Tổng quan nghiên cứu

Dự báo nhu cầu phụ tải điện là hoạt động thiết yếu nhằm ước lượng xu hướng tăng trưởng và nhu cầu sử dụng điện trong ngắn hạn, trung hạn và dài hạn. Theo báo cáo của ngành điện, sản lượng điện thương phẩm của Công ty Điện lực Tây Ninh giai đoạn 2016-2019 tăng trưởng khoảng 15,1%, với năm 2020 đạt 4.707,01 triệu kWh, tăng 14,65% so với năm 2019. Việc dự báo chính xác nhu cầu phụ tải điện giúp đảm bảo cân đối cung cầu, nâng cao hiệu quả vận hành và độ tin cậy cung cấp điện. Tuy nhiên, các phương pháp dự báo hiện tại tại Công ty Điện lực Tây Ninh chủ yếu dựa trên hồi quy đa biến hoặc chuyên gia, gặp khó khăn do thiếu dữ liệu đầu vào chính xác như GDP, thời tiết, nhiệt độ, độ ẩm, dẫn đến sai số dự báo lớn.

Mục tiêu nghiên cứu là ứng dụng các mô hình chuỗi thời gian hiện đại, đặc biệt là mô hình Facebook Prophet, để dự báo nhu cầu phụ tải điện trung hạn tại Công ty Điện lực Tây Ninh. Nghiên cứu sử dụng dữ liệu sản lượng điện tiêu thụ hàng tháng từ 01/2006 đến 03/2021, tập trung phân tích xu hướng, tính mùa vụ và biến động ngẫu nhiên của chuỗi thời gian. Kết quả dự báo được kỳ vọng hỗ trợ lãnh đạo công ty trong việc điều hành hệ thống điện, nâng cao hiệu quả và độ tin cậy cung cấp điện, đồng thời đáp ứng yêu cầu báo cáo thống kê theo Thông tư 19/2017/TT-BCT của Bộ Công Thương.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình dự báo chuỗi thời gian, bao gồm:

  • Mô hình ARIMA (Autoregressive Integrated Moving Average): Mô hình thống kê truyền thống phân tích tính tự tương quan trong dữ liệu chuỗi thời gian, kết hợp các thành phần tự hồi quy (AR), trung bình trượt (MA) và tích hợp (I) để xử lý chuỗi không dừng.

  • Mô hình SARIMA (Seasonal ARIMA): Mở rộng ARIMA với các tham số mùa vụ, phù hợp với chuỗi thời gian có tính mùa vụ rõ rệt như dữ liệu điện thương phẩm hàng tháng.

  • Mạng nơ-ron LSTM (Long Short Term Memory): Mạng hồi quy sâu có khả năng ghi nhớ thông tin dài hạn, giải quyết vấn đề triệt tiêu gradient trong RNN, thích hợp cho dự báo chuỗi thời gian phi tuyến.

  • Mô hình Prophet: Mô hình cộng (Additive Model) phân rã chuỗi thời gian thành các thành phần xu hướng phi tuyến, tính mùa vụ hàng năm, hàng tuần, ảnh hưởng ngày lễ và sai số ngẫu nhiên, được thiết kế để xử lý dữ liệu chuỗi thời gian có tính phi tuyến và biến động phức tạp.

Các khái niệm chính bao gồm tính xu hướng, tính mùa vụ, tính dừng của chuỗi thời gian, sai phân bậc d để chuyển chuỗi không dừng thành chuỗi dừng, và các tham số mô hình (p, d, q) cho ARIMA/SARIMA, cùng các tham số neurons, epochs cho LSTM và seasonality_mode, seasonality_prior_scale cho Prophet.

Phương pháp nghiên cứu

Nghiên cứu sử dụng dữ liệu sản lượng điện tiêu thụ hàng tháng của 9 Điện lực thuộc Công ty Điện lực Tây Ninh từ tháng 01/2006 đến tháng 03/2021. Dữ liệu được chia thành 80% dùng huấn luyện và 20% dùng kiểm tra, đánh giá mô hình. Phương pháp phân tích chính là xây dựng và so sánh hiệu suất của ba mô hình dự báo chuỗi thời gian: SARIMA, LSTM và Prophet.

Chiến lược kiểm tra gối đầu (walk forward validation) được áp dụng để đánh giá mô hình, đảm bảo tính liên tục và thực tiễn trong dự báo. Độ đo hiệu suất chính là RMSE (Root Mean Square Error), cho phép so sánh sai số dự báo giữa các mô hình.

Quá trình xây dựng mô hình SARIMA sử dụng thuật toán tìm kiếm lưới (grid search) để xác định bộ tham số tối ưu (p, d, q)(P, D, Q)m dựa trên RMSE thấp nhất. Mô hình LSTM được xây dựng bằng thư viện Keras với việc tinh chỉnh số neurons và epochs thông qua tìm kiếm lưới. Mô hình Prophet được xây dựng bằng thư viện fbprophet, tinh chỉnh các tham số seasonality_mode và seasonality_prior_scale để phù hợp với dữ liệu.

Timeline nghiên cứu kéo dài từ thu thập dữ liệu, tiền xử lý, xây dựng mô hình, đánh giá và so sánh kết quả, đến thiết kế hệ thống dự báo thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu suất mô hình Prophet: Mô hình Prophet đạt RMSE thấp nhất trong dự báo nhu cầu phụ tải điện trung hạn của 9 Điện lực, với sai số dự báo trung bình dưới 5% trong 12 tháng dự báo. Ví dụ, Điện lực Gò Dầu có sai số dự báo thấp nhất khoảng 3,2%, cho thấy độ chính xác cao của mô hình.

  2. Hiệu suất mô hình SARIMA: Mô hình SARIMA cũng cho kết quả dự báo tốt với RMSE chỉ cao hơn Prophet khoảng 0,5-1%, sai số dự báo trung bình trong khoảng 4-6%. Bộ tham số SARIMA tối ưu cho từng Điện lực được xác định cụ thể, ví dụ Điện lực Thành phố Tây Ninh sử dụng bộ [(1,1,1),(2,0,2,12)].

  3. Hiệu suất mô hình LSTM: Mạng LSTM cho kết quả dự báo có RMSE cao hơn so với Prophet và SARIMA, sai số dự báo trung bình khoảng 6-8%. Mô hình LSTM yêu cầu tinh chỉnh kỹ thuật cao với số neurons và epochs khác nhau cho từng Điện lực, ví dụ Điện lực Tân Châu sử dụng 3 neurons và 100 epochs.

  4. Tính mùa vụ và xu hướng: Phân tích chuỗi thời gian cho thấy dữ liệu sản lượng điện thương phẩm có xu hướng tăng rõ rệt và tính mùa vụ 12 tháng, phù hợp với mô hình SARIMA và Prophet. Chuỗi thời gian dừng sau khi lấy sai phân bậc 1, giúp mô hình ARIMA/SARIMA hoạt động hiệu quả.

Thảo luận kết quả

Nguyên nhân mô hình Prophet vượt trội là do khả năng xử lý các thành phần phi tuyến tính, tính mùa vụ phức tạp và ảnh hưởng ngày lễ trong chuỗi thời gian, điều mà mô hình ARIMA/SARIMA truyền thống khó xử lý hiệu quả. Mô hình LSTM tuy có ưu thế trong học các mẫu phi tuyến nhưng đòi hỏi lượng dữ liệu lớn và tinh chỉnh tham số phức tạp, dẫn đến hiệu suất không ổn định trong trường hợp dữ liệu có tính mùa vụ rõ ràng như ở Tây Ninh.

So sánh với các nghiên cứu trong nước và quốc tế, kết quả phù hợp với xu hướng ứng dụng mô hình Prophet trong dự báo chuỗi thời gian phi tuyến và có tính mùa vụ, đồng thời khẳng định tính khả thi của mô hình SARIMA trong các chuỗi thời gian có tính mùa vụ rõ ràng. Việc trình bày dữ liệu qua biểu đồ RMSE theo từng tháng và bảng so sánh sai số dự báo giúp minh họa rõ ràng hiệu quả từng mô hình.

Kết quả nghiên cứu có ý nghĩa thực tiễn lớn, giúp Công ty Điện lực Tây Ninh nâng cao độ chính xác dự báo, từ đó tối ưu hóa công tác điều hành, vận hành hệ thống điện, giảm thiểu lãng phí và tăng độ tin cậy cung cấp điện.

Đề xuất và khuyến nghị

  1. Triển khai mô hình Prophet làm công cụ dự báo chính: Áp dụng mô hình Prophet trong hệ thống dự báo nhu cầu phụ tải điện trung hạn với mục tiêu giảm sai số dự báo xuống dưới 5% trong vòng 12 tháng tới. Chủ thể thực hiện là phòng Kỹ thuật và Phòng Công nghệ thông tin của Công ty Điện lực Tây Ninh, hoàn thành trong 6 tháng.

  2. Đào tạo và nâng cao năng lực nhân sự: Tổ chức các khóa đào tạo về mô hình chuỗi thời gian, đặc biệt là Prophet và SARIMA, nhằm nâng cao kỹ năng phân tích và vận hành mô hình cho đội ngũ kỹ thuật. Mục tiêu hoàn thành trong 3 tháng, giúp giảm thiểu sai sót vận hành mô hình.

  3. Xây dựng hệ thống dự báo tự động tích hợp Dashboard: Phát triển hệ thống dự báo tự động với giao diện Dashboard trực quan, cập nhật dữ liệu và kết quả dự báo theo thời gian thực, hỗ trợ lãnh đạo ra quyết định nhanh chóng. Thời gian triển khai dự kiến 9 tháng, do phòng Công nghệ thông tin chủ trì.

  4. Cập nhật và mở rộng dữ liệu đầu vào: Thu thập và tích hợp thêm các yếu tố ảnh hưởng như thời tiết, chỉ số kinh tế, dân số để nâng cao độ chính xác dự báo. Chủ thể là phòng Kinh doanh và Phòng Kỹ thuật, thực hiện liên tục và cập nhật hàng năm.

  5. Đánh giá và cải tiến mô hình định kỳ: Thiết lập quy trình đánh giá hiệu suất mô hình dự báo hàng quý, điều chỉnh tham số và cập nhật mô hình mới phù hợp với biến động thực tế. Chủ thể là Ban Quản lý dự án và phòng Kỹ thuật, thực hiện liên tục.

Đối tượng nên tham khảo luận văn

  1. Các công ty điện lực và đơn vị phân phối điện: Nghiên cứu cung cấp phương pháp và mô hình dự báo nhu cầu phụ tải điện trung hạn hiệu quả, giúp nâng cao độ chính xác dự báo và tối ưu hóa vận hành hệ thống điện.

  2. Nhà quản lý và lãnh đạo ngành điện: Hỗ trợ ra quyết định dựa trên dữ liệu dự báo chính xác, từ đó hoạch định chiến lược phát triển nguồn và lưới điện phù hợp với nhu cầu thực tế.

  3. Chuyên gia và nhà nghiên cứu trong lĩnh vực hệ thống thông tin và kỹ thuật điện: Cung cấp cơ sở lý thuyết, phương pháp và kết quả thực nghiệm về ứng dụng chuỗi thời gian và mô hình Prophet trong dự báo phụ tải điện.

  4. Sinh viên và học viên cao học chuyên ngành hệ thống thông tin, kỹ thuật điện: Tài liệu tham khảo quý giá về phương pháp nghiên cứu, xây dựng và đánh giá mô hình dự báo chuỗi thời gian, đồng thời có ví dụ thực tế ứng dụng tại Việt Nam.

Câu hỏi thường gặp

  1. Tại sao chọn mô hình Prophet thay vì các mô hình truyền thống?
    Mô hình Prophet xử lý tốt các chuỗi thời gian có xu hướng phi tuyến, tính mùa vụ phức tạp và ảnh hưởng ngày lễ, giúp giảm sai số dự báo so với ARIMA/SARIMA truyền thống. Ví dụ, sai số RMSE của Prophet thấp hơn khoảng 0,5-1% so với SARIMA trong nghiên cứu này.

  2. Dữ liệu đầu vào có ảnh hưởng thế nào đến kết quả dự báo?
    Dữ liệu đầy đủ, chính xác và có tính liên tục giúp mô hình học được các đặc trưng chuỗi thời gian tốt hơn. Thiếu dữ liệu về yếu tố kinh tế, thời tiết có thể làm sai lệch dự báo, như đã thấy khi sử dụng hồi quy đa biến truyền thống tại Công ty Điện lực Tây Ninh.

  3. Chiến lược kiểm tra gối đầu (walk forward validation) là gì?
    Đây là phương pháp đánh giá mô hình dự báo bằng cách sử dụng dữ liệu huấn luyện liên tục mở rộng theo thời gian, mô phỏng điều kiện thực tế khi dự báo tương lai, giúp đánh giá chính xác hiệu suất mô hình.

  4. Mô hình LSTM có ưu điểm gì và tại sao không được chọn làm mô hình chính?
    LSTM có khả năng học các mẫu phi tuyến phức tạp và phụ thuộc dài hạn, nhưng đòi hỏi lượng dữ liệu lớn và tinh chỉnh tham số phức tạp. Trong nghiên cứu này, LSTM có sai số dự báo cao hơn và không ổn định bằng Prophet và SARIMA.

  5. Làm thế nào để áp dụng kết quả nghiên cứu vào thực tế?
    Cần xây dựng hệ thống dự báo tự động tích hợp mô hình Prophet, cập nhật dữ liệu liên tục và đào tạo nhân sự vận hành. Hệ thống này sẽ hỗ trợ lãnh đạo trong việc ra quyết định điều hành hệ thống điện hiệu quả và kịp thời.

Kết luận

  • Nghiên cứu đã ứng dụng thành công các mô hình chuỗi thời gian ARIMA, SARIMA, LSTM và Prophet trong dự báo nhu cầu phụ tải điện trung hạn tại Công ty Điện lực Tây Ninh.
  • Mô hình Prophet cho kết quả dự báo chính xác nhất với sai số RMSE thấp nhất và khả năng xử lý các thành phần phi tuyến, mùa vụ và ngày lễ hiệu quả.
  • Dữ liệu chuỗi thời gian sản lượng điện thương phẩm có xu hướng tăng và tính mùa vụ 12 tháng rõ rệt, phù hợp với mô hình SARIMA và Prophet.
  • Đề xuất xây dựng hệ thống dự báo tự động tích hợp mô hình Prophet, đồng thời nâng cao năng lực nhân sự và mở rộng dữ liệu đầu vào để nâng cao hiệu quả dự báo.
  • Các bước tiếp theo bao gồm triển khai hệ thống dự báo, đào tạo nhân sự và đánh giá hiệu suất mô hình định kỳ nhằm đảm bảo tính bền vững và chính xác trong công tác dự báo phụ tải điện.

Hành động tiếp theo: Công ty Điện lực Tây Ninh nên bắt đầu triển khai mô hình Prophet trong hệ thống dự báo, đồng thời xây dựng kế hoạch đào tạo và phát triển hệ thống dữ liệu để nâng cao hiệu quả vận hành và đáp ứng nhu cầu phát triển điện năng trong tương lai.