Nghiên cứu ứng dụng các mô hình chuỗi thời gian có xét tính mùa vụ trong dự báo sản lượng điện năng hàng tháng

Nghiên cứu "Nghiên cứu ứng dụng các mô hình chuỗi thời gian có xét tính mùa vụ trong dự báo sản lượng điện năng hàng tháng" sử dụng bốn mô hình chuỗi thời gian có tính mùa vụ cho dự báo sản lượng điện năng hàng tháng của bốn quốc gia bao gồm Việt Nam, Thái Lan, Tây Ban Nha và Hàn Quốc; Các mô hình được sử dụng là Holt-Winters, SARIMA, PROPHET và mô hình NBEATS, với số liệu là sản lượng điện năng thực tế trong giai đoạn từ tháng 1 năm 2010 đến tháng 12 năm 2022. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Nghiên cứu ứng dụng các mô hình chuỗi thời gian có xét tính mùa vụ trong dự báo sản lượng điện năng hàng tháng NGHIÊN CỨU ỨNG DỤNG CÁC MÔ HÌNH CHUỖI THỜI GIAN CÓ XÉT TÍNH MÙA VỤ TRONG DỰ BÁO SẢN LƯỢNG ĐIỆN NĂNG HÀNG THÁNG Hoàng Trung Thông1,*, Hoàng Mạnh Hùng1, Trần Anh Hải1, Trần Nam Anh2 1 Viện Kỹ thuật, Trường Đại học Công nghệ Thành phố Hồ Chí Minh. 2 Trường Cao đẳng Lý Tự Trọng Thành phố Hồ Chí Minh. * Tác giả liên hệ, Email: hoangthong.ac@gmail.com. TÓM TẮTNghiên cứu này sử dụng bốn mô hình chuỗi thời gian có tính mùa vụ cho dự báo sản lượngđiện năng hàng tháng của bốn quốc gia bao gồm Việt Nam, Thái Lan, Tây Ban Nha và HànQuốc; Các mô hình được sử dụng là Holt-Winters, SARIMA, PROPHET và mô hình N-BEATS, với số liệu là sản lượng điện năng thực tế trong giai đoạn từ tháng 1 năm 2010 đếntháng 12 năm 2022. Kết quả được đánh giá bằng hệ số MAPE và RMSE với sự hỗ trợ củangôn ngữ Python trong môi trường Google Colab. Nghiên cứu đã cho thấy rằng với mỗi bộ dữliệu sẽ có kết quả và mô hình phù hợp khác nhau, Với Việt Nam thì mô hình thống kê cổ điểnHolt-winters cho kết quả tốt nhất với MAPE=3.6%; Thái Lan phù hợp với mô hình SARIMAvà NBEATS với MAPE=2.8%; Tây Ban Nha phù hợp với 2 mô hình Holt-winters vớiMAPE=4.7% và NBEATS với MAPE=4.6%; Riêng Hàn Quốc thì mô hình học sâu N-BEATS cho kết quả xuất sắc với MAPE=1.7%.Từ khóa: Machine Learning; Dự báo sản lượng điện năng; Holt-Winters; SARIMA;PROPHET; N-BEATS1. Đặt vấn đề Quy hoạch Điện VIII của Việt Nam, được thông qua vào ngày 15/05/2023 theo Quyếtđịnh số 500/QĐ-TTg, là một bước tiến quan trọng trong việc phát triển ngành điện của quốcgia, với mục tiêu chuyển dịch sang năng lượng tái tạo và cải thiện hệ thống truyền tải điện.Mục tiêu là cung cấp đủ điện cho phát triển kinh tế với tốc độ tăng trưởng GDP khoảng7%/năm từ 2021-2030 và 6.5-7.5%/năm từ 2031-2050. Quy hoạch cũng hướng đến việc xuấtkhẩu điện, với mục tiêu đạt 5,000-10,000MW công suất xuất khẩu vào năm 2030. Ưu tiênphát triển các nguồn năng lượng tái tạo như thủy điện, điện gió, điện mặt trời, sinh khối, cũngnhư năng lượng mới và sạch như hydro và amoniac xanh. Đặc biệt, khuyến khích việc sửdụng điện mặt trời mái nhà tự sản xuất, tự tiêu thụ. Theo nhiều nghiên cứu khác nhau, dự báo điện năng được chia thành bốn loại tươngứng với từng khung thời gian (Berk, 2015; Cầu, 2022; Singh et al., 2013): Điều độ (Real-TimeOperation): Dự báo mỗi chu kỳ điều độ (nửa giờ hoặc một giờ) cho các ứng dụng vận hànhtheo thời gian thực. Mục đích để quản lý vận hành hệ thống điện linh hoạt và hiệu quả (Khảiet al., 2023); Ngắn hạn (STLF): Dự báo cho mỗi chu kỳ giao dịch từ vài ngày cho đến vàituần. Điều này quan trọng cho các ứng dụng như thị trường giao ngay, điều độ kinh tế, quảnlý phụ tải, và lập kế hoạch cam kết tổ máy (Khải et al., 2023; Tuấn & Ngọc, 2022; Vững,2019; Zhang et al., 2023); Trung hạn (MTLF): Dự báo điện năng tiêu thụ cho chu kỳ tuầnhoặc tháng, từ vài tháng tới cho đến vài năm. Điều này hỗ trợ trong việc lập kế hoạch vậnhành trung hạn, kế hoạch cung ứng nhiên liệu và bảo trì sửa chữa. Có thể cần dự báo cho từngchu kỳ giao dịch (Liễu, 2016; Nhân, 2022); Dài hạn (LTLF): Dự báo tổng điện năng tiêu thụ,công suất cực đại và cực tiểu cho mỗi năm, từ 5 đến 25 năm tới. Điều này giúp hỗ trợ trong 67lập quy hoạch công suấtnguồn, lưới điện, đầu tư vàkế hoạch tài chính cho hệthống điện và các công ty,nhà đầu tư điện lực (Minh,2023; Trị, 2009). Với đặc trưng mùa vụthể hiện khá rõ của thịtrường điện Việt nam nhưHình 1, cũng như sự biếnđộng liên tục của giá điệnvà giá nhiên liệu, cùng vớinhu cầu sử dụng thay đổithường xuyên của khách Hình 1. Đồ thị sản lượng điện năng các Quốc Giahàng và tính không ổn địnhtrong sản xuất năng lượng mặt trời, gió hoặc thủy điện đặt ra khá nhiều rủi ro cho các công tysản xuất điện, việc nghiên cứu và áp dụng các mô hình dự báo chuỗi thời gian có tính mùa vụlà cần thiết, không chỉ để đáp ứng nhu cầu tiêu thụ trong nước mà còn phục vụ cho các hoạtđộng phát triển kinh tế - xã hội. Đặc biệt, việc dự báo sản lượng điện năng hàng tháng đóngvai trò quan trọng trong việc đảm bảo cung ứng điện ổn định, giúp cho các đơn vị sản xuấtđiện có thể quản lý và phân phối năng lượng một cách kịp thời và hiểu quả. Trong những năm gần đây, đã có nhiều phương pháp dự báo điện năng có xét tới yếu tốmùa vụ được phát triển. Các phương pháp dự báo thường được chia thành hai nhóm: cácphương pháp thống kê truyền thống và kỹ thuật dựa trên trí tuệ nhân tạo (AI) (Sun et al.,2019). Nhóm đầu tiên bao gồm các phương pháp giản đơn, san bằng theo hàm mũ - ETS, hồiquy tuyến tính hoặc logistic, các phương pháp dựa trên chuỗi thời gian, v.v. Nhóm dựa trênAI bao gồm các mô hình mạng nơ-ron nhân tạo (ANN), máy vectơ hỗ trợ (SVM) - Tuyếntính, Mạng Lưới Đàn Hồi, LSTM, TCN, N-Beats v.v. Trong một số trường hợp, các phươngpháp lai (Hybrid) được phát triển bằng cách kết hợp nhiều phương pháp lại với nhau (Ünlü,2019; Zhang et al., 2023). Quá trình tìm hiểu cho thấy dự báo trung hạn và dài hạn ít công trình nghiên cứu hơn sovới dự báo ngắn hạn. Theo (Xia et al., 2010), dự báo trung hạn đặc biệt khó khăn do yếu tốtiêu dùng, quyết sách chính trị và kinh tế, cũng như quản lý ngành năng lượng. Trong(Khuntia et al., 2016) cho thấy MTLF và LTLF yêu cầu xem xét nhiều yếu tố phức tạp, đòihỏi dữ liệu chính xác và kinh nghiệm sâu rộng về ngành, bao gồm cả sự phụ thuộc vào côngnghệ mới và tích hợp các nguồn năng lượng. Trong khi đó, dữ liệu STLF chi tiết hơn, phảnánh rõ các thay đổi ngắn hạn như thói quen tiêu dùng và thời tiết. Ngược lại, LTLF tập trungvào dự báo nhu cầu năng lượng dài hạn, ...