I. Giới thiệu và Tổng quan
Luận văn thạc sĩ "Dự báo sản lượng điện năng lượng mặt trời nhà máy điện Sơn Mỹ 3-1 ứng dụng mạng neural nhân tạo" của tác giả Trần Thiện Phương Thông, chuyên ngành Quản lý Năng lượng, Trường Đại học Bách Khoa TP.HCM, tập trung vào việc ứng dụng công nghệ mạng neural nhân tạo (ANN) để dự báo sản lượng điện mặt trời. Đề tài xuất phát từ thực tế phát triển mạnh mẽ của năng lượng mặt trời tại Việt Nam và những thách thức đặt ra cho việc quản lý, vận hành lưới điện do tính chất biến động của nguồn năng lượng này. Luận văn nhấn mạnh tầm quan trọng của việc dự báo chính xác sản lượng điện mặt trời để tối ưu hóa việc vận hành hệ thống điện, giảm thiểu sự chênh lệch giữa sản lượng thực tế và dự báo. Tác giả đã chọn nhà máy điện Sơn Mỹ 3-1 làm trường hợp nghiên cứu, sử dụng dữ liệu thực tế về bức xạ, nhiệt độ, độ ẩm, gió... để xây dựng và kiểm tra mô hình. Phương pháp nghiên cứu bao gồm thu thập, xử lý dữ liệu, xây dựng mô hình ANN trên MATLAB, và cuối cùng là đánh giá hiệu quả của mô hình thông qua so sánh với dữ liệu thực tế. Luận văn đặt mục tiêu xây dựng mô hình ANN dự báo sản lượng điện mặt trời ngắn hạn với độ chính xác cao, đồng thời phân tích ảnh hưởng của các yếu tố đầu vào đến sản lượng điện.
II. Cơ sở lý thuyết và Phương pháp
Luận văn trình bày cơ sở lý thuyết về mạng neural nhân tạo, bao gồm các khái niệm cơ bản về học máy, cấu tạo của mạng neural, các cấu trúc mạng (hồi quy, truyền thẳng, cạnh tranh), và các chỉ số đánh giá sai số dự báo như MSE và MAPE. Tác giả cũng đề cập đến hiện tượng overfitting và underfitting, những vấn đề thường gặp trong huấn luyện mô hình. Trọng tâm của luận văn là việc ứng dụng ba mô hình ANN cụ thể: Multi-Layer Feedforward Neural Network (MLFFN), Long Short-Term Memory (LSTM), và Gated Recurrent Unit (GRU). Mỗi mô hình có những ưu điểm và nhược điểm riêng, phù hợp với các loại dữ liệu và bài toán khác nhau. Tác giả cũng giới thiệu phương pháp chuẩn hóa dữ liệu Standardization (z-score) và kỹ thuật ensemble, nhằm nâng cao hiệu quả của mô hình dự báo. Việc kết hợp các mô hình ANN khác nhau thông qua kỹ thuật ensemble giúp tận dụng điểm mạnh của từng mô hình và giảm thiểu sai số dự báo.
III. Ứng dụng và Kết quả
Chương này trình bày chi tiết quá trình ứng dụng các mô hình ANN vào dự báo sản lượng điện mặt trời tại nhà máy Sơn Mỹ 3-1. Tác giả mô tả quy trình thực hiện, bao gồm các bước đọc dữ liệu, chia dữ liệu thành các tập huấn luyện, kiểm tra và xác nhận, xây dựng và huấn luyện từng mô hình GRU, LSTM, và MLFFN. Kết quả dự báo của từng mô hình được đánh giá dựa trên các chỉ số sai số và được minh họa bằng các biểu đồ so sánh với dữ liệu thực tế. Cuối cùng, tác giả áp dụng kỹ thuật ensemble stacking để kết hợp dự báo từ ba mô hình thành một dự báo tổng hợp, nhằm cải thiện độ chính xác. Bảng so sánh kết quả sai số giữa các mô hình cho thấy mô hình ensemble đạt hiệu quả tốt nhất. Các hình ảnh và bảng biểu trong luận văn giúp minh họa rõ ràng quy trình thực hiện và kết quả đạt được.
IV. Kết luận và Hướng phát triển
Luận văn kết luận rằng việc ứng dụng mạng neural nhân tạo, đặc biệt là mô hình ensemble, mang lại hiệu quả tốt trong việc dự báo sản lượng điện mặt trời. Mô hình được xây dựng có khả năng dự báo sản lượng với độ chính xác cao, giúp tối ưu hóa quản lý và vận hành hệ thống điện. Tuy nhiên, tác giả cũng nhận thức được những hạn chế của nghiên cứu và đề xuất các hướng phát triển trong tương lai, bao gồm việc nghiên cứu và ứng dụng các mô hình ANN khác, kết hợp với các kỹ thuật tối ưu hóa khác để nâng cao hơn nữa độ chính xác của dự báo. Luận văn cũng đề cập đến việc mở rộng nghiên cứu cho các loại hình năng lượng tái tạo khác, góp phần vào sự phát triển bền vững của ngành năng lượng. Giá trị thực tiễn của luận văn được thể hiện ở khả năng ứng dụng vào thực tế vận hành hệ thống điện, giúp nâng cao hiệu quả quản lý nguồn năng lượng mặt trời.
