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.