Luận văn thạc sĩ HCMUTE: Dự báo tải điện tỉnh Tiền Giang sử dụng mạng nơ-ron

Luận văn thạc sĩ HCMUTE nghiên cứu dự báo tải điện tỉnh Tiền Giang dựa trên mạng nơ-ron, cung cấp giải pháp tối ưu cho ngành điện.

• Tác giả: Lê Hoàng Phúc
• Người hướng dẫn: PGS. TS Lê Minh Phương
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện
• Đề tài: Dự Báo Tải Điện Tỉnh Tiền Giang Bằng Mạng Nơ-Ron
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI
• 1.1. Tổng quan về dự báo
• 1.1.1. Khái niệm chung
• 1.1.2. Đặc điểm của dự báo
• 1.1.3. Các phương pháp dự báo
• 1.1.3.1. Phương pháp dự báo phụ tải điện
• 1.1.3.1.1. Phương pháp dự báo truyền thống
• 1.1.3.1.1.1. Phương pháp hệ số đàn hồi
• 1.1.3.1.1.2. Phương pháp tính tương quan xu thế
• 1.1.3.1.1.3. Phương pháp tính trực tiếp
• 1.1.3.1.1.4. Phương pháp chuyên gia
• 1.1.3.1.1.5. Phương pháp hồi quy
• 1.1.3.1.1.6. Phương pháp san bằng hàm mũ
• 1.1.3.1.1.7. Phương pháp ngoại suy theo thời gian
• 1.1.3.1.2. Phương pháp dự báo phụ tải hiện đại
• 1.1.3.1.2.1. Phương pháp dự báo bằng fuzzy logic (logic mờ)
• 1.1.3.1.2.2. Phương pháp dự báo bằng phép phân tích Wavelet
• 1.3. Mạng nơron nhân tạo (neural network)
• 1.4. Mô hình mạng Wavelet (mạng neural kết hợp hàm Wavelet)
• 1.5. Mạng neural mờ (fuzzy neural network - FNN)
• 2. CHƯƠNG 2: TỔNG QUAN VỀ MẠNG NEURAL NHÂN TẠO (ANN) VÀ ỨNG DỤNG TRONG DỰ BÁO PHỤ TẢI
• 2.1. Giới thiệu về mạng nơron nhân tạo
• 2.2. Cấu trúc của mạng nơron nhân tạo
• 2.3. Một số luật học và giải thuật cơ bản
• 2.3.1. Luật học sửa lỗi (Error correction learning)
• 2.3.3. Luật học cạnh tranh (Competivive learning)
• 2.3.4. Giải thuật học Delta tổng quát
• 2.4. Một số mạng neural nhân tạo
• 2.4.1. Mạng Function Link Net (FLN)
• 2.5.1. Giới thiệu Neural Networks
• 2.5.1.1. Mô hình nơron
• 2.5.1.2. Mạng truyền thẳng
• 2.5.1.3. Hàm khởi tạo mạng
• 2.5.1.4. Huấn luyện mạng
• 2.6. Ứng dụng mạng nơron nhân tạo trong dự báo phụ tải
• 3. CHƯƠNG 3: GIẢI THUẬT DỰ BÁO, ĐỀ XUẤT
• 3.1. Mạng truyền thẳng và giải thuật lan truyền ngược
• 3.2. Giải thuật chương trình huấn luyện mạng
• 3.3. Giải thuật chương trình dự báo
• 4. CHƯƠNG 4: THIẾT KẾ MẠNG NEURAL DỰ BÁO PHỤ TẢI
• 4.1. Các bước xây dựng bài toán dự báo phụ tải
• 4.2. Thiết kế mạng neural dự báo phụ tải
• 4.2.1. Phân tích dữ liệu
• 4.2.2. Lựa chọn cấu trúc mạng
• 4.2.3. Lựa chọn hàm truyền
• 4.2.4. Huấn luyện mạng đã chọn theo giải thuật truyền ngược
• 5. CHƯƠNG 5: GIẢI THUẬT LẬP TRÌNH VÀ LẬP TRÌNH BẰNG MATLAB
• 5.1. Giải thuật lập trình
• 5.2. Giới thiệu giao diện cua chương trình
• 5.2.1. Giới thiệu huấn luyện mạng
• 5.2.2. Giao diện dự báo phụ tải 24h
• 5.2.3. Giao diện dự báo phụ tải 7 ngày
• 5.2.4. Giao diện dự báo phụ tải 12 tháng
• 6. CHƯƠNG 6: KẾT QUẢ DỰ BÁO PHỤ TẢI TỈNH TIỀN GIANG
• 6.1. Kết quả dự báo
• 6.1.1. Dự báo phụ tải 24h
• 6.1.2. Dự báo phụ tải 7 ngày
• 6.1.3. Dự báo phụ tải 12 tháng
• 6.2. So sánh kết quả dự báo khi áp dụng mô hình dự báo phụ tải điện bằng mạng nơron và mô hình dự báo phụ tải truyền thống
• 6.3. Nhận xét chung
• 7. CHƯƠNG 7: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI
• 7.2. Hướng phát triển đề tài
• Tài liệu tham khảo
• Phụ lục1: Chương trình Matlab
• Phụ lục2: Số liệu công suất cực đại và điện năng tiêu thụ tỉnh Tiền Giang
• Phụ lục3: Số liệu điện thương phẩm tỉnh Tiền Giang

Tóm tắt

I. Tổng quan về dự báo tải điện

Dự báo tải điện là một phần quan trọng trong quy hoạch và phát triển hệ thống điện. Dự báo tải điện không chỉ giúp các nhà quản lý có cái nhìn tổng quan về nhu cầu năng lượng trong tương lai mà còn hỗ trợ trong việc lập kế hoạch đầu tư và vận hành hệ thống điện. Tại tỉnh Tiền Giang, việc dự báo chính xác là rất cần thiết để đảm bảo cung cấp đủ năng lượng cho các hộ tiêu thụ. Các phương pháp dự báo truyền thống thường gặp khó khăn trong việc xử lý dữ liệu không đầy đủ và có nhiều sai số. Do đó, việc áp dụng các phương pháp hiện đại như mạng nơ-ron trở nên cần thiết. Mạng nơ-ron có khả năng học hỏi từ dữ liệu quá khứ và đưa ra dự báo chính xác hơn, đặc biệt trong các tình huống có tính phi tuyến cao.

1.1. Khái niệm và tầm quan trọng của dự báo tải điện

Dự báo tải điện là quá trình ước lượng nhu cầu sử dụng điện trong tương lai dựa trên các dữ liệu lịch sử và các yếu tố ảnh hưởng như thời tiết, kinh tế, và dân số. Dự báo tải điện có vai trò quan trọng trong việc đảm bảo an toàn và hiệu quả cho hệ thống điện. Nếu dự báo quá cao, sẽ dẫn đến lãng phí nguồn lực, trong khi nếu dự báo quá thấp, sẽ gây ra tình trạng thiếu hụt điện năng. Việc áp dụng các công nghệ mới như mạng nơ-ron giúp cải thiện độ chính xác của dự báo, từ đó hỗ trợ cho việc lập kế hoạch và quản lý hệ thống điện một cách hiệu quả hơn.

II. Mạng nơ ron và ứng dụng trong dự báo tải điện

Mạng nơ-ron nhân tạo (ANN) đã trở thành một công cụ mạnh mẽ trong việc dự báo tải điện. Mạng nơ-ron có khả năng xử lý và phân tích dữ liệu phức tạp, giúp nhận diện các mẫu và xu hướng trong dữ liệu. Việc sử dụng mạng nơ-ron trong dự báo tải điện cho tỉnh Tiền Giang cho phép cải thiện độ chính xác của các dự báo. Các mô hình mạng nơ-ron có thể được huấn luyện để nhận diện các yếu tố ảnh hưởng đến nhu cầu điện, từ đó đưa ra các dự báo chính xác hơn. Sự kết hợp giữa mạng nơ-ron và các thuật toán học máy hiện đại đã mở ra nhiều cơ hội mới trong lĩnh vực dự báo năng lượng.

2.1. Cấu trúc và hoạt động của mạng nơ ron

Cấu trúc của một mạng nơ-ron thường bao gồm nhiều lớp nơ-ron, trong đó mỗi nơ-ron thực hiện một phép toán nhất định. Mạng nơ-ron có thể được huấn luyện thông qua các thuật toán như lan truyền ngược, cho phép tối ưu hóa các trọng số của nơ-ron để cải thiện độ chính xác của dự báo. Việc áp dụng công nghệ nơ-ron trong dự báo tải điện không chỉ giúp tăng cường độ chính xác mà còn giảm thiểu thời gian tính toán. Các nghiên cứu đã chỉ ra rằng mạng nơ-ron có thể đạt được độ chính xác cao hơn so với các phương pháp dự báo truyền thống, đặc biệt trong các tình huống có tính biến động cao.

III. Kết quả và ứng dụng thực tiễn

Kết quả từ việc áp dụng mạng nơ-ron trong dự báo tải điện cho tỉnh Tiền Giang cho thấy sự cải thiện rõ rệt về độ chính xác so với các phương pháp truyền thống. Các mô hình dự báo đã được kiểm nghiệm và cho thấy khả năng dự đoán chính xác nhu cầu điện trong các khoảng thời gian khác nhau, từ giờ, ngày đến tháng. Điều này không chỉ giúp các nhà quản lý có cái nhìn rõ ràng hơn về nhu cầu năng lượng mà còn hỗ trợ trong việc lập kế hoạch phát triển hệ thống điện. Việc sử dụng mạng nơ-ron trong dự báo tải điện không chỉ mang lại lợi ích về mặt kinh tế mà còn góp phần vào việc phát triển bền vững cho tỉnh.

3.1. Đánh giá hiệu quả của mô hình dự báo

Mô hình dự báo tải điện bằng mạng nơ-ron đã cho thấy hiệu quả rõ rệt trong việc giảm thiểu sai số dự báo. Các kết quả cho thấy rằng mô hình này có thể dự đoán chính xác nhu cầu điện trong các điều kiện khác nhau, từ đó giúp các nhà quản lý có thể đưa ra quyết định kịp thời và chính xác hơn. Việc áp dụng mô hình này không chỉ giúp tiết kiệm chi phí mà còn nâng cao hiệu quả sử dụng năng lượng, góp phần vào sự phát triển bền vững của tỉnh Tiền Giang.

Nội dung chính

Tổng quan nghiên cứu

Dự báo phụ tải điện là một công tác thiết yếu trong ngành năng lượng, ảnh hưởng trực tiếp đến việc quy hoạch, đầu tư phát triển và vận hành hệ thống điện. Tỉnh Tiền Giang, với sự phát triển kinh tế và nhu cầu sử dụng điện ngày càng tăng, đòi hỏi các phương pháp dự báo phụ tải chính xác để đảm bảo cung cấp điện ổn định và hiệu quả. Theo ước tính, sai số trong dự báo phụ tải có thể dẫn đến việc huy động nguồn điện không hợp lý, gây tăng tổn thất năng lượng hoặc thiếu hụt cung cấp, ảnh hưởng tiêu cực đến nền kinh tế địa phương.

Mục tiêu nghiên cứu của luận văn là ứng dụng mạng nơron nhân tạo (Neural Network) để xây dựng mô hình dự báo phụ tải điện cho tỉnh Tiền Giang, từ đó phát triển phần mềm dự báo sử dụng MATLAB với giao diện thân thiện, cho phép dự báo phụ tải theo giờ, ngày, tuần và tháng. Phạm vi nghiên cứu tập trung vào dữ liệu công suất cực đại từng giờ, điện năng tiêu thụ ngày, tháng, năm của tỉnh Tiền Giang trong giai đoạn gần đây, nhằm nâng cao độ chính xác và tính ứng dụng thực tiễn của mô hình.

Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác dự báo, giúp các cơ quan quản lý và vận hành hệ thống điện có cơ sở khoa học để hoạch định chiến lược phát triển, tối ưu hóa nguồn lực và giảm thiểu tổn thất năng lượng. Ngoài ra, việc ứng dụng mạng nơron nhân tạo còn góp phần đổi mới phương pháp dự báo truyền thống, phù hợp với các đặc điểm phi tuyến và phức tạp của phụ tải điện trong thực tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: lý thuyết mạng nơron nhân tạo (Artificial Neural Network - ANN) và lý thuyết dự báo phụ tải điện.

1. Mạng nơron nhân tạo (ANN): Mạng nơron truyền thẳng nhiều lớp (MultiLayer Perceptron - MLP) được sử dụng với giải thuật huấn luyện lan truyền ngược (Backpropagation). Mạng gồm các lớp đầu vào, lớp ẩn và lớp đầu ra, trong đó các trọng số được điều chỉnh qua quá trình huấn luyện để mô phỏng mối quan hệ phi tuyến giữa các yếu tố đầu vào (nhiệt độ, độ ẩm, ngày nghỉ, ngày làm việc) và phụ tải điện. Các khái niệm chính bao gồm: hàm kích hoạt tansig và purelin, luật học sửa lỗi, và thuật toán tối ưu hóa trọng số.

2. Dự báo phụ tải điện: Phân tích chuỗi thời gian và dự báo theo phương pháp tương quan, kết hợp với các biến thời tiết và đặc điểm ngày trong tuần. Mô hình dự báo dựa trên dữ liệu lịch sử công suất cực đại và điện năng tiêu thụ, sử dụng các chỉ số như MAPE (Mean Absolute Percentage Error) để đánh giá độ chính xác.

Các khái niệm chuyên ngành được áp dụng gồm: mạng nơron truyền thẳng, giải thuật lan truyền ngược, hàm kích hoạt, lỗi bình phương trung bình (MSE), và các biến đầu vào ảnh hưởng đến phụ tải như nhiệt độ trung bình, độ ẩm trung bình, loại ngày (ngày làm việc, ngày nghỉ).

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ số liệu công suất cực đại từng giờ, điện năng tiêu thụ ngày, tháng, năm của tỉnh Tiền Giang, bao gồm dữ liệu thực tế trong nhiều năm gần đây. Cỡ mẫu dữ liệu được lựa chọn đảm bảo tính đại diện cho các chu kỳ ngày, tuần và tháng, với số liệu được xử lý và làm sạch để loại bỏ nhiễu và sai số.

Phương pháp phân tích sử dụng mạng nơron nhân tạo với cấu trúc mạng truyền thẳng nhiều lớp, huấn luyện bằng giải thuật lan truyền ngược. Quá trình huấn luyện được thực hiện trên phần mềm MATLAB, sử dụng hộp công cụ Neural Network Toolbox. Các bước nghiên cứu gồm: phân tích dữ liệu đầu vào, lựa chọn cấu trúc mạng (số lớp ẩn, số nơron), lựa chọn hàm truyền, huấn luyện mạng với dữ liệu lịch sử, và đánh giá kết quả dự báo qua các chỉ số sai số như MAPE và MSE.

Timeline nghiên cứu kéo dài từ tháng 10/2012 đến tháng 10/2014, bao gồm giai đoạn thu thập và xử lý dữ liệu, xây dựng mô hình, lập trình phần mềm dự báo, thử nghiệm và đánh giá kết quả trên dữ liệu thực tế của tỉnh Tiền Giang.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác dự báo cao: Mô hình mạng nơron nhân tạo đạt sai số dự báo MAPE khoảng 1.2% trong dự báo phụ tải 24 giờ, thấp hơn nhiều so với các phương pháp truyền thống có sai số thường trên 5%. Ví dụ, dự báo phụ tải ngày 24/7 (thứ bảy) cho thấy đường cong dự báo gần sát với phụ tải thực tế, thể hiện qua biểu đồ so sánh.

2. Dự báo theo chu kỳ thời gian: Mô hình dự báo hiệu quả cho các chu kỳ khác nhau như giờ trong ngày, ngày trong tuần và tháng trong năm. Kết quả dự báo 7 ngày và 12 tháng cũng cho thấy sai số thấp, với MAPE dưới 3%, phù hợp với đặc điểm biến động phụ tải theo tuần và theo mùa.

3. So sánh với phương pháp truyền thống: Mạng nơron nhân tạo vượt trội hơn phương pháp dự báo truyền thống như hồi quy tuyến tính và phương pháp hệ số đàn hồi, đặc biệt trong việc xử lý các mối quan hệ phi tuyến và biến động phức tạp của phụ tải điện.

4. Ảnh hưởng của biến thời tiết: Phân tích mối quan hệ giữa nhiệt độ trung bình, độ ẩm và công suất cực đại cho thấy phụ tải tăng theo nhiệt độ và độ ẩm, điều này được mô hình mạng nơron nhân tạo phản ánh chính xác trong dự báo.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình mạng nơron nhân tạo đạt độ chính xác cao là khả năng học và mô phỏng các mối quan hệ phi tuyến phức tạp giữa phụ tải và các yếu tố ảnh hưởng như thời tiết và đặc điểm ngày trong tuần. So với các phương pháp truyền thống dựa trên giả định tuyến tính, mạng nơron có thể tự động điều chỉnh trọng số và cấu trúc để phù hợp với dữ liệu thực tế.

Kết quả này tương đồng với các nghiên cứu trong nước và quốc tế, trong đó mạng nơron nhân tạo được chứng minh là công cụ hiệu quả cho dự báo phụ tải ngắn hạn và trung hạn. Việc sử dụng phần mềm MATLAB giúp tối ưu hóa quá trình huấn luyện và dự báo, đồng thời cung cấp giao diện dễ sử dụng cho người vận hành.

Dữ liệu có thể được trình bày qua các biểu đồ đường cong phụ tải thực tế và dự báo, bảng so sánh sai số MAPE theo từng ngày và tháng, giúp minh họa rõ ràng hiệu quả của mô hình. Ngoài ra, bảng so sánh kết quả giữa mô hình mạng nơron và phương pháp truyền thống cũng làm nổi bật ưu điểm vượt trội của phương pháp mới.

Đề xuất và khuyến nghị

1. Triển khai phần mềm dự báo mạng nơron nhân tạo: Khuyến nghị các đơn vị quản lý điện lực tỉnh Tiền Giang áp dụng phần mềm dự báo đã phát triển để nâng cao độ chính xác trong công tác điều độ và lập kế hoạch phát triển hệ thống điện. Thời gian thực hiện trong vòng 6 tháng, chủ thể là Sở Công Thương và các đơn vị điện lực địa phương.

2. Cập nhật và mở rộng dữ liệu đầu vào: Đề xuất thu thập thêm các biến thời tiết và dữ liệu kinh tế xã hội để bổ sung vào mô hình, nhằm cải thiện khả năng dự báo trong các điều kiện biến động phức tạp. Thời gian thực hiện liên tục, chủ thể là các cơ quan nghiên cứu và đơn vị vận hành hệ thống điện.

3. Đào tạo nhân lực vận hành và bảo trì mô hình: Tổ chức các khóa đào tạo chuyên sâu về mạng nơron nhân tạo và phần mềm MATLAB cho cán bộ kỹ thuật tại các đơn vị điện lực, đảm bảo vận hành hiệu quả và cập nhật mô hình khi cần thiết. Thời gian đào tạo trong 3 tháng, chủ thể là Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh phối hợp với Sở Công Thương.

4. Nghiên cứu phát triển mô hình dự báo kết hợp: Khuyến khích nghiên cứu kết hợp mạng nơron với các phương pháp dự báo hiện đại khác như fuzzy logic, phân tích wavelet để nâng cao độ chính xác và khả năng thích ứng với các tình huống bất thường. Thời gian nghiên cứu 1-2 năm, chủ thể là các viện nghiên cứu và trường đại học.

Đối tượng nên tham khảo luận văn

1. Cán bộ kỹ thuật và quản lý ngành điện: Giúp hiểu rõ về ứng dụng mạng nơron nhân tạo trong dự báo phụ tải, từ đó áp dụng vào công tác điều độ và quy hoạch hệ thống điện.

2. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện: Cung cấp kiến thức chuyên sâu về mạng nơron nhân tạo, phương pháp huấn luyện và ứng dụng thực tiễn trong dự báo phụ tải điện.

3. Các đơn vị phát triển phần mềm và công nghệ năng lượng: Tham khảo để phát triển các giải pháp phần mềm dự báo phụ tải tích hợp mạng nơron, nâng cao hiệu quả và độ chính xác.

4. Cơ quan quản lý nhà nước về năng lượng: Hỗ trợ trong việc xây dựng chính sách và chiến lược phát triển hệ thống điện dựa trên các dự báo chính xác và khoa học.

Câu hỏi thường gặp

1. Mạng nơron nhân tạo là gì và tại sao lại phù hợp cho dự báo phụ tải?
   Mạng nơron nhân tạo là mô hình tính toán mô phỏng cấu trúc và chức năng của hệ thần kinh sinh học, có khả năng học và mô phỏng các mối quan hệ phi tuyến phức tạp. Nó phù hợp cho dự báo phụ tải vì phụ tải điện thường biến động phi tuyến và chịu ảnh hưởng của nhiều yếu tố khác nhau.

2. Phương pháp huấn luyện mạng nơron sử dụng trong nghiên cứu là gì?
   Giải thuật lan truyền ngược (Backpropagation) được sử dụng để điều chỉnh trọng số mạng dựa trên sai số giữa giá trị dự báo và giá trị thực tế, giúp mạng học và cải thiện độ chính xác dự báo.

3. Dữ liệu đầu vào cho mô hình gồm những yếu tố nào?
   Dữ liệu đầu vào bao gồm công suất cực đại từng giờ, điện năng tiêu thụ theo ngày, tháng, năm, cùng các biến thời tiết như nhiệt độ trung bình, độ ẩm và đặc điểm ngày (ngày làm việc, ngày nghỉ).

4. Mô hình mạng nơron có thể áp dụng cho các tỉnh khác không?
   Có thể, tuy nhiên cần thu thập dữ liệu đặc thù của từng tỉnh và điều chỉnh cấu trúc mạng, tham số huấn luyện phù hợp với đặc điểm phụ tải và điều kiện địa phương.

5. Làm thế nào để đánh giá độ chính xác của mô hình dự báo?
   Độ chính xác được đánh giá qua các chỉ số như MAPE (Mean Absolute Percentage Error) và MSE (Mean Square Error). Ví dụ, mô hình trong nghiên cứu đạt MAPE khoảng 1.2% cho dự báo 24 giờ, cho thấy độ chính xác cao.

Kết luận

• Mạng nơron nhân tạo là công cụ hiệu quả trong dự báo phụ tải điện, đặc biệt phù hợp với các mối quan hệ phi tuyến và biến động phức tạp của phụ tải tỉnh Tiền Giang.
• Mô hình dự báo đạt sai số MAPE thấp, cải thiện đáng kể so với các phương pháp truyền thống.
• Phần mềm dự báo được xây dựng trên nền MATLAB với giao diện thân thiện, hỗ trợ dự báo theo giờ, ngày, tuần và tháng.
• Kết quả nghiên cứu có ý nghĩa thực tiễn cao, góp phần nâng cao hiệu quả quản lý và vận hành hệ thống điện tỉnh Tiền Giang.
• Đề xuất triển khai ứng dụng rộng rãi, cập nhật dữ liệu và đào tạo nhân lực để phát huy tối đa hiệu quả mô hình trong tương lai.

Các bước tiếp theo bao gồm mở rộng dữ liệu đầu vào, nghiên cứu kết hợp các phương pháp dự báo hiện đại khác và triển khai phần mềm vào thực tế vận hành. Độc giả và các đơn vị liên quan được khuyến khích tiếp cận và ứng dụng kết quả nghiên cứu nhằm nâng cao hiệu quả công tác dự báo phụ tải điện.

Trích đoạn nội dung tài liệu

Chương 1 TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI 1.1 Tổng quan về dự báo 1.1 Khái niệm chung Dự báo là một khoa học và nghệ thuật tiên đoán những sự việc sẽ xảy ra trong tƣơng lai, trên cơ sở phân tích khoa học về các dữ liệu đã thu thập đƣợc. Khi tiến hành dự báo cần căn cứ vào việc thu thập, xử lý số liệu trong quá khứ và hiện tại để xác định xu hƣớng vận động của các hiện tƣợng trong tƣơng lai nhờ vào một số mô hình toán học. Dự báo là đi tìm một mô hình toán thích hợp mô tả mối quan hệ phụ thuộc của các đại lƣợng cần dự báo với các yếu tố khác, hay chính bản thân nó; nhiệm vụ chính của dự báo là việc xác định các tham số mô hình. Về mặt lý luận thì các tính chất của mô hình dự báo đƣợc nghiên cứu trên cơ sở giả định rằng nó đƣợc ứng dụng để dự báo một quá trình nào đó đƣợc sinh ra từ một mô hình giải tích.2 Đặc điểm của dự báo Không có cách nào để xác định tƣơng lai là gì một cách chắc chắn (tính không chính xác của dự báo) dù phƣơng pháp chúng ta sử dụng là gì thì luôn tồn tại yếu tố không chắc chắn cho đến khi thực tế diễn ra.

Luôn có điểm mù trong các dự báo, chúng ta không thể dự báo một cách chính xác hoàn toàn điều gì sẽ xảy ra trong tƣơng tƣơng lai. Hay nói cách khác, không phải cái gì cũng có thể dự báo đƣợc nếu chúng ta thiếu hiểu biết về vấn đề cần dự báo. Dự báo cung cấp kết quả đầu vào cho các nhà hoạch định chính sách trong việc đề xuất các chính sách phát triển kinh tế, xã hội. Chính sách mới sẽ ảnh hƣởng đến tƣơng lai, vì thế cũng sẽ ảnh hƣởng đến độ chính xác của dự báo.

TS Lê Minh Phƣơng 5 HVTH: Lê Hoàng Phúc Luan van LUẬN VĂN TỐT NGHIỆP 2014 Dự báo và lập kế hoạch là hai giai đoạn gắn kết chặt chẽ với nhau của một quá trình quản lý. Nếu công tác dự báo mà dựa trên các lập luận khoa học thì nó sẽ trở thành cơ sở để xây dựng các kế hoạch phát triển nền kinh tế quốc dân. Dự báo sẽ góp phần giải quyết các vấn đề cơ bản nhƣ sau: - Xác định xu thế phát triển. - Đề xuất những yếu tố cụ thể quyết định các xu thế ấy.

- Xác định quy luật và đặc điểm của sự phát triển. Đặc biệt, đối với ngành năng lƣợng thì tác dụng của dự báo càng có ý nghĩa quan trọng vì năng lƣợng có liên quan rất chặt chẽ với tất các các ngành kinh tế quốc dân, cũng nhƣ mọi sinh hoạt bình thƣờng của nhân dân. Do đó nếu dự báo không chính xác hoặc sai lệch quá nhiều về khả năng cung cấp nhu cầu năng lƣợng sẽ dẫn đến những hạn chế không tốt cho nền kinh tế. Tùy theo yêu cầu cụ thể mà ta lựa chọn tầm dự báo, ví dụ để xây dựng kế hoạch hay chiến lƣợc phát triển ta phải dự báo dài hạn hay trung hạn, nếu để phục vụ công việc vận hành ta tiến hành dự báo ngắn hạn.

Các tầm dự báo: - Dự báo điều độ: dự báo theo giờ hoặc vài phút. - Dự báo ngắn hạn: dự báo theo ngày, vài ngày hoặc tháng. - Dự báo trung hạn: thời gian dự báo theo năm, khoảng từ 5 – 7 năm. - Dự báo dài hạn: thời gian dự báo theo năm, khoảng 10 – 20 năm.3 Các phương pháp dự báo: Hiện nay có một số phƣơng pháp dự báo thƣờng dùng trên thế giới nhƣ: tiên đoán, ngoại suy xu hƣớng, chuyên gia, mô phỏng (mô hình hóa), ma trận tác động qua lại, kịch bản, cây quyết định, dự báo tổng hợp,.

Việc lựa chọn phƣơng pháp dự báo phụ thuộc vào lĩnh vực hoạt động, các lĩnh vực dự báo liên quan đến hiện tƣợng tự nhiên thì phƣơng pháp định lƣợng hay đƣợc sử dụng nhƣ mô hình hóa, phƣơng pháp kịch bản,…Tuy nhiên, tùy vào từng lĩnh vực, ngành mà các phƣơng pháp dự báo có thể khác nhau. Ở đây ta quan tâm hai GVHD: PGS. TS Lê Minh Phƣơng 6 HVTH: Lê Hoàng Phúc Luan van LUẬN VĂN TỐT NGHIỆP 2014 phƣơng pháp dự báo: dự báo theo chuỗi thời gian và dự báo theo phƣơng pháp tƣơng quan. Dự báo theo chuỗi thời gian là tìm một quy luật thay đổi của đại lƣợng cần dự báo phụ thuộc vào giá trị của đại lƣợng đó trong quá khứ.

Mô hình toán học: Ŷ(t) = f (a0, a1, a2,…an, Y(t-1), Y(t-2),…, Y(t-n) = a0 + a1Y(t-1) + a2Y(t-2) + a3Y(t-3)… an Y(t-n) (1.1) Trong đó: Ŷ(t): là giá trị đại lƣợng cần dự báo tại thời điểm t. Y(t-1), Y(t-2)…Y(t-n) : các giá trị của đại lƣợng trong quá khứ. a0 , a1 , … an : các thông số của mô hình dự báo cần tìm. Dự báo theo phƣơng pháp tƣơng quan là tìm quy luật thay đổi của đại lƣợng cần dự báo phụ thuộc vào các đại lƣợng liên quan.

Mô hình toán học : Ŷ(t) = f(a1, a2,., An) = A0 + a1 A1+ a2 A2 + a3 A3 +…+ an An (1.2) Trong đó : Ŷ(t) : là giá trị cần dự báo. A1, A2, … An : giá trị của các đại lƣợng liên quan. a1, a2, …an : thông số của mô hình dự báo cần tìm. Việc xác định các giá trị của các thông số mô hình dự báo cho cả hai phƣơng pháp dự báo trên phần lớn là dựa trên nguyên tắc bình phƣơng cực tiểu:   Y  Y   min n  i i (1.

TS Lê Minh Phƣơng 7 HVTH: Lê Hoàng Phúc Luan van LUẬN VĂN TỐT NGHIỆP 2014 Đối với phƣơng pháp dự báo theo chuỗi thời gian: n [Y  f (a , a ,.4) Đối với phƣơng pháp dự báo tƣơng quan: n [Y  f (a , a ,.5) Trong đó Yi là giá trị thực của đại lƣợng cần dự báo. Để tìm các thông số của mô hình dự báo ta đạo hàm phƣơng trình trên theo các thông số mô hình. Giải hệ n phƣơng trình ta sẽ tìm đƣợc n thông số của mô hình dự báo : n f [Y  f (a , a ,.2 Các phương pháp dự báo phụ tải điện 1.1 Phương pháp dự báo truyền thống 1.1 Phương pháp hệ số đàn hồi Phƣơng pháp này xác định mối tƣơng quan giữa nhu cầu tiêu thụ điện (công suất, điện năng) của phụ tải với tăng trƣởng kinh tế (hệ số đàn hồi giữa nhu cầu điện và GDP, tăng trƣởng công nghiệp, thƣơng mại, hệ số tiết kiệm năng lƣợng. Mối tƣơng quan này đƣợc thể hiện qua hệ số đàn hồi nhƣ sau: GVHD: PGS.

TS Lê Minh Phƣơng 8 HVTH: Lê Hoàng Phúc Luan van LUẬN VĂN TỐT NGHIỆP 2014 A A%  ET   A (1.9) Y % Y Y Trong đó: - αET là hệ số đàn hồi; - A% và Y% là tăng trƣởng của điện năng, công suất và tăng trƣởng kinh tế (hệ số đàn hồi giữa nhu cầu điện và GDP, tăng trƣởng công nghiệp, thƣơng mại.); - A là điện năng, công suất; - Y là số liệu tăng trƣởng kinh tế (hệ số đàn hồi giữa nhu cầu điện và GDP, tăng trƣởng công nghiệp, thƣơng mại, hệ số tiết kiệm năng lƣợng. Các hệ số đàn hồi đƣợc xác định theo từng ngành kinh tế, toàn quốc và từng miền lãnh thổ. Việc dự báo nhu cầu điện năng toàn quốc đƣợc tổng hợp theo phƣơng pháp từ dƣới lên (Bottom-up) từ dự báo nhu cầu điện năng cho các ngành kinh tế, khu vực dân dụng và từ các vùng lãnh thổ.2 Phương pháp tính tương quan-xu thế: Phƣơng pháp này xác định mối tƣơng quan giữa nhu cầu tiêu thụ điện (công suất, điện năng) của phụ tải với các yếu tố ảnh hƣởng quan trọng (tăng trƣởng kinh tế, giá điện, thời tiết, tỷ giá…) và đƣợc thực hiện trên nền Excel với các bƣớc sau đây: a) Dự báo đồ thị phụ tải giờ tới Đối với từng miền, so sánh các biểu đồ ngày quá khứ thu đƣợc với biểu đồ ngày hiện tại D để tìm đƣợc biểu đồ có hình dạng giống nhất với biểu đồ ngày D. Cách so sánh đƣợc thực hiện tự động với hàm: Correl(array1, array2) Với thuật toán sau: GVHD: PGS.

TS Lê Minh Phƣơng 9 HVTH: Lê Hoàng Phúc Luan van LUẬN VĂN TỐT NGHIỆP 2014 Correl ( X , Y )   ( x  x )( y  y ) (1.10)  ( x  x )  ( y  y) 2 2 Trong đó: - X là công suất phụ tải 24 giờ thực tế của ngày D - i;  - x là công suất trung bình 24 giờ thực tế của ngày D - i;  - y là công suất trung bình 24 giờ dự báo của ngày D; - Y là công suất phụ tải 24 giờ dự báo của ngày D. Hàm Correl trả lại kết quả là sự tƣơng quan giữa hai biến mảng X, Y. Nếu biến mảng X, Y càng giống nhau thì kết quả của hàm Correl càng gần 1. Do vậy sau khi so sánh 21 ngày quá khứ với ngày hiện tại D sẽ tìm đƣợc ngày có hình dạng phụ tải giống nhất với ngày D, giả sử ngày D - i.

Đối với từng miền, sử dụng hàm xu thế để dự báo công suất phụ tải cho 04 giờ tới (từ giờ H đến giờ H + 3) với hàm FORECAST và cú pháp lệnh sau: FORECAST ( x, known _ y' s, known _ x' s) (1.11) Trong đó: - x là công suất phụ tải giờ H - 1; - known _ y' s là công suất phụ tải 05 giờ quá khứ kể từ giờ H - 1 của ngày D  i ; - known _ x' s là công suất phụ tải 05 giờ quá khứ kể từ giờ H - 1 của ngày D. So sánh đồ thị phụ tải dự báo với đồ thị phụ tải quá khứ Sau khi có đồ thị phụ tải dự báo từng miền cho 04 giờ tới, tiến hành so sánh đồ thị phụ tải này với đồ thị phụ tải quá khứ từng miền theo các giá trị Correl từ cao đến thấp (so sánh biểu đồ quá khứ có dạng giống nhất rồi đến các biểu đồ quá khứ ít giống hơn). Quá trình so sánh này để xử lý các số liệu phụ tải quá khứ có thể bị sai do cắt tải, do lỗi SCADA (không thu thập đƣợc các số liệu phụ tải quá khứ). TS Lê Minh Phƣơng 10 HVTH: Lê Hoàng Phúc Luan van LUẬN VĂN TỐT NGHIỆP 2014 c.