Ứng dụng phân tích thống kê để đánh giá độ tin cậy của nguồn dữ liệu đầu vào nhằm nâng cao chất lượng dự báo phụ tải điện ngắn hạn trên lưới điện thành phố Hồ Chí Minh

 dữ liệu của một nhóm phụ tải
 hơn trong việc cải thiện mô hình dự báo phụ tải từ mô có dạng phân phối chuẩn, mô hình ARIMA cho kết
 hình ANN so với mô hình ARIMA. quả tốt hơn so với mô hình ANN khi sử dụng phương
 Hình 9c giải thích rằng các mô hình ANN và ARIMA pháp lọc dữ liệu đề xuất tại cùng mức độ tin cậy;
 có thể cho kết quả dự báo phụ tải chính xác với việc iii) Mặt khác, phương pháp phân cụm PCA có thể
 sử dụng phương pháp lọc dữ liệu đề xuất qua quan sát được áp dụng để phân chia dữ liệu tải thô thành các
 các đường cong tải đều bám sát với đường cong phụ nhóm phụ tải con có dạng phân phối chuẩn trước khi
 tải thực tế. Tuy nhiên, khi xem xét kỹ lưỡng hơn, giá áp dụng phương pháp lọc đề xuất cho STLF; trong
 trị MAPE khi sử dụng mô hình ARIMA nhỏ hơn so trường hợp đó, nhóm tác giả khuyến nghị sử dụng
 với mô hình ANN, tương ứng 4,9% so với 5,87%. Điều mô hình dự báo dựa trên mạng nơ-ron;
 này cho thấy nếu dữ liệu thô có phân phối chuẩn như iv) Nếu số liệu bất thường trong thời gian dài liên tục
 trong Hình 4a, với phương pháp lọc dữ liệu đề xuất, trong chuỗi dữ liệu đầu vào, giả sử dữ liệu này xem xét
 mô hình dự báo tải chuỗi thời gian như ARIMA hoạt là biến ngẫu nhiên, thì khi đó việc áp dụng phân phối
 động tốt hơn mô hình học máy như ANN. chuẩn gauss theo phương pháp lọc thống kê đề xuất
 sẽ hạn chế các tác động của số liệu bất thường này; và
 ĐÁNH GIÁ VÀ KẾT LUẬN v) Trong trường hợp, số liệu bất thường lại không
 Một phương pháp lọc dữ liệu dựa trên phương pháp ngẫu nhiên mà thể hiện tính xu hướng hoặc dữ liệu
 phân tích thống kê để phục vụ cho các mô hình dự hằng số như trong trường hợp mất tín hiệu trong thời
 báo phụ tải ngắn hạn đã được giới thiệu trong bài báo gian dài thì phương pháp lọc thống kê đề xuất sẽ cần
 này. Phương pháp này tìm kiếm mức độ tin cậy phù cải tiến để nhận biết các trường hợp này.
 hợp nhất của bộ dữ liệu phụ tải thô bằng cách tính Cuối cùng, phương pháp lọc đề xuất của nhóm tác giả
 toán tất cả các mức độ tin cậy có thể. Do đó, dữ liệu có thể ứng dụng trong công tác STLF trên lưới điện
 phụ tải sau khi lọc sẽ đáng tin cậy hơn, thể hiện rõ đặc Tp.HCM hoặc lưới điện có hiện tượng nhiễu động với
 trưng của dữ liệu thu thập, và có thể đưa vào các mô mật độ dày đặc cũng như tại khu vực có sự đa dạng về
 hình dự báo phụ tải điện hiện nay. Kết quả của bài phụ tải điện, khiến cho độ tin cậy của nguồn dữ liệu
 báo này đã cho thấy rằng: không cao.
 i) Với việc đưa ra các mức độ tin cậy thông qua
 phương pháp đề xuất, độ chính xác của dữ liệu dự báo DANH MỤC CÁC TỪ VIẾT TẮT:
 phụ tải dựa trên hai phương pháp ANN và ARIMA RES: nguồn năng lượng tái tạo – Renewable Energy
 được cải thiện rõ rệt, và vượt trội so với khi áp dụng Source.
 235
Tạp chí Phát triển Khoa học và Công nghệ – Kĩ thuật và Công nghệ, 2(4):223-239
 Hình 9: Kết quả dự báo phụ tải của các mô hình ANN và ARIMA theo ba nhóm phụ tải; (a) nhóm chênh lệch-
 phụ tải tương ứng theo giờ Thứ Bảy-Chủ Nhật; (b) nhóm chênh lệch phụ tải tương ứng theo giờ ChủNhật-Thứ
 Hai; (c) Nhóm chênh lệch phụ tải tương ứng theo giờ của những ngày liền kề còn lại trong tuần.
 236
Tạp chí Phát triển Khoa học và Công nghệ – Kĩ thuật và Công nghệ, 2(4):223-239
 ANN: phương pháp mạng thần kinh nhân tạo – Arti- TÀI LIỆU THAM KHẢO
 ficial Neural Network. 1. Kong W, Dong ZY, Jia Y, Hill DJ, Xu Y, Zhang Y. Short-term
 ARIMA : phương pháp tự hồi qui tích hợp trung bình residential load forecasting based on LSTM recurrent neural
 truợt – Autoregressive Integrated Moving Average. network. IEEE Transactions on Smart Grid. 2017 Sep 18;.
 2. Hippert HS, Pedreira C, Souza RC. Neural networks for short-
 MAPE: sai số phần trăm tuyệt đối trung bình - Mean term load forecasting: a review and evaluation. IEEE Trans-
 Absolute Percentage Error actions on Power Systems. Feb 2001;16(1):44–55. Available
 from: 10.1109/59910780.
 SCADA : hệ thống điều khiển giám sát và thu thập dữ 3. Pandey AS, Singh D, Sinha SK. Intelligent Hybrid Wavelet Mod-
 liệu - Supervisory Control And Data Acquisition els for Short-Term Load Forecasting. IEEE Transactions on
 STLF: dự báo phụ tải ngắn hạn - Short-time Load Power Systems. Aug 2010;25(3):1266–1273. Available from:
 10.1109/TPWRS2010.2042471.
 Forecasting 4. Qiang S, Pu Y. Short-term power load forecasting based
 RBF: hàm cơ sở bán kính - Radial Basis Function on support vector machine and particle swarm optimiza-
 ELM: máy học cực kết hợp - Ensembled Extreme tion. Journal of Algorithms &t Computational Technology.
 2019;doi: 10.11771748301818797061.
 Learning Machines 5. Wang, Jujie Wang, Jianzhou Li, Yaning Zhu, Suling Zhao, Jing.
 KNN : hệ số K - K-nearest-neighbor Techniques of applying wavelet de-noising into a combined
 CNN: mạng nơ-ron chuyển đổi - Convolutional Neu- model for short-term load forecasting. International Jourmal
 of Electrical Power Energy Systems. 2014;62:816–824. Avail-
 ral Network able from: 10.1016/.ijepes2014.05.038.
 LSTM: Long-Short Term Memory 6. Garcia M, Valero S, Senabre C, Marin AG. Short-Term Pre-
 dictability of Load Series Characterization of Load Data Bases.
 DW: bộ lọc rời rạc dựa trên biến đổi Wavelet - Discrete in IEEE Transactions on Power Systems. Aug 2013;28(3):2466–
 Wavelet-transform 2474. Available from: 10.119/TPWRS20132250317.
 SSA: phân tích phổ đơn - Singular Spectrum Analysis 7. Cao X, Dong S, Wu Z, Jing Y. A Data-Driven Hybrid Op-
 timization Model for Short-Term Residential Load Forecast-
 VSTLF: dự báo tải siêu ngắn hạn - Very Short-term ing. in Computer and Information Technology: Ubiquitous
 Load Forecasting Computing and Communications; Dependable, Autonomic
 DBSCAN: phân cụm không gian dựa trên mật độ của and Secure Computing: Pervasive Intelligence and Comput-
 ing (CIT/IUCC/DASC/PICOM), 2015 IEEE International Confer-
 các đối tượng có nhiễu - Density-Based Spatial Clus- ence on. 2015;p. 283–287.
 tering of Applications with Noise 8. Yun Z, Quan Z, Caixin S, Shaolan L, Yuming L, Yang S. RBF
 Neural Network and ANFIS-Based Short-Term Load Forecast-
 PSD: mật độ phổ năng lượng - Power Spectral Density ing Approach in Real-Time Price Environment. IEEE Transac-
 PDF: hàm mật độ xác suất - Probability Density Func- tions on Power Systems. 2008;23:853–858.
 tion 9. Li H, Zhao Y, Zhang Z, Hu X. Short-term load forecasting based
 on the grid method and the time series fuzzy load forecast-
 PCA: phương pháp Phân tích thành phần chính - ing method. in International Conference on Renewable Power
 Principal Components Analysis Generation (RPG 2015). 2015;.
 MAE: sai số trung bình tuyệt đối - Mean Absolute Er- 10. Qingle P, Min Z. Very Short-Term Load Forecasting Based on
 Neural Network and Rough Set. in Intelligent Computation
 ror Technology and Automation (ICICTA), 2010 International Con-
 RELU: bộ chỉnh tuyến tính đơn vị - Rectifier- Linear- ference on. 2010;p. 1132–1135.
 Unit 11. Zhang R, Dong ZY, Xu Y, Meng K, Wong KP. Short-term load
 forecasting of Australian National Electricity Market by an en-
 semble model of extreme learning machine. IET Generation,
 XUNG ĐỘT LỢI ÍCH Transmission Distribution. 2013;7:391–397.
 12. Zhang R, Xu Y, Dong ZY, Kong W. A Composite k-Nearest
 Nhóm tác giả xin cam đoan rằng không có bất kỳ xung Neighbor Model for Day-Ahead Load Forecasting with Lim-
 đột lợi ích nào trong công bố bài báo. ited Temperature Forecasts. presented at the IEEE General
 Meeting Boston. 2016;.
 ĐÓNG GÓP CỦA TÁC GIẢ 13. Al-Qahtani FH, Crone SF. Multivariate k-nearest neighbour re-
 gression for time series data-A novel algorithm for forecasting
 Bùi Minh Dương, Phạm Anh Duy và Lê Duy Phúc đưa UK electricity demand. in Neural Networks (UJCNN), The 2013
 ra ý tưởng viết bài, đóng góp diễn giải phương pháp International Joint Conference on. 2013;.
 14. Tian C, Ma J, Zhang C, Zhan P. A Deep Neural Network
 thực hiện, kết quả mô phỏng, những phân tích, thảo Model for Short-Term Load Forecast Based on Long Short-
 luận của nghiên cứu và viết bản thảo. Term Memory Network and Convolutional Neural Network.
 Bành Đức Hoài, Nguyễn Minh Tùng, Nguyễn Minh Energies. 2018 Dec;11(12):3493.
 15. Ryu S, Noh J, Kim H. Deep neural network based demand side
 Khôi và Nguyễn Việt Dũng tham gia hỗ trợ thu thập short term load forecasting. in 2016 IEEE International Con-
 dữ liệu, kiểm tra lại bài viết, đóng góp phần tổng quan ference on Smart Grid Communications (Smart Grid Comm).
 2016;p. 308–313.
 và kết luận của bài viết. 16. Gastaldi M, Lamedica R, Nardecchia A, Prudenzi A. Short-term
 Phạm Anh Duy, Đoàn Ngọc Minh và Nguyễn Thanh forecasting of municipal load hrough a Kalman filtering based
 Hoan tham gia thu thập dữ liệu, chạy kết quả mô approach. IEEE PES Power Systems Conference and Exposi-
 tion, 2004, New York, NY. 2004;3:1453–1458. Available from:
 phỏng và kiểm tra lại chính tả, kết quả của bài viết. 101109/PSCE2004.1397538.
 17. Al-Hamadi HM, Soliman SA. Fuzzy short-term electric load
 forecasting using Kalman filter. IEE Proceedings-Generation,
 Transmission and Distribution. 16 March 2006;153(2):217–
 227. Available from: 101049ip-gtd20008.
 237
Tạp chí Phát triển Khoa học và Công nghệ – Kĩ thuật và Công nghệ, 2(4):223-239
 18. Guan C, Luh PB, Michel LD, Chi Z. Hybrid Kalman Fil- cial load. in: Proceed- ings of IEEE Canadian Conf Elect Com-
 ters for Very Short-Term Load Forecasting and Prediction put Eng. May 1999;3:1223–1228. Edmonton, Canada.
 Interval Estimation. in IEEE Transactions on Power Sys- 24. Kim CI, Yu LK, Song YH. Kohonen neural networks and wavelet
 tems. Nov 2013;28(4):3806–3817. Available from: 10.1109/ transform based approach to short-term load forecasting.
 TwRs20132264488. Elect Electr Power Syst Res. 2002;63(3):169–176.
 19. Ghofrani M, Hassanzadeh M, Etezadi-Amoli MS, Fadali MS. 25. Zhang X, Wang J, Zhang K. Short-term electric load fore-
 Smart meter based short-term load forecasting for residential casting based on singular spectrum analysis and support vec-
 customers. 2011 North American Power Symposium, Boston, tor machine optimized by Cuckoo search algorithm,. Electric
 MA. 2011;p. 1–5. Available from: 10.1109NAPs2011.6025124. Power Systems Research. 2017;146:270–285. ISSN 0378-7796.
 20. Nengling T, Stenzel J, Hongxiao W. Techniques of apply- Available from: https://doi.org/10.1016/jepsr.2017.01.035.
 ing wavelet transform into combine model for short-term 26. Sehgal S, et al.. Data analysis using principal component anal-
 load forecasting. Electric Power Systems Research. 2006;76(6- ysis. in 2014 International Conference on Medical Imaging,
 7):525–533. ISSN 0378-7796,. Available from: https://doi.org/ m-Health and Emerging Communication Systems (MedCom),
 10.1016/j.epsr.2005.07.003. DOI: 10.1109/MedCom.2014.7005973.
 21. Ester M, Kriegel HP,Sander J, Xu X. A density-based algorithm 27. Yang L, Yang H. Analysis of Different Neural Networks and a
 for discovering clusters in large spatial databases with noise. New Architecture for Short-Term Load Forecasting. Energies .
 in Kdd. 1996;p. 226–231. 2019;12:1433. Available from: 10.3390/en12081433.
 22. Chao-Ming H, Yann-Chang H. Combined wavelet-based net- 28. Khashei M, Bijari M. A novel hybridization of artificial neural
 works and game-theoretical decision approach for real-time networks and ARIMA models for time series forecasting. Appl
 power dis- patch. IEEE Trans Power Syst. 2002;17(8):38. Soft Comput. 2011;11:2664–2675.
 23. Oonsivilai A, Ei-Hawary ME. Wavelet neural network based
 short term load forecasting of electric power system commer-
 238
Science & Technology Development Journal – Engineering and Technology, 2(4):223-239
 Open Access Full Text Article Research Article
Applying statistical analysis for assessing the reliability of input
data to improve the quality of short-term load forecasting for a Ho
Chi Minh City distribution network
Phuc Le Duy1,2,*, Duong Minh Bui2, Anh Pham Duy3, Hoan Nguyen Thanh1, Hoai Banh Duc1,
Tung Nguyen Minh1, Khoi Nguyen Minh1, Minh Doan Ngoc1, Dung Nguyen Viet1
 ABSTRACT
 Short-term load forecasting has an extremely important role in the design, operation and planning
 of power system, especially on apower grid of Ho Chi Minh City (HCMC) - anactive city hasthe high-
 Use your smartphone to scan this est power demand in Vietnam. Through the data survey, the load power in the HCMC area changes
 QR code and download this article suddenly so that it causes disturbances in the load data. Accordingly, the reliability assessment of
 the load data will be essential in the processing stage of data-filtering before implementing load
 forecasting models. This study introduces a novel statistical data-filtering method that takes into ac-
 count the reliability of the input-data source by analyzing many different confidence levels. Results
 of the proposed data-filtering method will be compared to previous data -iltering methods (such
 as Kalman, DBSCAN, Wavelet Transform and SSA filtering methods). The data source used in this
 study was collected from more than 50 substations uisng the SCADA system in Ho Chi Minh City's
 distribution network and was put into a neural network prediction model - ANN (Artificial Neural
 Network) and a ARIMA model (Autoregressive Integrated Moving Average), to demonstrate the ef-
 fectiveness of the proposed data-filtering method. Numerical results derived from ANN and ARIMA
 predictive models show the effectiveness of the proposed data-filtering method, particularly, when
 the reliability of real data from the Ho Chi Minh city distribution network is determined at the 95%
 level, the forecasting results of ANN and ARIMA models using the proposed data-filtering method
 1Ho Chi Minh City Power Corporation are obviously better than that without filtering method or using other data-filtering methods.
 2 Key words: Short-term load forecast, data filtering, statistical analysis, confidence level, neural
 Institute of Engineering, Ho Chi Minh network and ARIMA
 University of Technology (HUTECH)
 3Faculty of Engineering,
 Vietnamese-German University
 Correspondence
 Phuc Le Duy, Ho Chi Minh City Power
 Corporation
 Institute of Engineering, Ho Chi Minh
 University of Technology (HUTECH)
 Email: phucld@hcmpc.com.vn
 History
 • Received: 5-10-2019
 • Accepted: 25-11-2019
 • Published: 31-12-2019
 DOI : 10.32508/stdjet.v2i4.614
 Copyright
 © VNU-HCM Press. This is an open-
 access article distributed under the
 terms of the Creative Commons
 Attribution 4.0 International license.
 Cite this article : Le Duy P,Minh Bui D, Pham Duy A, Nguyen Thanh H, Banh Duc H, Nguyen Minh T, Nguyen
 Minh K, Doan Ngoc M, Nguyen Viet D. Applying statistical analysis for assessing the reliability of in-
 put data to improve the quality of short-term load forecasting for a Ho Chi Minh City distribution
 network. Sci. Tech. Dev. J. – Engineering and Technology; 2(4):223-239.
 239