Tổng quan nghiên cứu

Nhu cầu tiêu thụ điện năng tại Việt Nam được dự báo duy trì mức tăng trưởng bình quân trên 8% mỗi năm trong giai đoạn 2021-2030, nâng tổng sản lượng điện tiêu thụ từ 265-278 tỷ kWh vào năm 2020 lên 572-632 tỷ kWh vào năm 2030. Để đáp ứng áp lực phụ tải này, ngành năng lượng cần bổ sung khoảng 6.000 MW công suất nguồn điện mỗi năm với tổng mức đầu tư ước tính đạt 148 tỷ USD cho đến năm 2030. Trước bối cảnh các nguồn nhiên liệu hóa thạch dần cạn kiệt và thủy điện chịu nhiều giới hạn khai thác, việc phát triển nguồn năng lượng tái tạo, đặc biệt là năng lượng mặt trời với tiềm năng bức xạ tự nhiên trung bình đạt 5 kWh/m², đã trở thành định hướng chiến lược theo Quyết định số 11/2017/QĐ-TTg của Thủ tướng Chính phủ.

Tuy nhiên, công tác đánh giá và dự báo năng suất sản xuất điện quang điện đối mặt với nhiều thách thức do sự biến động phức tạp của điều kiện thời tiết, vị trí địa lý, địa hình và quy mô lắp đặt. Luận văn tập trung giải quyết bài toán ước lượng chính xác năng suất điện mặt trời thông qua việc xây dựng mô hình trí tuệ nhân tạo tự động, kết hợp thuật toán máy hỗ trợ véc-tơ bình phương tối thiểu và thuật toán tiến hóa vi phân. Nghiên cứu được triển khai trên phạm vi toàn quốc với nguồn dữ liệu đo lường thực tế từ 100 dự án thuộc 4 phân khúc chính: điện mặt trời mái nhà dân dụng, mái nhà công nghiệp, nhà máy trên mặt đất và nhà máy nổi trên mặt nước. Kết quả nghiên cứu mang lại công cụ tính toán định lượng tin cậy trong giai đoạn tiền khả thi, giúp nhà đầu tư giảm thiểu rủi ro sai số dự toán sản lượng xuống dưới 5%, đồng thời tối ưu hóa cấu trúc vốn và phương án thu hồi tài chính.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết học thống kê và kỹ thuật học máy có giám sát, trọng tâm là phương pháp hồi quy véc-tơ hỗ trợ do Vladimir Vapnik và các cộng sự đề xuất năm 1995. Nhằm khắc phục hạn chế về khối lượng tính toán phức tạp của thuật toán máy hỗ trợ véc-tơ truyền thống khi giải quyết bài toán quy hoạch bậc hai, luận văn ứng dụng thuật toán Least Squares Support Vector Machine do Johan Suykens phát triển. Thuật toán này đưa hàm sai số bình phương nhỏ nhất vào điều kiện ràng buộc đẳng thức, chuyển đổi bài toán tối ưu hóa phức tạp thành việc giải hệ phương trình đại số tuyến tính trong không gian kép, giúp gia tăng đáng kể tốc độ hội tụ và khả năng khái quát hóa dữ liệu.

Mô hình LSSVM sử dụng hàm nhân bán kính hướng tâm RBF, được đặc trưng bởi hai tham số hiệu chỉnh quan trọng: tham số chính quy hóa gamma kiểm soát hình phạt đối với các sai số và tham số độ rộng hạt nhân sigma quyết định độ trơn của hàm hồi quy. Để khắc phục việc lựa chọn tham số mang tính thử nghiệm thủ công, nghiên cứu tích hợp thuật toán Tiến hóa vi phân do Rainer Storn và Kenneth Price giới thiệu năm 1997. Thuật toán DE mô phỏng cơ chế chọn lọc tự nhiên qua 4 giai đoạn nối tiếp: khởi tạo quần thể với ma trận kích thước xác định, đột biến véc-tơ theo chiến lược ngẫu nhiên, lai ghép với xác suất Cr đạt mức 0.8 và chọn lọc cá thể ưu việt, từ đó tự động tìm kiếm bộ tham số tối ưu toàn cục cho mô hình LSSVM. Luận văn chuẩn hóa 3 khái niệm đo lường kỹ thuật cốt lõi gồm: sản lượng điện quang điện đặc trưng hàng năm tính theo đơn vị kWh/kWp, chỉ số chiếu xạ ngang toàn cầu và chỉ số chiếu xạ ngang khuếch tán.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu đo lường thực nghiệm từ 100 dự án điện mặt trời trải dài từ Bắc vào Nam tại Việt Nam, được trích xuất từ cơ sở dữ liệu năng lượng của Global Solar Atlas do Ngân hàng Thế giới và Tổ chức Tài chính Quốc tế công bố. Cỡ mẫu 100 dự án được lựa chọn theo phương pháp chọn mẫu phân tầng phi ngẫu nhiên kết hợp định mức, bao quát đầy đủ 4 loại hình lắp đặt và các vùng đặc trưng khí hậu nhiệt đới gió mùa khác nhau.

Quy trình phân tích dữ liệu được thực hiện qua kỹ thuật kiểm chứng chéo 10-fold cross-validation nhằm triệt tiêu hiện tượng quá khớp và đảm bảo tính tổng quát hóa cao nhất cho mô hình. Toàn bộ 100 mẫu dữ liệu được phân chia ngẫu nhiên thành 10 phần bằng nhau; tại mỗi lượt huấn luyện, 9 phần (tương đương 90% dữ liệu) được sử dụng để đào tạo mô hình và 1 phần còn lại (10% dữ liệu) dùng để kiểm tra độc lập. Quá trình này được lặp lại tuần tự 10 lần và kết quả hiệu suất là trung bình cộng của toàn bộ các lần thử nghiệm. Môi trường tính toán số và lập trình thuật toán được thiết lập hoàn toàn trên nền tảng phần mềm Matlab kết hợp công cụ xử lý thống kê SPSS. Độ chính xác của mô hình được định lượng thông qua 4 chỉ số chuẩn mực quốc tế: hệ số tương quan tuyến tính R (hoặc độ đo 1-R), sai số toàn phương trung bình RMSE, phần trăm sai số trung bình tuyệt đối MAPE và sai số trung bình tuyệt đối MAE.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, qua phân tích đánh giá từ 16 nhân tố ban đầu, nghiên cứu đã xác định và định lượng hóa thành công 9 biến độc lập có ảnh hưởng mang tính quyết định đến sản lượng điện mặt trời tại Việt Nam. Trong đó, nhóm biến khí tượng gồm cường độ bức xạ tự nhiên (biến X5), độ khuếch tán bức xạ (biến X6, X7), nhiệt độ môi trường (biến X8) và số giờ nắng trung bình ngày (biến X9) thể hiện độ tin cậy thang đo rất cao với hệ số Cronbach's Alpha đạt 0.901.

Thứ hai, kết quả đánh giá thực nghiệm trên 10 tập dữ liệu kiểm tra cho thấy mô hình LSSVM truyền thống dù có khả năng xấp xỉ phi tuyến tốt nhưng vẫn tồn tại độ lệch đáng kể do hạn chế của việc chọn tham số thủ công, với chỉ số sai số 1-R dao động ở mức từ 0.231 đến 0.350 và phần trăm sai số tuyệt đối MAPE ở ngưỡng khoảng 9.5% đến 14.2%.

Thứ ba, mô hình tích hợp DE-LSSVM thể hiện sự vượt trội toàn diện về mọi chỉ tiêu thống kê. Nhờ thuật toán tiến hóa vi phân tối ưu hóa tự động bộ tham số gamma và sigma, mô hình đạt mức sai số 1-R bình quân giảm xuống còn 0.259 trên toàn bộ các fold kiểm tra. Sai số toàn phương trung bình RMSE và sai số tuyệt đối MAE của mô hình kết hợp DE-LSSVM giảm từ 18% đến 25% so với mô hình LSSVM đơn lẻ, chứng minh độ chính xác dự báo sản lượng điện hàng năm tiệm cận sát với giá trị phát điện thực tế tại trạm đo.

Thảo luận kết quả

Hiệu năng vượt trội của mô hình lai DE-LSSVM xuất phát từ cơ chế phối hợp tối ưu giữa khả năng học mẫu nhanh của LSSVM và năng lực tìm kiếm không gian nghiệm rộng lớn của thuật toán DE. Thuật toán DE đã giải quyết triệt để điểm nghẽn rơi vào điểm cực tiểu cục bộ – một nhược điểm cố hữu của các kỹ thuật dựa trên đạo hàm giảm dốc truyền thống như mạng nơ-ron truyền ngược. So sánh với các nghiên cứu sử dụng thuật toán Rừng ngẫu nhiên hay Mạng nơ-ron hồi quy trong ngành quản lý xây dựng năng lượng, mô hình DE-LSSVM cho thấy thời gian xử lý nhanh hơn khoảng 30% và yêu cầu bộ nhớ tính toán thấp hơn đáng kể nhờ cấu trúc giải hệ phương trình bậc nhất.

Dữ liệu kết quả nghiên cứu có thể được trực quan hóa hiệu quả thông qua biểu đồ phân tán hồi quy tuyến tính thể hiện tương quan giữa sản lượng thực tế và sản lượng dự báo trên 10 fold kiểm tra, kết hợp đồ thị radar so sánh đa chiều 4 chỉ số lỗi 1-R, RMSE, MAPE và MAE giữa hai mô hình. Sự hội tụ nhanh của các điểm dữ liệu kiểm tra quanh đường chuẩn 45 độ trên biểu đồ phân tán là minh chứng rõ nét cho tính chuẩn xác của mô hình. Kết quả này cung cấp cơ sở khoa học vững chắc giúp chuyển đổi phương thức dự báo từ kinh nghiệm định tính sang mô hình toán học tự động hóa có độ tin cậy cao.

Đề xuất và khuyến nghị

  1. Tích hợp phần mềm dự báo tự động DE-LSSVM vào quy trình thẩm định báo cáo nghiên cứu tiền khả thi trong vòng 3 đến 6 tháng tới, do các Chủ đầu tư và Đơn vị tư vấn quản lý dự án chủ trì thực hiện, nhằm chuẩn hóa việc ước lượng doanh thu phát điện với độ lệch mục tiêu dưới 5%.
  2. Xây dựng và chia sẻ cơ sở dữ liệu khí tượng vi mô, thông số bức xạ vệ tinh độ phân giải cao tại 63 tỉnh thành trong lộ trình 2023-2025, do Bộ Công Thương phối hợp cùng Tập đoàn Điện lực Việt Nam quản lý, giúp nâng cao chất lượng biến đầu vào cho các thuật toán học máy.
  3. Chuẩn hóa quy trình khảo sát địa hình và thiết lập góc nghiêng tối ưu định kỳ theo mùa cho các hệ thống điện mặt trời mái nhà công nghiệp trong vòng 1 đến 3 tháng sau khi lắp đặt, do Đơn vị tổng thầu EPC phối hợp kỹ sư vận hành triển khai, hướng tới mục tiêu gia tăng 3% đến 7% sản lượng điện thực tế hàng năm.
  4. Triển khai ứng dụng công nghệ giám sát tự động thời gian thực kết hợp thuật toán AI để cảnh báo mức độ suy hao hiệu suất quang điện định kỳ 6 tháng một lần, do Đơn vị vận hành và bảo trì đảm nhiệm, nhằm đảm bảo tỷ lệ suy giảm công suất tế bào quang điện không vượt quá 0.5% mỗi năm.

Đối tượng nên tham khảo luận văn

  • Chủ đầu tư và các quỹ tài chính phát triển năng lượng tái tạo: Ứng dụng mô hình để thẩm định tính khả thi kinh tế, dự toán dòng tiền hoàn vốn chính xác cho các dự án quy mô từ vài MWp đến hàng trăm MWp, loại bỏ rủi ro vượt ngân sách dự toán trên 15%.
  • Đơn vị tư vấn thiết kế và tổng thầu EPC: Sử dụng công cụ thuật toán để tối ưu hóa việc lựa chọn cấu hình hệ thống, góc nghiêng tấm pin và chủng loại biến tần phù hợp với đặc thù bức xạ của từng vị trí địa lý cụ thể tại Việt Nam.
  • Giảng viên, nhà nghiên cứu và học viên cao học ngành Quản lý xây dựng và Kỹ thuật năng lượng: Khai thác phương pháp luận kết hợp thuật toán tối ưu hóa tiến hóa vi phân với các mô hình học máy để mở rộng nghiên cứu sang các bài toán dự báo tiến độ, chi phí và chất lượng công trình xây dựng.
  • Cơ quan điều độ hệ thống điện và quản lý nhà nước: Tham khảo các mô hình toán học để nâng cao năng lực dự báo sản lượng nguồn điện năng lượng tái tạo phân tán, hỗ trợ công tác cân bằng phụ tải và giảm thiểu nguy cơ quá tải lưới truyền tải điện quốc gia.

Câu hỏi thường gặp

Thuật toán LSSVM có ưu điểm gì vượt trội so với Support Vector Machine truyền thống?
Thuật toán LSSVM thay thế các điều kiện ràng buộc bất đẳng thức trong bài toán quy hoạch bậc hai của SVM bằng các ràng buộc đẳng thức tuyến tính. Nhờ đó, quá trình huấn luyện chuyển thành việc giải một hệ phương trình đại số tuyến tính đơn giản, giúp rút ngắn thời gian tính toán hơn 40% trên cùng một tập dữ liệu lớn.

Tại sao cần phải kết hợp thuật toán Tiến hóa vi phân với mô hình LSSVM?
Hiệu suất dự báo của LSSVM phụ thuộc chặt chẽ vào việc lựa chọn hai siêu tham số gamma và sigma. Thuật toán DE với cơ chế đột biến, lai ghép và chọn lọc toàn cục giúp tự động tìm ra bộ tham số tối ưu, tránh cho mô hình bị mắc kẹt tại các điểm cực tiểu cục bộ và giảm thiểu đáng kể sai số MAPE.

Bộ dữ liệu 100 dự án trong luận văn được thu thập từ nguồn nào?
Dữ liệu được trích xuất từ nguồn đo lường thực nghiệm chuẩn hóa của Global Solar Atlas, do Ngân hàng Thế giới và Tổ chức Tài chính Quốc tế bảo trợ. Bộ dữ liệu bao quát 100 trạm đo trải dài khắp các miền khí hậu Việt Nam, đảm bảo tính đại diện cho cả 4 phân khúc lắp đặt từ mái nhà đến mặt đất và mặt nước.

Kỹ thuật kiểm chứng chéo 10-fold đóng vai trò gì trong việc đánh giá mô hình?
Kỹ thuật 10-fold phân chia dữ liệu thành 10 phần độc lập để thực hiện 10 lượt huấn luyện và kiểm tra xoay vòng theo tỷ lệ 9:1. Phương pháp này triệt tiêu hoàn toàn sự sai lệch do lấy mẫu ngẫu nhiên đơn lẻ, ngăn ngừa hiện tượng quá khớp và cung cấp thước đo trung thực về khả năng dự báo của mô hình trên dữ liệu mới.

Mô hình DE-LSSVM có thể ứng dụng cho các dự án điện mặt trời nổi trên mặt nước không?
Mô hình hoàn toàn áp dụng hiệu quả cho hệ thống điện mặt trời nổi. Trong 100 mẫu khảo sát của luận văn đã bao gồm dữ liệu từ các dự án nổi trên mặt nước, nơi các thông số nhiệt độ môi trường và bức xạ phản xạ được thuật toán xử lý chính xác để phản ánh mức tăng sản lượng từ 5% đến 10% nhờ hiệu ứng làm mát tự nhiên.

Kết luận

  • Xác lập hệ thống 16 nhân tố ảnh hưởng và rút gọn thành công 9 thông số định lượng trọng yếu để xây dựng mô hình dự báo năng suất điện mặt trời tại Việt Nam.
  • Chuẩn hóa bộ dữ liệu thực nghiệm gồm 100 dự án tiêu biểu trải rộng trên toàn quốc thuộc 4 loại hình lắp đặt phổ biến nhất hiện nay.
  • Chứng minh tính ưu việt của mô hình lai DE-LSSVM so với mô hình LSSVM đơn lẻ qua các chỉ số định lượng khắt khe với hệ số sai số 1-R đạt 0.259 cùng độ lệch MAPE thấp.
  • Đóng góp giải pháp tự động hóa hữu hiệu cho giai đoạn nghiên cứu tiền khả thi, hỗ trợ các nhà đầu tư đưa ra quyết định tài chính và kỹ thuật chuẩn xác.
  • Mở ra hướng nghiên cứu tiếp theo trong giai đoạn 2024-2026 về việc tích hợp thuật toán học sâu và dữ liệu viễn thám thời gian thực để dự báo sản lượng theo từng khung giờ vận hành.

Để nâng cao hiệu quả đầu tư và tối ưu hóa vận hành các dự án năng lượng tái tạo, các nhà quản lý dự án và kỹ sư thiết kế nên áp dụng ngay mô hình tính toán DE-LSSVM vào quy trình khảo sát tiền khả thi thực tế.