BẢNG TỔNG HỢP ĐỐI CHIẾU MÔ HÌNH DỰ BÁO PHỤ TẢI (TRẠM 224 TÂN HƯNG)
| Phân nhóm | Mô hình | MAE (kW) | RMSE (kW) | MAE (MW) | RMSE (MW) | sMAPE (%) | R2 Score | ΔMAE vs Persistence (%) | ΔRMSE vs Persistence (%) |
|---|---|---|---|---|---|---|---|---|---|
| Baseline / ML Truyền thống | 1. Persistence Naive (P_t) | 598.36 | 1160.44 | 0.5984 | 1.1604 | 13.35% | 0.8770 | Baseline (0.00%) | Baseline (0.00%) |
| Baseline / ML Truyền thống | 2. Seasonal Naive 24h (lag_48) | 1363.07 | 2495.50 | 1.3631 | 2.4955 | 30.41% | 0.4313 | -127.80% | -115.05% |
| Baseline / ML Truyền thống | 3. Seasonal Naive 7d (lag_336) | 1882.99 | 3123.69 | 1.8830 | 3.1237 | 42.54% | 0.1090 | -214.69% | -169.18% |
| Baseline / ML Truyền thống | 4. Moving Average (1.5h) | 1016.16 | 1586.70 | 1.0162 | 1.5867 | 21.74% | 0.7701 | -69.82% | -36.73% |
| Baseline / ML Truyền thống | 5. Ridge Regression | 730.96 | 1186.89 | 0.7310 | 1.1869 | 24.73% | 0.8714 | -22.16% | -2.28% |
| Baseline / ML Truyền thống | 6. XGBoost Regressor | 645.24 | 1155.21 | 0.6452 | 1.1552 | 23.30% | 0.8781 | -7.83% | +0.45% |
| Baseline / ML Truyền thống | 7. HistGradientBoosting Regressor | 648.01 | 1153.06 | 0.6480 | 1.1531 | 23.41% | 0.8786 | -8.30% | +0.64% |
| Thống kê độ ổn định (5 Seed) | 8. Residual KAN đơn lẻ (Mean ± Std qua 5 Seed)* | 528.99 ± 12.23 | 1033.35 ± 13.78 | 0.5290 | 1.0333 | 19.17% ± 0.32% | 0.9025 ± 0.0026 | +11.59% | +10.95% |
| Mô hình đề xuất (Deep Learning) | 9. Residual KAN Ensemble (Trung bình đều 5 Seed)** | 519.78 | 1019.95 | 0.5198 | 1.0199 | 18.96% | 0.9050 | +13.13% | +12.11% |
Ghi chú phương pháp và phạm vi áp dụng (Dành cho Luận văn Thạc sĩ):
Phạm vi dữ liệu thực nghiệm:
- Tập kiểm thử gồm 14.385 mẫu hợp lệ, được phân thành 16 phân đoạn thời gian liên tục; quy trình bootstrap kiểm định không vượt qua các khoảng đứt gãy dữ liệu.
- Khoảng thời gian kiểm thử chính xác: 02/11/2024 15:30:00 đến 30/08/2025 23:30:00.
- Đối tượng kiểm định: Lộ 480 Trạm biến áp 224 Tân Hưng (Công ty Điện lực Tây Ninh).
- Lưu ý học thuật: Kết quả phản ánh hiệu năng trên tập kiểm định cụ thể này; việc mở rộng sang các xuất tuyến khác (như trạm Suối Ngô hoặc các năm khác) cần có thực nghiệm tái thẩm định riêng biệt.
Công thức tính tỷ lệ cải thiện: $$\text{Improvement (%)} = \frac{\text{Metric}{\text{Persistence}} - \text{Metric}{\text{Model}}}{\text{Metric}_{\text{Persistence}}} \times 100%$$
- Giá trị dương (+): Mô hình giảm sai số (tốt hơn Persistence).
- Giá trị âm (-): Mô hình có sai số lớn hơn Persistence (kém hơn).
Phân biệt hai dòng kết quả KAN:
(*)Dòng 8 (Mean ± Std): Thống kê độ ổn định của mô hình đơn qua 5 lần khởi tạo ngẫu nhiên khác nhau (seeds = [42, 101, 2024, 7, 999]), thể hiện tính hội tụ vững chắc của mạng.(**)Dòng 9 (Ensemble): Mô hình kết hợp bằng trung bình đều cố định $(\hat{y}{\text{ens}} = \frac{1}{5}\sum{i=1}^5 \hat{y}_i)$, tuyệt đối không tối ưu hóa trọng số trên tập kiểm thử nhằm đảm bảo khách quan (Zero Data Leakage).
Đánh giá toàn diện:
- Residual KAN đạt ưu thế rõ rệt và vượt trội về MAE, RMSE và R².
- Persistence Naive vẫn giữ vị trí dẫn đầu về sMAPE (13.35%) và là mốc baseline bắt buộc phải có để đối chiếu trong bài toán dự báo phụ tải ngắn hạn 30 phút.
Kiểm soát rò rỉ dữ liệu (Data Leakage Control):
- Bộ điền khuyết thiếu (
SimpleImputer) và bộ chuẩn hóa (StandardScaler) được tính toán (fit) nghiêm ngặt chỉ trên tập Train (giai đoạn 03/2020 đến 01/2024), sau đó chỉ áp dụng phép chuyển đổi (transform) sang tập Validation và Test. - Các siêu tham số dừng sớm (Early Stopping) được theo dõi độc lập trên tập Validation (01/2024 đến 11/2024). Tập Test tuyệt đối không tham gia vào bất kỳ khâu huấn luyện hay điều chỉnh ngưỡng nào.
- Bộ điền khuyết thiếu (