Ứng Dụng Mạng Nơ Ron Nhân Tạo Trong Dự Báo Năng Lượng Gió Của Nhà Máy Phong Điện Phương Mai 1

Tài liệu nghiên cứu Ứng dụng mạng nơ ron nhân tạo trong dự báo ngắn hạn năng lượng gió của nhà máy phong điện phương, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên

• Tác giả: Nguyễn Bảo Quốc
• Người hướng dẫn: TS. Lê Tuấn Hộ
• Trường học: Trường Đại Học Quy Nhơn
• Chuyên ngành: Kỹ thuật điện
• Đề tài: Ứng Dụng Mạng Nơ Ron Nhân Tạo Dự Báo Năng Lượng Gió Tại Nhà Máy Phong Điện Phương Mai 1
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Bình Định

Tóm tắt

I. Tổng quan về ứng dụng mạng nơ ron nhân tạo trong dự báo năng lượng gió

Năng lượng gió đang trở thành một trong những nguồn năng lượng tái tạo quan trọng nhất trên thế giới. Việc ứng dụng mạng nơ ron nhân tạo trong dự báo năng lượng gió tại Nhà máy phong điện Phương Mai 1 không chỉ giúp tối ưu hóa sản xuất điện mà còn nâng cao hiệu quả quản lý năng lượng. Mạng nơ ron nhân tạo (ANN) có khả năng học hỏi từ dữ liệu lịch sử, từ đó đưa ra các dự đoán chính xác về công suất phát ra và tốc độ gió. Điều này đặc biệt quan trọng trong bối cảnh nhu cầu năng lượng ngày càng tăng và yêu cầu về tính bền vững trong sản xuất điện.

1.1. Lý do chọn đề tài nghiên cứu năng lượng gió

Năng lượng gió là nguồn năng lượng tái tạo có tiềm năng lớn tại Việt Nam. Việc nghiên cứu ứng dụng mạng nơ ron nhân tạo trong dự báo năng lượng gió giúp cải thiện độ chính xác và hiệu quả trong việc quản lý nguồn năng lượng này.

1.2. Tình hình nghiên cứu hiện tại về năng lượng gió

Nhiều nghiên cứu đã chỉ ra rằng việc sử dụng công nghệ năng lượng tái tạo như điện gió đang ngày càng phổ biến. Các phương pháp dự báo hiện tại chủ yếu dựa vào mô hình thống kê và vật lý, nhưng mạng nơ ron nhân tạo đang nổi lên như một giải pháp hiệu quả hơn.

II. Thách thức trong dự báo năng lượng gió tại Nhà máy Phương Mai 1

Dự báo năng lượng gió tại Nhà máy Phương Mai 1 đối mặt với nhiều thách thức. Các yếu tố như biến đổi khí hậu, điều kiện thời tiết không ổn định và sự thay đổi trong cấu trúc gió có thể ảnh hưởng đến độ chính xác của dự báo. Việc sử dụng mạng nơ ron nhân tạo giúp giảm thiểu những rủi ro này bằng cách phân tích dữ liệu lớn và nhận diện các mẫu tiềm ẩn trong dữ liệu.

2.1. Các yếu tố ảnh hưởng đến dự báo năng lượng gió

Các yếu tố như tốc độ gió, hướng gió và điều kiện khí hậu có thể ảnh hưởng lớn đến dự báo năng lượng gió. Việc phân tích các yếu tố này là cần thiết để cải thiện độ chính xác của dự báo.

2.2. Khó khăn trong việc thu thập dữ liệu

Việc thu thập dữ liệu chính xác từ các cảm biến và thiết bị đo lường là một thách thức lớn. Dữ liệu không đầy đủ hoặc không chính xác có thể dẫn đến sai số trong dự báo năng lượng gió.

III. Phương pháp ứng dụng mạng nơ ron nhân tạo trong dự báo

Phương pháp sử dụng mạng nơ ron nhân tạo trong dự báo năng lượng gió bao gồm việc xây dựng mô hình ANN dựa trên dữ liệu lịch sử về tốc độ gió và công suất phát ra. Mô hình này sẽ được huấn luyện để nhận diện các mẫu và xu hướng trong dữ liệu, từ đó đưa ra dự đoán chính xác hơn về năng lượng gió trong tương lai.

3.1. Cấu trúc mạng nơ ron nhân tạo

Cấu trúc của mạng nơ ron nhân tạo bao gồm nhiều lớp nơ ron, mỗi lớp có nhiệm vụ xử lý thông tin khác nhau. Việc tối ưu hóa cấu trúc này là rất quan trọng để đạt được độ chính xác cao trong dự báo.

3.2. Quy trình huấn luyện mạng nơ ron

Quy trình huấn luyện mạng nơ ron bao gồm việc sử dụng dữ liệu lịch sử để điều chỉnh trọng số của các nơ ron. Điều này giúp mạng nơ ron học hỏi và cải thiện khả năng dự đoán của mình.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Kết quả nghiên cứu cho thấy việc ứng dụng mạng nơ ron nhân tạo trong dự báo năng lượng gió tại Nhà máy Phương Mai 1 đã mang lại những cải thiện đáng kể về độ chính xác. Các mô hình dự báo đã được thử nghiệm và cho thấy khả năng dự đoán công suất phát ra và tốc độ gió với sai số thấp hơn so với các phương pháp truyền thống.

4.1. Đánh giá hiệu quả của mô hình dự báo

Mô hình dự báo sử dụng mạng nơ ron nhân tạo đã cho kết quả tốt hơn so với các phương pháp thống kê truyền thống. Điều này chứng tỏ rằng ANN có khả năng học hỏi và thích ứng với các biến đổi trong dữ liệu.

4.2. Ứng dụng vào thực tiễn tại Nhà máy Phương Mai 1

Kết quả từ mô hình dự báo đã được áp dụng vào thực tiễn tại Nhà máy Phương Mai 1, giúp tối ưu hóa quy trình vận hành và nâng cao hiệu quả sản xuất điện.

V. Kết luận và triển vọng tương lai của nghiên cứu

Nghiên cứu về ứng dụng mạng nơ ron nhân tạo trong dự báo năng lượng gió tại Nhà máy Phương Mai 1 đã mở ra nhiều triển vọng mới cho ngành năng lượng tái tạo. Việc cải thiện độ chính xác trong dự báo không chỉ giúp tối ưu hóa sản xuất điện mà còn góp phần vào việc phát triển bền vững trong lĩnh vực năng lượng.

5.1. Tương lai của năng lượng gió tại Việt Nam

Năng lượng gió có tiềm năng lớn tại Việt Nam, và việc ứng dụng công nghệ mới như mạng nơ ron nhân tạo sẽ giúp khai thác tối đa nguồn năng lượng này.

5.2. Định hướng nghiên cứu tiếp theo

Các nghiên cứu tiếp theo có thể tập trung vào việc cải thiện hơn nữa các mô hình dự báo và mở rộng ứng dụng của công nghệ năng lượng tái tạo trong các lĩnh vực khác.

Trích đoạn nội dung tài liệu

MỞ ĐẦU. Lý do chọn đề tài. Tổng quan tình hình nghiên cứu đề tài. Mục đích và nhiệm vụ nghiên cứu.

Đối tƣợng và phạm vi nghiên cứu. Phƣơng pháp nghiên cứu. TỔNG QUAN VỀ NHÀ MÁY PHONG ĐIỆN PHƢƠNG MAI 1 VÀ TỔNG QUAN VỀ DỰ BÁO ĐIỆN GIÓ. Giới thiệu tổng quan về Nhà máy phong điện Phƣơng Mai 1 [1].

Địa điểm xây dựng nhà máy. Quy mô nhà máy. Đánh giá tiềm năng gió của khu vực. Tổng quan về dự báo điện gió.

Các loại dự báo điện gió. Các mô hình và phƣơng pháp xác xuất thống kê dùng cho dự báo. Phƣơng pháp trung bình trƣợt (Moving average). Phƣơng pháp làm mịn lũy thừa (Exponential smoothing method).

Mô hình Tự hồi quy tích hợp trung bình trƣợt (ARIMA). Các tiêu chí đánh giá sai số dự báo. Sai số tuyệt đối trung bình (MAE). Sai số phần trăm tuyệt đối trung bình (MAPE).

Sai số phần trăm trung bình có trọng số (WAPE). Sai số bình phƣơng trung bình (MSE). Căn bậc hai sai số bình phƣơng trung bình (RMSE). Xu hƣớng dự báo Dstat.

22 KẾT LUẬN CHƢƠNG 1. PHƢƠNG PHÁP DỰ BÁO NGẮN HẠN DỰA TRÊN CÁC KỸ THUẬT CỦA MẠNG NƠ RON NHÂN TẠO. Lý thuyết mạng nơ ron [6 – 9]. Cấu trúc mạng nơ ron nhân tạo (ANN).

Các mô hình mạng nơ ron đề xuất dùng cho dự báo điện gió. Mạng nơ ron tự động hồi quy phi tuyến (Nonlinear autoregressive neural network – NARNET). Mạng nơ ron hồi quy lớp (Layer recurrent neural network). Mạng nơ ron có độ trễ phân tán (Distributed delay neural network).

33 KẾT LUẬN CHƢƠNG 2. ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO TỐC ĐỘ GIÓ ĐO ĐƢỢC TẠI NHÀ MÁY PHONG ĐIỆN PHƢƠNG MAI 1. Trƣờng hợp nghiên cứu 1: tốc độ gió đo đƣợc từ ngày 01 tháng 01 năm 2022 đến ngày 31 tháng 01 năm 2022. Trƣờng hợp nghiên cứu 2: tốc độ gió đo đƣợc từ ngày 31 tháng 01 năm 2022 đến ngày 31 tháng 01 năm 2022.

4040 v KẾT LUẬN CHƢƠNG 3. ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO CÔNG SUẤT PHÁT RA CỦA NHÀ MÁY PHONG ĐIỆN PHƢƠNG MAI 1. Trƣờng hợp nghiên cứu 1: công suất phát ra của turbine 1 đo đƣợc từ ngày 01 tháng 01 năm 2022 đến ngày 31 tháng 01 năm 2022. Trƣờng hợp nghiên cứu 2: công suất phát ra của turbine 1 đo đƣợc từ ngày 31 tháng 01 năm 2022 đến ngày 31 tháng 01 năm 2022.

5151 KẾT LUẬN CHƢƠNG 4. 5657 KẾT LUẬN VÀ KIẾN NGHỊ. 59 DANH MỤC TÀI LIỆU THAM KHẢO. 60 vi DANH MỤC CÁC CHỮ VIẾT TẮT Chữ viết tắt English Tiếng Việt ANN Artifical neural networks Mạng nơ ron nhân tạo Nonlinear autoregressive Mạng nơ ron tự động hồi NARNET neural network quy phi tuyến Layer recurrent neural LAYRECNET Mạng nơ ron hồi quy lớp network Distributed delay neural Mạng nơ ron có độ trễ DISDELAYNET network phân tán Autoregressive integrated Mô hình Tự hồi quy tích ARIMA moving average hợp trung bình trƣợt MAE Mean absolute error Sai số tuyệt đối trung bình Mean absolute percentage Sai số phần trăm tuyệt đối MAPE error trung bình Weighted average percentage Sai số phần trăm trung WAPE error bình có trọng số Sai số bình phƣơng trung MSE Mean squared error bình Căn bậc hai sai số bình RMSE Root mean squared error phƣơng trung bình Dstat Directional statistic Xu hƣớng dự báo vii DANH MỤC CÁC BẢNG Bảng 1.1: Các hạng mục chính của nhà máy .2: Sản lƣợng điện hàng năm của nhà máy .3: Biến thiên tốc độ gió trung bình giờ (Đơn vị: m/s) .1: Các tiêu chuẩn đánh giá hiệu quả của các mô hình và phƣơng pháp dự báo trong trƣờng hợp nghiên cứu 1 .2: Các tiêu chuẩn đánh giá hiệu quả của các mô hình và phƣơng pháp dự báo trong trƣờng hợp nghiên cứu 2 .1: Các tiêu chuẩn đánh giá hiệu quả của các mô hình và phƣơng pháp dự báo trong trƣờng hợp nghiên cứu 1 .2: Các tiêu chuẩn đánh giá hiệu quả của các mô hình và phƣơng pháp dự báo trong trƣờng hợp nghiên cứu 2.

5252 viii DANH MỤC CÁC HÌNH VÀ ĐỒ THỊ Hình 1.2: Sơ đồ turbine gió của Nhà máy phong điện Phƣơng Mai 1 .1: Mô hình mạng nơ ron nhân tạo tổng quát .2: Đồ thị hàm Hard-Limit .3: Đồ thị hàm Purelin .4: Đồ thị hàm Log – Sigmoid.5: Đồ thị hàm Tansig .6: Mạng nơ ron truyền thẳng một lớp .7: Mạng nơron truyền thẳng nhiều lớp.8: Cấu trúc huấn luyện .9: Sơ đồ mạng nơ ron NARNET .10: Sơ đồ mạng nơ ron hồi quy lớp.11: Sơ đồ mạng nơ ron có độ trễ phân tán .1: Tốc độ gió đo đƣợc trong trƣờng hợp nghiên cứu 1 .2: Các kết quả dự báo tốc độ gió đo đƣợc trong trƣờng hợp nghiên cứu 1 .3: Tốc độ gió đo đƣợc trong trƣờng hợp nghiên cứu 2 .4: Các kết quả dự báo tốc độ gió trong trƣờng hợp nghiên cứu 2 .1: Công suất phát ra của turbine 1 trong trƣờng hợp nghiên cứu 1 4848 Hình 4.2: Các kết quả dự báo công suất phát ra của turbine 1 trong trƣờng hợp nghiên cứu 1 .3: Công suất phát ra của turbine 1 trong trƣờng hợp nghiên cứu 2 5353 Hình 4.4: Các kết quả dự báo công suất phát ra của turbine 1 trong trƣờng hợp nghiên cứu 2. Lý do chọn đề tài Năng lƣợng gió là một trong những nguồn năng lƣợng tái tạo ngày càng đƣợc sử dụng phổ biến rộng rãi trên thế giới. Đầu tƣ vào năng lƣợng tái tạo nhƣ điện gió là xu hƣớng đƣợc các nƣớc phát triển trên thế giới hƣớng tới phát triển bền vững. Theo Hội đồng năng lƣợng gió toàn cầu (GWEC) [10], năm 2020 chứng kiến số lƣợng lắp đặt năng lƣợng gió mới trên toàn cầu vƣợt qua 90 GW, tăng trƣởng 53% so với năm 2019, nâng tổng công suất lắp đặt lên 743 GW, tăng trƣởng 14% so với năm ngoái.

Thị trƣờng gió lắp đặt mới trên bờ (Onshore) đạt 86,9 GW, trong khi thị trƣờng gió ngoài khơi (Offshore) đạt 6,1 GW, đƣa năm 2020 trở thành năm cao nhất và cao thứ hai trong lịch sử trong việc lắp đặt mới năng lƣợng gió cho cả trên bờ và ngoài khơi. Nhờ sự phát triển bùng nổ của các cơ sở lắp đặt ở Trung Quốc, Châu Á Thái Bình Dƣơng tiếp tục dẫn đầu trong phát triển điện gió toàn cầu với thị phần toàn cầu tăng 8,5% trong năm ngoái. Đƣợc thúc đẩy bởi một năm lắp đặt kỷ lục ở Mỹ, Bắc Mỹ (18,4%) đã thay thế châu Âu (15,9%) trở thành thị trƣờng khu vực lớn thứ hai về lắp đặt mới. Mỹ Latinh vẫn là thị trƣờng khu vực lớn thứ tƣ (5,0%) vào năm 2020, tiếp theo là châu Phi và Trung Đông (0,9%).

Năm thị trƣờng hàng đầu thế giới về lắp đặt mới vào năm 2020 là Trung Quốc, Mỹ, Brazil, Hà Lan và Đức. Năm thị trƣờng này cộng lại đã tạo nên 80,6% số lƣợt lắp đặt toàn cầu vào năm ngoái, lớn hơn 10% so với năm 2019. Về số lƣợng lắp đặt tích lũy, năm thị trƣờng hàng đầu tính đến cuối năm 2020 vẫn không thay đổi. Các thị trƣờng đó là Trung Quốc, Mỹ, Đức, Ấn Độ và Tây Ban Nha, cùng chiếm 73% tổng số lƣợng lắp đặt điện gió trên thế giới.

Vừa qua, Hội nghị lần thứ 26 Các bên tham gia Công ƣớc khung của Liên 2 hợp quốc về biến đổi khí hậu (COP26) diễn ra tại Glasgow, Scotland (Vƣơng quốc Anh) đã đƣa ra một số nội dung quan trọng nhƣ giảm dần và dẫn đến loại bỏ điện than – chiếm khoảng 37% tổng điện năng trên thế giới trong năm 2019 – và là nhiên liệu đóng góp lớn nhất vào biển đổi khí hậu, đầu tƣ hỗ trợ công nghệ sạch nhƣ năng lƣợng tái tạo và loại bỏ tài trợ cho các ngành công nghiệp sử dụng nhiên liệu hóa thạch [11]. Trong các nguồn năng lƣợng tái tạo thì năng lƣợng gió đƣợc xem là một trong những nguồn năng lƣợng đƣợc ƣu tiên phát triển bởi các ƣu điểm của chúng nhƣ có thể tái tạo, tiết kiệm chi phí, hiệu quả về không gian, chi phí vận hành thấp, … Với tốc độ tăng trƣởng kinh tế của Việt Nam hiện nay thì nhu cầu điện ngày càng gia tăng trong khi năng lực cung ứng theo chƣa kịp. Việt Nam đã và đang từng bƣớc đầu tƣ vào lĩnh vực năng lƣợng tái tạo và sạch nhƣ điện gió, mang đến chiến lƣợc phát triển bền vững, giảm thiểu tác động của môi trƣờng. Việt Nam với đặc điểm địa lý lợi thế, đƣờng bờ biển trải dài hơn 3000 km và khí hậu cận nhiệt đới gió mùa, đã đƣợc khảo sát và đánh giá có tiềm năng gió lớn trong khu vực.

Việc xây dựng các nhà máy điện gió là một giải pháp hợp lý, đóng góp tăng đáng kể nguồn sản xuất điện của Việt Nam trong những năm tới. Theo Công văn số: 6050/EPTC-KDMĐ của Công ty mua bán điện (EVNEPTC) trực thuộc Tập đoàn Điện lực Việt Nam (EVN), ngày 12/10/2021, 10/11 trụ tua bin điện gió, bao gồm từ: Trụ TW01 đến TW10, thuộc Nhà máy phong điện Phƣơng Mai 1 đã chính thức vận hành thƣơng mại (COD), vào 18h ngày 8/10/2021, với phần công suất đƣợc công nhận COD là 24 MW. Tổng công suất đăng ký thử nghiệm COD của dự án là 26,4 MW, dự án còn 1 trụ tua bin điện gió đang hiệu chỉnh và dự kiến có thể phát điện toàn bộ 26,4 MW vào ngày 22/10 [2]. Việc mới đƣa vào lƣới điện vận hành nhà máy này thì gây không ít 3 các thách thức cho các kỹ sƣ vận hành.

Chính vì vậy việc xác định cũng nhƣ dự báo lƣợng công suất do các nguồn tuabin điện gió phát vào lƣới để có thể lập đƣợc kế hoạch vận hành phù hợp đƣợc xem là một trong những khâu quan trọng nhất trong quá hòa lƣới nhà máy này vào hệ thống điện. Các dự đoán về công suất của các nguồn năng lƣợng gió có thể đƣợc ƣớc lƣợng và trình bày theo nhiều cách khác nhau. Việc lựa chọn loại dự báo và cách trình bày của chúng phần nào phụ thuộc vào các đặc điểm của ngƣời ra quyết định và cũng phụ thuộc vào loại bài toán vận hành. Bên cạnh đó, sự phát triển nhanh chóng của các công nghệ trí tuệ nhân tạo trong mọi lĩnh vực của đời sống đã biến chúng thành một trong những công cụ hỗ trợ đắc lực trong công tác vận hành hệ thống điện.

Mạng nơ ron nhân tạo là một trong những kỹ thuật của trí tuệ nhân tạo đƣợc phát triển mạnh trong các thập kỷ vừa qua.