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

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.
Nội dung trích xuất từ tài liệu:
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 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 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 separat ...