chương 1 Trong chương này, luận văn đã trình bày tổng quan các khái niệm cơ bản liên quan tới điện mặt trời, các phương pháp dự báo, dự báo kinh tế. Các phương pháp thường sử dụng trong dự báo kinh tế bao gồm các phương pháp liên quan tới kinh tế lượng và học máy. Trong luận văn sử dụng các phương pháp định lượng để dự báo, do đó lý thuyết về phương pháp định lượng được trình bày nhiều hơn. Cuối chương, luận văn cũng đưa ra một số phương pháp xác định lỗi dự báo nhằm mục đích đánh giá độ chính xác của các dự báo dựa trên sai lệch kết quả giữa mô hình và giá trị thực tế của dự báo.
11 CHƯƠNG 2: DỰ BÁO NHU CẦU SỬ DỤNG ĐIỆN MẶT TRỜI SỬ DỤNG PHƯƠNG PHÁP HỌC MÁY 2.1 Một số phương pháp liên quan Nhận thức được sự quan trọng của dự báo nhu cầu sử dụng điện, các phương pháp đề xuất cho dự báo nhu cầu tăng nhanh trong những năm gần đây. Dự báo đến năm 2020, nhu cầu sử dụng điện của Việt Nam sẽ tăng 3,5 lần so với hiện nay - đó là nhận định của ông Kimio Yoshida, Trưởng nhóm nghiên cứu tổng sơ đồ sử dụng năng lượng hiệu quả tại Việt Nam của Tổ chức Hợp tác Quốc tế Nhật Bản (JICA). Hình dưới đây mô tả một số các phương pháp được sử dụng nhiều trong dự báo nhu cầu sử dụng điện.1: Một số phương pháp tiếp cận dự báo Vào cuối những năm 1990, các phương pháp tính toán tin học và các mạng nơ ron là một chủ đề nóng cho các nhà nghiên cứu, các học giả quan tâm phát triển các thuật toán. Một số công bố điển hình trong những năm 90 bao gồm: - Shahidehpour et al.
(Năm 2002) thảo luận về các vấn đề cơ bản của việc định giá và dự báo (biến nội sinh, các biến ngoại sinh), mô tả một mô đun dự báo dựa trên mạng nơ-ron và bình luận về đánh giá hiệu năng. - Weron (2006) cung cấp tổng quan các phương pháp tiếp cận mô hình hoá, sau đó tập trung vào các ứng dụng thực tiễn của các phương pháp thống kê 12 cho dự báo (ARMA, ARMAX,) dự báo khoảng thời gian, và chuyển sang các mô hình định lượng để định giá phái sinh. - Zareipour (2008) bắt đầu bằng việc xem xét các mô hình chuỗi thời gian tuyến tính (ARIMA, ARX, ARMAX) và các mô hình phi tuyến (hồi quy splines, mạng nơ-ron), sau đó sử dụng chúng để dự báo hàng giờ trên thị trường điện Ontario. Tiếp theo đó, có khá nhiều các phương pháp được sử dụng để dự báo, có thể phân thành các nhóm phương pháp như sau: Hình 2.2: Phân nhóm các phương pháp dự báo nhu cầu sử dụng điện 2.1 Multi-agent models Dự báo dài hạn nhu cầu sử dụng điện được coi như là việc đơn giản nhưng tốt kém, nó thường liên quan tới dự báo trung bình và dài hạn và kết hợp các ước tính về nhu cầu cung cấp.
Các mô hình chi phí (mô hình chi phí sản xuất) có khả năng dự báo nhu cầu sử dụng theo giờ. Tuy nhiên, cách thức này lại bỏ qua những vấn đề phức tạp của thị trường. Các mô hình này thường coi thị trường là khá ổn định, không bị chi phối bởi các chiến lược hay sự cạnh tranh bất thường khác.Các mô hình này có thể dự đoán khá chính xác mức nhu cầu dự kiến của một thị trường điện với tính cân bằng cao. 13 Ventosa và các cộng sự (2005) xác định ba xu hướng mô hình thị trường điện chính: tối ưu hóa, cân bằng và các mô hình mô phỏng.
Trong phân loại của họ, các mô hình tối ưu hóa tập trung vào vấn đề tối đa hóa lợi nhuận cho một trong những công ty cạnh tranh trên thị trường. Họ đã sử dụng mô hình đa tác tử mô phỏng cho các công ty cạnh tranh để quyết định được nhu cầu của thị trường dựa trên những sự tương tác trên những agent. Trong Nash – Cournot framework, điện được coi là một sản phẩm đồng nhất và cân bằng thị trường được xác định thông qua các quyết định về khả năng của nhà cung cấp. Tuy nhiên, các mô hình này có xu hướng cung cấp nhu cầu sử dụng cao hơn giá trị được quan sát trong thực tế.
Các nhà nghiên cứu đã giải quyết vấn đề này bằng cách giới thiệu khái niệm các biến phán đoán nhằm mục đích đại diện cho thực tế là các đối thủ cạnh tranh sẽ sản xuất điện nhiều hơn khi thấy nhu cầu sử dụng điện cao hơn. Ruibal và Mazumdar (2008) cung cấp một trong số rất ít ứng dụng của framework này cho EPF. Một mô hình ngẫu nhiên dựa trên cơ sở nhu cầu sử dụng thầu được đề xuất để dự đoán nhu cầu sử dụng điện theo giờ và nhu cầu sử dụng trung bình trong một khoảng thời gian nhất định. Hai nguồn không chắc chắn được xem xét: sự sẵn có của các đơn vị phát điện và nhu cầu.
Kết quả cho thấy khi số lượng các doanh nghiệp trên thị trường giảm, giá trị dự kiến của giá sẽ tăng lên đáng kể. Sự khác nhau của mô hình Cournot cũng tăng lên Ruibal và Mazumdar cũng chứng minh rằng một dự báo nhiệt độ chính xác có thể làm giảm đáng kể dự đoán của dự báo nhu cầu sử dụng điện.2 Các mô hình cơ bản Coulon và Howison (2009) phát triển một mô hình cơ bản cho nhu cầu sử dụng điện tại chỗ, dựa trên các quy trình ngẫu nhiên cho các yếu tố cơ bản (giá nhiên liệu, nhu cầu năng lượng và khả năng sẵn có năng lượng), cũng như một hình thức tham số cho trình điều khiển để giá điện. Sử dụng dữ liệu giá thầu, họ tìm thấy mối tương quan giữa giá thầu và giá nhiên liệu tương ứng. Sử dụng mô hình ngẫu nhiên của chào giá, Carmona, Coulon và Schwarz (2013) đã biến nhu cầu về điện và giá nhiên liệu để dự báo giá điện.
Trong một bối cảnh tương tự, Aïd, Campi và Langrené (2013) đã xây dựng một mô hình cấu trúc rủi ro trong đó có một chức năng khan hiếm được đưa ra để cho phép lệch giá tại chỗ từ giá nhiên liệu cận biên, 14 dẫn đến tăng giá. Giống như Carmona và các cộng sự (2013), họ tập trung vào việc định giá và bảo hiểm rủi ro ảnh hưởng tới giá điện.3 Mô hình reduced-form Một tính năng phổ biến của mô hình reduced – form là không cung cấp dự báo giá mỗi giờ chính xác mà thường là dự báo sử dụng phân phối cận biên tại điểm thời gian trong tương lai. Trong mô hình này, họ sử dụng các luật tính toán (Härdle & Weron, 2011) hoặc các cơ chế về kinh tế lượng (đột ngột thay đổi giá, xem Hamilton, 2008). Theo một cách nào đó, các mô hình này được xem xét theo các mô hình chuyển đổi chế độ Markov.4 Mô hình thống kê và kinh tế lượng Một trong các ứng dụng chủ yếu của mô hình kinh tế lượng là để dự báo hay dự đoán.
Có hai nhóm phương pháp dự báo: Kinh tế lượng và chuỗi thời gian. Dự báo kinh tế lượng đặt cơ sở trên mô hình hồi quy để nối kết một (hay nhiều) biến phụ thuộc với một số biến độc lập. Dự báo chuỗi thời gian nối kết biến phụ thuộc với các giá trị của nó trong quá khứ và cố gắng sử dụng mối quan hệ này để dự báo biến phụ thuộc. Một môi trường dự báo bao gồm ba thời đoạn.
Một người khảo sát sử dụng một mẫu các quan sát và ước lượng mô hình. Các giá trị dự báo của biến phụ thuộc trong thời kỳ trong mẫu này còn được gọi là các giá trị thích hợp hóa. Các giá trị dự báo ngoài mẫu có thể là kiểm định hay tiên nghiệm. Dự báo kiểm định là đối với giai đoạn mà trong đó các giá trị thực tế của biến phụ thuộc và độc lập đều đã biết.
Các giá trị dự báo như thế thường được so sánh với giá trị thực tế để đánh giá năng lực dự báo của mô hình. Các dự báo tiên nghiệm là dự báo cho tương lai với các giá trị của biến độc lập được dự báo từ các mô hình khác. Dự báo có thể là có điều kiện hoặc không điều kiện. Khi các giá trị của các biến độc lập là biết trước thì ta có dự báo có điều kiện.
Dự báo không điều kiện được tạo ra khi các giá trị của các biến ngoại sinh không được biết trước mà là được tạo ra từ bản thân mô hình hay từ một mô hình hỗ trợ khác. Nhiều nghiên cứu trước đây đã sử dụng một mô hình ARIMA dựa trên chuyển đổi wavelet để dự báo giá điện. Dữ liệu lịch sử lần đầu tiên được phân chia 15 bằng cách sử dụng chuyển đổi wavelet trước khi áp dụng mô hình ARIMA. Sau đó, các kết quả dự báo thu được bằng cách sử dụng phép biến đổi wavelet nghịch đảo.
Mô hình ARIMA có tên tiếng Anh là Autoregressive Integrated Moving Average.Mô hình này lần đầu tiên được đưa ra bởi Box & Jenkins (1970). ARIMA được kết hợp bởi 3 thành thành phần chính: AR (thành phần tự hồi quy), I (tính dừng của chuỗi thời gian) và MA (thành phần trung bình trượt). Theo Gujarati (2004), để ước lượng mô hình ARIMA ta cần đi qua 4 bước chính sau: • Bước 1: Nhận dạng mô hình Mô hình ARIMA chỉ được áp dụng đối với chuỗi dừng Mô hình có thể trình bày theo dạng AR, MA hay ARMA. Phương pháp xác định mô hình thường được thực hiện qua nghiên cứu chiều hướng biến đổi của hàm tự tương quan ACF hay hàm tự tương quan từng phần PACF.
Chuỗi ARIMA không dừng: cần phải được chuyển đổi thành chuỗi dừng trước khi tính ước lượng tham số bình phương tối thiểu. Việc chuyển đổi này được thực hiện bằng cách tính sai phân giữa các giá trị quan sát dựa vào giả định các phần khác nhau của các chuỗi thời gian đều được xem xét tương tự, ngoại trừ các khác biệt ở giá trị trung bình. Nếu việc chuyển đổi này không thành công, sẽ áp dụng tiếp các kiểu chuyển đổi khác (chuyển đổi logarithm chẳng hạn). • Bước 2: Ước lượng các tham số và lựa chọn mô hình Tính những ước lượng khởi đầu cho các tham số a0, a1, … , ap, b1,…., bq của mô hình dự định.
Sau đó xây dựng những ước lượng sau cùng bằng một quá trình lặp. • Bước 3: Kiểm định mô hình Sau khi các tham số của mô hình tổng quát đã xây dựng, ta kiểm tra mực độ chính xác và phù hợp của mô hình với dữ liệu. Chúng ta kiểm định phần dư (Y t - Y^t) và có ý nghĩa cũng như mối quan hệ các tham số.