NGHIÊN CỨU VÀ ỨNG DỤNG MÔ HÌNH STACKING ENSEMBLE TRONG DỰ BÁO PHỤ TẢI NGẮN HẠN

Tóm tắt

Nghiên cứu này trình bày quá trình phát triển và triển khai mô hình Stacking Ensemble để dự báo tải ngắn hạn, một nhiệm vụ quan trọng trong quản lý và vận hành hệ thống điện. Mô hình Stacking Ensemble tích hợp nhiều thuật toán học máy, bao gồm XGBoost, LightGBM, Ridge Regression, Random Forest và Support Vector Regression, để tăng cường độ chính xác của dự báo và giảm các số liệu lỗi phổ biến như Mean Absolute Error, Mean Absolute Percentage Error, Mean Squared Error và Root Mean Squared Error. Các phát hiện chứng minh rằng mô hình Stacking Ensemble hoạt động tốt hơn các mô hình riêng lẻ khi xử lý các tập dữ liệu phức tạp và dễ biến động. So sánh toàn diện giữa Stacking Ensemble và các mô hình riêng lẻ như XGBoost, LightGBM, Random Forest và Support Vector Regression cho thấy Stacking không chỉ cải thiện độ chính xác của dự báo mà còn mang lại tính ổn định cao hơn trong các tình huống khác nhau. Nghiên cứu này xác nhận Stacking Ensemble là một phương pháp mạnh mẽ và hiệu quả để tối ưu hóa dự báo tải ngắn hạn, do đó góp phần nâng cao quản lý năng lượng và vận hành hệ thống điện hiệu quả hơn.