Lưu đồ giải thuật được đề xuất trong bài báo nhằm đánh giá ảnh hưởng của các tham số trong giải thuật Bayesian Optimization với Gaussian Process (BO-GP) đối với mô hình LightGBM trong bài toán dự báo phụ tải ngắn hạn. Các siêu tham số được khảo sát bao gồm: learning_rate, n_estimators, max_depth, subsample và colsample_bytree. Hiệu suất của giải thuật BO-GP được đánh giá dựa trên hai tham số chính: số vòng lặp tối ưu hóa (n_iter) và số lần chia tập dữ liệu huấn luyện (k-fold). Để kiểm tra độ ổn định của mô hình, hệ số phân tán CD% được tính toán bằng cách lặp lại BO-GP n = 30 lần. Tập dữ liệu phụ tải đỉnh hàng ngày từ bang Victoria, Úc được sử dụng trong nghiên cứu. Kết quả thực nghiệm cho thấy, giá trị tối ưu của n_iter là 80, trong khi giá trị mặc định là 50. Tương tự, k-fold đạt hiệu suất tốt nhất tại 4, 6 và 7, trong khi giá trị mặc định là 3. Tầm quan trọng của việc lựa chọn tham số phù hợp được nhấn mạnh trong nghiên cứu nhằm tối ưu hóa mô hình LightGBM khi áp dụng vào dự báo phụ tải.