Dự báo nhu cầu điện có vai trò quan trọng trong nâng cao hiệu quả hệ thống truyền tải điện và phân phối điện, cũng như thiết kế chiến lược phát triển ngành điện trong dài hạn. Việc đánh giá quá thấp hoặc quá cao nhu cầu so với thực tế có thể dẫn đến sự phân bổ nguồn lực không hợp lý, gây tốn kém và lãng phí.
Tại Việt Nam, nhu cầu sử dụng điện đang được dự báo theo khung Quy hoạch phát triển điện lực quốc gia lần thứ tám (PDP VIII), dựa trên các biến số kinh tế- xã hội như GDP, dân số... thay vì dựa trên các mô hình thời gian truyền thống, vốn đưa ra dự báo từ các dữ liệu quá khứ, chẳng hạn, dự báo nhu cầu sử dụng điện tháng sau dựa trên nhu cầu sử dụng tháng trước.
Trong vài thập kỷ qua, mạng nơ-ron nhân tạo (ANN) nổi lên như một công cụ nền tảng trong lĩnh vực dự báo nhu cầu sử dụng điện. Trong đó, mạng nơ-ron hàm cơ sở xuyên tâm (RBFNN) - một dạng đặc biệt của ANN - là mô hình học máy có khả năng kết hợp cả mô hình thời gian truyền thống và nhiều biến đầu vào.
Một nhóm nhà nghiên cứu từ Đại học Quốc gia Pusan (Hàn Quốc) đã thử nghiệm mô hình RBFNN trong dự báo nhu cầu điện tại Việt Nam và công bố kết quả trên tạp chí Energy.
 |
Dự báo nhu cầu điện có vai trò quan trọng trong nâng cao hiệu quả hệ thống truyền tải điện. Ảnh minh hoạ: istock
Nhóm nghiên cứu cung cấp cho mô hình dữ liệu các biến kinh tế - xã hội và dữ liệu tiêu thụ điện thực tế.
Trong đó, các biến kinh tế - xã hội gồm: giá trị xuất nhập khẩu hàng hóa và dịch vụ (EXP và IMP), dân số (POP), GDP, GDP bình quân đầu người (GDP/C), dân số đô thị (URB), tỷ lệ đô thị hóa (URB%), giá trị sản xuất công nghiệp (IND), tỷ trọng ngành công nghiệp trong GDP (IND%), được lấy từ báo cáo của World Bank. Dữ liệu tiêu thụ điện thực tế của Việt Nam được lấy từ Cơ quan Thông tin Năng lượng Hoa Kỳ (EIA). Các dữ liệu được chia làm hai giai đoạn, dữ liệu giai đoạn 1990-2015 được dùng để đào tạo mô hình, dữ liệu giai đoạn 2016-2020 được dùng để kiểm tra mô hình.
Nhóm nghiên cứu đã tạo ra 8 mô hình, mỗi mô hình đều loại trừ một trong số các biến nêu trên và chỉ đưa bảy biến còn lại làm dữ liệu đầu vào. Qua đó, nhóm nghiên cứu nhận thấy các biến quan trọng nhất theo thứ tự là POP, IMP, URB, GDP, EXP và IND% ít quan trọng nhất.
Kết quả so sánh giữa RBFNN và các mô hình học máy khác như Random Forest, Decision Tree, XGBoost... chỉ ra, tất cả các mô hình này đều có sai số dưới 4% - một mức sai số thấp khi ứng dụng với các dữ liệu huấn luyện. Tuy nhiên, chỉ có RBFNN duy trì được mức sai số 3,3% khi ứng dụng với các dữ liệu kiểm tra, trong khi các mô hình còn lại đều có sai số dao động từ 17-35%.
Nhóm nghiên cứu cũng thực hiện so sánh giữa RBFNN và PDP VIII, vốn được xây dựng dựa trên mô hình kinh tế lượng với các biến như GDP, dân số, tốc độ đô thị hoá... trong giai đoạn 2021- 2023. Kết quả, sai số của RBFNN là 1,5%, thấp hơn so với sai số 7,3% của PDP VIII, cho thấy những dự báo của RBFNN sát với thực tế hơn.
Đến năm 2030, RBFNN dự báo mức tiêu thụ điện đạt 422,8 TWh, trong khi PDP VIII ước tính con số này là 505,2 TWh.
Nguồn:
https://www.sciencedirect.com/science/article/abs/pii/S0360544225034048
Diễm Quỳnh