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

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.