Luận Văn Thạc Sĩ Về Mô Hình Tự Động Dự Đoán Năng Suất Điện Năng Lượng Mặt Trời

Luận văn thạc sĩ nghiên cứu quản lý xây dựng mô hình tự động máy hỗ trợ véctơ ước lượng năng suất điện năng lượng mặt trời, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện

• Tác giả: Nguyễn Phúc Hạnh
• Người hướng dẫn: TS. Nguyễn Đăng Trình
• Trường học: Đại học Quốc gia TP.HCM
• Chuyên ngành: Quản lý xây dựng
• Đề tài: Mô Hình Tự Động Dự Đoán Năng Suất Điện Năng Lượng Mặt Trời Trong Quản Lý Xây Dựng
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• NHIỆM VỤ LUẬN VĂN THẠC SĨ
• LỜI CAM ĐOAN
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG BIỂU
• DANH MỤC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG
• 1.1. MỤC TIÊU ĐỀ TÀI
• 1.2. PHẠM VI NGHIÊN CỨU
• 1.3. ĐÓNG GÓP NGHIÊN CỨU
• 1.3.1. Đóng góp về mặt học thuật
• 1.3.2. Đóng góp về mặt thực tiễn
• 2. CHƯƠNG 2: TỔNG QUAN VÀ CƠ SỞ LÝ THUYẾT
• 2.1. TỔNG QUAN VỀ NĂNG LƯỢNG ĐIỆN
• 2.1.1. Tổng quan năng lượng điện trên thế giới
• 2.1.2. Tổng quan năng lượng điện trong nước
• 2.1.3. Khái niệm tổng quan về điện năng lượng mặt trời
• 2.2. TÌNH HÌNH NGHIÊN CỨU
• 2.3. TỔNG QUAN CÁC THUẬT TOÁN TRÍ TUỆ NHÂN TẠO
• 2.3.1. Các khái niệm về thuật toán trí tuệ nhân tạo
• 2.3.2. Khái niệm học máy (Machine Learning)
• 2.4. THUẬT TOÁN MÁY HỖ TRỢ VÉC-TƠ
• 2.5. THUẬT TOÁN LEAST SQUARE SUPPORT VECTOR MACHINE
• 2.5.1. Ưu điểm và nhược điểm
• 2.6. THUẬT TOÁN TIẾN HÓA VI PHÂN
• 2.6.1. Ưu điểm và nhược điểm
• 2.7. PHƯƠNG PHÁP KIỂM CHỨNG CHÉO DỮ LIỆU
• 2.7.1. Kỹ thuật kiểm chứng chéo k-fold
• 2.8. PHƯƠNG PHÁP ĐÁNH GIÁ HIỆU SUẤT MÔ HÌNH
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. NỘI DUNG VÀ QUÁ TRÌNH NGHIÊN CỨU
• 3.2. PHƯƠNG PHÁP THU THẬP DỮ LIỆU
• 3.2.1. Xác định các nhân tố ảnh hưởng
• 3.2.2. Thu thập dữ liệu đo lường năng suất điện năng lượng mặt trời
• 3.3. CÔNG CỤ NGHIÊN CỨU
• 3.3.1. Phần mềm Matlab
• 3.3.2. Công cụ khác
• 4. CHƯƠNG 4: THU THẬP DỮ LIỆU VÀ XÂY DỰNG MÔ HÌNH DỰ BÁO
• 4.1. THU THẬP DỮ LIỆU
• 4.2. THỰC HIỆN MÔ HÌNH
• 4.2.1. Trình tự thực hiện và đánh giá các mô hình
• 4.2.2. Quy trình xây dựng các mô hình
• 4.2.3. Chia fold kiểm chứng chéo dữ liệu
• 4.2.4. Thực hiện mô hình trên phần mềm Matlab
• 4.3. KẾT QUẢ ĐÁNH GIÁ CÁC MÔ HÌNH
• 4.3.1. Kết quả đánh giá mô hình LSSVM
• 4.3.2. Kết quả đánh giá mô hình LSSVM kết hợp DE
• 4.4. TỔNG HỢP VÀ NHẬN XÉT KẾT QUẢ ĐÁNH GIÁ CÁC MÔ HÌNH
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. ĐỀ XUẤT HƯỚNG NGHIÊN CỨU TIẾP THEO
• DANH MỤC CÔNG TRÌNH ĐÃ CÔNG BỐ
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC A - DỮ LIỆU NGHIÊN CỨU
• Dữ liệu đo lường
• Dữ liệu đo lường sau khi chia fold
• PHỤ LỤC B – TRÌNH TỰ THỰC HIỆN MÔ HÌNH TRONG PHẦN MỀM MATLAB
• PHỤ LỤC C - KẾT QUẢ DỰ ĐOÁN NĂNG SUẤT DỰ ÁN ĐIỆN NĂNG LƯỢNG MẶT TRỜI VÀ ĐÁNH GIÁ MÔ HÌNH DỰA TRÊN BỘ DỮ LIỆU KIỂM TRA
• Kết quả dự đoán và chỉ số đánh giá của mô hình sử dụng thuật toán LSSVM
• Kết quả dự đoán và chỉ số đánh giá của mô hình sử dụng thuật toán LSSVM kết hợp DE
• PHỤ LỤC D - MÔ HÌNH THUẬT TOÁN
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Tổng Quan Về Mô Hình Tự Động Dự Đoán Năng Suất Điện Năng Lượng Mặt Trời

Mô hình tự động dự đoán năng suất điện năng lượng mặt trời đang trở thành một công cụ quan trọng trong quản lý xây dựng. Nhu cầu năng lượng ngày càng tăng, cùng với sự phát triển của công nghệ, đã thúc đẩy việc áp dụng các mô hình này. Mô hình giúp nhà đầu tư xác định năng suất dự án trước khi quyết định đầu tư, từ đó tối ưu hóa nguồn lực và giảm thiểu rủi ro.

1.1. Khái Niệm Về Mô Hình Dự Đoán Năng Suất

Mô hình dự đoán năng suất điện năng lượng mặt trời sử dụng các thuật toán trí tuệ nhân tạo để phân tích dữ liệu và đưa ra dự đoán chính xác về sản lượng điện. Các yếu tố như điều kiện thời tiết, vị trí lắp đặt và loại hình dự án đều được xem xét.

1.2. Lợi Ích Của Việc Sử Dụng Mô Hình Dự Đoán

Việc sử dụng mô hình tự động giúp nhà đầu tư tiết kiệm thời gian và chi phí. Nó cung cấp thông tin cần thiết để đưa ra quyết định đầu tư chính xác hơn, đồng thời giảm thiểu rủi ro trong quá trình triển khai dự án.

II. Vấn Đề Và Thách Thức Trong Dự Đoán Năng Suất Điện Năng Lượng Mặt Trời

Dự đoán năng suất điện năng lượng mặt trời gặp nhiều thách thức do sự biến động của các yếu tố môi trường. Các yếu tố như thời tiết, ô nhiễm không khí và vị trí địa lý có thể ảnh hưởng lớn đến kết quả dự đoán. Do đó, việc phát triển mô hình chính xác là rất cần thiết.

2.1. Các Yếu Tố Ảnh Hưởng Đến Năng Suất

Năng suất điện năng lượng mặt trời bị ảnh hưởng bởi nhiều yếu tố như ánh sáng mặt trời, nhiệt độ và độ ẩm. Việc phân tích các yếu tố này giúp cải thiện độ chính xác của mô hình dự đoán.

2.2. Khó Khăn Trong Việc Thu Thập Dữ Liệu

Việc thu thập dữ liệu chính xác từ các dự án điện năng lượng mặt trời là một thách thức lớn. Dữ liệu không đầy đủ hoặc không chính xác có thể dẫn đến sai lệch trong kết quả dự đoán.

III. Phương Pháp Xây Dựng Mô Hình Dự Đoán Năng Suất Điện Năng Lượng Mặt Trời

Để xây dựng mô hình dự đoán năng suất điện năng lượng mặt trời, các phương pháp như thuật toán Least Square Support Vector Machine (LSSVM) và Differential Evolution (DE) được áp dụng. Những phương pháp này giúp tối ưu hóa quá trình dự đoán và nâng cao hiệu suất mô hình.

3.1. Thuật Toán LSSVM Trong Dự Đoán

Thuật toán LSSVM là một công cụ mạnh mẽ trong việc dự đoán năng suất điện năng lượng mặt trời. Nó giúp phân tích dữ liệu và đưa ra dự đoán chính xác dựa trên các yếu tố đầu vào.

3.2. Ứng Dụng Thuật Toán DE Để Tối Ưu Hóa

Thuật toán DE được sử dụng để tối ưu hóa các tham số trong mô hình LSSVM, từ đó nâng cao độ chính xác của dự đoán. Việc kết hợp hai thuật toán này đã chứng minh hiệu quả vượt trội trong các nghiên cứu trước đây.

IV. Ứng Dụng Thực Tiễn Của Mô Hình Dự Đoán Năng Suất Điện Năng Lượng Mặt Trời

Mô hình dự đoán năng suất điện năng lượng mặt trời không chỉ giúp nhà đầu tư trong việc ra quyết định mà còn có thể ứng dụng trong việc quản lý và vận hành các dự án điện mặt trời. Kết quả nghiên cứu cho thấy mô hình có thể cải thiện hiệu suất và giảm thiểu chi phí.

4.1. Tối Ưu Hóa Quy Trình Đầu Tư

Mô hình giúp nhà đầu tư xác định vị trí và quy mô dự án tối ưu, từ đó nâng cao khả năng sinh lời. Việc dự đoán chính xác năng suất cũng giúp giảm thiểu rủi ro trong đầu tư.

4.2. Cải Thiện Hiệu Suất Vận Hành

Mô hình dự đoán còn hỗ trợ trong việc quản lý và vận hành hệ thống điện mặt trời, giúp tối ưu hóa việc sử dụng tài nguyên và nâng cao hiệu suất hoạt động.

V. Kết Luận Và Tương Lai Của Mô Hình Dự Đoán Năng Suất Điện Năng Lượng Mặt Trời

Mô hình tự động dự đoán năng suất điện năng lượng mặt trời đang mở ra nhiều cơ hội cho ngành quản lý xây dựng. Tương lai của mô hình này hứa hẹn sẽ tiếp tục phát triển với sự hỗ trợ của công nghệ AI và các thuật toán tiên tiến.

5.1. Triển Vọng Phát Triển Mô Hình

Với sự phát triển không ngừng của công nghệ, mô hình dự đoán sẽ ngày càng chính xác hơn. Các nghiên cứu tiếp theo có thể mở rộng ứng dụng của mô hình trong nhiều lĩnh vực khác nhau.

5.2. Đóng Góp Của Nghiên Cứu Đối Với Ngành Năng Lượng

Nghiên cứu này không chỉ đóng góp vào việc phát triển mô hình dự đoán mà còn cung cấp dữ liệu quý giá cho các nghiên cứu tiếp theo trong lĩnh vực năng lượng tái tạo.

Nội dung chính

Tổng quan nghiên cứu

Nhu cầu tiêu thụ điện năng tại Việt Nam được dự báo tăng trưởng bình quân trên 8% mỗi năm trong giai đoạn 2021-2030. Nhu cầu phụ tải điện toàn quốc dự kiến tăng mạnh từ mức 86 tỷ kWh vào năm 2010 lên 265 đến 278 tỷ kWh vào năm 2020, và ước tính đạt 572 đến 632 tỷ kWh vào năm 2030. Để đáp ứng tốc độ tăng trưởng này, hệ thống năng lượng quốc gia cần bổ sung khoảng 6.000 MW công suất nguồn điện mỗi năm với tổng nhu cầu vốn đầu tư ước tính lên đến 148 tỷ USD tính đến năm 2030. Trong bối cảnh nguồn nhiên liệu hóa thạch dần cạn kiệt và thủy điện lớn không còn nhiều dư địa khai thác, phát triển điện năng lượng mặt trời là xu thế tất yếu. Tính đến giai đoạn 2020-2021, cả nước đã có 332 dự án điện mặt trời đăng ký với tổng công suất 26.290 MWp, trong đó 121 dự án với công suất 7.234 MWp đã hòa lưới điện quốc gia.

Tuy nhiên, việc dự báo chính xác sản lượng điện mặt trời đối mặt với nhiều thách thức do sự biến động phức tạp của thời tiết, bức xạ mặt trời, nhiệt độ và vị trí lắp đặt. Các phương pháp tính toán truyền thống thường gặp sai số lớn do khó bao quát hết các phi tuyến tính trong tự nhiên. Nghiên cứu này được thực hiện nhằm xây dựng mô hình trí tuệ nhân tạo tự động hóa, kết hợp giữa thuật toán Máy hỗ trợ véc-tơ bình phương tối thiểu (Least Squares Support Vector Machine - LSSVM) và thuật toán Tiến hóa vi phân (Differential Evolution - DE) để ước lượng chính xác năng suất phát điện. Phạm vi nghiên cứu bao quát 100 dự án điện mặt trời thực tế trải dài từ Bắc vào Nam tại Việt Nam, thuộc 4 loại hình lắp đặt phổ biến: mái nhà dân dụng, mái nhà công nghiệp, nhà máy trên mặt đất và nhà máy trên mặt nước. Kết quả nghiên cứu giúp giảm thiểu rủi ro tài chính, tối ưu hóa công tác lập kế hoạch trong giai đoạn tiền khả thi và nâng cao hiệu quả vận hành với độ chính xác cao.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng nền tảng lý thuyết học thống kê và kỹ thuật học máy có giám sát với hai thuật toán cốt lõi:

Thứ nhất, thuật toán Máy hỗ trợ véc-tơ bình phương tối thiểu (LSSVM). Đây là phiên bản cải tiến của mô hình Máy hỗ trợ véc-tơ (SVM) truyền thống do Vapnik đề xuất. LSSVM thay thế việc giải bài toán quy hoạch phi tuyến bậc hai phức tạp bằng việc giải một hệ phương trình tuyến tính thông qua việc sử dụng hàm mất mát sai số bình phương. Điều này giúp giảm đáng kể chi phí tính toán, tăng tốc độ xử lý ma trận dữ liệu lớn nhưng vẫn duy trì khả năng tổng quát hóa xuất sắc. Mô hình sử dụng hàm nhân bán kính xuyên tâm (Radial Basis Function - RBF) để ánh xạ không gian phi tuyến sang không gian đặc trưng nhiều chiều.

Thứ hai, thuật toán Tiến hóa vi phân (DE). Đây là phương pháp tối ưu hóa ngẫu nhiên dựa trên quần thể sinh học, bao gồm 4 giai đoạn tuần tự: khởi tạo quần thể, đột biến, lai ghép và chọn lọc tự nhiên. DE được sử dụng để tự động tìm kiếm bộ tham số tối ưu toàn cục gồm tham số chính quy hóa gamma và tham số độ rộng hạt nhân sigma cho LSSVM, khắc phục triệt để nhược điểm phụ thuộc vào việc thử sai thủ công của mô hình gốc.

Các khái niệm chính bao gồm: cường độ bức xạ mặt trời, sản lượng điện cụ thể theo năm (kWh/kWp), hàm nhân RBF và kỹ thuật tối ưu hóa siêu tham số.

Phương pháp nghiên cứu

Nguồn dữ liệu của đề tài được tổng hợp từ cơ sở dữ liệu đo lường thực địa chuẩn hóa của Global Solar Atlas, do Ngân hàng Thế giới (World Bank) và Tổ chức Tài chính Quốc tế (IFC) công bố, kết hợp cùng các khảo sát tại 100 dự án điện mặt trời trải rộng trên khắp các vùng khí hậu Việt Nam.

Cỡ mẫu nghiên cứu gồm 100 bộ dữ liệu dự án hoàn chỉnh. Phương pháp chọn mẫu áp dụng kỹ thuật phân tầng địa lý và đa dạng hóa hình thức lắp đặt nhằm đảm bảo tính đại diện cao. Từ 16 nhân tố ban đầu được sàng lọc qua hệ số tin cậy thang đo Cronbach's Alpha đạt 0.901, tác giả đã chọn lọc 9 biến đầu vào độc lập có khả năng định lượng trực tiếp: loại hình dự án (X1), độ cao địa hình (X2), quy mô công suất (X3), góc nghiêng và hướng tấm pin (X4), cường độ bức xạ phát ra (X5), chiếu xạ ngang toàn cầu (X6), chiếu xạ ngang khuếch tán (X7), nhiệt độ môi trường (X8) và số giờ nắng trong ngày (X9). Biến đầu ra (Y) là sản lượng điện quang điện hàng năm (kWh/kWp).

Phương pháp phân tích sử dụng kỹ thuật kiểm chứng chéo 10-fold cross-validation trên môi trường tính toán MATLAB. Bộ dữ liệu 100 mẫu được chia thành 10 phần bằng nhau, thực hiện 10 lượt huấn luyện với tỷ lệ 90% dữ liệu dùng để đào tạo và 10% dữ liệu dùng để kiểm tra độc lập cho mỗi lượt. Lý do chọn phương pháp này là nhằm hạn chế hiện tượng quá khớp (overfitting) và đảm bảo phương sai dự báo đạt mức thấp nhất. Timeline thực hiện nghiên cứu kéo dài từ tháng 09/2020 đến tháng 01/2022.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình huấn luyện và kiểm nghiệm trên 100 bộ dữ liệu thực tế đã mang lại các phát hiện khoa học quan trọng:

Thứ nhất, mô hình kết hợp DE-LSSVM có hiệu suất dự báo vượt trội hoàn toàn so với mô hình LSSVM đơn lẻ. Cả 4 chỉ số đo lường sai số bao gồm hệ số không tương quan (1-R), phần trăm sai số trung bình tuyệt đối (MAPE), sai số trung bình tuyệt đối (MAE) và sai số toàn phương trung bình (RMSE) của mô hình DE-LSSVM đều thấp hơn đáng kể so với mô hình đối chứng.

Thứ hai, nhóm các yếu tố vi khí hậu và bức xạ tự nhiên giữ vai trò quyết định đến năng suất hệ thống. Cường độ bức xạ trung bình tại Việt Nam đạt khoảng 5 kWh/m2 mỗi ngày cùng với chiếu xạ ngang toàn cầu là những biến số có trọng số ảnh hưởng lớn nhất đến biến thiên sản lượng đầu ra.

Thứ ba, sự thích ứng cao của mô hình trên 4 phân khúc lắp đặt: hệ thống trên mặt nước và trên mặt đất ghi nhận mức độ ổn định sản lượng cao hơn khoảng 5% đến 8% so với hệ thống áp mái dân dụng và công nghiệp, do điều kiện tản nhiệt và thông gió tự nhiên tốt hơn.

Thứ tư, phương pháp kiểm chứng chéo 10-fold giúp giảm thiểu độ lệch chuẩn của các phép thử xuống dưới mức 0.05, chứng minh tính ổn định tuyệt đối của thuật toán khi tiếp nhận dữ liệu từ các vùng bức xạ khác nhau.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình DE-LSSVM đạt độ chính xác vượt bậc là nhờ cơ chế tìm kiếm thông minh của thuật toán tiến hóa vi phân. Ở mô hình LSSVM truyền thống, việc xác định bộ đôi tham số gamma và sigma thường dựa trên cảm tính hoặc phương pháp lưới thủ công, dễ dẫn đến hiện tượng rơi vào điểm cực tiểu cục bộ. Thuật toán DE với chiến lược đột biến và xác suất lai ghép Cr đạt 0.8 đã quét toàn bộ không gian tham số, tự động xác lập điểm tối ưu toàn cục.

So với các nghiên cứu trước đây sử dụng mạng nơ-ron nhân tạo truyền thống (ANN) vốn đòi hỏi thời gian huấn luyện lâu và dễ bị quá khớp, hoặc mô hình hồi quy tuyến tính cổ điển vốn có sai số MAPE lên tới 12% đến 15%, mô hình DE-LSSVM chứng minh khả năng xử lý các quan hệ phi tuyến phức tạp với độ hội tụ nhanh hơn gấp nhiều lần.

Về mặt hiển thị trực quan, kết quả nghiên cứu có thể được biểu diễn sinh động thông qua biểu đồ phân tán hồi quy tuyến tính so sánh sản lượng thực tế và sản lượng dự báo, đi kèm biểu đồ cột thể hiện sự phân bổ sai số tuyệt đối qua 10 fold kiểm chứng. Qua các đồ thị này, các nhà quản lý dự án có thể quan sát trực tiếp mức độ bám sát của đường dự báo với dữ liệu thực tế tại từng địa phương.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm, 4 giải pháp thực tiễn được đề xuất nhằm nâng cao hiệu quả đầu tư và quản lý dự án năng lượng tái tạo:

Thứ nhất, tích hợp công cụ dự báo DE-LSSVM vào quy trình lập báo cáo nghiên cứu tiền khả thi (Pre-FS) của tất cả các dự án điện mặt trời mới. Mục tiêu là đưa sai số dự báo sản lượng hàng năm xuống dưới mức 3%, giúp xác định chính xác hiệu quả tài chính và thời gian hoàn vốn. Thời gian triển khai áp dụng khuyến nghị trong vòng 6 tháng tới. Chủ thể thực hiện là các chủ đầu tư, ban quản lý dự án và các đơn vị tư vấn thiết kế năng lượng.

Thứ hai, xây dựng và số hóa hệ thống cơ sở dữ liệu khí tượng bề mặt và bức xạ quang điện chuẩn hóa tại từng tỉnh thành. Cần thiết lập các trạm quan trắc tự động để cập nhật 9 chỉ số môi trường theo thời gian thực định kỳ hàng tháng. Chủ thể thực hiện là Bộ Công Thương phối hợp cùng Tập đoàn Điện lực Việt Nam (EVN).

Thứ ba, chuẩn hóa thiết kế kỹ thuật về góc nghiêng và hướng lắp đặt tấm pin quang điện dựa trên thuật toán tối ưu hóa theo tọa độ địa lý. Giải pháp này giúp gia tăng sản lượng điện thực tế từ 4% đến 6% mỗi năm mà không làm phát sinh thêm chi phí phần cứng. Thời gian hoàn thiện quy chuẩn kỹ thuật trong năm 2024. Chủ thể thực hiện là các tổng thầu EPC và kỹ sư thiết kế hệ thống.

Thứ tư, tổ chức các chương trình đào tạo chuyển giao công nghệ ứng dụng trí tuệ nhân tạo và học máy trong quản lý xây dựng công trình năng lượng cho ít nhất 80% đội ngũ kỹ sư và nhà quản lý dự án trước năm 2025. Chủ thể thực hiện là các trường đại học khối kỹ thuật và các hiệp hội năng lượng tái tạo.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả của luận văn mang lại giá trị thực tiễn cho 4 nhóm đối tượng chính:

Nhóm 1: Các chủ đầu tư và quỹ đầu tư tài chính năng lượng tái tạo. Luận văn cung cấp phương pháp luận chuẩn xác để thẩm định dòng tiền, dự báo doanh thu bán điện và đánh giá rủi ro địa lý trước khi ra quyết định đầu tư hàng triệu USD vào dự án.

Nhóm 2: Các nhà thầu EPC và kỹ sư thiết kế cơ điện. Luận văn là tài liệu tham khảo giá trị để lựa chọn loại hình lắp đặt, căn chỉnh góc nghiêng mô-đun và tính toán cấu hình hệ thống tối ưu theo từng vùng bức xạ cụ thể.

Nhóm 3: Các nhà nghiên cứu, giảng viên và học viên cao học chuyên ngành Quản lý xây dựng, Hệ thống năng lượng và Trí tuệ nhân tạo. Đề tài mở ra hướng tiếp cận học thuật chuyên sâu về việc kết hợp các thuật toán metaheuristic với học máy để giải quyết các bài toán kỹ thuật phức tạp.

Nhóm 4: Các cơ quan quản lý nhà nước và đơn vị điều độ hệ thống điện quốc gia. Luận văn hỗ trợ công tác dự báo phụ tải nguồn phát phân tán, từ đó lên kế hoạch điều độ lưới điện ổn định và hạn chế nguy cơ quá tải đường truyền.

Câu hỏi thường gặp

Mô hình DE-LSSVM có ưu điểm gì vượt trội so với các phần mềm mô phỏng truyền thống?

Mô hình DE-LSSVM có khả năng học trực tiếp từ dữ liệu vận hành thực tế của 100 dự án tại Việt Nam, phản ánh chính xác các yếu tố thất thoát do bụi bẩn, nhiệt độ cao và suy giảm hiệu suất. Mô hình xử lý phi tuyến tính tự động với tốc độ tính toán nhanh hơn, loại bỏ các giả định lý thuyết cứng nhắc của phần mềm mô phỏng thông thường.

Bộ dữ liệu 100 dự án được thu thập từ những nguồn nào và có độ tin cậy ra sao?

Dữ liệu được trích xuất từ nguồn Global Solar Atlas do Ngân hàng Thế giới và IFC bảo trợ, kết hợp số liệu đo đạc thực địa tại các trạm quan trắc năng lượng khắp ba miền Việt Nam. Thang đo dữ liệu đã được kiểm định độ tin cậy với hệ số Cronbach's Alpha đạt 0.901, đảm bảo tính khoa học và độ chuẩn xác cao.

Thuật toán Tiến hóa vi phân tối ưu hóa các tham số nào trong mô hình?

Thuật toán DE chịu trách nhiệm tự động hóa việc tìm kiếm hai tham số cốt lõi của mô hình LSSVM là tham số chính quy hóa gamma và tham số hạt nhân RBF sigma. Cơ chế đột biến và chọn lọc tự nhiên của DE giúp thuật toán tìm được cấu hình tối ưu toàn cục, hạn chế tối đa sai số dự báo.

Mô hình có thể áp dụng cho những loại hình dự án điện mặt trời nào?

Mô hình được thiết kế tương thích với cả 4 mô hình phổ biến tại Việt Nam bao gồm: điện mặt trời mái nhà dân dụng, điện mặt trời mái nhà xưởng công nghiệp, nhà máy điện mặt trời mặt đất và nhà máy điện mặt trời nổi trên mặt nước với dải công suất đa dạng từ vài chục kWp đến hàng trăm MWp.

Kỹ thuật kiểm chứng chéo 10-fold đóng vai trò gì trong việc nâng cao độ chính xác?

Kỹ thuật 10-fold cross-validation chia toàn bộ 100 mẫu thành 10 phần, thực hiện 10 chu kỳ huấn luyện và kiểm tra độc lập theo tỷ lệ 9 phần học và 1 phần kiểm tra. Phương pháp này ngăn ngừa hiện tượng quá khớp dữ liệu, đảm bảo mô hình giữ vững độ chính xác trên 95% khi áp dụng cho dự án mới.

Kết luận

Luận văn đã hoàn thành xuất sắc các mục tiêu nghiên cứu với những đóng góp nổi bật:

• Xây dựng thành công mô hình học máy kết hợp DE-LSSVM trên nền tảng MATLAB, cung cấp công cụ tự động hóa dự báo năng suất điện mặt trời với độ chính xác cao.
• Xác lập và kiểm chứng bộ 9 nhân tố ảnh hưởng cốt lõi đến sản lượng quang điện dựa trên tập dữ liệu thực nghiệm gồm 100 dự án trải dài toàn quốc.
• Chứng minh tính ưu việt của thuật toán tối ưu hóa tiến hóa vi phân trong việc tự động tinh chỉnh siêu tham số, khắc phục hạn chế của các phương pháp tính toán truyền thống.
• Đóng góp giải pháp khoa học thực tiễn cho các nhà đầu tư trong giai đoạn nghiên cứu tiền khả thi, giúp tối ưu hóa chi phí và giảm thiểu rủi ro tài chính.
• Mở ra hướng nghiên cứu mở rộng trong giai đoạn 2025-2030 về việc tích hợp thuật toán với dữ liệu viễn thám và hệ thống giám sát thời gian thực.

Các doanh nghiệp và kỹ sư công trình hãy ứng dụng ngay mô hình học máy thông minh này vào công tác quản lý dự án năng lượng tái tạo để tối đa hóa hiệu quả phát điện và thúc đẩy chuyển dịch năng lượng bền vững.

Trích đoạn nội dung tài liệu

ĐẶT VẤN ĐỀ Trước tình trạng dân số thế giới ngày càng tăng, đồng thời nền kinh tế toàn cầu phát triển mạnh mẽ, nhu cầu sử dụng năng lượng ngày càng tăng là một điều tất yếu, bên cạnh đó nguồn nhiên liệu hóa thạch đang dần cạn kiệt theo từng ngày. Điều này là một trong những lý do dẫn đến việc năng lượng tái tạo đã được thiết lập trên toàn cầu như một nguồn phát điện chính trong khoảng một thập kỷ qua [1]. Trong khi đó, nguồn năng lượng thủy điện từ các nhà máy thủy điện ngày càng bị hạn chế do sự tác động tới môi trường trong suốt quá trình khai thác lâu dài. Các nghiên cứu trước đây đã chứng minh rằng các nguồn năng lượng tái tạo, đặc biệt là năng lượng mặt trời và gió, có thể là những lựa chọn thay thế phù hợp cho các nguồn năng lượng truyền thống để đáp ứng nhu cầu toàn cầu và bảo vệ môi trường khí quyển [2].

Tỷ trọng năng lượng tái tạo trong sản xuất điện tiếp tục tăng trên khắp thế giới trong những năm gần đây, với nhu cầu ngày càng tăng về năng lượng tái tạo nói riêng và năng lượng điện nói chung trên toàn thế giới dẫn đến cuộc khủng hoảng năng lượng toàn cầu. Điều này đã thúc đẩy nhiều nhà khoa học tham gia điều tra, nghiên cứu phát triển nhiều nguồn năng lượng tái tạo khác nhau, đặc biệt là năng lượng mặt trời đồng thời phát triển các phương pháp, kỹ thuật chuyển đổi bức xạ mặt trời thành điện năng nhằm mang lại hiệu suất tối ưu [3]. Việc dự báo sản lượng điện năng lượng mặt trời bị ảnh hưởng bởi nhiều yếu tố như điều kiện thời tiết, vị trí lắp đặt, môi trường xung quanh, loại hình và quy mô dự án khác nhau,. Do đó, việc dự báo chính xác sản lượng điện mặt trời là khá khó khăn, rất cần thiết trong việc tối ưu sử dụng nguồn tài nguyên này và cực kỳ quan trọng đối với nền công nghiệp điện mặt trời đồng thời là căn cứ thúc đẩy sự triển khai trên quy mô lớn.

Có nhiều phương pháp khác nhau đã được áp dụng để dự báo các nguồn năng lượng mặt trời [2]. Hiện nay các thuật toán trí tuệ nhân tạo (Artificial Intelligence - AI) được ứng dụng rất rộng rãi trong quản lý xây dựng với khả năng “học” từ các dữ liệu trong quá khứ. Đối với hệ thống điện mặt trời, AI có thể tham gia vào tất cả các khía cạnh của việc thiết kế hệ thống quang điện như điều khiển, giám sát và nghiên cứu nhằm hướng tới các hệ thống quang điện thông minh trong tương lai [3]. HVTH: fNguyễn fPhúc fHạnh f Trang 1 GVHD1: fTS.

fNguyễn fĐăng fTrình Luận fvăn thạc sĩ GVHD2: fPGS. fTrần fĐức fHọc Việc ứng dụng trí tuệ nhân tạo tự động hóa quá trình ước lượng năng suất điện mặt trời thông qua công suất sản sinh quang điện dựa trên các số liệu đo đạc thực tế và yếu tố ảnh hưởng khách quan không chỉ để tăng hiệu quả dự báo, mà còn để loại trừ các yếu tố sai sót do các yếu tố chủ quan do không lường hết các điều kiện ảnh hưởng khi ước lượng bằng các phương pháp tính toán truyền thống thông thường. Trong những thuật toán trí tuệ nhân tạo được sử dụng phổ biến hiện nay, phương pháp học máy (Machine Learning) sử dụng kỹ thuật học có giám sát (Supervised Learning) là một trong những phương pháp được sử dụng nhiều trong các nghiên cứu khoa học trong lĩnh vực khai phá dữ liệu. Căn cứ vào đó, đồng thời dựa trên các nghiên cứu trước, tác giả nhận thấy việc sử dụng thuật toán Least Square Support Vector Machine (LSSVM) là một phiên bản điều chỉnh của thuật toán Máy hỗ trợ véc-tơ (Support Vector Machine) kết hợp với thuật toán Tiến hóa vi phân (Differential Evolution) trên mang lại hiệu quả cao trong các vấn đề của lĩnh vực khai phá dữ liệu, luận văn đề xuất sử dụng kết hợp hai thuật toán này để xây dựng, thực hiện và đánh giá mô hình dự đoán năng suất dự án điện năng lượng mặt trời.

Để mô hình dự đoán đạt hiệu quả cao, luận văn tổng hợp và sử dụng một số kết quả nghiên cứu của các nghiên cứu trước và sử dụng tập dữ liệu được thu thập từ những nguồn dữ liệu đo lường thực tế uy tín có thể được sử dụng cho các nghiên cứu khoa học. MỤC TIÊU ĐỀ TÀI Nhìn chung, đề tài này đem lại mục tiêu chính là tìm ra và ứng dụng thuật toán trí tuệ nhân tạo tối ưu để dự đoán công suất sản xuất năng lượng điện mặt trời ở Việt Nam. Phân tích cụ thể hơn nữa, đề tài giúp làm rõ hơn sự ảnh hưởng của các nhân tố ảnh hưởng chính đến công suất của các dự án sản xuất năng lượng mặt trời ở Việt Nam được tổng hợp từ các nghiên cứu trước. Đồng thời, căn cứ vào dữ liệu từ các nghiên cứu trước, đề tài còn xây dựng nên các mô hình sử dụng thuật toán trí tuệ nhân tạo (Artificial intelligence - AI) và phương pháp học máy (Machine Learning) nhằm ước tính công suất sản xuất năng lượng mặt trời hiệu quả cao và phân tích đề xuất mô hình tối ưu trong các mô hình được đề cập đến.

PHẠM VI NGHIÊN CỨU Về phạm vi địa lý, các dự án điện năng lượng mặt trời được nghiên cứu trong nước Việt Nam, được tổng hợp đầy đủ ở tất cả các vùng khí hậu khác nhau. HVTH: fNguyễn fPhúc fHạnh f Trang 2 GVHD1: fTS. fNguyễn fĐăng fTrình Luận fvăn thạc sĩ GVHD2: fPGS. fTrần fĐức fHọc Loại hình các dự án điện năng lượng mặt trời được khảo sát trải đều ở 4 loại hình dự án được xây dựng phổ biến hiện tại như: hệ thống điện mặt trời trên mái nhà dân dụng, hệ thống điện mặt trời trên mái nhà công nghiệp, hệ thống nhà máy điện năng lượng mặt trời trên mặt đất, hệ thống nhà máy điện năng lượng mặt trời trên mặt nước.

Về phương pháp nghiên cứu, luận văn sử dụng các thuật toán trí tuệ nhân tạo nói chung và sử dụng kỹ thuật học máy nói riêng, cụ thể luận văn nghiên cứu sử dụng thuật toán LSSVM và DE để dự đoán năng suất dự án điện năng lượng mặt trời. ĐÓNG GÓP NGHIÊN CỨU 1. Đóng góp về mặt học thuật Nghiên cứu tổng hợp bộ dữ liệu đo lường thực tế gồm 100 dự án điện năng lượng mặt trời ở Việt Nam trải khắp đất nước từ Miền Bắc vào Miền Nam. Bên cạnh đó, nghiên cứu còn đóng góp mô hình thuật toán học máy LSSVM và tiến hóa vi phân (DE) được xây dựng trên phần mềm Matlab, đồng thời chỉ ra kết quả đánh giá mô hình sử dụng thuật toán LSSVM kết hợp DE là tối ưu hơn so với mô hình chỉ sử dụng thuật toán LSSVM.

Đóng góp về mặt thực tiễn Thông qua kết quả của nghiên cứu, các nhà đầu tư có thể lựa chọn vị trí xây dựng và ước lượng được năng suất dự án điện năng lượng mặt trời trong giai đoạn thực hiện nghiên cứu tiền khả thi dự án đầu tư. Đồng thời, các nhà đầu tư cũng có thể dự báo được năng suất của dự án khi thay đổi quy mô dự án. Từ đó dựa vào nghiên cứu này, nhà đầu tư có thêm giải pháp để ước tính được năng suất và lợi nhuận mang lại trước khi thực hiện dự án và vạch ra trước kế hoạch thực hiện dự án. HVTH: fNguyễn fPhúc fHạnh f Trang 3 GVHD1: fTS.

fNguyễn fĐăng fTrình Luận fvăn thạc sĩ GVHD2: fPGS. fTrần fĐức fHọc CHƯƠNG 2 - TỔNG QUAN VÀ CƠ SỞ LÝ THUYẾT 2. TỔNG QUAN VỀ NĂNG LƯỢNG ĐIỆN 2. Tổng quan năng lượng điện trên thế giới Sự xuất hiện và lây lan nhanh chóng của COVID-19 vào cuối năm 2019 đã biến thành đại dịch toàn cầu vào đầu năm 2020, gây ra một cuộc khủng hoảng kinh tế và sức khỏe toàn cầu, chính điều này cũng góp phần ảnh hưởng đến vấn đề năng lượng trên toàn thế giới.

Dữ liệu của các quốc gia đại diện cho hơn một phần ba nhu cầu điện toàn cầu cho thấy mỗi tháng đóng cửa hoàn toàn làm giảm nhu cầu điện trung bình 20%. Riêng trong quý đầu của năm 2020, nhu cầu điện toàn cầu giảm 2,5%, và nhu cầu về than và dầu lần lượt giảm gần 8% và 5%. Năng lượng tái tạo là nguồn điện duy nhất ghi nhận tăng trưởng nhu cầu trong giai đoạn này, do chi phí vận hành thấp và khả năng tiếp cận mạng lưới điện ưu đãi [4]. Trong các nguồn năng lượng tái tạo, năng lượng gió và mặt trời đã trở thành nguồn điện chính và ngày càng có giá thành cạnh tranh với các nhà máy điện sử dụng nhiên liệu hóa thạch.

Gần như ở khắp mọi nơi trên thế giới, sản xuất điện từ năng lượng tái tạo tiết kiệm chi phí hơn so với sản xuất từ các nhà máy nhiệt điện than [5]. Theo thống kê tính đến năm 2018, năng lượng tái tạo hiện đại (không bao gồm năng lượng sinh khối truyền thống) chiếm khoảng 11% tổng mức tiêu thụ năng lượng (Total Final Energy Consumption – TFEC). Trong đó, phần lớn nhất là điện tái tạo (5,7% TFEC), tiếp theo là nhiệt tái tạo (4,3%) và nhiên liệu sinh học vận tải (1,0%) [4].2% Năng lượng hạt nhân Nhiên liệu hóa thạch 6.9% Năng lượng gió, mặt trời, Sinh học Sinh khối sinh khối, địa nhiệt vận tải truyền thống 2.6% đại Năng lượng thủy điện 4.3% Sinh khối, mặt trời, địa nhiệt Hình 2. Tỷ lệ năng lượng tái tạo ước tính của tổng mức tiêu thụ năng lượng 2018 [4] HVTH: fNguyễn fPhúc fHạnh f Trang 4 GVHD1: fTS.

fNguyễn fĐăng fTrình Luận fvăn thạc sĩ GVHD2: fPGS. fTrần fĐức fHọc Năng lượng tái tạo đang phát triển ở tất cả các nơi trên thế giới. Trên toàn cầu, 32 quốc gia đã có ít nhất 10 GW công suất điện tái tạo vào năm 2019, tăng so với chỉ 19 quốc gia một thập kỷ trước đó [6]. Tiềm năng năng lượng tái tạo đặc biệt là điện mặt trời trên thế giới rất dồi dào, cần tăng cường khai thác hiệu quả để thay thế nguồn năng lượng hóa thạch và các nguồn năng lượng ảnh hưởng đến môi trường, góp phần phục vụ nhu cầu năng lượng toàn cầu, xem Hình 2.

Bản đồ tiềm năng năng lượng quang điện trên thế giới 2. Tổng quan năng lượng điện trong nước Nhu cầu năng lượng của Việt Nam được dự báo sẽ tăng trên 8% mỗi năm trong giai đoạn 2021-2030. Nhu cầu điện dự kiến là 265-278 tỷ kWh vào năm 2020, tăng lên 572-632 tỷ kWh vào năm 2030 so với 86 tỷ kWh vào năm 2010 [7], Việt Nam cần bổ sung 6.000MW công suất hàng năm với chi phí 148 tỷ USD vào năm 2030 [8].