Luận Văn Thạc Sĩ: Ứng Dụng Mạng Neuron Nhân Tạo Dự Báo Nhu Cầu Điện Ngắn Hạn Tại TP.HCM

LỜI CẢM ƠN

TÓM TẮT LUẬN VĂN

LỜI CAM ĐOAN

1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI

1.1. Lý do chọn đề tài

1.2. Mục tiêu đề tài

1.3. Đối tượng, phạm vi và giới hạn luận văn

1.4. Ý nghĩa khoa học và ý nghĩa thực tiễn

1.4.1. Ý nghĩa khoa học của đề tài

1.4.2. Ý nghĩa thực tiễn của đề tài

1.5. Các đóng góp của Luận văn

2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ DỰ BÁO ĐIỆN NĂNG

2.1. Tổng quan về dự báo điện năng

2.2. Phân loại dự báo điện năng

2.3. Dự báo điện năng ngắn hạn

2.3.1. Tầm quan trọng của dự báo điện năng ngắn hạn

2.3.2. Những yếu tố tác động đến dự báo điện năng ngắn hạn

2.4. Các nghiên cứu liên quan về dự báo phụ tải

2.5. Thực trạng công tác dự báo điện năng hiện nay tại EVNHCMC

3. CHƯƠNG 3: MẠNG NƠ-RON NHÂN TẠO TRONG DỰ BÁO ĐIỆN NĂNG

3.1. Giới thiệu chung

3.2. Tìm hiểu các cấu trúc mạng nơ-ron nhân tạo

3.2.1. Mạng nơ-ron truyền thẳng (Feedforward nơ-ron network)

3.2.2. Mạng nơ-ron hồi quy (Recurrent neural network)

3.3. Tìm hiểu các phương thức học của mạng nơ-ron

3.3.1. Phương thức học có giám sát (supervised learning)

3.3.2. Phương thức học không giám sát (unsupervised learning)

3.3.3. Phương thức học bán giám sát (semi-supervised learning)

3.3.4. Phương thức học sâu (deep learning)

3.4. Tìm hiểu hiện tượng overfitting và underfitting trong dự báo điện năng

3.5. Tìm hiểu các mô hình mạng nơ-ron nhân tạo dự báo điện năng ngắn hạn

3.5.1. Mô hình LSTM (Long-short term memory)

3.5.2. Mô hình GRU (Gated Recurrent Unit)

3.5.3. Mô hình MLP (Multilayer Perceptron)

3.6. Đề xuất mô hình kết hợp mạng nơ-ron MLP-LSTM

3.6.1. Ý tưởng tổng quát

3.6.2. Biểu diễn toán học cho mô hình đề xuất

3.6.3. Tìm hệ số Alpha của mô hình kết hợp

4. CHƯƠNG 4: ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO XÂY DỰNG MÔ HÌNH DỰ BÁO ĐIỆN NĂNG NGẮN HẠN CHO KHU VỰC THÀNH PHỐ HỒ CHÍ MINH

4.1. Giới thiệu ngôn ngữ lập trình Python

4.2. Dữ liệu đầu vào

4.3. Các bước xây dựng mô hình dự báo

4.3.1. Thu thập và xử lý số liệu

4.3.2. Phân chia tập dữ liệu

4.3.3. Xây dựng cấu trúc mạng

4.3.4. Huấn luyện mạng nơ-ron

4.3.5. Đánh giá sai số dự báo

4.4. Xây dựng mô hình dự báo điện năng ngắn hạn cho khu vực thành phố Hồ Chí Minh bằng Python

5. CHƯƠNG 5: KẾT QUẢ DỰ BÁO ĐIỆN NĂNG NGẮN HẠN CHO KHU VỰC THÀNH PHỐ HỒ CHÍ MINH

5.1. Kết quả dự báo điện năng ngắn hạn cho khu vực thành phố Hồ Chí Minh

5.1.1. Trường hợp toàn bộ dữ liệu

5.1.2. Trường hợp bộ dữ liệu năm gần nhất

5.1.3. Trường hợp bộ dữ liệu ngày trong tuần

5.1.4. Trường hợp bộ dữ liệu cuối tuần

5.1.5. Trường hợp bộ dữ liệu tháng gần nhất

6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI

6.1. Kết luận đề tài

6.2. Hướng phát triển trong tương lai

DANH MỤC TÀI LIỆU THAM KHẢO

LÝ LỊCH TRÍCH NGANG

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.

Luận Văn Thạc Sĩ Quản Lý Năng Lượng: Ứng Dụng Mạng Neuron Nhân Tạo Dự Báo Nhu Cầu Điện Ngắn Hạn Cho TP.HCM