Sử dụng các mô hình và phần mềm dự báo nhằm tính toán nhu cầu sử dụng điện và đánh giá khả năng sử dụng DMS tại tỉnh quảng bình

1.2 Các kết quả đề xuất Đề tài này dự kiến sẽ trình bày một số kết quả nghiên cứu và tính toán như sau: • Các phương pháp dự báo nhu cầu: phương pháp luận và ứng dụng • Giới thiệu mô hì

Bé GI¸O DôC Vµ §µO T¹O

TR¦êNG §¹I HäC B¸CH KHOA Hµ NéI

[ \

§OµN QuèC TUÊN

NH»M TÝNH TO¸N NHU CÇU Sö DôNG §IÖN Vµ

§¸NH GI¸ KH¶ N¡NG ¸P DôNG DSM T¹I TØNH

QU¶NG B×NH

LUËN V¡N TH¹C SÜ KHOA HäC

HÖ ThèNG §IÖN

Hµ Néi – 2010

Lời cam đoan

Tôi xin cam đoan đây là phần nghiên cứu và thể hiện luận án tốt nghiệp của riêng tôi,

không sao chép từ các luận án khác, nếu sai tôi xin chịu hoàn toàn trách nhiệm và chịu

mọi kỷ luật của khoa và nhà trường đề ra

Học viên

Đoàn Quốc Tuấn

Mục lục

Lời cam đoan 1

Mục lục 2

Danh mục ký hiệu, từ viết tắt 5

Danh mục bảng biểu 6

Danh mục hình vẽ, sơ đồ 7

Chương 1 CƠ SỞ CỦA ĐỀ TÀI 8

1.1 Cơ sở khoa học và thực tiễn của đề tài 8

1.1.1 Cơ sở khoa học của đề tài 8

1.1.2 Cơ sở thực tiễn 9

1.2 Các kết quả đề xuất 9

1.3 Lời cảm ơn 10

Chương 2 CÁC PHƯƠNG PHÁP DỰ BÁO NHU CẦU PHỤ TẢI ĐIỆN 11

2.1 Sơ lược về dự báo nhu cầu điện 11

2.2 Phương pháp dự báo trực tiếp 13

2.3 Phương pháp dự báo gián tiếp 15

2.3.1 Phương pháp đàn hồi 15

2.3.2 Phương pháp cường độ 16

2.4 Phương pháp dự báo bằng mô hình đa hồi quy 17

2.5 Ứng dụng thích hợp của các phương pháp 18

Chương 3 MÔ HÌNH DỰ BÁO ĐA HỒI QUY VÀ CHƯƠNG TRÌNH SIMPLE_E 21

3.1 Mô hình dự báo đa hồi quy 21

3.1.1 Khái niệm về mô hình dự báo đa hồi quy 21

3.1.2 Mối tương quan giữa các biến số 22

3.1.3 Phương trình hồi quy bội 23

3.1.4 Phân tích sai số dự báo và đánh giá mô hình 25

3.1.5 Các biến số định tính 26

3.1.6 Tương quan giữa các biến độc lập 26

3.1.7 Lựa chọn phương trình hồi quy tốt nhất 27

3.2 Phần mềm hỗ trợ mô phỏng, tính toán và dự báo bằng đa hồi quy Simple_E 28

3.2.1 Giao diện của Simple_E 30

3.2.2 Trình tự giải quyết vấn đề trong Simple_E 31

3.2.3 Các dạng hàm của Simple_E 32

3.3 Áp dụng Simple_E trong dự báo nhu cầu điện 34

3.3.1 Xác định bộ số liệu đầu vào và nhập số liệu 34

3.3.2 Xây dựng hàm hồi quy 38

3.3.3 Kết quả mô phỏng 40

3.3.4 Sử dụng các nút công cụ trên Simple_E 41

3.3.5 Đề xuất mô hình dự báo cho quy hoạch điện cấp tỉnh 42

Chương 4 KẾT QUẢ DỰ BÁO NHU CẦU ĐIỆN CỦA TỈNH QUẢNG BÌNH 43

4.1 Số liệu đầu vào 43

4.1.1 Hiện trạng tiêu thụ điện của tỉnh Quảng Bình 43

4.1.2 Thành tựu phát triển kinh tế vĩ mô trong quá khứ 44

4.1.3 Mục tiêu phát triển KTXH của tỉnh – số liệu vĩ mô 45

4.1.4 Thông tin về các khu công nghiệp trên địa bàn địa phương 46

4.1.5 Các phụ tải lớn đột biến trong giai đoạn tới 48

4.1.6 Chỉ tiêu ánh sáng sinh hoạt 49

4.2 Kết quả của phương pháp dự báo trực tiếp 50

4.3 Kết quả của phương pháp dự báo bằng mô hình hồi quy bội – chương trình Simple_E 52

4.3.1 Các hàm hồi quy của mô hình 52

4.3.2 Kết quả dự báo 53

4.4 So sánh, đánh giá và lựa chọn kết quả 55

Chương 5 CÁC GIẢI PHÁP QUẢN LÝ NHU CẦU CÓ THỂ ÁP DỤNG TẠI TỈNH QUẢNG BÌNH 56

5.1 Chương trình Quản lý nhu cầu DSM 56

5.1.1 Chương trình Quản lý nhu cầu DSM/EE đã thực hiện tại Việt Nam 56

5.1.2 Đánh giá và dự báo tiềm năng tiết kiệm của các chương trình DSM 64

5.1.3 Các giải pháp DSM/EE thực hiện trong giai đoạn tới 64

5.2 Các giải pháp DSM/EE có thể áp dụng tại tỉnh Quảng Bình 66 5.2.1 Các giải pháp DSM/EE chủ yếu đối với khu vực dân dụng của tỉnh Quảng Bình66

5.2.2 Các giải pháp DSM/EE chủ yếu đối với sản xuất công nghiệp xi măng Quảng Bình 69

Chương 6 KẾT LUẬN 74 TÀI LIỆU THAM KHẢO 76

Danh mục ký hiệu, từ viết tắt

CFL Đèn compact hiệu suất cao

CN Công nghiệp

CN&XD Công nghiệp và xây dựng

CPI Chỉ số giá tiêu dùng

DLC Điều khiển phụ tải bằng sóng

DSM Quản lý phía nhu cầu

EE Hiệu suất năng lượng

EVN Tập đoàn điện lực Việt Nam

FTL Đèn Huỳnh quang hiệu suất cao

GDP Tổng sản phẩm quốc nội

GLS phương pháp bình phương nhỏ nhất tổng quát

GS Ước lượng theo lưới

KCN Khu công nghiệp

OLS Phương pháp bình phương cực tiểu

Pmax Công suất cực đại

POP Dân số

TM&DV Thương mại và dịch vụ

TOU Giá điện theo thời điểm

VNEEP Chương trình mục tiêu QG về sử dụng năng lượng tiết kiệm và hiệu quả

XD Xây dựng

XM Xi măng

Danh mục bảng biểu

Bảng 1 So sánh giữa các phương pháp dự báo 19

Bảng 2 Chức năng của các sheet cơ bản trong Simple_E 30

Bảng 3 Các dạng hàm thông dụng trong Simple_E 32

Bảng 4 Mô tả các biến số trong mô hình dự báo nhu cầu điện 36

Bảng 5 Tiêu thụ điện của Tỉnh Quảng Bình 43

Bảng 6 Thành tựu phát triển kinh tế xã hội của tỉnh Quảng Bình 44

Bảng 7 Một số chỉ tiêu phát triển KTXH tỉnh đến 2020 45

Bảng 8 Danh mục các khu công nghiệp tỉnh Quảng Bình đến 2020 47

Bảng 9 Danh mục các phụ tải lớn 49

Bảng 10 Chỉ tiêu áng sáng sinh hoạt áp dụng cho tỉnh Quảng Bình 49

Bảng 11 Kết quả dự báo bằng phương pháp trực tiếp 51

Bảng 12 Kết quả dự báo bằng mô hình hồi quy bội ứng dụng bằng Simple_E 54

Bảng 13 Mục tiêu của chương trình DSM giai đoạn 2 56

Bảng 14 Tính toán tiềm năng tiết kiệm điện từ giải pháp CFL cho khu vực dân dụng 69

Bảng 15 Định mức sản xuất xi măng (kwh/tấn) 70

Bảng 16 Ước lượng tiềm năng tiết kiệm điện của ngành công nghiệp xi măng Quảng Bình 72

Danh mục hình vẽ, sơ đồ

Hình 1 Dự báo phụ tải theo phương pháp trực tiếp 14

Hình 2 Giao diện khởi động của Simple_E trong Excel 30

Hình 3 Trình tự giải quyết mô hình trong Simple_E 31

Hình 4 Các dạng hàm được gợi ý ngay trong giao diện Simple_E 34

Hình 5 Nhập số liệu trong sheet Data 36

Hình 6 Xây dựng hàm hồi quy và cách thức trình bày trong Simple_E 39

Hình 7 Kết quả của mô hình đã xây dựng 39

Hình 8 Kết quả dự báo trong mô hình Simple_E 40

Hình 9 Kết quả mô phỏng với một biến ví dụ trong Simple_E 41

Hình 10 Hiển thị thông tin liên quan đến một biến trong Simple_E 42

Hình 11 Tiềm năng tiết kiệm từ các chương trình DSM giai đoạn tới 64

Chương 1 CƠ SỞ CỦA ĐỀ TÀI

1.1 Cơ sở khoa học và thực tiễn của đề tài

1.1.1 Cơ sở khoa học của đề tài

Việc tính toán ước lượng nhu cầu tiêu thụ điện là một công việc quan trọng trong công tác quy hoạch và định hướng lưới điện nói chung

Trong dự báo nhu cầu cũng có nhiều phương pháp tiếp cận và các chương trình phần mềm chuyên dụng khác nhau Đối với riêng dự báo nhu cầu điện, thông thường các phương pháp dự báo như là trực tiếp, gián tiếp hay được áp dụng

Trong thời gian gần đây, do yêu cầu về độ chính xác trong dự báo cũng như cơ sở khoa học cần được nâng cao nhằm phù hợp với giai đoạn phát triển kinh tế mới, một phương pháp dự báo mới – đúng hơn là một cách thức tiếp cận mới đã được hình thành dựa trên mô hình kinh tế lượng (econometric)

Ngay với việc dự báo phụ tải bằng mô hình kinh tế lượng, chúng ta có thể tìm thấy rất nhiều phần mềm khác nhau như E-VIEW, SPSS,… Thậm chí ta có thể tự xây dựng và phát triển một chương trình tính toán ứng dụng ngay trên nền tảng Microsoft Office với

bộ phần mềm tính toán thông dụng là MS Excel hoặc công cụ xử lý dữ liệu bậc cao MS Access Tất nhiên, công việc này đòi hỏi người lập trình, ngoài kiến thức về Kinh tế lượng và Xác suất thống kê, phải có một nền tảng kiến thức về Visual Basic tương đối hoàn chỉnh

Trong khuôn khổ luận văn này, một chương trình phần mềm tính toán nhu cầu phụ tải

sẽ được giới thiệu, bên cạnh việc tính toán nhu cầu phụ tải của tỉnh Quảng Bình bằng các phương pháp truyền thống khác Đó là mô hình dự báo kinh tế lượng bằng chương trình Simple_E, một chương trình được Viện kinh tế Năng lượng Nhật Bản phát triển

1.1.2 Cơ sở thực tiễn

Quảng Bình là một tỉnh miền trung có nguồn tài nguyên đá vôi phong phú và một bờ biển dài 126 km ở phía Đông Tuy nằm xa các trung tâm kinh tế lớn của cả nước nhưng Quảng Bình lại ít bị sức ép cạnh tranh với các khu công nghiệp ở các trung tâm này Vì vậy việc phát triển kinh tế địa phương dựa trên nền tảng phát triển công nghiệp và du lịch biển là lẽ đương nhiên

Thống kê sơ bộ cho thấy, trong những năm qua, nhằm đáp ứng nhu cầu phát triển kinh

tế xã hội địa phương, nhu cầu điện của toàn tỉnh đã tăng xấp xỉ gần 30% trong giai đoạn 2006-2009 và còn có thể tăng cao hơn nữa trong giai đoạn tới, nhất là khi mà các nhà máy xi măng và luyện thép, khu công nghiệp mới của tỉnh sẽ đi vào hoạt động Chính vì vậy việc dự báo nhu cầu điện cho tỉnh là một công việc cần thiết, và cần được thực hiện dựa trên nhưng công cụ tính toán khoa học

Dưới một góc độ khác, có thể thấy Quảng Bình mới là một tỉnh đang ở giai đoạn phát triển chủ yếu là về lượng, chưa có được những bài học về sử dụng năng lượng, trong

đó có điện, một cách hiệu quả và tiết kiệm Vì vậy, cần xem xét thêm khả năng áp dụng các giải pháp tiết kiệm DSM/EE thích hợp cho Quảng Bình nói chung và công nghiệp Quảng Bình nói riêng nhằm tránh tiêu hao một lượng năng lượng hao phí đồng thời góp phần nâng cao về chất lượng tăng trưởng cho kinh tế địa phương

1.2 Các kết quả đề xuất

Đề tài này dự kiến sẽ trình bày một số kết quả nghiên cứu và tính toán như sau:

• Các phương pháp dự báo nhu cầu: phương pháp luận và ứng dụng

• Giới thiệu mô hình dự báo kinh tế lượng và phần mềm dự báo Simple_E

• Kết quả dự báo nhu cầu điện của tỉnh Quảng Bình bằng các phương pháp khác nhau

Cuối cùng, xin cảm ơn gia đình và bạn bè, những người ở Hà Nội và giải đất nắng gió Quảng Bình đã tạo điều kiện, động viên và giúp đỡ tôi hoàn thành luận văn

Do thời gian hoàn thành luận văn có hạn cho nên suy nghĩ và sự thể hiện ý tưởng không tránh khỏi những khiếm khuyết Em rất mong nhận được những ý kiến phê bình đánh giá của các thầy cô giáo

Học viên

Đoàn Quốc Tuấn

Chương 2 CÁC PHƯƠNG PHÁP DỰ BÁO NHU CẦU PHỤ

TẢI ĐIỆN

2.1 Sơ lược về dự báo nhu cầu điện

Như đã nói ở trên, dự báo nhu cầu phụ tải điện là một công tác vô cùng quan trọng mà kết quả của nó là số liệu đầu vào quan trọng cho các bước thiết kế kế tiếp cho nhiều đề

án cho liên quan đến hệ thống lưới hoặc năng lượng khác nhau

Ở Việt Nam, dự báo nhu cầu phụ tải điện là yêu cầu bắt buộc với các đề án quy hoạch cấp huyện, cấp tỉnh, các đề án đấu nối lưới cao thế khu vực, các báo cáo đánh giá tiền khả thi các trung tâm nhiệt điện hoặc thủy điện có công suất lớn Lẽ dĩ nhiên, dự báo nhu cầu điện là không thể thiếu đối với Tổng sơ đồ điện lực quốc gia và Báo cáo đầu tư nhà máy điện Nguyên tử

Đối với mỗi loại đề án khác nhau, yêu cầu và mức độ dự báo phụ tải cũng không hoàn toàn đồng nhất Ví dụ, đối với quy hoạch phát triển điện lực cấp huyện, nhu cầu điện chỉ cần được dự báo ở năm thứ 5 (tính mốc năm hiện tại bằng 0) Trong khi đó, quy hoạch cấp tỉnh yêu cầu thêm ở mốc năm thứ 10 Đề án Tổng sơ đồ phát triển điện lực quốc gia còn có yêu cầu cao hơn nữa: năm thứ 15 và 20, kèm theo đó là kết quả ở các năm lẻ nhằm phục vụ công tác xây dựng tiến độ nguồn và và lưới cao thế Đặc biệt, trong báo cáo đầu tư nhà máy điện nguyên tử trình Quốc hội năm ngoái, phía đơn vị tư vấn lập khảo sát là Viện Năng lượng, thuộc Bộ Công thương đã thực hiện dự báo nhu cầu điện và năng lượng cho tới tận 2050, tức là hơn 40 năm

Dự báo nhu cầu phụ tải điện không đơn thuần chỉ là tính toán, ước lượng lượng tiêu thụ điện năng và công suất trong tương lai Đối với những đề án có quy mô lớn như Tổng

sơ đồ phát triển điện lực chẳng hạn, người làm dự báo còn phải xem xét đến hình dạng của đồ thị phụ tải, hệ số phụ tải hoặc là tỷ lệ tiêu thụ điện trên tổng tiêu thụ năng lượng thương mại toàn quốc Nhưng nhìn chung, các yếu tố thêm vào như trên không mang

tính chính yếu và hiện tại, ở Việt Nam, cũng chưa có một phương pháp luận tổng thể nào đề cập tới, nhất là đối với dự báo dài hạn Chính vì vậy, khuôn khổ đề tài chỉ tiến sâu vào lĩnh vực dự báo nhu cầu điện năng và công suất với các phương pháp và nội dung đã đề xuất ở trên

Ở Việt Nam, nền kinh tế đang trên đà phát triển với tốc độ cao đặt ra yêu cầu thách thức về đối với ngành điện Công tác quy hoạch nguồn, trong đó có dự báo nhu cầu, được coi trọng, đặc biệt đối với dự báo dài hạn Thách thức riêng đối với dự báo nhu cầu, chỉ xét yếu tố kỹ thuật, đó là số liệu và thông tin Một mô hình dự báo hoàn hảo nhưng vẫn có thể đưa ra con số khác rất xa với thực tế nếu như nó sử dụng những thông tin và số liệu không thích hợp hoặc không còn phù hợp với hiện tại Vì vậy việc

sử dụng thông tin và số liệu thế nào cho hợp lý và hợp với mô hình tính toán là rất quan trọng Đề tài này, với quan điểm cá nhân, cũng mạnh dạn đề xuất phạm vi và quy

mô thích hợp cùng với những thông tin/số liệu cơ bản cho từng phương pháp dự báo Các mục kế tiếp sẽ làm rõ điều đó

Đối với dự báo nhu cầu điện nói riêng, hiện tại có hai tiếp cận được áp dụng, đó là dự báo trực tiếp và gián tiếp Tiếp cận theo mô hình đa hồi quy, một cách nhìn mới bằng Kinh tế lượng, ở một chừng mực nào đó được coi là tiếp cận gián tiếp Tuy nhiên, mục trình bày về mô hình đa hồi quy được tách riêng nhằm phân biệt và đề cao cách tiếp cận này, cho dù là nó phức tạp và có yêu cầu cao hơn so với các phương pháp dự báo gián tiếp

Thông thường có một phương pháp nữa “đi kèm” với các phương pháp tính toán bằng

mô hình, đó là phương pháp “chuyên gia” Có thể hiểu phương pháp này thực chất là

xử lý kinh nghiệm của những chuyên gia trong lĩnh vực dự báo Yếu tố đầu vào, ngoài những giá trị như cường độ hay độ đàn hồi điện trong nước mà còn có thể là các thông

số tương tự ở các quốc gia khác từng có cùng giai đoạn phát triển như Việt Nam, v.v Điều then chốt của phương pháp “chuyên gia” này là tính quyết định của nó đối với các

2.2 Phương pháp dự báo trực tiếp

Phương pháp dự báo trực tiếp dựa trên cơ sở là các kế hoạch phát triển các ngành và vùng kinh tế, phương án sản xuất của một số phân ngành công nghiệp tiêu thụ nhiều điện như luyện kim, hoá chất, giấy, vật liệu xây dựng ) Từ đó, nhu cầu điện năng được tính toán trực tiếp theo định mức tiêu hao điện trên sản phẩm, theo diện tích tưới tiêu thuỷ lợi hoặc theo chỉ tiêu điện năng cho hộ gia đình

Đối với một báo cáo quy hoạch cấp tỉnh hoặc vùng địa lý, phương pháp này sẽ dự báo nhu cầu điện cho từng thành phần kinh tế theo phân ban của Tổng cục Thống kê và phân ngành tiêu thụ điện của Tập đoàn điện lực Việt Nam, đó là:

• Nhu cầu điện cho Công nghiệp – xây dựng (mã ISIC bao gồm 4 chữ số, chữ số đầu tiên là 2, cụ thể 2xxx)

• Nhu cầu điện cho Nông nghiệp – lâm – thuỷ sản (mã ISIC là 1xxx)

• Nhu cầu điện cho Thương mại, khách sạn, nhà hàng (3xxx)

• Nhu cầu điện cho Quản lý và Tiêu dùng dân cư (4xxx)

• Nhu cầu điện phục vụ Các hoạt động khác (5xxx)

Yêu cầu số liệu đầu vào của phương pháp này không những đòi hòi tính pháp lý cao

mà còn phải phù hợp với thực tế

Thực tế ở Việt Nam cho thấy, quy hoạch ngành công nghiệp ở các địa phương, thường

là các tỉnh xa các trung tâm là Hà nội và TP HCM, có khuynh hướng đề cao quy mô

mà không xét đến tiềm năng và khả năng có thể đạt được Chính vì vậy, dự báo theo phương pháp này nếu như chỉ làm theo phép tính cơ học, nhân và cộng lại theo hình kim tự tháp thì rất có thể, ở nhiều trường hợp, kết quả dự báo nhu cầu sẽ là một con số gây hoài nghi

Tuy nhiên, phương pháp này cũng có những ưu điểm không thể phủ nhận và hiện tại vẫn đang được sử dụng một cách rộng rãi trong các đề án có liên quan đến quy hoạch lưới và nguồn điện Vì phương pháp này cơ bản là tổng hợp lại dự báo theo từng thành phần, từng phân vùng địa lý bên trong vùng quy hoạch nên nó có tác dụng quan trọng trong việc phân vùng và phân nút phụ tải, làm cơ sở cho thiết kế lưới điện chuyên tải

và phân phối

Phương pháp này rất thích hợp cho dự báo ngắn hạn dưới 5 năm Nếu vùng dự báo có xuất hiện phụ tải đột biến, phương pháp này có thể tính toán trực tiếp đến lượng gia tăng nhu cầu của phụ tải Vì những đặc điểm này, phương pháp trực tiếp mang nhiều đặc tính “lập kế hoạch” hơn là dự báo

Hình 1 dưới đây thể hiện quy trình dự báo phụ tải theo phương pháp trực tiếp thường được áp dụng cho các quy hoạch phát triển điện lực cấp tỉnh

Pmax của Dân dụng

…

Sản lượng điện Khối Dân dụng Nhân với Tmax

Dân số dự kiến Định mức tiêu hao/hộ gia đình

Tỷ lệ điện khí hóa nông thôn

Pmax của Dân dụng

…

Sản lượng điện Khối Dân dụng Nhân với Tmax

Dân số dự kiến Định mức tiêu hao/hộ gia đình

Tỷ lệ điện khí hóa nông thôn

2.3 Phương pháp dự báo gián tiếp

Phương pháp dự báo gián tiếp là phương pháp "mô phỏng-kịch bản", hiện vẫn đang được áp dụng rộng rãi trong khu vực và trên thế giới Phương pháp này dựa trên cơ sở

dự báo các kịch bản phát triển kinh tế - xã hội trung hạn và dài hạn, nhu cầu điện năng cũng như các nhu cầu tiêu thụ năng lượng hoặc khác được mô phỏng theo quan hệ đàn hồi với tốc độ tăng trưởng kinh tế hoặc cường độ điện Phương pháp này thích hợp đối với dự báo ngắn hạn và trung hạn, tức là trong khoảng 10 năm

Phương pháp này có ưu điểm là có thể mô phỏng nhanh kết quả mà không cần nhiều số liệu thống kê Cùng với phương pháp chuyên gia, phương pháp này được coi là hai tiếp cận hỗ trợ bổ sung cho nhau Các hệ số đàn hồi được xác định theo từng ngành và từng miền lãnh thổ Việc xác định chúng được tiến hành theo chuỗi phân tích quá khứ, các

hệ số này cũng được tham khảo từ kinh nghiệm các nước trên thế giới và trong khu vực Đối với các đề án quy hoạch cấp vùng, việc tham khảo được thực hiện giữa các vùng có cùng đặc tính địa lý, v.v

2.3.1 Phương pháp đàn hồi

Phương pháp hệ số đàn hồi là một phương pháp dự báo theo tiếp cận gián tiếp Các hệ

số đàn hồi (elasticity) thường được áp dụng là đàn hồi theo Tốc độ tăng trưởng kinh tế GDP Hệ số này được tính như sau:

Tốc độ tăng nhu cầu điện (%)

Hệ số đàn hồi theo GDP =

Tốc độ tăng trưởng GDP (%)

Các hệ số đàn hồi được xác định theo từng phân ngành Hệ số đàn hồi trong tương lai được xác định dựa theo phân tích chuỗi số liệu quá khứ, cũng như tham khảo thêm kinh nghiệm từ các nước khác trong khu vực, khi dự báo cho trên quy mô toàn quốc; hoặc các tỉnh, vùng khác, khi dự báo nhu cầu cho các tỉnh, vùng Ngoài hệ số đàn hồi theo tăng trưởng GDP, nhu cầu điện còn được xác định theo các yếu tố khác là đàn hồi theo giá điện, hệ số tiết kiệm năng lượng

Nói thêm về hệ số đàn hồi giá điện Khi giá điện tăng lên, một số hộ tiêu thụ sẽ có xu hướng chuyển sang sử dụng các nhiên liệu, năng lượng khác hoặc ngược lại Như vậy

về mặt thị trường, giá cả mỗi loại năng lượng dẫn đến tính cạnh tranh của loại đó Hệ

số phản ánh sự thay đổi nhu cầu điện của một ngành hay lĩnh vực nào đó khi giá điện thay đổi được gọi là hệ số đàn hồi giá Đối với Việt Nam, trong thời gian dài do giá điện được bao cấp, và đến hiện nay, một số lĩnh vực vẫn được trợ giá điện và hoàn toàn nhà nước quy định nên việc nghiên cứu quan hệ giá cả với thay đổi nhu cầu điện trong quá khứ không thực hiện được Nói cách khác, giá điện tại Việt Nam mang tính hành chính, chưa phản ánh đúng quy luật cung cầu của thị trường Việc áp dụng các hệ số đàn hồi giá điện được tham khảo từ một số nước đang phát triển khu vực châu Á trong thập kỷ 80 và 90 Vấn đề về giá điện ảnh hưởng thế nào đến nhu cầu phụ tải sẽ được nói rõ hơn trong chương 3 của đề tài này

Hệ số tiết kiệm năng lượng là một hệ số khá mờ Về cơ bản là chưa có một phương pháp luận nào để xác định hoặc tính toán hệ số này trong quá khứ Hệ số này được hiểu

là đã tính tới việc áp dụng tiến bộ khoa học kỹ thuật, thực hiện tiết kiệm năng lượng, đặc biệt là triển khai các chương trình quản lý phía nhu cầu (DSM) khiến cho nhu cầu điện giảm đi Thông thường trong các mô hình tính toán hệ số này được đưa vào công đoạn cuối, sau khi có được kết quả dự báo theo các phương pháp khác

2.3.2 Phương pháp cường độ

Dự báo gián tiếp theo phương pháp cường độ điện năng có thể nêu tóm tắt như sau: nhu cầu điện trong tương lai được tính toán dựa trên cơ sở xác định xu thế cường độ điện năng tiêu thụ trong tương lai (kwh/$) Thông thường cường độ điện năng này được xác định dựa trên mối tương quan giữa cường độ điện năng và thu nhập bình quân trên đầu người (KWh/$ và $/người) trong chuỗi số liệu quá khứ của Việt Nam, hoặc của vùng lãnh thổ

Cường độ điện năng của giai đoạn quy hoạch được xác định dựa trên xu thế của đường cong quá khứ của Việt Nam hoặc của vùng lãnh thổ) và tham khảo thêm cường độ điện năng của các nước khác có mức thu nhập bình quân trên đầu người ở mức tương đương Chương 4 sẽ trình bày một cách rõ ràng hơn về kết quả và mô hình tính toán theo phương pháp này

2.4 Phương pháp dự báo bằng mô hình đa hồi quy

Nếu xét theo một góc độ nào đó, thì phương pháp dự báo này có thể coi như là một mục nhỏ của Phương pháp dự báo gián tiếp vì cũng dựa trên quan điểm “mô phỏng – kịch bản” với các yếu tố đầu vào mang tính vĩ mô

Phương pháp này dựa trên nền tảng về kinh tế lượng là một phương pháp luận đựơc hầu hết các nước trên thế giới sử dụng trong dự báo nhu cầu năng lượng, điện năng, đặc biệt đối với các nước chưa có hệ thống thống kê, dự báo tốt về tương lai mức độ tiêu thụ, sử dụng và công nghệ của các thiết bị điện, như Việt Nam chẳng hạn

Phân tích đa hồi quy là một trong những kỹ thuật thống kê quan trọng và được sử dụng rộng rãi với nhiều ứng dụng trong cách tiếp cận kinh tế lượng Phân tích đa hồi quy nghiên cứu mối liên hệ phụ thuộc của một biến (gọi là biến phụ thuộc hay biến được giải thích) với nhiều biến khác (được gọi là các biến độc lập hay biến giải thích) nhằm ước lượng hoặc dự báo giá trị trung bình của biến phụ thuộc với các gía trị đã biết của các biến độc lập

Trên thực tế, mô hình đa hồi quy bội được sử dụng không chỉ cho dự báo nhu cầu phụ tải Nó còn được dùng cho dự báo tăng trưởng kinh tế, doanh số bán hàng và thậm chí

Về cơ bản các phương pháp dự báo gián tiếp không trực tiếp xác định được Pmax, và

do đó chúng ta sẽ phải đưa thêm một số biến số nhằm xác định giá trị công suất cực đại của vùng đối tượng Các biến số này có thể là thời gian sử dụng công suất cực đại Tmax hoặc là hệ số phụ tải Lf

Chương 3 và chương 4 kế tiếp sẽ nói rõ hơn về ứng dụng của phương pháp này trong

dự báo nhu cầu phụ tải

2.5 Ứng dụng thích hợp của các phương pháp

Mỗi phương pháp, mỗi cách tiếp cận nói trên đều có những ưu nhược điểm riêng Tuy nhiên, vì đặc tính đơn giản, yêu cầu số liệu không cao, tính toán cho ra kết quả nhanh nên thông thường các phương pháp gián tiếp (cường độ, đàn hồi điện) hay được sử dụng trước khi bắt tay vào công tác dự báo nhằm xác định khoảng giá trị phù hợp Phương pháp trực tiếp đòi hỏi nghiên cứu kỹ càng chuyên sâu các văn bản có tính pháp

lý Tuy nhiên tính khách quan và khoa học của phương pháp này không cao Thêm nữa hạn chế của nó là không thích hợp với dự báo trung và dài hạn

Nếu như làm dự báo dài hạn thì hạn chế của phương pháp gián tiếp là không sử dụng kết quả trực tiếp từ nghiên cứu mối quan hệ giữa nhu cầu điện năng với các yếu tố ảnh hưởng trực tiếp như tăng trưởng kinh tế, thu nhập, giá điện, yếu tố tiết kiệm điện… trên

cơ sở các số liệu thống kê trong quá khứ

Mặc dù tốc độ tăng trưởng kinh tế là yếu tố chính ảnh hưởng đến tốc độ tăng trưởng nhu cầu điện, nhưng cũng không nên bỏ qua các yếu tố khác như giá điện, thu nhập/đầu người, tiết kiệm điện …Các yếu tố trên dù nhỏ, nếu tổng hợp lại cũng có thể gây ra những tác động cần phải xem xét Việc áp dụng phương pháp gián tiếp mô phỏng- kịch bản phát triển không phải là sai mà chỉ là chưa đủ chặt chẽ Ví dụ tốc độ tăng trưởng kinh tế của 1 tỉnh khoảng 10%/năm, nếu dựa vào phương pháp mô phỏng, chuyên gia thì có thể dự báo nhu cầu điện tăng trưởng khoảng từ 15-22%, không xét các trường hợp đột biến có tính chất đặc thù đặc biệt như vậy giải dự báo là quá rộng,

việc lựa chọn hệ số đàn hồi chính xác sẽ trở nên khó khăn và cũng mang nặng tính chủ quan Thông qua tính toán bằng phương pháp luận khoa học hơn như phương pháp đa hồi quy, chúng ta có thể thu hẹp giải kinh nghiệm trên và qua đó việc lựa chọn sẽ chính xác hơn và độ sai lệch sẽ ít hơn

Phương pháp dự báo đa hồi quy là phương pháp được sử dụng cho dự báo nhu cầu điện/năng lượng, có ưu điểm hơn so với phương pháp dự báo trực tiếp và gián tiếp và

có thể giải quyết các vấn đề đã nêu ở trên

Phương pháp dự báo đa hồi quy hiện cũng đang được áp dụng rộng rãi ở Nhật Bản và một số nước trong khu vực như Malaysia, Indonesia….để dự báo nhu cầu năng lượng

và điện năng trung và dài hạn Tại Việt Nam, phương pháp này đã được ứng dụng nhằm dự báo nhu cầu phụ tải điện và năng lượng toàn quốc và ba miền trong Tổng sơ

đồ phát triển điện lực số 6 và số 7, báo cáo đầu tư nhà máy điện hạt nhân và báo cáo tổng sơ đồ năng lượng Việt Nam, v.v

Bảng 1 dưới đây đưa ra một số tổng hợp và đánh giá chung về các phương pháp kể trên, trong đó phương pháp đa hồi quy được tách ra hoàn toàn từ phương pháp gián tiếp

Bảng 1 So sánh giữa các phương pháp dự báo

Số liệu đầu vào Từng phụ tải cơ sở, quy

hoạch ngành, vùng,v.v

Vĩ mô, chủ yếu là GDP Vĩ mô, bao gồm GDP,

giá điện, hệ số TK năng lượng,…

kế hoạch ngắn hạn, dưới 5 năm

Thích hợp dự báo đến trung hạn dưới 10 năm

Có thể ứng dụng dự báo dài hạn, trên 10 năm

Có phụ tải đột biến ngắn

hạn (ví dụ Nhà máy

thép, xi măng)

Có thể trực tiếp tính toán lượng gia tăng

Rất khó thể hiện sự gia tăng đột ngột của nhu cầu trong ngắn hạn

Rất khó thể hiện sự thay đổi đột ngột của nhu cầu trong ngắn hạn

Dự báo Pmax Có thể trực tiếp tính toán

ra Pmax

Phải chia sản lượng cho Tmax

Có thể tính qua Tmax hoặc hệ số Lf

Dự báo Hệ số phụ tải Lf Không tính được Không tính được Có thể tính được, xem

Đánh giá sai số mô hình Không có phương tiện

Khách quan cao

quy hoạch nguồn lưới, nhưng chỉ có tầm dự báo ngắn hạn

Có thể dùng để tính toán thô ban đầu, nhưng không thích hợp với các

dự án quy hoạch dài hạn

Thích hợp với các các quy hoạch nguồn lưới từ cấp tỉnh trở lên Có thể

áp dụng với cả dự báo nhu cầu năng lượng

Chương 3 MÔ HÌNH DỰ BÁO ĐA HỒI QUY VÀ CHƯƠNG

TRÌNH SIMPLE_E

3.1 Mô hình dự báo đa hồi quy

Mục này sẽ đi sâu về mô hình dự báo đa hồi quy Mặc dù đây không phải là một khái niệm quá mới mẻ do những ứng dụng của nó đã được biết đến trong nhiều năm trở lại đây, tuy nhiên, việc trình bày lại mô hình này trong khuôn khổ đề tài này sẽ cố gắng đưa ra những thông tin có tính cơ bản, hạn chế nhắc lại những công thức phức tạp vốn

có đặc trưng trong Xác suất thống kê và Kinh tế lượng

3.1.1 Khái niệm về mô hình dự báo đa hồi quy

Các mô hình dự báo đa hồi quy, hay còn gọi là hồi quy bội là các mô hình thống kê nhằm mô tả các tình huống trong đời sống thực tế để từ đó có thể dự báo cho tương lai

Mô hình dự báo thống kê phân tích các số liệu theo hai thành phần:

• Thành phần mang tính hệ thống, phi ngẫu nhiên được mô tả bằng một công thức hay một hàm xu thế

• Thành phần hoàn toàn mang tính ngẫu nhiên – phần dư dự báo

Mô hình dự báo mô tả toàn bộ thành phần mang tính hệ thống, phi ngẫu nhiên trong các số liệu và để lại phần dư dự báo mang tính ngẫu nhiên Một mô hình dự báo được thực hiện theo các bước sau đây:

• Đưa ra mô hình nhằm mô tả một tình huống đã cho Ví dụ như đưa ra mô hình hồi quy tuyến tính bội để mô tả quan hệ giữa 1 biến phụ thuộc là mức tiêu thụ điện ánh sáng sinh hoạt và 2 biến độc lập là chi tiêu tiêu dùng hộ gia đình và giá điện bán lẻ cho hộ gia dụng

• Ước lượng các tham số của mô hình từ các số liệu có được

• Xem xét các phần dư (sai số) dự báo của mô hình Những phần dư dự báo này là phần thông tin mà mô hình không giải thích được Nếu các phần dư dự báo không hoàn toàn mang tính ngẫu nhiên mà có yếu tố mang tính hệ thống, ta cần phải đánh giá lại mô hình đã đưa ra và nếu có thể cần điều chỉnh lại mô hình để loại bỏ chúng khỏi các sai

số dự báo, và đưa phần yếu tố hệ thống (phi ngẫu nhiên) này vào mô hình dự báo Nếu

mô hình này là không phù hợp ta cần phải tìm một mô hình khác

• Khi tìm được một mô hình mà trong đó phần dư dự báo của mô hình này chỉ gồm các yếu tố ngẫu nhiên, ta có thể sử dụng mô hình này để dự báo, kiểm soát một biến số, hay giải thích các mối quan hệ giữa các biến số

3.1.2 Mối tương quan giữa các biến số

Làm sao để biết có mối quan hệ giữa tăng trưởng kinh tế và nhu cầu tiêu thụ điện? Để kiểm tra giả thiết về sự có mặt của mối liên hệ giữa 2 biến số này, và mức độ chặt chẽ của mối liên hệ này người ta dùng hệ số tương quan r(x,y) Dưới đây x và y có thể được được coi là GDP và sản lượng điện trong các năm quá khứ

r(x,y) = (Σ(xi-X)(yi-Y))/ nσxσy

Trong đó:

n là số lần quan sát

X, Y là kỳ vọng hay giá trị trung bình của biến số x và y tương ứng

σx , σy - Độ lệch tiêu chuẩn của biến số x và y

Nếu r(x,y) = ±1 thì giữa x và y có mối quan hệ hàm số ;

Nếu r(x,y) = 0 thì giữa x và y không có mối quan hệ tương quan

Khi r(x,y) có giá trị càng gần với ±1 thì mối quan hệ tương quan giữa các biến x và y càng chặt chẽ Nếu r = 0 thì giữa x và y không có mối tương quan tuyến tính, lúc này cần xét xem chúng có mối quan hệ phi tuyến không bằng cách xác định hệ số tương quan phi tuyến η(x,y)

Trường hợp sự liên hệ là phi tuyến thì hệ số tương quan r mất ý nghĩa, lúc này đánh giá mức độ chặt chẽ của mối tương quan phi tuyến theo tỷ số tương quan :

η càng gần 1 thì mối quan hệ càng chặt chẽ, nếu cả r và

η đều bằng 0 hoặc gần 0 thì có thể coi là giữa chúng không có mối tương quan

Y y

X x y

x

i i

η

Để góp phần giải thích cho những thay đổi trong biến phụ thuộc, những biến độc lập được đưa vào mô hình trước hết phải có tương quan với biến phụ thuộc

Tuy nhiên giữa các biến độc lập lại không nên có tương quan với nhau Trong trường hợp có tương quan giữa các biến độc lập, kết quả dự báo sẽ không chính xác

Do vậy trước khi sử dụng một mô hình nào đó để dự báo, cần phải kiểm tra mức độ tương quan giữa các biến độc lập với nhau, cũng như mức độ tương quan giữa các biến độc lập với biến phụ thuộc bằng cách sử dụng ma trận tương quan để đánh giá

3.1.3 Phương trình hồi quy bội

Phương trình hồi quy bội tổng thể có dạng:

trong đó b0 , b2 , b3 , ……, bJ là các ước lượng của các hệ số hồi quy riêng

Với các giả thiết như sau:

• Các giá trị Y tuân theo phân bố chuẩn xung quanh mặt phẳng hồi quy bội

• Mức độ phân tán của các điểm xung quanh mặt phẳng hồi quy bội luôn là hằng số tại mọi điểm trong mặt

• Các sai số dự báo (ε) độc lập với nhau

• Có mối quan hệ tuyến tính giữa mỗi giá trị X và Y tổng thể

Sau khi có được phương trình dự báo hồi quy bội, để tìm giá trị dự báo cho biến phụ thuộc Y, ta thay thế giá trị của các biến độc lập vào phương trình và tính ra kết quả Điều cần lưu ý là không nên sử dụng các giá trị biến độc lập ngoài vùng quan sát được trong thực tế vì mối quan hệ giữa các biến số có thể không còn tồn tại như cũ khi vượt khỏi vùng giá trị quan sát này, và do vậy có thể đưa ra những dự báo không chính xác Các hệ số β như trên được xác định bằng phương pháp bình phương cực tiểu (Ordinary Least Square, OLS) hoặc phương pháp bình phương nhỏ nhất tổng quát (GLS) và sử dụng ước lượng theo lưới (Grid Search, GS)

Một trong các giả thiết của mô hình hồi quy tuyến tính cổ điển là không có tự tương quan hay là tương quan chuỗi các sai số trong hàm hồi quy tổng thể Nhưng trong thực

tế hiện tượng đó có thể xảy ra do một trong những nguyên nhân sau:

Quán tính: Nét nổi bật của hầu hết các chuỗi thời gian trong kinh tế là quán tính Chúng ta đều biết các chuỗi thời gian như tổng sản phẩm, chỉ số giá mang tính chu kỳ Chẳng hạn ở đầu của thời kỳ khôi phục kinh tế, tổng sản phẩm có xu hướng đi lên Trong quá trình biến động này, giá trị của chuỗi ở mỗi thời điểm sau lại cao hơn giá trị của nó ở thời điểm trước Như có một xung lượng tiến tăng lên và xung lượng đó tác động cho đến khi xảy ra Vì vậy trong hồi quy chuỗi thời gian, các quan sát kế tiếp đó

có nhiều khả năng phụ thuộc lẫn nhau

Trễ: Trong phân tích hồi quy, chúng ta có thể gặp hiện tượng biến phụ thuộc ở thời kỳ

t, phụ thuộc vào chính biến đó ở thời kỳ t-1 và các biến độc lập khác Chẳng hạn khi nghiên cứu mối quan hệ giữa tiêu dùng và thu nhập, chúng ta thấy tiêu dùng ở thời kỳ hiện tại chẳng những phụ thuộc vào tiêu dùng ở thời kỳ trước đó mà còn phụ thuộc vào biến thu nhập

Vì khi có sự tương quan chuỗi các ước lượng OLS là không hiệu quả, làm thế nào để

có thể khắc phục các hiện tượng này ? Có một số biện pháp khắc phục hiện tượng đó nhưng các biện pháp lại phụ thuộc vào hiểu biết về bản chất của sự phụ thuộc qua lại giữa các biến sai số

3.1.4 Phân tích sai số dự báo và đánh giá mô hình

Sau khi xác định được mô hình dự báo hồi quy bội và tính được các tham số của mô hình này, ta cần xem xét sai số dự báo và đánh giá xem mô hình đưa ra có phù hợp không

Sai số dự báo là sự khác biệt giữa giá trị thực tế mà ta thu thập được và giá trị dự báo được đưa ra từ phương trình hồi quy

Trong mô hình hồi quy, thông thường các hệ số dưới đây được sử dụng nhằm đánh giá sai số dự báo:

• Sai số dự báo trung bình bình phương: sai số dự báo trung bình bình phương càng nhỏ càng cho thấy mô hình hồi quy là phù hợp với các số liệu được cho Căn bậc hai của MSE dự đoán độ lệch chuẩn của sai số dự báo hồi quy tổng thể

• Sai số dự báo chuẩn: Sai số dự báo chuẩn chính là độ lệch chuẩn của các sai số dự báo (standard deviation of residuals) Nó đo lường mức độ phân tán của những giá trị Y xung quanh mặt hồi quy bội Sai số này được tính bằng căn bậc hai của MSE

• Hệ số xác định hồi quy bội: Hệ số xác định hồi quy bội R2 đo lường tỉ lệ thay đổi trong biến phụ thuộc được giải thích bởi tất cả các biến độc lập trong phương trình hồi quy bội

Y

Y Y

( 1)

11

k n SSE R

và bằng 1 nếu không thoả mãn được điều kiện này

Chúng ta không nên gán cho các biến định tính nhiều hơn hai giá trị vì thang đánh giá cho nó có thể không xác đáng Thay vào đó ta nên sử dụng nhiều biến định tính, mỗi biến định tính chỉ mang hai giá trị (0,1) Nói cách khác, ta tính toán cho mỗi biến định tính với r mức độ bằng cách sử dụng r -1 biến định tính

Biến định tính được sử dụng để xác định mối quan hệ giữa những biến độc lập định tính và một biến phụ thuộc

3.1.6 Tương quan giữa các biến độc lập

Để góp phần giải thích cho những thay đổi trong biến phụ thuộc, một biến độc lập trước hết phải có tương quan với biến phụ thuộc Tuy nhiên giữa các biến độc lập lại không nên có tương quan với nhau Khi có nhiều hơn một biến độc lập trong phương trình hồi quy, những biến độc lập này có thể có tương quan lẫn nhau ở mức độ cao Tình huống này được gọi là tương quan giữa các biến độc lập Tương quan giữa các biến độc lập có thể gây ra những vấn đề trong phân tích như sau:

1 Sai số dự báo chuẩn của từng hệ số hồi quy trở nên cao một cách bất thường Điều này có thể làm cho ta tưởng lầm là một số biến độc lập không có gía trị đáng kể trong việc dự báo biến phụ thuộc

2 Hệ số hồi quy có thể mang dấu dương thay vì âm hoặc ngược lại làm cho ta hiểu sai về tính chất mối quan hệ giữa các biến (mối quan hệ tỷ lệ thuận thành tỷ lệ ngịch và ngược lại)

3 Khi thêm vào hay loại bỏ một biến độc lập có thể làm cho các hệ số hồi quy thay đổi nhiều Điều này làm cho ta hiểu không đúng về mức độ của mối quan hệ giữa các biến số

4 Việc loại bỏ một điểm số liệu có thể làm cho các hệ số hồi quy cũng như dấu của chúng ( âm, dương) thay đổi nhiều

5 Trong phân tích hồi quy bội, ta cần biết được ảnh hưởng cá nhân của mỗi biến độc lập đối với biến phụ thuộc Khi những biến dự báo có tương quan với nhau, các biến số này giải thích cho cùng một phần thay đổi trong dự báo của biến phụ thuộc Chúng ta thấy rằng khi có sự hiện diện của vấn đề tương quan giữa các biến độc lập, ta có thể không đánh giá được tác động của một biến độc lập cụ thể nào đó lên biến phụ thuộc Y vì chúng ta không có những dự đoán đáng tin cậy về hệ số của biến đó

Trong áp dụng thực tế, ví dụ như dự báo nhu cầu điện chẳng hạn, nếu chúng ta chỉ quan tâm đến dự báo không thôi và không cần biết đến tác động riêng của từng biến độc lập X lên biến phụ thuộc Y, mô hình hồi quy vẫn có thể là phù hợp ngay cả khi có vấn đề tương quan giữa các biến độc lập Trong những trường hợp như vậy, ta chỉ nên

dự báo Y trong vùng các biến độc lập X mà vấn đề tương quan giữa các biến độc lập giống như trong vùng dự đoán

3.1.7 Lựa chọn phương trình hồi quy tốt nhất

Để lựa chọn phương trình hồi quy tốt nhất, ta có thể thực hiện theo các bước sau:

• Đưa vào phương trình các biến độc lập có thể có ảnh hưởng đến việc dự báo biến phụ thuộc

• Kiểm tra mô hình hồi quy và tác động của từng biến độc lập trên biến phụ thuộc cũng như vấn đề tương quan các biến độc lập Biến độc lập nào có tỉ lệ t thấp sẽ bị loại bỏ vì

nó không ảnh hưởng đáng kể đến biến phụ thuộc

• Thực hiện dự báo với phương trình hồi quy

• Qua quá trình thêm, loại bỏ, chuyển đổi các biến độc lập, cuối cùng sẽ tìm được mô hình tốt nhất với ít biến số nhưng lại có thể đưa ra dự báo tốt nhất

Khi lựa chọn các biến độc lập ta thường phải cân nhắc giữa việc có được một dự báo tốt nhất với việc phải chi phí thấp nhất Càng nhiều biến độc lập càng giải thích được

số phần trăm lớn hơn trong thay đổi của biến phụ thuộc, hay nói một cách khác ta sẽ có

dự báo chính xác hơn trong hầu hết các trường hợp Tuy nhiên càng nhiều biến độc lập càng tốn chi phí thu thập và kiểm soát thông tin của các biến Phương trình hồi quy tốt nhất là phương trình có thể kết hợp giữa hai thái cực này Phán đoán chủ quan là một phần của bất kỳ giải pháp nào cho vấn đề này

Sau khi có một danh sách toàn bộ những biến dự báo có thể có, ta kiểm tra những biến độc lập có vẻ không phù hợp Đó là những biến độc lập: không mang tính nền tảng cho vấn đề, trùng hợp với những biến độc lập khác, khó đo lường một cách chính xác, những số liệu chính xác không thể tìm được hoặc tìm được thì rất tốn kém

Tóm lại, phân tích hồi quy là một công cụ mạnh mẽ và linh hoạt được sử dụng trong quá trình nghiên cứu mối quan hệ giữa một biến phụ thuộc và nhiều biến độc lập nhằm giúp ta hiểu tốt hơn và kiểm soát những sự kiện trong hiện tại cũng như có thể dự báo tốt hơn về tương lai

Chính phủ các nước sử dụng phân tích hồi quy rất rộng rãi trong việc dự báo thu nhập, chi phí, lãi suất, tỷ lệ sinh đẻ, thất nghiệp, cũng như rất nhiều các vấn đề khác Phân tích hồi quy bội cũng được sử dụng nhiều trong các khu vực nghiên cứu thị trường, phân tích và dự báo cung - cầu năng lượng và hầu hết các lĩnh vực khác

3.2 Phần mềm hỗ trợ mô phỏng, tính toán và dự báo bằng đa hồi quy

Simple_E

Simple_E, hay là hệ thống mô phỏng kinh tế lượng đơn giản được xây dựng bởi Viện kinh tế năng lượng Nhật Bản nhằm hỗ trợ giải quyết các vấn đề về phân tích và dự báo các mô hình kinh tế lượng trên cơ sở số liệu thu thập được và các mô hình mẫu giả định Quá trình phân tích hồi quy và mô phỏng dự báo được tự động hoá tới mức tối đa

có thể được Đây là một công cụ được phát triển theo hướng bổ trợ cho MS Excel trong việc thiết lập các hàm hồi quy, giống như các macro được viết dưới nền Visual Basic Application

Vì là một công cụ dạng Add-ins của MS Excel nên việc cài đặt Simple_E khá đơn giản,

và file cài đặt (có định dạng xla) có dung lượng khá thấp Tuy nhiên, trong nhiều trường hợp bị lầm tưởng là các virut macro, Simple_E có thể bị các trình diệt virut làm

vô hiệu hóa Trong những trường hợp như vậy, người sử dụng buộc phải cài lại Simple_E

Simple- E đã được thiết kế với việc sử dụng các phương pháp ước lượng khác nhau như là bình phương cực tiểu (OLS), tự hồi quy, và phương pháp ước lượng phi tuyến

Hệ thống các phương trình có thể bao gồm các phương trình hồi quy và các phương trình định nghĩa Mỗi một biến theo thời gian hoặc mô hình của nó là được gán vào một dòng của trang bảng tính Mỗi một năm hoặc mỗi một kịch bản của biến được gán vào một cột của trang bảng tính Do đó số phương trình và kích thước mẫu của số liệu phụ thuộc vào giới hạn của số dòng và số cột của trang bảng tính đối với Microsoft Excel

Hình 2 Giao diện khởi động của Simple_E trong Excel

3.2.1 Giao diện của Simple_E

Sau khi được cài đặt, một thanh công cụ sẽ được hiện ra trong nền MS Excel Ấn vào

nút M ở vị trí đầu tiên trên thanh công cụ Simple_E đó sẽ làm hiện ra một cửa sổ Main Manu

Một file Excel có thể thực thi được Simple_E phải bao gồm 3 bảng sheet: Data (số liệu), Model, và Simulation (mô phỏng) được thể hiện trong Hình 2 như trên Các sheet chức năng này sẽ có nhiệm vụ như sau

Bảng 2 Chức năng của các sheet cơ bản trong Simple_E

Sheet Chức năng và vai trò các bảng

Data Nhập chuỗi số liệu quá khứ về kinh tế,-xã hội( dân số, tăng trưởng GDP ), về tiêu

thụ điện năng( tiêu thụ điện theo sector, tổn thất, Pmax, điện nhận , giá điện bình quân, hệ số tiết kiệm điện

Nhập số liệu đầu vào về các chính sách ( tiết kiệm điện, giá điện ) và các biến

ngoài cho giai đoạn dự báo

Có thể tính toán số liệu tổng và đánh giá một vài số liệu cần thiết

Có thể mô tả tên các số liệu và viết ghi chú

Model Xây dựng các phương trình hồi quy

Đánh giá các hàm hồi quy

Xác định các số liệu được sử dụng trong mô hình

Simulation Đưa ra các giá trị dự báo được

3.2.2 Trình tự giải quyết vấn đề trong Simple_E

Với một bài toán cụ thể, khi đưa vào Simple_E sẽ được giải quyết theo trình tự được trình bày như dưới đây

Xác định Các hệ số

Kết quả mô phỏng

Phần quá khứ tính lại theo mô hình

Phần quá khứ tính lại theo mô hình

Xác định Các hệ số

Kết quả mô phỏng

Phần quá khứ tính lại theo mô hình

Phần quá khứ tính lại theo mô hình

Hình 3 Trình tự giải quyết mô hình trong Simple_E

Từ khâu vào số liệu đến mô phỏng dự báo được thực hiện bởi ba quá trình (i) Kiểm tra

dữ liệu, (ii) Phân tích và xử lý mô hình, (iii) Mô phỏng dự báo Đó là lược đồ chính được tự động hoá bởi Simple_E như đã trình bày trong Hình 3 trên đây Cụ thể như sau

(i) Kiểm tra (tương ứng với nút Check trên Main manu), bao gồm 3 bước:

1 Kiểm tra điều chỉnh mã tên trong mỗi mô hình

2 Kiểm tra và thử vùng mẫu cho mỗi mô hình

3 Những biến nội sinh và ngoại sinh được chọn từ mỗi mô hình

(ii) Phân tích (tương ứng với nút Solve trên Main manu)

Các giá trị của biến nội sinh (biến phụ thuộc) trong vùng mẫu sẽ được nghiên cứu và tính toán Các kết quả sẽ được chuyển vào trang bảng tính mô phỏng Đối với mô hình hồi quy, phương trình hồi quy sẽ được ước lượng cùng với các giá trị thống kê tương ứng với các hệ số hồi quy được xác định

Các giá trị thống kê này sẽ được trình bày trong cột “ Tổng kết mô hình” của trang bảng tính mô hình

(iii) Mô phỏng (tương ứng với nút Simulate trên Main manu)

Trình tự này tiếp tục thực hiện trong trang bảng tính mô phỏng Nó tính toán biến nội sinh (biến phụ thuộc) của mỗi mô hình trên cơ sở các giá trị giả định trong tương lai của biến ngoại sinh (biến độc lập) Đối với các mô hình hồi quy, các hệ số của các biến độc lập đã ước lượng trong trang bảng tính mô hình sẽ được sử dụng ở đây cho mục đích mô phỏng dự báo

Bảng 3 Các dạng hàm thông dụng trong Simple_E

Dạng hàm Hình thức Mô tả dạng hàm

“=” Phương trình trực tiếp Biến “Y” được định nghĩa trực tiếp bởi công thức theo

“X” Simple_E gán giá trị của biến “Y” vào bảng tính

mô phỏng

“$EQ” Phương trình trực tiếp Tương tự “=”

“$DL” Log hoá hai vế Simple_E phân tích hồi quy sau phép biến đổi Log

hoá tất cả các biến trên cả hai vế

“$SSL” Bán Log hoá Simple_E phân tích hồi quy sau phép biến đổi Log

hoá chỉ đối với biến trên phía “Y”

“$NC” Phi hằng số tự do Trong dạng này, hệ số của hằng số tự do sẽ bị buộc

“$GS” Thăm dò lưới Simple_E phân tích mô hình tự tương quan một bước

trên cơ sở phương pháp thăm dò lưới

“$CA” Điều chỉnh hằng số Hằng số tự do trong phương trình hồi quy sẽ được

điều chỉnh sao cho cuối cùng biến phụ thuộc của mẫu trùng với giá trị ước lượng Việc điều chỉnh này được thực hiện chỉ đối với kết quả trong bảng mô phỏng

“$TG” Khuynh hướng tăng trưởng Dự báo mô phỏng sẽ được áp dụng growth trend

(hàm mẫu tăng trưởng mũ trong Excel)

“$TL” Khuynh hướng tuyến tính Dự báo mô phỏng sẽ được áp dụng linear trend (hàm

mẫu tăng trưởng tuyến tính trong Excel)

“$SF” Mô phỏng bởi công thức Kết quả mô phỏng được cho bởi công thức

“$SV” Mô phỏng bởi giá trị Kết quả mô phỏng được cho bởi giá trị

Hình 4 Các dạng hàm được gợi ý ngay trong giao diện Simple_E

3.3 Áp dụng Simple_E trong dự báo nhu cầu điện

Mục này sẽ đề xuất và xử lý bài toán cụ thể là sử dụng chương trình Simple_E để dự báo nhu cầu điện cho phạm vi toàn quốc hoặc một tỉnh Các bước đề xuất sẽ lần lượt từ khâu Nhập số liệu, Xây dựng mô hình và Phân tích các hệ số của mô hình

3.3.1 Xác định bộ số liệu đầu vào và nhập số liệu

Lẽ dĩ nhiên, số liệu chuẩn bị cho một mô hình hồi quy càng nhiều, càng đa dạng thì càng tốt Điều đó sẽ giúp cho chúng ta có thêm lựa chọn về mô hình tính toán dạng hàm số cũng như tăng độ chính xác trong dự báo Tuy nhiên, trong nhiều trường hợp, việc thu thập những số liệu khoảng thời gian 15-20 năm trong quá khứ là điều không thể, nhưng không vì thế mà Simple_E từ chối chấp nhận với bộ số liệu ngắn hơn Đây

có thể được coi là một ưu điểm của chương trình này

Bộ số liệu đầu vào cho Simple_E bao gồm:

• Số liệu phát triển kinh tế-xã hội

o Dân số, số hộ

o GDP (theo giá thực tế & cố định)

o GDP chia theo các ngành kinh tế (Nông nghiệp, Công nghiệp-xây dựng và Dịch vụ)

o Chỉ số giá tiêu dùng (CPI), tỉ lệ lạm phát

• Số liệu tiêu thụ điện năng

o Tiêu thụ điện chia ra theo 5 ngành (Công nghiệp, Nông nghiệp, Dân dụng, Dịch

vụ & Khác)

o Tỉ lệ tổn thất và tự dùng (%)

o Điện sản xuất hay điện nhận

o Hệ số phụ tải

o Pmax của vùng dự báo (toàn quốc hoặc tỉnh)

o Tỷ lệ điện khí hóa nông thôn

• Số liệu về giá điện

o Gía điện bình quân chia theo từng ngành và giá điện bình quân tổng

• Số liệu về tiết kiệm điện năng:

o Tỉ lệ tiết kiệm điện năng (cho Toàn quốc hoặc tỉnh) và cho từng ngành

Ngoài các số liệu chính nêu trên, bộ cơ sở dữ liệu có thể bao gồm cả những số liệu khác như: nhiệt độ, giá dầu được đánh giá là ảnh hưởng đến tiêu thụ điện, hoặc có thể phân chia số liệu chi tiết hơn ví dụ như: dân số chia ra (thành thị, nông thôn), GDP công nghiệp chia thành (công nghiệp khai khoáng, chế tạo, chế biến thực phẩm ) tuỳ theo mục đích và yêu cầu của người làm dự báo

Bộ số liệu cơ sở này được nhập vào trong sheet “Data” Các biến đưa vào cần phải được định nghĩa và có thể được kí hiệu khác nhau tuỳ theo người sử dụng Có thể tham khảo thêm trong bảng phân chia biến dưới đây và cách thức trình bày trong Hình 5

Hình 5 Nhập số liệu trong sheet Data

Bảng 4 Mô tả các biến số trong mô hình dự báo nhu cầu điện

GDPCM Dịch vụ-thương mại

GRCM Dịch vụ-thương mại %

SHCM Dịch vụ-thương mại %

SHT Tổng %

INCOR Tỉ lệ tiết kiệm % INTEC Cải tiến công nghệ %

INELF Cường độ GWh/tỷ VND giá 1994

RECOR Tỉ lệ tiết kiệm S% RETEC Cải tiến công nghệ %

REELF Cường độ GWh/tỷ VND giá 1994

CMEL1 Dịch vụ -thương mại GWh

CMCOR Tỉ lệ tiết kiệm S% CMTEC Cải tiến công nghệ %

CMELF Cường độ GWh/tỷ VND giá 1994

CMEL Dịch vụ-thương mại sau khi tiết kiệm GWh

AGCOR Tỉ lệ tiết kiệm S% AGTEC Cải tiến công nghệ %

AGELF Cường độ GWh/tỷ VND giá 1994

OTCOR Tỉ lệ tiết kiệm S% OTTEC Cải tiến công nghệ %

OTELF Cường độ GWh/tỷ VND giá 1994

FNEL Tổng điện thương phẩm GWh

PCMEL Dịch vụ-thương mại VND/kWh

3.3.2 Xây dựng hàm hồi quy

Trên cơ sở bộ số liệu đã thu thập được, tiếp tục xây dựng hàm hồi quy phân tích mối quan hệ giữa tiêu thụ điện năng của từng ngành và tổng toàn quốc (hoặc toàn tỉnh) với các biến chính như GDP (theo từng ngành), Dân số, Thu nhập trên đầu người, Tỉ lệ điện khí hoá, Giá điện, Tỉ lệ kiết kiệm điện

Đối với mỗi cách tiếp cận dự báo khác nhau sẽ có các hàm hồi quy khác nhau Các dạng hàm thường hay được sử dụng trong dự báo nhu cầu điện là: $DL (log 2 vế), $TG (hàm tăng trưởng), $GS (thăm dò lưới), $CA (điều chỉnh hằng số) Chúng ta cũng có thể lựa chọn các biến số khác nhau tuỳ theo cách tiếp cận khác nhau

Hàm hồi quy được đánh giá, kiểm tra theo các chỉ tiêu sau:

• Hệ số xác định hồi quy bội R2 > 0,85

• Giá trị thử hệ số hồi quy t >2

• Hệ số Durbin Watson 1<DW<3

Hình 7 dưới đây cho thấy các hệ số của mô hình và các thông số kiểm định của mô hình

dự báo

Hình 6 Xây dựng hàm hồi quy và cách thức trình bày trong Simple_E

Hình 7 Kết quả của mô hình đã xây dựng