Luận án Tiến sĩ Kỹ thuật: Kỹ thuật dự báo trong vận hành thị trường điện Việt Nam

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:194

Thêm vào BST

Báo xấu

43
lượt xem 7
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận án phân tích sự tác động của giá thị trường SMP và các hợp đồng CFD đến các kết quả dự báo Qc để làm sao hạn chế tới mức thấp nhất các rủi ro và tận dụng được các biến động của thị trường để mang về lợi nhuận cao nhất. Các module xử lý dữ liệu thiếu, xây dựng Biểu đồ phụ tải chuẩn hóa đơn vị (SLP), dự báo phụ tải,… được chính tác giả tự lập trình bằng ngôn ngữ Matlab 2017.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận án Tiến sĩ Kỹ thuật: Kỹ thuật dự báo trong vận hành thị trường điện Việt Nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP. HCM --------------------------- NGUYỄN TUẤN DŨNG KỸ THUẬT DỰ BÁO TRONG VẬN HÀNH THỊ TRƯỜNG ĐIỆN VIỆT NAM LUẬN ÁN TIẾN SĨ KỸ THUẬT TP. HỒ CHÍ MINH NĂM 2020
ii CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP. HCM Cán bộ hướng dẫn khoa học : - PGS.TS. Trần Thu Hà - PGS.TS. Nguyễn Thanh Phương Luận án Tiến sĩ đã được bảo vệ tại Trường Đại học Công nghệ TP. HCM ngày 06 tháng 11 năm 2020 Thành phần Hội đồng đánh giá Luận án gồm: TT Họ và tên Chức danh Hội đồng 1 GS. TSKH. Nguyễn Xuân Quỳnh Chủ tịch 2 GS. TS. Lê Kim Hùng Phản biện 1 3 PGS. TS. Lê Minh Phương Phản biện 2 4 PGS. TS. Quyền Huy Ánh Phản biện 3 5 GS. TS. Phạm Thị Ngọc Yến Ủy viên 6 PGS. TS. Nguyễn Hùng Ủy viên 7 PGS. TS. Ngô Cao Cường Ủy viên, Thư ký Xác nhận của Chủ tịch Hội đồng đánh giá Luận án sau khi Luận án đã được báo cáo và sửa chữa. Chủ tịch Hội đồng đánh giá Luận án GS. TSKH. Nguyễn Xuân Quỳnh
iii CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP. HCM Luận án Tiến sĩ đã được bảo vệ tại Trường Đại học Công nghệ TP. HCM ngày 06 tháng 11 năm 2020 Thành phần Hội đồng đánh giá Luận án gồm: TT Họ và tên Chức danh Hội đồng 1 GS. TSKH. Nguyễn Xuân Quỳnh Chủ tịch 2 GS. TS. Lê Kim Hùng Phản biện 1 3 PGS. TS. Lê Minh Phương Phản biện 2 4 PGS. TS. Quyền Huy Ánh Phản biện 3 5 GS. TS. Phạm Thị Ngọc Yến Ủy viên 6 PGS. TS. Nguyễn Hùng Ủy viên 7 PGS. TS. Ngô Cao Cường Ủy viên, Thư ký Xác nhận của Nghiên cứu sinh, tập thể cán bộ hướng dẫn, Khoa/Viện quản lý chuyên ngành và Viện Đào tạo Sau đại hộc sau khi Luận án đã được sửa chữa. Cán bộ hướng dẫn 1 Cán bộ hướng dẫn 2 Nghiên cứu sinh PGS. TS. Trần Thu Hà PGS. TS. Nguyễn Thanh Phương Nguyễn Tuấn Dũng KHOA QUẢN LÝ CHUYÊN NGÀNH VIỆN ĐÀO TẠO SAU ĐẠI HỌC PGS. TS. Nguyễn Thanh Phương PGS. TS. Huỳnh Châu Duy
iv LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu, kết quả nêu trong Luận án là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Tôi xin cam đoan rằng mọi sự giúp đỡ cho việc thực hiện Luận án này đã được cảm ơn và các thông tin trích dẫn trong Luận án đã được chỉ rõ nguồn gốc tham khảo. Tác giả Luận án Nguyễn Tuấn Dũng
v LỜI CÁM ƠN Tôi xin bày tỏ lòng biết ơn chân thành nhất đến PGS.TS Trần Thu Hà và PGS.TS. Nguyễn Thanh Phương, các Thầy, Cô đã tận tâm chỉ dẫn, truyền đạt những kiến thức và kinh nghiệm quý báu cho tôi trong suốt quá trình thực hiện Luận án này. Và tôi xin được gửi lời cám ơn đến gia đình và bạn bè - những người đã luôn ủng hộ và động viên chúng tôi trong suốt thời gian vừa qua. Tác giả Luận án Nguyễn Tuấn Dũng
vi TÓM TẮT Đặc điểm của quá trình sản xuất và tiêu thụ điện năng là phải đảm bảo sự cân bằng giữa sản xuất và tiêu thụ ở mọi thời điểm, khi có sự mất cân bằng giữa sản xuất và tiêu thụ đều làm cho chất lượng điện năng thay đổi, nặng nề hơn có thể dẫn đến sự sụp đỗ điện áp gây tan rã hệ thống. Tuy nhiên, điện năng là một mặt hàng rất đặc biệt, đó là về mặt kinh tế không thể lưu trữ và ổn định hệ thống điện đòi hỏi một sự cân bằng liên tục giữa sản xuất và tiêu dùng. Đồng thời, nhu cầu sử dụng điện còn phụ thuộc vào thời tiết (nhiệt độ, tốc độ gió, mưa,…); nhu cầu sử dụng của các doanh nghiệp, cũng như các hoạt động hàng ngày (công suất đỉnh so với giờ cao điểm, các ngày trong tuần so với ngày cuối tuần, ngày lễ và gần ngày lễ,…); công suất phát của các nguồn năng lượng tái tạo cũng thay đổi theo điều kiện tự nhiên; Do đó, phải cần đến kỹ thuật dự báo điện năng để cung cấp thông tin cho quá trình điều khiển HTĐ nhằm đảm bảo sự cân bằng giữa sản xuất và tiêu thụ. Đặc biệt khi HTĐ được vận hành theo cơ chế thị trường điện cạnh tranh, kết quả dự báo sẽ cung cấp thông tin cho các nhà quản lý điều hành giá mua bán diện. Đã có nhiều phương pháp dự báo được sử dụng, tuy nhiên phần lớn là các phương pháp dự báo dài hạn và trung hạn dùng để cung cấp thông tin cho việc qui hoạch phát triển nguồn, lưới điện và lập kế hoạch vận hành HTĐ. Luận án sẽ nghiên cứu đề xuất một phương pháp dự báo ngắn hạn mới để cung cấp thông tin phụ tải điện cho các nhà quản lý điều hành thị trường điện cạnh tranh. Việc nghiên cứu các đặc tính của phụ tải; xây dựng các phương pháp xử lý dữ liệu thiếu, sai sốt dữ liệu; cũng như đề xuất sử dụng biểu đồ phụ tải chuẩn hóa đơn vị (SLP) để cung cấp thông tin cho các mô hình dự báo là những nhiệm vụ quan trọng của luận án. Qua phân tích các mô hình dự báo đang được sử dụng trên thế giới (Kỹ thuật thống kê – mô hình SARIMA; Trí tuệ nhân tạo, học máy – mô
vii hình Support Vector Regression; Neural Network, Feedforward Networks; Random Forest), luận án đã đã xây dựng thành công giải thuật mới đó là sử dụng Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) làm bộ dữ liệu đầu vào cho các modules xây dựng hàm hồi qui đã phát huy tác dụng và cho kết quả dự báo có độ sai số thấp, nó giải quyết được câu chuyện chênh lệch ngày âm và ngày dương, các ngày lễ hội, ngày đặc biệt trong năm và nhất là các ngày trong các tháng 01 và 02 (tháng có Tết Dương lịch và Tết Nguyên Đán). Mô hình kết hợp Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) và Support Vector Regression (SVR) đã hoàn thiện hàm dự báo ngắn hạn, cung cấp kết quả dự báo cho các nhà quản lý điều hành thị trường điện cạnh tranh, các kết quả dự báo được kiểm chứng với bộ dữ liệu của 05 Tổng công ty Điện lực thuộc Tập đoàn Điện lực Việt Nam. Ngoài ra, luận án cũng đã có những phân tích sự tác động của giá thị trường SMP và các hợp đồng CFD đến các kết quả dự báo Qc để làm sao hạn chế tới mức thấp nhất các rủi ro và tận dụng được các biến động của thị trường để mang về lợi nhuận cao nhất. Các module xử lý dữ liệu thiếu, xây dựng Biểu đồ phụ tải chuẩn hóa đơn vị (SLP), dự báo phụ tải,… được chính tác giả tự lập trình bằng ngôn ngữ Matlab 2017.
viii ABSTRACT The characteristic of the production and consumption of electricity is to ensure a balance between production and consumption at all times. When there is an imbalance between production and consumption, the quality of power changes, which can even lead to voltage collapse, causing the system to fail. However, electricity is a very special commodity, it is economically impossible to store. Stabilizing the electrical system requires a constant balance between production and consumption. In addition, the demand for electricity also depends on factors such as weather (temperature, wind speed, rain, ...); daily usage demand (peak capacity, demand on weekdays, weekends, holidays, ...) and variation in generating capacity of renewable energy sources according to natural conditions. Therefore, forecast techniques are needed to provide information for the control process of the power system to ensure a balance between production and consumption. Especially when the power system is operated under the mechanism of a competitive electricity market, the forecast results will provide information for managers to control the buying and selling prices. Many forecasting methods have been used, but most are long-term and medium-term forecasting methods used to provide information for power and grid development planning as well as power system operation planning. The thesis will study and propose a new short-term forecasting method to provide information about electricity load to managers operating the competitive electricity market. The important tasks of the thesis include studying load characteristics, developing missing and incorrect data processing methods, as well as proposing to use the Standardized Load Profile (SLP) to provide information for forecasting models. Through analysis of forecasting models being used in the world (including Statistical Engineering - SARIMA model; Artificial Intelligence, machine learning - Support Vector Regression model; Neural Network, Feedforward Networks;
ix Random Forest), the thesis has successfully built a new algorithm. It is a method of using the Standardized Load Profile (SLP) as input data sets for the regression building modules. This method is effective and gives the forecast results with low error. It solves the difference of negative and positive days, holidays, special days of the year and the days of January and February (the month of New Year and Lunar New Year). The combined model of the Standardized Load Profile (SLP) and Support Vector Regression (SVR) has completed the short-term forecast function and provided the forecast results for the managers operating the competitive electricity market. The forecast results are verified with the data set of 05 Electricity Corporations of Electricity of Vietnam (EVN). In addition, the thesis also analyzes the impact of SMP market price and CFD contracts on Qc forecast results to minimize risks and take advantage of the fluctuations of the market for the highest returns. The modules on processing missing data , building the Standardized Load Profile (SLP), load forecasting, ... are programmed by the author using the Matlab 2017.
x GIẤY XÁC NHẬN CỦA TỔNG CÔNG TY ĐIỆN LỰC TP.HCM
xi
xii CÁC CÔNG TRÌNH NGHIÊN CỨU ĐÃ CÔNG BỐ I. CÁC CÔNG TRÌNH THAM DỰ HỘI NGHỊ 1. Nguyen Tuan Dung, Tran Thu Ha, Nguyen Thanh Phuong, 2018: COMPARATIVE STUDY OF SHORT-TERM ELECTRIC LOAD FORECASTING: CASE STUDY EVNHCMC - 2018 4th International Conference on Green Technology and Sustainable Development (GTSD) – IEEE Conference 2018. 2. Nguyen Tuan Dung, Nguyen Thanh Phuong, tháng 7 năm 2018: Comparative Study of Short-Term Electric Load Forecasting: Case Study EVNHCMC – Hội thảo Quốc gia lần thứ XXI – Một số vấn đề chọn lọc của Công nghệ thông tin và Truyền thông – Thanh Hóa. 3. Nguyen Tuan Dung, Nguyen Thanh Phuong, 2018: DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN BẰNG SUPPORT VECTOR REGRESSION (SVR) – Hội nghị Khoa học công nghệ 2018 – Trường Đại học Công nghệ thành phố Hồ Chí Minh. 4. Nguyen Tuan Dung, Nguyen Thanh Phuong, 2019: HANDLING MISSING DATA USING STANDARDIZED LOAD PROFILE (SLP) AND SUPPORT VECTOR REGRESSION (SVR) - 2019 International Conference on System Science and Engineering (ICSSE) – IEEE Conference 2019. 5. Nguyen Tuan Dung, Nguyen Thanh Phuong, 2020: LOAD FORECASTING FOR MONTHS OF THE LUNAR NEW YEAR HOLIDAY USING STANDARDIZED LOAD PROFILE AND SUPPORT REGRESSION VECTOR: CASE STUDY HO CHI MINH CITY - The International Conference On Science, Technology And Society Studies (STS 2020) – Trường Đại học Công nghệ thành phố Hồ Chí Minh.
xiii II. CÔNG TRÌNH CÔNG BỐ TẠI CÁC TẠP CHÍ KHOA HỌC • TẠP CHÍ TRONG NƯỚC 6. Nguyen Tuan Dung, Nguyen Thanh Phuong, 2017: DEALING WITH MISSING DATA FOR THE POWER LOAD STUDIES USING SUPPORT VECTOR REGRESSION (SVR) - ISSN 1859-1531 - Tạp chí KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ Số 3(112).2017- Quyển 1; Trang: 28-33. 7. Nguyen Tuan Dung, Nguyen Thanh Phuong, 2019: XỬ LÝ DỮ LIỆU THIẾU BẰNG BIỂU ĐỒ CHUẨN HÓA ĐƠN VỊ (SLP) VÀ SUPPORT VECTOR REGRESSION (SVR) - ISSN 1859-3585 - Tạp chí KHOA HỌC & CÔNG NGHỆ, Số 50.2019, trang 21. • TẠP CHÍ QUỐC TẾ 8. Nguyen Tuan Dung, Nguyen Thanh Phuong, 2019: SHORT-TERM ELECTRIC LOAD FORECASTING USING STANDARDIZED LOAD PROFILE (SLP) AND SUPPORT VECTOR REGRESSION (SVR) - Engineering, Technology & Applied Science Research Vol. 9, No. 4, 2019, 4548-4553. 9. Nguyen Tuan Dung, Nguyen Thanh Phuong, 2019: IMPROVE THE ACCURACY OF SHORT-TERM FORECASTING ALGORITHMS BY STANDARDIZED LOAD PROFILE AND SUPPORT REGRESSION VECTOR: CASE STUDY VIETNAM - Advances in Science, Technology and Engineering Systems Journal Vol. 4, No. 5, 243-249 (2019). ASTESJ ISSN: 2415-6698. https://dx.doi.org/10.25046/aj040530.
xiv DANH MỤC CÁC HÌNH VẼ Hình 1.1 – Biến đổi không gian dữ liệu sang 31 Hình 1.2 – Minh họa cho các biến lỏng  n 33 Hình 1.3 – Thuật toán Rừng ngẫu nhiên Hồi qui 35 Hình 2.1 – Thống kê điện thương phẩm 40 Hình 2.2 – Hệ số tự tương quan của chuỗi thời gian không tĩnh 41 Hình 2.3 – Thống kê hệ số Pmax của tháng 10/2018 41 Hình 2.4 – Hệ số tương quan của Pmax tháng 10/2018 42 Hình 2.5 – Bảng thống kê điện thương phẩm theo từng tháng 42 Hình 2.6 – Hệ số tương quan của 12 tháng của năm 43 Hình 2.7 – Các lỗi thường gặp trong ghi nhận dữ liệu điện 47 Hình 2.8 – Đồ thị biểu diễn tương quan Pmax, Atổng và nhiệt độ 50 Hình 2.9 – Dữ liệu bị thiếu và lỗi 51 Hình 2.10 – Giải thuật xử lý dữ liệu thiếu 52 Hình 2.11 – Mô phỏng lại đường cong tải bị thiếu dữ liệu 55 Hình 2.12 – Kết quả ước lượng dữ liệu thiếu bằng SVR 56 Hình 2.13 – Mô hình mạng Neural Network 57 Hình 2.14 – Mô phỏng lại đường cong tải bị thiếu dữ liệu 58 Hình 2.15 – Kết quả ước lượng các giá trị thiếu, lỗi 59 Hình 2.16 – Mô phỏng lại đường cong tải bị thiếu dữ liệu 60 Hình 2.17 – Kết quả ước lượng các giá trị thiếu, lỗi 60 Hình 3.1 – Tăng trưởng của GRDP và Điện năng qua các năm (triệu kWh) 62
xv Hình 3.2 – Biểu đồ tương quan giữa GRDP và Điện năng (triệu kWh) 62 Hình 3.3 – 5 thành phần phụ tải sử dụng điện (hộ sử dụng điện) 63 Hình 3.4 – Đồ thị phụ tải của tòa nhà Green Power (EVNHCMC) 64 Hình 3.6 – Phụ tải Nhà máy thép (kWh) 64 Hình 3.6 – Phụ tải Nhà máy Xi măng (kWh) 64 Hình 3.7 – Sự thay đổi theo nhiệt độ trong năm (tháng 5 – mùa hè) 65 Hình 3.8 – Sự thay đổi theo các ngày lễ trong năm 65 Hình 3.9 – Dao động mạnh giữa El Nino và La Nina 65 Hình 3.10 – DR cắt giảm được tải đỉnh 66 Hình 3.11 – Đặc tính tải thay đổi theo ngày 67 Hình 3.12 – Đặc tính tải thay đổi theo giờ - tuần 67 Hình 3.13 – Đồ thị các ngày điển hình tháng1 68 Hình 3.14 – Đồ thị các ngày điển hình tháng 2 68 Hình 3.15 – Đồ thị các ngày điển hình tháng 3 68 Hình 3.16 – Đồ thị các ngày điển hình tháng 4 68 Hình 3.17 – Đồ thị các ngày điển hình tháng 5 69 Hình 3.18 – Đồ thị các ngày điển hình tháng 6 69 Hình 3.19 – Đồ thị các ngày điển hình tháng 7 69 Hình 3.20 – Đồ thị các ngày điển hình tháng 8 69 Hình 3.21 – Đồ thị các ngày điển hình tháng 9 70 Hình 3.22 – Đồ thị các ngày điển hình tháng 10 70 Hình 3.23 – Đồ thị các ngày điển hình tháng 11 70 Hình 3.24 – Đồ thị các ngày điển hình tháng 12 70
xvi Hình 3.25 – Biểu đồ quan hệ phụ tải và nhiệt độ 71 Hình 3.26 – Đồ thị phụ tải các ngày thứ 6, 7 và chủ nhật 72 Hình 3.27 – Đồ thị phụ tải các ngày thường trong tuần 73 Hình 3.28 – Đồ phụ tải ngày Tết DL, AL và ngày thường 73 Hình 3.29 – Biểu đồ chuẩn hóa đơn vị ngày Tết Dương lịch qua các năm 76 Hình 3.30 – Biểu đồ chuẩn hóa đơn vị ngày Tết Nguyên Đán qua các năm 77 Hình 3.31 – Biểu đồ chuẩn hóa đơn vị ngày thứ 2 trong tuần 77 Hình 3.32 – Biểu đồ chuẩn hóa đơn vị ngày thứ 3 trong tuần 78 Hình 3.33 – Biểu đồ chuẩn hóa đơn vị ngày thứ 6 trong tuần 78 Hình 3.34 – Biểu đồ chuẩn hóa đơn vị ngày thứ 7 trong tuần 78 Hình 3.35 – SLP một số ngày trong năm 80 Hình 3.36 – Giải thuật xử lý dữ liệu thiếu 81 Hình 3.37 – Một số ngày dữ liệu bị lỗi một vài chu kỳ 85 Hình 3.38 – Các hàm hồi qui SVR được xây dựng 86 Hình 3.39 – Các hàm hồi qui được xây dựng lại 86 Hình 3.40 – Đường cong phụ tải được xây dựng lại 87 Hình 3.41 – Dữ liệu được xây dựng lại ngày 08/08/2018 87 Hình 3.42 – Dữ liệu được xây dựng lại ngày 13/08/2018 88 Hình 3.43 – Dữ liệu được xây dựng lại ngày 17/08/2018 88 Hình 3.44 – Dữ liệu được xây dựng lại ngày 25/08/2018 88 Hình 4.1 – Biểu đồ phụ tải tháng 01 qua các năm 92 Hình 4.2 – Biểu đồ phụ tải tháng 02 qua các năm 93 Hình 4.3 – Lưu đồ giải thuật dự báo ngắn hạn 96
xvii Hình 4.4 – Một số Biểu đồ phụ tải chuẩn hóa đơn vị 99 Hình 4.5 – Phân tích AFC và PAFC 101 Hình 4.6 – Mô hình mạng NN 102 Hình 4.7 – Mô hình Ramdom Forest 103 Hình 4.8 – Kết quả chạy test các mô hình SVR 104 Hình 4.9 – Kết quả chạy test các mô hình học máy 105 Hình 4.10 – Kết quả chạy test các mô hình hồi qui 107 Hình 4.11 – Mô hình được chọn để dùng làm hàm dự báo 108 Hình 4.12 – Kết quả chạy dự báo cho 07 ngày tiếp theo 108 Hình 4.13 – Kết quả dự báo chu kỳ 60 phút/24h/7ngày 109 Hình 4.14 – Kết quả chạy test các mô hình SVR 110 Hình 4.15 – Kết quả chạy test các mô hình học máy 111 Hình 4.16 – Kết quả chạy test các mô hình hồi qui 112 Hình 4.17 – Mô hình được chọn để dùng làm hàm dự báo 113 Hình 4.18 – Kết quả chạy dự báo cho 30 ngày tiếp theo 114 Hình 5.1 – Công suất các nguồn tham gia trực tiếp và gián tiếp VCGM 118 Hình 5.2 – Cơ cấu sản lượng điện năng theo hình thức tham gia thị trường 119 Hình 5.3 – Tăng trưởng công suất đặc các tham gia VCGM 119 Hình 5.4 – Sản lượng Thủy điện qua các năm 120 Hình 5.5 – Sản lượng Nhiệt điện qua các năm 120 Hình 5.6 – Tăng trưởng các nhà máy tham gia thị trường điện 121 Hình 5.7 – Giá SMP và FMP bình quân qua các năm 121 Hình 5.7 – Giá trần thị trường qua các năm 122
xviii Hình 5.9 – Cấu trúc thị trường Phát điện cạnh tranh Việt Nam 123 Hình 5.10 – Mô hình Thị trường bán buôn điện cạnh tranh 124 Hình 5.11 – Mô hình Thị trường bán buôn điện cạnh tranh năm 2019 125 Hình 5.12 – Vận hành VWEM năm 2019 126 Hình 5.13 – Các biên độ và mục đích dự báo trong vận hành hệ thống điện 128 Hình 5.14 – Điều độ Thị trường điện theo thời gian 129 Hình 5.15 – Đồ thị tương quan của các thành phần 131 Hình 5.16 – Kết quả phân tích ANOVA 132 Hình 5.17 – Định hướng tốc độ tăng trưởng điện năng 133 Hình 5.18 – Lưu đồ giải thuật dự báo 365 ngày – 24 chu kỳ 134 Hình 5.19 – SLP của ngày Tết Dương lịch 01/01/2019 137 Hình 5.20 – SLP của ngày mồng 1 - Tết Nguyên đán Kỷ Hợi 137 Hình 5.21 – SLP của ngày 30/04/2019 138 Hình 5.22 – SLP của ngày 02/09/2019 138 Hình 5.23 – Kết quả dự báo 365 ngày – 24 chu kỳ của năm 2019 139 Hình 5.24 – Sự biến động của giá SMP trên thị trường qua các năm 143 Hình 5.25 – Sự biến động của giá SMP của các tháng năm 2018 143 Hình 5.26 – Sự biến động của giá SMP theo từng giờ, từng ngày 144 Hình 5.27 – Cơ chế thanh toán CFD trên thị trường 145 Hình 5.28 – Biến động giá SMP ngày 18/02/2018 (Tết Âm lịch) 146 Hình 5.29 – Biến động giá SMP ngày 21/02/2018 146 Hình 5.30 – Biến động giá SMP ngày 02/05/2018 147
xix DANH MỤC CÁC BẢNG BIỂU Bảng 2.1 – Các giá trị bị lỗi (bằng không, rỗng và cao bất thường) 51 Bảng 2.2 – Kết quả ước lượng theo phương pháp thông thường 53 Bảng 2.3 – Bảng thông số mô hình SVR 54 Bảng 2.4 – Đánh giá kết quả test của mô hình SVR 54 Bảng 2.5 – Kết quả ước lượng dữ liệu thiếu bằng SVR 56 Bảng 2.6 – Đánh giá kết quả test của mô hình NN 57 Bảng 2.7 – Kết quả ước lượng của mô hình NN 59 Bảng 2.8 – Kết quả ước lượng các số liệu bị lỗi bằng SVR và NN 60 Bảng 3.1 – Một số thông số mô hình SVR đặc trưng được đề xuất 82 Bảng 3.2 – Kết quả kiểm tra sai số trung bình của các mô hình SVR 86 Bảng 3.3 – Kết quả kiểm tra sai số trung bình của các mô hình hồi qui. 86 Bảng 4.1 – Lịch qui đổi ngày dương lịch và âm lịch năm 2019 100 Bảng 4.2 – Chúng ta còn có một số mô hình như: 102 Bảng 4.3 – Các thông số mô hình SVM Regression: 104 Bảng 4.4 – Kết quả kiểm tra của các mô hình SVR 104 Bảng 4.5 – Sai số của các mô hình SVR (%) 105 Bảng 4.6 – Kết quả kiểm tra của các mô hình học máy 105 Bảng 4.7 – Sai số của các mô hình học máy (%) 106 Bảng 4.8 – Sai số các mô hình (%) 107 Bảng 4.9 – Kết quả kiểm tra của các mô hình SVR 110 Bảng 4.10 – Sai số của các mô hình SVR (%) 111
xx Bảng 4.11 – Kết quả kiểm tra của các mô hình học máy 111 Bảng 4.12 – Sai số của các mô hình học máy (%) 112 Bảng 4.13 – Sai số các mô hình hồi qui (%) 113 Bảng 5.1 – Bảng thống kê điện thương phẩm theo 5 thành phần 130 Bảng 5.2 – Bảng thống kê điện khách hàng theo 5 thành phần 130 Bảng 5.3 – Bảng thống kê GRDP theo thành phần kinh tế 130 Bảng 5.4 – Các giả thuyết đầu vào dựa trên các chính sách dài hạn 132 Bảng 5.5 – Kết quả dự báo dài hạn (đến năm 2025) 132 Bảng 5.7 – Dữ liệu thống kê theo tháng 135 Bảng 5.8 – Dữ liệu thống kê theo ngày từ 01/01/2014 – 31/12/2019 135 Bảng 5.8 – Lịch qui đổi ngày dương lịch và âm lịch các ngày lễ năm 2019 136 Bảng 5.9 – Kết quả dự báo 12 tháng năm 2019 139 Bảng 5.10 – Kết quả dự báo 365 ngày của năm 2019 139 Bảng 5.11 – Kết quả sai số dự báo năm 2018 140 Bảng 5.12 – Kết quả sai số dự báo năm 2019 141