Luận án kỹ thuật dự báo điện năng trong vận hành thị trường điện Việt Nam

1 CHƯƠNG I: TỔNG QUAN 1. Tổng quan về vấn đề nghiên cứu Vấn đề dự báo điện năng đóng một vai trò hết sức quan trọng và có tính quyết định đối với nền kinh tế và đời sống của chúng ta. Đây là một môn khoa học quan trọng nhằm nghiên cứu các phương pháp luận khoa học để đưa ra các con số chính xác nhất sẽ xảy ra trong tương lai, giúp cho chúng ta định hướng được phương hướng và kế hoạch cho tương lai, chủ động trong công việc và xử lí được những biến cố. Nếu như không thực hiện công tác dự báo điện năng, ta sẽ gặp phải hai trường hợp có thể xảy ra, đó là: sẽ thiếu hụt điện năng sử dụng hay dư thừa điện năng sản xuất.

Trong những năm qua, dự báo tiêu thụ điện năng thu hút một sự quan tâm lớn từ các Công ty điện lực và các nhà nghiên cứu từ các khu vực khác nhau. Đối với các Công ty điện lực đây là một vấn đề lớn bởi vì họ cần phải ước lượng điện cần thiết để đáp ứng khách hàng của họ. Đối với họ, đây không phải là một nhiệm vụ dễ dàng bởi vì nhu cầu điện ngày càng tăng trong những năm qua và cũng vì mô hình tiêu thụ điện ngày càng khác nhau với nhiều yếu tố bao gồm cả thời gian. Vì vậy, một trong những mục tiêu của Công ty điện lực là dự báo phải bám sát với thực tế để ngăn ngừa sự thiếu hụt hoặc lãng phí điện năng.

Việc tìm kiếm các phương pháp dự báo tốt nhất không phải là một nhiệm vụ dễ dàng vì có nhiều biến như: nhiệt độ, độ ẩm, gió, nhân khẩu học, số lượng trung bình của các thiết bị điện trong nước, mùa trong năm, ngày trong tuần, ngày lễ đã được đưa vào xem xét. Ngoài ra, việc xây dựng các nhà máy và hệ thống điện luôn cần có thời gian. Do vậy, muốn đáp ứng được yêu cầu sử dụng điện, ngành điện phải làm tốt công tác dự báo để lập kế hoạch triển khai. Chính sự phát triển nhanh của nhu cầu sử dụng điện đang gây ra mất cân đối về tài chính để đảm bảo sự phát triển bền vững của ngành Điện.

Giá điện mua cạnh tranh sẽ là công cụ của thị 2 trường để tạo ra sự cân bằng tự nhiên nhu cầu sử dụng điện, lợi nhuận của các ngành sản xuất và các đơn vị cung cấp điện [1]. Hiện nay, do sự phát triển nhanh về khoa học kĩ thuật, đặc biệt là những công cụ tính toán, nhiều phương pháp dự báo đã, đang và sẽ được nghiên cứu để đưa vào sử dụng. Các mô hình dự báo có nhiều loại [10] dựa trên các phương pháp thống kê như: Phương pháp bình quân di động, Phương pháp bình quân di động có trọng số, Phương pháp san bằng số mũ, Phương pháp san bằng số mũ có điều chỉnh xu hướng, Phương pháp dự báo theo đường khuynh hướng, Phương pháp đường thẳng thống kê; Phương pháp đường thẳng thông thường; Phương pháp theo khuynh hướng có xét đến biến động thời vụ; Phương pháp đường Parabol thống kê; Phương pháp đường Logarit; Phương pháp đa hồi qui (Multiple regression method); Các mô hình đã được ứng dụng để dự báo trên thế giới ứng dụng công nghệ mạng neuron như mô hình Rừng ngẫu nhiên (Random Forest Regression): RF là một bộ các cây phân loại và hồi qui (CART), được đưa ra bởi Breiman (2001) [63]. Trong RF, mẫu huấn luyện được đặt cho một nhà phân loại cơ bản được xây dựng bằng cách sử dụng thuật toán Bagging [64].

Khi xây dựng một cơ sở phân loại, các nút bên trong được kết hợp với một tập hợp thuộc tính ứng cử viên ngẫu nhiên. Trong bộ cây phân loại và hồi quy CART truyền thống, mỗi nút bên trong là tập con của tập dữ liệu ban đầu và nút gốc chứa tất cả dữ liệu ban đầu. Các rừng ngẫu nhiên để hồi quy được hình thành bằng cách hình thành cây dựa vào một vector ngẫu nhiên sao cho cây tiên đoán có các giá trị số cao hơn so với các nhãn lớp. Tập huấn luyện được rút ra một cách độc lập từ sự phân bố của vector ngẫu nhiên, các dự đoán rừng ngẫu nhiên được hình thành bằng cách lấy trung bình trên k của cây.

Giải thuật rừng ngẫu nhiên sinh ra mô hình có độ chính xác cao đáp ứng được yêu cầu thực tiễn cho vấn đề phân loại, hồi qui [65] – [70]. Phương pháp dự báo từ các mô hình chuỗi thời gian (mô hình BOX- JENKINS) để đưa ra các dự báo ngắn hạn và trung hạn. Các mô hình kinh tế lượng chủ yếu dựa trên một động thái rõ nét của các đối tượng có liên quan đến hệ thống 3 kinh tế. Tuy nhiên một họ các mô hình thay thế khác được sử dụng rộng rãi, đặc biệt trong dự báo ngắn hạn, được gọi là các mô hình chuỗi thời gian.

Chủ yếu, các mô hình này nối kết một biến phụ thuộc với các giá trị của nó trong quá khứ và với các sai số ngẫu nhiên mà có thể có tương quan theo chuỗi. Một các tổng quát, các mô hình chuỗi thời gian không dựa trên bất kỳ một động thái kinh tế rõ nét nào. Cách đây 30 năm, các mô hình chuỗi thời gian được sử dụng phổ biến nhất trong kỹ thuật và các khoa học vật lý. Tuy nhiên, trong khoảng 2 thập kỷ gần đây, các phương pháp chuỗi thời gian đã được sử dụng rất rộng rãi trong kinh tế học đặc biệt là trong dự báo ngắn hạn, trong đó các mô hình chuỗi thời gian đã chứng tỏ là thích hợp hơn so với các mô hình kinh tế lượng.

Một phương pháp rất phổ biến trong việc lập mô hình chuỗi thời gian là phương pháp trung bình trượt kết hợp tự hồi quy (autoregressive integrated moving average - ARIMA), thường được gọi là phương pháp luận Box-Jenkins. Trọng tâm của các phương pháp dự báo mới này không phải là xây dựng các mô hình đơn phương trình hay phương trình đồng thời mà là phân tích các tính chất xác suất hay ngẫu nhiên của bản thân các chuỗi thời gian kinh tế theo triết lý “hãy để dữ liệu tự nói”. Tác giả nghiên cứu mô hình thống kê Box-Jenkin (SARIMA), nghiên cứu các mô hình học máy tiên tiến như: Neural Network, Support Vector Regression, Random Forest,… để xây dựng mô hình dự báo (dự báo ngắn hạn, trung hạn) theo yêu cầu của Cục Điều Tiết Điện lực (ERAV) – Bộ Công Thương. Tổng quan tình hình nghiên cứu trong nước và nước ngoài liên quan đến đề tài Dự báo phụ tải điện với độ chính xác cao là một trong những nhiệm vụ vô cùng quan trọng trong qui hoạch và vận hành hệ thống điện.

Nếu dự báo trung dài và dài hạn được quan tâm nghiên cứu khá nhiều ở nước ta (chủ yếu để phục vụ qui hoạch phát triển hệ thống điện) thì dự báo ngắn hạn mặc dù đóng vai trò quan trọng trong vận hành kinh tế hệ thống điện, lại chưa được quan tâm nghiên cứu đúng mức. 4 a) Ngoài nước Trên thế giới, các nghiên cứu về STLF trong giai đoạn gần đây tập trung vào các hướng như sau: 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 (Weron (2006) và Taylor (2008)).

Gần đây một số tác giả đã đề xuất mô hình chi tiết có xét tới xu hướng và tính thời vụ hàng năm. Soares and Mederios (2008) 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 trong ngày. Dordonnat et al.

(2008) và Soares và Mederios (2008) 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 5 pháp làm mịn theo cấp số mũ cho mùa kép (Taylor (2008)).

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 (Ramanathan et al. (1997), Cottet and Smith (2003), Dordonnat et al. 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 Weron (2006) & kết quả khảo sát dự báo phụ tải (Hippert et al. 2001a) 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.