Các phương pháp thường dủng cho dự báo phụ tải rất ngắn hạn là các phương pháp như: mô hình dự báo thống kê, các mô hình học máy như mạng nơron, hồi quy, hoặc các phương pháp khác như mạ
TỔNG QUAN
Tổng quan về dự báo phụ tải
Điện năng là sản phẩm thiết yếu cho sự phát triển kinh tế, đời sống dân sinh và môi trường của mọi quốc gia Khác với các doanh nghiệp sản xuất hàng hóa khác, ngành điện không thể ngừng sản xuất vì không có lợi nhuận, do đó được coi là một phần của cơ sở hạ tầng Điện năng có khả năng đáp ứng nhanh chóng nhu cầu và gần như không thể dự trữ, vì vậy việc dự báo phụ tải chính xác và duy trì dây chuyền sản xuất, truyền tải, phân phối luôn sẵn sàng là yếu tố quan trọng ảnh hưởng đến hiệu quả phục vụ khách hàng Ngành điện năng, đặc biệt là ở Việt Nam, được coi là một nguồn năng lượng rẻ và phổ biến.
Trong công tác vận hành, việc lập phương thức ngày và tuần của người điều độ là rất quan trọng, đặc biệt trong dự báo phụ tải ngắn hạn như dự báo một giờ, một ngày hoặc một tuần Các phương thức vận hành cơ bản trong ngày, bao gồm huy động nguồn, phối hợp giữa thủy điện và nhiệt điện, truyền tải công suất giữa các miền, xử lý sửa chữa lưới điện và đánh giá an toàn hệ thống điện, đều cần dự báo phụ tải chính xác để đảm bảo hiệu quả và an toàn trong vận hành.
Dự báo phụ tải ngày HTĐ với sai số cao ảnh hưởng lớn đến giá thành vận hành Dự báo phụ tải cao hơn thực tế dẫn đến chi phí tăng do huy động nguồn điện dự phòng đắt tiền Ngược lại, dự báo thấp hơn thực tế làm giảm độ an toàn cung cấp điện, có thể gây cắt điện và thiệt hại kinh tế, an ninh xã hội Tại Tiền Giang, với tỷ lệ phụ tải sinh hoạt và dịch vụ cao, sự chênh lệch giữa phụ tải cao điểm và thấp điểm càng trở nên quan trọng.
Giá trị Pmin trong đồ thị phụ tải ngày rất lớn, khoảng 2.5 đến 3 lần, và là hai giá trị phụ tải đặc biệt mà người làm công tác điều độ chú ý nhiều nhất trong quá trình vận hành Trong đó, phụ tải cao điểm Pmax được xem là khâu quan trọng nhất trong ngày.
Hình 2.1: Biểu đồ phụ tải ngày thường tại tỉnh Tiền Giang
Việc xác định chính xác lượng công suất thiếu để chủ động cắt giảm phụ tải, đặc biệt là đối với các phụ tải công nghiệp như xay xát và xông thanh long, là rất quan trọng Điều này giúp tránh tình trạng cắt thừa hoặc cắt thiếu, đồng thời giảm thiểu nguy cơ sa thải phụ tải do tác động của bảo vệ tần số thấp Nhờ đó, việc vận hành hệ thống điện sẽ hiệu quả hơn, góp phần giảm thiểu thiệt hại do cắt điện gây ra.
Việc đảm bảo độ tin cậy trong cung cấp điện và vận hành an toàn, kinh tế hệ thống điện (HTĐ) là rất quan trọng đối với ngành điện và nền kinh tế quốc dân Điều này không chỉ nâng cao chất lượng phục vụ nhu cầu tiêu thụ điện trong sản xuất và sinh hoạt, mà còn góp phần vào sự tăng trưởng kinh tế của cả nước, đặc biệt là tỉnh Tiền Giang.
Phụ tải ngày bình thường tại Tiền Giang ngày thường (8/4/2023)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 phụ tải các dạng ngày thường 13/7/2023
Tải xay xát tải xong Thanh Long Tải Công nghiệp và dân dụng
Hình 2.3: Biểu đồ của các dạng phụ tải ngày chủ nhật tại tỉnh Tiền Giang
Hình 2.4: Biểu đồ của tải ngày tại tỉnh Tiền Giang
Giải quyết hiệu quả vấn đề cung cấp điện đóng vai trò quan trọng, do đó, việc nghiên cứu và áp dụng các mô hình dự báo khác nhau để tìm ra mô hình tối ưu cho dự báo phụ tải là rất cần thiết.
Chu kỳ tính toán T được xác định bằng các quy luật khách quan tiêu thụ điện năng Những quy định này được xác định bằng một loạt yếu tố
- Thiên văn: chu kỳ quay của trái đất, mùa trong năm
Trong tuần, xã hội hoạt động theo chu kỳ 7 ngày, bao gồm các ngày làm việc và ngày nghỉ hoặc lễ Thời gian sinh hoạt trong ngày thường có 8 giờ làm việc, kèm theo các giờ nghỉ giải lao và thời gian xem tivi Nhu cầu phụ tải điện năng của xã hội phụ thuộc mạnh mẽ vào những yếu tố này.
- Thời tiết: nhiệt độ, không khí, nắng, mưa, tốc độ gió Mối quan hệ này là phi tuyến
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 phụ tải các dạng ngày chủ nhật 16/7/2023
Tải xay xát Tải xông Thanh long Tải Công nghiệp và dân dụng
Biểu đồ tải các ngày của tháng 4 năm 2023 tại Tiền
Thứ 2 Thứ 7 Chủ nhật Ngày lễ
Chu kỳ T có thể được liên kết với chu kỳ hoạt động của con người như ngày, đêm, tháng và năm, nhưng không thể coi một chu kỳ nào là lặp lại hoàn toàn do sự biến động của phụ tải theo thời gian Để dự báo phụ tải, cần mô tả các thông số hiện có bằng một hoặc nhiều hàm số, giúp gần gũi với dãy thông số quan sát Sai số tiệm cận giữa thông số quan sát và hàm số được đánh giá qua giá trị hàm số dựa trên các đối số, và những sai số này thường mang tính ngẫu nhiên Mối quan hệ giữa các thông số quan sát không chỉ là gần đúng mà là mối quan hệ hồi quy, do đó, độ chính xác của dự báo phụ thuộc vào chất lượng mô hình dự báo và khả năng xác định các hệ số của mô hình Nếu có thể xác định mối liên quan giữa sai số dự báo ở các thời điểm khác nhau, ta có thể ước lượng sai số trong tương lai, gọi là sai số tính toán hay sai số tương đối, khác với sai số quan sát (sai số thực tế hay sai số tuyệt đối) Việc ước lượng sai số dự báo là cần thiết để nâng cao độ chính xác của dự báo.
Sai số trong dự báo phụ thuộc vào đặc tính của phụ tải và khoảng thời gian dự báo Khi phụ tải tương đương lớn hơn, bao gồm nhiều phụ tải nhỏ với tính chất khác nhau, sai số tương đối sẽ giảm Hơn nữa, sai số tính theo phần trăm của tổng phụ tải thường nhỏ hơn so với sai số tính theo phần trăm của bất kỳ phụ tải thành phần nào.
Phụ tải công nghiệp thường ổn định trong từng chu kỳ, trong khi phụ tải sinh hoạt có sự biến động lớn trong mỗi chu kỳ nhưng lại ít thay đổi qua các chu kỳ Đối với phụ tải theo mùa vụ, sự thay đổi có thể ít trong một chu kỳ nhưng lại diễn ra mạnh mẽ qua các chu kỳ.
Phương pháp dự báo
Nhiều phương pháp dự báo phụ tải đã được phát triển, bao gồm các phương pháp thông thường, trí tuệ nhân tạo (AI) và phương pháp lai Những phương pháp này mang lại những cách tiếp cận khác nhau để cải thiện độ chính xác trong việc dự đoán nhu cầu sử dụng điện.
2.2.1 Phương pháp dự báo thống kê
Sử dụng các phương pháp thống kê truyền thống như hồi quy tuyến tính và phân tích chuỗi thời gian để phân tích và dự đoán xu hướng phụ tải dựa trên dữ liệu lịch sử Các phương pháp dự báo thống kê bao gồm nhiều mô hình khác nhau nhằm nắm bắt biến động phụ tải hiệu quả hơn.
Hồi quy tuyến tính là một phương pháp thống kê nhằm mô tả mối quan hệ giữa biến phụ thuộc và các biến độc lập thông qua một mô hình tuyến tính Quá trình dự đoán được thực hiện bằng cách ước lượng các hệ số của mô hình và áp dụng chúng vào dữ liệu mới để đưa ra kết quả chính xác.
Phân tích chuỗi thời gian là quá trình sử dụng các phương pháp như mô hình ARIMA (AutoRegressive Integrated Moving Average) để dự đoán chuỗi dữ liệu theo thời gian Các mô hình này rất hiệu quả trong việc dự báo khi dữ liệu có tính chất chuỗi thời gian.
Mô hình linh hoạt cho phép ước lượng mối quan hệ giữa các biến và dự đoán giá trị của biến phụ thuộc dựa trên các điều kiện nhất định.
Phương pháp bootstrap là kỹ thuật lấy mẫu ngẫu nhiên từ dữ liệu lịch sử nhằm tạo ra các mẫu dữ liệu giả định Qua đó, phương pháp này giúp ước lượng và dự báo biến phụ thuộc một cách hiệu quả.
2.2.2 Phương pháp mô hình học máy
Mô hình học máy là phương pháp dự đoán và phân loại dựa trên thuật toán máy học, cho phép học từ dữ liệu để tạo ra các mô hình có khả năng dự báo hoặc phân loại dữ liệu mới Các mô hình như mạng nơ-ron nhân tạo (ANN), mạng nơ-ron hồi quy (RNN) và học sâu (deep learning) được sử dụng để phân tích dữ liệu lịch sử và dự đoán xu hướng biến động của phụ tải Một số phương pháp phổ biến trong mô hình học máy bao gồm việc áp dụng các thuật toán tiên tiến nhằm tối ưu hóa khả năng dự đoán.
Mạng nơ-ron nhân tạo (ANN) là một mô hình học máy được phát triển dựa trên cấu trúc của não người, cho phép xử lý các bài toán phức tạp ANN có khả năng học hỏi từ dữ liệu đầu vào và tự động tạo ra dự đoán chính xác.
Mạng nơ-ron hồi quy (RNN) là một loại mạng nơ-ron nhân tạo, được thiết kế để xử lý dữ liệu dạng chuỗi, rất phù hợp cho các bài toán dự báo theo thời gian.
Máy vector hỗ trợ (SVM) là một phương pháp học máy hiệu quả, được áp dụng cho cả phân loại và dự đoán SVM tập trung vào việc xác định ranh giới phân chia tối ưu giữa các nhóm dữ liệu, giúp nâng cao độ chính xác trong việc phân loại thông tin.
Mô hình học máy có khả năng học hỏi từ dữ liệu lớn và phức tạp, giúp tạo ra những dự đoán chính xác trong nhiều tình huống Tuy nhiên, để đạt được hiệu quả tối ưu, cần có một lượng dữ liệu đủ lớn và đa dạng cho quá trình huấn luyện, cùng với kiến thức chuyên môn để chọn lựa và điều chỉnh các mô hình phù hợp với từng vấn đề cụ thể.
2.2.3 Phương pháp mô hình hỗn hợp
Mô hình hỗn hợp (Ensemble Learning) là phương pháp trong học máy kết hợp nhiều mô hình dự báo để tạo ra một dự đoán cuối cùng chính xác hơn Bằng cách kết hợp sức mạnh của các mô hình khác nhau, phương pháp này tận dụng ưu điểm của cả mô hình thống kê và mô hình học máy, mang lại dự báo ổn định hơn Một số phương pháp phổ biến trong mô hình hỗn hợp bao gồm
Bầu chọn là quá trình trong đó mỗi mô hình trong tập hợp đưa ra một dự đoán, và kết quả cuối cùng được xác định thông qua sự bầu chọn, tức là dự đoán cuối cùng là lựa chọn của đa số các mô hình.
Bầu chọn cân bằng (Balanced Voting) là một phương pháp tương tự như bầu chọn thông thường, nhưng mỗi mô hình sẽ có trọng số riêng Trong đó, những mô hình hiệu quả hơn sẽ được gán trọng số cao hơn, giúp tối ưu hóa quá trình ra quyết định.
Bộ phân loại cân bằng (Balanced Classifier) là một phương pháp kết hợp nhiều mô hình phân loại khác nhau, sử dụng các kỹ thuật như kết hợp dựa trên mức độ không chắc chắn hoặc thông tin lớp để đưa ra dự đoán cuối cùng.
Lưới điện tại Tiền Giang
Lưới điện tại khu vực tỉnh Tiền Giang gồm có:
Tỉnh có 18 tuyến đường dây 110kV với tổng chiều dài 209,03 km, bao gồm 09 trạm biến áp (TBA) 110kV (trong đó có 01 TBA khách hàng) và 02 TBA 220/110kV Tổng số máy biến áp (MBA) là 19, với tổng dung lượng đạt 1.126 MVA Công ty quản lý vận hành 08 TBA 110kV, cung cấp dung lượng 754 MVA.
- Đường dây trung áp với tổng chiều dài 3.716,90 km, trong đó tài sản Điện lực là 3.393,56 km;
- Tổng số dung lượng là 1.947,35 MVA Trong đó tài sản Điện lực là 7.856 trạm với tổng dung lượng là 480,02 MVA
Với công suất lớn nhất và tổng dung lượng lắp đặt trạm 110kV như trên, hệ số mang tải bình quân của các trạm 110kV khoảng 60,0%
Tiền Giang đã xác định ba vùng kinh tế trọng điểm để phát triển Vùng phía Đông có tiềm năng lớn về kinh tế biển, bao gồm công nghiệp đóng tàu, cảng biển, vận tải biển và chế biến thủy hải sản, cùng với du lịch và dịch vụ hậu cần nghề cá Vùng phía Tây nổi bật với sản xuất lương thực, thực phẩm, đặc biệt là cây ăn trái, gắn liền với công nghiệp chế biến nông sản và dịch vụ dọc Quốc lộ 1, cũng như tiềm năng du lịch đa dạng Vùng thành phố Mỹ Tho - Châu Thành đóng vai trò động lực, thúc đẩy phát triển kinh tế - xã hội và hợp tác với vùng Kinh tế trọng điểm phía Nam, TP Hồ Chí Minh và ĐBSCL.
Phụ tải điện tại tỉnh Tiền Giang được phân chia thành ba vùng đặc trưng, tương ứng với các đặc thù kinh tế của từng khu vực.
2.3.1.1 Phụ tải khu vực phía Tây tỉnh Tiền Giang Đối với phụ tải khu vức phía tây chia làm 02 thành phần chính gồm có phụ tải sinh hoạt và phụ tải phục vụ sản xuất, với 02 loại phụ tải trên biểu đồ phụ tải khu vực có sự chênh lệch rất lớn về các tháng trong năm và các giờ trong ngày
Phụ tải điện trong khu vực sản xuất xay xát lúa gạo phụ thuộc lớn vào mùa vụ Thời điểm cao điểm của phụ tải diễn ra từ tháng 2 đến tháng 4, tháng 7 đến tháng 9, và tháng 11 đến tháng 12 Trong những tháng này, phụ tải có thể tăng gần gấp 2 lần so với các tháng thấp điểm.
Biểu đồ phụ tải hàng giờ năm 2023 cho khu vực phía Tây cho thấy sự tương đồng trong mô hình phụ tải giữa các ngày có phụ tải cao và các ngày bình thường Đặc biệt, khu vực này ghi nhận mức phụ tải thấp trong các khung giờ cao điểm.
2.3.1.2 Phụ tải khu vực phía Đông tỉnh Tiền Giang Đối với phụ tải khu vức phía Đông cũng chia làm 02 thành phần chính gồm có phụ tải sinh hoạt và phụ tải phục vụ sản xuất, với 02 loại phụ tải trên biểu đồ phụ tải khu vực cũng có sự chênh lệch rất lớn về các tháng trong năm và các giờ trong ngày nhưng sẽ tăng chủ yếu vào ban đêm
Phụ tải điện trong khu vực này chủ yếu phụ thuộc vào mùa vụ sản xuất lúa gạo, với sự biến động rõ rệt theo từng tháng Đặc biệt, vào mùa xông đèn cho cây thanh long, phụ tải tăng cao do mật độ nắng lớn ở khu vực phía đông.
Hình 2.6: Biểu đồ phụ tải hàng giờ năm 2023 khu vực phía Đông
2.3.1.3 Phụ tải khu vực Trung tâm tỉnh Tiền Giang Đối với phụ tải khu vực Trung tâm chủ yếu là công nghiệp và sinh hoạt do đó phụ tải cũng chia làm 02 thành phần chính gồm có phụ tải sinh hoạt và phụ tải công nghiệp, với 02 loại phụ tải trên biểu đồ phụ tải khu vực không có sự chênh lệch rất lớn về các tháng trong năm và các giờ trong ngày nhưng sẽ thay đổi vào các ngày lễ và chủ nhật
Hình 2.7: Biểu đồ phụ tải hàng giờ năm 2023 2.3.2 Đánh giá phụ tải điện của Tiền Giang
Vào ngày Chủ nhật, tổng điện năng tiêu thụ của Tiền Giang đạt mức thấp nhất trong tuần, và trong các ngày lễ, mức tiêu thụ cũng giảm đáng kể so với những ngày bình thường.
- Phụ tải ban đêm sẽ thay đổi vào các mùa vụ xông thanh long và xay xát lúa gạo tăng so với các ngày bình thường
Hình 2.8: Biểu đồ phụ tải năm 2021, 2022, 2023
Các yếu tố ảnh hưởng trực tiếp đến dự báo phụ tải
Mục tiêu chính của các dự báo là đảm bảo kết quả dự báo gần gũi với giá trị thực tế Để đạt được dự báo hàng ngày với sai số thấp, việc lựa chọn phương pháp dự báo tối ưu là rất quan trọng.
Qua các số liệu thống kế và thực tế vận hành cho thấy phụ tải HTĐ khu vực Tiền Giang phụ thuộc chủ yếu vào các yếu tố sau:
• Thứ của ngày trong tuần: giá trị phụ tải giờ trong các ngày làm việc thường cao hơn phụ tải giờ của các ngày nghỉ cuối tuần
• Mùa vụ trong năm: giá trị phụ tải giờ trong các ngày theo mùa vụ thường cao hơn phụ tải các giờ không thuộc mùa vụ
Ngày đặc biệt trong năm bao gồm các ngày lễ và Tết như Tết Âm Lịch, Tết Dương Lịch, ngày 30/4, 01/5 và ngày 02/9 Vào những ngày này, phụ tải điện trên toàn quốc giảm đáng kể so với ngày thường Do đó, việc dự báo phụ tải trong các ngày đặc biệt này cần áp dụng phương pháp riêng biệt để đảm bảo tính chính xác.
Kế hoạch sửa chữa lưới điện trong ngày có cắt điện phụ tải là một phần quan trọng trong việc cải tạo các trạm biến áp 110kV và 220kV Trong quá trình thực hiện các sửa chữa lớn, việc cắt điện đường dây đang vận hành để kéo đường dây mới hoặc cải tạo đường dây là cần thiết, tuy nhiên điều này dẫn đến việc cắt điện diện rộng, ảnh hưởng đến nhiều hộ tiêu thụ điện.
Lựa chọn phương pháp nghiên cứu dự báo phụ tải
Các phương pháp dự báo phụ tải ngắn hạn truyền thống bao gồm hồi quy tuyến tính, chuỗi thời gian ngẫu nhiên, làm mịn hàm mũ tổng quát và không gian trạng thái, đều sử dụng mối quan hệ thống kê, phương trình toán học và thông tin lịch sử để tạo ra dự báo Những phương pháp này đã được áp dụng để hỗ trợ các hoạt động lập kế hoạch ngắn hạn.
Hệ chuyên gia dựa trên tri thức sử dụng chương trình máy tính để dự báo tải, hoạt động như một người vận hành thông qua kiến thức vận hành Các thành phần cơ bản của mạng nơ-ron nhân tạo (ANN) là tế bào thần kinh, được lập trình để huấn luyện giống như tế bào thần kinh trong não Những tế bào này nhận tín hiệu đầu vào, xử lý chúng và tạo ra đầu ra Khi các tế bào thần kinh kết nối với nhau, chúng hình thành một mạng có khả năng giải quyết các vấn đề phi tuyến.
Mạng nơ-ron nhân tạo (ANN) là công cụ hiệu quả cho việc dự báo tải, nhờ vào khả năng tiếp nhận nhiều đầu vào như thông tin tải lịch sử và dự báo thời tiết Các nơ-ron này xử lý thông tin thông qua hàm kích hoạt phi tuyến, cho phép chúng học hỏi từ dữ liệu cụ thể và dự đoán xu hướng phụ tải dựa trên các biến đầu vào khác.
ANN việc kết hợp phương pháp ANN và phương pháp Chuỗi thời gian phù hợp cho việc dự báo phụ tải trong công tác vận hành
Để phục vụ công tác vận hành, việc dự báo phụ tải cần được thực hiện theo từng giờ trong ngày Do đó, phương thức dự báo phụ tải ngắn hạn là lựa chọn phù hợp nhất.
Dự báo đóng vai trò quan trọng trong nhiều lĩnh vực, ảnh hưởng đến kế hoạch sản xuất và định hướng đầu tư phát triển tương lai Nhiều mô hình toán học được áp dụng cho dự báo, trong đó dự báo phụ tải giờ trong ngày cũng dựa vào số liệu thống kê và phân tích Việc áp dụng thuật toán giúp xác định mối quan hệ giữa phụ tải và các yếu tố ảnh hưởng, từ đó đưa ra dự báo phụ tải chính xác dựa trên những yếu tố này.
Việc áp dụng mạng nơron nhân tạo cho dự báo phụ tải của HTĐ tại tỉnh Tiền
Nghiên cứu này tập trung vào việc phát triển phương pháp đơn giản để dự báo, đồng thời xem xét ảnh hưởng của các biến đặc thù theo ngày, nhằm đạt được độ chính xác cao với sai số nhỏ.
Dự báo phụ tải trong vận hành là cần thiết, đặc biệt trong các khung giờ cao điểm Việc này được thực hiện thông qua việc phân tích dữ liệu phụ tải theo chuỗi thời gian của từng ngày.
CƠ SỞ LÝ THUYẾT
Mô hình mạng nơron
Mạng lưới thần kinh là cấu trúc gồm các "nơron" được sắp xếp theo từng lớp Lớp dưới cùng chứa các yếu tố dự đoán (đầu vào), trong khi lớp trên cùng chứa các dự báo (đầu ra).
Cấu trúc của mạng nơ-ron nhân tạo (ANN) bao gồm ba phần chính: lớp đầu vào, lớp ẩn và lớp đầu ra Lớp đầu vào kết nối trực tiếp với bộ dữ liệu đầu vào, nhận thông tin từ đó Lớp ẩn không có kết nối với thế giới bên ngoài mà chỉ liên kết với lớp đầu vào và lớp đầu ra Cuối cùng, lớp đầu ra cung cấp kết quả xử lý của mạng ANN cho dữ liệu đầu ra.
Hình 3.3: Mô hình ANN tổng quát
Có 4 loại cấu trúc ANN được dùng phổ biến, cụ thể là, mạng một lớp, mạng peceptron nhiều lớp, mạng Hopfield, và mạng Kohonen
Mạng nơ-ron đơn giản nhất không có lớp ẩn và tương đương với hồi quy tuyến tính, được phân loại là mạng ANN truyền thẳng, trong đó thông tin di chuyển theo một hướng đến đầu ra Mạng này sử dụng bốn yếu tố dự đoán, với các hệ số liên quan được gọi là "trọng số" Dự báo được thực hiện bằng cách kết hợp tuyến tính các yếu tố đầu vào, và các trọng số được xác định thông qua "thuật toán học" nhằm giảm thiểu "hàm chi phí" như MSE.
Hình 3.4: Mạng nơron đơn giản tương đương với hồi quy tuyến tính
Mạng nơ-ron đa lớp đơn giản nhất bao gồm ba lớp: lớp đầu vào, lớp ẩn và lớp đầu ra, được gọi là mạng chuyển tiếp nguồn cấp dữ liệu Mỗi lớp nút trong mạng nhận đầu vào từ các lớp trước đó, với đầu ra của các nút trong một lớp trở thành đầu vào cho lớp tiếp theo Đầu vào của từng nút được kết hợp thông qua tổ hợp tuyến tính có trọng số, và kết quả sau đó được điều chỉnh bằng hàm phi tuyến trước khi xuất ra.
Hình 3.5: Mạng nơron với bốn đầu vào và một lớp ẩn với 3 nơron
Mạng Hopfield là mô hình mạng nơron với cấu trúc đầy đủ, nơi tất cả các nơron liên kết chặt chẽ với nhau Mỗi nơron có khả năng thay đổi trạng thái dựa trên trạng thái của các nơron khác và trọng số liên kết giữa chúng Để mạng có thể nhớ lại các mẫu đã học, trạng thái nơron và trọng số liên kết được điều chỉnh một cách linh hoạt.
Mạng Kohonen, hay còn gọi là mạng tự tổ chức (Self-Organizing Maps - SOM), được phát triển nhằm biểu diễn dữ liệu đa chiều trong không gian có chiều thấp hơn Điều này giúp người dùng hiểu và trực quan hóa cấu trúc của dữ liệu một cách hiệu quả Mỗi nơron trong lớp Kohonen được kết nối với một vector trọng số, tạo ra khả năng phân tích và tổ chức thông tin một cách tự động.
Vector trọng số có số chiều tương đương với dữ liệu đầu vào Trong quá trình huấn luyện, các vector này được điều chỉnh để phản ánh cấu trúc của dữ liệu một cách chính xác.
Phương pháp huấn luyện mạng nơ-ron
Một mạng nơ-ron được huấn luyện sao cho với một tập các vector đầu vào
X, mạng có khả năng tạo ra tập các vector đầu ra mong muốn Y của nó Tập X được sử dụng cho huấn luyện mạng được gọi là tập huấn luyện (training set) Các phần tử x thuộc X được gọi là các mẫu huấn luyện (training example) Quá trình huấn luyện bản chất là sự thay đổi các trọng số liên kết của mạng Trong quá trình này, các trọng số của mạng sẽ hội tụ dần tới các giá trị sao cho mỗi vector đầu vào x từ tập huấn luyện, mạng sẽ cho ra vector đầu ra y như mong muốn
Có ba phương pháp học phổ biến là học có giám sát (Supervised learning), học không giám sát (Unsupervised learning) và tăng cường (Reinforcement learning)
3.3.1 Học có giám sát (Supervised Learning)
Học có giám sát là một kỹ thuật quan trọng trong học máy, giúp giải quyết nhiều bài toán thực tế Ý tưởng chính của phương pháp này là dự đoán đầu ra dựa trên đầu vào, sử dụng các cặp dữ liệu đầu vào và đầu ra đã biết Bài toán thường được xem như một bài toán xấp xỉ, trong đó dữ liệu huấn luyện bao gồm các cặp mẫu đầu vào x và đích tương ứng t, với mục tiêu tìm hàm f(x) phù hợp với tất cả các mẫu học đầu vào.
Trong loại hình học này, mạng nơron được điều chỉnh thông qua việc so sánh kết quả tính toán từ các đầu vào đã cho với đáp số dự kiến ở đầu ra.
Hình 3.6: Mô hình học có giám sát (Supervised learning model)
Học có giám sát là quá trình mà trong đó tập các vấn đề X được ánh xạ tới tập các lời giải Y Cụ thể, các mẫu (x, y) được xác định với x = (x1, x2, , xN) thuộc tập X và y = (y1, y2, , yN) thuộc tập Y.
Thuật toán tổng quát cho học có giám sát trong mạng nơ-ron có nhiều cài đặt khác nhau, với sự khác biệt chủ yếu ở cách thay đổi trọng số liên kết trong quá trình học Thuật toán lan truyền ngược là một trong những phương pháp tiêu biểu nhất trong số này.
3.3.2 Học không giám sát (Unsupervised Learning)
Học không giám sát là một trong ba loại chính của machine learning, bên cạnh học có giám sát và học tăng cường Trong phương pháp này, mô hình được huấn luyện trên dữ liệu không có gắn nhãn, nhằm khám phá cấu trúc ẩn trong dữ liệu hoặc phân đoạn dữ liệu thành các nhóm và cụm khác nhau.
3.3.3 Học củng cố (Reinforcement learning)
Học củng cố (Reinforcement Learning - RL) là một lĩnh vực trong học máy, nơi tác nhân (agent) học cách tương tác với môi trường (environment) nhằm tối đa hóa phần thưởng (reward) thông qua phương pháp thử và sai Khác với học có giám sát, RL không cần dữ liệu huấn luyện với các nhãn cụ thể, mà thay vào đó, nó dựa vào phản hồi từ môi trường để cải thiện hành động của mình.
Mạng nơ-ron nhân tạo (ANN) trong dự báo phụ tải
Dự báo phụ tải theo mùa và phụ tải dân cư là một nhiệm vụ phức tạp Phương pháp mạng nơron có thể được áp dụng trong những trường hợp này để cải thiện độ chính xác của dự báo.
- Không có mô hình toán học là cụ thể của tải
- Tải là một hàm của các yếu tố khác nhau (quá khứ, lịch, thời tiết, khác )
- Hàm dự báo là phức tạp và chưa biết, và quan hệ là phi tuyến tính
Các phương pháp cổ điển như hồi quy và nội suy có thể không đạt độ chính xác cao trong một số trường hợp Ngoài ra, những phương pháp này thường yêu cầu tính toán lớn, dẫn đến việc hội tụ chậm và có thể phân kỳ Vì vậy, chúng không phù hợp cho các ứng dụng yêu cầu thời gian thực.
Gần đây, mạng nơron nhân tạo (ANN) đã được áp dụng rộng rãi trong nghiên cứu lưới điện, đặc biệt là trong dự báo phụ tải, nhờ vào khả năng vượt qua những hạn chế của các phương pháp truyền thống ANN cho phép xem xét các yếu tố phi tuyến và ngẫu nhiên, hoạt động như một "hộp đen" với quá trình học nhanh chóng Được phát triển từ cuối những năm 1980, ANN là công cụ toán học mô phỏng quá trình suy nghĩ của não bộ, có khả năng phân loại dữ liệu và phù hợp với các mô hình phi tham số Để dự báo tải, ANN được huấn luyện trên dữ liệu tải có độ trễ thời gian và các thông số không tải như thời tiết, thời gian trong ngày, và dữ liệu thực tế Sau khi huấn luyện, mạng sẽ được kiểm tra với dữ liệu dự đoán, và kết quả dự báo sẽ được so sánh với tải thực tế để xác định sai số.
Sai số dự báo thường được thể hiện qua sai số bình phương trung bình gốc (RMSE) với đơn vị là kW, nhưng thường được sử dụng phổ biến hơn dưới dạng sai số phần trăm tuyệt đối trung bình (MAPE) với đơn vị là phần trăm.
𝑁 = số lượng mẫu (24 cho dự báo phụ tải cho 24 giờ)
𝑦𝑡 = tải thực tế tại thời điểm 𝑡 ŷ𝑡 = tải dự báo tại thời điểm 𝑡
Mạng nơ-ron nhân tạo (ANN) được đào tạo dựa trên đặc điểm phụ tải của hệ thống điện và dữ liệu thời tiết cụ thể, do đó, ANN cho một hệ thống có thể không hoạt động hiệu quả trên hệ thống khác Mặc dù kiến trúc ANN tương tự có thể được áp dụng cho hệ thống mới, việc đào tạo lại là cần thiết ANN sử dụng kỹ thuật lan truyền ngược có nguy cơ gặp tình trạng quá mức, đặc biệt khi số lượng tham số vượt quá dữ liệu huấn luyện Nếu ANN có quá nhiều nơ-ron, nó có thể sao chép dữ liệu trong mẫu với sai số thấp, nhưng lại gặp tỷ lệ lỗi cao khi xử lý dữ liệu ngoài mẫu, do không có khả năng khái quát hóa mối quan hệ đầu vào-đầu ra Tình trạng này thường xảy ra khi mạng bị huấn luyện quá sức và có độ phức tạp cao.
Để tránh tình trạng mạng nơron có quá nhiều nơron, có thể sử dụng xác thực chéo, trong đó dữ liệu huấn luyện được chia thành tập huấn luyện và tập kiểm tra Các tham số của mạng nơron nhân tạo (ANN) được huấn luyện trên tập huấn luyện và kiểm tra sau mỗi vài lần lặp Khi hiệu suất trên tập kiểm tra bắt đầu giảm, quá trình đào tạo sẽ được dừng lại.
Các mạng nơron nhân tạo (ANN) cố gắng theo dõi từng điểm dữ liệu trong tập huấn luyện Việc giữ cho mô hình đơn giản giúp tạo ra các dự báo mượt mà và hiệu quả hơn so với các mô hình phức tạp Các ANN với cấu trúc phức tạp và số lượng lớn nơron ẩn cần ước tính một lượng lớn trọng số, điều này có thể dẫn đến sai sót trong quá trình đào tạo.
Số nơron ẩn là tham số quan trọng trong thiết kế mạng nơron cho dữ liệu chuỗi thời gian, ảnh hưởng đến khả năng học và nhận diện các mẫu phức tạp trong dữ liệu Việc xác định số lượng nơron ẩn hợp lý giúp cải thiện hiệu suất của mô hình.
Khi quyết định số lượng nơron ẩn cho một lớp ẩn trong một mạng nơron, có một số yếu tố cần xem xét:
Số lượng nơron ẩn trong mô hình ảnh hưởng đến khả năng học của nó; càng nhiều nơron ẩn, mô hình càng có khả năng nhận diện các mẫu phức tạp trong dữ liệu huấn luyện Tuy nhiên, việc sử dụng quá nhiều nơron ẩn có thể gây ra hiệu suất kém khi áp dụng mô hình vào dữ liệu mới.
Mô hình mạng nơron với nhiều lớp ẩn có thể tạo ra sự phức tạp cao, giúp mô phỏng chính xác dữ liệu huấn luyện Tuy nhiên, điều này cũng có thể dẫn đến khó khăn trong quá trình đào tạo và giảm hiệu suất trên dữ liệu thử nghiệm Số lượng nơron ẩn quá lớn sẽ kéo dài thời gian huấn luyện, ảnh hưởng đến hiệu quả tổng thể của mô hình.
Số lượng nơron ẩn trong mạng nơron có ảnh hưởng lớn đến khối lượng tính toán cần thiết cho quá trình huấn luyện Việc sử dụng nhiều nơron ẩn có thể dẫn đến yêu cầu tài nguyên tính toán cao, từ đó kéo dài thời gian huấn luyện mạng.
Xác định số lượng tối ưu các nơron ẩn là một yếu tố quan trọng trong việc xây dựng mạng nơron Nếu số lượng nơron quá ít, mạng có thể thiếu thông tin và dẫn đến dự đoán không chính xác Ngược lại, nếu số lượng nơron quá nhiều, quá trình huấn luyện sẽ kéo dài và tốn thời gian.
Số nơron lớp ẩn và số lớp ẩn sẽ phụ thuộc vào số lượng dữ liệu đầu vào và độ phức tạp của dữ liệu đầu vào
Lan truyền tiến là quá trình tính toán và lưu trữ các biến trung gian của mạng nơ-ron từ lớp đầu vào đến lớp đầu ra Giả sử mẫu đầu vào là x ∈ ℝ d và lớp ẩn không có hệ số điều chỉnh Biến trung gian được tính là z = 𝐖 (𝑙1) x, với 𝐖 (1) ∈ ℝ ℎ x d là tham số trọng số của lớp ẩn Sau khi áp dụng hàm kích hoạt 𝜙 cho biến trung gian Z ∈ ℝ ℎ, ta nhận được vector kích hoạt ẩn h = ϕ (z) với ℎ phần tử.
Biến ẩn ℎ đóng vai trò là biến trung gian trong mô hình Nếu tham số của lớp đầu ra chỉ bao gồm trọng số 𝐖 (2) ∈ ℝ 𝑞 x ℎ, ta sẽ nhận được một vector có 𝑞 phần tử tại lớp đầu ra, được biểu diễn qua công thức: o = 𝐖 (l2) h.
Giả sử loss function là 𝑙 và nhãn của mẫu là 𝑦, ta có thể tính được lượng mất mát cho một mẫu dữ liệu duy nhất,
Cuối cùng, loss function được điều chuẩn của mô hình trên một mẫu dữ liệu cho trước là:
3.4.1.2 Phương pháp lan truyền ngược (Backpropagation)
Lan truyền ngược là một phương pháp quan trọng trong việc tính toán gradient cho các tham số của mạng nơ-ron Phương thức này hoạt động bằng cách duyệt qua mạng nơ-ron từ đầu ra đến đầu vào, áp dụng quy tắc chuỗi trong giải tích để tối ưu hóa quá trình học.
Thiết kế mạng nơron
4.1.1 Lựa chọn cấu trúc mạng
Dự báo phụ tải điện là một yếu tố quan trọng trong ngành năng lượng, giúp các nhà cung cấp dịch vụ điện tối ưu hóa sản xuất và phân phối điện năng Việc lựa chọn cấu trúc mạng phù hợp là điều cần thiết để xây dựng mô hình dự báo phụ tải hiệu quả Dưới đây là cấu trúc mạng được lựa chọn cho bài toán dự báo phụ tải điện trong luận văn.
4.1.1.1 Số lớp ẩn và số nơron lớp ẩn
Với 17 giá trị đầu vào từ chuỗi thời gian, mô hình sẽ sử dụng 8 nơron cho mỗi lớp ẩn và gồm 4 lớp ẩn, giúp tối ưu hóa việc xử lý dữ liệu Cấu trúc này cho phép mô hình hội tụ tốt và đảm bảo khả năng dự báo chính xác cho dữ liệu đầu vào mới.
Khi sử dụng 8 lớp ẩn trong mạng nơron, mặc dù quá trình hội tụ vẫn diễn ra, nhưng khi đưa dữ liệu đầu vào để dự báo, kết quả dự báo lại có sai số rất cao.
- Với mạng nơron là 4 lớp ẩn với mỗi lớp ẩ là 8 nơron sẽ cho kết quả hội tụ tốt và kết quả dự báo với sai số thấp
Hàm kích hoạt ReLU được chọn cho bài toán dự báo vì tính đơn giản và tốc độ tính toán nhanh, với công thức f(x) = max(0, x) Đặc biệt, trong dự báo phụ tải điện, giá trị không thể âm, nên hàm ReLU sẽ trả về 0 khi x 3% (trên 10%)
2 Dữ liệu đầu vào ít Dữ liệu đầu vào lớn
3 Thu thập dự liệu nhanh Thu thập dự liệu lâu
4 Điều chỉnh được khung giờ cần dự báo
Mặc định khung giờ, khó điều chỉnh
Chỉ dự báo chính xác đối với dự báo ngắn hạn, dưới 5 chu kỳ
Có thể dự báo với nhiều chu kỳ nhưng sai số cao
Thời gian huấn luyện mạng để tạo các trọng số và bias nhằm dự báo lâu dài trên máy tính có cấu hình bình thường cho văn phòng là một yếu tố quan trọng Việc tối ưu hóa quy trình này giúp nâng cao hiệu suất dự báo, đồng thời tiết kiệm thời gian và tài nguyên.
Có thể nhập dữ liệu có sẵn vào chương trình để chạy ngay
4.5.1 Khả năng dự báo của Short_Term_Load_Forecast
Phần mềm Dự đoán Tải Ngắn Hạn sử dụng mạng nơron nhân tạo được lập trình để nhập dữ liệu đầu vào và huấn luyện mạng nơron Để cải thiện độ chính xác của kết quả, phần mềm cần bổ sung thông tin về thời tiết.
Phần mềm Short-Term Load Forecast có khả năng dự báo tải cho từng cụm phụ, giúp phân tích khả năng mang tải của đường dây điện bằng cách sử dụng file input dữ liệu tải của từng khu vực Phần mềm này được tối ưu hóa cho khu vực phụ tải dân dụng, tuy nhiên, đối với Tiền Giang, đặc thù phụ tải không bị ảnh hưởng lớn bởi yếu tố thời tiết, dẫn đến giá trị dự báo tương đối cao.
Hình 4.14: Thao tác trên phần mềm SHORT-TERM LOAD FORECASTING
The Short-Term Load Forecast software can validate input data by analyzing the input graph, ensuring that the data is accurately adjusted for optimal performance.
Hình 4.15: Biểu đồ phụ tải hiển thị trên chương trình SHORT-TERM LOAD
FORECASTING 4.5.2 Khả năng dự báo của mạng nơron nhân tạo
Dự báo phụ tải sử dụng mạng nơron nhân tạo cho phép điều chỉnh dữ liệu đầu vào theo từng thời điểm cụ thể Việc thay đổi các dữ liệu tại từng khung giờ cần thiết giúp nâng cao độ chính xác trong công tác vận hành.
Khi thực hiện dự báo phụ tải, có thể lựa chọn các cụm dự báo dựa trên đặc trưng phụ tải của từng khu vực trong tỉnh Phần mềm dự báo phụ tải cho phép sử dụng công suất khác nhau tùy theo nhu cầu cụ thể, từ đó cung cấp dữ liệu đầu vào chính xác hơn cho từng nhu cầu dự báo.
Mạng nơron có khả năng dự báo phụ tải theo thời điểm giờ lẻ, với chu kỳ ghi nhận 30 phút, cho phép xác định công suất cực đại trong ngày Điều này có nghĩa là dự báo có thể diễn ra tại các thời điểm như 13 giờ 30 hoặc 14 giờ 30, không chỉ giới hạn ở các chu kỳ hàng giờ như 1 giờ hay 2 giờ.
Để dự báo bằng mạng nơron với độ chính xác cao, cần thiết lập một mạng đủ lớn để xử lý nhiều giá trị đầu vào, tuy nhiên, thời gian huấn luyện sẽ kéo dài Để cải thiện vấn đề này, có thể sử dụng các công cụ của Matlab để thực hiện dự báo, nhưng việc hiệu chỉnh sai số theo mong muốn sẽ gặp khó khăn.
Mạng nơron nhân tạo áp dụng phương pháp chuỗi thời gian kết hợp với kỹ thuật cửa sổ trượt thường sử dụng cấu trúc mạng với số lượng lớp ẩn và nơron tương đối ít Điều này là do việc khai thác dữ liệu chuỗi thời gian theo các khung giờ đặc trưng, giúp tối ưu hóa hiệu suất và giảm độ phức tạp của mô hình.
Kết quả dự báo từ phần mềm Short-Term Load Forecast cho thấy độ sai số cao trên 10%, mặc dù đã được hiệu chỉnh Ngược lại, dự báo từ mạng nơron được huấn luyện bằng phương pháp chuỗi thời gian và kỹ thuật cửa sổ trượt đạt độ sai số thấp dưới 3%.
Dự báo phụ tải cho công tác vận hành lưới tại Tiền Giang
Giảm tải cao điểm là yếu tố quan trọng trong quản lý nhu cầu năng lượng, giúp lập kế hoạch giảm tiêu thụ điện trong giờ cao điểm để đạt mục tiêu quản lý năng lượng Mức giảm này có thể thay đổi hàng ngày dựa trên dự báo phụ tải và hoạt động của các cơ sở Khi có sự khác biệt giữa dự báo và tải tối đa mong muốn, người vận hành có thể sử dụng thông tin này để lên kế hoạch cho các hoạt động hàng ngày, hàng tuần và hàng tháng Đối với những tải có nhu cầu điện cao, như nhà máy xay xát lúa gạo và các phụ tải công nghiệp nặng, nên được khuyến cáo vận hành trong giờ thấp điểm để tối ưu hóa hiệu quả tiêu thụ điện.
Việc dự báo nhanh công suất dự kiến là rất quan trọng để đáp ứng nhu cầu phụ tải khi xảy ra sự cố nguồn Điều này cho phép xác định công suất huy động từ các nguồn lân cận hoặc tính toán việc sa thải một phần phụ tải không quan trọng Độ chính xác cao trong dự báo sẽ giúp đơn vị vận hành giảm thiểu việc sa thải phụ tải, đồng thời tránh được sự cố do quá tải khi có sai số trong dự báo.
Giá trị phụ tải điện tại Tiền Giang có sự biến động đặc trưng theo từng vùng, mùa và thời điểm trong ngày Do đó, việc lựa chọn dữ liệu để dự báo cũng cần dựa trên những đặc trưng này, cho phép sử dụng ít dữ liệu hơn, chủ yếu là dữ liệu tương đồng với thông tin cần dự báo.
4.5.2 Sử dụng mạng nơron nhân tạo dự báo phụ tải điều phối sản lượng tiết giảm cần thiết khi có công tác đột xuất
Việc ngừng cấp điện ngoài kế hoạch sẽ làm tăng sai số dự báo, trong khi ngừng cấp điện theo kế hoạch có thể được sử dụng làm đầu vào cho mạng nơron nhân tạo (ANN) Nếu có kế hoạch ngừng cấp điện, phụ tải bị ảnh hưởng có thể được ước tính và trở thành đầu vào chuyên dụng cho ANN Cung cấp dữ liệu mất điện cho ANN dưới dạng đầu vào sẽ hiệu quả hơn là chỉ trừ đi tải ngừng cấp bị ảnh hưởng từ dự báo Khi có sự kiện thay đổi phụ tải đáng kể, mô hình tải trong ngày sẽ bị ảnh hưởng, điều này được gọi là phụ tải quán tính Để dự báo và điều phối việc tiết giảm, cần phân tích chuỗi dữ liệu đặc trưng và nhập các giá trị đầu vào theo khung giờ vào mạng nơron đã được huấn luyện, từ đó đạt được kết quả dự báo như mong muốn.
Khi một nguồn từ trạm 220kV bị mất, cần sử dụng dự báo phụ tải cho khu vực bị ảnh hưởng để tính toán khả năng chuyển tải từ các trạm 220kV lân cận Đồng thời, cần xem xét tác động của thời tiết để dự báo phụ tải chính xác, nhằm đáp ứng nhu cầu chuyển tải cho khu vực bị mất nguồn Việc xác định giá trị phụ tải tương lai tại các khung giờ cao điểm của khu vực này là rất quan trọng để tính toán khả năng chuyển nguồn hiệu quả.
Dự báo phụ tải khu vực mất điện giúp tối ưu hóa kế hoạch vận hành và chuyển lưới, từ đó đưa ra phương thức vận hành hiệu quả nhất Điều này cũng cho phép thông báo cho khách hàng về kế hoạch sa thải điện khi cần thiết, nâng cao độ tin cậy trong cung cấp điện.
Việc áp dụng mạng nơron trong dự báo phụ tải giúp nhân viên vận hành dự đoán chính xác hơn với nhiều khung giờ khác nhau, cho phép dự báo lên đến 48 chu kỳ trong ngày, từ đó nâng cao độ tin cậy trong cung cấp điện.
Kết quả dự báo từ mạng nơ ron đã được huấn luyện có thể được áp dụng để dự báo phụ tải điện tại tỉnh Tiền Giang Điều này đặc biệt hữu ích trong việc lập kế hoạch chuyển nguồn điện khi có sự cố đột xuất, nhằm đảm bảo cung cấp điện cho các sự kiện quan trọng như kỳ thi tốt nghiệp, họp hội đồng nhân dân và các lễ hội lớn trong tỉnh.
Dự báo từ mạng nơ ron đã được huấn luyện cho thấy tính khả thi cao trong việc vận hành, với khả năng áp dụng hiệu quả cho từng khu vực phụ tải và đạt được kết quả với sai số thấp.
CHƯƠNG 5 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN.
Kết luận
Dự báo phụ tải ngắn hạn bằng mạng nơron đang trở thành phương pháp phổ biến trong nhiều lĩnh vực, đặc biệt trong việc giải quyết các bài toán có quan hệ đầu vào và đầu ra phi tuyến với nhiều biến Phương pháp này được các chuyên gia đánh giá cao về độ chính xác so với các kỹ thuật trước đây.
Trong luận văn, mạng nơron nhân tạo nhiều lớp lan truyền ngược được nghiên cứu, ứng dụng để giải quyết bài toán dự báo phụ tải ngắn hạn
Giai đoạn 1 trong quá trình phân tích là nhận dạng biểu đồ, giúp xác định kiểu ngày cần dự báo dựa trên dữ liệu lịch sử đã lưu trữ.
Trong giai đoạn 2, mạng nơron truyền ngược được huấn luyện bằng cách sử dụng các giá trị phụ tải theo chuỗi thời gian của những ngày có cùng kiểu ngày với ngày dự báo, nhằm dự báo phụ tải theo giờ cho ngày đó Để đảm bảo độ chính xác, cần thường xuyên kiểm tra kết quả dự báo và huấn luyện lại mạng khi có sự gia tăng sai số Việc áp dụng mạng nơron trong dự báo phụ tải ngắn hạn theo phương pháp hai giai đoạn giúp đạt được kết quả dự báo chính xác, đơn giản và nhanh chóng.
Mặc dù phương pháp dự báo này có nhiều ưu điểm, nhưng cũng tồn tại một số hạn chế, như thời gian huấn luyện dài và không đảm bảo hội tụ Dù đã có những điều chỉnh nhằm rút ngắn thời gian huấn luyện và tối ưu hóa kết quả, vấn đề này vẫn cần được nghiên cứu thêm Việc xác định cấu trúc mạng và lựa chọn hệ số học chỉ có thể thực hiện qua thực nghiệm Để có nghiên cứu toàn diện và hiệu quả trong dự báo phụ tải ngành Điện lực, cần tiếp tục nghiên cứu sâu hơn trong tương lai.
Hướng phát triển
Luận văn hiện tại chủ yếu dựa vào các phương pháp đã được nghiên cứu thành công và dữ liệu lịch sử từ Tiền Giang, do đó cần tiếp tục nghiên cứu và phát triển thêm để nâng cao tính chính xác và khả năng áp dụng.
Nghiên cứu các phương pháp mới nhằm cải thiện thuật toán giúp tăng khả năng hội tụ của mạng nơron và giảm khối lượng tính toán là rất cần thiết Việc tối ưu hóa các thuật toán sẽ không chỉ nâng cao hiệu suất của mạng nơron mà còn tiết kiệm tài nguyên tính toán, từ đó mang lại hiệu quả cao hơn trong các ứng dụng thực tiễn.