Tổng quan luận án
Công trình "Kỹ thuật dự báo trong vận hành thị trường điện Việt Nam" do nghiên cứu sinh Nguyễn Tuấn Dũng thực hiện dưới sự hướng dẫn khoa học của PGS. TS Trần Thu Hà và PGS. TS Nguyễn Thanh Phương, bảo vệ năm 2020 tại Trường Đại học Công nghệ TP. Hồ Chí Minh (HUTECH). Luận án thuộc chuyên ngành Kỹ thuật điện / Kỹ thuật điều khiển và hệ thống năng lượng, hướng nghiên cứu định lượng kết hợp kỹ thuật xử lý dữ liệu và học máy ứng dụng trong hệ thống điện.
Quá trình sản xuất và tiêu thụ điện năng đòi hỏi phải duy trì trạng thái cân bằng liên tục ở mọi thời điểm nhằm tránh suy giảm chất lượng điện năng hoặc sự cố sụt đổ điện áp gây tan rã hệ thống. Về mặt kinh tế, điện năng là hàng hóa không thể lưu trữ quy mô lớn với chi phí thấp. Nhu cầu phụ tải phụ thuộc chặt chẽ vào các biến số thời tiết (nhiệt độ, tốc độ gió, độ ẩm, lượng mưa), chu kỳ hoạt động sản xuất - sinh hoạt (giờ cao điểm/thấp điểm, ngày trong tuần, ngày cuối tuần, ngày lễ) và tính bất định của các nguồn năng lượng tái tạo. Trong bối cảnh chuyển dịch sang vận hành Thị trường điện bán buôn cạnh tranh Việt Nam (VWEM), công tác dự báo phụ tải đóng vai trò cung cấp thông tin điều hành và xác định giá mua bán điện.
Phần lớn các nghiên cứu trước đây tập trung vào dự báo trung hạn và dài hạn phục vụ quy hoạch nguồn và lưới điện. Khoảng trống nghiên cứu thực tế đặt ra gồm:
- Các phương pháp xử lý dữ liệu đo đếm bị thiếu, sai lệch còn thực hiện thủ công, phụ thuộc vào kinh nghiệm chuyên gia.
- Sai số dự báo phụ tải ngắn hạn tại Việt Nam thường tăng cao trong giai đoạn tháng 01 và tháng 02 hàng năm do sự chênh lệch chu kỳ phụ tải giữa lịch dương và lịch âm (Tết Dương lịch và Tết Nguyên Đán). Các phần mềm thương mại ngoại nhập phải qua khâu trung gian quy đổi phức tạp hoặc chấp nhận sai số lớn.
- Biến đổi khí hậu làm cho dự báo thời tiết chỉ có độ tin cậy trong khoảng ngắn (05 đến 07 ngày), khó đáp ứng các mốc thời gian chào giá theo quy định thị trường điện (như nộp biểu chào sản lượng hợp đồng $Q_c$ tháng $N+1$ trước ngày 20 của tháng $N$).
Mục tiêu chính của luận án là xây dựng mô hình kết hợp giữa Biểu đồ phụ tải chuẩn hóa đơn vị (Standardized Load Profiles - SLP) và Hồi quy vector hỗ trợ (Support Vector Regression - SVR) để xử lý dữ liệu thiếu và thực hiện dự báo phụ tải ngắn hạn (STLF), đáp ứng yêu cầu của Cục Điều tiết Điện lực (ERAV) thuộc Bộ Công Thương. Luận án ứng dụng mô hình vào thực tế vận hành của Tổng công ty Điện lực TP. Hồ Chí Minh (EVNHCMC), đồng thời phân tích tác động của giá thị trường biên (SMP) và hợp đồng sai khác (CfD) đến kết quả công bố sản lượng hợp đồng $Q_c$ nhằm giảm thiểu rủi ro và tối ưu hóa chi phí.
Nhiệm vụ nghiên cứu được xác định qua 4 nội dung:
- Phân tích đặc tính và các thành phần của chuỗi dữ liệu phụ tải quá khứ (xu hướng, chu kỳ, mùa vụ, bất quy tắc) theo năm, tháng, ngày và giờ.
- Xây dựng kỹ thuật tự động ước lượng lại các giá trị dữ liệu đo đếm bị thiếu, lỗi hoặc sai lệch.
- Xây dựng giải thuật dự báo phụ tải ngắn hạn (STLF) 24 chu kỳ/ngày và kiểm chứng so sánh giữa mô hình SLP-SVR với các mô hình SARIMA, Mạng nơ-ron (Neural Network) và Rừng ngẫu nhiên (Random Forest).
- Đánh giá sự ảnh hưởng của cơ chế thị trường điện đến công tác dự báo phụ tải và lập kế hoạch sản lượng hợp đồng $Q_c$.
Phạm vi nghiên cứu về không gian tập trung tại hệ thống điện của EVNHCMC và mở rộng kiểm chứng trên dữ liệu của 05 Tổng công ty Điện lực thuộc Tập đoàn Điện lực Việt Nam (EVN). Phạm vi thời gian sử dụng chuỗi số liệu vận hành và khí tượng lịch sử giai đoạn 2014 - 2018.
Tổng quan tài liệu và vị trí của luận án
Tác giả đã hệ thống hóa các nhóm phương pháp dự báo phụ tải điện trong y văn:
-
Nhóm phương pháp thống kê cổ điển:
- Bình quân di động, bình quân di động có trọng số, san bằng số mũ đơn và san bằng số mũ có điều chỉnh xu hướng. Barakat et al. [2] chỉ ra phương pháp Winter gặp khó khăn khi phân tích các khu vực có tốc độ tăng trưởng nhanh. El-Keib et al. [3] phát triển mô hình lai ghép giữa làm mịn hàm mũ, phân tích phổ điện và mô hình tự hồi quy.
- Dự báo theo đường khuynh hướng (tuyến tính, parabol, hyperbol, logarit) dựa trên kỹ thuật bình phương cực tiểu.
- Phương pháp chuỗi thời gian Box-Jenkins [4]–[8]: Mô hình tự hồi quy $AR(p)$, trung bình trượt $MA(q)$, kết hợp $ARMA(p, q)$, mô hình tích hợp $ARIMA(p, d, q)$ thông qua sai phân hóa $I(d)$ để đạt tính dừng, và mô hình có tính mùa vụ $SARIMA(p, d, q)(P, D, Q)_s$.
-
Nhóm phương pháp chuyên gia:
- Hệ số đàn hồi (hệ số vượt trước): Đánh giá tỷ số giữa nhịp độ tăng trưởng điện năng và tăng trưởng kinh tế.
- Phương pháp tính trực tiếp theo suất tiêu hao điện năng từng ngành, phương pháp ngoại suy chuỗi thời gian, phương pháp phân tích tương quan giữa điện năng với các chỉ tiêu kinh tế quốc dân, phương pháp đối chiếu so sánh giữa các quốc gia tương đồng và phương pháp lấy ý kiến chuyên gia.
-
Nhóm trí tuệ nhân tạo và học máy:
- Logic mờ (Fuzzy Logic): Liu [9] và các công trình [10]–[23] ứng dụng logic mờ kết hợp giải mờ centroid để dự báo biến động phụ tải trực tuyến.
- Mạng nơ-ron nhân tạo (ANN): Hippert et al. [24] tổng quan ứng dụng ANN trong dự báo phụ tải. Các công trình [25]–[34] tập trung vào mạng nơ-ron truyền thẳng (Feedforward Neural Networks) học bằng thuật toán lan truyền ngược sai số.
- Thuật toán di truyền (GA): Các nghiên cứu [35]–[42], [43]–[44] và Srinivasan [45]–[47] ứng dụng GA để tối ưu hóa cấu trúc mạng và trọng số nơ-ron cho bài toán STLF trước 01 ngày.
- Hồi quy vector hỗ trợ (Support Vector Regression - SVR) [48]–[55]: Sử dụng giải pháp thưa thông qua các Support Vector, thủ thuật Kernel để ánh xạ dữ liệu sang không gian đặc trưng nhiều chiều, và hàm mất mát $\varepsilon$-insensitive.
- Rừng ngẫu nhiên (Random Forest - RF): Dựa trên kỹ thuật Bagging của Breiman [57] và thuật toán cây quyết định CART [58]–[63] để tạo tập hợp các cây hồi quy độc lập.
Khoảng trống nghiên cứu được luận án định vị là: Các tài liệu kỹ thuật của các công ty điện lực [99] chủ yếu xử lý dữ liệu thiếu bằng phương pháp thủ công (nội suy tuyến tính, dùng ngày tương đồng, lấy trung bình 4 tuần gần nhất). Khi dữ liệu của các tuần tham chiếu rơi đúng vào khoảng mất số liệu, các phương pháp này tạo ra sai số lớn. Đồng thời, các mô hình học máy truyền thống khi áp dụng trực tiếp dữ liệu chuỗi thời gian tại Việt Nam thường bị giảm độ chính xác trong dịp Tết do sự lệch pha giữa lịch dương và lịch âm. Luận án lựa chọn giải quyết khoảng trống này bằng cách đề xuất công cụ chuẩn hóa hình dạng tải (SLP) kết hợp mô hình hồi quy học máy SVR.
Cơ sở lý thuyết và phương pháp nghiên cứu
Cơ sở lý thuyết
-
Lý thuyết Hồi quy Vector Hỗ trợ (SVR):
Hàm hồi quy có dạng:
$$y = f(x) = w^T \phi(x) + b$$
Trong đó $w \in \mathbb{R}^m$ là vector trọng số, $b \in \mathbb{R}$ là hằng số chệch, $x \in \mathbb{R}^n$ là vector đầu vào, và $\phi(x)$ là hàm ánh xạ từ không gian dữ liệu sang không gian đặc trưng.
Mục tiêu huấn luyện là cực tiểu hóa hàm lỗi với hàm mất mát $\varepsilon$-insensitive và các biến lỏng $\xi_n, \hat{\xi}n \ge 0$:
$$\min{w, b, \xi, \hat{\xi}} \frac{1}{2} |w|^2 + C \sum_{n=1}^N (\xi_n + \hat{\xi}_n)$$
với các ràng buộc:
$$\begin{cases} t_n - y(x_n) \le \varepsilon + \xi_n \ y(x_n) - t_n \le \varepsilon + \hat{\xi}_n \ \xi_n \ge 0, \hat{\xi}_n \ge 0 \end{cases}$$
Thông qua hàm Lagrange và điều kiện Karush-Kuhn-Tucker (KKT), bài toán đối ngẫu tương đương là:
$$\max_{a_n, \hat{a}n} -\frac{1}{2} \sum{n=1}^N \sum_{m=1}^N (a_n - \hat{a}_n)(a_m - \hat{a}m) k(x_n, x_m) - \varepsilon \sum{n=1}^N (a_n - \hat{a}n) + \sum{n=1}^N (a_n - \hat{a}_n) t_n$$
với ràng buộc $0 \le a_n \le C$, $0 \le \hat{a}n \le C$ và $\sum{n=1}^N (a_n - \hat{a}_n) = 0$.
Hàm nhân Gaussian được sử dụng:
$$k(x_i, x_j) = \exp(-\gamma |x_i - x_j|^2)$$
Ba tham số cần tối ưu là hệ số phạt $C$ (BoxConstraint), độ rộng ống $\varepsilon$ (Epsilon) và tham số hàm nhân $\gamma$ (KernelScale).
-
Khái niệm Biểu đồ phụ tải chuẩn hóa đơn vị (SLP):
Biểu đồ phụ tải chuẩn hóa đơn vị được tính toán bằng cách lấy giá trị công suất đo đếm theo từng chu kỳ (60 phút) chia cho giá trị công suất cực đại ($P_{max}$) của ngày tương ứng:
$$SLP_t = \frac{P_t}{P_{max}}$$
Biến đổi này đưa đồ thị phụ tải của các ngày khác nhau về cùng một thang đo tương đối $[0, 1]$, giúp giữ nguyên đặc trưng hình học của các mẫu tải điển hình (ngày làm việc, thứ Bảy, Chủ nhật, ngày lễ) bất kể sự thay đổi quy mô phụ tải tuyệt đối qua các năm.
Phương pháp nghiên cứu
- Phương pháp định lượng: Thu thập số liệu thống kê lịch sử về điện thương phẩm, công suất cực đại ($P_{max}$), công suất cực tiểu ($P_{min}$), tổng điện năng tiêu thụ ($A_{\text{tổng}}$), nhiệt độ thời tiết ($t^\circ$), giá điện biên thị trường ($SMP$) và sản lượng hợp đồng sai khác ($CfD$).
- Phân tích chuỗi thời gian: Phân rã dữ liệu thành các thành phần xu hướng, chu kỳ, mùa vụ và ngẫu nhiên.
- Mô hình hóa thực nghiệm: Tác giả tự lập trình toàn bộ các module xử lý dữ liệu thiếu, module xây dựng SLP, module hồi quy SVR, Feedforward Neural Network và Random Forest trên phần mềm Matlab R2017.
- Đánh giá sai số: Sử dụng chỉ số sai số phần trăm tuyệt đối trung bình (MAPE - Mean Absolute Percentage Error) để đánh giá và so sánh độ chính xác giữa các thuật toán.
Nguồn tư liệu và dữ liệu
Bộ dữ liệu phục vụ nghiên cứu được thu thập từ:
- Dữ liệu vận hành hệ thống đo đếm và phụ tải của EVNHCMC từ ngày 01/01/2014 đến ngày 17/12/2018 (chu kỳ 60 phút và 30 phút).
- Số liệu phụ tải của 05 Tổng công ty Điện lực thuộc EVN (EVNHCMC, EVNHANOI, EVNNPC, EVNCPC, EVNSPC).
- Dữ liệu vận hành Thị trường điện bán buôn Việt Nam (VWEM) do Trung tâm Điều độ Hệ thống điện Quốc gia (A0) quản lý.
Nội dung chính theo từng chương
CHƯƠNG I: TỔNG QUAN
Chương I trình bày cơ sở lý luận về bài toán cân bằng năng lượng, các khái niệm cơ bản trong dự báo nhu cầu phụ tải và sự cần thiết của dự báo trong thị trường điện cạnh tranh. Tác giả phân loại và đánh giá ưu nhược điểm của các nhóm phương pháp: thống kê (bình quân di động, san bằng số mũ Holt-Winters, Box-Jenkins ARIMA/SARIMA), phương pháp chuyên gia (hệ số đàn hồi, tính toán trực tiếp, ngoại suy, tương quan, đối chiếu) và học máy (logic mờ, mạng nơ-ron, giải thuật di truyền, SVR, Random Forest).
Chương này cũng phân tích các yếu tố ảnh hưởng trực tiếp đến phụ tải ngắn hạn: kiểu ngày trong tuần (ngày thường thứ Ba đến thứ Sáu, ngày thứ Hai, thứ Bảy, Chủ nhật), ngày lễ Tết (Dương lịch và Nguyên Đán), các hiện tượng khí tượng (nhiệt độ, độ ẩm, tốc độ gió, El Nino, La Nina). Tác giả xác định mục tiêu xây dựng mô hình kết hợp SLP-SVR, xác lập giới hạn nghiên cứu, phương pháp luận và bố cục 6 chương của luận án.
CHƯƠNG II: CHUỖI DỮ LIỆU VÀ XỬ LÝ GIÁ TRỊ THIẾU
Chương II tập trung giải quyết bài toán tiền xử lý dữ liệu đo đếm. Tác giả chỉ ra các nguyên nhân gây gián đoạn chuỗi dữ liệu (lỗi đường truyền, hỏng hóc thiết bị đo đếm, lỗi bộ nhớ lưu trữ hoặc sai sót thao tác). Khi so sánh phương pháp truyền thống (lấy giá trị trung bình cùng thời điểm của 4 tuần trước) với trường hợp khuyết dữ liệu liên tiếp từ ngày 05/03 đến 07/03/2015:
$$A_{\text{thay thế}}(05/03) = \frac{A_{26/02} + A_{19/02} + A_{12/02} + A_{05/02}}{4}$$
Do các ngày 12/02, 13/02 và 14/02/2015 cũng là các điểm dữ liệu bị thiếu ($A = 0$), kết quả thay thế thủ công bị sai lệch nghiêm trọng ($A_{\text{thay thế}}$ chỉ đạt từ 31,35 đến 32,24 triệu kWh).
Để khắc phục, tác giả xây dựng mô hình hồi quy SVR trên Matlab R2017 dựa trên mối quan hệ giữa công suất đỉnh $P_{max}$, nhiệt độ $t^\circ$ và tổng điện năng $A_{\text{tổng}}$ từ chuỗi số liệu 01/01/2014 đến 29/02/2016.
Bảng 1: Thông số mô hình SVR xử lý dữ liệu thiếu cấp ngày (theo Bảng 2.1 trong luận án)
| Mô hình |
BoxConstraint ($C$) |
KernelScale |
Epsilon ($\varepsilon$) |
| SVR |
6,10 |
Tối ưu hóa tự động |
Tối ưu hóa tự động |
Bảng 2: Kết quả ước lượng các số liệu bị lỗi bằng phương pháp 4 tuần, SVR và NN (theo Bảng 2.2 trong luận án)
| Ngày |
$A_{\text{thay thế}}$ (4 tuần) |
$A_{\text{ước lượng}}$ (SVR 1) |
$A_{\text{ước lượng}}$ (SVR 2) |
$A_{\text{ước lượng}}$ (NN) |
| 10/01/2015 |
53,71 |
54,17 |
52,92 |
54,45 |
| 11/01/2015 |
46,47 |
42,15 |
44,91 |
42,70 |
| 12/01/2015 |
55,20 |
55,26 |
54,96 |
55,05 |
| 13/01/2015 |
55,58 |
55,49 |
55,45 |
55,49 |
| 12/02/2015 |
53,49 |
49,42 |
49,28 |
50,61 |
| 13/02/2015 |
52,81 |
45,97 |
51,11 |
47,10 |
| 14/02/2015 |
50,79 |
39,32 |
42,86 |
39,60 |
| 05/03/2015 |
31,35 |
57,06 |
56,80 |
57,51 |
| 06/03/2015 |
32,24 |
58,92 |
58,04 |
59,72 |
| 07/03/2015 |
31,99 |
55,54 |
56,12 |
56,18 |
Kết quả cho thấy SVR tái tạo lại đường cong phụ tải chính xác hơn mô hình mạng nơ-ron, đưa sai số MAPE về dưới 2,2%.
CHƯƠNG III: NGHIÊN CỨU PHỤ TẢI VÀ BIỂU ĐỒ CHUẨN HÓA ĐƠN VỊ
Chương III phân tích ba đặc tính vận hành của phụ tải khu vực TP. Hồ Chí Minh:
- Đặc tính ngày - tuần: Phụ tải các ngày làm việc (thứ Hai đến thứ Sáu) tương đối ổn định; phụ tải thứ Bảy giảm vào buổi chiều tối; phụ tải Chủ nhật giảm sâu toàn bộ các khung giờ. Các tuần trong dịp Tết Nguyên Đán (tháng 2) sụt giảm rất lớn so với các tháng còn lại.
- Đặc tính giờ - ngày: Phản ánh biểu đồ phụ tải theo 24 chu kỳ trong ngày với các đỉnh sáng và đỉnh tối rõ rệt.
- Đặc tính thời tiết: Mối tương quan phi tuyến giữa nhiệt độ môi trường và công suất tiêu thụ điện.
Trên cơ sở đó, tác giả phát triển mô hình Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) và mở rộng giải thuật xử lý dữ liệu thiếu từ cấp độ ngày sang cấp độ 24 chu kỳ/ngày dựa trên dữ liệu 60 phút của 03 năm liên tiếp.
Bảng 3: Cấu hình thông số các mô hình thử nghiệm xử lý dữ liệu chu kỳ (theo Bảng 3.1 trong luận án)
| Mô hình |
Thuật toán / Kiến trúc |
Tham số thiết lập |
Hàm kích hoạt / Kernel |
| SVR 1 |
Support Vector Regression |
$C = 93,03$ |
Tuyến tính (Linear) |
| SVR 4 |
Support Vector Regression |
$C = 100$; $\varepsilon = 0,01$ |
Tuyến tính (Linear) |
| Random Forest (RF) |
Rừng ngẫu nhiên |
20 cây hồi quy; Kích thước lá tối thiểu = 20 |
Thuật toán Bagging / CART |
| Feedforward NN |
Mạng nơ-ron truyền thẳng |
01 lớp ẩn, kích thước lớp = 10 |
Sigmoid |
| Mạng NN 3 lớp |
Mạng nơ-ron truyền thẳng |
03 lớp ẩn: Lớp 1 (10), Lớp 2 (8), Lớp 3 (5) |
Chuẩn |
Chuỗi dữ liệu kiểm nghiệm từ ngày 01/01/2014 đến ngày 17/12/2018 tại EVNHCMC chứng minh việc kết hợp SLP làm đầu vào cho mô hình SVR giúp khôi phục các chu kỳ bị mất hoặc bị giá trị ngoại lai bất thường với độ chính xác cao.
CHƯƠNG IV: XÂY DỰNG MÔ HÌNH DỰ BÁO NGẮN HẠN
Chương IV thiết lập cấu trúc mô hình STLF hoàn chỉnh kết hợp giữa SLP và SVR. Quy trình dự báo bao gồm:
- Tiền xử lý dữ liệu đo đếm lịch sử và phân loại mẫu ngày (ngày thường, thứ Bảy, Chủ nhật, ngày lễ, Tết).
- Xây dựng ma trận biểu đồ chuẩn hóa SLP theo chu kỳ tương ứng từ dữ liệu lịch sử 3 năm.
- Huấn luyện mô hình SVR với dữ liệu SLP kết hợp dự báo nhiệt độ để thiết lập hàm hồi quy phi tuyến.
- Tái cấu trúc công suất dự báo bằng cách nhân ngược giá trị SLP dự báo với công suất đỉnh $P_{max}$ ước lượng.
Tác giả so sánh mô hình SLP-SVR với các mô hình SARIMA, Feedforward Neural Networks và Random Forest. Kết quả cho thấy mô hình SLP-SVR cho sai số MAPE thấp nhất.
Đặc biệt, khi kiểm chứng với bộ dữ liệu phức tạp trong các tháng 01 và 02 có kỳ nghỉ Tết Nguyên Đán tại EVNHCMC, mô hình SLP-SVR giải quyết được hiện tượng lệch chu kỳ phụ tải âm - dương mà không cần bước chuyển đổi dữ liệu trung gian như các phần mềm thương mại. Giải thuật tiếp tục được kiểm chứng thành công trên bộ cơ sở dữ liệu của cả 05 Tổng công ty Điện lực thuộc EVN.
CHƯƠNG V – DỰ BÁO TRONG VẬN HÀNH THỊ TRƯỜNG ĐIỆN CẠNH TRANH CỦA VIỆT NAM
Chương V phân tích các quy định vận hành của Thị trường điện bán buôn Việt Nam (VWEM) ban hành bởi Cục Điều tiết Điện lực (ERAV). Các Tổng công ty Điện lực phải thực hiện dự báo và nộp biểu đồ phụ tải cùng bảng chào sản lượng hợp đồng $Q_c$ cho tháng $N+1$ theo 24 chu kỳ trước ngày 20 của tháng $N$.
Tác giả đã ứng dụng giải thuật SLP-SVR vào công tác dự báo ngắn hạn 24/48 chu kỳ cho 365 ngày/năm tại EVNHCMC, đồng thời tính toán dự báo dài hạn (5-10 năm) và theo tháng/năm. Đánh giá sai số dự báo thực tế được lượng hóa chi tiết theo chu kỳ, ngày, tuần, tháng và năm.
Luận án phân tích cơ chế tài chính của thị trường điện thông qua mối quan hệ giữa giá điện biên thị trường ($SMP$) và hợp đồng sai khác ($CfD$). Khi giá $SMP$ trên thị trường giao ngay biến động, kết quả dự báo phụ tải chính xác cho phép đơn vị phân phối tối ưu hóa sản lượng đăng ký hợp đồng $Q_c$, từ đó hạn chế tối đa rủi ro thanh toán chênh lệch giá và bảo đảm hiệu quả sản xuất kinh doanh.
CHƯƠNG VI – KẾT LUẬN
Chương VI tổng hợp các kết quả lý thuyết và thực nghiệm đã đạt được, khẳng định mô hình SLP-SVR đáp ứng các yêu cầu kỹ thuật và quy định thị trường điện. Chương này cũng chỉ rõ các hạn chế liên quan đến độ chính xác dự báo thời tiết và nêu định hướng nghiên cứu tiếp theo.
Kết quả và những đóng góp mới
Đóng góp về mặt lý luận và khoa học
- Luận án đã nghiên cứu và phát triển giải thuật mới sử dụng Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) làm tập dữ liệu đầu vào cho các module hồi quy học máy (SVR, NN, RF). Giải thuật này xử lý được bài toán chênh lệch chu kỳ phụ tải giữa lịch dương và lịch âm trong các tháng 01 và 02 có Tết Nguyên Đán, đạt độ sai số thấp mà không cần quy đổi trung gian dữ liệu.
- Xây dựng công cụ tự động ước lượng các giá trị dữ liệu đo đếm bị thiếu, lỗi hoặc ngoại lai bằng mô hình kết hợp SLP và SVR, thay thế quy trình ước lượng thủ công dựa trên kinh nghiệm chuyên gia trước đây.
- Khảo sát, đối sánh thực nghiệm toàn diện giữa các mô hình dự báo chuỗi thời gian thống kê (SARIMA) và các thuật toán học máy (SVR, Feedforward Neural Networks, Random Forest) trên cùng một tập dữ liệu hệ thống điện Việt Nam, xác định được bộ tham số tối ưu cho mô hình SVR ($C, \varepsilon, \gamma$).
Đóng góp về mặt thực tiễn và giải pháp đề xuất
- Toàn bộ các module thuật toán xử lý dữ liệu thiếu, xây dựng SLP và dự báo phụ tải ngắn hạn STLF được tác giả trực tiếp lập trình thành bộ công cụ trên nền tảng ngôn ngữ Matlab R2017.
- Mô hình đã được áp dụng vào thực tế công tác dự báo ngắn hạn 24/48 chu kỳ của 365 ngày/năm tại EVNHCMC và được kiểm chứng mở rộng trên bộ dữ liệu của 05 Tổng công ty Điện lực thuộc EVN.
- Đề xuất phương pháp phân tích tương quan giữa giá thị trường $SMP$, hợp đồng sai khác $CfD$ và sản lượng dự báo $Q_c$, cung cấp cơ sở định lượng giúp các đơn vị phân phối điện lập phương án chào giá, giảm thiểu rủi ro tài chính khi thị trường biến động.
Hạn chế và hướng nghiên cứu tiếp
Hạn chế
- Độ chính xác của mô hình dự báo phụ tải phụ thuộc vào chất lượng của dữ liệu dự báo thời tiết đầu vào; tuy nhiên các dữ liệu dự báo thời tiết chỉ có độ tin cậy trong khoảng thời gian ngắn từ 05 đến 07 ngày.
- Việc lựa chọn tham số của mô hình hồi quy SVR ($C, \varepsilon, \gamma$) đòi hỏi quy trình tính toán thử nghiệm để tìm điểm tối ưu nhằm tránh hiện tượng quá khớp (overfitting) hoặc quá đơn giản hóa mô hình.
- Phạm vi dữ liệu thử nghiệm chuyên sâu tập trung chủ yếu tại khu vực phụ tải đô thị và công nghiệp của EVNHCMC và số liệu tổng hợp của 05 Tổng công ty Điện lực, chưa đi sâu vào từng loại hình phụ tải đặc thù ở cấp điện áp phân phối thấp hơn.
Hướng nghiên cứu tiếp theo
- Mở rộng nghiên cứu và ứng dụng giải thuật SLP-SVR cho các cấp độ thị trường điện tiếp theo tại Việt Nam, cụ thể là Thị trường bán lẻ điện cạnh tranh.
- Tích hợp các thuật toán tối ưu hóa tự động (như giải thuật di truyền GA hoặc tối ưu bầy đàn PSO) để tìm kiếm tự động bộ tham số cho mô hình SVR.
- Nghiên cứu bổ sung các yếu tố bất định từ nguồn năng lượng tái tạo (điện mặt trời áp mái, điện gió) tích hợp vào lưới điện phân phối vào mô hình dự báo phụ tải.
Giá trị tham khảo
Luận án mang lại giá trị tham khảo chuyên môn cho các đối tượng trong ngành năng lượng và kỹ thuật điều khiển:
- Nghiên cứu sinh, học viên cao học và giảng viên chuyên ngành Kỹ thuật điện, Hệ thống điện và Khoa học dữ liệu ứng dụng: Có thể tham khảo phương pháp luận chuẩn hóa biểu đồ phụ tải (SLP), các công thức toán học về hàm mất mát $\varepsilon$-insensitive, điều kiện KKT và kỹ thuật Kernel trong SVR tại Chương I, II, III và IV.
- Cán bộ kỹ thuật, kỹ sư điều độ tại các Tổng công ty Điện lực (EVNHCMC, EVNHANOI, EVNNPC, EVNCPC, EVNSPC): Có thể khai thác giải thuật ước lượng dữ liệu thiếu tự động (Chương II, Chương III) và mô hình dự báo phụ tải ngắn hạn 24 chu kỳ/ngày để áp dụng vào hệ thống quản trị dữ liệu đo đếm (MDMS/AMR).
- Các nhà quản lý, hoạch định chính sách tại Cục Điều tiết Điện lực (ERAV), Trung tâm Điều độ Hệ thống điện Quốc gia (A0) và đơn vị tham gia thị trường điện: Có thể tham khảo Chương V về phương pháp đánh giá tác động của giá thị trường $SMP$ và hợp đồng $CfD$ đến chiến lược công bố bảng chào sản lượng $Q_c$ phục vụ vận hành thị trường điện bán buôn.
Câu hỏi thường gặp
1. Khái niệm Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) được định nghĩa như thế nào trong luận án?
Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) được xây dựng bằng cách lấy giá trị công suất đo đếm theo từng chu kỳ 60 phút chia cho giá trị công suất cực đại ($P_{max}$) của ngày đó. Phép biến đổi này đưa đồ thị phụ tải về miền giá trị $[0, 1]$, bảo toàn hình dạng đường đặc tuyến phụ tải điển hình của từng kiểu ngày mà không bị phụ thuộc vào sự gia tăng độ lớn công suất tuyệt đối qua các năm.
2. Tại sao phương pháp lấy trung bình 4 tuần trước truyền thống lại thất bại khi xử lý dữ liệu thiếu các ngày 05/03 đến 07/03/2015?
Phương pháp truyền thống tính $A_{\text{thay thế}}$ dựa trên trung bình cộng của 4 tuần trước đó cùng thứ. Tuy nhiên, các ngày tham chiếu rơi vào khoảng 12/02 - 14/02/2015 cũng là các ngày bị mất dữ liệu đo đếm ($A = 0$). Do đó, công thức trung bình cộng trả về giá trị sai lệch nghiêm trọng (31,35 - 32,24 triệu kWh so với giá trị thực tế trên 55 triệu kWh).
3. Giải thuật SLP kết hợp SVR giải quyết vấn đề dự báo phụ tải trong các tháng có Tết Nguyên Đán ra sao?
Giai đoạn tháng 01 và tháng 02 có sự sai lệch chu kỳ phụ tải giữa lịch dương và lịch âm qua các năm. Bằng cách sử dụng SLP làm tập dữ liệu đầu vào cho mô hình hồi quy SVR, mô hình học được hình thái tiêu thụ điện chuẩn hóa của các ngày Tết từ dữ liệu quá khứ và dự báo trực tiếp cho chu kỳ mới với sai số MAPE thấp, không cần khâu quy đổi dữ liệu trung gian sang ngày thường như các phần mềm ngoại nhập.
4. Các tham số cấu hình chính của mô hình SVR và mạng nơ-ron trong luận án gồm những gì?
- Mô hình SVR cấp ngày: $C = 6,10$. Mô hình SVR chu kỳ: SVR 1 có $C = 93,03$ (hàm nhân Linear); SVR 4 có $C = 100$, $\varepsilon = 0,01$ (hàm nhân Linear).
- Mạng nơ-ron: Feedforward Neural Network gồm 01 lớp ẩn với kích thước 10 nơ-ron, hàm kích hoạt Sigmoid; mạng NN thông thường gồm 03 lớp ẩn với kích thước lần lượt là 10, 8 và 5 nơ-ron.
- Rừng ngẫu nhiên (RF): 20 cây hồi quy, kích thước lá tối thiểu là 20.
5. Kết quả dự báo phụ tải tác động như thế nào đến việc quản lý rủi ro giá SMP và hợp đồng CfD trong thị trường VWEM?
Theo quy định của Cục Điều tiết Điện lực, các Tổng công ty Điện lực phải công bố bảng chào sản lượng hợp đồng $Q_c$ tháng $N+1$ trước ngày 20 của tháng $N$. Dự báo phụ tải chính xác giúp đơn vị phân phối xác định khối lượng hợp đồng $Q_c$ tối ưu, từ đó giảm thiểu chi phí bù chênh lệch khi giá thị trường giao ngay ($SMP$) biến động so với giá hợp đồng song phương ($CfD$).
Kết luận
Luận án của nghiên cứu sinh Nguyễn Tuấn Dũng đã giải quyết bài toán xử lý dữ liệu thiếu và dự báo phụ tải ngắn hạn phục vụ thị trường điện Việt Nam thông qua mô hình kết hợp Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) và Hồi quy vector hỗ trợ (SVR). Toàn bộ thuật toán được tác giả tự xây dựng trên phần mềm Matlab R2017, giải quyết được bài toán biến động phụ tải trong các dịp Tết Nguyên Đán và đạt sai số MAPE dưới 2,2%. Công trình đã được kiểm chứng thực tế tại EVNHCMC và dữ liệu 05 Tổng công ty Điện lực thuộc EVN, cung cấp cơ sở khoa học và công cụ tính toán phục vụ vận hành thị trường điện cạnh tranh VWEM.
