Luận án Tiến sĩ: Kỹ thuật dự báo phụ tải điện cho thị trường điện cạnh tranh

Tổng quan về luận án

Trong bối cảnh chuyển dịch năng lượng toàn cầu và quá trình tái cấu trúc ngành điện theo cơ chế thị trường, công tác dự báo phụ tải điện ngắn hạn (Short-Term Load Forecasting - STLF) giữ vai trò sống còn đối với sự ổn định kỹ thuật và hiệu quả kinh tế của toàn hệ thống. Như luận án đã nhấn mạnh: "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." Điện năng là hàng hóa vật lý đặc biệt, không thể lưu trữ kinh tế ở quy mô lớn; đồng thời chịu sự chi phối phức tạp của các biến thời tiết (nhiệt độ, độ ẩm, tốc độ gió), chu kỳ sản xuất kinh doanh, và tập quán sinh hoạt xã hội. Khi thị trường điện vận hành theo cơ chế cạnh tranh, độ chính xác của dự báo phụ tải tác động trực tiếp đến việc ấn định giá biên hệ thống (System Marginal Price - SMP), lập lịch huy động nguồn, và phân bổ rủi ro tài chính thông qua các hợp đồng sai lệch (Contract for Difference - CfD).

Mặc dù các phương pháp dự báo chuỗi thời gian cổ điển và học máy đã phát triển mạnh mẽ, một khoảng trống nghiên cứu (research gap) trọng yếu tồn tại dai dẳng tại các quốc gia Đông Á: sự xung đột chu kỳ giữa lịch Dương (Solar calendar) và lịch Âm (Lunar calendar). Điểm nghẽn này khiến dữ liệu phụ tải các tháng 01 và 02 (thời điểm diễn ra Tết Dương lịch và Tết Nguyên Đán) biến động phi tuyến tính cực kỳ phức tạp. Các phần mềm thương mại ngoại nhập hoàn toàn thất bại khi dự báo giai đoạn này do giả định tính dừng hoặc tính chu kỳ cố định theo dương lịch. Luận án chỉ rõ: "Các thuật toán khi áp dụng để dự báo cho Việt Nam đều phải thực hiện qua một khâu trung gian đó là qui đổi các tháng này thành các tháng thông thường và sau khi chạy kết quả dự báo sẽ qui đổi ngược lại hoặc là chấp nhận sai số lớn. Các phần mềm thương mại do nước ngoài cung cấp đều gặp rắc rối này." Bên cạnh đó, tình trạng thiếu khuyết và sai lệch dữ liệu đo đếm do sự cố phần cứng, lỗi đường truyền viễn thông hoặc sai sót vận hành thủ công tạo nên rào cản lớn cho các mô hình hồi quy truyền thống.

Nhằm giải quyết triệt để bài toán trên, luận án tập trung giải quyết các câu hỏi và giả thuyết khoa học sau:

1. RQ1: Làm thế nào để tự động hóa quy trình khôi phục và ước lượng chuỗi dữ liệu đo đếm phụ tải bị mất mát hoặc ngoại lai với độ tin cậy thống kê cao?
2. RQ2: Cấu trúc hình thái phụ tải có thể được chuẩn hóa như thế nào để triệt tiêu độ lệch quy mô công suất giữa các năm và xử lý biến động chu kỳ lệch pha giữa lịch Âm và lịch Dương?
3. RQ3: Mô hình lai ghép nào tối ưu hóa được độ chính xác dự báo STLF 24/48 chu kỳ trong ngày cho thị trường điện cạnh tranh Việt Nam?
4. RQ4: Sai số dự báo sản lượng hợp đồng ($Q_c$) tương tác như thế nào với biến động giá thị trường SMP và hiệu quả tài chính của đơn vị phân phối?

Các giả thuyết nghiên cứu được thiết lập:

• H1: Mối quan hệ ràng buộc phi tuyến giữa công suất cực đại ($P_{max}$), nhiệt độ môi trường ($t^\circ$), và tổng điện năng tiêu thụ ($A_{\text{tổng}}$) qua thuật toán Support Vector Regression (SVR) cho phép phục hồi dữ liệu thiếu với sai số MAPE dưới 2.5%.
• H2: Việc tích hợp Biểu đồ phụ tải chuẩn hóa đơn vị (Standardized Load Profile - SLP) làm không gian đặc trưng đầu vào cho SVR sẽ giải quyết triệt để hiện tượng sai số tăng vọt trong giai đoạn Tết Nguyên Đán, giảm thiểu căn bản độ lệch dự báo so với các mô hình SARIMA, Feedforward Neural Network (FNN) và Random Forest (RF).
• H3: Tối ưu hóa dự báo phụ tải ngắn hạn gắn liền với cơ chế thanh toán hợp đồng CfD và giá SMP sẽ giảm thiểu rủi ro tài chính cho các Tổng công ty Điện lực theo quy định của Cục Điều tiết Điện lực (ERAV).

Khung lý thuyết của công trình tích hợp Lý thuyết Học Thống kê (Statistical Learning Theory) của Vapnik, phương pháp luận chuỗi thời gian Box-Jenkins, và Lý thuyết Kinh tế học Năng lượng thị trường bán buôn điện (VWEM). Luận án được thực nghiệm trên tập dữ liệu chuỗi thời gian 24 chu kỳ/ngày liên tục từ năm 2014 đến 2018 (hơn 43.800 điểm đo đếm mỗi chuỗi đơn vị) tại Tổng công ty Điện lực TP. Hồ Chí Minh (EVNHCMC) và kiểm chứng độc lập trên 05 Tổng công ty Điện lực thuộc Tập đoàn Điện lực Việt Nam (EVN).

Literature Review và Positioning

Lịch sử phát triển của các phương pháp dự báo phụ tải điện ghi nhận sự chuyển dịch từ các mô hình thống kê tiền định sang các hệ thống học máy tự thích nghi. Nhóm phương pháp thống kê cổ điển bắt đầu từ san bằng số mũ (Exponential Smoothing) của Holt (1957) và Winters (1960). Tuy nhiên, Barakat et al. (1990) đã chứng minh rằng phương pháp Winter bộc lộ khiếm khuyết nghiêm trọng khi áp dụng cho các hệ thống phụ tải tăng trưởng nóng do không thể phân tách đồng thời tính dừng, xu hướng phi tuyến và tính mùa đa tầng. Nhằm khắc phục điều này, El-Keib et al. (1992) đề xuất mô hình lai ghép kết hợp làm mịn hàm mũ với phân tích phổ điện và tự điều chỉnh tự hồi quy. Dòng nghiên cứu chuỗi thời gian đạt đỉnh cao với phương pháp luận Box-Jenkins (Box & Jenkins, 1970) thông qua các mô hình tự hồi quy tích hợp trung bình trượt (ARIMA) và ARIMA có tính mùa (SARIMA) [Box et al., 1994; Makridakis et al., 1997]. Bản chất của SARIMA là triệt tiêu tính không dừng qua sai phân bậc $d$ ($I(d)$) và sai phân mùa bậc $D$ ($I(D)_s$) theo triết lý "hãy để dữ liệu tự nói". Song, hạn chế cố hữu của SARIMA là tính tuyến tính nghiêm ngặt, dẫn đến sự suy giảm độ chính xác khi đối mặt với các đột biến thời tiết cực đoan hoặc sự chuyển dịch hành vi tiêu dùng đột ngột.

Sự bùng nổ của trí tuệ nhân tạo (AI) đã mở ra kỷ nguyên dự báo phi tuyến. Các mạng nơ-ron nhân tạo (ANN), đặc biệt là Mạng truyền thẳng nhiều lớp huấn luyện bằng thuật toán lan truyền ngược (Rumelhart et al., 1986; Hippert et al., 2001), đã chứng minh khả năng xấp xỉ vạn năng các hàm phi tuyến phức tạp. Tiếp đó, Liu (1997) ứng dụng Hệ thống mờ (Fuzzy Logic) kết hợp giải mờ centroid để lập mô hình phụ tải thích nghi trực tuyến. Srinivasan et al. (2008) phát triển các giải thuật di truyền (Genetic Algorithms - GA) nhằm tối ưu hóa trọng số và kiến trúc mạng nơ-ron trong dự báo một ngày tới. Gần đây hơn, Breiman (2001) giới thiệu Rừng ngẫu nhiên (Random Forest - RF) dựa trên kỹ thuật lấy mẫu tái lặp (Bagging) và không gian thuộc tính ngẫu nhiên, giúp kiểm soát hiện tượng quá khớp (overfitting) vượt trội so với cây quyết định CART truyền thống.

Tranh luận học thuật quốc tế tập trung vào hai quan điểm đối lập: (1) Nhóm ủng hộ mô hình thống kê thuần túy cho rằng các mô hình học máy là "hộp đen" thiếu tính vững chắc và dễ sai số nghiêm trọng khi ngoại suy; (2) Nhóm ủng hộ học máy khẳng định mô hình tuyến tính không thể nắm bắt được hành vi phụ tải hiện đại khi tỷ trọng năng lượng tái tạo và thiết bị điện tử gia tăng. Luận án định vị chính xác tại điểm giao thoa này: thay vì áp dụng thuần túy một thuật toán AI lên dữ liệu thô, luận án xây dựng một cấu trúc trung gian có tính quy luật vật lý - Biểu đồ phụ tải chuẩn hóa đơn vị (SLP), sau đó đưa vào không gian hồi quy vector hỗ trợ SVR.

Khi so sánh với các nghiên cứu quốc tế như mô hình dự báo thị trường PJM (Mỹ) của Amjady (2007) hay hệ thống dự báo phụ tải Nord Pool của Weron (2006), nghiên cứu của Nguyễn Tuấn Dũng thể hiện tính đột phá nhờ việc giải mã thành công hiện tượng nhiễu động phụ tải kép (Dual-calendar perturbation) đặc thù của các nền kinh tế Á Đông – một bài toán mà các mô hình phương Tây hoàn toàn bỏ qua.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng Lý thuyết Học Thống kê (Statistical Learning Theory) của Vladimir Vapnik (1995) trong lĩnh vực kỹ thuật hệ thống điện thông qua việc chứng minh rằng việc biến đổi không gian dữ liệu bằng biểu đồ hình thái chuẩn hóa trước khi ánh xạ kernel sẽ làm giảm đáng kể biên bao phủ sai số của ống $\varepsilon$-insensitive. Cụ thể, thay vì tìm kiếm siêu phẳng hồi quy trên không gian đo lường công suất biến thiên tuyệt đối ($P \in \mathbb{R}$), hàm hồi quy SVR được thiết lập trên không gian tỷ lệ tương đối ($SLP \in [0, 1]$), giúp các vector hỗ trợ (Support Vectors) phản ánh chính xác bản chất hành vi phụ tải thay vì bị chi phối bởi độ lớn quy mô tăng trưởng qua các năm.

Mô hình toán học của hàm hồi quy SVR được luận án chuẩn hóa như sau: Hàm cần tìm có dạng: $$y = f(\mathbf{x}) = \mathbf{w}^T \phi(\mathbf{x}) + b$$

Trong đó $\mathbf{w} \in \mathbb{R}^m$ là vector trọng số, $b \in \mathbb{R}$ là sai số dịch chuyển, $\phi(\mathbf{x})$ đại diện cho ánh xạ phi tuyến từ không gian đầu vào sang không gian đặc trưng nhiều chiều. Thay vì tối thiểu hóa hàm lỗi bình phương trung bình cổ điển dễ bị nhiễu bởi các giá trị ngoại lai, bài toán tối ưu hóa của luận án áp dụng hàm lỗi $\varepsilon$-insensitive kết hợp biến lỏng (slack variables) $\xi_n, \hat{\xi}_n$:

$$\min_{\mathbf{w}, b, \boldsymbol{\xi}, \hat{\boldsymbol{\xi}}} \frac{1}{2} |\mathbf{w}|^2 + C \sum_{n=1}^{N} (\xi_n + \hat{\xi}_n)$$

Thỏa mãn các điều kiện ràng buộc ngặt nghèo: $$\begin{cases} t_n - \mathbf{w}^T \phi(\mathbf{x}_n) - b \le \varepsilon + \xi_n \ \mathbf{w}^T \phi(\mathbf{x}_n) + b - t_n \le \varepsilon + \hat{\xi}_n \ \xi_n \ge 0, \quad \hat{\xi}_n \ge 0 \quad (\forall n = 1, \dots, N) \end{cases}$$

Sử dụng phương pháp nhân tử Lagrange và thỏa mãn điều kiện tối ưu Karush-Kuhn-Tucker (KKT), bài toán đối ngẫu được xây dựng:

$$\max_{\mathbf{a}, \hat{\mathbf{a}}} -\frac{1}{2} \sum_{n=1}^{N} \sum_{m=1}^{N} (a_n - \hat{a}_n)(a_m - \hat{a}_m) k(\mathbf{x}_n, \mathbf{x}m) - \varepsilon \sum{n=1}^{N} (a_n + \hat{a}n) + \sum{n=1}^{N} (a_n - \hat{a}_n) t_n$$

với ràng buộc: $0 \le a_n, \hat{a}n \le C$ và $\sum{n=1}^{N} (a_n - \hat{a}_n) = 0$. Luận án sử dụng hàm nhân Gaussian (Radial Basis Function - RBF) thỏa mãn định lý Mercer: $$k(\mathbf{x}_i, \mathbf{x}_j) = \exp(-\gamma |\mathbf{x}_i - \mathbf{x}_j|^2)$$

Hàm dự báo hồi quy tối ưu cuối cùng đạt được giải pháp thưa (sparse solution): $$y(\mathbf{x}) = \sum_{n=1}^{N} (a_n - \hat{a}_n) k(\mathbf{x}, \mathbf{x}_n) + b$$

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên hoàn 3 lý thuyết nền tảng: Lý thuyết quá trình dừng trong phân tích chuỗi thời gian, Lý thuyết học thống kê tối thiểu hóa rủi ro cấu trúc, và Lý thuyết kinh tế vi mô trong thị trường điện giao ngay. Khái niệm then chốt được luận án sáng tạo và định nghĩa chuẩn xác: "Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) được xây dựng bằng cách lấy giá trị công suất thu thập theo chu kỳ 60 phút chia cho công suất cực đại của nó."

$$SLP_h = \frac{P_h}{P_{max_day}} \quad (h = 1, 2, \dots, 24)$$

+-------------------------------------------------------------------------+
|                  KHUNG PHÂN TÍCH LAI GHÉP SLP - SVR                     |
+-------------------------------------------------------------------------+
|  [Dữ liệu phụ tải thô 24 chu kỳ] + [Dữ liệu nhiệt độ t°] + [Biến lịch]   |
+-------------------------------------------------------------------------+
                                     │
                                     ▼
+-------------------------------------------------------------------------+
| GIAI ĐOẠN 1: TIỀN XỬ LÝ VÀ KHÔI PHỤC DỮ LIỆU THIẾU TỰ ĐỘNG               |
| • Lọc ngoại lai, nhận diện chu kỳ lỗi đứt đoạn (giá trị 0, nhảy vọt)   |
| • Mô hình hồi quy SVR liên kết ràng buộc: (Pmax, Atổng, t°)             |
+-------------------------------------------------------------------------+
                                     │
                                     ▼
+-------------------------------------------------------------------------+
| GIAI ĐOẠN 2: CHUẨN HÓA VÀ XÂY DỰNG KHÔNG GIAN ĐẶC TRƯNG SLP             |
| • Phân cụm loại ngày: Ngày làm việc, Thứ 2, Thứ 7, Chủ Nhật, Ngày Lễ   |
| • Khử tương quan quy mô công suất: SLP_h = P_h / P_max                  |
| • Ánh xạ hình thái chu kỳ lịch Âm (Tết Nguyên Đán tháng 01-02)          |
+-------------------------------------------------------------------------+
                                     │
                                     ▼
+-------------------------------------------------------------------------+
| GIAI ĐOẠN 3: HỒI QUY PHI TUYẾN SVR & TỐI ƯU HÓA SIÊU THAM SỐ (C, ε, γ)   |
| • Tối ưu hóa điều kiện biên Lagrange & KKT                              |
| • Đối chuẩn sai số với SARIMA, Feedforward NN (FNN), Random Forest (RF) |
+-------------------------------------------------------------------------+
                                     │
                                     ▼
+-------------------------------------------------------------------------+
| GIAI ĐOẠN 4: ỨNG DỤNG VẬN HÀNH THỊ TRƯỜNG ĐIỆN BÁN BUÔN (VWEM)         |
| • Lập lịch biểu đồ phụ tải 24/48 chu kỳ gửi Trung tâm Điều độ (A0)     |
| • Tối ưu hóa chào giá sản lượng hợp đồng Qc theo biến động giá SMP/CfD  |
+-------------------------------------------------------------------------+

Điều kiện biên (Boundary conditions) của khung phân tích được xác định rõ: (1) Áp dụng cho hệ thống điện có cơ cấu phụ tải công nghiệp - dịch vụ - sinh hoạt hỗn hợp; (2) Dữ liệu nhiệt độ dự báo có sai số tin cậy trong phạm vi 05 đến 07 ngày; (3) Khung giá thị trường vận hành theo mô hình thị trường điện bán buôn cạnh tranh Việt Nam (VWEM).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được xây dựng trên nền tảng triết học Thực chứng (Positivism) kết hợp Hiện thực Phê phán (Critical Realism). Thiết kế nghiên cứu mang tính định lượng chặt chẽ (Rigorous quantitative experimental design), kết hợp giữa khai phá dữ liệu lớn (Big Data Analytics) trong kỹ thuật điện và mô phỏng thị trường kinh tế lượng. Thiết kế phân tích đa cấp độ (Multi-level design) bao gồm:

• Cấp độ chu kỳ siêu ngắn: 24 chu kỳ/ngày (độ phân giải 60 phút) và 48 chu kỳ/ngày (độ phân giải 30 phút).
• Cấp độ ngày - tuần: Phân loại 5 hình thái phụ tải điển hình (Thứ 2 đầu tuần; Thứ 3 đến Thứ 6; Thứ 7; Chủ nhật; Ngày lễ và Tết Nguyên Đán).
• Cấp độ vùng / Đơn vị thành viên: Kiểm chứng chéo trên 05 Tổng công ty Điện lực đại diện cho các vùng khí hậu và đặc tính kinh tế - xã hội khác biệt hoàn toàn (EVNHCMC, EVNHANOI, EVNNPC, EVNCPC, EVNSPC).

Quy trình nghiên cứu rigorous

Quy trình thu thập và tinh chế dữ liệu tuân thủ các giao thức kiểm soát chất lượng nghiêm ngặt:

1. Thu thập dữ liệu: Trích xuất tự động từ hệ thống SCADA/DMS, hệ thống đo ghi chỉ số từ xa (AMR/AMI) của EVNHCMC và cơ sở dữ liệu vận hành VWEM từ Trung tâm Điều độ Hệ thống điện Quốc gia (A0).
2. Xử lý thiếu khuyết: Phân loại lỗi thành hai nhóm: lỗi mất mát dữ liệu liên tục ($\le 7$ ngày và $> 7$ ngày) và lỗi ngoại lai cục bộ theo chu kỳ giờ. Thay vì sử dụng phương pháp gán nhãn trung bình 4 tuần lịch sử vốn tạo ra sai số dây chuyền khi vùng dữ liệu tham chiếu bị khuyết, luận án thiết lập mô hình SVR đa biến dựa trên vector công suất ($P_{max}$) và nhiệt độ ($t^\circ$).
3. Kiểm tra độ tin cậy và độ giá trị: Độ giá trị cấu trúc (construct validity) được xác nhận qua tính tương thích của đường cong phụ tải tái tạo so với các sự kiện vận hành thực tế; độ tin cậy được kiểm chứng qua chỉ số sai số phần trăm tuyệt đối trung bình (Mean Absolute Percentage Error - MAPE) và căn bậc hai sai số trung bình bình phương (RMSE).

$$\text{MAPE} = \frac{1}{N} \sum_{i=1}^{N} \left| \frac{Y_i - \hat{Y}_i}{Y_i} \right| \times 100%$$

$$\text{RMSE} = \sqrt{\frac{1}{N} \sum_{i=1}^{N} (Y_i - \hat{Y}_i)^2}$$

Data và phân tích

Toàn bộ các module thuật toán xử lý dữ liệu, chuẩn hóa SLP, và huấn luyện hồi quy được lập trình độc lập bởi tác giả trên nền tảng phần mềm MATLAB (phiên bản R2017).

Bộ thông số tối ưu của các mô hình thực nghiệm được cấu hình chi tiết:

• Mô hình SVR 1: $C = 93.03$, $\varepsilon = 0.01$, Hàm nhân Linear.
• Mô hình SVR 4 (Gaussian RBF): $C = 100$, $\varepsilon = 0.01$, $\text{KernelScale} = 6.10$.
• Mô hình Random Forest (RF): Tập hợp $B = 20$ cây hồi quy, kích thước lá tối thiểu ($\text{MinLeafSize}$) thiết lập bằng 20 nhằm triệt tiêu hiện tượng quá khớp trên mẫu dữ liệu phụ tải biên.
• Mô hình Mạng Nơ-ron (FNN): Kiến trúc truyền thẳng 01 lớp ẩn gồm 10 nơ-ron với hàm kích hoạt phi tuyến Sigmoid; đồng thời đối chuẩn với mạng nơ-ron sâu 03 lớp ẩn (cấu hình kích thước $10 - 8 - 5$).

Phát hiện đột phá và implications

Những phát hiện then chốt

1. Khôi phục dữ liệu thiếu vượt trội so với phương pháp cổ điển: Phương pháp tính trung bình 4 tuần lịch sử truyền thống sụp đổ khi xuất hiện chuỗi ngày khuyết kéo dài (ví dụ dữ liệu thay thế các ngày 05–07/03/2015 chỉ đạt mức sản lượng giả lập $31.35 - 32.24 \text{ triệu kWh}$, sai lệch nghiêm trọng so với thực tế). Ngược lại, mô hình đề xuất SVR khôi phục chính xác mức phụ tải thực tế đạt $55.54 - 58.92 \text{ triệu kWh}$, duy trì sai số toàn chuỗi $\text{MAPE} < 2.2%$.

2. Giải mã triệt để bài toán phụ tải Tết Nguyên Đán: Hình thái phụ tải tháng 01 và 02 có độ sụt giảm sâu và lệch pha nghiêm trọng giữa các năm dương lịch. Mô hình kết hợp SLP-SVR đã tái tạo chính xác quỹ đạo phụ tải tuần lễ Tết Nguyên Đán tại EVNHCMC với sai số MAPE giảm hơn 45% so với mô hình mạng nơ-ron và SARIMA tiêu chuẩn.
3. Phát hiện phản trực giác về tác động của biến nhiệt độ: Nghiên cứu chỉ ra rằng nhiệt độ môi trường không phải lúc nào cũng cải thiện độ chính xác dự báo. Dự báo nhiệt độ khí tượng tại Việt Nam chỉ có độ tin cậy cao trong 5-7 ngày; việc đưa biến nhiệt độ dự báo dài hơn 7 ngày vào mô hình STLF làm tăng phương sai sai số do hiện tượng lan truyền sai số đầu vào (input error propagation).
4. Tính ổn định của cấu trúc hình thái SLP: Mặc dù quy mô công suất cực đại ($P_{max}$) của TP. Hồ Chí Minh tăng trưởng liên tục qua các năm, hình dạng đường cong SLP của từng loại ngày riêng biệt (Thứ 3 đến Thứ 6) giữ nguyên độ tương quan đồng dạng hình học đạt trên $r = 0.98$, khẳng định tính đúng đắn của việc tách biến quy mô ra khỏi biến hình thái.

Implications đa chiều

• Về mặt lý thuyết: Thiết lập mô hình giải tích mới kết hợp giữa chuẩn hóa hình thái học hệ thống điện và lý thuyết tối thiểu hóa rủi ro cấu trúc, đóng góp một hướng tiếp cận mở cho bài toán chuỗi thời gian phi tuyến có chu kỳ kép.
• Về mặt phương pháp luận: Cung cấp bộ công cụ tự động hóa khép kín từ xử lý dữ liệu thiếu, xây dựng vector SLP đến tối ưu siêu tham số SVR trên MATLAB, có khả năng chuyển giao trực tiếp cho các bài toán phân tích chuỗi thời gian năng lượng tái tạo (điện mặt trời, điện gió).
• Về mặt thực tiễn và chính sách: Cung cấp giải pháp kỹ thuật đáp ứng trực tiếp quy định của Cục Điều tiết Điện lực (Bộ Công Thương) theo Thông tư vận hành thị trường điện bán buôn. Giúp các Tổng công ty Điện lực lập bảng chào sản lượng hợp đồng $Q_c$ tháng $N+1$ (24 chu kỳ trước ngày 20 của tháng $N$) chính xác, tối ưu hóa chi phí mua điện trước các biến động khó lường của giá thị trường giao ngay SMP.

Limitations và Future Research

Luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

1. Phụ thuộc vào độ chính xác của dự báo khí tượng: Mô hình chịu ảnh hưởng khi xảy ra các hiện tượng thời tiết dị thường (dông bão cục bộ, sóng nhiệt cực đoan) do nguồn dữ liệu thời tiết đầu vào bị hạn chế về độ phân giải không gian.
2. Ranh giới thích ứng thị trường: Phân tích tài chính của luận án tập trung vào thị trường bán buôn VWEM với cơ chế giá SMP và hợp đồng CfD; chưa bao quát toàn diện kịch bản thị trường bán lẻ điện cạnh tranh (VREM) khi khách hàng sử dụng điện cuối cùng được quyền trực tiếp chọn đơn vị bán lẻ.
3. Quy mô mẫu thử nghiệm thời gian thực: Thuật toán được lập trình trên MATLAB R2017 ở môi trường bán trực tuyến (semi-online), cần được tối ưu hóa mã nguồn để tích hợp trực tiếp vào hệ thống điều hành thời gian thực (Real-time Energy Management System - EMS).

Chương trình nghiên cứu tương lai cần tập trung vào các hướng:

• Tích hợp năng lượng phân tán: Bổ sung mô hình SLP thích ứng cho các khu vực có mật độ điện mặt trời mái nhà (Rooftop Solar PV) cao, nơi đồ thị phụ tải xuất hiện "đường cong con vịt" (Duck Curve).
• Mở rộng thuật toán Deep Learning: Thử nghiệm các kiến trúc học sâu tiên tiến như Temporal Convolutional Networks (TCN) hoặc Transformer kết hợp cơ chế Attention nhằm tự động trích xuất đặc trưng chu kỳ lịch Âm mà không cần bước phân cụm thủ công.
• Đồng tối ưu hóa Giá - Phụ tải (Price-Load Co-optimization): Phát triển mô hình dự báo đồng thời phụ tải hệ thống và giá SMP theo thời gian thực dưới tác động của cơ chế điều chỉnh phụ tải (Demand Response - DR).

Tác động và ảnh hưởng

Công trình nghiên cứu mang lại những giá trị tác động sâu rộng:

• Ảnh hưởng học thuật: Luận án đã công bố 09 công trình khoa học uy tín, bao gồm 05 bài báo tại các hội nghị quốc tế thuộc danh mục IEEE (GTSD 2018, ICSSE 2019, STS 2020), 02 bài báo trên các tạp chí quốc tế chuyên ngành (ETASR, ASTESJ) và 02 bài báo trên các tạp chí khoa học trong nước được Hội đồng Giáo sư Nhà nước tính điểm cao. Kết quả này tạo tiền đề trích dẫn quan trọng cho các nghiên cứu về thị trường điện tại các nước đang phát triển.
• Chuyển đổi vận hành ngành điện: Ứng dụng trực tiếp tại Tổng công ty Điện lực TP. Hồ Chí Minh (EVNHCMC) đã giúp tối ưu hóa biểu đồ phụ tải 24/48 chu kỳ, nâng cao hiệu quả điều hành hệ thống phân phối. Việc kiểm chứng thành công trên 05 Tổng công ty Điện lực (EVNHANOI, EVNNPC, EVNCPC, EVNSPC, EVNHCMC) khẳng định tính phổ quát và khả năng triển khai diện rộng trên toàn bộ lưới điện quốc gia.
• Tác động kinh tế - xã hội: Giảm thiểu sai số dự báo phụ tải ngắn hạn giúp giảm chi phí huy động các nguồn điện chạy dầu giá cao trong giờ cao điểm, giảm lãng phí điện năng, đồng thời hỗ trợ ổn định giá điện bán lẻ cho nền kinh tế.

Đối tượng hưởng lợi

• Nghiên cứu sinh và Giới học thuật: Tiếp cận một phương pháp luận giải quyết xung đột lịch Âm - Dương trong chuỗi thời gian năng lượng; cung cấp khung tham chiếu hoàn chỉnh về việc kết hợp chuẩn hóa hình thái SLP và máy học vector hỗ trợ SVR.
• Kỹ sư vận hành hệ thống điện và Thị trường điện: Sở hữu thuật toán tự động khôi phục dữ liệu đo đếm bị mất mát, giải phóng nhân lực khỏi các công đoạn hiệu chỉnh thủ công dễ sai sót; công cụ dự báo STLF độ chính xác cao phục vụ lập phương thức vận hành ngày tới/tuần tới.
• Ban điều hành các Tổng công ty Điện lực: Nắm bắt công cụ định lượng để xây dựng chiến lược chào sản lượng hợp đồng $Q_c$, giảm thiểu rủi ro chênh lệch giá thị trường SMP và tối đa hóa lợi nhuận trong môi trường thị trường điện cạnh tranh.
• Cơ quan quản lý nhà nước (ERAV - Bộ Công Thương): Có thêm căn cứ khoa học thực chứng để hoàn thiện các quy định kỹ thuật, quy trình giám sát thị trường điện bán buôn và định hình lộ trình phát triển thị trường điện bán lẻ Việt Nam.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Trả lời: Đóng góp lý thuyết độc đáo nhất là việc phát triển cấu trúc không gian đặc trưng dựa trên Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) kết hợp hàm lỗi $\varepsilon$-insensitive trong Lý thuyết Học Thống kê của Vapnik. Luận án đã chứng minh toán học và thực nghiệm rằng việc triệt tiêu quy mô công suất tuyệt đối để chuyển về hàm tỷ lệ hình thái tương đối ($SLP \in [0, 1]$) giúp tối ưu hóa không gian phân bố của các Support Vectors, loại bỏ độ lệch chu kỳ giữa lịch Âm và lịch Dương trong các tháng đặc biệt (Tết Nguyên Đán).

2. Đột phá phương pháp luận của luận án khi so sánh với ít nhất hai nghiên cứu quốc tế tiền nhiệm?
Trả lời: So với nghiên cứu của Barakat et al. (1990) vốn thất bại khi dùng san bằng số mũ Winter cho phụ tải tăng trưởng nhanh, và nghiên cứu của Hippert et al. (2001) về mạng nơ-ron truyền thẳng dễ mắc kẹt tại điểm cực tiểu cục bộ và nhạy cảm với dữ liệu thiếu, luận án tạo ra bước đột phá kép: (1) Tự động hóa khôi phục dữ liệu chuỗi thời gian đa biến ($P_{max}, A_{\text{tổng}}, t^\circ$) bằng SVR đạt sai số MAPE < 2.2%; (2) Không gian hồi quy SLP-SVR duy trì tính tối ưu toàn cục nhờ quy hoạch lồi KKT, vượt trội hoàn toàn về khả năng thích ứng hình thái phụ tải phức tạp.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?
Trả lời: Phát hiện bất ngờ nhất là việc bổ sung dữ liệu dự báo nhiệt độ thời tiết vào mô hình STLF vượt quá chân trời 5–7 ngày không làm tăng mà ngược lại làm giảm độ chính xác dự báo phụ tải. Dữ liệu thực nghiệm tại EVNHCMC chứng minh sai số dự báo thời tiết tích lũy tạo ra hiện tượng khuếch đại nhiễu, trong khi hình thái SLP nội tại của hệ thống điện lại thể hiện tính bảo toàn hình học cực kỳ vững chắc ($r > 0.98$).

4. Giao thức tái lập nghiên cứu (Replication protocol) có được cung cấp đầy đủ không?
Trả lời: Toàn bộ giao thức nghiên cứu được xác lập chi tiết: thuật toán khôi phục dữ liệu, quy chuẩn tính toán SLP 24 chu kỳ, bộ siêu tham số của SVR ($C=100, \varepsilon=0.01, \text{KernelScale}=6.10$), cấu hình Random Forest ($N_{tree}=20, \text{MinLeafSize}=20$) và các đoạn mã nguồn phát triển trên nền tảng MATLAB R2017 được mô tả minh bạch, bảo đảm khả năng tái lập hoàn toàn trên các tập dữ liệu phụ tải khác.

5. Chương trình nghị sự nghiên cứu 10 năm tới được phác thảo ra sao?
Trả lời: Luận án định hình lộ trình nghiên cứu dài hạn: (1) Mở rộng mô hình thích ứng với biến động phụ tải hai chiều do tích hợp năng lượng tái tạo phân tán và trạm sạc xe điện (EV); (2) Tích hợp học sâu Transformer và TCN đa biến xử lý dữ liệu lớn thời gian thực; (3) Tối ưu hóa chiến lược chào giá thị trường điện bán lẻ cạnh tranh (VREM) đa mục tiêu gắn liền với phản ứng phụ tải linh hoạt (Demand Response).

Kết luận

Công trình luận án tiến sĩ kỹ thuật của tác giả Nguyễn Tuấn Dũng đã hoàn thành trọn vẹn và xuất sắc các mục tiêu nghiên cứu đặt ra, tạo nên những đóng góp then chốt sau:

1. Xây dựng thành công công cụ tự động hóa ước lượng và phục hồi dữ liệu đo đếm phụ tải bị lỗi, giải quyết triệt để rào cản xử lý dữ liệu thủ công truyền thống, đạt độ chính xác cao với chỉ số sai số $\text{MAPE} < 2.2%$.
2. Đề xuất và chuẩn hóa thành công giải thuật lai ghép Biểu đồ phụ tải chuẩn hóa đơn vị (SLP) kết hợp Support Vector Regression (SVR), mở ra bước tiến mới trong kỹ thuật dự báo phụ tải ngắn hạn STLF.
3. Giải quyết căn bản bài toán sai số phụ tải trong các thời điểm phức tạp nhất của năm – giai đoạn xung đột chu kỳ lịch Âm và lịch Dương vào tháng 01 và tháng 02 (Tết Dương lịch và Tết Nguyên Đán) – vấn đề mà các phần mềm thương mại quốc tế không thể xử lý.
4. Kiểm chứng thực nghiệm đa diện và toàn diện trên hệ thống dữ liệu chuỗi thời gian của Tổng công ty Điện lực TP. Hồ Chí Minh và mở rộng độc lập trên 05 Tổng công ty Điện lực thuộc EVN, khẳng định tính vững chắc và khả năng ứng dụng thực tiễn của mô hình.
5. Thiết lập mô hình phân tích định lượng tương tác tài chính giữa dự báo sản lượng hợp đồng $Q_c$, giá thị trường giao ngay SMP và hợp đồng sai lệch CfD, cung cấp công cụ điều hành chiến lược cho các đơn vị phân phối điện trong Thị trường điện Bán buôn Cạnh tranh Việt Nam (VWEM).
6. Mở ra các hướng nghiên cứu học thuật liên ngành mới, kết nối giữa kỹ thuật hệ thống điện, khoa học dữ liệu học máy và kinh tế học thị trường năng lượng, đóng góp thiết thực vào sự nghiệp hiện đại hóa và phát triển bền vững của ngành điện lực quốc gia.