Luận Văn Thạc Sĩ Về Mô Hình Dự Báo Nhu Cầu Điện Năng Trung Hạn Cho Tổng Công Ty Điện Lực Miền Nam

Luận văn thạc sĩ kỹ thuật nghiên cứu kỹ thuật điện mô hình dự báo nhu cầu điện năng trung hạn cho các nhóm khách hàng của tổng công ty, khảo sát thực trạng, phân tích nguyên nhân,

• Tác giả: Huỳnh Thị Hồng Xuân
• Người hướng dẫn: TS. Nguyễn Chấn Việt
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Kỹ thuật điện
• Đề tài: Mô Hình Dự Báo Nhu Cầu Điện Năng Trung Hạn Cho Khách Hàng Tại Miền Nam
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CÁM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACTS
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN ĐỀ TÀI
• 1.1. Giới thiệu tổng quan phụ tải hệ thống điện
• 1.2. Phụ tải hệ thống điện Việt Nam
• 1.3. Phụ tải hệ thống điện Miền Nam
• 1.4. Phân loại nhóm khách hàng
• 1.5. Mục tiêu nghiên cứu
• 1.6. Phương pháp nghiên cứu
• 1.7. Đối tượng nghiên cứu
• 1.8. Phạm vi nghiên cứu
• 1.9. Tính cấp thiết của đề tài
• 1.10. Các nghiên cứu gần đây
• 1.11. Ý nghĩa khoa học của đề tài
• 1.12. Ý nghĩa thực tiễn của đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Dự báo điện năng năng
• 2.2. Mô hình mạng ARIMA
• 2.3. Mô hình mạng SARIMA
• 2.4. Mô hình mạng NARX
• 2.5. Mô hình mạng MLFF
• 3. CHƯƠNG 3: ỨNG DỤNG CÁC MÔ HÌNH DỰ BÁO
• 3.1. Thu thập và xử lý dữ liệu
• 3.2. Dữ liệu được thu thập
• 3.3. Phân tích tương quan của dữ liệu
• 3.4. Quy trình thực hiện dự báo
• 3.5. Đọc dữ liệu. Chuẩn hóa dữ liệu sử dụng hàm Minmaxscaler
• 3.6. Phân chia tập dữ liệu
• 3.7. Xây dựng mô hình ARIMA
• 3.8. Xây dựng mô hình SARIMA
• 3.9. Xây dựng mô hình NARX
• 3.10. Xây dựng mô hình MLFF
• 3.11. So sánh kết quả dự báo từ các mô hình
• 3.12. So sánh kết quả dự báo thực tế
• 4. CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN TRONG TƯƠNG LAI
• 4.1. Hướng phát triển trong tương lai
• TÀI LIỆU THAM KHẢO
• Phụ lục A: Dữ liệu điện năng thương phẩm của EVNSPC
• Phụ lục B: Dữ liệu nhiệt độ
• Phụ lục C: Code Python
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Giới thiệu tổng quan đề tài

Phần này trình bày tổng quan về dự báo nhu cầu điện năng tại miền Nam, với mục đích nêu rõ tầm quan trọng của việc dự báo trong quy hoạch phát triển hệ thống điện. Nhu cầu điện năng đang gia tăng đáng kể do sự phát triển kinh tế và xã hội, đòi hỏi các phương pháp dự báo chính xác hơn để đáp ứng. Luận văn này tập trung vào việc xây dựng mô hình dự báo cho các nhóm khách hàng khác nhau của Tổng Công ty Điện lực Miền Nam (EVNSPC), nhằm tối ưu hóa việc cung cấp điện và quản lý năng lượng hiệu quả.

1.1 Tính cấp thiết của đề tài

Với sự gia tăng liên tục của nhu cầu điện năng, việc xây dựng các mô hình dự báo chính xác là rất cần thiết. Đặc biệt, trong bối cảnh biến đổi khí hậu và sự phát triển bền vững, việc dự báo không chỉ giúp tối ưu hóa nguồn cung mà còn giảm thiểu tác động đến môi trường. Các phương pháp dự báo tiêu thụ điện hiện nay cần được cải tiến để phù hợp với tình hình thực tế và đáp ứng nhu cầu ngày càng cao từ các nhóm khách hàng khác nhau.

II. Cơ sở lý thuyết về dự báo nhu cầu điện năng

Phần này trình bày các phương pháp dự báo được sử dụng trong nghiên cứu, bao gồm các mô hình như ARIMA, SARIMA, NARX và MLFF. Các mô hình này được phân tích chi tiết về nguyên lý hoạt động, cách thức thu thập và xử lý dữ liệu. Đặc biệt, phân tích nhu cầu điện là bước quan trọng trong việc xây dựng các mô hình này, giúp xác định các yếu tố ảnh hưởng đến nhu cầu điện năng như biến động thời tiết và tình hình kinh tế xã hội.

2.1 Các phương pháp dự báo

Các phương pháp dự báo như ARIMA và SARIMA sử dụng dữ liệu lịch sử để dự đoán xu hướng trong tương lai. Trong khi đó, các mô hình như NARX và MLFF sử dụng trí tuệ nhân tạo để cải thiện độ chính xác của dự báo. Việc lựa chọn phương pháp phù hợp tùy thuộc vào đặc điểm của từng nhóm khách hàng và mục tiêu cụ thể của dự báo nhu cầu điện năng.

III. Ứng dụng các mô hình dự báo

Phần này tập trung vào quy trình thu thập và xử lý dữ liệu, xây dựng các mô hình dự báo và so sánh kết quả dự báo từ các phương pháp khác nhau. Dữ liệu được thu thập từ EVNSPC và các nguồn khác, sau đó được xử lý để loại bỏ các giá trị nhiễu. Các mô hình như ARIMA, SARIMA, NARX và MLFF được áp dụng để dự báo nhu cầu điện năng trung hạn cho các nhóm khách hàng khác nhau, giúp đưa ra những nhận xét và đánh giá về hiệu quả của từng mô hình.

3.1 Quy trình thực hiện dự báo

Quy trình thực hiện dự báo bao gồm các bước như thu thập dữ liệu, tiền xử lý dữ liệu, xây dựng mô hình và đánh giá sai số. Việc sử dụng các chỉ số như MAPE và RMSE giúp đánh giá độ chính xác của các mô hình dự báo. Kết quả cho thấy rằng các mô hình dự báo dựa trên mạng nơ-ron nhân tạo có thể mang lại độ chính xác cao hơn so với các phương pháp truyền thống.

IV. Kết luận và hướng phát triển trong tương lai

Phần cuối cùng của luận văn tóm tắt những kết quả đạt được từ việc ứng dụng các mô hình dự báo và đề xuất hướng phát triển trong tương lai. Việc phát triển một hệ thống dự báo chính xác không chỉ giúp cải thiện khả năng cung cấp điện mà còn hỗ trợ trong việc quản lý năng lượng bền vững. Đồng thời, các khuyến nghị cho EVNSPC trong việc áp dụng các công nghệ mới cũng được đưa ra, nhằm nâng cao khả năng đáp ứng nhu cầu điện năng ngày càng tăng.

4.1 Hướng phát triển trong tương lai

Đề xuất hướng phát triển bao gồm việc tích hợp các công nghệ mới vào hệ thống dự báo, nhằm cải thiện độ chính xác và khả năng đáp ứng. Việc nghiên cứu sâu hơn về các yếu tố ảnh hưởng đến nhu cầu điện năng cũng cần được chú trọng, để từ đó đưa ra các giải pháp tối ưu hơn cho việc quản lý và cung cấp điện năng trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển kinh tế xã hội nhanh chóng, nhu cầu sử dụng điện năng tại Việt Nam, đặc biệt là khu vực miền Nam, đã tăng trưởng mạnh mẽ. Theo báo cáo của Tổng cục Thống kê, GDP Việt Nam năm 2023 tăng 5,05% so với năm trước, trong đó khu vực dịch vụ đóng góp tới 62,29%. Tương ứng, tổng công suất nguồn điện đạt khoảng 80.555 MW, với tỷ trọng năng lượng tái tạo chiếm 55,3%. Tổng điện năng thương phẩm năm 2023 đạt 251,25 tỷ kWh, tăng 3,52% so với năm 2022. Riêng Tổng Công ty Điện lực Miền Nam (EVNSPC) cung ứng 85,167 tỷ kWh, tăng 2,54% so với năm trước, trong đó nhóm khách hàng có sản lượng tiêu thụ trên 1 triệu kWh/năm chiếm gần 49% điện năng thương phẩm toàn EVNSPC.

Nhu cầu điện năng ngày càng tăng và phức tạp đặt ra thách thức lớn trong công tác dự báo để đảm bảo cân đối cung cầu, vận hành hiệu quả và phát triển bền vững hệ thống điện. Mục tiêu nghiên cứu của luận văn là xây dựng và so sánh các mô hình dự báo nhu cầu điện năng trung hạn cho các nhóm khách hàng sinh hoạt và thương mại của EVNSPC trong giai đoạn 2018-2023. Nghiên cứu tập trung vào việc áp dụng các mô hình chuỗi thời gian truyền thống (ARIMA, SARIMA) và mạng nơ-ron nhân tạo (NARX, MLFF) sử dụng ngôn ngữ Python và phần mềm PyCharm để lựa chọn mô hình dự báo phù hợp nhất.

Phạm vi nghiên cứu bao gồm dữ liệu điện năng tiêu thụ và nhiệt độ tại các tỉnh miền Nam như Bình Dương, Đồng Nai, Bà Rịa Vũng Tàu, Vĩnh Long, Cần Thơ, Kiên Giang. Ý nghĩa nghiên cứu thể hiện qua việc nâng cao độ chính xác dự báo, hỗ trợ EVNSPC trong quản lý nguồn điện, tối ưu hóa vận hành và hoạch định chiến lược phát triển hệ thống điện trong trung hạn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình dự báo chuỗi thời gian và mạng nơ-ron nhân tạo, bao gồm:

• Mô hình ARIMA (AutoRegressive Integrated Moving Average): Mô hình tuyến tính kết hợp thành phần tự hồi quy (AR), tích phân (I) để làm dừng chuỗi, và trung bình trượt (MA). ARIMA phù hợp với chuỗi thời gian có xu hướng và biến động tự nhiên.

• Mô hình SARIMA (Seasonal ARIMA): Mở rộng ARIMA để xử lý yếu tố mùa vụ với các tham số mùa vụ (P, D, Q, m), giúp mô hình hóa các chu kỳ lặp lại theo mùa.

• Mô hình NARX (Nonlinear AutoRegressive with Exogenous inputs): Mạng nơ-ron hồi quy phi tuyến có khả năng sử dụng các biến đầu vào ngoại sinh, phù hợp với dữ liệu có tính phi tuyến và ảnh hưởng từ các yếu tố bên ngoài như nhiệt độ.

• Mô hình MLFF (Multilayer Feedforward Neural Network): Mạng nơ-ron truyền thẳng nhiều lớp, có khả năng học các hàm phi tuyến phức tạp, được thiết kế với một hoặc hai lớp ẩn để tránh hiện tượng quá khớp hoặc thiếu khớp.

Các khái niệm chính bao gồm dự báo phụ tải trung hạn (1 tháng đến 3 năm), sai số dự báo MAPE (Mean Absolute Percentage Error) và RMSE (Root Mean Squared Error) dùng để đánh giá hiệu quả mô hình.

Phương pháp nghiên cứu

Nguồn dữ liệu chính gồm dữ liệu điện năng thương phẩm hàng tháng của EVNSPC từ 2018 đến 2023 và dữ liệu nhiệt độ tương ứng thu thập từ trang web rp5.ru. Dữ liệu được xử lý, làm sạch và chuẩn hóa bằng phương pháp MinMaxScaler để đưa về thang đo [0,1], giúp tăng hiệu quả huấn luyện mô hình.

Phương pháp phân tích bao gồm:

• Phân tích tương quan Pearson để xác định mối quan hệ giữa điện năng tiêu thụ và nhiệt độ tại các tỉnh.

• Phân chia dữ liệu thành tập huấn luyện (80%, từ tháng 01/2018 đến tháng 08/2022) và tập kiểm tra (20%, từ tháng 09/2022 đến tháng 10/2023).

• Xây dựng và huấn luyện các mô hình ARIMA, SARIMA, NARX, MLFF sử dụng Python với các thư viện như pandas, numpy, scikit-learn, Keras, TensorFlow.

• Đánh giá mô hình dựa trên sai số MAPE và RMSE, trong đó MAPE được ưu tiên làm chỉ số chính.

Timeline nghiên cứu kéo dài từ tháng 11/2023 đến tháng 6/2024, bao gồm các bước thu thập dữ liệu, xây dựng mô hình, đánh giá và đề xuất giải pháp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình ARIMA:

   • MAPE dự báo điện năng khách hàng sinh hoạt tại Bình Dương đạt 2,5%, Vĩnh Long 1,9%, Bà Rịa Vũng Tàu 3,1%.
   • MAPE khách hàng thương mại tại Bình Dương là 3,4%, Vĩnh Long 3,7%, Cần Thơ 2,9%, Kiên Giang 3,8%, Đồng Nai 4,1%.
   • RMSE dao động từ 0,19 đến 0,35, cho thấy độ chính xác khá cao với dữ liệu tuyến tính.

2. Hiệu quả mô hình SARIMA:

   • MAPE khách hàng sinh hoạt tại Bình Dương 2,1%, Vĩnh Long 2,8%, Bà Rịa Vũng Tàu 3,3%.
   • MAPE khách hàng thương mại tại Bình Dương 3,1%, Vĩnh Long 2,9%, Cần Thơ 2,3%, Kiên Giang 3,1%, Đồng Nai 3,2%.
   • SARIMA cải thiện độ chính xác dự báo nhờ xử lý tốt yếu tố mùa vụ.

3. Mối tương quan nhiệt độ và điện năng:

   • Khách hàng sinh hoạt tại Bà Rịa Vũng Tàu có hệ số tương quan nhiệt độ và điện năng là 0,362, mức tương quan dương trung bình khá.
   • Khách hàng thương mại tại Bình Dương có hệ số tương quan âm rất yếu (-0,016), gần như không ảnh hưởng.

4. So sánh mô hình mạng nơ-ron (NARX, MLFF):

   • Mạng NARX và MLFF cho kết quả dự báo có sai số MAPE thấp hơn so với ARIMA và SARIMA, đặc biệt với dữ liệu phi tuyến và có ảnh hưởng từ biến ngoại sinh như nhiệt độ.
   • Mô hình MLFF với cấu trúc một lớp ẩn và số lượng nơ-ron được tối ưu hóa qua phương pháp thử-sai cho hiệu suất dự báo tốt nhất.

Thảo luận kết quả

Nguyên nhân chính của sự khác biệt hiệu quả giữa các mô hình là khả năng xử lý các đặc tính dữ liệu khác nhau. ARIMA và SARIMA phù hợp với chuỗi thời gian có tính tuyến tính và yếu tố mùa vụ rõ ràng, trong khi NARX và MLFF có ưu thế trong việc mô hình hóa các quan hệ phi tuyến và tác động của các biến ngoại sinh như nhiệt độ.

Kết quả tương quan nhiệt độ và điện năng cho thấy yếu tố khí hậu có ảnh hưởng khác nhau theo vùng và nhóm khách hàng, điều này giải thích tại sao mô hình mạng nơ-ron có thể cải thiện độ chính xác dự báo khi tích hợp biến ngoại sinh.

So sánh với các nghiên cứu gần đây cho thấy việc kết hợp mạng nơ-ron với các thuật toán học sâu như LSTM hoặc CNN có thể nâng cao hơn nữa độ chính xác, tuy nhiên trong phạm vi nghiên cứu này, các mô hình NARX và MLFF đã đáp ứng tốt yêu cầu dự báo trung hạn cho EVNSPC.

Dữ liệu có thể được trình bày qua biểu đồ so sánh sai số MAPE và RMSE giữa các mô hình cho từng nhóm khách hàng, giúp trực quan hóa hiệu quả và lựa chọn mô hình phù hợp.

Đề xuất và khuyến nghị

1. Triển khai mô hình MLFF cho dự báo trung hạn:

   • Áp dụng mô hình MLFF đã được tối ưu để dự báo nhu cầu điện năng cho các nhóm khách hàng sinh hoạt và thương mại.
   • Mục tiêu giảm sai số MAPE xuống dưới 2,5% trong vòng 1 năm tới.
   • Chủ thể thực hiện: Bộ phận phân tích dữ liệu và công nghệ thông tin của EVNSPC.

2. Tích hợp biến ngoại sinh vào mô hình dự báo:

   • Bổ sung dữ liệu thời tiết, đặc biệt là nhiệt độ, vào mô hình dự báo để nâng cao độ chính xác.
   • Thời gian thực hiện: 6 tháng.
   • Chủ thể: Phòng nghiên cứu và phát triển EVNSPC phối hợp với các đơn vị khí tượng thủy văn.

3. Xây dựng hệ thống tự động cập nhật và đánh giá mô hình:

   • Phát triển hệ thống tự động thu thập dữ liệu, huấn luyện lại mô hình và đánh giá hiệu quả định kỳ.
   • Mục tiêu đảm bảo mô hình luôn phù hợp với biến động thực tế.
   • Thời gian: 12 tháng.
   • Chủ thể: Ban công nghệ thông tin EVNSPC.

4. Đào tạo và nâng cao năng lực nhân sự:

   • Tổ chức các khóa đào tạo về kỹ thuật dự báo và ứng dụng mạng nơ-ron cho cán bộ EVNSPC.
   • Mục tiêu nâng cao khả năng vận hành và phát triển mô hình nội bộ.
   • Thời gian: liên tục hàng năm.
   • Chủ thể: Phòng nhân sự và đào tạo EVNSPC.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý và hoạch định chính sách ngành điện:

   • Lợi ích: Hiểu rõ các phương pháp dự báo nhu cầu điện năng trung hạn, hỗ trợ ra quyết định chiến lược phát triển hệ thống điện.

2. Chuyên gia kỹ thuật và phân tích dữ liệu trong ngành năng lượng:

   • Lợi ích: Áp dụng các mô hình dự báo hiện đại, nâng cao hiệu quả phân tích và dự báo phụ tải.

3. Các nhà nghiên cứu và sinh viên chuyên ngành kỹ thuật điện, công nghệ thông tin:

   • Lợi ích: Tham khảo phương pháp nghiên cứu, ứng dụng mạng nơ-ron và phân tích chuỗi thời gian trong lĩnh vực năng lượng.

4. Doanh nghiệp cung cấp giải pháp công nghệ cho ngành điện:

   • Lợi ích: Phát triển sản phẩm dự báo điện năng phù hợp với yêu cầu thực tế của EVNSPC và các đơn vị tương tự.

Câu hỏi thường gặp

1. Tại sao cần dự báo nhu cầu điện năng trung hạn?
   Dự báo trung hạn giúp các đơn vị điện lực lập kế hoạch phát triển nguồn và lưới điện, đảm bảo cung cấp điện ổn định, tránh thiếu hụt hoặc dư thừa, đồng thời tối ưu chi phí vận hành.

2. Mô hình nào cho kết quả dự báo chính xác nhất trong nghiên cứu?
   Mô hình MLFF cho kết quả dự báo có sai số MAPE thấp nhất, đặc biệt khi tích hợp biến ngoại sinh như nhiệt độ, phù hợp với dữ liệu phi tuyến và biến động phức tạp.

3. Dữ liệu nào được sử dụng để xây dựng mô hình?
   Dữ liệu điện năng thương phẩm hàng tháng của EVNSPC từ 2018 đến 2023 và dữ liệu nhiệt độ tương ứng được thu thập từ trang web rp5.ru, đã được xử lý và chuẩn hóa.

4. Sai số MAPE và RMSE có ý nghĩa gì trong đánh giá mô hình?
   MAPE đo sai số phần trăm trung bình, thể hiện độ chính xác dự báo theo tỷ lệ phần trăm; RMSE đo sai số bình phương trung bình, phản ánh độ lệch tuyệt đối giữa dự báo và thực tế.

5. Làm thế nào để áp dụng kết quả nghiên cứu vào thực tế?
   EVNSPC có thể triển khai mô hình MLFF tích hợp biến ngoại sinh vào hệ thống quản lý điện năng, đồng thời xây dựng hệ thống tự động cập nhật dữ liệu và huấn luyện mô hình để nâng cao độ chính xác dự báo.

Kết luận

• Luận văn đã xây dựng và so sánh thành công các mô hình dự báo nhu cầu điện năng trung hạn cho các nhóm khách hàng sinh hoạt và thương mại của EVNSPC trong giai đoạn 2018-2023.
• Mô hình MLFF và NARX cho kết quả dự báo chính xác hơn so với các mô hình chuỗi thời gian truyền thống ARIMA và SARIMA, đặc biệt khi tích hợp biến ngoại sinh như nhiệt độ.
• Sai số MAPE thấp nhất đạt khoảng 2,1% cho nhóm khách hàng sinh hoạt và 2,3% cho nhóm khách hàng thương mại, đáp ứng yêu cầu thực tế của EVNSPC.
• Kết quả nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ hoạch định chiến lược phát triển hệ thống điện, tối ưu hóa vận hành và nâng cao hiệu quả cung cấp điện.
• Đề xuất triển khai mô hình MLFF tích hợp biến ngoại sinh, xây dựng hệ thống tự động cập nhật và đào tạo nhân sự để nâng cao năng lực dự báo trong tương lai.

Next steps: Triển khai thử nghiệm mô hình MLFF trong hệ thống quản lý của EVNSPC, đồng thời mở rộng nghiên cứu tích hợp thêm các biến ảnh hưởng khác và áp dụng các kỹ thuật học sâu tiên tiến hơn.

Các đơn vị quản lý và kỹ thuật trong ngành điện nên phối hợp triển khai ứng dụng mô hình dự báo hiện đại nhằm đảm bảo cung cấp điện ổn định, hiệu quả và bền vững.

Trích đoạn nội dung tài liệu

Chương 1: GIỚI THIỆU TỔNG QUAN ĐỀ TÀI 1. Giới thiệu tổng quan phụ tải hệ thống điện 1. Phụ tải hệ thống điện Việt Nam Theo số liệu báo cáo của Tổng cục Thống kê, tổng sản phẩm trong nước (GDP) của Việt Nam năm 2023 tăng 5,05% so với năm trước, cao hơn tốc độ tăng của 2020 và 2021 - thời điểm chịu ảnh hưởng bởi đại dịch Covid-19. Trong mức tăng tổng giá trị tăng thêm toàn nền kinh tế, khu vực nông, lâm nghiệp và thủy sản tăng 3,83%, đóng góp 8,84%; khu vực công nghiệp và xây dựng tăng 3,74%, đóng góp 28,87%; khu vực dịch vụ tăng 6,82%, đóng góp 62,29% [1].

Tăng trưởng GDP Việt Nam giai đoạn 2018- 2023 9 8. 1 Tốc độ tăng trưởng GDP cả nước giai đoạn 2018-2023 [1] Gắn liền với tình hình phát triển của kinh tế- xã hội đất nước theo báo cáo của Tập đoàn Điện lực Việt Nam, tính đến cuối năm 2023, quy mô hệ thống điện Việt Nam đạt khoảng 80.555MW về tổng công suất nguồn, tăng thêm khoảng 2.800MW so với năm 2022. Trong đó, tổng công suất các nguồn điện năng lượng tái tạo (điện gió, điện mặt trời) là 21.664 MW, chiếm tỷ trọng 26,9%; thủy điện (bao gồm thủy điện nhỏ) là Giới thiệu tổng quan HVTH: Huỳnh Thị Hồng Xuân Luận văn Thạc sĩ 2 GVHD: TS. Nguyễn Chấn Việt 22.872 MW, chiếm tỷ trọng 28,4%; nhiệt điện than là 26.757 MW, chiếm tỷ trọng 33,2%; nhiệt điện khí 7.160 MW, chiếm tỷ trọng 8,9%.

Như vậy, tỷ lệ năng lượng tái tạo (bao gồm điện gió, điện mặt trời, thủy điện) chiếm tỷ trọng 55,3% tổng công suất đặt của hệ thống. Quy mô hệ thống điện Việt Nam hiện đứng đầu khu vực ASEAN. Tổng điện năng sản xuất và nhập khẩu toàn hệ thống đạt 280,6 tỷ kWh, tăng 4,56% so với năm trước; điện năng thương phẩm đạt 251,25 tỷ kWh, tăng 3,52% so với cùng kỳ năm 2022. Điện năng tiêu thụ Việt Nam giai đoạn 2018- 2023 300 250 Điện thương phẩm (tỷ kWh) 200 150 100 50 0 2018 2019 2020 2021 2022 2023 Năm Hình 1.

2 Mức điện năng tiêu thụ Việt Nam giai đoạn năm 2018-2023 [1] Mặc dù 2 tháng đầu hè năm 2023 đã xảy ra thiếu điện tại một số khu vực miền Bắc do nhiều nguyên nhân xảy ra đồng thời (như phụ tải tăng cao, nước về các hồ thủy điện rất kém, sự cố các tổ máy nhiệt điện, thiếu than.) nhưng EVN đã cố gắng chủ động điều hành sản xuất, vận hành hệ thống điện và thị trường điện bám sát nhu cầu phụ tải, khai thác hiệu quả các nguồn điện trong hệ thống. Đến nay, việc cung ứng điện đã trở lại bình thường và ổn định, tăng trưởng điện năng thương phẩm 2023 so với năm 2022 tăng 3,52%. Giới thiệu tổng quan HVTH: Huỳnh Thị Hồng Xuân Luận văn Thạc sĩ 3 GVHD: TS. Nguyễn Chấn Việt Điện năng thương phẩm trên đầu người đạt 2.517 kWh/người, tăng 3,69 % so với 2022.

Tỷ trọng thành phần phụ tải của Việt Nam năm 2023 4.61% Quản lý-Tiêu dùng Hoạt động khác 51.86% Thương nghiệp-Dịch vụ Nông lâm-Nông nghiệp Công nghiệp-Xây dựng 5. 3 Tỷ trọng thành phần phụ tải của Việt Nam năm 2023 [1] 1. Phụ tải hệ thống điện Miền Nam Năm 2018-2023 là những năm trong bối cảnh nền kinh tế đang ở giai đoạn hồi phục nhưng với nguồn dự phòng điện thấp, thời tiết bất thường, cùng với việc phát triển nhanh chóng nguồn năng lượng tái tạo trên địa bàn đã gây khó khăn trong vấn đề giải tỏa công suất, tạo áp lực lớn về dự báo nhu cầu phụ tải nhằm cân đối cung - cầu. Song song đó kinh tế Việt Nam và toàn cầu chịu ảnh hưởng của đại dịch Covid- 19 bùng phát mạnh lần thứ 4, và tình hình cuộc chiến Nga-Ukraine đã tác động không nhỏ đến toàn bộ hoạt động sản xuất, kinh doanh của miền Nam nói riêng và cả nước nói chung, hệ thống điện miền Nam đã đảm bảo mục tiêu cung ứng điện đáp ứng hoạt động sản xuất, kinh doanh, đầu tư phát triển, tiết giảm chi phí, đảm bảo khả năng cân đối tài chính, phát triển bền vững, hiệu quả.

Năm 2023, EVNSPC quản lý vận hành ổn định và an toàn 81,2 km đường dây 220 kV, 6.372 km đường dây 110 kV, trong đó có 62,2 km cáp ngầm 110 kV, 249 trạm biến áp 110 kV với 444 MBA tổng dung lượng 21. So với năm 2022 tăng thêm 287,65 km đường dây, công suất trạm tăng thêm là 835 MVA. Giới thiệu tổng quan HVTH: Huỳnh Thị Hồng Xuân Luận văn Thạc sĩ 4 GVHD: TS. Nguyễn Chấn Việt Về hệ thống đường dây 22 kV, hiện EVNSPC quản lý 67.237 km, trong đó có trên 1.984 trạm biến áp phân phối với 150.367 MBA có tổng dung lượng 10.581 km đường dây, tăng công suất thêm 1.

Cụ thể, cung ứng điện điện năm 2023 toàn Tổng công ty thực hiện đạt 85 tỷ 167 triệu kWh, tăng 2,54% so với thực hiện năm 2022, trong đó sản lượng nhóm khách hàng có mức sản lượng tiêu thụ điện thương phẩm trên 1 triệu kWh/năm chiểm tỷ lệ 48,87% điện năng thương phẩm toàn EVNSPC và chiếm tỷ lệ 16,47% điện năng thương phẩm cả nước. Điện năng tiêu thụ miền Nam giai đoạn 2018-2023 Tổng Hoạt động khác Q.Dùng Hoạt động khác Tổng 2023 5. 4 Điện năng miền Nam 2018-2023 Giới thiệu tổng quan HVTH: Huỳnh Thị Hồng Xuân Luận văn Thạc sĩ 5 GVHD: TS. Nguyễn Chấn Việt 1.

Phân loại nhóm khách hàng Theo chỉ đạo của EVN tại Văn bản số 3464/EVN-KD ngày 16/8/2019, điện năng thương phẩm từ nhóm phụ tải phi dân dụng và phủ tải dân dụng được chia thành hai nhóm khách hàng: • Nhóm khách hàng lớn (điện năng thương phẩm ≥ 1.000 kWh/năm): áp dụng phương pháp dự báo trực tiếp. Các Tổng công ty làm việc với khách hàng để thu thập thông tin điện tiêu thụ dự kiến hằng tháng và cả năm của khách hàng. • Nhóm khách hàng còn lại (điện năng thương phẩm < 1.000 kWh/năm): áp dụng phương pháp dự báo thống kê và sử dụng các công cụ để dự báo điện năng tiêu thụ dự kiến hằng tháng và cả năm của khách hàng. Nhóm phụ tải điện là tập hợp các phụ tải điện có đặc tính tiêu thụ điện tương đồng nhau, thuộc các thành phần phụ tải điện, bao gồm: • Nhóm Phụ tải điện phi dân dụng là phụ tải điện thuộc các thành phần phụ tải điện Công Nghiệp - Xây dựng, Thương mại - Dịch vụ- Nhà hàng-Khách sạn, Nông nghiệp – Lâm nghiệp - Thủy sản, các hoạt động khác, cụ thể: - Nhóm Công Nghiệp-Xây dựng: Công nghiệp Khai khoáng; Công nghiệp chế biến; Cung cấp và phân phối gas, nước; Xây dựng - Nhóm Thương mại-Dịch vụ: Bán buôn, bán lẻ và cửa hàng sửa chữa; Khách sạn, quán trọ - Nhóm Nông nghiệp-Lâm nghiệp-Thủy sản: Điện cấp cho bơm nông nghiệp, Các hoạt động nông nghiệp khác (bơm tưới vườn cây, dịch vụ cây trồng); Lâm nghiệp; Thủy sản.

• Nhóm Phụ tải điện dân dụng là phụ tải điện thuộc thành phần phụ tải điện sinh hoạt bao gồm điện cấp cho các cơ quan Đảng, Nhà nước và tổ chức đoàn thể trong nước, Các đại sứ quán, các tổ chức của Liên hợp quốc, Điện cấp cho văn phòng làm việc của các doanh nghiệp và đơn vị sự nghiệp, điện cấp cho sinh hoạt dân dụng thành thị nông thôn, miền núi. Giới thiệu tổng quan HVTH: Huỳnh Thị Hồng Xuân Luận văn Thạc sĩ 6 GVHD: TS. Nguyễn Chấn Việt 1. Mục tiêu nghiên cứu • Thu thập và tiền xử lý dữ liệu: Thu thập dữ liệu tiêu thụ điện năng lịch sử từ EVN SPC và các nguồn dữ liệu khác liên quan.

Tiến hành tiền xử lý dữ liệu để loại bỏ các giá trị nhiễu và xử lý các giá trị thiếu. • Xây dựng mô hình dự báo: Sử dụng các thuật toán học máy và học sâu (như ARIMA, SARIMA, NARX, MLFF) để xây dựng các mô hình dự báo nhu cầu điện năng cho từng nhóm khách hàng. • Đánh giá hiệu quả mô hình: Sử dụng các chỉ số đánh giá hiệu quả (MAPE) để đánh giá và so sánh hiệu quả của các mô hình dự báo. • Triển khai mô hình: Phát triển một hệ thống triển khai mô hình dự báo vào thực tế, tích hợp với hệ thống quản lý điện năng của EVN SPC, giúp đưa ra các dự báo nhu cầu điện năng một cách chính xác và kịp thời.

• Phân tích kết quả và đưa ra khuyến nghị: Phân tích kết quả dự báo để hiểu rõ các yếu tố ảnh hưởng đến nhu cầu điện năng của các nhóm khách hàng. Đưa ra các khuyến nghị chiến lược cho EVN SPC trong việc quản lý và điều tiết nguồn cung cấp điện năng 1. Phương pháp nghiên cứu Để thực hiện nghiên cứu dự báo nhu cầu điện năng trung hạn cho các nhóm khách hàng của Tổng Công ty Điện lực Miền Nam sử dụng ngôn ngữ Python, phương pháp nghiên cứu sẽ được triển khai qua sáu bước chi tiết sau: • Phương pháp phát hiện vấn đề nghiên cứu - Xác định xu hướng công nghệ: Tìm hiểu và nhận diện các xu hướng phát triển công nghệ mới hiện nay liên quan đến dự báo nhu cầu điện năng, bao gồm các phương pháp học máy và trí tuệ nhân tạo. - Xác định yếu tố kỹ thuật chính: Đánh giá những yếu tố kỹ thuật quan trọng ảnh hưởng đến dự báo nhu cầu điện năng, như biến động thời tiết, mô hình tiêu thụ điện năng, và các yếu tố kinh tế xã hội.

Giới thiệu tổng quan HVTH: Huỳnh Thị Hồng Xuân Luận văn Thạc sĩ 7 GVHD: TS. Nguyễn Chấn Việt - Xem xét thách thức và ý tưởng mở: Phân tích các thách thức hiện tại và các ý tưởng mới trong kỹ thuật dự báo nhu cầu điện năng. Xác định những khoảng trống nghiên cứu cần được khai thác. - Xác định vấn đề nghiên cứu cụ thể: Dựa trên những phân tích trên và nguồn lực cá nhân, xác định vấn đề nghiên cứu cụ thể: Dự báo nhu cầu điện năng trung hạn cho các nhóm khách hàng sinh hoạt và thương mại của EVN SPC sử dụng mô hình ARIMA, SARIMA, NARX, MLFF trong Python.

• Phương pháp thu thập thông tin - Tìm kiếm tài liệu: Sử dụng các cơ sở dữ liệu trực tuyến uy tín như IEEE Xplore, SpringerLink, Researchgate, Google Scholar để tìm kiếm các nghiên cứu liên quan trong vòng năm năm gần nhất. - Tổng hợp ý tưởng: Tổng hợp các ý tưởng và kết quả từ các nghiên cứu đã tìm được, tập trung vào các mô hình dự báo nhu cầu điện năng và các phương pháp học máy liên quan. - Xử lý và chuẩn bị dữ liệu: Thu thập dữ liệu tiêu thụ điện năng hàng ngày/giờ của khách hàng từ hệ thống quản lý của EVN SPC, cùng với dữ liệu thời tiết và các yếu tố kinh tế xã hội.