Tổng quan nghiên cứu

Dự báo phụ tải điện ngắn hạn là một lĩnh vực quan trọng trong kỹ thuật điện, đặc biệt trong bối cảnh phát triển kinh tế và công nghiệp hóa hiện nay, khi nhu cầu sử dụng điện năng tăng cao. Theo ước tính, sai số cho phép trong dự báo phụ tải ngắn hạn thường dưới 5%, nhằm đảm bảo độ tin cậy trong vận hành và điều độ hệ thống điện. Việc dự báo chính xác giúp tránh lãng phí vốn đầu tư do huy động nguồn điện quá mức hoặc thiệt hại kinh tế do thiếu hụt điện năng cung cấp. Luận văn tập trung nghiên cứu ứng dụng mạng nơron nhân tạo (Artificial Neural Networks - ANN) trong dự báo phụ tải điện ngắn hạn, với mục tiêu xây dựng mô hình dự báo có sai số trong khoảng cho phép, phù hợp với đặc thù phụ tải của thành phố Hà Nội.

Phạm vi nghiên cứu bao gồm phân tích các yếu tố ảnh hưởng đến phụ tải như ngày trong tuần, ngày lễ, thời tiết (nhiệt độ, độ ẩm, tốc độ gió) và kế hoạch cắt điện sửa chữa lớn. Dữ liệu nghiên cứu được thu thập từ hệ thống điện Hà Nội và bộ số liệu quốc tế ISO-New England trong giai đoạn 2010-2014. Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao độ chính xác dự báo, hỗ trợ công tác quy hoạch và vận hành hệ thống điện, góp phần giảm thiểu rủi ro và tối ưu hóa nguồn lực trong ngành điện.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: lý thuyết dự báo phụ tải điện và mô hình mạng nơron nhân tạo.

  1. Lý thuyết dự báo phụ tải điện: Phân loại dự báo theo thời gian gồm dự báo ngắn hạn (1 giờ đến 1 tuần), trung hạn (1 tháng đến 1 năm) và dài hạn (trên 1 năm). Các phương pháp dự báo truyền thống gồm hồi quy tuyến tính, chuỗi thời gian, phương pháp chuyên gia, lôgic mờ và máy vectơ hỗ trợ (SVM). Tuy nhiên, các phương pháp này thường gặp hạn chế khi xử lý các mối quan hệ phi tuyến và biến động phức tạp của phụ tải.

  2. Mạng nơron nhân tạo (ANN): Mạng MLP (Multi-layer Perceptron) được sử dụng phổ biến trong dự báo phụ tải do khả năng mô hình hóa các hàm phi tuyến phức tạp. Mạng gồm lớp đầu vào, lớp ẩn và lớp đầu ra, với các hàm kích hoạt như sigmoid, tansig và tuyến tính. Luật học chủ yếu là học có giám sát, sử dụng thuật toán lan truyền ngược (Back Propagation) và thuật toán Levenberg-Marquardt để tối ưu trọng số mạng, giúp tăng tốc độ hội tụ và tránh cực trị địa phương. Mạng MLP một lớp ẩn với số nơron ẩn được lựa chọn dựa trên thử nghiệm thực nghiệm nhằm cân bằng giữa khả năng học và tránh hiện tượng học quá khớp.

Các khái niệm chính bao gồm: dự báo phụ tải ngắn hạn (STLF), sai số trung bình phần trăm tuyệt đối (MAPE), mạng nơron MLP, thuật toán Levenberg-Marquardt, hiện tượng học quá khớp (overfitting) và học không đủ (underfitting).

Phương pháp nghiên cứu

Nguồn dữ liệu chính gồm số liệu phụ tải và thời tiết của hệ thống điện thành phố Hà Nội và bộ số liệu quốc tế ISO-New England giai đoạn 2010-2014. Dữ liệu được phân chia thành tập huấn luyện (khoảng 60-70%) và tập kiểm tra (khoảng 30-40%) để đánh giá khả năng tổng quát hóa của mô hình.

Phương pháp phân tích sử dụng mạng nơron MLP với cấu trúc một lớp ẩn, số nơron ẩn được xác định qua thử nghiệm sai số dự báo. Thuật toán Levenberg-Marquardt được áp dụng để huấn luyện mạng nhằm tối ưu trọng số và giảm thiểu sai số dự báo. Hai mô hình chính được xây dựng và so sánh gồm mô hình 24x20x24 (24 đầu vào, 20 nơron ẩn, 24 đầu ra) và mô hình 6x20x1 (6 đầu vào, 20 nơron ẩn, 1 đầu ra).

Quá trình nghiên cứu được thực hiện theo timeline: thu thập và xử lý dữ liệu (2010-2013), huấn luyện và kiểm tra mô hình (2014), đánh giá và so sánh kết quả dự báo. Các tiêu chuẩn đánh giá gồm sai số MAPE, SSE và MSE.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả mô hình 6x20x1 vượt trội hơn mô hình 24x20x24: Sai số MAPE trung bình của mô hình 6x20x1 đạt khoảng 2.213%, thấp hơn so với mô hình 24x20x24 với MAPE khoảng 3%. Điều này cho thấy mô hình với số đầu vào ít hơn nhưng chọn lọc các biến quan trọng (giờ trong ngày, nhiệt độ thấp, phụ tải cùng giờ ngày trước và tuần trước, phụ tải trung bình 24 giờ trước) có khả năng dự báo chính xác hơn.

  2. Ảnh hưởng của yếu tố thời tiết và đặc điểm ngày: Phân tích đồ thị phụ tải cho thấy nhiệt độ là yếu tố ảnh hưởng lớn nhất đến phụ tải điện tại Hà Nội, với phụ tải tăng khi nhiệt độ tăng do nhu cầu làm mát và ngược lại khi nhiệt độ giảm do nhu cầu sưởi ấm. Ngoài ra, phụ tải các ngày trong tuần và ngày lễ tết có sự khác biệt rõ rệt, ví dụ phụ tải ngày lễ giảm đáng kể so với ngày thường.

  3. Tính đặc thù của phụ tải Hà Nội: Phụ tải có sự biến đổi theo ngày trong tuần, với ngày thứ Hai và thứ Sáu có biểu đồ phụ tải khác biệt so với các ngày giữa tuần. Ngày cuối tuần (thứ Bảy, Chủ nhật) có biểu đồ phụ tải tương đối giống nhau. Kế hoạch cắt điện sửa chữa lớn cũng làm giảm phụ tải đáng kể trong ngày.

  4. Sai số dự báo nằm trong khoảng cho phép: Sai số MAPE của các mô hình dự báo ngắn hạn đều nằm trong khoảng 1% đến 5%, phù hợp với yêu cầu kỹ thuật trong vận hành hệ thống điện. Ví dụ, sai số MAPE trung bình trong tuần từ 22-28/06/2014 của mô hình 6x20x1 là 2.3%, thể hiện độ chính xác cao.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình 6x20x1 đạt hiệu quả cao là do lựa chọn biến đầu vào phù hợp, tập trung vào các yếu tố có ảnh hưởng trực tiếp và gần nhất đến phụ tải giờ dự báo. Việc giảm số lượng đầu vào giúp mạng tránh hiện tượng học quá khớp và tăng khả năng tổng quát hóa. Kết quả này tương đồng với các nghiên cứu quốc tế về dự báo phụ tải sử dụng mạng nơron, trong đó việc lựa chọn biến đầu vào và cấu trúc mạng phù hợp là yếu tố quyết định.

So sánh với các phương pháp truyền thống như hồi quy tuyến tính hay chuỗi thời gian, mạng nơron MLP thể hiện ưu thế trong việc mô hình hóa các quan hệ phi tuyến phức tạp giữa phụ tải và các yếu tố ảnh hưởng. Đồ thị so sánh dự báo phụ tải thực tế và dự báo cho thấy mô hình mạng nơron có khả năng bắt kịp biến động phụ tải theo giờ trong ngày, đặc biệt trong các khung giờ cao điểm.

Việc áp dụng mô hình dự báo này cho thành phố Hà Nội có ý nghĩa thực tiễn lớn, giúp các nhà quản lý và điều độ viên có công cụ dự báo chính xác, từ đó tối ưu hóa vận hành hệ thống điện, giảm thiểu rủi ro thiếu hụt hoặc dư thừa công suất.

Đề xuất và khuyến nghị

  1. Triển khai áp dụng mô hình mạng nơron MLP 6x20x1 trong hệ thống điều độ điện Hà Nội: Cần xây dựng phần mềm dự báo tích hợp mô hình này, cập nhật dữ liệu đầu vào hàng ngày để đảm bảo độ chính xác dự báo. Thời gian thực hiện trong vòng 6-12 tháng, do Sở Điện lực và Trung tâm Điều độ phối hợp thực hiện.

  2. Mở rộng thu thập dữ liệu thời tiết và phụ tải chi tiết hơn: Bổ sung các yếu tố như độ ẩm, tốc độ gió, cường độ sáng để nâng cao độ chính xác mô hình. Thời gian thu thập và xử lý dữ liệu khoảng 1 năm, do các đơn vị nghiên cứu khí tượng và điện lực phối hợp.

  3. Đào tạo nhân lực vận hành và bảo trì mô hình dự báo: Tổ chức các khóa đào tạo chuyên sâu về mạng nơron và kỹ thuật dự báo cho cán bộ kỹ thuật và điều độ viên. Thời gian đào tạo 3-6 tháng, do các trường đại học và viện nghiên cứu phối hợp thực hiện.

  4. Nghiên cứu phát triển mô hình dự báo đa biến và đa lớp ẩn: Tiếp tục nghiên cứu mở rộng cấu trúc mạng nơron, kết hợp với các phương pháp học sâu (deep learning) để cải thiện khả năng dự báo trong các điều kiện phức tạp hơn. Thời gian nghiên cứu 2-3 năm, do các viện nghiên cứu và trường đại học chủ trì.

Đối tượng nên tham khảo luận văn

  1. Các nhà quản lý và điều độ viên ngành điện: Sử dụng kết quả dự báo để lập kế hoạch vận hành, điều độ hệ thống điện, giảm thiểu rủi ro thiếu hụt hoặc dư thừa công suất.

  2. Các nhà nghiên cứu và sinh viên chuyên ngành kỹ thuật điện, công nghệ thông tin: Tham khảo phương pháp ứng dụng mạng nơron nhân tạo trong dự báo phụ tải, từ đó phát triển các nghiên cứu tiếp theo hoặc ứng dụng thực tiễn.

  3. Các công ty cung cấp giải pháp phần mềm và công nghệ cho ngành điện: Áp dụng mô hình dự báo vào sản phẩm phần mềm quản lý và điều độ điện, nâng cao giá trị và hiệu quả sản phẩm.

  4. Các cơ quan quản lý nhà nước về năng lượng và quy hoạch phát triển hệ thống điện: Dựa trên kết quả dự báo để xây dựng các chính sách, quy hoạch phát triển nguồn và lưới điện phù hợp với nhu cầu thực tế.

Câu hỏi thường gặp

  1. Mạng nơron nhân tạo là gì và tại sao được sử dụng trong dự báo phụ tải?
    Mạng nơron nhân tạo là mô hình tính toán lấy cảm hứng từ cấu trúc não người, có khả năng học và mô hình hóa các quan hệ phi tuyến phức tạp. Trong dự báo phụ tải, mạng nơron giúp xử lý các biến đầu vào đa dạng và không tuyến tính, nâng cao độ chính xác so với các phương pháp truyền thống.

  2. Sai số MAPE là gì và tại sao quan trọng trong dự báo phụ tải?
    MAPE (Mean Absolute Percent Error) là sai số trung bình phần trăm tuyệt đối giữa giá trị dự báo và thực tế, phản ánh độ chính xác của mô hình. Sai số thấp (dưới 5%) đảm bảo dự báo đủ tin cậy để phục vụ công tác điều độ và quy hoạch hệ thống điện.

  3. Tại sao mô hình 6x20x1 có hiệu quả hơn mô hình 24x20x24?
    Mô hình 6x20x1 sử dụng số lượng biến đầu vào ít nhưng chọn lọc các yếu tố quan trọng nhất, giúp mạng tránh hiện tượng học quá khớp và tăng khả năng tổng quát hóa, từ đó cải thiện độ chính xác dự báo.

  4. Các yếu tố thời tiết nào ảnh hưởng lớn nhất đến phụ tải điện?
    Nhiệt độ là yếu tố ảnh hưởng lớn nhất, khi nhiệt độ tăng làm tăng nhu cầu làm mát, còn khi nhiệt độ giảm làm tăng nhu cầu sưởi ấm. Ngoài ra, độ ẩm và tốc độ gió cũng có ảnh hưởng nhưng mức độ thấp hơn.

  5. Làm thế nào để tránh hiện tượng học quá khớp trong mạng nơron?
    Tránh học quá khớp bằng cách sử dụng tập dữ liệu lớn và đa dạng, phân chia rõ ràng tập huấn luyện và kiểm tra, lựa chọn cấu trúc mạng phù hợp (số nơron ẩn vừa phải), và áp dụng các kỹ thuật điều chỉnh như dừng sớm (early stopping) hoặc regularization.

Kết luận

  • Luận văn đã xây dựng và đánh giá thành công các mô hình mạng nơron MLP trong dự báo phụ tải điện ngắn hạn, với sai số MAPE đạt khoảng 2.2%, nằm trong giới hạn kỹ thuật cho phép.
  • Mô hình 6x20x1 với lựa chọn biến đầu vào hợp lý cho kết quả dự báo chính xác hơn so với mô hình 24x20x24.
  • Các yếu tố ảnh hưởng chính đến phụ tải tại Hà Nội gồm ngày trong tuần, ngày lễ tết, nhiệt độ và kế hoạch cắt điện sửa chữa lớn.
  • Kết quả nghiên cứu có ý nghĩa thực tiễn cao, hỗ trợ công tác điều độ và quy hoạch hệ thống điện thành phố Hà Nội.
  • Hướng nghiên cứu tiếp theo tập trung vào mở rộng mô hình đa biến, ứng dụng các kỹ thuật học sâu và tích hợp thêm các yếu tố thời tiết chi tiết hơn.

Để nâng cao hiệu quả vận hành hệ thống điện, các đơn vị liên quan nên triển khai áp dụng mô hình dự báo mạng nơron nhân tạo đã được đề xuất, đồng thời tiếp tục nghiên cứu phát triển các giải pháp dự báo tiên tiến hơn.