CHƯƠNG 1: GIỚI THIỆU CHUNG 1. Tổng quan tình hình nghiên cứu Dự báo công suất phát nguồn điện gió là một trong những công việc quan trọng nhằm quản lý, vận hành hệ thống điện, khai thác nguồn tài nguyên gió một cách hiệu quả. Tùy vào tính chất riêng và mục đích sử dụng của mỗi nhà máy điện gió, các phương pháp dự báo công suất điện gió có thể được nghiên cứu và áp dụng để mang tính phù hợp. Theo như nghiên cứu [6], có thể phân loại dự báo công suất điện gió thành 4 loại dựa trên miền thời gian dự báo: Dự báo cực ngắn hạn – từ vài giây đến 30 phút sắp tới; Dự báo ngắn hạn – từ 30 phút đến 6 tiếng sắp tới; Dự báo trung hạn – từ 6 tiếng đến 1 ngày sắp tới; Dự báo dài hạn – từ 1 ngày đến 1 tuần sắp tới.
Dự báo cực ngắn hạn đem lại sự hữu ích trong việc điều khiển tuabin gió theo thời gian thực. Dự báo ngắn hạn giúp bộ phận điều độ lên kế hoạch dự kiến công suất huy động. Dự báo trung hạn đóng vai trò quan trọng trong việc đảm bảo tình hình an ninh năng lượng quốc gia. Dự báo dài hạn giúp các kỹ sư vận hành lên kế hoạch bảo trì để tiết kiệm tối đa chi phí vận hành.
Dựa trên hướng tiếp cận phương pháp dự báo, bài nghiên cứu [7] đã phân thành 3 loại hình dự báo: mô hình vật lý, mô hình thống kê, và các mô hình trí tuệ nhân tạo. Mô hình vật lý sẽ sử dụng các yếu tố thời tiết như dữ liệu dự báo thời tiết (Numerical weather prediction – NWP) hoặc các dữ liệu đo lường như nhiệt độ, độ ẩm, áp suất khí quyển để làm đầu vào mô hình dự báo [8]. Nhóm phương pháp dự báo công suất gió trên cần phải xem xét các khía cạnh như địa hình, cao độ dự án, cũng như đường cong công suất khác nhau của các tuabin gió để tính tốc độ gió tại chiều cao của hub. Nhóm phương pháp này có ưu điểm không cần nhiều dữ liệu lịch sử của dự án điện gió, tuy nhiên, ta rất khó để mô hình hóa và phải phân tích rất nhiều yếu tố vận hành khác nhau như địa hình địa lý và môi trường khí quyển [8].
Đối với nhóm phương pháp thứ 2, các mô hình cổ điển thống kế có thể liệt kê gồm mô hình Hammerstein autoregressive [9], fractional-ARIMA [10], autoregressive moving average [11], và autoregressive integrated moving average [12]. Các mô hình chuỗi thời gian này được dùng để phân tích sự biến đổi tuyến tính của tốc độ LUẬN VĂN THẠC SĨ HVTH: Nguyễn Hữu Khoa Minh GVHD: PGS. TS Phan Quốc Dũng Trang 6 gió và công suất điện gió tại từng vị trí khác nhau [13]. Để có thể tạo ra một mô hình toán học, các mô hình thống kê cần phải có một lượng dữ liệu lịch sử lớn và chất lượng cao [8].
Trong vài năm trở lại đây, rất nhiều giải thuật học sâu đã được sử dụng để dự báo công suất điện vào khung thời gian ngắn hạn, và đã đưa ra các kết quả vượt trội hơn so với các phương pháp truyền thống. Ví dụ, đối với tình hình nghiên cứu trong nước, một mô hình mạng nơ-ron nhiều lớp truyền thẳng đã được nghiên cứu mang lại kết quả dự báo công suất điện gió bám khá sát so với số liệu thực tế tuy nhiên kết quả vẫn chưa tốt, và chưa cho thấy sự vượt trội so với các mô hình khác như PSO-ANN, GA-PSO-ANN, PSO-PS-ANN, … [14] Ngoài ra, một biến thể mạng nơ-ron mới mang tên Long Short-Term Memory (LSTM) đã được thiết kế để khắc phục tình trạng biến mất đạo hàm ( Vanishing Gradient) của mô hình truyền thống Recurrent Neural Network trong việc dự báo công suất điện gió [15]. Thời gian trở lại đây, một mô hình nơ-ron mới mang tên Temporal Convolutional Network (TCN) đã được nghiên cứu và cho ra kết quả xử lý chuỗi thời gian đầu vào dài hơn nhưng cần dữ liệu bộ nhớ ít hơn so với các mô hình truyền thống trước đây [16]. Mô hình TCN sau đó đã được phát triển cho việc dự báo công suất ngắn hạn, và đưa ra kết quả vượt trội hơn so với các mô hình cổ điển như Support Vector Machine, LSTM,… [17].
Tuy nhiên, cách tiếp cận cơ bản TCN và LSTM trên chỉ mới giải quyết bài toán dự báo công suất điện gió 1 bước thời gian sắp tới. Các mô hình dự báo công suất điện gió 1 bước thời gian sẽ không đủ chính xác trong công tác đưa ra các hoạt động vận hành mang tính ổn định và lâu dài [18]. Ngược lại, mô hình dự báo công suất điện gió với nhiều bước thời gian sắp tới sẽ giúp ta có khả năng nắm bắt được toàn bộ động lực học tuabin gió từ đó đưa ra các quyết định điều khiển mang tính hiệu quả hơn. Các ứng dụng trong công tác dự báo công suất điện gió với nhiều bước thời gian sắp tới có thể kế đến ở các lĩnh vực bao gồm vận hành, điều khiển hệ thống điện, điều độ kinh tế, và lập dự kiến huy động công suất.
Mỗi phương pháp dự báo công suất điện gió có các ưu điểm và nhược điểm riêng khác nhau và sẽ phù hợp với mỗi loại mục tiêu và ứng dụng khác nhau. Đối với dự án Tân Thuận, dữ liệu NWP không được thu thập do thuộc sở hữu của Trung LUẬN VĂN THẠC SĨ HVTH: Nguyễn Hữu Khoa Minh GVHD: PGS. TS Phan Quốc Dũng Trang 7 tâm dự báo khí tượng thủy văn. Bài luận văn này sẽ sử dụng một biến thể mới TCN mang tên Stacked Temporal Convolutional Network (STCN) để ứng dụng vào dự báo công suất điện gió ngắn hạn và với nhiều bước thời gian sắp tới của nhà máy điện gió Tân Thuận dựa vào đầu vào là dữ liệu lịch sử thời tiết và công suất điện gió.
Luận văn sẽ đưa ra các kết quả chứng minh phương pháp đề xuất vượt trội hơn so với các phương pháp xử lý chuỗi thời gian khác của mạng nơ-ron. Biến thể STCN trong vài năm gần đây đã được phát triển trong việc xử lý chuỗi thời gian trong dự báo gene [16] hoặc phát hiện bất thường trong IoT [19]. Mục tiêu và nhiệm vụ nghiên cứu Mục tiêu của đề tài là nghiên cứu và xây dựng mô hình STCN mang đặc tính tích chập nhân quả giãn nở (causal dilated convolutions) và các kết nối phần dư (residual connections) để mở rộng các vùng tiếp nhận (receptive fields) và xử lý chuỗi dữ liệu thời gian dài hơn. Mô hình STCN sẽ được sử dụng để dự báo công suất điện gió ngắn hạn và nhiều bước thời gian sắp tới.
Kết quả của việc dự báo của mô hình đề xuất sẽ được so sánh với các mô hình dự báo chuỗi dữ liệu thời gian khác của nơ-ron như Vanilla LSTM, Stacked LSTM (S-LSTM), Bidirectional LSTM (Bi-LSTM), Convolutional LSTM (Conv-LSTM) và TCN về chất lượng độ chính xác và thời gian huấn luyện mô hình. Bố cục luận văn Nội dung luận văn được trình bày qua 6 chương: - Chương 1 trình bày tổng quan các công trình nghiên cứu dự báo công suất điện gió cũng như ứng dụng nó vào trong lĩnh vực đời sống, giới thiệu phương pháp STCN của bài luận văn sẽ dự báo công suất điện gió ngắn hạn và đa bước thời gian chính xác hơn so với các phương pháp dự báo chuỗi dữ liệu thời gian khác của mạng nơ-ron - Chương 2 giới thiệu cơ sở lý thuyết điện gió, mạng nơ-ron LSTM, các biến thể của LSTM, mạng nơ-ron TCN LUẬN VĂN THẠC SĨ HVTH: Nguyễn Hữu Khoa Minh GVHD: PGS. TS Phan Quốc Dũng Trang 8 - Chương 3 trình bày quy trình dự báo công suất điện gió bao gồm cách tiền xử lý dữ liệu, các chỉ số đo lường hiệu suất, cách xây dựng các mô hình dự báo công suất điện gió và cách huấn luyện mô hình - Chương 4 trình kết quả tiền xử lý dữ liệu, quá trình huấn luyện mô hình dự báo, đánh giá và so sánh kết quả mô hình đề xuất với các mô hình khác trình bày ở dạng giao diện ứng dụng dự báo công suất điện gió của dự án Nhà máy Điện gió Tân Thuận - Chương 5 trình bày kết luận và kiến nghị những nghiên cứu tiếp theo LUẬN VĂN THẠC SĨ HVTH: Nguyễn Hữu Khoa Minh GVHD: PGS. TS Phan Quốc Dũng Trang 9 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.
Năng lượng điện gió Nguồn năng lượng điện gió đang dần trở thành một trong những nguồn năng lượng tiềm năng giải quyết khủng khoảng năng lượng trên toàn cầu. Nhìn chung, công suất phát điện gió của mỗi tuabin gió được mô tả thông qua công thức sau [14], [20]: (2.1) Trong đó, là mật độ không khí (kg/m3); A là diện tích quét của rotor (m2); là hệ số hiệu suất; là tốc độ gió (m/s); là hiệu suất của máy phát điện; là hiệu suất của hộp số.2) Với T là nhiệt độ môi trường (0C); h là độ cao của tuabin gió so với mực nước biển (m). Đường cong công suất của một tuabin gió giúp mô tả mối quan hệ công suất gió phát ra và tốc độ gió tại độ cao làm quay cánh tuabin, là một đặc tính quan trọng của tuabin gió và hỗ trợ cho các công tác đánh giá năng lượng, hiệu năng đo lường. LUẬN VĂN THẠC SĨ HVTH: Nguyễn Hữu Khoa Minh GVHD: PGS.
TS Phan Quốc Dũng Trang 10 Hình 2.1 Đường cong đặc tính điển hình của vận tốc gió và công suất điện gió của tuabin điện gió (nguồn từ [20]) Hình 2.1 biểu diễn một đường cong điển hình cơ bản cho loại tuabin gió có thể tự động điều chỉnh góc nghiêng cánh quạt (Pitch regulated) [20]. Ở khu vực đầu tiên, công suất phát P của tuabin gió sẽ là 0 nếu tốc độ gió thấp hơn. Trong khu vực thứ 2, giữa tốc độ gió và , ta quan sát thấy sự tăng trưởng nhanh của công suất phát P. Và ở khu vực 3, giữa và , ta quan sát thấy công suất phát P đang giữ ổn định tại.
Tuy nhiên, nếu tốc độ gió lớn hơn , để đảm bảo an toàn thiết bị và vận hành tốt, tuabin gió phải ngừng hoạt động, đồng nghĩa công suất P bằng 0.
