Tổng quan nghiên cứu

Trong bối cảnh phát triển kinh tế - xã hội ngày càng mạnh mẽ của Việt Nam, nhu cầu sử dụng điện năng tăng cao đồng thời với sự thâm nhập ngày càng sâu rộng của các nguồn năng lượng tái tạo không ổn định, đặc biệt tại khu vực phía Nam, việc dự báo phụ tải ngắn hạn trở thành một nhiệm vụ cấp thiết. Theo báo cáo của ngành điện, công suất tiêu thụ điện tại miền Nam có sự biến động lớn trong ngày với công suất cực đại (Pmax) và cực tiểu (Pmin) chênh lệch khoảng 1,5 lần, gây khó khăn cho công tác vận hành và điều độ hệ thống điện. Mục tiêu nghiên cứu của luận văn là xây dựng và ứng dụng mô hình mạng nơ-ron nhân tạo (Artificial Neural Network - ANN), cụ thể là mô hình Long Short-Term Memory (LSTM), để dự báo phụ tải ngắn hạn (Pnext-hour, Pmax, Pmin) cho khu vực phía Nam trong khoảng thời gian từ năm 2020 đến 2021. Nghiên cứu nhằm nâng cao độ chính xác dự báo, góp phần đảm bảo vận hành an toàn, ổn định và tin cậy cho hệ thống điện, đồng thời hỗ trợ lập kế hoạch vận hành và điều độ hiệu quả. Việc dự báo chính xác phụ tải ngắn hạn còn giúp giảm thiểu chi phí vận hành, tránh tình trạng thiếu hụt hoặc thừa công suất, đồng thời hỗ trợ các quyết định về huy động nguồn điện dự phòng và điều chỉnh tần số, điện áp trong thời gian thực.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: mạng nơ-ron nhân tạo (ANN) và mô hình Long Short-Term Memory (LSTM). ANN là mô hình toán học mô phỏng cấu trúc và chức năng của mạng nơ-ron sinh học, gồm các lớp nút (neurons) kết nối với nhau, có khả năng học và thích ứng dựa trên dữ liệu đầu vào. LSTM là một dạng mạng nơ-ron hồi tiếp (Recurrent Neural Network - RNN) được thiết kế để giải quyết vấn đề phụ thuộc dài hạn trong chuỗi thời gian, với cấu trúc đặc biệt gồm các "ô nhớ" (cell state) và các cổng điều khiển (forget gate, input gate, output gate) giúp lưu giữ và cập nhật thông tin hiệu quả. Các khái niệm chính bao gồm:

  • Phụ tải ngắn hạn (Short-term load forecasting): dự báo công suất tiêu thụ điện trong khoảng thời gian ngắn (giờ, ngày).
  • Sai số dự báo (MAPE, RMSE): các chỉ số đánh giá độ chính xác của mô hình dự báo.
  • Dữ liệu SCADA và dữ liệu thời tiết: nguồn dữ liệu đầu vào quan trọng cho mô hình.
  • Các yếu tố ảnh hưởng đến phụ tải: ngày trong tuần, thời tiết, sự kiện đặc biệt, truyền hình trực tiếp các sự kiện thể thao.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng bao gồm dữ liệu phụ tải thu thập từ hệ thống SCADA của khu vực phía Nam, dữ liệu thời tiết lấy từ trang web rp5, và dữ liệu lịch sử vận hành từ Trung tâm Điều độ hệ thống điện quốc gia. Cỡ mẫu nghiên cứu là dữ liệu phụ tải 24 giờ trong nhiều ngày làm việc, ngày nghỉ cuối tuần và ngày lễ trong khoảng thời gian từ tháng 7/2020 đến tháng 6/2021. Phương pháp chọn mẫu là lấy mẫu ngẫu nhiên có kiểm soát nhằm đảm bảo tính đại diện cho các điều kiện vận hành khác nhau. Phân tích dữ liệu được thực hiện bằng phần mềm MATLAB, xây dựng mô hình LSTM với các tham số huấn luyện được tối ưu hóa qua các thuật toán Adam, RMSProp và SGDM. Quá trình huấn luyện mô hình được thực hiện trên tập dữ liệu huấn luyện chiếm khoảng 80% tổng dữ liệu, phần còn lại dùng để kiểm tra và đánh giá mô hình. Sai số dự báo được đánh giá bằng các chỉ số MAPE và RMSE, với mục tiêu đạt sai số dưới 3% cho dự báo giờ tiếp theo và dưới 5% cho dự báo 24 giờ.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác của mô hình LSTM trong dự báo Pnext-hour: Mô hình đạt sai số MAPE trung bình khoảng 2,5% và RMSE thấp hơn 3 MW, cho thấy khả năng dự báo công suất giờ tiếp theo rất chính xác, vượt trội so với các mô hình truyền thống như hồi quy tuyến tính (MAPE khoảng 5%).
  2. Dự báo Pmax và Pmin trong ngày: Mô hình dự báo Pmax và Pmin đạt sai số MAPE lần lượt là 3,1% và 3,5%, giúp dự đoán chính xác công suất cực đại và cực tiểu trong ngày, hỗ trợ hiệu quả cho công tác điều độ và huy động nguồn dự phòng.
  3. Ảnh hưởng của các yếu tố thời tiết và ngày trong tuần: Phân tích cho thấy ngày trong tuần và nhiệt độ là hai yếu tố ảnh hưởng mạnh nhất đến biến động phụ tải, với hệ số tương quan Correl trên 0,9 giữa nhiệt độ và phụ tải trong các ngày làm việc.
  4. Hiệu quả so sánh với các mô hình khác: So với mô hình mạng perceptron đa lớp (MLP) và mô hình hồi quy tuyến tính, mô hình LSTM cho kết quả dự báo chính xác hơn khoảng 20-30% về sai số MAPE, đặc biệt trong các ngày có biến động phụ tải phức tạp như ngày lễ hoặc có sự kiện truyền hình trực tiếp.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình LSTM đạt hiệu quả cao là do khả năng ghi nhớ thông tin dài hạn và xử lý chuỗi thời gian phức tạp, khắc phục được hạn chế của các mô hình RNN truyền thống trong việc quên thông tin xa. Kết quả phù hợp với các nghiên cứu quốc tế về ứng dụng LSTM trong dự báo phụ tải, đồng thời phản ánh đúng đặc điểm biến động phụ tải tại miền Nam Việt Nam với sự ảnh hưởng rõ rệt của yếu tố thời tiết và lịch làm việc. Việc sử dụng dữ liệu SCADA thời gian thực kết hợp với dữ liệu thời tiết đã giúp mô hình phản ánh chính xác hơn các điều kiện vận hành thực tế. Các biểu đồ so sánh giá trị dự báo và thực tế cho thấy mô hình LSTM có đường cong dự báo gần sát với đường cong phụ tải thực tế, đặc biệt trong các giờ cao điểm và thấp điểm. Tuy nhiên, sai số dự báo có xu hướng tăng nhẹ trong các ngày lễ do biến động phụ tải khó dự đoán hơn, gợi ý cần bổ sung thêm các biến số đặc thù cho các ngày này trong tương lai.

Đề xuất và khuyến nghị

  1. Triển khai mô hình LSTM vào hệ thống điều độ điện quốc gia: Áp dụng mô hình dự báo Pnext-hour, Pmax, Pmin vào Trung tâm Điều độ hệ thống điện quốc gia để hỗ trợ lập kế hoạch vận hành hàng ngày, giảm thiểu rủi ro vận hành và tối ưu hóa huy động nguồn điện. Thời gian thực hiện dự kiến trong 6 tháng tới.
  2. Tích hợp dữ liệu thời tiết và sự kiện đặc biệt vào mô hình: Mở rộng thu thập dữ liệu thời tiết chi tiết và các sự kiện truyền hình trực tiếp, lễ hội để cải thiện độ chính xác dự báo trong các ngày có biến động phụ tải bất thường. Chủ thể thực hiện là các đơn vị quản lý dữ liệu và trung tâm điều độ.
  3. Đào tạo và nâng cao năng lực cho kỹ sư vận hành: Tổ chức các khóa đào tạo về ứng dụng mạng nơ-ron nhân tạo và phân tích dữ liệu lớn cho đội ngũ kỹ sư vận hành nhằm nâng cao khả năng sử dụng và hiệu chỉnh mô hình dự báo. Thời gian thực hiện trong vòng 1 năm.
  4. Phát triển hệ thống cảnh báo sớm dựa trên dự báo phụ tải: Xây dựng hệ thống cảnh báo tự động khi dự báo phụ tải vượt ngưỡng an toàn, giúp kịp thời điều chỉnh vận hành và huy động nguồn dự phòng, đảm bảo an toàn hệ thống điện. Chủ thể thực hiện là các đơn vị công nghệ thông tin và điều độ điện lực, thời gian triển khai 9 tháng.
  5. Nghiên cứu mở rộng mô hình dự báo dài hạn và trung hạn: Tiếp tục phát triển mô hình dự báo phụ tải trung hạn và dài hạn kết hợp với các mô hình kinh tế - xã hội để hỗ trợ hoạch định chiến lược phát triển hệ thống điện quốc gia.

Đối tượng nên tham khảo luận văn

  1. Các kỹ sư và chuyên gia điều độ hệ thống điện: Nghiên cứu cung cấp công cụ dự báo phụ tải chính xác, hỗ trợ lập kế hoạch vận hành và điều độ hiệu quả, giảm thiểu rủi ro vận hành.
  2. Các nhà quản lý ngành điện và hoạch định chính sách: Thông tin về xu hướng phụ tải và các yếu tố ảnh hưởng giúp xây dựng chính sách phát triển năng lượng bền vững, đặc biệt trong bối cảnh tăng trưởng nguồn năng lượng tái tạo.
  3. Nhà nghiên cứu và sinh viên chuyên ngành kỹ thuật điện, trí tuệ nhân tạo: Luận văn trình bày chi tiết phương pháp ứng dụng mạng nơ-ron LSTM trong dự báo phụ tải, là tài liệu tham khảo quý giá cho các nghiên cứu tiếp theo.
  4. Các đơn vị cung cấp giải pháp công nghệ cho ngành điện: Cơ sở để phát triển các sản phẩm phần mềm dự báo phụ tải tích hợp trí tuệ nhân tạo, nâng cao giá trị và hiệu quả ứng dụng trong thực tế.

Câu hỏi thường gặp

  1. Mô hình LSTM có ưu điểm gì so với các mô hình dự báo truyền thống?
    Mô hình LSTM có khả năng ghi nhớ thông tin dài hạn trong chuỗi thời gian, xử lý tốt các phụ thuộc phức tạp và biến động không tuyến tính của dữ liệu phụ tải, giúp nâng cao độ chính xác dự báo so với các mô hình hồi quy hay mạng perceptron đa lớp.

  2. Dữ liệu đầu vào quan trọng nhất cho mô hình dự báo là gì?
    Dữ liệu phụ tải lịch sử thu thập từ hệ thống SCADA và dữ liệu thời tiết (nhiệt độ, độ ẩm, tốc độ gió) là các yếu tố đầu vào quan trọng nhất, vì chúng ảnh hưởng trực tiếp đến biến động phụ tải trong ngày.

  3. Sai số dự báo được đánh giá như thế nào?
    Sai số được đánh giá bằng các chỉ số MAPE (Mean Absolute Percentage Error) và RMSE (Root Mean Square Error). Mô hình LSTM trong nghiên cứu đạt MAPE khoảng 2,5% cho dự báo giờ tiếp theo và dưới 3,5% cho dự báo Pmax, Pmin, thể hiện độ chính xác cao.

  4. Mô hình có thể áp dụng cho các khu vực khác ngoài miền Nam không?
    Có thể, tuy nhiên cần thu thập dữ liệu đặc thù của từng khu vực và điều chỉnh tham số mô hình phù hợp với đặc điểm phụ tải và các yếu tố ảnh hưởng riêng biệt của từng vùng.

  5. Làm thế nào để cải thiện độ chính xác dự báo trong các ngày lễ hoặc sự kiện đặc biệt?
    Cần bổ sung thêm các biến số đặc thù như lịch nghỉ lễ, sự kiện truyền hình trực tiếp, và dữ liệu thời tiết chi tiết để mô hình có thể học và dự báo chính xác hơn trong các ngày có biến động phụ tải bất thường.

Kết luận

  • Luận văn đã xây dựng thành công mô hình mạng nơ-ron LSTM ứng dụng trong dự báo phụ tải ngắn hạn khu vực phía Nam với độ chính xác cao, sai số MAPE dưới 3%.
  • Mô hình giúp dự báo chính xác công suất giờ tiếp theo (Pnext-hour), công suất cực đại (Pmax) và cực tiểu (Pmin), hỗ trợ hiệu quả công tác điều độ và vận hành hệ thống điện.
  • Phân tích các yếu tố ảnh hưởng như ngày trong tuần, thời tiết và sự kiện đặc biệt giúp nâng cao chất lượng dự báo.
  • Đề xuất triển khai mô hình vào thực tế, tích hợp dữ liệu đa nguồn và phát triển hệ thống cảnh báo sớm nhằm nâng cao hiệu quả vận hành.
  • Các bước tiếp theo bao gồm mở rộng mô hình dự báo trung và dài hạn, đào tạo nhân lực và phát triển phần mềm ứng dụng phục vụ ngành điện.

Quý độc giả và các đơn vị quan tâm được khuyến khích áp dụng và phát triển mô hình dự báo này nhằm nâng cao hiệu quả quản lý và vận hành hệ thống điện trong bối cảnh năng lượng tái tạo ngày càng thâm nhập sâu rộng.