Tổng quan nghiên cứu

Việt Nam được đánh giá là quốc gia có tiềm năng lớn trong phát triển năng lượng mặt trời (NLMT) với số giờ nắng trung bình từ 1500 đến 2600 giờ mỗi năm tùy vùng miền, đặc biệt là khu vực miền Nam và Tây Nguyên có cường độ bức xạ mặt trời rất tốt, dao động từ 4.7 đến 4.9 kWh/m²/ngày. Tính đến năm 2020, cả nước đã có khoảng 102 nhà máy điện mặt trời đi vào hoạt động với tổng công suất hơn 5.245 MW, đồng thời có khoảng 260 dự án đang được đầu tư với tổng công suất dự kiến lên đến 28.000 MW. Sự phát triển nhanh chóng này đặt ra yêu cầu cấp thiết về việc tối ưu hóa năng suất và hiệu quả vận hành các hệ thống điện mặt trời nhằm đảm bảo hiệu quả đầu tư và khai thác nguồn năng lượng tái tạo bền vững.

Luận văn tập trung nghiên cứu các nhân tố ảnh hưởng đến năng suất của hệ thống điện năng lượng mặt trời tại Việt Nam, đồng thời xây dựng và tối ưu hóa mô hình dự đoán năng suất dựa trên các thuật toán trí tuệ nhân tạo (AI) đơn lẻ và kết hợp. Phạm vi nghiên cứu bao gồm khảo sát ý kiến chuyên gia, thu thập dữ liệu từ các nhà máy điện mặt trời trên toàn quốc và phân tích dữ liệu từ trang Global Solar Atlas trong giai đoạn 2020-2021. Mục tiêu chính là xác định các nhân tố quan trọng ảnh hưởng đến năng suất, từ đó phát triển mô hình dự đoán chính xác nhằm hỗ trợ các nhà đầu tư và quản lý dự án trong việc ra quyết định hiệu quả.

Nghiên cứu có ý nghĩa thực tiễn lớn trong bối cảnh Việt Nam đang đẩy mạnh phát triển năng lượng tái tạo, giúp nâng cao hiệu suất vận hành các nhà máy điện mặt trời, đồng thời đóng góp về mặt khoa học trong việc ứng dụng AI vào lĩnh vực quản lý xây dựng và năng lượng tái tạo.

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:

  • Lý thuyết về năng lượng mặt trời và các nhân tố ảnh hưởng: Bao gồm các yếu tố tự nhiên như cường độ bức xạ, số giờ nắng, nhiệt độ môi trường, vị trí địa lý, cũng như các yếu tố kỹ thuật như hiệu suất tấm pin, hiệu suất biến tần, và chất lượng vật liệu.

  • Mô hình trí tuệ nhân tạo (AI) và học máy (Machine Learning): Tập trung vào các thuật toán phổ biến trong dự đoán và tối ưu hóa như Mạng thần kinh nhân tạo (ANN), Máy vector hỗ trợ (SVM), Hồi quy tuyến tính (LR), Hồi quy tuyến tính tổng quát (GENLIN), Cây phân loại và hồi quy (CART), và mô hình phát hiện tương tác tự động Chi-Squared (CHAID).

  • Mô hình kết hợp (Ensemble model): Kết hợp các mô hình đơn lẻ có hiệu suất cao để nâng cao độ chính xác dự đoán, sử dụng phương pháp stacking nhằm tận dụng ưu điểm của từng mô hình.

Các khái niệm chính bao gồm: năng suất hệ thống điện mặt trời, các nhân tố ảnh hưởng (kỹ thuật, môi trường, vận hành), thuật toán AI, kiểm chứng chéo (cross-validation), và chỉ số đánh giá hiệu suất mô hình như SI (chỉ số tổng hợp), MAE, RMSE.

Phương pháp nghiên cứu

Nghiên cứu được thực hiện theo hai giai đoạn chính:

  • Giai đoạn 1: Xác định nhân tố ảnh hưởng và thu thập dữ liệu

    • Thu thập 39 nhân tố ảnh hưởng dựa trên tổng hợp tài liệu, khảo sát chuyên gia và nghiên cứu trước đây.

    • Thiết kế bảng câu hỏi khảo sát, tiến hành khảo sát đại trà với hơn 100 chuyên gia, kỹ sư trong lĩnh vực năng lượng tái tạo và quản lý xây dựng.

    • Phân tích độ tin cậy Cronbach’s Alpha và phân tích nhân tố khám phá (EFA) để xác định nhóm nhân tố hợp lý và mức độ ảnh hưởng.

  • Giai đoạn 2: Xây dựng và tối ưu mô hình dự đoán năng suất

    • Thu thập dữ liệu năng suất và các biến đầu vào từ trang Global Solar Atlas và các nhà máy điện mặt trời tại Việt Nam.

    • Áp dụng sáu mô hình AI đơn lẻ: LR, GENLIN, ANN, SVM, CART, CHAID trên phần mềm IBM SPSS Modeler (Clementine).

    • Sử dụng phương pháp kiểm chứng chéo k-fold (k=10) để đánh giá hiệu suất mô hình, với cỡ mẫu khoảng 10 tập dữ liệu.

    • Xây dựng bốn mô hình kết hợp dựa trên các mô hình đơn có hiệu suất cao nhất nhằm tối ưu hóa kết quả dự đoán.

    • Đánh giá mô hình dựa trên các chỉ số SI, MAE, RMSE, và hệ số tương quan tuyến tính (R).

Quy trình nghiên cứu được thực hiện nghiêm ngặt, đảm bảo tính khoa học và độ tin cậy của kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Xác định 16 nhân tố ảnh hưởng trực tiếp đến năng suất hệ thống điện mặt trời: Trong số 36 nhân tố khảo sát, 16 nhân tố được đánh giá có ảnh hưởng lớn, bao gồm: khả năng đáp ứng của lưới điện địa phương, cường độ chiếu sáng và bức xạ mặt trời, độ cao địa hình xây dựng, chính sách khuyến khích của chính phủ, năng lực tài chính chủ đầu tư, năng lực đơn vị thiết kế và thi công, hiệu suất biến tần, nhiệt độ môi trường, và các yếu tố vận hành như công tác bảo trì, vệ sinh tấm pin.

  2. Hiệu suất dự đoán của các mô hình AI đơn lẻ: Mô hình SVM và ANN cho kết quả dự đoán năng suất tốt nhất với hệ số hiệu suất tổng hợp SI lần lượt đạt khoảng 0.85 và 0.83, trong khi mô hình GENLIN và CHAID có hiệu suất thấp hơn, SI chỉ khoảng 0.65-0.68.

  3. Mô hình kết hợp MH2 (SVM + ANN) vượt trội hơn hẳn: Mô hình kết hợp này đạt SI trung bình khoảng 0.90, giảm sai số trung bình tuyệt đối (MAE) xuống còn khoảng 5%, thấp hơn 15% so với các mô hình đơn lẻ tốt nhất. RMSE cũng giảm đáng kể, cho thấy độ chính xác và ổn định cao hơn.

  4. Phân tích nhân tố và kiểm định độ tin cậy: Cronbach’s Alpha của các nhóm nhân tố đều trên 0.7, đảm bảo tính nhất quán nội bộ. Phân tích nhân tố khám phá (EFA) xác nhận sự phân nhóm hợp lý của các nhân tố theo 5 nhóm chính: quy hoạch và xây dựng, thời tiết và vị trí địa lý, kỹ thuật hệ thống, chất lượng hệ thống, và vận hành.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy các nhân tố môi trường và kỹ thuật đóng vai trò quyết định đến năng suất hệ thống điện mặt trời tại Việt Nam, phù hợp với các nghiên cứu quốc tế về ảnh hưởng của bức xạ mặt trời, nhiệt độ và hiệu suất thiết bị. Việc kết hợp các mô hình AI như SVM và ANN giúp tận dụng ưu điểm của từng thuật toán, giảm thiểu sai số và tăng độ chính xác dự đoán, điều này đồng nhất với xu hướng ứng dụng mô hình kết hợp trong lĩnh vực dự báo năng lượng tái tạo.

So sánh với các nghiên cứu trước đây, mô hình kết hợp trong luận văn này có hiệu suất cao hơn khoảng 5-10%, cho thấy sự cải tiến đáng kể nhờ vào việc lựa chọn kỹ lưỡng các nhân tố đầu vào và áp dụng phương pháp kiểm chứng chéo k-fold. Dữ liệu có thể được trình bày qua biểu đồ so sánh chỉ số SI, MAE, RMSE giữa các mô hình đơn và mô hình kết hợp, cũng như bảng xếp hạng mức độ ảnh hưởng của các nhân tố.

Kết quả này có ý nghĩa quan trọng trong việc hỗ trợ các nhà đầu tư và quản lý dự án điện mặt trời tại Việt Nam đưa ra quyết định chính xác hơn, tối ưu hóa hiệu quả vận hành và nâng cao năng suất hệ thống.

Đề xuất và khuyến nghị

  1. Tăng cường đầu tư và nâng cấp hạ tầng lưới điện địa phương nhằm đảm bảo khả năng đáp ứng công suất và ổn định vận hành hệ thống điện mặt trời, mục tiêu nâng cao tỷ lệ hòa lưới thành công trong vòng 2 năm tới, do các cơ quan quản lý điện lực phối hợp thực hiện.

  2. Áp dụng mô hình dự đoán năng suất kết hợp AI (SVM + ANN) trong quản lý vận hành và dự báo sản lượng điện mặt trời, giúp giảm thiểu sai số dự báo xuống dưới 5% trong vòng 1 năm, do các nhà quản lý nhà máy và đơn vị tư vấn công nghệ triển khai.

  3. Xây dựng chính sách khuyến khích đầu tư và hỗ trợ kỹ thuật cho các dự án điện mặt trời, bao gồm ưu đãi thuế, hỗ trợ tài chính và đào tạo nhân lực, nhằm nâng cao năng lực thiết kế, thi công và vận hành trong vòng 3 năm, do Bộ Công Thương và các cơ quan liên quan chủ trì.

  4. Tăng cường công tác bảo trì, vệ sinh và kiểm tra định kỳ hệ thống để duy trì hiệu suất tấm pin và thiết bị, giảm thiểu hiện tượng suy giảm năng suất, với mục tiêu duy trì hiệu suất trên 90% trong vòng 6 tháng, do các đơn vị vận hành nhà máy thực hiện.

  5. Phát triển hệ thống thu thập và phân tích dữ liệu thời gian thực để cập nhật các biến động môi trường và kỹ thuật, hỗ trợ mô hình AI dự đoán chính xác hơn, dự kiến hoàn thành trong 2 năm, do các đơn vị công nghệ và nhà máy phối hợp triển khai.

Đối tượng nên tham khảo luận văn

  1. Nhà đầu tư và doanh nghiệp năng lượng tái tạo: Giúp đánh giá tiềm năng và rủi ro dự án điện mặt trời, tối ưu hóa hiệu quả đầu tư thông qua mô hình dự đoán năng suất chính xác.

  2. Các đơn vị quản lý và vận hành nhà máy điện mặt trời: Hỗ trợ trong việc dự báo sản lượng, lập kế hoạch bảo trì và nâng cao hiệu suất vận hành hệ thống.

  3. Cơ quan quản lý nhà nước và hoạch định chính sách: Cung cấp cơ sở khoa học để xây dựng chính sách khuyến khích phát triển năng lượng mặt trời và quản lý quy hoạch hiệu quả.

  4. Các nhà nghiên cứu và sinh viên ngành quản lý xây dựng, năng lượng tái tạo và trí tuệ nhân tạo: Là tài liệu tham khảo quý giá về ứng dụng AI trong tối ưu hóa năng suất hệ thống điện mặt trời, đồng thời mở ra hướng nghiên cứu mới trong lĩnh vực này.

Câu hỏi thường gặp

  1. Tại sao cần tối ưu hóa năng suất hệ thống điện mặt trời?
    Tối ưu hóa giúp nâng cao hiệu quả sản xuất điện, giảm chi phí vận hành và tăng lợi nhuận đầu tư. Ví dụ, mô hình kết hợp AI trong nghiên cứu đã giảm sai số dự đoán xuống dưới 5%, giúp quản lý vận hành chính xác hơn.

  2. Các nhân tố nào ảnh hưởng lớn nhất đến năng suất điện mặt trời?
    Các yếu tố như cường độ bức xạ mặt trời, nhiệt độ môi trường, hiệu suất biến tần, và khả năng đáp ứng của lưới điện địa phương được xác định là quan trọng nhất dựa trên khảo sát chuyên gia và phân tích dữ liệu.

  3. Mô hình AI nào cho kết quả dự đoán tốt nhất?
    Mô hình kết hợp giữa Máy vector hỗ trợ (SVM) và Mạng thần kinh nhân tạo (ANN) cho kết quả dự đoán năng suất vượt trội hơn các mô hình đơn lẻ, với chỉ số hiệu suất tổng hợp SI đạt khoảng 0.90.

  4. Phương pháp kiểm chứng chéo k-fold có vai trò gì trong nghiên cứu?
    Phương pháp này giúp đánh giá chính xác hiệu suất mô hình, hạn chế hiện tượng quá khớp (overfitting) bằng cách chia dữ liệu thành nhiều tập huấn luyện và kiểm tra luân phiên, đảm bảo tính khách quan và ổn định của mô hình.

  5. Làm thế nào để ứng dụng kết quả nghiên cứu vào thực tế?
    Các nhà quản lý và vận hành có thể áp dụng mô hình dự đoán để lập kế hoạch bảo trì, điều chỉnh vận hành phù hợp với điều kiện thực tế, đồng thời các nhà đầu tư sử dụng kết quả để đánh giá tiềm năng và rủi ro dự án trước khi quyết định đầu tư.

Kết luận

  • Xác định 16 nhân tố chính ảnh hưởng đến năng suất hệ thống điện mặt trời tại Việt Nam, làm cơ sở cho việc đánh giá và quản lý dự án hiệu quả.
  • Áp dụng thành công sáu mô hình AI đơn lẻ và xây dựng mô hình kết hợp nâng cao độ chính xác dự đoán năng suất.
  • Mô hình kết hợp SVM và ANN cho kết quả tối ưu với sai số dự đoán giảm đáng kể so với các mô hình đơn lẻ.
  • Nghiên cứu góp phần nâng cao hiệu quả vận hành và quản lý các dự án điện mặt trời, hỗ trợ nhà đầu tư và cơ quan quản lý trong quyết định chiến lược.
  • Đề xuất các giải pháp thực tiễn và khuyến nghị chính sách nhằm phát triển bền vững ngành năng lượng mặt trời tại Việt Nam trong giai đoạn 2022-2025.

Luận văn mở ra hướng nghiên cứu tiếp theo về ứng dụng AI trong quản lý vận hành và dự báo năng lượng tái tạo, đồng thời kêu gọi các bên liên quan áp dụng mô hình dự đoán để nâng cao hiệu quả đầu tư và khai thác nguồn năng lượng sạch.