Dự Báo Sản Lượng Điện Năng Lượng Mặt Trời Nhà Máy Điện Sơn Mỹ 3-1 Ứng Dụng Mạng Neural Nhân Tạo

Luận văn thạc sĩ về quản lý năng lượng: Dự báo sản lượng điện mặt trời nhà máy Sơn Mỹ 3-1 bằng mạng neural nhân tạo. Nghiên cứu ứng dụng ANN để tối ưu hóa dự báo.

• Tác giả: Trần Thiện Phương Thông
• Người hướng dẫn: Ts. Trương Phước Hòa
• Trường học: Trường Đại học Bách Khoa – ĐHQG – HCM
• Chuyên ngành: Quản Lý Năng Lượng
• Đề tài: Dự báo sản lượng điện năng lượng mặt trời nhà máy điện Sơn Mỹ 3-1 ứng dụng mạng neural nhân tạo
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Hướng tiếp cận nghiên cứu
• 1.2. Phương pháp nghiên cứu
• 1.2.1. Phương pháp nghiên cứu, phân tích, tổng hợp tài liệu
• 1.2.2. Phương pháp mô phỏng và mô hình hóa
• 1.3. Tính cấp thiết của đề tài
• 1.4. Phạm vi nghiên cứu
• 1.5. Mục tiêu nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Sơ lược về mạng neural nhân tạo
• 2.2. Các phương pháp học máy
• 2.3. Cấu tạo của một mạng neural nhân tạo
• 2.4. Các cấu trúc mạng trong mạng neural nhân tạo
• 2.5. Mạng neural hồi quy
• 2.6. Mạng neural truyền thẳng
• 2.7. Mạng neural cạnh tranh
• 2.8. Sai số của dự báo
• 2.8.1. Sai số toàn phương trung bình MSE (Mean Squared Error)
• 2.8.2. Phần trăm sai số tuyệt đối trung bình MAPE (Mean Absolute Percent Error)
• 2.9. Hiện tượng Overfitting và Underfitting
• 2.10. Các mô hình và phương pháp sử dụng trong đề tài
• 2.10.1. Mô hình Multi-Layer Feedforward Neural Network – MLFFN
• 2.10.2. Mô hình Long Short-Term Memory – LSTM
• 2.10.3. Mô hình Gated Recurrent Unit – GRU
• 2.10.4. Phương pháp chuẩn hóa Standardization (z-score)
• 2.10.5. Kỹ thuật ensemble
• 3. CHƯƠNG 3: ỨNG DỤNG MÔ HÌNH MẠNG NEURAL TRONG DỰ BÁO
• 3.1. Đối tượng và phạm vi nghiên cứu
• 3.2. Quy trình thực hiện dự báo trong đề tài
• 3.3. Đọc dữ liệu
• 3.4. Chia dữ liệu thành các tập huấn luyện, tập kiểm tra và tập xác nhận và tách các đặc trưng của dữ liệu
• 3.5. Xây dựng mô hình Gated Recurrent Unit (GRU)
• 3.6. Xây dựng mô hình Long Short-Term Memory(LSTM)
• 3.7. Mô hình Multi-Layer Feedforward Neural Network (MLFFN)
• 3.8. Kết hợp các dự báo bằng kỹ thuật Ensemble
• 4. CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI TRONG TƯƠNG LAI
• 4.1. Kết luận đề tài
• 4.2. Hướng phát triển trong tương lai
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Dự Báo Sản Lượng Điện Mặt Trời Sơn Mỹ 3 1

Trong bối cảnh năng lượng tái tạo ngày càng phát triển, việc dự báo sản lượng điện mặt trời trở nên vô cùng quan trọng. Theo thống kê, đến cuối năm 2020, Việt Nam đã có 8.736 MW điện mặt trời quy mô tập trung và 7.755 MW điện mặt trời mái nhà, sản xuất gần 13 tỷ kWh điện. Quy hoạch điện VIII dự kiến quy mô điện mặt trời sẽ đạt 12.800 MW vào năm 2030 và 168.300 GW vào năm 2050. Tuy nhiên, sự biến động của thời tiết ảnh hưởng đến sản lượng điện tạo ra thách thức lớn trong việc vận hành lưới điện. Dự báo sản lượng điện mặt trời chính xác giúp giải quyết các vấn đề như công suất không ổn định và giảm độ dự trữ ổn định của hệ thống điện. Điều này đòi hỏi các giải pháp như lưu trữ năng lượng và điều khiển tải, đòi hỏi khả năng dự báo sản lượng điện chính xác.

1.1. Tầm quan trọng của dự báo sản lượng điện mặt trời

Dự báo sản lượng điện mặt trời đóng vai trò then chốt trong việc lập kế hoạch và vận hành hệ thống điện hiệu quả. Việc dự đoán chính xác hiệu suất điện mặt trời cho phép các nhà điều hành tối ưu hóa việc sử dụng các nguồn năng lượng khác, đảm bảo sự ổn định của lưới điện và giảm thiểu chi phí phát điện. Bên cạnh đó, dự báo sản lượng điện còn giúp các nhà đầu tư và nhà hoạch định chính sách đưa ra các quyết định sáng suốt về đầu tư và phát triển năng lượng mặt trời. Ví dụ như việc lập kế hoạch, quản lý và vận hành hệ thống điện, mà dự báo sản lượng điện tái tạo cũng rất cần thiết.

1.2. Thách thức trong dự báo sản lượng điện năng lượng mặt trời

Mặc dù có tầm quan trọng lớn, việc dự báo sản lượng điện mặt trời không phải là một nhiệm vụ dễ dàng. Sự biến động của thời tiết ảnh hưởng đến sản lượng điện, như mức độ bức xạ nhiệt mặt trời, nhiệt độ, và các yếu tố khí tượng khác, gây ra nhiều khó khăn trong việc xây dựng các mô hình dự báo chính xác. Các phương pháp dự báo truyền thống thường không đủ khả năng xử lý sự phức tạp và phi tuyến tính của các yếu tố này. Do đó, cần có các phương pháp dự báo tiên tiến hơn để đáp ứng nhu cầu thực tế.

II. Vấn Đề Độ Chính Xác Dự Báo Điện Mặt Trời Sơn Mỹ 3 1 Thấp

Trong lĩnh vực năng lượng mặt trời, việc dự báo sản lượng điện một cách chính xác là vô cùng quan trọng, đặc biệt là đối với các nhà máy điện lớn như Nhà máy điện mặt trời Sơn Mỹ 3-1. Tuy nhiên, việc này không hề dễ dàng do sự phụ thuộc lớn vào các yếu tố thời tiết ảnh hưởng đến sản lượng điện. Dữ liệu thời tiết biến đổi liên tục và khó lường, gây ra những thách thức lớn cho các phương pháp dự báo truyền thống. Theo nghiên cứu, các phương pháp này thường không thể đáp ứng được yêu cầu về độ chính xác dự báo, dẫn đến việc quản lý và vận hành hệ thống điện gặp nhiều khó khăn. Sai sót trong dự báo sản lượng điện có thể gây ra sự chênh lệch giữa nguồn cung và cầu, ảnh hưởng đến sự ổn định của lưới điện và gây lãng phí năng lượng tái tạo.

2.1. Nguyên nhân độ chính xác dự báo sản lượng điện thấp

Một trong những nguyên nhân chính dẫn đến độ chính xác dự báo thấp là sự biến động khó lường của các yếu tố thời tiết ảnh hưởng đến sản lượng điện. Ánh sáng mặt trời, nhiệt độ, độ ẩm và tốc độ gió đều có tác động đáng kể đến hiệu suất điện mặt trời. Các mô hình dự báo truyền thống thường không thể nắm bắt được sự phức tạp và tương tác giữa các yếu tố này một cách đầy đủ. Hơn nữa, việc thiếu hụt dữ liệu thời tiết chi tiết và chính xác cũng là một trở ngại lớn trong quá trình xây dựng các mô hình dự báo hiệu quả.

2.2. Hậu quả của việc dự báo sản lượng điện không chính xác

Việc dự báo sản lượng điện không chính xác có thể gây ra nhiều hậu quả nghiêm trọng. Thứ nhất, nó có thể dẫn đến sự mất cân bằng giữa nguồn cung và cầu điện, gây ra tình trạng thiếu điện hoặc dư thừa điện. Thứ hai, nó có thể làm tăng chi phí vận hành hệ thống điện, do các nhà điều hành phải điều chỉnh sản xuất điện từ các nguồn khác để bù đắp sự thiếu hụt hoặc dư thừa. Thứ ba, nó có thể ảnh hưởng đến độ tin cậy của dự báo và sự ổn định của lưới điện, gây ra nguy cơ mất điện hoặc gián đoạn cung cấp điện. Do đó, việc cải thiện độ chính xác dự báo là vô cùng quan trọng để đảm bảo sự an toàn và hiệu quả của hệ thống điện.

III. Cách Mạng Hóa Dự Báo Ứng Dụng ANN Cho Điện Mặt Trời Sơn Mỹ 3 1

Để giải quyết các vấn đề về độ chính xác dự báo, việc ứng dụng mạng neural nhân tạo (ANN) đã trở thành một xu hướng đầy hứa hẹn. Mạng neural nhân tạo (ANN) có khả năng học hỏi từ dữ liệu và tự điều chỉnh để cải thiện độ chính xác dự báo. Đặc biệt, các mô hình như LSTM và GRU đã chứng minh được khả năng vượt trội trong việc xử lý dữ liệu chuỗi thời gian, phù hợp với bài toán dự báo sản lượng điện. Nghiên cứu này tập trung vào việc xây dựng và đánh giá các mô hình dự báo sản lượng điện sử dụng ANN, LSTM, và GRU cho Nhà máy điện mặt trời Sơn Mỹ 3-1, nhằm mang lại những giải pháp hiệu quả và tối ưu.

3.1. Giới thiệu về mạng neural nhân tạo ANN trong dự báo

Mạng neural nhân tạo (ANN) là một loại mô hình học máy được lấy cảm hứng từ cấu trúc và chức năng của bộ não con người. ANN có khả năng học hỏi từ dữ liệu và tự điều chỉnh để cải thiện độ chính xác dự báo. Trong bài toán dự báo sản lượng điện, ANN có thể được sử dụng để phân tích các yếu tố thời tiết ảnh hưởng đến sản lượng điện và đưa ra dự đoán về sản lượng điện trong tương lai. Ưu điểm của ANN là khả năng xử lý dữ liệu phi tuyến tính và phức tạp, cũng như khả năng học hỏi và thích nghi với sự thay đổi của môi trường.

3.2. Lợi ích của việc sử dụng LSTM và GRU cho dự báo sản lượng

LSTM và GRU là hai biến thể của mạng neural hồi quy (RNN) được thiết kế đặc biệt để xử lý dữ liệu chuỗi thời gian. LSTM và GRU có khả năng ghi nhớ các thông tin quan trọng trong quá khứ và sử dụng chúng để đưa ra dự đoán trong tương lai. Điều này rất quan trọng trong bài toán dự báo sản lượng điện, vì sản lượng điện trong tương lai có thể phụ thuộc vào các yếu tố thời tiết ảnh hưởng đến sản lượng điện trong quá khứ. LSTM và GRU đã chứng minh được khả năng vượt trội so với các mô hình dự báo truyền thống trong nhiều ứng dụng, bao gồm cả dự báo sản lượng điện.

IV. Hướng Dẫn Xây Dựng Mô Hình Dự Báo Điện Mặt Trời Sơn Mỹ 3 1

Việc xây dựng một mô hình dự báo sản lượng điện hiệu quả đòi hỏi một quy trình bài bản và khoa học. Đầu tiên, cần thu thập và chuẩn bị dữ liệu thời tiết và sản lượng điện một cách kỹ lưỡng. Sau đó, tiến hành lựa chọn và xây dựng các mô hình ANN, LSTM, hoặc GRU phù hợp. Quá trình huấn luyện mô hình đòi hỏi sự kiên nhẫn và tỉ mỉ, cũng như việc điều chỉnh các tham số để đạt được hiệu suất tốt nhất. Cuối cùng, cần đánh giá độ chính xác dự báo của mô hình và so sánh với các phương pháp khác để xác định tính hiệu quả.

4.1. Thu thập và chuẩn bị dữ liệu cho mô hình dự báo

Quá trình thu thập và chuẩn bị dữ liệu thời tiết và sản lượng điện là một bước quan trọng trong việc xây dựng mô hình dự báo sản lượng điện. Dữ liệu thời tiết cần bao gồm các yếu tố như ánh sáng mặt trời, nhiệt độ, độ ẩm, tốc độ gió và hướng gió. Dữ liệu sản lượng điện cần được thu thập từ Nhà máy điện mặt trời Sơn Mỹ 3-1 trong một khoảng thời gian đủ dài để đảm bảo tính đại diện. Sau khi thu thập, dữ liệu cần được làm sạch, chuẩn hóa và chia thành các tập huấn luyện, kiểm tra và đánh giá.

4.2. Huấn luyện và đánh giá mô hình dự báo bằng ANN LSTM GRU

Sau khi dữ liệu đã được chuẩn bị, tiến hành huấn luyện các mô hình ANN, LSTM, hoặc GRU bằng cách sử dụng tập huấn luyện. Trong quá trình huấn luyện, các tham số của mô hình sẽ được điều chỉnh để giảm thiểu sai số dự báo. Sau khi huấn luyện, mô hình sẽ được đánh giá bằng cách sử dụng tập kiểm tra và tập đánh giá. Các chỉ số đánh giá như Độ lệch trung bình tuyệt đối (MAE), Sai số bình phương gốc trung bình (RMSE) và Hệ số xác định (R-squared) sẽ được sử dụng để đo lường độ chính xác dự báo của mô hình.

V. Ứng Dụng Thực Tế Kết Quả Dự Báo Điện Mặt Trời Tại Sơn Mỹ 3 1

Nghiên cứu này đã triển khai các mô hình ANN, LSTM, và GRU để dự báo sản lượng điện tại Nhà máy điện mặt trời Sơn Mỹ 3-1. Kết quả cho thấy các mô hình này có khả năng dự báo sản lượng điện với độ chính xác dự báo cao hơn so với các phương pháp truyền thống. Việc so sánh độ chính xác dự báo giữa các mô hình ANN, LSTM, và GRU giúp xác định mô hình phù hợp nhất cho Nhà máy điện mặt trời Sơn Mỹ 3-1. Các kết quả này có ý nghĩa quan trọng trong việc tối ưu hóa quản lý và vận hành hệ thống điện.

5.1. So sánh độ chính xác dự báo giữa các mô hình ANN LSTM GRU

Một trong những mục tiêu quan trọng của nghiên cứu là so sánh độ chính xác dự báo giữa các mô hình ANN, LSTM, và GRU. Kết quả cho thấy LSTM và GRU thường có độ chính xác dự báo cao hơn so với ANN, đặc biệt là trong việc xử lý dữ liệu chuỗi thời gian. Tuy nhiên, sự khác biệt về độ chính xác dự báo giữa các mô hình có thể phụ thuộc vào đặc điểm của dữ liệu và cấu hình của mô hình. Do đó, cần thực hiện thử nghiệm và đánh giá kỹ lưỡng để xác định mô hình phù hợp nhất cho từng ứng dụng cụ thể.

5.2. Ý nghĩa của kết quả dự báo trong quản lý năng lượng

Kết quả dự báo sản lượng điện có ý nghĩa quan trọng trong việc quản lý năng lượng. Việc dự báo sản lượng điện chính xác giúp các nhà điều hành hệ thống điện đưa ra các quyết định thông minh về việc phân bổ nguồn điện, điều chỉnh sản xuất điện và quản lý rủi ro. Ứng dụng AI trong năng lượng mặt trời đóng vai trò quan trọng trong việc giúp tối ưu hóa việc quản lý năng lượng. Bên cạnh đó, dự báo sản lượng điện cũng giúp các nhà đầu tư và nhà hoạch định chính sách đưa ra các quyết định sáng suốt về đầu tư và phát triển năng lượng mặt trời. Thông qua việc sử dụng các công cụ dự báo sản lượng điện mà có thể tối ưu hóa sản lượng điện.

VI. Tổng Kết Tương Lai Phát Triển Dự Báo Điện Mặt Trời Sơn Mỹ 3 1

Nghiên cứu này đã chứng minh tiềm năng của mạng neural nhân tạo (ANN) trong việc dự báo sản lượng điện tại Nhà máy điện mặt trời Sơn Mỹ 3-1. Các mô hình ANN, LSTM, và GRU đã mang lại những kết quả khả quan, mở ra hướng đi mới cho việc nâng cao độ chính xác dự báo. Tuy nhiên, vẫn còn nhiều cơ hội để cải thiện và phát triển các mô hình dự báo trong tương lai. Việc kết hợp các mô hình khác nhau, sử dụng các nguồn dữ liệu thời tiết đa dạng hơn, và áp dụng các kỹ thuật tối ưu hóa tiên tiến có thể giúp đạt được những kết quả tốt hơn nữa.

6.1. Hướng phát triển tiếp theo cho mô hình dự báo điện mặt trời

Trong tương lai, có nhiều hướng phát triển tiềm năng cho mô hình dự báo sản lượng điện. Một trong số đó là việc kết hợp các mô hình ANN, LSTM, và GRU với các mô hình dự báo truyền thống để tận dụng ưu điểm của cả hai loại mô hình. Bên cạnh đó, việc sử dụng các nguồn dữ liệu thời tiết đa dạng hơn, chẳng hạn như dữ liệu từ vệ tinh và các trạm quan trắc mặt đất, cũng có thể giúp cải thiện độ chính xác dự báo. Ngoài ra, việc áp dụng các kỹ thuật tối ưu hóa tiên tiến, chẳng hạn như thuật toán di truyền và tối ưu hóa bầy đàn, có thể giúp tìm ra cấu hình mô hình tốt nhất.

6.2. Tầm quan trọng của nghiên cứu tiếp tục trong lĩnh vực năng lượng

Nghiên cứu về dự báo sản lượng điện đóng vai trò quan trọng trong việc phát triển năng lượng tái tạo bền vững. Việc dự báo sản lượng điện chính xác giúp các nhà điều hành hệ thống điện quản lý hiệu quả các nguồn điện tái tạo, đảm bảo sự ổn định của lưới điện và giảm thiểu chi phí phát điện. Bên cạnh đó, nghiên cứu về dự báo sản lượng điện cũng giúp các nhà đầu tư và nhà hoạch định chính sách đưa ra các quyết định sáng suốt về đầu tư và phát triển năng lượng mặt trời. Do đó, việc tiếp tục nghiên cứu và phát triển các mô hình dự báo sản lượng điện là vô cùng quan trọng để đảm bảo sự thành công của quá trình chuyển đổi sang năng lượng tái tạo.

Nội dung chính

Tổng quan nghiên cứu

Việt Nam đã chứng kiến sự bùng nổ mạnh mẽ trong phát triển năng lượng mặt trời với tổng công suất lắp đặt đạt khoảng 8.736 MW điện mặt trời tập trung và 7.755 MW điện mặt trời mái nhà tính đến cuối năm 2020, sản xuất gần 13 tỷ kWh điện. Theo Quy hoạch điện VIII được phê duyệt năm 2023, dự kiến công suất điện mặt trời sẽ đạt khoảng 12.800 MW vào năm 2030 và lên tới 168.300 MW vào năm 2050, chiếm khoảng 33% tổng công suất nguồn điện. Tuy nhiên, sự biến động không ổn định của công suất đầu ra từ nguồn điện mặt trời gây ra nhiều thách thức trong vận hành hệ thống điện, đòi hỏi các giải pháp dự báo chính xác để tối ưu hóa quản lý và vận hành.

Luận văn tập trung nghiên cứu dự báo sản lượng điện năng lượng mặt trời của Nhà máy điện mặt trời Sơn Mỹ 3-1 bằng cách ứng dụng mạng neural nhân tạo (Artificial Neural Networks - ANN). Mục tiêu chính là xây dựng và tối ưu hóa mô hình dự báo ngắn hạn, sử dụng dữ liệu thu thập từ ngày 01/07/2019 đến 01/07/2021, bao gồm các thông số bức xạ mặt trời (GHI, POA), nhiệt độ tấm pin, nhiệt độ không khí, độ ẩm, tốc độ và hướng gió. Việc dự báo chính xác sản lượng điện mặt trời không chỉ giúp giảm thiểu sai số giữa dự báo và thực tế mà còn hỗ trợ các đơn vị quản lý năng lượng trong việc lập kế hoạch và vận hành hệ thống điện hiệu quả hơn. Nghiên cứu có ý nghĩa quan trọng trong bối cảnh phát triển năng lượng tái tạo tại Việt Nam, góp phần nâng cao độ tin cậy và ổn định của nguồn điện mặt trời.

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 neural nhân tạo để dự báo sản lượng điện mặt trời, bao gồm:

• Mạng Neural Truyền Thẳng Nhiều Lớp (Multi-Layer Feedforward Neural Network - MLFFN): Mô hình này gồm các lớp đầu vào, lớp ẩn và lớp đầu ra, sử dụng hàm kích hoạt phi tuyến để xử lý dữ liệu. MLFFN có khả năng học các mối quan hệ phi tuyến tính trong dữ liệu, phù hợp với bài toán dự báo sản lượng điện mặt trời.

• Mạng Neural Hồi Quy Dài Ngắn Hạn (Long Short-Term Memory - LSTM): LSTM là một loại mạng hồi quy có khả năng ghi nhớ thông tin dài hạn và xử lý dữ liệu chuỗi thời gian hiệu quả, giúp khắc phục vấn đề mất mát thông tin trong các mạng hồi quy truyền thống.

• Mạng Neural Đơn Vị Cổng (Gated Recurrent Unit - GRU): GRU là phiên bản đơn giản hơn của LSTM với ít tham số hơn, giúp giảm độ phức tạp tính toán nhưng vẫn giữ được khả năng xử lý dữ liệu chuỗi thời gian.

Các khái niệm chính được sử dụng bao gồm: sai số toàn phương trung bình (MSE), phần trăm sai số tuyệt đối trung bình (MAPE), hiện tượng overfitting và underfitting, kỹ thuật chuẩn hóa dữ liệu (z-score), và kỹ thuật ensemble stacking để kết hợp dự báo từ nhiều mô hình nhằm nâng cao độ chính xác.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ Nhà máy điện mặt trời Sơn Mỹ 3-1, tỉnh Bình Thuận, với các thông số khí tượng và sản lượng điện đo đạc từ 5h30 đến 18h00 hàng ngày, cách nhau 30 phút, trong khoảng thời gian từ 01/07/2019 đến 01/07/2021. Dữ liệu bao gồm: Global Horizontal Irradiance (GHI), Plance of Array Irradiance (POA), nhiệt độ tấm pin (PV_temp), nhiệt độ không khí (Air_temp), độ ẩm (Humidity), tốc độ gió (Wind_Spd) và hướng gió (Wind_Dir).

Phương pháp phân tích gồm các bước: tiền xử lý và chuẩn hóa dữ liệu bằng kỹ thuật z-score; chia dữ liệu thành tập huấn luyện, tập kiểm tra và tập xác nhận; xây dựng và huấn luyện các mô hình MLFFN, LSTM, GRU trên MATLAB; đánh giá hiệu suất mô hình dựa trên các chỉ số MSE và MAPE; cuối cùng áp dụng kỹ thuật ensemble stacking để kết hợp dự báo từ các mô hình nhằm tối ưu hóa kết quả.

Quá trình nghiên cứu được thực hiện trong khoảng thời gian từ tháng 02/2023 đến tháng 06/2023, với sự hướng dẫn khoa học của TS. Trương Phước Hòa. Cỡ mẫu dữ liệu lớn với hàng nghìn điểm quan trắc, đảm bảo tính đại diện và độ tin cậy cho việc huấn luyện và kiểm tra mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất dự báo của mô hình GRU: Mô hình GRU đạt sai số MSE thấp nhất trong số các mô hình đơn lẻ, với MSE khoảng 0.0025 và MAPE dưới 3%, cho thấy khả năng dự báo chính xác sản lượng điện mặt trời trong ngắn hạn.

2. Mô hình LSTM có độ chính xác cao: LSTM cũng cho kết quả tốt với MSE khoảng 0.003 và MAPE khoảng 3.5%, thể hiện khả năng ghi nhớ thông tin chuỗi thời gian dài hạn hiệu quả.

3. MLFFN có sai số cao hơn: Mô hình MLFFN đạt MSE khoảng 0.004 và MAPE trên 4%, thấp hơn so với hai mô hình hồi quy nhưng vẫn có giá trị ứng dụng trong dự báo.

4. Kỹ thuật ensemble nâng cao độ chính xác: Kết hợp dự báo từ ba mô hình bằng kỹ thuật ensemble stacking đã giảm sai số MSE xuống còn khoảng 0.002 và MAPE dưới 2.5%, cải thiện đáng kể so với các mô hình đơn lẻ.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình GRU và LSTM đạt hiệu quả cao là do khả năng xử lý dữ liệu chuỗi thời gian và ghi nhớ thông tin dài hạn, phù hợp với đặc điểm biến động của sản lượng điện mặt trời phụ thuộc vào điều kiện thời tiết. MLFFN, mặc dù đơn giản hơn, không thể nắm bắt tốt các mối quan hệ thời gian phức tạp, dẫn đến sai số cao hơn.

So sánh với các nghiên cứu trước đây, kết quả của luận văn tương đồng hoặc vượt trội về độ chính xác, đặc biệt khi áp dụng kỹ thuật ensemble để tận dụng ưu điểm của từng mô hình. Việc sử dụng dữ liệu thực tế từ nhà máy Sơn Mỹ 3-1 với các thông số khí tượng đa dạng giúp mô hình phản ánh chính xác hơn các yếu tố ảnh hưởng đến sản lượng.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh sản lượng dự báo và thực tế trên tập kiểm tra, biểu đồ sai số MSE và MAPE của từng mô hình, cũng như bảng tổng hợp kết quả đánh giá hiệu suất. Những biểu đồ này minh họa rõ ràng sự cải thiện khi áp dụng kỹ thuật ensemble.

Đề xuất và khuyến nghị

1. Triển khai mô hình dự báo tích hợp tại các nhà máy điện mặt trời: Áp dụng mô hình ensemble dự báo sản lượng điện mặt trời tại các nhà máy tương tự nhằm nâng cao độ chính xác dự báo, giảm thiểu sai số, giúp tối ưu hóa vận hành hệ thống. Thời gian thực hiện trong vòng 6 tháng, do các đơn vị quản lý và vận hành nhà máy thực hiện.

2. Phát triển hệ thống giám sát và thu thập dữ liệu thời gian thực: Cải thiện chất lượng và độ đầy đủ của dữ liệu đầu vào như bức xạ mặt trời, nhiệt độ, độ ẩm, gió để nâng cao hiệu quả mô hình dự báo. Thời gian triển khai 12 tháng, phối hợp giữa các đơn vị kỹ thuật và trung tâm điều độ.

3. Đào tạo nhân lực chuyên sâu về mạng neural nhân tạo và phân tích dữ liệu: Tổ chức các khóa đào tạo chuyên sâu cho cán bộ kỹ thuật và quản lý năng lượng nhằm nâng cao năng lực vận hành và phát triển mô hình dự báo. Thời gian đào tạo 3-6 tháng, do các trường đại học và viện nghiên cứu phối hợp thực hiện.

4. Nghiên cứu mở rộng mô hình dự báo cho các điều kiện khí hậu và nhà máy khác: Tùy chỉnh và tối ưu mô hình dự báo phù hợp với đặc điểm địa phương và các nhà máy điện mặt trời khác để tăng tính ứng dụng rộng rãi. Thời gian nghiên cứu 12-18 tháng, do các nhóm nghiên cứu và doanh nghiệp năng lượng phối hợp thực hiện.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý và vận hành hệ thống điện: Luận văn cung cấp công cụ dự báo sản lượng điện mặt trời chính xác, hỗ trợ lập kế hoạch và điều phối nguồn điện hiệu quả, giảm thiểu rủi ro vận hành.

2. Các nhà đầu tư và phát triển dự án năng lượng tái tạo: Thông tin dự báo chính xác giúp đánh giá hiệu suất dự án, tối ưu hóa đầu tư và phát triển bền vững các nhà máy điện mặt trời.

3. Các nhà nghiên cứu và sinh viên chuyên ngành quản lý năng lượng, kỹ thuật điện: Luận văn cung cấp cơ sở lý thuyết, phương pháp và ứng dụng thực tiễn của mạng neural nhân tạo trong dự báo năng lượng mặt trời, là tài liệu tham khảo quý giá.

4. Các đơn vị cung cấp giải pháp công nghệ và phần mềm phân tích dữ liệu: Nghiên cứu mở ra hướng phát triển các sản phẩm phần mềm dự báo năng lượng mặt trời dựa trên trí tuệ nhân tạo, đáp ứng nhu cầu thị trường năng lượng tái tạo.

Câu hỏi thường gặp

1. Mạng neural nhân tạo có ưu điểm gì so với phương pháp dự báo truyền thống?
   Mạng neural nhân tạo có khả năng xử lý dữ liệu phi tuyến tính, học từ dữ liệu lớn và tự điều chỉnh tham số để cải thiện độ chính xác, trong khi phương pháp truyền thống thường hạn chế về khả năng xử lý dữ liệu phức tạp và độ chính xác thấp hơn.

2. Tại sao cần kết hợp nhiều mô hình dự báo (ensemble)?
   Kỹ thuật ensemble tận dụng ưu điểm của từng mô hình riêng biệt, giảm thiểu sai số và tăng độ tin cậy của dự báo tổng thể, giúp cải thiện hiệu suất so với việc sử dụng một mô hình đơn lẻ.

3. Dữ liệu đầu vào nào quan trọng nhất trong dự báo sản lượng điện mặt trời?
   Các thông số bức xạ mặt trời (GHI, POA), nhiệt độ tấm pin, nhiệt độ không khí, độ ẩm, tốc độ và hướng gió đều ảnh hưởng đáng kể đến sản lượng điện mặt trời và được sử dụng làm đầu vào cho mô hình dự báo.

4. Mô hình GRU và LSTM khác nhau như thế nào?
   GRU có cấu trúc đơn giản hơn, ít tham số hơn so với LSTM, giúp giảm thời gian huấn luyện nhưng vẫn giữ được khả năng xử lý dữ liệu chuỗi thời gian hiệu quả. LSTM có thêm các cổng điều khiển phức tạp hơn để quản lý thông tin dài hạn.

5. Làm thế nào để đánh giá độ chính xác của mô hình dự báo?
   Độ chính xác được đánh giá qua các chỉ số như sai số toàn phương trung bình (MSE) và phần trăm sai số tuyệt đối trung bình (MAPE). Giá trị nhỏ của các chỉ số này cho thấy mô hình dự báo có độ chính xác cao.

Kết luận

• Mạng neural nhân tạo, đặc biệt là các mô hình GRU và LSTM, cho kết quả dự báo sản lượng điện mặt trời chính xác và tin cậy hơn so với các phương pháp truyền thống.
• Kỹ thuật ensemble stacking giúp nâng cao hiệu suất dự báo bằng cách kết hợp ưu điểm của nhiều mô hình.
• Việc ứng dụng mô hình dự báo này tại Nhà máy điện mặt trời Sơn Mỹ 3-1 đã chứng minh tính khả thi và hiệu quả trong thực tế vận hành.
• Nghiên cứu góp phần quan trọng vào phát triển năng lượng tái tạo và quản lý hệ thống điện thông minh tại Việt Nam.
• Các bước tiếp theo bao gồm triển khai mô hình vào thực tế, mở rộng nghiên cứu cho các nhà máy khác và đào tạo nhân lực chuyên môn cao trong lĩnh vực dự báo năng lượng mặt trời.

Hãy áp dụng các kết quả nghiên cứu này để nâng cao hiệu quả quản lý và vận hành hệ thống điện mặt trời, góp phần phát triển bền vững ngành năng lượng tái tạo tại Việt Nam.

Trích đoạn nội dung tài liệu

Đặt vấn đề Dự báo sản lượng điện mặt trời là một mắt xích quan trọng trong việc phát triển nguồn năng lượng tái tạo. Tại Việt Nam, theo thống kê gần đây đến cuối năm 2020, đã có 8.736 MW điện mặt trời quy mô tập trung bao gồm cả điện mặt trời nổi trên mặt nước và 7.755 MW điện mặt trời mái nhà được đấu nối vào lưới điện, sản xuất gần 13 tỷ kWh điện năm đó. Quy mô công suất điện mặt trời ở Việt Nam tăng vọt chỉ sau 2 năm đã trở thành kỷ lục trong các quốc gia Đông Nam Á. Theo Quyết định số 500/QĐ-TTg phê duyệt Quy hoạch điện VIII vừa được Thủ tướng Chính phủ ký, ban hành ngày 15/5/2023, dự kiến quy mô điện mặt trời ở Việt Nam sẽ khoảng 12.800 MW (không bao gồm điện mặt trời mái nhà hiện có) vào năm 2030, tăng thêm khoảng 2.600 MW điện mặt trời loại hình tự tiêu thụ không phát lên lưới.

Vào năm 2050, điện mặt trời sẽ có quy mô định hướng lên tới 168.300 GW, chiếm 33,0 - 34,4% tổng công suất nguồn điện và sản xuất điện chiếm từ 20,6 - 21,2% tổng sản xuất điện toàn hệ thống.[1] 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 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 không ổn định, thay đổi thường xuyên phụ thuộc vào sự thay đổi của thời tiết, 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. Các nguồn điện này hay thay đổi đột ngột, không có dự trữ động năng như các máy phát điện quay, dẫn đến giảm độ dự trữ ổn định của hệ thống điện và tăng nguy cơ 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 2 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. Hướng tiếp cận nghiên cứu: Thu thập số liệu về sản lượng điện mặt trời từ nhà máy Sơn Mỹ 3-1 với cơ sở lý thuyết và công cụ mô phỏng sẵn có (MATLAB) để xây dựng mô hình, tính toán, đánh giá. Việc phân tích được ảnh hưởng của các yếu tố đầu vào như bức xạ nhiệt mặt trời, nhiệt độ tấm pin, nhiệt độ không khí, độ ẩm, tốc độ gió, hướng gió cũng như các tham số được cài đặt, các trọng số được tính toán và cập nhật trong mô hình nhằm hiểu rõ hơn về sự ảnh hưởng của nó trên từng mô hình mạng neural đơn lẻ và có sự điều chỉnh hợp lý. Sau đó xây dựng một mô hình kết hợp, có mức độ tối ưu cao để tăng hiệu suất mô hình.

Phương pháp nghiên cứu 1. Phương pháp nghiên cứu, phân tích, tổng hợp tài liệu Phương pháp nghiên cứu, phân tích và tổng hợp tài liệu là các phương pháp được sử dụng trong quá trình thực hiện nghiên cứu để thu thập, xử lý và phân tích các tài liệu, thông tin, dữ liệu, kế thừa kết quả của các công trình nghiên cứu trong nước và ngoài nước liên quan đến nội dụng đề tài nghiên cứu. Phương pháp mô phỏng và mô hình hóa Trong nghiên cứu dự báo sản lượng, phương pháp mô phỏng và mô hình hóa được sử dụng để xây dựng các mô hình ước lượng, dự báo sản lượng điện mặt trời dựa trên các thông tin và dữ liệu có sẵn. Mô phỏng giúp quá trình tạo ra một hệ thống mô hình hoạt động tương tự với thực tế để tìm hiểu, dự đoán hoặc đánh giá các kịch bản, tình huống hoặc hành vi của hệ thống.

Mô hình hóa là quá trình xây dựng các mô hình toán học, thống kê từ máy tính dựa trên dữ liệu và thông tin có sẵn để mô tả và dự báo. Tính cấp thiết của đề tài : Trong thời đại hiện nay, dự báo sản lượng điện Mặt trời sử dụng mạng neural nhân tạo là cấp thiết khi mà nguồn năng lượng Mặt trời đã trở thành xu hướng và phát triển mạnh mẽ. Việc dự báo sản lượng điện Mặt trời giúp các đơn vị điều hành có thể dự báo được lượng điện Mặt trời sẽ sản xuất ra trong tương lai để có thể điều chỉnh sao cho hiệu quả. 3 Đồng thời, việc sử dụng mạng neural nhân tạo – Artificial Neural Network (ANN) trong dự báo sản lượng điện Mặt trời cũng đem lại nhiều lợi ích.

ANN có khả năng học tập và cải thiện độ chính xác theo thời gian, có thể xử lý được dữ liệu phi tuyến tính và phức tạp, đồng thời có thể tối ưu hóa mô hình để cải thiện độ chính xác. Vì vậy, đề tài này đem lại ý nghĩa và giá trị rất lớn trong việc phát triển năng lượng tái tạo và quản lý nguồn phát một cách hiệu quả hơn, đóng góp vào việc nghiên cứu và phát triển các phương pháp ứng dụng mạng neural nhân tạo trong dự báo. Phạm vi nghiên cứu Thu thập và xử lý dữ liệu: Thu thập dữ liệu sản lượng điện từ Nhà máy điện Mặt trời Sơn Mỹ 3-1 và thông số thời tiết từ ngày 01/07/2019 đến 01/07/2021. Sau đó tiến hành xử lý dữ liệu để chuẩn bị cho quá trình huấn luyện Thiết kế và xây dựng mô hình mạng neural nhân tạo: xác định kiến trúc mô hình mạng neural, bao gồm số lượng mạng neural trong mỗi lớp, các hàm kích hoạt, tham số,….

Sau đó tiến hành huấn luyện và đánh giá mô hình. Kiểm tra và so sánh độ chính xác của mô hình: Áp dụng mô hình đã xây dựng để dự báo sản lượng điện Mặt trời đối chiếu với số liệu thực tế, đánh giá sai số MSE, MAPE. Mục tiêu nghiên cứu Luận văn này tập trung xây dựng một mô hình ANN để dự báo sản lượng điện Mặt trời ngắn hạn và tối ưu hóa mô hình để đạt được kết quả dự báo tốt. Kết quả dự báo trên MATLAB sẽ được so sánh với số liệu thực tế để đưa ra sự đánh giá khách quan nhất.

Nghiên cứu các yếu tố ảnh hưởng đến sản lượng điện năng lượng Mặt trời bao gồm cường độ ánh sáng, nhiệt độ, độ ẩm, kỹ thuật lắp đặt,…. Tìm hiểu về cách xử lý dữ liệu đầu vào để chuẩn bị cho việc huấn luyện mạng ANN (gồm các kỹ thuật tiền xử lý). Bên cạnh đó cũng phải đánh giá được tác động của các yếu tố khác nhau ảnh hưởng đến độ chính xác của mô hình dự báo (kích thước dữ liệu, số lớp ẩn, số vòng lặp,…). Cuối cùng, xây dựng một mô hình dự báo hoàn chỉnh, tối ưu hóa mô hình để đạt được kết quả tốt nhất.

Ứng dụng mô hình ANN vào thực tiễn để dự báo sản lượng điện Mặt trời trong những điều kiện thời tiết, nhà máy khác. Đối tượng nghiên cứu: Các tài liệu, bài báo, tạp chí khoa học, mô hình về dự báo Phần mềm Matlab và các thư viện để áp dụng mô hình Dữ liệu khí tượng, sản lượng thực của nhà máy điện Mặt trời 1. Tổng hợp một số nghiên cứu về bài toán dự báo sản lượng điện năng lượng mặt trời [3] Moharari (1993) Dự báo tải ngắn hạn dựa trên mạng thần kinh nhân tạo với điều chỉnh đặc biệt cho các ngày cuối tuần và thay đổi theo mùa. Cho thấy việc sử dụng mạng neural truyền thẳng nhiều lớp MLFFN, thuật toán lan truyền ngược để dự báo tải trong ngắn hạn cần phải xem xét các ngày đặc biệt.

Đầu vào của mô hình dự báo trong nghiên cứu bao gồm các đặc điểm về ngày dự báo, chẳng hạn như cuối tuần, ngày lễ cũng như các đặc điểm về thời tiết như nhiệt độ dự báo tối thiểu và tối đa, đặc điểm của tải, sản lượng trong 15 ngày gần nhất với tổng số 23 dữ liệu đầu vào. Kết quả thực hiện được dự báo với sai số MPE là 1. Tiếp theo, họ cũng điểm qua các phương pháp lai như : GA-FL, FL-NN, GA-NN- FL,…. Kết quả phần trăm sai số trung bình (MAPE) là 1.7% khi họ đề xuất dùng phương pháp MLFFN áp dụng cho bài toán dự báo sản lượng 1 giờ tới.

Họ đã dùng dữ liệu trong một năm (đầu năm 1988 đến đầu năm 1989) từ Light Company và Puget Sound Power với dữ liệu đầu vào bao gồm : dữ liệu sản lượng và nhiệt độ của 1 giờ và 2 giờ trước thời điểm dự báo, giờ và nhiệt độ ở thời điểm dự báo. [5] Zhang (2008) đề xuất mô hình MLFFN để dự báo sản lượng điện ngắn hạn cho thành phố NangChang, Trung Quốc. Với dữ liệu đầu vào gồm : thứ trong tuần, ngày, dữ liệu thời tiết, giá trị nhiệt độ lớn nhất và nhỏ nhất, giá trị sản lượng lớn nhất, sản lượng nhỏ nhất, sản lượng của 2 ngày trước dự báo và dữ liệu thời tiết, ngày thứ của thời điểm dự báo, dữ liệu huấn luyện trong 2 năm (2002-2003) và được kiểm tra với dữ liệu trong một năm (2004). Kết quả dự báo cho MAPE trong khoảng 1.051% và thể hiện được ảnh hưởng của dữ liệu thời tiết và độ lớn dữ liệu quá khứ lên kết quả huấn luyện.

[7] Raza (2015) trình bày một mô hình sử dụng MLFFN được huấn luyện với thuật toán giảm độ dốc. Các đầu vào cho mạng bao gồm ngày trong tuần, ngày làm việc, giờ trong ngày, điểm sương, nhiệt độ và sản lượng của ngày dự báo, ngày hôm trước và tuần trước. 20 neural đã được sử dụng trong lớp ẩn. Độ chính xác của dự báo đạt được tách biệt theo mùa và nó thay đổi từ 3.81% vào mùa xuân đến 4.59% trong mùa hè.

Phân tích bao gồm cái nhìn rõ nét về thống kê kết quả MAPE với các khoảng mức độ tin cậy khác nhau cho thông số này. Sau đó, họ đề xuất mô hình mạng neural truyền thẳng nhiều lớp (MLFFN) cho bài toán dự báo sản lượng 24 giờ tới ở New England.