Sử dụng wavelet để dự báo phụ tải thành phố cần thơ

--- Đại Học Quốc Gia Thành Phố Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA --- LA HOÀNG THẢO SỬ DỤNG WAVELET ĐỂ DỰ BÁO PHỤ TẢI THÀNH PHỐ CẦN THƠ Chuyên ngành: THIẾT BỊ MẠNG VÀ NHÀ MÁY ĐIỆN

-

Đại Học Quốc Gia Thành Phố Hồ Chí Minh

TRƯỜNG ĐẠI HỌC BÁCH KHOA

-

LA HOÀNG THẢO

SỬ DỤNG WAVELET ĐỂ DỰ BÁO PHỤ TẢI

THÀNH PHỐ CẦN THƠ Chuyên ngành: THIẾT BỊ MẠNG VÀ NHÀ MÁY ĐIỆN

LUẬN VĂN THẠC SĨ

Thành Phố Hồ Chí Minh, tháng 06 năm 2008

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH

Cán bộ hướng dẫn khoa học: Tiến Sĩ LÊ MINH PHƯƠNG

Cán bộ chấm nhận xét 1 :

Cán bộ chấm nhận xét 2 :

Luận văn thạc sĩ được bảo vệ tại:

HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA THÀNH PHỐ HỒ CHÍ MINH

Ngày tháng năm 2008

- -oOo -

Thành Phố Hồ Chí Minh, ngày 25 tháng 06 năm 2008

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ và tên học viên: LA HOÀNG THẢO Phái: Nam

Ngày, tháng, năm sinh : 13.03.1965 Nơi sinh : Cần Thơ Chuyên ngành : THIẾT BỊ, MẠNG VÀ NHÀ MÁY ĐIỆN MSHV: 01806813

Khoá (Năm trúng tuyển) : 2006

1- TÊN ĐỀ TÀI:

SỬ DỤNG WAVELET ĐỂ DỰ BÁO PHỤ TẢI THÀNH PHỐ CẦN THƠ

2- NHIỆM VỤ LUẬN VĂN:

- Nghiên cứu tìm hiểu về phép phân tích wavelet

- Tìm hiểu ứng dụng của wavelet trong xây dựng mô hình dự báo phụ tải

- Ứng dụng phép phân tích Wavelet để dự báo phụ tải cho Thành Phố Cần Thơ

- So sánh kết quả dự báo với thực tế và đưa ra hướng phát triển của đề tài

3- NGÀY GIAO NHIỆM VỤ: 26.01.2008

4- NGÀY HOÀN THÀNH NHIỆM VỤ: 30.06.2008

5- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: Tiến Sĩ LÊ MINH PHƯƠNG

CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM NGÀNH CHỦ NHIỆM BỘ MÔN

QUẢN LÝ CHUYÊN NGÀNH

Nội dung và đề cương Luận văn thạc sĩ đã được Hội Đồng Chuyên Ngành thông qua

Ngày tháng năm 2008

PHÒNG ĐÀO TẠO SAU ĐẠI HỌC KHOA QUẢN LÝ CHUYÊN NGÀNH

Sau thời gian học tập, nghiên cứu tại trường Đại Học Bách Khoa Thành Phố Hồ chí Minh, em đã được Quý Thầy (Cô) trang bị và truyền đạt những kiến thức, kinh nghiệm vô cùng quý báu Vì vậy trong suốt quá trình học tập em luôn được củng cố và nâng cao kiến thức của mình

Với lòng kính trọng và biết ơn sâu sắc, em xin chân thành cảm ơn Quý Thầy (Cô) Khoa Điện – Điện Tử, Phòng Đào Tạo Sau Đại Học, Thư Viện Trường Đại Học Bách Khoa, Sở Điện Lực Thành Phố Cần Thơ… đã tận tình giảng dạy, hướng dẫn, động viên và tạo điều kiện để em hoàn thành luận văn này

Đặc biệt, em xin chân thành cảm ơn Tiến Sĩ Lê Minh Phương đã

trực tiếp hướng dẫn và cung cấp những tài liệu vô cùng quý báu để luận văn hoàn thành đúng thời hạn

Trong suốt quá trình thực hiện luận văn em đã nhận được sự ủng

hộ nhiệt tình của tất cả anh chị học viên Cao Học khóa 2006 và các đồng nghiệp cùng cơ quan nơi em đang công tác

Mặc dù đã có nhiều cố gắng, nhưng do quỹ thời gian có hạn, phải nghiên cứu một vấn đề mới mẽ và rộng lớn của việc sử dụng Wavelet trong

dự báo phụ tải, do đó không sao tránh khỏi những sai sót trong luận văn này Kính mong Quý Thầy (Cô) và các bạn xem xét, góp ý chân tình để em có cơ hội hoàn thành tốt hơn luận văn của mình và từ đó có thể triển khai áp dụng thực tế trong việc dự báo phụ tải Thành Phố Cần Thơ

Thành Phố Hồ Chí Minh, ngày 20 tháng 06 năm 2008

Người thực hiện

La Hoàng Thảo

Chương I MỞ ĐẦU

1.1 Sự cần thiết của đề tài……….Trang 1

1.2 Những đề tài đã thực hiện.……… 2

1.3 Nhiệm vụ và mục tiêu của đề tài.……….….5

1.4 Kết quả đạt được ……… … 5

Chương II CÁC PHƯƠNG PHÁP DỰ BÁO PHỤ TẢI 2.1.Tổng quan về dự báo.……… ……… 5

2.2 Các phương pháp dự báo.……… 9

2.2.1 Phương pháp tính hệ số vượt trước………

2.2.2 Phương pháp tính trực tiếp………

2.2.3 Phương pháp so sánh đối chiếu………

2.2.4 Phương pháp chuyên gia………

2.2.5 Phương pháp san bằng hàm số mũ………

2.2.6 Phương pháp ngoại suy theo thời gian………

2.2.7 Mô hình Brown………

2.2.8 Mô hình Bayes………

2.2.9 Mô hình Wavelet………

Chương III KHÁI NIỆM VỀ MẠNG WAVELET VÀ ỨNG DỤNG 3.1 Phép biến đổi Wavelet ……….…… 15

3.1.1 Biến đổi Wavelet liên tục ………

3.1.2 Biến đổi Wavelet rời rạc………

3.1.3 Wavelet rời rạc 2-D………

3.1.5 Một số họ Wavelet thường gặp ………

3.2 Ứng dụng……… ………28

3.2.1 Đặc tính tỉ lệ………

3.2.1 Đặc tính thời gian………

Chương IV DỰ BÁO PHỤ TẢI THÀNH PHỐ CẦN THƠ. 4.1 Giới thiệu tổng quan về Thành Phố Cần Thơ và Điện Lực Thành Phố Cần Thơ.……….…29

4.1.1 Giới thiệu tổng quan về Thành Phố Cần Thơ………

4.1.2 Giới thiệu tổng quan về Điện LựcThành Phố Cần Thơ………

4.2 Dự báo phụ tải Thành Phố Cần Thơ.……….…39

4.2.1 Wavelet Toolbox và công cụ Wavelet 1-D………

4.2.2 Dùng wavelet để phân tích dữ liệu phụ tải Thành Phố Cần Thơ… 4.2.2.1 Dữ liệu theo ngày………

4.2.2.2 Dữ liệu theo tháng………

4.2.2.3 Dữ liệu theo năm………

4.3 Kết quả dự báo………

4.3.1 Dự báo phụ tải ngày………

4.3.2 Dự báo phụ tải tháng ………

4.3.3 Dự báo phụ tải năm………

Chương V CHƯƠNG TRÌNH DỰ BÁO PHỤ TẢI 5.1 Giới thiệu ……… ………96

5.2 Giao diện của chương trình………

5.2.2 Giao diện nhập dữ liệu……… 5.2.3 Giao diện xử lý dữ liệu……… 5.2.4 Giao diện tính sai số, cập nhật và lưu dữ liệu………

Chương VI KẾT QUẢ VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI

6.1 Kết quả……… 6.2 Hướng phát triển của đề tài………

PHỤ LỤC SỐ LIỆU PHỤ TẢI CỦA THÀNH PHỐ CẦN THƠ

? Số liệu công suất 24 giờ (MW) của Thành Phố Cần Thơ

(từ ngày 01.01.2005 đến 31.12.2007)………

? Số liệu sản lượng điện hàng tháng (MW) của Thành Phố Cần Thơ

(từ năm 1997 đến năm 2007) ………

SỬ DỤNG WAVELET ĐỂ DỰ BÁO PHỤ TẢI

THÀNH PHỐ CẦN THƠ

Chương I MỞ ĐẦU

1 SỰ CẦN THIẾT CỦA ĐỀ TÀI

Việc sản xuất và tiêu dùng năng lượng ngày một phát triển, nó tác động qua lại tới nhiều vấn đề lớn của xã hội như: phát triển kinh tế, dân số, chất lượng cuộc sống, trình độ công nghệ và mức độ công nghiệp hoá, môi trường sinh thái, các chế độ chính sách của nhà nước đối với vấn đề năng lượng……Hệ thống năng lượng ngày càng một phức tạp cả về qui mô và trình độ, do đó việc qui hoạch phát triển và dự báo đúng hướng

hệ thống năng lượng nói chung và hệ thống điện nói riêng luôn là vấn đề thời sự, là mối quan tâm hàng đầu của mọi quốc gia

Trong ngành năng lượng, dự báo phụ tải có ý nghĩa vô cùng quan trọng vì nó gắn liền và ảnh hưởng trực tiếp đến đời sống sinh hoạt của nhân dân và các ngành kinh tế quốc dân Ngoài ra, dự báo phụ tải có ý nghĩa quyết định trong việc đảm bảo chế độ làm việc an toàn và tiết kiệm của hệ thống điện, đồng thời nó có tính chất quyết định trong việc hoạch định chiến lược phát triển hệ thống

Năng lượng là một vấn đề thu hút sự quan tâm của mọi quốc gia trong mọi thời đại Không thể hình dung được sự thiếu vắng của năng lượng trong mọi hoạt động của con người, nhất là trong thời đại ngày nay, khi mà khoa học kỹ thuật đã đạt trình độ rất cao để con người từng bước chinh phục được thiên nhiên và làm chủ được cuộc sống của mình

Khi dự báo ta cần quan tâm đến tính chính xác:

ª Nếu ta dự báo thừa so với nhu cầu sử dụng thì việc huy động nguồn quá

lớn sẽ làm tăng vốn đầu tư dẫn đến lãng phí và có thể tăng tổn thất năng lượng

ª Nếu ta dự báo phụ tải quá thấp so với nhu cầu thì sẽ không đủ năng

lượng cung cấp dẫn đến việc cắt bỏ một số phụ tải không có kế hoạch gây thiệt hại cho nền kinh tế

Ở nước ta, từ những năm 60 đến nay, đã liên tục đề cập, xem xét, tổ chức nghiên cứu về vấn đề này Nhưng cho đến nay, vẫn có nhiều vấn đề cần phải nghiên cứu tiếp, hệ thống điện của ta cần phải mở rộng và phát triển để đáp ứng nhu cầu ngày càng cao của sản xuất và tiêu dùng

Các phương pháp dự báo phụ tải truyền thống thường không chính xác với thực tế vì số lượng cơ sở dữ liệu không đầy đủ và có nhiều sai số hay đòi hỏi quá nhiều thời gian tính toán Trong thực tế không tồn tại phương trình với những tham số có sẵn

mà ta có thể biết được giá trị gần đúng hoặc kỳ vọng toán học Do đó, ta phải đưa ra một phương trình có sẵn với những tham số chưa được biết, dùng phương pháp gần đúng để tìm ra những tham số này và như vậy độ chính xác sẽ giãm đi rất nhiều Các phương pháp

cổ điển sử dụng có hiệu quả khi các dữ liệu quan hệ tuyến tính với nhau, nó không thể trình bày rõ ràng các mối liên hệ các mối liên hệ phi tuyến phức tạp giữa phụ tải và các tham số liên quan

Để nâng cao tính chính xác của các phương pháp dự báo phụ tải, các nhà khoa học đã đưa vào ứng dụng kỹ thuật hiện đại như: phương pháp thống kê, phương pháp hệ chuyên gia, sử dụng mạng Neural, sử dụng fuzzy logic, phép phân tích wavelet Các phương pháp trên ngày càng được quan tâm vì kết quả dự báo có chính xác hơn các phương pháp truyền thống

2 NHỮNG ĐỀ TÀI ĐÃ THỰC HIỆN

? Năm 1997, tác giả Gaviphat Lekutai có bài báo về:

“Các bộ điều khiển mạng Neural Wavelet tự điều chỉnh tương thích”

Kết quả: Mạng lưới sóng dựa trên bộ điều chỉnh cải thiện sự hoạt động của mạng lưới, giảm thiểu sự biến thiên giữa các đợt vận hành, đến giao thoa âm thanh và khả năng phức tạp cao nhằm nghiên cứu và theo dõi các hệ thống phức tạp chưa được biết đến Mạng lưới sóng này có thể khắc phục những vấn đề nêu trên và hy vọng đóng góp

vào việc đặt nền móng cho sự phát triển hơn nữa của mạng Neural tương thích dựa vào phương pháp hệ thống điều khiển

? Năm 1999, các tác giả Anant Oonsivilai, El-Hawary có bài báo:

“ Dự báo tải ngắn hạn của hệ thống điện dựa trên mạng Neural Wavelet”

Giới thiệu phương pháp tiếp cận cho việc dự đoán hệ thống điện tải sử dụng

mạng Neural Wavelet

Kết quả: Mạng Neural Wavelet có thể làm tốt hơn những cấu trúc truyền thống trong phương diện xấp xỉ và dự báo liên quan đến hệ thống điện

? Năm 2000, các tác giả Zidan Bashir, El-Hawary có bài báo:

“ Sử dụng mạng Neural Wavelet dự báo tải ngắn hạn”

Dữ liệu đầu vào được thu thập trong khoảng 2 năm (1994-1995) nhằm

nghiên cứu mạng lưới và dữ liệu của năm 1996 dùng để kiểm tra mạng lưới

Kết quả: Mạng lưới được so sánh với mạng Neural nhân tạo và đưa ra dự báo cải thiện với độ hội tụ nhanh

? Năm 2001, các tác giả C.M.Huang, H.T.Yang có bài báo:

“ Ứng dụng mạng Wavelet cho dự báo phụ tải ngắn hạn”

Kết quả: Bài báo đề nghị phương pháp tiếp cận được kiểm tra lại qua các dữ liệu khác nhau đối với hệ thống điện và tải trạm Sự so sánh sai số dự báo và thời gian thực hiện dùng mạng Wavelet có thể vượt trội hơn so với mạng Neural nhân tạo hiện thời

? Năm 2001, các tác giả Zhao-Yang Dong, Bai-Ling Zhang, Qian Huang có

bài báo về:

“Sự tương thích của mạng Neural Network với các phân tích Wavelet trong dự báo phụ tải ngắn hạn”

Bài nghiên cứu giới thiệu mô hình lai để lồng ghép thông tin entropi với

mạng neural nhằm thiết lập mô hình dự báo tải ngắn hạn Mô hình được giới thiệu có cải thiện một cách hiệu quả tính chính xác của dự báo

Kết quả: mô hình đã được kiểm tra với việc sử dụng dữ liệu tải hàng ngày ở tỉnh Heibei với những kết quả thỏa đáng

? Năm 2002, các tác giả Zheng hua, Zhang Lizi có bài báo về:

”Sử dụng biến đổi Wavelet để dự báo phụ tải ngắn hạn”

Trong những năm gần đây, phương pháp phân tích Wavelet có thể giúp chúng ta thu được những tín hiệu mong muốn với tần số khác nhau bằng phân tích trong nhiều mức khác nhau, được ứng dụng rộng rãi trong nhiều lĩnh vực kể cả hệ thống điện

Kết quả: Qua phân tích và so sánh, phương pháp có thể cải thiện tính khả thi của các thành phần tải được phân tích và nâng cao tính chính xác của dự báo, dự báo trong 24 giờ với sai số trung bình là 1,16%

? Năm 2004, các tác giả Yanqiu Bi, Jianguo Zhao, Dahai Zhang có bài báo

về:

“Thuật toán dự báo phụ tải sử dụng phân tích Wavelet gói”

Kết quả: Thuật toán sử dụng wavelet nhằm phân tích dữ liệu để rút ra thành phần tải của các tần số khác nhau và sau đó mạng Neural được dùng để dự đoán thành phần tải của mỗi gói Wavelet, những thuật toán được đề xuất nâng cao tính chính xác của

dự báo và nó tốt hơn so với mạng lưới Neural lan truyền ngược, dự báo trong 24 giờ với sai số trung bình là 1,18%

? Năm 2004, các tác giả Trương Quang Đăng Khoa, Lê Minh Phương, Phan Thị Thanh Bình, Nguyễn Thị Hồng Liên có bài báo về:

“Ứng dụng về mạng Neural và Wavelet để dự báo phụ tải dài hạn”

Bài nghiên cứu đề nghị đặc tính xấp xỉ của mạng Wavelet và Neural để xác định chức năng biểu thị mối liên hệ giữa biến số và năng lượng đầu ra Kiến nghị của bài báo là mạng lưới liên kết chức năng, mạng lưới Neural nhiều lớp và mạng Wavelet

Kết quả: Trong 3 năm thử nghiệm, kỹ thuật dự báo hiện đại: mạng Wavelet Neural (sai số 1,7548%) và mạng Emal (sai số 2,59%) đưa ra nhiều kết quả tốt hơn so với

kỹ thuật dự báo truyền thống (sai số 3,51%)

? Năm 2007, các tác giả Nguyễn Hoàng Việt, Trần Anh Dũng, Nguyễn Quang Thi có

bài báo về:

“ Mạng Wavelet cho các bài toán dự báo phụ tải ngắn hạn trong các ngày đặc biệt”

Bài báo này đưa ra vấn đề dự báo phụ tải tiêu thụ bằng phương pháp mạng Wavelet Phương pháp này kết hợp mô hình mạng Neural nhân tạo, hàm Wavelet và logic

mờ để dự báo ngắn hạn của phụ tải tiêu thụ trong các ngày lễ, Tết Phụ tải tiêu thụ trong các ngày này rất khác biệt so với các ngày bình thường Nếu áp dụng chương trình dự báo các ngày bình thường để dự báo các ngày này sẽ đưa ra kết quả sai lệch rất lớn, do vậy ta phải xây dựng chương trình dự báo cho các ngày đặc biệt Chương trình dự báo được viết trên ngôn ngữ Matlab 6.5

Thành Phố Cần Thơ là thành phố đồng bằng cấp quốc gia văn minh hiện đại, xanh, sạch, đẹp, xứng đáng là Thành Phố cửa ngõ của cả vùng hạ lưu sông Mê Kông; là trung tâm công nghiệp; trung tâm thương mại – dịch vụ và du lịch; trung tâm giáo dục – đào tạo và khoa học – công nghệ; trung tâm y tế và văn hoá, là đầu mối quan trọng về giao thông vận tải nội vùng và liên vận quốc tế, là địa bàn trọng điểm giữ vị trí chiến lược

về an ninh – quốc phòng của vùng Đồng Bằng Sông Cửu Long và cả nước Là một giáo viên công tác trong ngành giáo dục tại Thành Phố Cần Thơ Và hiện đang theo học lớp

“ Thiết bị, mạng và nhà máy điện” khoá 2006, tôi đã chọn đề tài “ Sử dụng Wavelet để

dự báo phụ tải Thành Phố Cần Thơ” với mục đích khám phá những ưu điểm của phép

phân tích Wavelet và sử dụng phép phân tích này để dự báo phụ tải cho Thành Phố Cần Thơ

3 NHIỆM VỤ VÀ MỤC TIÊU CỦA ĐỀ TÀI

- Nghiên cứu tìm hiểu về phép phân tích Wavelet

- Tìm hiểu ứng dụng của Wavelet trong xây dựng mô hình dự báo phụ tải

- Ứng dụng phép phân tích Wavelet để dự báo phụ tải cho Thành Phố Cần Thơ

- So sánh kết quả dự báo với thực tế và đưa ra hướng phát triển của đề tài

4 KẾT QUẢ ĐẠT ĐƯỢC

Thiết kế chương trình dự báo phụ tải ngắn hạn, trung hạn, dài hạn (ngày, tháng,

Ứng dụng xây dựng mô hình dự báo phụ tải trên nền Matlab phục vụ cho công tác dự báo

Đáp ứng cho nhu cầu phát triển trong tương lai của ngành điện, một khi điện năng trở thành một thứ hàng hóa, các bên mua và bán đều thực hiện giao dịch qua thị trường Lúc này, công tác dự báo trở nên vô cùng cần thiết cho nền kinh tế thị trường Nắm bắt được quy luật cung cầu cũng như vấn đề sống còn cho các nhà quản lý, đầu tư

Ngoài mục đích phục vụ cho công tác quản lý và vận hành hệ thống điện, mô hình trên có thể phục vụ cho các công tác dự báo khác như: dự báo thời tiết, dự báo tốc độ tăng trưởng kinh tế, dự báo tốc độ tăng dân số, dự báo giá vàng……

2.1 TỔNG QUAN VỀ DỰ BÁO

Con người luôn qua tâm đến tương lai và dự báo là một vấn đề 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

Dự báo là đi tìm một mô hình toán thích hợp mô tả quan hệ, phụ thuộc của đại lượng cần

dự báo vào các yếu tố khác, hay chính bản thân nó Nhiệm vụ chính của dự báo là việc xác định các tham số mô hình Về mặt lý luận các tính chất của mô hình dự đoán được nghiên cứu trên cơ sở giả định rằng nó được ứng dụng để dự đoán một quá trình nào đó sinh ra bằng một mô hình giải tích

Hiện nay có nhiều phương pháp luận cho hoạt động dự báo mà hầu hết các phương pháp ấy đều mang tính chất kinh nghiệm thuần túy Vận dụng cách giải quyết theo kinh nghiệm vào việc dự báo là không đầy đủ, vì cách làm ấy chỉ hoàn toàn dựa trên những kinh nghiệm của quá khứ mà các kinh nghiệm ấy không phải lúc nào cũng có thể vận dụng vào hoàn cảnh đã thay đổi so với trước Do đó cần phải hoàn thiện về mặt lý thuyết các vấn đề dự báo Sự hoàn thiện ấy cho phép chúng ta có thêm cơ sở tiếp cận với

việc lựa chọn các phương pháp dự báo, đánh giá mức độ chính xác của dự báo đồng thời xác định khoảng thời gian lớn nhất có thể dùng cho dự báo

Tác dụng của dự báo đối với quản lý kinh tế nói chung rất lớn Dự báo và lập

kế hoạch là hai giai đoạn liên kết chặt chẽ vớI nhau của một quá trình quản lý Trong mối quan hệ ấy phần dự báo sẽ góp phần giải quyết các vấn đề cơ bản sau:

- Xác định xu thế phát triển

- Đề xuất những yếu tố cụ thể quyết định các xu thế ấy

- Xác định quy luật và đặc điểm của sự phát triển của nhu cầu điện năng và phụ tải điện

Nếu công tác dự báo mà dựa trên lập luận khoa học thì nó sẽ trở thành cơ sở

để xây dựng các kế hoạch phát triển nền kinh tế quốc dân Đặc biệt đối với ngành năng lượng thì tác dụng của dự báo càng có ý nghĩa quan trọng vì năng lượng có liên quan rất chặt chẽ đối với tất cả các ngành kinh tế quốc dân, cũng như mọi sinh hoạt bình thường của nhân dân

Do đó nếu dự báo không chính xác hoặc sai lệch quá nhiều về khả năng cung cấp nhu cầu năng lượng thì sẽ dẫn đến những hạn chế không tốt cho nền kinh tế

Từ những yêu cầu cụ thể mà ta lựa chọn tầm dự báo, ví dụ để xây dựng kế hoạch phát triển hay chiến lược ta phải dự báo dài hạn hay trung hạn Nếu để phục vụ cho công việc vận hành ta tiến hành dự báo ngắn hạn

Các tầm dự báo

- Dự báo tức thời (current forecast) : giờ

- Dự báo ngắn hạn ( short term) : ngày hoặc nhiều ngày Còn gọi là dự báo điều độ, được sử dụng trong các kế hoạch sản xuất, điều khiển trực tuyến, đảm bảo an toàn trong công tác vận hành hệ thống điện và chúng đóng vai trò quan trọng trong quyết định những đơn vị liên quan, xoay vòng lượng

dự trữ, năng lượng thay thế một cách kinh tế quản lý tải…

- Dự báo trung hạn (medium term) : tuần hoặc nhiều tuần Cần cho việc tìm nhiên liệu, lịch trình phát điện

- Dự báo dài hạn (long term) : năm hoặc nhiều năm Dùng vào kế hoạch mở rộng hệ thống điện và phân tích nguồn tài chính

Tính đúng đắn của dự báo phụ thuộc nhiều vào các phương pháp dự báo mà chúng ta áp dụng, mỗi phương pháp dự báo ứng với các sai số cho phép khác nhau Đối với các dự báo ngắn hạn, sai số cho phép khoảng 3% ÷ 5% Còn đối với dự báo dài hạn

số cho phép khoảng 5% ÷ 20%

Có hai phương pháp dự báo chính: theo chuỗi thời gian và tương quan

+ Dự báo theo chuỗi thời gian là tìm quy luật thay đổi của đại lượng cần dự

báo phụ thuộc vào giá trị của đại lượng đó trong quá khứ

Mô hình toán học:

Ŷ(t) = f(a0,a1,a2 ,…an ,Y(t-1), Y(t-2),…, Y(t-n))

= a 0 + a 1 Y(t-1)+a 2 Y(t-2)+a 3 Y(t-3)…a n Y(t-n) (2.1)

Trong đó :Ŷ(t) - là giá trị đại lượng cần dự báo tại thời điểm t

F(t – 1), F(t – 2) …F(t – n) - giá trị của đại lượng trong quá khứ

a 0 , a 1 , a n - thông số mô hình dự báo cần tìm

+ Dự báo theo phương pháp tương quan là tìm quy luật thay đổi của đại

lượng cần dự báo phụ thuộc vào các đại lượng liên quan

Mô hình toán học:

Ŷ(t) = f(a1, a2, an, A0, A1, A2, , An) = A0 + a1 A1+ a2 A2 + a3 A3 +…+ an An (2.2) Trong đó: Ŷ - là giá trị cần dự báo

A , A KA - giá trị của các đại lượng liên quan

1 2 n

a ,a ,a - thông số mô hình dự báo cần tìm

Việc xác định giá trị của các thông số mô hình dự báo cho cả hai phương pháp phần lớn đều đều dựa trên nguyên tắc bình phương cực tiểu:

Trong đó: - giá trị thực của đại lượng cần dự báo Yi

Tức là lấy đạo hàm của biểu thức trên theo thông số của mô hình dự báo

2.2.1 Phương pháp tính hệ số vượt trước

Phương pháp này dựa trên khuynh hướng phát triển của nhu cầu điện năng và

độ phát triển năng lượng điện và nhịp độ phát triển của toàn bộ nền kinh tế quốc dân Ngoài ra phương pháp này còn chịu ảnh hưởng của nhiều yếu tố khác nữa, chẳng hạn như:

+ Do tiến bộ về mặt khoa học kỹ thuật và quản lý nên suất tiêu hao điện năng đối với mỗi sản phẩm công nghiệp ngày càng giảm xuống

+ Do điện năng ngày càng được sử dụng rộng rãi trong các ngành kinh tế quốc dân và các địa phương

+ Do cơ cấu kinh tế không ngừng thay đổi

Việc xác định giá trị K khó có thể đảm bảo chính xác, vì thế hiện nay phương pháp này hầu như không được sử dụng

2.2.2 Phương pháp tính trực tiếp

Nội dung của phương pháp này là xác định nhu cầu điện năng của năm dự báo dựa trên tổng sản lượng kinh tế của các ngành ở năm đó và suất tiêu hao điện năng đối với từng loại sản phẩm Đối với những trường hợp không có suất tiêu hao điện năng thì xác định nhu cầu điện năng cho từng trường hợp cụ thể (như công suất điện trung bình cho một hộ gia đình, bệnh viện, trường học v.v )

Phương pháp tính trực tiếp thường được ứng dụng ở các nước xã hội chủ nghĩa vì nền kinh tế phát triển có kế hoạch, ổn định, không có sự cạnh tranh nhau và không có khủng hoảng Phương pháp này có ưu điểm là tính toán đơn giản, và ngoài yêu cầu xác định tổng điện năng dự báo chúng ta còn biết được tỷ lệ sử dụng điện năng trong các ngành kinh tế, chẳng hạn tỷ lệ điện năng dùng cho công nghiệp, nông nghiệp, dân dụng , cũng như xác định được nhu cầu điện ở các khu vực địa lý khác nhau Từ đó có thể đề xuất các phương hướng điều chỉnh, quy hoạch cho cân đối Tuy nhiên xác định mức độ chính xác của phương pháp này cũng gặp nhiều khó khăn vì nó phụ thuộc vào mức độ chính xác của tổng sản lượng các ngành kinh tế quốc dân trong tương lai dự báo, cũng như phụ thuộc vào suất tiêu hao điện năng của một đơn vị sản phẩm sản xuất của các ngành kính tế ấy

Do đó phương pháp này thường được áp dụng để dự báo nhu cầu điện năng cho thời gian

ngắn và trung bình

2.2.3 Phương pháp so sánh đối chiếu

Nội dung của phương pháp này là so sánh đối chiếu nhu cầu phát triển điện

năng của các nước có hoàn cảnh tương tự Đây cũng là phương pháp được nhiều nước áp

dụng để dự báo nhu cầu năng lượng của nước mình một cách hiệu quả Tuy nhiên việc áp

dụng phương pháp này không phải lúc nào cũng thực hiện được, vì chỉ có các nước giống

nhau nhiều mặt: địa lý, dân số, cơ cấu kinh tế thì mới có thể ứng dụng phương pháp này

mới hiệu quả

2.2.4 Phương pháp chuyên gia

Phương pháp này dựa trên những hiểu biết sâu sắc của các chuyên gia giỏi về

các lĩnh vực của các ngành để dự báo các chỉ tiêu kinh tế Cũng có khi dùng phương pháp

này để dự báo triển vọng, lúc ấy người ta lấy trung bình trọng lượng ý kiến của các

chuyên gia phát triển về năng lượng của nước mình Mặc dù vậy phương pháp này cũng

chỉ mang tính chủ quan, nên độ chính xác và độ tin cậy không cao

Thí dụ: Với tốc độ tăng trưởng kinh tế khoảng 7%/ năm, nếu xét đối với các

nền kinh tế đã trải qua giai đoạn phát triển tương tự như nước ta, tốc độ tăng nhu cầu điện

năng sẽ rơi vào khoảng 11-19%/năm Như vậy dãi kinh nghiệm là quá rộng, việc lựa chọn

hệ số đàn hồi chính xác sẽ trở nên khó khăn hơn và phần nào mang tính chủ quan Thông

qua tính toán bằng phương pháp luận khoa học, chúng ta có thể thu hẹp khoảng cách trên

và qua đó việc lựa chọn sẽ chính xác hơn và độ sai lệch sẽ ít hơn

2.2.5 Phương pháp san bằng hàm mũ

Mỗi toán tử dự báo được đặc trưng bởi một hàm hồi quy (còn gọi là hàm xu

thế) Trong các hàm hồi quy ấy, thường các hệ số được xác định theo phương pháp bình

phương tối thiếu Bản thân phương pháp này cho ta các hệ số không đổi của mô hình dự

báo trên cơ sở những số liệu quan sát trong quá khứ

Sử dụng mô hình này để tính dự báo cho tương lai với các hệ số hằng sẽ phạm một sai số nào đó tùy thuộc vào khoảng thời gian dự báo Nếu tằm dự báo càng xa thì xai số càng lớn Người ra nhận thấy rằng những số liệu gần hiện tại có ảnh hưởng đến giá trị dự báo nhiều hơn những số liệu ở quá khứ xa Nói cách khác tỉ trọng của các số liệu đối với giá trị dự báo giảm theo hàm mũ khi lùi về quá khứ

Phương pháp dựa trên nguyên tắc hiệu chỉnh các hệ số của toán tử dự báo theo phương pháp truy ứng

Giả thiết có một chuỗi thời gian y (t 1, 2, , n)t = K và được mô tả bằng một đa thức bậc p

p p

(k) t

y

k 0,1,2, ,p = K

Giá trị trung bình mũ bậc một của chuỗi y t xác định như sau:

khứ đến dự báo Nếu α tiến tới 1, nghĩa là chỉ xét đến quan sát sau cùng Nếu α tiến tới

không, nghĩa là xét đến ảnh hưởng của mọi quan sát trong quá khứ

Giá trị trung bình mũ bậc k của chuỗi y t được biểu diễn theo bậc [k-1]

2.2.6 Phương pháp ngoại suy theo thời gian

Phương pháp này nghiên cứu sự diễn biến của nhu cầu điện năng trong một

thời gian quá khứ ổn định, tìm ra một quy luật nào đó, rồi kéo dài quy luật đó ra để dự

đoán trong tương lại

Giả sử mô hình có dạng hàm mũ như sau:

t - thời gian dự báo

Để xác định thừa số (1 + α) chúng ta dựa vào biểu thức

( )

C const A

Như vậy dạng hàm mũ có dạng đơn giản, phản ánh chỉ số phát triển hàng năm

không thay đổi Có thể xác định hằng số C bằng cách lấy giá trị trung bình nhân chỉ số

phát triển nhiều năm:

Lấy logarit hóa biểu thức log At = log A0 + t log C (2.16)

Đặt y log At ; a log A = 0; b = log C (2.17)

Thì (2.16) có thể viết: y = a + b.t

Vấn đề là phải xác định các hệ số a, b Muốn vậy ta dùng phương pháp bình

phương cực tiểu (đã được trình bày ở phần trước)

Ưu điểm của phương pháp ngoại suy hàm mũ là đơn giản và có thể áp dụng

để dự báo điện năng tầm ngắn và tầm xa Khuyết điểm của phương pháp này là chỉ cho

kết quả chính xác nếu tương lai không có nhiễu và quá khứ phải tuân theo một qui luật

Hiện nay các nhà khoa học đã và đang nghiên cứu các phương pháp và mô

hình dự báo có tính chính xác hơn Ví dụ như phương pháp dựa trên mô hình Brown, mô

hình Bayer, phương pháp phân Wavelet và phương pháp sử dụng mạng Neural nhân tạo

2.2.7 Mô hình Brown

Hàm dự báo tuyến tính có dạng:

Y = a + bt (2.18) Các hệ số của mô hình như sau được tính như sau:

2a(t) a(t 1) b(t 1) (1 = − + − + − β ⋅ ) e(t 1) − ;

2

b(t) b(t 1) (1 = − + − β ⋅ ) e(t 1) − (2.19)

Trong đó: β - là hệ số

2.2.8 Mô hình Bayes

Chuỗi thời gian y có phân bố f(y|θ) (phụ thuộc vào θ) Đánh giá mới sẽ thu

được ở dạng h ( | y)1 θ gọi là phân phối hậu nghiệm theo Bayes:

X - là ma trận đầu vào của mạng Neural

F - là hàm truyền của các Neural trong mạng

W - là ma trận trong số

Phương pháp này dựa trên cơ sở huấn luyện mạng Neural, tức là tìm ma trận

trọng số sao cho thỏa mãn điều kiện sai số huấn luyện là nhỏ nhất

2.2.10 Mô hình theo Wavelet

Chương III

KHÁI NIỆM VỀ MẠNG WAVELET VÀ ỨNG DỤNG

3.1 PHÉP BIẾN ĐỔI WAVELET

Phép biến đổi Wavelets là một bước cải tiến tiếp theo của phép biến đổi Fourier thời gian ngắn Như chúng ta đã biết phép biến đổi Fourier thời gian ngắn không thể hiện tính linh hoạt khi định vị các thành phần trong một tín hiệu vì kích thước cửa sổ phân tích không thay đổi được, do đó tín hiệu chỉ được phân tích ở một độ phân giải thời gian và độ phân giải tần số cố định Điều này được khắc phục trong phép biến đổi Wavelets, cửa sổ sử dụng để phân tích tín hiệu có thể được phóng to hay thu nhỏ (”zoom in” or “zoom out”) bởi một thao tác đơn giản là thay đổi hệ số co giãn (scale factor), đồng thời cửa sổ đó có thể dịch chuyển được thông qua một hệ số dịch chuyển (shift factor) trong hàm cơ sở Wavelets

Phép biến đổi Wavelets cho phép ta phân tích những khoảng thời gian dài để cho sự chính xác đối với thông tin tần số thấp và phân tích trong khoảng thời gian ngắn khi ta muốn thể hiện thông tin ở tần số cao

3.1.1 Biến đổi wavelet liên tục

Cho hàm Wavelets mẹ (Mother Wavelets) ψ ∈(t) L (R)2 là đáp ứng xung của

bộ lọc thông dài và có giá trị trung bình bằng 0

⎛ ⎞

ψ = ψ ⎜ ⎝ ⎟ ⎠ (3.2) Với: a ∈ R + \ { 0 } : hệ số tỷ lệ

( )

| |

∞ ψ

với ψ (ω) là hàm biến đổi Fourier của ψ(t)

Hàm Wavelets đã chuẩn hóa nên có năng lượng bằng 1

1 (t) (t) dt ( ) d 1

cTính chất của phép biến đổi Wavelets liên tục

Cho f(t) và g(t) có biến đổi Wavelets liên tục là và tương

ứng

f

CWT (a, b) CWT (a, b)g

Khi đó biến đổi Wavelets có các tính chất sau:

Tuyến tính: Tính chất tuyến tính của phép biến đổi Wavelets được suy ra trực

tiếp từ tính chất tuyến tính của tích trong

α (t)+ g(t) β ↔ α CWt (a, b)f + β CWT (a, b) (3.9)

Tính xê dịch: f(t) là một hàm được dịch bởi f(t) một đoạn b’ nghĩa là:

f (t) f (t b ) = − ′ (3.10)

Khi đó: CWT (a, b) CWT (a, b b )f = f − ′ (3.11)

Tính co giãn: f(t) là một hàm được co giãn từ f(t) bởi một hệ số s

Nghĩa là: f ( t ) 1 f t

ss

⎝ ⎠

⎝ ⎠ (3.12) Khi đó f(t) có biến đổi Wavelets như sau:

Tính bảo toàn năng lượng: tính chất bảo toàn năng lượng trong phép biến đổi

Wavelets cũng tương tự như đẳng thức Paserval trong phép biến đổi Fourier

Tính định vị: một trong những lý do tại sao phép biến đổi Wavelets được sử

dụng rộng rãi là khả năng định vị tốt về thời gian và tần số

• Tính định vị thời gian: khảo sát phần tín hiệu f(t) xung quanh thời điểm t t= 0

Câu hỏi được đặt ra là: những giá trị CWT(a,b) nào sẽ mang thông tin về tín hiệu f(t) tại hay miền nào trên mặt phẳng (a,b) sẽ cho biết thông tin về t0 f (t )0

Giả sử hàm Wavelets ψ(t) tồn tại trên đoạn và suy giảm rất nhanh ở ngoài đoạn này Do đó, tồn tại trên và tồn tại trên

Ví dụ: Biến đổi Wavelets liên tục của xung Dirac tại thời điểm là: t0

Với giá trị scale cho trước, một đường ngang trong miền Wavelets, phép biến

đổi bằng với hàm Wavelets tập trung xung quanh xung Dirac Như vậy giá trị scale càng

nhỏ thì hàm Wavelets càng hẹp và việc định vị xung Dirac càng tốt

Câu hỏi ngược lại: cho trước một điểm trong mặt phẳng

(a,b) Những vùng nào của tín hiệu f(t) góp phần tạo nên giá trị của điểm đó ? Từ vùng

tồn tại của , nếu t thỏa

Hàm mother Wavelets ψ(t) có tính chất như một lọc thông dài nên sẽ suy

giảm trong miền tần số bên ngoài vùng [ ω m i n , ω m a x Khi đó với mỗi giá trị của

a, dãy thông của hàm Wavelets ψa,b(t) là [ω m i n / a , ω m a x / a ]

Theo công thức trên, nếu tín hiệu có tần số ωi nằm trong đoạn

thì sẽ có ảnh hưởng lên phép biến đổi Hay nói cách khác, với mỗi hệ số scale a, phép biến đổi Wavelets sẽ cho qua các thành phần tần số trong khoảng và ngăn các thành phần khác Nếu a cùng lớn thì

d Năm bước thực hiện biến đổi Wavelet liên tục

Biến đổi wavelet liên tục là tổng trên suốt thời gian của tín hiệu được nhân bởi phiên bản tỉ lệ và dịch của Wavelet Quá trình này tạo ra các hệ số Wavelet là hàm tỷ

lệ và vị trí Nó thực sự là một quá trình rất đơn giản Có 5 bước để tạo CWT:

Bước 1 Lấy một wavelet và so sánh nó với khởi đầu của tín hiệu nguyên thủy

Bước 2 Tính toán giá trị C, đặc trưng cho tương quan gần của Wavelet với đoạn này

của tín hiệu C càng lớn, càng có sự tương tự Chính xác hơn, nếu năng lượng của tín hiệu

và Wavelet là bằng nhau, C có thể hiện là hệ số tương quan

So sánh Wavelet với tín hiệu nguyên thủy

Bước 3 Dịch Wavelet về phía bên phải và lặp lại bước 1, 2 cho đến khi hết tín hiệu

Dịch Wavelet Bước 4 Định tỉ lệ (kéo dãn) Wavelet và lặp lại các bước từ 1 đến 3

Định tỉ lệ Bước 5 Lặp lại các bước từ 1 đến 4 cho mọi tỉ lệ

Sau khi hoàn thành, chúng ta sẽ có các hệ số ở các tỉ lệ khác nhau bởi các đoạn khác nhau của tín hiệu Các hệ số tạo thành kết quả hồi quy của tín hiệu nguyên thủy thực hiện trên các Wavelet Vậy bằng cách nào chúng ta cảm nhận được các hệ số đó ? Chúng ta tạo ra đồ thị với trục x thể hiện vị trí dọc theo tín hiệu (thời gian), trục y đại diện cho tỉ lệ (scale), và màu sắc ở mỗi điểm x-y đại diện cho hệ số C

3.1.2 Biến đổi wavelet rời rạc

Việc tính toán các hệ số wavelet ở mọi tỷ lệ là một công việc mệt nhọc và phát sinh nhiều dữ liệu Vậy tại sao lại không sử dụng các tập con của các tỷ lệ và vị trí để thực hiện tính toán Như vậy là ta đã rời rạc hóa các thông số a, b theo các công thức sau

,

n

0

a a = b = n b a0 0m

c Phân tích đơn mức-lọc một tầng

Với nhiều tín hiệu, nội dung tần số thấp là phần quan trọng nhất Nó xác định tín hiệu Nội dung tần số cao, nói cách khác chỉ làm tăng thêm hương vị Ví dụ như giọng nói con người, nếu chúng ta tách bỏ phần cao tần, giọng có khác nhưng ta vẫn có thể hiểu những gì được nói Tuy nhiên, nếu loại bỏ thành phần tần số thấp đến một mức nào đó ta

sẽ không nghe rõ nữa Trong Wavelet, sự xấp xỉ là thành phần tỉ lệ cao, tần số thấp Chi tiết là thành phần tỉ lệ thấp, tần số cao Tiến trình lọc ở mức cơ bản nhất có sơ đồ như sau đây:

2000 mẫu Các tín hiệu A và D rất tuyệt nhưng ta thu được 2000 mẫu thay vì 1000 lúc ban đầu

Phương pháp tinh tế hơn để phân tách là dùng Wavelet Xem xét cẩn thận về tính toán ta có thể chỉ giữ một nửa của 2000 mẫu để nhận được thông tin đầy đủ Đó là khái niệm bộ giảm mẫu (downsampling), với các đầu ra là các hệ số cD và cA

d Phân tích đa mức

Quá trình phân tích có thể được lặp lại, với xấp xỉ hoàn toàn được tách ra, do

đó một tín hiệu được tách thành nhiều thành phần có độ phân giải thấp hơn Nó được gọi

là cây phân tách Wavelet (Wavelet decompossition tree)

Phân tích đa mức

Columns

Lo_D Hi_D

Phân tích wavelet 2-D

Trong đó:cAj- là phần xấp xỉ ở phân tích thứ j

j 1

cA+ - là phần xấp xỉ ở mức phân tích thứ j+1

Phân tích và tái tạo tín hiệu

d Các xấp xỉ và các chi tiết tái tạo

Như chúng ta đã biết, tín hiệu nguyên thủy có thể được tái tạo từ các hệ số xấp xỉ

và chi tiết

500ceofs

1000samples

Tái tạo hệ số D

+ ‘bior(N)’ : Biorthogonal Wavelets

+ ‘rbio’ : Reverse biorthogonal Wavelets

+ ‘meyr’ : Meyer wavelet

+ ‘dmey’ : Discrete approximation of Meyer wavelet

+ ‘gaus’ : Gaussian Wavelets

+ ‘mexh’ : Mexican hat wavelet

+ ‘morl’ : Morlet wavelet

+ ‘cgau’ : Complex Gaussian Wavelets

+ ‘shan’ : Shannon Wavelets

+ fbsp’ : Frequency B-Spline Wavelets

+ cmor’ : Complex Mprrlet Wavelets

3.2 ỨNG DỤNG

mô tả tín hiệu là tổng các hàm sin và cosin thì phân tích Wavelet mô

ng họ wavelet được sử dụng trong toolb

+‘haar’ : Haar wavelet

Nếu phân tích phổ

tả tín hiệu theo các hàm Wavelet Các hàm Wavelet đồng thời có các đặc tính thời gian và các đặc tính tỉ lệ, do đó các ứng dụng của biến đổi Wavelet đều mang cả hai đặc tính thời gian và tỉ lệ

3.2.1 Đặc tính tỉ lệ

Giống như các tín hiệu thành phần trong biến đổi Fourier, một dạng tín hiệu khác đã xuất hiện Các tín hiệu mới này không có tính tuần hoàn như ở các hàm đã sử dụng trong phân tích phổ Biến đổi Wavelet sử dụng các hàm ít có tính tuần hoàn hơn

Một số ứng dụng sử dụng các kỹ thuật Wavelet cho nghiên cứu tính ổn định:

• Mô tả lưu lượng Internet trong thiết kế qui mô dịch vụ

• Luyên kim với các đặc tính của các bề mặt thô

• Tài chính để phát hiện các đặc tính biến thiên nhanh của các giá trị

• Sinh học cho nhận dạng màng tế bào để phân biệt màng thông thường và màng

• Giám sát công nghiệp các bánh răng

• Kiểm tra nhiễu quá mức

• Phát hiện sự kiện bất thường thời gian ngắn

• Hình ảnh SAR

• Nhận diện đối tượng tử động

Ngày nay, kỹ thuật xử lý dữ liệu sử dụng Wavelets không còn là điều mới mẻ

Có rất nhiều những ứng dụng Wavelets để phân tích tín hiệu, nén dữ liệu, triệt nhiễu hình ảnh

CHƯƠNG IV

DỰ BÁO PHỤ TẢI THÀNH PHỐ CẦN THƠ.

4.1 GIỚI THIỆU TỔNG QUAN VỀ THÀNH PHỐ CẦN THƠ

VÀ ĐIỆN LỰC THÀNH PHỐ CẦN THƠ.

4.1.1 Giới thiệu tổng quan về Thành Phố Cần Thơ

Thành phố Cần Thơ nằm ở Trung Tâm Đồng bằng sông Cửu Long, phía Tây sông Hậu, phía Bắc giáp An Giang, phía Nam giáp Hậu Giang, phía Tây giáp Kiên Giang, phía Đông giáp Vĩnh Long và Đồng Tháp, cách Thành Phố Hồ Chí Minh 169 km về phía Tây Nam

Thành phố Cần Thơ có vị trí hết sức thuận lợi để trở thành trung tâm kinh tế, chính trị, văn hoá và khoa học kỹ thuật của vùng

Bản đồ hành chánh Thành Phố Cần Thơ - Trực thuộc Trung ương

Tọa độ: 10°1'60 Bắc, 105°46'60 Đông Diện tích nội thị 53 km² Thành Phố Cần Thơ có diện tích 1.389,59 km² và dân số 1,112 triệu Được chia thành 8 quận huyện là: Quận Ninh Kiều, Quận Bình Thủy, Quận Cái Răng, Quận Ô Môn, Huyện Phong Điền, Huyện Cờ Đỏ, Huyện Thốt Nốt, Huyện Vĩnh Thạnh.

Cần Thơ được biết đến như là "Tây Đô" (thủ đô của miền Tây) của một thời rất xa Cần Thơ nổi danh với những địa điểm như Bến Ninh Kiều, Phà Cần Thơ Hiện nay, dự án cầu Cần Thơ đang được xúc tiến triển khai, hứa hẹn một tương lai phát triển hơn cho miền đồng bằng trù phú này

kinh tế - kỹ thuật

ª Hệ thống đường giao thông

Thành Phố Cần Thơ nằm trên trục quốc lộ 1A chạy suốt chiều dài đất nước,

từ Lạng Sơn đến Cà Mau

+ Đường bộ: Thành Phố Cần Thơ có các đường liên tỉnh như quốc lộ 91 từ

Cần Thơ đi An Giang qua đó đến Campuchia; quốc lộ 80 từ Cần Thơ đi Kiên Giang đến

tận cửa khẩu Hà Tiên sang Campuchia Đặc biệt, nằm trên tuyến Quốc lộ 1A, Thành Phố

Cần Thơ có điều kiện giao thông thuận tiện với các tỉnh Đồng Bằng Sông Cửu Long

+ Đường thủy: Thành Phố Cần Thơ nằm bên bờ Sông Hậu, một bộ phận của

Sông Mê-kông chảy qua 6 quốc gia, đặc biệt là phần trung và hạ lưu chảy qua Lào, Thái

Lan và Cam-pu-chia Các tàu có trọng tải lớn (trên 1.000 tấn) có thể đi các nước và đến

thành Phố Cần Thơ dễ dàng Ngoài ra, tuyến Cần Thơ - Xà No - Cái Tư, là cầu nối quan

trọng giữa TP Hồ Chí Minh, tỉnh Hậu Giang và Cà Mau

+ Đường hàng không: Thành Phố Cần Thơ có sân bay Trà Nóc đang được

nâng cấp và mở rộng để trở thành sân bay quốc tế

+ Cảng: Thành Phố Cần Thơ có 3 bến cảng phục vụ cho việc xếp nhận hàng

hoá dễ dàng

• Cảng Cần Thơ: Diện tích 60.000m2, có thể tiếp nhận tàu biển 10.000 tấn Cảng

Cần Thơ hiện nay là cảng lớn nhất đồng bằng sông Cửu Long

• Cảng Trà Nóc: Có diện tích 16 ha, cảng có 3 kho chứa lớn với dung lượng

40.000 tấn Khối lượng hàng hóa thông qua cảng có thể đạt đến 200 ngàn tấn/năm

• Cảng Cái Cui: Đang trong giai đoạn xây dựng, với qui mô thiết kế phục vụ cho

tàu từ 10.000 - 20.000 tấn, khối lượng hàng hóa thông qua cảng là 4,2 triệu tấn/năm