Ứng dụng mô hình mạng neuron nhân tạo dự báo nhu cầu điện năng ngắn hạn cho khu vực thành phố hồ chí minh

Nghiên cứu ứng dụng mạng neuron nhân tạo dự báo nhu cầu điện năng ngắn hạn tại TP.HCM. Giải pháp hiệu quả cho quản lý và tối ưu hóa năng lượng đô thị.

• Tác giả: Nguyễn Ngọc Lan Anh
• Người hướng dẫn: TS. Huỳnh Quang Minh
• Trường học: Trường Đại học Bách Khoa - ĐHQG TP.HCM
• Chuyên ngành: Quản lý năng lượng
• Đề tài: Ứng dụng mô hình mạng neuron nhân tạo dự báo nhu cầu điện năng ngắn hạn cho khu vực Thành phố Hồ Chí Minh
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• LỜI CAM ĐOAN
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG BIỂU
• DANH MỤC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu đề tài
• 1.3. Đối tượng, phạm vi và giới hạn luận văn
• 1.4. Ý nghĩa khoa học và ý nghĩa thực tiễn
• 1.4.1. Ý nghĩa khoa học của đề tài
• 1.4.2. Ý nghĩa thực tiễn của đề tài
• 1.5. Các đóng góp của Luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ DỰ BÁO ĐIỆN NĂNG
• 2.1. Tổng quan về dự báo điện năng
• 2.2. Phân loại dự báo điện năng
• 2.3. Dự báo điện năng ngắn hạn
• 2.3.1. Tầm quan trọng của dự báo điện năng ngắn hạn
• 2.3.2. Những yếu tố tác động đến dự báo điện năng ngắn hạn
• 2.4. Các nghiên cứu liên quan về dự báo phụ tải
• 2.5. Thực trạng công tác dự báo điện năng hiện nay tại EVNHCMC
• 3. CHƯƠNG 3: MẠNG NƠ-RON NHÂN TẠO TRONG DỰ BÁO ĐIỆN NĂNG
• 3.1. Giới thiệu chung
• 3.2. Tìm hiểu các cấu trúc mạng nơ-ron nhân tạo
• 3.2.1. Mạng nơ-ron truyền thẳng (Feedforward neural network)
• 3.2.2. Mạng nơ-ron hồi quy (Recurrent neural network)
• 3.3. Tìm hiểu các phương thức học của mạng nơ-ron
• 3.3.1. Phương thức học có giám sát (supervised learning)
• 3.3.2. Phương thức học không giám sát (unsupervised learning)
• 3.3.3. Phương thức học bán giám sát (semi-supervised learning)
• 3.3.4. Phương thức học sâu (deep learning)
• 3.4. Tìm hiểu hiện tượng overfitting và underfitting trong dự báo điện năng
• 3.5. Tìm hiểu các mô hình mạng nơ-ron nhân tạo dự báo điện năng ngắn hạn
• 3.5.1. Mô hình LSTM (Long-short term memory)
• 3.5.2. Mô hình GRU (Gated Recurrent Unit)
• 3.5.3. Mô hình MLP (Multilayer Perceptron)
• 3.6. Đề xuất mô hình kết hợp mạng nơ-ron MLP-LSTM
• 3.6.1. Ý tưởng tổng quát
• 3.6.2. Biểu diễn toán học cho mô hình đề xuất
• 3.6.3. Tìm hệ số Alpha của mô hình kết hợp
• 4. CHƯƠNG 4: ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO XÂY DỰNG MÔ HÌNH DỰ BÁO ĐIỆN NĂNG NGẮN HẠN CHO KHU VỰC THÀNH PHỐ HỒ CHÍ MINH
• 4.1. Giới thiệu ngôn ngữ lập trình Python
• 4.2. Dữ liệu đầu vào
• 4.3. Các bước xây dựng mô hình dự báo
• 4.3.1. Thu thập và xử lý số liệu
• 4.3.2. Phân chia tập dữ liệu
• 4.3.3. Xây dựng cấu trúc mạng
• 4.3.4. Huấn luyện mạng nơ-ron
• 4.3.5. Đánh giá sai số dự báo
• 4.4. Xây dựng mô hình dự báo điện năng ngắn hạn cho khu vực thành phố Hồ Chí Minh bằng Python
• 5. CHƯƠNG 5: KẾT QUẢ DỰ BÁO ĐIỆN NĂNG NGẮN HẠN CHO KHU VỰC THÀNH PHỐ HỒ CHÍ MINH
• 5.1. Kết quả dự báo điện năng ngắn hạn cho khu vực thành phố Hồ Chí Minh
• 5.1.1. Trường hợp toàn bộ dữ liệu
• 5.1.2. Trường hợp bộ dữ liệu năm gần nhất
• 5.1.3. Trường hợp bộ dữ liệu ngày trong tuần
• 5.1.4. Trường hợp bộ dữ liệu cuối tuần
• 5.1.5. Trường hợp bộ dữ liệu tháng gần nhất
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI
• 6.1. Kết luận đề tài
• 6.2. Hướng phát triển trong tương lai
• DANH MỤC TÀI LIỆU THAM KHẢO
• Dữ liệu dự báo
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Tổng Quan Dự Báo Nhu Cầu Điện Năng Ứng Dụng TP

Dự báo phụ tải không chỉ đơn thuần là việc sử dụng dữ liệu quá khứ để dự đoán, mà là một quá trình tính toán, đánh giá toàn diện. Quá trình này giúp mang lại cái nhìn sâu sắc về sự phát triển và thay đổi của phụ tải, từ đó đề xuất các kế hoạch linh hoạt để đáp ứng nhu cầu nguồn điện một cách hiệu quả nhất. Dự báo phụ tải liên quan đến việc tính toán chi tiết, ước lượng chính xác và đánh giá mức độ tăng trưởng, hỗ trợ cả ngắn hạn, trung hạn và dài hạn cho hệ thống điện. Sự chính xác của công tác dự báo giúp các công ty điện lực ứng phó linh hoạt với các biến động, hạn chế tình trạng mất cân đối tài chính, đảm bảo lợi nhuận và phát triển bền vững. Việc tìm kiếm phương pháp dự báo phù hợp đạt hiệu quả là quá trình không dễ dàng do sự phụ thuộc, ảnh hưởng bởi nhiều yếu tố như thời tiết, mùa vụ, …Tuy nhiên, với sự phát triển của khoa học kỹ thuật nhiều công cụ tính toán cũng như nhiều phương pháp dự báo đã xuất hiện và đang được nghiên cứu.

1.1. Tầm Quan Trọng của Dự Báo Điện Năng Ngắn Hạn STLF

Dự báo điện năng ngắn hạn (STLF) đóng vai trò quan trọng trong việc lập kế hoạch vận hành hệ thống điện, giúp cân bằng cung cầu điện và đảm bảo an ninh năng lượng. Việc dự báo chính xác nhu cầu điện năng trong ngắn hạn cho phép các nhà điều hành lưới điện tối ưu hóa việc phân bổ nguồn lực, giảm thiểu chi phí sản xuất và truyền tải điện. Thêm vào đó, STLF còn hỗ trợ quản lý năng lượng tái tạo hiệu quả hơn, khi các nguồn năng lượng này ngày càng đóng vai trò quan trọng trong cơ cấu nguồn cung điện.

1.2. Các Yếu Tố Ảnh Hưởng Đến Nhu Cầu Điện Năng

Nhu cầu điện năng chịu ảnh hưởng bởi nhiều yếu tố khác nhau, bao gồm thời tiết, kinh tế, dân số và các sự kiện đặc biệt. Nhiệt độ, độ ẩm, và các điều kiện thời tiết khác có thể tác động lớn đến nhu cầu sử dụng điện cho mục đích sưởi ấm hoặc làm mát. Hoạt động kinh tế và phát triển kinh tế cũng đóng vai trò quan trọng, khi tăng trưởng kinh tế thường kéo theo sự gia tăng trong nhu cầu tiêu thụ điện của các ngành công nghiệp và dịch vụ.

II. Thách Thức Dự Báo Điện TP

Việc dự báo nhu cầu điện năng ở TP.HCM gặp nhiều thách thức do tính biến động cao của nhu cầu điện. Sự phức tạp này xuất phát từ nhiều yếu tố như sự thay đổi nhanh chóng của kinh tế TP.HCM, sự gia tăng dân số TP.HCM, và sự biến đổi của thời tiết. Các phương pháp dự báo truyền thống thường không đủ khả năng để nắm bắt và xử lý hiệu quả những biến động phức tạp này, dẫn đến sai số dự báo cao. Điều này đòi hỏi cần có các mô hình dự báo tiên tiến hơn, có khả năng học hỏi và thích ứng với sự thay đổi của dữ liệu, như các mô hình dựa trên mạng neuron nhân tạo.

2.1. Khó Khăn Trong Thu Thập và Xử Lý Dữ Liệu Điện Năng

Việc thu thập và xử lý dữ liệu điện năng ở TP.HCM đối mặt với nhiều khó khăn, bao gồm vấn đề về tính đầy đủ, chính xác và kịp thời của dữ liệu. Dữ liệu cần phải được thu thập từ nhiều nguồn khác nhau, bao gồm các trạm biến áp, công tơ điện, và các hệ thống giám sát lưới điện. Sau khi thu thập, dữ liệu cần được làm sạch và xử lý để loại bỏ các giá trị ngoại lai, dữ liệu bị thiếu, và các lỗi khác. Việc đảm bảo chất lượng dữ liệu là rất quan trọng để đảm bảo độ tin cậy của các mô hình dự báo.

2.2. Vấn Đề Sai Số Dự Báo và Ảnh Hưởng Đến Vận Hành Lưới Điện

Sai số trong dự báo nhu cầu điện năng có thể gây ra nhiều vấn đề nghiêm trọng cho việc vận hành lưới điện. Nếu dự báo quá cao, có thể dẫn đến việc sản xuất thừa điện, gây lãng phí tài nguyên và tăng chi phí. Ngược lại, nếu dự báo quá thấp, có thể dẫn đến tình trạng thiếu điện, gây mất điện và ảnh hưởng đến hoạt động sản xuất kinh doanh của các doanh nghiệp và sinh hoạt của người dân. Do đó, việc giảm thiểu sai số dự báo là một yêu cầu cấp thiết để đảm bảo ổn định lưới điện.

2.3. Thiếu Các Mô Hình Dự Báo Điện Năng Phù Hợp TP.HCM

Hiện nay, có một số lượng hạn chế các mô hình dự báo nhu cầu điện năng được thiết kế đặc biệt cho TP.HCM. Các mô hình hiện có thường không đủ khả năng để nắm bắt được các đặc điểm riêng biệt của nhu cầu điện năng của thành phố, như sự biến động cao, sự phụ thuộc vào thời tiết, và sự tác động của các sự kiện đặc biệt. Do đó, việc phát triển các mô hình dự báo được tùy chỉnh cho TP.HCM là rất quan trọng để cải thiện độ chính xác và độ tin cậy của dự báo.

III. Ứng Dụng Mạng Neuron Giải Pháp Dự Báo Điện Năng Ngắn Hạn

Mô hình mạng neuron nhân tạo nổi lên như một giải pháp hiệu quả trong việc dự báo nhu cầu điện năng, đặc biệt là dự báo ngắn hạn. Khả năng học hỏi từ dữ liệu, nhận diện các mối quan hệ phức tạp và thích ứng với sự thay đổi của dữ liệu giúp mô hình này vượt trội hơn so với các phương pháp truyền thống. Việc ứng dụng mạng neuron nhân tạo mở ra cơ hội cải thiện đáng kể độ chính xác của dự báo, hỗ trợ quản lý lưới điện một cách hiệu quả hơn.

3.1. Giới Thiệu Các Loại Mạng Neuron Nhân Tạo ANN Phổ Biến

Có nhiều loại mạng neuron nhân tạo khác nhau có thể được sử dụng để dự báo nhu cầu điện năng, mỗi loại có những ưu điểm và nhược điểm riêng. Một số loại mạng neuron phổ biến bao gồm mạng nơ-ron truyền thẳng (Feedforward Neural Network), mạng nơ-ron hồi quy (Recurrent Neural Network - RNN), mạng LSTM (Long Short-Term Memory), mạng GRU (Gated Recurrent Unit) và mạng CNN (Convolutional Neural Network).

3.2. Ưu Điểm Của Mạng Neuron Trong Dự Báo Phụ Tải Điện

Mạng neuron nhân tạo có nhiều ưu điểm vượt trội trong việc dự báo phụ tải điện, bao gồm khả năng học hỏi từ dữ liệu, khả năng xử lý dữ liệu phi tuyến tính, khả năng thích ứng với sự thay đổi của dữ liệu, và khả năng dự báo với độ chính xác cao. Đặc biệt, các mạng neuron hồi quy như LSTM và GRU có khả năng xử lý dữ liệu chuỗi thời gian, làm cho chúng trở nên rất phù hợp cho việc dự báo nhu cầu điện năng.

IV. Hướng Dẫn Xây Dựng Mô Hình Dự Báo Điện Bằng Python

Việc xây dựng mô hình dự báo điện năng bằng Python trở nên phổ biến nhờ sự hỗ trợ của nhiều thư viện mạnh mẽ như TensorFlow, Keras và PyTorch. Quy trình này bao gồm các bước thu thập và xử lý dữ liệu, lựa chọn và huấn luyện mô hình mạng neuron, và đánh giá hiệu suất của mô hình. Với Python, việc xây dựng và triển khai mô hình dự báo trở nên dễ dàng và hiệu quả hơn.

4.1. Chuẩn Bị Dữ Liệu Điện Năng Đầu Vào Cho Mô Hình

Dữ liệu đầu vào cho mô hình dự báo điện năng cần được thu thập từ nhiều nguồn khác nhau, bao gồm dữ liệu về tiêu thụ điện, dữ liệu thời tiết, và dữ liệu kinh tế. Dữ liệu cần được làm sạch và xử lý để loại bỏ các giá trị ngoại lai, dữ liệu bị thiếu, và các lỗi khác. Dữ liệu cũng cần được chuyển đổi thành định dạng phù hợp cho mô hình mạng neuron.

4.2. Lựa Chọn và Huấn Luyện Mô Hình Mạng Neuron Phù Hợp

Việc lựa chọn mô hình mạng neuron phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của bài toán dự báo. Sau khi lựa chọn mô hình, cần huấn luyện mô hình trên một tập dữ liệu huấn luyện. Quá trình huấn luyện bao gồm việc điều chỉnh các tham số của mô hình để giảm thiểu sai số dự báo trên tập dữ liệu huấn luyện. Các thư viện TensorFlow, Keras, và PyTorch cung cấp nhiều công cụ và hàm để giúp đơn giản hóa quá trình huấn luyện mô hình.

4.3. Đánh Giá và Tối Ưu Hiệu Suất Mô Hình Dự Báo Điện

Sau khi huấn luyện, cần đánh giá hiệu suất của mô hình trên một tập dữ liệu kiểm tra. Các chỉ số đánh giá phổ biến bao gồm sai số bình phương trung bình gốc (RMSE) và phần trăm sai số tuyệt đối trung bình (MAPE). Nếu hiệu suất của mô hình không đạt yêu cầu, cần thực hiện các biện pháp tối ưu hóa, chẳng hạn như điều chỉnh kiến trúc mô hình, điều chỉnh các siêu tham số, hoặc thu thập thêm dữ liệu.

V. Kết Quả Ứng Dụng Mạng Neuron Dự Báo Điện Năng TP

Nghiên cứu ứng dụng mạng neuron nhân tạo vào dự báo nhu cầu điện năng ngắn hạn tại TP.HCM đã mang lại những kết quả khả quan. Mô hình cho thấy khả năng dự báo với độ chính xác cao, giúp cải thiện công tác quản lý lưới điện và tối ưu hóa nguồn cung điện. Kết quả này khẳng định tiềm năng to lớn của mạng neuron trong việc giải quyết các bài toán dự báo phức tạp trong lĩnh vực năng lượng.

5.1. So Sánh Độ Chính Xác Các Mô Hình Dự Báo Điện Năng

Nghiên cứu so sánh độ chính xác của các mô hình dự báo điện năng khác nhau, bao gồm các mô hình dựa trên mạng neuron và các mô hình truyền thống. Kết quả cho thấy rằng các mô hình dựa trên mạng neuron thường có độ chính xác cao hơn so với các mô hình truyền thống. Trong số các mô hình dựa trên mạng neuron, các mô hình LSTM và GRU thường cho kết quả tốt nhất.

5.2. Phân Tích Sai Số Dự Báo Điện Năng và Các Yếu Tố Ảnh Hưởng

Nghiên cứu phân tích sai số dự báo điện năng và các yếu tố ảnh hưởng đến sai số. Các yếu tố quan trọng bao gồm chất lượng dữ liệu, đặc điểm của mô hình mạng neuron, và các yếu tố thời tiết. Kết quả phân tích giúp xác định các biện pháp để giảm thiểu sai số dự báo và cải thiện độ chính xác của mô hình.

VI. Tương Lai Dự Báo Nhu Cầu Điện Năng Ứng Dụng Trí Tuệ Nhân Tạo

Trong tương lai, dự báo nhu cầu điện năng sẽ tiếp tục được cải thiện nhờ sự phát triển của trí tuệ nhân tạo (AI), học máy (Machine Learning) và dữ liệu lớn (Big Data). Các mô hình dự báo sẽ trở nên thông minh hơn, có khả năng tự động học hỏi và thích ứng với sự thay đổi của dữ liệu. Việc ứng dụng AI và Machine Learning sẽ giúp tối ưu hóa hiệu quả năng lượng và đảm bảo an ninh năng lượng.

6.1. Xu Hướng Phát Triển Của Các Mô Hình Dự Báo Điện Năng

Các xu hướng phát triển chính bao gồm việc sử dụng các mô hình học sâu (Deep Learning) phức tạp hơn, tích hợp dữ liệu từ nhiều nguồn khác nhau (ví dụ: dữ liệu từ smart grid và IoT), và sử dụng các kỹ thuật học chuyển giao (Transfer Learning) để tận dụng kiến thức từ các bài toán dự báo tương tự.

6.2. Ứng Dụng Trí Tuệ Nhân Tạo Trong Quản Lý Năng Lượng Tái Tạo

Trí tuệ nhân tạo có thể được sử dụng để quản lý năng lượng tái tạo một cách hiệu quả hơn, bằng cách dự báo sản lượng điện mặt trời và điện gió, và điều chỉnh nguồn cung điện để đáp ứng nhu cầu. Điều này giúp tích hợp năng lượng tái tạo vào lưới điện một cách ổn định và hiệu quả.

6.3. Tối Ưu Hóa Lưới Điện Thông Minh Bằng Dự Báo Nhu Cầu Điện

Dự báo nhu cầu điện năng chính xác là yếu tố then chốt để tối ưu hóa lưới điện thông minh (Smart Grid). Bằng cách dự báo nhu cầu điện ở các khu vực khác nhau, các nhà điều hành lưới điện có thể điều chỉnh nguồn cung điện và phân bổ tài nguyên một cách hiệu quả, giảm thiểu chi phí và cải thiện độ tin cậy của hệ thống.

Nội dung chính

Tổng quan nghiên cứu

Thành phố Hồ Chí Minh là trung tâm kinh tế đầu tàu của Việt Nam, tiêu thụ khoảng 25% tổng sản lượng điện thương phẩm của toàn quốc với tốc độ tăng trưởng nhu cầu năng lượng đạt mức 7% đến 9% mỗi năm. Theo báo cáo của ngành điện, công tác dự báo nhu cầu phụ tải điện ngắn hạn giữ vai trò sống còn trong việc đảm bảo an ninh năng lượng và tối ưu hóa chi phí vận hành hệ thống. Nhằm đáp ứng các định hướng của Quyết định số 63/2013/QĐ-TTg của Thủ tướng Chính phủ về lộ trình phát triển thị trường điện lực Việt Nam và Thông tư số 40/2014/TT-BCT của Bộ Công Thương quy định quy trình điều độ hệ thống điện quốc gia, các công ty điện lực phải nâng cao tối đa độ chính xác của số liệu dự báo phụ tải.

Vấn đề cốt lõi của công tác điều hành tại Tổng công ty Điện lực Thành phố Hồ Chí Minh (EVNHCMC) là đồ thị phụ tải biến động liên tục, phụ thuộc chặt chẽ vào điều kiện thời tiết nhiệt đới gió mùa và nhịp độ sản xuất kinh doanh tại 16 quận, 5 huyện cùng thành phố Thủ Đức. Sự chênh lệch phụ tải giữa các khung giờ cao điểm (nhiệt độ môi trường chạm ngưỡng 36 đến 38 độ C trong khoảng từ 13 giờ 00 đến 16 giờ 30) và giờ thấp điểm (từ 22 giờ 00 đến 04 giờ 00 sáng hôm sau) tạo ra áp lực rất lớn lên công tác điều độ nguồn phát.

Luận văn thạc sĩ chuyên ngành Quản lý năng lượng đặt ra mục tiêu cụ thể: nghiên cứu và xây dựng mô hình mạng nơ-ron nhân tạo tiên tiến, kết hợp giữa mạng Perceptron đa tầng và mạng bộ nhớ ngắn dài nhằm dự báo điện nhận đầu nguồn theo chu kỳ 30 phút. Phạm vi nghiên cứu bao quát chuỗi số liệu thực tế từ ngày 01/01/2018 đến ngày 31/03/2024. Đề tài hướng đến việc kiểm soát sai số tuyệt đối phần trăm trung bình ở mức dưới 2.0% và sai số bình phương trung bình gốc ở mức tối thiểu, mang lại công cụ đắc lực giúp EVNHCMC tiết kiệm hàng tỷ đồng chi phí điều hành và giảm thiểu rủi ro quá tải lưới điện cục bộ.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết dự báo phụ tải ngắn hạn cùng các mô hình học sâu hiện đại. Tác giả khẳng định rằng "mạng nơ-ron nhân tạo mở ra khả năng mô hình hóa phi tuyến vượt trội" so với các công cụ chuỗi thời gian cổ điển. Ba mô hình kiến trúc nền tảng được khai thác bao gồm:

Mạng nơ-ron truyền thẳng đa tầng sử dụng các lớp ẩn liên kết dày đặc và hàm kích hoạt phi tuyến ReLU để nắm bắt cấu trúc tương quan phức tạp giữa các đặc trưng đầu vào.

Mạng nơ-ron bộ nhớ ngắn dài giải quyết triệt để vấn đề tiêu biến đạo hàm trong mạng hồi quy truyền thống thông qua cấu trúc 3 cổng chuyên biệt: cổng quên loại bỏ thông tin dư thừa, cổng vào tiếp nhận dữ liệu mới và cổng ra điều tiết giá trị trạng thái ẩn.

Mạng nơ-ron nút hồi tiếp có cổng tinh giản cấu trúc với 2 cổng điều khiển (cổng xóa và cổng cập nhật), giúp tăng tốc độ huấn luyện trên các chuỗi thời gian liên tục.

Trên cơ sở đó, luận văn đề xuất mô hình kết hợp tuyến tính tối ưu, trong đó kết quả đầu ra dự báo được tính toán theo công thức trọng số với hệ số thích nghi nằm trong khoảng từ 0.0 đến 1.0, cho phép tích hợp thế mạnh xử lý phi tuyến tĩnh của mạng truyền thẳng và năng lực ghi nhớ phụ thuộc thời gian dài hạn của mạng hồi quy.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng trong luận văn bao gồm hơn 109.000 bản ghi sản lượng điện nhận đầu nguồn được thu thập từ hệ thống đo đếm từ xa của EVNHCMC theo chu kỳ 30 phút một lần (tương đương 48 chu kỳ đo mỗi ngày) trong giai đoạn từ năm 2018 đến tháng 03/2024. Cỡ mẫu nghiên cứu này đảm bảo tính đại diện cao cho toàn bộ chu kỳ kinh tế và thời tiết của khu vực Nam Bộ. Bộ dữ liệu năm 2021 được chủ động loại trừ do các đợt giãn cách xã hội kéo dài trong đại dịch COVID-19 tạo ra chuỗi xung đột biến không mang tính quy luật.

Quy trình tiền xử lý dữ liệu được tiến hành trên môi trường ngôn ngữ Python với các thư viện chuyên dụng như Pandas, NumPy, Scikit-learn, Keras và TensorFlow. Dữ liệu lỗi và giá trị ngoại lai được phát hiện và xử lý nghiêm ngặt bằng phương pháp khoảng tứ phân vị IQR, xác định ngưỡng giới hạn dưới bằng hiệu số của phân vị thứ nhất với 1.5 lần khoảng tứ phân vị, ngưỡng trên bằng tổng của phân vị thứ ba với 1.5 lần khoảng tứ phân vị.

Phương pháp phân tích dựa trên việc chia tập dữ liệu tổng thể thành 80% dành cho huấn luyện và 20% dành cho kiểm tra thực tế; trong đó 10% của tập huấn luyện được trích xuất làm tập kiểm chứng. Quá trình huấn luyện sử dụng thuật toán tối ưu hóa Adam, số chu kỳ lặp tối đa 50 epochs, kích thước mini-batch là 32 và cửa sổ quan sát lịch sử gồm 7 bước thời gian liên tiếp. Tham số trọng số tối ưu cho mô hình kết hợp được xác định tự động thông qua kỹ thuật tìm kiếm lưới Grid Search trên tập kiểm chứng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và thực nghiệm trên 5 kịch bản tập dữ liệu khác nhau mang lại các phát hiện khoa học mang tính đột phá:

Thứ nhất, mô hình lai kết hợp giữa mạng truyền thẳng đa tầng và mạng bộ nhớ ngắn dài đạt độ chính xác vượt trội so với tất cả các mô hình đơn lẻ. Khi đánh giá trên toàn bộ tập dữ liệu, mô hình kết hợp đạt sai số MAPE chỉ 1.76%, giảm hơn 22% sai số so với mô hình mạng truyền thẳng độc lập (đạt MAPE 2.27%) và giảm 14% so với mô hình mạng bộ nhớ ngắn dài đơn lẻ (đạt MAPE 2.05%).

Thứ hai, trong kịch bản dữ liệu 1 năm gần nhất (từ tháng 03/2023 đến tháng 03/2024), mô hình lai duy trì độ tin cậy vượt trội với sai số RMSE giảm xuống mức 45.32 MW, thấp hơn đáng kể so với mức sai số 58.64 MW của mô hình mạng truyền thẳng và 49.81 MW của mô hình mạng hồi quy có cổng.

Thứ ba, việc phân tách dữ liệu theo nhóm ngày làm việc trong tuần (thứ 2 đến thứ 6) và nhóm ngày nghỉ cuối tuần (thứ 7 và Chủ nhật) giúp cải thiện độ chính xác dự báo thêm 12.5%. Sai số MAPE của mô hình kết hợp trên tập ngày trong tuần đạt 1.68%, trong khi tập cuối tuần đạt 1.82%, phản ánh chính xác sự khác biệt về thói quen sinh hoạt và sản xuất công nghiệp.

Thứ tư, đối với chuỗi dữ liệu ngắn 1 tháng gần nhất (tháng 03/2024), mô hình mạng hồi quy có cổng GRU thể hiện ưu thế về tốc độ tính toán nhanh hơn 35% so với mô hình LSTM, đồng thời đạt sai số MAPE tiệm cận mô hình lai với mức 1.62%.

Thảo luận kết quả

Hiệu năng vượt bậc của mô hình kết hợp bắt nguồn từ cơ chế tương hỗ giữa hai cấu trúc mạng. Mạng truyền thẳng đa tầng thích ứng rất nhanh với các biến động biên độ phụ tải tức thời tại các điểm nút giao thoa, trong khi mạng bộ nhớ ngắn dài đóng vai trò neo giữ xu hướng biến thiên theo chu kỳ ngày và chu kỳ tuần. Khi tối ưu hóa hệ số trọng số qua thuật toán Grid Search, giá trị trọng số hội tụ quanh ngưỡng 0.45 đến 0.55, chứng minh sự đóng góp đồng đều và cân bằng của cả hai kiến trúc.

Kết quả dự báo có thể được biểu diễn trực quan qua đồ thị chuỗi thời gian so khớp giữa đường tải thực tế và đường tải mô phỏng. Trên biểu đồ phụ tải 48 chu kỳ trong ngày, đường dự báo của mô hình kết hợp bám sát gần như hoàn hảo đường công suất thực tế ngay cả tại hai đỉnh phụ tải cao nhất trong ngày: đỉnh sáng lúc 10 giờ 30 (đạt khoảng 4.300 MW đến 4.600 MW) và đỉnh chiều lúc 14 giờ 30 (chạm ngưỡng 4.700 MW đến 4.900 MW). Độ lệch cực đại giữa giá trị dự báo và thực tế tại các điểm đỉnh chỉ dao động trong khoảng 15 MW đến 30 MW.

So với các nghiên cứu trước đây tại Việt Nam sử dụng mô hình chuỗi thời gian ARIMA hay hồi quy vector hỗ trợ SVR vốn thường có sai số MAPE dao động từ 3.2% đến 5.5%, mô hình mạng nơ-ron đề xuất đã thu hẹp khoảng cách sai số xuống dưới ngưỡng 2.0%. Điều này khẳng định việc ứng dụng học sâu là hướng đi tất yếu cho công tác quản trị năng lượng thông minh.

Đề xuất và khuyến nghị

Nhằm hiện thực hóa kết quả nghiên cứu vào thực tiễn quản lý điều hành lưới điện, tác giả đề xuất 4 nhóm giải pháp trọng tâm:

1. Triển khai tích hợp mô hình kết hợp vào hệ thống điều khiển giám sát và thu thập dữ liệu SCADA/EMS của EVNHCMC trong vòng 6 tháng tới. Đơn vị phụ trách là Trung tâm Điều độ Hệ thống điện Thành phố Hồ Chí Minh, hướng tới mục tiêu tự động hóa việc xuất biểu đồ dự báo 48 chu kỳ trước 16 giờ 00 hàng ngày, duy trì sai số MAPE dưới 1.5%.

2. Thiết lập hệ thống kết nối dữ liệu khí tượng tự động thời gian thực giữa Đài Khí tượng Thủy văn khu vực Nam Bộ với cơ sở dữ liệu của EVNHCMC trong quý 4 năm 2024. Ban Kỹ thuật và Công nghệ thông tin cần bổ sung các biến số nhiệt độ, độ ẩm và bức xạ mặt trời vào lớp đầu vào của mạng nơ-ron nhằm nâng cao khả năng cảnh báo sớm các đợt tăng phụ tải đột biến do nắng nóng kéo dài trên 37 độ C.

3. Xây dựng phân hệ dự báo phụ tải chuyên biệt cho các ngày lễ, Tết Nguyên đán và các sự kiện chính trị xã hội đặc thù với thời gian hoàn thành trong vòng 12 tháng. Phân hệ này sẽ sử dụng trọng số hiệu chỉnh lịch sử kết hợp mạng nơ-ron hồi quy có cổng GRU để khắc phục tình trạng thiếu hụt dữ liệu sự kiện đặc biệt.

4. Đầu tư nâng cấp hạ tầng máy chủ tính toán hiệu năng cao trang bị bộ xử lý đồ họa chuyên dụng GPU tại trụ sở Tổng công ty trong năm 2025. Ban Viễn thông và Công nghệ thông tin chủ trì nhằm rút ngắn thời gian tái huấn luyện định kỳ hàng tuần của các mô hình học sâu xuống dưới 10 phút, đảm bảo tính liên tục và thích ứng linh hoạt của hệ thống.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả thực nghiệm của luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng chính:

Kỹ sư điều độ và chuyên viên thị trường điện tại EVNHCMC cùng các Tổng công ty Điện lực miền: Luận văn cung cấp giải thuật dự báo có độ chính xác cao để xây dựng kế hoạch huy động nguồn phát, tối ưu hóa chi phí mua bán điện trên thị trường điện bán buôn cạnh tranh và giảm thiểu tổn thất kỹ thuật trên lưới truyền tải.

Học viên cao học, nghiên cứu sinh và giảng viên chuyên ngành Hệ thống điện, Quản lý năng lượng và Kỹ thuật điều khiển: Đề tài cung cấp tài liệu nghiên cứu toàn diện về quy trình toán học, kỹ thuật tiền xử lý dữ liệu đo xa và mã nguồn xây dựng mạng nơ-ron nhân tạo bằng Python phục vụ công tác giảng dạy và phát triển các đề tài học thuật nâng cao.

Cán bộ quản lý năng lượng tại các doanh nghiệp tiêu thụ điện lớn và các khu công nghiệp, khu chế xuất: Tài liệu giúp các đơn vị nắm bắt phương pháp dự báo biểu đồ tiêu thụ phụ tải nội bộ, từ đó xây dựng chiến lược dịch chuyển phụ tải thông minh ra khỏi khung giờ cao điểm để tiết kiệm 15% đến 20% chi phí tiền điện hàng tháng.

Các chuyên gia tư vấn chính sách năng lượng và cơ quan quản lý nhà nước: Cung cấp bằng chứng thực nghiệm rõ ràng để xây dựng các quy chuẩn kỹ thuật quốc gia về chỉ tiêu sai số dự báo phụ tải, tạo tiền đề hoàn thiện khung pháp lý cho giai đoạn thị trường bán lẻ điện cạnh tranh toàn diện tại Việt Nam.

Câu hỏi thường gặp

Tại sao nghiên cứu lại loại trừ chuỗi dữ liệu năm 2021 ra khỏi quá trình huấn luyện mô hình? Năm 2021 là giai đoạn Thành phố Hồ Chí Minh chịu tác động nặng nề của đại dịch COVID-19 với các đợt giãn cách xã hội kéo dài. Phụ tải điện sụt giảm đột ngột từ 20% đến 35% so với mức bình thường, làm biến dạng hoàn toàn quy luật tiêu thụ điện lịch sử. Việc giữ lại dữ liệu năm 2021 sẽ gây ra hiện tượng nhiễu nghiêm trọng, làm giảm khả năng tổng quát hóa của mạng nơ-ron trong điều kiện vận hành bình thường.

Mô hình kết hợp MLP-LSTM có ưu thế nổi bật gì so với các mô hình đơn lẻ? Mô hình kết hợp tận dụng đồng thời khả năng xử lý phi tuyến tĩnh mạnh mẽ của mạng truyền thẳng đa tầng MLP và khả năng ghi nhớ phụ thuộc chuỗi thời gian dài hạn của mạng LSTM. Kết quả thực nghiệm cho thấy mô hình kết hợp đạt sai số MAPE chỉ 1.76%, cải thiện độ chính xác từ 14% đến 22% so với khi chạy riêng lẻ từng thuật toán trên cùng một tập dữ liệu thử nghiệm.

Phương pháp khoảng tứ phân vị IQR đóng vai trò cụ thể như thế nào trong xử lý dữ liệu? Phương pháp khoảng tứ phân vị IQR giúp tự động phát hiện và loại bỏ các điểm dữ liệu bất thường hoặc sự cố truyền thông từ hệ thống đo đếm từ xa mà không làm thay đổi phân phối chuẩn của dữ liệu phụ tải. Nhờ xác định ranh giới nghiêm ngặt từ phân vị 25% đến 75%, mô hình loại bỏ được 100% các giá trị rác trước khi nạp vào các lớp nơ-ron huấn luyện.

Hệ số Alpha trong cấu trúc kết hợp được tính toán và tối ưu hóa như thế nào? Hệ số Alpha là trọng số liên kết phân bổ mức độ đóng góp của từng mô hình thành phần, được tối ưu hóa thông qua giải thuật tìm kiếm lưới Grid Search trên tập dữ liệu kiểm chứng độc lập. Giá trị Alpha được lựa chọn tương ứng với điểm mà sai số RMSE trên tập kiểm chứng đạt giá trị nhỏ nhất, đảm bảo tính khách quan và hạn chế tối đa nguy cơ quá khớp dữ liệu.

Mô hình dự báo đề xuất có thể mở rộng áp dụng cho các địa phương khác tại Việt Nam không? Hoàn toàn có thể mở rộng ứng dụng cho các tỉnh thành khác như Hà Nội, Đà Nẵng, Cần Thơ hoặc Bình Dương. Quy trình tiền xử lý, cấu trúc mạng nơ-ron kết hợp và các siêu tham số trên nền tảng Python hoàn toàn có thể tái sử dụng; người vận hành chỉ cần nạp dữ liệu đo xa đặc trưng của địa phương đó để huấn luyện lại bộ trọng số phù hợp.

Kết luận

• Luận văn đã xây dựng thành công mô hình mạng nơ-ron kết hợp giữa mạng Perceptron đa tầng và mạng bộ nhớ ngắn dài, đạt sai số dự báo phụ tải ngắn hạn MAPE ấn tượng ở mức 1.76%.
• Công trình xử lý và chuẩn hóa chuỗi dữ liệu đo xa quy mô lớn với hơn 109.000 mẫu đo thực tế tại khu vực Thành phố Hồ Chí Minh theo chu kỳ 30 phút xuyên suốt từ năm 2018 đến tháng 03/2024.
• Chứng minh rõ nét tính ưu việt của giải pháp phân tách nhóm dữ liệu ngày làm việc và ngày nghỉ cuối tuần, giúp giảm thêm 12.5% sai số bình phương trung bình gốc RMSE.
• Hoàn thiện bộ công cụ lập trình tự động hóa trên nền tảng ngôn ngữ Python, kết hợp cơ chế tối ưu trọng số thích nghi thông qua tìm kiếm lưới Grid Search trên tập kiểm chứng.
• Đóng góp giải pháp khoa học có tính ứng dụng thực tiễn cao, sẵn sàng chuyển giao công nghệ cho Tổng công ty Điện lực Thành phố Hồ Chí Minh nhằm tối ưu hóa kế hoạch sản xuất kinh doanh và vận hành thị trường điện.

Lộ trình triển khai tiếp theo dự kiến hoàn tất việc tích hợp module dữ liệu nhiệt độ tự động trong vòng 6 tháng tới. Độc giả và các đơn vị nghiên cứu quan tâm có thể kết nối với tác giả để trao đổi học thuật, tiếp nhận chuyển giao mô hình tính toán hoặc cùng phát triển các giải pháp quản lý năng lượng thông minh trên nền tảng trí tuệ nhân tạo.

Trích đoạn nội dung tài liệu

Chương 1 đã trình bày khái quát và nhấn mạnh vai trò quan trọng của việc dự báo phụ tải, đặc biệt là trong việc xây dựng kế hoạch sản xuất kinh doanh và đầu tư xây dựng của các công ty điện lực. Trong phạm vi luận văn này, những chương tiếp theo dưới đây sẽ tập trung tìm hiểu và trình bày những vấn đề liên quan lý thuyết dự báo, các nghiên cứu liên quan dự báo phụ tải đã được thực hiện trước đó và các mô hình mạng nơ-ron để làm cơ sở cho việc xây dựng mô hình mạng nơ-ron nhân tạo để dự báo điện nhận đầu nguồn của Tổng Công ty Điện lực Thành phố Hồ Chí Minh. 4 Luận văn Thạc sĩ GVHD: TS. Huỳnh Quang Minh HVTH: Nguyễn Ngọc Lan Anh CHƯƠNG 2.

CƠ SỞ LÝ THUYẾT VỀ DỰ BÁO ĐIỆN NĂNG 2.1 Tổng quan về dự báo điện năng Dự báo phụ tải không chỉ là việc sử dụng dữ liệu về phụ tải trong quá khứ để dự đoán những biến động, xu hướng tiếp theo, mà đây còn là một quá trình tính toán, đánh giá thực tế, giúp mang lại cái nhìn toàn diện về sự phát triển, thay đổi của phụ tải, từ đó đề xuất những phương án và kế hoạch linh hoạt nhằm đáp ứng hiệu quả nhất với nhu cầu nguồn điện. Dự báo phụ tải không chỉ tập trung vào việc dự đoán mà còn liên quan đến việc tính toán chi tiết, ước lượng chính xác và đánh giá mức độ tăng trưởng cũng như nhu cầu của phụ tải, qua đó cung cấp sự hỗ trợ trong cả ngắn hạn, trung hạn và dài hạn cho hệ thống điện.2 Phân loại dự báo điện năng Dự báo phụ tải rất ngắn hạn, hay VSTLF (Very Short-Term Load Forecasting) là công cụ quan trọng được ứng dụng trong quá trình điều khiển hệ thống điện, giúp tối ưu hóa quy trình sản xuất điện, đáp ứng nhu cầu điều khiển nguồn phát tự động trong khoảng vài phút đến 24 giờ. [2] Dự báo phụ tải ngắn hạn, còn gọi là STLF (Short-Term Load Forecasting), chú trọng vào việc dự báo trong khoảng thời gian từ 1 ngày đến 2 tuần, chủ yếu được sử dụng để định hình biểu đồ phát điện, hỗ trợ các công ty điện lên kế hoạch kinh doanh, bảo dưỡng, và chiến lược điều khiển phụ tải nhằm giảm thiểu chi phí. [2] Dự báo trung hạn, hay MTLF (Mid-Term Load Forecasting), có phạm vi dự báo kéo dài từ 1 tháng đến 3 năm.

Loại dự báo này thường được áp dụng để xác định cụ thể các thiết bị và lưới điện sẽ được triển khai, đồng thời hỗ trợ quyết định về hợp đồng trong thị trường điện. [2] Cuối cùng, dự báo dài hạn, hay LTLF (Long-Term Load Forecasting), nhìn xa về tương lai với phạm vi dự báo từ 3 đến 30 năm. Trong khoảng thời gian này, dự 5 Luận văn Thạc sĩ GVHD: TS. Huỳnh Quang Minh HVTH: Nguyễn Ngọc Lan Anh báo đóng vai trò quan trọng trong quá trình quy hoạch, xây dựng nhà máy điện, đường dây truyền tải và hệ thống phân phối điện.

1 Đặc điểm của các 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 2.3 Dự báo điện năng ngắn hạn 2.1 Tầm quan trọng của dự báo điện năng ngắn hạn So với dự báo phụ tải dài hạn và trung hạn, dự báo phụ tải ngắn hạn đóng một vai trò quan trọng trong quá trình xây dựng kế hoạch Sản xuất Kinh doanh và Đầu tư xây dựng. Những kế hoạch Sản xuất Kinh doanh và Đầu tư xây dựng cơ bản nhất đòi hỏi sự chính xác từ dự báo phụ tải ngắn hạn, đặc biệt, sự chính xác của dự báo phụ tải ngắn hạn giúp định hình kế hoạch cho công tác sửa chữa và bảo dưỡng lưới điện, đảm bảo hiệu suất lưới điện luôn ổn định trong suốt quá trình thực hiện các công tác. Các phương pháp dự báo ngắn hạn có thể được phân loại thành ba loại chính gồm: các phương pháp dựa trên kỹ thuật thống kê (phương pháp tương tự, phương pháp chuỗi thời gian, phương pháp hồi quy, …); các phương pháp sử dụng trí tuệ nhân tạo (phương pháp mạng nơ-ron, phương pháp hệ thống chuyên gia logic, …) và các phương pháp kết hợp giữa kỹ thuật thống kê và mạng trí tuệ nhân tạo. Mỗi phương pháp đều có những ưu điểm và nhược điểm riêng, tuy nhiên, trong những phương pháp trên thì phương pháp sử dụng mạng nơ-ron nhân tạo có nhiều ưu điểm hơn vì dễ ứng dụng thực hiện, độ chính xác và hiệu quả cao.

6 Luận văn Thạc sĩ GVHD: TS. Huỳnh Quang Minh HVTH: Nguyễn Ngọc Lan Anh 2.2 Những yếu tố tác động đến dự báo điện năng ngắn hạn Dựa trên nghiên cứu và thống kê thực tế quản lý kinh doanh điện tại thành phố Hồ Chí Minh, có những yếu tố ảnh hưởng đáng kể đến phụ tải điện khu vực, bao gồm: - Thứ của ngày trong tuần: Phụ tải theo giờ trong các ngày làm việc thường cao hơn so với các ngày nghỉ cuối tuần. - Thời tiết trong ngày: Các yếu tố như nhiệt độ, độ ẩm, tốc độ gió và hướng gió, cường độ ánh sáng. Trong đó, nhiệt độ có ảnh hưởng mạnh nhất tới phụ tải, có thể xem phụ tải là một hàm số phụ thuộc vào nhiệt độ.

Giữa phụ tải và nhiệt độ là có qui luật ví dụ như: nhiệt độ tăng thì phụ tải tăng và ngược lại. Chỉ có trường hợp đặc biệt ở miền Bắc khi thời tiết quá lạnh phụ tải tăng do việc sử dụng các thiết bị sưởi ấm. - Ngày đặc biệt trong năm: Các ngày lễ, ngày Tết như ngày Tết âm lịch, Tết dương lịch, ngày 30/4 và 01/5, ngày 02/09. Phụ tải những ngày này giảm rất nhiều so với ngày thường và ta có thấy rõ điều đó qua các số liệu thống kê trong quá khứ.

Phụ tải sát các ngày sát ngày lễ, ngày Tết cũng bị ảnh hưởng. Dự báo phụ tải trong các ngày đặc biệt này không áp dụng như ngày thường mà phải theo phương pháp riêng dựa vào sự thay đổi phụ tải của các năm trước trong các ngày này so với ngày thường. - Công tác sửa chữa lớn, sa thải phụ tải do sự cố: Các công việc sửa chữa, sa thải phụ tải do sự cố cũng có ảnh hưởng đáng kể đến phụ tải. Tuy nhiên, trong số các yếu tố này, nhiệt độ môi trường và đặc tính của ngày đang xét (thứ của ngày trong tuần, các ngày đặc biệt trong năm) được xác định là có ảnh hưởng và tác động mạnh nhất đối với nhu cầu tiêu thụ điện khu vực.

Hai yếu tố này có mối tương quan mật thiết với nhau: Khi nhiệt độ môi trường tăng, nhu cầu tiêu thụ điện có thể tăng và ngược lại. Tuy nhiên, việc đo đếm và dự báo nhiệt độ vẫn chưa tự động hóa cao, gây thiếu sót trong số liệu cần thiết cho dự báo. Tính chất của ngày đang xét (thứ của ngày trong 7 Luận văn Thạc sĩ GVHD: TS. Huỳnh Quang Minh HVTH: Nguyễn Ngọc Lan Anh tuần, các ngày đặc biệt trong năm) cũng đóng vai trò quan trọng, đặt ra yêu cầu xây dựng mô hình dự báo phù hợp với từng loại ngày để giảm sai số.4 Các nghiên cứu liên quan về dự báo phụ tải Dự báo phụ tải chính xác đóng vai trò quan trọng giúp phát triển các chiến lược kế hoạch và vận hành hệ thống sản xuất, truyền tải và phân phối điện.

Việc điều phối vận hành thời gian thực của các nhà máy điện phụ thuộc rất nhiều vào dự báo phụ tải chính xác. [3] Ngoài ra, nếu không có kết quả dự báo chính xác, chi phí vận hành không thể ước đoán được. Dự báo phụ tải có thể chia thành ba loại: Dự báo phụ tải ngắn hạn nhằm dự báo phụ tải từ vài giờ đến vài tuần; dự báo phụ tải trung hạn dự báo tải từ một tuần đến một năm và dự báo phụ tải dài hạn dự báo tải trên một năm. [4] Dự báo phụ tải ngắn hạn ước đoán phụ tải cho ngày tiếp theo, điều này đặc biệt quan trọng cho vận hành và kiểm soát hệ thống điện.

Cho đến nay, nhiều phương pháp dự báo phụ tải ngắn hạn (STLF) được nghiên cứu và sử dụng. Các phương pháp này được phân loại chung là kỹ thuật truyền thống hoặc trí tuệ nhân tạo. Phương pháp thống kê thường được sử dụng trong các phương pháp truyền thống [5], ngoài ra còn có các phương pháp khác như: hồi quy tuyến tính nhiều biến [6], [7], exponential smoothing [5] và mô hình ARIMA [8]. Tuy nhiên, do đặc tính phi tuyến của dữ liệu phụ tải theo thời gian, những phương pháp đã đề cập có thể không chính xác trong dự báo phụ tải điện ngắn hạn [8]-[10].

Các giải pháp dựa trên máy học đã được phát triển và sử dụng rộng rãi trong việc giải quyết các bài toán liên quan đến dự báo phụ tải ngắn hạn [11]. Các phương pháp phân nhóm [12], support vector regression (SVR) [13], logic mờ (Fuzzy logic) [14], mạng nơ-ron nhân tạo (ANN) [15]-[18], mạng hàm cơ sở bán kính (RBFN) [19], và các phương pháp kết hợp [20], [21] là các phương pháp dựa trên máy học được nghiên cứu và ứng dụng gần đây. Nghiên cứu [22] trình bày việc ứng dụng một mô hình SVR sử dụng hàm kernel để dự báo phụ tải điện, hiệu suất của mô hình được đánh giá và chứng minh 8 Luận văn Thạc sĩ GVHD: TS. Huỳnh Quang Minh HVTH: Nguyễn Ngọc Lan Anh bằng tập dữ liệu thực tế của Australia và California.

Nghiên cứu [23] mô tả một phương pháp dự báo phụ tải hàng giờ dựa trên logic mờ và tập dữ liệu một năm từ một hệ thống điện lớn, trong đó kết hợp dữ liệu tải lịch sử với thời gian và ngày, trong đó ngày được chia thành ngày cuối tuần hoặc các ngày làm việc trong tuần. Điều này nhằm mục đích tính toán đường cong phụ tải dự kiến của một ngày cụ thể thông qua phân tích dữ liệu một năm. Để dự báo nhu cầu phụ tải điện ngắn hạn, nghiên cứu [24] đã phát triển một giải pháp hiệu quả dựa trên phương pháp kết hợp mô hình ANN với thuật toán wavelet de-noising, kết quả từ phương pháp đề xuất cho thấy độ chính xác của dự báo được cải thiện rõ rệt. Các phương pháp học sâu đang thu hút nhiều sự chú ý gần đây vì chúng có nhiều lớp ẩn, cho phép mô hình xử lý các mẫu dữ liệu phi tuyến phức tạp [25], [26].