Tổng quan nghiên cứu

Trong bối cảnh phát triển kinh tế nhanh chóng và nhu cầu sử dụng điện ngày càng tăng, việc dự báo phụ tải điện năng trở thành một nhiệm vụ quan trọng nhằm đảm bảo cân bằng giữa sản xuất và tiêu thụ điện năng. Theo thống kê, điện năng không thể lưu trữ về mặt kinh tế, do đó sự mất cân bằng giữa cung và cầu có thể gây ra các sự cố nghiêm trọng như sụp đổ điện áp và tan rã hệ thống điện. Nhu cầu sử dụng điện chịu ảnh hưởng bởi nhiều yếu tố như thời tiết (nhiệt độ, tốc độ gió, mưa), đặc điểm hoạt động của các doanh nghiệp, các ngày lễ, cũng như sự biến động công suất của các nguồn năng lượng tái tạo.

Mục tiêu chính của luận văn là nghiên cứu và đề xuất một phương pháp dự báo phụ tải điện ngắn hạn mới, nhằm cung cấp thông tin chính xác cho các nhà quản lý vận hành thị trường điện cạnh tranh tại Việt Nam. Phạm vi nghiên cứu tập trung vào dữ liệu phụ tải của 05 Tổng công ty Điện lực thuộc Tập đoàn Điện lực Việt Nam trong giai đoạn từ năm 2014 đến 2019. Việc dự báo chính xác phụ tải điện không chỉ giúp đảm bảo vận hành ổn định hệ thống điện mà còn hỗ trợ trong việc điều hành giá mua bán điện trên thị trường cạnh tranh, góp phần nâng cao hiệu quả kinh tế và giảm thiểu rủi ro tài chính.

Luận văn có ý nghĩa thực tiễn lớn khi cung cấp một giải pháp dự báo ngắn hạn với độ sai số thấp, đặc biệt trong các giai đoạn có biến động phức tạp như các ngày lễ Tết âm lịch và dương lịch. Kết quả nghiên cứu góp phần nâng cao chất lượng vận hành thị trường điện cạnh tranh, đồng thời hỗ trợ các nhà quản lý trong việc ra quyết định điều hành hiệu quả.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình dự báo hiện đại trong lĩnh vực kỹ thuật điện và học máy, bao gồm:

  • Mô hình chuỗi thời gian SARIMA (Seasonal Autoregressive Integrated Moving Average): Đây là mô hình thống kê truyền thống dùng để phân tích và dự báo các chuỗi dữ liệu có tính mùa vụ và xu hướng, phù hợp với đặc điểm biến động phụ tải điện theo mùa và ngày trong tuần.

  • Mô hình Support Vector Regression (SVR): Thuật toán học máy này được sử dụng để xây dựng hàm hồi quy dự báo phụ tải dựa trên bộ dữ liệu đầu vào đã được chuẩn hóa. SVR có ưu điểm là giải pháp thưa, chỉ sử dụng các điểm dữ liệu quan trọng (support vectors), giúp giảm thiểu sai số và tránh hiện tượng quá khớp.

  • Biểu đồ phụ tải chuẩn hóa đơn vị (Standardized Load Profile - SLP): Đây là công cụ quan trọng để chuẩn hóa dữ liệu phụ tải, giúp xử lý các biến động đặc thù như ngày âm lịch, ngày lễ, và các ngày đặc biệt trong năm. SLP được sử dụng làm bộ dữ liệu đầu vào cho các mô hình dự báo nhằm nâng cao độ chính xác.

  • Mô hình Rừng ngẫu nhiên (Random Forest - RF): Một phương pháp học máy khác được sử dụng để so sánh hiệu quả dự báo, dựa trên việc xây dựng nhiều cây quyết định và lấy trung bình kết quả.

Các khái niệm chính bao gồm: phụ tải điện ngắn hạn, dự báo chuỗi thời gian, học máy, xử lý dữ liệu thiếu, và thị trường điện cạnh tranh.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được sử dụng là bộ dữ liệu phụ tải điện của 05 Tổng công ty Điện lực thuộc Tập đoàn Điện lực Việt Nam, bao gồm các thông số như công suất cực đại (Pmax), điện năng tiêu thụ (Atổng) và nhiệt độ theo từng giờ trong giai đoạn 2014-2019. Cỡ mẫu lớn với hàng triệu điểm dữ liệu được thu thập và xử lý.

Phương pháp nghiên cứu bao gồm:

  • Xử lý dữ liệu thiếu và sai số: Sử dụng biểu đồ phụ tải chuẩn hóa đơn vị (SLP) kết hợp với mô hình SVR để ước lượng và tái tạo các giá trị bị thiếu hoặc lỗi trong chuỗi dữ liệu.

  • Xây dựng mô hình dự báo: Kết hợp SLP làm bộ dữ liệu đầu vào với mô hình SVR để xây dựng hàm hồi quy dự báo phụ tải ngắn hạn. Các mô hình khác như Neural Network và Random Forest cũng được thử nghiệm để so sánh hiệu quả.

  • Đánh giá mô hình: Sử dụng các chỉ số sai số như Sai số phần trăm trung bình tuyệt đối (MAPE), Sai số trung bình tuyệt đối (MAD) để đánh giá độ chính xác của các mô hình dự báo.

  • Timeline nghiên cứu: Quá trình thu thập và xử lý dữ liệu diễn ra trong năm 2019, xây dựng và kiểm chứng mô hình trong năm 2020.

Phương pháp chọn mẫu dựa trên dữ liệu thực tế của các Tổng công ty Điện lực, đảm bảo tính đại diện và độ tin cậy cao. Phương pháp phân tích kết hợp kỹ thuật thống kê truyền thống và học máy hiện đại nhằm tối ưu hóa kết quả dự báo.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả xử lý dữ liệu thiếu bằng SLP và SVR: Kết quả ước lượng dữ liệu thiếu cho thấy phương pháp kết hợp SLP và SVR giảm sai số trung bình tuyệt đối (MAD) xuống còn khoảng 2-3%, thấp hơn đáng kể so với phương pháp thông thường (MAD khoảng 7-8%). Điều này chứng tỏ khả năng tái tạo dữ liệu chính xác, đặc biệt trong các chu kỳ dữ liệu phức tạp.

  2. Độ chính xác dự báo phụ tải ngắn hạn: Mô hình kết hợp SLP và SVR đạt sai số phần trăm trung bình tuyệt đối (MAPE) khoảng 1.5-2% trong dự báo 7 ngày tiếp theo, vượt trội so với các mô hình Neural Network (MAPE khoảng 3%) và Random Forest (MAPE khoảng 2.5%). Sai số dự báo trong các tháng có ngày lễ Tết âm lịch và dương lịch cũng được giảm đáng kể, từ mức 5-6% xuống còn khoảng 2-3%.

  3. Ảnh hưởng của các yếu tố thời tiết và ngày lễ: Phân tích cho thấy nhiệt độ có mối tương quan mạnh với phụ tải điện (hệ số tương quan trên 0.8), tuy nhiên việc sử dụng trực tiếp nhiệt độ làm biến đầu vào không phải lúc nào cũng cải thiện độ chính xác dự báo. Việc sử dụng SLP giúp chuẩn hóa các biến động do ngày lễ, Tết và các ngày đặc biệt, giảm thiểu sai số do sự chênh lệch giữa ngày âm và dương lịch.

  4. Tác động của giá thị trường SMP và hợp đồng CFD: Phân tích cho thấy biến động giá SMP và các hợp đồng sai khác (CFD) ảnh hưởng đến kết quả dự báo sản lượng điện năng thanh toán (Qc). Việc tích hợp các yếu tố này vào mô hình giúp giảm rủi ro tài chính và tận dụng biến động thị trường để tối đa hóa lợi nhuận.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình SLP kết hợp SVR đạt hiệu quả cao là do khả năng chuẩn hóa dữ liệu phụ tải theo từng loại ngày và điều kiện đặc thù, từ đó giảm thiểu ảnh hưởng của các biến động không theo quy luật. So với các nghiên cứu trước đây chỉ sử dụng dữ liệu lịch sử đơn thuần, phương pháp này giải quyết được vấn đề chênh lệch ngày âm-dương và các ngày lễ lớn, vốn là thách thức lớn trong dự báo phụ tải tại Việt Nam.

Kết quả dự báo có thể được trình bày qua các biểu đồ so sánh đường cong phụ tải thực tế và dự báo trong các ngày lễ Tết, thể hiện sự khớp gần như tuyệt đối. Bảng tổng hợp sai số MAPE của các mô hình cũng minh chứng rõ ràng ưu thế của mô hình đề xuất.

So với các nghiên cứu quốc tế, mô hình này phù hợp với đặc thù thị trường điện Việt Nam, đặc biệt trong bối cảnh vận hành thị trường điện cạnh tranh và sự tham gia ngày càng tăng của các nguồn năng lượng tái tạo. Việc tích hợp các yếu tố thị trường như giá SMP và CFD cũng là điểm mới, giúp mô hình không chỉ dự báo phụ tải mà còn hỗ trợ quản lý rủi ro tài chính.

Đề xuất và khuyến nghị

  1. Triển khai áp dụng mô hình SLP kết hợp SVR trong vận hành thị trường điện: Các Tổng công ty Điện lực và đơn vị điều hành thị trường nên áp dụng mô hình này để nâng cao độ chính xác dự báo phụ tải ngắn hạn, đặc biệt trong các giai đoạn có biến động lớn như Tết âm lịch và các ngày lễ lớn. Thời gian triển khai đề xuất trong vòng 6-12 tháng.

  2. Phát triển hệ thống xử lý dữ liệu tự động: Xây dựng các module tự động xử lý dữ liệu thiếu và sai số dựa trên SLP và SVR, giúp giảm thiểu sai sót và tăng tính kịp thời của dữ liệu đầu vào cho các mô hình dự báo. Chủ thể thực hiện là các đơn vị công nghệ thông tin của EVN và các Tổng công ty Điện lực.

  3. Tích hợp các biến động giá thị trường vào mô hình dự báo: Khuyến nghị bổ sung các yếu tố giá SMP và hợp đồng CFD vào mô hình dự báo để hỗ trợ quản lý rủi ro tài chính và tối ưu hóa lợi nhuận trong vận hành thị trường điện cạnh tranh. Thời gian thực hiện trong 12 tháng, phối hợp giữa các đơn vị điều hành thị trường và các nhà nghiên cứu.

  4. Đào tạo và nâng cao năng lực cho cán bộ vận hành: Tổ chức các khóa đào tạo chuyên sâu về kỹ thuật dự báo phụ tải và ứng dụng học máy cho cán bộ vận hành thị trường điện nhằm nâng cao hiệu quả sử dụng mô hình và hiểu biết về các yếu tố ảnh hưởng. Chủ thể thực hiện là các trường đại học và viện nghiên cứu phối hợp với EVN.

Đối tượng nên tham khảo luận văn

  1. Các nhà quản lý và điều hành thị trường điện: Luận văn cung cấp phương pháp dự báo phụ tải ngắn hạn chính xác, hỗ trợ ra quyết định điều hành giá và cân bằng cung cầu hiệu quả.

  2. Các kỹ sư và chuyên gia kỹ thuật điện: Nội dung chi tiết về xử lý dữ liệu thiếu, xây dựng mô hình SVR và SLP giúp nâng cao kỹ năng phân tích và dự báo trong vận hành hệ thống điện.

  3. Các nhà nghiên cứu và sinh viên ngành kỹ thuật điện, học máy: Luận văn là tài liệu tham khảo quý giá về ứng dụng học máy trong dự báo phụ tải, đồng thời cung cấp các thuật toán và kết quả thực nghiệm cụ thể.

  4. Các đơn vị cung cấp dịch vụ công nghệ thông tin cho ngành điện: Thông tin về xử lý dữ liệu và xây dựng mô hình dự báo giúp phát triển các giải pháp phần mềm hỗ trợ vận hành thị trường điện cạnh tranh.

Câu hỏi thường gặp

  1. Phương pháp SLP là gì và tại sao lại quan trọng trong dự báo phụ tải?
    SLP (Standardized Load Profile) là biểu đồ chuẩn hóa phụ tải theo từng loại ngày và điều kiện đặc thù, giúp chuẩn hóa dữ liệu đầu vào cho mô hình dự báo. Nó quan trọng vì giảm thiểu sai số do biến động ngày lễ, Tết và các ngày đặc biệt, nâng cao độ chính xác dự báo.

  2. SVR khác gì so với các mô hình học máy khác như Neural Network?
    SVR sử dụng giải pháp thưa, chỉ dựa vào các điểm dữ liệu quan trọng (support vectors), giúp tránh hiện tượng quá khớp và giảm sai số dự báo. Neural Network có thể phức tạp hơn và dễ bị quá khớp nếu không được điều chỉnh tốt.

  3. Làm thế nào để xử lý dữ liệu thiếu trong chuỗi phụ tải điện?
    Luận văn sử dụng kết hợp SLP và SVR để ước lượng và tái tạo các giá trị thiếu hoặc lỗi trong dữ liệu, giúp đảm bảo tính liên tục và chính xác của chuỗi dữ liệu đầu vào cho mô hình dự báo.

  4. Tác động của biến động giá SMP và hợp đồng CFD đến dự báo phụ tải như thế nào?
    Biến động giá SMP và các hợp đồng sai khác CFD ảnh hưởng đến sản lượng điện năng thanh toán, do đó tích hợp các yếu tố này vào mô hình giúp giảm rủi ro tài chính và tận dụng biến động thị trường để tối đa hóa lợi nhuận.

  5. Mô hình dự báo này có thể áp dụng cho các khu vực khác ngoài Việt Nam không?
    Mô hình được thiết kế phù hợp với đặc thù sử dụng cả lịch âm và dương của Việt Nam, tuy nhiên nguyên lý chuẩn hóa dữ liệu và sử dụng SVR có thể được điều chỉnh để áp dụng cho các khu vực khác có đặc điểm tương tự.

Kết luận

  • Luận văn đã xây dựng thành công mô hình dự báo phụ tải ngắn hạn kết hợp Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) và Support Vector Regression (SVR) với độ sai số thấp, phù hợp với đặc thù thị trường điện Việt Nam.
  • Phương pháp xử lý dữ liệu thiếu bằng SLP và SVR giúp tái tạo dữ liệu chính xác, giảm thiểu sai số trong chuỗi dữ liệu đầu vào.
  • Mô hình dự báo được kiểm chứng trên dữ liệu thực tế của 05 Tổng công ty Điện lực thuộc EVN, cho kết quả vượt trội so với các mô hình học máy khác như Neural Network và Random Forest.
  • Nghiên cứu cũng phân tích tác động của giá thị trường SMP và hợp đồng CFD, góp phần giảm rủi ro tài chính và tối ưu hóa lợi nhuận trong vận hành thị trường điện cạnh tranh.
  • Đề xuất triển khai áp dụng mô hình trong vận hành thực tế, phát triển hệ thống xử lý dữ liệu tự động và đào tạo cán bộ vận hành để nâng cao hiệu quả quản lý thị trường điện.

Hành động tiếp theo: Các đơn vị liên quan nên phối hợp triển khai thử nghiệm mô hình trong vận hành thực tế, đồng thời tiếp tục nghiên cứu mở rộng ứng dụng cho các giai đoạn dự báo trung và dài hạn.