ỨNG DỤNG HỌC SÂU TRONG XÂY DỰNG MÔ HÌNH DỰ BÁO PHỤ TẢI  DÀI HẠN TẠI CÁC THỜI ĐIỂM CUỐI TUẦN TẠI TÂY NINH

Bùi Quốc Hoan; Võ Văn Ba; Trần Xuân Vĩnh Nghĩa; Võ Ngọc Điều; Lê Trung Kiên

doi:10.34238/tnu-jst.13702

ỨNG DỤNG HỌC SÂU TRONG XÂY DỰNG MÔ HÌNH DỰ BÁO PHỤ TẢI DÀI HẠN TẠI CÁC THỜI ĐIỂM CUỐI TUẦN TẠI TÂY NINH

Thông tin bài báo

Ngày nhận bài: 29/09/25 Ngày hoàn thiện: 31/12/25 Ngày đăng: 31/12/25

Các tác giả

1. Bùi Quốc Hoan, Tổng công ty Điện lực Miền Nam
2. Võ Văn Ba, Tổng công ty Điện lực Miền Nam
3. Trần Xuân Vĩnh Nghĩa, Tổng công ty Điện lực Miền Nam
4. Võ Ngọc Điều, Trường Đại học Bách khoa - ĐH Quốc gia Thành phố Hồ Chí Minh
5. Lê Trung Kiên , Trường Đại học Công nghệ Thành phố Hồ Chí Minh

Tóm tắt

Trong bối cảnh nhu cầu điện năng tại các đô thị lớn ngày càng tăng cao, việc dự báo chính xác phụ tải điện, đặc biệt trong những ngày cuối tuần khi mức tiêu thụ thường biến động mạnh, có ý nghĩa quan trọng trong quy hoạch và điều độ hệ thống điện. Bài báo này trình bày mô hình học sâu WPCFT (Weekend Power Consumption Forecasting), được thiết kế với sự kết hợp giữa khối CNN đa-kernel để khai thác các đặc trưng cục bộ của chuỗi dữ liệu và LSTM encoder nhằm nắm bắt quan hệ phụ thuộc dài hạn. Khác với các phương pháp thống kê truyền thống và các mô hình học sâu đơn thuần, WPCFT tập trung xử lý những dao động bất thường thường xuất hiện vào cuối tuần, từ đó mang lại khả năng dự báo ổn định và chính xác hơn. Nghiên cứu được thực hiện trên dữ liệu phụ tải thực tế tại thành phố Tây Ninh trong năm 2022, với quá trình huấn luyện và đánh giá được triển khai nghiêm ngặt trên cùng tập dữ liệu. Kết quả thực nghiệm cho thấy WPCFT đạt được mức sai số thấp hơn đáng kể so với nhiều mô hình học sâu tiên tiến hiện nay như GRU, LSTM, BiLSTM, Seq2Seq, Transformer, Reformer và Informer. Những phát hiện này không chỉ khẳng định tiềm năng ứng dụng của AI trong lĩnh vực dự báo phụ tải điện cuối tuần tại Việt Nam, mà còn mở ra cơ hội tích hợp vào hệ thống lưới điện thông minh, góp phần tối ưu hóa vận hành và nâng cao hiệu quả sử dụng năng lượng trong bối cảnh đô thị hóa và công nghiệp hóa nhanh chóng.

Từ khóa

Dự báo phụ tải; Học sâu; WPCFT; Dữ liệu phụ tải cuối tuần; Lưới điện thông minh

Toàn văn:

PDF

Tài liệu tham khảo

[1] N. H. Duong, T. L. Nguyen, and M. T. Nguyen, “Compare the optimal algorithms for wavenet applications in load forecasting,” TNU J. Sci. Technol., vol. 228, no. 07, pp. 37–45, Apr. 2023, doi: 10.34238/tnu-jst.6956.

[2] A. T. Nguyen, M. D. Ngo, T. N. Ngo, and T. N. Tran, “Research and application of the stacking ensemble model in short-term load forecasting,” TNU J. Sci. Technol., vol. 230, no. 06, pp. 148–156, Mar. 2025, doi: 10.34238/tnu-jst.11886.

[3] I. Patsakos, E. Vrochidou, and G. A. Papakostas, “A Survey on Deep Learning for Building Load Forecasting,” Math. Probl. Eng., vol. 2022, pp. 1–25, Jun. 2022, doi: 10.1155/2022/1008491.

[4] Y. Eren and İ. Küçükdemiral, “A comprehensive review on deep learning approaches for short-term load forecasting,” Renew. Sustain. Energy Rev., vol. 189, Jan. 2024, doi: 10.1016/j.rser.2023.114031.

[5] C. Tarmanini, N. Sarma, C. Gezegin, and O. Ozgonenel, “Short term load forecasting based on ARIMA and ANN approaches,” Energy Rep., vol. 9, pp. 550–557, May 2023, doi: 10.1016/j.egyr.2023.01.060.

[6] C. Yin et al., “SARIMA-Based Medium- and Long-Term Load Forecasting,” Strateg. Plan. Energy Environ., Jan. 2023, doi: 10.13052/spee1048-5236.4222.

[7] W. Waheed and X. Qingshan, “An efficient load forecasting technique by using Holt‐Winters and Prophet algorithms to mitigate the impact on power consumption in COVID‐19,” IET Energy Syst. Integr., vol. 6, no. 4, pp. 364–374, Dec. 2024, doi: 10.1049/esi2.12132.

[8] Z. Wang, X. Zhou, J. Tian, and T. Huang, “Hierarchical parameter optimization based support vector regression for power load forecasting,” Sustain. Cities Soc., vol. 71, Aug. 2021, doi: 10.1016/j.scs.2021.102937.

[9] Y. Lu and G. Wang, “A load forecasting model based on support vector regression with whale optimization algorithm,” Multimed. Tools Appl., vol. 82, no. 7, pp. 9939–9959, Mar. 2023, doi: 10.1007/s11042-022-13462-2.

[10] R. Krishna, H. Sathish, and N. Zhou, “Forecasting Uncertainty Parameters of Virtual Power Plants Using Decision Tree Algorithm,” Electr. Power Compon. Syst., vol. 51, no. 16, pp. 1756–1769, Oct. 2023, doi: 10.1080/15325008.2023.2205413.

[11] V. Veeramsetty, K. R. Reddy, M. Santhosh, A. Mohnot, and G. Singal, “Short-term electric power load forecasting using random forest and gated recurrent unit,” Electr. Eng., vol. 104, no. 1, pp. 307–329, Feb. 2022, doi: 10.1007/s00202-021-01376-5.

[12] S. Luo, B. Wang, Q. Gao, Y. Wang, and X. Pang, “Stacking integration algorithm based on CNN-BiLSTM-Attention with XGBoost for short-term electricity load forecasting,” Energy Rep., vol. 12, pp. 2676–2689, Dec. 2024, doi: 10.1016/j.egyr.2024.08.078.

[13] L. Zhang and D. Jánošík, “Enhanced short-term load forecasting with hybrid machine learning models: CatBoost and XGBoost approaches,” Expert Syst. Appl., vol. 241, May 2024, doi: 10.1016/j.eswa.2023.122686.

[14] S. Aslam, H. Herodotou, S. M. Mohsin, N. Javaid, N. Ashraf, and S. Aslam, “A survey on deep learning methods for power load and renewable energy forecasting in smart microgrids,” Renew. Sustain. Energy Rev., vol. 144, Jul. 2021, doi: 10.1016/j.rser.2021.110992.

[15] N. Ahmad, Y. Ghadi, M. Adnan, and M. Ali, “Load Forecasting Techniques for Power System: Research Challenges and Survey,” IEEE Access, vol. 10, pp. 71054–71090, 2022, doi: 10.1109/ACCESS.2022.3187839.

[16] A. Wan, Q. Chang, K. AL-Bukhaiti, and J. He, “Short-term power load forecasting for combined heat and power using CNN-LSTM enhanced by attention mechanism,” Energy, vol. 282, Nov. 2023, doi: 10.1016/j.energy.2023.128274.

[17] C. Li, G. Li, K. Wang, and B. Han, “A multi-energy load forecasting method based on parallel architecture CNN-GRU and transfer learning for data deficient integrated energy systems,” Energy, vol. 259, Nov. 2022, doi: 10.1016/j.energy.2022.124967.

[18] M. Imani, “Electrical load-temperature CNN for residential load forecasting,” Energy, vol. 227, Jul. 2021, doi: 10.1016/j.energy.2021.120480.

[19] A. Vaswani et al., “Attention Is All You Need,” arXiv, 2017, doi: 10.48550/ARXIV.1706.03762.

[20] N. Kitaev, Ł. Kaiser, and A. Levskaya, “Reformer: The Efficient Transformer,” arXiv, 2020, doi: 10.48550/ARXIV.2001.04451.

[21] H. Zhou et al., “Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting,” Proc. AAAI Conf. Artif. Intell., vol. 35, no. 12, pp. 11106–11115, May 2021, doi: 10.1609/aaai.v35i12.17325.

[22] Scikit-learn, "StandardScaler," 2025. [Online]. Available: https://scikit-learn.org/stable/modules/generated/ sklearn.preprocessing.StandardScaler.html. [Accessed Sep. 29, 2025].

DOI: https://doi.org/10.34238/tnu-jst.13702

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ