NGHIÊN CỨU VÀ ÁP DỤNG GIẢI THUẬT TÌM KIẾM LƯỚI TRONG MẠNG XGBOOST CHO BÀI TOÁN DỰ BÁO PHỤ TẢI

• Tác giả: Trần Đăng Khánh
• Người hướng dẫn: TS. Trần Thanh Ngọc
• Trường học: Trường Đại học Công nghiệp Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật Điện
• Đề tài: Nghiên cứu và áp dụng giải thuật tìm kiếm lưới trong mạng XGBoost cho bài toán dự báo phụ tải
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN THẠC sĩ
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ Dự BÁO PHỤ TẢI
• 1.1. Tổng quan về dự báo phụ tải
• 1.2. Phân loại dự báo phụ tải
• 1.3. Các phương pháp dự báo cơ bản
• 1.4. Sai số trong dự báo phụ tải
• 2. CHƯƠNG 2: MẠNG XGBOOST
• 2.1. Siêu tham số mạng XGBoost
• 2.2. Các siêu tham số cơ bản và ảnh hưởng đến độ chính xác của mô hình
• 2.3. Giới Thiệu Google Colaboratory
• 3. CHƯƠNG 3: ÁP DỤNG GIẢI THUẬT GRID SEARCH TRONG MẠNG XGBOOST CHO BÀI TOÁN Dự BÁO PHỤ TẢI
• 3.1. Giải thuật Grid Search
• 3.2. Áp dụng giải thuật Grid Search trong mạng XGBoost
• 3.3. Xây dựng lưu đồ giải thuật Grid Search đánh giá ảnh hường của siêu tham số mạng XGBoost cho bài toán dự báo phụ tải
• 4. CHƯƠNG 4: KẾT QUẢ Dự BÁO VÀ PHÂN TÍCH
• 4.1. Dữ liệu sử dụng trong bài toán dự báo
• 4.2. Bang South Australia
• 4.3. Đánh giá mức tiêu thụ điện và xây dựng mô hình dự báo phụ tải điện
• 4.4. Nghiên cứu ảnh hưởng của số lượng các siêu tham số đối với giải thuật Grid Search
• 4.5. Khảo sát cho dữ liệu của bang Queensland, Úc
• 4.6. Khảo sát đối với dữ liệu của Bang South Australia
• 4.7. So sánh kết quả dự báo của Grid Search và giá trị mặc định của hàm XGBoost
• 4.8. Kết quả dự báo đối với dữ liệu bang Queensland
• 4.9. Kết quả dự báo đối với dữ liệu bang South Australia
• 4.10. Đánh giá dự báo
• 5. KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Về Dự Báo Phụ Tải Điện Năng Vì Sao Quan Trọng

Trong bối cảnh năng lượng ngày càng trở nên quan trọng, dự báo phụ tải điện năng đóng vai trò then chốt trong việc đảm bảo nguồn cung cấp điện ổn định và hiệu quả. Việc dự báo chính xác nhu cầu tiêu thụ điện giúp các nhà quản lý và vận hành hệ thống điện có thể lên kế hoạch sản xuất, truyền tải và phân phối điện một cách tối ưu. Điều này không chỉ giúp tiết kiệm chi phí mà còn đảm bảo an ninh năng lượng cho quốc gia. Theo số liệu từ Bộ Công Thương, nhu cầu điện năng tại Việt Nam liên tục tăng trưởng, đặc biệt trong giai đoạn công nghiệp hóa và đô thị hóa. Do đó, việc áp dụng các phương pháp dự báo nhu cầu điện tiên tiến là vô cùng cần thiết. Việc sử dụng hiệu quả các mô hình dự báo phụ tải điện ngắn hạn, dự báo phụ tải điện trung hạn, và dự báo phụ tải điện dài hạn mang lại cái nhìn toàn diện về nhu cầu điện trong tương lai.

1.1. Tầm Quan Trọng Của Dự Báo Phụ Tải Điện Trong Quản Lý Năng Lượng

Dự báo phụ tải điện năng không chỉ là một công cụ dự đoán, mà còn là nền tảng cho việc quản lý năng lượng hiệu quả. Nó giúp các nhà quản lý đưa ra quyết định chính xác về việc đầu tư vào cơ sở hạ tầng điện, điều chỉnh giá điện phù hợp, và tối ưu hóa việc sử dụng các nguồn năng lượng. Theo Tập đoàn Điện lực Việt Nam (EVN), việc dự báo chính xác nhu cầu điện giúp giảm thiểu rủi ro thiếu điện, đặc biệt trong mùa cao điểm. Bên cạnh đó, dự báo còn hỗ trợ tích hợp các nguồn năng lượng tái tạo vào lưới điện một cách ổn định và tin cậy, góp phần vào mục tiêu phát triển bền vững của quốc gia.

1.2. Các Thách Thức Trong Dự Báo Phụ Tải Điện Năng Hiện Nay

Mặc dù có tầm quan trọng lớn, dự báo phụ tải điện năng vẫn đối mặt với nhiều thách thức. Sự biến động của thời tiết, thay đổi trong thói quen tiêu dùng, và sự phát triển nhanh chóng của công nghệ là những yếu tố gây khó khăn cho việc dự đoán chính xác nhu cầu điện. Ngoài ra, việc thiếu dữ liệu đầy đủ và chất lượng cũng là một rào cản lớn. Các mô hình dự báo cần được liên tục cập nhật và cải tiến để thích ứng với những thay đổi này. Để vượt qua những thách thức này, việc áp dụng các phương pháp học máy (machine learning), khai thác dữ liệu lịch sử, và sử dụng các thuật toán tiên tiến như XGBoost là rất quan trọng.

II. Thách Thức Dự Báo Điện Năng Yếu Tố Gây Sai Số Và Biến Động

Dự báo phụ tải điện năng không phải là một nhiệm vụ đơn giản. Nhiều yếu tố có thể gây ra sai số và biến động, ảnh hưởng đến độ chính xác của các mô hình dự báo. Các yếu tố này có thể chia thành hai nhóm chính: yếu tố khách quan và yếu tố chủ quan. Yếu tố khách quan bao gồm các yếu tố không thể kiểm soát như thời tiết, biến động kinh tế, và sự thay đổi trong chính sách năng lượng. Yếu tố chủ quan bao gồm các yếu tố liên quan đến dữ liệu, phương pháp dự báo, và kỹ năng của người dự báo. Theo một nghiên cứu của IEEE, sai số dự báo có thể dẫn đến những quyết định sai lầm trong quản lý hệ thống điện, gây thiệt hại về kinh tế và ảnh hưởng đến an ninh năng lượng. Do đó, việc hiểu rõ các yếu tố gây sai số và biến động là rất quan trọng để cải thiện độ chính xác của dự báo.

2.1. Ảnh Hưởng Của Yếu Tố Thời Tiết Đến Dự Báo Phụ Tải Điện Năng

Thời tiết là một trong những yếu tố quan trọng nhất ảnh hưởng đến tiêu thụ điện. Nhiệt độ, độ ẩm, và lượng mưa đều có thể tác động đáng kể đến nhu cầu sử dụng điện cho các hoạt động như làm mát, sưởi ấm, và chiếu sáng. Trong những ngày nắng nóng, nhu cầu sử dụng điều hòa tăng cao, dẫn đến sự gia tăng đột biến trong phụ tải điện. Ngược lại, trong những ngày lạnh giá, nhu cầu sử dụng lò sưởi cũng tăng lên. Theo các nghiên cứu, việc kết hợp dữ liệu thời tiết vào mô hình dự báo có thể cải thiện đáng kể độ chính xác của dự báo. Các yếu tố climate change impact on load forecasting ngày càng quan trọng.

2.2. Tác Động Của Biến Động Kinh Tế Đến Nhu Cầu Sử Dụng Điện

Biến động kinh tế cũng có tác động lớn đến nhu cầu sử dụng điện. Khi nền kinh tế phát triển, các hoạt động sản xuất, kinh doanh, và dịch vụ tăng lên, dẫn đến sự gia tăng trong tiêu thụ điện. Ngược lại, khi kinh tế suy thoái, nhu cầu sử dụng điện có thể giảm xuống. Việc theo dõi và phân tích các chỉ số kinh tế vĩ mô như GDP, lạm phát, và tỷ lệ thất nghiệp có thể giúp dự đoán được xu hướng tiêu thụ điện trong tương lai. Ngoài ra, sự thay đổi trong cơ cấu kinh tế, ví dụ như sự phát triển của các ngành công nghiệp mới, cũng có thể ảnh hưởng đến nhu cầu điện.

2.3. Sai Sót Dữ Liệu Đầu Vào Nguyên Nhân Chính Gây Sai Số Dự Báo

Chất lượng dữ liệu đầu vào đóng vai trò then chốt trong quá trình dự báo phụ tải điện. Dữ liệu sai sót hoặc không đầy đủ có thể dẫn đến sai số đáng kể trong kết quả dự báo. Dữ liệu cần được thu thập, xử lý và kiểm tra một cách cẩn thận để đảm bảo tính chính xác và tin cậy. Các phương pháp feature engineering và xử lý dữ liệu, loại bỏ các giá trị ngoại lệ (outlier detection) và xử lý dữ liệu thiếu, là rất quan trọng để cải thiện chất lượng dữ liệu đầu vào. Việc sử dụng các nguồn dữ liệu đa dạng và đáng tin cậy cũng giúp tăng cường độ chính xác của dự báo.

III. XGBoost Và Tìm Kiếm Lưới Phương Pháp Dự Báo Phụ Tải Điện Năng

Để giải quyết các thách thức trong dự báo phụ tải điện năng, các nhà nghiên cứu đã phát triển và áp dụng nhiều phương pháp tiên tiến. Trong số đó, XGBoost và tìm kiếm lưới (Grid Search) là hai công cụ mạnh mẽ và hiệu quả. XGBoost là một thuật toán học máy tăng cường gradient (gradient boosting) nổi tiếng với khả năng xử lý dữ liệu lớn và phức tạp. Tìm kiếm lưới là một phương pháp tối ưu hóa tham số, giúp tìm ra các tham số tốt nhất cho mô hình dự báo. Sự kết hợp giữa XGBoost và tìm kiếm lưới cho phép xây dựng các mô hình dự báo phụ tải điện năng với độ chính xác cao. Nghiên cứu của Trần Đăng Khánh (2024) đã chỉ ra rằng việc áp dụng thuật toán XGBoost và phương pháp tìm kiếm lưới có thể cải thiện đáng kể độ chính xác của dự báo.

3.1. Giới Thiệu Chi Tiết Về Thuật Toán XGBoost Và Ưu Điểm Vượt Trội

XGBoost (Extreme Gradient Boosting) là một thuật toán học máy tăng cường gradient được phát triển bởi Tianqi Chen. XGBoost nổi tiếng với khả năng xử lý dữ liệu lớn và phức tạp, đồng thời đạt được độ chính xác cao trong nhiều bài toán dự báo. Ưu điểm của XGBoost bao gồm khả năng xử lý dữ liệu thiếu, khả năng chống overfitting, và khả năng song song hóa để tăng tốc độ huấn luyện. XGBoost đã được áp dụng thành công trong nhiều lĩnh vực, bao gồm dự báo tài chính, dự báo thời tiết, và dự báo phụ tải điện năng. Quan trọng nhất, người dùng cần am hiểu về tham số XGBoost để có thể khai thác triệt để tiềm năng của thuật toán.

3.2. Tìm Kiếm Lưới Grid Search Tối Ưu Tham Số Cho Mô Hình Dự Báo

Tìm kiếm lưới (Grid Search) là một phương pháp tối ưu hóa tham số phổ biến trong học máy. Phương pháp này hoạt động bằng cách tạo ra một lưới các giá trị tham số và đánh giá hiệu suất của mô hình trên từng điểm trong lưới. Điểm có hiệu suất tốt nhất sẽ được chọn làm giá trị tham số tối ưu. Ưu điểm của tìm kiếm lưới là đơn giản, dễ hiểu, và có thể tìm ra các tham số tốt nhất cho mô hình. Tuy nhiên, nhược điểm của tìm kiếm lưới là tốn kém về mặt tính toán, đặc biệt khi số lượng tham số và số lượng giá trị của mỗi tham số lớn. Grid search optimization có thể giúp tăng cường đáng kể độ chính xác của thuật toán XGBoost.

3.3. Kết Hợp XGBoost Và Tìm Kiếm Lưới Quy Trình Xây Dựng Mô Hình

Việc kết hợp XGBoost và tìm kiếm lưới đòi hỏi một quy trình xây dựng mô hình chặt chẽ. Quy trình này bao gồm các bước sau: (1) Thu thập và chuẩn bị dữ liệu, (2) Xác định các tham số cần tối ưu hóa, (3) Tạo lưới các giá trị tham số, (4) Huấn luyện và đánh giá mô hình trên từng điểm trong lưới, (5) Chọn các tham số tối ưu, và (6) Đánh giá hiệu suất của mô hình với các tham số tối ưu. Việc tuân thủ quy trình này giúp đảm bảo rằng mô hình dự báo được xây dựng một cách chính xác và hiệu quả. Ngoài ra, việc sử dụng các công cụ và thư viện hỗ trợ như Python, Scikit-learn, và XGBoost library giúp đơn giản hóa quá trình xây dựng mô hình.

IV. Nghiên Cứu Thực Tiễn Ứng Dụng XGBoost Vào Dự Báo Phụ Tải Điện

Để chứng minh tính hiệu quả của phương pháp XGBoost và tìm kiếm lưới, nhiều nghiên cứu đã được thực hiện trên các bộ dữ liệu thực tế. Các nghiên cứu này cho thấy rằng việc áp dụng XGBoost và tìm kiếm lưới có thể cải thiện đáng kể độ chính xác của dự báo phụ tải điện năng so với các phương pháp truyền thống. Ví dụ, nghiên cứu của Trần Đăng Khánh (2024) đã áp dụng XGBoost và tìm kiếm lưới để dự báo phụ tải điện năng cho Bang Queensland, Australia và Bang South Australia. Kết quả cho thấy rằng XGBoost và tìm kiếm lưới có thể đạt được độ chính xác cao, với sai số MAPE (Mean Absolute Percentage Error) dưới 5%.

4.1. Phân Tích Dữ Liệu Và Lựa Chọn Đặc Trưng Đầu Vào Phù Hợp Nhất

Việc phân tích dữ liệu và lựa chọn đặc trưng đầu vào là một bước quan trọng trong quá trình xây dựng mô hình dự báo. Các đặc trưng đầu vào có thể bao gồm dữ liệu thời tiết, dữ liệu kinh tế, dữ liệu lịch sử phụ tải điện, và các yếu tố khác có liên quan đến nhu cầu sử dụng điện. Việc lựa chọn các đặc trưng phù hợp giúp mô hình dự báo có thể nắm bắt được các yếu tố quan trọng ảnh hưởng đến phụ tải điện. Các phương pháp như phân tích tương quan, phân tích thành phần chính (PCA), và lựa chọn đặc trưng dựa trên cây quyết định có thể được sử dụng để lựa chọn các đặc trưng tốt nhất. Đặc biệt, việc hiểu rõ factors influencing load forecasting là vô cùng quan trọng.

4.2. Đánh Giá Hiệu Quả Mô Hình Các Chỉ Số RMSE MAE MAPE

Để đánh giá hiệu quả của mô hình dự báo, các chỉ số thống kê như RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), và MAPE (Mean Absolute Percentage Error) thường được sử dụng. RMSE đo lường độ lệch chuẩn của các sai số dự báo, MAE đo lường giá trị trung bình của các sai số tuyệt đối, và MAPE đo lường tỷ lệ phần trăm trung bình của các sai số tuyệt đối. Các chỉ số này giúp so sánh hiệu suất của các mô hình dự báo khác nhau và đánh giá mức độ chính xác của mô hình. Thông thường, mô hình có RMSE, MAE, và MAPE càng nhỏ thì càng tốt. Việc đánh giá mô hình dự báo một cách khách quan là cần thiết.

4.3. So Sánh Kết Quả Dự Báo XGBoost So Với Các Phương Pháp Truyền Thống

Để đánh giá tính hiệu quả của XGBoost và tìm kiếm lưới, các nghiên cứu thường so sánh kết quả dự báo của XGBoost với kết quả dự báo của các phương pháp truyền thống như ARIMA, Exponential Smoothing, và Support Vector Regression (SVR). Các kết quả cho thấy rằng XGBoost và tìm kiếm lưới thường đạt được độ chính xác cao hơn so với các phương pháp truyền thống, đặc biệt trong các bài toán dự báo phức tạp. Tuy nhiên, việc lựa chọn phương pháp dự báo phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của bài toán. Cần xem xét so sánh các phương pháp dự báo một cách kỹ lưỡng.

V. Kết Luận Và Hướng Phát Triển Tương Lai Của Dự Báo Điện Năng

Dự báo phụ tải điện năng đóng vai trò quan trọng trong việc đảm bảo nguồn cung cấp điện ổn định và hiệu quả. XGBoost và tìm kiếm lưới là hai công cụ mạnh mẽ và hiệu quả để xây dựng các mô hình dự báo phụ tải điện năng với độ chính xác cao. Tuy nhiên, vẫn còn nhiều thách thức và cơ hội để cải thiện phương pháp dự báo. Trong tương lai, việc áp dụng các công nghệ mới như deep learning for load forecasting, tích hợp dữ liệu từ các nguồn khác nhau, và phát triển các mô hình dự báo thích ứng có thể giúp tăng cường độ chính xác và tin cậy của dự báo phụ tải điện năng. Bên cạnh đó, vấn đề về energy management và smart grid cũng sẽ thúc đẩy sự phát triển của các mô hình dự báo hiện đại.

5.1. Ứng Dụng Các Mô Hình Deep Learning Trong Dự Báo Phụ Tải Điện

Deep learning là một lĩnh vực của học máy dựa trên mạng nơ-ron sâu (deep neural networks). Deep learning đã đạt được nhiều thành công trong các bài toán phức tạp như nhận dạng ảnh, xử lý ngôn ngữ tự nhiên, và dự báo chuỗi thời gian. Trong lĩnh vực dự báo phụ tải điện, deep learning có thể được sử dụng để xây dựng các mô hình dự báo có khả năng nắm bắt được các mối quan hệ phi tuyến và phức tạp trong dữ liệu. Các mô hình deep learning phổ biến trong dự báo phụ tải điện bao gồm Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM), và Convolutional Neural Networks (CNN).

5.2. Tích Hợp Dữ Liệu Từ Nhiều Nguồn Dự Báo Toàn Diện Hơn

Để cải thiện độ chính xác của dự báo, việc tích hợp dữ liệu từ nhiều nguồn khác nhau là rất quan trọng. Các nguồn dữ liệu có thể bao gồm dữ liệu thời tiết, dữ liệu kinh tế, dữ liệu lịch sử phụ tải điện, dữ liệu từ các thiết bị đo thông minh (smart meters), và dữ liệu từ các mạng xã hội. Việc tích hợp dữ liệu từ nhiều nguồn giúp mô hình dự báo có thể nắm bắt được các yếu tố ảnh hưởng đến phụ tải điện một cách toàn diện hơn. Tuy nhiên, việc tích hợp dữ liệu từ nhiều nguồn cũng đòi hỏi các phương pháp xử lý dữ liệu phức tạp để đảm bảo tính nhất quán và tin cậy của dữ liệu.

5.3. Phát Triển Các Mô Hình Dự Báo Thích Ứng Với Biến Động

Trong bối cảnh môi trường và kinh tế ngày càng biến động, việc phát triển các mô hình dự báo thích ứng là rất quan trọng. Các mô hình này có khả năng tự động điều chỉnh để thích ứng với các thay đổi trong dữ liệu và các yếu tố ảnh hưởng đến phụ tải điện. Các phương pháp như Online Learning, Adaptive Filtering, và Reinforcement Learning có thể được sử dụng để xây dựng các mô hình dự báo thích ứng. Việc phát triển các mô hình dự báo thích ứng giúp đảm bảo rằng dự báo phụ tải điện luôn chính xác và tin cậy trong mọi tình huống.

Tổng quan nghiên cứu

Dự báo phụ tải điện năng là một nhiệm vụ thiết yếu trong quản lý và vận hành hệ thống điện, nhằm đảm bảo cung cấp điện ổn định và hiệu quả. Theo số liệu của Bộ Công Thương Việt Nam, tổng sản lượng điện sản xuất năm 2021 đạt khoảng 264,8 tỷ kWh, tăng 8,63% so với năm trước, phản ánh sự phát triển mạnh mẽ của ngành điện. Trong bối cảnh nhu cầu sử dụng điện ngày càng tăng, đặc biệt khi nền kinh tế phục hồi sau đại dịch, việc dự báo chính xác phụ tải điện trở nên cấp thiết để đảm bảo an toàn, ổn định và tối ưu hóa vận hành hệ thống điện.

Luận văn tập trung nghiên cứu và áp dụng giải thuật tìm kiếm lưới (Grid Search) trong mạng XGBoost cho bài toán dự báo phụ tải điện, với dữ liệu thực nghiệm từ hai bang Queensland và South Australia của Úc. Mục tiêu chính là tối ưu hóa các siêu tham số của mô hình XGBoost nhằm nâng cao độ chính xác dự báo phụ tải, từ đó hỗ trợ các nhà quản lý năng lượng trong việc lập kế hoạch và vận hành hệ thống điện hiệu quả hơn. Phạm vi nghiên cứu bao gồm dữ liệu điện năng tiêu thụ theo giờ, ngày và tháng trong các bang trên, sử dụng công cụ Google Colaboratory và ngôn ngữ Python để xây dựng mô hình.

Nghiên cứu có ý nghĩa thực tiễn quan trọng trong việc cải thiện độ chính xác dự báo phụ tải, tối ưu hóa hiệu suất vận hành hệ thống điện, đồng thời góp phần phát triển công nghệ dự báo năng lượng dựa trên học máy. Kết quả nghiên cứu cung cấp cơ sở khoa học cho việc ứng dụng giải thuật tìm kiếm lưới trong mạng XGBoost, mở ra hướng đi mới cho các nghiên cứu và ứng dụng trong lĩnh vực quản lý năng lượng và điện lực.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết và mô hình nghiên cứu chính:

1. Mạng XGBoost (Extreme Gradient Boosting): Là một thuật toán học máy mạnh mẽ dựa trên kỹ thuật Gradient Boosting, sử dụng chuỗi các cây quyết định để cải thiện hiệu suất dự báo. XGBoost nổi bật với khả năng tối ưu hóa Gradient Descent, kỹ thuật regularization giúp tránh overfitting, và hỗ trợ xử lý song song, phù hợp với các bài toán dự báo phức tạp như dự báo phụ tải điện.

2. Giải thuật tìm kiếm lưới (Grid Search): Phương pháp tối ưu hóa siêu tham số bằng cách thử tất cả các tổ hợp giá trị trong một lưới tham số xác định trước. Grid Search giúp xác định bộ siêu tham số tối ưu cho mô hình XGBoost, từ đó nâng cao độ chính xác và hiệu suất dự báo.

Các khái niệm chính bao gồm: siêu tham số (learning rate, max depth, n_estimators, subsample, colsample_bytree, gamma, alpha, lambda), các chỉ số đánh giá mô hình (MAE, MSE, MAPE), và kỹ thuật cross-validation để đánh giá hiệu suất mô hình.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng trong nghiên cứu là bộ dữ liệu phụ tải điện năng theo giờ, ngày, tháng của hai bang Queensland và South Australia, Úc. Dữ liệu được chuẩn hóa và phân chia thành tập huấn luyện và kiểm tra theo tỷ lệ 80% - 20%.

Phương pháp phân tích bao gồm:

• Xây dựng mô hình dự báo phụ tải sử dụng mạng XGBoost.
• Áp dụng giải thuật Grid Search để tìm kiếm bộ siêu tham số tối ưu cho mô hình, với các tham số như learning rate, max depth, n_estimators, subsample, colsample_bytree, gamma.
• Sử dụng kỹ thuật 5-fold cross-validation để đánh giá hiệu suất mô hình trên tập huấn luyện.
• Đánh giá kết quả dự báo trên tập kiểm tra bằng các chỉ số MAE, MSE, MAPE.
• So sánh kết quả với mô hình XGBoost sử dụng giá trị siêu tham số mặc định.

Quá trình nghiên cứu được thực hiện trên nền tảng Google Colaboratory với ngôn ngữ lập trình Python, tận dụng các thư viện như xgboost, sklearn để xây dựng và tối ưu mô hình. Timeline nghiên cứu kéo dài từ tháng 11/2022 đến tháng 7/2024, bao gồm các giai đoạn thu thập dữ liệu, xây dựng mô hình, tối ưu siêu tham số và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Tối ưu siêu tham số nâng cao độ chính xác dự báo: Việc áp dụng giải thuật Grid Search giúp tìm ra bộ siêu tham số tối ưu cho mô hình XGBoost, giảm sai số MAPE từ khoảng 7,5% xuống còn 4,2% trên dữ liệu bang Queensland, và từ 8,1% xuống 4,8% trên dữ liệu bang South Australia. Sai số MSE cũng giảm tương ứng khoảng 35% và 30% so với mô hình mặc định.

2. Ảnh hưởng của các siêu tham số: Độ sâu cây (max depth) và số lượng cây (n_estimators) có ảnh hưởng lớn đến hiệu suất mô hình. Ví dụ, max depth tối ưu là 5-7 và n_estimators từ 500 đến 2000 cho kết quả tốt nhất. Tỷ lệ học (learning rate) khoảng 0,15 giúp cân bằng giữa tốc độ học và độ chính xác.

3. So sánh với mô hình mặc định: Mô hình XGBoost với siêu tham số mặc định cho sai số MAPE cao hơn từ 40-50% so với mô hình tối ưu bằng Grid Search, chứng tỏ hiệu quả rõ rệt của việc tối ưu siêu tham số.

4. Thời gian huấn luyện: Mặc dù Grid Search tăng thời gian huấn luyện lên khoảng 2-3 lần so với mô hình mặc định, nhưng thời gian này vẫn nằm trong giới hạn chấp nhận được cho ứng dụng thực tế.

Thảo luận kết quả

Kết quả cho thấy việc áp dụng giải thuật tìm kiếm lưới trong mạng XGBoost là phương pháp hiệu quả để nâng cao độ chính xác dự báo phụ tải điện. Nguyên nhân là do Grid Search giúp xác định bộ siêu tham số phù hợp nhất với đặc điểm dữ liệu, từ đó giảm thiểu sai số dự báo. So với các nghiên cứu trước đây sử dụng mô hình mạng nơ-ron hoặc các phương pháp học máy khác, XGBoost với Grid Search cho kết quả vượt trội về độ chính xác và ổn định.

Biểu đồ mối quan hệ giữa siêu tham số và sai số MAPE, MSE minh họa rõ ràng sự ảnh hưởng của từng tham số đến hiệu suất mô hình, giúp các nhà nghiên cứu và kỹ sư có thể điều chỉnh mô hình phù hợp với từng bộ dữ liệu cụ thể. Bảng so sánh sai số giữa mô hình tối ưu và mô hình mặc định cũng làm nổi bật hiệu quả của phương pháp.

Ngoài ra, việc sử dụng Google Colaboratory và Python giúp giảm thiểu chi phí và thời gian triển khai mô hình, đồng thời dễ dàng mở rộng và áp dụng cho các bài toán dự báo phụ tải khác trong tương lai.

Đề xuất và khuyến nghị

1. Triển khai mô hình XGBoost với Grid Search trong hệ thống quản lý điện: Các đơn vị quản lý lưới điện nên áp dụng mô hình dự báo phụ tải tối ưu này để nâng cao độ chính xác dự báo, giúp lập kế hoạch sản xuất và phân phối điện hiệu quả hơn. Thời gian triển khai dự kiến trong vòng 6-12 tháng.

2. Đào tạo và nâng cao năng lực cho nhân sự: Tổ chức các khóa đào tạo về kỹ thuật học máy, đặc biệt là về XGBoost và Grid Search cho đội ngũ kỹ sư và chuyên gia điện lực nhằm đảm bảo vận hành và bảo trì mô hình hiệu quả. Khuyến nghị thực hiện trong 3-6 tháng đầu sau khi triển khai mô hình.

3. Mở rộng nghiên cứu và ứng dụng: Khuyến khích nghiên cứu áp dụng các phương pháp tối ưu hóa siêu tham số khác như Random Search, Bayesian Optimization để so sánh và nâng cao hiệu quả dự báo. Thời gian nghiên cứu tiếp theo khoảng 12-18 tháng.

4. Tăng cường thu thập và xử lý dữ liệu: Đầu tư vào hệ thống thu thập dữ liệu phụ tải điện chính xác, đồng bộ và thời gian thực để cải thiện chất lượng dữ liệu đầu vào, từ đó nâng cao độ chính xác dự báo. Chủ thể thực hiện là các công ty điện lực và cơ quan quản lý, với kế hoạch dài hạn 2-3 năm.

5. Phát triển hệ thống dự báo tự động: Xây dựng hệ thống dự báo phụ tải tự động tích hợp mô hình XGBoost tối ưu, kết nối trực tiếp với hệ thống SCADA và các nguồn dữ liệu khác để cập nhật dự báo liên tục, hỗ trợ quyết định vận hành. Thời gian phát triển dự kiến 1-2 năm.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý và vận hành hệ thống điện: Luận văn cung cấp phương pháp dự báo phụ tải chính xác, giúp họ lập kế hoạch sản xuất, phân phối và bảo trì hệ thống điện hiệu quả, giảm thiểu rủi ro quá tải và mất điện.

2. Chuyên gia và kỹ sư trong lĩnh vực kỹ thuật điện và năng lượng: Tài liệu chi tiết về ứng dụng XGBoost và Grid Search giúp nâng cao kiến thức chuyên môn, áp dụng vào các bài toán dự báo và tối ưu hóa hệ thống điện.

3. Nhà nghiên cứu và sinh viên ngành học máy và khoa học dữ liệu: Luận văn là nguồn tham khảo quý giá về cách áp dụng thuật toán học máy nâng cao trong lĩnh vực năng lượng, đồng thời cung cấp ví dụ thực tiễn và mã nguồn minh họa.

4. Các công ty công nghệ và phần mềm phát triển giải pháp quản lý năng lượng: Thông tin về mô hình và kỹ thuật tối ưu siêu tham số giúp phát triển các sản phẩm dự báo phụ tải điện chính xác, đáp ứng nhu cầu thị trường.

Câu hỏi thường gặp

1. Tại sao chọn XGBoost cho bài toán dự báo phụ tải?
   XGBoost có khả năng xử lý dữ liệu lớn, tối ưu hóa hiệu suất dự báo nhờ kỹ thuật Gradient Boosting và regularization, giúp giảm overfitting và nâng cao độ chính xác so với các mô hình truyền thống.

2. Giải thuật Grid Search hoạt động như thế nào trong việc tối ưu siêu tham số?
   Grid Search thử tất cả các tổ hợp giá trị siêu tham số trong một lưới xác định trước, huấn luyện và đánh giá mô hình với từng tổ hợp, từ đó chọn ra bộ siêu tham số tối ưu dựa trên hiệu suất mô hình.

3. Các chỉ số đánh giá mô hình dự báo phụ tải nào được sử dụng?
   Luận văn sử dụng MAE, MSE và MAPE để đánh giá độ chính xác dự báo. MAPE đặc biệt hữu ích vì thể hiện sai số dưới dạng phần trăm, dễ hiểu và so sánh giữa các mô hình.

4. Có hạn chế nào khi sử dụng Grid Search không?
   Grid Search có thể tốn nhiều thời gian và tài nguyên tính toán khi số lượng siêu tham số và giá trị thử nghiệm lớn. Do đó, cần cân nhắc phạm vi lưới tham số hoặc sử dụng các phương pháp tối ưu hóa khác như Random Search.

5. Mô hình có thể áp dụng cho các khu vực khác ngoài Úc không?
   Có thể, tuy nhiên cần thu thập dữ liệu phụ tải đặc thù của khu vực đó và thực hiện tối ưu siêu tham số lại để đảm bảo mô hình phù hợp với đặc điểm dữ liệu và điều kiện vận hành địa phương.

Kết luận

• Luận văn đã nghiên cứu và áp dụng thành công giải thuật tìm kiếm lưới trong mạng XGBoost để dự báo phụ tải điện, nâng cao độ chính xác dự báo đáng kể so với mô hình mặc định.
• Kết quả thực nghiệm trên dữ liệu bang Queensland và South Australia cho thấy giảm sai số MAPE khoảng 40-50%, đồng thời duy trì thời gian huấn luyện trong giới hạn chấp nhận được.
• Phương pháp tối ưu siêu tham số bằng Grid Search giúp xác định bộ tham số phù hợp, góp phần cải thiện hiệu suất mô hình và khả năng ứng dụng thực tế.
• Luận văn cung cấp cơ sở khoa học và kỹ thuật cho việc triển khai mô hình dự báo phụ tải chính xác trong quản lý năng lượng và điện lực.
• Đề xuất các bước tiếp theo bao gồm triển khai mô hình trong thực tế, đào tạo nhân sự, mở rộng nghiên cứu các phương pháp tối ưu hóa khác và phát triển hệ thống dự báo tự động.

Để nâng cao hiệu quả quản lý năng lượng, các nhà quản lý và chuyên gia kỹ thuật nên cân nhắc áp dụng mô hình XGBoost tối ưu siêu tham số như nghiên cứu trong luận văn này. Việc đầu tư vào công nghệ dự báo chính xác sẽ góp phần đảm bảo an toàn, ổn định và bền vững cho hệ thống điện trong tương lai.