Luận Văn Thạc Sĩ Về Dự Báo Phụ Tải Điện Năng Tại TP Hồ Chí Minh

• Tác giả: Nguyễn Thanh Phú
• Người hướng dẫn: TS. Nguyễn Nhất Nam
• Trường học: Đại học Bách Khoa - Đại học Quốc Gia Tp.HCM
• Chuyên ngành: Quản Lý Năng Lượng
• Đề tài: Dự báo phụ tải điện năng tại Tp. Hồ Chí Minh
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Tp. Hồ Chí Minh

• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG
• 1.1. Phạm vi nghiên cứu
• 1.2. Mô hình dự báo
• 2. CHƯƠNG 2: MÔ HÌNH DỰ BÁO
• 2.1. Thiết lập bộ số liệu xây dựng mô hình
• 2.2. Phương pháp tính toán dự báo
• 3. CHƯƠNG 3: KẾT QUẢ VÀ THẢO LUẬN
• 4. CHƯƠNG 4: KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO

I. Giới thiệu chung và mục tiêu nghiên cứu

Luận văn thạc sĩ này tập trung vào việc dự báo phụ tải điện năng tại TP. Hồ Chí Minh, một vấn đề quan trọng đối với sự phát triển kinh tế và xã hội. Điện năng là một sản phẩm đặc biệt, khác với các sản phẩm hàng hóa thông thường, bởi nhu cầu sử dụng điện luôn biến đổi nhanh chóng theo thời gian và không thể dự trữ dễ dàng. Việc dự báo phụ tải chính xác là yếu tố then chốt để đảm bảo hiệu quả phục vụ khách hàng và vận hành ổn định toàn hệ thống điện.

Luận văn này sử dụng dữ liệu giá trị điện năng hàng tháng từ năm 2008 đến 2016 để xây dựng mô hình dự báo. Dữ liệu từ năm 2017 đến 2019 được sử dụng để kiểm tra độ chính xác của mô hình. Mục tiêu của luận văn là nghiên cứu các phương pháp dự báo nhu cầu phụ tải điện, tìm hiểu về dự báo theo năm, tháng và áp dụng tính toán để dự báo nhu cầu phụ tải điện tại TP. Hồ Chí Minh. Phạm vi nghiên cứu bao gồm việc xây dựng mô hình dự báo phụ tải điện theo năm và theo tháng, sử dụng các phương pháp toán học phù hợp.

II. Dự báo phụ tải điện năng theo năm

Chương này trình bày về việc xây dựng mô hình dự báo phụ tải điện năng theo năm. Mô hình được xây dựng dựa trên dữ liệu phụ tải điện từ năm 2008 đến 2016. Dữ liệu được tổng hợp thành giá trị tổng điện năng tiêu thụ hàng năm, tạo thành vector dữ liệu đầu vào cho mô hình. Luận văn xem xét và so sánh kết quả dự báo từ các mô hình khác nhau như: mô hình tuyến tính bậc 1 (A(t) = a1t + a0), mô hình tuyến tính bậc 2 (A(t) = a2x2 + a1x + a0), mô hình hàm mũ (A(t) = ab^t) và mô hình hàm mũ biến đổi (A(t) = ab^(t/4)). Các hệ số của mô hình được xác định bằng phương pháp bình phương tối thiểu, nhằm giảm thiểu sai số giữa giá trị dự báo và giá trị thực tế.

Kết quả dự báo từ các mô hình được đánh giá bằng chỉ số MAPE (Mean Absolute Percentage Error). Luận văn cũng phân tích sai số của từng mô hình và so sánh ưu nhược điểm của chúng. Ví dụ, "Kết quả dự báo và sai số theo mô hình tuyến tính bậc 1" và "Kết quả dự báo và sai số theo mô hình tuyến tính bậc 2" được trình bày chi tiết trong các bảng kết quả. Từ đó, luận văn lựa chọn mô hình phù hợp nhất để dự báo phụ tải điện năng theo năm cho TP. Hồ Chí Minh.

III. Dự báo phụ tải điện năng theo tháng

Chương này tập trung vào việc dự báo phụ tải điện năng theo tháng. Tương tự như dự báo theo năm, dữ liệu phụ tải điện hàng tháng từ năm 2008 đến 2016 được sử dụng để xây dựng mô hình. Luận văn sử dụng các phương pháp tương tự như chương 2, bao gồm mô hình tuyến tính bậc 1, bậc 2, hàm mũ và hàm mũ biến đổi, để dự báo phụ tải cho từng tháng trong năm.

Điểm khác biệt chính là việc xem xét tính chu kỳ của phụ tải điện năng theo tháng. "Mô hình dự báo phụ tải điện năng tháng t dựa vào phụ tải điện năng tháng t-1" được sử dụng để phản ánh sự biến đổi theo chu kỳ này. Luận văn cũng phân tích sai số của mô hình dự báo cho từng tháng và so sánh với giá trị thực tế. Ví dụ, các bảng "Sai số dự báo phụ tải điện năng tháng 3, 4, 5..." thể hiện chi tiết kết quả dự báo và sai số tương ứng. Cuối cùng, luận văn đánh giá hiệu quả của các mô hình và lựa chọn mô hình tối ưu cho việc dự báo phụ tải điện năng theo tháng tại TP. Hồ Chí Minh.

IV. Kết luận và kiến nghị

Chương này tổng kết lại những kết quả đạt được của luận văn, bao gồm việc xây dựng và đánh giá các mô hình dự báo phụ tải điện năng theo năm và theo tháng tại TP. Hồ Chí Minh. Luận văn cũng đưa ra những kiến nghị cho các nghiên cứu tiếp theo. Một số hướng phát triển đề tài có thể bao gồm việc áp dụng các mô hình dự báo phức tạp hơn, kết hợp với các yếu tố ảnh hưởng đến phụ tải điện như kinh tế, khí hậu, để nâng cao độ chính xác của dự báo. Ngoài ra, việc nghiên cứu và ứng dụng các công nghệ mới như trí tuệ nhân tạo (AI) trong dự báo phụ tải điện cũng là một hướng đi tiềm năng.

Luận văn này đóng góp vào việc cung cấp một công cụ hỗ trợ đắc lực cho việc quản lý và vận hành hệ thống điện, giúp tối ưu hóa việc sản xuất và phân phối điện năng, đáp ứng nhu cầu ngày càng tăng của xã hội.