Bài viết đề xuất phương pháp dự báo phụ tải tháng tiếp theo của các trạm bằng mô hình Long Short Term Memory đồng thời phân cụm các trạm theo dữ liệu chuỗi thời gian tải dựa trên biến đổi Fourier rời rạc nhằm cải thiện độ hiệu quả của mô hình, khắc phục các bất lợi về số lượng các mô hình cần huấn luyện khi số lượng trạm quá lớn và khắc phục nhược điểm về số lượng điểm dữ liệu tại mỗi trạm. | Hội nghị Quốc gia lần thứ 24 về Điện tử Truyền thông và Công nghệ Thông tin REV-ECIT2021 Ứng Dụng Phân Cụm Chuỗi Thời Gian Dự Báo Phụ Tải Điện Trong Smart Grid Đặng Tiến Đạt1 Nguyễn Tiến Dũng1 Nguyễn Khánh Tùng2 Lê Anh Ngọc3 1 Trường Đại học Bách Khoa Hà Nội 2 Trường Đại học Điện Lực 3 Swinburne VietNam Đại học FPT Email ngocla2@ Tóm tắt nội dung Trong hệ thống lưới điện thông minh AR ARMA ARIMA 1 2 ii Mô hình học máy smart grid các trạm điện đóng một vai trò quan trọng như ANN RNN LSTM 2 3 trong việc phân phối điện đến các điểm tiêu thụ. Chính vì Bằng cách phân tích sâu các thành phần của chuỗi vai trò quan trọng của các trạm điện này mà việc thu thời gian các mô hình thống kê thường hoạt động tốt thập các dữ liệu liên quan của chúng là rất quan trọng. đối với các dự báo dài hạn trong trường hợp bộ dữ liệu Nhằm nâng cao hiệu quả hoạt động cho các trạm điện này cũng như lưới điện nói chung chúng tôi đã tích hợp đủ lớn còn nếu với bộ dữ liệu nhỏ thì việc sử dụng các được vào hệ thống quản lí lưới điện các tính năng thu mô hình thống kê cổ điển không đem lại hiệu quả. thập dữ liệu phân tích và dự báo phụ tải dài hạn. Do Ngoài ra các mô hình cổ điển gặp phải bất lợi là chỉ xử lượng năng lượng được phân phối tại mỗi một trạm rất lý được số ít các thông tin đầu vào cụ thể là hầu hết chỉ lớn nên việc có một mô hình dự báo chính xác là rất cần sử dụng thông tin của chuỗi thời gian phụ tải. Mô hình thiết. Bài báo đề xuất phương pháp dự báo phụ tải tháng LSTM hoạt động rất tốt với dữ liệu dạng chuỗi đặc tiếp theo của các trạm bằng mô hình Long Short Term biệt là dữ liệu có nhiều chuỗi thời gian thành phần. Sự Memory đồng thời phân cụm các trạm theo dữ liệu chuỗi so sánh giữa LSTM và các mô hình thống kê cổ điển thời gian tải dựa trên biến đổi Fourier rời rạc nhằm cải được thực hiện trong các bài báo 2 và kết quả thu thiện độ hiệu quả của mô hình khắc phục các bất lợi về số lượng các mô hình cần huấn luyện khi số lượng trạm được là sai số của mô hình LSTM giảm đi .
