Ứng dụng phương pháp ngoại suy dự báo phụ tải ngắn hạn khu vực thành phố hồ chí minh

BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH NGUYỄN HỮU KHƯƠNG ỨNG DỤNG PHƯƠNG PHÁP NGOẠI SUY DỰ BÁO PHỤ TẢI NGẮN HẠN KHU VỰC THÀNH PHỐ HỒ CHÍ MINH Chuyên ngành: KỸ THUẬT ĐIỆN Mã chuyên ngành: 8520201 LUẬN VĂN THẠC SĨ THÀNH PHỐ HỒ CHÍ MINH , NĂM 2020 Cơng trình hồn thành Trường Đại học Cơng nghiệp TP Hồ Chí Minh Người hướng dẫn khoa học: TS.Trần Thanh Ngọc Luận văn thạc sĩ bảo vệ Hội đồng chấm bảo vệ Luận văn thạc sĩ Trường Đại học Công nghiệp thành phố Hồ Chí Minh ngày tháng năm Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: - Chủ tịch Hội đồng - Phản biện - Phản biện - Ủy viên - Thư ký (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ luận văn thạc sĩ) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA CÔNG NGHỆ ĐIỆN BỘ CÔNG THƯƠNG CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP Độc lập - Tự - Hạnh phúc THÀNH PHỐ HỒ CHÍ MINH NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên tác giả: Nguyễn Hữu Khương MSHV: 16083471 Ngày, tháng, năm sinh: 29/01/1985 Nơi sinh: TPHCM Chuyên ngành: Kỹ Thuật Điện Mã chuyên ngành: 8520201 I TÊN ĐỀ TÀI: Ứng dụng phương pháp ngoại suy dự báo phụ tải ngắn hạn khu vực Thành phố Hồ Chí Minh NHIỆM VỤ VÀ NỘI DUNG: Tìm hiểu phương pháp dự báo Xây dựng mơ hình ngoại suy san hàm số mũ HOLT- WINTER phương pháp BOX – JENKINS, dựa lịch sử phụ tải trước thời điểm dự báo phụ tải 24h Mô phần mềm so sánh kết với phương pháp nghiên cứu khác II NGÀY GIAO NHIỆM VỤ: Theo QĐ số 2660/QĐ-ĐHCN ngày 11/12/2018 III NGÀY HOÀN THÀNH NHIỆM VỤ: 18/06/2020 IV NGƯỜI HƯỚNG DẪN KHOA HỌC: TS.Trần Thanh Ngọc Tp Hồ Chí Minh, ngày … tháng … năm 2020 NGƯỜI HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO TRƯỞNG KHOA CÔNG NGHỆ ĐIỆN LỜI CẢM ƠN Tôi xin chân thành cảm ơn TS Trần Thanh Ngọc suốt thời gian qua quan tâm giúp đỡ hướng dẫn tận tình để giúp tơi hồn thành luận văn Tơi xin chân thành cảm ơn thầy, cô khoa Điện, Trường Đại Học Công Nghiệp Tp.HCM giúp đỡ nhiệt tình tạo điều kiện giúp tơi hồn thành luận văn Do thời gian cịn hạn chế, luận văn chắn khó tránh khỏi thiếu sót, mong góp ý chân thành, thắng thắn thầy, cô bạn để luận văn hoàn thiện Một lần nữa, tác giả xin chân thành cảm ơn! i TÓM TẮT LUẬN VĂN THẠC SĨ Dự báo phụ tải điện đóng vai trị vô quan trọng công tác quy hoạch đầu tư phát triển vận hành hệ thống điện Nhu cầu tiêu dùng điện phụ thuộc vào trình độ phát triển kinh tế quốc dân Vì việc dự báo phụ tải xác vơ cần thiết Sử dụng phương pháp san hàm số mũ HOLT- WINTER phương pháp BOX - JENKINS luận văn thiết kế dự báo phụ tải dựa lịch sử phụ tải khứ khu vực địa lý cụ thể., Tại thời điểm phương pháp dự báo phụ tải cho 24h ii ABSTRACT Power load forecasting presents such a significant role in the planning of investment in the development and operation of the power system The demand for electricity consumption depends on the level of development of the national economy Therefore, accurate load forecasting is essential Using HOLT-WINTER exponential leveling method and BOX - JENKINS method, this thesis will create load forecasting based on the past load history of a specific geographical area At each time, this method point will forecast the load for the next 24 hours iii LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu thân tơi Các kết nghiên cứu kết luận luận văn trung thực, không chép từ nguồn hình thức Việc tham khảo nguồn tài liệu thực trích dẫn ghi nguồn tài liệu tham khảo quy định Học viên Nguyễn Hữu Khương iv MỤC LỤC MỤC LỤC v DANH MỤC HÌNH ẢNH ix DANH MỤC BẢNG BIỂU xi DANH MỤC TỪ VIẾT TẮT xi MỞ ĐẦU 1 Đặt vấn đề Mục tiêu nhiệm vụ luận văn Đối tượng phạm vi nghiên cứu Cách tiếp cận phương pháp nghiên cứu Ý nghĩa thực tiễn đề tài CHƯƠNG TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI ĐIỆN 1.1 Dự báo phụ tải 1.1.1 Khái niệm dự báo 1.1.2 Dự báo phụ tải điện 1.1.3 Phân loại dự báo phụ tải 1.2 Các phương pháp dự báo 1.2.1 Phương pháp ngoại suy 1.2.2 Phương pháp hồi quy 1.2.3 Phương pháp hệ số đàn hồi 1.2.4 Phương pháp mạng nơron nhân tạo 1.2.5 Phương pháp tương quan - xu 1.2.6 Phương pháp chuyên gia 1.3 Sai số dự báo phụ tải 1.3.1 Sai số tuyệt đối trung bình MAE (Mean Absolute Error) 1.3.2 Sai số bình phương trung bình MSE (Mean Squared Error) 1.3.3 Sai số tuyệt đối trung bình phần trăm MAPE (Mean Absolute Percent Error) 10 1.3.4 Tổng bình phương sai số SSE (Sum of Squared Errors) 10 1.4 Giới thiệu phần mềm R 11 v 1.4.1 Phần mềm R 11 1.4.2 Điểm mạnh ngôn ngữ R 11 1.4.3 Khía cạnh thống kê R 12 1.4.4 Ưu nhược điểm R 12 CHƯƠNG DỰ BÁO PHỤ TẢI BẰNG PHƯƠNG PHÁP SAN BẰNG HÀM MŨ 14 2.1 Phân loại phương pháp san hàm mũ 14 2.2 Phương pháp san hàm mũ đơn giản (N, N) 16 2.2.1 Phương trình dự báo 16 2.2.2 Xác định hệ số tối ưu α 17 2.3 Phương pháp san hàm mũ xu hướng tuyến tính Holt (Holt’s linear trend method) (A, N) 17 2.3.1 Phương trình dự báo 17 2.3.2 Xác định hệ số tối ưu α, β* 18 2.4 Phương pháp san hàm mũ xu hướng suy giảm (Damped trend methods) (Ad, N) 18 2.4.1 Phương trình dự báo 18 2.4.2 Xác định hệ số tối ưu α, β* 19 2.5 Phương pháp san hàm mũ mơ hình cộng Holt – Winters (A, A) 19 2.5.1 Phương trình dự báo 19 2.5.2 Xác định hệ số tối ưu α, β*, γ 20 2.6 Phương pháp san hàm mũ mơ hình nhân Holt – Winters (A, M) 20 2.6.1 Phương trình dự báo 20 2.6.2 Xác định hệ số tối ưu α, β*, γ 21 2.7 Phương pháp san hàm mũ với hệ số suy giảm mô hình nhân Holt – Winters (Ad, A) 21 2.7.1 Phương trình dự báo 21 2.7.2 Xác định hệ số tối ưu α, β*, γ 22 CHƯƠNG ỨNG DỤNG PHƯƠNG PHÁP SAN BẰNG HÀM MŨ DỰ BÁO PHỤ TẢI NGẮN HẠN KHU VỰC THÀNH PHỐ HỒ CHÍ MINH 23 3.1 Phương pháp san hàm mũ đơn giản 23 vi 3.1.1 Xác định yêu cầu 23 3.1.2 Kết 23 3.2 Phương pháp san hàm mũ xu hướng tuyến tính Holt (A, N) 25 3.2.1 Xác định yêu cầu 25 3.2.2 Kết 25 3.3 Phương pháp san hàm mũ xu hướng suy giảm (Ad, N) 27 3.3.1 Xác định yêu cầu 27 3.3.2 Kết 27 3.4 Phương pháp san hàm mũ mơ hình cộng Holt-Winters (A, A) 29 3.4.1 Xác định yêu cầu 29 3.4.2 Kết 30 3.5 Phương pháp san hàm mũ mơ hình nhân Holt – Winters (A, M) 31 3.5.1 Xác định yêu cầu 31 3.5.2 Kết 32 3.6 Phương pháp san hàm mũ hệ số suy giảm mơ hình nhân Holt – Winters (Ad, M) 33 3.6.1 Xác định yêu cầu 33 3.6.2 Kết 34 CHƯƠNG DỰ BÁO PHỤ TẢI BẰNG PHƯƠNG PHÁP ARIMA 36 4.1 Cơ sở lý thuyết 36 4.1.1 Mơ hình tự hồi quy (Autoregressive models) 36 4.1.2 Mô hình trung bình trượt (Moving average models) 38 4.1.3 Mơ hình ARIMA khơng theo mùa (Non-seasonal ARIMA models) 39 4.1.4 Mơ hình ARIMA theo mùa (Seasonal ARIMA models) 46 4.1.5 Mơ hình Arima R (ARIMA modelling in R) 54 4.2 Ứng dụng vào dự báo phụ tải thành phố Hồ Chí Minh 58 4.2.1 Dự báo ngày cho phụ tải thành phố Hồ Chí Minh 59 4.2.2 Dự báo tuần cho phụ tải thành phố Hồ Chí Minh 61 CHƯƠNG SO SÁNH HAI PHƯƠNG PHÁP VÀ PHỐI HỢP CẢ HAI TẠO RA PHƯƠNG PHÁP TỐT HƠN 64 vii Nhận xét: Trong trình huấn luyện ta nhận thấy sai số RMSE, MAE MAPE dùng phương pháp Grid Search nhỏ so với hàm auto.arima nên cho mô hình dự báo tối ưu Bảng 4.4 So sánh sai số dự báo hàm auto.arima phương pháp Grid Search Auto.arima Grid Search RMSE 81.86175 72.80976 MAE 64.05511 55.42158 MAPE 0.8528858 0.7313387 Trong trình dự báo ta nhận thấy sai số RMSE, MAE MAPE dùng phương pháp Grid Search nhỏ so với hàm auto.arima nên cho mơ hình dự báo tối ưu 60 Hình 4.15 Biểu đồ hàm auto.arima phương pháp Grid Search với số liệu Testing 4.2.2 Dự báo tuần cho phụ tải thành phố Hồ Chí Minh Sử dụng liệu P_24h tháng 9, tháng 10, tháng 11 tuần đầu tháng 12 năm 2018 TP.HCM Dự báo cho tuần đầu tháng 12 năm 2018 TP.HCM Tách liệu thành số liệu huấn luyện (training) số liệu kiểm tra (testing) Testing: tuần đầu tháng 12 Training: tháng 9, tháng 10, tháng 11 liệu Kết Trong trình huấn luyện 61 Sau sử dụng phương pháp Grid Search mơ hình Nhận xét: Trong q trình huấn luyện ta nhận thấy sai số RMSE, MAE MAPE dùng phương pháp Grid Search nhỏ so với hàm auto.arima nên cho mơ hình dự báo tối ưu Bảng 4.5 So sánh sai số dự báo hàm auto.arima phương pháp Grid Search Auto.arima Grid Search RMSE 60.70238 52.86156 MAE 41.0463 36.65275 MAPE 1.486609 1.32319 62 Trong trình dự báo Nhận xét: Trong trình huấn luyện ta nhận thấy sai số RMSE, MAE dùng hàm auto.arima nhỏ so với phương pháp Grid Search nên cho mơ hình dự báo tối ưu Bảng 4.6 So sánh sai số dự báo hàm auto.arima phương pháp Grid Search Auto.arima Grid Search RMSE 142.8502 199.1737 MAE 0.04517405 0.06555068 MAPE 260.5385 253.6321 Hình 4.16 Biểu đồ hàm auto.arima phương pháp Grid Search với số liệu Testing 63 CHƯƠNG 5: SO SÁNH HAI PHƯƠNG PHÁP VÀ PHỐI HỢP CẢ HAI TẠO RA PHƯƠNG PHÁP TỐT HƠN 5.1 Sự tương quan hai phương pháp: Sau trình dự báo chương ta thu kết hai phương pháp sau (với Arima màu đỏ, Holt Winter màu xanh nước): Hình 5.1 Biểu đồ kết hai phương pháp Sử dụng phương pháp tìm giá trị a cho Y 12 với cơng thức: Y12 = aY1 + (1-a)Y2 Với: Y1: Là giá trị dự báo phương pháp Holt Winter Y2: Là giá trị dự báo phương pháp Arima Sao cho thu giá trị MAPE12 nhỏ nhất: MAPE12 = (Y12 + Y)/Y Áp dụng theo cơng thức ta có dòng code sau: y1