Ứng Dụng Chuỗi Thời Gian Trong Dự Báo Nhu Cầu Phụ Tải Điện ở Công Ty Điện Lực Tây Ninh

Tài liệu nghiên cứu Ứng dụng chuỗi thời gian trong dự báo nhu cầu phụ tải điện ở công ty điện lực tây ninh, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về kỹ

• Tác giả: Nguyễn Thanh Nhân
• Người hướng dẫn: Ts. Huỳnh Trọng Thừa
• Trường học: Học Viện Công Nghệ Bưu Chính Viễn Thông
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Ứng Dụng Chuỗi Thời Gian Trong Dự Báo Nhu Cầu Phụ Tải Điện Ở Công Ty Điện Lực Tây Ninh
• Loại tài liệu: Luận Văn Thạc Sỹ Kỹ Thuật
• Năm xuất bản: 2022
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỤC LỤC
• 1. CHƯƠNG 1: TỔNG QUAN VÀ DỰ BÁO CHUỖI THỜI GIAN
• 1.1. Các phương pháp dự báo
• 1.2. Các mô hình thống kê
• 1.3. Các mô hình hiện đại dựa trên máy học, khai phá dữ liệu và trí tuệ nhân tạo
• 1.4. Thực trạng dự báo phụ tải điện tại Công ty Điện lực Tây Ninh
• 2. CHƯƠNG 2: MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN VÀ ỨNG DỤNG TRONG DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN
• 2.1. Phân tích chuỗi thời gian nhu cầu phụ tải điện
• 2.2. Mô hình ARIMA
• 2.3. Mô hình SARIMA
• 2.4. Mô hình mạng LSTM
• 2.5. Mô hình Prophet
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN
• 3.1. Xây dựng mô hình dự báo
• 3.2. Xây dựng mô hình dự báo SARIMA
• 3.3. Xây dựng mô hình dự báo LSTM
• 3.4. Xây dựng mô hình dự báo Prophet
• 4. CHƯƠNG 4: KẾT QUẢ DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN TẠI CÔNG TY ĐIỆN LỰC TÂY NINH
• 4.1. Dự báo nhu cầu phụ tải 1 tháng
• 4.2. Dự báo nhu cầu phụ tải 12 tháng
• 4.3. So sánh kết quả khi áp dụng các mô hình Prophet, SARIMA, LSTM
• 4.4. Nhận xét chung
• 5. CHƯƠNG 5: XÂY DỰNG HỆ THỐNG DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN
• 5.1. Thiết kế hệ thống
• 5.2. Mô hình hệ thống. Thiết kế cơ sở dữ liệu cho hệ thống
• 5.3. Xây dựng Dashboard phân tích, dự báo
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Ứng Dụng Chuỗi Thời Gian Dự Báo Phụ Tải Điện

Dự báo là một khoa học và nghệ thuật dự đoán các sự kiện trong tương lai. Khoa học thể hiện ở việc dựa trên dữ liệu quá khứ và hiện tại, dựa vào xu hướng để dự đoán. Nghệ thuật thể hiện ở khả năng phán đoán và kinh nghiệm khi thiếu thông tin hoặc nhu cầu khách hàng biến động. Do đó, dự báo luôn có sai số và tính chính xác giảm khi thời gian dự báo tăng. Các phương pháp dự báo cơ bản gồm định tính (chủ quan, dựa trên ý kiến chuyên gia khi thiếu dữ liệu) và định lượng (dựa trên toán học và thống kê khi có dữ liệu lịch sử và giả định rằng mô hình trong quá khứ sẽ tiếp diễn). Các phương pháp định lượng đòi hỏi thông tin về quá khứ và giả định về sự tiếp diễn của mô hình trong tương lai.

1.1. Phương pháp dự báo định tính và định lượng So sánh

Các phương pháp dự báo định tính mang tính chủ quan, dựa trên ý kiến của các chuyên gia và thường được sử dụng khi không có đủ dữ liệu lịch sử. Ngược lại, các phương pháp dự báo định lượng dựa trên toán học và thống kê, yêu cầu dữ liệu lịch sử và giả định rằng một số khía cạnh của mô hình trong quá khứ sẽ tiếp tục trong tương lai. Theo tài liệu gốc, việc lựa chọn loại phương pháp phù hợp phụ thuộc vào dữ liệu có sẵn.

1.2. Tổng quan về dự báo phụ tải điện Vai trò và ứng dụng

Dự báo phụ tải điện đóng vai trò quan trọng trong việc quy hoạch và vận hành hệ thống điện. Dự báo sai lệch có thể dẫn đến giảm hiệu quả hoạt động và tăng chi phí đầu tư. Dự báo quá cao dẫn đến lãng phí vốn, còn dự báo quá thấp gây thiếu hụt điện. Theo [1], dự báo phụ tải điện là hoạt động tính toán, ước lượng và đánh giá xu hướng tăng trưởng và nhu cầu phụ tải điện.

II. Thách Thức Trong Dự Báo Nhu Cầu Điện Tại Tây Ninh

Công ty Điện lực Tây Ninh cần dự báo ngắn hạn để lập phương thức vận hành và dự báo trung hạn để nâng cao hiệu quả hoạt động và đảm bảo cân đối cung cầu. Tuy nhiên, việc triển khai dự báo gặp khó khăn do thiếu phương pháp phù hợp với nguồn dữ liệu hiện hữu. Hiện tại, các công ty điện lực chủ yếu dự báo dựa trên phương pháp chuyên gia hoặc mô hình hồi quy đa biến phụ thuộc vào các yếu tố thời tiết, nhiệt độ, chỉ số kinh tế, dẫn đến kết quả dự báo còn hạn chế.

2.1. Thực trạng dự báo phụ tải điện tại Công ty Điện lực Tây Ninh

Hiện nay, Công ty Điện lực Tây Ninh và các công ty điện lực khác chủ yếu sử dụng phương pháp chuyên gia hoặc mô hình hồi quy đa biến để dự báo nhu cầu phụ tải điện. Các mô hình này thường phụ thuộc vào các yếu tố như thời tiết, nhiệt độ và các chỉ số kinh tế. Theo tài liệu nghiên cứu, kết quả của các phương pháp này còn hạn chế do chưa tận dụng được các phương pháp dự báo chuỗi thời gian.

2.2. Yêu cầu dự báo trung hạn và sự cần thiết của giải pháp

Công ty Điện lực Tây Ninh không chỉ cần dự báo ngắn hạn để điều độ hệ thống điện mà còn cần dự báo trung hạn để nâng cao hiệu quả hoạt động và đảm bảo cân đối cung cầu. Điều này đòi hỏi một giải pháp dự báo phụ tải điện trung hạn phù hợp với nguồn dữ liệu hiện có và có độ chính xác cao.

2.3. Sự cần thiết ứng dụng chuỗi thời gian để giải quyết bài toán

Luận văn đề xuất phương pháp nghiên cứu dự báo chuỗi thời gian để dự báo nhu cầu phụ tải điện trung hạn (xu thế, tốc độ phát triển và nhu cầu của phụ tải điện). Từ đó thiết kế xây dựng một hệ thống dự báo nhu cầu phụ tải điện để giải quyết các khó khăn nêu trên cũng như để đáp ứng yêu cầu báo cáo tháng kê và hỗ trợ ra quyết định là một nhu cầu cấp thiết đối với Công ty Điện lực Tây Ninh.

III. Phương Pháp Chuỗi Thời Gian ARIMA SARIMA Dự Báo Phụ Tải

Nhiều nghiên cứu dự báo phụ tải điện dựa trên phương pháp thống kê như mô hình ARIMA (Autoregressive Intergrated Moving Average). Lê Duy Phúc và cộng sự đã sử dụng lọc và ARIMA trong dự báo ngắn hạn lưới điện TP.HCM, đạt độ tin cậy 95%. Nazih Abu-Shikhah và cộng sự sử dụng hồi quy đa biến và phi tuyến trong dự báo trung hạn tại NEPCO. Samuel và cộng sự sử dụng phân tích hồi quy trong dự báo phụ tải điện của trường Covenant University.

3.1. Mô hình ARIMA Cơ sở lý thuyết và ứng dụng thực tế

ARIMA (Autoregressive Integrated Moving Average) là một mô hình chuỗi thời gian phổ biến được sử dụng trong dự báo. Mô hình này kết hợp các thành phần tự hồi quy (AR), tích hợp (I) và trung bình trượt (MA) để mô tả và dự đoán các chuỗi thời gian. Các nghiên cứu đã chứng minh tính hiệu quả của mô hình ARIMA trong dự báo nhu cầu điện.

3.2. Mô hình SARIMA Áp dụng cho dữ liệu có tính mùa vụ

SARIMA (Seasonal ARIMA) là một biến thể của mô hình ARIMA được thiết kế để xử lý các chuỗi thời gian có tính mùa vụ. Mô hình này bổ sung thêm các thành phần mùa vụ vào mô hình ARIMA để nắm bắt các biến động theo mùa. Mô hình SARIMA rất phù hợp để dự báo nhu cầu điện, vì nhu cầu điện thường có tính mùa vụ rõ rệt.

3.3 Ưu điểm và hạn chế của phương pháp ARIMA và SARIMA

Ưu điểm của ARIMA và SARIMA là dễ hiểu, dễ triển khai và cho kết quả tốt. Tuy nhiên, hạn chế của phương pháp là cần phải xác định các tham số một cách chính xác, đòi hỏi kiến thức chuyên môn về thống kê và chuỗi thời gian.

IV. Ứng Dụng Mạng Nơ ron LSTM Trong Dự Báo Nhu Cầu Phụ Tải Điện

Các thuật toán học máy như máy vector hỗ trợ và mạng nơ-ron nhân tạo đã cải thiện đáng kể độ chính xác của dự đoán nhu cầu phụ tải điện. Các nghiên cứu [7], [8], [9] sử dụng mạng nơ-ron nhân tạo lan truyền ngược (BP ANN) kết hợp các yếu tố ảnh hưởng như chỉ số tiêu dùng, chỉ số công nghiệp, tốc độ tăng dân số và nhiệt độ để dự báo phụ tải điện trung hạn có độ chính xác và khả năng giải thích tốt hơn các phương pháp truyền thống khác. Lei Guo và cộng sự [10] đã sử dụng mạng nơron nhiều lớp và LSTM để dự đoán phụ tải điện trong thời gian ngắn và kết quả thực nghiệm đã chứng minh tính ưu việt của mạng nơron học sâu.

4.1. Tổng quan về mạng nơ ron LSTM Cấu trúc và nguyên lý hoạt động

LSTM (Long Short-Term Memory) là một loại mạng nơ-ron tái phát (RNN) được thiết kế đặc biệt để xử lý các chuỗi thời gian dài. LSTM có khả năng ghi nhớ thông tin quan trọng trong quá khứ và sử dụng thông tin đó để dự đoán tương lai. Cấu trúc của một tế bào LSTM bao gồm các cổng (gate) cho phép kiểm soát luồng thông tin.

4.2. Ưu điểm của LSTM so với các mô hình chuỗi thời gian truyền thống

LSTM có một số ưu điểm so với các mô hình chuỗi thời gian truyền thống như ARIMA và SARIMA. LSTM có khả năng nắm bắt các mối quan hệ phi tuyến tính và các phụ thuộc dài hạn trong dữ liệu chuỗi thời gian. Điều này giúp LSTM đạt được độ chính xác cao hơn trong dự báo.

4.3. Ứng dụng thực tế LSTM trong dự báo nhu cầu điện tại Tây Ninh

Việc ứng dụng LSTM trong dự báo nhu cầu điện tại Tây Ninh có thể giúp cải thiện độ chính xác của dự báo và hỗ trợ công ty điện lực trong việc lập kế hoạch và vận hành hệ thống điện. LSTM có thể được sử dụng để dự báo nhu cầu điện ngắn hạn, trung hạn và dài hạn.

V. Mô Hình Facebook Prophet Phân Tích Chuỗi Thời Gian Cực Mạnh

Gần đây, các nghiên cứu dự báo chuỗi thời gian phi tuyến theo mô hình cộng (Additive Model) trong đó các xu thế phi tuyến khớp với tính thời vụ hàng năm, hàng tuần và hàng ngày, cộng với các ảnh hưởng ngày lễ cũng được sử dụng cho hiệu quả tốt. Taylor và Benjamin Letham [12] đã giới thiệu phương pháp phân tích chuỗi thời gian theo mô hình cộng bằng thuật toán Facebook Prophet trong dự báo số sự kiện trên Facebook. Huỳnh Trọng Thừa và các cộng sự [13] đã công bố kết quả nghiên cứu sử dụng thuật toán phân tích chuỗi thời gian Facebook Prophet trong dự báo hoạt động đầu tư ở Khu Công nghệ cao TP.

5.1. Giới thiệu thuật toán Facebook Prophet và ưu điểm nổi bật

Facebook Prophet là một thuật toán dự báo chuỗi thời gian được phát triển bởi Facebook. Prophet được thiết kế để dễ sử dụng và có khả năng xử lý các chuỗi thời gian có tính mùa vụ và các sự kiện đặc biệt. Thuật toán này đặc biệt hiệu quả khi dự báo các chuỗi thời gian có xu hướng phi tuyến.

5.2. Ứng dụng Prophet trong dự báo chuỗi thời gian tại Công ty Điện lực

Công ty điện lực có thể áp dụng mô hình Facebook Prophet để dự báo nhu cầu điện năng trong ngắn hạn và dài hạn. Đặc biệt, Prophet có thể giúp dự đoán nhu cầu tăng cao vào các dịp lễ, tết, cuối tuần hay các sự kiện đặc biệt khác, giúp công ty có sự chuẩn bị tốt hơn.

5.3. So sánh Prophet với các phương pháp dự báo chuỗi thời gian khác

Prophet có một số ưu điểm so với các phương pháp dự báo chuỗi thời gian khác như ARIMA và LSTM. Prophet dễ sử dụng hơn và có khả năng xử lý các chuỗi thời gian có tính mùa vụ và các sự kiện đặc biệt tốt hơn. Tuy nhiên, Prophet có thể không phù hợp cho các chuỗi thời gian có mối quan hệ phức tạp hoặc không có tính mùa vụ rõ rệt.

VI. Đề Xuất Hệ Thống Dự Báo Phụ Tải Tại Điện Lực Tây Ninh

Mục tiêu nghiên cứu là xây dựng hệ thống dự báo nhu cầu phụ tải điện trung hạn, hỗ trợ lãnh đạo Công ty Điện lực Tây Ninh trong điều hành, vận hành hệ thống điện, đảm bảo hiệu quả, độ tin cậy và cân đối cung cầu. Mục tiêu tổng quát là đánh giá thực trạng dự báo tại Tây Ninh và nghiên cứu phương pháp chuỗi thời gian, từ đó đề xuất giải pháp dự báo nhu cầu phụ tải trung hạn.

6.1. Xây dựng hệ thống dự báo nhu cầu phụ tải điện trung hạn

Việc xây dựng một hệ thống dự báo nhu cầu phụ tải điện trung hạn là một giải pháp quan trọng để giúp Công ty Điện lực Tây Ninh cải thiện khả năng dự báo và quản lý nguồn cung điện. Hệ thống này nên tích hợp các phương pháp dự báo chuỗi thời gian như ARIMA, SARIMA và Facebook Prophet.

6.2. Thiết kế cơ sở dữ liệu và Dashboard phân tích dự báo

Hệ thống dự báo cần có một cơ sở dữ liệu để lưu trữ và quản lý dữ liệu lịch sử về nhu cầu điện. Ngoài ra, cần xây dựng một Dashboard để trực quan hóa dữ liệu và kết quả dự báo, giúp người dùng dễ dàng theo dõi và phân tích tình hình.

6.3. Đánh giá hiệu quả hệ thống dự báo và đề xuất phát triển

Sau khi xây dựng và triển khai hệ thống dự báo, cần đánh giá hiệu quả của hệ thống bằng cách so sánh kết quả dự báo với dữ liệu thực tế. Dựa trên kết quả đánh giá, có thể đề xuất các cải tiến và phát triển hệ thống để nâng cao độ chính xác và hiệu quả dự báo.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh nhu cầu sử dụng điện ngày càng tăng cao, việc dự báo chính xác nhu cầu phụ tải điện đóng vai trò then chốt trong công tác quản lý và vận hành hệ thống điện. Tại Công ty Điện lực Tây Ninh, sản lượng điện thương phẩm giai đoạn 2016-2019 tăng trưởng trung bình 15,1%, với tổng sản lượng năm 2020 đạt 4.707,01 triệu kWh, tăng 14,65% so với năm 2019. Sự tăng trưởng này đặt ra yêu cầu cấp thiết về việc dự báo nhu cầu phụ tải trung hạn nhằm đảm bảo cân đối cung cầu điện, nâng cao hiệu quả và độ tin cậy cung cấp điện. Mục tiêu nghiên cứu là xây dựng hệ thống dự báo nhu cầu phụ tải trung hạn dựa trên phân tích chuỗi thời gian, áp dụng các mô hình hiện đại như SARIMA, LSTM và Prophet, từ đó thiết kế hệ thống hỗ trợ ra quyết định cho Công ty Điện lực Tây Ninh. Phạm vi nghiên cứu tập trung vào dữ liệu sản lượng điện tiêu thụ hàng tháng của 9 Điện lạc thuộc tỉnh Tây Ninh trong giai đoạn từ tháng 01/2006 đến tháng 03/2021. Ý nghĩa của nghiên cứu thể hiện qua việc cải thiện độ chính xác dự báo, giúp công ty chủ động trong công tác điều hành, lập kế hoạch và nâng cao hiệu quả vận hành hệ thống điện.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên lý thuyết phân tích chuỗi thời gian, trong đó chuỗi thời gian được phân tích thành các thành phần xu hướng, mùa vụ và ngẫu nhiên. Các mô hình dự báo được áp dụng gồm:

• Mô hình ARIMA (Autoregressive Integrated Moving Average): Mô hình thống kê truyền thống, kết hợp thành phần tự hồi quy, tích hợp và trung bình trượt, phù hợp với chuỗi thời gian dừng hoặc có thể biến đổi thành chuỗi dừng qua sai phân.

• Mô hình SARIMA (Seasonal ARIMA): Mở rộng ARIMA với thành phần mùa vụ, thích hợp cho dữ liệu có tính chu kỳ theo mùa như sản lượng điện hàng tháng.

• Mô hình LSTM (Long Short Term Memory): Mạng nơ-ron nhân tạo dạng hồi tiếp, có khả năng ghi nhớ thông tin dài hạn, giải quyết vấn đề biến mất gradient trong RNN truyền thống, phù hợp với dữ liệu chuỗi thời gian phi tuyến và phức tạp.

• Mô hình Prophet: Mô hình dự báo chuỗi thời gian phi tuyến dựa trên mô hình cộng, phân tách chuỗi thành các thành phần xu hướng, mùa vụ và hiệu ứng ngày lễ, được thiết kế để xử lý dữ liệu có tính mùa vụ phức tạp và thiếu hụt dữ liệu.

Các khái niệm chính bao gồm: tính xu hướng, tính mùa vụ, tính dừng của chuỗi thời gian, sai phân bậc d, các tham số p, d, q trong ARIMA/SARIMA, cấu trúc tế bào LSTM với các cổng quên, vào, ra, và mô hình cộng trong Prophet.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là sản lượng điện tiêu thụ hàng tháng của 9 Điện lạc thuộc Công ty Điện lực Tây Ninh, thu thập từ tháng 01/2006 đến tháng 03/2021. Dữ liệu được phân chia thành tập huấn luyện (80%) và tập kiểm tra (20%) để xây dựng và đánh giá mô hình. Phương pháp phân tích bao gồm:

• Phân tích khám phá dữ liệu chuỗi thời gian để xác định tính xu hướng, mùa vụ và tính dừng.

• Xây dựng mô hình dự báo chuỗi thời gian SARIMA bằng cách xác định tham số (p,d,q)(P,D,Q)m thông qua phân tích ACF, PACF và tìm kiếm lưới tham số tối ưu dựa trên chiến lược kiểm tra giá đầu (walk forward validation).

• Xây dựng mô hình LSTM sử dụng thư viện Keras, điều chỉnh tham số neurons và epochs để tối ưu hóa độ chính xác dự báo.

• Xây dựng mô hình Prophet với các tham số seasonality_mode và seasonality_prior_scale được tinh chỉnh qua tìm kiếm lưới.

• Đánh giá hiệu suất mô hình dựa trên chỉ số RMSE (Root Mean Square Error) trên tập kiểm tra.

• Thiết kế hệ thống dự báo tích hợp các mô hình đã xây dựng, bao gồm cơ sở dữ liệu và dashboard phân tích hỗ trợ ra quyết định.

Quá trình nghiên cứu được thực hiện trong năm 2021-2022 tại Công ty Điện lực Tây Ninh.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất mô hình Prophet: Mô hình Prophet cho kết quả RMSE thấp nhất trong dự báo nhu cầu phụ tải 12 tháng của 9 Điện lạc, với sai số trung bình dưới 5%, thể hiện khả năng bắt kịp xu hướng và tính mùa vụ phức tạp của dữ liệu.

2. Hiệu suất mô hình SARIMA: SARIMA cũng đạt hiệu quả cao với RMSE tương đương Prophet, đặc biệt phù hợp với dữ liệu có tính mùa vụ rõ ràng. Bộ tham số tối ưu cho Điện lạc Tây Ninh là [(1,1,1),(2,0,2,12)].

3. Hiệu suất mô hình LSTM: Mô hình LSTM cho kết quả RMSE cạnh tranh, với tham số neurons và epochs được tối ưu riêng cho từng Điện lạc (ví dụ Điện lạc Tây Ninh: 4 neurons, 1500 epochs). Mô hình này thể hiện ưu thế trong việc xử lý các biến động phi tuyến và thông tin dài hạn.

4. So sánh mô hình: So sánh hiệu suất dự báo từng tháng và 12 tháng cho thấy Prophet và SARIMA có sai số dự báo thấp hơn LSTM một chút, tuy nhiên sự khác biệt về RMSE không lớn đáng kể, cho thấy cả ba mô hình đều có thể áp dụng hiệu quả.

Thảo luận kết quả

Nguyên nhân mô hình Prophet và SARIMA đạt hiệu quả cao là do khả năng mô hình hóa tốt các thành phần xu hướng và mùa vụ trong chuỗi thời gian sản lượng điện hàng tháng, vốn có chu kỳ 12 tháng rõ rệt. Mô hình LSTM mặc dù có ưu thế trong xử lý phi tuyến và dữ liệu phức tạp, nhưng yêu cầu điều chỉnh tham số phức tạp và dữ liệu huấn luyện lớn hơn để đạt hiệu quả tối ưu.

Kết quả phù hợp với các nghiên cứu quốc tế và trong nước về dự báo nhu cầu điện sử dụng mô hình chuỗi thời gian và mạng nơ-ron nhân tạo. Việc áp dụng chiến lược kiểm tra giá đầu giúp đánh giá mô hình sát thực tế vận hành, đảm bảo tính khả thi khi triển khai thực tế.

Dữ liệu có thể được trình bày qua biểu đồ so sánh RMSE từng tháng của ba mô hình, bảng tổng hợp sai số dự báo 12 tháng, và biểu đồ phân rã thành phần chuỗi thời gian để minh họa tính xu hướng và mùa vụ.

Đề xuất và khuyến nghị

1. Triển khai hệ thống dự báo tích hợp: Áp dụng mô hình Prophet làm nền tảng chính trong hệ thống dự báo nhu cầu phụ tải trung hạn, kết hợp SARIMA và LSTM để tăng cường độ chính xác và khả năng xử lý các trường hợp đặc thù. Thời gian thực hiện: 6 tháng; Chủ thể: Ban công nghệ thông tin và phòng Kế hoạch Công ty Điện lực Tây Ninh.

2. Đào tạo và nâng cao năng lực nhân sự: Tổ chức các khóa đào tạo về phân tích chuỗi thời gian, mô hình dự báo và kỹ thuật máy học cho cán bộ kỹ thuật và quản lý. Mục tiêu nâng cao năng lực vận hành và bảo trì hệ thống dự báo. Thời gian: 3 tháng; Chủ thể: Phòng Đào tạo và Ban Lãnh đạo.

3. Cập nhật và làm sạch dữ liệu định kỳ: Thiết lập quy trình thu thập, kiểm tra và làm sạch dữ liệu sản lượng điện hàng tháng để đảm bảo chất lượng dữ liệu đầu vào cho mô hình dự báo. Thời gian: liên tục; Chủ thể: Phòng Quản lý dữ liệu và vận hành.

4. Phát triển dashboard phân tích trực quan: Xây dựng giao diện dashboard trực tuyến hiển thị kết quả dự báo, cảnh báo biến động và hỗ trợ ra quyết định nhanh chóng cho lãnh đạo và các phòng ban liên quan. Thời gian: 4 tháng; Chủ thể: Ban công nghệ thông tin.

5. Nghiên cứu mở rộng mô hình dự báo: Tiếp tục nghiên cứu tích hợp các yếu tố ảnh hưởng như thời tiết, kinh tế, dân số vào mô hình dự báo để nâng cao độ chính xác và khả năng dự báo dài hạn. Thời gian: 12 tháng; Chủ thể: Phòng Nghiên cứu và Phát triển.

Đối tượng nên tham khảo luận văn

1. Cán bộ quản lý và điều hành tại các công ty điện lực: Giúp nâng cao năng lực dự báo nhu cầu phụ tải, từ đó tối ưu hóa công tác vận hành và lập kế hoạch cung cấp điện.

2. Chuyên gia và nhà nghiên cứu trong lĩnh vực năng lượng và kỹ thuật điện: Cung cấp cơ sở lý thuyết và phương pháp ứng dụng mô hình chuỗi thời gian và trí tuệ nhân tạo trong dự báo nhu cầu điện.

3. Nhà phát triển phần mềm và hệ thống thông tin: Tham khảo để thiết kế và triển khai hệ thống dự báo tích hợp, dashboard phân tích dữ liệu phục vụ quản lý điện năng.

4. Sinh viên và học viên cao học chuyên ngành kỹ thuật điện, công nghệ thông tin: Là tài liệu tham khảo thực tiễn về ứng dụng mô hình dự báo hiện đại trong ngành điện, hỗ trợ nghiên cứu và học tập.

Câu hỏi thường gặp

1. Tại sao cần dự báo nhu cầu phụ tải điện trung hạn?
   Dự báo trung hạn giúp công ty điện lực lập kế hoạch vận hành, đảm bảo cân đối cung cầu điện, tránh thiếu hụt hoặc dư thừa nguồn điện, từ đó nâng cao hiệu quả và độ tin cậy cung cấp điện.

2. Mô hình nào cho kết quả dự báo chính xác nhất trong nghiên cứu?
   Mô hình Prophet cho kết quả RMSE thấp nhất, thể hiện khả năng mô hình hóa tốt xu hướng và tính mùa vụ của dữ liệu sản lượng điện hàng tháng.

3. LSTM có ưu điểm gì so với các mô hình truyền thống?
   LSTM có khả năng xử lý dữ liệu phi tuyến, ghi nhớ thông tin dài hạn và thích ứng với các biến động phức tạp trong chuỗi thời gian, phù hợp với dữ liệu có tính chất không tuyến tính.

4. Chiến lược kiểm tra giá đầu (walk forward validation) là gì?
   Đây là phương pháp đánh giá mô hình dự báo bằng cách sử dụng dữ liệu huấn luyện liên tục cập nhật và kiểm tra trên dữ liệu mới, giúp đánh giá mô hình sát với thực tế vận hành.

5. Làm thế nào để nâng cao độ chính xác dự báo trong tương lai?
   Cần cập nhật dữ liệu thường xuyên, tích hợp thêm các yếu tố ảnh hưởng như thời tiết, kinh tế, và áp dụng các mô hình kết hợp để tận dụng ưu điểm của từng phương pháp.

Kết luận

• Nghiên cứu đã xây dựng thành công hệ thống dự báo nhu cầu phụ tải trung hạn tại Công ty Điện lực Tây Ninh dựa trên phân tích chuỗi thời gian và các mô hình hiện đại như SARIMA, LSTM và Prophet.
• Mô hình Prophet và SARIMA cho kết quả dự báo chính xác cao với sai số RMSE thấp, phù hợp với đặc điểm dữ liệu có tính mùa vụ rõ rệt.
• Mô hình LSTM thể hiện ưu thế trong xử lý dữ liệu phi tuyến và biến động phức tạp, bổ sung hiệu quả cho hệ thống dự báo.
• Hệ thống dự báo được thiết kế tích hợp với dashboard phân tích, hỗ trợ công tác ra quyết định và vận hành hiệu quả.
• Đề xuất triển khai hệ thống, đào tạo nhân sự và nghiên cứu mở rộng nhằm nâng cao hiệu quả dự báo trong tương lai.

Công ty Điện lực Tây Ninh nên tiến hành triển khai hệ thống dự báo tích hợp, đồng thời tổ chức đào tạo và cập nhật dữ liệu thường xuyên để đảm bảo hiệu quả vận hành. Các đơn vị liên quan được khuyến khích tham khảo và áp dụng kết quả nghiên cứu để nâng cao năng lực quản lý và vận hành hệ thống điện.

Trích đoạn nội dung tài liệu

HàC VIâN CÔNG NGHâ B¯U CHÍNH VIàN THÔNG --------------------------------------- NGUYàN THANH NHÂN ĀNG DĀNG CHUâI THâI GIAN TRONG DĂ BÁO NHU CÀU PHĀ TÀI ĐIâN ä CÔNG TY ĐIâN LĂC TÂY NINH LUÂN VN TH¾C SỸ KỸ THUÂT (Theo định hướng ứng dụng) TP. Hâ CHÍ MINH – NM 2022 HàC VIâN CÔNG NGHâ B¯U CHÍNH VIàN THÔNG --------------------------------------- NGUYàN THANH NHÂN ĀNG DĀNG CHUâI THâI GIAN TRONG DĂ BÁO NHU CÀU PHĀ TÀI ĐIâN ä CÔNG TY ĐIâN LĂC TÂY NINH CHUYÊN NGÀNH: Hà THàNG THÔNG TIN Mà Sà: 8.04 LUÂN VN TH¾C SỸ KỸ THUÂT (Theo định hướng ứng dụng) NG¯âI H¯àNG DÀN KHOA HàC: TS. HUþNH TRàNG TH¯A TP. Hâ CHÍ MINH – NM 2022 i LâI CAM ĐOAN Tôi xin cam đoan luÁn vn th¿c sĩ há tháng thông tin < Āng dāng chuãi thãi gian trong dă báo nhu cÁu phā tÁi điãn å Công ty Điãn lăc Tây Ninh= do tôi nghiên cāu, tång hÿp và thăc hián.

Toàn bộ nội dung luÁn vn, nhāng điÃu đ°ÿc trình bày là cÿa chính cá nhân tôi hoặc là đ°ÿc tham khÁo, tång hÿp từ nhiÃu nguãn tài liáu khác nhau. T¿t cÁ các tài liáu tham khÁo, tång hÿp đÃu đ°ÿc trích xu¿t vßi nguãn gác rõ ràng. Các sá liáu, kÁt quÁ nêu trong luÁn vn là trung thăc và ch°a từng đ°ÿc ai công bá trong b¿t kỳ công trình nào khác. HCM, ngày 25 tháng 01 năm 2022 Hác viên thăc hiãn luÃn vn Nguyán Thanh Nhân ii LâI CÀM ¡N Tr°ßc tiên tôi xin gÿi lái cÁm ¢n sâu sÃc nh¿t đÁn giÁng viên h°ßng d¿n trăc tiÁp cÿa tôi - TS.

Huÿnh Tráng Th°a. CÁm ¢n ThÁy đã luôn lÃng nghe nhāng quan điểm cá nhân và đ°a ra nhāng nhÁn xét quý báu, góp ý và d¿n dÃt tôi đi đúng h°ßng trong suát thái gian thăc hián đà tài luÁn vn th¿c sĩ. Tôi cũng xin trân trọng cÁm ¢n các ThÁy Cô giáo Khoa Đào t¿o Sau đ¿i học - Học vián Công nghá B°u chính vißn thông C¢ sã Thành phá Hã Chí Minh đã truyÃn đ¿t nhāng kiÁn thāc chuyên môn sâu rộng trong ngành cho tôi, có đ°ÿc nÃn tÁng kiÁn thāc hç trÿ r¿t lßn cho tôi trong quá trình nghiên cāu, hoàn thián luÁn vn. Cuái cùng, tôi xin gÿi lái cÁm ¢n chân thành đÁn gia đình, b¿n bè và quý đãng nghiáp vì đã luôn đãng hành, t¿o điÃu kián, hç trÿ và khuyÁn khích tôi cá gÃng trong suát nhāng nm tháng học tÁp cũng nh° quá trình nghiên cāu viÁt luÁn vn này.

Xin chân thành cÁm ¢n! TP. HCM, ngày 25 tháng 01 năm 2022 Hác viên thăc hiãn luÃn vn Nguyán Thanh Nhân iii MĀC LĀC LàI CAM ĐOAN. iii DANH MĀC CÁC KÝ HIàU, CHĀ VIÀT TÂT. v DANH SÁCH BÀNG.

vi DANH SÁCH HÌNH V¾. vii Mâ ĐÀU. Lý do chọn đà tài. Tång quan v¿n đà nghiên cāu.

Đái t°ÿng và ph¿m vi nghiên cāu. Ph°¢ng pháp nghiên cāu. 6 CH¯¡NG 1: TäNG QUAN V DĂ BÁO CHUæI THàI GIAN. Các ph°¢ng pháp dă báo.

Các mô hình thống kê. Các mô hình hiện đại dựa trên máy học, khai phá dữ liệu và trí tuệ nhân tạo. Thăc tr¿ng dă báo phā tÁi đián ã Công ty Đián lăc Tây Ninh. 13 CH¯¡NG 2: MÔ HÌNH DĂ BÁO CHUæI THàI GIAN VÀ ĀNG DĀNG TRONG DĂ BÁO NHU CÀU PHĀ TÀI ĐIàN.

Phân tích chuçi thái gian nhu cÁu phā tÁi đián. Mô hình ARIMA. Mô hình SARIMA. Mô hình m¿ng LSTM.

Mô hình Prophet. 28 CH¯¡NG 3: XÂY DĂNG MÔ HÌNH DĂ BÁO NHU CÀU PHĀ TÀI ĐIàN. Xây dăng mô hình dă báo. Xây dăng mô hình dă báo SARIMA.

Xây dăng mô hình dă báo LSTM. Xây dăng mô hình dă báo Prophet. 35 CH¯¡NG 4: KÀT QUÀ DĂ BÁO NHU CÀU PHĀ TÀI ĐIàN â CÔNG TY ĐIàN LĂC TÂY NINH. Dự báo nhu cầu phụ tải 1 tháng.

Dự báo nhu cầu phụ tải 12 tháng. So sánh kÁt quÁ khi áp dāng các mô hình Prophet, SARIMA, LSTM. NhÁn xét chung. 46 CH¯¡NG 5: XÂY DĂNG Hà THàNG DĂ BÁO NHU CÀU PHĀ TÀI ĐIàN.

ThiÁt kÁ há tháng. Mô hình hệ thống. Thiết kế c¡ sở dữ liệu cho hệ thống. Xây dựng Dashboard phân tích, dự báo.

54 DANH MĀC TÀI LIàU THAM KHÀO. 55 v DANH MĀC CÁC KÝ HIâU, CHĀ VI¾T TÄT Vi¿t tÅt Ti¿ng Anh Ti¿ng Viãt ANN Artificial Neural Network M¿ng n¢-ron nhân t¿o LSTM Long Short Term Memory M¿ng n¢-ron bộ nhß dài-ngÃn ARIMA Autoregressive Intergrated Mô hình trung bình tr°ÿt tích Moving Average hÿp tă hãi quy SARIMA Seasonal ARIMA ARIMA mùa vā SVM Support Vector Machine Véc-t¢ máy hç trÿ RMSE Root Mean Square Error Sai sá trung bình bình ph°¢ng gác (Độ lách chuẩn cÿa phÁn d°) MAPE Mean Absolute Percentage Sai sá phÁn trm tuyát đái trung Error bình vi DANH SÁCH BÀNG BÁng 3.1: Các giá trị RMSE nhß nh¿t từng mô hình thăc hián tìm kiÁm l°ßi trên dā liáu 09 Đián lăc .1: Giá trị RMSE giāa dā liáu đánh giá và dă báo cÿa 09 Đián lăc khi triển khai dă báo theo mô hình Prophet .2: Sai sá (%) giāa dā liáu 12 tháng và kÁt quÁ dă báo từng tháng t°¢ng āng cÿa 09 đián lăc .3: Độ đo RMSE giāa dā liáu đánh giá và dă báo cÿa 09 Đián lăc khi triển khai mô hình SARIMA.4: Sai sá (%) giāa dā liáu 12 tháng và kÁt quÁ dă báo từng tháng t°¢ng āng cÿa 09 mô hình t°¢ng āng 09 Đián lăc .5: Độ đo RMSE giāa dā liáu đánh giá và dă báo cÿa 09 Đián lăc khi triển khai mô hình m¿ng LSTM .6: Sai sá (%) giāa dā liáu 12 tháng và kÁt quÁ dă báo từng tháng t°¢ng āng cÿa 09 mô hình t°¢ng āng 09 Đián lăc .7: Các giá trị RMSE cÿa dā liáu 12 tháng dùng đánh giá và kÁt quÁ dă báo cÿa mô hình Prophet t°¢ng āng cÿa 09 Đián lăc .8: Các giá trị RMSE cÿa dā liáu 12 tháng dùng đánh giá và kÁt quÁ dă báo cÿa mô hình SARIMA t°¢ng āng cÿa 09 Đián lăc .9: So sánh hiáu su¿t dă báo từng tháng cÿa 3 mô hình SARIMA, Prophet và LSTM .10: So sánh hiáu su¿t dă báo 12 tháng cÿa 2 mô hình SARIMA và Prophet. 46 vii DANH SÁCH HÌNH VẼ Hình 2.1a: Biểu đã sÁn l°ÿng đián th°¢ng phẩm hàng tháng cÿa một doanh nghiáp có māc tiêu thā hàng nm trên 1 triáu kWh .1b: Biểu đã sÁn l°ÿng đián th°¢ng phẩm hàng tháng các khách hàng có māc tiêu thā d°ßi 1 triáu kWh/nm .2: Biểu đã phân rã các đặc tr°ng (thành phÁn) cÿa dā liáu chuçi thái gian sÁn l°ÿng đián th°¢ng phẩm hàng tháng chu kỳ 12 tháng cÿa các khách hàng có māc tiêu thā d°ßi 1 triáu kWh/nm .3a: Biểu đã chu kỳ 12 tháng cÿa chuçi thái gian sÁn l°ÿng đián th°¢ng phẩm .3b: Biểu đã sai phân bÁc 1 cÿa chuçi thái gian sÁn l°ÿng đián th°¢ng phẩm .4: Một m¿ng LSTM và c¿u trúc bên trong cÿa tÁ bào LSTM.5: C¿u trúc cÿa một tÁ bào LSTM .1: Minh họa phân chia dā liáu chuçi thái gian sÁn l°ÿng đián th°¢ng phẩm trong lăa chọn mô hình và đánh giá các mô hình .2: Mã giÁ thuÁt toán đánh giá mô hình theo chiÁn l°ÿc kiểm tra gái đÁu đ°ÿc áp dāng trong lăa chọn mô hình và đánh giá hiáu su¿t các mô hình .3: Mã giÁ thuÁt toán tìm kiÁm l°ßi khám phá bộ tham sá SARIMA cho một chuçi thái gian đ¢n biÁn .4: Đo¿n mã Python xây dăng mô hình LSTM .5a: Biểu đã giá trị RMSE các mô hình LSTM theo sá neurons, epochs .5b: Biểu đã giá trị RMSE các mô hình LSTM theo sá neurons, epochs .6: Đo¿n mã Python mô hình dă báo Prophet .1: Biểu đã so sánh kÁt quÁ dă báo từng tháng cÿa 3 mô hình SARIMA, Prophet và m¿ng LSTM cÿa 9 đián lăc .1: Mô hình kiÁn trúc tång thể .2: L°ÿc đã ERD c¢ sã dā liáu dă báo .4: Dā liáu m¿u bÁng khách hàng .5: Dā liáu m¿u bÁng dā liáu phā tÁi đián hàng tháng.6: Dā liáu m¿u bÁng tham sá các mô hình.8: Mã nguãn Dashboard phân tích, dă báo .9: KÁt quÁ dă báo 12 tháng phā tÁi đián khách hàng thuộc Đián lăc Thành phá Tây Ninh từ tháng 2/2021 .10: KÁt quÁ dă báo 12 tháng phā tÁi đián khách hàng thuộc Đián lăc Gò DÁu từ tháng 2/2021. Lý do chán đÁ tài Dă báo nhu cÁu phā tÁi đián là ho¿t động tính toán, °ßc l°ÿng và đánh giá xu h°ßng tng tr°ãng, tác độ tng tr°ãng và nhu cÁu cÿa phā tÁi đián đ°ÿc cung c¿p đián từ há tháng đián trong ngÃn h¿n, trung h¿n và dài h¿n [1].

Theo miÃn thái gian t°¢ng lai, dă báo nhu cÁu phā tÁi đián có thể đ°ÿc phân thành các lo¿i dă báo sau [2], [3]: - Dă báo ngÃn h¿n (d°ßi 1 ngày/tuÁn) đóng một vai trò quan trọng trong công tác lÁp ph°¢ng thāc vÁn hành t¿i các công ty đián lăc. - Dă báo trung h¿n (1 ngày/tuÁn đÁn 1 nm) cÁn thiÁt cho viác quy ho¿ch, vÁn hành nguãn, l°ßi cũng nh° đánh giá hiáu quÁ ho¿t động. - Dă báo dài h¿n (trên 1 nm) là một phÁn quan trọng trong quy ho¿ch há tháng đián, quy định biểu giá và phân phái đián nng. Dă báo nhu cÁu phā tÁi đián là một ho¿t động có vai trò quan trọng trong viác quy ho¿ch, vÁn hành há tháng đián.

Công ty Đián lăc Tây Ninh là một đ¢n vị phân phái đián bên c¿nh nhu cÁu dă báo ngÃn h¿n phāc vā lÁp ph°¢ng thāc vÁn hành (điÃu độ há tháng đián) thì nhu cÁu dă báo phā tÁi đián trung h¿n nhằm nhằm nâng cao hiáu quÁ ho¿t động, độ tin cÁy và đÁm bÁo cân đái cung cÁu phā tÁi đián cũng hÁt sāc cÁn thiÁt. Thăc hián chỉ đ¿o cÿa TÁp đoàn Đián lăc Viát Nam và triển khai thăc hián Thông t° 19 [1] cÿa Bộ công th°¢ng, các Công ty Đián lăc phÁi thăc hián dă báo phā tÁi cÿa các nhóm khách hàng, thành phÁn phā tÁi trong ho¿t động điÃu hành, vÁn hành há tháng đián hằng tháng. Tuy nhiên viác triển khai thăc hián gặp nhiÃu khó khn do ch°a có ph°¢ng pháp dă báo phā tÁi phù hÿp vßi nguãn dā liáu hián hāu. Hián nay, chÿ yÁu các Công ty Đián lăc dă báo nhu cÁu phā tÁi dăa theo ph°¢ng pháp chuyên 2 gia hoặc mô hình hàm hãi quy đa biÁn phā thuộc vào các yÁu tá nh° thái tiÁt, nhiát độ, chỉ sá kinh tÁ, & cho nên kÁt quÁ dă báo còn h¿n chÁ.

Nhằm giÁi quyÁt các v¿n đà trên, luÁn vn đà xu¿t ph°¢ng pháp nghiên cāu dă báo chuçi thái gian để dă báo nhu cÁu phā tÁi đián trung h¿n (xu thÁ, tác độ phát triển và nhu cÁu cÿa phā tÁi đián).