Nghiên cứu mô hình dự báo nhu cầu điện năng dài hạn của Việt Nam sử dụng mạng nơron nhân tạo

Nghiên cứu mô hình dự báo nhu cầu điện năng dài hạn của Việt Nam sử dụng mạng nơron nhân tạo Nghiên cứu mô hình dự báo nhu cầu điện năng dài hạn của Việt Nam sử dụng mạng nơron nhân tạo Nghiên cứu mô hình dự báo nhu cầu điện năng dài hạn của Việt Nam sử dụng mạng nơron nhân tạo luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

Lời cam đoan

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu được trích dẫn có nguồn gốc Các kết quả nghiên cứu của luận án là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác

Nghiên cứu sinh xin được trân trọng bày tỏ lòng biết ơn tới các Thày, Cô trong

bộ môn Kinh tế năng lượng, Khoa Kinh tế và quản lý, Viện Đào tạo sau đại học, trường Đại học Bách khoa Hà Nội và Viện Khoa học năng lượng, nơi nghiên cứu sinh thực hiện luận án

Nghiên cứu sinh xin được bày tỏ lòng biết ơn tới Bố, Mẹ, Vợ và các con, các bạn bè, đồng nghiệp đã động viên, khuyến khích nghiên cứu sinh trong suốt thời gian thực hiện luận án

Mặc dù đã được các Thày, Cô tận tình hướng dẫn và nghiên cứu sinh đã cố gắng trong học tập và nghiên cứu, song luận án vẫn không tránh khỏi những thiếu sót Nghiên cứu sinh mong nhận được sự góp ý của các Thầy, Cô và người đọc qua địa chỉ email: binhhtd@gmail.com; Mobil: 0913564741

Trân trọng!

MỤC LỤC

MỞ ĐẦU 17

CHƯƠNG 1 23

TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP DỰ BÁO NHU CẦU ĐIỆN NĂNG 23

1.1 Phương pháp dự báo nhu cầu điện năng sử dụng các mô hình kinh tế lượng (KTL) 24

1.1.1 Phương pháp luận của các mô hình kinh tế lượng dự báo nhu cầu điện năng 24 1.1.2 Ứng dụng phương pháp dự báo nhu cầu điện năng sử dụng mô hình KTL 26

1.2 Phương pháp dự báo nhu cầu điện năng sử dụng mô hình phân tích kinh tế - kỹ thuật (KT-KT) 27

1.2.1 Phương pháp luận của mô hình phân tích KT-KT dự báo nhu cầu điện 27

1.2.2 Ứng dụng phương pháp dự báo nhu cầu điện năng sử dụng mô hình phân tích KT-KT 32

1.3 Phương pháp dự báo nhu cầu điện năng sử dụng mạng neuron nhân tạo 33

1.4 Một số phương pháp khác dự báo nhu cầu điện năng 39

1.4.1 Phương pháp so sánh đối chiếu 39

1.4.2 Phương pháp chuyên gia 40

1.4.3 Phương pháp ngoại suy dự báo nhu cầu điện năng 40

1.5 Nhận xét chung và định hướng nghiên cứu 42

1.5.1 Nhận xét về các mô hình KTL dự báo nhu cầu điện năng 42

1.5.2 Nhận xét về các mô hình phân tích KT-KT dự báo nhu cầu điện năng 43

1.5.3 Nhận xét về mô hình sử dụng mạng neuron nhân tạo dự báo nhu cầu điện năng và hướng nghiên cứu 44

1.6 Kết luận chương 1 45

CHƯƠNG 2 48

CƠ SỞ LÝ THUYẾT CỦA MÔ HÌNH DỰ BÁO NHU CẦU ĐIỆN NĂNG DÀI HẠN SỬ DỤNG MẠNG NƠ RON NHÂN TẠO 48

2.1 Giới thiệu chung về mạng nơron nhân tạo 48

2.1.1 Não và nơron sinh học 48

2.1.2 Vài nét về sự phát triển của mạng nơ-ron nhân tạo 49

2.1.3 Nơ ron nhân tạo 51

2.1.4 Cấu trúc của ANN và thuộc tính của nó 52

2.1.5 Những ưu điểm của ANN và phạm vi ứng dụng 61

2.2 Cơ sở phương pháp luận của mô hình dự báo nhu cầu điện năng sử dụng ANN 63

2.2.1 Sự tương đồng giữa mô hình hồi quy tuyến tính và ANN trong bài toán dự báo nhu cầu điện năng 63

2.2.2 Sự khác biệt giữa mô hình hồi quy tuyến tính và ANN trong bài toán dự báo nhu cầu điện năng 67

2.2.3 Mô tả bài toán dự báo nhu cầu điện năng sử dụng ANN 71

2.3 Kết luận chương 2 74

CHƯƠNG 3 76

XÂY DỰNG MÔ HÌNH DỰ BÁO NHU CẦU ĐIỆN NĂNG DÀI HẠN CỦA VIỆT NAM SỬ DỤNG MẠNG NEURON NHÂN TẠO 76

3.1 Chọn mô hình dự báo nhu cầu điện 76

3.2 Thiết kế mẫu 77

3.2.1 Kích thước mẫu 77

3.2.2 Chia tập mẫu thành các tập phát triển mô hình và kiểm tra mô hình 77

3.2.3 Sắp xếp mẫu 78

3.3 Chọn biến 78

3.3.1 Biến tổng sản phẩm quốc gia (GNP) 80

3.3.2 Biến tổng sản phẩm nội địa hay GDP 81

3.3.3 Biến dân số trung bình (POP) 81

3.3.4 Biến tổng số hộ gia đình (HHs) 81

3.3.5 Biến chỉ số điện khí hóa (IE) 82

3.3.6 Biến giá trị sản xuất công nghiệp (IPs) 82

3.3.7 Biến chỉ số giá tiêu dùng (CPI) 83

3.3.8 Biến giá bán điện bình quân Pe 83

3.3.9 Biến ra dự báo là nhu cầu điện Qe 84

3.4 Biểu diễn biến 84

3.5 Xây dựng mô hình 84

3.5.1 Xây dựng cấu trúc mạng 84

3.5.2 Hàm kích hoạt 87

3.5.3 Lựa chọn giải thuật học và các tham số học 88

3.5.4 Luyện mạng 91

3.5.5 Chương trình máy tính sử dụng trong mô hình dự báo nhu cầu điện năng bằng ANN 105

3.5.6 Kiểm định mô hình 107

3.5.7 Kiểm tra mô hình 107

3.6 Kết luận chương 3 108

CHƯƠNG 4 111

ÁP DỤNG MÔ HÌNH SỬ DỤNG MẠNG NƠ RON ĐỂ DỰ BÁO NHU CẦU ĐIỆN NĂNG CỦA VIỆT NAM GIAI ĐOẠN ĐẾN NĂM 2020 111

4.1 Giới thiệu chương trình máy tính 111

4.1.1 Cấu trúc phần mềm (chương trình máy tính) 111

4.1.2 Các giao diện của chương trình 111

4.2 Dữ liệu đầu vào mạng dự báo nhu cầu điện năng giai đoạn 2011-2020 114

4.2.1 Các kịch bản phát triển kinh tế - xã hội Việt Nam giai đoạn 2011-2020 114

4.2.2 Xây dựng bộ dữ liệu dự báo theo ba kịch bản phát triển kinh tế xã hội 119

4.3 Kết quả dự báo nhu cầu điện năng giai đoạn 2011-2015–2020 125

4.3.1 Kết quả dự báo theo mô hình EDF-ANN 125

4.3.2 Kết quả dự báo nhu cầu điện năng Việt Nam giai đoạn 2011 – 2020 theo mô hình Simple E 129

4.3.3 So sánh, nhận xét kết quả dự báo của hai mô hình EDF-ANN và SimpleE 132 4.4 Kết luận chương 4 138

KẾT LUẬN 140

CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN 143

TÀI LIỆU THAM KHẢO 144

Tiếng Việt 144

Tiếng Anh 147

Tài liệu tải xuống từ mạng Internet 152

PHỤ LỤC 1 155

MÃ NGUỒN THAM KHẢO CỦA MÔ HÌNH EDF-ANN 155

PHỤ LỤC 2 185

SỬ DỤNG CHƯƠNG TRÌNH EDF-ANN 185

PHỤ LỤC 3 190

MỘT SỐ GIAO DIỆN KẾT QUẢ CỦA MÔ HÌNH EDF-ANN 190

PHỤ LỤC 4 192

KẾT QUẢ TÍNH TOÁN LỰA 192

CHỌN SỐ NÚT ẨN CỦA MÔ HÌNH EDF-ANN 192

PHỤ LỤC 5 197

KẾT QUẢ HỌC VÀ KIỂM ĐỊNH MÔ HÌNH EDF-ANN 197

PHỤ LỤC 6 201

TẬP TRỌNG SỐ CỦA MÔ HÌNH EDF-ANN 201

Danh mục các ký hiệu và từ viết tắt

α: Hệ số đàn hồi thu nhập của nhu cầu năng lượng

β: Hệ số đàn hồi giá năng lượng

q

j

 Gradient sai lệch đầu ra tại nút j của tầng q

j Gradient sai lệch đầu ra tại nút j của tầng ra

Qe% Suất tăng tương đối điện năng

GDP% Suất tăng tương đối GDP

λ Hệ số hình dạng của hàm sigmoid

ω Hệ số hình dạng của hàm hyperbolic

γ Suất tăng phụ tải trung bình hàng năm

γi Tỷ lệ tăng phụ tải năm thứ i so với năm trước

ω Hệ số hình dáng của hàm hyperbolic

η Hệ số học hay tốc độ học

μ Hệ số quán tính

θk Ngưỡng kích hoạt của hàm hoạt hóa

Qe Tăng trưởng trung bình điện năng trong giai đoạn xét

GDP Tăng trưởng trung bình thu nhập trong giai đoạn xét

Độ biến thiên sai số Đạo hàm riêng của vector e

W Sự thay đổi giá trị trọng số

q

ji

W

 Độ điều chỉnh của trọng số

∆η Sự điều chỉnh hệ số học sau mỗi bước tính toán (hay sau mỗi bước học)

∆Err Mức độ biến thiên của hàm lỗi sau mỗi bước học

A1 Vector cột chứa m phần tử, mỗi phần tử là một giá trị đầu vào của 1 nút

trong cùng 1 lớp của mạng nơ ron

A2 Ma trận cột đầu ra của lớp ẩn đối với mạng chỉ có một lớp ẩn

a Hệ số của phương trình, Mức hoạt động của nơ ron trong các công thức

từ 2.9 đến 2.20, ANN: Mạng nơ ron nhân tạo (Artifical Neural Networks)

ARDL: Tự hồi quy có trễ (AutoRegressive Distributed Lag (ARDL))

CPI Chỉ số giá tiêu dùng (Consumer Price Index)

e Sai số, Cơ số lôgarit tự nhiên

EC: Hiệu chỉnh sai số (Error Correction )

EDF-ANN Phần mềm (chương trình) dự báo nhu cầu điện sử dụng kỹ thuật ANN

(Electricity Demand Forecasting by ANN Model) Err Hàm lỗi của mạng nơ ron

ESCAP: Tổ chức phát triển kinh tế xã hội chấu Á Thái Bình Dương (Economic

and social development in Asia and the Pacific) ETB : Energy Toolbox

EVN Tập đoàn điện lực Việt Nam

f1(x) Hàm ngưỡng

f2(x) Hàm bậc nhất bị chặn

f3(x) Hàm sigmoidal

G Ma trận đường chéo chứa các hàm hoạt hóa của lớp đầu ra

g(.) Hàm hoạt hóa lớp ra

GA: Giải thuật di truyền (Genetic Algorithms)

GDP Tổng sản phẩm quốc nội (Gross of Domestic Production )

GNP Tổng sản phẩm quốc gia (Gross of National Production)

Hi Tổng các khách hàng của dịch vụ năng lượng i

HHs Tổng số hộ gia đình (Households)

Ii Cường độ năng lượng đối với dịch vụ năng lượng i

i Chỉ số chỉ nơ ron thứ i

IE Chỉ số điện khí hóa (Index of Electrification)

IPs Giá trị sản xuất công nghiệp (Industrial production)

IC: Biến thu nhập của người tiêu dùng

LMS: Quy tắc huấn luyện bình phương nhỏ nhất

LR: Hồi quy tuyến tính (Linear Regression )

m số nơ ron trong 1 tầng

MAED : Model for Analysis of the Energy Demand

MEDEE: Modele D‟evolution de la Demande d‟Energie

Mi Phạm vi sử dụng của dịch vụ năng lượng i

n Số các cung liên kết (hay số các trọng số) của mạng nơ ron

NCS Nghiên cứu sinh

NERC: Hội đồng cung cấp điện Bắc Mỹ (North American Electric Reliability

Council ) netj Tổng hợp các tín hiệu đầu vào đối với nơ ron j

NI : Thu nhập quốc gia (National Income)

Oi Đầu ra tính toán của mạng nơ ron

O1 Véc tơ đầu ra của lớp ẩn

O2 Đầu ra của mạng

q

j

O Mức tích cực của một nút ẩn

p Số cặp dữ liệu mẫu đầu vào và đầu ra của mạng nơ ron

PAC Phương án cao

PACS Phương án cơ sở

PAT Phương án thấp

Pc Giá của các hàng hoá bổ sung

Pe Giá bán điện bình quân (Price of electricity)

POP Dân số trung bình (Population)

PS Giá của các hàng hoá thay thế

Qe Nhu cầu điện năng năm

Qeo Nhu cầu điện năng năm cơ sở t0

s Chỉ số số cặp dữ liệu mẫu thứ s

2015 có xét triển vọng đến năm 2025) TSĐVII: Tổng sơ đồ VII (Quy hoạch phát triển điện lực quốc gia giai đoạn 2011

– 2020 có xét triển vọng đến năm 2030) UNDP: Chương trình phát triển Liên hiệp quốc (United Nations Development

Program ) Vdf Giá trị xác định nhân tố điều khiển nhu cầu điện năng

xi Các biến độc lập (các nhân tố ảnh hưởng đến nhu cầu điện năng), đầu

vào nơ ron

y Biến phụ thuộc, Đầu ra mong muốn của mạng nơ ron

Z Hệ số phản ánh việc đánh giá xu thế tiêu thụ năng lượng đối với từng

loại nhu cầu

W Ma trận trọng số của mạng nơ ron

Wji Các trọng số trong cung liên kết nút i tới nút j

)

(t

W ji q Trọng số từ nút i đến nút j của tầng q tại thời điểm t

Danh mục các bảng Trang Bảng 1.1 So sánh sai số dự báo giữa các mô hình do Hsiao-Tien Pao thực

Bảng 4.8 Kết quả dự báo nhu cầu điện năng của Việt Nam giai đoạn từ

năm 2011 đến năm 2020 bằng mô hình EDF-ANN theo ba kịch

bản phát triển kinh tế

128

Bảng 4.9 Kết quả dự báo nhu cầu điện năng của Việt Nam giai đoạn từ

năm 2011 đến năm 2020 bằng mô hình SimpleE theo ba kịch

Danh mục các bảng Trang Bảng 4.11 So sánh sai số dự báo giữa hai mô hình EDF-ANN và SimpleE

theo ba trường hợp dự tính điện thương phẩm năm 2011

136

Bảng P4.1 Kết quả tính sai số học và sai số kiểm định với mạng 8 nút ẩn

và mạng 9 nút ẩn của mô hình EDF-ANN

193

Bảng P4.2 Kết quả tính sai số học và sai số kiểm định với mạng 10 nút ẩn

của mô hình EDF-ANN

194

Bảng P5 Kết quả học và kiểm định mô hình EDF-ANN 198

Danh mục các hình vẽ Trang Hình 1.1 Sơ đồ phả hệ các phương pháp dự báo nhu cầu điện năng 23

Hình 2.1 Hình ảnh của tế bào nơ ron trong não người 48

Hình 2.7 Perceptron với hàm hoạt hóa Sigmoid 68

Hình 2.9 Mô hình ANN giải bài toán dự báo nhu cầu điện năng 73 Hình 3.1 Cấu trúc mạng neuron nhân tạo dự báo nhu cầu điện Việt Nam 87 Hình 3.2 Lưu đồ thuật toán sửa trọng số bằng BP 94

Hình 3.5 Lưu đồ thuật toán tính độ thích nghi 101

Hình 3.7 Đồ thị kết quả kiểm tra mô hình dự báo năm 2009 – 2010 108 Hình 4.1 Giao diện chính của chương trình EDF-ANN 111

Danh mục các hình vẽ Trang

Hình 4.10 Kết quả dự báo nhu cầu điện giai đoạn 2011 - 2020 theo

phương án cơ sở của mô hình EDF-ANN

127

Hình 4.11 Kết quả dự báo nhu cầu điện giai đoạn 2011 - 2020 theo

phương án cao của mô hình EDF-ANN

127

Hình 4.12 Kết quả dự báo nhu cầu điện giai đoạn 2011 - 2020 theo

phương án thấp của mô hình EDF-ANN

Danh mục các hình vẽ Trang Hình P2.2 Giao diện xây dựng cấu trúc mạng của EDF-ANN 187 Hình P2.3 Giao diện hiệu chỉnh số lớp ẩn và số nút ẩn của EDF-ANN 187 Hình P2.4 Giao diện nhập dữ liệu huấn luyện vào chương trình 188

Hình P3.1 Kết quả dự báo theo phương án cơ sở của mô hình EDF-ANN 191 Hình P3.2 Kết quả dự báo theo phương án cao của mô hình EDF-ANN 191 Hình P3.3 Kết quả dự báo theo phương án thấp của mô hình EDF-ANN 191 Hình P4.1 Đồ thị biểu diễn sai số học và sai số kiểm định với mạng 8 nút

ẩn của mô hình EDF-ANN

195

Hình P4.2 Đồ thị biểu diễn sai số học và sai số kiểm định với mạng 9 nút

ẩn của mô hình EDF-ANN

195

Hình P4.3 Đồ thị biểu diễn sai số học và sai số kiểm định với mạng 10 nút

ẩn của mô hình EDF-ANN

196

MỞ ĐẦU

Cung cấp năng lượng, đặc biệt là điện năng một cách đầy đủ và tin cậy là hoạt động quan trọng của mọi quốc gia vì nó có liên quan chặt chẽ đến hầu hết các ngành kinh tế quốc dân, cũng như đến nhiều mặt của đời sống kinh tế - xã hội Vì vậy, công tác dự báo nhu cầu điện năng có tầm quan trọng không những đối với ngành điện mà còn đối với cả nền kinh tế

Năng lực dự báo với độ chính xác cao là cơ sở để ra các quyết định của nhiều quá trình lập kế hoạch, quy hoạch, xây dựng chiến lược, chính sách phát triển của ngành Dự báo sai lệch quá nhiều về khả năng cung cấp hoặc về nhu cầu điện năng sẽ dẫn đến hậu quả không tốt cho nền kinh tế Nếu chúng ta dự báo nhu cầu điện năng quá thừa so với yêu cầu sử dụng thì hậu quả là phải huy động nguồn lớn hơn mức cần thiết dẫn đến tăng vốn đầu tư và có thể làm cho tổn thất năng lượng tăng lên Ngược lại nếu dự báo nhu cầu điện năng quá thấp so với yêu cầu thì sẽ không đáp ứng được năng lượng cho các hộ tiêu thụ điện và làm thiệt hại cho nền kinh tế quốc dân

Dự báo nhu cầu điện năng được phân theo thời gian, dự báo ngắn hạn khoảng 1 vài tháng đến 1 hoặc 2 năm, dự báo trung hạn khoảng từ 3 đến 5 năm và dự báo dài hạn khoảng từ trên 5 đến 10 năm và dài hơn nữa Dự báo nhu cầu điện ngắn hạn giúp chúng ta lập các kế hoạch sửa chữa, bảo dưỡng và điều chỉnh tiến độ xây lắp các công trình điện trong ngắn hạn và có yêu cầu sai số dự báo nhỏ hơn 5% Dự báo trung và dài hạn giúp chúng ta biết nhu cầu điện trong tương lai và thực hiện những hoạt động cần thiết như xây dựng thêm các nhà máy phát điện và hệ thống lưới truyền tải, lưới phân phối để đáp ứng nhu cầu điện cho phát triển kinh tế - xã hội của đất nước cũng như nâng cao đời sống nhân dân Dự báo trung và dài hạn chấp nhận sai số dự báo từ 5% đến 10%

Năng lực dự báo chính xác của các mô hình phụ thuộc nhiều vào các phương pháp dự báo mà chúng ta áp dụng và tập dữ liệu liên quan mà chúng ta có thể thu thập được Vì vậy, chúng ta luôn luôn cố gắng để tìm ra các phương pháp dự báo có độ chính xác cao phù hợp với các điều kiện thu thập dữ liệu thực tế Vài thập kỷ lại đây, một số phương pháp dự báo đã được phát triển để dự báo nhu cầu điện năng Phương pháp sử dụng các mô hình kinh tế lượng và phương pháp phân tích kinh tế - kỹ thuật là hai phương pháp đang được sử dụng rộng rãi để dự báo nhu cầu điện năng

Các mô hình kinh tế lượng dựa trên mối liên hệ giữa các nhân tố kinh tế như giá điện, giá các hàng hóa thay thế như gas, xăng, dầu…, giá các hàng hóa bổ sung như giá của các thiết bị sử dụng điện, thu nhập của người tiêu dùng và các nhân tố kinh tế khác với nhu cầu tiêu thụ điện Các phương pháp đàn hồi, ngoại suy, hồi quy là các phương pháp thường được sử dụng trong các mô hình kinh tế lượng để dự báo nhu cầu điện Các mô hình tuyến tính truyền thống như mô hình tự hồi quy (AR) và mô hình tự hồi quy dịch chuyển trung bình (ARMA) đã được sử dụng trong dự báo theo chuỗi thời gian Những mô hình này dễ thực hiện, nhưng có những hạn chế để cải thiện độ chính xác của dự báo do những mô hình này được xây dựng trên những quan hệ tuyến tính của dữ liệu, và yêu cầu những dữ liệu mẫu chính xác, trong khi mối quan hệ giữa nhu cầu điện với các nhân tố kinh tế hầu hết là quan hệ phi tuyến

Các mô hình dựa trên cách tiếp cận phân tích kinh tế - kỹ thuật, được dự báo dựa trên số lượng các thiết bị được khách hàng sử dụng, quy mô hộ tiêu thụ điện, tuổi thọ thiết bị, những sự thay đổi công nghệ, phản ứng của khách hàng và phát triển dân

số Các mô hình này tuy có ưu điểm là thể hiện sát thực hoạt động của hệ thống năng lượng nhưng thường bị ảnh hưởng mạnh bởi số lượng và chất lượng dữ liệu kinh tế -

kỹ thuật, cần nhiều thông tin về khách hàng và thiết bị của họ Vấn đề này trở thành một khó khăn, nhất là trong điều kiện nước ta thiếu số liệu thống kê, số liệu thiếu chính xác Trong quá trình tính toán phải sử dụng nhiều số liệu đánh giá hoặc thống kê nhưng chưa đủ chính xác Điều đó làm ảnh hưởng tới tính chính xác của mô hình dự báo

Gần đây, một trong những ứng dụng của trí tuệ nhân tạo, một ngành khoa học nhằm mô phỏng bằng máy tính về hành vi thông minh của con người là mạng nơ ron nhân tạo (Artifical Neuron Networks - ANN) đã được ứng dụng trong nhiều bài toán nhận dạng, điều khiển và bài toán dự báo Khi cho một tập mẫu dữ liệu theo thời gian, mạng nơ ron nhân tạo sử dụng giải thuật lan truyền ngược có thể dự báo các giá trị của mẫu đó trong tương lai Mạng nơ ron có khả năng chiết xuất thông tin từ những dữ liệu phức tạp nhằm phát hiện ra những xu hướng không quan sát được bằng mắt thường hoặc bằng một số các kỹ thuật máy tính khác Đã có một số tác giả nghiên cứu sử dụng mạng nơ ron nhân tạo trong dự báo nhu cầu điện ngắn và dài hạn ở các nước như Saudi Arabia, Nhật Bản, Thái Lan, Đài Loan, Canada, Hy Lạp v.v…

Tại Việt Nam, những năm qua đã sử dụng các mô hình kinh tế lượng và mô hình phân tích kinh tế kỹ thuật để dự báo nhu cầu điện phục vụ công tác lập quy hoạch phát triển điện lực quốc gia Tuy vậy, do các mô hình trên đều đòi hỏi nhiều dữ liệu chi tiết trong khi điều kiện nước ta thiếu số liệu thống kê, số liệu thiếu chính xác, kết quả thu được còn hạn chế

Một số nghiên cứu theo cách tiếp cận mô hình dự báo nhu cầu điện sử dụng mạng nơ ron nhân tạo ở nước ta đã xuất hiện và chủ yếu tập trung vào bài toán dự báo nhu cầu phụ tải (công suất) ngắn hạn do dữ liệu quá khứ để huấn luyện mạng nhiều (dữ liệu theo giờ, ngày, tháng, năm trong quá khứ) so với dữ liệu cần dự báo (1 giờ hoặc 24 giờ tiếp theo) và đáp ứng được yêu cầu tốc độ dự báo nhanh, có khả năng áp dụng trong thời gian thực, phục vụ cho công tác điều độ, vận hành hệ thống điện.Các nghiên cứu dự báo ngắn hạn nói trên đều cho kết luận sai số dự báo thấp hơn các mô hình dùng phương pháp thống kê truyền thống

Nghiên cứu gần 20 công trình đại diện đã công bố của các tác giả ngoài nước sử dụng mạng nơ ron nhân tạo trong dự báo nhu cầu điện dài hạn cho thấy có thể khai thác những ưu điểm về khả năng của các quá trình xử lý song song và phân tán, khả năng dung thứ lỗi và nhất là khả năng xử lý các quá trình phi tuyến của mạng nơ ron nhân tạo để giải quyết bài toán dự báo nhu cầu điện dài hạn Dự báo nhu cầu điện dùng mạng nơ ron có thể làm tăng độ chính xác dự báo so với các phương pháp thống kê truyền thống trong điều kiện những dữ liệu mẫu không hoàn toàn chính xác tuyệt đối,

do nó có khả năng ánh xạ những quan hệ phi tuyến của dữ liệu là quan hệ của nhu cầu điện với các nhân tố kinh tế xã hội liên quan Cũng vì lý do trên mà khi dùng mạng nơ ron để dự báo, chúng ta không cần phải tuyến tính hóa dữ liệu như khi sử dụng phương pháp hồi quy tuyến tính truyền thống Ngoài ra, sử dụng mạng nơ ron còn có một số

ưu điểm so với các phương pháp thống kê truyền thống là: Không phải tính toán các biến trễ để xác định các biến vào cho dự báo Không mất nhiều công sức phân tích và tính toán các tham số đầu vào như trong trường hợp mô hình hồi quy để dự báo

Ở Việt Nam hiện nay chưa có công trình nghiên cứu nào đề cập đến sử dụng mạng nơ ron nhân tạo trong dự báo nhu cầu điện năng dài hạn Bởi vậy hướng nghiên cứu này cần được bổ sung, phát triển Một số nội dung theo hướng nghiên cứu phát triển, hoàn thiện mô hình dự báo này được đề cập trong luận án

1 Mục đích nghiên cứu của luận án

Nghiên cứu xây dựng mô hình dự báo nhu cầu điện năng dài hạn của Việt Nam

sử dụng mạng nơ ron nhân tạo;

2 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu của luận án là phương pháp dự báo nhu cầu điện năng dài hạn sử dụng mạng nơ ron nhân tạo

Phạm vi nghiên cứu là dự báo nhu cầu điện năng dài hạn cho Việt Nam

3 Phương pháp nghiên cứu

- Phương pháp thống kê – phân tích để đánh giá một số phương pháp dự báo nhu cầu điện đã có và xây dựng dữ liệu phục vụ nghiên cứu, xem xét các mô hình dự báo nhu cầu điện năng;

- Phương pháp mô hình hoá toán học

- Sử dụng các công cụ phần mềm tính toán hiện đại để xây dựng mô hình dự báo nhu cầu điện năng dài hạn cho Việt Nam

4 Nội dung nghiên cứu của luận án

- Tổng quan về các mô hình dự báo nhu cầu điện hiện đang được sử dụng phổ biến và đề xuất hướng nghiên cứu của luận án

- Nghiên cứu cơ sở lý thuyết và thực tiễn của mô hình dự báo nhu cầu điện sử dụng mạng nơ ron nhân tạo do NCS đề xuất

- Xây dựng mô hình dự báo nhu cầu điện năng dài hạn của Việt Nam sử dụng mạng nơ ron nhân tạo

- Thu thập, xử lý và tổng hợp tập dữ liệu liên quan đến bài toán dự báo nhu cầu điện năng của Việt Nam

- Áp dụng mô hình dự báo sử dụng mạng nơ ron nhân tạo để dự báo nhu cầu điện của Việt Nam giai đoạn 2011 – 2015 - 2020

- Phân tích kết quả dự báo

- Kết luận và kiến nghị

5 Đóng góp của luận án

Luận án tiến hành phân tích và hệ thống hóa một số phương pháp cơ bản dự báo nhu cầu điện năng đang được sử dụng phổ biến hiện nay trên thế giới và tại Việt Nam;

Luận án đã lần đầu tiên tại Việt Nam, đề xuất và xây dựng được mô hình dự báo nhu cầu điện năng dài hạn sử dụng mạng nơ ron nhân tạo phù hợp với điều kiện của Việt Nam về phương diện: (i) khả năng thu thập dữ liệu và (ii) các nhân tố kinh tế

- xã hội, kỹ thuật có ảnh hưởng nhất đến nhu cầu tiêu thụ điện năng

Luận án đã thu thập, xử lý và xây dựng được bộ dữ liệu về các yếu tố kinh tế,

kỹ thuật phục vụ cho bài toán dự báo nhu cầu điện năng cho Việt Nam, gồm bộ dữ liệu

từ năm 1995 đến năm 2010, và tính toán bộ dữ liệu những yếu tố này cho giai đoạn đến năm 2020;

Trên cơ sở mô hình đề xuất và ứng dụng phần mềm tính toán theo giải thuật di truyền (GA) kết hợp với giải thuật lan truyền ngược sai số (BP), luận án đã tính toán

dự báo nhu cầu điện năng của Việt Nam giai đoạn 2011 – 2015 – 2020 theo ba phương

án phát triển kinh tế: cao; cơ sở và thấp; Kết quả dự báo từ mô hình phù hợp với kết quả sử dụng phương pháp mô hình SimpleE, là mô hình được sử dụng để dự báo nhu cầu điện năng dài hạn của Việt Nam trong TSĐVII đã được trình Bộ Công Thương thẩm định và trình Thủ tướng Chính phủ phê duyệt, thể hiện mức độ tin cậy của phương pháp đề xuất

Mô hình và phần mềm ứng dụng đề xuất có thể là một công cụ dự báo nhu cầu điện năng dài hạn cho Việt Nam Kết quả nghiên cứu của luận án góp phần làm cơ sở khoa học cho nghiên cứu, phân tích, đánh giá phương pháp dự báo và công tác dự báo nhu cầu điện nói chung của Việt Nam

Chương 1: Tổng quan về các phương pháp dự báo nhu cầu điện năng

Chương 2 Cơ sở lý thuyết của mô hình dự báo nhu cầu điện năng dài hạn sử dụng mạng nơ ron nhân tạo

Chương 3 Xây dựng mô hình dự báo nhu cầu điện năng dài hạn của Việt Nam sử dụng mạng nơ ron nhân tạo

Chương 4 Áp dụng mô hình sử dụng mạng nơ ron để dự báo nhu cầu điện năng của Việt Nam giai đoạn 2011 – 2015 – 2020

Phần Kết luận

Phụ lục 1 Mã nguồn tham khảo của mô hình dự báo EDF-ANN

Phụ lục 2 Sử dụng chương trình EDF-ANN

Phụ lục 3 Một số giao diện kết quả của mô hình EDF-ANN

Phụ lục 4 Kết quả tính toán lựa chọn số nút ẩn của mô hình EDF-ANN

Phụ lục 5 Kết quả học và kiểm định mô hình EDF-ANN

Phụ lục 6 Tập trọng số của mô hình EDF-ANN

CHƯƠNG 1 TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP DỰ BÁO NHU CẦU ĐIỆN NĂNG

Dự báo nhu cầu điện năng là một trong những bài toán quan trọng trong quy hoạch và phát triển hệ thống điện, kết quả của dự báo nhu cầu điện năng có ảnh hưởng rất lớn đến các tham số kinh tế - kỹ thuật (KT-KT) của mạng điện và đến tiến trình phát triển hệ thống điện Vấn đề dự báo nhu cầu điện năng đã được rất nhiều tác giả đề cập đến trong các tài liệu khác nhau Hai cách tiếp cận chính đang được sử dụng rộng rãi hiện nay, về bản chất, dựa vào hoặc là mô hình kinh tế lượng (KTL) hoặc là mô hình phân tích KT-KT [6], [62], [98] Sự khác nhau cơ bản giữa hai cách tiếp cận là mức độ thu thập dữ liệu đầu vào Mô hình KTL được sử dụng nhiều hơn, bản chất của

nó dựa trên mối liên hệ của các nhân tố giá và thu nhập hoặc các thông số của hoạt động kinh tế khác với nhu cầu năng lượng Mô hình phân tích KT-KT là loại mô hình trong đó quá trình phân tích được tiến hành nhằm nhận dạng các yếu tố kinh tế, dân số,

xã hội và kỹ thuật tác động đến sự phát triển về nhu cầu năng lượng, từ đó đánh giá và

mô phỏng sự tiến triển của chúng trong thời gian dự báo hoặc là thông qua các tính toán trực tiếp từ mô hình hoặc là thông qua việc xây dựng các kịch bản Gần đây một cách tiếp cận mới đã được đề xuất và ứng dụng ngày càng nhiều, do tính linh hoạt và năng lực suy diễn tiềm tàng của nó, đó là cách tiếp cận dựa vào mạng nơ ron nhân tạo Ngoài ra, còn một số phương pháp dự báo nhu cầu điện năng khác thường được dùng

để kiểm chứng như phương pháp so sánh đối chiếu, phương pháp chuyên gia v.v Sơ

đồ phả hệ các phương pháp dự báo nhu cầu điện năng được thể hiện trên hình 1.1

Phương pháp dự báo nhu cầu điện năng

1.1 Phương pháp dự báo nhu cầu điện năng sử dụng các mô hình kinh tế lượng (KTL)

1.1.1 Phương pháp luận của các mô hình kinh tế lượng dự báo nhu cầu điện năng

a Các mô hình KTL sử dụng phương pháp đàn hồi dự báo nhu cầu điện năng

Dạng chung nhất của phương trình KTL được sử dụng trong các nghiên cứu năng lượng dựa trên hàm số sản xuất Cobb-Douglas [6], [62] :

Qe = a ICα Pe-β (1.1) Trong đó: Qe: Nhu cầu điện năng; IC: Thu nhập của người tiêu dùng; Pe: Giá điện năng; a: Hệ số hồi quy; α: hệ số đàn hồi thu nhập của nhu cầu điện năng; β: hệ số đàn

hồi giá điện năng

Đàn hồi thu nhập và giá biểu thị nhu cầu điện năng thay đổi do sự thay đổi giá điện năng và thu nhập trong mô hình KTL Giá trị này có thể được xác định như sau:

Trong đó: α - Hệ số đàn hồi thu nhập; Qe%, GDP% - Suất tăng tương đối điện năng

và GDP; Qe - Điện năng sử dụng; GDP - Tổng sản phẩm quốc nội; Qe; GDP - Tăng trưởng trung bình điện năng và tổng sản phẩm quốc nội (đại diện cho thu nhập của người tiêu dùng) trong giai đoạn xét

Hệ số đàn hồi giá được xác định như sau:

Trong đó: β - Hệ số đàn hồi giá điện; Qe%, Pe% - Suất tăng tương đối điện năng

và giá điện năng; Qe - Điện năng sử dụng; Pe - Giá điện năng; Qe; Pe - Tăng trưởng trung bình điện năng và giá điện năng trong giai đoạn xét

Các mô hình KTL được sử dụng rộng rãi trong dự báo nhu cầu năng lượng Tuy nhiên, giả định gốc của cách tiếp cận này là mối liên hệ giữa thu nhập, giá và nhu cầu năng lượng tồn tại trong quá khứ sẽ tiếp tục giữ vững trong tương lai Cấu trúc cơ bản của nhu cầu năng lượng không được phân tích và năng lực dự báo của mô hình sẽ bị phá vỡ khi cấu trúc cơ bản thay đổi Thực tế cho thấy, mối quan hệ giữa năng lượng, thu nhập và giá năng lượng có thể thay đổi đáng kể trong tương lai khi mà những thay đổi quan trọng trong cấu trúc công nghệ của nhu cầu năng lượng và phản ứng của người tiêu dùng xảy ra

Một ứng dụng quan trọng của mô hình KTL là sử dụng dự báo hiệu quả sử dụng năng lượng Tuy nhiên, dự báo này dựa trên sự phát triển của các dịch vụ năng lượng Nếu cấu trúc công nghệ của nhu cầu năng lượng giữ nguyên không thay đổi, bao gồm cả hiệu quả sử dụng năng lượng cuối cùng, dẫn đến dự báo tăng trưởng sử dụng năng lượng đồng nhất với tăng trưởng dịch vụ năng lượng Kiểu dự báo này cũng dẫn đến như là kịch bản đóng băng hiệu quả (frozen-efficiency)

Các mô hình KTL có ưu điểm là yêu cầu dữ liệu không nhiều và dựa trên lý thuyết thống kê Thường chúng được sử dụng cho tất cả các nhóm hộ sử dụng năng lượng mà không cần xét tới cấu trúc công nghệ sử dụng năng lượng Vì vậy, chúng được sử dụng khá rộng rãi

b Các mô hình KTL sử dụng phương pháp hồi quy dự báo nhu cầu điện năng

Bài toán dự báo nhu cầu điện năng sử dụng phương pháp hồi quy dựa trên phân tích mối liên hệ ràng buộc lẫn nhau giữa chỉ tiêu nhu cầu tiêu thụ điện năng Qe (chỉ tiêu kết quả hay gọi là biến phụ thuộc y) với các chỉ tiêu khác như: thu nhập quốc gia (NI – National Income); dân số (POP–population); tổng sản phẩm quốc nội (GDP–Gross of Domestic Production); chỉ số giá tiêu dùng (CPI–Consumer Price Index); tổng số hộ gia đình (HHs-households); Giá trị sản xuất công nghiệp (IPs-industrial production); Chỉ số điện khí hóa (IE-Index of Electrification) v.v…(các chỉ tiêu nguyên nhân hay gọi là các biến độc lập xi ) Trong đó, sự biến động của chỉ tiêu Qe là

do tác động của các chỉ tiêu nguyên nhân khác, gọi là liên hệ tương quan, một hình thức liên hệ không chặt chẽ

Quá trình phân tích hồi quy gồm các bước sau:

- Phân tích định tính về bản chất của mối quan hệ giữa biến phụ thuộc với các biến độc lập để xác định tính chất và xu thế của mối quan hệ đó

- Biểu hiện cụ thể bằng phương trình hồi quy tuyến tính hoặc phi tuyến tính và tính các tham số của các phương trình

- Đánh giá mức độ chặt chẽ của mối liên hệ tương quan bằng các hệ số tương quan hoặc tỉ số tương quan

Quan hệ giữa biến phụ thuộc (nhu cầu điện năng) y với các biến độc lập xi được thể hiện dưới một số dạng chính sau:

áp dụng trong phân tích hồi quy bội Chi tiết về xác định R2 có thể

xem trong tài liệu [4],[6], [23],[31]

1.1.2 Ứng dụng phương pháp dự báo nhu cầu điện năng sử dụng mô hình KTL

Phương pháp dự báo nhu cầu điện năng sử dụng các mô hình KTL được ứng dụng khá phổ biến Một số ứng dụng điển hình như: Von Hirchhausen và Andres [47]

đã sử dụng mô hình Cobb–Douglas để dự báo nhu cầu điện năng giai đoạn 2000-2010

ở Trung Quốc Ở Việt Nam, trong các Quy hoạch phát triển điện lực Việt Nam giai đoạn 2001-2010 có xét triển vọng đến 2020 (TSĐV) [20] và TSĐV hiệu chỉnh [21] đã

sử dụng phương pháp đàn hồi để dự báo nhu cầu điện năng Badri MA đã phân tích tương quan giữa mức tăng nhu cầu điện (GE) với mức tăng giá điện (GP) và mức tăng GDP (GGDP) [39] qua mô hình GE = f(GP,GGDP) để dự báo nhu cầu điện năng cho Bắc Mỹ giai đoạn 1974-1983, sử dụng dữ liệu thống kê từ năm 1951-1973 Công ty năng lượng NSPI (Nova Scotia Power Inc) đã sử dụng mô hình hồi quy dự báo nhu cầu điện tại Nova Scotia, Canada, giai đoạn từ năm 2004 đến năm 2013 [73]

Mohamad và Bodger [85] đã sử dụng mô hình hồi quy tuyến tính để dự báo nhu cầu

điện cho New Zealand giai đoạn 1965-1999 Vichit Lorchirachoonkul và cộng sự

[107] đã xây dựng mô hình tương quan với các biến giá điện, GDP và nhiệt độ để dự báo nhu cầu điện của Thái Lan

Dự báo nhu cầu điện năng tại Việt Nam dùng phương pháp hồi quy

Trong khuôn khổ đề tài “Năng lượng nông thôn” thuộc Chương trình năng lượng Nhà nước, KHCN.09 giai đoạn 1996-2000, đã sử dụng phương pháp hồi quy để

dự báo nhu cầu điện và năng lượng nói chung cho nông thôn Việt Nam đến năm 2020

Đề tài đã xây dựng hàm dự báo với 4 biến phụ thuộc Kết quả dự báo đã được tham khảo để xác định nhu cầu năng lượng chung của quốc gia [16]

Trong Quy hoạch phát triển điện lực quốc gia giai đoạn 2006 – 2015 có xét đến

2025 (TSĐVI) [22 ] và quy hoạch phát triển điện lực quốc gia giai đoạn 2011 – 2020

có xét đến 2030 (TSĐVII) [31 ] đã sử dụng phương pháp đa hồi quy để dự báo nhu cầu điện năng và được gọi là phương pháp SimpleE) [9] Phương pháp này được các nhà nghiên cứu Nhật Bản giới thiệu, Viện Năng lượng đã triển khai là một trong những phương pháp được lựa chọn để dự báo nhu cầu điện năng trong TSĐVI và TSĐVII Nhu cầu điện năng được dự báo theo các ngành công nghiệp, nông nghiệp, thương mại - dịch vụ, dân dụng và ngành khác trên phạm vi toàn quốc Các hàm hồi quy biểu thị mối tương quan giữa tiêu thụ điện năng của ngành trong quá khứ với các biến phụ thuộc Nhu cầu điện năng toàn quốc bằng tổng nhu cầu điện năng các ngành

1.2 Phương pháp dự báo nhu cầu điện năng sử dụng mô hình phân tích kinh tế -

kỹ thuật (KT-KT)

1.2.1 Phương pháp luận của mô hình phân tích KT-KT dự báo nhu cầu điện

Các mô hình dự báo phân tích KT-KT [5], [6], [12], [15], [62], [70] chi tiết hơn nhiều so với mô hình KTL, mặc dù công thức tính toán khá đơn giản Cách tiếp cận phân tích KT-KT đã chú ý xem xét cả về quy mô và cấu trúc công nghệ của dịch vụ năng lượng

Nhu cầu năng lượng cho mỗi hoạt động là sản phẩm của 2 yếu tố: mức độ hoạt động (dịch vụ năng lượng) và cường độ năng lượng (năng lượng sử dụng trên 1 đơn vị dịch vụ năng lượng) Hơn nữa, tổng nhu cầu năng lượng quốc gia hoặc từng thành phần bị tác động bởi sự thay đổi cấu trúc của nhu cầu năng lượng Hầu hết những phân

tích năng lượng từ dưới lên (bottom-up) hàm chứa sự pha trộn các dịch vụ năng lượng

và các hoạt động (cấu trúc của nhu cầu năng lượng)

Mức độ của hoạt động năng lượng phụ thuộc vào các nhân tố như dân số, thu nhập và tổng sản phẩm quốc nội Mức độ của cường độ năng lượng phụ thuộc vào hiệu quả sử dụng năng lượng bao gồm cả khía cạnh công nghệ và vận hành Phép tổng các mức độ của 2 nhân tố của các hoạt động trên cho tổng nhu cầu năng lượng [62]:

sẽ được xem như giảm mức độ dịch vụ năng lượng (giảm Qi)

Số lượng của các dịch vụ năng lượng Qi phụ thuộc vào một số nhân tố bao gồm: dân số, tổng số các hộ tiêu thụ và phạm vi sử dụng của mỗi một dịch vụ và được biểu diễn bởi công thức (1.14) sau [62]:

Thông số Mi phụ thuộc vào phân tích KT-KT Đối với phân tích KT-KT công nghiệp, dạng đơn giản của nó là tấn sản phẩm, đối với thương mại Mi biểu thị tổng dịch vụ và mức độ dịch vụ được cung cấp, ví dụ lumen (lux) trên m2

được chiếu sáng,

nó có thể được thay thế bởi số giờ được chiếu sáng hay số giờ có độ sáng lux đã cho

Giới thiệu cụ thể một phương pháp dự báo nhu cầu điện năng sử dụng mô hình phân tích KT-KT

Tiêu biểu nhất của phương pháp này là mô hình phân tích nhu cầu năng lượng MEDEE-S (Mode`le de demande en e‟nergie pour les pays du Sud, CEC, 1987) [2], [8], [70] và dạng rút gọn của nó là MAED (Model for Analysis of the Energy Demand) MEDEE-S được Viện năng lượng và tư pháp, thuộc Trung tâm khoa học quốc gia Cộng Hòa Pháp xây dựng từ thập niên 70 của thế kỷ trước, với tính khoa học

và chính xác của nó nên được ứng dụng khá rộng rãi ở nhiều nước trên thế giới

Tuy nhiên, do tính phức tạp, đòi hỏi nhiều số liệu nên Cơ quan Nguyên tử quốc

tế (IAEA) đã nghiên cứu rút gọn, nhằm ứng dụng dễ dàng hơn đối với các nước đang phát triển Mô hình được rút gọn có tên là MAED, phiên bản đầu tiên ra đời vào năm

1986 [2], [8], [70]

Từ đó đến nay, mô hình MAED được phổ biến và sử dụng khá rộng rãi ở nhiều nước trên thế giới, kể cả ở Việt Nam Phương pháp luận và cấu trúc của mô hình MAED được tác giả Bùi Huy Phùng và cộng sự [15-19] mô tả như sau:

a) Phương pháp luận của mô hình MAED

i) Đưa ra một phân tích chắc chắn của tiêu dùng năng lượng cuối cùng của quốc gia theo nhiều loại sử dụng cuối cùng Phân tích này được bắt đầu bằng việc phân quốc gia thành một vài khu vực kinh tế như: nông nghiệp, xây dựng, khai mỏ, công nghiệp chế biến, giao thông vận tải,vv Và sau đó lại tiếp tục phân thành các loại sử dụng cuối cùng cơ bản trong từng khu vực kinh tế như: sử dụng điện, nhiệt và nhiên liệu động cơ

ii) Xác định các yếu tố kỹ thuật, kinh tế, xã hội ảnh hưởng đến từng loại nhu cầu năng lượng cuối cùng của từng khu vực kinh tế

iii) Xác định rõ hàm biểu thị liên hệ giữa tiêu dùng năng lượng và các yếu tố

có ảnh hưởng đến tiêu dùng năng lượng

iv) Xây dựng các kịch bản phát triển kỹ thuật và kinh tế-xã hội

v) Đánh giá tiêu dùng năng lượng cho từng kịch bản đó

b) Cấu trúc của mô hình MAED

Mô hình MAED được sử dụng cho mục đích dự báo nhu cầu năng lượng Cấu trúc chung của mô hình MAED bao gồm 3 Module được mô tả như trên hình 1.2:

+ Module 1: “Energy Demand” sử dụng để tính toán nhu cầu năng lượng cuối cùng theo dạng và theo các ngành kinh tế cho từng năm trong chu kỳ nghiên cứu

+ Module 2: “Hourly Electric Power Demand” sử dụng để biến đổi nhu cầu điện năng hàng năm của từng hộ tiêu thụ chính thành nhu cầu theo giờ đặt lên hệ thống điện

+ Module 3: “Load Duration Curve” sử dụng để sắp xếp nhu cầu theo giờ của hệ thống điện theo thứ tự giảm dần và xây dựng thành "đường cong phụ tải"

Hình 1.2 Cấu trúc mô hình MAED

Mô hình MAED sử dụng phương pháp mô phỏng trên cơ sở các kịch bản

(MAED is a simulation model based on the scenario approach) để đánh giá

nhu cầu năng lượng của đất nước trong thời kỳ quy hoạch Ứng dụng mô hình MAED đòi hỏi mô tả hàm quan hệ giữa Hệ thống năng lượng và Hệ

Module

3 Load duration curve

Module 1 nergy demand

electricity

Final energy

Other energy forms

WASP Model

thống kinh tế Những thay đổi về kinh tế -xã hội và công nghệ bên trong và bên ngoài đất nước sẽ tạo thành những yếu tố làm ảnh hưởng tới nhu cầu năng lượng Tập hợp tất cả những yếu tố này tạo thành một "Kịch bản" Mỗi kịch bản được xây dựng trên cơ sở xem xét các nhân tố chính:

- Dân số và nhân chủng học;

- Các hoạt động kinh tế và thu nhập quốc nội;

- Cường độ năng lượng trong các ngành kinh tế;

- Mức độ thâm nhập của điện năng;

- Các dự báo phát triển ngành với những chính sách chính;

- Những tiến bộ về công nghệ đã được tiên liệu

Trong [15] đã phân tích các mô hình sử dụng cách tiếp cận phân tích KT-KT đang được dùng khá phổ biến trên thế giới và đã du nhập vào nước ta như MEDEE-S, MAED, …nêu trên, chúng phục vụ chủ yếu cho các bài toán quy hoạch phát triển năng lượng Các mô hình dự báo trên đều dựa trên cách tiếp cận theo kịch bản và dùng phương pháp mô phỏng Nhu cầu năng lượng theo các dạng năng lượng được tính toán dự báo theo hai cách: từ dưới lên

và từ trên xuống Cách từ dưới lên, hệ thống năng lượng được phân thành các hệ thống con và nhu cầu năng lượng được dự báo cho các hệ con rồi tổng hợp lên cho hệ thống toàn quốc Cách từ trên xuống, nhu cầu năng lượng thường được phân tích và dự báo ở tầm vĩ mô rồi sau đó được dự báo cho các hệ thống con của nền kinh tế

Các mô hình dự báo nhu cầu năng lượng, như MAED hay các mô hình phân tích KT-KT tương tự, đều tuân thủ theo một quan hệ toán học được mô tả như sau [15]:

Trong đó: Qe(t) - Nhu cầu năng lượng năm (t); Vdf - Giá trị xác định nhân

tố điều khiển nhu cầu năng lượng như giá trị gia tăng của ngành, số lượng căn hộ, hoặc dân số ; Z - Hệ số phản ánh việc đánh giá xu thế tiêu thụ năng lượng đối với từng loại nhu cầu

Mô hình MAED đã được lập trình chạy trên máy tính, cho phép sử dụng khá tiện lợi Trong phương pháp này, nhu cầu năng lượng quốc gia được dự báo trên cơ sở nhu cầu năng lượng của từng ngành kinh tế, các ngành lại được tính trên cơ sở các quá trình sử dụng năng lượng Với phương pháp này [15], các tác giả chia nền kinh tế quốc dân thành 3 ngành lớn: Công nghiệp, Giao thông vận tải, Dân dụng- dịch vụ :

- Công nghiệp được chia thành 5 ngành nhỏ: năng lượng, công nghiệp chế

biến, khai thác mỏ, xây dựng và cả nông nghiệp; Công nghiệp chế biến được phân thành 4 ngành nhỏ hơn: vật liệu cơ bản, máy móc thiết bị, công nghiệp hàng tiêu dùng, công nghiệp khác

Trong mỗi ngành nhỏ lại được phân thành các quá trình nhiệt độ cao, trung bình, thấp,…

- Giao thông vận tải được chia ra giao thông vận tải hành khách, hàng

hoá; mỗi loại lại chia theo phương tiện quá trình vận tải: đường bộ, đường sắt, đường sông, đường biển, hàng không…

- Dịch vụ và gia dụng được chia thành dân dụng và dịch vụ, trong dịch vụ

và gia dụng lại phân nhỏ thành các quá trình đun nấu, sấy sưởi, điều hoà, thông gió, chiếu sáng,…

1.2.2 Ứng dụng phương pháp dự báo nhu cầu điện năng sử dụng mô hình phân tích KT-KT

Do phương pháp phân tích KT-KT mô tả khá chi tiết, gần với hoạt động thực của hệ thống năng lượng nên nó được sử dụng khá phổ biến ở nhiều nước trên thế giới

B Lapillonne [43] phân tích triển vọng nhu cầu năng lượng dài hạn của Liên bang Mỹ

G SAFOS [58] phân tích cấu trúc nhu cầu năng lượng hiện tại và những thay đổi trong tương lai của Thuỵ Điển trong lĩnh vực giao thông, dịch vụ và dân dụng Trường đại học kỹ thuật quốc gia Hy Lạp đã sử dụng mô hình phân tích KT-KT để xây dựng mô hình nhu cầu năng lượng cho Hy Lạp [70] Uỷ ban châu Âu, Cộng đồng kinh tế châu

Âu (cũ) cũng sử dụng mô hình này để ứng dụng cho các nước của mình thuộc chương trình phát triển năng lượng vùng (Regional energy development programme-RAS/86/136), các nước Đông Âu, Liên Xô (cũ) và Mỹ [52], [60] NEA/CEC [71] sử dụng mô hình phân tích KT-KT để phân tích và dự báo nhu cầu năng lượng cho Thái

Lan Các nước Trung Quốc [53], Ấn Độ [54], Indonesia [55], [82], Malaysia [56] cũng

đã sử dụng mô hình phân tích KT-KT để nghiên cứu nhu cầu năng lượng cho quốc gia mình UNDP, ESCAP đã phổ biến mô hình phân tích KT-KT tới nhiều nước trên thế giới trong đó có Việt Nam [2], [8], [16], [18] để ứng dụng nghiên cứu nhu cầu năng lượng

Ở Việt Nam, trong Chương trình khoa học công nghệ trọng điểm cấp Bộ giai đoạn 2001 – 2005 do Bộ Công nghiệp chủ trì, đề tài “Nghiên cứu phương án tổng thể khai thác và sử dụng hợp lý các nguồn năng lượng Việt Nam” [15] đã đề xuất và sử dụng mô hình MEAD để dự báo nhu cầu điện và nhu cầu năng lượng nói chung cho Việt Nam đến năm 2030 Tính tổng hợp phương pháp yêu cầu chia thành 3 ngành kinh

tế lớn, 12 ngành con và khoảng 100 quá trình, cần phân tích và chuẩn bị khoảng 150 nhóm số liệu (chi tiết nêu trong tài liệu [15])

Viện Năng lượng nguyên tử Việt Nam cũng đã sử dụng mô hình MAED để nghiên cứu về nhu cầu năng lượng của Việt Nam [8]

TSĐVI và TSĐVII cũng sử dụng cách tiếp cận phân tích KT-KT để dự báo nhu cầu điện năng theo phương pháp trực tiếp và phương pháp tính cường độ điện [22], [31]

1.3 Phương pháp dự báo nhu cầu điện năng sử dụng mạng neuron nhân tạo

Một trong những ứng dụng của trí tuệ nhân tạo là mạng neuron nhân tạo (Artifical Neuron Networks - ANN) ANN có khả năng chiết xuất thông tin từ những

dữ liệu không chắc chắn hay những dữ liệu phức tạp nhằm phát hiện ra những xu hướng không quan sát được bằng mắt thường hoặc bằng một số các kỹ thuật máy tính khác Đa số các mạng neuron ứng dụng ngày nay sử dụng phương pháp học bằng giải thuật lan truyền ngược (back propagation - BP), và được gọi là tắt là mạng nơ ron lan truyền ngược (back-propagation Neuron Network) Một trong những ứng dụng của ANN là khả năng dự báo: khi cho một tập mẫu dữ liệu theo thời gian, ANN có thể dự báo các giá trị của mẫu đó trong tương lai

Đã có một số tác giả nghiên cứu sử dụng mạng nơ ron nhân tạo trong dự báo nhu cầu điện và bài toán liên quan Một số công trình đại diện mà NCS đã nghiên cứu, tham khảo như:

Arief Heru Kuncoro, Zuhal, Rinaldy Dalimi (2007) [37] đã sử dụng ANN với giải thuật BP dự báo nhụ tải điện dài hạn cho khu vực Java-Madura-Bali của Indonesia với các biến đầu đầu vào là GDP của vùng, dân số, số hộ gia đình, tổng nhu cầu điện

và nhu cầu điện các thành phần công cộng, công nghiệp, thương mại, dân dụng, năng lượng điện vùng Java-Bali và chỉ số điện khí hóa của vùng Dữ liệu mẫu từ năm 2001 – 2006 và dự báo cho giai đoạn 2007 – 2025 Bài báo không đưa ra sai số kiểm tra (test) của mô hình mà chỉ đưa sai số kiểm định (validation) để dừng quá trình luyện mạng là 8,43531-8

Kết quả dự báo của mô hình ANN được so sánh với kết quả của National Electricity General Plan (NEGP) cho thấy, tốc độ tăng trưởng trung bình hàng năm nhu cầu công suất đỉnh của vùng Java-Madura-Bali, Indonesia là 7,1% theo

mô hình ANN và là 7,3% theo kết quả của NEGP (năm 2025, theo mô hình ANN là

57030 MW; theo kết quả của NEGP là 59107 MW);

Juntakan Taweekun [97] sử dụng mô hình mạng neuron, gồm lớp vào có 6 nút vào ứng với các biến độc lập là GDP, GNP, IPs, POP, TEMP (nhiệt độ trung bình năm) và Qe; 1 lớp ẩn với 5 nút, 1 nút ra ứng với giá trị của biến phụ thuộc là công suất điện cực đại năm Các dữ liệu từ năm 1993 đến 1999 dùng để học và các dữ liệu từ năm 2000 đến 2002 để kiểm định quá trình luyện mạng, dữ liệu năm 2003 dùng để kiểm tra mô hình Kết quả kiểm tra mô hình cho sai số 5,2% (giá trị dự báo của mô hình năm 2003 là 19,067 MW so với giá trị thực là 18,121 MW) Mô hình được sử dụng để dự báo nhu cầu điện của Thái Lan giai đoạn 2005 – 2020;

Hsiao-Tien Pao [58] nghiên cứu so sánh các mô hình tuyến tính và phi tuyến dự báo nhu cầu điện cho Đài Loan Tác giả đã sử dụng mạng nơ ron nhân tạo với giải thuật học BP trong mô hình phi tuyến Nghiên cứu đã thực hiện trên hai trường hợp: (1) Trường hợp 1: mạng gồm 5 nút vào ứng với các các biến độc lập gồm TEMP, GDP, CPI, POP và NI, 1 lớp ẩn có 6 nút, 1 nút ra ứng với biến phụ thuộc là nhu cầu điện với bộ dữ liệu huấn luyện mạng là 11 năm (theo các tháng), từ tháng 1/1990 đến tháng 12 năm 2000 và dữ liệu dự báo kiểm tra là từ tháng 1/2001 đến tháng 12/2002; (2) Trường hợp 2: mạng gồm 5 nút vào ứng với các các biến độc lập gồm TEMP, GDP, CPI, POP và NI, 1 lớp ẩn có 5 nút, 1 nút ra ứng với biến phụ thuộc là nhu cầu điện với bộ dữ liệu luyện mạng là 4 năm (theo các tháng), từ tháng 1/1997 đến tháng

12 năm 2000 và dữ liệu dự báo kiểm tra là từ tháng 1/2001 đến tháng 12/2002 Cả hai trường hợp đều sử dụng giải thuật học BP với quy tắc học delta và dùng hàm sigmoid

làm hàm truyền Nghiên cứu đã thực hiện so sánh kết quả dự báo của mô hình sử dụng ANN với ba mô hình hồi quy tuyến tính là LNREG; RSREG và ARMAX, sử dụng cùng bộ dữ liệu So sánh kết quả dự báo cho thấy sai số dự báo của mô hình sử dụng ANN thấp hơn nhiều so với các mô hình hồi quy truyền thống ở cả hai trường hợp, như được trình bày tại bảng 1.1

Bảng 1.1 So sánh sai số dự báo giữa các mô hình do Hsiao-Tien Pao thực hiện

Sai số bình phương trung bình (RMSE)

Sai số trung bình tuyệt đối (MAE)

Sai số tương đối

Sai số bình phương trung bình (RMSE)

Sai số trung bình tuyệt đối (MAE)

Sai số tương đối

LNREG 1508.96 1341.57 8.60% 1542.43 1376.26 8.84% RSREG 1701.90 1489.72 9.51% 1295.43 1171.78 7.58% ARMAX 931.13 764.90 4.83% 1566.34 1386.99 8.88% ANN 635.38 460.74 3.19% 709.25 598.65 4.02%

Dong Gyu Lee và cộng sự (1996) [49] đã dùng ANN với bộ dữ liệu mẫu là các biến dân số, GDP và nhu cầu điện năng từ năm 1961 đến năm 1980 để dự báo nhu cầu điện cho Hàn Quốc từ năm 1981 đến năm 1990; K.Padmakumari và cộng sự (1999) [66] đã sử dụng ANN kết hợp hệ mờ để dự báo nhu cầu điện dài hạn cho khu vực Kerala, Ấn Độ với các biến đầu vào của mô hình là khách hàng tiêu thụ điện của các thành phần dân dụng, công nghiệp và thương mại từ năm 1987 đến năm 1997 và dự báo cho giai đoạn 1998 – 2003; Mostafa Al Mamun và cộng sự (2004) [69] đã sử dụng ANN dự báo nhu cầu phụ tải dài hạn cho 9 công ty điện lực của Nhật Bản Mẫu vào là các biến độc lập: Tổng sản phẩm quốc gia GNP, tổng sản phẩm quốc nội GDP, dân số,

số hộ gia đình, số ngày nóng, số ngày lạnh, chỉ số sản xuất công nghiệp, giá dầu, giá điện và biến dự báo là nhu cầu phụ tải Pmax Dữ liêu mẫu được lấy từ năm 1975 đến năm 2000 và dự báo từ năm 2001 đến năm 2015; J V Ringwood và D Bofelli (2001) [61] đã sử dụng ANN nghiên cứu dự báo nhu cầu điện ngắn, trung và dài hạn và so sánh với một số mô hình thống kê truyền thống Với dự báo nhu cầu điện dài hạn, các

tác giả này sử dụng các biến độc lập là thu nhập trung bình ngành công nghiệp, tổng sản phẩm quốc nội, giá điện trung bình, số khách hàng, nhiệt độ trung bình năm và biến dự báo là phụ tải điện; Al-Saba, T and Al-Amin, I.M (1999) sử dụng ANN dự báo nhu cầu điện dài hạn cho Trung Đông [34] Tác giả có sử dụng kết quả của mô hình ANN so sánh với kết quả sử dụng mô hình phân tích chuỗi thời gian và kết luận

sử dụng mô hình ANN dự báo cho kết quả chính xác hơn Mô hình đã được sử dụng để

dự báo nhu cầu phụ tải điện hàng năm của Trung Đông từ năm 2000 đến năm 2006; Hsu và Chen [45] đã sử dụng mô hình mạng neuron, sử dụng giải thuật BP để luyện mạng, dự báo nhu cầu điện tại Đài Loan với các yếu tố đầu vào là GDP, dân số và nhiệt độ tối đa của vùng; Soteris A Kalogirou [103] đã sử dụng mạng neuron nhân tạo

và GA để tối ưu hoá hệ thống năng lượng mặt trời; Merih Aydinalp, V Ismet Ugursal, Alan S Fung [100] đã sử dụng mạng neuron để mô hình hoá tiêu thụ năng lượng trong các thiết bị, chiếu sáng và làm mát cho khu vực hộ gia đình; Mô hình dự báo nhu cầu năng lượng sử dụng mạng neuron nhân tạo lan truyền thẳng 2 lớp đã được sử dụng để

dự báo cho tỉnh Eastern của Saudi Arabia với các dữ liệu thời tiết, dân số và bức xạ toàn cầu Dữ liệu thống kê trong 7 năm được sử dụng để học (Javeed Nizami và Ahmed G Al-Garni, 1995) [59]; Mạng neuron nhân tạo sử dụng kỹ thuật máy học đã được Abdel-Aal và cộng sự (1997) đề xuất lựa chọn để dự báo nhu cầu năng lượng điện hàng tháng tại khu vực miên Tây của Saudi Arabia thay thế cho mô hình đa hồi quy thông thường [33]; Soteris A Kalogirou và Milorad Bojic (2000) đã xây dựng mô hình dự báo dựa trên mạng neuron nhân tạo để dự báo nhu cầu năng lượng cho các toà nhà Kiến trúc hồi quy đa lớp và giải thuật BP đã được sử dụng trong mô hình [65]

Hầu hết các nghiên cứu dự báo nhu cầu điện dài hạn sử dụng mạng nơ ron nhân tạo kể trên đều kết luận mô hình dự báo sử dụng ANN cho kết quả dự báo chính xác hơn so với phương pháp thống kê truyền thống Đầu vào của mạng ANN thường là các nhân tố kinh tế - xã hội ảnh hưởng đến nhu cầu điện dài hạn như GDP; GNP; CPI; POP; IPs, Pe; TEMP v.v… tùy thuộc vào điều kiện dữ liệu nghiên cứu và đặc điểm khu vực lãnh thổ nghiên cứu Cấu trúc và thuật toán học của ANN được ứng dụng cũng khá đa dạng, nhưng đa số trong các nghiên cứu nói trên lựa chọn cấu trúc ANN truyền thẳng, sử dụng giải thuật học BP NCS không có điều kiện nghiên cứu, phân tích kỹ tất cả các giải thuật học đã ứng dụng, nhưng tìm hiểu về giải thuật BP, giải thuật được ứng dụng nhiều nhất trong các nghiên cứu kể trên, công trình của các tác

giả Nguyễn Thanh Thủy, Nguyễn Hữu Đức và Trần Ngọc Hà [25] cho rằng quá trình tìm kiếm bộ tham số học trên những hàm xác định sai số trong giải thuật BP gặp khó khăn là không thể sử dụng được một giải pháp tổng quát có độ phức tạp đa thức để đạt kết quả tối ưu Đây cũng là vấn đề luận án tìm hiểu và sẽ đề cập kỹ hơn ở chương 2, phần c, mục 2.1.4 và chương 3, mục 3.5.3

Ở Việt Nam đã có một số nghiên cứu dự báo nhu cầu điện sử dụng mạng nơ ron nhân tạo NCS đã nghiên cứu, tìm hiểu và thấy rằng các nghiên cứu đó [13, 14], [40], [50], [76] tập trung vào bài toán dự báo phụ tải điện ngắn hạn, nó khác với bài toán dự báo nhu cầu điện năng dài hạn ở mục tiêu, đối tượng dự báo, các yếu tố đầu vào của bài toán dự báo và mối liên hệ giữa các biến độc lập (biến vào) và biến phụ thuộc (biến

ra dự báo) Bài toán dự báo phụ tải điện ngắn hạn là bài toán dự báo nhu cầu công suất điện của phụ tải trong khoảng dự báo từ 1 giờ đến 1 tuần, nó đóng vai trò quan trọng trong điều độ kinh tế hệ thống điện, phân bổ công suất các tổ máy phát điện, chuẩn bị nhiên liệu và lên lịch bảo dưỡng hệ thống điện Kết quả của dự báo là đồ thị phụ tải ngày đêm (24 giờ) của hệ thống điện của ngày dự báo vì vậy thường được gọi

là dự báo phụ tải điện ngày đêm Các yếu tố đầu vào của mô hình thường là hình dáng

đồ thị phụ tải 24 giờ của hệ thống trong quá khứ, tính chất ngày trong tuần (ngày nghỉ cuối tuần, ngày đầu, ngày cuối làm việc trong tuần, ngày làm việc bình thường trong tuần, các ngày lễ, tết hay có sự kiện đặc biệt, thời tiết, nhiệt độ Một số cách tiếp cận chính đối với bài toán dự báo phụ tải điện ngày đêm là: kết hợp dự báo đỉnh, đáy và dạng biểu đồ phụ tải ngày; dự báo đồng thời phụ tải 24 giờ ngày dự báo hay dự báo 24 lần từng giờ của ngày dự báo Một số nghiên cứu điển hình sử dụng mạng nơ ron nhân tạo dự báo phụ tải điện ngắn hạn của Việt Nam có thể kể đến là:

Quách Tuấn Dũng (2000) đã bước đầu nghiên cứu dự báo nhu cầu phụ tải điện ngày đêm sử dụng ANN phục vụ công tác điều độ hàng ngày của hệ thống điện [50] trong khuôn khổ đề tài khoa học của EVN;

Nguyễn Thị Ngọc Bích (2006) đã nghiên cứu ứng dụng ANN dự báo nhu cầu phụ tải ngắn hạn (dự báo ngày và giờ cho những ngày làm việc và cuối tuần, không dự báo cho những ngày nghỉ) cho khu vực miền Bắc Việt Nam, sử dụng hai yếu tố đầu vào là phụ tải điện và nhiệt độ [40] trong khuôn khổ luận văn thạc sỹ tại AIT Thái Lan;

Trần thị Hoàng Oanh, Đồng Sỹ Thiên Châu, Trần Hoàng Lĩnh, Nguyễn Kỳ Tài (2007) [14] đã nghiên cứu ứng dụng mạng nơron với giải thuật BP trong bài toán dự báo phụ tải điện ngắn hạn (ngày) để thử nghiệm dự báo nhu cầu phụ tải khu vực thành phố Hồ Chí Minh trong 45 ngày 13/1/2006 đến ngày 31/5/2006 và thử nghiệm thứ hai

dự báo từ ngày 4/4/2006 đến ngày 31/5/2006 Nghiên cứu đã đưa ra nhận xét: Dự báo phụ tải theo phương pháp mạng noron cho kết quả tốt hơn so với phương pháp hồi quy trong cả hai khảo sát liên tục 45 ngày và 35 ngày

Trần Kỳ Phúc và cộng sự (2008), trong khuôn khổ đề tài khoa học công nghệ cấp Bộ - Bộ Công Thương, đã nghiên cứu ứng dụng ANN trong dự báo ngắn hạn phụ tải điện cho khu vực Hà Nội [76] Đề tài “đã xem xét các vấn đề thiết kế mô hình, lập phần mềm và thử nghiệm để dự báo đỉnh – đáy – dạng biểu đồ phụ tải ngày , dùng mạng nơ ron nhiều lớp, thuật toán lan truyền ngược sai số và mạng một lớp thuật toán học không giám sát Kohonen Kết quả thử nghiệm mạng cho thấy sai số dự báo là thấp hơn các mô hình dùng phương pháp thống kê truyền thống” Để giảm sai số dự báo, nghiên cứu chỉ ra rằng [76]:

Cần thiết phải phân các biểu đồ phụ tải ngày thành các nhóm nhất định như các ngày nghỉ cuối tuần; các ngày trước và sau ngày nghỉ thứ Sáu và thứ Hai, các ngày làm việc bình thường thứ Ba đến thứ Năm; ngoài ra các ngày

lễ tết hoặc các ngày có sự kiện văn hóa thể thao đặc biệt ảnh hưởng đến nhu cầu điện lại có biểu đồ phụ tải khác hẳn các ngày bình thường cũng được phân thành các nhóm riêng biệt Sau khi phân loại các biểu đồ phụ tải quá khứ để đánh giá có bao nhiêu dạng ngày, thông tin về các dạng ngày đưa vào mô hình theo hai cách: (1) mã hóa các dạng ngày này và đưa vào đầu vào của mạng; (2) nếu có N kiểu ngày thì xây dựng N mạng, mỗi mạng

dự báo cho một kiểu ngày Mặt khác, các nhóm biểu đồ phụ tải được phân loại thường không thích hợp đối với mọi hệ thống Hay sự phân loại nào đó

có thể đúng với hệ thống này nhưng lại không phù hợp với hệ thống khác (tính phụ thuộc vào hệ thống) Chính vì vậy, một hệ thống dự báo phụ tải điện nhất thiết phải có chức năng phân loại biểu đồ phụ tải ngày, dùng công cụ này hay công cụ khác Tác giả sử dụng mạng ánh xạ tự tổ chức SOFM – Kohonen thử nghiệm với bộ dữ liệu quá khứ về phụ tải khu vực

Hà Nội cho thấy khả năng phân loại khá tốt các biểu đồ phụ tải điện quá

khứ Tuy nhiên, vì tính tương tự của các biểu đồ phụ tải là khá cao nên để tách chúng thành các nhóm vector phụ tải đồng dạng, bản thân SOFM-Kononen chưa đủ thông tin, cần bước phân nhóm (clustering) trực quan hoặc dùng một thuật toán khác ngay từ đầu để phân loại tự động

Một đặc điểm nữa là các ngày đặc biệt trong năm như ngày quốc khánh, ngày

lễ, tết, hay có những sự kiện đặc biệt khác có biểu đồ phụ tải điện rất đa dạng cũng là yếu tố gây khó khăn khi sử dụng ANN trong dự báo ngắn hạn

Nguyễn Quân Nhu, Trần Hoài Linh, Trần văn Giang (2009) [13] đã nghiên cứu

dự báo phụ tải tiêu thụ ngày (ngắn hạn) của thành phố Hà Nội, Việt Nam bằng phương pháp chuỗi thời gian (Time Series –TS), mạng tự tổ chức KSOM (Kohonen Self-Organizing Map) và mạng nơ ron đa lớp MLP (Multi-Layer Perceptron neural networks) Kết quả cho thấy hiệu năng cao của các phương pháp nói trên, góp phần hữu ích cho việc thiết lập module dự báo phụ tải điện trong các mô hình hệ thống điện

Thành công của các nghiên cứu trên đây mở ra một hướng phát triển nghiên cứu ứng dụng, cải tiến phương pháp tính cho bài toán dự báo nhu cầu điện năng dài hạn của Việt Nam

Cơ sở lý thuyết và phương pháp luận của phương pháp dự báo nhu cầu điện năng sử dụng ANN được trình bày chi tiết tại chương 2 của Luận án

1.4 Một số phương pháp khác dự báo nhu cầu điện năng

1.4.1 Phương pháp so sánh đối chiếu

Là phương pháp áp dụng những kinh nghiệm thực tế của các nước có hoàn cảnh, điều kiện tương tự cho việc dự báo phát triển mạng điện của nước nhà Việc phân tích các đặc điểm và kinh nghiệm của các nước tiên tiến ở các giai đoạn đã qua cũng có thể cho phép áp dụng để dự báo nhu cầu điện ở các giai đoạn có hoàn cảnh tương tự Đây là phương pháp được nhiều nước áp dụng để dự báo nhu cầu năng lượng của mình một cách có hiệu quả Phương pháp này thường áp dụng cho dự báo ngắn hạn và trung hạn

Ưu điểm của phương pháp so sánh đối chiếu là không cần sử dụng các thuật toán phức tạp, nhưng đòi hỏi phải có kinh nghiệm và kỹ năng phân tích để tìm ra những nét tương đồng và khác biệt trong các điều kiện cụ thể