ỨNG DỤNG SEQ2SEQ-LSTM TRONG MÔ HÌNH DỰ BÁO NGẮN HẠN PHỤ TẢI CHO LƯỚI ĐIỆN Ở TIỀN GIANG

Tóm tắt

Dự báo phụ tải ngắn hạn là rất quan trọng đối với các nhà cung cấp năng lượng để đáp ứng tải trọng của người tiêu dùng kết nối với lưới điện. Nghiên cứu này khám phá hiệu suất của các mô hình dự báo ngắn hạn nhu cầu phụ tải, bao gồm CNN-LSTM, Wavenet và Seq2Seq tích hợp long short-term memory (LSTM). Mô hình dự báo Seq2Seq-LSTM được thiết lập bằng cách kết hợp cấu trúc từ chuỗi đến chuỗi (Seq2Seq) với mô hình nơ-ron dài ngắn hạn để cải thiện độ chính xác dự báo. Nghiên cứu xác thực các mô hình bằng dữ liệu nhu cầu từ hệ thống điện Tiền Giang từ năm 2020 đến 2022, lấy vào cân nhắc nhu cầu lịch sử, các ngày lễ và các biến số thời tiết làm đặc trưng đầu vào. Kết quả cho thấy cả mô hình CNN-LSTM, Wavenet và Seq2Seq-LSTM đều có thể dự đoán nhu cầu tương lai với sai số bình phương trung bình gốc (RMSE) và sai số phần trăm tuyệt đối trung bình (MAPE). Vì vậy, các mô hình đề xuất không chỉ là một công cụ hữu ích trong việc đưa ra quyết định thông minh và lập kế hoạch cho nhu cầu năng lượng trong tương lai, mà còn có thể đóng một vai trò quan trọng trong việc tối ưu hóa sử dụng tài nguyên năng lượng, giảm thiểu tác động tiêu cực đến môi trường, và cải thiện hiệu suất tổng thể của ngành năng lượng.