1- α)3 Yt-3+ α (1- α)4 Yt-4 + α (1- α)5 Yt-5 +… + α (1- α)t-1 Y1 +(1- α)t F1

Lưu ý, tổng tất cả các trọng số có giá trị xấp xỉ là 1

Thời kỳ kiểm tra

Các giá trị san bằng hàm mũ

PP Phân tích (Decomposition)

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

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

Các yếu tố theo mùa

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

kỳ kinh doanh)

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

PP Holt-Winters và phân tích Box-Jenkins

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

Tự hồi quy

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

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

Ước lượng trung bình dịch chuyển

Ở đây:

X(t): giá trị dự báo X(t-1), X(t-p): các quan sát của chuỗi thời gian quá khứ

O(1), O(p): các hệ số tự hồi quy e(t), e(t-q): các sai số giữa các giá trị thực và dự báo cho các thời kỳ quá khứ

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

chuyển (moving-average)

PP dự báo Bayesian (Bayesian Method)

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

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

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

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

2 PP mô hình kinh tế lượng (Hồi quy)

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

bị ảnh hưởng bởi một hoặc nhiều yếu tố khác

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

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

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

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

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

PP bình phương cực tiểu.

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

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

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

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

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

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

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

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

4 Kiểm định ý nghĩa thống kê của các kết quả

5 Kiểm tra độ chắc chắn của các giả thuyết

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

- Hệ số hồi quy,

- Các thống kê theo phân phối t,

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

Hệ số tương quan r giữa A và t:

Ai : điện năng đã cho ở năm i,

2 i

n

1 i

2 i

i i

n

1 i

) t t

( )

A A

(

) t t

)(

A A

i n

1 n

1 i

i n

A

1 n r









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

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

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

+ Khi n < 25 thì f=n-2

+ Khi n  25 thì f=n-1

- Đem so  tính đợc với ,f vừa tra, nếu ,f thì quan hệ tuyến tính có thể đợc chấp nhận và ngợc lại nếu  < ,f thì không sử dụng đợc quan hệ tuyến tính mà phải sử dụng quan hệ phi tuyến nào đó.

3 PP mụ phỏng hay mụ hỡnh sử dụng cuối cựng

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

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

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

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

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

Với Z là các biến số ngoại sinh (exogenous)

X là các biến số nội sinh (endogenous)

U là số hạng nhiễu ngẫu nhiên (stochastic disturbance)

t là thời gian

PP mô hình sử dụng cuối

cùng

Thời gian dự

báo tốt nhất

Một vài tháng – một vài năm

Yêu cầu về dữ

liệu

Dữ liệu về năng lượng/phụ tải điện ở mức tối thiểu

Các chuỗi dữ liệu 8-12 năm đối với một vài biến độc lập

Tương ứng với chi tiết yêu cầu của mô hình

Yêu cầu về

máy tính

Không đáng kể đối với các mô hình xu thế

Vừa nhiều mô hình

phải-có thể chạy trên

Phần lớn các

mô hình đều có thể chạy trên

gian

PP Mô hình kinh tế lượng

PP mô hình sử dụng cuối

cùng

Yêu cầu về

máy tính

Đáng kể đối với các mô hình

tổng hợp

các máy tính cá nhân có cấu

hình vừa phải

các máy tính cá nhân có cấu

hình vừa phải

Kỹ năng

chuyên gia

Không đáng kể đối với các mô hình xu thế

Đáng kể đối với các mô hình

tổng hợp

Tương đối dễ

để xây dựng các mô hình – cần có kinh nghiệm và được đào tạo để xử

thời gian

PP Mô hình kinh tế lượng

PP mô hình sử dụng cuối

cùng

Kỹ năng chuyên

gia

lý/giải quyết các vấn đề vướng mắc

Không cần đào tạo kiến thức chuyên gia, trừ trường hợp các

mô hình tối ưu hóa

Nói chung là

PP tốt nhất trong 3 loại PP này

Chương 3: Một số ứng dụng phương pháp dự báo

- Ph¬ng ph¸p m« h×nh kinh tÕ lîng: phÇn mÒm Eview

- Ph¬ng ph¸p m« pháng: mét sè c«ng cô phÇn mÒm m¸y tÝnh nh: Energy ToolBox (ETB): cña trêng §H Hoµng gia, Lu©n §«n, Anh.

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

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

Vµ mét sè c«ng cô kh¸c

Bài tập ứng dụng

Dự báo phụ tải cực đại/đỉnh (kW)

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

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

Peak Load=Energy/(Load factor*period of time)

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

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

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

nhanh để hỗ trợ ngành du lịch) thì dự đoán hệ số phụ tải theo cách như trên sẽ không có ý nghĩa nữa Lúc đó, người ta sẽ sử dụng cách khác,

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

Peak load = a + b * base energy + weather

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

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

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