Nghiên cứu mô hình dự báo ngắn hạn công suất phát của nhà máy điện mặt trời

Luận án tiến sĩ kỹ thuật phân tích nghiên cứu mô hình dự báo ngắn hạn công suất phát của nhà máy điện mặt trời sử dụng mạng nơ ron hồi, xây dựng cơ sở lý luận, kiểm chứng thực

• Tác giả: Bùi Duy Linh
• Người hướng dẫn: TS. Nguyễn Quang Ninh
• Trường học: Viện Hàn Lâm Khoa Học và Công Nghệ Việt Nam
• Chuyên ngành: Khoa Học và Công Nghệ
• Đề tài: Dự Báo Ngắn Hạn Công Suất Điện Mặt Trời Bằng Mạng Nơ Ron Hồi Quy
• Loại tài liệu: luận án
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC BẢNG
• DANH MỤC HÌNH
• 1. CHƯƠNG 1: LÝ DO CHỌN ĐỀ TÀI
• 2. CHƯƠNG 2: PHƯƠNG PHÁP NGHIÊN CỨU
• 3. CHƯƠNG 3: PHẠM VI NGHIÊN CỨU
• 4. CHƯƠNG 4: CƠ SỞ KHOA HỌC VÀ THỰC TIỄN CỦA ĐỀ TÀI
• 5. CHƯƠNG 5: NHỮNG ĐÓNG GÓP MỚI CỦA LUẬN ÁN
• 6. CHƯƠNG 6: TỔNG QUAN NGHIÊN CỨU
• 6.1. Công suất phát đầu ra của nhà máy ĐMT và các yếu tố ảnh hưởng
• 6.2. Công suất phát đầu ra của nhà máy ĐMT
• 6.3. Các yếu tố ảnh hưởng đến công suất phát nhà máy ĐMT
• 6.4. Phân loại các khung dự báo công suất ĐMT
• 6.5. Đánh giá chất lượng mô hình dự báo
• 6.6. Đánh giá sai số thông qua các chỉ số
• 6.7. Đánh giá sai số thông qua biểu đồ phân bố sai số
• 6.8. Các phương pháp dự báo ngắn hạn công suất nhà máy ĐMT
• 6.8.1. Phương pháp Vật lý
• 6.8.2. Phương pháp Thống kê theo chuỗi thời gian
• 6.8.3. Phương pháp Học máy
• 6.8.4. Phương pháp Kết hợp
• 6.9. Tình hình nghiên cứu
• 7. CHƯƠNG 7: XÂY DỰNG MÔ HÌNH DỰ BÁO NGẮN HẠN CÔNG SUẤT NHÀ MÁY ĐMT VỚI MẠNG NƠ- RON HÀI QUY BÀ NHÃ DÀI NGẮN
• 7.1. Thu thập số liệu
• 7.2. Số liệu khí tượng thực tế
• 7.3. Số liệu công suất phát
• 7.4. Bộ dữ liệu phục vụ xây dựng mô hình
• 7.5. Môi trường thí nghiệm
• 7.6. Tiền xử lý số liệu
• 7.7. Trích xuất các đặc trưng quan trọng từ bộ dữ liệu
• 7.8. Làm sạch dữ liệu
• 7.9. Phân chia dữ liệu huấn luyện và kiểm tra
• 7.10. Xây dựng mô hình LSTM và các mô hình so sánh
• 7.10.1. Mô hình quán tính
• 7.10.2. Mô hình ARIMA
• 7.10.3. Mô hình MLP
• 7.10.4. Xây dựng mô hình LSTM
• 7.11. Huấn luyện mô hình LSTM
• 7.12. So sánh kết quả dự báo các mô hình
• 7.13. Huấn luyện mô hình sử dụng tập kiểm chứng và kỹ thuật đăng sắm
• 7.14. So sánh mô hình nhiều đầu vào với mô hình một đầu vào
• 7.15. Đánh giá và kết luận
• 8. CHƯƠNG 8: GIẢI PHÁP CẢI TIẾN HIỆU QUẢ MÔ HÌNH VÀ XÂY DỰNG QUY TRÌNH, CÔNG CỤ DỰ BÁO
• 8.1. Kỹ thuật tiền xử lý số liệu và hàm số P/GHI kết hợp với phân cảm GHI
• 8.2. Phương án đề xuất
• 8.3. Thí nghiệm chứng minh hiệu quả
• 8.4. Kỹ thuật huấn luyện sử dụng số liệu khí tượng dự báo trong quá trình huấn luyện và dự báo
• 8.5. Phương án đề xuất
• 8.6. Thí nghiệm chứng minh hiệu quả
• 8.7. Kỹ thuật sử dụng dữ liệu bậc xử trí trong thay thế cho các đầu vào chỉ số thời gian
• 8.8. Phương án đề xuất
• 8.9. Thí nghiệm kiểm chứng hiệu quả
• 8.10. Quy trình và công cụ xử lý bài toán dự báo ngắn hạn công suất ĐMT sử dụng mạng Nơ-ron hài quy
• 8.10.1. Bước 1 - Xử lý dữ liệu đầu vào
• 8.10.2. Bước 2 - Huấn luyện mô hình
• 8.11. Công cụ phần mềm dự báo công suất ĐMT
• KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO
• DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC 1: GIAO DIỆN CÔNG CỤ DỰ BÁO
• PHỤ LỤC 2: KẾT QUẢ CHI TIẾT CÁC CHỈ SỐ SAI SỐ DỰ BÁO TRÊN TẬP DỮ LIỆU KIỂM TRA CỦA TĂNG BẬC TRONG MÔ HÌNH DỰ BÁO NHIỀU BẬC ĐÁNG THỜI

Tóm tắt

I. Giới thiệu về dự báo công suất điện mặt trời

Dự báo công suất điện mặt trời là một lĩnh vực nghiên cứu quan trọng trong ngành năng lượng tái tạo. Công suất điện mặt trời phụ thuộc vào nhiều yếu tố như điều kiện thời tiết, vị trí địa lý và các thông số kỹ thuật của hệ thống. Việc sử dụng mạng nơ ron để dự báo công suất điện mặt trời đã trở thành một xu hướng phổ biến. Mạng nơ ron hồi quy cho phép mô hình hóa các mối quan hệ phi tuyến tính giữa các yếu tố đầu vào và đầu ra, từ đó cải thiện độ chính xác của dự báo. Theo nghiên cứu, việc áp dụng mô hình hồi quy có thể giúp tối ưu hóa công suất phát điện và giảm thiểu rủi ro trong vận hành hệ thống điện mặt trời.

1.1. Tầm quan trọng của dự báo ngắn hạn

Dự báo ngắn hạn công suất điện mặt trời có vai trò quan trọng trong việc quản lý và điều hành hệ thống điện. Nó giúp các nhà quản lý có cái nhìn tổng quan về khả năng phát điện trong thời gian tới, từ đó đưa ra các quyết định hợp lý về việc điều phối nguồn điện. Việc dự báo chính xác không chỉ giúp tối ưu hóa việc sử dụng năng lượng mà còn góp phần vào việc duy trì sự ổn định của lưới điện. Các phương pháp dự báo hiện nay, bao gồm thuật toán nơ ron, đã chứng minh được hiệu quả trong việc cải thiện độ chính xác của dự báo công suất điện mặt trời.

II. Phương pháp nghiên cứu

Phương pháp nghiên cứu trong luận án này bao gồm việc thu thập và phân tích dữ liệu thời tiết, công suất phát điện và các yếu tố ảnh hưởng khác. Dữ liệu được thu thập từ các trạm quan trắc thời tiết và các nhà máy điện mặt trời. Sau đó, dữ liệu này sẽ được xử lý để loại bỏ các nhiễu và chuẩn hóa trước khi đưa vào mô hình hồi quy. Việc sử dụng mạng nơ ron trong dự báo công suất điện mặt trời cho phép khai thác các đặc trưng phức tạp của dữ liệu, từ đó nâng cao độ chính xác của dự báo. Các mô hình như LSTM (Long Short Term Memory) đã được áp dụng để xử lý dữ liệu chuỗi thời gian, giúp cải thiện khả năng dự đoán trong các điều kiện biến động.

2.1. Xây dựng mô hình dự báo

Xây dựng mô hình dự báo công suất điện mặt trời bằng mạng nơ ron hồi quy bao gồm nhiều bước quan trọng. Đầu tiên, dữ liệu được thu thập và xử lý để đảm bảo tính chính xác và đầy đủ. Sau đó, các đặc trưng quan trọng được trích xuất từ dữ liệu để làm đầu vào cho mô hình. Mô hình LSTM được lựa chọn vì khả năng ghi nhớ thông tin trong thời gian dài, giúp cải thiện độ chính xác của dự báo. Quá trình huấn luyện mô hình được thực hiện với các tham số tối ưu để đạt được hiệu suất cao nhất. Cuối cùng, mô hình được kiểm tra và đánh giá thông qua các chỉ số như MAE (Mean Absolute Error) và RMSE (Root Mean Square Error).

III. Kết quả và thảo luận

Kết quả nghiên cứu cho thấy mô hình mạng nơ ron hồi quy có khả năng dự báo công suất điện mặt trời với độ chính xác cao. Các chỉ số đánh giá cho thấy sai số dự báo giảm đáng kể so với các phương pháp truyền thống. Việc áp dụng mô hình này không chỉ giúp cải thiện độ chính xác mà còn tối ưu hóa quy trình vận hành của các nhà máy điện mặt trời. Hơn nữa, nghiên cứu cũng chỉ ra rằng việc sử dụng dữ liệu thời tiết và lịch sử công suất phát điện là rất quan trọng trong việc nâng cao hiệu quả của mô hình. Điều này cho thấy tầm quan trọng của việc tích hợp các yếu tố bên ngoài vào trong quá trình dự báo.

3.1. Ứng dụng thực tiễn

Ứng dụng của mô hình dự báo công suất điện mặt trời bằng mạng nơ ron hồi quy có thể được thấy rõ trong việc quản lý lưới điện. Các nhà quản lý có thể sử dụng thông tin dự báo để điều chỉnh hoạt động của các nguồn điện khác, đảm bảo cung cấp điện ổn định và hiệu quả. Ngoài ra, việc dự báo chính xác cũng giúp các nhà đầu tư có cái nhìn rõ hơn về tiềm năng phát triển của các dự án điện mặt trời, từ đó đưa ra quyết định đầu tư hợp lý. Mô hình này cũng có thể được áp dụng trong các nghiên cứu tiếp theo để phát triển các giải pháp năng lượng tái tạo bền vững hơn.

Nội dung chính

Tổng quan nghiên cứu

Việt Nam đang chứng kiến sự tăng trưởng nhanh chóng trong lĩnh vực năng lượng tái tạo, đặc biệt là điện mặt trời (ĐMT). Từ mức sản lượng khoảng 99 tỷ kWh năm 2010, đến năm 2022, sản lượng điện đã tăng lên 271 tỷ kWh, tương đương tốc độ tăng trưởng bình quân gần 10% mỗi năm. Công suất đặt của hệ thống điện cũng tăng từ 21,5 GW năm 2010 lên khoảng 80 GW vào cuối năm 2022. Dự kiến đến năm 2030, sản lượng điện sẽ đạt 567 tỷ kWh và công suất đặt khoảng 150 GW, trong đó năng lượng tái tạo chiếm tỷ trọng 30,9%-39,2%. Riêng điện mặt trời dự kiến đạt công suất đặt khoảng 20 GW vào năm 2030 và tăng lên 168-189 GW vào năm 2050.

Tuy nhiên, đặc tính biến động mạnh của công suất phát điện mặt trời do phụ thuộc vào các yếu tố khí tượng như bức xạ mặt trời, nhiệt độ, độ ẩm và tốc độ gió gây ra nhiều thách thức trong vận hành hệ thống điện. Công suất phát không ổn định, biến động nhanh trong ngày và giữa các ngày liên tiếp có thể lên đến hàng nghìn MW, ảnh hưởng đến an toàn và ổn định của hệ thống điện quốc gia. Do đó, việc dự báo ngắn hạn công suất phát của các nhà máy ĐMT là yêu cầu cấp thiết để đảm bảo cân bằng cung cầu, tối ưu hóa vận hành và nâng cao hiệu quả quản lý hệ thống điện.

Mục tiêu nghiên cứu của luận văn là xây dựng mô hình dự báo ngắn hạn công suất phát của nhà máy điện mặt trời quy mô công nghiệp tại Việt Nam sử dụng mạng nơ-ron hồi quy dài hạn (LSTM). Nghiên cứu tập trung vào phân tích các yếu tố ảnh hưởng, thu thập và xử lý dữ liệu khí tượng và công suất thực tế, xây dựng mô hình dự báo chính xác, đồng thời đề xuất các giải pháp cải tiến nhằm nâng cao hiệu quả dự báo. Phạm vi nghiên cứu bao gồm dữ liệu vận hành và khí tượng của một nhà máy ĐMT công suất 48 MW tại khu vực Nam Bộ trong khoảng thời gian 13 tháng (từ tháng 5/2019 đến tháng 6/2020).

Kết quả nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ các đơn vị vận hành và điều độ hệ thống điện trong việc lập kế hoạch, điều chỉnh công suất và đảm bảo an toàn vận hành hệ thống điện có tỷ trọng năng lượng tái tạo ngày càng cao.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Mạng nơ-ron hồi quy dài hạn (LSTM): Là biến thể của mạng nơ-ron hồi quy (RNN), được thiết kế để xử lý dữ liệu chuỗi thời gian có tính phụ thuộc dài hạn. LSTM sử dụng các cổng (gate) để kiểm soát luồng thông tin, khắc phục vấn đề biến mất gradient trong RNN truyền thống, giúp mô hình ghi nhớ thông tin quan trọng trong khoảng thời gian dài.

• Mô hình chuỗi thời gian ARIMA: Mô hình tự hồi quy tích hợp trung bình trượt, dùng để dự báo các chuỗi thời gian có tính dừng hoặc có thể biến đổi thành chuỗi dừng sau khi lấy sai phân. ARIMA được sử dụng làm phương pháp tham chiếu trong đánh giá hiệu quả mô hình LSTM.

• Các chỉ số đánh giá sai số dự báo: MAE, MAPE, RMSE, nRMSE được sử dụng để đánh giá độ chính xác của mô hình dự báo, giúp so sánh hiệu quả giữa các mô hình khác nhau.

• Các yếu tố ảnh hưởng đến công suất phát ĐMT: Bức xạ mặt trời (GHI), nhiệt độ tấm pin, độ ẩm, tốc độ gió, góc nghiêng tấm pin, các yếu tố khí tượng khác được xem xét là đầu vào quan trọng trong mô hình dự báo.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Dữ liệu thu thập từ một nhà máy điện mặt trời công suất 48 MW tại khu vực Nam Bộ Việt Nam, bao gồm dữ liệu vận hành công suất phát và dữ liệu khí tượng (GHI, nhiệt độ, độ ẩm, tốc độ gió) với độ phân giải 5 phút trong khoảng 13 tháng (5/2019 - 6/2020).

• Tiền xử lý dữ liệu: Loại bỏ điểm ngoại lai bằng phương pháp IQR, xử lý dữ liệu thiếu, chuẩn hóa dữ liệu đầu vào, kết hợp dữ liệu khí tượng dự báo và thực đo.

• Phương pháp phân tích: Xây dựng mô hình dự báo ngắn hạn công suất phát sử dụng mạng nơ-ron hồi quy dài hạn (LSTM) với các cấu hình khác nhau về số lớp ẩn và số nút ẩn. So sánh hiệu quả với các mô hình truyền thống như ARIMA, mô hình quán tính (persistence), mạng nơ-ron đa lớp (MLP).

• Timeline nghiên cứu: Thu thập và xử lý dữ liệu (3 tháng), xây dựng và huấn luyện mô hình (4 tháng), đánh giá và so sánh mô hình (2 tháng), đề xuất giải pháp cải tiến và xây dựng quy trình triển khai (3 tháng).

• Cỡ mẫu và chọn mẫu: Dữ liệu toàn bộ vận hành của nhà máy trong 13 tháng, chia thành tập huấn luyện (80%) và tập kiểm tra (20%) theo phương pháp phân chia ngẫu nhiên có kiểm soát để đảm bảo tính đại diện.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình LSTM vượt trội: Mô hình LSTM với cấu hình 4 lớp ẩn, 100 nút ẩn cho kết quả dự báo công suất phát với sai số MAPE khoảng 4,8% và nRMSE khoảng 9,0% trên tập kiểm tra. So với mô hình ARIMA có MAPE khoảng 12% và nRMSE trên 20%, LSTM cải thiện độ chính xác dự báo đáng kể.

2. Ảnh hưởng của các yếu tố khí tượng: Hệ số tương quan Pearson giữa GHI và công suất phát đạt khoảng 98%, cho thấy bức xạ mặt trời là yếu tố ảnh hưởng chính. Nhiệt độ tấm pin có ảnh hưởng tiêu cực đến công suất phát, với hệ số suy giảm công suất khoảng -0,42%/°C. Tác động của độ ẩm và tốc độ gió có hệ số tương quan thấp hơn, khoảng 0,2-0,4, nhưng vẫn đóng vai trò hỗ trợ trong mô hình.

3. Tác động của tiền xử lý dữ liệu: Việc áp dụng kỹ thuật loại bỏ điểm ngoại lai và chuẩn hóa dữ liệu đầu vào giúp giảm sai số dự báo trung bình khoảng 15% so với mô hình không xử lý dữ liệu.

4. So sánh các cấu hình mô hình: Mô hình LSTM nhiều lớp ẩn và nhiều nút ẩn cho kết quả tốt hơn mô hình LSTM đơn lớp hoặc mạng nơ-ron đa lớp (MLP). Tuy nhiên, tăng quá nhiều lớp ẩn không cải thiện đáng kể hiệu quả mà làm tăng thời gian huấn luyện.

Thảo luận kết quả

Kết quả cho thấy mô hình LSTM là công cụ hiệu quả trong dự báo ngắn hạn công suất phát của nhà máy ĐMT, nhờ khả năng xử lý dữ liệu chuỗi thời gian có tính biến động và phụ thuộc dài hạn. Việc kết hợp dữ liệu khí tượng thực tế và vận hành giúp mô hình phản ánh chính xác hơn các điều kiện thực tế.

So với các nghiên cứu quốc tế, sai số MAPE và nRMSE của mô hình trong luận văn tương đương hoặc tốt hơn, minh chứng cho tính khả thi và hiệu quả của phương pháp áp dụng tại Việt Nam. Việc xử lý dữ liệu đầu vào kỹ càng là yếu tố then chốt giúp nâng cao chất lượng dự báo.

Biểu đồ phân bố sai số dự báo cho thấy phần lớn sai số tập trung quanh 0%, với tỷ lệ sai số lớn hơn 10% chiếm dưới 5%, thể hiện tính ổn định của mô hình. Bảng so sánh sai số giữa các mô hình cũng minh chứng rõ ràng ưu thế của LSTM.

Tuy nhiên, mô hình vẫn còn hạn chế khi dự báo trong các điều kiện thời tiết bất thường như mưa lớn hoặc mây dày, do dữ liệu khí tượng chưa đầy đủ hoặc chưa được tích hợp các mô hình dự báo thời tiết nâng cao. Đây là hướng nghiên cứu tiếp theo cần được phát triển.

Đề xuất và khuyến nghị

1. Triển khai hệ thống dự báo LSTM tích hợp trong vận hành nhà máy: Áp dụng mô hình LSTM đã xây dựng vào hệ thống điều khiển và quản lý nhà máy ĐMT để dự báo công suất phát trong khoảng thời gian 5-60 phút tới, giúp tối ưu hóa điều độ và giảm thiểu rủi ro vận hành. Thời gian thực hiện: 6 tháng; Chủ thể: Ban kỹ thuật vận hành nhà máy.

2. Nâng cao chất lượng dữ liệu đầu vào: Đầu tư bổ sung các trạm đo khí tượng tại nhiều vị trí trong khu vực nhà máy để thu thập dữ liệu chính xác và đa dạng hơn, đặc biệt là các thông số như bức xạ mặt trời, nhiệt độ tấm pin, độ ẩm và tốc độ gió. Thời gian thực hiện: 12 tháng; Chủ thể: Ban quản lý dự án và đơn vị cung cấp thiết bị.

3. Phát triển mô hình dự báo kết hợp dữ liệu dự báo thời tiết số (NWP): Kết hợp dữ liệu dự báo thời tiết số với dữ liệu thực đo để cải thiện khả năng dự báo trong điều kiện thời tiết phức tạp, giảm sai số dự báo trong các ngày mưa hoặc nhiều mây. Thời gian thực hiện: 9 tháng; Chủ thể: Trung tâm nghiên cứu và phát triển công nghệ năng lượng.

4. Xây dựng phần mềm hỗ trợ dự báo và cảnh báo sớm: Phát triển phần mềm dự báo công suất phát ĐMT tích hợp mô hình LSTM, cung cấp giao diện trực quan, cảnh báo biến động công suất lớn và hỗ trợ ra quyết định vận hành. Thời gian thực hiện: 6 tháng; Chủ thể: Đơn vị phát triển phần mềm và ban kỹ thuật vận hành.

5. Đào tạo và nâng cao năng lực nhân sự: Tổ chức các khóa đào tạo về kỹ thuật dự báo, xử lý dữ liệu và vận hành mô hình LSTM cho đội ngũ kỹ thuật viên và quản lý nhà máy để đảm bảo vận hành hiệu quả hệ thống dự báo. Thời gian thực hiện: liên tục; Chủ thể: Ban nhân sự và đào tạo.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý và vận hành nhà máy điện mặt trời: Giúp hiểu rõ về phương pháp dự báo công suất, áp dụng mô hình LSTM để nâng cao hiệu quả vận hành, giảm thiểu rủi ro do biến động công suất.

2. Các nhà nghiên cứu và phát triển công nghệ năng lượng tái tạo: Cung cấp cơ sở lý thuyết, phương pháp và kết quả thực nghiệm để phát triển các mô hình dự báo công suất ĐMT phù hợp với điều kiện Việt Nam.

3. Các đơn vị điều độ hệ thống điện và quản lý lưới điện: Hỗ trợ trong việc lập kế hoạch điều độ, cân bằng cung cầu và đảm bảo an toàn vận hành hệ thống điện có tỷ trọng năng lượng tái tạo ngày càng cao.

4. Các nhà phát triển phần mềm và công nghệ thông tin trong lĩnh vực năng lượng: Tham khảo quy trình xây dựng mô hình, xử lý dữ liệu và phát triển phần mềm dự báo công suất ĐMT ứng dụng mạng nơ-ron hồi quy dài hạn.

Câu hỏi thường gặp

1. Mô hình LSTM có ưu điểm gì so với các mô hình dự báo truyền thống?
   Mô hình LSTM có khả năng ghi nhớ thông tin dài hạn trong chuỗi thời gian, xử lý tốt các dữ liệu biến động phi tuyến và phụ thuộc phức tạp, giúp nâng cao độ chính xác dự báo so với các mô hình như ARIMA hay mạng nơ-ron đa lớp.

2. Dữ liệu khí tượng nào ảnh hưởng nhiều nhất đến công suất phát điện mặt trời?
   Bức xạ mặt trời toàn phần (GHI) có hệ số tương quan lên đến 98% với công suất phát, là yếu tố quan trọng nhất. Nhiệt độ tấm pin cũng ảnh hưởng tiêu cực, trong khi độ ẩm và tốc độ gió có ảnh hưởng gián tiếp và mức độ thấp hơn.

3. Làm thế nào để xử lý dữ liệu ngoại lai trong bộ dữ liệu vận hành?
   Phương pháp loại bỏ điểm ngoại lai dựa trên khoảng tứ phân vị (IQR) được áp dụng để loại bỏ các giá trị bất thường, giúp cải thiện chất lượng dữ liệu đầu vào và nâng cao hiệu quả mô hình dự báo.

4. Sai số dự báo được đánh giá bằng những chỉ số nào?
   Các chỉ số phổ biến gồm MAE (sai số tuyệt đối trung bình), MAPE (sai số phần trăm trung bình), RMSE (sai số bình phương trung bình căn bậc hai) và nRMSE (RMSE chuẩn hóa theo công suất đặt), giúp đánh giá độ chính xác và ổn định của mô hình.

5. Mô hình dự báo có thể áp dụng cho các nhà máy ĐMT quy mô lớn không?
   Có thể áp dụng, tuy nhiên cần điều chỉnh và huấn luyện mô hình với dữ liệu đặc thù của từng nhà máy quy mô lớn, đồng thời bổ sung dữ liệu khí tượng đa điểm để phản ánh chính xác điều kiện vận hành thực tế.

Kết luận

• Luận văn đã xây dựng thành công mô hình dự báo ngắn hạn công suất phát nhà máy điện mặt trời quy mô công nghiệp tại Việt Nam sử dụng mạng nơ-ron hồi quy dài hạn (LSTM) với độ chính xác cao, sai số MAPE khoảng 4,8% và nRMSE khoảng 9%.

• Phân tích các yếu tố khí tượng cho thấy bức xạ mặt trời và nhiệt độ tấm pin là những biến đầu vào quan trọng nhất ảnh hưởng đến công suất phát.

• Việc tiền xử lý dữ liệu kỹ càng, loại bỏ điểm ngoại lai và chuẩn hóa giúp nâng cao hiệu quả dự báo.

• Mô hình LSTM vượt trội so với các mô hình truyền thống như ARIMA, mô hình quán tính và mạng nơ-ron đa lớp.

• Đề xuất các giải pháp triển khai mô hình trong vận hành thực tế, nâng cao chất lượng dữ liệu và phát triển phần mềm hỗ trợ dự báo.

Next steps: Triển khai thử nghiệm mô hình tại các nhà máy ĐMT khác, tích hợp dữ liệu dự báo thời tiết số, phát triển phần mềm dự báo và đào tạo nhân sự vận hành.

Call to action: Các đơn vị quản lý và vận hành nhà máy ĐMT nên áp dụng mô hình LSTM để nâng cao hiệu quả dự báo, đồng thời phối hợp nghiên cứu phát triển các giải pháp tích hợp nhằm đảm bảo vận hành an toàn, ổn định hệ thống điện trong bối cảnh năng lượng tái tạo ngày càng phát triển mạnh mẽ.

Trích đoạn nội dung tài liệu

Bà GIÁO DĀC VIàN HÀN LÂM KHOA HàC VÀ ĐÀO T¾O VÀ CÔNG NGHà VIàT NAM HàC VIàN KHOA HàC VÀ CÔNG NGHà ----------------------------- BÙI DUY LINH NGHIÊN CĄU MÔ HÌNH DĀ BÁO NGÂN H¾N CÔNG SUÂT PHÁT CĂA NHÀ MÁY ĐIàN M¾T TRâI SĈ DĀNG M¾NG N¡-RON HàI QUY LUÀN ÁN TI¾N Sþ Kþ THUÀT NNG L¯þNG HÀ NÞI – 2024 Bà GIÁO DĀC VIàN HÀN LÂM KHOA HàC VÀ ĐÀO T¾O VÀ CÔNG NGHà VIàT NAM HàC VIàN KHOA HàC VÀ CÔNG NGHà ----------------------------- BÙI DUY LINH NGHIÊN CĄU MÔ HÌNH DĀ BÁO NGÂN H¾N CÔNG SUÂT PHÁT CĂA NHÀ MÁY ĐIàN M¾T TRâI SĈ DĀNG M¾NG N¡-RON HàI QUY LUÀN ÁN TI¾N Sþ Kþ THUÀT NNG L¯þNG Mã sß : Thí điám Xác nhÁn căa Hác vián Ng°ãi h°áng d¿n 1 Ng°ãi h°áng d¿n 2 Khoa hác và Công nghá TS. Nguyßn Quang Ninh TS. Đoàn Vn Bình HÀ NÞI – 2024 i LâI CAM ĐOAN Tôi xin cam đoan đề tài nghiên cứu trong luận án này là công trình nghiên cứu của tôi dựa trên những tài liệu, số liệu do chính tôi tự tìm hiểu và nghiên cứu. Chính vì vậy, các kết quÁ nghiên cứu đÁm bÁo trung thực và khách quan nhất.

Trong quá trình nghiên cứu, tác giÁ công bố một số kết quÁ trên các t¿p chí khoa học của ngành và của lĩnh vực năng lượng. Kết quÁ nghiên cứu của luận án này chưa từng được công bố trong bất kỳ công trình nghiên cứu nào khác ngoài các công trình nghiên cứu của tác giÁ. Tác giÁ luÁn án Bùi Duy Linh ii LâI CÀM ¡N Tác giÁ xin bày tß lßi cÁm ¢n và lòng kính tráng đái vãi các thÅy h°ãng d¿n: TiÁn sĩ Đoàn Văn Bình, TiÁn sĩ Nguyßn Quang Ninh - Vián Khoa hác công nghá Năng l°ÿng và Môi tr°ßng, Vián Hàn lâm Khoa hác và Công nghá Viát Nam bái nhÿng chỉ d¿n quý báu về đßnh h°ãng nghiên cāu và ph°¢ng pháp luÁn để luÁn án này đ°ÿc hoàn thành. Tác giÁ cũng xin chân thành cÁm ¢n Ban lãnh đ¿o Hác vián Khoa hác và Công nghá, Vián Khoa hác công nghá Năng l°ÿng và Môi tr°ßng - Vián Hàn lâm Khoa hác và Công nghá Viát Nam đã t¿o điều kián về c¢ sá vÁt chÃt và thßi gian để tác giÁ hoàn thành luÁn án.

Tác giÁ xin trân tráng cÁm ¢n các nhà khoa hác, các đãng nghiáp đã phÁn bián, đóng góp các ý kiÁn quý báu để xây dāng và trao đåi các vÃn đề lý thuyÁt cũng nh° thāc tißn giúp hoàn thián luÁn án. Đặc biát, tác giÁ xin đ°ÿc bày tß lßi cÁm ¢n sâu sÃc nhÃt đÁn gia đình đã luôn chia sẻ nhÿng khó khăn, luôn hß trÿ, đáng viên tinh thÅn giúp tác giÁ có đ°ÿc chß dāa vÿng chÃc để hoàn thành luÁn án này. iii DANH MĀC CÁC TĂ VIÀT TÂT .vi DANH MĀC BÀNG. vii DANH MĀC HÌNH.

Lý do chán đề tài. Ph°¢ng pháp nghiên cāu. Ph¿m vi nghiên cāu. C¢ sá khoa hác và thāc tißn cÿa đề tài.

Nhÿng đóng góp mãi cÿa luÁn án. TäNG QUAN NGHIÊN CĀU. Công suÃt phát đÅu ra cÿa nhà máy ĐMT và các yÁu tá Ánh h°áng. Công suÃt phát đÅu ra cÿa nhà máy ĐMT.

Các yÁu tá Ánh h°áng đÁn công suÃt phát nhà máy ĐMT. Phân lo¿i các khung dā báo công suÃt ĐMT. Đánh giá chÃt l°ÿng mô hình dā báo. Đánh giá sai sá thông qua các chỉ sá.

Đánh giá sai sá thông qua biểu đã phân bá sai sá. Các ph°¢ng pháp dā báo ngÃn h¿n công suÃt nhà máy ĐMT. Ph°¢ng pháp VÁt lý. Ph°¢ng pháp Tháng kê theo chußi thßi gian.

Ph°¢ng pháp Hác máy. Ph°¢ng pháp KÁt hÿp. Tình hình nghiên cāu. XÂY DĀNG MÔ HÌNH DĀ BÁO NGÂN H¾N CÔNG SUÂT NHÀ MÁY ĐMT VâI M¾NG N¡-RON HâI QUY Bà NHâ DÀI NGÂN.

Thu thÁp sá liáu. Sá liáu khí t°ÿng thāc tÁ. Sá liáu công suÃt phát. Bá dÿ liáu phāc vā xây dāng mô hình.

Môi tr°ßng thí nghiám. Tiền xử lý sá liáu. Trích xuÃt các đặc tr°ng quan tráng tă bá dÿ liáu. Làm s¿ch dÿ liáu.

Phân chia dÿ liáu huÃn luyán và kiểm tra. Xây dāng mô hình LTSM và các mô hình so sánh. Mô hình quán tính. Mô hình ARIMA.

Mô hình MLP. Xây dāng mô hình LSTM. HuÃn luyán mô hình LSTM. So sánh kÁt quÁ dā báo tă các mô hình.

HuÃn luyán mô hình sử dāng tÁp kiểm chāng và kỹ thuÁt dăng sãm. So sánh mô hình nhiều đÅu vào vãi mô hình mát đÅu vào. Đánh giá và kÁt luÁn. GIÀI PHÁP CÀI TIÀN HIàU QUÀ MÔ HÌNH VÀ XÂY DĀNG QUY TRÌNH, CÔNG CĀ DĀ BÁO.

Kỹ thuÁt tiền xử lý sá liáu vãi há sá P/GHI kÁt hÿp vãi phân cām GHI. Ph°¢ng án đề xuÃt. Thí nghiám chāng minh hiáu quÁ. Kỹ thuÁt huÃn luyán sử dāng sá liáu khí t°ÿng dā báo trong quá trình huÃn luyán và dā báo.

Ph°¢ng án đề xuÃt. Thí nghiám chāng minh hiáu quÁ. Kỹ thuÁt sử dāng dÿ liáu bāc x¿ trßi trong thay thÁ cho các đÅu vào chỉ sá thßi gian 71 3. Ph°¢ng án đề xuÃt.

Thí nghiám kiểm chāng hiáu quÁ. Quy trình và công cā xử lý bài toán dā báo ngÃn h¿n công suÃt ĐMT sử dāng m¿ng N¢-ron hãi quy. B°ãc 1 - Xử lý dÿ liáu đÅu vào. B°ãc 2 - HuÃn luyán mô hình.

Công cā phÅn mềm dā báo công suÃt ĐMT .84 KÀT LUÀN VÀ H¯âNG NGHIÊN CĀU TIÀP THEO. H¯âNG NGHIÊN CĀU TIÀP THEO. 88 DANH MĀC CÁC CÔNG TRÌNH Đà CÔNG Bà .90 TÀI LIàU THAM KHÀO. 91 PHĀ LĀC 1: Giao dián công cā dā báo .101 PHĀ LĀC 2: KÁt quÁ chi tiÁt các chỉ sá sai sá dā báo trên tÁp dÿ liáu kiểm tra cÿa tăng b°ãc trong mô hình dā báo nhiều b°ãc đãng thßi .103 vi DANH MĀC CÁC TĆ VI¾T TÂT Tiếng Việt STT Tć vi¿t tÃt GiÁi thích 1 ĐMT Đián mặt trßi 2 NLTT Năng l°ÿng tái t¿o Tiếng Anh STT Tć vi¿t tÃt GiÁi thích 1 AC Alternating Current: Đián xoay chiều Augmented Dickey-Fuller: Kiểm đßnh Dickey-Fuller tăng 2 ADF c°ßng Akaike Information Criteria: Tiêu chuẩn kiểm đßnh thông tin 3 AIC Akaike 4 ANN Artificial Neural Network: M¿ng n¢-ron nhân t¿o 5 APE Absolute Percentage Error: Sai sá tuyát đái phÅn trăm Autoregressive Integrated Moving Average: Tā hãi quy tích 6 ARIMA hÿp trung bình tr°ÿt Back Propagation Through Time: ThuÁt toán lan truyền ng°ÿc 7 BPTT qua thßi gian 8 DC Direct Current: Đián mát chiều Global Horizontal Irradiance: Bāc x¿ toàn phÅn theo ph°¢ng 9 GHI ngang 10 IQR Interquartile Range: KhoÁng tā phân vß Long Short Term Memory: M¿ng N¢-ron hãi quy Bá Nhã Dài 11 LSTM – NgÃn 12 MAE Mean Absolute Error: Sai sá tuyát đái trung bình 13 MLP Multilayer Perceptron: M¿ng n¢-ron nhiều lãp Mean Absolute Percentage Error: Sai sá tuyát đái phÅn trăm 14 MAPE trung bình Maximum Power Point Tracker: Bá theo dõi điểm công suÃt 15 MPPT cāc đ¿i 16 MSE Mean Square Error: Sai sá trung bình bình ph°¢ng normalize Root Mean Square Error: Sai sá trung bình bình 17 nRMSE ph°¢ng gác chuẩn hóa 18 NWP Numerical Weather Pridiction: Mô hình dā báo thßi tiÁt sá 19 RMSE Root Mean Square Error: Sai sá trung bình bình ph°¢ng gác 20 RNN Recurrent Neural Networks: M¿ng n¢-ron hãi quy 21 STC Standard Test Condition: Điều kián thí nghiám tiêu chuẩn vii DANH MĀC BÀNG BÁng 1.

Ví dā về há sá Ánh h°áng cÿa nhiát đá đÁn thông sá vÁn hành tÃm pin. Phân lo¿i các khung dā báo. Tång hÿp phân lo¿i các ph°¢ng pháp dā báo công suÃt ĐMT .4: Tång hÿp mát sá các mô hình dā báo ĐMT sử dāng LSTM đã công bá tă 2019-2023. Dÿ liáu lßch sử cÿa nhà máy.

KÁt quÁ kiểm đßnh há sá t°¢ng quan Pearson. KÁt quÁ kiểm đßnh ADF. KÁt quÁ kiểm đßnh AIC. Há sá t°¢ng quan Pearson cÿa các thông sá khí t°ÿng và công suÃt t¿i các b°ãc trß khác nhau.

Tång hÿp các chỉ sá đánh giá kÁt quÁ sai sá trên tÁp dÿ liáu kiểm tra cho các mô hình khác nhau. KÁt quÁ huÃn luyán tái °u mô hình. So sánh mô hình sử dāng đÅu vào đa biÁn và đ¢n biÁn. KÁt quÁ sai sá cÿa dā báo công suÃt cho chu kỳ t sử dāng các sá liáu khí t°ÿng quá khā đÅu vào (1) t-4 đÁn tvà (2) tă t-4 đÁn t-1.

BÁng dÿ liáu rút gán kÁt quÁ chi tiÁt các chỉ sá sai sá dā báo trên tÁp dÿ liáu kiểm tra cÿa các b°ãc trong mô hình dā báo nhiều b°ãc đãng thßi. So sánh các mô hình. KÁt quÁ sai sá dā báo trên tÁp dÿ liáu kiểm tra vãi bá dÿ liáu huÃn luyán tr°ãc và sau khi xử lý vãi kỹ thuÁt P/GHI kÁt hÿp phân cām GHI. KÁt quÁ dā báo cÿa mô hình LSTM-4L100N trên tÁp dÿ liáu kiểm tra.

Tång hÿp so sánh sai sá cÿa các mô hình vãi các đÅu vào khác nhau. Các nhãn thßi gian th°ßng đ°ÿc dùng trong dā báo công suÃt ĐMT. So sánh cÃu hình thiÁt lÁp thāc nghiám vãi các mô hình. So sánh kÁt quÁ dā báo trên tÁp dÿ liáu kiểm tra .75 ix DANH MĀC HÌNH Hình MĐ.

Công suÃt lÃp đặt ĐMT t¿i Viát Nam. C¢ cÃu nguãn ngày vÁn hành thông th°ßng và ngày nghỉ lß. Công suÃt phát cÿa mát nhà máy ĐMT biÁn đáng trong ngày. Māc đá biÁn đáng cÿa ĐMT trong vÁn hành thāc tÁ.

Đ°ßng cong I-V và đặc tính công suÃt cÿa tÃm pin quang đián. Các thành phÅn bāc x¿ mà tÃm pin mặt trßi nhÁn đ°ÿc .3: Đặc tính I-V cÿa tÃm pin MSP290AS-36. Quan há giÿa GHI và công suÃt phát đÅu ra cÿa mát nhà máy ĐMT. Ành h°áng cÿa nhiát đá lên đián áp và dòng đián cÿa tÃm pin.

Nguyên lý thay đåi góc nghiêng theo mùa để đ¿t sÁn l°ÿng tái đa. Giãi h¿n công suÃt do ngh¿n m¿ch truyền tÁi. Sā thay đåi cÿa sai sá dā báo theo khung thßi gian dā báo. Biểu đã phân bá sai sá phÅn trăm cÿa hai ph°¢ng pháp dā báo.

Các nguãn dÿ liáu khí t°ÿng. Mô phßng cÃu trúc cÿa mát m¿ng n¢-ron nhân t¿o. Các khái trong chußi khái cÿa m¿ng n¢-ron hãi quy. CÃu trúc cÿa mát chußi khái LSTM .14: Tỷ lá sử dāng các ph°¢ng pháp trong các nghiên cāu về dā báo công suÃt ĐMT.

Dÿ liáu vÁn hành quá khā cÿa nhà máy. Ngày có công suÃt phát đÅu ra ån đßnh. Ngày có công suÃt phát đÅu ra biÁn đáng. Ph°¢ng pháp IQR xác đßnh điểm ngo¿i lai.

Phân phái cÿa công suÃt đÅu ra tr°ãc khi lo¿i bß các điểm ngo¿i lai. Phân phái cÿa công suÃt đÅu ra sau khi lo¿i bß các điểm ngo¿i lai.