Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của thị trường điện tại Việt Nam, đặc biệt là khu vực miền Nam, việc dự báo sản lượng điện năng ngắn hạn trở thành một nhiệm vụ thiết yếu nhằm tối ưu hóa quản lý phụ tải, giảm thiểu chi phí và đảm bảo an toàn vận hành hệ thống điện. Từ năm 2016 đến 2021, sản lượng điện thương phẩm tại miền Nam đã tăng trưởng 32,12%, đạt 76.434 triệu kWh vào năm 2021, trong khi quy mô công suất phát của hệ thống điện Việt Nam tăng 81,16%, đạt 42.620 MW. Tổng Công ty Điện lực miền Nam (EVNSPC) quản lý lưới điện phân phối tại 21 tỉnh, thành phố với hơn 8,9 triệu khách hàng và tổng công suất phụ tải cực đại khoảng 13 GW. EVNSPC mua khoảng 10% tổng sản lượng điện nhận đầu nguồn từ thị trường điện, tương ứng chi phí mua điện hơn 8.000 tỷ đồng mỗi năm.

Mục tiêu nghiên cứu của luận văn là xây dựng mô hình dự báo sản lượng điện nhận đầu nguồn ngắn hạn (theo ngày và tuần) cho EVNSPC bằng mạng nơ ron nhân tạo kết hợp cấu trúc Gated Recurrent Units (GRU), nhằm đạt sai số dự báo trong phạm vi ±5%. Phạm vi nghiên cứu tập trung vào dữ liệu sản lượng điện nhận đầu nguồn và dữ liệu nhiệt độ từ năm 2018 đến 2020, kiểm chứng trên dữ liệu năm 2022. Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao độ chính xác dự báo, giúp EVNSPC tối ưu hóa chi phí mua điện, đảm bảo vận hành hệ thống điện an toàn, ổn định và tin cậy.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính về mạng nơ ron nhân tạo (Artificial Neural Network - ANN) và mạng nơ ron hồi quy có cổng (Gated Recurrent Units - GRU). ANN mô phỏng cấu trúc và chức năng của hệ thần kinh sinh học, gồm các nơ ron nhân tạo kết nối qua trọng số liên kết, có khả năng học và tổng quát hóa từ dữ liệu. Mạng ANN truyền thẳng (Feed-forward Neural Network) và mạng hồi quy (Recurrent Neural Network - RNN) là hai dạng phổ biến, trong đó RNN có khả năng xử lý dữ liệu chuỗi thời gian nhờ các liên kết hồi tiếp.

GRU là một biến thể cải tiến của RNN, được thiết kế để khắc phục vấn đề biến mất độ dốc trong quá trình huấn luyện. GRU sử dụng hai cổng chính: cổng xóa (reset gate) và cổng cập nhật (update gate), giúp mạng học được các phụ thuộc dài hạn trong chuỗi dữ liệu. Cấu trúc GRU đơn giản hơn LSTM nhưng vẫn giữ được hiệu quả cao trong dự báo chuỗi thời gian.

Các khái niệm chính bao gồm:

  • Nơ ron nhân tạo: đơn vị xử lý thông tin trong mạng ANN.
  • Trọng số liên kết: các tham số điều chỉnh trong quá trình học mạng.
  • Cổng xóa và cổng cập nhật: thành phần điều khiển luồng thông tin trong GRU.
  • Sai số MAPE (Mean Absolute Percentage Error) và RMSE (Root Mean Squared Error): các chỉ số đánh giá độ chính xác mô hình dự báo.

Phương pháp nghiên cứu

Nguồn dữ liệu chính gồm:

  • Sản lượng điện nhận đầu nguồn của EVNSPC, thu thập từ hơn 400 điểm đo, với chu kỳ 30 phút, giai đoạn 2018-2020 (dữ liệu huấn luyện và kiểm chứng) và năm 2022 (dữ liệu kiểm tra thực tế).
  • Dữ liệu nhiệt độ tại sân bay Tân Sơn Nhất, TP. Hồ Chí Minh, lấy từ trang web rp5 với độ phân giải 30 phút.

Phương pháp phân tích sử dụng mô hình mạng nơ ron nhân tạo kết hợp GRU, được xây dựng và huấn luyện trên môi trường MATLAB. Dữ liệu được xử lý, làm sạch và phân chia thành ba tập: 90% dùng để huấn luyện, 10% để kiểm chứng, và tập kiểm tra thực tế từ năm 2022 để đánh giá mô hình. Các thông số mạng như số lớp ẩn, số nơ ron lớp ẩn, thuật toán huấn luyện (SGDM, RMSProp, Adam) được tối ưu hóa nhằm đạt sai số dự báo nhỏ nhất trong phạm vi ±5%.

Timeline nghiên cứu kéo dài từ tháng 2 đến tháng 6 năm 2022, bao gồm các bước thu thập dữ liệu, xây dựng mô hình, huấn luyện, kiểm chứng và kiểm tra thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Mô hình dự báo ngày bình thường (thứ 2 đến thứ 7) đạt độ chính xác cao với sai số MAPE trung bình khoảng 3,5% và RMSE thấp, thể hiện qua đồ thị so sánh giá trị dự báo và thực tế có sự trùng khớp sát nhau.
  2. Mô hình dự báo ngày chủ nhật có sai số MAPE cao hơn, khoảng 7%, do ngày chủ nhật không có tương quan rõ ràng giữa nhiệt độ và sản lượng điện nhận (hệ số tương quan chỉ 0,16), nên mô hình được xây dựng riêng biệt với các thông số đầu vào phù hợp.
  3. Mô hình dự báo tuần không có ngày nghỉ lễ, Tết đạt sai số MAPE dưới 4%, trong khi mô hình có ngày nghỉ lễ, Tết có sai số MAPE tăng lên khoảng 5%, do đặc thù phụ tải giảm mạnh trong các ngày đặc biệt.
  4. So sánh giữa mô hình GRU và LSTM cho thấy GRU có hiệu quả tương đương nhưng với cấu trúc đơn giản hơn và thời gian huấn luyện nhanh hơn, phù hợp với yêu cầu thực tế của EVNSPC.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình dự báo đạt độ chính xác cao là khả năng của mạng GRU trong việc học và ghi nhớ các phụ thuộc dài hạn trong chuỗi dữ liệu sản lượng điện và nhiệt độ. Việc phân chia mô hình riêng biệt cho ngày làm việc và ngày chủ nhật giúp giảm sai số do đặc tính phụ tải khác biệt. Kết quả phù hợp với các nghiên cứu gần đây về ứng dụng mạng nơ ron trong dự báo phụ tải điện, đồng thời vượt trội hơn các phương pháp truyền thống như hồi quy hay ngoại suy về độ chính xác và khả năng xử lý dữ liệu phi tuyến.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh giá trị dự báo và thực tế theo từng khung thời gian 30 phút, biểu đồ sai số MAPE và RMSE theo từng mô hình, giúp minh họa rõ ràng hiệu quả của mô hình GRU.

Đề xuất và khuyến nghị

  1. Triển khai áp dụng mô hình GRU vào hệ thống dự báo chính thức của EVNSPC nhằm nâng cao độ chính xác dự báo sản lượng điện nhận đầu nguồn, giảm sai số xuống dưới 5% trong vòng 12 tháng tới.
  2. Mở rộng thu thập dữ liệu thời tiết đa dạng hơn (độ ẩm, tốc độ gió, ánh sáng) để bổ sung vào mô hình, giúp cải thiện dự báo trong các điều kiện thời tiết phức tạp, thực hiện trong 6 tháng tiếp theo bởi bộ phận kỹ thuật dữ liệu.
  3. Phát triển mô hình dự báo riêng cho các ngày lễ, Tết và các sự kiện đặc biệt nhằm giảm sai số dự báo trong các thời điểm phụ tải biến động mạnh, hoàn thành trong 9 tháng tới với sự phối hợp của phòng nghiên cứu và vận hành.
  4. Đào tạo nhân sự vận hành và bảo trì mô hình dự báo để đảm bảo mô hình được cập nhật, hiệu chỉnh thường xuyên, duy trì hiệu quả lâu dài, thực hiện liên tục hàng năm do phòng đào tạo và phát triển nguồn nhân lực phụ trách.

Đối tượng nên tham khảo luận văn

  1. Các kỹ sư và chuyên viên vận hành hệ thống điện tại các Tổng công ty Điện lực, giúp nâng cao kỹ năng dự báo phụ tải, tối ưu hóa vận hành hệ thống.
  2. Nhà quản lý và hoạch định chính sách trong ngành điện để hiểu rõ vai trò và ứng dụng của mạng nơ ron nhân tạo trong quản lý nguồn điện và thị trường điện.
  3. Các nhà nghiên cứu và sinh viên chuyên ngành kỹ thuật điện, trí tuệ nhân tạo có nhu cầu tìm hiểu về ứng dụng thực tiễn của mạng nơ ron hồi quy trong dự báo chuỗi thời gian.
  4. Các công ty phát triển phần mềm và giải pháp công nghệ cho ngành điện nhằm phát triển các sản phẩm dự báo điện năng chính xác, hiệu quả dựa trên mô hình mạng nơ ron nhân tạo.

Câu hỏi thường gặp

  1. Mạng nơ ron nhân tạo là gì và tại sao được chọn để dự báo điện năng?
    Mạng nơ ron nhân tạo là mô hình mô phỏng hệ thần kinh sinh học, có khả năng học và tổng quát hóa từ dữ liệu phức tạp. Nó được chọn vì có thể xử lý tốt các mối quan hệ phi tuyến và phụ thuộc dài hạn trong dữ liệu điện năng, giúp dự báo chính xác hơn so với các phương pháp truyền thống.

  2. GRU khác gì so với LSTM trong dự báo điện năng?
    GRU có cấu trúc đơn giản hơn LSTM với hai cổng chính (reset và update), giúp giảm thời gian huấn luyện mà vẫn giữ được hiệu quả cao trong việc học các phụ thuộc dài hạn, phù hợp với dữ liệu chuỗi thời gian như sản lượng điện.

  3. Sai số dự báo MAPE và RMSE có ý nghĩa gì?
    MAPE đo lường sai số trung bình theo phần trăm, giúp đánh giá độ chính xác tương đối của mô hình. RMSE đo sai số bình phương trung bình, nhấn mạnh các sai số lớn hơn. Cả hai chỉ số đều dùng để đánh giá hiệu quả mô hình dự báo.

  4. Tại sao cần xây dựng mô hình riêng cho ngày chủ nhật và ngày lễ?
    Phụ tải điện vào ngày chủ nhật và các ngày lễ có đặc điểm khác biệt rõ rệt so với ngày làm việc, như nhu cầu tiêu thụ giảm mạnh và ít phụ thuộc vào nhiệt độ. Do đó, mô hình riêng giúp dự báo chính xác hơn, tránh sai số lớn khi dùng chung mô hình.

  5. Làm thế nào để áp dụng mô hình dự báo vào thực tế vận hành?
    Cần tích hợp mô hình vào hệ thống quản lý dữ liệu và vận hành của EVNSPC, cập nhật dữ liệu liên tục, đào tạo nhân sự vận hành và bảo trì mô hình, đồng thời theo dõi và hiệu chỉnh mô hình định kỳ để đảm bảo độ chính xác và hiệu quả.

Kết luận

  • Mạng nơ ron nhân tạo kết hợp GRU là phương pháp hiệu quả, đạt sai số dự báo sản lượng điện nhận đầu nguồn trong phạm vi ±5% cho EVNSPC.
  • Mô hình dự báo ngày làm việc và ngày chủ nhật được xây dựng riêng biệt, phù hợp với đặc điểm phụ tải và dữ liệu nhiệt độ.
  • GRU cho hiệu quả tương đương LSTM nhưng đơn giản và nhanh hơn, phù hợp ứng dụng thực tế.
  • Việc áp dụng mô hình giúp EVNSPC tối ưu hóa chi phí mua điện, nâng cao độ tin cậy và hiệu quả vận hành hệ thống điện miền Nam.
  • Hướng phát triển tiếp theo là mở rộng dữ liệu đầu vào, xây dựng mô hình cho các ngày lễ, Tết và đào tạo nhân sự vận hành mô hình.

Đề nghị các đơn vị liên quan nhanh chóng triển khai áp dụng mô hình dự báo này để nâng cao hiệu quả quản lý và vận hành hệ thống điện, đồng thời tiếp tục nghiên cứu phát triển các mô hình dự báo đa chiều, đa yếu tố nhằm đáp ứng yêu cầu ngày càng cao của thị trường điện cạnh tranh.