Ứng dụng mạng nơron nhân tạo cho bài toán dự báo nhu cầu điện năng của Thành phố Vinh giai đoạn 2016 - 2020

 Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Tập 58, Kỳ 2 (2017) 121-127 121 
Ứng dụng mạng nơron nhân tạo cho bài toán dự báo nhu cầu 
điện năng của Thành phố Vinh giai đoạn 2016 - 2020 
Đặng Quang Khoa * 
Khoa Điện, Trường Đại học Sư phạm Kỹ thuật Vinh, Việt Nam 
THÔNG TIN BÀI BÁO 
TÓM TẮT 
Quá trình: 
Nhận bài 19/01/2017 
Chấp nhận 16/3/2017 
Đăng online 28/4/2017 
 Dự báo nhu cầu điện năng là bài toán ứng dụng quan trọng trong lĩnh vực 
quy hoạch và phát triển hệ thống điện. Nghiên cứu ứng dụng mạng nơ ron 
nhân tạo cho bài toán dự báo nhu cầu điện là xu hướng nghiên cứu ứng dụng 
mới nhằm sử dụng các phương pháp dự báo linh hoạt, thông minh hơn so với 
các phương pháp truyền thống để cải thiện khả năng và chất lượng của các 
mô hình dự báo phụ tải điện. Trong bài báo này, tác giả đã xây dựng được 
một mô hình mạng nơrơn có cấu trúc phù hợp để ứng dụng cho công tác dự 
báo nhu cầu điện năng cho thành phố Vinh giai đoạn 2016 - 2020. Các kết quả 
dự báo bằng mô hình mới đã được so sánh, đánh giá và kiểm chứng bằng dữ 
liệu thực tế và kết quả của các phương pháp dự báo phụ tải điện phổ biến 
khác. 
© 2017 Trường Đại học Mỏ - Địa chất. Tất cả các quyền được bảo đảm. 
Từ khóa: 
Mạng nơron 
Tải điện 
Bài toán dự báo 
1. Mở đầu 
Kết quả phân tích định hướng phát triển kinh 
tế xã hội của thành phố Vinh (Bảng 1) cho thấy cơ 
cấu kinh tế và nhu cầu điện năng đối với thành phần 
phụ tải điện trong giai đoạn sắp tới sẽ phát triển 
nhanh, mạnh và chiếm tỷ trọng lớn trong toàn tỉnh. 
Vì vậy, công tác dự báo nhu cầu điện năng là việc 
làm cấp thiết nhằm ứng dụng vào thực tiễn quy 
hoạch và phát triển các nguồn điện và lưới điện của 
thành phố Vinh giai đoạn 2016 - 2020 (Báo cáo 
chính trị, 2015). 
Trong lĩnh vực nghiên cứu về quy hoạch và 
phát triển hệ thống điện, các phương pháp truyền 
thống đã được nghiên cứu và ứng dụng cho bài 
toán dự báo nhu cầu phụ tải điện bao gồm: phương 
pháp ngoại suy theo thời gian và phương hệ số đàn 
hồi (Nguyễn Lân Tráng, 2007). Các phương pháp 
kể trên nhìn chung đều khá đơn giản, quy mô dữ 
liệu đầu vào không lớn, phụ thuộc vào các hệ số 
điều chỉnh theo kinh nghiệm và thường chỉ xét tới 
ảnh hưởng của một biến số cụ thể tới sự thay đổi về 
nhu cầu phụ tải điện trong tương lai. Trong khi đó, 
phụ tải điện trung và dài hạn của một khu vực là 
một hàm phi tuyến phụ thuộc vào nhiều biến số 
đầu vào khác nhau như dân số, tổng sản phẩm nội 
địa, giá trị sản xuất công nghiệp, cơ cấu nền kinh tế, 
chỉ số giá tiêu dùng, số hộ gia đình, giá điện, nhiệt 
độ Do đó, các phương pháp truyền thống có thể 
cho kết quả dự báo với độ chính xác không cao, đặc 
biệt là khi người làm dự báo thiếu kinh nghiệm 
hoặc không đủ dữ liệu đầu vào. Trong bài báo này, 
tác giả đã ứng dụng hai phương pháp nói trên để 
_____________________ 
*Tác giả liên hệ 
E-mail: dangquangkhoaktv@yahoo. com 
122 Đặng Quang Khoa/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58 (2), 121-127 
Bảng 2. Kết quả dự báo nhu cầu điện năng của 5 thành phần (CN - Công nghiệp; TM - Thương mại; 
QLTD -Quản lý, Tiêu dùng; HĐK - Hoạt động khác; NLN -Nông lâm ngư) phụ tải được tính bằng phương 
pháp ngoại suy. 
dự báo nhu cầu điện năng cho thành phố Vinh giai 
đoạn 2016 - 2020 và thu được kết quả cho trong 
Bảng 2 và Bảng 3. 
2. Ứng dụng mạng nơron nhân tạo lan truyền 
ngược sai số vào bài toán dự báo phụ tải điện 
thành phố Vinh 
2. 1. Giới thiệu 
Các nghiên cứu gần đây (Aslan và nnk. , 2011) 
cho thấy mạng nơron nhân tạo (Artifiricial Neuron 
Network - ANN) đã và đang được sử dụng trong các 
lĩnh vực khác nhau của các nghiên cứu về hệ thống 
điện, trong đó có lĩnh vực dự báo phụ tải điện. Việc 
sử dụng phương pháp mạng nơron nhân tạo nhằm 
khắc phục những hạn chế của các phương pháp dự 
báo phụ tải thông thường, truyền thống. ANN đặc 
biệt hữu ích khi dữ liệu đầu vào có mức độ tương 
quan cao, lượng không đủ lớn, hoặc khi hệ thống 
cần dự báo có tính phi tuyến ngẫu nhiên cao. 
Phương pháp này thường cho kết quả dự báo với 
độ chính xác cao, dự báo được các sự kiện theo thời 
gian, đồng thời làm nổi bật được các tham số
TT Các chỉ tiêu Tỷ lệ % 
1 
Nhịp độ tăng trưởng bình quân giai đoạn 2016 - 2020 12, 5 - 13, 5% 
Nhịp độ tăng trưởng Công nghiệp, xây dựng 13 - 14% 
Nhịp độ tăng trưởng Dịch vụ 13 - 14% 
Nhịp độ tăng trưởng Nông - lâm - ngư 0. 42% 
2 Cơ cấu giá trị gia tăng theo ngành 
CN - XD: 33%; Dịch vụ: 66%; Nông 
nghiệp: 1% 
 Giá trị gia tăng bình quân đầu người: 141, 7 triệu đồng. 17 - 18% 
TT 
Thành 
phần 
Năm 2016 Năm 2017 Năm 2018 Năm 2019 Năm 2020 
A (kWh) A (kWh) A (kWh) A (kWh) A (kWh) 
1 CN 105. 041. 291 116. 712. 546 129. 889. 768 145. 890. 682 162. 832. 826 
2 TM 61. 620. 281 68. 405. 683 76. 128. 906 84. 955. 445 95. 436. 962 
3 QLTD 259. 729. 621 287. 808. 499 318. 227. 284 350. 985. 975 388. 424. 479 
4 HĐK 40. 614. 179 45. 126. 866
50. 221. 834 56. 408. 582 62. 959. 256 
5 NLN 233. 582 204. 384 177. 841 153. 952 135. 371 
Tổng điện năng 
nhu cầu 
405. 680. 293 518. 257. 978 574. 645. 633 638. 394. 636 709. 788. 894 
Năm 
Công nghiệp, 
XD 
Thương mại, 
DV 
Quản lý, Tiêu 
dùng 
Nông lâm, 
ngư 
HĐK 
Tổng điện năng 
nhu cầu 
2016 110. 029. 811 65. 647. 390 265. 813. 378 307. 904 41. 705. 958 483. 504. 441 
2017 127. 634. 580 78. 120. 394 300. 369. 117 357. 168 47. 544. 792 554. 026. 051 
2018 148. 056. 112 92. 963. 268 339. 417. 102 414. 314 54. 201. 062 635. 051. 858 
2019 171. 745. 089 110. 626. 288 383. 541. 325 480. 604 61. 789. 210 728. 182. 516 
2020 199. 224. 303 131. 645. 282 435. 702. 945 557. 500 70. 810. 434 837. 940. 464 
Bảng 1. Thống kê một số chỉ tiêu phát triển kinh tế của thành phố Vinh giai đoạn 2016 – 2020. 
Bảng 3. Kết quả dự báo nhu cầu điện năng bằng phương pháp đàn hồi. 
 Đặng Quang Khoa/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58 (2), 121-127 123 
ảnh hưởng tới phụ tải điện như yếu tố dân số, kinh 
tế, môi trường, khí hậu, giá cả tiêu dùng. Vì vậy, 
trong nghiên cứu này tác giả lựa chọn mô hình 
mạng nơron nhân tạo để nghiên cứu xây dựng một 
mô hình dự báo nhu cầu điện năng cho thành phố 
Vinh giai đoạn 2016 - 2020 nhằm nâng cao khả 
năng và chất lượng của các mô hình dự báo phụ tải 
điện đã có. 
2. 2. Xây dựng cấu trúc mạng nơron nhân tạo 
cho bài toán dự báo nhu cầu điện năng. 
Mạng nơron nhân tạo được xây dựng cho bài 
toán dự báo phụ nhu cầu điện năng có cấu trúc 
truyền thẳng hai lớp kết hợp sử dụng giải thuật học 
lan truyền ngược sai số, Hình 1. Để thuận tiện trong 
nghiên cứu, cấu trúc mạng ANN được xây dựng 
trên công cụ Neural Network Toolbox trên Matlab 
(Lưu Trường Văn và Phan Văn Khoa, 2007). 
Để nâng cao chất lượng của mô hình dự báo 
nhu cầu điện năng, cần xét đến ảnh hưởng của 
nhiều yếu tố đầu vào tới nhu cầu tiêu thụ điện trong 
thực tế. Tuy nhiên, dữ liệu đầu vào qua các thống kê 
trong thực tiễn thường không đầy đủ nên thường 
chỉ chọn những yếu tố đầu vào có ảnh hưởng nhiều 
tới kết quả dự báo để tập trung xây dựng bộ số liệu. 
Năm 
Dân số 
(103người) 
GDP (109đồng) IP (109 đồng) 
Giá điện 
(đ/kWh) 
Điện thương phẩm 
(kWh) 
Chia 500. 103 1014 2. 1013 2000 5. 108 
2006 0. 591 0. 174 0. 214 0. 408 0. 408 
2007 0. 595 0. 183 0. 235 0. 431 0. 431 
2008 0. 601 0. 198 0. 256 0. 433 0. 452 
2009 0. 607 0. 212 0. 280 0. 475 0. 484 
2010 0. 610 0. 226 0. 306 0. 502 0. 516 
2011 0. 618 0. 251 0. 351 0. 621 0. 550 
2012 0. 624 0. 260 0. 376 0. 642 0. 623 
2013 0. 627 0. 270 0. 398 0. 709 0. 668 
2014 0. 629 0. 290 0. 440 0. 717 0. 740 
2015 0. 630 0. 313 0. 472 0. 716 0. 840 
Hình 1. Cấu trúc mạng nơron nhân tạo truyền thẳng 2 lớp 
Bảng 4. Dữ liệu đầu vào của mô hình dự báo phụ tải điện đã được thống kê và chuẩn hóa. 
124 Đặng Quang Khoa/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58 (2), 121-127 
Hình 2. Lưu đồ giải bài toán dự báo phụ tải điện. 
Hình 3. Hiệu năng của quá trình huấn luyện đánh giá qua sai số MSE (Mean Squared Error). 
 Đặng Quang Khoa/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58 (2), 121-127 125 
Dưới đây, tác giả sẽ xây dựng mô hình mạng 
nơron với 4 biến số đầu vào là dân số (POP), GDP, 
giá trị sản xuất công nghiệp (IP) và giá điện (EV). 
Đầu ra của mô hình là điện năng nhu cầu (A). Với số 
lượng biến số đầu vào là 4 thì số nơron trong lớp ẩn 
được chọn là 8. Các dữ liệu đầu vào được thu thập, 
thống kê và chuẩn hóa như trong Bảng 3 (Báo cáo 
chính trị, 2015). Sơ đồ quá trình dự báo phụ tải điện 
ứng dụng mạng nơron nhân tạo được thể hiện trên 
Hình 2 
2. 3. Huấn luyện mạng 
Thuật toán huấn luyện mạng là thuật toán lan 
truyền ngược sai số Levenber - Marquardt (LM). 
Khi huấn luyện kết thúc, thu được một giao diện kết 
quả như Hình 3.
Hình 4. Đồ thị tương quan hồi quy của quá trình huấn luyện mạng 
Hình 5. Tương quan giữa kết quả dự báo và dữ liệu thực tế của bài toán dự báo phụ tải xét trong 
giai đoạn 2006 - 2015. 
126 Đặng Quang Khoa/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58 (2), 121-127 
Kết quả huấn luyện là khá tốt khi sai số MSE 
giảm dần sau mỗi bước lặp và ở bước lặp cuối cùng 
có giá trị nhỏ, đạt 6, 1227. 10-5 (càng nhỏ càng tốt). 
Một chỉ tiêu khác để đánh giá hiệu quả của quá trình 
huấn luyện mạng là dựa trên đồ thị tương quan hồi 
quy (mục Regression) như Hình 4. Quan sát toàn bộ 
4 đồ thị ta thấy: sự ăn khớp giữa Y và T trên toàn bộ 
các tập dữ liệu là rất tốt với chỉ số tương quan hồi 
quy R = 0. 99606 hoặc lớn hơn. Điều này một lần 
nữa khẳng định, mạng được huấn luyện rất tốt với 
số neuron lớp ẩn thích hợp và đã tìm được một ma 
trận trọng số tốt cho mạng ANN. Vì vậy, có thể dừng 
quá trình huấn luyện và sử dụng mạng ANN này 
vào việc dự báo phụ tải với các tập dữ liệu mới. 
3. Kết quả dự báo nhu cầu điện năng bằng mô 
hình ANN 
Kết quả kiểm tra và đánh giá thông số đầu ra 
của mạng ANN (điện năng dự báo) (Saeed, và nnk, 
2012) với thông số mục tiêu (điện năng thực tế) 
trong giai đoạn 2006 - 2015 được thể hiện trên 
Hình 5 và Bảng 4. Kết quả này cho thấy mô hình dự 
báo đã đưa ra được những kết quả dự báo với độ 
chính xác khá cao so với các dữ liệu về phụ tải điện 
đã thống kê từ thực tế trong giai đoạn 2006 - 2015 
với sai số lớn tương đối lớn nhất là 3. 055%. Vì vậy, 
áp dụng mô hình mạng ANN đã xây dựng để dự báo 
nhu cầu điện năng trong giai đoạn 2016 - 2020 cho 
thành phố Vinh là phù hợp, đảm bảo độ tin cậy. Dựa 
trên các số liệu dự báo về dân số (POP) và GDP, chỉ 
số phát triển công ngiệp, và giá điện của Thành phố 
Vinh giai đoạn 2016 – 2020, sử dụng mô hình mạng 
Năm 
Tham số đầu 
ra mạng(Y) 
Tham số 
mục tiêu(T) 
Sai số 
ERR (%) 
2006 0. 4121 0. 408 1. 005 
2007 0. 4263 0. 431 1. 090 
2008 0. 4519 0. 452 0. 022 
2009 0. 4846 0. 484 0. 124 
2010 0. 5013 0. 516 2. 849 
2011 0. 5668 0. 550 3. 055 
2012 0. 6233 0. 623 0. 048 
2013 0. 6623 0. 668 0. 853 
2014 0. 7398 0. 740 0. 027 
2015 0. 8599 0. 840 2. 369 
Năm 
Điện năng nhu 
cầu- Chuẩn hóa 
Điện năng nhu 
cầu (kWh) 
2016 0. 9227 461330099 
2017 1. 0150 507495116 
2018 1. 1110 555480839 
2019 1. 2094 604715704 
2020 1. 3093 654628149 
Hình 6. Đồ thị đối chiếu kết quả dự báo phụ tải điện cho TP Vinh giai đoạn 2016 - 2020 của 
các phương pháp dự báo khác nhau. 
Bảng 5. Kết quả đối chiếu tham số đầu ra và 
tham số mục tiêu của mạng ANN. 
Bảng 6. Kết quả dự báo phụ tải điện thành phố 
Vinh giai đoạn 2016 - 2020 bằng mạng ANN 
(POP, GDP, ID, EV). 
 Đặng Quang Khoa/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58 (2), 121-127 127 
ANN đã thiết kế để dự báo về phụ tải điện cho thành 
phố trong cùng giai đoạn 2016 - 2020 thu được kết 
quả cho trong Bảng 5. 
Tương quan giữa kết quả dự báo phụ tải bằng 
các phương pháp khác nhau như:phương pháp 
ngoại suy, phương pháp hệ số đàn hồi, dữ liệu dự 
báo phụ tải của đề án quy hoạch phát triển điện lực 
thành phố Vinh giai đoạn 2010 - 2020 và mô hình 
mạng ANN được thể hiện trên Hình 6. 
Đồ thị này cho thấy kết quả dự báo bằng mô 
hình mạng ANN 4 đầu vào (đường ANN - model 2) 
bám khá sát kết quả dự báo của đề án quy hoạch và 
phát triển điện lực thành phố Vinh giai đoạn 2006 - 
2015 có xét đến 2020 và có cao hơn một chút. Bên 
cạnh đó, tác giả cũng đã xây dựng được mô hình 
mạng ANN chỉ xét đến 2 biến đầu vào là dân số 
(POP) và GDP, từ đó thu được kết quả dự báo là 
đường ANN - model 1. Có thể thấy rằng đường ANN 
-Model 2 phân bố nằm giữa kết quả dự báo bằng 
phương pháp đàn hồi, phương pháp ngoại suy với 
kết quả dự báo của mô hình mạng ANN 2 đầu vào 
(POP, GDP). Vì vậy, có thể thấy rằng việc sử dụng 
mô hình mạng ANN với 4 đầu vào (POP, GDP, ID, 
EV) đã cho kết quả dự báo hợp lý, có thể áp dụng 
vào thực tế. 
4. Kết luận 
Việc ứng dụng mạng nơron nhân tạo sử dụng 
thuật toán lan truyền ngược sai số để dự báo phụ 
tải điện cho thành phố Vinh giai đoạn 2016 - 2020 
đã đạt được những kết quả quan trọng với độ chính 
xác và khả năng dự báo được cải thiện so với các 
phương pháp truyền thống. Tác giả đã tập trung 
nghiên cứu, lựa chọn và xây dựng được một cấu 
trúc mạng ANN phù hợp với bài toán dự báo phụ 
tải điện. Đồng thời, chúng tôi cũng khảo sát nhiều 
bài toán khác nhau với số lượng tham số đầu vào 
mạng thay đổi, lựa chọn số lượng nơron trong lớp 
ẩn khác nhau sao cho mô hình dự báo thu được kết 
quả chính xác nhất. 
Tài liệu tham khảo 
Aslan, Y., Yavasca, S., and Yasar, C., 2011. Long 
term electric peak load forecasting of kutahya 
using different approache. International 
Journal on Technical and Physical Problems of 
Engineering 7(3), 87-91. 
Đảng bộ thành phố Vinh, 2015. Báo cáo trình Đại 
hội Đảng bộ thành phố Vinh khóa XXII nhiệm 
kỳ 2015 - 2020. Báo cáo, Vinh. 
Lưu Trường Văn, Phan Văn Khoa, 2007. Sử dụng 
Matlab để huấn luyện mạng ANN trong bài 
toán ước lượng chi phí xây dựng chung cư. Tạp 
chí Phát triển Khoa học và Công nghệ 10(11), 
85-93. 
Nguyễn Lân Tráng, 2007. Quy hoạch phát triển hệ 
thống điện (tái bản lần 2), Nhà xuất bản Khoa 
học và Kỹ thuật, Hà Nội. 
Saeed, M. B. and Ossama, B. A. , 2012. Forecasting 
Electrical Load using ANN Combined with 
Multiple Regression Method. The Rresearch 
Bulletin Jordan ACM II, 152-158. 
ABSTRACT 
Applications of artificial neural network to the problem of electricity 
demand forecast of Vinh city in the period of 2016 - 2020 
Khoa Quang Dang 
Faculty of Electrical Engineering, Vinh University of Technology Education, Vietnam 
The electricity demand forecasting plays an important role in fields of development scheduling of 
electricity system. Research and applications of the artificial neural networks to the problem of electricity 
demand forecasting are a new trend to provide the forecasting methods which are more flexible and 
smarter than the traditional methods. In the paper, the author has focused on studying, selecting, and 
building an ANN network structure matching the problem of electricity demand forecasting. Results of 
the electricity demand forecasting by neural network method are applied for Vinh city in periods from 
2016 to 2020 to verify the accuracy of the proposed research.