Mô hình dự báo nhu cầu điện năng trung hạn cho các nhóm khách hàng của tổng công ty điện lực miền nam

Luận văn về mô hình dự báo nhu cầu điện trung hạn cho các nhóm khách hàng của Tổng Công ty Điện lực Miền Nam (EVNSPC). Nghiên cứu và so sánh các mô hình dự báo.

• Tác giả: Huỳnh Thị Hồng Xuân
• Người hướng dẫn: TS. Nguyễn Chấn Việt
• Trường học: Trường Đại học Bách Khoa
• Chuyên ngành: Kỹ thuật điện
• Đề tài: Mô hình dự báo nhu cầu điện năng trung hạn cho các nhóm khách hàng của Tổng Công ty Điện lực Miền Nam
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• DANH MỤC HÌNH
• DANH MỤC BẢNG
• DANH MỤC CÁC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN ĐỀ TÀI
• 1.1. Giới thiệu tổng quan phụ tải hệ thống điện
• 1.1.1. Phụ tải hệ thống điện Việt Nam
• 1.1.2. Phụ tải hệ thống điện Miền Nam
• 1.1.3. Phân loại nhóm khách hàng
• 1.2. Mục tiêu nghiên cứu
• 1.3. Phương pháp nghiên cứu
• 1.4. Đối tượng nghiên cứu
• 1.5. Phạm vi nghiên cứu
• 1.6. Tính cấp thiết của đề tài
• 1.7. Các nghiên cứu gần đây
• 1.8. Ý nghĩa khoa học của đề tài
• 1.9. Ý nghĩa thực tiễn của đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Dự báo điện năng năng
• 2.2. Mô hình mạng ARIMA
• 2.3. Mô hình mạng SARIMA
• 2.4. Mô hình mạng NARX
• 2.5. Mô hình mạng MLFF
• 3. CHƯƠNG 3: ỨNG DỤNG CÁC MÔ HÌNH DỰ BÁO
• 3.1. Thu thập và xử lý dữ liệu
• 3.1.1. Dữ liệu được thu thập
• 3.1.2. Phân tích tương quan của dữ liệu
• 3.2. Quy trình thực hiện dự báo
• 3.2.1. Đọc dữ liệu
• 3.2.2. Chuẩn hóa dữ liệu sử dụng hàm Minmaxscaler
• 3.2.3. Phân chia tập dữ liệu
• 3.3. Xây dựng mô hình ARIMA
• 3.4. Xây dựng mô hình SARIMA
• 3.5. Xây dựng mô hình NARX
• 3.6. Xây dựng mô hình MLFF
• 3.7. So sánh kết quả dự báo từ các mô hình
• 3.8. So sánh kết quả dự báo thực tế
• 4. CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN TRONG TƯƠNG LAI
• 4.1. Hướng phát triển trong tương lai
• TÀI LIỆU THAM KHẢO
• Phụ lục A: Dữ liệu điện năng thương phẩm của EVNSPC
• Phụ lục B: Dữ liệu nhiệt độ
• Phụ lục C: Code Python
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Tổng Quan Tại Sao Dự Báo Nhu Cầu Điện EVNSPC Quan Trọng

Trong bối cảnh kinh tế xã hội phát triển, việc đảm bảo cung cấp điện ổn định và hiệu quả là yếu tố then chốt. Ngành điện đóng vai trò quan trọng trong việc điều hành và huy động nguồn điện. Dự báo nhu cầu điện là một bước quan trọng trong quy hoạch và phát triển hệ thống năng lượng, đặc biệt là hệ thống điện. Điều này đảm bảo chính sách năng lượng quốc gia đồng bộ với phát triển kinh tế xã hội. Luận văn này đề xuất xây dựng và so sánh các mô hình dự báo dựa trên phương pháp dự báo chuỗi thời gian và mô hình mạng nơ-ron nhân tạo để dự báo nhu cầu điện trung hạn cho các thành phần phụ tải thuộc Tổng Công ty Điện lực Miền Nam (EVNSPC). Nghiên cứu sử dụng ngôn ngữ lập trình Python và phần mềm PyCharm để đưa ra các kết quả so sánh và lựa chọn mô hình dự báo thích hợp. Tóm lại, dự báo chính xác giúp tối ưu hóa việc sử dụng năng lượng, giảm thiểu tác động môi trường và đảm bảo cung cầu điện một cách hiệu quả.

1.1. Phụ Tải Hệ Thống Điện Việt Nam Bức Tranh Tổng Quan

Theo số liệu của Tổng cục Thống kê, GDP Việt Nam năm 2023 tăng 5,05% so với năm trước. Trong đó, khu vực dịch vụ đóng góp lớn nhất (62,29%). Cùng với sự phát triển kinh tế, mức điện năng tiêu thụ của Việt Nam cũng tăng lên. Đến cuối năm 2023, hệ thống điện Việt Nam đạt khoảng 80.555MW tổng công suất nguồn, dẫn đầu khu vực ASEAN. Tỷ lệ năng lượng tái tạo (điện gió, điện mặt trời, thủy điện) chiếm tỷ trọng lớn (55,3%) tổng công suất đặt của hệ thống. Tổng điện năng sản xuất và nhập khẩu toàn hệ thống đạt 280,6 tỷ kWh, điện năng thương phẩm đạt 251,25 tỷ kWh. Dù có những khó khăn về nguồn cung, EVN đã cố gắng điều hành sản xuất và vận hành hệ thống điện một cách hiệu quả.

1.2. Phụ Tải Điện Miền Nam Tình Hình Thực Tế và Thách Thức

Giai đoạn 2018-2023, kinh tế hồi phục nhưng nguồn dự phòng điện thấp và thời tiết bất thường đã gây khó khăn. Việc phát triển nhanh chóng nguồn năng lượng tái tạo cũng tạo áp lực lên việc giải tỏa công suất. Đại dịch Covid-19 và xung đột Nga-Ukraine cũng ảnh hưởng đến sản xuất kinh doanh. Tuy nhiên, hệ thống điện miền Nam đã đảm bảo cung ứng điện, tiết giảm chi phí và phát triển bền vững. Năm 2023, EVNSPC quản lý một mạng lưới điện lớn với nhiều đường dây và trạm biến áp. Cung ứng điện đạt 85 tỷ 167 triệu kWh, tăng 2,54% so với năm 2022. Việc dự báo nhu cầu phụ tải trở nên quan trọng hơn bao giờ hết để cân đối cung cầu điện trong bối cảnh nhiều biến động.

II. Thách Thức Vì Sao EVNSPC Cần Mô Hình Dự Báo Nhu Cầu Điện

Việc dự báo nhu cầu điện là bài toán phức tạp với nhiều yếu tố ảnh hưởng. Các yếu tố ảnh hưởng nhu cầu điện bao gồm tăng trưởng kinh tế, biến động dân số, thay đổi thời tiết và chính sách năng lượng. Các phương pháp dự báo truyền thống đôi khi không đáp ứng được yêu cầu độ chính xác cao trong bối cảnh hiện tại. Vì vậy, EVNSPC cần một mô hình dự báo nhu cầu điện trung hạn chính xác để hỗ trợ các quyết định quan trọng. Mô hình này cần có khả năng xử lý dữ liệu lớn, thích ứng với các thay đổi nhanh chóng của thị trường điện và dự đoán nhu cầu điện cho từng nhóm khách hàng khác nhau. Một mô hình dự báo nhu cầu điện trung hạn chính xác giúp EVNSPC chủ động trong việc quản lý nguồn cung điện, đầu tư cơ sở hạ tầng điện và ổn định hệ thống điện.

2.1. Các Yếu Tố Ảnh Hưởng Nhu Cầu Điện Tổng Hợp và Phân Tích

Nhu cầu điện chịu tác động của nhiều yếu tố khác nhau. Yếu tố kinh tế xã hội bao gồm tăng trưởng GDP, cơ cấu kinh tế, mức sống dân cư. Kinh tế - xã hội phát triển kéo theo nhu cầu sử dụng điện tăng cao. Yếu tố thời tiết như nhiệt độ, độ ẩm, lượng mưa cũng ảnh hưởng lớn đến tiêu thụ điện. Bên cạnh đó, chính sách năng lượng, giá điện và các chương trình tiết kiệm điện cũng tác động đến nhu cầu điện. Phân tích kỹ lưỡng các yếu tố này là bước quan trọng để xây dựng một mô hình dự báo chính xác. Dữ liệu về các yếu tố này cần được thu thập và xử lý một cách cẩn thận.

2.2. Sai Số Dự Báo Rủi Ro và Hậu Quả Khi Dự Báo Không Chính Xác

Dự báo sai lệch có thể gây ra nhiều hậu quả nghiêm trọng. Nếu dự báo nhu cầu điện quá thấp, có thể dẫn đến thiếu điện, ảnh hưởng đến sản xuất và sinh hoạt. Ngược lại, nếu dự báo quá cao, sẽ gây lãng phí nguồn lực do đầu tư quá mức vào cơ sở hạ tầng điện. Độ chính xác dự báo là yếu tố then chốt để đảm bảo hiệu quả dự báo. Các chỉ số đánh giá hiệu quả mô hình như MAE, RMSE, MAPE cần được sử dụng để đánh giá và so sánh các mô hình dự báo khác nhau. Cần có các biện pháp kiểm soát và giảm thiểu sai số dự báo.

III. Giải Pháp Ứng Dụng Mô Hình ARIMA Dự Báo Điện Năng EVNSPC

Mô hình ARIMA (AutoRegressive Integrated Moving Average) là một trong những phương pháp dự báo chuỗi thời gian phổ biến nhất. Mô hình này có khả năng mô tả và dự đoán các chuỗi dữ liệu có tính chất tự tương quan. Mô hình ARIMA đã được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau, bao gồm dự báo nhu cầu điện. Để áp dụng mô hình ARIMA cho EVNSPC, cần thu thập dữ liệu lịch sử về tiêu thụ điện và các yếu tố ảnh hưởng khác. Sau đó, cần xác định các tham số phù hợp cho mô hình và đánh giá độ chính xác dự báo. Mô hình ARIMA có thể là một lựa chọn phù hợp để dự báo nhu cầu điện trung hạn cho EVNSPC, đặc biệt khi dữ liệu có tính chu kỳ rõ ràng.

3.1. Thu Thập và Xử Lý Dữ Liệu Bước Quan Trọng Để Xây Dựng Mô Hình

Dữ liệu là yếu tố đầu vào quan trọng nhất cho bất kỳ mô hình dự báo nào. Đối với dự báo nhu cầu điện, cần thu thập dữ liệu điện năng lịch sử từ EVNSPC. Dữ liệu này bao gồm tiêu thụ điện hàng tháng, hàng quý hoặc hàng năm cho từng nhóm khách hàng. Ngoài ra, cần thu thập dữ liệu về các yếu tố ảnh hưởng như nhiệt độ, GDP, dân số, v.v. Dữ liệu cần được làm sạch và xử lý để loại bỏ các giá trị ngoại lệ và điền vào các giá trị bị thiếu. Chuẩn hóa dữ liệu cũng là một bước quan trọng để đảm bảo mô hình hoạt động tốt.

3.2. Xây Dựng và Đánh Giá Mô Hình ARIMA Các Bước Thực Hiện Chi Tiết

Để xây dựng mô hình ARIMA, cần xác định các tham số p, d, q. Tham số p là bậc của thành phần tự hồi quy (AR), d là bậc của thành phần tích hợp (I), và q là bậc của thành phần trung bình trượt (MA). Các tham số này có thể được xác định bằng cách sử dụng các phương pháp thống kê như ACF và PACF. Sau khi xây dựng mô hình, cần đánh giá hiệu quả dự báo bằng cách sử dụng các chỉ số như MAE, RMSE, MAPE. Mô hình cần được tinh chỉnh để đạt được độ chính xác dự báo cao nhất. Kết quả dự báo cần được so sánh với dữ liệu thực tế để đánh giá tính khả thi của mô hình.

3.3. Các Biến Thể Của ARIMA SARIMA Mô Hình Mùa Vụ Cho EVNSPC

Ngoài ARIMA, còn có các biến thể khác như SARIMA (Seasonal ARIMA) phù hợp với dữ liệu có tính mùa vụ. Ví dụ, nhu cầu điện thường cao hơn vào mùa hè do nhu cầu sử dụng điều hòa tăng cao. Mô hình SARIMA có thêm các tham số P, D, Q và m để mô tả thành phần mùa vụ. Việc lựa chọn mô hình phù hợp phụ thuộc vào đặc điểm của dữ liệu. Cần so sánh kết quả dự báo của các mô hình khác nhau để chọn ra mô hình tốt nhất. Việc kết hợp các mô hình khác nhau cũng có thể mang lại kết quả tốt hơn.

IV. Giải Pháp Khám Phá Sức Mạnh Dự Báo Điện Của Mạng Nơ ron

Mô hình mạng nơ-ron nhân tạo (Artificial Neural Network – ANN) là một lựa chọn mạnh mẽ khác để dự báo nhu cầu điện. Mạng nơ-ron có khả năng học hỏi các mối quan hệ phức tạp trong dữ liệu, kể cả các mối quan hệ phi tuyến tính mà các mô hình thống kê truyền thống khó nắm bắt. Các loại mạng nơ-ron khác nhau có thể được sử dụng, bao gồm mạng truyền thẳng nhiều lớp (MLFF) và mạng hồi quy (RNN). Để áp dụng mạng nơ-ron cho EVNSPC, cần chuẩn bị một bộ dữ liệu huấn luyện lớn và đa dạng. Quá trình huấn luyện mạng có thể tốn nhiều thời gian và đòi hỏi kỹ năng chuyên môn. Tuy nhiên, nếu được huấn luyện tốt, mạng nơ-ron có thể mang lại độ chính xác dự báo vượt trội.

4.1. NARX Mô Hình Mạng Nơ ron Hồi Quy Cho Dự Báo Dài Hạn

NARX (Nonlinear Autoregressive with Exogenous Inputs) là một loại mạng nơ-ron hồi quy (RNN) thường được sử dụng để dự báo chuỗi thời gian. NARX sử dụng các giá trị quá khứ của chuỗi thời gian và các yếu tố ngoại sinh (ví dụ: nhiệt độ, GDP) làm đầu vào để dự đoán các giá trị tương lai. Ưu điểm của NARX là khả năng nắm bắt các mối quan hệ phi tuyến tính và các yếu tố ảnh hưởng bên ngoài. Tuy nhiên, NARX có thể phức tạp trong việc huấn luyện và cần một lượng lớn dữ liệu. Việc lựa chọn tham số phù hợp cho NARX là rất quan trọng để đảm bảo hiệu quả.

4.2. MLFF Mạng Nơ ron Truyền Thẳng Đa Lớp Giải Pháp Tiềm Năng

MLFF (Multilayer Feedforward Neural Network) là một loại mạng nơ-ron đơn giản hơn NARX, nhưng vẫn có khả năng mô hình hóa các mối quan hệ phi tuyến tính. MLFF có một lớp đầu vào, một hoặc nhiều lớp ẩn và một lớp đầu ra. Các kết nối giữa các lớp là đơn hướng (truyền thẳng). MLFF dễ huấn luyện hơn NARX và có thể hoạt động tốt với lượng dữ liệu vừa phải. Việc lựa chọn số lượng lớp ẩn và số lượng nơ-ron trong mỗi lớp là quan trọng để đạt được hiệu quả tốt nhất. Các hàm kích hoạt phi tuyến tính cũng đóng vai trò quan trọng.

V. Kết Quả So Sánh và Đánh Giá Mô Hình Dự Báo Cho EVNSPC

Sau khi xây dựng và huấn luyện các mô hình dự báo khác nhau, cần tiến hành so sánh và đánh giá để chọn ra mô hình tốt nhất cho EVNSPC. Các chỉ số đánh giá như MAE, RMSE, MAPE cần được sử dụng để so sánh độ chính xác dự báo. Ngoài ra, cần xem xét tính khả thi và dễ triển khai của từng mô hình. Một mô hình có độ chính xác dự báo cao nhưng khó triển khai trong thực tế thì cũng không phù hợp. Việc so sánh và đánh giá cần được thực hiện một cách khách quan và toàn diện.

5.1. Bảng So Sánh Chi Tiết MAPE RMSE Mô Hình Nào Ưu Việt

Bảng so sánh chi tiết cần bao gồm các chỉ số đánh giá MAE, RMSE, MAPE cho từng mô hình. Các chỉ số này cần được tính toán trên cả tập huấn luyện và tập kiểm tra. Ngoài ra, cần so sánh thời gian huấn luyện và độ phức tạp của từng mô hình. Bảng so sánh sẽ giúp đưa ra quyết định khách quan về mô hình nào là tốt nhất. Cần phân tích các điểm mạnh và điểm yếu của từng mô hình để đưa ra khuyến nghị phù hợp.

5.2. Phân Tích Kết Quả Thực Tế Mô Hình Nào Gần Với Thực Tế Nhất

Sau khi chọn ra mô hình tốt nhất dựa trên các chỉ số đánh giá, cần so sánh kết quả dự báo của mô hình với dữ liệu thực tế trong một khoảng thời gian gần đây. Điều này giúp đánh giá tính khả thi của mô hình trong môi trường thực tế. Nếu kết quả dự báo gần với dữ liệu thực tế, thì mô hình có thể được tin tưởng để sử dụng trong tương lai. Nếu có sự khác biệt lớn, cần xem xét lại mô hình và điều chỉnh các tham số để cải thiện độ chính xác dự báo.

VI. Tương Lai Hướng Phát Triển Dự Báo Nhu Cầu Điện EVNSPC

Dự báo nhu cầu điện là một lĩnh vực liên tục phát triển. Trong tương lai, có nhiều hướng nghiên cứu có thể được khám phá để cải thiện độ chính xác dự báo. Việc tích hợp các nguồn dữ liệu mới (ví dụ: dữ liệu từ các thiết bị IoT) và sử dụng các thuật toán học máy tiên tiến hơn (ví dụ: học sâu) có thể mang lại kết quả tốt hơn. Ngoài ra, cần chú trọng đến việc xây dựng một hệ thống dự báo linh hoạt và dễ thích ứng với các thay đổi của thị trường điện. Phát triển bền vững cũng là một yếu tố quan trọng cần được xem xét trong dự báo nhu cầu điện.

6.1. Ứng Dụng Trí Tuệ Nhân Tạo Học Sâu Giải Pháp Cho Tương Lai

Trí tuệ nhân tạo (AI) và học sâu (Deep Learning) đang ngày càng được ứng dụng rộng rãi trong dự báo nhu cầu điện. Các mô hình học sâu có khả năng học hỏi các mối quan hệ phức tạp trong dữ liệu mà các mô hình truyền thống khó nắm bắt. Các mô hình như RNN, LSTM và Transformer đã được chứng minh là hiệu quả trong dự báo chuỗi thời gian. Việc sử dụng AI và học sâu có thể giúp cải thiện đáng kể độ chính xác dự báo. Tuy nhiên, cần một lượng lớn dữ liệu và kỹ năng chuyên môn để triển khai các mô hình này.

6.2. Tích Hợp Năng Lượng Tái Tạo Thay Đổi Cách Dự Báo Nhu Cầu Điện

Sự phát triển của năng lượng tái tạo (ví dụ: điện mặt trời, điện gió) đang thay đổi cách dự báo nhu cầu điện. Các nguồn năng lượng tái tạo có tính biến động cao và phụ thuộc vào thời tiết. Do đó, cần tích hợp các yếu tố thời tiết vào mô hình dự báo. Các mô hình dự báo cần có khả năng dự đoán sản lượng điện từ các nguồn năng lượng tái tạo để cân bằng cung cầu. Việc tích hợp năng lượng tái tạo vào mô hình dự báo là một thách thức nhưng cũng là một cơ hội để tạo ra các mô hình dự báo chính xác và linh hoạt hơn.

Nội dung chính

Tổng quan nghiên cứu

Năm 2023, quy mô hệ thống điện Việt Nam đạt công suất 80.555 MW, đứng đầu khu vực ASEAN với tổng sản lượng điện sản xuất và nhập khẩu đạt 280,6 tỷ kWh, tăng trưởng 4,56% so với năm 2022. Trong bối cảnh GDP cả nước tăng trưởng 5,05% và tốc độ đô thị hóa diễn ra nhanh chóng, Tổng Công ty Điện lực Miền Nam (EVNSPC) đã cung ứng 85,167 tỷ kWh điện thương phẩm, chiếm khoảng 33,9% tổng sản lượng điện thương phẩm toàn quốc. Đáng chú ý, nhóm khách hàng tiêu thụ trên 1 triệu kWh/năm chiếm tới 48,87% sản lượng của toàn EVNSPC. Sự thâm nhập mạnh mẽ của các nguồn năng lượng tái tạo chiếm 55,3% tổng công suất đặt cùng với biến đổi khí hậu khắc nghiệt đã đặt ra thách thức lớn cho công tác cân đối cung cầu và vận hành lưới điện an toàn.

Trước thực trạng đó, việc dự báo nhu cầu điện năng trung hạn (từ 1 tháng đến 3 năm) đóng vai trò then chốt trong công tác quy hoạch nguồn và lưới điện. Mục tiêu cụ thể của nghiên cứu là xây dựng, đánh giá và so sánh độ chính xác của các mô hình chuỗi thời gian cổ điển và mạng nơ-ron nhân tạo, bao gồm ARIMA, SARIMA, NARX và MLFF, được lập trình trên nền tảng Python. Nghiên cứu tập trung giải quyết bài toán dự báo phụ tải cho hai nhóm khách hàng trọng điểm là sinh hoạt và thương mại tại địa bàn 6 tỉnh thành đại diện thuộc EVNSPC gồm Bình Dương, Đồng Nai, Bà Rịa - Vũng Tàu, Vĩnh Long, Cần Thơ và Kiên Giang trong giai đoạn 2018 - 2023.

Nghiên cứu mang lại ý nghĩa kinh tế và kỹ thuật to lớn khi giúp giảm sai số dự báo MAPE xuống dưới mức 3,5%. Kết quả này hỗ trợ đắc lực cho các đơn vị quản lý điện lực tối ưu hóa hợp đồng mua bán điện, chủ động lập lịch bảo dưỡng tổ máy và giảm thiểu chi phí dự phòng công suất trong toàn bộ hệ thống phân phối.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự tích hợp giữa lý thuyết phân tích chuỗi thời gian cổ điển theo phương pháp Box-Jenkins và lý thuyết trí tuệ nhân tạo (AI) với mạng nơ-ron nhân tạo (ANN). Khung lý thuyết bao quát 4 khái niệm nền tảng:

• Dự báo phụ tải trung hạn (Mid-Term Load Forecasting - MTLF): Quá trình ước lượng nhu cầu công suất và điện năng trong khung thời gian từ 1 tháng đến 3 năm phục vụ kế hoạch vận hành và ký kết hợp đồng thương mại điện lực.
• Mô hình tự hồi quy tích hợp trung bình trượt (ARIMA): Công cụ phân tích chuỗi thời gian tuyến tính thông qua 3 tham số tự hồi quy (p), sai phân tích phân (d) và trung bình trượt (q).
• Mô hình ARIMA có yếu tố mùa vụ (SARIMA): Bản mở rộng của ARIMA tích hợp thêm các tham số mùa vụ (P, D, Q, m) với chu kỳ mùa m = 12 tháng, cho phép nắm bắt đặc tính lặp lại của phụ tải theo chu kỳ năm.
• Mạng nơ-ron hồi quy phi tuyến có đầu vào ngoại sinh (NARX) và mạng nơ-ron truyền thẳng nhiều lớp (MLFF): Các kiến trúc học sâu có khả năng xấp xỉ hàm phi tuyến phức tạp, tích hợp các biến ngoại sinh như nhiệt độ khí tượng để tăng cường độ chính xác dự báo.

Cấu trúc mô hình được thiết lập cụ thể gồm ARIMA(2, 1, 2) với 2 độ trễ tự hồi quy và 1 lần lấy sai phân làm dừng chuỗi, kết hợp cấu trúc SARIMA(1, 1, 1)x(1, 1, 1, 12) nhằm mô hình hóa biến động chu kỳ mùa khô và mùa mưa tại khu vực Nam Bộ.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu bao gồm 70 quan sát chuỗi thời gian hàng tháng từ tháng 01/2018 đến tháng 10/2023 được trích xuất từ hệ thống quản lý thông tin khách hàng CMIS 3.0 của EVNSPC. Dữ liệu nhiệt độ môi trường tương ứng được thu thập từ hệ thống trạm khí tượng quốc tế rp5 với mạng lưới hơn 172.500 trạm đo chuẩn SYNOP và METAR.

Phương pháp chọn mẫu có chủ đích được áp dụng để lựa chọn 6 địa bàn mang tính đại diện cao: Bình Dương và Đồng Nai đại diện cho các trung tâm công nghiệp quy mô lớn; Bà Rịa - Vũng Tàu và Cần Thơ đại diện cho khu vực dịch vụ du lịch và đô thị trung tâm; Vĩnh Long và Kiên Giang đại diện cho vùng kinh tế nông nghiệp và thủy sản Đồng bằng sông Cửu Long. Toàn bộ tập dữ liệu 70 tháng được phân chia theo tỷ lệ 80/20 chuẩn mực, trong đó 56 tháng (01/2018 - 08/2022) phục vụ huấn luyện mô hình và 14 tháng (09/2022 - 10/2023) dùng để kiểm định độc lập.

Lý do lựa chọn phương pháp phân tích kết hợp giữa thuật toán thống kê và học máy là nhằm giải quyết tính chất phi tuyến và phi dừng của chuỗi phụ tải thực tế. Toàn bộ dữ liệu được chuẩn hóa về miền giá trị [0, 1] bằng hàm MinMaxScaler để triệt tiêu ảnh hưởng của chênh lệch thang đo và tăng tốc độ hội tụ của mạng nơ-ron. Hiệu năng mô hình được kiểm chứng khách quan qua hai chỉ số định lượng là sai số tuyệt đối trung bình phần trăm (MAPE) và sai số bình phương trung bình gốc (RMSE) trên môi trường phát triển PyCharm Community 2023.5 cùng các thư viện chuyên dụng như Pandas, Scikit-learn và TensorFlow.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã đưa ra các phát hiện khoa học mang tính thực tiễn cao:

• Thứ nhất, mối tương quan giữa nhiệt độ và điện năng tiêu thụ có sự phân hóa sâu sắc giữa hai nhóm khách hàng. Phụ tải sinh hoạt có tương quan dương rõ rệt với nhiệt độ môi trường, thể hiện qua hệ số tương quan Pearson r = 0,3621 tại Bà Rịa - Vũng Tàu, r = 0,3620 tại Bình Dương và r = 0,2388 tại Vĩnh Long. Ngược lại, phụ tải thương mại hầu như không chịu ảnh hưởng tuyến tính từ nhiệt độ khi hệ số tương quan ở mức rất thấp, đạt r = -0,0162 tại Bình Dương, r = 0,0143 tại Vĩnh Long và r = 0,0162 tại Đồng Nai.
• Thứ hai, mô hình SARIMA thể hiện ưu thế vượt trội trong việc nắm bắt tính chu kỳ của nhóm khách hàng sinh hoạt tại các đô thị phát triển. Tại Bình Dương, SARIMA đạt chỉ số MAPE là 2,1% và RMSE là 0,27, cải thiện đáng kể so với mức MAPE 2,5% của mô hình ARIMA truyền thống.
• Thứ ba, đối với nhóm khách hàng thương mại, mô hình SARIMA chứng minh độ ổn định cao trên diện rộng khi đạt sai số MAPE chỉ 2,3% tại Cần Thơ, 2,9% tại Vĩnh Long, 3,1% tại Bình Dương và Kiên Giang, vượt trội so với mô hình ARIMA có sai số lên tới 3,7% tại Vĩnh Long và 4,1% tại Đồng Nai.
• Thứ tư, việc tích hợp biến ngoại sinh nhiệt độ vào các mô hình nơ-ron nhân tạo phi tuyến giúp kiểm soát sai số dự báo toàn diện, duy trì chỉ số sai số trung bình dưới ngưỡng 3,5% trên toàn bộ các địa bàn thử nghiệm trong giai đoạn kiểm tra 14 tháng.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự khác biệt về tương quan nhiệt độ là do hành vi tiêu dùng điện. Tại miền Nam, nhiệt độ tăng cao trong các tháng mùa khô kéo theo nhu cầu sử dụng thiết bị làm mát tại các hộ gia đình tăng vọt từ 20% đến 40%. Trong khi đó, nhóm khách hàng thương mại như trung tâm thương mại, khách sạn và nhà hàng duy trì hệ thống điều hòa không khí và thiết bị dịch vụ liên tục theo quy chuẩn vận hành cố định, đồng thời chịu chi phối mạnh mẽ bởi các đợt kích cầu du lịch và kỳ nghỉ lễ hơn là biến động nhiệt độ tự nhiên.

Kết quả này hoàn toàn nhất quán với các công bố quốc tế gần đây trên hệ thống IEEE Xplore về ứng dụng mạng nơ-ron và mô hình chuỗi thời gian mùa vụ trong phân tích phụ tải điện. Về mặt trình bày dữ liệu, các phát hiện này có thể được trực quan hóa hiệu quả thông qua biểu đồ đường kép so sánh chuỗi dữ liệu thực tế với giá trị dự báo theo trục thời gian 14 tháng, kết hợp ma trận nhiệt (heat map) thể hiện hệ số tương quan Pearson và biểu đồ cột biểu diễn sai số MAPE giữa các tỉnh thành. Điều này chứng minh rằng việc phân loại nhóm khách hàng theo Văn bản số 3464/EVN-KD là cơ sở vững chắc để lựa chọn mô hình dự báo chuyên biệt.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm, 4 giải pháp cụ thể được đề xuất nhằm nâng cao hiệu quả công tác dự báo phụ tải tại EVNSPC:

• Tích hợp tự động hóa quy trình thu thập dữ liệu: Ban Công nghệ Thông tin phối hợp cùng Ban Kinh doanh EVNSPC xây dựng giao diện kết nối tự động (API) đồng bộ dữ liệu đo đếm từ hệ thống CMIS 3.0 với dữ liệu thời tiết của các trạm khí tượng thủy văn, nhằm mục tiêu giảm độ trễ cập nhật dữ liệu xuống dưới 24 giờ kể từ ngày chốt chỉ số, hoàn thành trong Quý I đến Quý II/2025.
• Chuẩn hóa mô hình dự báo phân tầng: Ban Điều độ hệ thống điện áp dụng mô hình SARIMA và NARX cho các nhóm phụ tải sinh hoạt và thương mại cấp tỉnh, hướng đến mục tiêu duy trì sai số MAPE toàn tổng công ty ở mức dưới 2,5% cho kế hoạch vận hành năm 2025 - 2026.
• Đào tạo và chuyển giao công nghệ phân tích dữ liệu: Ban Tổ chức và Nhân sự tổ chức các khóa huấn luyện chuyên sâu về lập trình Python, thư viện học máy TensorFlow và mô hình hóa chuỗi thời gian cho 100% kỹ sư làm công tác dự báo tại 21 công ty điện lực thành viên, triển khai thực hiện trong năm 2025.
• Tối ưu hóa kế hoạch mua bán điện và bảo dưỡng lưới điện: Ban Kế hoạch EVNSPC sử dụng kết quả dự báo trung hạn 12 - 36 tháng từ mô hình đề xuất để đàm phán hợp đồng mua điện và sắp xếp lịch cắt điện bảo dưỡng thiết bị vào các tháng phụ tải thấp điểm, mục tiêu tiết giảm từ 3% đến 5% chi phí dự phòng công suất vận hành hàng năm.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng trọng tâm:

• Cán bộ quản lý và kỹ sư điều độ tại các Tổng công ty Điện lực: Đặc biệt là các đơn vị thuộc Tập đoàn Điện lực Việt Nam (EVN, EVNSPC, EVNHCMC, EVNCPC), hỗ trợ trực tiếp việc xây dựng công cụ dự báo phụ tải nội bộ phục vụ điều hành lưới điện phân phối.
• Chuyên viên phân tích dữ liệu và quy hoạch năng lượng: Cung cấp phương pháp luận thực chiến về xử lý số liệu đo đếm quy mô lớn, chuẩn hóa dữ liệu thực tế và ứng dụng thuật toán học máy vào bài toán kinh doanh điện năng.
• Giảng viên, học viên cao học và sinh viên ngành Kỹ thuật điện, Năng lượng: Sử dụng làm tài liệu nghiên cứu chuyên đề về mô hình hóa hệ thống điện, cung cấp đầy đủ thuật toán mẫu và quy trình kiểm định sai số thực nghiệm bằng mã nguồn Python.
• Cơ quan quản lý nhà nước về điều tiết điện lực: Cung cấp cơ sở khoa học để ban hành các quy định, tiêu chuẩn kỹ thuật về dự báo nhu cầu phụ tải và lập quy hoạch phát triển điện lực cấp tỉnh, thành phố.

Câu hỏi thường gặp

Dự báo phụ tải trung hạn (MTLF) có vai trò gì trong quản lý vận hành của EVNSPC? Dự báo trung hạn với khung thời gian từ 1 tháng đến 3 năm giúp EVNSPC chủ động cân đối nguồn cung 85,167 tỷ kWh điện thương phẩm hàng năm. Kết quả dự báo cung cấp căn cứ chính xác để ký kết hợp đồng mua bán điện, lập kế hoạch bảo dưỡng 249 trạm biến áp 110 kV và tối ưu hóa chi phí vận hành lưới điện.

Tại sao mô hình SARIMA lại cho kết quả tốt hơn ARIMA đối với phụ tải sinh hoạt tại Bình Dương? SARIMA vượt trội nhờ tích hợp thêm thành phần mùa vụ chu kỳ 12 tháng, cho phép nắm bắt trọn vẹn đặc tính lặp lại của thời tiết nắng nóng Nam Bộ. Tại Bình Dương, SARIMA đạt sai số MAPE là 2,1%, cải thiện 0,4% so với mô hình ARIMA thuần túy (MAPE đạt 2,5%).

Nhiệt độ môi trường ảnh hưởng đến điện năng tiêu thụ của nhóm khách hàng thương mại như thế nào? Thực nghiệm cho thấy nhiệt độ có ảnh hưởng rất yếu đến phụ tải thương mại, với hệ số tương quan chỉ đạt r = -0,0162 tại Bình Dương và r = 0,0143 tại Vĩnh Long. Nhu cầu điện thương mại chủ yếu biến động theo chu kỳ kinh doanh, mùa du lịch và các dịp lễ tết thay vì điều kiện thời tiết.

Tập dữ liệu 70 tháng được phân chia cho quá trình huấn luyện và kiểm định như thế nào? Nghiên cứu áp dụng tỷ lệ phân chia 80/20. Tập huấn luyện gồm 56 tháng (từ tháng 01/2018 đến tháng 08/2022) dùng để tối ưu hóa trọng số mô hình. Tập kiểm tra gồm 14 tháng độc lập (từ tháng 09/2022 đến tháng 10/2023) dùng để tính toán sai số MAPE và RMSE thực tế.

Mô hình dự báo bằng mã nguồn Python có thể tích hợp vào hệ thống hiện hữu của ngành điện không? Hoàn toàn khả thi. Các đoạn mã Python xây dựng trên nền tảng PyCharm có thể dễ dàng đóng gói thành các module dịch vụ web (API) hoặc tích hợp trực tiếp vào phần mềm CMIS 3.0 hiện hữu của EVNSPC để tự động hóa chu trình dự báo hàng tháng.

Kết luận

• Đã xây dựng thành công bộ công cụ dự báo phụ tải trung hạn toàn diện cho 6 tỉnh thành trọng điểm thuộc Tổng Công ty Điện lực Miền Nam trên nền tảng ngôn ngữ Python.
• Chứng minh tính ưu việt của mô hình SARIMA(1, 1, 1)x(1, 1, 1, 12) trong việc mô hình hóa phụ tải sinh hoạt với sai số MAPE đạt mức ấn tượng từ 2,1% đến 3,3%.
• Xác định rõ tính chất tương quan thời tiết chuyên biệt giữa nhóm khách hàng sinh hoạt (r lên tới 0,3621) và nhóm khách hàng thương mại (r dao động quanh mức 0,01).
• Kiểm chứng hiệu quả của các kiến trúc học máy hiện đại như NARX và MLFF khi tích hợp biến ngoại sinh nhiệt độ khí tượng từ nguồn trạm đo rp5.
• Đề xuất lộ trình 4 bước hoàn thiện công nghệ dự báo tự động cho EVNSPC trong giai đoạn 2025 - 2026 nhằm nâng cao độ tin cậy cung cấp điện.

Đóng góp cốt lõi của luận văn là cung cấp một khung phương pháp luận hoàn chỉnh từ khâu tiền xử lý dữ liệu đo đếm CMIS 3.0 thực tế đến việc triển khai các mô hình toán học và học máy tối ưu cho ngành điện lực Nam Bộ. Trong giai đoạn 2025 - 2027, nghiên cứu sẽ tiếp tục mở rộng sang việc tích hợp dữ liệu kinh tế vĩ mô và thuật toán học sâu kết hợp CNN-LSTM. Các kỹ sư vận hành và nhà nghiên cứu quan tâm có thể ứng dụng ngay quy trình dự báo này để nâng cao độ chính xác quản lý năng lượng tại đơn vị.

Trích đoạn nội dung tài liệu

Chương 1: GIỚI THIỆU TỔNG QUAN ĐỀ TÀI 1. Giới thiệu tổng quan phụ tải hệ thống điện 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].

Tăng trưởng GDP Việt Nam giai đoạn 2018- 2023 9 8. 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 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. Điện năng tiêu thụ Việt Nam giai đoạn 2018- 2023 300 250 Điện thương phẩm (tỷ kWh) 200 150 100 50 0 2018 2019 2020 2021 2022 2023 Năm 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%. Giới thiệu tổng quan HVTH: Huỳnh Thị Hồng Xuân 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.

Tỷ trọng thành phần phụ tải của Việt Nam năm 2023 4.61% Quản lý-Tiêu dùng Hoạt động khác 51.86% Thương nghiệp-Dịch vụ Nông lâm-Nông nghiệp Công nghiệp-Xây dựng 5. 3 Tỷ trọng thành phần phụ tải của Việt Nam năm 2023 [1] 1. 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. So với năm 2022 tăng thêm 287,65 km đường dây, công suất trạm tăng thêm là 835 MVA. Giới thiệu tổng quan HVTH: Huỳnh Thị Hồng Xuân Luận văn Thạc sĩ 4 GVHD: TS. Nguyễn Chấn Việt Về hệ thống đường dây 22 kV, hiện EVNSPC quản lý 67.237 km, trong đó có trên 1.984 trạm biến áp phân phối với 150.367 MBA có tổng dung lượng 10.581 km đường dây, tăng công suất thêm 1.

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. Điện năng tiêu thụ miền Nam giai đoạn 2018-2023 Tổng Hoạt động khác Q.Dùng Hoạt động khác Tổng 2023 5. 4 Điện năng miền Nam 2018-2023 Giới thiệu tổng quan HVTH: Huỳnh Thị Hồng Xuân Luận văn Thạc sĩ 5 GVHD: TS. Nguyễn Chấn Việt 1.

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 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 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: • Nhóm Phụ tải điện phi dân dụng là phụ tải điện thuộc các thành phần phụ tải điện Công Nghiệp - Xây dựng, Thương mại - Dịch vụ- Nhà hàng-Khách sạn, Nông nghiệp – Lâm nghiệp - Thủy sản, các hoạt động khác, cụ thể: - Nhóm Công Nghiệp-Xây dựng: Công nghiệp Khai khoáng; Công nghiệp chế biến; Cung cấp và phân phối gas, nước; Xây dựng - Nhóm Thương mại-Dịch vụ: Bán buôn, bán lẻ và cửa hàng sửa chữa; Khách sạn, quán trọ - Nhóm Nông nghiệp-Lâm nghiệp-Thủy sản: Điện cấp cho bơm nông nghiệp, Các hoạt động nông nghiệp khác (bơm tưới vườn cây, dịch vụ cây trồng); Lâm nghiệp; Thủy sản.

• Nhóm Phụ tải điện dân dụng là phụ tải điện thuộc thành phần phụ tải điện sinh hoạt bao gồm điện cấp cho các cơ quan Đảng, Nhà nước và tổ chức đoàn thể trong nước, Các đại sứ quán, các tổ chức của Liên hợp quốc, Điện cấp cho văn phòng làm việc của các doanh nghiệp và đơn vị sự nghiệp, điện cấp cho sinh hoạt dân dụng thành thị nông thôn, miền núi. Giới thiệu tổng quan HVTH: Huỳnh Thị Hồng Xuân Luận văn Thạc sĩ 6 GVHD: TS. Nguyễn Chấn Việt 1. 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 1. 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.

Giới thiệu tổng quan HVTH: Huỳnh Thị Hồng Xuân Luận văn Thạc sĩ 7 GVHD: TS. Nguyễn Chấn Việt - 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.