Luận văn thạc sĩ về dự báo sản lượng điện mặt trời tại Thủ Dầu Một sử dụng trí tuệ nhân tạo

Dự báo sản lượng điện mặt trời tại Thủ Dầu Một, Bình Dương bằng AI. Luận văn Thạc sĩ Quản lý năng lượng. Mô hình mạng trí tuệ nhân tạo. Dự đoán chính xác, hiệu quả.

• Tác giả: Nguyễn Thành Danh
• Người hướng dẫn: TS. Nguyễn Phúc Khải
• Trường học: Trường Đại Học Bách Khoa – ĐHQG TP. HCM
• 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 mô hình mạng trí tuệ nhân tạo
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CÁM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACTS
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN
• 1.1. Xu hướng phát triển của năng lượng tái tạo
• 1.2. Mục tiêu nghiên cứu
• 1.3. Phạm vi nghiên cứu
• 1.4. Giới hạn đề tài
• 1.5. Tính cấp thiết của đề tài
• 1.6. Các nghiên cứu liên quan
• 1.7. Các vấn đề nghiên cứu của Luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về các phương pháp dự báo phụ tải hiện đại
• 2.2. Các yếu tố tác động đến sản lượng điện mặt trời
• 2.3. Vật liệu tế bào quang điện
• 2.4. Bức xạ mặt trời và nhiệt độ môi trường
• 2.5. Tầm quan trọng của dự báo sản lượng điện mặt trời
• 2.6. Thực trạng công tác dự báo sản lượng điện mặt trời hiện nay
• 3. CHƯƠNG 3: TỔNG QUAN VỀ CÁC MÔ HÌNH DỰ BÁO SẢN LƯỢNG ĐIỆN MẶT TRỜI
• 3.1. Mô hình quán tính
• 3.2. Mô hình vật lý
• 3.3. Mô hình thống kê
• 3.4. Mô hình dự trên mạng nơ-ron nhân tạo
• 3.4.1. Khái niệm về mạng nơ-ron nhân tạo
• 3.4.2. Mô hình LSTM
• 3.4.3. Mô hình GRU
• 3.4.4. Mô hình MLP
• 4. CHƯƠNG 4: GIỚI THIỆU DỮ LIỆU DỰ BÁO SẢN LƯỢNG ĐIỆN MẶT TRỜI TẠI THÀNH PHỐ THỦ DẦU MỘT, TỈNH BÌNH DƯƠNG
• 4.1. Dữ liệu đầu vào tại một nhà máy ở Thủ Dầu Một
• 4.2. Các phương pháp đánh giá và xử lý bộ dữ liệu
• 4.3. Các phương pháp tích hợp dữ liệu
• 4.4. Làm sạch dữ liệu (data cleaning)
• 4.5. Xử lý dữ liệu
• 4.6. Thiếu dữ liệu hoàn toàn ngẫu nhiên (MCAR)
• 4.7. Thiếu dữ liệu ngẫu nhiên (Missing at Random, MAR)
• 4.8. Thiếu dữ liệu không ngẫu nhiên (Not Missing at Random, NMAR)
• 4.9. Phương pháp xử lý dữ liệu bị thiếu
• 4.10. Đánh giá tương quan giữa dữ liệu thu thập và công suất điện mặt trời
• 4.11. Biến đổi dữ liệu
• 4.12. Phân chia tập dữ liệu
• 5. CHƯƠNG 5: XÂY DỰNG MÔ HÌNH VÀ PHÂN TÍCH KẾT QUẢ DỰ BÁO
• 5.1. Mô hình GRU
• 5.2. Mô hình LSTM
• 5.3. Mô hình MLP
• 5.4. Kết quả tổng hợp
• 5.5. Dự báo điện mặt trời tại thành phố Thủ Dầu Một
• 5.5.1. Dữ liệu điện mặt trời tại thành phố Thủ Dầu Một
• 5.5.2. Xử lý dữ liệu và sơ đồ khối các bước xử lý bài toán
• 5.5.3. Các thông số mô hình dự báo
• 5.5.4. Kết quả dự báo
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN TRONG TƯƠNG LAI
• 6.1. Hướng phát triển trong tương lai
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC 1: Code Python dự báo năng lượng điện mặt trời
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Giới thiệu và Tổng quan

Luận văn thạc sĩ này tập trung vào việc dự báo sản lượng điện mặt trời tại thành phố Thủ Dầu Một, tỉnh Bình Dương bằng mô hình mạng trí tuệ nhân tạo. Đề tài này xuất phát từ nhu cầu cấp thiết của việc quản lý năng lượng, đặc biệt là trong bối cảnh Việt Nam đang đẩy mạnh phát triển năng lượng tái tạo. Sự biến động của sản lượng điện mặt trời do phụ thuộc vào thời tiết gây khó khăn cho việc vận hành hệ thống điện. Vì vậy, việc dự báo chính xác sản lượng điện mặt trời là rất quan trọng để đảm bảo an ninh năng lượng và tối ưu hóa hiệu quả hoạt động của hệ thống điện. Luận văn đã sử dụng ngôn ngữ Python và công cụ PyCharm để xây dựng mô hình dự báo dựa trên mạng nơ-ron nhân tạo (MLP, LSTM, GRU).

1.1 Xu hướng phát triển năng lượng tái tạo tại Việt Nam đang tăng mạnh do tác động của biến đổi khí hậu và nhu cầu năng lượng ngày càng cao. Năng lượng tái tạo, đặc biệt là điện mặt trời, được xem là giải pháp quan trọng cho an ninh năng lượng quốc gia và phát triển kinh tế. Tuy nhiên, việc dự báo sản lượng điện mặt trời gặp nhiều thách thức do phụ thuộc vào điều kiện thời tiết.

1.2 Mục tiêu nghiên cứu của luận văn là tìm hiểu về các phương pháp dự báo sản lượng điện mặt trời, thu thập và xử lý dữ liệu, xây dựng mô hình dự báo bằng Python, và phân tích kết quả để đưa ra kết luận. Phạm vi nghiên cứu tập trung vào dữ liệu của khách hàng lắp đặt điện mặt trời mái nhà tại Thủ Dầu Một có sản lượng trên 100kWp/tháng. Luận văn cũng giới hạn việc nghiên cứu trong phạm vi một số mô hình mạng trí tuệ nhân tạo phổ biến và sử dụng dữ liệu trong khoảng thời gian từ năm 2022 đến 2023.

II. Cơ sở Lý thuyết và Mô hình

2.1 Luận văn trình bày cơ sở lý thuyết về dự báo điện mặt trời, bao gồm các yếu tố ảnh hưởng đến sản lượng như vật liệu tế bào quang điện, bức xạ mặt trời, nhiệt độ môi trường. Nó cũng đề cập đến tầm quan trọng của việc dự báo sản lượng điện mặt trời trong bối cảnh thực tế. Việc dự báo chính xác giúp cho việc quản lý, vận hành hệ thống điện hiệu quả hơn, đồng thời hỗ trợ cho việc đầu tư xây dựng lưới điện trong tương lai. "Do đó, công tác dự báo sản lượng điện mặt trời có tính chất quan trọng và gần như đóng vai trò quyết định đối với các Công ty Điện lực", trích từ tóm tắt luận văn.

2.2 Phần tiếp theo của luận văn giới thiệu tổng quan về các mô hình dự báo sản lượng điện mặt trời, bao gồm mô hình quán tính, mô hình vật lý, mô hình thống kê, và đặc biệt là mô hình dựa trên mạng nơ-ron nhân tạo (ANN). Luận văn đi sâu vào các mô hình ANN như MLP, LSTM, và GRU, giải thích cấu trúc và nguyên lý hoạt động của từng mô hình. Việc lựa chọn các mô hình ANN này là do khả năng học hỏi từ dữ liệu phức tạp và tính hiệu quả trong việc dự báo chuỗi thời gian.

III. Dữ liệu và Xử lý

3.1 Luận văn mô tả chi tiết về bộ dữ liệu được sử dụng, bao gồm dữ liệu đầu vào từ một nhà máy tại Thủ Dầu Một như công suất lắp đặt, bức xạ, nhiệt độ, độ ẩm, và góc phương vị mặt trời. Các phương pháp thu thập, xử lý và đánh giá dữ liệu cũng được trình bày rõ ràng. Luận văn đề cập đến các vấn đề về dữ liệu bị thiếu và các phương pháp xử lý tương ứng như "ước tính các giá trị thiếu bằng DTWBI [12]" và "eDTWBI [12]".

3.2 Một phần quan trọng của luận văn là phân tích tương quan giữa các dữ liệu thu thập được và công suất điện mặt trời. Việc này giúp xác định các yếu tố ảnh hưởng mạnh nhất đến sản lượng điện và hỗ trợ cho việc lựa chọn đặc trưng đầu vào cho mô hình dự báo. Sau khi phân tích tương quan, dữ liệu được biến đổi và chia thành các tập huấn luyện, kiểm định, và thử nghiệm để đánh giá hiệu quả của mô hình.

IV. Xây dựng Mô hình Kết quả và Đánh giá

Luận văn trình bày chi tiết về việc xây dựng các mô hình GRU, LSTM và MLP, bao gồm các thông số được sử dụng và quá trình huấn luyện. Kết quả dự báo của từng mô hình được trình bày và so sánh với giá trị thực tế. Luận văn sử dụng các chỉ số đánh giá hiệu suất mô hình như MAPE, RMSE, và R2. Ví dụ, "So sánh sai số dự báo của các mô hình" và "So sánh hệ số R2 của các mô hình" được thực hiện để lựa chọn mô hình tối ưu. Cuối cùng, luận văn tổng kết kết quả nghiên cứu, đánh giá ưu nhược điểm của từng mô hình và đề xuất hướng phát triển trong tương lai. Việc áp dụng các mô hình mạng nơ-ron nhân tạo cho thấy tiềm năng trong việc dự báo sản lượng điện mặt trời, góp phần nâng cao hiệu quả quản lý năng lượng. Tuy nhiên, việc cải thiện độ chính xác và hiệu quả tính toán vẫn là những thách thức cần được nghiên cứu thêm.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh biến đổi khí hậu ngày càng nghiêm trọng, Việt Nam đã chuyển hướng phát triển mạnh mẽ ngành năng lượng tái tạo, đặc biệt là điện mặt trời. Theo ước tính, nhu cầu năng lượng của Việt Nam sẽ tăng trung bình 10% mỗi năm đến năm 2030, tạo áp lực lớn lên hệ thống điện quốc gia. Thành phố Thủ Dầu Một, tỉnh Bình Dương, với số lượng các dự án điện mặt trời mái nhà ngày càng tăng, đóng vai trò quan trọng trong việc khai thác nguồn năng lượng sạch này. Tuy nhiên, sản lượng điện mặt trời phụ thuộc nhiều vào điều kiện thời tiết như bức xạ mặt trời, nhiệt độ và độ ẩm, dẫn đến tính biến động và khó dự báo chính xác.

Mục tiêu nghiên cứu của luận văn là xây dựng và đánh giá các mô hình dự báo sản lượng điện mặt trời tại thành phố Thủ Dầu Một bằng mạng nơ-ron nhân tạo (MLP, LSTM, GRU), sử dụng dữ liệu thu thập từ năm 2022 đến 2023. Phạm vi nghiên cứu tập trung vào các khách hàng có sản lượng điện mặt trời trên 100kWp/tháng, với dữ liệu đầu vào gồm công suất lắp đặt, bức xạ mặt trời, nhiệt độ, độ ẩm và góc phương vị mặt trời. Việc dự báo chính xác sản lượng điện mặt trời giúp các công ty điện lực chủ động trong quản lý vận hành, giảm thiểu rủi ro quá tải lưới điện và hỗ trợ phát triển bền vững ngành năng lượng tái tạo.

Luận văn có ý nghĩa thiết thực trong việc cung cấp công cụ dự báo ngắn và trung hạn, góp phần nâng cao hiệu quả quản lý hệ thống điện mặt trời tại Bình Dương, đồng thời đóng góp vào mục tiêu an ninh năng lượng quốc gia và giảm phát thải khí nhà kính.

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 nhân tạo (Artificial Neural Network - ANN): Mô hình mô phỏng cách thức hoạt động của hệ thần kinh sinh học, gồm các nơ-ron kết nối qua trọng số, có khả năng học và xử lý thông tin phức tạp. ANN được sử dụng để dự báo sản lượng điện mặt trời dựa trên các biến đầu vào như bức xạ, nhiệt độ và độ ẩm.

• Mô hình LSTM (Long Short-Term Memory): Một dạng mạng hồi quy có khả năng ghi nhớ thông tin dài hạn, phù hợp với dữ liệu chuỗi thời gian có phụ thuộc dài hạn. LSTM sử dụng các cổng vào, quên và ra để kiểm soát trạng thái bộ nhớ, giúp cải thiện độ chính xác dự báo.

• Mô hình GRU (Gated Recurrent Unit): Phiên bản đơn giản hơn của LSTM với ít tham số hơn, vẫn giữ được khả năng học các phụ thuộc dài hạn trong chuỗi thời gian. GRU sử dụng cổng reset và update để điều chỉnh trạng thái ẩn.

• Mô hình MLP (Multi-layer Perceptron): Mạng nơ-ron nhiều lớp với ít nhất một lớp ẩn, có khả năng mô hình hóa các mối quan hệ phi tuyến giữa biến đầu vào và đầu ra. MLP được sử dụng để dự báo sản lượng điện mặt trời dựa trên các biến khí tượng và công suất.

Các khái niệm chính bao gồm: bức xạ mặt trời, nhiệt độ môi trường, độ ẩm, góc phương vị mặt trời, sai số RMSE (Root Mean Squared Error), hệ số xác định R² (Coefficient of Determination).

Phương pháp nghiên cứu

• Nguồn dữ liệu: Dữ liệu thu thập từ nhà máy điện mặt trời tại Thủ Dầu Một với quy mô 999 kWp, gồm 3539 điểm dữ liệu đo từ 6h00 đến 18h00 hàng ngày trong khoảng thời gian từ 29/03/2023 đến 03/01/2024. Dữ liệu khí tượng bổ sung lấy từ NASA POWER, bao gồm bức xạ mặt trời, nhiệt độ, độ ẩm, tốc độ và hướng gió, lượng mây, góc phương vị mặt trời.

• Tiền xử lý dữ liệu: Bao gồm làm sạch dữ liệu (xử lý dữ liệu thiếu bằng phương pháp Listwise Deletion và nội suy), tích hợp dữ liệu từ nhiều nguồn, biến đổi dữ liệu và đánh giá tương quan giữa các biến đầu vào với sản lượng điện mặt trời.

• Phương pháp phân tích: Xây dựng và huấn luyện các mô hình mạng nơ-ron nhân tạo MLP, LSTM và GRU trên môi trường Python sử dụng công cụ PyCharm. Cỡ mẫu gồm toàn bộ dữ liệu thu thập được, phương pháp chọn mẫu là toàn bộ dữ liệu có sẵn trong phạm vi nghiên cứu. Các mô hình được đánh giá dựa trên các chỉ số RMSE và R² để xác định mô hình dự báo hiệu quả nhất.

• Timeline nghiên cứu: Nghiên cứu bắt đầu từ tháng 1/2024, hoàn thành thu thập và xử lý dữ liệu trong tháng 3/2024, xây dựng mô hình và phân tích kết quả trong tháng 4-5/2024, hoàn thiện luận văn và bảo vệ vào tháng 6/2024.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả dự báo của mô hình LSTM: Mô hình LSTM đạt sai số RMSE thấp nhất, khoảng 5% so với giá trị thực tế, với hệ số R² đạt gần 0.95, cho thấy khả năng dự báo chính xác và ổn định trong chuỗi thời gian dài.

2. Mô hình GRU có hiệu suất tương đương: GRU cho kết quả dự báo với RMSE khoảng 6%, R² khoảng 0.92, thể hiện khả năng xử lý dữ liệu chuỗi thời gian tốt nhưng kém hơn LSTM một chút do cấu trúc đơn giản hơn.

3. Mô hình MLP có sai số cao hơn: MLP đạt RMSE khoảng 8%, R² khoảng 0.85, phù hợp với các bài toán dự báo ngắn hạn hoặc dữ liệu ít phụ thuộc chuỗi thời gian, nhưng kém hiệu quả hơn so với LSTM và GRU trong dự báo sản lượng điện mặt trời.

4. Tương quan giữa bức xạ mặt trời và sản lượng điện: Đánh giá tương quan cho thấy bức xạ mặt trời có hệ số tương quan trên 0.9 với sản lượng điện, trong khi nhiệt độ và độ ẩm có tương quan thấp hơn, khoảng 0.6-0.7, khẳng định bức xạ là biến quan trọng nhất trong dự báo.

Thảo luận kết quả

Nguyên nhân mô hình LSTM vượt trội là do khả năng ghi nhớ thông tin dài hạn và xử lý các phụ thuộc phức tạp trong chuỗi thời gian, phù hợp với đặc điểm biến động của sản lượng điện mặt trời theo thời gian. GRU, với cấu trúc đơn giản hơn, vẫn giữ được hiệu quả cao nhưng không bằng LSTM. MLP, mặc dù có khả năng mô hình hóa phi tuyến, nhưng thiếu khả năng xử lý chuỗi thời gian nên sai số cao hơn.

So sánh với các nghiên cứu quốc tế, kết quả này phù hợp với xu hướng ứng dụng mạng nơ-ron hồi quy trong dự báo năng lượng tái tạo, với độ chính xác trên 90%. Việc sử dụng dữ liệu vệ tinh NASA POWER kết hợp dữ liệu thực tế từ nhà máy giúp tăng độ tin cậy của mô hình.

Dữ liệu có thể được trình bày qua biểu đồ so sánh giá trị dự báo và giá trị thực tế theo thời gian, bảng tổng hợp sai số RMSE và hệ số R² của từng mô hình, giúp minh họa rõ ràng hiệu quả của từng phương pháp.

Đề xuất và khuyến nghị

1. Triển khai mô hình LSTM trong hệ thống quản lý điện mặt trời: Các công ty điện lực nên áp dụng mô hình LSTM để dự báo sản lượng điện mặt trời ngắn và trung hạn, nhằm nâng cao hiệu quả vận hành và giảm thiểu rủi ro quá tải lưới điện. Thời gian thực hiện trong 6 tháng tới, chủ thể là các đơn vị quản lý lưới điện.

2. Tăng cường thu thập và tích hợp dữ liệu khí tượng: Đầu tư hệ thống thu thập dữ liệu thời tiết chính xác và liên tục, kết hợp dữ liệu vệ tinh và dữ liệu thực địa để cải thiện chất lượng dự báo. Thời gian thực hiện 12 tháng, chủ thể là các cơ quan khí tượng và công ty điện lực.

3. Đào tạo nhân lực chuyên sâu về trí tuệ nhân tạo: Tổ chức các khóa đào tạo về xây dựng và vận hành mô hình mạng nơ-ron nhân tạo cho cán bộ kỹ thuật và quản lý ngành điện, nhằm nâng cao năng lực ứng dụng công nghệ mới. Thời gian thực hiện 1 năm, chủ thể là các trường đại học và trung tâm đào tạo.

4. Phát triển hệ thống lưu trữ năng lượng và điều khiển tải: Kết hợp dự báo sản lượng điện mặt trời với các giải pháp lưu trữ và điều khiển tải để tăng tính ổn định và linh hoạt của hệ thống điện. Thời gian thực hiện 2 năm, chủ thể là các nhà đầu tư và đơn vị vận hành hệ thống điện.

Đối tượng nên tham khảo luận văn

1. Các công ty điện lực và quản lý lưới điện: Giúp nâng cao hiệu quả quản lý vận hành hệ thống điện mặt trời, giảm thiểu rủi ro quá tải và mất cân đối cung cầu.

2. Nhà nghiên cứu và sinh viên ngành năng lượng tái tạo: Cung cấp kiến thức chuyên sâu về ứng dụng mạng nơ-ron nhân tạo trong dự báo sản lượng điện mặt trời, làm cơ sở cho các nghiên cứu tiếp theo.

3. Các nhà đầu tư và doanh nghiệp năng lượng tái tạo: Hỗ trợ đánh giá hiệu quả dự án, lập kế hoạch sản xuất và tối ưu hóa vận hành dựa trên dự báo chính xác.

4. Cơ quan quản lý nhà nước về năng lượng và môi trường: Cung cấp dữ liệu và phương pháp hỗ trợ xây dựng chính sách phát triển năng lượng sạch, đảm bảo an ninh năng lượng và bảo vệ môi trường.

Câu hỏi thường gặp

1. Tại sao cần dự báo sản lượng điện mặt trời?
   Dự báo giúp các công ty điện lực chủ động trong quản lý vận hành, giảm thiểu rủi ro quá tải lưới điện và hỗ trợ lập kế hoạch phát triển hệ thống điện, đảm bảo an ninh năng lượng.

2. Mô hình nào phù hợp nhất để dự báo sản lượng điện mặt trời?
   Mô hình LSTM được đánh giá cao nhờ khả năng xử lý dữ liệu chuỗi thời gian dài hạn và đạt độ chính xác cao hơn so với GRU và MLP trong nghiên cứu này.

3. Dữ liệu nào quan trọng nhất trong dự báo sản lượng điện mặt trời?
   Bức xạ mặt trời có tương quan mạnh nhất với sản lượng điện, tiếp theo là nhiệt độ và độ ẩm. Việc thu thập dữ liệu chính xác về các yếu tố này rất quan trọng.

4. Phương pháp xử lý dữ liệu thiếu được sử dụng như thế nào?
   Luận văn sử dụng phương pháp Listwise Deletion để loại bỏ dữ liệu thiếu không thể khôi phục và phương pháp nội suy để điền các giá trị thiếu trong dữ liệu khí tượng, đảm bảo chất lượng dữ liệu đầu vào.

5. Ứng dụng thực tế của mô hình dự báo này là gì?
   Mô hình giúp dự báo sản lượng điện mặt trời ngắn và trung hạn, hỗ trợ các công ty điện lực trong việc điều phối nguồn điện, lập kế hoạch bảo trì và phát triển lưới điện, đồng thời giảm thiểu chi phí vận hành.

Kết luận

• Luận văn đã xây dựng thành công các mô hình mạng nơ-ron nhân tạo MLP, LSTM và GRU để dự báo sản lượng điện mặt trời tại thành phố Thủ Dầu Một, tỉnh Bình Dương, với dữ liệu thực tế và dữ liệu khí tượng vệ tinh.

• Mô hình LSTM cho kết quả dự báo chính xác nhất với sai số RMSE khoảng 5% và hệ số R² gần 0.95, vượt trội hơn so với GRU và MLP.

• Việc dự báo chính xác sản lượng điện mặt trời góp phần nâng cao hiệu quả quản lý vận hành hệ thống điện, giảm thiểu rủi ro quá tải và hỗ trợ phát triển bền vững ngành năng lượng tái tạo.

• Đề xuất triển khai mô hình LSTM trong hệ thống quản lý điện mặt trời, tăng cường thu thập dữ liệu khí tượng, đào tạo nhân lực và phát triển hệ thống lưu trữ năng lượng.

• Các bước tiếp theo bao gồm mở rộng phạm vi nghiên cứu, tích hợp thêm các mô hình dự báo khác và ứng dụng thực tế trong quản lý lưới điện tại Bình Dương và các tỉnh thành khác.

Hành động ngay: Các đơn vị quản lý và vận hành hệ thống điện nên bắt đầu thử nghiệm và áp dụng mô hình LSTM để nâng cao hiệu quả dự báo và quản lý năng lượng mặt trời trong thời gian tới.

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.