Kỹ Thuật Dự Báo Trong Vận Hành Thị Trường Điện Việt Nam

Tìm hiểu kỹ thuật dự báo trong vận hành thị trường điện Việt Nam. Các phương pháp dự báo, ứng dụng và vai trò trong quản lý, điều hành thị trường điện.

• Tác giả: Nguyễn Tuấn Dũng
• Người hướng dẫn: PGS.TS Trần Thu Hà
• Trường học: Trường Đại Học Công Nghệ Tp. Hồ Chí Minh
• Chuyên ngành: Kỹ thuật điện
• Đề tài: Kỹ Thuật Dự Báo Trong Vận Hành Thị Trường Điện Việt Nam
• Loại tài liệu: Luận án
• Năm xuất bản: 2020
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• TÓM TẮT
• ABSTRACT
• GIẤY XÁC NHẬN CỦA TỔNG CÔNG TY ĐIỆN LỰC TP.HCM
• CÁC CÔNG TRÌNH NGHIÊN CỨU ĐÃ CÔNG BỐ
• DANH MỤC CÁC HÌNH VẼ
• DANH MỤC CÁC BẢNG BIỂU
• DANH MỤC CÁC TỪ VIẾT TẮT

Tóm tắt

I. Dự Báo Phụ Tải Điện Ngắn Hạn Tổng Quan Tầm Quan Trọng

Dự báo phụ tải điện ngắn hạn đóng vai trò then chốt trong việc đảm bảo vận hành ổn định và hiệu quả của hệ thống điện, đặc biệt trong bối cảnh thị trường điện cạnh tranh ngày càng phát triển tại Việt Nam. Việc dự báo chính xác nhu cầu tiêu thụ điện năng giúp các nhà quản lý và điều hành thị trường đưa ra các quyết định tối ưu về sản xuất, truyền tải và phân phối điện, từ đó giảm thiểu chi phí và nâng cao tính cạnh tranh. Theo nghiên cứu của Nguyễn Tuấn Dũng (2020), “Đặc điểm của quá trình sản xuất và tiêu thụ điện năng là phải đảm bảo sự cân bằng giữa sản xuất và tiêu thụ ở mọi thời điểm… đòi hỏi một sự cân bằng liên tục giữa sản xuất và tiêu dùng.” Bài viết này sẽ đi sâu vào các phương pháp dự báo phụ tải điện, đặc biệt là ứng dụng của SVR và SLP trong thị trường điện Việt Nam, đồng thời phân tích những thách thức và cơ hội trong lĩnh vực này.

1.1. Vai Trò Của Dự Báo Phụ Tải Điện Trong Vận Hành Thị Trường

Trong thị trường điện cạnh tranh, dự báo phụ tải điện chính xác là yếu tố sống còn. Nó không chỉ giúp cân bằng cung cầu, đảm bảo hệ thống điện hoạt động ổn định mà còn ảnh hưởng trực tiếp đến giá điện. Dự báo sai lệch có thể dẫn đến tình trạng thiếu hụt điện năng, gây thiệt hại kinh tế cho cả nhà sản xuất và người tiêu dùng. Ngược lại, dự báo chính xác cho phép các nhà máy điện điều chỉnh công suất phát phù hợp, tối ưu hóa chi phí sản xuất và tăng lợi nhuận. Do đó, việc đầu tư vào các mô hình dự báo phụ tải điện hiện đại là vô cùng cần thiết.

1.2. Giới Thiệu Chung Về Phương Pháp SVR Support Vector Regression

Support Vector Regression (SVR) là một thuật toán học máy mạnh mẽ, được ứng dụng rộng rãi trong nhiều lĩnh vực, bao gồm cả dự báo phụ tải điện. Ưu điểm nổi bật của SVR là khả năng xử lý dữ liệu phi tuyến tính và dự báo với độ chính xác cao. SVR hoạt động bằng cách tìm ra một hàm hồi quy phù hợp nhất với dữ liệu huấn luyện, đồng thời giảm thiểu sai số dự báo. Trong lĩnh vực dự báo phụ tải điện ngắn hạn, SVR có thể tận dụng các yếu tố ảnh hưởng như thời tiết, lịch sử tiêu thụ điện, và các yếu tố kinh tế - xã hội để đưa ra dự báo chính xác.

1.3. Khái Niệm Về Biểu Đồ Phụ Tải Chuẩn Hóa Đơn Vị SLP

Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) là một công cụ quan trọng trong dự báo phụ tải điện, đặc biệt khi kết hợp với các thuật toán như SVR. SLP biểu diễn sự biến động của phụ tải điện theo thời gian, được chuẩn hóa để loại bỏ ảnh hưởng của quy mô tiêu thụ điện năng. Điều này cho phép SLP nắm bắt được các đặc tính chung của phụ tải điện trong các điều kiện khác nhau, giúp cải thiện độ chính xác của dự báo. SLP có thể được xây dựng dựa trên dữ liệu lịch sử phụ tải điện và được điều chỉnh để phản ánh các yếu tố như mùa, ngày trong tuần, và các sự kiện đặc biệt.

II. Thách Thức Dự Báo Phụ Tải Điện Ngắn Hạn Tại Việt Nam

Mặc dù có nhiều tiến bộ trong lĩnh vực dự báo phụ tải điện, vẫn còn tồn tại nhiều thách thức, đặc biệt trong bối cảnh thị trường điện cạnh tranh của Việt Nam. Sự biến động khó lường của nhu cầu tiêu thụ điện năng, do tác động của nhiều yếu tố như thời tiết, kinh tế, và các sự kiện xã hội, gây khó khăn cho việc xây dựng các mô hình dự báo chính xác. Ngoài ra, vấn đề dữ liệu phụ tải điện thiếu hoặc không đầy đủ, đặc biệt ở các khu vực nông thôn và vùng sâu vùng xa, cũng là một trở ngại lớn. “Việc nghiên cứu các đặc tính của phụ tải; xây dựng các phương pháp xử lý dữ liệu thiếu, sai sốt dữ liệu…” là nhiệm vụ quan trọng được Nguyễn Tuấn Dũng nhấn mạnh. Bên cạnh đó, sự thay đổi nhanh chóng của cơ cấu tiêu thụ điện năng, với sự gia tăng của các nguồn năng lượng tái tạo và các thiết bị tiết kiệm điện, cũng đòi hỏi các mô hình dự báo phải liên tục được cập nhật và điều chỉnh.

2.1. Vấn Đề Dữ Liệu Thiếu Và Sai Sót Trong Dự Báo Phụ Tải

Một trong những thách thức lớn nhất trong dự báo phụ tải điện là vấn đề dữ liệu không đầy đủ hoặc không chính xác. Dữ liệu bị thiếu có thể do lỗi hệ thống, sự cố thiết bị, hoặc đơn giản là do việc thu thập dữ liệu không được thực hiện đầy đủ. Dữ liệu sai sót có thể do lỗi đo lường, lỗi nhập liệu, hoặc do các yếu tố ngoại cảnh tác động. Việc xử lý dữ liệu thiếu và sai sót là vô cùng quan trọng để đảm bảo độ tin cậy của mô hình dự báo. Các phương pháp như nội suy, ngoại suy, và học máy có thể được sử dụng để ước tính các giá trị bị thiếu hoặc sửa chữa các giá trị sai sót.

2.2. Ảnh Hưởng Của Yếu Tố Thời Tiết Đến Tiêu Thụ Điện Năng

Thời tiết có ảnh hưởng rất lớn đến tiêu thụ điện năng, đặc biệt là ở các khu vực có khí hậu khắc nghiệt. Nhiệt độ cao có thể làm tăng nhu cầu sử dụng điều hòa, quạt, và các thiết bị làm mát khác, dẫn đến sự gia tăng đột biến của phụ tải điện. Ngược lại, nhiệt độ thấp có thể làm tăng nhu cầu sử dụng lò sưởi, máy sưởi, và các thiết bị sưởi ấm khác. Ngoài ra, các yếu tố thời tiết khác như độ ẩm, tốc độ gió, và lượng mưa cũng có thể ảnh hưởng đến tiêu thụ điện năng. Do đó, việc tích hợp các thông tin thời tiết vào mô hình dự báo là vô cùng quan trọng để nâng cao độ chính xác của dự báo.

2.3. Khó Khăn Trong Dự Báo Phụ Tải Các Dịp Lễ Tết Đặc Biệt

Các dịp lễ, Tết, và các sự kiện đặc biệt thường có những thay đổi đáng kể trong tiêu thụ điện năng. Ví dụ, vào dịp Tết Nguyên Đán, nhu cầu điện năng của các hộ gia đình thường giảm do nhiều người về quê hoặc đi du lịch. Tuy nhiên, nhu cầu điện năng của các khu vui chơi giải trí và các địa điểm công cộng có thể tăng lên. Việc dự báo phụ tải điện trong các dịp lễ, Tết đòi hỏi sự hiểu biết sâu sắc về hành vi tiêu dùng điện năng của người dân và các yếu tố văn hóa, xã hội. Các mô hình dự báo cần được điều chỉnh để phản ánh những đặc điểm riêng của từng dịp lễ, Tết.

III. Phương Pháp Dự Báo Phụ Tải Điện Ngắn Hạn Ứng Dụng SVR SLP

Để giải quyết những thách thức trong dự báo phụ tải điện ngắn hạn, việc kết hợp các phương pháp khác nhau là rất cần thiết. Trong đó, việc ứng dụng SVR và SLP đã chứng minh được hiệu quả trong việc nâng cao độ chính xác của dự báo. SVR có khả năng học từ dữ liệu lịch sử và dự đoán các xu hướng phụ tải điện trong tương lai. SLP giúp chuẩn hóa dữ liệu và loại bỏ các yếu tố nhiễu, từ đó cải thiện độ tin cậy của mô hình dự báo. Theo Nguyễn Tuấn Dũng, “Mô hình kết hợp Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) và Support Vector Regression (SVR) đã hoàn thiện hàm dự báo ngắn hạn…”. Sự kết hợp này cho phép tận dụng tối đa ưu điểm của cả hai phương pháp, mang lại kết quả dự báo chính xác và đáng tin cậy hơn.

3.1. Xây Dựng Mô Hình SLP Để Chuẩn Hóa Dữ Liệu Phụ Tải Điện

Việc xây dựng mô hình SLP là bước quan trọng trong quá trình dự báo phụ tải điện. SLP được xây dựng bằng cách phân tích dữ liệu lịch sử phụ tải điện và xác định các mẫu hình tiêu thụ điện năng điển hình. Các mẫu hình này được chuẩn hóa để loại bỏ ảnh hưởng của quy mô tiêu thụ điện năng, từ đó cho phép so sánh và phân tích phụ tải điện trong các điều kiện khác nhau. SLP có thể được xây dựng cho các khoảng thời gian khác nhau, ví dụ như giờ, ngày, tuần, hoặc tháng, và có thể được điều chỉnh để phản ánh các yếu tố như mùa, ngày trong tuần, và các sự kiện đặc biệt.

3.2. Tối Ưu Hóa Mô Hình SVR Với Dữ Liệu SLP Đầu Vào

Sau khi xây dựng mô hình SLP, dữ liệu này có thể được sử dụng làm đầu vào cho mô hình SVR. Việc sử dụng dữ liệu SLP giúp SVR tập trung vào các đặc tính chung của phụ tải điện, thay vì bị ảnh hưởng bởi các yếu tố nhiễu. Điều này có thể cải thiện đáng kể độ chính xác của dự báo. Ngoài ra, SVR có thể được kết hợp với các kỹ thuật khác như lựa chọn đặc trưng và tối ưu hóa tham số để nâng cao hiệu quả dự báo. Việc lựa chọn các đặc trưng phù hợp và tối ưu hóa các tham số của SVR là vô cùng quan trọng để đạt được kết quả dự báo tốt nhất.

3.3. Kết Hợp SVR Và SLP Quy Trình Dự Báo Phụ Tải Điện Chi Tiết

Quy trình kết hợp SVR và SLP trong dự báo phụ tải điện bao gồm các bước sau: (1) Thu thập và xử lý dữ liệu phụ tải điện lịch sử. (2) Xây dựng mô hình SLP dựa trên dữ liệu đã xử lý. (3) Chọn các đặc trưng phù hợp từ SLP và các nguồn dữ liệu khác (ví dụ như thời tiết) để sử dụng làm đầu vào cho SVR. (4) Huấn luyện mô hình SVR bằng cách sử dụng dữ liệu đầu vào đã chọn. (5) Đánh giá hiệu quả và độ chính xác của mô hình dự báo bằng cách sử dụng dữ liệu kiểm tra. (6) Điều chỉnh và tối ưu hóa mô hình nếu cần thiết. (7) Sử dụng mô hình đã huấn luyện để dự báo phụ tải điện trong tương lai.

IV. Kết Quả Nghiên Cứu Ứng Dụng Thực Tiễn Tại EVN

Nghiên cứu của Nguyễn Tuấn Dũng (2020) đã chứng minh tính hiệu quả của việc ứng dụng SVR và SLP trong dự báo phụ tải điện ngắn hạn tại Việt Nam, đặc biệt là trong bối cảnh thị trường điện cạnh tranh. Các kết quả nghiên cứu cho thấy rằng mô hình kết hợp SVR và SLP có độ chính xác cao hơn so với các mô hình dự báo truyền thống. “Các kết quả dự báo được kiểm chứng với bộ dữ liệu của 05 Tổng công ty Điện lực thuộc Tập đoàn Điện lực Việt Nam.” Điều này cho thấy tiềm năng lớn của việc ứng dụng SVR và SLP để cải thiện hiệu quả vận hành hệ thống điện và tối ưu hóa thị trường điện tại Việt Nam.

4.1. Đánh Giá Độ Chính Xác Của Mô Hình Dự Báo MAPE RMSE

Độ chính xác của mô hình dự báo được đánh giá bằng các chỉ số như sai số phần trăm tuyệt đối trung bình (MAPE) và sai số bình phương gốc trung bình (RMSE). MAPE cho biết mức độ sai lệch trung bình của dự báo so với thực tế, trong khi RMSE cho biết mức độ biến động của sai số. Các kết quả nghiên cứu cho thấy rằng mô hình kết hợp SVR và SLP có MAPE và RMSE thấp hơn so với các mô hình dự báo truyền thống, chứng tỏ độ chính xác cao hơn. Các chỉ số này có thể được sử dụng để so sánh hiệu quả của các mô hình dự báo khác nhau và lựa chọn mô hình phù hợp nhất.

4.2. Ứng Dụng Mô Hình Trong Dự Báo Phụ Tải Điện Các Tỉnh Thành

Mô hình kết hợp SVR và SLP có thể được ứng dụng trong dự báo phụ tải điện cho các tỉnh thành khác nhau trên cả nước. Việc áp dụng mô hình này đòi hỏi việc thu thập và xử lý dữ liệu phụ tải điện lịch sử của từng địa phương, cũng như việc điều chỉnh các tham số của mô hình để phù hợp với đặc điểm riêng của từng khu vực. Các yếu tố như khí hậu, kinh tế, và xã hội có thể ảnh hưởng đến tiêu thụ điện năng của từng tỉnh thành, và cần được xem xét trong quá trình xây dựng mô hình dự báo.

4.3. Lợi Ích Kinh Tế Quản Lý Từ Dự Báo Phụ Tải Điện Chính Xác

Dự báo phụ tải điện chính xác mang lại nhiều lợi ích kinh tế và quản lý. Thứ nhất, nó giúp các nhà quản lý và điều hành thị trường điện đưa ra các quyết định tối ưu về sản xuất, truyền tải và phân phối điện năng, từ đó giảm thiểu chi phí và nâng cao tính cạnh tranh. Thứ hai, nó giúp các nhà máy điện điều chỉnh công suất phát phù hợp, tối ưu hóa hiệu quả hoạt động và tăng lợi nhuận. Thứ ba, nó giúp các công ty phân phối điện quản lý nhu cầu điện năng của khách hàng, giảm thiểu rủi ro thiếu hụt điện năng và nâng cao chất lượng dịch vụ. Cuối cùng, nó giúp nhà nước hoạch định chính sách năng lượng hiệu quả, đảm bảo an ninh năng lượng quốc gia.

V. Tương Lai Của Dự Báo Phụ Tải Điện Trong Thị Trường Điện Việt Nam

Trong tương lai, dự báo phụ tải điện sẽ ngày càng trở nên quan trọng hơn trong bối cảnh thị trường điện cạnh tranh của Việt Nam. Sự phát triển của các nguồn năng lượng tái tạo, sự gia tăng của các thiết bị tiết kiệm điện, và sự thay đổi trong hành vi tiêu dùng điện năng của người dân sẽ tạo ra những thách thức mới cho việc dự báo. Các mô hình dự báo cần phải liên tục được cập nhật và điều chỉnh để phản ánh những thay đổi này. Các công nghệ mới như trí tuệ nhân tạo, học sâu, và dữ liệu lớn sẽ đóng vai trò quan trọng trong việc nâng cao độ chính xác và hiệu quả của dự báo phụ tải điện. Đồng thời, việc chia sẻ dữ liệu và hợp tác giữa các bên liên quan (nhà sản xuất, nhà phân phối, và nhà quản lý thị trường điện) là vô cùng cần thiết để xây dựng các mô hình dự báo chính xác và đáng tin cậy.

5.1. Ứng Dụng Trí Tuệ Nhân Tạo AI Học Sâu Trong Dự Báo Điện

Trí tuệ nhân tạo (AI) và học sâu (Deep Learning) đang mở ra những cơ hội mới trong dự báo phụ tải điện. Các thuật toán học sâu có khả năng học từ dữ liệu phức tạp và phi tuyến tính, và có thể tự động trích xuất các đặc trưng quan trọng từ dữ liệu. Điều này có thể cải thiện đáng kể độ chính xác của mô hình dự báo, đặc biệt trong các tình huống có nhiều yếu tố ảnh hưởng và dữ liệu nhiễu. Các mô hình mạng nơ-ron (Neural Network) sâu là một ví dụ điển hình về ứng dụng của học sâu trong dự báo phụ tải điện.

5.2. Tích Hợp Dữ Liệu Lớn Big Data Để Nâng Cao Độ Chính Xác

Việc tích hợp dữ liệu lớn (Big Data) từ nhiều nguồn khác nhau (ví dụ như dữ liệu thời tiết, dữ liệu kinh tế, dữ liệu xã hội, và dữ liệu về hành vi tiêu dùng điện năng) có thể giúp nâng cao độ chính xác của mô hình dự báo. Dữ liệu lớn cung cấp một cái nhìn toàn diện hơn về các yếu tố ảnh hưởng đến phụ tải điện, và cho phép các mô hình dự báo nắm bắt được các xu hướng và mối quan hệ phức tạp. Tuy nhiên, việc xử lý và phân tích dữ liệu lớn đòi hỏi các công cụ và kỹ thuật chuyên dụng, cũng như kiến thức chuyên sâu về lĩnh vực dự báo phụ tải điện.

5.3. Hợp Tác Chia Sẻ Dữ Liệu Để Xây Dựng Mô Hình Dự Báo Tối Ưu

Sự hợp tác và chia sẻ dữ liệu giữa các bên liên quan là vô cùng quan trọng để xây dựng các mô hình dự báo phụ tải điện tối ưu. Các nhà sản xuất điện, nhà phân phối điện, và nhà quản lý thị trường điện cần chia sẻ dữ liệu về sản xuất, truyền tải, phân phối, và tiêu thụ điện năng để xây dựng một cơ sở dữ liệu chung. Cơ sở dữ liệu này có thể được sử dụng để huấn luyện và kiểm tra các mô hình dự báo, và để phát triển các công cụ và kỹ thuật dự báo mới. Sự hợp tác và chia sẻ dữ liệu cũng giúp giảm thiểu chi phí và nâng cao hiệu quả của các hoạt động dự báo.

Nội dung chính

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.

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.

Trích đoạn nội dung tài liệu

CHƯƠNG I: TỔNG QUAN 1 1. Tổng quan về vấn đề nghiên cứu 1 1. Các phương pháp thống kê 2 1. Phương pháp chuyên gia 12 1.

Trí tuệ nhân tạo, học máy 15 1. Các yếu tố tác động đến các mô hình dự báo phụ tải ngắn hạn 21 1. Mục tiêu của luận án 23 1. Nhiệm vụ và giới hạn của luận án 23 1.

Phương pháp nghiên cứu 24 1. Đóng góp của luận án 25 1. Ý nghĩa thực tiễn của luận án 26 1. Bố cục của luận án 26 CHƯƠNG II: CHUỖI DỮ LIỆU VÀ XỬ LÝ GIÁ TRỊ THIẾU 29 2.

CHUỖI DỮ LIỆU 29 2. Thu thập, phân tích và xử lý dữ liệu 29 2. Nhận biết các thành phần của chuỗi thời gian bằng phương pháp phân tích hệ số tự tương quan 33 2. THIẾU GIÁ TRỊ TRONG KHAI THÁC DỮ LIỆU 36 xxv 2.

Các loại khác nhau của việc thiếu dữ liệu 37 2. DỮ LIỆU THIẾU TRONG NGHIÊN CỨU PHỤ TẢI ĐIỆN 39 2. Các phương pháp nghiên cứu xử lý dữ liệu thiếu 40 2. Phương pháp xử lý dữ liệu thiếu trong nghiên cứu phụ tải điện 41 2.

KẾT QUẢ NGHIÊN CỨU 43 a) Dữ liệu đầu vào 43 b) Xây dựng mô hình hồi quy cho việc dự đoán các giá trị thiếu 44 c) Kết quả xử lý dữ liệu thiếu 45 • Phương pháp thông thường: sử dụng giá trị trung bình trong cùng thời gian cho 4 tuần trước đó của chuổi dữ liệu đang xét, ta có kết quả: 45 • Phương pháp xây dựng đường cong hồi qui bằng giải thuật SVR (Support Vector Regression) 46 + Xét mô hình SVM Regression, với các thông số: 46 • Phương pháp xây dựng đường cong hồi qui bằng mạng Neural Network 49 + Xét mô hình Neural Netwok 49 2. TỔNG KẾT CHƯƠNG II 53 CHƯƠNG III: NGHIÊN CỨU PHỤ TẢI VÀ BIỂU ĐỒ CHUẨN HÓA ĐƠN VỊ 55 3. CÁC YẾU TỐ TÁC ĐỘNG ĐẾN PHỤ TẢI ĐIỆN 55 3. Các yếu tố về kinh tế 55 3.

Thành phần phụ tải (được kết nối vật lý): 56 3. Các yếu tố ngoại sinh: 57 3. Quản lý nhu cầu phụ tải 59 3. ĐẶC TÍNH PHỤ TẢI: 59 3.

Đặc tính tải ngày – tuần (week day) 59 3. Đặc tính tải giờ – ngày (hour day) 60 3. Đăc tính của thời tiết 64 3. BIỂU ĐỒ PHỤ TẢI CHUẨN HÓA ĐƠN VỊ 64 xxvi 3.

Ứng dụng xử lý dữ liệu thiếu bằng Biểu đồ chuẩn hóa đơn vị (SLP) và Support Vector Regression (SVR) 72 3. Kết quả áp dụng SLP vào xử lý dữ liệu thiếu: 76 3. TỔNG KẾT CHƯƠNG III 82 CHƯƠNG VI: XÂY DỰNG MÔ HÌNH DỰ BÁO NGẮN HẠN 83 4. MÔ HÌNH ĐỀ XUẤT: 84 4.

KẾT QUẢ NGHIÊN CỨU 91 4. Dữ liệu đầu vào 91 4. Xây dựng đồ thị chuẩn hóa đơn vị: 91 4. Xây dựng các mô hình hồi quy cho STLF: 93 4.

Đánh giá các mô hình 96 4. Kết quả dự báo STLF: 96 4. Kiểm chứng bằng bộ dữ liệu ngày Tết Nguyên Đán (EVNHCMC) 103 4. Kiểm chứng với bộ dữ liệu của 05 Tổng công ty Điện lực thuộc Tập đoàn Điện lực Việt Nam (Chi tiết theo Phụ lục đính kèm).

TỔNG KẾT CHƯƠNG V 108 CHƯƠNG V – DỰ BÁO TRONG VẬN HÀNH THỊ TRƯỜNG ĐIỆN CẠNH TRANH CỦA VIỆT NAM 110 5. TỔNG QUAN VỀ THỊ TRƯỜNG ĐIỆN VIỆT NAM HIỆN NAY 110 5. Thị trường phát điện cạnh tranh (giai đoạn 2012 - 2018) 115 5. Thị trường bán buôn điện cạnh tranh (từ 01/01/2019) 116 5.

CÁC YÊU CẦU VỀ DỰ BÁO PHỤ TẢI TRONG VWEM 119 5. Dự báo phục vụ Kế hoạch phát triển lưới điện truyền tải và phân phối 122 5. Dự báo phục vụ công tác vận hành thị trường điện cạnh tranh 126 5. Kết quả áp dụng Kỹ thuật dự báo vào vận hành Thị trường điện Bán buôn Việt Nam (phạm vi Tổng công ty Điện lực TP.

Giá SMP của thị trường điện tác động đến kết quả dự báo 134 5. TỔNG KẾT CHƯƠNG VI 142 CHƯƠNG VI – KẾT LUẬN 143 6. CÁC KẾT QUẢ ĐẠT ĐƯỢC CỦA LUẬN ÁN 143 6. TÓM TẮT CÁC ĐÓNG GÓP CHÍNH CỦA LUẬN ÁN 144 6.

HƯỚNG PHÁT TRIỂN CỦA LUẬN ÁN 145 TÀI LIỆU THAM KHẢO 146 CÁC PHỤ LỤC 154 1. DỮ LIỆU PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC TP.HCM TỪ 01/01/2014 ĐẾN 31/12/2019 (số liệu công suất – Pmax, điện năng tiêu thụ – Atổng (24 chu kỳ/ngày) và nhiệt độ (t0) theo từng giờ) 154 2. CÁC SỐ LIỆU THỐNG KÊ CÁC CHỈ TIÊU KINH TẾ, PHỤ TẢI ĐIỆN THEO TỪNG THÀNH PHẦN CỦA TỔNG CÔNG TY ĐIỆN LỰC TP.HCM TỪ NĂM 2014 ĐẾN NĂM 2019 154 3. ĐỒ THỊ PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC TP.

BIỂU ĐỒ CHUẨN HÓA ĐƠN VỊ CỦA TỔNG CÔNG TY ĐIỆN LỰC TP. DANH SÁCH CÁC NGÀY LỄ TẾT CỦA TP. KẾT QUẢ CHẠY DỰ BÁO CHO 30 NGÀY CỦA THÁNG 02/2018 – THÁNG 02/2019 (24 CHU KỲ) CỦA TỔNG CÔNG TY ĐIỆN LỰC TP. DỮ LIỆU PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC HÀ NỘI 154 8.

DỮ LIỆU PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC MIỀN BẮC 154 9. DỮ LIỆU PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC MIỀN TRUNG 154 10. DỮ LIỆU PHỤ TẢI CỦA TỔNG CÔNG TY ĐIỆN LỰC MIỀN NAM 154 11. KẾT QUẢ KIỂM CHỨNG BẰNG BỘ DỮ LIỆU CỦA TỔNG CÔNG TY ĐIỆN LỰC MIỀN NAM 154 xxviii 12.

KẾT QUẢ KIỂM CHỨNG BẰNG BỘ DỮ LIỆU CỦA TỔNG CÔNG TY ĐIỆN LỰC MIỀN TRUNG 154 13. KẾT QUẢ KIỂM CHỨNG BẰNG BỘ DỮ LIỆU CỦA TỔNG CÔNG TY ĐIỆN LỰC MIỀN BẮC 155 14. KẾT QUẢ KIỂM CHỨNG BẰNG BỘ DỮ LIỆU CỦA TỔNG CÔNG TY ĐIỆN LỰC HÀ NỘI 155 15. KẾT QUẢ DỰ BÁO 8760 CHU KỲ NĂM 2018, 2019 VÀ 2020 CỦA TỔNG CÔNG TY ĐIỆN LỰC TP.HCM 155 1 CHƯƠNG I: TỔNG QUAN 1.

Tổng quan về vấn đề nghiên cứu Vấn đề dự báo điện năng đóng một vai trò hết sức quan trọng và có tính quyết định đối với nền kinh tế và đời sống của chúng ta. Đây là một môn khoa học quan trọng nhằm nghiên cứu các phương pháp luận khoa học để đưa ra các con số chính xác nhất sẽ xảy ra trong tương lai, giúp cho chúng ta định hướng được phương hướng và kế hoạch cho tương lai, chủ động trong công việc và xử lí được những biến cố. Nếu như không thực hiện công tác dự báo điện năng, ta sẽ gặp phải hai trường hợp có thể xảy ra, đó là: sẽ thiếu hụt điện năng sử dụng hay dư thừa điện năng sản xuất. Trong những năm qua, dự báo tiêu thụ điện năng thu hút một sự quan tâm lớn từ các Công ty điện lực và các nhà nghiên cứu từ các khu vực khác nhau.

Đối với các Công ty điện lực đây là một vấn đề lớn bởi vì họ cần phải ước lượng điện cần thiết để đáp ứng khách hàng của họ. Đối với họ, đây không phải là một nhiệm vụ dễ dàng bởi vì nhu cầu điện ngày càng tăng trong những năm qua và cũng vì mô hình tiêu thụ điện ngày càng khác nhau với nhiều yếu tố bao gồm cả thời gian. Vì vậy, một trong những mục tiêu của Công ty điện lực là dự báo phải bám sát với thực tế để ngăn ngừa sự thiếu hụt hoặc lãng phí điện năng. Việc tìm kiếm các phương pháp dự báo tốt nhất không phải là một nhiệm vụ dễ dàng vì có nhiều biến như: nhiệt độ, độ ẩm, gió, nhân khẩu học, số lượng trung bình của các thiết bị điện trong nước, mùa trong năm, ngày trong tuần, ngày lễ đã được đưa vào xem xét.

Ngoài ra, việc xây dựng các nhà máy và hệ thống điện luôn cần có thời gian. Do vậy, muốn đáp ứng được yêu cầu sử dụng điện, ngành điện phải làm tốt công tác dự báo để lập kế hoạch triển khai. Chính sự phát triển nhanh của nhu cầu sử dụng điện đang gây ra mất cân đối về tài chính để đảm bảo sự phát triển bền vững của ngành Điện. Giá điện mua cạnh tranh sẽ là công cụ của thị 2 trường để tạo ra sự cân bằng tự nhiên nhu cầu sử dụng điện, lợi nhuận của các ngành sản xuất và các đơn vị cung cấp điện [1].

Hiện nay, do sự phát triển nhanh về khoa học kĩ thuật, đặc biệt là những công cụ tính toán, nhiều phương pháp dự báo đã, đang và sẽ được nghiên cứu để đưa vào sử dụng. Chúng ta có thể chia dự báo thành các dạng mô hình chính như sau: 1. Các phương pháp thống kê (1) Phương pháp bình quân di động Phương pháp này sử dụng khi các số liệu trong dãy số biến động không lớn lắm. Các số bình quân di động được tính từ các số liệu của dãy số thời gian có khoảng cách đều nhau.

Chẳng hạn có dãy số thời gian tính theo tháng gồm các số liệu y1, y2,…., y12, trong đó các yi biến động không lớn, nếu tính bình quân di động theo từng nhóm 3 thành phần ta có: yI = (y1 + y2 + y3) / 3 yII = (y2 + y3 + y4) / 3 (1.1) …… (2) Phương pháp bình quân di động có trọng số Những số liệu mới xuất hiện trong các thời kỳ cuối có giá trị lớn hơn những số liệu xuất hiện đã lâu. Để xét đến vấn đề này ta sử dụng các trọng số để nhấn mạnh giá trị các số liệu gần nhất, vừa xảy ra. Việc chọn các trọng số phụ thuộc vào kinh nghiệm và sự nhạy cảm của người làm công tác dự báo. Công thức tính: (Trọng số thời kỳ n x Nhu cầu thời kỳ n) Số bình quân di = (1.2) động có trọng số  Các trọng số 3 (3) Phương pháp san bằng số mũ Phương pháp này rất tiện lợi khi dùng máy tính.

Đây cũng là kỹ thuật tính số bình quân di động nhưng không đòi hỏi phải có nhiều số liệu quá khứ. Công thức tính nhu cầu tương lai như sau: Ft =F(t-1) + [A(t-1) - F(t-1)] (1.3) trong đó: Ft – Nhu cầu dự báo thời kỳ t F(t-1) – Nhu cầu dự báo thời kỳ t -1 A(t-1) – Số liệu nhu cầu dự báo thời kỳ t - 1  – hệ số san bằng 0 ≤  ≤ 1 Hệ số  có thể thay đổi để xét đến trọng số lớn hơn của những số liệu ở các thời gian gần hơn. Lúc này công thức dự báo sẽ là: Ft = A(t-1) + (1-)A(t-2) + (1-)2A(t-3) +….4) Lựa chọn hệ số : Hệ số  có ảnh hưởng trực tiếp đến kết quả dự báo. Để chọn  người ta dựa vào độ lệch tuyệt đối bình quân MAD (Mean Absolute Deviation).

MAD càng nhỏ thì trị số  càng hợp lý vì nó cho kết quả dự báo ít sai lệch.E  Các sai lệch trong dự toán MAD = = (1.