TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP DỰ BÁO NHU CẦU ĐIỆN



 
 
!
"#$##!%
"&#$
'
()*+*
,-
-(-.
/001
2
3%
/,
/,4
Hình 1.15%67*6
CHƯƠNG 1
TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP DỰ BÁO NHU CẦU ĐIỆN
Dự báo nhu cầu điện 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 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 [3], [35]. 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 [35] , đó là cách tiếp cận dựa vào kỹ thuật trí tuệ nhân tạo. Ngoài ra, còn
một số phương pháp dự báo 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 phụ tải điện được thể hiện trên hình 1.1.
1.1. Các mô hình kinh tế lượng (KTL)
1.1.1. Các mô hình KTL sử dụng phương pháp đàn hồi
1.1.1.1. Phương pháp luận của mô hình sử dụng phương pháp đàn hồi
Dạng chung nhất của phương trình KTL được sử dụng trong các nghiên cứu
năng lượng dựa trên hàm số sản xuất Cobb-Douglas [3], [35] :
E = a. Y
α
. P
-β
(1.1)
Trong đó: E: Nhu cầu năng lượng; Y: Thu nhập; P: Giá năng lượng; a: Hệ số hồi
quy; α: Đàn hồi thu nhập của nhu cầu năng lượng; β: Đàn hồi giá năng lượng.
Đàn hồi thu nhập và giá biểu thị nhu cầu năng lượng thay đổi do sự thay đổi giá
năng lượng và thu nhập trong mô hình KTL. Giá trị này có thể được xác định như sau:
α
Y
Y
A
A
Y
A
Et
∆

∆
==
%
%
δ
δ
(1.2)
Trong đó: α
ET
- Hệ số đàn hồi thu nhập; δA%, δY% - Suất tăng tương đối điện năng
và GDP; A - Điện năng sử dụng; Y - Giá trị thu nhập; ∆A; ∆Y - Tăng trưởng trung
bình điện năng và thu nhập trong giai đoạn xét.
Đàn hồi giá được xác định như sau:
P
P
A
A
P
A
Et
∆
∆
==
%
%
δ
δ
β
(1.3)
Trong đó: β

ET
- Hệ số đàn hồi giá điện; δA%, δP% - Suất tăng tương đối điện năng
và giá điện năng; A - Điện năng sử dụng; P - Giá điện năng; ∆A; ∆P - 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, môi 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.
1.1.1.2. Ứng dụng phương pháp đàn hồi
Ở Trung Quốc Von Hirchhausen and Andres [44] đã sử dụng mô hình Cobb–
Douglas để dự báo nhu cầu điện năng giai đoạn 2000-2010 với mô hình:
( )
2010 2010
2010 1996
1996 1996
GDP P

E = 1 E
GDP P
α β
 
   
 
− γ
 ÷  ÷
 
   
 
(1.4)
Với: α và β là biến động thu nhập và biến động giá cả;
=
γ
AEEI (Autonomous
Energy Efficiency Increase - mức tăng hiệu qủa sử dụng năng lượng).
Hệ số biến động thu nhập α được đặt là 0,7 tương đương với giá trị trung bình
trong 7 năm được ước lượng từ mô hình. Biến động giá cả đặt là - 0,2 là giá trị dao
động trong ngắn hạn và AEEI γ cho phép tăng ở mức 1%/ năm. Các mô hình này Von
cũng đã được sử dụng để dự báo nhu cầu điện năng cấp vùng, coi mức tăng trưởng thu
nhập vùng như là một biến ngoại suy.
Ở Việt Nam trong các Quy hoạch phát triển điện lực Việt Nam giai đoạn 1990 –
2000 [22] và giai đoạn 2001 – 2010 có xét đến 2020 [24] đã sử dụng phương pháp đàn
hồi để dự báo nhu cầu điện năng. Tháng 6 năm 2001, Thủ tướng Chính phủ đã ra
quyết định phê duyệt Quy hoạch phát triển điện lực Việt Nam giai đoạn 2001 – 2010
có xét triển vọng đến năm 2020, trong đó dự báo nhu cầu tiêu thụ điện năng năm 2005
từ 45 đến 50 tỷ kWh với mức tăng trưởng bình quân 10-11%/năm. Nhịp độ tăng
trưởng tiêu thụ điện năng cả giai đoạn 2001 – 2010 là 11-12%/năm tương ứng với các
kịch bản tăng trưởng kinh tế (GDP) khoảng 7,2-8,0%/năm. Tuy nhiên, trong thực tế

năm 2001 và 9 tháng đầu năm 2002 mặc dù tăng trưởng kinh tế chỉ ở mức dưới
7%/năm nhưng tiêu thụ điện năng đã tăng 15,4% và 17,1% trong đó tiêu thụ của hai
thành phần chủ yếu là công nghiệp – xây dựng tăng 14,4-21,3%, thành phần quản lý
và tiêu dùng dân cư tăng 13,3 – 13,7% so với tăng trưởng bình quân dự báo của
phương án phụ tải cao trong TSĐ5 tương ứng là 14,9 và 10,9% [24] .
Thông thường các hệ số đàn hồi được xác định bằng các phân tích KTL của các
chuỗi dữ liệu theo thời gian trong quá khứ. Điều này là khó chính xác đối với Việt
Nam vì các chuỗi dữ liệu theo thời gian này không đủ và ngay cả khi có đủ thì một số
sự phân bổ sai lệch tác động đến nền kinh tế Việt Nam sẽ làm mất tác dụng của cách
tiếp cận này. Vì thế các hệ số đàn hồi dùng trong việc phân tích dự báo nhu cầu năng
lượng thường được lựa chọn bằng cách mô phỏng kinh nghiệm của các quốc gia lân
cận ở thời điểm mà họ có các điều kiện và hoàn cảnh tương tự. Cách tiếp cận này
không phải là dễ dàng vì một số lý do. Các ước tính kinh trắc thường là không tin cậy
và dễ bị thay đổi tuỳ thuộc vào việc hình thành các quan hệ giữa sử dụng năng lượng
và nhu cầu năng lượng cũng như các tập hợp dữ liệu nhất định đang được nghiên cứu.
Ngoài ra, Việt Nam còn là một trường hợp đặc biệt vì trước đó có sự hạn chế về sử
dụng điện. Nhu cầu bị kiềm chế này ở Việt Nam là khá lớn, nó tác động làm cho giá trị
trung bình của hệ số đàn hồi thu nhập tính toán trở lên kém tin cậy. Vì những lý do
trên, phương pháp này ứng dụng tại Việt Nam mang nặng tính chuyên gia.
1.1.2. Các mô hình KTL sử dụng phương pháp ngoại suy
1.1.2.1. Phương pháp luận của mô hình sử dụng phương pháp ngoại suy
Nội dung của phương pháp này là nghiên cứu diễn biến của phụ tải trong các
năm quá khứ tương đối ổn định và tìm ra quy luật biến đổi của phụ tải phụ thuộc vào
thời gian, từ đó sử dụng mô hình tìm được để ngoại suy cho giai đoạn dự báo [12].
Các mô hình dự báo được xác định trên cơ sở phân tích tương quan hồi quy. Tùy thuộc
vào sự diễn biến của phụ tải trong các năm quá khứ, có thể tồn tại một số dạng mô
hình dự báo cơ bản sau đây:
a. Hàm tuyến tính
Mô hình tuyến tính biểu thị sự biến đổi của phụ tải P theo thời gian t có dạng:
P

t
= a + bt (1.5)
Các hệ số a, b xác định theo phương pháp bình phương cực tiểu.
Mô hình dự báo tuyến tính cũng có thể được biểu thị dưới dạng:
P
t
= P
o
+ P
0,
α.(t-t
0
) = P
0
[1+.α.(t-t
0
)] (1.6)
Trong đó: P
0
- Phụ tải năm cơ sở t
0
; α - suất tăng phụ tải trung bình hàng năm,
n
i
α
α
Σ
=
; α
i

- tỷ lệ tăng phụ tải năm thứ i so với năm trước.
b. Hàm Parabol
Mô hình Parabol, hay còn gọi là mô hình bậc hai được biểu thị dưới dạng:
P
t
= a + bt + c t
2
(1.7)
Các hệ số hồi quy a, b, c xác định theo điều kiện bình phương cực tiểu.
c. Hàm mũ
Đối với phụ tải có quá trình phát triển nhanh, ổn định mô hình ngoại suy có thể
biểu diễn dưới dạng hàm mũ:
P
t
= P
0
(1+α)
t
(1.8)
Trong đó: P
0
- Phụ tải của năm cơ sở ; α - Suất gia tăng phụ tải hàng năm.
Nếu đặt hệ số C = (1+α) thì hàm mũ 1.8 có thể biểu diễn dưới dạng ngắn gọn sau:
P
t
= P
0
C
t
(1.9)

Trong nhiều trường hợp hàm mũ cũng có thể biểu thị dưới dạng:
P
t
= A.e
at
(1.10)
Trong đó : A và a là các hệ số được xác định từ số liệu thống kê.
d. Mô hình Logistic
Phụ tải dự báo theo mô hình dự báo logistic được xác định theo biểu thức:
t
t
BeP
A
P
.
0
α
−
+
=
; (1.11)
Trong đó: α - tỷ lệ gia tăng phụ tải trung bình hàng năm, xác định theo
n
n
i
i
∏
=
=
1

αα
(1.12)
A = P
0,
P
b
; B = P
b
- P
0
P
0
- công suất của năm cơ sở; P
B
- công suất bão hoà; α
i
– giá trị gia
tăng phụ tải năm thứ i.
Mô hình logistic thường được áp dụng rất có hiệu quả đối với dự báo phụ tải
điện sinh hoạt, đặc biệt đối với bài toán dự báo dài hạn.
e. Mô hình dự báo đường cong chữ S
Tồn tại một số mô hình biến dạng của mô hình logistic mà người ta thường gọi
là mô hình dự báo đường cong chữ S:
at
t
em
n
P
−
+

=
.1
; (1.13)
Với: m; n; a là các tham số của mô hình dự báo.
Phương pháp ngoại suy là một trong những phương pháp được ứng dụng nhiều
do những ưu điểm là phản ánh khá chính xác quá trình phát triển của phụ tải ổn định,
có thể đánh giá mức độ tin cậy của hàm xu thể dễ dàng. Tuy nhiên theo phương pháp
này cần phải có lượng thông tin đủ lớn, quá trình khảo sát quá khứ và quá trình phát
triển trong tương lai phải tương đối ổn định. Để nâng cao độ chính xác cần phải dự báo
riêng cho từng thành phần của phụ tải rồi sau đó mới tổng hợp theo các phương pháp
tính toán thông dụng.
Hàm dự báo được xây dựng trên cơ sở số liệu thống kê của những tập mẫu và
đánh giá mức độ chặt chẽ bằng hệ số tương quan tuyến tính
tP
tP
r
σσ
µ
.
,
=
,
hoặc hệ số tương quan phi tuyến:
∑
∑
−
−
−=
2
2

)(
)(
1
Yy
Xx
R
i
i
.
Độ tin cậy của mô hình dự báo được đánh giá theo giá trị của hàm Student, xác
định theo biểu thức:
2
r1
2nr
t
−
−⋅
=
;
So sánh giá trị t tìm được theo biểu thức trên với giá trị t
b
tra theo bảng phân
phối Student, phụ thuộc vào số bậc tự do (n-2) và mức ý nghĩa cần thiết, nếu t > t
b
thì
mô hình dự báo là đáng tin cậy.
1.1.2.2. Ứng dụng phương pháp ngoại suy dự báo nhu cầu điện
Tại Bắc Mỹ, Hội đồng kỹ thuật điện NERC (North American Electric
Reliability Council), đã áp dụng phương pháp ngoại suy để dự báo nhu cầu tiêu thụ
điện năng ở thời kỳ 1974 – 1983 [39] mức tăng là 7,5% năm. Trên thực tế, nhu cầu

điện năng tăng ở mức 2,3% năm. Phương pháp ngoại suy được NERC sử dụng dự báo
phụ tải cho các khu vực Bắc Mỹ có sai số vượt quá 300%.
Trong suốt giai đoạn 1983 đến 1997, NERC đã phải hiệu chỉnh các kết quả dự
báo của mình tới 4 lần. Lần hiệu chỉnh đầu tiên, tốc độ tăng trưởng của dự báo nhu cầu
năng lượng đã giảm xuống chỉ còn 2,4%/năm từ 1985 đến 1994. Tốc độ tăng trưởng
lại tiếp tục được hiệu chỉnh xuống còn 2,3% từ 1986 đến 1995 trong lần hiệu chỉnh thứ
2. Sau đó lại tiếp tục được hiệu chỉnh giảm xuống còn 2,1% từ 1987 đến 1996 trong
lần hiệu chỉnh thứ 3. Cuối cùng, tốc độ tăng trưởng được hiệu chỉnh xuống còn
2,0%/năm từ 1988 đến 1997. Kết quả dự báo nhu cầu phụ tải của NERC, 1974-1983
và 1975÷1994 được thể hiện trên hình 1.2.
Hình 1.2. Các kết quả dự báo nhu cầu phụ tải của NERC, 1974-1983 và 1975
÷
1994
Nguyên nhân chính dẫn đến sai số dự báo là do sự biến động của một số nhân
tố liên qua đến quá trình tiêu thụ điện, trong đó biến quan trọng nhất là giá điện. Cuộc
khủng hoảng năng lượng đầu tiên năm 1973 đã làm giá điện tăng 4,1% hàng năm cho
giai đoạn dự báo 1974-1983.
Có giả thiết cho rằng sự thay đổi cấu trúc trong mô hình cũng là nguyên nhân
khác gây ra sai số dự báo, tuy nhiên bằng kết quả thử nghiệm của mình tác giả Uhler
đã cho rằng sai số dự báo do sự thay đổi cấu trúc của mô hình là không đáng kể.
Ở Việt Nam, từ trước đến nay phương pháp ngoại suy ít được sử dụng trong dự
báo nhu cầu năng lượng do không đủ dữ liệu quá khứ và quá trình phát triển nhu cầu
điện không ổn định.
1.1.3. Phương pháp tương quan hồi quy
1.1.3.1. Phương pháp luận
Phân tích tương quan hồi quy là xác định sự liên quan định lượng giữa hai biến
ngẫu nhiên Y và X, kết quả của phân tích hồi quy được dùng cho dự báo khi một trong
các biến, bằng cách nào đó, được xác định trong tương lai. Hồi quy đơn được dùng để
xem xét mối liên hệ tuyến tính giữa hai biến X và Y, trong đó X được xem là biến độc
lập (ảnh hưởng đến biến Y), còn Y là biến phụ thuộc (chịu ảnh hưởng bởi biến X).

Thực chất nhu cầu điện không chỉ liên quan đến một, mà có liên quan đến rất
nhiều yếu tố, như: Thu nhập quốc gia (NI – National Income); Dân số (POP –
population); Tổng sản phẩm nội địa (GDP – Gross of Domestic Production); Chỉ số
giá tiêu dùng (CPI – Consumer Price Index) v.v , vì vậy trong thực tế người ta thường
sử dụng phương pháp tương quan hồi quy bội [3] để giải quyết vấn đề này. Quan hệ
giữa nhu cầu điện Y với các nhân tố x
i
được thể hiện dưới một số dạng chính sau:
* Dạng tuyến tính: y = a
0
+a
1
x
1
+a
2
x
2
+ + a
k
x
k
(1.14)
* Dạng phi tuyến: + Dạng Cobb Douglas: y= a
0
x
1
al
x
2

2a
x
k
ak
(1.15)
+ Dạng mũ: y = a
0
+ a
1
x
1
p
+ a
2
x
2
k
+ + a
k
x
k
z
(1.16)
Để kiểm định mô hình tương quan người ta áp dụng nhiều tiêu chuẩn khác
nhau, một trong số đó là hệ số xác định R
2
áp dụng trong phân tích hồi quy bội. Chi
tiết về xác định R
2
có thể xem trong tài liệu [3]

1.1.3.2. Ứng dụng phương pháp hồi quy trong thực tế
a. Dự báo phụ tải tại Bắc Mỹ bằng Mô hình Uhler
Uhler đã lập mô hình KTL với phụ tải sphụ thuộc vào giá điện và thu nhập của
người tiêu dùng. Mô hình của ông được biểu thị như sau:
GE = f(GP,GGDP) (1.17)
Với: GE - mức tăng nhu cầu điện; GP - mức tăng giá điện; GGDP - mức tăng GDP.
Mô hình 1.17 phù hợp với các dữ liệu từ năm 1951-1973. Mức biến động trong
ngắn hạn của giá điện là - 0,3 và biến động trong dài hạn là - 0,44. Tương tự, biến
động thu nhập mức 0,83 đã được dự tính cho cả ngắn hạn và dài hạn.
Mô hình Uhler có khả năng tính được tác động của giá điện và thu nhập đến
nhu cầu phụ tải. Uhler đã dùng kỹ thuật BJ để dự báo các biến ngoại suy là giá điện và
GDP để dự báo phụ tải từ mô hình KTL cho giai đoạn 1974-1983. Mức tăng 6,8% đã
được dự báo bằng mô hình này cao hơn so mức tăng thực tế nhưng thấp hơn dự báo
của NERC.
Nguyên nhân gây sai số trong mô hình dự báo Uhler:
Trong giai đoạn 1951-1973, giá điện giảm và thu nhập người tiêu dùng tăng
nhanh khiến cho nhu cầu phụ tải tăng nhanh chóng. Các mô hình ES và Uhler đã tính
được mức tăng phụ tải khá chính xác.
Giai đoạn dự báo giữa 1974 và 1983, giá điện thực tế đã bắt đầu tăng nhanh ở
mức 4,7% năm. Kỹ thuật BJ được sử dụng để dự báo giá điện cho giai đoạn 1974-
1983, kết quả dự báo giá điện thấp hơn giá điện thực tế 0,6%. Sự khác nhau giữa dự
báo và thực tế của giá điện đã làm cho mô hình Uhler dự báo vượt nhu cầu điện.
b. Dự báo nhu cầu phụ tải tại Nova Scotia - Canada
Công ty năng lượng NSPI (Nova Scotia Power Inc) đã dự báo nhu cầu điện tại
Nova Scotia giai đoạn 2004 đến 2013 [41].
Khách hàng tiêu thụ năng lượng tại Nova Scotia được chia thành 3 nhóm – hộ
gia đình, thương mại và công nghiệp. Mô hình nhu cầu phụ tải hộ gia đình có thể biểu
thị bằng:
t t t t t
2

t 1
Residential = 715.70AIDX +0.106CHDD 37.68RREP +0.089RRTS
+0.500Resident , adj R = 99.83%
−
−
×
(1.18)
Với:
t
AIDX =
Biến xác định sự hiệu quả của việc sử dụng các thiết bị điện trong năm t;
t
CHDD =
Số hộ sử dụng điện năm t;
t
RRTS =
Giá bán lẻ điện năng trong năm t;
t
RREP =
giá bán năng lượng trung bình sau thuế ở giá cố định năm t.
- Mô hình nhu cầu phụ tải thương mại có thể biểu thị như sau:
t t t t 1
2
Commercial = 0.023RQTOS + 0.157Resident + 0.640Commercial ,
adj R = 99.76%
−
×
(1.19)
với
t

RQTOS =
GDP năm t.
- Mô hình nhu cầu phụ tải công nghiệp nhỏ:
2
t t
Small industry = 0.0155RQTOS + 112.89, adj R = 90.89%×
- Mô hình nhu cầu phụ tải công nghiệp vừa :
2
t t
Medium industry = 0.0345RQTOS 239.38, adj R = 99.00%− ×
Chỉ 6 nhóm đối tượng thuộc nhóm công nghiệp lớn được đưa vào mô hình dự
báo trong vòng 3 năm dựa trên kế hoạch sản xuất của khách hàng và thiết bị được lắp
đặt. Tổn thất hệ thống và cả doanh số bán nằm ngoài sổ sách được giả sử tính toán
trung bình trong vòng 5 năm. Theo kịch bản này, tổn hao truyền tải đặt ở mức 2,9%,
tổn hao phân phối là 6,6% và tổng tổn hao bao gồm cả việc bán gian lận nằm ngoài sổ
sách là 6,9%.
c. Dự báo phụ tải tại New Zealand
Dự báo phụ tải tại New Zealand thuộc trách nhiệm của Bộ phát triển kinh tế
New Zealand (MED) [60]. MED sử dụng mô hình cân bằng cục bộ (SADEM) trong
mô hình hoá ngành năng lượng. Ngành điện là một phân ngành thuộc mô hình này.
MED không dự báo nhu cầu phụ tải mà dự báo mức tăng giả thiết là 1,8% nhu cầu phụ
tải trong giai đoạn 2000-2020 để mô hình hoá cho các phân ngành năng lượng.
* Mohamad và Bodger [42] đã sử dụng mô hình KTL tuyến tính để dự báo nhu
cầu điện cho New Zealand giai đoạn 1965-1999. Dạng chung của mô hình được biểu
thị như sau:
t 1 1t 2 2t 3 3t t
Y = a + b X + b X + b X + u
(1.20)
Với:
t

Y
- nhu cầu điện năng theo GWh trong năm t;
1t
X
- GDP thực (triệu $NZ ) trong
năm
t
;
2t
X
- giá điện (cents/kWh) trong năm
t
;
3t
X
- dân số trong năm
t
;
t
u
- sai số
thời kỳ t = 1965–1999.
Giá điện đưa vào mô hình là giá điện thực tế. Nhu cầu điện được chia làm các nhóm
nội địa và nhóm phi nội địa.
Bảng 1.1 Tương quan giữa các biến
Nội địa Phi nội địa Tổng GDP Giá Dân số
Nội địa 1 0,971 0,921 0,983
Nội địa Phi nội địa Tổng GDP Giá Dân số
Phi nội địa 1 0,981 0,963 0,980
Tổng 1 0,982 0,956 0,984

GDP 1 0,928 0,982
Giá 1 0,922
Dân số 1
Bảng 1.2 Ý nghĩa thống kê của mô hình
Mô hình
2
adj R×
F–test t–Test
= 0.01
α
F
= 0.01
α
1
t
2
t
3
t
Nội địa 0,89 4,46 258 2,74 4,04 3,19 30,0
Phi nội địa 0,96 4,46 1077 2,74 17,3 21,6 21,1
Tổng 0,96 4,46 1024 2,74 10,2 17,8 30,4
Bảng 1.1 thể hiện sự tương quan giữa các biến mô hình trên mức 0,9. Tất cả các biến
ngoại suy của mô hình đều có một ý nghĩa thống kê (xem Bảng 1.2) và các kết quả
ước lượng theo các nhóm có thể tổng kết như sau:
Y
1
= –5,81 x 10
3
+ 1,5 x 10

–3
X
1
– 93,2X
2
+ 4,7x10
–3
X
3
Nội địa (1.21)
Y
2
= –2,98 x 10
4
+ 2,29 x 10
–1
X
1
– 78,7X
2
+ 8,2x10
–2
X
3
Phi nội địa (1.22)
Y
3
= –3,68 x 10
4
+ 2,21 x 10

–1
X
1
– 2,12X
2
+1,34x10
–2
X
3
Tổng (1.23)
Mohamad và Bodger đã so sánh các kết quả dự báo từ mô hình KTL với dự báo
của MED và CAE , dự báo của một mô hình hồi quy logistic - là một mô hình chuỗi
thời gian cho phép bão hoà (xem Hình 1.3).
Hình 1.3 Nhu cầu điện năng dự báo theo các phương pháp tại New Zealand
MED và CAE cùng dự báo nhu cầu điện giống nhau ở mức 1,8% năm. Dự báo
KTL phù hợp với dự báo của MED và CAE trong khi mô hình hồi quy logistic cho kết
quả dự báo thấp nhất, đặc biệt là vào cuối giai đoạn dự báo. Mức dự báo thấp của mô
hình hồi quy logistic vào cuối giai đoạn có thể do cấu trúc mô hình cho phép bão hoà.
* Scrimgeour [43] sử dụng một mô hình KTL để dự báo nhu cầu điện cho khu
vực hộ gia đình và công nghiệp.
- Mô hình hộ gia đình được biểu thị:
( )
HLD = f GDP, Pr, Pc; T + u
(1.24)
Với: HLD- nhu cầu điện hộ gia đình; Pr- giá điện hộ gia đình; Pc- chỉ số giá tiêu
dùng; T- nhiệt độ; u - sai số.
- Mô hình công nghiệp được biểu thị
( )
IND = g GDP, Pi, Pc; T + v
(1.25)

Với: IND - nhu cầu điện công nghiệp; Pi - giá điện công nghiệp; v - sai số.
- Mô hình tổng nhu cầu do đó là:
( )
TFC = k GDP, Pt, Pc; T + w
(1.26)
Với: TFC - tổng nhu cầu điện năng; Pt - giá điện; w - sai số.
Dữ liệu giữa các năm 1960-1999 đã được sử dụng để tính bằng các mô hình
EGECM (phương pháp hiệu chỉnh sai số), FMLS (phương pháp bình phương cực tiểu
cải biến) và ARDL (phân bố lùi tự động có tính trễ). 3 phương pháp trên có tính minh
hoạ cao hơn phương pháp bình phương cực tiểu đơn thuần do có tính đến sự đồng tích
hợp.
Trong phương pháp EGECM, các biến của mô hình được kiểm tra để kết hợp.
Ví dụ, mô hình nhu cầu điện cho dân cư được biểu thị:
k k k k
t i t i j t j n t n m t m t 1 t
i=1 j=1 n=1 m=1
HJD = a + b GDP + c Pr + d Pc + e T + fECM + w
− − − − −
∆ ∆ ∆ ∆
∑ ∑ ∑ ∑
(1.27)
Với
t 1
ECM
−
là sai số do việc phản hồi thông tin HLD trong GDP
Pr

Pc
và

T
tạo ra.
Trong cách tiếp cận FMLS, bước đầu tiên mô hình được tính bằng OLS và thử
cho tương quan nối tiếp. Mô hình sau đó được tính lại sử dụng các cửa sổ trễ . Mô
hình ARDL có thể biểu thị như sau:
k k k k
t i t i j t j n t n m t m t 1
i=1 j=1 n=1 m=1
t 1 t 1 t 1 t
HJD = a + a t + b GDP + c Pr + d Pc + e T + fPr
+ gGDP + hPc + iT + w
− − − − −
− − −
∆ × ∆ ∆ ∆
∑ ∑ ∑ ∑
(1.28)
Scrimgeour nhận thấy rằng mô hình ARDL mang lại kết quả phù hợp nhất với
thực tế. Mô hình cho tổng nhu cầu điện có dạng:
t t t t t t 1
LnTFC = 0.31 + 0.70 LnGDP 0.43 LnPt + 0.35 LnPc + 0.33 LnT 0.3ECM
−
∆ ∆ − ∆ ∆ ∆ −
(1.29)
Kết quả so sánh nhu cầu điện dự báo từ mô hình ARDL và thực tế của New Zealand
giai đoạn 1963-1998 được thể hiện trên hình 1.4
Hình 1.4 Các kết quả ước tính từ mô hình ARDL
Có thể thấy rằng mô hình Mohamad và mô hình Scrimgeour cho các kết quả
tương tự đối với New Zealand mặc dù có các khác biệt giữa hai mô hình. Kết quả này
có thể do sự phát triển ổn định của New Zealand trong giai đoạn dự báo.
d. Dự báo phụ tải tại Ấn Độ

Ranjan và Jain [45] đã sử dụng một mô hình KTL để dự báo nhu cầu điện tại
Delhi. Mô hình của họ có dạng:
5
t i it
i=1
E = + xα β
∑
(1.30)
Với: E
t
- nhu cầu điện trong tháng t ; x
1t
- dân số trung bình trong tháng t; x
2t
- nhiệt độ
trung bình trong tháng t; x
3t
- độ ẩm tương đối trong tháng t; x
4t
- số giời nắng trong
tháng t; x
5t
- lượng mưa trong tháng t.
Ranjan và Jain đã chia giai đoạn dự báo thành mùa đông, mùa hè, trước mùa
gió và sau mùa gió. Kết quả được tổng kết lại như sau:
Mùa đông:
( )
t 1t 2t
E = 25.4682 + 5.9647x 0.3389x ; F = 444.584− −
(1.31)

Mùa hè:
( )
t 1t 2t
E = 44.2198 + 6.9926x + 0.2447x ; F = 1716.94−
(1.32)
Trước mùa gió:
( )
t 4t 3t
E = 43.6125 0.0482x 0.3183x ; F = 9.201− −
(1.33)
Sau mùa gió:
( )
t 1t 2t 5t
E = 40.8423 + 6.0697x + 6.0697x + 0.0055x ; F = 584.934−
(1.34)
Sharma, Nair và Balasubramanian [48] đã sử một mô hình KTL để dự báo nhu cầu
điện cho 20 năm theo các nhóm đối tượng tại Kerala. Kết quả như sau:
* Nhóm dân cư
Mô hình nhu cầu tiêu dùng điện có thể biểu thị như sau:
( ) ( ) ( )
( )
i i i i b b
2
i b
n ER P = 1.41818 + 0.272731 n Q P Q P
+ 1.33666 n N N ; R = 99%, F = 2180
l l
l
(1.35)
Với: ER - mức tiêu dùng năng lượng điện khu vực dân cư; P - dân số; Q - giá sản

phẩm quốc nội 1980 – 1981; N - số hộ gia đình sử dụng thiết bị điện; i - năm i; b - năm
cơ sở.
Kết quả từ mô hình này cho thấy, nhu cầu điện nhóm dân cư tăng nhanh từ
80,71 GWh năm 1971 lên 3,776.000 GWh năm 1997.
* Nhóm dịch vụ
Nhu cầu điện nhóm này tăng từ 65,6 GWh năm 1971 lên 652 GWh năm 1997
tương đương với mức tăng trưởng bình quân hàng năm là 9%. Mô hình của ngành này
là:
i i i i 1
2
n ES = 98.85353 + 5.744798 n P + 0.698549 n U + 0.56422 n C ;
R = 99%, F = 576
−
−l l l l
(1.36)
Với: Es - nhu cầu điện năng cho ngành dịch vụ; U - chỉ số đô thị hoá; C - thu nhập
bình quân đầu người.
* Nhóm công nghiệp vừa và lớn
Nhu cầu điện nhóm công nghiệp lớn tăng ở mức 8% năm giai đoạn 1971-1997.
Mô hình dự báo cho nhóm này có thể biểu thị như sau:
i i 2 i
2
n EHT = 0.396916 + 0.520412 n QS + 0.168424 n IIP ;
R = 90%, F = 213
−
l l l
(1.37)
Với: EHT - nhu cầu điện công nghiệp vừa và lớn ; QS - tỉ lệ sản phẩm công nghiệp
vừa và lớn so với SDP của ngành thứ cấp; ΠP - chỉ số sản xuất công nghiệp.
* Nhóm công nghiệp nhỏ

Nhu cầu điện nhóm công nghiệp lớn tăng ở mức 6% năm giai đoạn 1971-1997.
Mô hình dự báo cho nhóm này có thể biểu thị như sau:
i i i
2
n ELT = 6.813731 + 0.258348 n IIP + 0.893710 n QTOT ;
R = 92%, F = 131
−l l l
(1.38)
Với: ELT - nhu cầu điện nhóm công nghiệp nhỏ;
QTOT
- tỉ lệ sản phẩm thứ hai và thứ
ba so với SDP.
* Các nhóm khách hàng khác
Mô hình sử dụng để dự báo nhu cầu điện năng cho các nhóm còn lại như chiếu
sáng công cộng, trạm bơm … có thể biểu thị như sau:
i i i
2
n EMISC = 4.408 + 0.358 n QP + 1.937 n U ;
R = 95%, F = 218
−l l l
(1.39)
Với:
EMISC
- nhu cầu điện các nhóm;
QP
- tỉ lệ sản phẩm sơ cấp của nhóm so với SDP.
e. Dự báo phụ tải tại Thái Lan
Các nhà dự báo Thailand [60] cho rằng giá điện, GDP và nhiệt độ là các yếu tố
chính ảnh hưởng đến nhu cầu phụ tải. Quan hệ giữa nhu cầu phụ tải và các yếu tố
chính có thể xác định qua hàm tổng quát:

( )
t t t t
E = f P , GDP , TEMP t = 1, 2 TK
(1.40)
Với: E
t
- nhu cầu điện tháng t (GWh); GDP
t
- GDP trong tháng (tỉ baht); TEMP
t
- nhiệt
độ (celsius); P
t
- giá điện trung bình tháng
t
baht/kWh.
Một số mô hình nhu cầu điện năng theo tháng sẽ được xác định, ước tính, thử và
lựa chọn làm mô hình cho nhu cầu phụ tải. Nhu cầu phụ tải sẽ được chia và mô hình
hoá thành các nhóm sau đây:
1) Tổng nhu cầu của hệ thống điện;
2) Nhu cầu của hệ thống điện miền Bắc;
3) Nhu cầu của hệ thống điện miền Trung;
4) Nhu cầu của hệ thống điện miền Nam;
5) Nhu cầu của hệ thống điện vùng Tây Bắc;
6) Nhu cầu thuộc phạm vi của PEA;
7) Nhu cầu thuộc phạm vi của MEA.
Dữ liệu về nhu cầu điện, giá điện hàng tháng được 3 cơ quan chức năng cung
cấp. Dữ liệu về nhiệt độ được thu thập từ Cục khí tượng. Giá điện hàng tháng được lấy
từ các cơ quan chức năng liên quan bằng cách tính doanh thu hàng tháng trên kWh.
Giá năng lượng hàng tháng do đó sẽ là hằng số cho năm cho trước.

Dữ liệu về nhiệt độ được thu thập từ các trạm khí tượng ở mỗi vùng. Nhiệt độ
các ngày được tính từ mỗi trạm từ nhiệt độ ngày trung bình và số ngày trong tháng.
Nhiệt độ trung bình ngày cho mỗi vùng được tính từ số các trạm trong vùng.
Dữ liệu từ GDP được thiết lập trên cơ sở hàng năm. Do mô hình dự báo là mô
hình tháng nên sẽ cần đến một biến thay thế cho GDP tháng. Do quan hệ giữa nguồn
tiền và GDP đã được thiết lập trong lý thuyết kinh tế vĩ mô và dữ liệu về nguồn tiền đã
có trong cơ sở tháng, nguồn tiền được lựa chọn là biến thay thế cho GDP trong mô
hình dự báo tháng.
Hàm tổng quát dự báo phụ tải năng lượng có thể biểu diễn như sau:
( )
t t t t
E = f P ,M1 ,TEMP
(1.41)
với
t
M1
là nguồn tiền trong tháng t
Dạng tuyến tính đơn giản của (1.41) được xác định như sau:
t 1 t 2 t 3 t
E = A + A M1 + A TEMP + A P
(1.42)
với
1 2
A > 0 A > 0
và
3
A < 0
Mô hình ở trên áp dụng cho các dữ liệu từ 10/1991 đến 9/2003 cho các kết quả sau:
t t t
E = 3933.97 + 0.011393 M1 + 7.05076 TEMP + 62.4324 P

−

2
adj.R = 0.9504
(1.43)
Mô hình tuyến tính đơn giản có thể dự báo với sai số khoảng 5%, các nhà dự
báo Thailand đã nhận thấy rằng biến giá đã có một dấu hiệu “sai sót”. Sai sót của biến
giá thuộc về thiếu sót của mô hình mà ta cần xác định.
Đó có thể là một số trễ trong quan hệ giữa các biến ngoại suy và biến nội suy.
Các mô hình với biến bị trễ có thể xác định bằng hàm tổng quát
( )
t t i t j t k t h
E = f P , M1 , TEMP , E i, j, k, h = 0, 1, 2
− − − −
K
(1.44)
Các quan hệ trễ giữa các biến trong mô hình có thể giải thích bằng các hành vi
khác nhau giữa những khách hàng sử dụng năng lượng. Cấu trúc giá điện tại Thái Lan
có cơ chế Ft để điều chỉnh mức giá điện khi có các thay đổi chi phí ở tầm vĩ mô. Mức
giá được điều chỉnh 4 tháng 1 lần, vì thế người sử dụng không thể biết mức giá trong
tháng t do mức giá mà anh ta thanh toán trong tháng t thực ra là “mức giá trung bình”
của 4 tháng trước đó. Một giả thiết khác trong trường hợp này là nhu cầu điện năng
của một khách hàng phụ thuộc vào mức giá điện dự kiến trong tháng t. Mô hình có thể
xác định như sau:
t t t t
ˆ
E = a + b*P + c*M1 + d*TEMP
(1.45)
với: E
t

- nhu cầu điện năng trong tháng t;
t
ˆ
P =
giá điện dự kiến tháng t và b, c, d là các
hệ số hồi quy.
Không có các dữ liệu trực tiếp về giá điện dự kiến nhưng nó có thể được mô
hình hoá bằng các giả thiết cho trước về hành vi. Ví dụ, sự khác biệt giữa giá điện dự
kiến trong tháng t và t-1 tuỳ thuộc vào sai số trong tháng t-1 hay:
( )
t t 1 t 1 t 1
ˆ ˆ ˆ
P P = e P P
− − −
− −
với e > 0 (1.46)
Viết lại (1.46) như sau:
( )
t t 1
ˆ
P 1 vB = eP
−
−
(1.47)
với:
( )
v = 1 e−
B - Biến điều khiển ngược.
Thay thế (1.47) vào (1.45):
t t 1 t t

b*e
E = a + P + c*M1 + d*TEMP
1 vB
−
−
(1.48)
Sắp xếp lại (1.48) sẽ dẫn tới biểu thức:
( ) ( ) ( ) ( )
t t 1 t t
E 1 vB = a 1 vB + b*eP + c 1 vB M1 + d 1 vB TEMP
−
− − − −
(1.49)
và do đó có dạng tự hồi quy:
t t 1 t t 1 t t 1 t 1
E = J + b*eP + cM1 + c*vM1 + d*TEMP + d*vTEMP + vE
− − − −
(1.50)
với
b*e < 0, c > 0, d > 0
Để tăng độ chính xác của dự báo, các tác giả [60] đề xuất kết hợp Box–Jenkins
(BJ) và kỹ thuật sửa sai số (EC) vào mô hình.
Khái niệm sửa sai số (EC) tận dụng thông tin từ các sai số mô hình để nâng cao
hiệu quả của mô hình. Kỹ thuật EC đã được áp dụng cho một số nghiên cứu như dự
báo nhu cầu điện dân cư của Sik and Frederick. Kỹ thuật BJ và EC có thể kết hợp
trong quy trình mô hình hoá theo 2 pha.
Trong pha đầu tiên, mô hình (1.41) được ước tính bằng phương pháp OLS đơn
giản theo dạng tuyến tính.
t 1 t 2 t 3 t t
E = A + A P + A M1 + A TEMP + z

(1.51)
với
t
z
= dạng sai số.
Các sai số mô hình được phân tích cho các mẫu hệ thống của hộ trong pha thứ
hai và được sử dụng để nâng cao hiệu năng hoạt động của mô hình. Sai số của (1.51)
trong tháng t được xác định theo công thức:
t t t t 1 t 2 t 3 t
ˆ
z = E E = E A A P A M1 A TEMP− − − − −
(1.52)
với
t
ˆ
E
- nhu cầu điện năng dự tính.
Tương tự, sai số trong tháng t-1 là:
t 1 t 1 t 1 t 1 1 t 1 2 t 1 3 t 1
ˆ
z = E E = E A A P A M1 A TEMP
− − − − − − −
− − − − −
(1.53)
và sự khác nhau về sai số giữa hai tháng có thể xác định bằng:
( ) ( )
t t t 1 t t 1 t 1 1 t t 1 2 t t 1
ˆ
z = z z = E E = E A P P A M1 M1
− − − − −

∆ − − − − − −
( )
3 t t 1
A TEMP TEMP
−
− −
hoặc
t t 1 t 2 t 3 t
z = E A P A M1 A TEMP
∆ ∆ − ∆ − ∆ − ∆
(1.54)
Campbell và Perron [58] đã đề xuất ba cách để xác định đặc điểm cho
t
z∆
.
Cách tiếp cận thứ nhất là:
j
t t 1 i t i t
i=1
z = az + b z +ε
− −
∆ ∆
∑
(1.55)
Số lượng trễ trong (1.55) được xác định bởi các tiêu chí tương quan. Số trễ
được lựa chọn là số loại bỏ tương quan giữa các dạng sai số do đó dạng sai số còn lại
t
ε
hoàn toàn ngẫu nhiên với giá trị dự tính là 0.
Trong cách tiếp cận thứ hai, thêm vào một hàm (1.55) dưới dạng:

j
t t 1 i t i t
i=1
z = C + az + b z +ε
− −
∆ ∆
∑
(1.56)
Trong cách tiếp cận thứ ba, một hướng thời gian được thêm vào để nắm bắt các
tác động của các biến xu hướng tiềm ẩn.
j
t t 1 i t i t
i=1
z = C + az + b z + ct +ε
− −
∆ ∆
∑
(1.57)
Silk và Frederick đã đề xuất một phép thử để chọn ra đặc điểm của mô hình
giữa (1.54) - (1.56). Với Thái Lan, phép thử Silk và Frederick sẽ không áp dụng để lựa
chọn đặc điểm mô hình. Thay vào đó, lựa chọn mô hình sử dụng kỹ thuật BJ và EC
theo trình tự sau. Từ đặc điểm mô hình tổng quát:
j
t 1 t 2 t 3 t i t i t
i=1
E = A + A P + A M1 + A Temp + b E + z
−
∑
(1.58)
với

j
t t t i t i t
i=1
ˆ
z = E E + g z +ε
−
−
∑
(1.59)
Ba thành phần giải thích các biến trong
t
E
là: Thứ nhất bao gồm các biến ngoại
suy
t
P
,
t
M1
, và
t
Temp
. Dạng tự hồi quy
j
i t i
i=1
b E
−
∑
là yếu tố thứ hai và dạng sửa sai số

t
z
là yếu tố thứ 3 của mô hình.
f. Dự báo nhu cầu điện năng tại Việt Nam dùng phương pháp hồi quy
Việt Nam đã sử dụng phương pháp hồi quy để dự báo nhu cầu điện năng trong
Quy hoạch phát triển điện lực quốc gia giai đoạn 2006 – 2015 có xét đến 2025 (TSĐ6)
[24 ] và được gọi là phương pháp đa hồi quy (Simple – E) [20]. 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 TSĐ6.
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. Mô hình phân tích kinh tế - kỹ thuật (KT-KT)
1.2.1. Phương pháp luận tổng quát của mô hình phân tích KT-KT
Các mô hình dự báo phân tích KT-KT [3], [17], [18], [15], [35] chi tiết hơn
nhiều so với mô hình KTL, mặc dù công thức tính toán của chúng hoàn toàn 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:
E

use
=
1
*
n
i
Qi Ii
=
∑
(1.60)
Với: Q
i
: Số lượng dịch vụ năng lượng i; I
i
: Cường độ năng lượng đối với dịch vụ năng
lượng i.
Cường độ năng lượng I
i
có thể giảm do thay đổi công nghệ có hiệu suất năng
lượng cao hơn, không tác động tới mức độ của dịch vụ năng lượng. Sử dụng năng
lượng cũng có thể giảm bởi thay đổi tập quán sử dụng các thiết bị sử dụng năng lượng
cuối cùng, vì vậy giảm sử dụng năng lượng hàng năm. Nếu sự giảm này đạt được do
giảm sử dụng lãng phí hoặc không cần thiết (ví dụ thông qua hoàn thiện công nghệ
điều khiển) nó có thể được xem như cải thiện hiệu suất (giảm I
i
). Tuy nhiên, nếu sự
giảm xuất phát từ người tiêu dùng như giảm mức chiếu sáng, giảm nhiệt độ nước tắm
sẽ được xem như giảm mức độ dịch vụ năng lượng (giảm Q
i
).

Số lượng của các dịch vụ năng lượng Q
i
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.
Q
i
= N
i
. P
i
. M
i
(1.61)
Ở đây : Q
i
= số lượng dịch vụ năng lượng i
N
i
= số khách hàng thích ứng với dịch vụ năng lượng i
P
i
= Tổng các khách hàng của dịch vụ năng lượng i
M
i
= Phạm vi sử dụng của dịch vụ năng lượng i
Tham số N
i
có thể là hộ gia đình, toà nhà thương mại hoặc hộ công nghiệp. Yêu
cầu chủ yếu để xác định là nó phù hợp với nhóm thuộc biến P.
Giá trị P

i
đơn giản chỉ là phần đóng góp của các khách hàng sử dụng dịch vụ
năng lượng i.
Thông số M
i
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 M
i
biểu thị tổng
dịch vụ và mức độ dịch vụ được cung cấp, ví dụ lumen (lux) trên m
2
được chiếu sáng,
nó có thể được thay thế bởi số giờ được chiếu sáng hay số giờ có độ sáng lux đã cho.
1.2.2. Một số mô hình phân tích KT-KT điển hình và những ứng dụng
1.2.2.1. Mô hình MEDEE-S
MEDEE-S [15] [67] thuộc loại mô hình dạng phân tích kinh tế- kỹ thuật trong
đó quá trình phân tích được tiến hành nhằm nhận dạng các nhân 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.
Về mặt cấu trúc, mô hình MEDEE-S có một mô hình cơ sở được tính toán tổng
hợp gồm năm ngành kinh tế lớn (công nghiệp, nông nghiệp, sinh hoạt, dịch vụ và vận
tải), mỗi ngành lại được phân thành nhiều ngành nhỏ hoặc các đối tượng cụ thể. Khi
áp dụng chúng ta có thể lựa chọn tuỳ theo đặc điểm của quốc gia và theo mức độ chi
tiết của nguồn dữ liệu có thể thu thập được. Điều này tạo cho mô hình một khả năng
thích nghi cao trong quá trình ứng dụng. Tóm tắt cấu trúc của mô hình MEDEE – S
ghi ở bảng 1.3. Chi tiết về mô hình MEDEE-S được giới thiệu trong tài liệu [70].
Bảng 1.3. Tóm tắt cấu trúc của mô hình MEDEE - S
Mô hình cơ sở
(tính toán ở mức tổng quát)

Mô hình con có thể lựa chọn
(tính toán chi tiết)
Công nghiệp: Phân tích dự báo tiến hành cho
từng ngành và theo dạng sử dụng:
- Sử dụng nhiên liệu lỏng
- Các sử dụng nhiệt
- Các sử dụng điện chuyên dùng
- Các sử dụng không mục đích năng lượng
Luyện kim (phân tích theo công
nghệ)
- Các ngành tiêu thụ nhiều năng
lượng (giấy, hoá chất, vật liệu
xây dựng): Phân tích theo ngành
và theo công nghệ.
Khu vực sinh hoạt: Phân tích theo vùng dân cư
(thành thị, nông thôn), theo tầng lớp xã hội
(thu nhập) cho từng dạng sử dụng:
- Đun nấu và các sử dụng nhiệt khác
- Thắp sáng và nhu cầu điện chuyên dùng.
- Nước nóng
- Sưởi ấm
- Thiết bị điện gia đình
- Điều hoà nhiệt độ
Dịch vụ: Phân tích theo ngành cho từng dạng
sử dụng:
- Sử dụng nhiệt
- Sử dụng điện chuyên dùng
- Sưởi ấm
- Điều hoà nhiệt độ
- Chiếu sáng công cộng

Giao thông vận tải: Phân tích theo:
- Vận tải hành khách
- Vận tải hàng hoá
- Mô tô
- Vận tải hành khách đường thuỷ
- Giao thông công cộng thành
phố
Nông nghiệp:
a. Phân tích tổng quát
- Sử dụng nhiên liệu lỏng
- Sử dụng điện chuyên dùng
- Sử dụng nhiệt
b. Phân tích theo ngành hoặc theo thiết bị
- Sử dụng nhiê liệu lỏng cho ô tô và máy móc
nông nghiệp
- Sử dụng cho bơm tưới tiêu
- Sử dụng nhiệt (sấy)
- Sử dụng nhiên liệu lỏng cho tầu đánh cá.
1.2.2.2. Chương trình MAED
a) Phương pháp luận
Phương pháp luận của chương trình MAED [15] gồm các bước sau:
1) 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.
2) 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.
3) 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.
4) Xây dựng các kịch bản phát triển kỹ thuật và kinh tế-xã hội.
5) Đánh giá tiêu dùng năng lượng cho từng kịch bản đó.
b) Cấu trúc của chương trình
Chương trình MAED (Model for Analysis of the Energy Demand) được sử
dụng cho mục đích dự báo nhu cầu năng lượng. Chương trình MAED được xây dựng
trên cơ sở rút gọn chương trình MEDEE-S. Cấu trúc chung của mô hình MAED bao
gồm 3 Module được mô tả như trên hình 1.5:
+ 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".
89:;<
=>4
*
8?@A
".BC
/(.B.B*(DB(B0-
".BE
-(-2(FB
".BG
B(B0-
B.B*(*
H BB(
I*B(BB(J(0
WASP
Model

Hình 1.5 Cấu trúc chương trình MAED
Chương trình 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 chương trình MAED đòi
hỏi mô tả hàm quan hệ giữa Hệ thống năng lượng và Hệ 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, DDAS,…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 chương trình dự báo nhu cầu năng lượng, bao gồm: MAED, DDAS (ETB),
MEDEE-S đều tuân thủ theo một quan hệ toán học được mô tả như sau:
KtVdft

Vdft
ED
tED **)(
0
=
(1.62)
Trong đó: ED(t) - Nhu cầu năng lượng năm (t); Vdf - Giá trị xác định nhân tố điều
khiển nhu cầu năng lượng như: GDP, VA - giá trị gia tăng của ngành, số lượng căn hộ,
hoặc dân số ; K - Hệ số phản ánh việc đánh giá xu thế tiêu thụ năng lượng đối với
từng loại nhu cầu.
Các tác giả
[15]
đã kiến nghị chọn mô hình MAED để tính toán dự báo nhu cầu
năng lượng cho các ngành và toàn quốc do:
- Phương pháp mô phỏng hệ thống năng lượng khá chi tiết
- Là phương pháp rút gọn hơn MEDEE-S, cho phép tiện sử dụng hơn
- Các tập số liệu đã cập nhật, chuẩn bị nhất định, có kinh nghiệm hơn
- Phương pháp đã được một số đề tài, dự án sử dụng cho kết quả khá chính xác,
chấp nhận được.
Với 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]
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…