Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của năng lượng tái tạo, đặc biệt là điện mặt trời, việc dự báo sản lượng điện năng lượng mặt trời trở thành một vấn đề cấp thiết và đầy thách thức. Tại Việt Nam, đến cuối năm 2020, tổng công suất điện mặt trời tập trung và mái nhà đã đạt gần 16.491 MW, sản xuất khoảng 13 tỷ kWh điện, đánh dấu sự tăng trưởng vượt bậc trong khu vực Đông Nam Á. 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 quốc gia. Tuy nhiên, đặc tính biến động và không ổn định của nguồn điện mặt trời gây ra nhiều khó khăn trong quản lý và vận hành hệ thống điện, đòi hỏi các giải pháp dự báo chính xác để tối ưu hóa vận hành và đảm bảo ổn định lưới điện.

Luận văn tập trung nghiên cứu xây dựng mô hình dự báo sản lượng điện năng lượng mặt trời ngắn hạn cho Nhà máy điện mặt trời Sơn Mỹ 3-1, sử dụng mạng neural nhân tạo (Artificial Neural Networks - ANN) kết hợp các mô hình LSTM và GRU nhằm nâng cao độ chính xác dự báo. Dữ liệu nghiên cứu thu thập từ trạm thời tiết và sản lượng điện của nhà máy trong khoảng thời gian từ 01/07/2019 đến 01/07/2021, bao gồm các thông số như bức xạ mặt trời (GHI, POA), nhiệt độ tấm pin, nhiệt độ không khí, độ ẩm, tốc độ và hướng gió. Mục tiêu nghiên cứu nhằm phát triển mô hình dự báo hiệu quả, giảm thiểu sai số dự báo, hỗ trợ các đơn vị quản lý năng lượng trong việc lập kế hoạch và vận hành hệ thống điện mặt trời một cách tối ưu.

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 giải quyết bài toán dự báo sản lượng điện mặt trời. Hai mô hình chính được áp dụng là:

  • Mạng Multi-Layer Feedforward Neural Network (MLFFN): Mạng truyền thẳng nhiều lớp, có khả năng xử lý dữ liệu phi tuyến tính, với các lớp đầu vào, lớp ẩn và lớp đầu ra. Mỗi nơ-ron trong lớp ẩn thực hiện tính tổng trọng số đầu vào và áp dụng hàm kích hoạt phi tuyến để tạo ra đầu ra.

  • Mạng Long Short-Term Memory (LSTM): Mạng neural hồi quy có khả năng ghi nhớ thông tin dài hạn nhờ các cổng điều khiển (cổng quên, cổng đầu vào, cổng đầu ra), giúp xử lý hiệu quả các chuỗi dữ liệu thời gian và giảm thiểu hiện tượng mất mát thông tin.

  • Mạng Gated Recurrent Unit (GRU): Phiên bản đơn giản hơn của LSTM, sử dụng hai cổng chính là cổng reset và cổng cập nhật để kiểm soát thông tin lưu giữ và cập nhật trạng thái ẩn, giúp giảm số lượng tham số và tăng tốc độ huấn luyện.

Ngoài ra, kỹ thuật chuẩn hóa dữ liệu z-score được sử dụng để chuẩn hóa các biến đầu vào, đảm bảo dữ liệu có trung bình bằng 0 và độ lệch chuẩn bằng 1, giúp mô hình học hiệu quả hơn. Phương pháp ensemble stacking được áp dụng để kết hợp dự báo từ các mô hình trên, tận dụng ưu điểm của từng mô hình nhằm nâng cao độ chính xác tổng thể.

Các khái niệm chính bao gồm: sai số toàn phương trung bình (MSE), phần trăm sai số tuyệt đối trung bình (MAPE), hiện tượng overfitting và underfitting trong học máy.

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 dữ liệu thời tiết và sản lượng điện từ ngày 01/07/2019 đến 01/07/2021, đo đạc mỗi 30 phút trong khoảng thời gian từ 5h30 đến 18h00 hàng ngày. Các thông số 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), hướng gió (Wind_Dir).

Phương pháp phân tích bao gồm:

  • Tiền xử lý dữ liệu: chuẩn hóa z-score, xử lý thiếu hụt và loại bỏ dữ liệu nhiễu.

  • Chia dữ liệu thành tập huấn luyện, tập kiểm tra và tập xác nhận theo tỷ lệ phù hợp để đảm bảo tính khách quan trong đánh giá mô hình.

  • Xây dựng và huấn luyện các mô hình MLFFN, LSTM, GRU trên MATLAB với các tham số được tối ưu hóa.

  • Áp dụng kỹ thuật ensemble stacking để kết hợp dự báo từ các mô hình trên.

  • Đánh giá hiệu suất mô hình dựa trên các chỉ số MSE và MAPE.

Timeline nghiên cứu kéo dài từ tháng 2 đến tháng 6 năm 2023, bao gồm các bước thu thập dữ liệu, xây dựng mô hình, huấn luyện, đánh giá và hoàn thiện luận văn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu suất dự báo của các mô hình: Mô hình ensemble stacking cho kết quả dự báo tốt nhất với MSE giảm khoảng 15% so với mô hình MLFFN đơn lẻ và MAPE đạt dưới 3%, thể hiện sự cải thiện rõ rệt về độ chính xác dự báo.

  2. Ảnh hưởng của các yếu tố đầu vào: Bức xạ mặt trời (GHI, POA) và nhiệt độ tấm pin là các yếu tố có ảnh hưởng lớn nhất đến sản lượng điện, chiếm tỷ lệ ảnh hưởng trên 70% trong mô hình. Độ ẩm và tốc độ gió có ảnh hưởng thấp hơn nhưng vẫn đóng vai trò trong việc điều chỉnh dự báo.

  3. So sánh mô hình LSTM và GRU: Mô hình LSTM có độ chính xác cao hơn GRU khoảng 5% về MAPE, tuy nhiên GRU có ưu điểm về tốc độ huấn luyện nhanh hơn 20%, phù hợp với các ứng dụng cần xử lý thời gian thực.

  4. Tác động của kích thước dữ liệu và số lớp ẩn: Tăng kích thước dữ liệu huấn luyện từ 1 năm lên 2 năm giúp giảm sai số dự báo trung bình 10%. Số lớp ẩn tối ưu là 2-3 lớp, vượt quá số lớp này dẫn đến hiện tượng overfitting, làm giảm hiệu quả dự báo.

Thảo luận kết quả

Kết quả cho thấy việc kết hợp các mô hình mạng neural nhân tạo bằng kỹ thuật ensemble stacking giúp tận dụng ưu điểm của từng mô hình, giảm thiểu sai số và tăng độ tin cậy của dự báo sản lượng điện mặt trời. Sự ảnh hưởng chủ yếu của các yếu tố bức xạ mặt trời và nhiệt độ tấm pin phù hợp với các nghiên cứu trước đây, khẳng định tính hợp lý của mô hình.

So với các phương pháp truyền thống như Linear Regression hay Ratio-based Scaling, mô hình ANN cho độ chính xác cao hơn đáng kể, giảm sai số MAPE từ khoảng 5-7% xuống dưới 3%. Việc sử dụng dữ liệu thời gian dài và đa dạng giúp mô hình học được các mẫu phức tạp và biến động của sản lượng điện mặt trời theo mùa và thời tiết.

Biểu đồ so sánh sai số dự báo giữa các mô hình (MLFFN, LSTM, GRU, Ensemble) minh họa rõ sự vượt trội của mô hình tổng hợp. Bảng thống kê chi tiết các chỉ số MSE, MAPE trên tập kiểm tra và xác nhận cũng cho thấy sự ổn định và khả năng tổng quát hóa của mô hình.

Tuy nhiên, mô hình vẫn còn hạn chế khi gặp các điều kiện thời tiết bất thường hoặc dữ liệu thiếu hụt, đòi hỏi nghiên cứu tiếp tục cải tiến thuật toán và mở rộng dữ liệu đầu vào.

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 stacking trên nền tảng phần mềm quản lý vận hành để cung cấp dự báo sản lượng chính xác, giúp tối ưu hóa kế hoạch vận hành và giảm thiểu rủi ro mất cân bằng công suất. Thời gian thực hiện: 6-12 tháng; chủ thể: các công ty vận hành nhà máy điện mặt trời.

  2. Mở rộng thu thập dữ liệu đa dạng và liên tục: Tăng cường hệ thống đo đạc các thông số thời tiết và sản lượng điện tại nhiều vị trí khác nhau để nâng cao chất lượng dữ liệu đầu vào, từ đó cải thiện độ chính xác mô hình. Thời gian thực hiện: liên tục; chủ thể: Trung tâm điều độ hệ thống điện và các nhà đầu tư dự án.

  3. Nâng cao năng lực phân tích và vận hành dựa trên AI: Đào tạo nhân lực chuyên môn về mạng neural nhân tạo và học máy trong lĩnh vực năng lượng để phát triển và vận hành các mô hình dự báo hiện đại. Thời gian thực hiện: 12 tháng; chủ thể: các trường đại học, viện nghiên cứu và doanh nghiệp năng lượng.

  4. Phát triển hệ thống lưu trữ năng lượng và điều khiển tải thông minh: Kết hợp dự báo sản lượng chính xác với các giải pháp lưu trữ và điều khiển tải để tăng tính ổn định và hiệu quả của hệ thống điện mặt trời. Thời gian thực hiện: 2-3 năm; chủ thể: Bộ Công Thương, EVN và các nhà đầu tư.

Đối tượng nên tham khảo luận văn

  1. Các nhà quản lý và vận hành hệ thống điện: Luận văn cung cấp phương pháp dự báo sản lượng điện mặt trời chính xác, giúp họ lập kế hoạch vận hành và điều phối nguồn điện hiệu quả, giảm thiểu rủi ro mất cân bằng công suất.

  2. Các nhà đầu tư và phát triển dự án năng lượng tái tạo: Thông tin về mô hình dự báo và các yếu tố ảnh hưởng giúp đánh giá hiệu suất dự án, hỗ trợ quyết định đầu tư và phát triển bền vững.

  3. 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 nghiên cứu và ứng dụng thực tiễn của mạng neural nhân tạo trong dự báo sản lượng điện mặt trời, là tài liệu tham khảo quý giá.

  4. Các đơn vị phát triển phần mềm và công nghệ AI trong lĩnh vực năng lượng: Cung cấp hướng tiếp cận xây dựng mô hình dự báo kết hợp nhiều mạng neural, kỹ thuật tiền xử lý và ensemble stacking, hỗ trợ phát triển các giải pháp công nghệ mới.

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 theo thời gian, trong khi các phương pháp truyền thống thường dựa trên giả định tuyến tính và khó xử lý dữ liệu phức tạp.

  2. Tại sao cần kết hợp nhiều mô hình mạng neural trong dự báo?
    Kỹ thuật ensemble stacking kết hợp ưu điểm của từng mô hình, giảm thiểu sai số cá nhân và tăng độ tin cậy của dự báo tổng thể, giúp mô hình thích ứng tốt hơn với các biến động dữ liệu thực tế.

  3. Các yếu tố thời tiết nào ảnh hưởng nhiều nhất đến sản lượng điện mặt trời?
    Bức xạ mặt trời (GHI, POA) và nhiệt độ tấm pin là hai yếu tố chính ảnh hưởng lớn nhất, chiếm trên 70% ảnh hưởng đến sản lượng điện, trong khi độ ẩm và tốc độ gió có ảnh hưởng thấp hơn nhưng vẫn cần được xem xét.

  4. Làm thế nào để xử lý hiện tượng overfitting trong mô hình mạng neural?
    Có thể sử dụng kỹ thuật chuẩn hóa dữ liệu, điều chỉnh số lớp ẩn và số nơ-ron, áp dụng kỹ thuật regularization, dropout hoặc tăng kích thước dữ liệu huấn luyện để tránh mô hình học quá mức trên dữ liệu huấn luyện.

  5. Mô hình dự báo này có thể áp dụng cho các nhà máy điện mặt trời khác không?
    Có thể áp dụng nhưng cần điều chỉnh tham số và huấn luyện lại mô hình với dữ liệu đặc thù của từng nhà máy để đảm bảo độ chính xác, do đặc điểm địa lý và điều kiện thời tiết có thể khác nhau.

Kết luận

  • Luận văn đã xây dựng thành công mô hình dự báo sản lượng điện mặt trời ngắn hạn cho Nhà máy Sơn Mỹ 3-1, sử dụng mạng neural nhân tạo kết hợp LSTM, GRU và MLFFN với kỹ thuật ensemble stacking, đạt độ chính xác cao với MAPE dưới 3%.
  • Phân tích cho thấy bức xạ mặt trời và nhiệt độ tấm pin là các yếu tố ảnh hưởng chủ đạo đến sản lượng điện, giúp định hướng cải tiến mô hình và quản lý vận hành.
  • Mô hình ensemble giúp giảm sai số và tăng độ tin cậy so với các mô hình đơn lẻ, phù hợp với yêu cầu dự báo trong điều kiện biến động phức tạp của nguồn điện mặt trời.
  • Kết quả nghiên cứu có giá trị thực tiễn cao, hỗ trợ các đơn vị quản lý, vận hành và đầu tư trong lĩnh vực năng lượng tái tạo tại Việt Nam.
  • Đề xuất các bước tiếp theo bao gồm triển khai mô hình thực tế, mở rộng thu thập dữ liệu, đào tạo nhân lực và phát triển các giải pháp lưu trữ, điều khiển tải thông minh nhằm nâng cao hiệu quả hệ thống điện mặt trời.

Mời các đơn vị và cá nhân quan tâm áp dụng và phát triển mô hình dự báo này để góp phần thúc đẩy sự phát triển bền vững của ngành năng lượng tái tạo tại Việt Nam.