I. Tổng quan về luận văn thạc sĩ
Luận văn thạc sĩ này tập trung vào việc ứng dụng mạng neuron nhân tạo để dự báo nhu cầu điện ngắn hạn tại TP.HCM. Mục tiêu chính là xây dựng một mô hình dự báo chính xác, sử dụng các kỹ thuật tiên tiến như LSTM, MLP, và GRU. Luận văn cung cấp cơ sở lý thuyết và thực nghiệm quan trọng, đồng thời đề xuất mô hình kết hợp MLP-LSTM để tối ưu hóa kết quả dự báo. Nghiên cứu này không chỉ có ý nghĩa khoa học mà còn mang lại giá trị thực tiễn cao, hỗ trợ công tác quản lý năng lượng tại TP.HCM.
1.1. Mục tiêu nghiên cứu
Mục tiêu của luận văn là tìm hiểu và đề xuất các mô hình mạng neuron nhân tạo để dự báo nhu cầu điện ngắn hạn. Nghiên cứu sử dụng dữ liệu điện năng từ năm 2018 đến 2024, tập trung vào khu vực TP.HCM. Mô hình kết hợp MLP-LSTM được đề xuất nhằm tăng độ chính xác của dự báo. Kết quả nghiên cứu sẽ được so sánh và đánh giá thông qua ngôn ngữ lập trình Python.
1.2. Ý nghĩa khoa học và thực tiễn
Luận văn mang lại ý nghĩa khoa học thông qua việc phát triển các mô hình mạng neuron nhân tạo tiên tiến, đặc biệt là mô hình kết hợp MLP-LSTM. Về mặt thực tiễn, nghiên cứu hỗ trợ công tác dự báo và quản lý nhu cầu điện tại TP.HCM, giúp các công ty điện lực lập kế hoạch sản xuất và đầu tư hiệu quả.
II. Cơ sở lý thuyết về dự báo điện năng
Chương này trình bày tổng quan về dự báo điện năng, bao gồm các loại dự báo như dự báo ngắn hạn, trung hạn, và dài hạn. Luận văn nhấn mạnh tầm quan trọng của dự báo ngắn hạn trong việc quản lý hệ thống điện. Các yếu tố ảnh hưởng đến dự báo như thời tiết, mùa vụ, và biến động kinh tế cũng được phân tích. Ngoài ra, chương này cũng đề cập đến các nghiên cứu liên quan và thực trạng công tác dự báo tại EVNHCMC.
2.1. Phân loại dự báo điện năng
Dự báo điện năng được chia thành bốn loại chính: dự báo rất ngắn hạn, dự báo ngắn hạn, dự báo trung hạn, và dự báo dài hạn. Mỗi loại có phạm vi thời gian và ứng dụng khác nhau. Dự báo ngắn hạn là trọng tâm của luận văn, với mục tiêu dự đoán nhu cầu điện trong khoảng từ 1 ngày đến 2 tuần.
2.2. Yếu tố ảnh hưởng đến dự báo điện năng
Các yếu tố như thời tiết, mùa vụ, và biến động kinh tế có tác động lớn đến nhu cầu điện. Đặc biệt, đại dịch COVID-19 đã làm thay đổi hành vi tiêu thụ điện, đòi hỏi các mô hình dự báo phải được điều chỉnh để phản ánh chính xác thực tế.
III. Mạng neuron nhân tạo trong dự báo điện năng
Chương này giới thiệu về mạng neuron nhân tạo và các mô hình phổ biến như LSTM, GRU, và MLP. Luận văn phân tích ưu điểm và nhược điểm của từng mô hình, đồng thời đề xuất mô hình kết hợp MLP-LSTM để tăng độ chính xác của dự báo. Các phương thức học như học có giám sát, học không giám sát, và học sâu cũng được thảo luận chi tiết.
3.1. Các mô hình mạng neuron nhân tạo
Các mô hình LSTM, GRU, và MLP được sử dụng rộng rãi trong dự báo điện năng. Mỗi mô hình có cấu trúc và ứng dụng riêng, phù hợp với các loại dữ liệu và yêu cầu dự báo khác nhau. Mô hình kết hợp MLP-LSTM được đề xuất để tối ưu hóa kết quả dự báo.
3.2. Phương thức học trong mạng neuron
Các phương thức học như học có giám sát, học không giám sát, và học sâu được áp dụng để huấn luyện mô hình. Phương thức học sâu đặc biệt hiệu quả trong việc xử lý dữ liệu phức tạp và tăng độ chính xác của dự báo.
IV. Ứng dụng mạng neuron nhân tạo trong dự báo điện năng tại TP
Chương này trình bày quy trình xây dựng mô hình dự báo nhu cầu điện ngắn hạn tại TP.HCM sử dụng mạng neuron nhân tạo. Dữ liệu điện năng từ năm 2018 đến 2024 được thu thập, xử lý và phân tích. Mô hình MLP-LSTM được xây dựng và huấn luyện bằng ngôn ngữ lập trình Python. Kết quả dự báo được so sánh và đánh giá thông qua các chỉ số như MAPE và RMSE.
4.1. Thu thập và xử lý dữ liệu
Dữ liệu điện năng từ năm 2018 đến 2024 được thu thập và xử lý để làm đầu vào cho mô hình dự báo. Các bước xử lý bao gồm làm sạch dữ liệu, chuẩn hóa, và phân chia tập dữ liệu thành tập huấn luyện và tập kiểm tra.
4.2. Xây dựng và huấn luyện mô hình
Mô hình MLP-LSTM được xây dựng và huấn luyện bằng ngôn ngữ lập trình Python. Quá trình huấn luyện bao gồm việc tối ưu hóa các tham số và đánh giá sai số dự báo thông qua các chỉ số MAPE và RMSE.
V. Kết quả và đánh giá
Chương này trình bày kết quả dự báo nhu cầu điện ngắn hạn tại TP.HCM sử dụng mô hình MLP-LSTM. Kết quả được so sánh với các mô hình khác như LSTM, GRU, và MLP. Các chỉ số MAPE và RMSE được sử dụng để đánh giá độ chính xác của dự báo. Kết quả cho thấy mô hình MLP-LSTM đạt độ chính xác cao hơn so với các mô hình khác.
5.1. So sánh kết quả dự báo
Kết quả dự báo từ mô hình MLP-LSTM được so sánh với các mô hình LSTM, GRU, và MLP. Mô hình MLP-LSTM cho thấy độ chính xác cao hơn, với sai số MAPE và RMSE thấp hơn đáng kể.
5.2. Đánh giá hiệu quả mô hình
Mô hình MLP-LSTM được đánh giá là hiệu quả trong việc dự báo nhu cầu điện ngắn hạn tại TP.HCM. Kết quả nghiên cứu có thể áp dụng trực tiếp vào công tác quản lý năng lượng, giúp cải thiện hiệu quả và độ tin cậy của hệ thống điện.
VI. Kết luận và hướng phát triển
Luận văn kết luận rằng mô hình MLP-LSTM là một công cụ hiệu quả để dự báo nhu cầu điện ngắn hạn tại TP.HCM. Nghiên cứu này không chỉ cung cấp một mô hình dự báo chính xác mà còn mở ra hướng phát triển mới trong việc ứng dụng trí tuệ nhân tạo vào lĩnh vực quản lý năng lượng. Các nghiên cứu tiếp theo có thể tập trung vào việc cải tiến mô hình và mở rộng phạm vi ứng dụng.
6.1. Kết luận
Luận văn đã chứng minh hiệu quả của mô hình MLP-LSTM trong việc dự báo nhu cầu điện ngắn hạn tại TP.HCM. Kết quả nghiên cứu có giá trị thực tiễn cao, hỗ trợ công tác quản lý năng lượng tại địa phương.
6.2. Hướng phát triển
Các nghiên cứu tiếp theo có thể tập trung vào việc cải tiến mô hình MLP-LSTM và mở rộng phạm vi ứng dụng sang các khu vực khác. Ngoài ra, việc tích hợp thêm các yếu tố như thời tiết và biến động kinh tế cũng là hướng phát triển tiềm năng.
