Chương 1. Lý do chọn đề tài. Mục tiêu của đề tài. Đối tượng nghiên cứu.
Phạm vi nghiên cứu. Tình hình nghiên cứu trong và ngoài nước liên quan đến đề tài. Tại Việt Nam. Trên thế giới.
Những đóng góp của đề tài. Những hạn chế của đề tài. Dự đoán bức xạ mặt trời dựa trên thuật toán hồi quy tuyến tính. Mô hình hồi quy tuyến tính đơn giản.
Mô hình hồi quy đa biến. Phương pháp bình phương nhỏ nhất. Phương pháp thực hiện. Thu thập dữ liệu.
Phân tích dữ liệu. Kết quả đạt được. Dự đoán bức xạ mặt trời dựa trên thuật toán XGBoost. Phương pháp thực hiện.
Thu thập dữ liệu. Phương pháp lựa chọn giá trị đặc trưng. Ma trận tương quan. Extra Tree Classifier.
Chuẩn hoá dữ liệu (Feature Engineering) bằng phương pháp Min-Max. Kết quả đạt được. Kết luận và kiến nghị. Lý do chọn đề tài Hiện nay, nhiên liệu hóa thạch (NLHT) chiếm vai trò quan trọng hàng đầu trong hệ thống năng lượng (NL) toàn cầu.
Theo ước tính của Cơ quan Thông tin Năng lượng Hoa Kỳ (Energy Information Administration, EIA), than đá vẫn sẽ chiếm thứ hai trong tổng số các nguồn NL lớn trên thế giới sau dầu mỏ và nhiên liệu lỏng cho đến năm 2030. Từ năm 2030 đến năm 2040, than đá sẽ xuống thứ ba, sau nhiên liệu lỏng và khí tự nhiên [1]. Song song với những mặt lợi ích về kinh tế mà NLHT mang lại, nguồn nhiên liệu này cũng gây ra những tác hại đối với môi trường sống và thể trạng con người [2, 3, 4]. Liên minh nhóm nhà khoa học (Union of Concerned Scientists) đã nêu rõ, quá trình khai thác, vận chuyển và sử dụng NLHT gây ra tác động tiêu cực đáng kể [5].
Những tác động của NLHT lên khí hậu, môi trường và thể trạng con người [2] Hình 1. Những hệ luỵ của việc đốt NLHT [3] 1 Theo thống kê của EIA, mỗi năm tổng tiêu thụ NLHT tương đương với khoảng 11 tỷ tấn dầu. Theo dự báo, nguồn dầu thô sẽ cạn kiệt vào năm 2052, nguồn khí tự nhiên sẽ cạn kiệt vào năm 2060 và than đá sẽ cạn kiệt vào năm 2088 [6]. Trong kịch bản chuyển đổi NL, điện mặt trời (ĐMT) được dự đoán sẽ trở thành nguồn phát điện chính, đóng góp từ 41 đến 96 PWh/năm và cung cấp hơn 25% tổng nhu cầu điện vào năm 2050 [7, 8].
NL được tạo ra từ các nhà máy ĐMT phụ thuộc mật thiết với cường độ bức xạ mặt trời (BXMT) chiếu xuống bề mặt tấm pin NL mặt trời. Trong quá trình tích hợp công nghệ quang điện (Photovoltaic, PV) vào lưới điện, sự phức tạp của việc quản lý lưới điện đang gia tăng do tính biến thiên liên tục của năng lượng mặt trời (NLMT). Cường độ BXMT dao động với biên độ lớn có thể lên tới hàng trăm W/m2. Mất điện đột ngột do giảm BXMT sẽ làm giảm tính ổn định và chất lượng điện năng của lưới điện cục bộ, gây ra hiệu ứng lan truyền cho các nút điện lân cận trong hệ thống lưới điện thông minh (Smart grid) [9].
Do đó, việc ước tính chính xác BXMT giúp thiết kế hệ thống PV một cách phù hợp, giảm sự phụ thuộc vào việc lưu trữ NL dự phòng lớn và tối thiểu hóa lãng phí NL trong các nhà máy quang điện. Tuy nhiên, giá trị của BXMT bị ảnh hưởng bởi nhiều hiện tượng khí quyển khác nhau. Ngoài ra, việc đo đạc và ghi lại giá trị BXMT không phổ biến ở các nước đang phát triển. Nguyên nhân chủ yếu là do vấn đề kỹ thuật và kinh phí thực hiện.
Có nhiều phương pháp được thực hiện nhằm ước tính giá trị BXMT. Phép đo mặt đất bằng nhật xạ kế (pyranometer, solarimeter) là phương pháp đơn giản và cơ bản nhất để thu thập giá trị BXMT. Nhật xạ kế là loại máy đo bức xạ được lắp đặt phổ biến nhất tại các trạm khí tượng, hiển thị tổng lượng bức xạ mà bề mặt ngang ở mặt đất nhận được. Nếu được hiệu chuẩn tốt, bản ghi nhật xạ kế là ước tính chính xác nhất về giá trị BXMT.
Tuy nhiên, nhật xạ kế là một thiết bị cảm biến khá nhạy, cần được bảo trì và hiệu chuẩn liên tục để giữ độ chính xác tối ưu. Bên cạnh đó, chi phí lắp đặt nhật xạ kế cao khiến chúng không được lắp đặt rộng rãi [10]. Ngoài phương pháp sử dụng nhật xạ kế, mô hình thực nghiệm được áp dụng rộng rãi do có quan hệ toán học đơn giản, tính sẵn có lâu dài và khả thi với các phép đo mặt đất. Nhiều loại mô hình thực nghiệm khác nhau đã được xây dựng để ước tính BXMT, như mô hình dựa trên đám mây [10], mô hình dựa trên nhiệt độ [11, 12, 13], mô hình dựa trên nhiệt độ và lượng mưa [14], mô hình dựa trên số giờ nắng [15], mô hình dựa trên ánh sáng mặt 2 trời [16, 17, 18, 19].
Trong đó, mô hình dựa trên ánh sáng mặt trời hoạt động hiệu quả hơn so với các mô hình dựa trên các biến số khí tượng đơn lẻ khác (thời gian nắng, độ che phủ mây, nhiệt độ, áp suất trung bình hằng ngày (P), áp suất hơi nước (Pv), tốc độ gió (W), độ ẩm tương đối (RH) và hơi nước kết tủa,. Nhược điểm của mô hình thực nghiệm là không thể xử lý mối quan hệ phức tạp và phi tuyến tính giữa các biến. Đặc biệt, mô hình thực nghiệm dự đoán kém chính xác ở những vùng có thời tiết nhiều mây mù, ẩm ướt, nơi mà BXMT chịu ảnh hưởng lớn bởi các đám mây dày trong những ngày mưa [15]. Khác với phương pháp đo BXMT bằng mô hình thực nghiệm, việc thu thập thông số BXMT từ vệ tinh có thể cung cấp bộ dữ liệu BXMT với độ phân giải không gian, thời gian cao liên tục.
Hình ảnh được thiết bị trên vệ tinh ghi lại sau 10 phút (hoặc 15 phút), 30 phút, 60 phút và được chuyển đổi thành giá trị BXMT thông qua các thuật toán chuyển đổi. Tuy nhiên, việc thu thập vệ tinh không thể nắm bắt đầy đủ sự biến thiên của BXMT trong thời gian dài, điều này có thể dẫn đến khả năng dự đoán giá trị BXMT bị hạn chế [20]. Các phương pháp dự đoán cường độ BXMT có những ưu điểm và hạn chế riêng biệt. Trong đó, nghiên cứu về dự đoán BXMT dựa trên phương pháp học máy (Machine Learning, ML) được đánh giá là một phương pháp đầy triển vọng [21, 22, 23, 24].
Nhiều nghiên cứu được tài trợ thực hiện nhằm xây dựng và đánh giá độ chính xác của các phương pháp dự đoán BXMT dựa trên thuật toán ML. Một số thuật toán được đánh giá cao trong việc dự đoán chính xác về cường độ BXMT như mạng nơ-ron nhân tạo (Artificial Neural Network, ANN), mạng nơ-ron hồi quy (Recurrent Neural Network, RNN), mạng nơ-ron tích chập (Convolutional Neural Network, CNN), Long Short Term Memory (LSTM), Support Vector Machine (SVM),…[25]. Tuy nhiên, mỗi thuật toán đều có những ưu và nhược điểm riêng [21]. Ngoài ra, nhiều bộ dữ liệu chỉ phù hợp với một số phương pháp dự đoán và không tối ưu cho các mô hình khác.
Vì vậy, đề tài này được thực hiện nhằm đánh giá độ chính xác của thuật toán hồi quy tuyến tính (Linear Regression, LR) và thuật toán tăng cường độ dốc cấp cao (Extreme Gradient Boosting, XGBoost) khi xử lý bộ dữ liệu có sẵn. Đồng thời, đề tài so sánh kết quả của hai thuật toán dự đoán để tìm ra thuật toán tối ưu hơn. Phân nhóm các thuật toán ML [21] Bảng 1. Bảng so sánh các kỹ thuật ML [21] Kỹ thuật Ưu điểm Nhược điểm Các ứng dụng Dễ thực hiện, đào Giới hạn mối quan Phân tích dự đoán giá LR tạo nhanh hệ tuyến tính cả, chuỗi thời gian Dễ thực hiện, hoạt Dự đoán tình trạng Hồi quy logistic Chỉ áp dụng cho động tốt với dữ mất điện, phân loại sự (Logistic Regression) bài toán phân loại liệu nhỏ kiện thời tiết Hiệu suất cải thiện Tốn kém chi phí Dự báo năng lượng tái Học tập theo nhóm nhờ kết hợp nhiều tính toán, cần xây tạo (NLTT) nhận dạng (Ensemble learning) mô hình dựng từng bước hình ảnh Xử lý bài toán Cây quyết định Dễ xảy ra hiện Dự đoán bảo trì, tài phân loại và biến (Decision Trees) tượng overfitting chính liên tục Độ chính xác cao, Rừng ngẫu nhiên ít xảy ra hiện Khó giải thích Phân loại hình ảnh (Random Forest, RF) tượng overfitting 4 Cần khối lượng dữ Phân tích hình ảnh Phân loại hình ảnh, dự CNN liệu lớn, thời gian đạt hiệu quả cao đoán nhu cầu NL xử lý dữ liệu Xử lý dữ liệu lớn Dự đoán tài nguyên ANN và các mối quan Khó giải thích NL, nhận dạng hình hệ phi tuyến tính ảnh, giọng nói Xử lý tốt dữ liệu Thời gian xử lý dữ Dự báo NL, nhận dạng RNN chuỗi thời gian liệu lâu giọng nói Xử lý tốt dữ liệu Cần xây dựng Nhận dạng giọng nói, LSTM chuỗi thời gian từng bước dự báo tải và giá NL 1.
Mục tiêu của đề tài Xây dựng và huấn luyện 2 mô hình dự đoán BXMT dựa trên thuật toán LR và XGBoost. Từ đó đánh giá độ chính xác của 2 thuật toán này dựa trên 4 phương pháp đánh giá: sai số bình phương trung bình (Mean Squared Error, MSE), lỗi trung bình bình phương gốc (Root Mean Square Error, RMSE), trung bình giá trị tuyệt đối của sai số (Mean Absolute Error, MAE) và hệ số xác định (The Coefficient of Determination, R2). Kết quả chỉ ra rằng mô hình sử dụng thuật toán XGBoost cho ra kết quả dự đoán (R2 = 0.93) chuẩn xác hơn mô hình sử dụng thuật toán LR (R2 = 0. Có thể nhận định, mỗi bộ dữ liệu tương thích với các phương pháp dự đoán khác nhau.
Vì thế cần lựa chọn và xây dựng nhiều phương pháp dự đoán khác nhau để đưa ra mô hình tối ưu nhất, tương thích với bộ dữ liệu. Đối tượng nghiên cứu Đề tài xây dựng mô hình dự đoán BXMT tại thủ đô Moscow, Liên bang Nga. Trong đó, biến đầu vào là giá trị BXMT, nhiệt độ, áp suất, độ ẩm, hướng gió, tốc độ gió, Unix time, Date, Thời gian, Thời gian MT mọc, Thời gian MT lặn và biến đầu ra là giá trị BXMT. Phạm vi nghiên cứu Bộ dữ liệu có sẵn từ Kaggle.
Đề tài sử dụng phần mềm Python làm công cụ lập trình và xây dựng 2 thuật toán. Tình hình nghiên cứu trong và ngoài nước liên quan đến đề tài 1.