Nghiên Cứu Dự Báo Phụ Tải Ngắn Hạn Cho Hệ Thống Điện Tại Trường Đại Học Sư Phạm Kỹ Thuật TP.HCM

Dự báo phụ tải đóng vai trò sống còn trong quy hoạch và quản lý hệ thống điện. 90 trang · Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh · 2023.

• Tác giả: Nguyễn Quang Tiến
• Người hướng dẫn: TS. Lê Trọng Nghĩa
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Điện Công Nghiệp
• Đề tài: Nghiên Cứu Dự Báo Phụ Tải Ngắn Hạn Cho Hệ Thống Điện
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2023
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan nghiên cứu dự báo phụ tải hiện nay
• 1.2. Các nghiên cứu về dự báo phụ tải
• 1.2.1. Các nghiên cứu trong nước
• 1.2.2. Các nghiên cứu ngoài nước
• 1.3. Mục tiêu nghiên cứu
• 1.4. Ý nghĩa khoa học của đề tài
• 1.5. Ý nghĩa thực tiễn của đề tài
• 1.6. Đối tượng nghiên cứu
• 1.7. Phương pháp nghiên cứu
• 1.8. Nhiệm vụ và phạm vi nghiên cứu
• 1.9. Nội dung đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Khái niệm dự báo phụ tải
• 2.2. Các yếu tố ảnh hưởng đến dự báo phụ tải điện ngắn hạn
• 2.2.1. Yếu tố thời gian
• 2.2.2. Yếu tố thời tiết
• 2.2.3. Lượng tiêu thụ điện trong quá khứ
• 2.2.4. Giá điện theo thời gian thực
• 2.2.5. Đánh giá tương quan các yếu tố ảnh hưởng
• 2.3. Mạng neural nhân tạo
• 2.3.1. Lịch sử hình thành ANN
• 2.3.2. Các khái niệm cơ bản của ANN
• 2.3.3. Mạng Neural lan truyền ngược
• 2.3.4. Các thuật toán huấn luyện
• 2.3.5. Cải thiện mạng Neural nhân tạo bằng các giải thuật thông minh
• 2.3.5.1. Giải thuật tối ưu bầy đàn (PSO)
• 2.3.5.2. Giải thuật tìm kiếm cuckoo (CSA)
• 2.4. Các giá trị sai số đánh giá mô hình dự báo
• 2.4.1. Mean Squared Error
• 2.4.2. Root Mean Squared Error
• 2.4.3. Mean Absolute Error
• 2.4.4. Mean Absolute Percentage Error
• 3. CHƯƠNG 3: MÔ HÌNH DỰ BÁO PHỤ TẢI ĐỀ XUẤT
• 3.1. Thu thập dữ liệu
• 3.1.1. Lưới điện ISO New England
• 3.1.2. Thu thập dữ liệu lưới điện ISO New England
• 3.1.3. Phân tích dữ liệu thu thập được
• 3.2. Xử lý nhiễu trong dữ liệu
• 3.3. Chuẩn hóa dữ liệu
• 3.4. Ứng dụng mạng BPNN dự báo phụ tải ngắn hạn
• 3.4.1. Sử dụng mạng BPNN truyền thống
• 3.4.2. Sử dụng mạng BPNN cải tiến
• 4. CHƯƠNG 4: DỰ BÁO PHỤ TẢI NGẮN HẠN BẰNG PHẦN MỀM MATLAB
• 4.1. Xây dựng mô hình dự báo phụ tải bằng phần mềm MATLAB
• 4.2. So sánh kết quả dự báo phụ tải giữa các thuật toán huấn luyện
• 4.3. Đánh giá các yếu tố ảnh hưởng đến dự báo phụ tải
• 4.4. So sánh hiệu suất giữa các mô hình
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI
• 5.1. Kết luận
• 5.2. Hướng phát triển trong tương lai
• CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN ĐẾN ĐỀ TÀI
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nghiên Cứu Dự Báo Phụ Tải Ngắn Hạn Điện

Dự báo phụ tải đóng vai trò sống còn trong quy hoạch và quản lý hệ thống điện. Việc dự đoán chính xác nhu cầu điện giúp đảm bảo hiệu quả và tin cậy của lưới điện, đồng thời đáp ứng nhu cầu trong tương lai. Nhu cầu điện thay đổi liên tục, phụ thuộc vào thời tiết, thời gian, kinh tế và công nghệ. Dự báo giúp các nhà quản lý điện nắm bắt xu hướng và biến động, đưa ra quyết định vận hành, lập kế hoạch và đầu tư hợp lý. Trong bối cảnh lưới điện thông minh và Internet vạn vật (IoT) phát triển, việc dự báo phụ tải ngày càng trở nên quan trọng để duy trì tính ổn định và hiệu quả của hệ thống điện. Dự báo chính xác phụ tải là vô cùng cần thiết để đảm bảo sự ổn định và hiệu quả của lưới điện. Lưới điện đang trải qua sự tiến bộ vượt bậc, tiêu biểu là trong việc sử dụng công nghệ lưới điện thông minh và Internet vạn vật (IoT).

1.1. Tầm Quan Trọng Của Dự Báo Phụ Tải Trong Hệ Thống Điện

Dự báo phụ tải điện giúp các nhà quản lý hệ thống điện đưa ra các quyết định vận hành và lập kế hoạch phù hợp. Điều này bao gồm việc điều chỉnh sản lượng điện, quản lý dòng năng lượng, và đảm bảo nguồn cung ổn định cho người tiêu dùng. Theo một nghiên cứu gần đây, dự báo chính xác có thể giúp giảm chi phí vận hành hệ thống điện lên đến 10%. Dự báo không chính xác có thể dẫn đến các sự cố như mất điện hoặc lãng phí tài nguyên.

1.2. Ảnh Hưởng Của Lưới Điện Thông Minh Đến Dự Báo Phụ Tải

Lưới điện thông minh tạo ra lượng lớn dữ liệu về tiêu thụ điện, mở ra cơ hội để cải thiện độ chính xác của dự báo. Tuy nhiên, việc xử lý và phân tích dữ liệu lớn này cũng đặt ra những thách thức mới. Các thuật toán dự báo cần phải được thiết kế để có thể tận dụng tối đa thông tin từ lưới điện thông minh, đồng thời phải đảm bảo khả năng mở rộng và tính linh hoạt.

II. Thách Thức Lớn Trong Nghiên Cứu Dự Báo Phụ Tải Ngắn Hạn

Mặc dù có tầm quan trọng, dự báo phụ tải ngắn hạn đối mặt với nhiều thách thức. Nhu cầu điện chịu ảnh hưởng bởi nhiều yếu tố phức tạp và khó lường, bao gồm thời tiết, hoạt động kinh tế, và hành vi của người tiêu dùng. Sự xuất hiện của các nguồn năng lượng tái tạo phân tán, như điện mặt trời và điện gió, cũng làm tăng thêm tính biến động và khó dự đoán của hệ thống điện. Hơn nữa, dữ liệu về tiêu thụ điện thường chứa nhiều nhiễu và thiếu sót, gây khó khăn cho việc xây dựng mô hình dự báo chính xác. Việc xây dựng các mô hình dự báo đòi hỏi phải có khả năng xử lý dữ liệu phức tạp và không chắc chắn.

2.1. Sự Phức Tạp Của Các Yếu Tố Ảnh Hưởng Đến Phụ Tải Điện

Các yếu tố như nhiệt độ, độ ẩm, ngày làm việc/ngày nghỉ, và giá điện theo thời gian thực đều có thể ảnh hưởng đến tiêu thụ điện. Tuy nhiên, mối quan hệ giữa các yếu tố này và nhu cầu điện không phải lúc nào cũng rõ ràng và tuyến tính. Việc xác định và định lượng chính xác ảnh hưởng của từng yếu tố là một thách thức lớn trong dự báo phụ tải.

2.2. Tác Động Của Năng Lượng Tái Tạo Đến Độ Ổn Định Phụ Tải Điện

Sự biến động của sản lượng điện từ các nguồn năng lượng tái tạo như điện mặt trời và điện gió gây khó khăn cho việc dự báo nhu cầu điện tổng thể. Các mô hình dự báo cần phải tính đến sự không chắc chắn này để đảm bảo hệ thống điện hoạt động ổn định và đáp ứng nhu cầu của người tiêu dùng.

2.3. Vấn Đề Xử Lý Dữ Liệu Nhiễu Trong Dự Báo Phụ Tải Ngắn Hạn

Dữ liệu tiêu thụ điện thường chứa nhiều nhiễu do lỗi đo lường, sự cố thiết bị, hoặc các yếu tố ngẫu nhiên. Việc xử lý và loại bỏ nhiễu là rất quan trọng để cải thiện độ chính xác của các mô hình dự báo. Các phương pháp như lọc Kalman hoặc phân tích wavelet có thể được sử dụng để giảm thiểu tác động của nhiễu lên kết quả dự báo.

III. Phương Pháp Mạng Neural Dự Báo Phụ Tải Ngắn Hạn Điện

Mạng Neural Nhân Tạo (ANN), đặc biệt là mạng neural lan truyền ngược (BPNN), đã chứng minh được hiệu quả trong dự báo phụ tải. BPNN có khả năng học hỏi từ dữ liệu lịch sử và mô hình hóa các mối quan hệ phi tuyến giữa các yếu tố ảnh hưởng và nhu cầu điện. Các thuật toán huấn luyện như Lenvenberg-Marquardt, Bayesian, Scaled Conjugate Gradient và Resillient Backpropagation được sử dụng để tối ưu hóa hiệu suất của BPNN. Nghiên cứu cho thấy giải thuật Bayesian là phù hợp nhất cho mô hình dự báo phụ tải ngắn hạn. Tuy nhiên cần chú ý đến việc tối ưu hóa mạng BPNN.

3.1. Ưu Điểm Của Mạng Neural Trong Dự Báo Phụ Tải Điện

Mạng Neural có khả năng xử lý dữ liệu phức tạp và mô hình hóa các mối quan hệ phi tuyến giữa các yếu tố ảnh hưởng và nhu cầu điện. BPNN có thể tự động học hỏi từ dữ liệu lịch sử, thích ứng với các thay đổi trong hệ thống điện, và đưa ra dự báo chính xác hơn so với các phương pháp truyền thống.

3.2. Đánh Giá Các Thuật Toán Huấn Luyện Cho Mạng BPNN

Việc lựa chọn thuật toán huấn luyện phù hợp là rất quan trọng để đạt được hiệu suất tối ưu cho mạng BPNN. Các thuật toán như Lenvenberg-Marquardt, Bayesian, Scaled Conjugate Gradient và Resillient Backpropagation có những ưu điểm và nhược điểm riêng. Nghiên cứu cần đánh giá hiệu quả của từng thuật toán trên các bộ dữ liệu khác nhau để đưa ra khuyến nghị phù hợp.

3.3. Cải Tiến Cấu Trúc Mạng BPNN Bằng Giải Thuật PSO và CSA

Các giải thuật tối ưu như giải thuật tối ưu bầy đàn (PSO) và giải thuật tìm kiếm cuckoo (CSA) có thể được sử dụng để cải tiến cấu trúc của mạng BPNN, giúp tăng cường khả năng dự báo. Các giải thuật này có thể tự động tìm kiếm các tham số tối ưu của mạng, như số lượng nơ-ron hoặc các kết nối giữa các lớp, để đạt được hiệu suất tốt nhất.

IV. Ứng Dụng Thực Tế Dự Báo Phụ Tải Ngắn Hạn Cho Hệ Thống Điện

Kết quả nghiên cứu dự báo phụ tải có thể được ứng dụng rộng rãi trong quản lý và vận hành hệ thống điện. Ví dụ, các nhà quản lý có thể sử dụng dự báo để lên kế hoạch sản xuất điện, điều chỉnh dòng năng lượng, và đảm bảo nguồn cung ổn định. Ngoài ra, dự báo cũng có thể được sử dụng để phát hiện các sự cố tiềm ẩn, tối ưu hóa chi phí vận hành, và cải thiện hiệu quả sử dụng năng lượng. Mô hình lai CSA-BPNN đưa ra dự báo với sai số là 0.86% so với thực tế, trong khi mô hình PSO-BPNN có sai số là 1.47% và với mô hình BPNN truyền thống sai số là 3.

4.1. Ứng Dụng Trong Lập Kế Hoạch Sản Xuất Điện

Dự báo phụ tải giúp các nhà máy điện lên kế hoạch sản xuất điện một cách hiệu quả, đảm bảo đáp ứng nhu cầu của người tiêu dùng mà không gây lãng phí tài nguyên. Ví dụ, nếu dự báo cho thấy nhu cầu điện sẽ tăng cao trong một khoảng thời gian nhất định, các nhà máy điện có thể tăng sản lượng để đáp ứng nhu cầu này.

4.2. Tối Ưu Hóa Chi Phí Vận Hành Hệ Thống Điện

Dự báo phụ tải giúp các nhà quản lý hệ thống điện tối ưu hóa chi phí vận hành bằng cách giảm thiểu sự lãng phí năng lượng và giảm chi phí bảo trì thiết bị. Ví dụ, nếu dự báo cho thấy nhu cầu điện sẽ thấp trong một khoảng thời gian nhất định, các nhà quản lý có thể giảm công suất của các nhà máy điện để tiết kiệm nhiên liệu.

4.3. Nâng Cao Hiệu Quả Sử Dụng Năng Lượng Thông Qua Dự Báo Phụ Tải

Dự báo phụ tải có thể được sử dụng để khuyến khích người tiêu dùng sử dụng điện một cách hiệu quả hơn. Ví dụ, các nhà cung cấp điện có thể cung cấp thông tin về dự báo phụ tải cho người tiêu dùng, giúp họ điều chỉnh hành vi sử dụng điện để giảm chi phí và giảm tác động đến môi trường.

V. Kết Luận Hướng Phát Triển Nghiên Cứu Dự Báo Phụ Tải

Nghiên cứu dự báo phụ tải ngắn hạn cho hệ thống điện là một lĩnh vực quan trọng và đầy tiềm năng. Các phương pháp máy học, đặc biệt là mạng neural, đã chứng minh được hiệu quả trong việc giải quyết các thách thức liên quan đến dự báo. Trong tương lai, nghiên cứu cần tập trung vào việc tích hợp thêm các nguồn dữ liệu mới, phát triển các thuật toán dự báo phức tạp hơn, và ứng dụng các kỹ thuật tối ưu hóa để cải thiện độ chính xác và tính ổn định của các mô hình dự báo.

5.1. Tổng Kết Các Kết Quả Nghiên Cứu Chính

Nghiên cứu đã trình bày một phương pháp dự báo phụ tải sử dụng máy học và có cải thiện cấu trúc bằng các giải thuật tối ưu. Qua đó làm tài liệu tham khảo cho các điều độ viên và các học viên cao học trong lĩnh vực dự báo và xử lý dữ liệu. Đề tài có thể được ứng dụng trong phòng Lab nghiên cứu về hệ thống điện hoặc đáp ứng nhu cầu quản lý tiêu thụ điện của điện lực, thậm chí ứng dụng cho các hộ gia đình nhằm giảm chi tiêu.

5.2. Hướng Phát Triển Trong Tương Lai Của Nghiên Cứu

Nghiên cứu trong tương lai có thể tập trung vào việc tích hợp các nguồn dữ liệu mới, phát triển các thuật toán dự báo phức tạp hơn, và ứng dụng các kỹ thuật tối ưu hóa để cải thiện độ chính xác và tính ổn định của các mô hình dự báo. Việc nghiên cứu thêm các loại mạng Neural mới như LSTM cũng rất quan trọng.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Dự báo phụ tải đóng vai trò thiết yếu trong công tác quy hoạch, điều độ và vận hành hệ thống điện. Việc ước lượng chính xác nhu cầu tiêu thụ điện năng đảm bảo duy trì tính ổn định, độ tin cậy của lưới điện và tối ưu hóa chi phí đầu tư nguồn phát. Xu thế phát triển của lưới điện thông minh (Smart Grid), sự phổ biến của các thiết bị kết nối Internet vạn vật (IoT) cùng với việc tích hợp các nguồn năng lượng tái tạo (điện gió, điện mặt trời) đã làm gia tăng tính ngẫu nhiên và mức độ phức tạp của dữ liệu phụ tải. Tại Việt Nam cũng như trên thế giới, sai số trong dự báo phụ tải có thể dẫn đến hai tình huống rủi ro: đánh giá thấp nhu cầu gây quá tải cục bộ, mất điện diện rộng; hoặc đánh giá quá cao nhu cầu dẫn đến dư thừa công suất phát và lãng phí nguồn lực đầu tư.

Đề tài "Nghiên cứu dự báo phụ tải ngắn hạn cho hệ thống điện" của tác giả Nguyễn Quang Tiến, dưới sự hướng dẫn của TS. Lê Trọng Nghĩa tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (khoá 2019–2023), tập trung giải quyết bài toán nâng cao độ chính xác dự báo phụ tải theo thời gian thực dựa trên các kỹ thuật máy học và thuật toán tối ưu hóa thông minh.

Mục tiêu nghiên cứu của đề tài gồm 4 nội dung cụ thể:

1. Phân tích các tác nhân ảnh hưởng đến mức độ tiêu thụ điện năng của hệ thống điện.
2. Ứng dụng các mô hình học máy và giải thuật tối ưu hóa nhằm xây dựng mô hình dự báo phụ tải.
3. Mô phỏng và kiểm chứng mô hình dự báo phụ tải ngắn hạn bằng phần mềm MATLAB.
4. Đánh giá hiệu suất của các thuật toán huấn luyện cho mạng nơ-ron lan truyền ngược (BPNN) và hiệu quả cải tiến cấu trúc mạng thông qua các giải thuật tối ưu thông minh gồm giải thuật tối ưu bầy đàn (PSO) và giải thuật tìm kiếm Cuckoo (CSA).

Nhiệm vụ nghiên cứu được phân định thành 5 bước:

1. Nghiên cứu lý thuyết các tác nhân ảnh hưởng đến phụ tải điện.
2. Nghiên cứu các phương pháp dự báo phụ tải điện.
3. Nghiên cứu các phương pháp cải tiến mô hình dự báo phụ tải bằng giải thuật thông minh.
4. Thực hiện mô phỏng trên nền tảng phần mềm MATLAB.
5. Đánh giá và nhận xét hiệu quả của các giải thuật thông minh được áp dụng.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Các yếu tố tác động đến tiêu dùng điện (thời gian, thời tiết, lịch sử phụ tải, giá điện); cấu trúc mạng nơ-ron nhân tạo (ANN/BPNN); các giải thuật tối ưu metaheuristic (PSO, CSA).
• Phạm vi nghiên cứu: Dự báo phụ tải điện ngắn hạn (Short-Term Load Forecasting - STLF) trong khung thời gian 24 giờ tới; dữ liệu thực nghiệm được thu thập từ lưới điện ISO New England; thời gian thực hiện nghiên cứu từ ngày 14/02/2023 đến ngày 30/06/2023.

---

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng lý thuyết dự báo phụ tải theo khung thời gian, phân chia thành 4 cấp độ: dự báo siêu ngắn hạn (0 đến 3 giờ), dự báo ngắn hạn (vài phút đến vài ngày), dự báo trung hạn (vài ngày đến vài tháng hoặc 1 năm) và dự báo dài hạn (tháng, quý, nhiều năm).

Để phục vụ bài toán dự báo ngắn hạn, nghiên cứu phân tích 4 nhóm yếu tố ảnh hưởng chính:

1. Yếu tố thời gian: Phân loại chu kỳ phụ tải theo giờ trong ngày (đặc tính hai đỉnh tiêu thụ lúc 9 giờ sáng và 18 giờ tối vào ngày làm việc), ngày trong tuần, ngày cuối tuần và các ngày lễ.
2. Yếu tố thời tiết: Nhiệt độ môi trường (tác động trực tiếp đến nhu cầu làm mát và sưởi ấm) và độ ẩm không khí (ảnh hưởng đến hiệu suất và thời gian vận hành của thiết bị điều hòa nhiệt độ).
3. Lượng tiêu thụ điện trong quá khứ: Công suất tải lịch sử (MW) tại các thời điểm tương ứng của các ngày liền kề.
4. Giá điện thời gian thực: Cơ chế định giá điện biến đổi theo thời gian, bao gồm 5 cấu trúc biểu giá: Biểu giá thời gian sử dụng cố định (Static TOU), Biểu giá thời gian sử dụng động (Dynamic TOU), Định giá thời gian thực (Real-time pricing - RTP), Định giá giờ cao điểm tới hạn (Critical peak pricing - CPP) và Giảm giá giờ cao điểm (Critical peak rebates - CPR).

Phương pháp nghiên cứu thực nghiệm và định lượng được triển khai qua các bước:

• Phân tích tương quan tuyến tính Pearson: Đánh giá mức độ liên hệ giữa 6 biến độc lập ("Giờ", "Nhiệt độ", "Độ ẩm", "Ngày làm việc/ngày nghỉ", "Công suất tiêu thụ trong quá khứ", "Giá điện theo giờ") với biến phụ thuộc ("Công suất tiêu thụ hệ thống"). Phân tích được thực hiện trên phần mềm thống kê SPSS với tập mẫu khảo sát $N = 26.256$.
• Kiểm định phân phối Gauss: Đánh giá độ chuẩn của từng thuộc tính dữ liệu đầu vào.
• Mô hình học máy: Mạng nơ-ron lan truyền ngược (BPNN) 3 lớp (lớp vào, lớp ẩn, lớp ra) sử dụng hàm kích hoạt sigmoid lưỡng cực và luật cập nhật trọng số dựa trên phương pháp hạ gradient (Gradient Descent).
• Thuật toán huấn luyện mạng BPNN: Khảo sát và so sánh 4 giải thuật trong MATLAB gồm Levenberg-Marquardt (trainlm), Bayesian Regularization (trainbr), Scaled Conjugate Gradient (trainscg) và Resilient Backpropagation (trainrp).
• Giải thuật tối ưu hóa thông minh: Ứng dụng giải thuật tối ưu bầy đàn (Particle Swarm Optimization - PSO) và giải thuật tìm kiếm Cuckoo (Cuckoo Search Algorithm - CSA) để tối ưu hóa không gian trọng số và độ lệch (bias) khởi tạo cho mạng BPNN nhằm tránh bẫy cực tiểu cục bộ.
• Tiêu chuẩn đánh giá sai số: Sử dụng các chỉ số thống kê gồm sai số bình phương trung bình (MSE), căn bậc hai sai số bình phương trung bình (RMSE), sai số tuyệt đối trung bình (MAE) và phần trăm sai số tuyệt đối trung bình (MAPE).
• Nguồn dữ liệu: Dữ liệu vận hành thực tế theo giờ của lưới điện ISO New England (Hoa Kỳ).

---

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 phân tích bối cảnh phát triển của hệ thống điện trong kỷ nguyên hiện đại hóa và số hóa dữ liệu. Tác giả tổng hợp các công trình nghiên cứu dự báo phụ tải tiêu biểu trong nước (sử dụng mạng nơ-ron kết hợp giải thuật GA-PSO tại SPC, ứng dụng biến đổi Wavelet MODWT kết hợp logic mờ Fuzzy) và quốc tế (kiến trúc tích hợp PD-RNN, mô hình kết hợp LSTM-CNN, mô hình chuỗi thời gian ARMA/ARIMA và mạng nơ-ron hồi quy). Từ những ưu nhược điểm của các nghiên cứu trước, chương này xác định rõ mục tiêu, đối tượng, nhiệm vụ, ý nghĩa khoa học và giá trị ứng dụng thực tiễn của đề tài.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày chi tiết cơ sở lý thuyết về dự báo phụ tải, các nhóm yếu tố tác động và cơ chế định giá điện thời gian thực. Tác giả phân tích toán học mô hình nơ-ron sinh học chuyển sang mô hình nơ-ron nhân tạo của McCulloch và Pitts, cấu trúc mạng nơ-ron một lớp, nhiều lớp, mạng truyền thẳng và mạng hồi quy. Cơ chế giải thuật lan truyền ngược (Backpropagation) được dẫn xuất chi tiết từ hàm mục tiêu sai số $E(w)$ đến các công thức điều chỉnh ma trận trọng số $\Delta w$.

Phần kiểm định tương quan Pearson trên phần mềm SPSS cho thấy:

• Toàn bộ 6 biến độc lập đều có giá trị kiểm định $Sig < 0.05$ (đạt mức ý nghĩa thống kê $p < 0.01$), chứng minh sự tồn tại của mối liên hệ tuyến tính có ý nghĩa với công suất tiêu thụ của hệ thống.
• Biến "Công suất tiêu thụ trong quá khứ" thể hiện mức độ tương quan thuận mạnh nhất với công suất hệ thống.
• Biến "Ngày làm việc/ngày nghỉ" có hệ số tương quan thấp nhất trong số 6 yếu tố khảo sát.

Chương này cũng phân tích nguyên lý toán học và các thông số thiết lập trong MATLAB cho 4 thuật toán huấn luyện (trainlm, trainbr, trainscg, trainrp), đồng thời giới thiệu lưu đồ giải thuật tối ưu bầy đàn (PSO) và tìm kiếm Cuckoo (CSA) phục vụ việc cải thiện độ chính xác của mạng BPNN.

Chương 3: Mô hình dự báo phụ tải đề xuất

Chương 3 xây dựng quy trình thu thập và tiền xử lý dữ liệu từ trang thông tin của lưới điện ISO New England. Dữ liệu sau khi thu thập được tiến hành lọc bỏ các giá trị dị biệt và khử nhiễu. Tác giả trình bày kết quả kiểm tra thông số phân phối chuẩn Gauss (với các đồ thị đường cong chuẩn tương ứng) cho 6 biến: "Giờ", "Ngày làm việc/ngày nghỉ", "Nhiệt độ", "Độ ẩm", "Công suất tiêu thụ trong quá khứ" và "Giá điện theo giờ". Toàn bộ dữ liệu sau đó được chuẩn hóa để đưa vào huấn luyện mạng. Chương này trình bày chi tiết quy trình xây dựng mạng BPNN truyền thống và cấu trúc mô hình lai cải tiến kết hợp PSO-BPNN và CSA-BPNN.

Chương 4: Dự báo phụ tải ngắn hạn bằng phần mềm MATLAB

Chương 4 thực hiện mô phỏng và kiểm chứng các mô hình trên nền tảng phần mềm MATLAB. Kết quả thực nghiệm bao gồm:

1. So sánh 4 giải thuật huấn luyện: Đánh giá sai số trên cùng một cấu trúc mạng cho thấy thuật toán Bayesian Regularization (trainbr) đem lại hiệu suất tốt nhất, hạn chế hiện tượng quá khớp (overfitting) và tối ưu hóa hàm mục tiêu sai số vượt trội so với trainlm, trainscg và trainrp.
2. Đánh giá ảnh hưởng của các yếu tố đầu vào: Thực nghiệm huấn luyện mạng BPNN trên các tập dữ liệu bị loại bỏ lần lượt từng yếu tố để xếp hạng mức độ gia tăng sai số, từ đó đối chiếu và khẳng định tính phù hợp với kết quả kiểm định Pearson ở Chương 2.
3. So sánh hiệu suất các mô hình dự báo: Mô phỏng dự báo phụ tải 24 giờ tới (với 350 mẫu dữ liệu huấn luyện) và phân tích đặc tuyến hội tụ của các thuật toán. Mô hình CSA-BPNN thể hiện tốc độ hội tụ và độ chính xác vượt trội so với PSO-BPNN và BPNN truyền thống.

Chương 5: Kết luận và hướng phát triển đề tài

Chương 5 tóm tắt các kết quả chính của công trình: chứng minh sự tương quan của 6 yếu tố đầu vào đối với phụ tải, xác định thuật toán Bayesian là phương pháp huấn luyện tối ưu nhất cho mạng BPNN trong bài toán khảo sát, và khẳng định hiệu quả của giải thuật CSA trong việc tối ưu hóa cấu trúc trọng số mạng nơ-ron. Tác giả cũng đưa ra các gợi ý định hướng nghiên cứu nhằm mở rộng khả năng áp dụng của mô hình trong tương lai.

---

Kết quả và đóng góp

Nghiên cứu đạt được các kết quả định lượng cụ thể thông qua quá trình kiểm định thống kê và mô phỏng thực nghiệm trên dữ liệu lưới điện ISO New England:

1. Đánh giá tương quan và mức độ ảnh hưởng của các yếu tố đầu vào

Kết quả phân tích tương quan Pearson ($N = 26.256$) xác định tất cả 6 biến độc lập đều có ý nghĩa thống kê đối với biến phụ thuộc "Công suất tiêu thụ hệ thống" ($Sig < 0.01$). Bảng xếp hạng mức độ ảnh hưởng cho thấy công suất tiêu thụ trong quá khứ đóng vai trò quyết định lớn nhất đến phụ tải hiện tại, tiếp theo là các yếu tố thời gian (giờ), thời tiết (nhiệt độ, độ ẩm), giá điện theo thời gian thực và thấp nhất là biến ngày làm việc/ngày nghỉ.

2. Đánh giá thuật toán huấn luyện mạng BPNN

Trong 4 giải thuật được kiểm tra trên MATLAB (trainlm, trainbr, trainscg, trainrp), giải thuật Bayesian Regularization (trainbr) được chứng minh là thuật toán phù hợp nhất để huấn luyện mạng BPNN cho bài toán dự báo phụ tải ngắn hạn, mang lại sự ổn định và sai số thấp nhất.

3. Hiệu suất dự báo của các mô hình

Kết quả mô phỏng dự báo phụ tải ngắn hạn 24 giờ cho thấy việc ứng dụng các giải thuật tối ưu thông minh giúp cải thiện rõ rệt độ chính xác so với mạng BPNN đơn lẻ:

Mô hình dự báo	Sai số dự báo (MAPE)	Mức độ cải thiện so với BPNN truyền thống
BPNN truyền thống	~3.00%	Mô hình cơ sở
PSO-BPNN	1.47%	Giảm hơn 50% sai số
CSA-BPNN	0.86%	Giảm hơn 70% sai số (độ chính xác cao nhất)

Đóng góp của đề tài

• Thiết lập quy trình phân tích và tiền xử lý dữ liệu toàn diện: từ lọc nhiễu, kiểm định phân phối Gauss đến định lượng mức độ ảnh hưởng của 6 yếu tố đa chiều bằng hệ số tương quan Pearson.
• Ứng dụng thành công mô hình lai kết hợp giải thuật tìm kiếm Cuckoo với mạng nơ-ron lan truyền ngược (CSA-BPNN), khắc phục hạn chế hội tụ chậm và rơi vào cực tiểu cục bộ của BPNN truyền thống, đưa sai số dự báo phụ tải ngắn hạn xuống dưới mức 1% (đạt 0.86%).

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

• Dữ liệu thực nghiệm của đề tài được thu thập chủ yếu từ hệ thống điện ISO New England, là khu vực có đặc điểm khí hậu ôn đới và cơ cấu thị trường điện đặc thù. Khóa luận chưa thực hiện kiểm chứng mô hình trên dữ liệu phụ tải thực tế của lưới điện Việt Nam (nơi có khí hậu nhiệt đới gió mùa và cơ chế thị trường điện đang trong giai đoạn phát triển).
• Khung thời gian dự báo của mô hình thực nghiệm mới tập trung vào bài toán ngắn hạn 24 giờ, chưa mở rộng sang các cấp độ thời gian khác như siêu ngắn hạn (theo từng phút) hoặc trung và dài hạn.

Hướng nghiên cứu tiếp

• Áp dụng và hiệu chỉnh mô hình dự báo cho các vùng phụ tải khác nhau và các cấp điện áp phân phối cụ thể tại Việt Nam.
• Khảo sát thêm các giải thuật tối ưu hóa metaheuristic mới hoặc kết hợp các kiến trúc mạng nơ-ron học sâu (như LSTM, GRU, CNN) nhằm nâng cao độ chính xác khi đối mặt với dữ liệu có tính bất định cao từ năng lượng tái tạo.

---

Giá trị tham khảo

Tài liệu là nguồn tham khảo hữu ích cho:

• Sinh viên, học viên cao học và nghiên cứu sinh các ngành Kỹ thuật Điện, Hệ thống Điện, Điều khiển và Tự động hóa, cũng như Kỹ thuật Dữ liệu ứng dụng trong năng lượng.
• Kỹ sư vận hành hệ thống điện và cán bộ điều độ: Tham khảo phương pháp đánh giá định lượng các yếu tố ảnh hưởng đến phụ tải và cơ chế tác động của biểu giá điện thời gian thực đến hành vi tiêu thụ.
• Các nội dung có giá trị tham khảo chuyên sâu:
  • Quy trình xử lý dữ liệu, kiểm định phân phối Gauss và phân tích tương quan Pearson bằng SPSS.
  • Mô hình toán học chi tiết của mạng BPNN và phương pháp tích hợp thuật toán tối ưu bầy đàn (PSO), thuật toán tìm kiếm Cuckoo (CSA) trên môi trường MATLAB.

---

Câu hỏi thường gặp

1. Khóa luận sử dụng nguồn dữ liệu nào để huấn luyện và kiểm chứng mô hình?

Tác giả sử dụng bộ dữ liệu vận hành thực tế theo giờ của lưới điện ISO New England (Hoa Kỳ). Đối với phân tích tương quan Pearson trên phần mềm SPSS, quy mô mẫu dữ liệu khảo sát là $N = 26.256$ điểm dữ liệu.

2. Trong các yếu tố ảnh hưởng, biến nào có tác động mạnh nhất và yếu nhất đến phụ tải?

Theo kết quả kiểm định Pearson ($Sig < 0.01$), biến "Công suất tiêu thụ trong quá khứ" có mức độ tương quan thuận chặt chẽ nhất với công suất tiêu thụ của hệ thống. Ngược lại, biến "Ngày làm việc/ngày nghỉ" có hệ số tương quan thấp nhất trong 6 biến được khảo sát.

3. Vì sao giải thuật Bayesian Regularization (trainbr) được đánh giá là phù hợp nhất cho mạng BPNN trong nghiên cứu này?

Qua thực nghiệm so sánh 4 giải thuật huấn luyện trên MATLAB (trainlm, trainbr, trainscg, trainrp), thuật toán Bayesian cập nhật phân bố xác suất tham số từ tiền nghiệm sang hậu nghiệm, giúp cực tiểu hóa kết hợp cả sai số bình phương và trọng số, hạn chế hiệu quả hiện tượng quá khớp (overfitting) và đạt độ chính xác dự báo cao nhất.

4. Kết quả sai số MAPE của các mô hình dự báo phụ tải ngắn hạn 24 giờ đạt được là bao nhiêu?

Mô hình mạng BPNN truyền thống cho sai số MAPE khoảng 3%, mô hình lai PSO-BPNN đạt sai số 1.47%, và mô hình lai CSA-BPNN đạt sai số thấp nhất là 0.86%.

5. Đặc tuyến phụ tải ngày làm việc và ngày nghỉ có sự khác biệt như thế nào trong phân tích của đề tài?

Vào các ngày làm việc (thứ Hai đến thứ Sáu), đồ thị phụ tải xuất hiện 2 đỉnh tiêu thụ rõ rệt vào lúc 9 giờ sáng (cao điểm sản xuất, cơ quan, trường học) và 18 giờ tối (cao điểm sinh hoạt gia đình). Vào các ngày nghỉ (thứ Bảy, Chủ nhật, ngày lễ), nhu cầu điện ban ngày giảm đáng kể và đỉnh tải tập trung chủ yếu vào buổi tối lúc 18 giờ.

---

Kết luận

Đồ án tốt nghiệp của tác giả Nguyễn Quang Tiến đã hoàn thành mục tiêu nghiên cứu và xây dựng mô hình dự báo phụ tải ngắn hạn cho hệ thống điện dựa trên mạng nơ-ron lan truyền ngược cải tiến. Bằng việc phân tích định lượng 6 yếu tố ảnh hưởng trên tập dữ liệu ISO New England và kết hợp giải thuật tìm kiếm Cuckoo (CSA), mô hình CSA-BPNN đề xuất đã đạt độ chính xác cao với sai số MAPE chỉ 0.86%. Công trình đóng góp quy trình phương pháp luận rõ ràng, kết hợp hiệu quả giữa kỹ thuật thống kê, học máy và thuật toán tối ưu hóa, mang lại giá trị tham khảo thiết thực cho công tác nghiên cứu và vận hành hệ thống điện.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan. • Chương 2: Cơ sở lý thuyết. • Chương 3: Phương pháp dự báo phụ tải đề xuất. • Chương 4: Dự báo phụ tải ngắn hạn bằng phần mềm MATLAB.

• Chương 5: Kết luận và hướng phát triển. 6 Chương 2 CƠ SỞ LÝ THUYẾT 2.1 Khái niệm dự báo phụ tải Dự báo phụ tải là quá trình ước lượng và dự đoán lượng điện (hoặc tài nguyên) mà hệ thống điện sẽ tiêu thụ trong tương lai [10]. Việc dự báo phụ tải thông qua các tác nhân có tác động như thông tin lịch sử tiêu thụ điện, dữ liệu khí hậu, thông tin về ngày lễ và thời gian,…. Dự báo phụ tải thường sử dụng các phương pháp thống kê, mô hình hóa, kết hợp các thuật toán nhằm xác định xu hướng trong quá trình tiêu thụ điện.

Có nhiều yếu tố để phân loại các dự báo năng lượng trong hệ thống điện, một trong số đó là dựa vào khoảng thời gian cần phải dự báo [10]. Theo như Hình 2.1, dự báo năng lượng gồm 4 loại: Hình 2. Phân loại dự báo phụ tải - Dự báo siêu ngắn hạn: là một loại dự báo năng lượng thông thường từ 0 đến 3 giờ [11]. Dự báo siêu ngắn hạn giúp ứng phó với các sự cố khi sản xuất năng lượng trong thời gian ngắn.

Bài báo [12] tập trung vào dự báo tải điện siêu ngắn hạn (vài giờ tới) bằng mạng neural wavelet kết hợp với tiền xử lý dữ liệu. Phương pháp sóng biến đổi (wavelet) để phân tích thông tin về tải điện và tạo ra một mạng neural nhằm dự báo tải điện trong thời gian ngắn. Một nghiên cứu khác [13] tập trung vào dự báo tải điện siêu ngắn hạn (trong vài phút) bằng cách ứng dụng bộ lọc Kalman kết hợp. 7 Phương pháp này kết hợp các bộ lọc Kalman để dự báo tải điện thời gian ngắn và ước lượng khoảng dự báo.

- Dự báo ngắn hạn: Dự báo ngắn hạn là quá trình đưa ra dự báo năng lượng trong khoảng thời gian ngắn (khoảng vài phút đến vài ngày). Loại dự báo được ứng dụng trong vận hành hệ thống năng lượng, bao gồm lên kế hoạch tiêu thụ, đánh giá độ tin cậy và lập kế hoạch giảm tải, và nhiều ứng dụng khác. Trong đề tài [14], tác giả tập trung vào dự báo tải điện bằng một mô hình phụ thuộc một phần và cộng hưởng. Mô hình này dùng một hàm tuyến tính cơ sở và một số hàm không tham số phù hợp với các biến đổi trong dữ liệu tải điện.

Trong bài báo [15], tác giả tập trung vào dự báo tải điện sử dụng mạng neural wavelet với các cấu trúc hợp nhất tăng cường. Nghiên cứu này dùng mô hình neural wavelet để dự báo tải điện và áp dụng các cấu trúc hợp nhất tăng cường để kết hợp các mô hình dự báo khác nhau nhằm hạn chế sai số của dự báo. - Dự báo trung hạn: Dự báo trung hạn là quá trình đưa ra dự báo năng lượng trong vài ngày đến vài tháng, có thể kéo dài lên đến một năm. Loại dự báo này hỗ trợ trong việc đánh giá, bảo trì và lập kế hoạch cung cấp năng lượng trong hệ thống sản xuất.

Ngoài ra, nó cũng có ứng dụng nhằm quản lý rủi ro bằng cách dự báo giá mua và tiêu thụ năng lượng của hệ thống năng lượng. Đề tài [16] sử dụng các phương pháp linh hoạt để tối ưu công suất điện gió trong hoạt động thị trường điện. Ứng dụng tính linh động của công suất điện gió, việc đưa ra dự báo chính xác là một thách thức lớn trong việc quản lý và vận hành hệ thống điện. - Dự báo dài hạn: Dự báo dài hạn nhằm đưa ra dự báo tính bằng tháng, quý và thậm chí là nhiều năm.

Loại dự báo này nhằm mục đích tăng trưởng tiêu thụ điện qua các năm và là cơ sở để quy hoạch năng lượng trong thời gian dài. Trong nghiên cứu [17], tập trung vào dự báo xác suất tải điện trong dài hạn và quá trình chuẩn hóa với thông tin theo giờ. Đề tài sử dụng thông tin tiêu thụ điện theo giờ để chuẩn hóa dữ liệu. Nghiên cứu [18] tập trung vào phương pháp dự báo thông minh tải điện trong dài hạn, đồng thời xem xét kỳ vọng về giao dịch thị trường điện.

Phương pháp này đề xuất sử dụng dữ liệu về giao dịch thị trường điện và các tác nhân khác. Bằng cách ứng dụng 8 các kỹ thuật thông minh như học máy, phương pháp này giúp cung cấp dự báo tải điện dài hạn thông minh và có thể tùy chỉnh cho hoạt động thị trường điện.2 Các yếu tố ảnh hưởng đến dự báo phụ tải điện ngắn hạn 2.1 Yếu tố thời gian Trong dự báo tải ngắn hạn, thời gian là yếu tố quan trọng nhất vì nó có tác động cao nhất đối với tiêu dùng điện. Thời gian sử dụng điện phụ thuộc vào lịch trình sinh hoạt riêng của từng hộ gia đình. Mặc dù lượng tiêu thụ điện trung bình là khác nhau vì sự khác biệt của nhiệt độ trong mỗi ngày nhưng số lượng tải là gần như giống nhau.2 trình bày giá trị tiêu thụ năng lượng điện theo thời gian trong ngày của hệ thống điện New England.

Có thể thấy trong Hình 2.2, đường cong phụ tải gồm có 2 đỉnh lúc 9 giờ và 18 giờ. Đồ thị phụ tải ngày làm việc Lúc 9 giờ là thời điểm đỉnh thứ nhất vì tại thời điểm này, hoạt động sản xuất và tiêu thụ điện đều đạt đỉnh cao. Đây là thời điểm mà nhiều người bắt đầu sử dụng các thiết bị điện như máy tính, điều hòa không khí, máy giặt, lò nướng, bếp điện,. Các cửa hàng, siêu thị, công ty, trường học,.

cũng bắt đầu mở cửa để tiến hành hoạt động. Đồng thời, các ngành công nghiệp, nông nghiệp, chế biến thực phẩm và vận chuyển hàng hóa đều hoạt động đầy đủ. Đỉnh tiêu thụ điện thứ hai diễn ra vào lúc 18 giờ, đây là thời điểm có lượng tiêu thụ điện cao nhất trong ngày. Vào thời điểm này, đa số người dân đã hoàn thành các hoạt động tại nơi làm việc và trở về nhà, sử dụng các thiết bị điện như đèn chiếu 9 sáng, tivi, máy tính, điều hòa không khí, lò nướng, bếp điện và các thiết bị giải trí khác.

Bằng việc phân tích đồ thị phụ tải điện trong ngày, có thể nhận biết được các yếu tố về thời gian để tăng cường hiệu suất dự đoán. Cụ thể, bằng cách sử dụng đồ thị phụ tải điện, các nhà nghiên cứu có thể phân tích mức độ tăng giảm của phụ tải trong ngày, xác định thời gian xu hướng tăng cao nhất hoặc giảm thấp nhất trong ngày. Ngoài ra, cũng có thể phân tích các sự kiện đặc biệt có thể ảnh hưởng đến phụ tải điện như thời tiết (nóng, lạnh, mưa, gió), các ngày lễ và các sự kiện lớn như hội chợ, concert,. Thông qua những đánh giá đã nêu có thể thiết lập mô hình tiêu thụ điện và cung cấp cơ sở để quản lý tối ưu hóa nguồn điện và dự đoán nhu cầu tiêu thụ của hệ thống.

Phân tích các yếu tố thời gian từ đồ thị phụ tải điện sẽ được áp dụng để xây dựng các mô hình dự đoán phụ tải điện ngắn hạn, nhằm dự đoán lượng điện tiêu thụ tại các thời điểm cụ thể trong ngày. Bằng cách kết hợp với các yếu tố khác như dữ liệu lịch sử tiêu thụ điện, điều kiện thời tiết và sự kiện đặc biệt, những mô hình này mang lại kết quả dự đoán chính xác hơn và hỗ trợ việc điều tiết cũng như điều khiển hoạt động sản xuất và phân phối điện một cách hiệu quả. Lượng điện tiêu thụ có sự khác biệt đáng kể giữa các này nghỉ và ngày làm việc. So sánh đồ thị phụ tải giữa các ngày làm việc (từ thứ hai đến thứ sáu) và các ngày nghỉ (bao gồm thứ bảy, chủ nhật và các ngày lễ), có thể nhận thấy những khác biệt rõ rệt về độ dốc, vị trí đỉnh và lượng năng lượng tiêu thụ tại các thời điểm khác nhau.

Thông qua Hình 2.4, có thể thấy rằng ở các ngày nghỉ, đỉnh tải không còn chia thành hai đỉnh có lượng tiêu thụ gần như nhau như ở các ngày làm việc. Thay vào đó, đỉnh tải tập trung chủ yếu thành một đỉnh cao hoặc phân chia rõ rệt thành một đỉnh thấp và một đỉnh cao cho thấy lượng tiêu thụ điện trong các ngày nghỉ có sự thay đổi so với các ngày trong tuần. Đồ thị phụ tải Chủ nhật Hình 2. Đồ thị phụ tải ngày lễ Sự thay đổi này xảy ra do lịch trình hoạt động của người dân, các doanh nghiệp và nhà máy thay đổi trong các ngày nghỉ.

Nhu cầu sử dụng điện cũng có sự thay đổi tương ứng với hoạt động và thói quen của mọi người trong những ngày này. Vì vậy, lượng tiêu thụ điện trong các ngày thứ bảy, chủ nhật và ngày lễ thường có sự biến đổi đáng kể so với các ngày làm việc trong tuần. Trong những ngày này, đặc biệt là ban ngày, người dân thường có thể ở nhà hoặc tham gia các hoạt động ngoài trời, dẫn đến việc tiêu thụ điện ít hơn. Do đó, lượng tiêu thụ điện ban ngày có thể giảm so với các ngày trong tuần.

Tuy nhiên, vào buổi tối, khi người dân trở về nhà, họ tăng cường việc sử dụng các thiết bị điện trong các hoạt động sum vầy, vui chơi và ăn uống, dẫn đến tăng lượng tiêu thụ điện. Vì vậy, vào các ngày thứ bảy, chủ nhật và ngày lễ, thời điểm quan trọng vẫn là 18 giờ tối, khi lượng tiêu thụ điện thường tăng cao. Phân tích cụ thể khoảng thời gian trong các loại ngày khác nhau là một phương pháp quan trọng để cải thiện độ chính xác của mô hình dự báo phụ tải điện ngắn hạn. 11 Việc này giúp mô hình đưa ra dự báo chính xác về nhu cầu tiêu thụ điện của từng loại ngày.

Các loại ngày bao gồm các ngày trong tuần (từ thứ 2 đến thứ 6), ngày thứ 7, chủ nhật và các ngày lễ. Phân tích cụ thể các khoảng thời gian trong ngày tại các loại ngày khác nhau làm tăng độ chính xác của mô hình dự báo. Nó giúp mô hình nhận biết được sự biến động trong mức tiêu thụ điện tại các thời điểm khác nhau trong từng loại ngày, từ đó đưa ra dự báo chính xác về nhu cầu tiêu thụ điện tại các thời điểm cụ thể.2 Yếu tố thời tiết Thời tiết có ảnh hưởng đáng kể đến tiêu thụ điện và nắm bắt được liên kết này là rất cần thiết trong vấn đề quản lý các nguồn năng lượng một cách hiệu quả.