Tổng quan về luận án

Trong bối cảnh hệ thống năng lượng toàn cầu chuyển dịch sang cơ chế vận hành thị trường cạnh tranh, dự báo phụ tải ngắn hạn (Short-Term Load Forecasting - STLF) giữ vai trò sống còn trong việc duy trì ổn định vận hành và tối ưu hóa chi phí kinh tế. Đúng như luận án khẳng định: "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, khi có sự mất cân bằng giữa sản xuất và tiêu thụ đều làm cho chất lượng điện năng thay đổi, nặng nề hơn có thể dẫn đến sự sụp đỗ điện áp gây tan rã hệ thống." Nghiên cứu tiên phong của NCS. Nguyễn Tuấn Dũng (2020) tại Trường Đại học Công nghệ TP.HCM (HUTECH), dưới sự hướng dẫn khoa học của PGS. TS Trần Thu Hà và PGS. TS Nguyễn Thanh Phương, đã giải quyết bài toán cốt lõi này trong giai đoạn chuyển đổi chiến lược của Thị trường Bán buôn Điện Cạnh tranh Việt Nam (VWEM).

Khoảng trống nghiên cứu (research gap) trọng tâm mà luận án xác định xuất phát từ sự bất cập của các mô hình kinh điển (như mô hình san bằng số mũ Winter, phân tích phổ của Barakat et al., El-Keib et al., hoặc chuỗi thời gian SARIMA của Box-Jenkins) khi áp dụng vào môi trường đặc thù của Việt Nam. Cụ thể, các thuật toán dự báo truyền thống dựa thuần túy vào chuỗi thời gian quá khứ bị suy giảm độ chính xác nghiêm trọng vào các giai đoạn chịu tác động kép của hệ lịch âm - dương, đặc biệt là các biến động phi tuyến tính trong tháng 01 và tháng 02 (thời điểm Tết Dương lịch và Tết Nguyên Đán). Hơn nữa, việc thu thập dữ liệu đo đếm hiện trường thường xuyên xuất hiện dữ liệu rác, số liệu ngoại lai hoặc đứt quãng do lỗi truyền thông và thiết bị đo đếm. Phần lớn phần mềm thương mại ngoại nhập đều bắt buộc phải xử lý thủ công hoặc quy đổi phức tạp khiến sai số tăng vọt.

Luận án thiết lập các câu hỏi nghiên cứu và giả thuyết cụ thể:

  • RQ1: Làm thế nào để tự động hóa quy trình tái tạo và ước lượng dữ liệu chuỗi thời gian phụ tải bị khuyết tật với độ chính xác cao mà không phụ thuộc vào kinh nghiệm chuyên gia?
  • RQ2: Cấu trúc biểu đồ phụ tải chuẩn hóa nào có thể triệt tiêu được sự sai lệch chu kỳ do yếu tố lịch âm/dương và đặc tính tiêu thụ điện dị biệt của các dịp lễ hội?
  • RQ3: Làm thế nào để tích hợp kết quả dự báo phụ tải ngắn hạn vào bài toán lập kế hoạch chào giá ($Q_c$) nhằm tối ưu hóa lợi nhuận và giảm thiểu rủi ro tài chính trước các biến động của giá điện biên thị trường (SMP) và hợp đồng sai biệt (CfD)?

Các giả thuyết tương ứng:

  • H1: Mô hình học máy dựa trên lý thuyết hồi quy vector hỗ trợ (SVR) ràng buộc bởi mối quan hệ giữa công suất ($P_{max}$), nhiệt độ ($t^\circ$) và điện năng ($A_{tổng}$) sẽ cho sai số nội suy thấp hơn đáng kể so với phương pháp bình quân di động 4 tuần truyền thống.
  • H2: Việc chuẩn hóa đồ thị phụ tải đưa về dạng không thứ nguyên (Standardized Load Profiles - SLP) kết hợp với thuật toán máy học SVR sẽ duy trì sai số dự báo MAPE dưới 2,2% ngay cả trong các kỳ nghỉ Tết Nguyên Đán.
  • H3: Việc hiệu chỉnh sản lượng hợp đồng $Q_c$ dựa trên dự báo STLF độ chính xác cao giúp doanh nghiệp phân phối giảm thiểu rủi ro chi phí mua điện khi giá thị trường giao ngay SMP biến động mạnh.

Khung lý thuyết của luận án được xây dựng dựa trên Lý thuyết học thống kê (Statistical Learning Theory) của Vapnik, nguyên lý tối thiểu hóa rủi ro cấu trúc (Structural Risk Minimization), lý thuyết chuỗi thời gian Box-Jenkins và lý thuyết cân bằng thị trường điện. Đóng góp đột phá của công trình nằm ở việc xây dựng thành công giải thuật lai SLP-SVR, giảm sai số dự báo về mức tối ưu (MAPE < 2,2%), kiểm chứng toàn diện trên tập dữ liệu lịch sử từ 01/01/2014 đến 17/12/2018 tại Tổng công ty Điện lực TP.HCM (EVNHCMC) và mở rộng kiểm chứng trên toàn bộ 05 Tổng công ty Điện lực trực thuộc Tập đoàn Điện lực Việt Nam (EVN).

Literature Review và Positioning

Tổng quan y văn quốc tế và trong nước về STLF cho thấy ba trường phái học thuật chính:

  1. Trường phái thống kê cổ điển: Điển hình là các mô hình trung bình trượt tự hồi quy kết hợp (ARIMA/SARIMA) theo phương pháp luận Box-Jenkins (1970, 1976), phương pháp san bằng số mũ Holt-Winters, hay các mô hình ngoại suy xu hướng tuyến tính/phi tuyến. Dù có ưu thế về tính minh bạch toán học, các phương pháp này gặp giới hạn nghiêm trọng khi xử lý dữ liệu phi tuyến tính cao và chuỗi dừng bị phá vỡ bởi các hiện tượng thời tiết cực đoan hoặc kỳ nghỉ lễ kéo dài như Barakat et al. và El-Keib et al. đã chỉ ra.
  2. Trường phái chuyên gia và kinh tế lượng: Dựa trên hệ số đàn hồi năng lượng, phương pháp tính trực tiếp suất tiêu hao theo ngành và ngoại suy tương quan kinh tế - xã hội. Hạn chế cốt tử là phụ thuộc lớn vào tính chủ quan của chuyên gia và thiếu độ phân giải thời gian thực (real-time resolution) cần thiết cho vận hành thị trường điện theo chu kỳ 30 - 60 phút.
  3. Trường phái trí tuệ nhân tạo và học máy hiện đại: Sự xuất hiện của Logic mờ (Liu), Mạng nơ-ron truyền thẳng (Feedforward Neural Networks - FFNN, Hippert et al.), Thuật toán di truyền (Genetic Algorithms - GA, Srinivasan), Rừng ngẫu nhiên (Random Forest - Breiman, 2001) và Hồi quy vector hỗ trợ (Support Vector Regression - SVR, Vapnik, 1995).

Tranh luận học thuật cốt lõi diễn ra giữa hai quan điểm: (a) Quan điểm tham số hóa truyền thống cho rằng chỉ cần mô hình chuỗi thời gian đủ bậc và khử mùa vụ là đủ để dự báo; đối lập với (b) Quan điểm phi tham số học máy khẳng định rằng dữ liệu phụ tải mang bản chất hỗn loạn phi tuyến cần các không gian đặc trưng nhiều chiều (Hilbert spaces) để ánh xạ.

Vị thế học thuật của luận án được xác lập rõ ràng: Thay vì đưa trực tiếp dữ liệu thô vào các mạng nơ-ron phức tạp dễ dẫn đến quá khớp (overfitting) hoặc bế tắc cục bộ, tác giả đề xuất một cấu trúc trung gian có tính quy chuẩn - Biểu đồ phụ tải chuẩn hóa đơn vị (SLP). So sánh với các nghiên cứu quốc tế như mô hình dự báo thị trường điện PJM (Hoa Kỳ) hay mô hình điều độ tại thị trường Bắc Âu (Nord Pool) vốn vận hành trên hệ thống dữ liệu đồng nhất theo dương lịch, mô hình của luận án thể hiện tính vượt trội khi thích ứng hoàn hảo với các thị trường năng lượng có sự giao thoa văn hóa lịch kép (Âm - Dương) và dữ liệu đo đếm thiếu ổn định tại các quốc gia đang phát triển.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng Lý thuyết học thống kê của Vapnik trong bài toán chuỗi thời gian phụ tải thông qua việc chứng minh rằng tính quy luật hình thái (load shape invariance) có độ bền vững cao hơn độ lớn biên độ tuyệt đối qua các năm. Bằng cách thiết lập hàm ánh xạ chuẩn hóa: $$SLP(t) = \frac{P(t)}{P_{max}}$$ công trình đã giải phóng mô hình hồi quy khỏi sự phụ thuộc vào tốc độ tăng trưởng quy mô phụ tải thuần túy, chuyển trọng tâm phân tích sang không gian đặc trưng hình thái phụ tải.

Mô hình lý thuyết thiết lập bài toán tối ưu hóa lồi dựa trên nguyên lý Cực tiểu hóa Rủi ro Cấu trúc (SRM) sử dụng hàm lỗi $\epsilon$-insensitive: $$L_\epsilon(y, f(x)) = \max(0, |y - f(x)| - \epsilon)$$ Việc đưa vào các biến lỏng $\xi_n, \hat{\xi}_n \ge 0$ cho phép kiểm soát chặt chẽ biên độ phân kỳ dữ liệu, tạo ra một nghiệm thưa (sparse solution) tối ưu, chỉ phụ thuộc vào tập hợp các vector hỗ trợ (Support Vectors) có ý nghĩa thống kê nhất.

Khung phân tích độc đáo

Khung phân tích của luận án là sự hợp nhất đa tầng giữa 3 trụ cột:

  1. Lý thuyết hình thái tải (Load Profile Theory): Tách chuỗi dữ liệu thành 4 thành phần: xu hướng dài hạn, chu kỳ tuần hoàn ngày/tuần, yếu tố mùa vụ khí tượng và thành phần bất quy tắc.
  2. Kỹ thuật học máy phi tuyến SVR đa tham số: Tối ưu hóa siêu tham số gồm hằng số chuẩn hóa $C$, độ rộng ống sai số $\epsilon$ và tham số hàm nhân Gaussian $\gamma$: $$k(x_i, x_j) = \exp(-\gamma ||x_i - x_j||^2)$$
  3. Lý thuyết Kinh tế học Năng lượng và Thị trường điện: Tích hợp các ràng buộc vận hành thị trường VWEM theo Thông tư số 45/2018/TT-BCT và các quy định của Cục Điều tiết Điện lực (ERAV), liên kết kết quả dự báo công suất với phương trình thanh toán giá điện biên SMP và bù trừ rủi ro qua hợp đồng sai biệt CfD: $$R_{total} = Q_{spot} \cdot SMP + Q_c \cdot (P_{contract} - SMP)$$

Điều kiện biên của khung phân tích được xác định rõ: áp dụng cho các cấp độ dự báo chu kỳ 60 phút và 30 phút, chu kỳ dự báo ngày tới (Day-ahead) và tháng tới (Month-ahead) trong điều kiện thị trường không xảy ra sự cố tan rã hệ thống toàn diện.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ chặt chẽ thế giới quan thực chứng (Positivism) với lập trường tri thức luận khách quan và phương pháp tiếp cận định lượng thực nghiệm (quantitative empirical approach). Thiết kế nghiên cứu đa cấp độ (multi-level design) bao gồm:

  • Cấp độ hệ thống phụ tải toàn phần và cấp độ phân phối chi tiết tại 05 Tổng công ty Điện lực;
  • Cấp độ phân giải thời gian: 24 chu kỳ/ngày (chu kỳ 60 phút) và mở rộng 48 chu kỳ/ngày (chu kỳ 30 phút).

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu gồm 4 giai đoạn logic khép kín:

  1. Thu thập và thẩm định dữ liệu: Khai thác dữ liệu lịch sử vận hành thực tế giai đoạn 2014–2018 từ Trung tâm Điều độ Hệ thống điện Quốc gia (A0) và EVNHCMC, bao gồm chuỗi công suất ($P$), điện năng thương phẩm ($A$), nhiệt độ môi trường ($t^\circ$), độ ẩm và bức xạ.
  2. Xử lý dữ liệu thiếu và dị thường: Thay vì dùng phương pháp thay thế trung bình 4 tuần quá khứ dễ gây tích tụ sai số khi gặp dữ liệu trống liên hoàn, tác giả thiết lập thuật toán SVR 2 giai đoạn ràng buộc phi tuyến giữa $(P_{max}, t^\circ) \rightarrow A_{tổng}$.
  3. Xây dựng ma trận SLP và huấn luyện mô hình: Tính toán biểu đồ chuẩn hóa đơn vị cho từng phân lớp ngày: ngày làm việc (thứ Ba - thứ Sáu), ngày đầu tuần (thứ Hai), thứ Bảy, Chủ Nhật, các ngày lễ dương lịch và chuỗi 10 ngày trước/trong/sau Tết Nguyên Đán.
  4. Đối chuẩn đa mô hình (Cross-model benchmark): Đối sánh trực tiếp mô hình đề xuất SLP-SVR với SARIMA, Rừng ngẫu nhiên (RF - 20 cây quyết định, kích thước lá tối thiểu 20), Mạng nơ-ron truyền thẳng (FFNN - 1 lớp ẩn 10 nơ-ron) và Mạng nơ-ron sâu 3 lớp ẩn (cấu trúc 10-8-5 nơ-ron, hàm kích hoạt Sigmoid).
Chuỗi dữ liệu thô (2014-2018) -> [Module SVR lọc & điền khuyết] -> Dữ liệu sạch
                                                                          |
                                                                          v
Dự báo vận hành VWEM (Qc, SMP, CfD) <- [Mô hình tối ưu SLP-SVR] <- [Trích xuất SLP chuẩn hóa]

Data và phân tích

Toàn bộ thuật toán được tác giả tự lập trình trực tiếp trên môi trường MATLAB phiên bản R2017. Bài toán tối ưu hóa Lagrange kép được giải quyết qua hệ điều kiện Karush-Kuhn-Tucker (KKT): $$\max_{\alpha, \hat{\alpha}} -\frac{1}{2} \sum_{n=1}^N \sum_{m=1}^N (\alpha_n - \hat{\alpha}_n)(\alpha_m - \hat{\alpha}m) k(x_n, x_m) - \epsilon \sum{n=1}^N (\alpha_n + \hat{\alpha}n) + \sum{n=1}^N (\alpha_n - \hat{\alpha}_n) t_n$$ với các ràng buộc: $0 \le \alpha_n, \hat{\alpha}n \le C$ và $\sum{n=1}^N (\alpha_n - \hat{\alpha}_n) = 0$.

Bảng tham số tối ưu hóa thực nghiệm:

  • Mô hình SVR 1: $C = 93.03$, $\epsilon = 0.01$, Linear Kernel;
  • Mô hình SVR 4: $C = 100$, $\epsilon = 0.01$, Gaussian Kernel với KernelScale tối ưu;
  • Mô hình Random Forest: Tổng số cây $N_{tree} = 20$, Min Leaf Size $= 20$;
  • Độ tin cậy dữ liệu: Kiểm định sai số phần trăm tuyệt đối trung bình (MAPE): $$MAPE = \frac{1}{N} \sum_{t=1}^N \left| \frac{A_{thực}(t) - A_{dựbáo}(t)}{A_{thực}(t)} \right| \times 100%$$

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án mang lại các kết quả thực nghiệm có tính đột phá cao:

  1. Giải quyết triệt để bài toán mất dữ liệu đo đếm: Trích xuất từ thực nghiệm luận án cho thấy: "Mô hình bộ huấn luyện SVR sử dụng hàm lỗi ε-insensitive và hàm nhân Gaussian đã giải quyết tốt yêu cầu xử lý các dữ liệu điện năng tiêu thụ bị lỗi trong quá trình đo đếm... cho kết quả mô phỏng lại đường cong đặc tuyến tải tốt hơn mô hình mạng Neural Network và các mô hình đều có giá trị MAPE rất tốt (< 2,2%)." Điển hình tại các ngày mất số liệu phức tạp như giai đoạn 05/03/2015 - 07/03/2015, phương pháp thông thường cho sai số lệch hàng chục triệu kWh (giá trị thay thế chỉ đạt 31,35 - 32,24 triệu kWh do rơi vào vùng 0 của dữ liệu quá khứ), trong khi SVR ước lượng chính xác ở mức 55,54 - 58,92 triệu kWh (sát với thực tế vận hành).
  2. Khắc phục hoàn toàn hiện tượng lệch pha lịch Âm - Dương: Mô hình SLP-SVR không cần bước trung gian quy đổi tháng Tết thành tháng thông thường như các phần mềm thương mại ngoại nhập mà vẫn duy trì độ chính xác cao khi kiểm chứng trên dữ liệu EVNHCMC dịp Tết Nguyên Đán.
  3. Chứng minh tính ưu việt của giải pháp thưa SVR: So sánh với FFNN và Deep NN (vốn dễ rơi vào cực tiểu cục bộ và đòi hỏi mẫu dữ liệu khổng lồ), SVR thể hiện khả năng khái quát hóa vượt trội với số lượng vector hỗ trợ chiếm tỷ lệ nhỏ trong tập mẫu, giúp tăng tốc độ tính toán lên gấp nhiều lần.
  4. Xác nhận tính phổ quát trên phạm vi toàn quốc: Kiểm chứng chéo trên bộ dữ liệu của 05 Tổng công ty Điện lực (Tổng công ty Điện lực Miền Bắc, Miền Trung, Miền Nam, TP. Hà Nội, TP.HCM) khẳng định giải thuật hoạt động ổn định trên các vùng phụ tải có cơ cấu tiêu thụ hoàn toàn khác biệt (công nghiệp nặng phía Bắc, dịch vụ du lịch miền Trung, nông nghiệp và thương mại phía Nam).

Implications đa chiều

  • Về mặt lý thuyết: Thiết lập nhánh nghiên cứu mới kết hợp biến đổi không gian chuẩn hóa hình thái và học máy thống kê cho các hệ thống năng lượng đặc thù văn hóa Á Đông.
  • Về mặt phương pháp luận: Cung cấp bộ công cụ tự động hóa toàn diện từ tiền xử lý làm sạch dữ liệu, điền khuyết tự động đến dự báo điểm và dự báo chu kỳ, có khả năng chuyển giao cho các lĩnh vực kinh tế - kỹ thuật khác.
  • Về mặt thực tiễn và chính sách: Giúp các đơn vị phân phối điện lập bảng chào sản lượng hợp đồng $Q_c$ tháng $N+1$ (gửi ERAV và A0 trước ngày 20 hàng tháng) với độ chính xác cao. Điều này giúp doanh nghiệp tránh bị phạt do sai lệch công bố công suất, tối ưu hóa danh mục hợp đồng song phương CfD và hạn chế rủi ro mua điện giá cao trên thị trường giao ngay SMP trong các chu kỳ đỉnh điểm.

Limitations và Future Research

Tác giả chỉ rõ các giới hạn mang tính khách quan của công trình:

  1. Nghiên cứu chủ yếu khai thác dữ liệu phụ tải tập trung của lưới điện truyền tải và phân phối truyền thống, chưa tích hợp sâu dữ liệu đo đếm thông minh (Advanced Metering Infrastructure - AMI) từ từng hộ tiêu thụ cá thể.
  2. Chưa mô hình hóa sự bùng nổ của các nguồn năng lượng tái tạo phân tán (như điện mặt trời mái nhà sau năm 2019), vốn làm thay đổi căn bản biểu đồ phụ tải ròng (Net Load Profile) và tạo ra hiện tượng "đường cong con vịt" (Duck Curve).
  3. Khoảng thời gian dự báo thời tiết tin cậy từ các trung tâm khí tượng thủy văn còn ngắn (5 - 7 ngày), ảnh hưởng đến độ chuẩn xác của mô hình STLF khi mở rộng dự báo cho 2 - 4 tuần tới.

Chương trình nghiên cứu 5 - 10 năm tiếp theo được định hình qua các hướng cụ thể:

  • Hướng 1: Mở rộng thuật toán SLP-SVR để dự báo phụ tải ròng trong điều kiện nguồn điện mặt trời mái nhà thâm nhập sâu vào lưới điện TP.HCM.
  • Hướng 2: Kết hợp kiến trúc học sâu lai (Hybrid Deep Learning) như CNN-LSTM hoặc Transformer với cơ chế Attention để tự động trích xuất đặc trưng không - thời gian của lưới điện thông minh.
  • Hướng 3: Nghiên cứu dự báo giá điện SMP đa bước thời gian phục vụ thị trường bán lẻ điện cạnh tranh (VRECM).
  • Hướng 4: Tích hợp các thuật toán tối ưu hóa bầy đàn (PSO, Whale Optimization) để tự động tinh chỉnh siêu tham số $C, \epsilon, \gamma$ trong thời gian thực.

Tác động và ảnh hưởng

Luận án đã tạo ra những tác động học thuật và kinh tế rõ rệt:

  • Tác động học thuật: Công bố 05 bài báo hội nghị quốc tế uy tín (IEEE GTSD, IEEE ICSSE, Hội nghị Tin học toàn quốc) và 04 bài báo trên các tạp chí khoa học chuyên ngành trong nước và quốc tế (Tạp chí Khoa học và Công nghệ ĐH Đà Nẵng, Tạp chí KH&CN, Engineering, Technology & Applied Science Research, ASTESJ).
  • Chuyển dịch ngành năng lượng: Cung cấp công cụ tính toán đắc lực phục vụ trực tiếp cho Tổng công ty Điện lực TP.HCM và Tập đoàn Điện lực Việt Nam, thay thế hoàn toàn các thao tác ước lượng thủ công thiếu chuẩn xác.
  • Lợi ích xã hội và môi trường: Nâng cao độ chính xác dự báo giúp tối ưu hóa việc huy động các tổ máy phát điện nhiệt điện than và khí, giảm suất tiêu hao nhiên liệu, cắt giảm hàng ngàn tấn phát thải $CO_2$ và ngăn ngừa nguy cơ sụp đổ điện áp hệ thống.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận một phương pháp luận giải quyết triệt để tính phi dừng của chuỗi thời gian phụ tải do yếu tố văn hóa lịch âm/dương.
  • Kỹ sư vận hành hệ thống điện (A0/Điều độ miền): Sở hữu giải thuật tin cậy để lập kế hoạch điều độ nguồn điện ngày tới, tuần tới với sai số thấp.
  • Đơn vị phân phối và bán lẻ điện (DisCos): Công cụ đắc lực để tối ưu hóa chiến lược chào giá sản lượng $Q_c$, giảm rủi ro thanh toán thị trường điện hàng tỷ đồng mỗi năm.
  • Cơ quan quản lý nhà nước (ERAV - Bộ Công Thương): Cơ sở khoa học thực chứng vững chắc để hoàn thiện quy chế vận hành thị trường điện bán buôn và bán lẻ cạnh tranh tại Việt Nam.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đó là việc mở rộng Lý thuyết học thống kê của Vapnik thông qua việc đề xuất khái niệm và thuật toán Biểu đồ phụ tải chuẩn hóa đơn vị (SLP). Thay vì dự báo trực tiếp giá trị biên độ công suất, mô hình dự báo không gian hình thái tải không thứ nguyên $SLP(t) = P(t)/P_{max}$, triệt tiêu hoàn toàn sự sai lệch chu kỳ giữa lịch âm và lịch dương.

2. Đột phá về mặt phương pháp luận so với các nghiên cứu trước đây? So với phương pháp Box-Jenkins (SARIMA) và Mạng nơ-ron truyền thẳng (FFNN), phương pháp lai SLP-SVR của luận án giải quyết đồng thời hai nút thắt: tự động điền khuyết chuỗi dữ liệu bị mất qua ràng buộc vật lý $(P_{max}, t^\circ) \rightarrow A_{tổng}$ và tìm nghiệm tối ưu toàn cục nhờ quy hoạch lồi KKT, tránh hoàn toàn bẫy cực tiểu cục bộ của ANN.

3. Phát hiện thực nghiệm gây bất ngờ nhất là gì? Việc chứng minh rằng thuật toán nội suy trung bình 4 tuần truyền thống của ngành điện có thể gây sai số nghiêm trọng lên tới trên 45% khi dữ liệu bị mất rơi vào chuỗi liên hoàn các ngày lễ, trong khi mô hình SVR với hàm nhân Gaussian vẫn tái tạo lại chính xác đường cong phụ tải thực với MAPE < 2,2%.

4. Quy trình tái lập (Replication Protocol) có được cung cấp đầy đủ không? Luận án cung cấp đầy đủ và chi tiết toàn bộ cấu trúc thuật toán, sơ đồ khối, tham số mô hình SVR ($C=93.03 - 100$, $\epsilon=0.01$), cấu trúc mạng nơ-ron (10-8-5), cấu hình Random Forest (20 trees) và các đoạn mã nguồn lập trình trên nền tảng MATLAB R2017.

5. Lộ trình nghiên cứu 10 năm tới được vạch ra như thế nào? Lộ trình tập trung vào việc chuyển đổi mô hình từ dự báo tập trung sang dự báo phân tán, tích hợp dữ liệu Big Data từ công tơ điện tử thông minh AMI, mô hình hóa sự bất định của năng lượng tái tạo phân tán và ứng dụng giải thuật học sâu vào thị trường bán lẻ điện cạnh tranh.

Kết luận

  1. Xây dựng thành công công cụ tự động hóa ước lượng dữ liệu chuỗi thời gian phụ tải bị lỗi, khuyết tật dựa trên giải thuật SVR, đạt độ chính xác vượt trội với MAPE < 2,2%.
  2. Sáng tạo giải thuật Biểu đồ phụ tải chuẩn hóa đơn vị (SLP), giải quyết căn bản bài toán dự báo phụ tải ngắn hạn trong các giai đoạn biến động phức tạp của lịch kép Âm - Dương và Tết Nguyên Đán tại Việt Nam.
  3. Hoàn thiện hàm dự báo STLF lai ghép SLP-SVR tối ưu, chứng minh tính ưu việt thông qua đối chuẩn toàn diện với SARIMA, Random Forest và Feedforward Neural Networks.
  4. Kiểm chứng và ứng dụng thành công trên bộ dữ liệu thực tế 5 năm (2014 - 2018) của Tổng công ty Điện lực TP.HCM và 05 Tổng công ty Điện lực thuộc EVN.
  5. Thiết lập khung liên kết giữa kết quả kỹ thuật dự báo phụ tải với bài toán kinh tế năng lượng, tối ưu hóa sản lượng hợp đồng $Q_c$ và quản trị rủi ro giá điện biên SMP trong thị trường điện bán buôn cạnh tranh Việt Nam (VWEM).