Ứng Dụng Mạng Nơ Ron Nhân Tạo Trong Dự Báo Phụ Tải Điện Ngắn Hạn

Chuyên khảo kỹ thuật phân tích Luận văn ứng dụng mạng nơron nhân tạo trong dự báo phụ tải điện ngắn hạn, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Quản Quốc Cường
• Người hướng dẫn: TS. Nguyễn Xuân Tùng
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật Điện
• Đề tài: Ứng Dụng Mạng Nơ Ron Nhân Tạo Trong Dự Báo Phụ Tải Điện Ngắn Hạn
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2014
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI
• 1.1. GIỚI THIỆU CHUNG
• 1.2. CÁC LOẠI DỰ BÁO PHỤ TẢI ĐIỆN
• 1.3. CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN
• 1.3.1. Mô hình áp dụng ngày tương tự (Similar-day approach)
• 1.3.2. Phương pháp hồi quy (Regression methods)
• 1.3.3. Các mô hình chuỗi thời gian ngẫu nhiên (Time series)
• 1.3.4. Mạng nơron (Neural Network)
• 2. CHƯƠNG 2: TỔNG QUAN VỀ MẠNG NƠRON
• 2.1. MÔ HÌNH NƠRON SINH HỌC
• 2.1.1. Phần tử xử lý
• 2.2. MÔ HÌNH CẤU TRÚC MẠNG NƠRON
• 2.2.1. Mạng truyền thẳng một lớp
• 2.2.2. Mạng nơron nhiều lớp
• 2.3. CÁC TÍNH CHẤT CỦA MẠNG NƠRON
• 2.3.1. Học củng cố
• 2.3.2. Học không có giám sát
• 2.4. MẠNG NƠRON MLP
• 2.4.1. Cấu trúc mạng MLP
• 2.4.2. Quá trình học của mạng MLP
• 2.5. VẤN ĐỀ MẠNG HỌC QUÁ KHỚP VÀ MẠNG HỌC KHÔNG ĐỦ
• 3. CHƯƠNG 3: DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN VỚI SỐ LIỆU THU THẬP TỪ ISO-NEW ENGLAND
• 3.1. XÂY DỰNG BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN
• 3.2. DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN DÙNG MẠNG NƠRON MLP (24xNx24)
• 3.3. MÔ HÌNH DỰ BÁO PHỤ TẢI ĐIỆN DÙNG MẠNG NƠRON MLP (6xNx1)
• 3.4. SO SÁNH HAI MÔ HÌNH DỰ BÁO PHỤ TẢI
• 3.5. KẾT LUẬN NỘI DUNG CHƯƠNG 3
• 4. CHƯƠNG 4: ỨNG DỤNG MẠNG NƠRON NHÂN TẠO TRONG DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN CHO THÀNH PHỐ HÀ NỘI
• 4.1. XÂY DỰNG MÔ HÌNH DỰ BÁO ÁP DỤNG CHO THÀNH PHỐ HÀ NỘI
• 4.1.1. Mô hình dự báo phụ tải điện dùng mạng nơron (24xNx24)
• 4.1.2. Mô hình dự báo phụ tải điện dùng mạng nơron (27xNx24)
• 4.1.3. Mô hình dự báo phụ tải điện dùng mạng nơron (31xNx24)
• 4.1.4. Mô hình dự báo phụ tải điện dùng mạng nơron (34xNx24)
• 4.2. KẾT LUẬN NỘI DUNG CHƯƠNG 4
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Dự Báo Phụ Tải Điện Ngắn Hạn Tại Hà Nội

Dự báo phụ tải điện là yếu tố then chốt trong quản lý và vận hành hệ thống điện. Việc dự đoán chính xác nhu cầu tiêu thụ điện giúp đảm bảo cung cấp điện ổn định, giảm thiểu lãng phí và tối ưu hóa chi phí. Tại Hà Nội, nơi có tốc độ đô thị hóa và tăng trưởng kinh tế nhanh chóng, nhu cầu điện năng ngày càng tăng cao, đòi hỏi các phương pháp dự báo phụ tải điện ngắn hạn hiệu quả. Các phương pháp truyền thống như ngoại suy, san bằng hàm mũ, và hồi quy đa biến có những hạn chế nhất định, đặc biệt khi đối mặt với sự biến động phức tạp của phụ tải điện. Do đó, việc ứng dụng các công nghệ mới như mạng nơ-ron nhân tạo trở nên cấp thiết để nâng cao độ chính xác và tin cậy của công tác dự báo.

1.1. Tầm quan trọng của dự báo phụ tải điện chính xác

Dự báo chính xác phụ tải điện giúp ngành điện lực Hà Nội chủ động trong việc điều phối nguồn cung, tránh tình trạng thiếu hụt hoặc dư thừa công suất điện. Điều này không chỉ đảm bảo an ninh năng lượng mà còn góp phần giảm chi phí vận hành và bảo trì hệ thống điện. Theo nghiên cứu, sai lệch trong dự báo có thể dẫn đến những tổn thất kinh tế đáng kể, do đó, việc đầu tư vào các công nghệ dự báo tiên tiến là hoàn toàn оправданным.

1.2. Các yếu tố ảnh hưởng đến phụ tải điện tại Hà Nội

Phụ tải điện tại Hà Nội chịu ảnh hưởng bởi nhiều yếu tố như thời tiết, kinh tế, dân số, mùa vụ, và ngày lễ. Nhiệt độ cao vào mùa hè làm tăng nhu cầu sử dụng điều hòa, dẫn đến tăng đột biến tiêu thụ điện. Các hoạt động sản xuất kinh doanh cũng đóng vai trò quan trọng trong việc xác định biến động phụ tải. Việc phân tích và dự báo chính xác các yếu tố này là rất quan trọng để xây dựng mô hình dự báo phụ tải điện hiệu quả.

II. Thách Thức Dự Báo Phụ Tải Điện Ngắn Hạn Tại Hà Nội

Dự báo phụ tải điện ngắn hạn tại Hà Nội đối mặt với nhiều thách thức do tính chất phức tạp và biến động của phụ tải. Các yếu tố như thời tiết cực đoan, sự kiện đặc biệt, và thay đổi trong thói quen tiêu thụ điện của người dân có thể gây ra những sai lệch đáng kể trong dự báo. Bên cạnh đó, việc thu thập và xử lý dữ liệu lịch sử cũng là một khó khăn, đặc biệt là khi dữ liệu không đầy đủ hoặc không chính xác. Để vượt qua những thách thức này, cần có sự kết hợp giữa các phương pháp dự báo truyền thống và các công nghệ mới như mạng nơ-ron nhân tạo, đồng thời liên tục cập nhật và điều chỉnh mô hình dự báo để phù hợp với tình hình thực tế.

2.1. Sự phức tạp của hệ thống điện và biến động phụ tải

Hệ thống điện hiện đại ngày càng trở nên phức tạp với sự tham gia của nhiều nguồn năng lượng khác nhau, bao gồm cả năng lượng tái tạo. Điều này làm tăng tính biến động của phụ tải điện và gây khó khăn cho công tác dự báo. Các mô hình dự báo cần phải có khả năng xử lý dữ liệu đa dạng và phức tạp, đồng thời thích ứng với những thay đổi nhanh chóng trong hệ thống điện.

2.2. Khó khăn trong thu thập và xử lý dữ liệu lịch sử

Việc thu thập và xử lý dữ liệu lịch sử là một yếu tố quan trọng để xây dựng mô hình dự báo phụ tải điện chính xác. Tuy nhiên, dữ liệu có thể bị thiếu sót, sai lệch, hoặc không đồng nhất, gây ảnh hưởng đến chất lượng của mô hình. Cần có các phương pháp hiệu quả để làm sạch, chuẩn hóa, và tích hợp dữ liệu từ nhiều nguồn khác nhau, đảm bảo tính tin cậy của dữ liệu đầu vào.

2.3. Ảnh hưởng của yếu tố thời tiết cực đoan và sự kiện đặc biệt

Thời tiết cực đoan như nắng nóng kéo dài hoặc mưa lớn có thể gây ra những biến động đột ngột trong phụ tải điện. Các sự kiện đặc biệt như ngày lễ, hội nghị, hoặc các hoạt động thể thao lớn cũng có thể làm thay đổi thói quen tiêu thụ điện của người dân. Các mô hình dự báo cần phải có khả năng dự đoán và xử lý những tình huống bất thường này để đảm bảo độ chính xác.

III. Ứng Dụng Mạng Nơ Ron Nhân Tạo Dự Báo Phụ Tải Điện

Mạng nơ-ron nhân tạo (ANN) là một công cụ mạnh mẽ trong dự báo phụ tải điện ngắn hạn nhờ khả năng học hỏi từ dữ liệu lịch sử và mô hình hóa các mối quan hệ phi tuyến phức tạp. Các mô hình ANN có thể được huấn luyện để dự đoán phụ tải điện dựa trên các yếu tố như thời tiết, ngày trong tuần, và dữ liệu phụ tải trước đó. Việc sử dụng ANN giúp nâng cao độ chính xác của dự báo và giảm thiểu sai số so với các phương pháp truyền thống. Các kiến trúc mạng nơ-ron phổ biến được sử dụng trong dự báo phụ tải điện bao gồm mạng truyền thẳng (MLP), mạng hồi quy (RNN), và mạng tích chập (CNN).

3.1. Ưu điểm của mạng nơ ron nhân tạo trong dự báo điện

Mạng nơ-ron nhân tạo có khả năng học hỏi từ dữ liệu và thích ứng với những thay đổi trong hệ thống điện. Chúng có thể mô hình hóa các mối quan hệ phi tuyến phức tạp giữa phụ tải điện và các yếu tố ảnh hưởng, đồng thời xử lý dữ liệu nhiễu và thiếu sót. ANN cũng có thể được huấn luyện lại khi có dữ liệu mới, giúp cải thiện độ chính xác của dự báo theo thời gian.

3.2. Các kiến trúc mạng nơ ron phổ biến MLP RNN CNN

Mạng truyền thẳng (MLP) là một kiến trúc đơn giản và hiệu quả, thường được sử dụng trong dự báo phụ tải điện. Mạng hồi quy (RNN) có khả năng xử lý dữ liệu chuỗi thời gian, phù hợp với việc dự đoán phụ tải điện dựa trên dữ liệu lịch sử. Mạng tích chập (CNN) có thể trích xuất các đặc trưng quan trọng từ dữ liệu, giúp cải thiện độ chính xác của dự báo.

3.3. Quy trình xây dựng và huấn luyện mô hình mạng nơ ron

Quy trình xây dựng và huấn luyện mô hình mạng nơ-ron bao gồm các bước: thu thập và chuẩn bị dữ liệu, lựa chọn kiến trúc mạng, thiết lập các tham số huấn luyện, và đánh giá hiệu quả của mô hình. Việc lựa chọn dữ liệu phù hợp và tối ưu hóa các tham số huấn luyện là rất quan trọng để đạt được kết quả dự báo tốt nhất. Các chỉ số đánh giá hiệu quả thường được sử dụng bao gồm MAE, RMSE, và MAPE.

IV. Mô Hình Dự Báo Phụ Tải Điện Ngắn Hạn Cho Hà Nội

Việc xây dựng mô hình dự báo phụ tải điện ngắn hạn cho Hà Nội đòi hỏi sự kết hợp giữa dữ liệu lịch sử, các yếu tố ảnh hưởng, và kiến trúc mạng nơ-ron phù hợp. Mô hình cần phải có khả năng xử lý dữ liệu thời tiết, kinh tế, và dân số, đồng thời thích ứng với những thay đổi trong thói quen tiêu thụ điện của người dân. Việc sử dụng dữ liệu từ các năm trước, kết hợp với dữ liệu thời gian thực, có thể giúp cải thiện độ chính xác của dự báo. Các mô hình ANN được huấn luyện trên dữ liệu này có thể dự đoán phụ tải điện theo giờ, theo ngày, hoặc theo tuần.

4.1. Lựa chọn dữ liệu đầu vào cho mô hình dự báo

Dữ liệu đầu vào cho mô hình dự báo phụ tải điện cần bao gồm dữ liệu lịch sử về phụ tải điện, thời tiết (nhiệt độ, độ ẩm, tốc độ gió), kinh tế (GDP, chỉ số sản xuất), và dân số. Việc lựa chọn dữ liệu phù hợp và đảm bảo tính chính xác của dữ liệu là rất quan trọng để xây dựng mô hình dự báo hiệu quả.

4.2. Xây dựng kiến trúc mạng nơ ron phù hợp với Hà Nội

Kiến trúc mạng nơ-ron cần được thiết kế phù hợp với đặc điểm của phụ tải điện tại Hà Nội. Các kiến trúc như MLP, RNN, hoặc CNN có thể được sử dụng, tùy thuộc vào yêu cầu về độ chính xác và khả năng xử lý dữ liệu. Việc thử nghiệm và so sánh các kiến trúc khác nhau có thể giúp tìm ra kiến trúc tối ưu.

4.3. Đánh giá và tối ưu hóa mô hình dự báo

Sau khi xây dựng mô hình dự báo, cần phải đánh giá hiệu quả của mô hình bằng cách so sánh kết quả dự báo với dữ liệu thực tế. Các chỉ số đánh giá như MAE, RMSE, và MAPE có thể được sử dụng để đo lường độ chính xác của dự báo. Nếu mô hình chưa đạt yêu cầu, cần phải điều chỉnh các tham số huấn luyện hoặc thay đổi kiến trúc mạng để tối ưu hóa hiệu quả.

V. Kết Quả Nghiên Cứu và Ứng Dụng Thực Tế Tại Hà Nội

Nghiên cứu ứng dụng mạng nơ-ron nhân tạo trong dự báo phụ tải điện ngắn hạn tại Hà Nội đã cho thấy những kết quả khả quan. Các mô hình ANN có thể dự đoán phụ tải điện với độ chính xác cao hơn so với các phương pháp truyền thống. Việc ứng dụng các mô hình này vào thực tế giúp ngành điện lực Hà Nội chủ động trong việc điều phối nguồn cung, giảm thiểu lãng phí, và tối ưu hóa chi phí. Các kết quả nghiên cứu cũng cung cấp cơ sở khoa học cho việc phát triển các giải pháp quản lý năng lượng thông minh và bền vững.

5.1. So sánh độ chính xác giữa mô hình ANN và phương pháp khác

Các nghiên cứu đã chỉ ra rằng mô hình ANN có độ chính xác cao hơn so với các phương pháp truyền thống như hồi quy tuyến tính hoặc chuỗi thời gian. Sai số dự báo của mô hình ANN thường thấp hơn đáng kể, đặc biệt trong các tình huống phụ tải điện biến động mạnh.

5.2. Ứng dụng mô hình dự báo trong điều hành hệ thống điện

Mô hình dự báo phụ tải điện có thể được sử dụng để hỗ trợ các quyết định điều hành hệ thống điện, chẳng hạn như lựa chọn nguồn cung, điều chỉnh công suất, và lập kế hoạch bảo trì. Việc dự đoán chính xác phụ tải điện giúp đảm bảo cung cấp điện ổn định và tin cậy cho người dân và doanh nghiệp.

5.3. Đánh giá hiệu quả kinh tế và lợi ích mang lại

Việc ứng dụng mô hình dự báo phụ tải điện mang lại nhiều lợi ích kinh tế, bao gồm giảm chi phí vận hành, tối ưu hóa sử dụng năng lượng, và giảm thiểu rủi ro mất điện. Các lợi ích này có thể được định lượng bằng cách so sánh chi phí và hiệu quả trước và sau khi áp dụng mô hình.

VI. Triển Vọng và Hướng Nghiên Cứu Tiếp Theo Về Dự Báo Điện

Trong tương lai, việc nghiên cứu và phát triển các mô hình dự báo phụ tải điện sẽ tiếp tục được đẩy mạnh, đặc biệt là trong bối cảnh lưới điện thông minh và năng lượng tái tạo ngày càng phát triển. Các hướng nghiên cứu tiềm năng bao gồm tích hợp dữ liệu từ nhiều nguồn khác nhau, sử dụng các thuật toán học sâu tiên tiến, và phát triển các mô hình dự báo thích ứng với biến đổi khí hậu. Việc hợp tác giữa các nhà khoa học, kỹ sư, và các nhà quản lý năng lượng là rất quan trọng để đạt được những tiến bộ trong lĩnh vực này.

6.1. Tích hợp dữ liệu lớn và IoT trong dự báo phụ tải

Việc tích hợp dữ liệu lớn từ các nguồn khác nhau, bao gồm IoT, có thể cung cấp thông tin chi tiết về thói quen tiêu thụ điện của người dân và doanh nghiệp. Các mô hình dự báo có thể sử dụng dữ liệu này để cải thiện độ chính xác và dự đoán các xu hướng mới.

6.2. Ứng dụng các thuật toán học sâu tiên tiến Deep Learning

Các thuật toán học sâu như mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy dài-ngắn hạn (LSTM) có khả năng xử lý dữ liệu phức tạp và trích xuất các đặc trưng quan trọng. Việc ứng dụng các thuật toán này có thể giúp cải thiện đáng kể độ chính xác của dự báo.

6.3. Phát triển mô hình dự báo thích ứng với biến đổi khí hậu

Biến đổi khí hậu có thể gây ra những thay đổi lớn trong phụ tải điện, chẳng hạn như tăng nhu cầu sử dụng điều hòa vào mùa hè và giảm nhu cầu sưởi ấm vào mùa đông. Các mô hình dự báo cần phải có khả năng thích ứng với những thay đổi này để đảm bảo độ chính xác trong dài hạn.

Nội dung chính

Tổng quan nghiên cứu

Dự báo phụ tải điện ngắn hạn là một lĩnh vực quan trọng trong ngành kỹ thuật điện, đặc biệt trong bối cảnh phát triển kinh tế và công nghiệp hóa hiện nay, khi nhu cầu sử dụng điện ngày càng tăng cao. Theo ước tính, sai số cho phép trong dự báo phụ tải ngắn hạn thường dưới 5%, nhằm đảm bảo độ tin cậy trong vận hành và điều độ hệ thống điện. Luận văn tập trung nghiên cứu ứng dụng mạng nơron nhân tạo (Artificial Neural Networks - ANN) trong dự báo phụ tải điện ngắn hạn, với mục tiêu xây dựng mô hình dự báo có sai số thấp, phù hợp với đặc thù phụ tải của thành phố Hà Nội.

Phạm vi nghiên cứu bao gồm phân tích dữ liệu phụ tải và các yếu tố ảnh hưởng như thời tiết, ngày trong tuần, ngày lễ tết, và kế hoạch cắt điện sửa chữa lớn. Dữ liệu được thu thập từ hệ thống điện Hà Nội và bộ số liệu quốc tế ISO-New England trong giai đoạn 2010-2014. Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao độ chính xác dự báo, giúp tối ưu hóa công tác điều độ, giảm thiểu lãng phí nguồn lực và tăng hiệu quả vận hành hệ thống điện.

Nghiên cứu không chỉ đề xuất các mô hình mạng nơron MLP (Multi-Layer Perceptron) với cấu trúc khác nhau mà còn so sánh hiệu quả giữa các mô hình, từ đó lựa chọn mô hình tối ưu nhất để áp dụng thực tiễn. Kết quả dự báo có sai số trung bình MAPE khoảng 2.2%, nằm trong giới hạn cho phép, góp phần nâng cao chất lượng dự báo phụ tải điện ngắn hạn tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính:

1. Lý thuyết dự báo phụ tải điện: Phân loại dự báo theo thời gian gồm dự báo ngắn hạn (1 giờ đến 1 tuần), trung hạn (1 tháng đến 1 năm) và dài hạn (trên 1 năm). Dự báo phụ tải ngắn hạn phục vụ cho công tác điều độ hệ thống điện, yêu cầu sai số dưới 5%. Các yếu tố ảnh hưởng đến phụ tải bao gồm ngày trong tuần, ngày lễ tết, thời tiết (nhiệt độ, độ ẩm, tốc độ gió), và các sự kiện cắt điện sửa chữa lớn.

2. Mạng nơron nhân tạo (ANN): Mạng MLP là mô hình mạng truyền thẳng nhiều lớp, gồm lớp đầu vào, lớp ẩn và lớp đầu ra. Mạng có khả năng học và tổng quát hóa các hàm phi tuyến phức tạp, phù hợp với bài toán dự báo phụ tải có tính phi tuyến cao. Thuật toán học Levenberg-Marquardt được sử dụng để tối ưu trọng số mạng, giúp tăng tốc độ hội tụ và giảm sai số dự báo. Các khái niệm chính bao gồm: phần tử xử lý nơron, hàm kích hoạt (sigmoid, tansig, tuyến tính), luật học có giám sát, học củng cố và học không giám sát.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Sử dụng dữ liệu phụ tải và thời tiết thu thập từ ISO-New England giai đoạn 2010-2014, trong đó 4 năm đầu dùng để huấn luyện mạng, năm 2014 dùng để kiểm tra và đánh giá mô hình. Đồng thời, dữ liệu thực tế của thành phố Hà Nội được sử dụng để xây dựng và kiểm nghiệm mô hình dự báo phù hợp với đặc thù địa phương.

• Phương pháp phân tích: Xây dựng các mô hình mạng nơron MLP với cấu trúc khác nhau như (24x20x24) và (6x20x1), trong đó số lượng nơron lớp ẩn được điều chỉnh dựa trên kết quả sai số huấn luyện. Sai số dự báo được đánh giá bằng các chỉ số MSE, SSE, APE và MAPE.

• Timeline nghiên cứu: Quá trình nghiên cứu gồm các bước: lựa chọn biến đầu vào, thu thập và kiểm tra dữ liệu, phân chia tập huấn luyện và kiểm tra (tỷ lệ 70%-30%), xác định cấu trúc mạng, huấn luyện mạng với thuật toán Levenberg-Marquardt, đánh giá mô hình và áp dụng thực tế cho thành phố Hà Nội.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình MLP (6x20x1) vượt trội: Mô hình này đạt sai số trung bình MAPE khoảng 2.213% trong dự báo phụ tải ngắn hạn trên bộ dữ liệu ISO-New England năm 2014, thấp hơn so với mô hình (24x20x24) với MAPE khoảng 3%. Điều này cho thấy mô hình với số lượng đầu vào hợp lý và cấu trúc đơn giản hơn có khả năng tổng quát hóa tốt hơn.

2. Ảnh hưởng của các yếu tố thời tiết và đặc điểm ngày: Phân tích dữ liệu phụ tải Hà Nội cho thấy nhiệt độ là yếu tố ảnh hưởng lớn nhất đến phụ tải, với phụ tải tăng khi nhiệt độ tăng do nhu cầu làm mát và ngược lại khi nhiệt độ giảm do nhu cầu sưởi ấm. Ngoài ra, ngày trong tuần và các ngày lễ tết cũng ảnh hưởng rõ rệt đến biểu đồ phụ tải, với phụ tải giảm đáng kể trong các ngày lễ.

3. Tác động của kế hoạch cắt điện sửa chữa lớn: Các ngày có cắt điện diện rộng làm giảm phụ tải đáng kể, đòi hỏi mô hình dự báo phải tính toán khấu trừ phụ tải giảm này để đảm bảo độ chính xác.

4. Khả năng học và tổng quát hóa của mạng nơron: Mạng MLP với một lớp ẩn gồm 20 nơron được chứng minh là phù hợp với bài toán dự báo phụ tải ngắn hạn, tránh hiện tượng học quá khớp và học không đủ. Việc huấn luyện mạng với thuật toán Levenberg-Marquardt giúp giảm sai số nhanh và ổn định.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy mạng nơron nhân tạo là công cụ hiệu quả trong dự báo phụ tải điện ngắn hạn, đặc biệt khi mô hình được thiết kế phù hợp với đặc điểm dữ liệu đầu vào và các yếu tố ảnh hưởng đặc thù của khu vực nghiên cứu. So với các phương pháp truyền thống như hồi quy tuyến tính hay chuỗi thời gian, mạng nơron có khả năng mô hình hóa các quan hệ phi tuyến phức tạp giữa phụ tải và các biến đầu vào như thời tiết, ngày trong tuần.

Việc lựa chọn cấu trúc mạng và số lượng nơron lớp ẩn đóng vai trò quyết định đến hiệu quả dự báo. Mô hình (6x20x1) với 6 biến đầu vào đã thể hiện sai số thấp hơn so với mô hình (24x20x24) có số lượng đầu vào lớn hơn, cho thấy việc chọn lọc biến đầu vào phù hợp giúp giảm độ phức tạp và tăng khả năng tổng quát hóa của mạng.

Dữ liệu thực tế từ thành phố Hà Nội cũng khẳng định các yếu tố thời tiết và đặc điểm ngày có ảnh hưởng lớn đến phụ tải, do đó mô hình dự báo cần tích hợp các biến này để nâng cao độ chính xác. Các biểu đồ phụ tải đặc trưng cho thấy sự khác biệt rõ rệt giữa các ngày trong tuần và ngày lễ, điều này cần được mô hình hóa chính xác để tránh sai số lớn trong dự báo.

Các biểu đồ so sánh sai số dự báo giữa các mô hình và đồ thị phụ tải thực tế minh họa rõ ràng hiệu quả của mô hình mạng nơron, đồng thời giúp nhận diện các thời điểm dự báo chưa chính xác để tiếp tục cải tiến mô hình.

Đề xuất và khuyến nghị

1. Tăng cường thu thập và cập nhật dữ liệu thời tiết và phụ tải theo thời gian thực: Động từ hành động "thu thập" và "cập nhật" nhằm nâng cao chất lượng dữ liệu đầu vào, giúp mô hình dự báo phản ánh chính xác hơn các biến động phụ tải. Chủ thể thực hiện là các đơn vị quản lý hệ thống điện, với timeline triển khai liên tục hàng ngày.

2. Phát triển mô hình mạng nơron đa biến tích hợp thêm các yếu tố ảnh hưởng như độ ẩm, tốc độ gió, số giờ sáng: Mục tiêu giảm sai số dự báo MAPE xuống dưới 2%, thực hiện trong vòng 12 tháng bởi nhóm nghiên cứu và kỹ sư dữ liệu.

3. Xây dựng hệ thống dự báo tự động ứng dụng mạng nơron nhân tạo cho công tác điều độ hệ thống điện tại Hà Nội: Động từ hành động "xây dựng" và "ứng dụng" nhằm tự động hóa quy trình dự báo, tăng hiệu quả vận hành. Chủ thể là Trung tâm điều độ hệ thống điện, triển khai trong 6-9 tháng.

4. Tổ chức đào tạo và nâng cao năng lực cho cán bộ kỹ thuật về mạng nơron và các công nghệ dự báo hiện đại: Động từ "đào tạo" nhằm nâng cao trình độ chuyên môn, giúp vận hành và bảo trì hệ thống dự báo hiệu quả. Chủ thể là các viện đào tạo, công ty điện lực, thực hiện định kỳ hàng năm.

Đối tượng nên tham khảo luận văn

1. Các kỹ sư và chuyên viên điều độ hệ thống điện: Nghiên cứu giúp nâng cao kỹ năng dự báo phụ tải, từ đó tối ưu hóa công tác vận hành và điều độ hệ thống điện, giảm thiểu rủi ro thiếu hụt hoặc dư thừa công suất.

2. Nhà quản lý và hoạch định chính sách ngành điện: Hiểu rõ các phương pháp dự báo hiện đại, từ đó xây dựng các kế hoạch phát triển lưới điện và nguồn điện phù hợp với nhu cầu thực tế, giảm thiểu lãng phí đầu tư.

3. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện, công nghệ thông tin: Tham khảo để phát triển các mô hình mạng nơron ứng dụng trong dự báo và các lĩnh vực liên quan, đồng thời mở rộng nghiên cứu về trí tuệ nhân tạo trong kỹ thuật điện.

4. Các công ty cung cấp giải pháp công nghệ cho ngành điện: Áp dụng các mô hình mạng nơron nhân tạo vào sản phẩm phần mềm dự báo phụ tải, nâng cao tính cạnh tranh và hiệu quả sản phẩm trên thị trường.

Câu hỏi thường gặp

1. Mạng nơron nhân tạo có ưu điểm gì so với các phương pháp dự báo truyền thống?
   Mạng nơron có khả năng mô hình hóa các quan hệ phi tuyến phức tạp giữa phụ tải và các yếu tố ảnh hưởng như thời tiết, ngày trong tuần. Ví dụ, mô hình MLP trong nghiên cứu đạt sai số MAPE chỉ khoảng 2.2%, thấp hơn nhiều so với các phương pháp hồi quy tuyến tính truyền thống.

2. Làm thế nào để chọn cấu trúc mạng nơron phù hợp cho bài toán dự báo phụ tải?
   Cấu trúc mạng phụ thuộc vào số lượng biến đầu vào, số nơron lớp ẩn và lớp đầu ra. Thông thường, một lớp ẩn với số nơron bằng khoảng 2 lần số đầu vào là phù hợp. Việc thử nghiệm và đánh giá sai số trên tập kiểm tra giúp xác định cấu trúc tối ưu.

3. Tại sao cần phân chia dữ liệu thành tập huấn luyện và tập kiểm tra?
   Phân chia dữ liệu giúp đánh giá khả năng tổng quát hóa của mô hình, tránh hiện tượng học quá khớp. Ví dụ, trong nghiên cứu, 70% dữ liệu dùng để huấn luyện, 30% còn lại dùng để kiểm tra, đảm bảo mô hình hoạt động tốt trên dữ liệu chưa từng thấy.

4. Các yếu tố thời tiết nào ảnh hưởng nhiều nhất đến phụ tải điện?
   Nhiệt độ là yếu tố ảnh hưởng lớn nhất, với phụ tải tăng khi nhiệt độ tăng do nhu cầu làm mát và tăng khi nhiệt độ giảm do nhu cầu sưởi ấm. Ngoài ra, độ ẩm và tốc độ gió cũng có ảnh hưởng nhưng mức độ thấp hơn.

5. Mạng nơron có thể áp dụng cho dự báo phụ tải dài hạn không?
   Mạng nơron chủ yếu được sử dụng hiệu quả cho dự báo ngắn hạn và trung hạn do khả năng xử lý dữ liệu thời gian thực và phi tuyến. Dự báo dài hạn thường cần kết hợp thêm các mô hình kinh tế và xã hội để dự báo chính xác hơn.

Kết luận

• Mạng nơron nhân tạo, đặc biệt là mạng MLP với cấu trúc hợp lý, là công cụ hiệu quả trong dự báo phụ tải điện ngắn hạn, đạt sai số MAPE khoảng 2.2%.
• Các yếu tố thời tiết, ngày trong tuần và các ngày lễ tết có ảnh hưởng lớn đến phụ tải, cần được tích hợp đầy đủ trong mô hình dự báo.
• Thuật toán Levenberg-Marquardt giúp tăng tốc độ học và giảm sai số dự báo, phù hợp với bài toán mạng nơron trong lĩnh vực điện.
• Mô hình dự báo được xây dựng và kiểm nghiệm trên dữ liệu thực tế của Hà Nội và ISO-New England, có thể áp dụng rộng rãi cho các hệ thống điện tương tự.
• Hướng nghiên cứu tiếp theo là mở rộng mô hình đa biến, tích hợp thêm các yếu tố ảnh hưởng và phát triển hệ thống dự báo tự động phục vụ công tác điều độ.

Call-to-action: Các nhà nghiên cứu và kỹ sư ngành điện nên áp dụng và phát triển các mô hình mạng nơron nhân tạo trong dự báo phụ tải để nâng cao hiệu quả vận hành hệ thống điện, đồng thời tiếp tục cập nhật dữ liệu và cải tiến thuật toán nhằm đạt độ chính xác cao hơn trong tương lai.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI 1.1 GIỚI THIỆU CHUNG Dự báo phụ tải điện năng là một vấn đề quan trọng trong hệ thống điện hiện nay. Mục đích của dự báo điện năng trong tương lai dựa vào các quan sát trong quá khứ, phục vụ cho công tác quy hoạch nguồn lưới trong hệ thống điện, phục vụ cho công tác điều độ hệ thống (Có kế hoạch chuẩn bị sẵn sàng đáp ứng phụ tải). Dự báo là một khoa học còn non trẻ, trong đó có nhiều vấn đề chưa hình thành trọn vẹn. Đối tượng nghiên cứu của khoa học này là các phương pháp dự báo và phạm vi ứng dụng là các hiện tượng xã hội, kinh tế, kỹ thuật, … Dự báo là một khoa học quan trọng, nhằm mục đích nghiên cứu những phương pháp luận khoa học, làm cơ sở cho việc đề xuất các dự báo cụ thể cũng như việc đánh giá mức độ tin cậy, mức độ chính xác của các phương pháp dự báo – nếu dự báo sai lệch quá nhiều về khả năng cung cấp và nhu cầu năng lượng sẽ dẫn đến hậu quả không tốt trong ngành kinh tế.

Nếu dự báo quá thừa về nguồn sẽ phải huy động nguồn quá lớn làm tăng vốn đầu tư dẫn đến lãng phí vốn đầu tư và không khai thác hết công suất thiết bị, ngược lại nếu dự báo thiếu công suất nguồn sẽ dẫn đến cung cấp điện không đủ cho nhu cầu của phụ tải, giảm độ tin cậy cung cấp điện gây thiệt hại cho nền kinh tế quốc dân [1].2 CÁC LOẠI DỰ BÁO PHỤ TẢI ĐIỆN Trong hệ thống điện có hai loại dự báo phụ tải điện [2] dùng để quy hoạch hệ thống điện và vận hành hệ thống. Sự khác biệt được dựa trên thời gian dự báo. - Trong quy hoạch hệ thống điện, dự báo phụ tải là cho một khoảng thời gian vài tháng đến một năm. Đây là loại dự báo là chủ yếu để xác định lưới điện, thiết bị điện sẽ được lắp hoặc các hợp đồng trong thị trường điện.

Thời gian dự báo dài có thể là từ 1 ÷ 10 năm, xây dựng các nhà máy, xí nghiệp, các đường dây truyền tải và phân phối điện năng. - Trong vận hành hệ thống điện, dự báo phụ tải là chủ yếu cho một khoảng thời gian một giờ đến một tuần. Có hai loại chính của dự báo phụ tải hệ thống điện `5 hoạt động: dự báo tải rất ngắn hạn và ngắn hạn. Dự báo tải rất ngắn hạn là phút trước và để phục vụ cho công tác điều độ hệ thống.

Dự báo tải ngắn hạn là từ một giờ đến một tuần. Kết quả dự báo phụ tải ngắn hạn chủ yếu được sử dụng cho mục đích điều độ và vận hành hệ thống điện. Như vậy, dự báo phụ tải điện chia thành 3 nhóm dự báo phụ tải sau: - Dự báo ngắn hạn (STLF) Dự báo phụ tải điện ngắn hạn thường dự báo cho một giờ đến một tuần. Sai số cho phép của công tác dự báo trong khoảng yêu cầu < 5%.

Loại dự báo này phục vụ cho công tác điều độ và vận hành hệ thống điện trong khoảng thời gian ngắn. - Dự báo trung hạn (MTLF) Dự báo phụ tải điện trung hạn thường dự báo phụ tải một tháng cho đến một năm. Loại dự báo này thường dùng để xác định lưới điện, thiết bị điện sẽ được lắp hoặc các hợp đồng trong thị trường điện. Sai số cho phép trong khoảng (5- 10) %.

- Dự báo dài hạn (LTLF) Dự báo phụ tải điện dài hạn thường dự báo phụ tải nhiều hơn một năm. Khoảng thời gian này cần xây dựng các nhà máy, xí nghiệp, các đường dây truyền tải và phân phối điện năng. Sai số cho phép trong khoảng (5-15) %.3 CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN Bài toán dự báo phụ tải ngắn hạn được đánh giá là phức tạp so với các bài toán khác. Kết quả dự báo ngắn hạn chính xác sẽ hỗ trợ các công tác vận hành và khai thác hệ thống điện ở khu vực được hiệu quả, thuận lợi.

Kết quả dự báo này cũng có thể nhanh chóng và dễ dàng kiểm chứng do không cần phải chờ đợi dài ngày. Bài toán dự báo phụ tải ngày là một trong những nhiệm vụ quan trọng của công tác điều độ và có nhu cầu thực tiễn rất cao. Đã có rất nhiều mô hình giải pháp được đề xuất và ứng dụng, tuy nhiên cho tới thời điểm này vẫn chưa có một mô hình nào được coi là chuẩn và áp dụng hiệu quả cho mọi đối tượng. Một trong những nguyên nhân chính của vấn đề này là do ở mỗi vùng, mỗi khu vực phụ tải ngày phụ `6 thuộc khác nhau vào các số liệu trong quá khứ.

Sự khác nhau này đòi hỏi phải điều chỉnh lại các thông số của một mô hình đã được lựa chọn nào đó hoặc đến mức độ phải xây dựng một mô hình hoàn toàn mới.1 Mô hình áp dụng ngày tương tự (Similar-day approach) Phương pháp này dựa trên cơ sở dữ liệu ngày [3] trước đó trong vòng một, hai, hoặc ba năm với các đặc tính tương tự như ngày dự báo. Đặc điểm tương tự bao gồm thời tiết, ngày trong tuần, và ngày tháng. Phụ tải của một ngày tương tự được xem đó là phụ tải của ngày dự báo. Thay vì một tải duy nhất ngày tương tự, dự báo có thể sử dụng phương pháp hồi quy tuyến tính lấy số liệu nhiều ngày tương tự ngày dự báo.

Phụ tải đuợc sử dụng cho các ngày tương tự lấy từ các năm trước.2 Phương pháp hồi quy (Regression methods) Hồi quy theo [3], là một trong những phương pháp được sử dụng rộng rãi trong bài toán kỹ thuật. Đối với bài toán dự báo phụ tải điện, phương pháp hồi quy thường được sử dụng để mô hình mối quan hệ phụ tải và các yếu tố khác như thời tiết, loại ngày. Mô hình hồi quy tuyến tính là mô hình kinh điển, đơn giản và khá hiệu quả trong thống kê và dự báo, do đó có rất nhiều dự báo dựa trên phương pháp này. [4] trình bày một số mô hình hồi quy cho dự báo đỉnh ngày hôm sau.

Mô hình của họ kết hợp ảnh hưởng xác định như ngày lễ, ảnh hưởng ngẫu nhiên như phụ tải trung bình, và ảnh hưởng khác như thời tiết.3 Các mô hình chuỗi thời gian ngẫu nhiên (Time series) Phương pháp chuỗi thời gian [3] dựa trên giả định rằng các dữ liệu có cấu trúc nội bộ, chẳng hạn như tương tự, xu hướng, hoặc biến đổi theo mùa. Chuỗi thời gian đã được sử dụng trong nhiều thập niên trong các lĩnh vực như kinh tế, xử lý tín hiệu kỹ thuật số, cũng như dự báo phụ tải điện. Nguyên tắc cơ bản của phương pháp này là đầu tiên chuỗi phụ tải theo thời gian được chuyển thành chuỗi thời gian dừng (tức chuỗi thời gian không biến đổi), sau đó chuỗi dừng còn lại sẽ được lọc nhiễu trắng. Các mô hình chuỗi thời gian có ưu điểm.

Trước hết, lý thuyết mô hình chuỗi thời gian có cơ sở toán học chặt chẽ và rõ ràng nên dễ thực hiện dự báo trên cơ sở lý `7 thuyết này. Các thông số của mô hình cũng được tính toán một cách dễ dàng. Thủ tục đánh giá thông số mô hình cũng không khó. Xét hai mô hình ARMAX và ARIMAX, trong mô hình ARMAX, sử dụng các sai số của các buớc dự báo trước để thực hiện các bước dự báo tiếp theo.

K K Pest (d ) P0 a i ,dPest (d  i ,d e(d i ) (d) i)  i 1 j 1 Với e(d i ) P (d i )  ) là sai số dự báo tại thời điểm d-I, P(d-i) là công Pest (d i suất tiêu thụ thực tế. Khi có thêm thông số thời tiết ta sẽ có mô hình ARMAX như sau: K K K Pest (d )  P0 a i,dP est (d  i ,d e(d i )  i)    i , d X(d i )  (d) i1 j 1 i  1 Nếu mô hình dự báo đang xây dựng là mô hình biến thiên theo thời gian (độ lệch chuẩn của mô hình biến thiên theo thời gian) mô hình ARMAX sẽ được thực hiện cho chuỗi đã loại trừ yếu tố xu thế (trend). Khi đó mô hình mang tên ARIMAX.4 Mạng nơron (Neural Network) Việc sử dụng mạng nơron (Neural network-NN) [3], [5] được sử dụng trong bài toán dự báo phụ tải từ những năm 1990. Mạng nơron cơ dùng ước lượng các hàm phi tuyến phù hợp với đường cong phụ tải.

Thông dụng nhất là các giải pháp dự báo ngắn hạn như dự báo trước 1 giờ, dự báo trước 12 giờ hoặc 24 giờ. Trong bài toán dự báo ta quan tâm giải quyết hai vấn đề lớn là: - Phát hiện các mối liên hệ giữa các đại lượng để cải thiện chất lượng của mô hình ước lượng. - Tối ưu hóa mô hình (mạng nơron) để đạt chất lượng cao không chỉ trong quá trình học mà cả trong quá trình kiểm tra. Hai vấn đề này có liên quan chặt chẽ với nhau do mỗi bộ số liệu học khác nhau lại có thể làm thay đổi cấu trúc của mô hình xấp xỉ.

Đồng thời bộ số liệu đặc trưng cũng tạo điều kiện để hạn chế lại không gian tìm kiếm mô hình. `8 Mô hình [6] có nhiều ứng dụng nhất là mạng MLP với một hoặc hai lớp ẩn. Số lớp ẩn và số nơron trên từng lớp cũng như các hàm truyền đạt của các nơron trong mỗi mô hình đều khác nhau do được xây dựng cho các đối tượng khác nhau hoặc thậm chí cho cùng một đối tượng nhưng các bộ số liệu và thời điểm lấy số liệu khác nhau. Các mạng nơron hồi quy cũng ít được sử dụng hơn các giải pháp khác do các thuật toán học phức tạp hơn mạng truyền thẳng, xác suất tìm được cực trị tốt thấp hơn.

Mặc dù vậy, mạng hồi quy với các kênh tín hiệu phản hồi của mình cũng rất phù hợp với các bài toán mô hình hóa đối tượng có phụ thuộc thời gian trễ. Trong số các mạng được sử dụng, các mạng được dùng nhiều hơn cả là mạng Elman và mạng RTRN với thuật toán học của Williams – Zipser. Một lớp mạng khác cũng được sử dụng trong các bài toán dự báo phụ tải là các mạng tự tổ chức, hoạt động theo nguyên tắc tự sắp xếp các véc-tơ đầu vào để phát hiện các vùng số liệu tập trung. Hiểu theo nghĩa khoảng cách giữa các véc-tơ đa thành phần thì các véc-tơ có giá trị tương đối giống nhau sẽ được nhóm vào thành một nhóm.