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 nhu cầu 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 tác động. Vì vậy, một trong những mục tiêu của Công ty điện lực là dự báo phải bám sát với nhu cầu 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 nhu cầu sử dụng điện, ngành điện phải 2 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 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. (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.
(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. (4) Phương pháp san bằng số mũ có điều chỉnh xu hướng Phương pháp san bằng số mũ giản đơn không thể hiện rõ xu hướng biến động. Do đó cần phải sử dụng thêm kỹ thuật điều chỉnh 3 xu hướng.
Cách làm như sau: đầu tiên tiến hành dự báo theo phương pháp san bằng số mũ giản đơn sau đó sẽ thêm vào một lượng điều chỉnh (có thể âm hay dương) Phương pháp Winter là một trong một số phương pháp làm mịn hàm mũ giúp phân tích các chuỗi thời gian theo mùa một cách trực tiếp. Phương pháp này được dựa trên ba hằng số làm mịn cho tính dừng, xu hướng và mùa. Kết quả phân tích của Barakat et al. [2] cho thấy rằng mô hình độc đáo của năng lượng và nhu cầu liên quan đến các khu vực phát triển nhanh rất khó để phân tích và dự đoán bằng cách áp dụng trực tiếp phương pháp Winter.
El-Keib et al. [3] trình bày một cách tiếp cận lai, trong đó làm mịn hàm mũ được tăng cường với phân tích phổ điện và mô hình tự điều chỉnh tự hồi quy. (5) Phương pháp dự báo theo đường khuynh hướng Các phương pháp dự báo theo đường khuynh hướng cũng dựa vào dãy số thời gian. Dãy số này cho phép ta xác định đường khuynh hướng lý thuyết trên cơ sở kỹ thuật bình phương cực tiểu, tức là tổng khoảng cách từ các điểm thể hiện nhu cầu thực tế trong quá khứ đến đường khuynh hướng lấy theo trục tung là nhỏ nhất.
Sau đó dựa vào đường khuynh hướng lý thuyết ta tiến hành dự báo nhu cầu cho các năm trong tương lai. Có thể sử dụng được đường khuynh hướng dự báo theo đường khuynh hướng để dự báo ngắn hạn, trung và dài hạn. Đường khuynh hướng có thể là tuyến tính hay phi tuyến. Để xác định được đường khuynh hướng là tuyến tính trước hết ta cần biểu diễn các nhu cầu thực tế trong quá khứ lên biểu đồ và phân tích xu hướng phát triển của các số liệu đó.
Qua phân tích nếu thấy rằng các số liệu tăng hay giảm tương đối đều đặn theo một chiều hướng nhất định thì ta có thể vạch ra một đường biểu hiện chiều 4 hướng đó. Nếu các số liệu biến động theo hướng đặc biệt hơn như tăng giảm ngày càng nhanh hay ngày càng biến động chậm thì ta có thể sử dụng các đường cong thích hợp để mô tả biến động đó (đường parabol, hyperbol, logarit,…) (6) Dự báo từ các mô hình chuỗi thời gian (mô hình BOX- JENKINS) Các mô hình kinh tế lượng chủ yếu dựa trên một động thái rõ nét của các đối tượng có liên quan đến hệ thống kinh tế. Tuy nhiên một họ các mô hình thay thế khác được sử dụng rộng rãi, đặc biệt trong dự báo ngắn hạn, được gọi là các mô hình chuỗi thời gian. Một phương pháp rất phổ biến trong việc lập mô hình chuỗi thời gian là phương pháp trung bình trượt kết hợp tự hồi quy (autoregressive integrated moving average - ARIMA), thường được gọi là phương pháp luận Box-Jenkins.
Trọng tâm của các phương pháp dự báo này không phải là xây dựng các mô hình đơn phương trình hay phương trình đồng thời mà là phân tích các tính chất xác suất hay ngẫu nhiên của bản thân các chuỗi thời gian kinh tế theo triết lý “hãy để dữ liệu tự nói” [4] – [8]. Sau đây là một hình theo phương pháp luận Box-Jenkins trong quá trình dự báo từ mô hình chuỗi thời gian: a) Mô hình tự hồi quy (AR): Mô hình chuỗi thời gian tự hồi quy hoàn toàn có cấu trúc như sau: hay Trong đó Yt* là quan sát thứ t đối với biến phụ thuộc sau khi trừ đi giá trị trung bình (μ) của chính nó, và ut là thành phần sai số có trung bình bằng 0 và phương sai không đổi, và không tương quan với us 5 nếu t ≠ s (khái niệm này gọi là nhiễu trắng – white noise). Thành phần hằng số được bỏ qua vì Yt được biểu diễn dạng độ thiên lệch khỏi giá trị trung bình. Nói cách khác, Yt được mô hình hóa chỉ với quá khứ của nó và không với các biến độc lập khác.
Đây là các mô hình tự hồi qui, AR và mô hình trong phương trình trên được gọi là mô hình AR (p), với p là bậc tự hồi quy. - Nếu ta lập mô hình Yt như sau: (Yt - μ) = α1(Yt-1 - μ) + ut với μ là giá trị trung bình của Y và ut là một số hạng sai số ngẫu nhiên không tương quan (có giá trị trung bình bằng 0 và phương sai không đổi σ2) thì ta nói rằng Yt tuân theo quá trình ngẫu nhiên tự hồi quy bậc nhất hay AR(1). - Nhưng nếu xem xét mô hình sau: (Yt - μ) = α1(Yt-1 - μ) + α2(Yt-2 - μ) + ut thì ta có thể nói rằng Yt tuân theo quá trình tự hồi quy bậc hai hay AR(2). Tức là, giá trị của Y trong thời đoạn t phụ thuộc vào giá trị của nó trong hai thời đoạn trước đó, với các giá trị của Y được biểu diễn xung quanh giá trị trung bình μ, ta có thể viết mô hình sau: (Yt - μ) = α1(Yt-1 - μ) + α2(Yt-2 - μ) + … + αp(Yt-p - μ) + ut Trong trường hợp này, Yt là quá trình tự hồi quy bậc p hay AR(p).
b) Mô hình trung bình trượt (MA) Quá trình AR vừa đề cập trên không phải là cơ chế duy nhất có thể tạo ra chuỗi dữ liệu Y. - Giả sử ta lập mô hình Y như sau: với μ là hằng số và ut là số hạng sai số nhiễu ngẫu nhiên thuần túy. Ở đây, Y trong thời gian t bằng một hằng số cộng với trung bình trượt của sai số hiện tại và quá khứ. Vậy trong trường hợp này, ta nói rằng Y tuân theo quá trình trung bình trượt bậc nhất hay MA(1).
6 - Nhưng nếu Y tuân theo biểu thức: thì đó là một quá trình trung bình trượt bậc hai hay MA(2). - Tổng quát hơn, ta có mô hình cho quá trình trung bình trượt bậc q hay MA(q):. c) Các mô hình ARIMA Phối hợp giữa các mô hình tự hồi quy (AR) và trung bình trượt (MA) ta tạo ra được mô hình ARMA. Do đó, mô hình ARMA (p, q) có dạng tổng quát: • Sai phân hoá Hầu hết các chuỗi dữ liệu trong kinh tế luôn có tính không dừng bởi vì chúng tăng trưởng dần theo thời gian.
Việc ước lượng của quá trình ARMA đòi hỏi Yt phải là một chuỗi dừng. Hầu hết các chuỗi thời gian không dừng đều có thể được chuyển thành dạng dừng thông qua quá trình sai phân hóa. Giả sử, xét một xu hướng tuyến tính có dạng Yt = α + βt. Sai phân bậc nhất của Yt được định nghĩa là: ΔYt = Yt –Yt-1.
Ta thấy: ΔYt = α + βt – α – β(t–1) = β là hằng số và do đó nó có tính dừng. Do đó, xu hướng tuyến tính có thể được loại bỏ bằng cách lấy sai phân một lần.