Luận án: Mô hình dự báo nhu cầu điện năng dài hạn Việt Nam bằng mạng nơron

Mô hình dự báo nhu cầu điện năng dài hạn Việt Nam bằng mạng nơron nhân tạo. Tổng quan nghiên cứu chi tiết trong luận án tiến sĩ kinh tế.

• Tác giả: Đoàn Văn Bình
• Người hướng dẫn: TS Bùi Huy Phùng
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kinh Tế Công Nghiệp
• Đề tài: Nghiên Cứu Mô Hình Dự Báo Nhu Cầu Điện Năng Dài Hạn Của Việt Nam Sử Dụng Mạng Neuron Nhân Tạo
• Loại tài liệu: Luận Án Tiến Sĩ
• Năm xuất bản: 2011
• Địa điểm: Hà Nội

Tóm tắt

I. Bí quyết dự báo nhu cầu điện Việt Nam đảm bảo an ninh năng lượng

Dự báo nhu cầu điện năng đóng vai trò xương sống trong việc đảm bảo an ninh năng lượng Việt Nam. Một dự báo chính xác là cơ sở để hoạch định chiến lược phát triển ngành điện, từ việc xây dựng nhà máy mới đến mở rộng lưới truyền tải. Luận án của tác giả Đoàn Văn Bình nhấn mạnh, dự báo sai lệch có thể dẫn đến hai kịch bản tiêu cực: dự báo quá cao gây lãng phí vốn đầu tư khổng lồ; dự báo quá thấp dẫn đến thiếu điện, kìm hãm sự phát triển kinh tế - xã hội. Trong bối cảnh Việt Nam đang thực hiện Quy hoạch điện VIII với mục tiêu chuyển dịch năng lượng mạnh mẽ, nhu cầu về một công cụ dự báo chính xác và linh hoạt càng trở nên cấp thiết. Các phương pháp truyền thống đang dần bộc lộ hạn chế khi phải xử lý các mối quan hệ phi tuyến phức tạp giữa tiêu thụ điện và các yếu tố kinh tế vĩ mô. Đây là lúc mô hình mạng nơron nhân tạo (ANN) nổi lên như một giải pháp đột phá. Bằng cách mô phỏng hoạt động của não người, ANN có khả năng học hỏi từ dữ liệu phụ tải điện lịch sử và các biến số kinh tế, từ đó đưa ra những dự báo có độ tin cậy cao. Việc áp dụng thành công học máy trong dự báo năng lượng không chỉ giúp Tập đoàn Điện lực Việt Nam (EVN) tối ưu hóa vận hành mà còn góp phần quan trọng vào việc xây dựng một hệ thống điện Việt Nam bền vững, đáp ứng đủ nhu cầu cho sự nghiệp công nghiệp hóa, hiện đại hóa đất nước. Bài viết này sẽ phân tích sâu về phương pháp này, dựa trên nghiên cứu tiên phong tại Việt Nam.

1.1. Tầm quan trọng của dự báo phụ tải điện chính xác

Công tác dự báo phụ tải điện có tầm quan trọng đặc biệt đối với ngành điện và toàn bộ nền kinh tế quốc dân. Năng lực dự báo với độ chính xác cao là nền tảng cho mọi quyết định trong việc lập kế hoạch, quy hoạch và xây dựng chính sách phát triển. Dự báo ngắn hạn (vài tháng đến 2 năm) giúp lập kế hoạch vận hành, bảo dưỡng hệ thống. Trong khi đó, dự báo trung và dài hạn (trên 5 năm) là cơ sở để quyết định đầu tư xây dựng các công trình nguồn và lưới điện quy mô lớn. Một dự báo thiếu chính xác về tiêu thụ điện quốc gia sẽ gây ra những hậu quả nghiêm trọng, ảnh hưởng trực tiếp đến sự ổn định và phát triển của đất nước.

1.2. Giới thiệu công nghệ mạng nơron nhân tạo ANN đột phá

Mạng nơron nhân tạo (Artificial Neural Networks - ANN) là một lĩnh vực của trí tuệ nhân tạo, mô phỏng cách thức xử lý thông tin của não bộ con người. Thay vì tuân theo các quy tắc lập trình sẵn, ANN học hỏi trực tiếp từ dữ liệu. Ưu điểm vượt trội của ANN là khả năng nhận dạng các mẫu phức tạp và mối quan hệ phi tuyến trong các tập dữ liệu lớn. Chính vì vậy, ứng dụng AI trong ngành điện, đặc biệt là ANN, đã mở ra một hướng đi mới cho bài toán dự báo chuỗi thời gian vốn đầy thách thức. Công nghệ này có khả năng xử lý các dữ liệu không hoàn chỉnh hoặc nhiễu, một vấn đề thường gặp trong thống kê kinh tế tại Việt Nam.

II. Tại sao phương pháp dự báo nhu cầu điện cũ không còn hiệu quả

Trong nhiều năm, công tác dự báo nhu cầu điện tại Việt Nam chủ yếu dựa vào hai nhóm phương pháp chính: mô hình kinh tế lượng (KTL) và mô hình phân tích kinh tế - kỹ thuật (KT-KT). Các mô hình KTL, như hồi quy tuyến tính hay phân tích đàn hồi, có ưu điểm là tương đối đơn giản. Tuy nhiên, chúng có một giả định cơ bản: mối quan hệ giữa các yếu tố như GDP, giá điện và nhu cầu năng lượng là tuyến tính và ổn định theo thời gian. Thực tế, mối quan hệ này ngày càng phức tạp và phi tuyến, khiến cho năng lực dự báo của mô hình KTL bị suy giảm. Mặt khác, các mô hình phân tích KT-KT, như MAED hay MEDEE-S, mô phỏng chi tiết hơn hoạt động của hệ thống năng lượng. Chúng phân tách nền kinh tế thành nhiều ngành và quá trình tiêu thụ năng lượng. Mặc dù có độ chi tiết cao, phương pháp này đòi hỏi một khối lượng dữ liệu khổng lồ, đồng bộ và chính xác. Theo nghiên cứu của Đoàn Văn Bình, đây là một thách thức lớn trong điều kiện Việt Nam, nơi số liệu thống kê còn thiếu và chưa đồng nhất. Việc phải sử dụng nhiều số liệu ước tính làm ảnh hưởng đến độ tin cậy của kết quả dự báo. Những hạn chế này cho thấy sự cần thiết phải tìm kiếm một phương pháp mới, có khả năng xử lý các mối quan hệ phi tuyến và không yêu cầu dữ liệu quá chi tiết, đó chính là mô hình mạng nơron nhân tạo.

2.1. Phân tích điểm yếu của mô hình kinh tế lượng KTL

Mô hình KTL giả định rằng các mối liên hệ trong quá khứ sẽ tiếp tục đúng trong tương lai. Điều này không còn phù hợp trong bối cảnh cấu trúc kinh tế và công nghệ của Việt Nam thay đổi nhanh chóng. Mối quan hệ giữa tiêu thụ điện quốc gia và các biến kinh tế như GDP, giá điện là quan hệ phi tuyến phức tạp. Việc áp dụng các mô hình tuyến tính truyền thống yêu cầu phải tuyến tính hóa dữ liệu, một quá trình có thể làm mất mát thông tin quan trọng và giảm độ chính xác của dự báo.

2.2. Thách thức về dữ liệu của mô hình phân tích KT KT

Phương pháp phân tích kinh tế-kỹ thuật (KT-KT) đòi hỏi một ngân hàng dữ liệu phong phú và tin cậy. Để xây dựng mô hình, các nhà nghiên cứu cần phân tích và chuẩn bị hàng trăm nhóm số liệu chi tiết về từng ngành, từng quá trình sử dụng năng lượng. Luận án chỉ ra rằng: "Trong điều kiện nước ta thiếu số liệu thống kê, số liệu thiếu chính xác. Trong quá trình tính toán phải sử dụng nhiều số liệu đánh giá hoặc thống kê nhưng không đủ chính xác. Đây chính là vấn đề hết sức khó khăn...". Sự phụ thuộc quá lớn vào chất lượng dữ liệu đầu vào là nhược điểm chí mạng của phương pháp này tại Việt Nam.

III. Phương pháp dự báo nhu cầu điện bằng mô hình mạng nơron nhân tạo

Phương pháp dự báo sử dụng mô hình mạng nơron nhân tạo là một cách tiếp cận dựa trên dữ liệu, khắc phục được nhiều nhược điểm của các mô hình truyền thống. Cốt lõi của phương pháp này là xây dựng một cấu trúc mạng gồm nhiều lớp nơron nhân tạo liên kết với nhau. Lớp đầu vào nhận các dữ liệu là những yếu tố kinh tế - xã hội có ảnh hưởng đến nhu cầu điện (ví dụ: GDP, dân số, giá trị sản xuất công nghiệp). Các lớp ẩn ở giữa thực hiện quá trình xử lý phức tạp để nhận dạng các quy luật và mối quan hệ phi tuyến tiềm ẩn. Cuối cùng, lớp đầu ra đưa ra kết quả dự báo về nhu cầu điện. Quá trình "dạy" cho mạng được gọi là huấn luyện, trong đó mạng sẽ tự điều chỉnh các trọng số kết nối giữa các nơron dựa trên dữ liệu phụ tải điện lịch sử. Một trong những thuật toán huấn luyện phổ biến và hiệu quả nhất là thuật toán backpropagation (lan truyền ngược sai số). Thông qua quá trình lặp đi lặp lại, mạng sẽ học được cách ánh xạ từ các yếu tố đầu vào đến nhu cầu điện đầu ra với sai số ngày càng nhỏ. Ưu điểm lớn nhất của cách tiếp cận học máy trong dự báo năng lượng là nó không cần bất kỳ giả định nào về dạng hàm của mối quan hệ giữa các biến, cho phép mô hình hóa các hệ thống phức tạp một cách hiệu quả.

3.1. Cấu trúc và nguyên lý của mạng nơron hồi quy RNN

Một mạng nơron hồi quy (RNN), bao gồm cả các biến thể tiên tiến như mô hình LSTM dự báo nhu cầu, có cấu trúc phân lớp gồm: lớp vào (Input Layer), một hoặc nhiều lớp ẩn (Hidden Layers) và lớp ra (Output Layer). Mỗi nơron trong một lớp được kết nối với các nơron ở lớp tiếp theo. Dữ liệu đầu vào (các chỉ số kinh tế) được đưa vào lớp vào. Các lớp ẩn sẽ xử lý thông tin này thông qua các hàm kích hoạt phi tuyến, cho phép mạng học được các mối quan hệ phức tạp. Lớp ra cuối cùng sẽ tổng hợp kết quả và đưa ra giá trị dự báo.

3.2. Vai trò của thuật toán backpropagation trong huấn luyện mạng

Thuật toán backpropagation là cơ chế học tập cốt lõi của nhiều mạng nơron. Sau khi mạng đưa ra một dự báo, sai số giữa giá trị dự báo và giá trị thực tế sẽ được tính toán. Sai số này sau đó được lan truyền ngược từ lớp ra về lớp vào. Trong quá trình này, các trọng số kết nối giữa các nơron được điều chỉnh một cách tinh vi để giảm thiểu sai số trong lần dự báo tiếp theo. Quá trình này được lặp lại hàng nghìn lần cho đến khi sai số của mô hình đạt mức chấp nhận được, nghĩa là mạng đã "học" thành công mối quan hệ trong dữ liệu.

IV. Cách xây dựng mô hình ANN dự báo nhu cầu điện năng Việt Nam

Việc xây dựng một mô hình ANN hiệu quả để dự báo nhu cầu điện năng dài hạn tại Việt Nam đòi hỏi một quy trình bài bản và khoa học. Dựa trên nghiên cứu của Đoàn Văn Bình, quá trình này bao gồm ba bước chính: thiết kế mẫu, xây dựng cấu trúc mạng và kiểm định mô hình. Đầu tiên, bước thiết kế mẫu là cực kỳ quan trọng, bao gồm việc thu thập và xử lý dữ liệu phụ tải điện lịch sử và các biến kinh tế-xã hội liên quan. Nghiên cứu đã sử dụng bộ dữ liệu từ năm 1995 đến 2010, bao gồm các biến số quan trọng như: Tổng sản phẩm quốc nội (GDP), dân số (POP), giá trị sản xuất công nghiệp (IPs), chỉ số giá tiêu dùng (CPI) và giá bán điện bình quân (Pe). Bước thứ hai là xây dựng cấu trúc mạng. Mô hình EDF-ANN được đề xuất trong luận án sử dụng cấu trúc mạng truyền thẳng đa lớp, với một lớp ẩn. Việc lựa chọn số nơron trong lớp ẩn là một bài toán tối ưu hóa quan trọng, ảnh hưởng trực tiếp đến khả năng học và tổng quát hóa của mô hình. Luận án đã kết hợp thuật toán di truyền (GA) để khởi tạo trọng số và thuật toán backpropagation (BP) để tinh chỉnh, nhằm khắc phục vấn đề hội tụ vào cực tiểu địa phương của thuật toán BP truyền thống. Cuối cùng, mô hình được kiểm định chéo bằng cách sử dụng một phần dữ liệu để huấn luyện và một phần khác để kiểm tra, đảm bảo rằng mô hình không chỉ hoạt động tốt trên dữ liệu đã biết mà còn có khả năng dự báo chính xác trên dữ liệu mới.

4.1. Lựa chọn các biến đầu vào cho mô hình dự báo chuỗi thời gian

Việc lựa chọn biến đầu vào có ảnh hưởng quyết định đến độ chính xác của dự báo chuỗi thời gian. Nghiên cứu đã xác định các yếu tố có tương quan mạnh mẽ nhất với nhu cầu điện tại Việt Nam, bao gồm: GDP, dân số, giá trị sản xuất công nghiệp, tổng số hộ gia đình, chỉ số điện khí hóa và giá điện. Những biến này phản ánh cả sự phát triển kinh tế, quy mô dân số và các chính sách về giá năng lượng, tạo thành một bức tranh toàn diện cho mô hình học hỏi.

4.2. Thiết kế cấu trúc mạng và tối ưu hóa hệ thống điện

Cấu trúc mạng trong mô hình EDF-ANN bao gồm 8 nơron đầu vào (tương ứng với 8 biến kinh tế-xã hội), một lớp ẩn với số nơron được tối ưu hóa (kết quả cho thấy 9 nơron là phù hợp), và 1 nơron đầu ra (nhu cầu điện dự báo). Sự kết hợp giữa thuật toán di truyền và lan truyền ngược là một cải tiến quan trọng, giúp quá trình huấn luyện hiệu quả hơn. Đây là một bước tiến trong việc tối ưu hóa hệ thống điện thông qua công cụ dự báo chính xác hơn.

V. Ứng dụng AI trong ngành điện Kết quả dự báo nhu cầu thực tế

Ứng dụng AI trong ngành điện không còn là lý thuyết mà đã được chứng minh hiệu quả qua các nghiên cứu thực tiễn. Trong luận án của Đoàn Văn Bình, mô hình EDF-ANN đã được áp dụng để dự báo nhu cầu điện năng của Việt Nam giai đoạn 2011-2020 theo ba kịch bản phát triển kinh tế: cao, cơ sở và thấp. Kết quả dự báo từ mô hình này sau đó được so sánh trực tiếp với kết quả từ mô hình SimpleE, một phương pháp đa hồi quy được Viện Năng lượng sử dụng chính thức trong xây dựng Tổng sơ đồ điện VII (TSĐVII). Kết quả so sánh cho thấy sự tương đồng đáng kể giữa hai mô hình, đặc biệt là ở kịch bản cơ sở. Cụ thể, trong Bảng 4.10 của luận án, kết quả dự báo của EDF-ANN và SimpleE cho năm 2020 ở kịch bản cơ sở lần lượt là 265,5 tỷ kWh và 265,9 tỷ kWh, một sự khác biệt không đáng kể. Sự phù hợp này là một minh chứng mạnh mẽ cho độ tin cậy và tính hợp lệ của phương pháp mạng nơron nhân tạo. Nghiên cứu kết luận: "Kết quả dự báo từ mô hình phù hợp với kết quả sử dụng phương pháp mô hình SimpleE... thể hiện mức độ tin cậy của phương pháp đề xuất". Điều này khẳng định rằng ANN là một công cụ mạnh mẽ, có thể bổ sung và thậm chí thay thế các phương pháp truyền thống, góp phần nâng cao chất lượng công tác quy hoạch và đảm bảo an ninh năng lượng Việt Nam.

5.1. So sánh hiệu quả mô hình EDF ANN và mô hình SimpleE

Việc đối chiếu kết quả giữa mô hình EDF-ANN (dựa trên ANN) và SimpleE (dựa trên hồi quy) là phép thử quan trọng nhất. Trong khi mô hình SimpleE đòi hỏi nhiều công sức phân tích và tính toán tham số, EDF-ANN có quy trình chuẩn bị dữ liệu đơn giản hơn. Kết quả dự báo tương đồng đã chứng tỏ ANN có thể đạt được độ chính xác tương đương hoặc cao hơn với ít giả định và công sức phân tích hơn, đặc biệt hiệu quả với các mối quan hệ phi tuyến phức tạp.

5.2. Phân tích dữ liệu lớn ngành năng lượng theo kịch bản

Mô hình ANN cho phép dễ dàng tính toán dự báo theo nhiều kịch bản phát triển kinh tế-xã hội khác nhau. Bằng cách thay đổi các giá trị đầu vào dự phóng (GDP, dân số...), các nhà hoạch định chính sách có thể nhanh chóng đánh giá được nhu cầu điện tương ứng. Khả năng này cực kỳ hữu ích trong môi trường kinh tế biến động, giúp việc lập quy hoạch trở nên linh hoạt và chủ động hơn. Đây là một ứng dụng tiêu biểu của phân tích dữ liệu lớn ngành năng lượng.

VI. Tương lai dự báo nhu cầu điện và vai trò trong Quy hoạch điện VIII

Sự thành công của mô hình dự báo nhu cầu điện bằng mạng nơron nhân tạo mở ra một tương lai đầy hứa hẹn cho ngành năng lượng Việt Nam. Trong bối cảnh triển khai Quy hoạch điện VIII, với những mục tiêu đầy tham vọng về phát triển năng lượng tái tạo và giảm phát thải carbon, vai trò của các công cụ dự báo thông minh và chính xác lại càng trở nên quan trọng. Nguồn năng lượng tái tạo như điện gió, điện mặt trời có tính chất biến đổi và không ổn định, đặt ra thách thức lớn cho việc vận hành hệ thống điện Việt Nam. Một mô hình dự báo nhu cầu phụ tải chính xác, kết hợp với dự báo nguồn cung năng lượng tái tạo, sẽ là chìa khóa để Tập đoàn Điện lực Việt Nam (EVN) điều độ hệ thống một cách hiệu quả, đảm bảo an toàn và ổn định. Các kỹ thuật tiên tiến như mô hình LSTM dự báo nhu cầu hay các loại mạng nơron hồi quy (RNN) khác có khả năng nắm bắt các xu hướng phụ thuộc vào thời gian tốt hơn, rất phù hợp với bài toán này. Việc tiếp tục nghiên cứu, phát triển và tích hợp các mô hình học máy trong dự báo năng lượng vào quy trình hoạt động sẽ giúp Việt Nam không chỉ tối ưu hóa hệ thống điện hiện hữu mà còn xây dựng một nền tảng vững chắc cho quá trình chuyển đổi năng lượng, góp phần củng cố an ninh năng lượng quốc gia trong dài hạn.

6.1. Tiềm năng của Machine Learning for Load Forecasting

Tiềm năng của machine learning for load forecasting (học máy cho dự báo phụ tải) là rất lớn. Ngoài việc dự báo nhu cầu tổng thể, các mô hình này có thể được áp dụng để dự báo phụ tải cho từng khu vực, từng thành phần kinh tế (công nghiệp, dân dụng). Hơn nữa, chúng có thể dự báo các chỉ số quan trọng khác như công suất đỉnh, giúp tối ưu hóa kế hoạch huy động nguồn và giảm thiểu chi phí vận hành cho toàn hệ thống.

6.2. Hướng phát triển mô hình trong bối cảnh Quy hoạch điện VIII

Để phục vụ Quy hoạch điện VIII, các mô hình dự báo cần được phát triển theo hướng tích hợp nhiều yếu tố hơn, đặc biệt là các biến liên quan đến năng lượng tái tạo và xe điện. Xây dựng các mô hình dự báo có khả năng cập nhật và học lại (online learning) theo thời gian thực sẽ giúp hệ thống phản ứng nhanh với những thay đổi đột ngột. Sự kết hợp giữa ANN và các công nghệ phân tích dữ liệu lớn ngành năng lượng sẽ là công cụ không thể thiếu để quản lý một hệ thống điện hiện đại, phức tạp và bền vững.

Trích đoạn nội dung tài liệu

phần mở đầu, luận án đề cập đến sự cần thiết của việc nghiên cứu dự báo nhu cầu điện, bối cảnh và hiện trạng nghiên cứu dự báo nhu cầu điện năng. Tiếp theo, phần này giới thiệu mục đích nghiên cứu, đối tƣợng và phạm vi, phƣơng pháp, nội dung nghiên cứu và đóng góp của luận án. 22 Chƣơng 1: Tổng quan về các phƣơng pháp dự báo nhu cầu điện năng Chƣơng 2. Cơ sở lý thuyết của mô hình dự báo nhu cầu điện năng dài hạn sử dụng mạng nơ ron nhân tạo Chƣơng 3.

Xây dựng mô hình dự báo nhu cầu điện năng dài hạn của Việt Nam sử dụng mạng nơ ron nhân tạo Chƣơng 4. Áp dụng mô hình sử dụng mạng nơ ron để dự báo nhu cầu điện năng của Việt Nam giai đoạn 2011 – 2015 – 2020. Phần Kết luận Phụ lục 1. Mã nguồn tham khảo của mô hình dự báo EDF-ANN Phụ lục 2.

Sử dụng chƣơng trình EDF-ANN Phụ lục 3. Một số giao diện kết quả của mô hình EDF-ANN. Kết quả tính toán lựa chọn số nút ẩn của mô hình EDF-ANN Phụ lục 5. Kết quả học và kiểm định mô hình EDF-ANN Phụ lục 6.

Tập trọng số của mô hình EDF-ANN 23 CHƢƠNG 1 TỔNG QUAN VỀ CÁC PHƢƠNG PHÁP DỰ BÁO NHU CẦU ĐIỆN NĂNG Dự báo nhu cầu điện năng là một trong những bài toán quan trọng trong quy hoạch và phát triển hệ thống điện, kết quả của dự báo nhu cầu điện năng có ảnh hƣởng rất lớn đến các tham số kinh tế - kỹ thuật (KT-KT) của mạng điện và đến tiến trình phát triển hệ thống điện. Vấn đề dự báo nhu cầu điện năng đã đƣợc rất nhiều tác giả đề cập đến trong các tài liệu khác nhau. Hai cách tiếp cận chính đang đƣợc sử dụng rộng rãi hiện nay, về bản chất, dựa vào hoặc là mô hình kinh tế lƣợng (KTL) hoặc là mô hình phân tích KT-KT [6], [62], [98]. Sự khác nhau cơ bản giữa hai cách tiếp cận là mức độ thu thập dữ liệu đầu vào.

Mô hình KTL đƣợc sử dụng nhiều hơn, bản chất của nó dựa trên mối liên hệ của các nhân tố giá và thu nhập hoặc các thông số của hoạt động kinh tế khác với nhu cầu năng lƣợng. Mô hình phân tích KT-KT là loại mô hình trong đó quá trình phân tích đƣợc tiến hành nhằm nhận dạng các yếu tố kinh tế, dân số, xã hội và kỹ thuật tác động đến sự phát triển về nhu cầu năng lƣợng, từ đó đánh giá và mô phỏng sự tiến triển của chúng trong thời gian dự báo hoặc là thông qua các tính toán trực tiếp từ mô hình hoặc là thông qua việc xây dựng các kịch bản. Gần đây một cách tiếp cận mới đã đƣợc đề xuất và ứng dụng ngày càng nhiều, do tính linh hoạt và năng lực suy diễn tiềm tàng của nó, đó là cách tiếp cận dựa vào mạng nơ ron nhân tạo. Ngoài ra, còn một số phƣơng pháp dự báo nhu cầu điện năng khác thƣờng đƣợc dùng để kiểm chứng nhƣ phƣơng pháp so sánh đối chiếu, phƣơng pháp chuyên gia v.

Sơ đồ phả hệ các phƣơng pháp dự báo nhu cầu điện năng đƣợc thể hiện trên hình 1. Phƣơng pháp dự báo nhu cầu điện năng Mạng nơron nhân tạo PP khác KTL KT-KT Ngoại suy Đàn hồi Hồi quy MEDEE-S MAED Đƣờng cong S Hồi quy đơn Hồi quy bội Tuyến tính Hàm mũ Logistic Parabol Hình 1. Sơ đồ phả hệ các phƣơng pháp dự báo nhu cầu điện năng 24 1. Phƣơng pháp dự báo nhu cầu điện năng sử dụng các mô hình kinh tế lƣợng (KTL) 1.

Phƣơng pháp luận của các mô hình kinh tế lƣợng dự báo nhu cầu điện năng a. Các mô hình KTL sử dụng phƣơng pháp đàn hồi dự báo nhu cầu điện năng Dạng chung nhất của phƣơng trình KTL đƣợc sử dụng trong các nghiên cứu năng lƣợng dựa trên hàm số sản xuất Cobb-Douglas [6], [62] : Qe = a.1) Trong đó: Qe: Nhu cầu điện năng; IC: Thu nhập của ngƣời tiêu dùng; Pe: Giá điện năng; a: Hệ số hồi quy; α: hệ số đàn hồi thu nhập của nhu cầu điện năng; β: hệ số đàn hồi giá điện năng. Đàn hồi thu nhập và giá biểu thị nhu cầu điện năng thay đổi do sự thay đổi giá điện năng và thu nhập trong mô hình KTL. Giá trị này có thể đƣợc xác định nhƣ sau: Qe  Qe% Qe α   (1.2)  GDP% GDP GDP Trong đó: α - Hệ số đàn hồi thu nhập; Qe%, GDP% - Suất tăng tƣơng đối điện năng và GDP; Qe - Điện năng sử dụng; GDP - Tổng sản phẩm quốc nội; Qe; GDP - Tăng trƣởng trung bình điện năng và tổng sản phẩm quốc nội (đại diện cho thu nhập của ngƣời tiêu dùng) trong giai đoạn xét.

Hệ số đàn hồi giá đƣợc xác định nhƣ sau: Qe  Qe% Qe    (1.3)  Pe% Pe Pe Trong đó: β - Hệ số đàn hồi giá điện; Qe%, Pe% - Suất tăng tƣơng đối điện năng và giá điện năng; Qe - Điện năng sử dụng; Pe - Giá điện năng; Qe; Pe - Tăng trƣởng trung bình điện năng và giá điện năng trong giai đoạn xét. 25 Các mô hình KTL đƣợc sử dụng rộng rãi trong dự báo nhu cầu năng lƣợng. Tuy nhiên, giả định gốc của cách tiếp cận này là mối liên hệ giữa thu nhập, giá và nhu cầu năng lƣợng tồn tại trong quá khứ sẽ tiếp tục giữ vững trong tƣơng lai. Cấu trúc cơ bản của nhu cầu năng lƣợng không đƣợc phân tích và năng lực dự báo của mô hình sẽ bị phá vỡ khi cấu trúc cơ bản thay đổi.

Thực tế cho thấy, mối quan hệ giữa năng lƣợng, thu nhập và giá năng lƣợng có thể thay đổi đáng kể trong tƣơng lai khi mà những thay đổi quan trọng trong cấu trúc công nghệ của nhu cầu năng lƣợng và phản ứng của ngƣời tiêu dùng xảy ra. Một ứng dụng quan trọng của mô hình KTL là sử dụng dự báo hiệu quả sử dụng năng lƣợng. Tuy nhiên, dự báo này dựa trên sự phát triển của các dịch vụ năng lƣợng. Nếu cấu trúc công nghệ của nhu cầu năng lƣợng giữ nguyên không thay đổi, bao gồm cả hiệu quả sử dụng năng lƣợng cuối cùng, dẫn đến dự báo tăng trƣởng sử dụng năng lƣợng đồng nhất với tăng trƣởng dịch vụ năng lƣợng.

Kiểu dự báo này cũng dẫn đến nhƣ là kịch bản đóng băng hiệu quả (frozen-efficiency). Các mô hình KTL có ƣu điểm là yêu cầu dữ liệu không nhiều và dựa trên lý thuyết thống kê. Thƣờng chúng đƣợc sử dụng cho tất cả các nhóm hộ sử dụng năng lƣợng mà không cần xét tới cấu trúc công nghệ sử dụng năng lƣợng. Vì vậy, chúng đƣợc sử dụng khá rộng rãi.

Các mô hình KTL sử dụng phƣơng pháp hồi quy dự báo nhu cầu điện năng Bài toán dự báo nhu cầu điện năng sử dụng phƣơng pháp hồi quy dựa trên phân tích mối liên hệ ràng buộc lẫn nhau giữa chỉ tiêu nhu cầu tiêu thụ điện năng Qe (chỉ tiêu kết quả hay gọi là biến phụ thuộc y) với các chỉ tiêu khác nhƣ: thu nhập quốc gia (NI – National Income); dân số (POP–population); tổng sản phẩm quốc nội (GDP– Gross of Domestic Production); chỉ số giá tiêu dùng (CPI–Consumer Price Index); tổng số hộ gia đình (HHs-households); Giá trị sản xuất công nghiệp (IPs-industrial production); Chỉ số điện khí hóa (IE-Index of Electrification) v. Trong đó, sự biến động của chỉ tiêu Qe là do tác động của các chỉ tiêu nguyên nhân khác, gọi là liên hệ tƣơng quan, một hình thức liên hệ không chặt chẽ. Quá trình phân tích hồi quy gồm các bƣớc sau: 26 - Phân tích định tính về bản chất của mối quan hệ giữa biến phụ thuộc với các biến độc lập để xác định tính chất và xu thế của mối quan hệ đó. - Biểu hiện cụ thể bằng phƣơng trình hồi quy tuyến tính hoặc phi tuyến tính và tính các tham số của các phƣơng trình.

- Đánh giá mức độ chặt chẽ của mối liên hệ tƣơng quan bằng các hệ số tƣơng quan hoặc tỉ số tƣơng quan. Quan hệ giữa biến phụ thuộc (nhu cầu điện năng) y với các biến độc lập xi đƣợc thể hiện dƣới một số dạng chính sau: * Dạng tuyến tính: y = a 0 +a 1 x 1 +a 2 x 2 +.10) al a2 ak * Dạng phi tuyến: + Dạng Cobb Douglas: y= a 0 x 1 x 2 .12) Để kiểm định mô hình, ngƣời ta áp dụng nhiều tiêu chuẩn khác nhau, một trong số đó là hệ số xác định R2 áp dụng trong phân tích hồi quy bội. Chi tiết về xác định R2 có thể xem trong tài liệu [4],[6], [23],[31]. Ứng dụng phƣơng pháp dự báo nhu cầu điện năng sử dụng mô hình KTL Phƣơng pháp dự báo nhu cầu điện năng sử dụng các mô hình KTL đƣợc ứng dụng khá phổ biến.

Một số ứng dụng điển hình nhƣ: Von Hirchhausen và Andres [47] đã sử dụng mô hình Cobb–Douglas để dự báo nhu cầu điện năng giai đoạn 2000-2010 ở Trung Quốc. Ở Việt Nam, trong các Quy hoạch phát triển điện lực Việt Nam giai đoạn 2001-2010 có xét triển vọng đến 2020 (TSĐV) [20] và TSĐV hiệu chỉnh [21] đã sử dụng phƣơng pháp đàn hồi để dự báo nhu cầu điện năng. Badri MA đã phân tích tƣơng quan giữa mức tăng nhu cầu điện (GE) với mức tăng giá điện (GP) và mức tăng GDP (GGDP) [39] qua mô hình GE = f(GP,GGDP) để dự báo nhu cầu điện năng cho Bắc Mỹ giai đoạn 1974-1983, sử dụng dữ liệu thống kê từ năm 1951-1973. Công ty năng lƣợng NSPI (Nova Scotia Power Inc) đã sử dụng mô hình hồi quy dự báo nhu cầu điện tại Nova Scotia, Canada, giai đoạn từ năm 2004 đến năm 2013 [73].

Mohamad và Bodger [85] đã sử dụng mô hình hồi quy tuyến tính để dự báo nhu cầu điện cho New Zealand giai đoạn 1965-1999. Vichit Lorchirachoonkul và cộng sự 27 [107] đã xây dựng mô hình tƣơng quan với các biến giá điện, GDP và nhiệt độ để dự báo nhu cầu điện của Thái Lan. Dự báo nhu cầu điện năng tại Việt Nam dùng phương pháp hồi quy Trong khuôn khổ đề tài “Năng lƣợng nông thôn” thuộc Chƣơng trình năng lƣợng Nhà nƣớc, KHCN.09 giai đoạn 1996-2000, đã sử dụng phƣơng pháp hồi quy để dự báo nhu cầu điện và năng lƣợng nói chung cho nông thôn Việt Nam đến năm 2020. Đề tài đã xây dựng hàm dự báo với 4 biến phụ thuộc.

Kết quả dự báo đã đƣợc tham khảo để xác định nhu cầu năng lƣợng chung của quốc gia [16].