Tài liệu Ứng dụng mạng nơron vào dự báo phụ tải ngắn hạn tại khu vực phía nam

ĈҤ,+Ӑ&48Ӕ&*,$73+&0 75ѬӠ1*ĈҤ,+Ӑ&%È&+.+2$ 1*8<ӈ175Ӑ1*78Ҩ1 Ӭ1*'Ө1*0Ҥ1*1Ѫ5219¬2'Ӵ%È23+Ө7Ҧ, 1*Ҳ1+Ҥ17Ҥ,.+89Ӵ&3+Ë$1$0 APPLICATION OF NEURAL NETWORK FOR SHORTTERM LOAD FORECASTING IN SOUTHERN AREA Chuyên ngành: 4XҧQ/ê1ăQJ/ѭӧQJ 0mVӕ8510602 /8Ұ19Ă17+Ҥ&6Ƭ 73+Ӗ&+Ë0,1+WKiQJ8 QăP &{QJ WUuQK ÿѭӧc hoàn thành tҥi: 7UѭӡQJ Ĉҥi hӑc Bách Khoa ± Ĉ+4*-HCM. Cán bӝ Kѭӟng dүn khoa hӑc: PGS. TS. Phan Thӏ Thanh Bình Cán bӝ chҩm nhұn xét 1: TS. Lê Thӏ Tӏnh Minh Cán bӝ chҩm nhұn xét 2: PGS. TS. HuǤnh Châu Duy LuұQ YăQ WKҥF Vƭ ÿѭӧc bҧo vӋ tҥL 7UѭӡQJ Ĉҥi hӑF %iFK .KRD Ĉ+4* 7S +&0 QJj\WKiQJQăP (trӵc tuyӃn). Thành phҫn HӝLÿӗQJÿiQKgiá luұQYăQWKҥFVƭJӗm: 1. Chӫ tӏch HӝLÿӗng: TS. TrҫQ+RjQJ/ƭQK 7KѭNê+ӝLÿӗng: TS. NguyӉn Ngӑc Phúc DiӉm 3. Ӫy viên Phҧn biӋn 1: TS. Lê Thӏ Tӏnh Minh 4. Ӫy viên Phҧn biӋn 2: PGS. TS. HuǤnh Châu Duy 5. Ӫy viên HӝLÿӗQJ76'ѭѫQJ7KDQK/RQJ Xác nhұn cӫa Chӫ tӏch HӝLÿӗQJÿiQKJLi/9Yj7Uѭӣng Khoa quҧn lý chuyên ngành sau khi luұQYăQÿmÿѭӧc sӱa chӳa (nӃu có). CHӪ TӎCH HӜ,ĈӖNG 75ѬӢ1*.+2$Ĉ,ӊN ± Ĉ,ӊN TӰ ĈҤ,+Ӑ&48Ӕ&*,$73+&0 75ѬӠ1*ĈҤ,+Ӑ&%È&+.+2$ &Ӝ1*+2¬;­+Ӝ,&+Ӫ1*+Ƭ$9,ӊ71$0 ĈӝFOұS- 7ӵGR- +ҥQKSK~F NHIӊM VӨ LUҰ19Ă17+Ҥ&6Ƭ Hӑ tên hӑc viên: NGUYӈN TRӐNG TUҨN MSHV: 1970172 1Jj\WKiQJQăPVLQK 1ѫLVLQK7Ӎnh BӃn Tre Chuyên ngành: Quҧn lý QăQJOѭӧng Mã sӕ: 8510602 I. 7Ç1Ĉӄ TÀI: ӬNG DӨNG MҤ1*1Ѫ5219¬2'Ӵ BÁO PHӨ TҦI NGҲN HҤN TҤI KHU VӴC PHÍA NAM APPLICATION OF NEURAL NETWORK FOR SHORT-TERM LOAD FORECASTING IN SOUTHERN AREA NHIӊM VӨ VÀ NӜI DUNG: - Tìm hiӇu vӅ FiFSKѭѫQJSKiSGӵ báo phө tҧi. - Xây dӵng mô hình mҥQJQѫURQFKRGӵ báo phө tҧi ngҳn hҥn. - Ӭng dөng mô hình mҥQJQѫURQÿӇ dӵ báo phө tҧi ngҳn hҥn Pmax, Pmin, Pnext-hour cho khu vӵc phía Nam. II. NGÀY GIAO NHIӊM VӨ: Ngày 21/09/2020 III. NGÀY HOÀN THÀNH NHIӊM VӨ: Ngày 10/06/2021 IV. CÁN BӜ +ѬӞNG DҮN: PGS. TS. PHAN THӎ THANH BÌNH 7S+&0QJj\WKiQJQăP CÁN BӜ +ѬӞNG DҮN CHӪ NHIӊM BӜ 0Ð1Ĉ¬27ҤO 75ѬӢ1*.+2$Ĉ,ӊN ± Ĉ,ӊN TӰ i LӠI CҦ0Ѫ1 Sau mӝt thӡi gian thӵc hiӋQÿӅ tài Ӭng dөng mҥng QѫURQYjRGӵ báo phө tҧi ngҳn hҥn tҥi khu vӵF SKtD 1DP W{L ÿm Kӑc hӓL WKrP ÿѭӧc nhiӅu kiӃn thӭc, kinh nghiӋm và rҩt nhiӅX ÿLӅu bә ích, quý báu tӯ giҧQJ YLrQ Kѭӟng dүn, bҥQ Eq ÿӗng nghiӋp. NӃu không có nhӳng sӵ JL~Sÿӥÿӝng viên nhiӋt thành cӫDJLDÿuQK các thҫy cô, bҥQEqYjÿӗng nghiӋp thì tôi khó có thӇ hoàn thành tӕt luұQYăQQj\ Xin chân thành gӱi lӡi cҧPѫQÿӃQJLDÿuQKÿmWҥo mӑLÿLӅu kiӋn tӕWÿҽp nhҩt ÿӇ tôi có thӇ hӑc tұp và nghiên cӭu ӣ P{LWUѭӡQJVDXÿҥi hӑc. Em xin chân thành gӱi lӡi cҧPѫQÿӃn quý thҫy cô cӫD7UѭӡQJĈҥi hӑc Bách Khoa - Ĉ+4*73+&0FiF thҫ\F{WURQJNKRDĈLӋn - ĈLӋn tӱÿһc biӋt là các thҫy cô trong Bӝ môn HӋ thӕng ÿLӋn và các thҫy cô tham gia giҧng dҥy ngành QuҧQOêQăQJOѭӧQJÿmQKLӋt tình giҧng dҥy, truyӅQÿҥt kiӃn thӭc và tҥo mӑLÿLӅu kiӋn thuұn lӧi trong quá trình hӑc tұSFNJQJ QKѭWURQJTXiWUuQKWKӵc hiӋn và hoàn thành luұQYăQQj\ Em xin trân trӑng bày tӓ lòng biӃWѫQVkXVҳFÿӃn cô PGS.TS. Phan Thӏ Thanh Bình, giҧQJYLrQÿmWUӵc tiӃSKѭӟng dүn, chӍ bҧo và nhiӋWWuQKJL~Sÿӥ em, tҥRÿLӅu kiӋn tӕt nhҩWÿӇ em hoàn thành luұQYăQQj\%rQFҥQKÿyHP[LQJӱi lӡi cҧPѫQÿһc biӋWÿӃn anh Bùi Duy Linh, kӻ Vѭ3KzQJ4Xҧn lý nguӗQQăQJOѭӧng mӟLQăQJOѭӧng tái tҥo, thuӝF7UXQJWkPĈLӅXÿӝ HӋ thӕQJÿLӋn QuӕFJLD$ÿmFyQKӳQJKѭӟng dүn, chia sҿ hӳu ích cho quá trình thӵc hiӋQÿӅ tài này. CҧPѫQOmQKÿҥo cӫD7UXQJWkPĈLӅXÿӝ HӋ thӕQJÿLӋn miӅQ1DP$ÿһc biӋWOjFiFOmQKÿҥo, các anh chӏ em, bҥQEqÿӗng nghiӋSWURQJSKzQJ3KѭѫQJWKӭc ÿmWҥRÿLӅu kiӋn thuұn lӧLÿӇ tôi có thӡi gian làm viӋc, hӑc tұp và nghiên cӭu trong suӕt thӡi gian thӵc hiӋn luұQYăQ Cuӕi cùng, em xin kính chúc các thҫy, cô, các anh, chӏ và bҥn bè thұt nhiӅu sӭc khoҿ và thành công! Thành phӕ Hӗ &Kt0LQKWKiQJQăP Hӑc viên thӵc hiӋn NguyӉn Trӑng Tuҩn ii TÓM TҲT LUҰ19Ă17+Ҥ&6Ƭ HiӋn nay, cùng vӟi sӵ phát triӇn kinh tӃ - xã hӝi ngày càng cao cӫa ViӋt Nam, nhu cҫXQăQJOѭӧQJQJj\FjQJJLDWăQJFQJYӟLÿyOjVӵ thâm nhұp vӟi mӭFÿӝ ngày càng cao cӫa các nguӗQQăQJOѭӧng tái tҥo mang tính chҩt bҩWÿӏnh vào hӋ thӕQJÿLӋn miӅn Nam nói riêng và hӋ thӕQJÿLӋn ViӋt Nam nói chung. Trong bӕi cҧQKÿyF{QJ tác dӵ báo và lұp kӃ hoҥch vұn hành có tính chҩt quan trӑng và gҫQQKѭÿyQJYDLWUz quyӃWÿӏnh trong viӋFÿҧm bҧo vұn hành hӋ thӕQJÿLӋn mӝt cách an toàn, әQÿӏnh và tin cұy. Chính vì thӃ viӋc dӵ báo phө tҧi ngҳn hҥn cӫa hӋ thӕQJÿLӋn ngày càng trӣ nên cҩp thiӃt và góp phҫn quan trӑQJWURQJF{QJWiFÿLӅXÿӝ, vұn hành. ViӋc dӵ báo phө tҧi ngҳn hҥn cӫa hӋ thӕQJÿLӋn sӁ cung cҩSFѫVӣ cho lұp kӃ hoҥch vұn hành. Tӯ ÿyGӳ liӋXÿѭӧc sӱ dөQJÿӇ thӵc hiӋn các bài toán vұQKjQKOѭӟLÿLӋn thӡi gian thӵc QKѭKX\ÿӝng nguӗQÿLӅu chӍnh tҫn sӕÿLӋQiS« ĈLӅu này cho thҩy rҵng, viӋc dӵ báo phө tҧi ngҳn hҥn mà cө thӇ là dӵ báo nhu cҫu công suҩt giӡ tӟi Pnext-hour, Pmax và Pmin cӫa ngày tiӃSWKHRFNJQJQKѭ ÿӗ thӏ phө tҧi 24h cӫa ngày tiӃSWKHRÿyQJYDLWUzTXDQWUӑQJYjFyêQJKƭDKӃt sӭc thiӃt thӵc ÿӕi vӟLF{QJWiFÿLӅXÿӝ hӋ thӕQJÿLӋn, giúp cho các kӻ VѭFyWKӇ lұp kӃ hoҥch vұn hành mӝWFiFKFKtQK[iFKѫQÿҧm bҧo công tác vұn hành hӋ thӕQJÿLӋn thӡi gian thӵFÿѭӧc an toàn, әQÿӏnh, tin cұy. Trong thӡi gian vӯa qua, công tác dӵ báo phө tҧi không còn mӟi mҿ và quá xa lҥ, rҩt nhiӅu công cө dӵ báo phө tҧLÿѭӧc xây dӵng dӵa trên nhiӅu mô hình hoһc thuұt toán khác nhau. LuұQYăQQj\WUuQKEj\YҩQÿӅ vӅ ӭng dөng mҥQJQѫURQYjRGӵ báo phө tҧi ngҳn hҥn tҥi khu vӵc phía Nam. Nӝi dung cӫa luұQYăQEDRJӗPFKѭѫQJ &KѭѫQJOXұQYăQJLӟi thiӋu chung mӝt cách tәng quát vӅ hӋ thӕQJÿLӋn ViӋt Nam và tҫm quan trӑng cӫa bài toán dӵ báo phө tҧi ngҳn hҥQ&KѭѫQJWUuQKEjy vӅ bài toán dӵ báo phө tҧi vӟLFiFSKѭѫQJSKiSGӵ báo truyӅn thӕQJNKiFQKDX&KѭѫQJ luұQYăQWUuQKEj\YӅ mҥQJQѫURQQKkQWҥo trong dӵ báo phө tҧi ngҳn hҥn và mô hình bӝ nhӟ dài ± ngҳn hҥQ&KѭѫQJWUuQKEj\YӅ quá trình xây dӵng các mô hình dӵ báo phө tҧi dӵa trên ӭng dөQJFKѭѫQJWUuQK0DW/$%FNJQJQKѭNӃt quҧ cӫa các mô hình. &KѭѫQJVӁ trình bày vӅ mӝt sӕ yӃu tӕ ҧQKKѭӣQJÿӃn quá trình huҩn luyӋn và sai sӕ iii P{KuQK&KѭѫQJFXӕLFQJ&KѭѫQJVӁ ÿѭDUDNӃt luұQYjKѭӟng phát triӇn cӫa ÿӅ tài trong WѭѫQJODL iv ABSTRACT Currently, along with the increasing socio-economic development of Vietnam, the energy demand is rising together with the growing penetration of uncertain renewable energy sources in the Southern power system in particular and the national power system in general. Given that context, forecasting and operation planning are important and play a decisive role in ensuring the safe, stable, and reliable operation of the power system. Therefore, the short-term load forecasting of the power system is becoming more and more urgent and makes a significant contribution to the dispatching and operation. The short-term load forecasting of the power system will provide the basis for operational planning. From there the data is used to perform real-time grid operation problems such as source mobilization, frequency adjustment, voltage adjustment, etc. This shows that the short-term load forecasting, specifically the hourly capacity demand forecast Pnext-hour, Pmax and Pmin of the next day, as well as the 24-hour load graph of the next day plays a crucial and practical role for the dispatching of the power system, helping engineers to plan the operation more accurately, ensuring the real-time operation of the power system is safe, stable, and reliable. In the past time, load forecasting was not new and too strange, many load forecasting tools were built based on many different models or algorithms. This thesis presents the problem of applying neural networks to the short-term load forecasting in the southern region. The content of the thesis consists of six chapters. Chapter 1 gives a general introduction to the Vietnamese power system and the importance of the short-term load forecasting. Chapter 2 presents the problem of load forecasting with various traditional forecasting methods. Chapter 3 presents the artificial neural network in the short-term load forecasting and the long-short-term memory model. Chapter 4 presents the process of building load forecasting models based on the application of MatLAB program as well as the results of these models. Chapter 5 will focus on some factors affecting the training process and model error. The final chapter v (Chapter 6) will give conclusions and directions for the future development of the topic. vi LӠ,&$0Ĉ2$1 7{L[LQFDPÿRDQÿk\OjOXұQYăQQJKLrQFӭu cӫa riêng tôi. Tҩt cҧ các kiӃn thӭc lý thuyӃWÿӅXÿѭӧc tôi tham khҧo và tӵ tәng hӧp tӯ các tài liӋXWURQJYjQJRjLQѭӟc. Các sӕ liӋu và kӃt quҧ nghiên cӭu trong luұQYăQQj\OjWUXQJWKӵc và FKѭDKӅ ÿѭӧc sӱ dөQJÿӇ bҧo vӋ mӝt hӑc vӏ nào. Mӑi sӵ JL~Sÿӥ cho viӋc thӵc hiӋn luұQYăQQj\ ÿmÿѭӧc cҧPѫQYjFiFWK{QJWLQWUtFKGүn trong luұQYăQÿmÿѭӧc chӍ rõ nguӗn gӕc U}UjQJYjÿѭӧc phép công bӕ. Thành phӕ Hӗ &Kt0LQKWKiQJQăP Hӑc viên thӵc hiӋn NguyӉn Trӑng Tuҩn vii MӨC LӨC LӠI CҦ0Ѫ1........................................................................................................................ i TÓM TҲT LUҰ19Ă17+Ҥ&6Ƭ ..................................................................................... ii ABSTRACT ......................................................................................................................... iv LӠ,&$0Ĉ2$1 ................................................................................................................ vi MӨC LӨC .......................................................................................................................... vii DANH MӨC BҦNG............................................................................................................ xi DANH MӨC HÌNH ҦNH.................................................................................................. xii DANH MӨC CÁC TӮ NGӲ VIӂT TҲT ........................................................................ xv PHҪN MӢ ĈҪU................................................................................................................... 1 0.1 Giӟi thiӋu lý do chӑQÿӅ tài.............................................................................................. 1 0.2 VҩQÿӅ sӁ ÿѭӧc nghiên cӭu .............................................................................................. 3 0.3 Tính cҩp thiӃt cӫDÿӅ tài ................................................................................................... 4 ĈӕLWѭӧng, phҥm vi và giӟi hҥn nghiên cӭu .................................................................... 4 3KѭѫQJSKiSQJKLrQFӭu ................................................................................................. 4 éQJKƭDNKRDKӑc và thӵc tiӉn cӫDÿӅ tài ......................................................................... 5 0.7 KӃt quҧ ............................................................................................................................. 5 0.8 Bӕ cөc luұQYăQ................................................................................................................ 6 &+ѬѪ1**,ӞI THIӊU CHUNG .............................................................................. 7 1.1 Tәng quan hiӋn trҥng hӋ thӕQJÿLӋn ViӋt Nam ................................................................ 7 1.2 Tҫm quan trӑng cӫa bài toán dӵ báo phө tҧi ngҳn hҥn .................................................... 8 1.3 KӃt luұn .......................................................................................................................... 10 &+ѬѪ1*%¬,72È1'Ӵ BÁO PHӨ TҦI ............................................................. 12 2.1 Bài toán dӵ báo phө tҧi .................................................................................................. 12 viii 2.2 Dӵ báo phө tҧLWKHRSKѭѫQJSKiSQJRҥi suy ................................................................. 13 2.3 Dӵ báo phө tҧLWKHRSKѭѫQJSKiSKӗi quy..................................................................... 14 2.4 Dӵ báo phө tҧLWKHRSKѭѫQJSKiSKӋ sӕ ÿjQKӗi ........................................................... 16 2.5 Dӵ báo phө tҧLWKHRSKѭѫQJSKiSWѭѫQJTXDQ± xu thӃ................................................. 17 2.6 Dӵ báo phө tҧLWKHRSKѭѫQJSKiSFKuyên gia ............................................................... 19 2.7 Sai sӕ dӵ báo phө tҧi ...................................................................................................... 19 2.8 Các yӃu tӕ ҧQKKѭӣQJWiFÿӝQJÿӃn công tác DBPT .................................................... 19 2.8.1 Thӭ cӫa ngày trong tuҫn ............................................................................................. 19 2.8.2 Thӡi tiӃt trong ngày .................................................................................................... 20 1Jj\ÿһc biӋWWURQJQăP ............................................................................................. 20 2.8.4 TruyӅn hình trӵc tiӃp các sӵ kiӋQYăQKyDWKӇ thao ................................................... 20 2.9 Tҫm quan trӑng cӫa dӵ báo Pmax, Pmin, Pnext-hour hiӋn nay .............................................. 21 2.10 KӃt luұn ........................................................................................................................ 22 &+ѬѪ1*0Ҥ1*1Ѫ5ON TRONG DӴ BÁO PHӨ TҦI NGҲN HҤN.............. 23 3.1 Tәng quan vӅ mҥQJQѫURQ ............................................................................................. 23 3.2 Dӵ báo phө tҧLWKHRSKѭѫQJSKiSPҥQJQѫURQ ............................................................. 24 3.3 Tәng quan vӅ các công trình dӵ báo phө tҧLWKHRSKѭѫQJSKiSPҥQJQѫURQ................ 27 3.4 Bӝ nhӟ dài ± ngҳn hҥn (Long Short-Term Memory, LSTM) ........................................ 28 4 &+ѬѪ1* 4: ӬNG DӨNG MATLAB XÂY DӴNG MÔ HÌNH DӴ BÁO PHӨ TҦI 38 éWѭӣng tәng quát .......................................................................................................... 38 4.2 Dӳ liӋXÿҫu vào và tiӅn xӱ lý ......................................................................................... 39 4.3 Xây dӵng mô hình dӵ báo ............................................................................................. 44 4.4 Mô hình dӵ báo Pt (giӡ tiӃp theo hay Pnext-hour) .............................................................. 48 4.5 Mô hình dӵ báo Pt24h (24 giӡ cӫa ngày tiӃp theo) - dӵ EiRÿӗ thӏ phө tҧi ngày............. 51 ix 4.5.1 Mô hình dӵ báo cho ngày EuQKWKѭӡng ....................................................................... 51 4.5.2 Mô hình dӵ báo cho ngày nghӍ lӉ ............................................................................... 56 4.6 Mô hình dӵ báo Pmax, Pmin.............................................................................................. 60 4.6.1 Mô hình dӵ báo Pmax, Pmin dӵDWUrQWѭѫQJTXDQYӟi Tmax, Tmin .................................. 60 4.6.2 Dӵ báo Pmax, Pmin dӵa trên kӃt quҧ cӫa mô hình dӵ báo Pt24h ..................................... 66 &+ѬѪ1* 5: MӜT SӔ YӂU TӔ Ҧ1++ѬӢ1*ĈӂN QUÁ TRÌNH HUҨN LUYӊN VÀ SAI SӔ MÔ HÌNH ...................................................................................................... 70 5.1 Thuұt toán huҩn luyӋn.................................................................................................... 70 5.2 Sӕ lӟp cӫa mҥQJQѫURQ .................................................................................................. 73 5.3 Sӕ ÿѫQYӏ ҭn cӫa lӟp LSTM (numHiddenUnits)............................................................ 74 5.4 Tӹ lӋ loҥi bӓ (dropout probability) ................................................................................ 75 .tFKWKѭӟc các khӕi nhӓ (miniBatch size) .................................................................... 76 5.6 TӕFÿӝ hӑc (tӹ lӋ hӑc tұp, learning rate) ........................................................................ 77 5.7 Các thông sӕ ÿmÿѭӧc lӵa chӑQWURQJP{KuQKFѫEҧn................................................... 77 6 &+ѬѪ1* 6: KӂT LUҰ19¬+ѬӞNG PHÁT TRIӆN CӪ$Ĉӄ TÀI ..................... 79 6.1 KӃt luұn .......................................................................................................................... 79 +ѭӟng phát triӇn cӫDÿӅ tài ............................................................................................ 80 TÀI LIӊU THAM KHҦO ................................................................................................. 81 PHӨ LӨC............................................................................................................................ 83 Phө lөc 1 Chi tiӃt vӅ các lӟp trong mô hình mҥQJQѫURQ .............................................. 83 PL1.1 sequenceInputLayer .................................................................................................. 83 PL1.2 lstmLayer................................................................................................................... 84 PL1.3 fullyConnectedLayer ................................................................................................. 85 PL1.4 dropoutLayer ............................................................................................................. 86 PL1.5 regressionLayer ......................................................................................................... 87 x PL1.6 trainingOptions .......................................................................................................... 87 Phө lөF&KѭѫQJWUuQK0DW/$% .................................................................................... 93 Phө lөc 3 Quá trình chҥ\FKѭѫQJWUuQK0DW/$%......................................................... 108 Phө lөc 4 Dӳ liӋu thӡi tiӃt thu thұp tӯ trang rp5.ru ..................................................... 115 Phө lөc 5 Dӳ liӋu xây dӵQJÿӇ ÿѭDYjRFKѭѫQJWUuQK .................................................. 123 PHҪN LÝ LӎCH TRÍCH NGANG ................................................................................ 130 xi DANH MӨC BҦNG BҧQJѬXQKѭӧFÿLӇm cӫDSKѭѫQJSKiSQJRҥi suy. ....................................................... 14 BҧQJѬXQKѭӧFÿLӇm cӫDSKѭѫQJSKiSKӗi quy ........................................................... 15 BҧQJѬXQKѭӧFÿLӇm cӫDSKѭѫQJSKiSKӋ sӕ ÿjQKӗi .................................................. 16 BҧQJѬXQKѭӧFÿLӇm cӫDSKѭѫQJSKiSWѭѫQJTXDQ± xu thӃ ....................................... 18 BҧQJѬXQKѭӧFÿLӇm cӫDSKѭѫQJSKiSPҥQJQѫURQQKkQWҥo ..................................... 26 Bҧng 3.2 Các công thӭc mô tҧ các thành phҫn ô nhӟ tҥLEѭӟc thӡi gian t .......................... 35 Bҧng 4.1 Ví dө dӳ liӋu phө tҧi 24h trong mӝt ngày ............................................................ 39 Bҧng 4.2 Sӵ WѭѫQJTXDQJLӳa dӳ liӋu phө tҧi và nhiӋWÿӝ ................................................... 42 Bҧng 4.3 Cҩu trúc bҧng dӳ liӋu mүXÿӇ ÿѭDYjRFKѭѫQJWUuQK ........................................... 43 Bҧng 4.4 HӋ sӕ WѭѫQJTXDQJLӳDFiFÿҥLOѭӧng phө tҧi ± nhiӋWÿӝ (output ± input) ............ 43 Bҧng 4.5 Các thông sӕ ÿҫu vào tùy chӑn khi chҥ\FKѭѫQJWUuQK ........................................ 46 Bҧng 4.6 KӃt quҧ sai sӕ MAPE/RMSE cӫa mô hình dӵ báo Pt24h....................................... 55 Bҧng 4.7 HӋ sӕ WѭѫQJTXDQJLӳa Pmax vӟi Tmax ................................................................... 60 Bҧng 4.8 HӋ sӕ WѭѫQJTXDQJLӳa Pmin vӟi Tmin .................................................................... 60 Bҧng 4.9 KӃt quҧ dӵ báo Pt24h cӫa ngày thӭ Wѭ.................................................................... 67 Bҧng 4.10 Sai sӕ tính toán kӃt quҧ dӵ báo Pmax, Pmin dӵa trên kӃt quҧ mô hình dӵ báo Pt24h ............................................................................................................................................. 68 Bҧng 5.1 ҦQKKѭӣng cӫa thuұt toán huҩn luyӋn .................................................................. 71 Bҧng 5.2 ҦQKKѭӣng cӫa sӕ lӟp cӫa mҥQJQѫURQ................................................................ 73 Bҧng 5.3 ҦQKKѭӣng cӫa sӕ ÿѫQYӏ ҭn cӫa lӟp LSTM ........................................................ 74 Bҧng 5.4 ҦQKKѭӣng cӫa tӹ lӋ loҥi bӓ ................................................................................. 75 Bҧng 5.5 ҦQKKѭӣng cӫDNtFKWKѭӟc các khӕi nhӓ .............................................................. 76 Bҧng 5.6 ҦQKKѭӣng cӫa tӕFÿӝ hӑc.................................................................................... 77 Bҧng 5.7 Các thông sӕ tham khҧRFKRP{KuQKFѫEҧQÿmÿӅ xuҩt ..................................... 78 xii DANH MӨC HÌNH ҦNH +uQK&ѫFҩu nguӗQÿLӋQWURQJ+7Ĉ4XӕFJLDQăP .............................................. 1 Hình 2.1 CҩXWU~FFѫEҧn cӫa mӝt bài toán DBPT. ............................................................. 12 +uQKĈӗ thӏ phө tҧL+7ĈPLӅn Nam ngày 22-07-2020. ................................................ 21 +uQK/ѭXÿӗ giҧi thuұt cӫa mӝt mҥQJQѫURQQKkQWҥo. ................................................. 24 Hình 3.2 CҩXWU~FFѫEҧn cӫa mӝt mҥQJQѫURQQKkQWҥo. ................................................... 24 +uQK/ѭXÿӗ xây dӵng mô hình dӵ báo bҵQJSKѭѫQJSKiSPҥQJQѫURQ..................... 26 Hình 3.4 RNN có thӇ hӑFÿѭӧc nhӳng thông tin ӣ gҫn. [10]................................................. 29 Hình 3.5 RNN khó có thӇ hӑFÿѭӧc nhӳng thông tin ӣ xa. [10]............................................ 29 Hình 3.6 Mô-ÿXQOһp lҥi trong RNN tiêu chuҭn chӭa mӝt lӟp duy nhҩt. [10] ....................... 30 Hình 3.7 Mô-ÿXQOһp lҥi trong mӝt LSTM chӭa 4 lӟSWѭѫQJWiF[10] .................................. 31 Hình 3.8 Trҥng thái ô nhӟ (cell) trong LSTM. [10] ............................................................... 31 Hình 3.9 Mӝt cәng vӟi hàm kích hoҥt sigmoid. [10] ............................................................. 32 Hình 3.10 Cәng quên (forget gate) trong LSTM. [10]........................................................... 32 Hình 3.11 Cәng vào (input gate) trong LSTM. [10] .............................................................. 33 Hình 3.12 Cұp nhұt trҥng thái mӟi cӫa ô nhӟ trong LSTM. [10] .......................................... 33 Hình 3.13 Cәng ra (output gate) trong LSTM. [10]............................................................... 33 Hình 3.14 Luӗng dӳ liӋu tҥLEѭӟc thӡi gian t trong LSTM. ................................................ 34 +uQK0{KuQK/670ÿѭӧFWKrPFiFÿѭӡng kӃt nӕL³SHHSKROHFRQQHFWLRQV´[10] ....... 36 Hình 3.16 Mô hình LSTM nӕi 2 cәng quên và cәQJÿҫu vào. [10] ....................................... 36 Hình 3.17 Mô hình LSTM vӟi cәng cұp nhұt (update gate). [10] ......................................... 36 Hình 4.1 BiӇXÿӗ nhiӋWÿӝ trong 10 ngày tҥi TPHCM. ........................................................ 39 Hình 4.2 Dӳ liӋu khí hұu ± thӡi tiӃt thu thұSÿѭӧc tӯ web rp5.ru ....................................... 41 Hình 4.3 Mô hình mҥQJQHXUDOÿm[k\Gӵng. ...................................................................... 44 xiii +uQK/ѭXÿӗ giҧi thuұt tәng quát cӫa quá trình xây dӵng mô hình dӵ báo. .................. 47 Hình 4.5 Input và output cӫa mô hình dӵ báo Pt. ................................................................ 48 +uQK6ѫÿӗ khӕi cӫa mô hình dӵ báo Pt. ....................................................................... 49 Hình 4.7 Mô hình dӵ báo PtĈӗ thӏ so sánh giӳa giá trӏ dӵ báo cӫa mô hình và giá trӏ quan ViWÿѭӧc trong tұp kiӇm tra. ................................................................................................. 50 Hình 4.8 Mô hình dӵ báo Pt: Sai sӕ MAPE cӫDP{KuQKÿѭӧc kiӇm tra bҵng tұp dӳ liӋu kiӇm tra. ............................................................................................................................... 50 Hình 4.9 Mô hình dӵ báo Pt: Sai sӕ RMSE cӫDP{KuQKÿѭӧc kiӇm tra bҵng tұp dӳ liӋu kiӇm tra. ............................................................................................................................... 51 Hình 4.10 Input và output cӫa mô hình dӵ báo Pt24h FKRQJj\EuQKWKѭӡng. ...................... 52 +uQK6ѫÿӗ khӕi cӫa mô hình dӵ báo Pt24h FKRQJj\EuQKWKѭӡng. ............................. 53 Hình 4.12 Mô hình dӵ báo Pt24hĈӗ thӏ so sánh giӳa giá trӏ dӵ báo cӫa mô hình và giá trӏ quan sát ÿѭӧc trong tұp kiӇm tra. ......................................................................................... 54 Hình 4.13 Mô hình dӵ báo Pt24h: Sai sӕ MAPE cӫDP{KuQKÿѭӧc kiӇm tra bҵng tұp dӳ liӋu kiӇm tra. ............................................................................................................................... 54 Hình 4.14 Mô hình dӵ báo Pt24h: Sai sӕ RMSE cӫDP{KuQKÿѭӧc kiӇm tra bҵng tұp dӳ liӋu kiӇm tra. ............................................................................................................................... 55 Hình 4.15 Input và output cӫa mô hình dӵ báo Pt24h dành cho ngày nghӍ lӉ. ...................... 57 +uQK6ѫÿӗ khӕi cӫa mô hình dӵ báo Pt24h dành cho ngày nghӍ lӉ. ............................. 57 Hình 4.17 So sánh kӃt quҧ mô hình dӵ báo Pt24h cho ngày nghӍ lӉ...................................... 58 Hình 4.18 Sai sӕ MAPE cӫa mô hình dӵ báo Pt24h cho ngày nghӍ lӉ. ................................. 58 Hình 4.19 Sai sӕ RMSE cӫa mô hình dӵ báo Pt24h cho ngày nghӍ lӉ. .................................. 59 Hình 4.20 Input và output cӫa mô hình dӵ báo Pmax, Pmin dӵDWUrQWѭѫQJTXDQYӟi Tmax, Tmin. ...................................................................................................................................... 61 +uQK6ѫÿӗ khӕi cӫa mô hình dӵ báo Pmax, Pmin dӵDWUrQWѭѫQJTXDQYӟi Tmax, Tmin .. 62 Hình 4.22 So sánh kӃt quҧ kiӇm tra mô hình dӵ báo Pmax dӵDWUrQWѭѫQJTXDQYӟi Tmax ... 63 Hình 4.23 Sai sӕ MAPE kiӇm tra mô hình dӵ báo Pmax dӵDWUrQWѭѫQJTXDQYӟi Tmax ....... 63 xiv Hình 4.24 Sai sӕ RMSE kiӇm tra mô hình dӵ báo Pmax dӵDWUrQWѭѫQJTXDQYӟi Tmax ....... 64 Hình 4.25 So sánh kӃt quҧ kiӇm tra mô hình dӵ báo Pmin dӵDWUrQWѭѫQJTXDQYӟi Tmin .... 64 Hình 4.26 Sai sӕ MAPE kiӇm tra mô hình dӵ báo Pmin dӵDWUrQWѭѫQJTXDQYӟi Tmin ........ 65 Hình 4.27 Sai sӕ RMSE kiӇm tra mô hình dӵ báo Pmin dӵDWUrQWѭѫQJTXDQYӟi Tmin ........ 65 Hình 4.28 Sӵ bә sung cӫa mô hình dӵ báo Pmax, Pmin dӵDWUrQVѫÿӗ khӕi cӫa mô hình dӵ báo Pt24h ................................................................................................................................ 66 Hình 4.29 So sánh kӃt quҧ dӵ báo Pmax dӵa trên kӃt quҧ mô hình dӵ báo Pt24h................... 67 Hình 4.30 So sánh kӃt quҧ dӵ báo Pmin dӵa trên kӃt quҧ mô hình dӵ báo Pt24h ................... 68 Hình 5.1 Quá trình huҩn luyӋn mô hình bҵng thuұt toán Adam. ......................................... 71 Hình 5.2 Quá trình huҩn luyӋn mô hình bҵng thuұt toán RMSProp. ................................... 72 Hình 5.3 Quá trình huҩn luyӋn mô hình bҵng thuұt toán SGDM. ....................................... 72 Hình PL1.1 Khái niӋm chuҭn hóa Z-score. ......................................................................... 84 Hình PL3.1 Menu chӑn ngày cҫn dӵ báo. ......................................................................... 108 Hình PL3.2 Cӱa sә ÿLӅQÿѭӡng dүQÿӃn file chӭa dӳ liӋu. ................................................ 108 Hình PL3.3 Cӱa sә chӑn tӹ lӋ phân tách dӳ liӋu thành tұp huҩn luyӋn và tұp kiӇm tra. ... 109 Hình PL3.4 Menu chӑn dӳ liӋu quá khӭ GQJÿӇ huҩn luyӋn mô hình. ............................ 109 Hình PL3.5 Cӱa sә tùy chӑn thông sӕ huҩn luyӋn mô hình. ............................................. 110 Hình PL3.6 Cӱa sә FKRQJѭӡi dùng chӑQKjQKÿӝng tiӃp theo. ........................................ 111 Hình PL3.7 Cӱa sә nhұSÿѭӡng dүQÿӃn file chӭa dӳ liӋu cҫn dӵ báo. ............................ 111 Hình PL3.8 KӃt quҧ dӵ báo trong cӱa sә lӋnh. .................................................................. 112 Hình PL3.9 Quá trình huҩn luyӋn mô hình. ....................................................................... 112 Hình PL3.10 Sai sӕ MAPE cӫDP{KuQKÿѭӧc kiӇm tra bҵng tұp dӳ liӋu kiӇm tra. .......... 113 Hình PL3.11 Sai sӕ RMSE cӫDP{KuQKÿѭӧc kiӇm tra bҵng tұp dӳ liӋu kiӇm tra. .......... 113 +uQK3/Ĉӗ thӏ so sánh giӳa giá trӏ tính toán cӫa mô hình và giá trӏ TXDQViWÿѭӧc trong tұp kiӇm tra. .............................................................................................................. 114 xv DANH MӨC CÁC TӮ NGӲ VIӂT TҲT ADAM Adaptive Moment estimation AI Artificial Intelligence ANN Artificial Neural Network BP Back-Propagation EVN Électricité du Vietnam GD Gradient Descent ICAO International Civil Aviation Organization LSTM Long Short-Term Memory MAPE Mean Absolute Percentage Error MLP Multi-Layer Perceptron MRE Mean Relative Error RMSE Root Mean Square Error RMSProp Root Mean Square Propagation RNN Recurrent Neural Network SCADA Supervisory Control and Data Acquisition SGDM Stochastic Gradient Descent with Momentum SVM Support Vector Machine 1 PHҪN MӢ ĈҪU 0.1 Giӟi thiӋu lý do chӑQÿӅ tài 1ăQJOѭӧng là mӝt trong nhӳng nguӗn lӵFFѫEҧn cӫa nӅn kinh tӃ nên phát triӇQQăQJOѭӧng bӅn vӳng là mӕLTXDQWkPKjQJÿҫu cӫa các quӕFJLDWURQJÿyFy ViӋt Nam. Song hành cùng vӟLJLDLÿRҥQWăQJWUѭӣng kinh tӃ mҥnh mӁ, nhu cҫu tiêu thө ÿLӋQQăQJFӫa ViӋW1DPÿmJLDWăQJOLrQWөc trong thӡi gian vӯDTXDYѭӧt quá khҧ QăQJFXQJӭng cӫa hӋ thӕQJÿLӋn, bҵng chӭng là viӋc phҧi nhұp khҭXÿLӋn tӯ Lào và Trung Quӕc hoһc phҧLWăQJFѭӡng chҥy các tә Pi\SKiWÿLӋn vӟi nhiên liӋu dҫu có chi phí cӵc kǤ ÿҳWÿӓ. 7URQJNKLÿyQJXӗQFXQJÿLӋQQăQJFӫa ViӋt Nam chӫ yӃu là thӫ\ÿLӋn và nhiӋWÿLӋn (than, khí, dҫu). Hình 0.1 thӇ hiӋQFѫFҩu nguӗQÿLӋQQăP/jPWKӫy ÿLӋn phҧi mҩt rӯQJÿk\OjQJXӗn phát phө thuӝc hoàn toàn vào tình hình thӫ\YăQ trên các con sông lӟn phía Bҳc (hiӋQQD\ÿDQJEӏ cҥn kiӋt do Trung Quӕc xây mӝt sӕ Oѭӧng lӟQÿұp thӫ\ÿLӋn ӣ ÿҫu nguӗQYjFiFFKX\rQJLDFNJQJGӵ báo rҵng tiӅPQăQJ thӫ\ÿLӋn sӁ ÿѭӧc khai thác hӃWWURQJYjLQăPWӟi. Phát triӇn nhiӋWÿLӋn gây ô nhiӉm P{LWUѭӡng, phҧi nhұp khҭu than nên phө thuӝc vào giá than thӃ giӟL+ѫQQӳa, nhӳng tài nguyên không tái tҥRQKѭWKDQÿiGҫu mӓNKtWKLrQQKLrQFNJQJVӁ cҥn dҫn. Dӵ án ÿLӋn hҥt nhân tҥi Ninh ThuұQWKuÿDQJWURQJWuQKWUҥQJ³KRmQY{WKӡi hҥQ´VDXVӵ cӕ QKjPi\ÿLӋn hҥt nhân Fukushima cӫa Nhұt BҧQYjRQJj\WKiQJQăP Hình 0.1 &˯F̭u ngu͛QÿL͏QWURQJ+7Ĉ4X͙FJLDQăP (Ngu͛Q7UXQJWkPĈL͉Xÿ͡ +7Ĉ4X͙c Gia.) 2 NhҵPÿҧm bҧo nguӗn cung ӭQJÿLӋn lâu dài và giҧm thiӇu các tác hҥLÿӃn môi WUѭӡng, Chính phӫ chӫ WUѭѫQJVӱ dөQJQăQJOѭӧng tái tҥo (NLTT) nhiӅXKѫQQӳa, WURQJÿyFyÿLӋn mһt trӡLYjÿLӋn gió ± nhӳng nguӗQQăQJOѭӧQJÿѭӧFÿiQKJLiOj ³VҥFK´YjFyQKLӅu tiӅPQăQJӣ ViӋt Nam. Dӵa vào chӫ WUѭѫQJNKX\Ӄn khích cӫa Chính phӫ thông qua QuyӃWÿӏnh sӕ 4Ĉ-TTg cӫa Thӫ Wѭӟng Chính phӫ vӅ &ѫchӃ khuyӃn khích phát triӇn các dӵ iQÿLӋn mһt trӡi tҥi ViӋt Nam (gӑi tҳt là QuyӃWÿӏQKKjQJWUăPFiFGӵ iQÿLӋn mһt trӡi mӑc lên khҳSQѫLWURQJFҧ Qѭӟc, tұp trung chӫ yӃu ӣ phía Nam vӟi tiêu biӇu là hai tӍnh Ninh Thuұn và Bình Thuұn. Chính phӫ FNJQJFam kӃWWK~Fÿҭy phát triӇn ÿLӋn gió thông qua ban hành QuyӃWÿӏnh sӕ 4Ĉ-77JQJj\WKiQJQăP 2018 vӅ SӱDÿәi, bә sung mӝt sӕ ÿLӅu cӫa QuyӃWÿӏnh sӕ 4Ĉ-TTg ngày 29 WKiQJQăPFӫa Thӫ Wѭӟng Chính phӫ vӅ &ѫFKӃ hӛ trӧ phát triӇn các dӵ án ÿLӋn gió tҥi ViӋt Nam. Bên cҥQKÿyWURQJQJj\WKiQJQăPYӯa qua, Thӫ Wѭӟng Chính phӫ ÿmNêEDQKjQK4X\ӃWÿӏnh sӕ 4Ĉ-TTg vӅ &ѫFKӃ khuyӃn khích phát triӇn ÿLӋn mһt trӡi tҥi ViӋt Nam (gӑi tҳt là QuyӃWÿӏQKÿӇ thay thӃ cho QuyӃWÿӏnh 11 ÿmKӃt hiӋu lӵc tӯ ngày 30/6/2019. Trong QuyӃWÿӏnh 13 nêu rõ viӋFÿҭy mҥnh phát triӇQÿLӋn mһt trӡi áp mái lҳSÿһt trên mái nhà cӫa các công trình xây dӵng hoһc hӝ dân. 7Uѭӟc tình hình thâm nhұp vӟi tӹ lӋ ngày càng cao cӫa các nguӗn NLTT vào hӋ thӕQJÿLӋQYjÿһc tính bҩWÿӏnh cӫa chúng (do phө thuӝc nhiӅu vào thӡi tiӃt), khiӃn cho viӋc dӵ báo nhu cҫu phө tҧi ngҳn hҥn trӣ thành mӝt trong nhӳng vҩQÿӅ hӃt sӭc cҩp bách và quan trӑQJÿӕi vӟi viӋc vұn hành hӋ thӕng. Bên cҥQKÿyYLӋFQJjQKÿLӋn ViӋW1DPKѭӟng tӟi thӏ WUѭӡng bán lҿ ÿLӋn cҥQKWUDQKWURQJWѭѫQJODLNK{QJ[DFNJQJ là mӝt trong nhӳng yӃu tӕ nâng tҫm quan trӑng cӫa viӋc dӵ báo phө tҧi ngҳn hҥn, phөc vө cho viӋFÿҩu thҫu, chào giá, giúp cho các bên tham gia thӏ WUѭӡng có thêPFѫ sӣ quyӃWÿӏnh giá mua ± bán trên thӏ WUѭӡQJÿLӋQĈyFNJQJFKtQKOjOêGRFKӑn lӵDÿӅ tài này.