Short-Term Load Forecasting Using Long Short-Term Memory Based on EVN NLDC Data

Abstract

Dự báo phụ tải luôn là một phần quan trọng của một hệ thống điện
làm việc hiệu quả trong việc lên kế hoạch cho bất cứ hoạt động nào.
Do thị trường điện toàn cầu phát triển nhanh trong những năm gần
đây, phụ tải điện dần dần trở nên không ổn định và từ đó làm cho việc
dự báo chính xác trở nên khó khăn. Hiện nay, rất nhiều kỹ thuật có thể
được sử dụng cho việc dự báo phụ tải như Logic mờ (Fuzzy Logic),
tiếp cận ngày tương đương (Similar-day Approach), hệ thống chuyên
gia (Expert Systems),v.v. Tuy nhiên, những phương pháp trên thường
đạt những kết quả không mong muốn vì sự thay đổi lớn của phụ tải
điện. Trong nghiên cứu này, một mô hình dự báo phụ tải ngắn hạn
được đề xuất dựa trên mạng Long Short-Term Memory (LSTM) kết
hợp với thuật toán hồi quy tuyến tính (LR) và dữ liệu phụ tải từ Trung
tâm Điều độ Hệ thống Điện Quốc Gia (NLDC-EVN). Dự báo phụ tải
ngắn hạn có ảnh hưởng lớn đến việc huy động nguồn và chiến lược sử
dụng công suất dự trữ cho hệ thống điện quốc gia đồng thời nâng cao
độ tin cậy của hệ thống cung cấp điện. Dữ liệu phụ tải điện quốc gia
có thể được coi như một chuỗi thời gian bao gồm hai thành phần: xu
hướng (trend) và phần dư (residual). Hồi quy tuyến tính (LR) được sử
dụng cho việc dự báo trend và LSTM được dùng cho việc dự báo phần
dư. Bên cạnh đó, để đánh gia hiệu suất của mô hình đề xuất, mô hình
Mạng Nơ-ron nhân tạo (ANN) được coi như mô hình tham chiếu. Kết
quả cho thấy mô hình đề xuất đạt sai số Tuyệt đối phần trăm trung
bình (MAPE) trong khoảng từ 1% đến 4% cho việc dự báo ngày tới
trong khi đó mô hình ANN đạt MAPE lớn hơn 4%.