Tổng quan nghiên cứu

Dự báo phụ tải điện là một nhiệm vụ quan trọng trong ngành kỹ thuật điện, đặc biệt trong bối cảnh phát triển thị trường điện và nhu cầu vận hành hệ thống điện ngày càng phức tạp. Theo ước tính, sản lượng điện thương phẩm năm 2024 của Việt Nam dự kiến đạt khoảng 262,26 đến 269,3 tỷ kWh, đặt ra thách thức lớn trong việc đảm bảo cung ứng điện ổn định và hiệu quả. Công ty Điện lực Cà Mau, với sản lượng điện nhận năm 2023 đạt gần 1.923 triệu kWh và công suất lớn nhất 329 MW, là một trong những đơn vị trọng điểm trong khu vực miền Nam. Việc dự báo phụ tải chính xác tại đây không chỉ giúp tối ưu hóa vận hành mà còn góp phần nâng cao an ninh năng lượng và giảm thiểu chi phí vận hành.

Mục tiêu nghiên cứu của luận văn là xây dựng mô hình dự báo phụ tải sử dụng phương pháp logic mờ, áp dụng trên dữ liệu thực tế của Công ty Điện lực Cà Mau trong giai đoạn từ 01/01/2022 đến 30/06/2023 với 546 điểm dữ liệu. Nghiên cứu tập trung vào việc đánh giá hiệu quả của phương pháp logic mờ so với các phương pháp truyền thống như hồi quy đa biến, nhằm giảm sai số dự báo và nâng cao độ tin cậy trong công tác lập kế hoạch vận hành. Ý nghĩa của nghiên cứu thể hiện rõ qua việc cải thiện độ chính xác dự báo, giúp Công ty Điện lực Cà Mau chủ động trong việc cân đối cung cầu điện, đồng thời tạo tiền đề phát triển các mô hình dự báo mới dựa trên trí tuệ nhân tạo trong tương lai.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên lý thuyết logic mờ (Fuzzy Logic) – một nhánh của trí tuệ nhân tạo cho phép xử lý thông tin không chắc chắn và mơ hồ, phù hợp với các bài toán phức tạp như dự báo phụ tải điện. Các khái niệm chính bao gồm:

  • Tập hợp mờ (Fuzzy Set): Mỗi phần tử có mức độ thuộc về từ 0 đến 1, được mô tả bằng hàm thành viên.
  • Hàm thành viên: Các dạng phổ biến như tam giác, hình thang, Gaussian được sử dụng để mô hình hóa mức độ mờ của dữ liệu.
  • Quy tắc Nếu - Thì (If-Then Rules): Cơ sở để xây dựng hệ thống suy luận mờ (Fuzzy Inference System - FIS), giúp chuyển đổi dữ liệu đầu vào thành đầu ra dự báo.
  • Hệ thống suy luận mờ Mamdani và Sugeno: Hai mô hình phổ biến trong suy luận mờ, trong đó Mamdani phù hợp với các hệ thống dựa trên kiến thức chuyên gia, còn Sugeno thích hợp cho mô hình hóa phi tuyến và tối ưu hóa.
  • Phân cụm K-means: Thuật toán phân nhóm dữ liệu dựa trên khoảng cách, giúp phân tích và xử lý dữ liệu đầu vào hiệu quả.
  • Thuật toán tối ưu hóa bầy đàn (Particle Swarm Optimization - PSO): Phương pháp tối ưu hóa tham số mô hình dựa trên hành vi xã hội của bầy đàn, giúp tìm ra các tham số tối ưu cho hệ thống suy luận mờ.

Phương pháp nghiên cứu

Nghiên cứu sử dụng dữ liệu phụ tải thực tế của Công ty Điện lực Cà Mau từ 01/01/2022 đến 30/06/2023, gồm 546 điểm dữ liệu. Dữ liệu được chia thành tập huấn luyện (train) gồm 539 điểm và tập kiểm tra (test) gồm 7 điểm cho dự báo 7 ngày. Phương pháp phân tích bao gồm:

  • Phân tích dữ liệu: Khảo sát đặc điểm phụ tải theo ngày làm việc, ngày nghỉ và mùa vụ để xác định các yếu tố ảnh hưởng.
  • Xây dựng mô hình dự báo: Kết hợp phân cụm K-means để nhóm dữ liệu tương đồng, sau đó áp dụng hệ thống suy luận mờ Mamdani với các hàm thành viên được tinh chỉnh.
  • Tối ưu hóa tham số: Sử dụng thuật toán PSO để tìm các tham số hàm thành viên và luật mờ tối ưu, nhằm giảm sai số dự báo.
  • Đánh giá mô hình: So sánh kết quả dự báo với phương pháp hồi quy tuyến tính truyền thống, sử dụng sai số dự báo trung bình làm chỉ số đánh giá.
  • Timeline nghiên cứu: Nghiên cứu bắt đầu từ tháng 09/2023, hoàn thành thu thập và xử lý dữ liệu trong quý 1/2024, xây dựng và tối ưu mô hình trong quý 2/2024, bảo vệ luận văn tháng 06/2024.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả mô hình logic mờ trong dự báo phụ tải: Mô hình dự báo 7 ngày sử dụng logic mờ đạt sai số trung bình khoảng 1,8%, thấp hơn so với sai số 2,5% của phương pháp hồi quy tuyến tính. Với dự báo 30 ngày, sai số trung bình của mô hình logic mờ là khoảng 2,3%, trong khi phương pháp hồi quy tuyến tính có sai số lên đến 3,7%.

  2. Ảnh hưởng của phân cụm dữ liệu: Việc phân cụm K-means giúp nhóm dữ liệu có đặc điểm tương đồng, từ đó xây dựng các hệ thống suy luận mờ riêng biệt cho từng cụm, làm giảm sai số dự báo trung bình khoảng 15% so với mô hình không phân cụm.

  3. Tối ưu hóa tham số bằng PSO: Thuật toán PSO giúp tinh chỉnh hàm thành viên và luật mờ, giảm sai số dự báo thêm khoảng 10% so với mô hình logic mờ chưa tối ưu.

  4. Đặc điểm phụ tải theo thời gian: Phụ tải trong ngày làm việc ổn định, trong khi ngày nghỉ và dịp lễ có mức giảm khoảng 20-30% so với ngày thường, ảnh hưởng lớn đến độ chính xác dự báo nếu không được xử lý phù hợp.

Thảo luận kết quả

Kết quả cho thấy phương pháp logic mờ kết hợp phân cụm và tối ưu hóa PSO có khả năng xử lý tốt các yếu tố không chắc chắn và phi tuyến trong dữ liệu phụ tải, từ đó nâng cao độ chính xác dự báo so với các phương pháp truyền thống. Việc phân cụm dữ liệu giúp mô hình thích ứng với các đặc điểm phụ tải khác nhau theo vùng và thời điểm, giảm thiểu sai số do biến động phụ tải không đồng nhất.

So sánh với các nghiên cứu trong ngành, sai số dự báo của mô hình logic mờ tại Công ty Điện lực Cà Mau nằm trong khoảng 1,8-2,3%, tương đương hoặc tốt hơn so với các nghiên cứu ứng dụng logic mờ trong dự báo phụ tải tại các khu vực khác. Điều này khẳng định tính khả thi và hiệu quả của phương pháp trong điều kiện thực tế tại Việt Nam.

Dữ liệu có thể được trình bày qua biểu đồ so sánh sai số dự báo giữa các phương pháp và bảng phân tích sai số theo từng cụm dữ liệu, giúp minh họa rõ ràng sự cải thiện của mô hình logic mờ. Ngoài ra, biểu đồ phụ tải theo ngày làm việc và ngày nghỉ cũng làm nổi bật ảnh hưởng của yếu tố thời gian đến kết quả dự báo.

Đề xuất và khuyến nghị

  1. Triển khai mô hình logic mờ trong công tác dự báo hàng tháng: Áp dụng mô hình logic mờ kết hợp phân cụm và PSO để dự báo phụ tải ngắn hạn, nhằm giảm sai số xuống dưới 2%, giúp nâng cao hiệu quả vận hành hệ thống điện. Thời gian thực hiện: trong 6 tháng tới. Chủ thể thực hiện: Phòng Kỹ thuật và Phòng Công nghệ thông tin Công ty Điện lực Cà Mau.

  2. Đào tạo và nâng cao năng lực nhân sự: Tổ chức các khóa đào tạo về logic mờ, phân cụm dữ liệu và thuật toán tối ưu hóa cho cán bộ kỹ thuật, đảm bảo vận hành và phát triển mô hình dự báo hiệu quả. Thời gian: 3 tháng. Chủ thể: Ban Đào tạo và Phòng Nhân sự.

  3. Mở rộng ứng dụng mô hình cho dự báo dài hạn và trung hạn: Nghiên cứu phát triển mô hình logic mờ kết hợp các yếu tố kinh tế - xã hội để dự báo phụ tải trung và dài hạn, hỗ trợ công tác quy hoạch phát triển hệ thống điện. Thời gian: 1-2 năm. Chủ thể: Ban Nghiên cứu và Phát triển.

  4. Xây dựng hệ thống phần mềm dự báo tự động: Phát triển phần mềm dự báo phụ tải tích hợp mô hình logic mờ, phân cụm và PSO, kết nối trực tiếp với hệ thống thu thập dữ liệu để tự động cập nhật và dự báo. Thời gian: 12 tháng. Chủ thể: Phòng Công nghệ thông tin phối hợp với đối tác công nghệ.

Đối tượng nên tham khảo luận văn

  1. Cán bộ kỹ thuật và quản lý tại các công ty điện lực: Giúp nâng cao kiến thức về phương pháp dự báo phụ tải hiện đại, áp dụng logic mờ để cải thiện độ chính xác và hiệu quả vận hành.

  2. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện, công nghệ thông tin: Cung cấp cơ sở lý thuyết và thực tiễn về ứng dụng logic mờ, phân cụm dữ liệu và thuật toán tối ưu hóa trong dự báo phụ tải.

  3. Các đơn vị quản lý và điều hành hệ thống điện: Hỗ trợ trong việc lựa chọn và triển khai các công cụ dự báo phù hợp, nâng cao khả năng cân đối cung cầu và đảm bảo an toàn hệ thống.

  4. Doanh nghiệp phát triển phần mềm và giải pháp công nghệ cho ngành năng lượng: Tham khảo để phát triển các sản phẩm dự báo phụ tải tích hợp trí tuệ nhân tạo, đáp ứng nhu cầu thực tế của các công ty điện lực.

Câu hỏi thường gặp

  1. Logic mờ là gì và tại sao lại phù hợp cho dự báo phụ tải?
    Logic mờ là phương pháp xử lý thông tin không chắc chắn, mô phỏng tư duy con người bằng các quy tắc Nếu - Thì. Nó phù hợp với dự báo phụ tải vì có thể xử lý dữ liệu mơ hồ, phi tuyến và biến động phức tạp trong hệ thống điện.

  2. Phân cụm K-means giúp gì trong mô hình dự báo?
    Phân cụm K-means nhóm dữ liệu có đặc điểm tương đồng, giúp xây dựng các mô hình dự báo riêng biệt cho từng nhóm, từ đó nâng cao độ chính xác và giảm sai số dự báo.

  3. Thuật toán PSO được sử dụng như thế nào trong nghiên cứu?
    PSO tối ưu các tham số của hàm thành viên và luật mờ trong hệ thống suy luận mờ, giúp mô hình đạt hiệu quả dự báo cao nhất bằng cách tìm kiếm giải pháp tối ưu trong không gian tham số.

  4. Sai số dự báo trung bình của mô hình logic mờ là bao nhiêu?
    Mô hình logic mờ đạt sai số trung bình khoảng 1,8% cho dự báo 7 ngày và 2,3% cho dự báo 30 ngày, thấp hơn so với phương pháp hồi quy tuyến tính truyền thống.

  5. Mô hình này có thể áp dụng cho các công ty điện lực khác không?
    Có, mô hình logic mờ kết hợp phân cụm và PSO có tính linh hoạt cao, có thể điều chỉnh tham số phù hợp với đặc điểm dữ liệu của từng công ty điện lực khác nhau để đạt hiệu quả dự báo tốt.

Kết luận

  • Luận văn đã xây dựng thành công mô hình dự báo phụ tải sử dụng logic mờ kết hợp phân cụm K-means và thuật toán PSO trên dữ liệu thực tế của Công ty Điện lực Cà Mau.
  • Mô hình đạt sai số dự báo trung bình thấp hơn 2%, cải thiện đáng kể so với phương pháp hồi quy đa biến truyền thống.
  • Phân cụm dữ liệu và tối ưu hóa tham số là các yếu tố then chốt giúp nâng cao độ chính xác và tính ổn định của mô hình.
  • Nghiên cứu góp phần làm tiền đề cho việc ứng dụng trí tuệ nhân tạo trong dự báo phụ tải tại các công ty điện lực Việt Nam.
  • Đề xuất triển khai mô hình trong thực tế, đồng thời phát triển các nghiên cứu mở rộng về dự báo dài hạn và xây dựng phần mềm dự báo tự động trong thời gian tới.

Hành động tiếp theo là tổ chức đào tạo, triển khai thử nghiệm mô hình tại Công ty Điện lực Cà Mau và đánh giá hiệu quả thực tế, đồng thời mở rộng nghiên cứu ứng dụng cho các đơn vị khác trong ngành điện.