Một cách tiếp cận dự báo chứa đựng thông tin bất định cho công suất phát từ các nguồn năng lượng tái tạo

Bài viết trình bày cách tiếp cận dự báo chứa đựng thông tin bất định về công suất phát từ các nguồn NLTT cũng như khả năng ứng dụng thực tế của kết quả đạt được từ phương pháp tiếp cận đề xuất.

ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 19, NO 11, 2021 29 MỘT CÁCH TIẾP CẬN DỰ BÁO CHỨA ĐỰNG THÔNG TIN BẤT ĐỊNH CHO CÔNG SUẤT PHÁT TỪ CÁC NGUỒN NĂNG LƯỢNG TÁI TẠO AN UNCERTAINTY FORECASTING APPROACH FOR POWER GENERATION FROM RENEWABLE ENERGY SOURCES Lê Đình Dương1*, Ngơ Văn Dưỡng2, Nguyễn Thị Ái Nhi1, Huỳnh Văn Kỳ2 Trường Đại học Bách khoa - Đại học Đà Nẵng Đại học Đà Nẵng *Tác giả liên hệ: ldduong@dut.udn.vn (Nhận bài: 24/8/2021; Chấp nhận đăng: 21/10/2021) Tóm tắt - Nguồn lượng tái tạo (NLTT) đóng vai trị quan trọng hệ thống lượng quốc gia Để phục vụ cho công tác quản lý vận hành hệ thống điện, việc dự báo xác cơng suất phát từ nguồn NLTT cần thiết Tuy nhiên, đặc tính biến đổi ngẫu nhiên theo điều kiện thời tiết nên việc dự báo nguồn NLTT gặp nhiều khó khăn thách thức Ngồi ra, cách tiếp cận dự báo phổ biến không chứa đựng thông tin bất định nguồn NLTT dẫn đến nhiều hạn chế việc sử dụng kết dự báo tính tốn phân tích hệ thống điện Bài báo trình bày cách tiếp cận dự báo chứa đựng thơng tin bất định công suất phát từ nguồn NLTT khả ứng dụng thực tế kết đạt từ phương pháp tiếp cận đề xuất Abstract - Renewable energy sources (RES) play a very important role in the national energy system In order to serve the management and operation of the power system, it is necessary to accurately forecast the power generation from RES However, due to the random variation according to weather conditions, the work of forecasting of RES faces many difficulties and challenges In addition, the most widely used forecasting approaches not contain information about uncertainty of RES, leading to many limitations in using forecasting results in power system computation and analysis This article presents an uncertainty forecasting approach for power generation from RES as well as the practical applicability of the results obtained from the proposed approach Từ khóa - Năng lượng tái tạo; bất định; dự báo Key words - Renewable energy; uncertainty; forecast Đặt vấn đề Với đặc điểm tự nhiên khí hậu tương đối thuận lợi, Việt Nam có tiềm lớn NLTT điện mặt trời, điện gió đẩy mạnh phát triển nguồn để đáp ứng nhu cầu sử dụng điện ngày tăng nhằm vừa phục vụ phát triển kinh tế - xã hội đất nước, vừa tạo lợi ích cho người dân, doanh nghiệp Hiện nay, tỷ trọng nguồn NLTT chiếm tới gần 25% tổng nguồn góp phần bảo đảm nguồn cung cho hệ thống Tính đến hết tháng năm 2021, nước có 17.000 MW điện mặt trời trang trại 7.700 MW điện mặt trời mái nhà Điện gió có 612 MW vào vận hành dự kiến từ đến cuối năm 2021, hệ thống điện quốc gia có thêm gần 4000 MW điện gió [1] Từ thơng tin thấy rằng, NLTT đóng vai trị quan trọng hệ thống lượng quốc gia Tuy nhiên, nguồn NLTT tăng cao thời gian qua gây nhiều khó khăn áp lực cho công tác quản lý vận hành hệ thống điện trở thành chủ đề “nóng” thu hút nhiều quan tâm khơng ngành điện mà toàn xã hội Nguyên nhân liên quan đến nguồn NLTT khả phát điện nguồn phụ thuộc hoàn toàn vào điều kiện khí hậu thời tiết thay đổi thường xuyên nên việc đảm bảo cung cầu hệ thống phụ thuộc nhiều vào nguồn lượng truyền thống Để phục vụ cho công tác quản lý vận hành hệ thống điện, dự báo công suất phát từ nguồn NLTT đóng vai trị quan trọng Tuy nhiên, đặc điểm biến đổi ngẫu nhiên theo điều kiện khí hậu thời tiết nên việc dự báo nguồn NLTT gặp nhiều khó khăn thách thức Một cách tổng quát, dự báo nguồn NLTT phân loại theo miền thời gian dự báo ứng dụng kết dự báo mơ tả Bảng [2] Trong miền thời gian dự báo, miền dự báo cho ngày vận hành (day-ahead) quan tâm cần thiết nên lựa chọn trình bày minh họa cho cách tiếp cận đề xuất báo Dự báo nguồn NLTT có nhiều phương pháp phân loại thành nhóm sau [2-4]: - Phương pháp dựa đặc tính quán tính (Persistence): Phương pháp dựa giả thuyết giá trị dự báo thời điểm t với giá trị thực tế quan sát thời điểm t - trước Phương pháp thích hợp với miền dự báo cực ngắn từ vài phút đến vài chục phút; - Phương pháp dựa mơ hình thống kê (Statistical methods): Thích hợp với miền dự báo ngắn hạn (vài giờ), ngày tới, vài ngày tới; - Phương pháp dựa mơ hình vật lý (Physical methods) mơ hình dự báo thời tiết (Numerical Weather Prediction - NWP): Thích hợp với miền dự báo trung dài hạn (vài tuần, tháng, mùa, ); - Phương pháp dựa kỹ thuật học máy (Machine learning: ANN, AI,…): Thích hợp với miền dự báo ngắn hạn (vài giờ), ngày tới, vài ngày tới; The University of Danang - University of Science and Technology (Le Dinh Duong, Nguyen Thi Ai Nhi) The University of Danang (Ngo Van Duong, Huynh Van Ky) Lê Đình Dương, Ngơ Văn Dưỡng, Nguyễn Thị Ái Nhi, Huỳnh Văn Kỳ 30 - Phương pháp dựa mơ hình lai (Hybrid methods): Thích hợp với miền dự báo ngắn hạn (vài giờ), ngày tới, vài ngày tới Bảng Phân loại dự báo nguồn NLTT Loại dự báo Miền thời gian Ứng dụng kết dự báo Intra-hour/ Very short term (Cực ngắn hạn) Regulation (Điều khiển hệ thống), Từ vài phút real-time dispatch (Điều độ thời gian đến 60 phút thực) Short term (Ngắn hạn) Short term scheduling (Lập kế hoạch Từ đến vận hành ngắn hạn), congestion tới management (Quản lý tắc nghẽn) Ngày tới (day-ahead) Medium vài term (Trung ngày tới hạn) (cho tới tuần) Long term (Dài hạn) Day-ahead scheduling (Lập kế hoạch vận hành ngày tới), unit commitment (Kế hoạch huy động công suất tổ máy), reserve requirement (Yêu cầu dự trữ), market trading (Mua bán điện), congestion management (Quản lý tắc nghẽn), security assessment (Đánh giá an toàn hệ thống điện) Resource planning (Quy hoạch nguồn), contingency analysis (Phân Nhiều tuần, tích chế độ đột biến), maintenance mùa, năm, planning (Lập kế hoạch bảo trì), nhiều năm operation management (Quản lý vận hành), security assessment (Đánh giá an toàn hệ thống điện) Tuy nhiên, nhóm phương pháp đa phần áp dụng cho cách tiếp cận dự báo điểm (Point forecast) truyền thống Với cách dự báo này, kết chuỗi giá trị dự báo giá trị (hằng số) ứng với thời điểm miền thời gian dự báo, không chứa đựng thông tin bất định kết dự báo Trong thực tế, kết dự báo ln có sai số đại lượng biến đổi ngẫu nhiên nguồn NLTT kết dự báo điểm khơng thể phản ánh hết chất bất định đối tượng dự báo Thông tin bất định công suất phát từ nguồn NLTT đại lượng khác hệ thống điện cần thiết cho tính toán, quản lý vận hành hệ thống điện hệ thống tích hợp ngày nhiều nguồn NLTT vào Mới Cục Điều tiết Điện lực (Bộ Công Thương) ban hành Quyết định số 67/QĐ-ĐLĐL ngày 10/08/2021 Quy trình dự báo cơng suất, điện phát nguồn điện lượng tái tạo có nêu rõ yêu cầu phương pháp dự báo “Phương pháp có khả phân tích yếu tố bất định”, nội dung cách tiếp cận đề xuất báo vừa có tính khoa học vừa có tính thời sự, cần thiết vấn đề dự báo nguồn NLTT Bài báo có đóng góp sau đây: (1) Cung cấp “bức tranh” rõ nét cách tiếp cận dự báo điểm (Point forecast) cách tiếp cận dự báo chứa đựng thông tin bất định (Uncertainty forecast); (2) Đề xuất phương pháp thực cụ thể dự báo chứa đựng thông tin bất định cho công suất phát nguồn NLTT; (3) Minh họa ứng dụng thực tế cần thiết từ kết dự báo chứa đựng thơng tin bất định cơng tác tính tốn, quản lý vận hành hệ thống điện nói chung nguồn NLTT nói riêng Phương pháp đề xuất 2.1 Các bước thực Các bước tổng quát cách tiếp cận dự báo công suất phát nguồn NLTT (điện gió, điện mặt trời) có chứa đựng thông tin bất định sau: - Bước 1: Nhập liệu công suất phát thu thập từ nguồn NLTT; - Bước 2: Xác định loại bỏ phần tử ngoại lai (outliers) [5-7]; - Bước 3: Xác định xử lý liệu bị thiếu (missing data) [8, 9]; - Bước 4: Chuỗi liệu quan sát từ thực tế (sau thực Bước 3) thường khơng có tính dừng chứa dựng đặc tính ngày mùa, đặc tính xác định, trích xuất tách khỏi chuỗi liệu để đạt chuỗi liệu có tính dừng [10]; - Bước 5: Xây dựng mơ hình chuỗi thời gian (mơ hình ARMA) cho chuỗi liệu có tính dừng thu Bước [10]; - Bước 6: Dùng mơ hình từ Bước để phát Ns (Ns thường lớn) kịch (scenario) Trong đó, scenario chuỗi liệu dự báo cho miền thời gian cần dự báo, kịch có xác suất Các chuỗi tích hợp lại đặc tính ngày mùa tách Bước để đạt tập hợp Ns chuỗi liệu dự báo vừa mang đặc tính đối tượng cần dự báo vừa chứa đựng thông tin bất định kết dự báo Mơ hình ARMA kỹ thuật xử lý bước mô tả Mục 2.2 2.3 Việc minh họa kết bàn luận khả ứng dụng thực tế kết đạt từ phương pháp tiếp cận đề xuất trình bày Mục 2.2 Mơ hình chuỗi thời gian Chuỗi thời gian chuỗi giá trị quan sát X = {x1, x2,… xn} xếp thứ tự diễn biến thời gian với x1 giá trị quan sát thời điểm đầu tiên, x2 quan sát thời điểm thứ xn quan sát thời điểm thứ n Trong chuỗi thời gian thường giá trị thời điểm khác có mối tương quan với Một chuỗi thời gian có tính dừng (stationary) kỳ vọng (expected value) phương sai (variance) khơng đổi theo thời gian giá trị hiệp phương sai (covariance) hai giai đoạn phụ thuộc vào khoảng cách hai giai đoạn khơng phụ thuộc vào thời gian thực hiệp phương sai tính [10] Các chuỗi thời gian thực tế thường khơng có tính dừng (nonstationary), nhiên mơ hình chuỗi thời gian phổ biến thường áp dụng cho chuỗi thời gian có tính dừng Do đó, xây dựng mơ hình cho chuỗi thời gian thực tế thường có cách tiếp cận dùng trực tiếp mơ hình cho chuỗi khơng có tính dừng biến đổi chuỗi thời gian khơng dừng thành chuỗi thời gian dừng áp dụng mơ hình đơn giãn, dễ thực Mơ hình phổ biến áp dụng cho chuỗi thời gian có tính dừng mơ hình hồi quy trung bình trượt (Auto-Regressive Moving Average, viết tắt ARMA), mơ hình dùng cho mục đích dự báo Mơ hình ARMA bao gồm hai ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 19, NO 11, 2021 thành phần hồi quy (AR) trung bình trượt (MA), thường ký hiệu ARMA(p, q) Trong đó, p bậc AR q bậc MA Mơ hình ARMA(p, q) biểu diễn sau [10]: p xt =  i =1 q  i xt −i +  t −  x j t− j (1) j =1 Trong đó: 1, 2, …p tham số thành phần AR; 1, 2, …q tham số thành phần MA; xt giá trị dự báo thời điểm t; {t} chuỗi ngẫu nhiên túy (purely random) hay gọi nhiễu trắng (white noise), chuỗi thời gian có kỳ vọng 0, phương sai khơng đổi (đồng nhất), khơng có tính tương quan (uncorrelated) Trường hợp đặc biệt q = 0, mơ hình trở thành mơ hình hồi quy AR(p) Khi p = 0, mơ hình trở thành mơ hình trung bình trượt MA(q) Mơ hình AR thể chuỗi thời gian kết hợp tuyến tính giá trị khứ AR(p) cho ta biết cần giá trị khứ để bao gồm vào mơ hình Mơ hình MA bao gồm thành phần bị trễ trình nhiễu Mơ hình ARMA cho chuỗi thời gian có tính dừng ước lượng theo phương pháp Box–Jenkins mô tả chi tiết tài liệu [10] 2.3 Kỹ thuật tiền xử lý liệu Phần trình bày kỹ thuật xử lý chuỗi liệu thu thập thực tế để đạt chuỗi liệu tốt có tính dừng để áp dụng mơ hình ARMA 2.3.1 Xử lý liệu bị thiếu Dữ liệu bị thiếu (missing data) [8, 9] gây nguyên nhân khách quan lẫn chủ quan Nguyên nhân khách quan gây thu thập liệu liệu khơng tồn liệu bị lỗi, trình truyền tin lưu trữ bị liệu Nguyên nhân chủ quan tác nhân người Để xử lý liệu bị có số giải pháp sau: Bỏ qua khơng dùng liệu đó, xử lý tay, thay liệu bị giá trị trung bình biến ngẫu nhiên, dùng phương pháp thuật toán để suy liệu thay cho liệu bị Khi liệu bị khơng nhiều liệu suy từ phương pháp nội suy để suy giá trị bị từ liệu sẵn có lân cận Khi liệu bị tương đối nhiều, phương pháp dự báo dùng để suy liệu bị cách dùng liệu sẵn có trước (training data) để xây dựng mơ hình dự báo dùng mơ hình để suy liệu bị Các phương pháp xử lý liệu bị trình bày chi tiết tài liệu [8, 9] 2.3.2 Loại bỏ phần tử ngoại lai Phần tử ngoại lai hay phần tử kỳ dị (outliers) [5-7] liệu khơng tn theo đặc tính chung tập liệu Outliers gây nguyên nhân khách quan từ công cụ thu thập liệu, lỗi đường truyền, giới hạn công nghệ, … nguyên nhân chủ quan người Các giá trị ngoại lai thường xem mẫu liệu đặc biệt, cách xa khỏi phần lớn liệu khác tập liệu Các phần tử nhận biết dựa vào 31 phân bố thống kê (statistical distribution-based), khoảng cách (distance-based), mật độ (density-based), độ lệch (deviation-based) [5-7] Các phần tử ngoại lai có ảnh hưởng lớn đến độ xác mơ hình mơ tính tốn xác suất thống kê Phát xử lý điểm ngoại lai bước quan trọng trình chuẩn bị liệu Các phương pháp xác định loại trừ outliers trình bày [11, 12] bao gồm nhóm phương pháp: Phân tích giá trị cực biên (Extreme Value Analysis), dựa mơ hình xác suất thống kê (Probabilistic and Statistical Models), dùng mơ hình tuyến tính (Linear Models), mơ hình dựa tiệm cận (Proximitybased Models), mơ hình lý thuyết thơng tin (Information Theoretic Models) , phương pháp có ưu nhược điểm riêng Phương pháp sử dụng hiệu thực tế trình bày tài liệu [13] áp dụng báo, outliers phát loại khỏi tập liệu dựa vào hàm phân bố tập liệu giá trị significance level (mức ý nghĩa thống kê) 2.3.3 Xử lý chuỗi liệu khơng có tính dừng u cầu q trình ngẫu nhiên mơ tả mơ hình (1) phải có tính dừng Tuy nhiên, nguồn NLTT điện gió, điện mặt trời phụ thuộc vào điều kiện thời tiết, khí hậu thường có đặc tính ngày đặc tính mùa làm cho chuỗi liệu quan sát thường khơng có tính dừng Các đặc tính xác định trích xuất khỏi chuỗi liệu ban đầu tạo chuỗi liệu mang tính dừng sau [14]: ( ) xt, = xt − t ,m /  t ,m (2) Trong đó, t,m t,m giá trị kỳ vọng (expected value) độ lệch chuẩn (standard deviation) ứng với thời điểm t m, với m khoảng thời gian khác năm tháng, mùa… thể tính chu kỳ, tính mùa vụ chuỗi liệu; xt xt, giá trị ban đầu giá trị sau xử lý thời điểm t Chuỗi liệu thu { xt, } kiểm tra tính dừng cách áp dụng phương pháp kiểm tra phổ biến lĩnh vực xác suất thống kê Augmented Dickey - Fuller (ADF) [15], Kwiatkowski – Phillips Schmidt - Shin (KPSS) [16] Nếu chuỗi { xt, } thỏa mãn trình loại bỏ đặc tính ngày mùa đạt yêu cầu Ngược lại, cần xác định lại đặc tính mùa cho kiểm tra lại chuỗi thu có tính dừng Thử nghiệm bàn luận khả ứng dụng thực tế kết đạt từ phương pháp tiếp cận đề xuất Để thử nghiệm cho phương pháp tiếp cận báo minh họa ứng dụng kết dự báo chứa đựng thông tin bất định, số liệu thu thập theo năm từ tháng 7/2019 đến tháng 6/2020 hệ thống điện mặt trời thực tế có công suất lắp đặt MW Ninh Thuận sử dụng Chuỗi số liệu thu thập xử lý thơng qua bước trình bày Mục Dữ liệu thu có 32 số giá trị ngoại lai liệu bị lỗi việc đo đếm thu thập thông tin Dữ liệu thiếu tương đối khơng liên tiếp khoảng thời gian dài nên cần xử lý phương pháp nội suy Đối với nguồn lượng mặt trời khu vực lấy liệu thử nghiệm, công suất phát hệ thống khoảng thời gian từ đến sáng từ 18 đến 23 tối có giá trị 0, số liệu thu thập từ sáng đến 17 tiếp tục xử lý trích xuất loại bỏ đặc tính ngày mùa Ở khu vực này, đặc tính mùa rõ rệt mùa nắng (thường từ tháng đến tháng hàng năm) mùa mưa (từ tháng 10 đến tháng 12) chuỗi số liệu chia làm khoảng tương ứng với mùa ứng với m = cơng thức (2) Đối với khu vực nói chung khó xác định đặc tính mùa để tăng tính xác việc loại trừ đặc tính mùa chia chuỗi thời gian năm thành khoảng ngắn chia theo tháng ứng m = 12 (được sử dụng báo này) Chuỗi số liệu sau bước kiểm tra tính dừng trình bày Mục 2.3.3 Mơ hình ARMA xây dựng cho chuỗi số liệu có bậc p = q = (mơ hình ARMA(1,1)) có chứa đựng thành phần ngẫu nhiên túy Mơ hình tạo mẫu phát tập hợp lớn kịch dự báo (scenario), scenario chuỗi liệu dự báo cho miền thời gian dự báo (24 ngày tiếp theo) xác suất đồng cho scenario Số lượng scenario Ns thường lớn để đảm bảo kết dự báo tập hợp bao gồm tất trường hợp xảy thực tế, thơng tin bất định đối tượng dự báo (ở công suất phát nguồn điện mặt trời) Lê Đình Dương, Ngơ Văn Dưỡng, Nguyễn Thị Ái Nhi, Huỳnh Văn Kỳ đơn vị đầu tư, quản lý nhà máy, đơn vị quản lý hệ thống điện…) hệ thống điện Hình Kết dự báo công suất phát thời điểm 10 sáng ngày Với dạng kết dự báo thu trên, thời điểm miền dự báo, thơng tin có không giá trị cụ thể giống phương pháp dự báo điểm truyền thống mà hàm phân bố xác suất chứa đựng đầy đủ thông tin với chất ngẫu nhiên đại lượng dự báo Hình minh họa thơng tin trích xuất từ kết dự báo thời điểm 10 sáng Thông tin hàm số tích hợp vào tốn tính tốn phân tích hệ thống điện Hình minh họa hai cách tiếp cận khác tính tốn phân tích hệ thống điện có sử dụng kết dự báo công suất phát từ nguồn điện mặt trời nói riêng, ví dụ minh họa báo cho nguồn NLTT nói chung Hình Kết dự báo công suất phát cho ngày tới chứa đựng thông tin bất định biểu diễn tập hợp scenario Hình vẽ kết dự báo cho ngày bao gồm số lượng scenario Ns = 1000 Giá trị kỳ vọng (Expected value) thời điểm số liệu đo đếm thực tế hay gọi số liệu quan sát thực tế (Observed) thể hình vẽ cho thấy, hai chuỗi số liệu gần chứng tỏ phương pháp ARMA thích hợp để sử dụng cho số liệu toán dự báo Như đề cập phần trước, mục tiêu báo không đặt trọng tâm vào việc kiểm chứng tính xác phương pháp dự báo chọn làm ví dụ minh họa (đó mơ hình ARMA, mơ hình dùng tương đối phổ biến để dự báo ngắn hạn dự báo cho ngày tới kiểm chứng nhiều nghiên cứu công bố) mà muốn đề xuất cách tiếp cận hiệu để cung cấp thêm thông tin bất định cần thiết kết dự báo cho người dùng (cá nhân, Hình So sánh hai cách tiếp cận tính tốn phân tích hệ thống điện liên quan đến việc sử dụng kết dự báo công suất phát nguồn điện mặt trời Cách tiếp cận 1, tương ứng với phương pháp tính tốn phân tích hệ thống điện theo cách truyền thống (DPF) [17] Thực cho toán vận hành, sử dụng thơng tin đầu vào tốn thơng số hệ thống, cơng suất từ phụ tải, kết từ dự báo công suất phát nguồn điện mặt trời Psolar (Psolar thu từ phương pháp dự báo điểm)… giá trị cố định Do đó, cách tiếp cận khơng tích hợp yếu tố bất định từ thông tin đầu vào có nguồn điện mặt trời Kết đầu ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 19, NO 11, 2021 toán điện áp nút (Vi), công suất truyền nhánh (công suất tác dụng phản kháng Pik Qik nhánh ik) giá trị cố định Do đó, khơng có đầy đủ thông tin bất định hệ thống để đánh giá tình trạng hệ thống điện Đó nhược điểm lớn phương pháp Nhược điểm ngày bộc lộ rõ hệ thống điện tích hợp nhiều yếu tố bất định đặc biệt từ nguồn NLTT Ngược lại, cách tiếp cận sử dụng kỹ thuật xác suất thống kê để tích hợp thơng tin bất định liên quan đến tốn tính tốn phân tích hệ thống điện Ví dụ, tính tốn cho miền thời gian vận hành ngày thơng tin đầu vào tốn có công suất phát dự báo từ nguồn điện mặt trời biểu diễn hàm phân phối xác suất (kết cách tiếp cận dự báo xác suất báo này) chứa đựng thông tin đầy đủ tính bất định thơng tin đầu vào Sau đó, thơng tin tích hợp vào cơng cụ tính tốn trào lưu cơng suất bất định (PPF) [17], cho kết hàm phân bố xác suất điện áp công suất truyền nhánh Các hàm phân bố xác suất biến ngẫu nhiên đầu cho phép nhà vận hành hệ thống điện đánh giá tình trạng hệ thống yếu tố rủi ro dẫn đến an tồn hệ thống để từ có giải pháp xử lý hiệu Ngồi tốn tính tốn phân tích hệ thống điện trên, kết dự báo dạng tập hợp scenario dễ dàng sử dụng cho cơng tác tính tốn lập kế hoạch vận hành tối ưu ngày tới (day-ahead optimal scheduling) có tích hợp thơng tin bất định nguồn NLTT nói chung nguồn điện mặt trời nói riêng Hình Dạng kết dự báo từ phương pháp dự báo điểm cho ngày vận hành Hình minh họa kết dự báo điểm cho công suất phát từ nguồn điện mặt trời cho ngày vận hành kế tiếp, với kết này, toán lập kế hoạch vận hành tối ưu ngày tới bỏ qua thông tin bất định Thay sử dụng kết đầu vào từ dự báo điểm phương pháp truyền thống, phương pháp lập kế hoạch tối ưu ngày tới sử dụng kỹ thuật xác suất (stochastic day-ahead optimal scheduling) [18], tích hợp yếu tố bất định đầu vào từ kết dự báo dạng tập hợp scenario cho công suất phát từ nguồn điện mặt trời trình bày báo Ngồi ra, để giảm thời gian tính tốn cho phương pháp lập kế hoạch tối ưu ngày tới sử dụng kỹ thuật xác suất, kỹ thuật rút gọn tập hợp scenario (scenario reduction) [19] áp dụng Hình mơ tả minh họa kết rút gọn số lượng scenario từ tập hợp 33 ban đầu lớn (Ns = 1000) xuống tập hợp rút gọn bao gồm 10 scenario đại diện cho 1000 scenario tập hợp ban đầu thông tin bất định suy giảm khơng đáng kể Hình Kết dự báo biễu diễn tập hợp đại diện Ngoài ra, dạng kết dự báo nguồn NLTT có chứa đựng thơng tin bất định trình bày báo này, sử dụng cho công việc khác hệ thống điện quản lý tắc nghẽn (congestion management), tính tốn u cầu dự trữ (reserve requirement), công tác mua bán điện (market trading), quy hoạch nguồn (resource planning), phân tích an tồn hệ thống (security assessment)… dùng thuật toán xác suất Cách tiếp cận áp dụng cho nguồn NLTT khác điện gió cho phụ tải điện Tuy nhiên, nguồn điện gió độ xác tốn dự báo thấp độ bất định nguồn điện tương đối cao so với nguồn điện mặt trời Trong phạm vi báo, dự báo công suất phát nguồn điện mặt trời lựa chọn trình bày nhằm mục đích minh họa cho cách tiếp cận phương pháp dự báo Kết luận Bài báo trình bày cách tiếp cận dự báo chứa đựng thông tin bất định công suất phát từ nguồn NLTT Bài báo cung cấp thông tin rõ nét cách tiếp cận dự báo chứa đựng thông tin bất định đề xuất phương pháp thực cụ thể miền thời gian dự báo ngày vận hành hệ thống điện Ngoài ra, ứng dụng thực tế kết dự báo từ cách tiếp cận trình bày báo cho việc tính tốn cơng tác quản lý vận hành hệ thống điện nói chung nguồn NLTT nói riêng bàn luận Bài báo mở hướng tiếp cận phù hợp việc chuyển từ toán “tất định” sang toán “bất định” phù hợp với tình hình nay, nguồn NLTT với chất biến đổi ngẫu nhiên tích hợp ngày nhiều chiếm tỷ trọng lớn hệ thống điện Lời cảm ơn: Nghiên cứu tài trợ Bộ Giáo dục Đào tạo đề tài có mã số B2020-DNA-02 TÀI LIỆU THAM KHẢO [1] Website: http://baochinhphu.vn/Doanh-nghiep/Van-hanh-he-thongdien-trong-boi-canh-bung-no-nang-luong-tai-tao/430180.vgp [2] C Monteiro, K Keko, R Bessa, et al., Quick Guide to Wind Power Forecasting: Stateof-the-Art, Argonne National Laboratory ANL/DIS-10-2, 2009 [3] R Ahmed, V Sreeram, Y Mishra, M.D Arif, “A review and Lê Đình Dương, Ngô Văn Dưỡng, Nguyễn Thị Ái Nhi, Huỳnh Văn Kỳ 34 [4] [5] [6] [7] [8] [9] [10] [11] [12] evaluation of the state-of-the-art in PV solar power forecasting: Techniques and optimization”, Renewable and Sustainable Energy Reviews, 124, 2020, 1-26 S Sobri, S Koohi-Kamali, N A Rahim, “Solar photovoltaic generation forecasting methods: A review”, Energy Conversion and Management, 156, 2018, 459-497 J Han, M Kamber, J Pei, Data Mining: Concepts and Techniques, 3rd Edition, The Morgan Kaufmann Series in Data Management Systems Morgan Kaufmann Publishers, July 2011 D L Olson, D Delen, Advanced Data Mining Techniques, Springer-Verlag, 2008 G J Williams, S J Simoff, Data Mining: Theory, Methodology, Techniques, and Applications, Springer-Verlag, 2006 D B Rubin, R J A Little, Statistical Analysis with Missing Data, 2nd ed., New York: Wiley, 2002 C K Enders, Applied Missing Data Analysis, 1st ed., New York: Guildford Press, 2010 G E P Box and G M Jenkins, Time Series Analysis: Forecasting and Control, San Francisco, CA, USA: Holden-Day, 1976 C C Aggarwal, Outlier Analysis, 2nd ed., Springer, 2016 I Ben-Gal, Outlier detection, Data Mining and Knowledge Discovery Handbook: A Complete Guide for Practitioners and Researchers, Kluwer Academic Publishers, 2005 [13] F E Grubbs, “Procedures for Detecting Outlying Observations in Samples”, Technometrics, vol 11, no 1, 1969, 1-21 [14] A Papavasiliou, S S Oren, “Stochastic modeling of multi-area wind power production”, in Proc 12th Int Conf Probab Methods Appl Power Syst., Istanbul, Turkey, Jun 10-14, 2012, 1-6 [15] J B Cromwell, W C Labys, M Terraza, Univariate Tests for Time Series Model, Newbury Park, CA, USA: Sage, 1994 [16] D Kwiatkowski, P C B Phillips, P Schmidt, and Y Shin, “Testing the null hypothesis of stationarity against the alternative of a unit root”, J Econometrics, vol 54, 1992, 159-178 [17] D D Le, A Berizzi, C Bovo, “A probabilistic security assessment approach to power systems with integrated wind resources”, Renewable Energy, 85, 2016, 114-123 [18] M Nick, R Cherkaoui, M Paolone, “Stochastic Day-ahead Optimal Scheduling of Active Distribution Networks with Dispersed Energy Storage and Renewable Resources”, IEEE Conference on Technologies for Sustainability (SusTech), 2014, 91-96 [19] J Liang, W Tang, “Scenario Reduction for Stochastic Day-Ahead Scheduling: A Mixed Autoencoder Based Time-Series Clustering Approach”, IEEE Transactions on Smart Grid, Vol 12, No 3, May 2021, 2652-2662  ... (Point forecast) cách tiếp cận dự báo chứa đựng thông tin bất định (Uncertainty forecast); (2) Đề xuất phương pháp thực cụ thể dự báo chứa đựng thông tin bất định cho công suất phát nguồn NLTT; (3)... báo, dự báo công suất phát nguồn điện mặt trời lựa chọn trình bày nhằm mục đích minh họa cho cách tiếp cận phương pháp dự báo Kết luận Bài báo trình bày cách tiếp cận dự báo chứa đựng thông tin. .. thông tin bất định công suất phát từ nguồn NLTT Bài báo cung cấp thông tin rõ nét cách tiếp cận dự báo chứa đựng thông tin bất định đề xuất phương pháp thực cụ thể miền thời gian dự báo ngày vận