Dự báo sản lượng điện mặt trời tại thành phố thủ dầu một tỉnh bình dương bằng mô hình mạng trí tuệ nhân tạo

Nghiên cứu dự báo sản lượng điện mặt trời tại Thủ Dầu Một, Bình Dương sử dụng mô hình mạng trí tuệ nhân tạo. Giải pháp năng lượng tái tạo hiệu quả.

• Tác giả: Nguyễn Thành Danh
• Người hướng dẫn: TS. Nguyễn Phúc Khải
• Trường học: Trường Đại học Bách Khoa
• Chuyên ngành: Quản lý Năng lượng
• Đề tài: Dự báo sản lượng điện Mặt Trời tại thành phố Thủ Dầu Một – tỉnh Bình Dương bằng mạng trí tuệ nhân tạo
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Tp. Hồ Chí Minh

Tóm tắt

I. Tổng Quan Về Dự Báo Điện Mặt Trời AI Tại Thủ Dầu Một

Trong bối cảnh biến đổi khí hậu ngày càng trở nên nghiêm trọng, Việt Nam đã và đang có những bước chuyển mình mạnh mẽ trong việc phát triển ngành năng lượng tái tạo. Các dự án điện mặt trời, đặc biệt là điện mặt trời mái nhà, ngày càng đóng vai trò quan trọng trong việc đảm bảo an ninh năng lượng quốc gia và thúc đẩy sự phát triển bền vững. Tuy nhiên, sự phát triển nhanh chóng này cũng đặt ra những thách thức không nhỏ trong công tác vận hành và quản lý hệ thống điện. Do đó, việc có một công cụ dự báo sản lượng điện mặt trời chính xác, đặc biệt là dự báo ngắn hạn và trung hạn, trở nên vô cùng cấp thiết, đặc biệt đối với các khách hàng có sản lượng điện trên 100kWp/tháng. Luận văn này tập trung vào việc xây dựng các mô hình dự báo dựa trên mạng nơ-ron nhân tạo (MLP, LSTM, GRU) bằng ngôn ngữ lập trình Python và công cụ PyCharm để dự báo sản lượng điện mặt trời tại thành phố Thủ Dầu Một, tỉnh Bình Dương. "Việc phát triển các nguồn năng lượng sạch giúp giảm áp lực của ngành nhiệt điện về vấn đề môi trường trong quá trình xử lý than làm ô nhiễm và khan hiếm nguồn nước" [1].

1.1. Tầm Quan Trọng Của Dự Báo Điện Mặt Trời Bình Dương

Việc dự báo sản lượng điện đóng vai trò then chốt trong việc quản lý và vận hành hệ thống điện hiệu quả. Dự báo chính xác giúp các công ty điện lực chủ động trong việc điều phối nguồn cung, đảm bảo sự ổn định của lưới điện và tránh tình trạng quá tải. Điều này đặc biệt quan trọng tại Bình Dương, một trong những tỉnh thành có tốc độ phát triển kinh tế nhanh chóng và nhu cầu năng lượng ngày càng tăng cao. Hơn nữa, dự báo tin cậy cũng giúp các nhà đầu tư đưa ra quyết định sáng suốt hơn về việc đầu tư vào các dự án điện mặt trời.

1.2. Ứng Dụng Trí Tuệ Nhân Tạo Trong Dự Báo Năng Lượng

Trí tuệ nhân tạo (AI) và máy học (Machine Learning) đang ngày càng được ứng dụng rộng rãi trong lĩnh vực năng lượng, đặc biệt là trong dự báo sản lượng điện. Các thuật toán dự báo tiên tiến có khả năng phân tích một lượng lớn dữ liệu, bao gồm dữ liệu thời tiết, dữ liệu lịch sử về sản lượng điện, và các yếu tố khác, để đưa ra các dự đoán chính xác hơn so với các phương pháp truyền thống. Các mô hình dự báo này có thể giúp tối ưu hóa hiệu suất hoạt động của các hệ thống điện mặt trời và giảm thiểu rủi ro.

II. Thách Thức Của Dự Báo Sản Lượng Điện Mặt Trời Chính Xác

Mặc dù có nhiều tiềm năng, việc dự báo sản lượng điện mặt trời vẫn đối mặt với nhiều thách thức. Sự biến động của thời tiết, đặc biệt là điều kiện thời tiết ảnh hưởng điện mặt trời như mây che phủ và mưa, là một trong những yếu tố gây khó khăn lớn nhất. Các yếu tố khác như bụi bẩn bám trên các tấm pin, hiệu suất của các tấm pin theo thời gian, và sự khác biệt về vị trí địa lý cũng có thể ảnh hưởng đến hiệu suất điện mặt trời và độ chính xác của các mô hình dự báo. Hơn nữa, việc thu thập và xử lý dữ liệu đầu vào chất lượng cao cũng là một thách thức không nhỏ, đặc biệt là ở các khu vực có hạ tầng công nghệ còn hạn chế.

2.1. Sự Phụ Thuộc Vào Điều Kiện Thời Tiết

Sản lượng điện mặt trời phụ thuộc rất lớn vào dự báo thời tiết. Các yếu tố như cường độ bức xạ mặt trời, nhiệt độ môi trường, và tốc độ gió có thể thay đổi đáng kể trong khoảng thời gian ngắn, ảnh hưởng trực tiếp đến lượng điện năng được tạo ra. Việc dự đoán chính xác các thay đổi này là vô cùng quan trọng để đảm bảo độ tin cậy của các mô hình dự báo.

2.2. Thu Thập Và Xử Lý Dữ Liệu Đầu Vào

Để xây dựng các mô hình dự báo chính xác, cần có một lượng lớn dữ liệu đầu vào chất lượng cao. Tuy nhiên, việc thu thập và xử lý dữ liệu này có thể gặp nhiều khó khăn, đặc biệt là ở các khu vực có hệ thống đo lường và giám sát chưa được phát triển đầy đủ. Dữ liệu bị thiếu hoặc bị sai lệch có thể ảnh hưởng nghiêm trọng đến độ chính xác của các thuật toán dự báo.

2.3. Khả Năng Thay Đổi Của Hệ Thống Điện Mặt Trời

Hiệu suất của các tấm pin điện mặt trời có thể giảm theo thời gian do nhiều yếu tố, chẳng hạn như hao mòn tự nhiên, tác động của môi trường, và các vấn đề về bảo trì điện mặt trời. Điều này có nghĩa là các mô hình dự báo cần được cập nhật thường xuyên để phản ánh chính xác tình trạng hiện tại của các hệ thống điện mặt trời.

III. Phương Pháp AI Cho Dự Báo Sản Lượng Điện Tại Thủ Dầu Một

Luận văn này tập trung vào việc sử dụng mạng nơ-ron nhân tạo (ANN) để giải quyết bài toán dự báo sản lượng điện mặt trời tại Thủ Dầu Một. Các mô hình cụ thể được nghiên cứu bao gồm MLP (Multi-Layer Perceptron), LSTM (Long Short-Term Memory), và GRU (Gated Recurrent Unit). Đây là những mô hình mạnh mẽ, có khả năng học các mối quan hệ phức tạp giữa các yếu tố đầu vào và sản lượng điện. Ngôn ngữ lập trình Python và công cụ PyCharm được sử dụng để xây dựng và huấn luyện các mô hình dự báo này.

3.1. Mô Hình Mạng Nơ Ron Nhân Tạo MLP

MLP là một loại mạng nơ-ron truyền thẳng, bao gồm nhiều lớp kết nối với nhau. Mỗi lớp bao gồm các nơ-ron, thực hiện các phép tính toán học để chuyển đổi dữ liệu đầu vào. MLP có khả năng học các hàm phi tuyến tính, làm cho nó phù hợp với các bài toán phức tạp như dự báo sản lượng điện. MLP thường được sử dụng như một nền tảng so sánh với các mô hình phức tạp hơn.

3.2. Mô Hình Mạng LSTM Cho Dữ Liệu Chuỗi Thời Gian

LSTM là một loại mạng nơ-ron hồi quy (RNN) được thiết kế đặc biệt để xử lý dữ liệu chuỗi thời gian. LSTM có khả năng ghi nhớ các thông tin quan trọng từ quá khứ, giúp nó đưa ra các dự đoán chính xác hơn trong các bài toán dự báo. LSTM đặc biệt hữu ích trong dự báo sản lượng điện mặt trời, vì sản lượng điện có mối quan hệ chặt chẽ với các yếu tố thời tiết trong quá khứ.

3.3. Mô Hình Mạng GRU Phiên Bản Đơn Giản Hóa Của LSTM

GRU là một phiên bản đơn giản hóa của LSTM, với ít tham số hơn. Điều này giúp GRU huấn luyện nhanh hơn và ít tốn tài nguyên tính toán hơn so với LSTM. Tuy nhiên, GRU vẫn giữ được khả năng ghi nhớ các thông tin quan trọng từ quá khứ, làm cho nó trở thành một lựa chọn tốt cho các bài toán dự báo sản lượng điện.

IV. Kết Quả Dự Báo Điện Mặt Trời AI Tại Thủ Dầu Một

Sau khi xây dựng và huấn luyện các mô hình dự báo, luận văn tiến hành đánh giá hiệu suất của chúng trên dữ liệu thực tế từ Thủ Dầu Một. Các chỉ số đánh giá được sử dụng bao gồm MAE (Mean Absolute Error), RMSE (Root Mean Squared Error), và R-squared. Kết quả cho thấy các mô hình AI có khả năng dự báo sản lượng điện mặt trời với độ chính xác cao, vượt trội so với các phương pháp truyền thống. Điều này chứng minh tiềm năng to lớn của AI trong việc nâng cao hiệu quả quản lý và vận hành các hệ thống điện mặt trời.

4.1. Đánh Giá Độ Chính Xác Của Các Mô Hình

Việc so sánh các chỉ số MAE, RMSE, và R-squared giữa các mô hình giúp xác định mô hình nào phù hợp nhất với dữ liệu từ Thủ Dầu Một. Các yếu tố như độ phức tạp của mô hình, lượng dữ liệu huấn luyện, và các siêu tham số của mô hình có thể ảnh hưởng đến độ chính xác của dự báo.

4.2. Phân Tích Sai Số Và Ưu Nhược Điểm Của Từng Mô Hình

Phân tích chi tiết các sai số trong dự báo giúp hiểu rõ hơn về những hạn chế của từng mô hình. Ví dụ, một số mô hình có thể hoạt động tốt trong điều kiện thời tiết ổn định, nhưng lại kém hiệu quả khi có biến động lớn. Việc hiểu rõ ưu nhược điểm của từng mô hình giúp lựa chọn mô hình phù hợp nhất với từng tình huống cụ thể.

4.3. So Sánh Với Các Phương Pháp Dự Báo Truyền Thống

So sánh kết quả dự báo của các mô hình AI với các phương pháp truyền thống như mô hình thống kê hoặc mô hình vật lý giúp định lượng được mức độ cải thiện về độ chính xác và hiệu quả. Điều này củng cố thêm giá trị của việc ứng dụng AI trong dự báo sản lượng điện mặt trời.

V. Triển Vọng Và Ứng Dụng Dự Báo Điện Mặt Trời AI Tại Bình Dương

Nghiên cứu này mở ra nhiều cơ hội để ứng dụng AI trong lĩnh vực năng lượng tái tạo tại Bình Dương. Dự báo sản lượng điện mặt trời chính xác có thể giúp các công ty điện lực tối ưu hóa việc điều phối nguồn cung, giảm thiểu chi phí vận hành, và nâng cao độ tin cậy của lưới điện. Hơn nữa, nó cũng có thể giúp các nhà đầu tư đưa ra quyết định sáng suốt hơn về việc đầu tư vào các dự án điện mặt trời. Trong tương lai, các mô hình AI có thể được cải thiện hơn nữa bằng cách tích hợp thêm nhiều dữ liệu đầu vào, sử dụng các thuật toán tiên tiến hơn, và tận dụng các công nghệ mới như Internet of Things (IoT) và Big Data.

5.1. Tích Hợp Với Lưới Điện Thông Minh

Việc tích hợp hệ thống dự báo sản lượng điện bằng AI vào lưới điện thông minh cho phép điều phối nguồn cung và cầu điện một cách linh hoạt và hiệu quả hơn. Điều này đặc biệt quan trọng khi tỷ lệ năng lượng tái tạo trong hệ thống điện ngày càng tăng cao.

5.2. Hỗ Trợ Quyết Định Đầu Tư

Dự báo chính xác giúp các nhà đầu tư đánh giá rủi ro và tiềm năng sinh lời của các dự án điện mặt trời một cách chính xác hơn. Điều này khuyến khích đầu tư vào lĩnh vực năng lượng tái tạo và thúc đẩy sự phát triển bền vững.

5.3. Tối Ưu Hóa Vận Hành Hệ Thống Điện

Dự báo giúp các công ty điện lực lên kế hoạch bảo trì, điều chỉnh công suất phát, và quản lý các nguồn lưu trữ năng lượng một cách hiệu quả hơn. Điều này giúp giảm thiểu chi phí vận hành và nâng cao độ tin cậy của hệ thống điện.

VI. Kết Luận Về Dự Báo Sản Lượng Điện Mặt Trời AI Hiện Nay

Luận văn đã trình bày một nghiên cứu toàn diện về việc sử dụng AI để dự báo sản lượng điện mặt trời tại Thủ Dầu Một, Bình Dương. Kết quả cho thấy các mô hình AI có khả năng dự báo với độ chính xác cao, mở ra nhiều cơ hội để nâng cao hiệu quả quản lý và vận hành các hệ thống điện mặt trời. Tuy nhiên, vẫn còn nhiều thách thức cần vượt qua, như sự biến động của thời tiết và việc thu thập dữ liệu chất lượng cao. Trong tương lai, các nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của các mô hình, tích hợp thêm nhiều nguồn dữ liệu, và ứng dụng các công nghệ mới để tối ưu hóa dự báo.

6.1. Tóm Tắt Các Kết Quả Chính

Tóm tắt lại các kết quả quan trọng nhất của nghiên cứu, nhấn mạnh những đóng góp mới vào lĩnh vực dự báo sản lượng điện mặt trời bằng AI. Điều này giúp người đọc dễ dàng nắm bắt được những điểm chính của luận văn.

6.2. Thảo Luận Về Các Hạn Chế Của Nghiên Cứu

Thẳng thắn chỉ ra những hạn chế của nghiên cứu, chẳng hạn như phạm vi địa lý hẹp, dữ liệu đầu vào còn hạn chế, hoặc các giả định đơn giản hóa. Điều này giúp người đọc đánh giá một cách khách quan giá trị của nghiên cứu.

6.3. Đề Xuất Các Hướng Nghiên Cứu Tiếp Theo

Đề xuất các hướng nghiên cứu tiếp theo, chẳng hạn như mở rộng phạm vi địa lý, tích hợp thêm nhiều nguồn dữ liệu, hoặc sử dụng các thuật toán AI tiên tiến hơn. Điều này khuyến khích các nhà nghiên cứu khác tiếp tục phát triển lĩnh vực dự báo sản lượng điện mặt trời.

Trích đoạn nội dung tài liệu

chương 1, tác giả đã trình bày tổng quan về mục tiêu nghiên cứu, phạm vi nghiên cứu, giới hạn của đề tài, tính cấp thiết của đề tài, lược sử nghiên cứu gần đây ở trong và ngoài nước và sau đó đưa ra vấn đề nghiên cứu. Dữ liệu dự báo HV: Nguyễn Thành Danh Luận văn Thạc sĩ 7 GVHD: TS. Nguyễn Phúc Khải Chương 2: CƠ SỞ LÝ THUYẾT 2. Tổng quan về các phương pháp dự báo phụ tải hiện đại Dự báo phụ tải là công tác dùng dữ liệu trong quá khứ để dự đoán xu hướng thay đổi và phát triển của phụ tải nhằm đưa ra những phương án, hoạch định phù hợp.

Dự báo là hoạt động tính toán, ước lượng và đánh giá xu hướng, tốc độ tăng trưởng và nhu cầu của phụ tải được cung cấp điện từ hệ thống điện trong ngắn hạn, trung hạn và dài hạn [8]. Để cải thiện nhược điểm của các phương pháp dự báo phụ tải truyền thống, các nhà khoa học đã ứng dụng các phương pháp dự báo phụ tải hiện đại nhằm ngày càng nâng cao độ chính xác của dự báo phụ tải. Các phương pháp dự báo phụ tải hiện đại phổ biến ngày nay gồm: + Logic mờ (Fuzzy logic) + Mạng noron nhân tạo (Artificial Neural Network ANN) + Phép phân tích Wavelet Ngày nay cùng với sự phát triển mạnh mẽ của máy tính điện tử, các phương pháp học sâu xuất hiện và được áp dụng rộng rãi. Điển hình như: + Mạng niềm tin sâu (Deep Belief Network) + Mạng Neuron tích chập (Convolutional Neural Network) + Học máy trên vector hỗ trợ (Support Vector Machine) + Bộ nhớ dài – ngắn hạn (Long Short Term Memory) Bên cạnh đó, các bộ lọc tiền xử lý dữ liệu cũng đã được nghiên cứu và có những bước phát triển vượt bật như: + Bộ lọc Kalman + Bộ lọc DBSCAN Cơ sở lý thuyết HV: Nguyễn Thành Danh Luận văn Thạc sĩ 8 GVHD: TS.

Nguyễn Phúc Khải + Bộ lọc rời rạc dựa trên biến đổi Wavelet (Discrete Wavelet Transform) + Bộ lọc dựa trên phân tích thống kê (Statistical Analysis Data Filter – SADF) 2. Các yếu tố tác động đến sản lượng điện mặt trời 2. Vật liệu tế bào quang điện Mỗi vật liệu có mức năng lượng ở vùng cấm khác nhau, từ đó hiệu suất hấp thụ bức xạ cũng khác nhau. Từ giới hạn Shockley Queisser, các vật liệu được dùng làm tế bào quang điện thường có mức năng lượng Eg từ 1 đến 1,8 eV.

Ví dụ: + Si: 1,12 eV + CdTe: 1,5eV + InpP: 1,35eV + GaAs: 1,42eV Hình 2. Giới hạn Shockley Queisser đối với tế bào quang điện có một lớp tiếp giáp p – n [8] Cơ sở lý thuyết HV: Nguyễn Thành Danh Luận văn Thạc sĩ 9 GVHD: TS. Nguyễn Phúc Khải Hình 2. Hiệu suất tấm pin theo công nghệ [8] Các tấm pin mặt trời được thử nghiệm ở điều kiện thử nghiệm tiêu chuẩn (STC) là 25°C (77 ° F) và do đó vượt quá nhiệt độ đó sẽ ảnh hưởng đến sản lượng năng lượng.

Lượng năng lượng được tạo ra bởi một tấm pin mặt trời được tính bằng cách nhân dòng điện và điện áp. Dựa trên hiệu suất của nó, một tấm pin mặt trời có lượng năng lượng tối đa mà nó có thể tạo ra là: Hiệu suất = (Dòng điện tối đa x Điện áp tối đa) / công suất đầu vào mặt trời. Khi các tấm pin mặt trời của bạn tiếp xúc với nhiệt độ cao hơn, dòng điện sẽ tăng lên, trong khi điện áp sẽ giảm dẫn đến hiệu suất giảm theo. Bằng cách ảnh hưởng đến hiệu suất của các tấm pin mặt trời, nhiệt độ làm cho các tấm pin sản sinh ra ít năng lượng hơn.

Bức xạ mặt trời và nhiệt độ môi trường Bức xạ mặt trời được hiểu là các dòng vật chất và năng lượng do mặt trời phát ra. Đây là nguồn năng lượng chính cho các quá trình phong hoá, bóc mòn, vận chuyển và bồi tụ trên Trái Đất, cũng như chiếu sáng và sưởi ấm cho các hành tinh trong Hệ Mặt Trời. Cơ sở lý thuyết HV: Nguyễn Thành Danh Luận văn Thạc sĩ 10 GVHD: TS. Nguyễn Phúc Khải Dữ liệu bức xạ cho các hệ thống điện năng lượng mặt trời (hệ thống của pin quang điện) thường được biểu thị dưới đơn vị kilowatt giờ trên mét vuông (kWh/m2).

Ước tính trực tiếp về năng lượng mặt trời cũng có thể được tính bằng watt trên một mét vuông (W/m2). Sản lượng của tấm pin mặt trời phụ thuộc đáng kể vào năng lượng mặt trời hoặc bức xạ mặt trời vì nguồn năng lượng mặt trời rất thay đổi. Độ chiếu xạ thường thay đổi do thời tiết, sự thay đổi theo mùa, vị trí địa lý, thời gian trong ngày và vị trí mặt trời trên bầu trời. Các mô đun P-V nhận được cả ánh sáng trực tiếp từ mặt trời và ánh sáng tán xạ từ bầu trời, mặt đất và các vật thể lân cận.

Tuy nhiên, phần đóng góp đáng kể đến từ việc chiếu xạ trực tiếp bằng năng lượng mặt trời. Việc ước lượng bức xạ tới trở nên phức tạp khi các vật thể gần đó tạo bóng hoặc phản xạ ánh sáng mặt trời lên các mô đun P-V. Khoảng 99% bức xạ mặt trời, hay sóng ngắn, trên bề mặt trái đất nằm trong vùng từ 0,3 đến 3,0 µm, tương ứng với bước sóng giữa tia cực tím và tia hồng ngoại gần. Bên trên bầu khí quyển của trái đất, bức xạ mặt trời có cường độ xấp xỉ 1380 W/m2.

Trên bề mặt trái đất của chúng ta, cường độ bức xạ mặt trời xấp xỉ 1000 W/m2 vào một ngày quang đãng vào buổi trưa trong những tháng mùa hè (Bằng cường độ bức xạ mặt trời tại điều kiện tiêu chuẩn STC). Sự khác biệt giữa giá trị này là do sự mất mát khi truyền vào khí quyển. Bức xạ mặt trời và nhiệt độ có liên quan mật thiết đến các yếu tố thời tiết như áp suất, tốc độ gió, độ che mây, lượng mưa… nên các yếu tố thời tiết cũng ảnh hưởng đến sản lượng cũng như công suất ngõ ra của nguồn điện mặt trời. Bên cạnh đó, bức xạ mặt trời với sản lượng và công suất có mối quan hệ phi tuyến với nhau.

Tuy nhiên với xấp xỉ gần đúng thì quan hệ giữa bức xạ mặt trời và dòng ngắn mạch Isc có thể xem như là tuyến tính. Cơ sở lý thuyết HV: Nguyễn Thành Danh Luận văn Thạc sĩ 11 GVHD: TS. Nguyễn Phúc Khải Hình 2.3 thể hiện mối quan hệ tuyến tính giữa bức xạ và dòng ngắn mạch của một pin quang điện, đồng thời điện áp hở mạch cũng tăng lên một chút. Ngược lại, Hình 2.4 cho đặc tính I-V của một pin quang điện khi nhiệt độ của pin thay đổi trong khi độ chiếu nắng trên pin không đổi.

Có thể thấy rằng trong trường hợp này Isc biến thiên không đáng kể trong khi Voc thay đổi nhiều, khiến đặc tính P-V của pin cũng thay đổi theo nhiệt độ. Đặc tính I-V và P-V của pin STP240 20/Wde, SUNTECH [8] Hình 2. Đặc tính I-V của tế bào quang điện khi nhiệt độ thay đổi [8] Cơ sở lý thuyết HV: Nguyễn Thành Danh Luận văn Thạc sĩ 12 GVHD: TS. Nguyễn Phúc Khải 2.

Tầm quan trọng của dự báo sản lượng điện mặt trời Nguồn năng lượng tái tạo đặc biệt là điện mặt trời đóng một vai trò quan trọng trong việc đảm bảo an ninh năng lượng quốc gia. Việc chuyển dịch sang năng lượng tái tạo, dựa trên những lợi thế về mặt địa lý và thiên nhiên, sẽ giúp Việt Nam chủ động hơn trong việc đảm bảo năng lượng phục vụ cho phát triển kinh tế giảm thiểu rủi ro tác động từ thị trường bên ngoài. Dự báo sản lượng điện mặt trời chính xác với sai số thấp nhất có vai trò quan trọng hơn trong việc xây dựng các Kế hoạch Sản xuất kinh doanh và Đầu tư xây dựng lưới điện. Ngoài ra, việc dự báo còn giúp thiết lập kế hoạch công tác sửa chữa, bảo dưỡng lưới điện được hiệu quả đảm bảo lưới luôn ổn định trong suốt thời gian công tác.

Thực trạng công tác dự báo sản lượng điện mặt trời hiện nay Nhiều năm trở lại đây, do thực trạng khan hiếm nhiên liệu hóa thạch và tính cấp thiết của nhu cầu bảo vệ môi trường, năng lượng điện tái tạo trở thành một lựa chọn quan trọng. Cho đến nay, tuy đã có nhiều nghiên cứu trong việc giải quyết bài toán dự báo sản lượng điện năng mặt trời nhưng đây vẫn là bài toán khó, chưa có chuẩn mực về phương pháp luận. Bên cạnh các lợi ích như bù đắp năng lượng thiếu hụt, tận dụng năng lượng tại chỗ, giảm thiểu khí nhà kính, việc các nguồn điện tái tạo như điện mặt trời, điện gió tham gia vào lưới điện cũng gây ra nhiều ảnh hưởng cho việc vận hành lưới điện, trong đó có hai thách thức chính như sau: Công suất đầu ra nguồn điện mặt trời, gió không ổn định, thay đổi thường xuyên với tính ngẫu nhiên cao, dẫn đến hệ thống điện luôn phải có dự phòng công suất lớn để bảo đảm cung cấp đủ công suất cho hệ thống phụ tải. Cơ sở lý thuyết HV: Nguyễn Thành Danh Luận văn Thạc sĩ 13 GVHD: TS.

Nguyễn Phúc Khải Các nguồn điện này hay thay đổi đột ngột, không có dự trữ động năng như các máy phát điện quay, nên khi chúng tham gia vào hệ thống điện với tỷ trọng cao sẽ làm giảm quán tính quay của hệ thống, dẫn đến giảm độ dự trữ ổn định của hệ thống điện và tăng nguy mất ổn định lưới điện. Để giải quyết hai thách thức trên mà vẫn sử dụng được nguồn năng lượng tái tạo nhiều nhất có thể, cần phải thực thi các giải pháp trên lưới điện như lắp đặt, bổ sung hệ thống lưu trữ năng lượng, phối hợp điều khiển tải và hệ thống lưu trữ năng lượng để tăng quán tính quay tổng hợp của hệ thống, thiết kế các bộ điều khiển tại chỗ cũng như diện rộng để ổn định lưới điện. Việc dự báo chính xác công suất của các nguồn điện tái tạo có một vai trò rất quan trọng để bảo đảm tính hiệu quả và tối ưu của các giải pháp trên. Ngay cả khi mức độ nguy hiểm của các thách thức này chưa cao, việc dự báo công suất của các nguồn điện tái tạo cũng rất cần thiết để công tác lập kế hoạch, quản lý và vận hành hệ thống điện.