Tổng quan nghiên cứu

Trong bối cảnh nhu cầu sử dụng điện năng ngày càng tăng do sự phát triển kinh tế - xã hội, việc khai thác các nguồn năng lượng tái tạo trở nên cấp thiết nhằm giảm thiểu tác động tiêu cực đến môi trường. Việt Nam sở hữu tiềm năng điện gió rất lớn với tổng công suất kỹ thuật ước tính khoảng 377 GW, trong đó điện gió trên bờ chiếm khoảng 217 GW và điện gió ngoài khơi khoảng 160 GW. Nhà máy điện gió Tân Thuận, với công suất 75 MW, là một trong những dự án trọng điểm góp phần phát triển ngành năng lượng sạch tại Việt Nam. Tuy nhiên, đặc tính biến động của nguồn năng lượng gió do ảnh hưởng của tốc độ và hướng gió, địa hình, nhiệt độ và các yếu tố thời tiết khác gây khó khăn trong việc dự báo công suất chính xác.

Mục tiêu nghiên cứu của luận văn là xây dựng và ứng dụng giải thuật Stacked Temporal Convolutional Network (STCN) để dự báo công suất điện gió đa bước thời gian trong 3 tiếng tiếp theo cho Nhà máy điện gió Tân Thuận. Phạm vi nghiên cứu tập trung vào dữ liệu lịch sử đo lường thời tiết và công suất điện gió từ tháng 4 đến tháng 7 năm 2022, với bước thời gian dự báo cách nhau 30 phút. Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao độ chính xác dự báo, hỗ trợ công tác vận hành, điều độ hệ thống điện và lập kế hoạch huy động công suất, góp phần sử dụng hiệu quả nguồn năng lượng tái tạo.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình mạng nơ-ron sâu trong dự báo chuỗi thời gian, bao gồm:

  • Mạng LSTM (Long Short-Term Memory): Giải quyết vấn đề biến mất đạo hàm trong mạng RNN truyền thống, cho phép ghi nhớ thông tin dài hạn qua các cổng quên, cổng vào và cổng ra. LSTM được sử dụng để mô hình hóa các phụ thuộc dài hạn trong dữ liệu thời gian.

  • Mạng TCN (Temporal Convolutional Network): Mạng tích chập một chiều với các đặc tính tích chập nhân quả (causal convolutions), tích chập giãn nỡ (dilated convolutions) và kết nối phần dư (residual connections). TCN có khả năng xử lý chuỗi thời gian dài hơn với bộ nhớ hiệu quả hơn so với LSTM.

  • Mạng STCN (Stacked Temporal Convolutional Network): Biến thể của TCN với nhiều lớp tích chập xếp chồng, mở rộng vùng tiếp nhận (receptive field) và tăng khả năng học biểu diễn dữ liệu phức tạp. STCN kết hợp các đặc tính của TCN để dự báo đa bước thời gian với độ chính xác cao.

Các khái niệm chính bao gồm: tích chập nhân quả đảm bảo đầu ra tại thời điểm chỉ phụ thuộc dữ liệu hiện tại và quá khứ; tích chập giãn nỡ giúp mở rộng vùng tiếp nhận mà không tăng số lượng tham số; kết nối phần dư giúp tránh hiện tượng suy giảm đạo hàm khi mạng sâu.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng là tập dữ liệu lịch sử đo lường thời tiết (tốc độ gió, hướng gió, nhiệt độ) và công suất điện gió của Nhà máy điện gió Tân Thuận từ tháng 4 đến tháng 7 năm 2022, với tần suất lấy mẫu 30 phút, tổng cộng 27027 mẫu sau khi loại bỏ ngoại lai.

Phương pháp phân tích bao gồm:

  • Tiền xử lý dữ liệu: Loại bỏ ngoại lai bằng thuật toán Covariance Estimator trên phần mềm Orange, chuẩn hóa dữ liệu theo phương pháp min-max.

  • Xây dựng và huấn luyện các mô hình dự báo: STCN, Vanilla LSTM, Stacked LSTM, Bidirectional LSTM, Convolutional LSTM và TCN. Các mô hình được huấn luyện trên tập training (70%), đánh giá trên tập validation (15%) và kiểm tra trên tập testing (15%).

  • Đánh giá hiệu suất mô hình dựa trên các chỉ số RMSE (Root Mean Square Error) và MAE (Mean Absolute Error).

  • Thời gian nghiên cứu từ tháng 2 đến tháng 6 năm 2023, sử dụng ngôn ngữ Python và thư viện Keras, Keras-TCN để xây dựng mô hình, cùng giao diện ứng dụng dự báo công suất điện gió được phát triển bằng Tkinter.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả mô hình STCN vượt trội: Mô hình STCN với 5 lớp xếp chồng đạt RMSE thấp nhất khoảng 0.028 và MAE khoảng 0.021 trên tập kiểm tra, giảm hơn 10% so với Vanilla LSTM và Stacked LSTM, đồng thời thời gian huấn luyện nhanh hơn 15-20% so với các mô hình LSTM truyền thống.

  2. Dự báo đa bước thời gian chính xác: STCN dự báo công suất điện gió cho các bước thời gian 30 phút đến 3 tiếng tiếp theo với độ chính xác cao, RMSE tăng nhẹ theo bước thời gian nhưng vẫn duy trì dưới 0.035, cho thấy khả năng ổn định của mô hình trong dự báo ngắn hạn đa bước.

  3. Ảnh hưởng của các yếu tố đầu vào: Tốc độ gió có hệ số tương quan Pearson (PCC) cao nhất với công suất điện gió (khoảng 0.7 sau tiền xử lý), trong khi hướng gió có tương quan rất thấp (gần 0), do đó hướng gió được loại bỏ khỏi mô hình để tránh ảnh hưởng tiêu cực đến hiệu quả học.

  4. Tiền xử lý dữ liệu nâng cao chất lượng dự báo: Việc loại bỏ ngoại lai bằng thuật toán Covariance Estimator giúp tăng hệ số tương quan giữa các đặc tính đầu vào và đầu ra, đồng thời giảm nhiễu dữ liệu, góp phần cải thiện độ chính xác dự báo.

Thảo luận kết quả

Kết quả cho thấy STCN tận dụng hiệu quả các đặc tính tích chập nhân quả và giãn nỡ, cùng với kết nối phần dư, giúp mở rộng vùng tiếp nhận dữ liệu lịch sử và giảm thiểu hiện tượng biến mất đạo hàm, từ đó nâng cao khả năng học biểu diễn chuỗi thời gian dài hơn so với các mô hình LSTM truyền thống. So sánh với các nghiên cứu trước đây sử dụng LSTM hoặc TCN đơn lớp, STCN thể hiện ưu thế rõ rệt về độ chính xác và thời gian huấn luyện.

Biểu đồ so sánh RMSE và MAE giữa các mô hình minh họa sự vượt trội của STCN, đồng thời bảng thời gian huấn luyện cho thấy STCN tiết kiệm tài nguyên tính toán hơn so với các mô hình LSTM sâu. Việc loại bỏ biến hướng gió dựa trên hệ số tương quan thấp cũng phù hợp với các nghiên cứu trong ngành, giúp giảm nhiễu và tăng hiệu quả mô hình.

Những phát hiện này có ý nghĩa quan trọng trong việc ứng dụng dự báo công suất điện gió đa bước thời gian, hỗ trợ công tác vận hành và điều độ hệ thống điện, góp phần nâng cao hiệu quả khai thác nguồn năng lượng tái tạo tại Việt Nam.

Đề xuất và khuyến nghị

  1. Triển khai mô hình STCN trong hệ thống điều độ điện: Áp dụng mô hình STCN để dự báo công suất điện gió đa bước thời gian cho Nhà máy điện gió Tân Thuận và các dự án tương tự, nhằm nâng cao độ chính xác dự báo trong vòng 3 tiếng tiếp theo, hỗ trợ lập kế hoạch huy động công suất hiệu quả. Thời gian thực hiện: 6 tháng; chủ thể: EVN và các đơn vị vận hành.

  2. Mở rộng thu thập dữ liệu thời tiết và công suất: Tăng cường thu thập dữ liệu thời tiết chi tiết hơn (ví dụ: áp suất, độ ẩm) và dữ liệu công suất từ tất cả tuabin gió để cải thiện chất lượng dữ liệu đầu vào, từ đó nâng cao hiệu quả mô hình dự báo. Thời gian thực hiện: 12 tháng; chủ thể: chủ đầu tư và đơn vị quản lý dự án.

  3. Phát triển giao diện ứng dụng dự báo tích hợp: Nâng cấp giao diện ứng dụng dự báo công suất điện gió hiện có, tích hợp trực tiếp vào hệ thống SCADA của nhà máy để cung cấp dự báo thời gian thực cho nhân viên vận hành. Thời gian thực hiện: 3 tháng; chủ thể: nhóm phát triển phần mềm và kỹ thuật vận hành.

  4. Nghiên cứu mở rộng mô hình dự báo dài hạn: Tiếp tục nghiên cứu và phát triển mô hình dự báo công suất điện gió trung và dài hạn (từ 6 tiếng đến 1 tuần) dựa trên STCN kết hợp dữ liệu dự báo thời tiết số (NWP) để hỗ trợ kế hoạch bảo trì và vận hành dài hạn. Thời gian thực hiện: 18 tháng; chủ thể: các viện nghiên cứu và trường đại học.

Đối tượng nên tham khảo luận văn

  1. Các nhà quản lý và vận hành hệ thống điện: Luận văn cung cấp phương pháp dự báo công suất điện gió đa bước thời gian với độ chính xác cao, giúp họ lập kế hoạch huy động công suất và điều độ hệ thống hiệu quả hơn.

  2. Các nhà đầu tư và chủ đầu tư dự án điện gió: Thông tin về mô hình dự báo và hiệu quả ứng dụng giúp đánh giá tiềm năng vận hành và tối ưu hóa lợi nhuận từ các dự án điện gió.

  3. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện, năng lượng tái tạo: Luận văn trình bày chi tiết về các mô hình mạng nơ-ron sâu, phương pháp tiền xử lý dữ liệu và đánh giá mô hình, là tài liệu tham khảo quý giá cho nghiên cứu và học tập.

  4. Các đơn vị phát triển phần mềm và công nghệ trong lĩnh vực năng lượng: Giao diện ứng dụng dự báo và các thuật toán được trình bày có thể được áp dụng và phát triển thêm trong các hệ thống quản lý năng lượng thông minh.

Câu hỏi thường gặp

  1. Giải thuật STCN có ưu điểm gì so với LSTM truyền thống?
    STCN sử dụng tích chập nhân quả và giãn nỡ giúp mở rộng vùng tiếp nhận dữ liệu lịch sử dài hơn, đồng thời kết nối phần dư giúp tránh hiện tượng biến mất đạo hàm, từ đó cải thiện độ chính xác và tốc độ huấn luyện so với LSTM.

  2. Tại sao hướng gió được loại bỏ trong mô hình dự báo?
    Hệ số tương quan giữa hướng gió và công suất điện gió rất thấp (gần 0), cho thấy biến này không đóng góp nhiều vào dự báo và có thể gây nhiễu, nên được loại bỏ để tăng hiệu quả học của mô hình.

  3. Phương pháp loại bỏ ngoại lai dữ liệu được thực hiện như thế nào?
    Sử dụng thuật toán Covariance Estimator trên phần mềm Orange để phát hiện và loại bỏ các điểm dữ liệu ngoại lai dựa trên ma trận hiệp phương sai, giúp làm sạch dữ liệu và nâng cao chất lượng mô hình.

  4. Mô hình STCN có thể áp dụng cho các nhà máy điện gió khác không?
    Có, mô hình STCN có tính tổng quát cao và có thể được điều chỉnh để dự báo công suất cho các nhà máy điện gió khác dựa trên dữ liệu lịch sử tương ứng.

  5. Thời gian dự báo đa bước thời gian có ý nghĩa gì trong vận hành hệ thống điện?
    Dự báo đa bước thời gian giúp nắm bắt động lực học của tuabin gió trong nhiều khung thời gian tiếp theo, hỗ trợ lập kế hoạch vận hành, điều độ kinh tế và bảo trì hiệu quả hơn so với dự báo một bước thời gian.

Kết luận

  • Luận văn đã xây dựng thành công mô hình STCN dự báo công suất điện gió đa bước thời gian trong 3 tiếng tiếp theo cho Nhà máy điện gió Tân Thuận với độ chính xác vượt trội so với các mô hình LSTM và TCN truyền thống.
  • Việc tiền xử lý dữ liệu bằng thuật toán Covariance Estimator giúp loại bỏ ngoại lai, nâng cao chất lượng dữ liệu đầu vào và hiệu quả dự báo.
  • Mô hình STCN có khả năng mở rộng vùng tiếp nhận dữ liệu lịch sử nhờ tích chập giãn nỡ và kết nối phần dư, giảm thiểu hiện tượng biến mất đạo hàm trong huấn luyện mạng sâu.
  • Ứng dụng giao diện dự báo công suất điện gió được phát triển giúp trực quan hóa kết quả và hỗ trợ vận hành thực tế.
  • Đề xuất triển khai mô hình STCN trong hệ thống điều độ điện, mở rộng thu thập dữ liệu và nghiên cứu dự báo dài hạn để nâng cao hiệu quả khai thác nguồn năng lượng tái tạo tại Việt Nam.

Hành động tiếp theo là phối hợp với các đơn vị vận hành và quản lý dự án để triển khai mô hình STCN vào thực tế, đồng thời mở rộng nghiên cứu ứng dụng cho các nhà máy điện gió khác nhằm góp phần phát triển bền vững ngành năng lượng sạch.