intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Nghiên cứu sử dụng công nghệ dữ liệu lớn, AI trong dự báo phụ tải hệ thống điện quốc gia và hệ thống điện miền

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:19

Thêm vào BST
Báo xấu
14
lượt xem 3
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Nghiên cứu sử dụng công nghệ dữ liệu lớn, AI trong dự báo phụ tải hệ thống điện quốc gia và hệ thống điện miền đề xuất mục tiêu xây dựng phần mềm dự báo phụ tải ứng dụng công nghệ dữ liệu và trí tuệ nhân tạo. Phần mềm tập trung giải quyết, phân tích đặc điểm của chuỗi phụ tải hệ thống điện Việt Nam và hệ thống điện miền, từ đó lựa chọn ra các mô hình dự báo phù hợp với hệ thống điện Việt Nam.

Chủ đề:

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

Lưu

Nội dung Text: Nghiên cứu sử dụng công nghệ dữ liệu lớn, AI trong dự báo phụ tải hệ thống điện quốc gia và hệ thống điện miền

  1. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA NGHIÊN CỨU SỬ DỤNG CÔNG NGHỆ DỮ LIỆU LỚN, AI TRONG DỰ BÁO PHỤ TẢI HỆ THỐNG ĐIỆN QUỐC GIA VÀ HỆ THỐNG ĐIỆN MIỀN RESEARCH ON THE APPLICATION OF BIG DATA AND AI IN LOAD FORECAST FOR NATIONAL, REGIONAL POWER SYSTEM AND POWER COMPANIES 1 2 3 4 Nguyễn Quốc Trung , Khuất Tuấn Anh , Nguyễn Đức Huy , Nguyễn Thị Ngọc Anh , 5 Lê Hải Triều 1 Trung tâm Điều độ Hệ thống điện Quốc gia, 0966886678, trungnq@nldc.evn.vn 2Trung tâm Điều độ Hệ thống điện Quốc gia, 0966869993, anhkt@nldc.evn.vn 3 Đại học Bách Khoa Hà Nội, 0969837996 , huy.nguyenduc1@hust.edu.vn 4 Đại học Bách Khoa Hà Nội, 0989190192 , anh.nguyenthingoc@hust.edu.vn 5 Trung tâm Điều độ Hệ thống điện Quốc gia, 0359072396, trieulh@nldc.evn.vn Tóm tắt: Dự báo phụ tải điện ngắn hạn (Short-term load forecasting - STLF) là khâu quan trọng trong công tác điều độ vận hành hệ thống điện. STLF góp phần đảm bảo khả năng vận hành an toàn, tin cậy của hệ thống do việc cung cấp điện năng bắt buộc phải đảm bảo cân bằng cung cầu trong thời gian thực, đảm bảo chất lượng cung cấp điện. Công tác dự báo là nền tảng cho việc lập kế hoạch phát điện, kế hoạch sửa chữa nguồn điện – lưới điện và đảm bảo hệ thống không phải chịu các biến động lớn trong quá trình vận hành. Đồng thời trong thị trường điện cạnh tranh thì các đơn vị tham gia thị trường cần dự báo phụ tải chính xác để giảm thiểu rủi ro trong quá trình giao dịch. Theo kinh nghiệm của thế giới, mô hình/phương pháp dự báo phụ tải sẽ không giống nhau giữa các nước, thậm chí không giống nhau giữa các đối tượng phụ tải dự báo, nên trên hết phải dựa vào kết quả chạy thực tế để lựa chọn mô hình hay phương pháp dự báo phù hợp với đặc điểm của từng Quốc gia/ đối tượng cụ thể. Ngày nay, có rất nhiều phương pháp dự báo phụ tải như tương quan xu thế, ngày điển hình, phương pháp chuyên gia, mạng nơ-ron nhân tạo… Mỗi phương pháp có ưu và nhược điểm riêng. Nếu có thể kết hợp được các phương pháp sẽ thu được kết quả tốt hơn. Trên thế giới, các nghiên cứu về STLF trong giai đoạn gần đây tập trung vào các hướng như mô hình hóa các đặc trưng phụ tải điện hoặc mô hình dự báo phụ tải. Ngoài ra các nghiên cứu trong nước tập trung chủ yếu vào ứng dụng mạng nơ-ron nhân tạo và một số thuật toán khác tuy nhiên chưa có các công cụ phần mềm cụ thể, các báo cáo khác chủ yếu là các nội dung nghiên cứu của đề tài thạc sỹ với kết quả nghiên cứu giới hạn. Trong các năm gần đây, nền tảng trí tuệ nhân tạo đã phát triển vượt bậc, nhờ đó có thể mô tả các mối quan hệ phức tạp và tự động tìm ra những đặc trưng khó/chưa phát hiện được để đề xuất các thông tin có giá trị. Đặc biệt, kỹ thuật học máy hay trí tuệ nhân tạo đã được các tập đoàn công nghệ lớn trên thế giới phát triển và tạo ra những nền tảng online chia sẻ cho cộng đồng. Ứng dụng công nghệ dữ liệu lớn và trí tuệ nhân tạo, bài báo này đề xuất xây dựng mô hình dự báo phụ tải ngắn hạn dựa trên mạng nơ-ron nhân tạo, phương pháp phân tách phụ tải, phân loại ngày và lựa chọn mẫu điển hình phù hợp với đặc trưng phụ tải phục vụ công tác vận hành hệ thống điện và thị trường điện Việt Nam. 279
  2. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 Từ khoá: Dự báo phụ tải ngắn hạn; nơ-ron nhân tạo; phân tách phụ tải Abstract: Short-term load forecasting (STLF) is essential in dispatching and operating the power system. STLF ensures the system's reliability because the power supply is required to ensure the balance of supply and demand in real time, ensuring the quality of the power supply. Forecasting is the foundation for planning power generation, system maintenance, and ensuring the system is not subject to drastic fluctuations during operation. At the same time, market participants need to forecast the electricity load to minimize transaction risks accurately in the competitive electricity market. On the other hand, according to the experience of the world, the model/method of load forecasting will not be the same between countries, even between the objects of the forecasted load, so it must first be based on the results of the operation. The reality of choosing a model or forecasting method suitable to the characteristics of each specific country/object. Today, many load forecasting methods exist, such as trend correlation, specific data, expert methods, artificial neural networks, etc. Each method has its own advantages and disadvantages. If the methods can be combined, better results will be obtained. Around the world, recent studies on STLF have focused on such directions as modeling electrical load characteristics or load forecasting models. In addition, domestic studies mainly focus on applying artificial neural networks and some other algorithms, but there are no specific software tools. Other reports are mainly research content of a master's thesis with limited research results. In recent years, the artificial intelligence platform has developed tremendously so that it can describe complex relationships and automatically find difficult/undiscovered features to suggest information. Valuable. In particular, major technology corporations have developed machine learning or artificial intelligence techniques worldwide and created online sharing platforms for the community. Applying big data technology and artificial intelligence, this paper proposes to build a short-term load forecasting model based on an artificial neural network, load separation method, data classification, and selection method. A typical sample is suitable to the characteristics of the electrical load serving the operation of the Vietnam power system and power market. Keyword: Short-term load forecasting; artificial neural network; decompose loads CHỮ VIẾT TẮT EVN Tập đoàn Điện lực Việt Nam EVNNLDC Trung tâm Điều độ hệ thống điện Quốc gia HTĐ Hệ thống điện HTDBPT Hệ thống dự báo phụ tải LSTM Long Short Term Memory STLF Short Term Load Forecasting 280
  3. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA 1. GIỚI THIỆU Dự báo phụ tải điện ngắn hạn (Short-term load forecasting - STLF) là khâu quan trọng trong công tác điều độ vận hành hệ thống điện. STLF góp phần đảm bảo khả năng vận hành an toàn, tin cậy của hệ thống do việc cung cấp điện năng bắt buộc phải đảm bảo cân bằng cung cầu trong thời gian thực, đảm bảo chất lượng cung cấp điện. Công tác dự báo là nền tảng cho việc lập kế hoạch phát điện, kế hoạch sửa chữa nguồn điện – lưới điện và đảm bảo hệ thống không phải chịu các biến động lớn trong quá trình vận hành. Đồng thời trong thị trường điện cạnh tranh thì các đơn vị tham gia thị trường cần dự báo phụ tải chính xác để giảm thiểu rủi ro trong quá trình giao dịch. Trong thực tế việc giảm các sai số dự báo bằng một phần trăm có thể đã dẫn đến tăng đáng kể lợi nhuận giao dịch. Ví dụ, theo [1]chỉ tăng 1% trong sai số dự báo đã gây ra sự gia tăng 10 triệu bảng trong chi phí vận hành hàng năm với một công ty điện lực Anh. Trên thế giới, các nghiên cứu về STLF trong giai đoạn gần đây tập trung vào các hướng như mô hình hóa các đặc trưng phụ tải điện (đánh giá xu hướng và mức độ phụ thuộc theo mùa của phụ tải điện; xử lý các mẫu trong-tuần và trong-ngày; xử lý ảnh hưởng của các biến thời tiết; xử lý các ngày sự kiện theo lịch) hay mô hình dự báo phụ tải điện thông qua phương pháp thống kê chuỗi thời gian và phương pháp trí tuệ nhân tạo. Các nghiên cứu được công bố trong nước giai đoạn gần đây tập trung chủ yếu vào ứng dụng mạng nơ ron nhân tạo và một số thuật toán khác để dự báo phụ tải ngắn hạn. Tuy nhiên hiện nay chưa có các công bố về công cụ phần mềm dựa trên nghiên cứu này. Các báo cáo khác chủ yếu là các nội dung nghiên cứu của đề tài thạc sỹ với kết quả nghiên cứu giới hạn. Ngoài ra các nghiên cứu chủ yếu là về thuật toán, hầu như chưa có các nghiên cứu về việc tiền xử lý dữ liệu và xây dựng các hệ thống có khả năng tính toán làm việc với dữ liệu online cũng như đáp ứng các yêu cầu của thực tiễn sản xuất. Thực tế vận hành cho thấy, kết quả dự báo phụ tải ảnh hưởng rất lớn đến công tác huy động nguồn điện, điều này tác động trực tiếp đến tính kinh tế trong vận hành hệ thống điện nói chung cũng như chi phí mua điện của EVN nói riêng. Kết quả dự báo càng chính xác sẽ càng giảm thiểu các chi phí mua điện cho các thành phần phát tăng ngoài dự kiến, cũng như các chi phí cho phần công suất dự phòng điều chỉnh tần số. Mặt khác, theo kinh nghiệm của thế giới, mô hình/phương pháp dự báo phụ tải sẽ không giống nhau giữa các nước, thậm chí không giống nhau giữa các đối tượng phụ tải dự báo, nên trên hết phải dựa vào kết quả chạy thực tế để lựa chọn mô hình hay phương pháp dự báo phù hợp với đặc điểm của từng Quốc gia/ đối tượng cụ thể. Vì vậy, rủi ro khi mua bản quyền các phần mềm thương mại là mất rất nhiều thời gian để điều chỉnh thông số hoặc phần mềm không tương thích được với thông số của hệ thống điện Việt Nam; đồng thời dẫn tới phụ thuộc về công nghệ. Một thực tế cho thấy, nhiều SMO/TSO các nước phát triển cũng tự xây dựng mô hình dự báo phụ tải của riêng mình thay vì 281
  4. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 mua phần mềm từ các nhà cung cấp (trong khi họ vẫn mua các sản phẩm dự báo NLTT từ nhà cung cấp bên ngoài). Một trong những vấn đề quan trọng đối với các hệ thống dựa trên nền tảng trí tuệ nhân tạo là dữ liệu quá khứ đủ lớn để hệ thống có thể tự học hoặc số mẫu quá khứ đủ lớn để có thể có các phân loại, trích xuất đặc tính phụ tải được chính xác hơn. Khối lượng dữ liệu thu thập được từ quá trình vận hành hệ thống điện Việt Nam là rất lớn, đây là một kho thông tin hữu ích cần được khai thác nâng cao độ chính xác dự báo. Trong các năm gần đây, kỹ thuật học máy, hay trí tuệ nhân tạo đã phát triển vượt bậc, nhờ đó có thể mô tả các mối quan hệ phức tạp và tự động tìm ra được những đặc trưng khó/ chưa được phát hiện để xuất ra các thông tin có giá trị. Đặc biệt, kỹ thuật học máy hay trí tuệ nhân tạo đã được các tập đoàn công nghệ lớn trên thế giới phát triển và tạo ra những nền tảng online chia sẻ cho cộng đồng (google, microsoft…). Trên cơ sở đó, nhóm tác giả EVNNLDC đề xuất mục tiêu xây dựng phần mềm dự báo phụ tải ứng dụng công nghệ dữ liệu và trí tuệ nhân tạo. Phần mềm tập trung giải quyết, phân tích đặc điểm của chuỗi phụ tải hệ thống điện Việt Nam và hệ thống điện miền, từ đó lựa chọn ra các mô hình dự báo phù hợp với hệ thống điện Việt Nam. 2. CƠ SỞ LÝ THUYẾT/PHƯƠNG PHÁP NGHIÊN CỨU Hiện nay có rất nhiều phương pháp dự báo như xác suất thống kê cổ điển hay ứng dụng trí tuệ nhân tạo. Qua thống kê cho thấy hiện nay, các nghiên cứu về dự báo phụ tải tập trung vào các hướng sau:  Mô hình hóa các đặc trưng của phụ tải điện - Đánh giá xu hướng và mức độ phụ thuộc theo mùa của phụ tải điện Rất nhiều phương pháp tiếp cận đã được đề xuất trong tài liệu để xét đến xu hướng biến đổi của phụ tải, hầu hết các nghiên cứu về STLF đều dựa trên phương án tính sai phân bậc nhất của chuỗi phụ tải để xét xu hướng biến đổi của phụ tải. Mặt khác, hầu hết các biến động của phụ tải điện chủ yếu chịu sự chi phối của các yếu tố như điều kiện khí hậu, nhiệt độ hoặc số giờ trời sáng trong ngày. Mặc dù các biến động có hệ thống này tồn tại trong chuỗi phụ tải, nhưng với STLF thì thời gian đưa ra dự báo về cơ bản ngắn hơn chiều dài của chu kỳ hàng năm; do đó, có thể phỏng đoán rằng các phương pháp dự báo ngắn hạn STLF không cần thiết phải mô hình hóa tính mùa và vẫn đảm bảo độ tin cậy, thay vào đó sẽ tập trung đánh giá theo dựa theo tính chu kỳ với khoảng thời gian ngắn hạn như chu kỳ theo tuần, chu kỳ ngày [2]. Gần đây một số tác giả đã đề xuất mô hình chi tiết có xét tới xu hướng và tính chu kỳ hàng năm. [1] đã mô phỏng xu hướng tải như là một hàm xác định của tổng sản phẩm quốc nội; Dordonnat et al. (2008) đã ước tính xu hướng tuyến tính cục bộ theo mỗi giờ 282
  5. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA trong ngày. [1] đã mô hình hóa tính chu chu kỳ hàng năm như là tổ hợp của các hàm sin và cosin giống trong phân tích chuỗi Fourier. - Xử lý các mẫu trong – tuần và trong – ngày Khi lập mô hình phụ tải điện theo giờ (hoặc nửa giờ) cần quan tâm tới hai yếu tố chính là dạng đồ thị phụ tải điển hình của ngày và tuần trong các mùa. Trong bài toán STLF tồn tại hai cách tiếp cận chính để xử lý các đồ thị phụ tải ngày: sử dụng mô hình một phương trình cho tất cả các giờ hoặc sử dụng mô hình đa phương trình với các phương trình khác nhau cho các giờ khác nhau trong ngày. Cách tiếp cận đầu tiên cho phép áp dụng các mô hình có khả năng mô hình hóa tính động của của cả mô hình tuần và ngày, như mô hình ARIMA theo mùa kép hoặc phương pháp làm mịn theo cấp số mũ cho mùa kép [2] Một cách tiếp cận khác để nắm bắt mô hình biểu đồ phụ tải ngày là coi mỗi giờ là một chuỗi thời gian riêng biệt. Một cách đơn giản nhất, phương pháp này sử dụng 24 mô hình độc lập cho 24 giờ trong ngày; các phương pháp phức tạp hơn bao gồm các mô hình vectơ trong đó các phương trình cho các giờ khác nhau có liên hệ chéo [1], [3], [4], [5]. Nhìn chung phương pháp dùng mô hình riêng biệt cho mỗi giờ được sử dụng rộng rãi hơn. - Xử lý ảnh hưởng của các biến thời tiết Các điều kiện khí tượng có ảnh hưởng đáng kể đến phụ tải tiêu thụ điện. Các yếu tố như nhiệt độ, bức xạ mặt trời, độ ẩm, tốc độ gió, tình trạng mây mù, hay lượng mưa đã từng sử dụng như là các biến ngoại sinh để cải tiến dự báo phụ tải điện. Tuy nhiên, theo kết quả khảo sát dự báo phụ tải [6] đã cho thấy hầu hết nghiên cứu đều có xét đến ảnh hưởng của nhiệt độ và chỉ có rất ít nghiên cứu xét thêm ảnh hưởng của các yếu tố thời tiết khác. Việc chỉ sử dụng biến nhiệt độ cũng một phần do dữ liệu thường có sẵn trong khi các dữ liệu khác về thời tiết thường không đầy đủ [1]. Nhiều nghiên cứu đã tìm ra được mối tương quan giữa phụ tải điện và nhiệt độ ngoài trời [5], [7], [8], [9], [10], [11], và mức độ tương quan. Mặc dù mối liên hệ này phụ thuộc vào đặc trưng khí hậu của vùng địa lý đang xem xét, tuy nhiên mối liên hệ này rất đa dạng và phức tạp, ví dụ phụ tải điện có thể tăng lên dù nhiệt độ có tăng hay giảm. Lý do là khi nhiệt độ giảm thì việc sử dụng hệ thống sưởi tăng lên, khi nhiệt độ tăng thì việc sử dụng điều hòa lại tăng; do vậy mối liên hệ này được coi là không tuyến tính. Ngoài ra mối liên hệ tương quan còn thay đổi tùy theo ngày làm việc hay ngày nghỉ, tùy theo tháng của năm [5]. - Xử lý các ngày sự kiện theo lịch Đồ thị phụ tải phụ thuộc vào loại ngày đang xét là ngày làm việc, ngày cuối tuần, ngày nghỉ lễ…do đó các mô hình dự báo thường được xây dựng riêng cho ngày bình thường của tuần, ngày lễ trong tuần [3]. Mặt hạn chế của phương pháp này là khó khăn khi xử 283
  6. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 lý những ngày lễ đặc biệt như ngày đầu năm mới. Để giải quyết bài toán dự báo cho các ngày lễ đặc biệt này cần mô hình có sử dụng các biến phụ [11]  Mô hình dự báo phụ tải điện Các phương pháp có thể được phân loại thành hai loại chính: (1) phương pháp thống kê chuỗi thời gian và (2) phương pháp dựa trên trí tuệ nhân tạo. Phương pháp chuỗi thời gian thống kê bao gồm các mô hình đơn biến và đa biến. Phương pháp trí tuệ nhân tạo bao gồm hệ chuyên gia, mạng nơ-ron nhân tạo (Artificial Neural Network - ANN), logic mờ và Support Vector Machine - SVM. - Mô hình dựa trên phân tích thống kê chuỗi thời gian Các mô hình thống kê chuỗi thời gian theo [12] đã được sử dụng từ rất lâu cho bài toán dự báo tải điện. Phương pháp thống kê có thể được phân loại thành đơn biến và đa biến. Các phương pháp đơn biến như ARIMA và các mô hình hàm truyền tuyến tính (biến đổi phi tuyến dữ liệu thời tiết đầu vào) là phù hợp để dự báo phụ tải có xét tới ảnh hưởng của thời tiết, ảnh hưởng của ngày lễ trong tuần. - Mô hình dựa trên trí tuệ nhân tạo (AI) Phương pháp hệ chuyên gia đã được áp dụng lần đầu tiên vào năm 1993 [13] và được cải thiện trong những năm 1990 bằng cách bổ sung ảnh hưởng của nhiệt độ, của ngày trong tuần, mối quan hệ phi tuyến giữa nhiệt độ và điện năng tiêu thụ [13]. Những mô hình dựa trên tri thức chuyên gia này được gọi là các phương pháp dựa trên luật (rule – based), trong đó các luật được trích rút từ các ý kiến chuyên gia chứ không trực tiếp từ dữ liệu. Trong những năm 1990, đã có nhiều nghiên cứu ứng dụng mô hình ANN vào bài toán dự báo phụ tải [6]. Hầu hết các phương pháp trong giai đoạn đó đã sử dụng mạng nơ- ron truyền thẳng (feed-forward multilayer perceptrons - MLP), tương ứng với mô hình hồi quy đa biến phi tuyến [14].Đặc điểm chính của mô hình này là thuộc lớp mô hình hộp đen tức là cấu trúc bên trong thu được tự động từ dữ liệu trong quá trình học. Nó có ưu điểm là khả năng ứng dụng phổ quát, nhưng gặp rủi ro về vấn đề quá khớp (over- fitting)[15]. Các mạng hồi quy (recurrent networks) cũng đã được ứng dụng vào bài toán phân tích chuỗi thời gian phụ tải điện [16], [17]. Việc áp dụng các kỹ thuật mạng nơ ron vào bài toán dự báo phụ tải ngắn hạn giai đoạn những năm 2000 được kết hợp với các kỹ thuật khác như logic mờ, thuật toán tiến hóa [18], [19], [20]. Những phương pháp này được giới thiệu như một nỗ lực để cải thiện khả năng học và khả năng giải thích của các mạng nơ ron. Phương pháp véctơ học máy hỗ trợ xuất phát từ thống kê học lý thuyết được phát triển bởi Vapnik [21], cũng mang lại kết quả đầy hứa hẹn [22], [23]. Trong các năm gần đây, nền tảng trí tuệ nhân tạo đã phát triển vượt bậc, nhờ đó có thể 284
  7. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA mô tả các mối quan hệ phức tạp và tự động tìm ra những đặc trưng khó/chưa phát hiện được để đề xuất các thông tin có giá trị. Đặc biệt, kỹ thuật học máy hay trí tuệ nhân tạo đã được các tập đoàn công nghệ lớn trên thế giới phát triển và tạo ra những nền tảng online chia sẻ cho cộng đồng. Ứng dụng công nghệ dữ liệu lớn và trí tuệ nhân tạo, bài báo này đề xuất xây dựng mô hình dự báo phụ tải ngắn hạn dựa trên mạng nơ-ron nhân tạo, phương pháp phân tách phụ tải, phân loại ngày, xử lý ảnh hưởng của thời tiết và lựa chọn mẫu điển hình phù hợp với đặc trưng phụ tải điện phục vụ công tác vận hành hệ thống điện và thị trường điện Việt Nam. 3. KẾT QUẢ NGHIÊN CỨU/TÍNH TOÁN/MÔ PHỎNG VÀ THẢO LUẬN a) Dữ liệu Trong nghiên cứu này, dữ liệu phục vụ bao gồm dữ liệu vận hành hệ thống điện Việt Nam và dữ liệu thời tiết được cung cấp bởi Trung tâm Khí tượng Thủy văn Quốc gia từ năm 2015 đến 2022. b) Đánh giá xu hướng và mức độ phụ thuộc theo mùa của phụ tải điện Cùng với sự phát triển của đất nước, nhu cầu tiêu thụ điện toàn quốc đã tăng 1.7 lần trong giai đoạn từ năm 2015 đến năm 2021 với tốc độ tăng trưởng bình quân 7.7%/năm. Với chuỗi phụ tải tăng trưởng không ngừng theo thời gian, để có thể nắm rõ xu hướng và mức độ phụ thuộc theo mùa, cần phân tách thành phần xu hướng và xác định những chu kỳ “quan trọng” của chuỗi. Qua khảo sát và thử nghiệm, nhóm nghiên cứu đề xuất áp dụng phương pháp phân tách chuỗi thời gian theo mô hình logarit – cấp số cộng [24] và phương pháp phân tích chuỗi Fourier [25]. Hình 1. Kết quả phân tách chuỗi phụ tải hệ thống điện Việt Nam 285
  8. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 Hình 2. Kết quả phân tích tần số chuỗi phụ tải hệ thống điện Việt Nam Với hình trên, có thể thấy chuỗi phụ tải hệ thống điện Việt Nam có các chu kỳ lặp lại như 1 năm, 6 tháng (mùa nóng và mùa lạnh), 1 tuần, 1 ngày hay 12 giờ. Trong đó chu kỳ 1 năm và chu kỳ 1 ngày có tần suất lặp lại nhiều nhất. c) Xử lý các ngày sự kiện theo lịch Trong công tác dự báo phụ tải, xử lý các ngày sự kiện theo lịch hay phân loại ngày trong năm có vai trò quyết định tới chất lượng dự báo. Thực tế cho thấy phụ tải của các ngày nghỉ lễ hay những ngày làm việc liền kề ngày nghỉ luôn thấp hơn những ngày bình thường trong năm, và giữa các dịp nghỉ lễ khác nhau có biểu đồ và giá trị khác nhau. Do đó để có được kết quả dự báo tốt, cần có phương pháp phân loại ngày tốt. Qua thực tế tìm hiểu và thử nghiệm, các ngày trong năm sẽ được chia thành 5 nhóm như sau: Hình 3. Phân loại ngày 286
  9. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA  Nhóm 1 (màu lam) Những ngày bình thường (ngày làm việc bình thường là mầu lam nhạt, ngày cuối tuần bình thường là mầu lam đậm).  Nhóm 2 (màu đỏ): Ngày nghỉ lễ chính thức (Tết Dương, Âm lịch, Giỗ Tổ, 30/4-1/5 và Quốc Khánh).  Nhóm 3 (màu cam): Ngày nghỉ lễ bù là những ngày thứ 2 hoặc thứ 3 hoặc cả hai ngày đó (tuỳ thuộc vào số lượng ngày nghỉ lễ chính thức rơi vào ngày cuối tuần).  Nhóm 4 (màu tím): Ngày cuối tuần kéo dài (là ngày cuối tuần liền với ngày nghỉ lễ hoặc nghỉ lễ bù).  Nhóm 5 (màu lục): Ngày “cầu nối” là ngày làm việc giữa các ngày nghỉ. d) Xử lý các mẫu trong – tuần và trong – ngày Dựa trên kết quả phân loại ngày, các mẫu trong – tuần và trong – ngày sẽ được xử lý theo từng nhóm, cụ thể như sau:  Xử lý mẫu trong – tuần có thể sử dụng các mẫu phụ tải quá khứ 52 tuần trước (~ chu kỳ 1 năm) hay 1 tuần trước. Việc lấy mẫu phụ tải 1 tuần trước sẽ tương tự cách lấy mẫu 52 tuần trước, chỉ khác nhau về thời gian lấy. Chi tiết như sau: - Nhóm 1: lấy mẫu phụ tải của ngày 364 trong quá khứ (52 tuần) thay vì ngày 365 (1 năm – như tên gọi). Ví dụ: phụ tải ngày 19/09/2021 (Chủ nhật) có biểu đồ giống với ngày 20/09/2020 (Chủ nhật) hơn ngày 19/09/2020 (thứ Bảy). Phụ tải hệ thống điện Việt Nam 32000 30000 28000 MW 26000 24000 22000 20000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giờ 9/19/2021 9/19/2020 9/20/2020 Hình 4. Xử lý mẫu nhóm 1 - Nhóm 2: Các ngày thuộc nhóm 2 sẽ được chia thành 2 nhóm nhỏ hơn là các ngày nghỉ dựa trên lịch âm và các ngày nghỉ dựa trên lịch dương.  Với nhóm ngày nghỉ lễ dương lịch (bao gồm các ngày nghỉ Tết dương, dịp nghỉ lễ 30/04 – 1/5 và quốc khánh 1/9) sẽ tham chiếu theo ngày nghỉ lễ dương lịch 1 287
  10. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 năm về trước (365 ngày hoặc 366 ngày tuỳ thuộc vào năm nhuận hay không nhuận). Với nhóm ngày nghỉ lễ âm lịch: Giai đoạn nghỉ lễ Tết âm lịch (từ 26 Tết đến mùng 9 Tết): sử dụng ngày nghỉ lễ Tết âm lịch 1 năm âm lịch về trước. Giai đoạn nghỉ lễ Giỗ Tổ (10/3 âm lịch): sử dụng ngày nghỉ lễ Giỗ Tổ 1 năm âm lịch về trước. Năm âm lịch có độ dài là 354 hoặc 355 hoặc 384 ngày tuỳ thuộc vào năm âm lịch nhuận hay không nhuận. Đồ thị phụ tải ngày mùng 1 Tết Âm lịch 21000 19000 17000 15000 MW 13000 11000 9000 7000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giờ 2015 2016 2017 2018 2019 2020 2021  Hình 5. Xử lý mẫu nhóm 2 - Nhóm 3: Đối với ngày nghỉ lễ bù, sẽ phân thành 3 vùng. Sau đó, xét riêng từng ngày trong từng vùng. Vùng 1: Các ngày nghỉ lễ bù rơi vào giai đoạn tháng 12 đến 20 tháng 3 năm sau. (nghỉ bù dịp Tết Dương và Tết Âm) Vùng 2: Các ngày nghỉ lễ bù rơi vào giai doạn tháng 4 đến tháng 5 (nghỉ bù dịp Giỗ Tổ, Giải phóng miền Nam và Quốc tế Lao động) Vùng 3: Các ngày nghỉ lễ bù rơi vào giai đoạn tháng 8 đến tháng 9 (nghỉ bù dịp Quốc Khánh). Ví dụ, ngày 03/05/2021 là ngày nghỉ lễ bù vùng 2 của năm 2021, HTDBPT sẽ tìm kiếm các ngày nghỉ lễ bù của vùng 2 từ năm 2020 trở về trước, và chọn ngày nghỉ lễ bù gần ngày 03/05/2021 nhất trong nhóm ngày được tìm kiếm. 288
  11. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA Thành phần detrend của ngày nghỉ bù dịp nghỉ lễ 30/04 - 01/05 0.3 0.2 0.1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 -0.1 -0.2 -0.3 Giờ 2016 2021 Hình 6. Xử lý mẫu nhóm 3 - Nhóm 4, nhóm 5: Làm tương tự như nhóm 3. - Vấn đề phát sinh: Trong quá trình xử lý những ngày thuộc nhóm 1, ngày D năm Y là ngày bình thường nhưng ngày D – 364 có thể rơi vào những ngày đặc biệt (ngày nghỉ lễ chính thức, ngày nghỉ bù, ngày cuối tuần kéo dài hay ngày cầu nối). Nếu rơi vào tình huống đó, thay vì tham chiếu đến phụ tải quá khứ 52 tuần trước, ta sẽ tham chiếu phụ tải quá khứ N tuần trước (trong đó N thuộc khoảng từ 50 đến 54 tuần). Ví dụ: ngày 23/01/2021 (ngày D) là ngày bình thường nhưng ngày D – 364 (tức ngày 24/01/2020) rơi vào dịp nghỉ lễ Tết Âm lịch 2020. Lúc đó HTDBPT sẽ tham chiếu đến ngày D – 371 (tức ngày 17/01/2020) (53 tuần trước) vì ngày 17/01/2020 là ngày bình thường. Hình 7. Xử lý mẫu ngày bình thường có ngày lấy mẫu là ngày đặc biệt  Xử lý mẫu trong – ngày có thể sử dụng các mẫu phụ tải quá khứ ngày liền trước hay mẫu phụ tải 1 tuần trước. 289
  12. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 - Đối với ngày thứ 2, thứ 7, Chủ Nhật sẽ lấy mẫu phụ tải của thứ 2 tuần trước. - Đối với phụ tải ngày thứ 3 đến thứ 6 sẽ lấy lấy mẫu của ngày quá khứ gần nhất thuộc nhóm ngày từ thứ 3 đến thứ 6. e) Xử lý ảnh hưởng của các biến thời tiết Lãnh thổ Việt Nam nằm trọng trong vùng nhiệt đới nhưng khí hậu Việt Nam phân bố thành 3 vùng theo phân loại khí hậu Koppen với miền Bắc và Bắc Trung Bộ là khí hậu cận nhiệt đới ẩm với 4 mùa: Xuân, Hạ, Thu và Đông. Trung Trung Bộ và Nam Trung Bộ là khí hậu nhiệt đới gió mùa, còn miền cực Nam Trung Bộ và Nam Bộ mang đặc điểm của nhiệt đới xavan. Đồng thời, do nằm ở rìa phía Đông Nam của lục địa châu Á, giáp với Biển Đông, nên chịu ảnh hưởng trực tiếp của kiểu khí hậu gió mùa mậu dịch, thường thổi ở các vùng vĩ độ thấp. Miền Nam thường có 2 mùa: mùa mưa và mùa khô. Với các đặc điểm thời tiết, khí hậu như vậy, rất khó có thể trọn được 1 trạm quan trắc đại diện cho từng vùng miền và cả nước, vì thế biến đầu vào nhiệt độ và độ cần nhiều trạm thay vì một trạm. Đồng thời, do lãnh thổ địa lý của miền Trung vừa dài vừa hẹp, việc chọn các trạm quan trắc đại diện sẽ càng khó khăn hơn. Với mục đích lựa chọn trạm quan trắc phù hợp với phụ tải HTĐ Việt Nam và tối giản khối lượng dữ liệu cần xử lý, dữ liệu thời tiết sẽ được lựa chọn bởi thuận toán phân cụm, với chỉ số khoảng cách càng nhỏ thì mức độ tương quan giữa các trạm quan trắc càng cao. Hình 8 cho thấy đặc điểm nhiệt độ ở nước ta có thể chia thành 2 vùng chính khu vực Cao Nguyên – Nam Bộ và khu vực từ miền Bắc trở vào đến Nam Trung Bộ. Hong và Shahidehpour [23] đã khẳng định rằng yếu tố nhiệt độ có thể giải thích hơn 70% sự biến động của phụ tải. Tuy nhiên hành vi sử dụng điện của con người phụ thuộc vào nhiệt độ cảm nhận nhiều hơn là so với nhiệt độ thực đo. Nhiệt độ cảm nhận hay còn gọi là chỉ số nhiệt độ (Heat Index) là một chỉ số kết hợp nhiệt độ và độ ẩm tương đối của không khí trong khu vực bóng râm để ấn định nhiệt độ tương đương theo cảm nhận của con người. Vì vậy, thay vì sử dụng nhiệt độ thực đo, ta sẽ sử dụng nhiệt độ cảm nhận làm đầu vào của mô hình dự báo. Các chỉ số nhiệt độ sẽ được tính theo thuật toán NWS (Nation Weather Service) [26] với đầu vào gồm nhiệt độ không khí (oF hoặc oC) và độ ẩm tương đối (%). Quan sát các hình có thể thấy mức độ khác biệt rõ rệt giữa nhiệt độ không khí với nhiệt độ cảm nhận và giữa mùa nóng với mùa lạnh, đặc biệt là tại Hà Nội và Đà Nẵng 290
  13. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA Hình 8. Phân cụm trạm quan trắc Hình 9. Chỉ số nhiệt độ (nhiệt độ cảm nhận) trung bình tại một số thành phố g) Mô hình dự báo phụ tải điện Như đã trình bày ở các phần trước, các phương pháp dự báo phụ tải hiện nay được chia thành 2 nhóm: phương pháp thống kê và phương pháp dựa trên trí tuệ nhân tạo. Mỗi phương pháp có ưu, nhược điểm trên. Để tận dụng các ưu điểm của từng phương pháp, nâng cao chất lượng dự báo, nhóm nghiên cứu đã áp dụng mô hình mạng LSTM kết hợp với phương pháp tìm kiếm ngày điển hình dựa trên chỉ số khoảng cách Euler. Đổi lại, quá trình tính toán sẽ phức tạp hơn nhiều so với việc dùng một phương pháp. LSTM là một phiên bản mở rộng của mạng Recurrent Neural Network (RNN), nó được 291
  14. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 thiết kế để giải quyết các bài toán về phụ thuộc xa (long-term dependencies). RNN là mạng nơ-ron có chứa vòng lặp. Mạng này có khả năng lưu trữ thông tin, thông tin được truyền từ lớp này sang lớp khác. Đầu ra của lớp ẩn phụ thuộc vào thông tin của các lớp tại mọi thời điểm. RNN đã được sử dụng phổ biến trong xử lý ngôn ngữ tự nhiên hay các bài toán có dữ liệu tuần tự. Tuy nhiên, do kiến trúc của RNN khá đơn giản nên khả năng liên kết các lớp có khoảng cách xa là không tốt. Nó cơ bản không có khả năng ghi nhớ thông tin từ các dữ liệu có khoảng cách xa, và do đó, những phần tử đầu tiên trong chuỗi đầu vào thường không có nhiều ảnh hưởng đến kết quả dự đoán phần tử cho chuỗi đầu ra các bước sau. Nguyên nhân của việc này là do RNN chịu ảnh hưởng bởi việc đạo hàm bị thấp dần trong quá trình học – biến mất đạo hàm (vanishing gradient). Mạng LSTM được thiết kế để khắc phục vấn đề này. Cơ chế hoạt động của LSTM là chỉ ghi nhớ những thông tin liên quan, quan trọng cho việc dự đoán. Hình trên mô tả các cổng đầu vào, cổng quên và cổng đầu ra của một 1 phần tử LSTM với các biểu thức toán học như sau: Hình 10. LSTM cell 𝑖 𝑡 = 𝜎(𝑊𝑖,𝑥 𝑥 𝑡 + 𝑊𝑖,ℎ ℎ 𝑡−1 + 𝑏 𝑖 ) (1) 𝑓𝑡 = 𝜎(𝑊𝑓,𝑥 𝑥 𝑡 + 𝑊𝑓,ℎ ℎ 𝑡−1 + 𝑏 𝑓 ) (2) 𝑜 𝑡 = 𝜎(𝑊𝑜,𝑥 𝑥 𝑡 + 𝑊 𝑜,ℎ ℎ 𝑡−1 + 𝑏 𝑜 ) (3) 𝑐 𝑡 = 𝑡𝑎𝑛ℎ(𝑊𝑐,𝑥 𝑥 𝑡 + 𝑊 𝑐,ℎ ℎ 𝑡−1 + 𝑏 𝑐 ) (4) 292
  15. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA h) Tiêu chuẩn đánh giá Trong nghiên cứu này, chỉ số sai số phần trăm tuyệt đối trung bình (MAPE) được sử dụng để đánh chất lượng dự báo. MAPE được định nghĩa như sau: 𝑛 1 𝐺𝑃𝑖 − ̃ 𝑖 𝐺𝑃 𝑀𝐴𝑃𝐸 = ∑ | | × 100% (4) 𝑛 𝐺𝑃𝑖 𝑖=1 ̃ Trong đó n là số chu kỳ dự báo, GP là giá trị thực tế, GP là giá trị dự báo. Giá trị MAPE càng thấp chứng tỏ chất lượng dự báo càng tốt. i) Kết quả dự báo Hình 11. Sai số dự báo phụ tải HTĐ Việt Nam ngày tới giai đoạn 01/01/2022 – 30/09/2022 Từ Hình 11 có thể thấy phần lớn MAPE nằm dưới ngưỡng sai số 2%, ngoại trừ một số thời điểm như dịp nghỉ lễ Tết Nguyên Đán, 30/4 – 01/05 hay dịp nghỉ lễ Quốc Khánh có sai số cao hơn. Qua phân tích, có thể kết luận một vài yếu tố ảnh hưởng đến chất lượng dự báo như: 293
  16. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022  Sai số của kết quả dự báo thay đổi theo mùa, thường thấp vào các tháng có thời tiết ổn định, biến động vào các tháng nắng nóng, các thời điểm giao mùa hoặc có sự kiện chính trị, văn hóa lớn. Cụ thể như: đầu năm sai số thấp, đến dịp Tết âm lịch sai số có xu hướng tăng lên, tháng 3,4 sai số có xu hướng giảm và giữ ổn định, và tăng vào cuối tháng 4, sau đó có hơi giảm chút vào giai đoạn mùa hè nắng nóng cho đến khi từ giữa tháng 9 trở đi bước vào mùa đông thì sai số giảm thấp và giữ ổn định cho đến Tết Âm năm sau.  Ảnh hưởng của dịch bệnh Covid-19 từ năm 2020 đến đầu năm 2022 đã gây khó khăn trong công tác lấy mẫu phụ tải quá khứ do phụ tải điện vào những giai đoạn giãn cách giảm sâu, chưa từng xảy ra trong quá khứ.  Từ cuối năm 2020, khi hệ thống điện tiếp nhận một lượng lớn công suất nguồn điện mặt trời mái nhà, do đặc điểm tính chất của nguồn điện mặt trời mái nhà (ĐMTMN) là tiêu thụ tại chỗ, chưa có công cụ giám sát thời gian thực của ĐMTMN, số liệu phần lớn chỉ là ước tính dẫn tới công tác dự báo phụ tải đã gặp không ít khó khăn. Trong tương lai, có thể áp dụng thêm các thuật toán phân loại ngày (có thể phân loại thành nhiều nhóm ngày thay vì 5 nhóm như hiện tại) hay thuật toán tự động tìm kiếm mẫu phụ tải dựa trên yếu tố phụ tải quá khứ và thời tiết, ứng dụng thêm các mô hình trí tuệ nhân tạo mới như mô hình Transformer, mô hình Graph,… k) Bài báo khoa học/ Sản phẩm ứng dụng Nhóm nghiên cứu đã phát triển phần mềm dự báo phụ tải dựa trên kết quả nghiên cứu, phần mềm đang được ứng dụng tại EVNNLDC, các đơn vị như các công ty Điện lực tỉnh/thành phố,…) đồng thời có một bài báo được đăng trên tạp chí Tự động hóa ngày nay [27]. Hình 12. Phần mềm dự báo phụ tải 294
  17. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA 4. KẾT LUẬN VÀ KHUYẾN NGHỊ Trên thực tế có thể phân tách chuỗi phụ tải phân loại ngày, xử lý mẫu phụ tải quá khứ và xây dựng mô hình dự báo theo nhiều cách khác nhau. Với các kết quả thử nghiệm thực tế, nghiên cứu này đã đề xuất các phương pháp phân tách chuỗi phụ tải, phân loại ngày và xử lý mẫu phù hợp với phụ tải HTĐ Việt Nam. Đây là điểm mới so với các nghiên cứu trước đây đối với phụ tải HTĐ Việt Nam, xử lý được đặc tính âm lịch của chuỗi phụ tải, việc sử dụng mô hình lai giữa phương pháp thống kê và phương pháp trí tuệ nhân tạo. Về dữ liệu phục vụ dự báo, cần thu thập ít nhất từ 2 năm trở lên để có thể phân tách và lựa chọn mẫu quá khứ. Mặt khác để giảm thiểu sai số, cần phát triển các thuật toán phân loại ngày chi tiết hơn và xử lý mẫu dựa trên nhiều yếu tố như thời tiết (nhiệt độ, độ ẩm, lượng mưa), loại ngày, hay ứng dụng các mô hình học máy và học sâu mới như Transformer, Graph,… LỜI CẢM ƠN Nghiên cứu là một phần đề tài nghiên cứu khoa học “Nghiên cứu sử dụng công nghệ dữ liệu lớn, AI trong dự báo phụ tải hệ thống điện quốc gia, miền và các Tổng công ty Điện lực” giữa Trung tâm Điều độ Hệ thống Điện Quốc gia và Trường Điện – Điện tử, Đại học Bách Khoa Hà Nội. TÀI LIỆU THAM KHẢO [1] L. J. Soares và M. C. Medeiros, “Modeling and forecasting short-term electricity load: A comparison of methods with an application to Brazilian data”, Int J Forecast, vol 24, số p.h 4, tr 630–644, tháng 10 2008, doi: 10.1016/J.IJFORECAST.2008.08.003. [2] J. W. Taylor, “Short-term electricity demand forecasting using double seasonal exponential smoothing”, https://doi.org/10.1057/palgrave.jors.2601589, vol 54, số p.h 8, tr 799–805, 2017, doi: 10.1057/PALGRAVE.JORS.2601589. [3] R. Ramanathan, R. Engle, C. W. J. Granger, F. Vahid-Araghi, và C. Brace, “Short-run forecasts of electricity loads and peaks”, Int J Forecast, vol 13, số p.h 2, tr 161–174, tháng 6 1997, doi: 10.1016/S0169-2070(97)00015-0. [4] R. Cottet và M. Smith, “Bayesian Modeling and Forecasting of Intraday Electricity Load”, undefined, vol 98, số p.h 464, tr 839–849, tháng 12 2003, doi: 10.1198/016214503000000774. [5] J. R. Cancelo, A. Espasa, và R. Grafe, “Forecasting the electricity load from one day to one week ahead for the Spanish system operator”, Int J Forecast, vol 24, số p.h 4, tr 588–602, tháng 10 2008, doi: 10.1016/J.IJFORECAST.2008.07.005. [6] H. S. Hippert, C. E. Pedreira, và R. C. Souza, “Neural networks for short-term load forecasting: A review and evaluation”, IEEE Transactions on Power Systems, vol 16, số p.h 1, tr 44–55, tháng 2 2001, doi: 10.1109/59.910780. 295
  18. KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 [7] S. Fairhurst, C. R. Gallistel, và J. Gibbon, “Comparative models for electrical load forecasting: D.W. Bunn and E.D. Farmer, (Wiley, Belfast, 1985) pp. 232, [UK pound]24.95”, Int J Forecast, vol 2, số p.h 4, tr 501–505, 1986, doi: 10.1007/s10071-003-0169-8. [8] D. J. Sailor và J. R. Muñoz, “Sensitivity of electricity and natural gas consumption to climate in the U.S.A.—Methodology and results for eight states”, Energy, vol 22, số p.h 10, tr 987–998, tháng 10 1997, doi: 10.1016/S0360-5442(97)00034-0. [9] E. Valor, V. Meneu, và V. Caselles, “Daily Air Temperature and Electricity Load in Spain”, J Appl Meteorol Climatol, vol 40, số p.h 8, tr 1413–1421, tháng 8 2001, doi: 10.1175/1520- 0450(2001)040. [10] A. Pardo, V. Meneu, và E. Valor, “Temperature and seasonality influences on Spanish electricity load”, Energy Econ, vol 24, số p.h 1, tr 55–70, tháng 1 2002, doi: 10.1016/S0140- 9883(01)00082-2. [11] J. Moral-Carcedo và J. Vicéns-Otero, “Modelling the non-linear response of Spanish electricity demand to temperature variations”, Energy Econ, vol 27, số p.h 3, tr 477–494, tháng 5 2005, doi: 10.1016/J.ENECO.2005.01.003. [12] P. R. Winters, Winters, và P. R., “Forecasting Sales by Exponentially Weighted Moving Averages”, Manage Sci, vol 6, số p.h 3, tr 324–342, tháng 4 1960, doi: 10.1287/MNSC.6.3.324. [13] S. Rahman và O. Hazim, “A Generalized Knowledge-Based Short-Term Load-Forecasting Technique”, IEEE Transactions on Power Systems, vol 8, số p.h 2, tr 508–514, 1993, doi: 10.1109/59.260833. [14] A. Khotanzad, R. Afkhami-Rohani, T. L. Lu, A. Abaye, M. Davis, và D. J. Maratukulam, “ANNSTLF - A neural-network-based electric load forecasting system”, IEEE Trans Neural Netw, vol 8, số p.h 4, tr 835–846, 1997, doi: 10.1109/72.595881. [15] H. S. Hippert, D. W. Bunn, và R. C. Souza, “Large neural networks for electricity load forecasting: Are they overfitted?”, Int J Forecast, vol 21, số p.h 3, tr 425–434, tháng 7 2005, doi: 10.1016/J.IJFORECAST.2004.12.004. [16] M. Hisham Choueiki, “Implementing a weighted least squares procedure in training a neural network to solve the short-term load forecasting problem”, IEEE Transactions on Power Systems, vol 12, số p.h 4, tr 1689–1694, 1997, doi: 10.1109/59.627877. [17] T. Vermaak, “Recurrent neural networks for short-term load forecasting”, IEEE Transactions on Power Systems, vol 13, số p.h 1, tr 126–132, 1998, doi: 10.1109/59.651623. [18] V. S. Kodogiannis và E. M. Anagnostakis, “Soft computing based techniques for short-term load forecasting”, Fuzzy Sets Syst, vol 128, số p.h 3, tr 413–426, tháng 6 2002, doi: 10.1016/S0165-0114(01)00076-8. [19] S. H. Ling, F. H. F. Leung, H. K. Lam, Y. S. Lee, và P. K. S. Tam, “A novel genetic-algorithm- based neural network for short-term load forecasting”, IEEE Transactions on Industrial Electronics, vol 50, số p.h 4, tr 793–799, tháng 8 2003, doi: 10.1109/TIE.2003.814869. [20] T. Senjyu, P. Mandal, K. Uezato, và T. Funabashi, “Next day load curve forecasting using hybrid correction method”, IEEE Transactions on Power Systems, vol 20, số p.h 1, tr 102–109, tháng 2 2005, doi: 10.1109/TPWRS.2004.831256. [21] V. N. Vapnik, “The Nature of Statistical Learning Theory”, The Nature of Statistical Learning Theory, 2000, doi: 10.1007/978-1-4757-3264-1. 296
  19. CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ HỆ THỐNG ĐIỆN QUỐC GIA [22] M. Mohandes, “Support vector machines for short-term electrical load forecasting”, Int J Energy Res, vol 26, số p.h 4, tr 335–345, tháng 3 2002, doi: 10.1002/ER.787. [23] P. F. Pai và W. C. Hong, “Support vector machines with simulated annealing algorithms in electricity load forecasting”, Energy Convers Manag, vol 46, số p.h 17, tr 2669–2688, tháng 10 2005, doi: 10.1016/J.ENCONMAN.2005.02.004. [24] B. A. Hoverstad, A. Tidemann, H. Langseth, và P. Ozturk, “Short-Term Load Forecasting With Seasonal Decomposition Using Evolution for Parameter Tuning”, IEEE Trans Smart Grid, vol 6, số p.h 4, tr 1904–1913, tháng 7 2015, doi: 10.1109/TSG.2015.2395822. [25] E. O. Brigham và R. E. Morrow, “The fast Fourier transform”, IEEE Spectr, vol 4, số p.h 12, tr 63–70, 1967, doi: 10.1109/MSPEC.1967.5217220. [26] G. B. Anderson, M. L. Bell, và R. D. Peng, “Methods to Calculate the Heat Index as an Exposure Metric in Environmental Health Research”, Environmental Health Perspectives •, vol 121, số p.h 10, 2013, doi: 10.1289/ehp.1206273. [27] N. Duc Huy và c.s., “Short-Term Load Forecasting Using Long Short-Term Memory Based on EVN NLDC Data”, Measurement, Control, and Automation, vol 1, số p.h 2, 2020, Truy cập: tháng 10 27, 2022. [Online]. Available: [28] https://www.mca-journal.org/index.php/mca/article/view/24 297
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.15: Bộ Đồ Án Tốt Nghiệp Chuyên Ngành Cơ Khí
65 tài liệu
2431 lượt tải
THÔNG TIN
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.

 

Đồng bộ tài khoản
11=>2