Ứng dụng mạng nơron nhân tạo dự báo phụ tải ngắn hạn khu vực tp hcm

BỘ CÔNG THƯƠNG
TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH

LƯƠNG VĂN TRUNG

ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO DỰ
BÁO PHỤ TẢI NGẮN HẠN
KHU VỰC TP.HỒ CHÍ MINH

Chuyên ngành: KỸ THUẬT ĐIỆN
Mã chuyên ngành: 6020202

LUẬN VĂN THẠC SĨ

THÀNH PHỐ HỒ CHÍ MINH, NĂM 2020


Cơng trình được hồn thành tại Trường Đại học Cơng nghiệp TP. Hồ Chí Minh.
Người hướng dẫn khoa học: TS.Trần Thanh Ngọc ....................................................

Người phản biện 1: ........................................................................................................

Người phản biện 2: ........................................................................................................

Luận văn thạc sĩ được bảo vệ tại Hội đồng chấm bảo vệ Luận văn thạc sĩ Trường
Đại học Công nghiệp thành phố Hồ Chí Minh ngày . . . . . tháng . . . . năm . . . . .
Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:
1. ......................................................................... - Chủ tịch Hội đồng
2. ......................................................................... - Phản biện 1
3. ......................................................................... - Phản biện 2
4. ......................................................................... - Ủy viên

5. ......................................................................... - Thư ký
(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn thạc sĩ)

CHỦ TỊCH HỘI ĐỒNG

TRƯỞNG KHOA CÔNG NGHỆ ĐIỆN


BỘ CƠNG THƯƠNG
TRƯỜNG ĐẠI HỌC CƠNG NGHIỆP
THÀNH PHỐ HỒ CHÍ MINH

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

Độc lập - Tự do - Hạnh phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ
Họ tên tác giả: Lương Văn Trung .......................... MSHV: 16083491 ....................
Ngày, tháng, năm sinh: 17/09/1990 ........................ Nơi sinh: Thái Bình..................
Chuyên ngành: Kỹ Thuật Điện ............................... Mã chuyên ngành: 6020202 ......
I. TÊN ĐỀ TÀI:
Ứng dụng mạng nơ-ron nhân tạo dự báo phụ tải ngắn hạn khu vực Tp.Hồ Chí Minh .
NHIỆM VỤ VÀ NỘI DUNG:
• Tìm hiểu về mạng nơ-ron nhân tạo
• Xây dựng mơ hình mạng nơ-ron nhân tạo dự báo phụ tải.
• Khảo sát dự báo phụ tải cho khu vực Tp.Hồ Chí Minh tìm kiếm mơ hình mạng
nơ-ron tối ưu cho dự báo phụ tải điện.
II. NGÀY GIAO NHIỆM VỤ: Theo QĐ số 2660/QĐ-ĐHCN ngày 11/12/2018
III. NGÀY HOÀN THÀNH NHIỆM VỤ: 09/03/2020 ............................................
IV. NGƯỜI HƯỚNG DẪN KHOA HỌC: TS.Trần Thanh Ngọc ..........................

Tp. Hồ Chí Minh, ngày … tháng … năm 2020…
NGƯỜI HƯỚNG DẪN

CHỦ NHIỆM BỘ MÔN ĐÀO TẠO

TRƯỞNG KHOA CÔNG NGHỆ ĐIỆN


LỜI CẢM ƠN
Tác giả xin chân thành cảm ơn TS. Trần Thanh Ngọc trong suốt thời gian qua đã
luôn quan tâm giúp đỡ và hướng dẫn tận tình để giúp tác giả hoàn thành luận văn
này. Tác giả cũng xin chân thành cảm ơn các thầy, cô trong khoa Điện, Trường Đại
Học Cơng Nghiệp Tp.HCM đã giúp đỡ nhiệt tình và tạo mọi điều kiện giúp tác giả
hoàn thành luận văn. Do thời gian còn hạn chế, bản luận văn này chắc chắn khó
tránh khỏi thiếu sót, rất mong được sự góp ý chân thành, thắng thắn của các thầy, cơ
và các bạn để luận văn được hồn thiện hơn.
Mợt lần nữa, tác giả xin chân thành cảm ơn!

i


TÓM TẮT LUẬN VĂN THẠC SĨ
Dự báo phụ tải ngắn hạn là rất cần thiết để kiểm soát và lập kế hoạch cho các hệ
thống điện, và chúng cũng rất quan trọng đối với người điều phối hệ thống điện.
Trong những năm gần đây, nghiên cứu về các thuật toán tối ưu để dự báo tải ngắn
hạn đã trở nên phổ biến và đạt được nhiều kết quả tích cực. Để chọn mợt mơ hình
tối ưu cho dự báo phụ tải, bài viết này sử dụng mạng thần kinh nhân tạo truyền
thẳng với thuật toán lan truyền ngược để dự báo tải ngắn hạn (dự báo phụ tải 24 giờ
cho 7 ngày liên tiếp) cho khu vực thành phố Hồ Chí Minh. Bằng cách phân tích các
mơ hình mạng thần kinh khác nhau về số lượng đầu vào, số lớp ẩn, số node và các

thuật toán huấn luyện mạng từ đó tìm được mơ hình phù hợp nhất.

ii


ABSTRACT
Short-term forecasts of electricity demand are needed for control and scheduling of
power systems, and hence they are very important for dispatchers. In recent years,
research on optimal algorithms for short-term load forecasting has become popular
and achieved many promising results. In this thesis, a feed-forward neural network
with the back-propagation algorithm was employed as an optimal model for the
challenge of short-term load forecasting (24-hour forecast for seven consecutive
days) for Ho Chi Minh City. By analyzing different models in terms of the number
of inputs, hidden layers, nodes, and the training function, we investigated different
forecasting results for the most appropriate model.

iii


LỜI CAM ĐOAN
Tơi xin cam đoan đây là cơng trình nghiên cứu của bản thân tôi. Các kết quả nghiên
cứu và các kết luận trong luận văn là trung thực, không sao chép từ bất kỳ một
nguồn nào và dưới bất kỳ hình thức nào. Việc tham khảo các nguồn tài liệu (nếu có)
đã được thực hiện trích dẫn và ghi nguồn tài liệu tham khảo đúng quy định.
Tác giả

Lương Văn Trung

iv

MỤC LỤC
LỜI CẢM ƠN ............................................................................................................. i
TÓM TẮT LUẬN VĂN THẠC SĨ ............................................................................ ii
ABSTRACT .............................................................................................................. iii
LỜI CAM ĐOAN ..................................................................................................... iv
MỤC LỤC ...................................................................................................................v
DANH MỤC HÌNH ẢNH ...................................................................................... viii
DANH MỤC BẢNG BIỂU ........................................................................................x
DANH MỤC TỪ VIẾT TẮT .................................................................................... xi
MỞ ĐẦU 1
1. Đặt vấn đề ...............................................................................................................1
2. Mục tiêu nghiên cứu ................................................................................................1
3. Đối tượng và phạm vi nghiên cứu ...........................................................................1
4. Cách tiếp cận và phương pháp nghiên cứu .............................................................2
5. Ý nghĩa thực tiễn của đề tài .....................................................................................2
CHƯƠNG 1
1.1

TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI ĐIỆN .................................3

Dự báo phụ tải. ..........................................................................................3

1.1.1

Khái niệm về dự báo. .................................................................................3

1.1.2

Dự báo phụ tải điện ....................................................................................4

1.1.3

Phân loại dự báo phụ tải. ...........................................................................4

1.2

Các phương pháp dự báo cơ bản. ..............................................................5

1.2.1

Phương pháp ngoại suy..............................................................................6

1.2.2

Phương pháp hồi quy. ................................................................................6

1.2.3

Phương pháp hệ số đàn hồi. .......................................................................8

1.2.4

Phương pháp mạng nơron nhân tạo. ..........................................................9

1.2.5

Phương pháp tương quan - xu thế............................................................10

1.2.6

Phương pháp chuyên gia..........................................................................11

1.3

Sai số của dự báo phụ tải. ........................................................................12

1.3.1

Sai số tuyệt đối trung bình MAE (Mean Absolute Error). ......................12

1.3.2

Sai số bình phương trung bình MSE (Mean Squared Error). ..................12

v


1.3.3 Sai số tuyệt đối trung bình phần trăm MAPE (Mean Absolute Percent
Error). 13
CHƯƠNG 2
2.1

MẠNG NƠRON NHÂN TẠO VÀ ỨNG DỤNG MẠNG NƠ-RON
NHÂN TẠO DỰ BÁO PHỤ TẢI ĐIỆN. .......................................14

Mạng nơron nhân tạo. ..............................................................................14

2.1.1

Lịch sử phát triển của mạng nơron nhân tạo. ..........................................14

2.1.2

Giới thiệu về mạng nơ-ron nhân tạo. .......................................................17

2.1.3

Mô hình mạng nơ-ron nhân tạo. ..............................................................18

2.1.4

Quá trình học ...........................................................................................19

2.1.5

Phân loại mạng nơ-ron .............................................................................20

2.2

Mạng truyền thẳng nhiều lớp (MLP) .......................................................21

2.2.1

Các khái niệm và ký hiệu trong mạng nơ-ron nhân tạo...........................22

2.2.2

Huấn luyện mạng (Training) ...................................................................30

2.3

Sử dụng mạng nơ-ron nhân tạo trên Matlab. ...........................................32

2.3.1

Giới thiệu về Matlab. ...............................................................................32

2.3.2

Khởi tạo mạng nơ-ron nhân tạo trên Matlab. ..........................................33

2.3.3

Cài đặt tham số cho mạng nơ-ron nhân tạo. ............................................36

2.3.4

Huấn luyện mạng. ....................................................................................37

2.3.5

Dự báo (Forecasting). ..............................................................................38

CHƯƠNG 3
3.1

KHẢO SÁT MƠ HÌNH MẠNG NƠ-RON DỰ BÁO PHỤ TẢI
KHU VỰC TP.HCM ......................................................................39

Dữ liệu phụ tải khu vực Thành Phố Hồ Chí Minh. ................................39

3.1.1

Giới thiệu về Thành Phố Hồ Chí Minh. ..................................................39

3.1.2

Dữ liệu phụ tải. ........................................................................................39

3.1.3

Dữ liệu thời tiết ........................................................................................42

3.1.4

Các ngày trong tuần. ................................................................................45

3.1.5

Ngày nghỉ và ngày làm việc. ...................................................................45

3.2

Xây dựng mô hình mạng nơ-ron..............................................................46

3.2.1

Số lượng đầu vào của mạng (Input) ........................................................47

3.2.2

Thuật toán huấn luyện mạng ...................................................................48

3.2.3

Số lượng nơ-ron trên lớp ẩn (Nodes of hidden layer). ............................48

vi


3.2.4

Số lượng lớp ẩn của mạng (Hidden layer) ...............................................48

3.2.5

Độ tin cậy của kết quả. ............................................................................49

3.2.6

Lưu đồ code trên Matlab..........................................................................50

3.3

Khảo sát dự báo phụ tải. ..........................................................................52

3.3.1

So sánh các thuật toán training ................................................................52

3.3.2

So sánh số số lượng nơ-ron trên lớp ẩn ...................................................56

3.3.3

So sánh kết quả các mơ hình có số lớp ẩn khác nhau. .............................59

3.3.4

So sánh các mơ hình có số lượng đầu vào khác nhau. ............................63

3.4

Kết luận ....................................................................................................67

KẾT LUẬN ...............................................................................................................70
TÀI LIỆU THAM KHẢO .........................................................................................71
LÝ LỊCH TRÍCH NGANG .......................................................................................73

vii


DANH MỤC HÌNH ẢNH
Hình 1.1 Mơ hình mạng nơ-ron ..................................................................................9
Hình 2.1 Mơ hình nơ-ron sinh học. ...........................................................................17
Hình 2.2 Mơ hình tốn tổng qt của mạng nơ-ron nhân tạo. ..................................18
Hình 2.3 Mơ hình mạng nơ-ron truyền thẳng. ..........................................................20
Hình 2.4 Mơ hình mạng hồi quy. ..............................................................................21

Hình 2.5 Mơ hình mạng nơ-ron nhân tạo với 2 lớp ẩn. ............................................22
Hình 2.6 Số lượng node trong mạng nơ-ron nhân tạo ..............................................23
Hình 2.7 Đồ thị làm Hardlim. ...................................................................................25
Hình 2.8 Đồ thị làm Hardlims. ..................................................................................25
Hình 2.9 Đồ thị hàm Logsig ......................................................................................26
Hình 2.10 Đồ thị hàm Tansig ....................................................................................26
Hình 2.11 Đồ thị hàm Purelin ...................................................................................27
Hình 2.12 Đồ thị của hàm Satlin. ..............................................................................27
Hình 2.13 Đồ thị của hàm Satlins .............................................................................28
Hình 2.14 Đồ thị của hàm Poslim .............................................................................29
Hình 2.15 Đồ thị của hàm Radbas. ...........................................................................29
Hình 2.16 Đồ thị của hàm Tribas. .............................................................................29
Hình 2.17 Quá trình truyền thằng (feedforward) ......................................................30
Hình 2.18 Quá trình cập nhật trọng số (Backpropagation).......................................31
Hình 3.1 Đồ thị phụ tải 24h của Tp.HCM ngày 08-10-2018. ...................................40
Hình 3.2 Đồ thị phụ tải 7 ngày liên tiếp tại Tp.HCM ...............................................41
Hình 3.3 Boxplot tổng phụ tải ngày trong tuần.........................................................41
Hình 3.4 Ví trí trạm khí tượng tại Tp.HCM ..............................................................42
Hình 3.5 Đồ thị nhiệt đợ của Tp.HCM trong năm 2018 ...........................................44
Hình 3.6 Đồ thị phụ tải của 4 ngày thứ 7 trong tháng 6 có TempTB khác nhau. .......44
Hình 3.7 Đồ thị phụ tải 24h của mợt số ngày trong năm 2018. ................................46
Hình 3.8 Các mảng dữ liệu theo mơ hình đầu vào. ...................................................47
Hình 3.9 Mơ hình 1 lớp ẩn ........................................................................................48
Hình 3.10 Mơ hình 2 lớp ẩn ......................................................................................48
Hình 3.11 Mơ hình 3 lớp ẩn ......................................................................................49
Hình 3.12 Lưu đồ code trên phần mềm Matlab. .......................................................50
Hình 3.13 Boxplot so sánh time training và các thuật toán training .........................53
Hình 3.14 Boxplot so sánh epoch và các thuật tốn training ....................................53
Hình 3.15 Boxplot so sánh MAPE và các thuật tốn training ..................................54
Hình 3.16 Đồ thị dự báo phụ tải của mợt ANN với thuật tốn (traingdm) .........55

viii


Hình 3.17 Đồ thị dự báo phụ tải của mợt ANN với thuật tốn (trainrp) ............55
Hình 3.18 Boxplot so sánh time training và số lượng nơ-ron ...................................56
Hình 3.19 Boxplot so sánh epoch và số lượng node .................................................57
Hình 3.20 Boxplot so sánh MAPE và số lượng node ...............................................57
Hình 3.21 Đồ thị dự báo phụ tải của mợt mạng có số node =1 ................................58
Hình 3.22 Đồ thị dự báo phụ tải của mợt mạng có số node = 19 .............................59
Hình 3.23 Boxplot tốc đợ training và số lượng lớp ẩn ..............................................60
Hình 3.24 Boxplot số lần lặp training và số lượng lớp ẩn ........................................60
Hình 3.25 Boxplot sai số MAPE và số lượng lớp ẩn ................................................61
Hình 3.26 Đồ thị dự báo phụ tải của mợt mạng có 1 lớp ẩn. ....................................61
Hình 3.27 Đồ thị dự báo phụ tải của mợt mạng có 2 lớp ẩn. ....................................62
Hình 3.28 Đồ thị dự báo phụ tải của mợt mạng có 3 lớp ẩn. ....................................62
Hình 3.29 Boxplot tốc đợ training và số lượng đầu vào ...........................................63
Hình 3.30 Boxplot số lần lặp training và số lượng đầu vào ......................................64
Hình 3.31 Boxplot sai số MAPE và số lượng đầu vào. ............................................64
Hình 3.32 Đồ thị dự báo phụ tải của mợt mạng có 24 đầu vào.................................65
Hình 3.33 Đồ thị dự báo phụ tải của mợt mạng có 48 đầu vào.................................66
Hình 3.34 Đồ thị dự báo phụ tải của mợt mạng có 53 đầu vào.................................66
Hình 3.35 Đồ thị dự báo phụ tải của mợt mạng có 58 đầu vào.................................67
Hình 3.37 Đồ thị dự báo phụ tải của mạng có mơ hình tối ưu. .................................69

ix


DANH MỤC BẢNG BIỂU
Bảng 1.1 Bảng thời gian cho các loại dự báo phụ tải. ................................................5

Bảng 2.1 Bảng thông số phần mềm và cấu hình máy tính tác giả sử dụng. .............33
Bảng 2.2 Bảng hàm kích hoạt ...................................................................................34
Bảng 2.3 Bảng thuật tốn training.............................................................................35
Bảng 2.4 Bảng hàm tính sai số (hàm mất mát). ........................................................35
Bảng 3.1 Bảng tóm tắt dữ liệu phụ tải khu vực Tp.HCM (MW) ..............................40
Bảng 3.2 Bảng tóm tắt dữ liệu nhiệt độ môi trường Tp.HCM (°F) ..........................43
Bảng 3.3 Bảng quy đổi giá trị các ngày trong tuần. ..................................................45
Bảng 3.4 Những ngày lễ chính tại Việt Nam ............................................................45
Bảng 3.5 Bảng quy đổi giá trị những ngày nghỉ và ngày làm việc. ..........................46
Bảng 3.6 So sánh kết quả của các thuật toán training ...............................................54
Bảng 3.7 So sánh kết quả số lượng node/lớp ẩn. ......................................................58
Bảng 3.8 So sánh kết quả số lượng lớp ẩn. ...............................................................63
Bảng 3.9 So sánh kết quả số lượng đầu vào..............................................................65
Bảng 3.10 Bảng thuật tốn training có kết quả tốt cho dự báo phụ tải. ....................67
Bảng 3.11 Bảng mơ hình tối ưu cho dự báo phụ tải. ................................................68
Bảng 3.12 Bảng trích x́t kết quả MAPE của mơ hình mạng tối ưu. ......................68

x


DANH MỤC TỪ VIẾT TẮT
ANN

Artificial Neural Network

IEEE

Institute of Electrical and Electronics Engineers

LTLF

Long-Term Load Forecasting

LVThS

Luận văn Thạc sĩ

MAE

Mean Absolute Error

MAPE

Mean Absolute Percent Error

MLP

Multi-Layer Perceptron

MSE

Mean Squared Error

MTLF

Mid-Term Load Forecasting

STLF

Short-Term Load Forecasting

TP.HCM

Thành Phố Hồ Chí Minh

VSTLF

Very Short-Term Load Forecasting

xi


MỞ ĐẦU
1. Đặt vấn đề
Hiện nay có nhiều phương pháp dự báo phụ tải nhưng với bài toán dự báo phụ tải
ngắn hạn thì rất ít phương pháp đạt được đợ chính xác cao. Bởi phụ tải điện thay đổi
liên tục và phi tuyến. Phương pháp mạng nơron nhân tạo với những ưu điểm như
khả năng học và tìm ra mối mối liên hệ giữa các yếu tố nguyên nhân và kết quả mà
các phương pháp thông thường chưa làm được. Trên thế giới cũng như Việt Nam
hiện nay phương pháp mạng nơron nhân tạo đang được nghiên cứu phát triển mạnh
mẽ đáp ứng nhu cầu cho cuộc cách mạng số, trí tuệ nhân tạo và các ứng dụng IoT
(Internet of Things). Vì vậy tác giả thực hiện đề tài “Ứng dụng mạng nơ-ron nhân
tạo cải thiện chất lượng dự báo phụ tải điện ngắn hạn cho khu vực Tp.HCM” nhằm
phát huy tính ưu việt của mạng nơron nhân tạo và xây dựng được mợt cơng cụ dự
báo có tính ổn định và độ chuẩn xác cao.
2. Mục tiêu nghiên cứu
Tìm hiểu lý thuyết và cách ứng dụng mạng nơ-ron nhân tạo cho bài toán dự báo phụ
tải.
Xây dựng và khảo sát các mơ hình mạng nơ-ron nhân tạo tối ưu cho dự báo phụ tải
điện ngắn hạn khu vực Tp.HCM.

3. Đối tượng và phạm vi nghiên cứu
Đối tượng: Tài liệu này tập trung tìm hiểu về mạng nơ ron nhân tạo và phụ tải điện
khu vực Tp.Hồ Chí Minh.
Phạm vi: Tác giả thực hiện phân tích số liệu phụ tải và các yếu tố ảnh hưởng tới phụ
tải điện tại khu vực Tp.HCM. Trình bày mối liên hệ giữa các thông số mạng nơ-ron
nhân tạo và sai số của khi dự báo phụ tải bằng việc khảo sát các tham số mạng nơron nhân tạo như: số lượng đầu vào (input), số lớp ẩn (hidden layer), số lượng nơron (node of layer), và các thuật toán huấn luyện mạng (training functions)...

1


4. Cách tiếp cận và phương pháp nghiên cứu
Trước tiên chúng ta tìm hiểu cơ sở lý thuyết về mạng nơ-ron nhân tạo và các ứng
dụng dự báo của mạng nơ-ron nhân tạo. Tham khảo các nghiên cứu trước đó về các
mơ hình dự báo phụ tải.
Thu thập dữ liệu và phân tích các yếu tố ảnh hưởng tới phụ tải điện tại khu vực
Tp.HCM.
Thực hiện khảo sát thay đổi thông số mạng nơ-ron nhân tạo và dự báo phụ tải cho
khu vực Tp.HCM. Tiếp theo chúng ta sử dụng phương pháp thống kê phân tích các
kết quả và đưa ra kết luận.
5. Ý nghĩa thực tiễn của đề tài

Việt Nam chúng ta đang trong quá trình hình thành và phát triển thị trường
điện, theo quyết định số: 63/2013/QĐ-TTg của Thủ Tướng Chính Phủ quy
định về lợ trình, các điều kiện và cơ cấu ngành điện để hình thành và phát
triển các cấp độ thị trường điện lực tại Việt Nam, thì tới năm 2018 chúng ta
phải đang thực hiện thị trường điện bán bn cạnh tranh hồn chỉnh. Nhưng
vì nhiều lý do khác nhau hiện tại chúng ta mới chỉ ở cấp độ 1: phát điện cạnh
tranh. Các yếu tố kỹ thuật phục vụ cho q trình này góp phần ảnh hưởng
khơng nhỏ. Trong đó dự báo phụ tải là điều vơ cùng quan trọng trong q
trình vận hành thị trường điện. Nó ảnh hưởng điến các nhà máy điện, truyền

tải, giá điện và cả yếu tố an ninh năng lương.

2


CHƯƠNG 1
1.1

TỔNG QUAN VỀ DỰ BÁO PHỤ TẢI ĐIỆN

Dự báo phụ tải.

1.1.1 Khái niệm về dự báo.
Thuật ngữ “dự báo” có nguồn gốc từ tiếng Hy Lạp "Pro" (nghĩa là trước) và "gnois"
(có nghĩa là biết), "prognois" nghĩa là biết trước.
Dự báo là sự tiên đốn có căn cứ khoa học, mang tính chất xác śt về mức đợ, nợi
dung, các mối quan hệ, trạng thái, xu hướng phát triển của đối tượng nghiên cứu
hoặc về cách thức và thời hạn đạt được các mục tiêu nhất định đã đề ra trong tương
lai.
Tiên đốn là hình thức phản ánh vượt trước về thời gian hiện thực khách quan, đó là
kết quả nhận thức chủ quan của con người dựa trên cơ sở nhận thức quy luật khách
quan trong sự vận động và phát triển của sự vật và hiện tượng. Có thể phân biệt ba
loại tiên đốn:
Tiên đốn khơng khoa học: Đó là các tiên đốn khơng có cơ sở khoa học, thường
dựa trên các mối quan hệ qua lại có tính tưởng tượng, khơng hiện thực, hoặc những
phát hiện có tính chất bất chợt. Các hình thức như bói tốn, tiên tri,... tḥc loại tiên
đốn này.
Tiên đốn kinh nghiệm: Các tiên đốn hình thành qua kinh nghiệm thực tế dựa vào
các mối quan hệ qua lại thường xuyên trong thực tế hoặc tưởng tượng mà không
dựa trên cơ sở phân tích cấu trúc lý thuyết, nghiên cứu các quy luật hay đánh giá

theo kinh nghiệm. Loại tiên đoán này ít nhiều có cơ sở song lại khơng giải thích
được sự vận động của đối tượng và đa số mới chỉ dừng lại ở mức đợ định tính.
Tiên đốn khoa học: Đây là tiên đốn dựa trên việc phân tích mối quan hệ qua lại
giữa các đối tượng trong khuôn khổ của một hệ thống lý luận khoa học nhất định.
Nó dựa trên việc phân tích tính quy luật phát triển của đối tượng dự báo và các điều
kiện ban đầu với tư cách như là các giả thiết. Tiên đoán khoa học là kết quả của sự

3


kết hợp giữa những phân tích định tính và những phân tích định lượng các q trình
cần dự báo. Chỉ có dự báo khoa học mới đảm bảo đợ tin cậy cao và là cơ sở vững
chắc cho việc thông qua các quyết định quản lý khoa học.[1]
1.1.2 Dự báo phụ tải điện
Như chúng ta đã biết điện là nguôn năng lượng đặc biệt có khả năng chuyển đổi đa
dạng từ các nguồn năng lượng khác (Cơ năng, thế năng, hóa năng, nhiệt năng,
quang năng…) và ngày nay điện là một loại năng lượng không thể thiếu trong cuộc
sống, hoạt đợng sản x́t và sự phát triển của văn hóa xã hợi. Tuy nhiên điện có mợt
khuyết điểm đó là khả năng lưu trữ còn rất hạn chế. Trên các hệ thống truyền tải và
phân phối, điện được sản xuất và tiêu thụ một cách trực tiếp. Lượng điện năng dư
thừa trên hệ thống hiện tại chưa có khả năng lưu trữ. Vì vậy việc làm thế nào để cân
bằng giữa nhu cầu tiêu thụ điện và sản lượng điện sản x́t là vơ cùng quan trọng.
Chúng ta có thể làm được điều này bằng việc dự báo và lập kế hoạch sản xuất điện
từ trước. Hơn nữa việc dự báo phụ tải điện cịn đóng vai trị hết sức quan trọng đối
với việc quy hoạch, đầu tư và phát triển nguồn điện.
1.1.3 Phân loại dự báo phụ tải.
Dự báo phụ tải giúp một công ty điện ra các quyết định quan trọng bao gồm quyết
định mua và phát điện, thao tác đóng cắt tải, định hướng phát triển lưới điện trong
tương lai cũng như ảnh hưởng đến các nhà cung cấp điện năng, người vận hành thị
trường điện. Nói chung nó ảnh hưởng tới tất cả các thành phần tham gia trong việc

phát, truyền tải và phân phối điện năng.
Để thiết lập mợt mơ hình dự báo ta cần phải xác định mục tiêu dự báo. Từ đó đưa ra
mơ hình dự báo phù hợp với mục tiêu u cầu. Có 2 mục tiêu chính của dự báo phụ
tải là mục tiêu vận hành hệ thống điện hiện tại và phát triển hệ thống trong tương
lại. Theo đó có hai loại dự báo phụ tải được phân biệt trong vận hành và lập quy
hoạch các hệ thống điện. Sự phân biệt này căn cứ vào thời gian dự báo trong quy
hoạch các hệ thống điện.[2]
Phục vụ cho nhu cầu vận hành hệ thống điện có dự báo ngắn và rất ngắn hạn:

4


• Dự báo phụ tải rất ngắn hạn - VSTLF (Very Short-Term Load Forecasting):
được lập cho vài phút → 24h và được dùng cho điều khiển nguồn phát tự đợng.
• Dự báo phụ tải ngắn hạn – STLF (Short-Term Load Forecasting): được lập cho
khoảng thời gian từ 1 ngày → 2 tuần. Kết quả dự báo phụ tải ngắn hạn chủ yếu
dùng cho các mục đích thiết lập biểu đồ phát điện. Để các cơng ty điện có thể lên
kế hoạch kinh doanh, bảo dưỡng hoặc kế hoạch điều khiển phụ tải để tối thiểu
hóa chi phí.
Phục vụ cho nhu cầu phát triển có dự báo dài hạn và trung hạn:
• Dự báo trung hạn – MTLF (Mid-Term Load Forecasting): Phạm vi dự báo trung
hạn là một giai đoạn từ 1 tháng → 3 năm. Loại dự báo này thường được dùng để
xác định thiết bị và lưới điện sẽ lắp đặt hoặc thiết lập các hợp đồng trong thị
trường điện.
• Dự báo dài hạn - LTLF (Long-Term Load Forecasting): Phạm vi dự báo báo
gồm một giai đoạn từ 3→30 năm. Khoảng thời gian này cần cho quy hoạch, xây
dựng các nhà máy, các đường dây truyền tải và phân phối điện.
Bảng 1.1 Bảng thời gian cho các loại dự báo phụ tải.
Loại Dự Báo
VSTLF

STLF
MTLF
LTLF

Thời gian tối thiểu
≥ 1 Phút
1 Ngày
1 Tháng
3 Năm

Thời gian tối đa
1 Ngày
2 Tuần
3 Năm
30 Năm

1.2 Các phương pháp dự báo cơ bản.
Có nhiều phương pháp dự báo phụ điện đã được áp dụng [3] tuy nhiên việc lựa
chọn phương pháp dự báo nhu cầu phụ tải điện phải xem xét các yếu tố sau:
• Phương pháp có khả năng thực hiện được với các số liệu sẵn có,
• Phương pháp có khả năng phân tích các yếu tố bất định,

5


• Đảm bảo sai số thực tế của dự báo nằm trong giới hạn quy định.
1.2.1 Phương pháp ngoại suy.
Phương pháp ngoại suy thực hiện dự báo dựa trên số liệu trong quá khứ để phản ánh
theo quy luật hàm số f(t) như sau:
Yt +DB

1 = f (t + 1) + 

(1.1)

Trong đó:
• YDB là dự điện năng, cơng śt của năm tới (tháng, tuần, ngày, giờ),
• t là năm (tháng, tuần, ngày, giờ) hiện tại,
• f(t+1) là hàm số được xây dựng từ số liệu quá khứ của điện năng, công suất.
Đối với dự báo nhu cầu phụ tải điện năm: Các số liệu thống kê về công suất, điện
năng tiêu thụ trong ít nhất 05 năm trước gần nhất.
Đối với dự báo nhu cầu phụ tải điện tháng: Các số liệu thống kê về công suất, điện
năng tiêu thụ của tháng cùng kỳ năm trước và ít nhất 03 tháng trước gần nhất.
Đối với dự báo nhu cầu phụ tải điện tuần: Các số liệu thống kê về cơng śt, điện
năng tiêu thụ trong ít nhất 04 tuần trước gần nhất.
Đối với dự báo nhu cầu phụ tải điện ngày: Các số liệu thống kê về công suất, điện
năng tiêu thụ trong ít nhất 07 ngày trước. Trường hợp ngày lễ, tết phải sử dụng các
số liệu của các ngày lễ, tết năm trước.
Đối với dự báo nhu cầu phụ tải điện giờ: Các số liệu thống kê về cơng śt, điện
năng tiêu thụ trong ít nhất 48 giờ cùng kỳ tuần trước.
1.2.2 Phương pháp hồi quy.
Phương pháp này xác định mối tương quan giữa nhu cầu tiêu thụ điện (công suất,
điện năng) của phụ tải với các yếu tố ảnh hưởng quan trọng (tăng trưởng kinh tế, giá

6


điện, thời tiết, tỷ giá…). Mối tương quan này được phản ánh qua hai loại phương
trình như sau:
1.2.2.1 Phương trình dạng tuyến tính
n

Y = a0 +  ai . X i

(1.2)

i =1

Trong đó:
• n là số thống kê q khứ (số năm, tháng, tuần, ngày).
• a0, ai là các hệ số,
• Xi là số liệu quá khứ của các yếu tố ảnh hưởng quan trọng (tăng trưởng kinh tế,
giá điện, thời tiết, tỷ giá…).
• Y là hàm số điện năng, cơng śt của năm (tháng, tuần, ngày, giờ).
1.2.2.2 Phương trình dạng phi tuyến:
Y = a0 . X 1a1. X 2a 2 ... X nan

(1.3)

Trong đó:
• n là số thống kê quá khứ (số năm, tháng, tuần, ngày)
• a0, ai là các hệ số.
• Xi là số liệu quá khứ của các yếu tố ảnh hưởng quan trọng (tăng trưởng kinh tế,
giá điện, thời tiết, tỷ giá…)
• Y là hàm số điện năng, công suất của năm (tháng, tuần, ngày, giờ).
Dạng phương trình 2 có thể đưa về dạng phương trình 1 bằng cách lấy logarit 2 vế.
Việc lựa chọn hàm hồi quy được tiến hành trên cơ sở so sánh các hệ số tương quan,
hệ số tương quan của dạng phương trình nào lớn thì chọn sử dụng dạng phương
trình đó.

7

1.2.3 Phương pháp hệ số đàn hồi.
Phương pháp này xác định mối tương quan giữa nhu cầu tiêu thụ điện (công suất,
điện năng) của phụ tải với tăng trưởng kinh tế (hệ số đàn hồi giữa nhu cầu điện và
GDP, tăng trưởng công nghiệp, thương mại, hệ số tiết kiệm năng lượng...). Mối
tương quan này được thể hiện qua hệ số đàn hồi như sau:

 ET

A
 A%
=
= A
 Y % Y
Y

(1.4)

Trong đó:
• αET là hệ số đàn hồi.
• A% và Y% là tăng trưởng của điện năng, công suất và tăng trưởng kinh tế (hệ số
đàn hồi giữa nhu cầu điện và GDP, tăng trưởng cơng nghiệp, thương mại...).
• A là điện năng, cơng śt.
• Y là số liệu tăng trưởng kinh tế (hệ số đàn hồi giữa nhu cầu điện và GDP, tăng
trưởng công nghiệp, thương mại, hệ số tiết kiệm năng lượng...).
Các hệ số đàn hồi được xác định theo từng ngành kinh tế, toàn quốc và từng miền
lãnh thổ.

8

1.2.4 Phương pháp mạng nơron nhân tạo.
1.2.4.1 Cấu trúc của mạng nơron nhân tạo

Hình 1.1 Mơ hình mạng nơ-ron
Trong đó:
• [P1,P2,P3…Pi] là lớp vào bao gồm các tín hiệu đầu vào (nhiệt đợ, đợ ẩm, ngày
nghỉ hoặc làm việc…).
• [b11,b12….Bij] là giá trị định hướng tại các bộ tổng i, lớp j.
• d là kết quả đầu ra (phụ tải ngày, giờ…)
Việc chọn lựa số lượng các tín hiệu đầu vào phụ tḥc vào bài tốn cụ thể và chỉ có
thể xác định dựa trên đánh giá ảnh hưởng của các yếu tố đầu vào và phụ tải điện.
Kết quả đầu ra phụ thuộc vào cấu trúc của mạng nơron và dữ liệu quá khứ.
1.2.4.2 Huấn luyện mạng nơron nhân tạo.
Để có thể mơ phỏng bài tốn cần giải quyết các vấn đề như: mạng phải được huấn
luyện với các dữ liệu mẫu để điều chỉnh các trọng số cho phù hợp. Khi hoàn thành
huấn luyện, mạng nơron sẽ tạo ra hàm quan hệ giữa nhu cầu phụ tải điện với các
yếu tố ảnh hưởng (nhiệt độ, độ ẩm, ngày nghỉ hoặc làm việc…).

9


1.2.5 Phương pháp tương quan - xu thế.
Phương pháp này xác định mối tương quan giữa nhu cầu tiêu thụ điện (công suất,
điện năng) của phụ tải với các yếu tố ảnh hưởng quan trọng (tăng trưởng kinh tế, giá
điện, thời tiết, tỷ giá…) và được thực hiện trên phần mềm Excel với các bước sau
đây:
1.2.5.1 Dự báo đồ thị phụ tải giờ tới.
Đối với từng miền, so sánh các biểu đồ ngày quá khứ thu được với biểu đồ ngày

hiện tại D để tìm được biểu đồ có hình dạng giống nhất với biểu đồ ngày D . Cách
so sánh được thực hiện tự động với hàm:
(1.5)

Correl (array1, array 2)
Với thuật toán sau:
Correl ( X , Y ) =

 ( x − x)( y − y)
 ( x − x)  ( y − y )
2

2

(1.6)

Trong đó:
• X là cơng śt phụ tải 24 giờ thực tế của ngày.
• x là cơng śt trung bình 24 giờ thực tế của ngày.
• y là cơng śt trung bình 24 giờ dự báo của ngày.
• Y là cơng śt phụ tải 24 giờ dự báo của ngày.
Hàm Correl trả lại kết quả là sự tương quan giữa hai biến mảng X,Y. Nếu biến
mảng X,Y càng giống nhau thì kết quả của hàm Correl càng gần 1. Do vậy sau khi
so sánh 21 ngày quá khứ với ngày hiện tại D sẽ tìm được ngày có hình dạng phụ tải
giống nhất với ngày D, giả sử ngày D-i.
Đối với từng miền, sử dụng hàm xu thế để dự báo công suất phụ tải cho 04 giờ tới
(từ giờ h đến giờ h+3) với hàm Forecast và cú pháp lệnh sau:

10

Forecast ( x, know _ y ' s, know _ x ' s)

(1.7)

Trong đó:
• x là cơng śt phụ tải giờ h-1.
• know_y’s là cơng śt phụ tải 05 giờ quá khứ kể từ giờ h-1 của ngày D-i.
• know_x’s là công suất phụ tải 05 giờ quá khứ kể từ giờ h-1 của ngày D.
1.2.5.2 So sánh đồ thị phụ tải dự báo với đồ thị phụ tải quá khứ.
Sau khi có đồ thị phụ tải dự báo từng miền cho 04 giờ tới, tiến hành so sánh đồ thị
phụ tải này với đồ thị phụ tải quá khứ từng miền theo các giá trị Correl từ cao đến
thấp (so sánh biểu đồ quá khứ có dạng giống nhất rồi đến các biểu đồ quá khứ ít
giống hơn). Quá trình so sánh này để xử lý các số liệu phụ tải quá khứ có thể bị sai
do cắt tải, do lỗi SCADA (không thu thập được các số liệu phụ tải quá khứ).
1.2.5.3 Hiệu chỉnh lại đồ thị phụ tải.
Sau khi so sánh đồ thị phụ tải dự báo với đồ thị phụ tải quá khứ và đồ thị phụ tải
hiện tại, nếu hàm Correl cho kết quả < 0,9 thì cho phép nhân các kết quả tương ứng
với hệ số chuyên gia hchuyen_gia theo quy định: 0.9 ≤ hchuyen_gia ≤ 1.1.
1.2.6 Phương pháp chuyên gia.
Trong trường hợp có nhiều yếu tố khơng ổn định thì sử dụng phương pháp chun
gia có tham khảo ý kiến của hợi đồng tư vấn. Việc lấy ý kiến được tiến hành theo
các bước sau:
Bước 1: Chuyên gia cho điểm theo từng tiêu chuẩn. Mỗi tiêu chuẩn có mợt thang
điểm thống nhất.
Bước 2: Lấy trọng số của các ý kiến của hội đồng tư vấn để tổng hợp.

11