Nghiên cứu ứng dụng trí tuệ nhân tạo kết hợp với các thuật toán tối ưu để dự báo công suất phát nguồn điện gió

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG BÁO CÁO TĨM TẮT ĐỀ TÀI KHOA HỌC VÀ CƠNG NGHỆ CẤP ĐẠI HỌC ĐÀ NẴNG cD ho D NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO KẾT HỢP VỚI CÁC THUẬT TỐN TỐI ƯU ĐỂ DỰ BÁO CƠNG SUẤT PHÁT NGUỒN ĐIỆN GIÓ Mã số: B2019-DN01-27 g an aN Chủ nhiệm đề tài: PGS.TS Đinh Thành Việt Đà Nẵng, 01/2022 g an aN cD ho D DANH SÁCH THÀNH VIÊN THAM GIA THỰC HIỆN ĐỀ TÀI VÀ ĐƠN VỊ PHỐI HỢP CHÍNH DANH SÁCH THÀNH VIÊN THAM GIA THỰC HIỆN ĐỀ TÀI Đơn vị công tác TT Họ tên lĩnh vực chuyên môn Nội dung nghiên cứu cụ thể giao Chủ nhiệm đề tài: Định hướng tổ chức nghiên cứu, quản lý tiến độ thực đề tài; tham gia 01 (Chuyên ngành Kỹ thuật báo quốc tế 01 báo nước sản phẩm đề tài; phân tích, đánh giá điện) kết nghiên cứu; hướng dẫn chuyên đề cho nghiên cứu sinh; hướng dẫn sinh viên NCKH ThS Võ Văn Phương Nghiên cứu sinh – Trường Thư ký khoa học; thành viên thực Đại học Bách Khoa – Đại chính: thực nội dung nghiên học Đà Nẵng mục 15.2 theo phân cơng chủ trì đề tài; tham gia 01 báo quốc tế 01 báo nước sản (Chuyên ngành Kỹ thuật phẩm đề tài; thực chuyên đề nghiên cứu sinh điện) Đại học Đà Nẵng TS Dương Minh Quân Đại học Đà Nẵng Thành viên thực chính: thực nội dung nghiên cứu mục 15.2 theo phân công chủ nhiệm đề tài tham gia (Chuyên ngành Kỹ thuật 01 báo quốc tế 01 báo nước sản phẩm đề tài điện) g an aN cD ho D PGS.TS Đinh Thành Việt i MỤC LỤC g an aN cD ho D DANH MỤC CÁC BẢNG iii DANH MỤC CÁC HÌNH .iv DANH MỤC CÁC CHỮ VIẾT TẮT v THÔNG TIN KẾT QUẢ NGHIÊN CỨU vi MỞ ĐẦU 1 Tính cấp thiết đề tài Mục tiêu nghiên cứu 3 Đối tượng phạm vi nghiên cứu Cách tiếp cận, phương pháp nghiên cứu Bố cục đề tài Tổng quan tài liệu nghiên cứu CHƯƠNG TỔNG QUAN VỀ NĂNG LƯỢNG GIĨ VÀ DỰ BÁO CƠNG SUẤT PHÁT NGUỒN ĐIỆN GIĨ 1.1 Tổng quan lượng gió 1.1.1 Giới thiệu 1.1.2 Cấu tạo tuabin gió .5 1.1.3 Lợi ích việc đầu tư phát triển lượng điện gió 1.1.4 Tình hình phát triển lượng điện gió Việt Nam giới 1.2 Dự báo cơng suất phát nguồn điện gió 11 CHƯƠNG 2.MẠNG TRÍ TUỆ NHÂN TẠO VÀ THUẬT TỐN TỐI ƯU 23 2.1 Mạng trí tuệ nhân tạo (ANN) 23 2.2 Thuật toán tối ưu hoá bầy đàn 25 2.3 Thuật toán di truyền (GA) .27 2.4 Thuật tốn PSO-ANN để huấn luyện mạng trí tuệ nhân tạo 29 CHƯƠNG 3.MƠ HÌNH DỰ BÁO CƠNG SUẤT PHÁT NGUỒN ĐIỆN GIĨ SỬ DỤNG MẠNG TRÍ TUỆ NHÂN TẠO KẾT HỢP VỚI CÁC THUẬT TOÁN TỐI ƯU 33 3.1 Đề xuất mơ hình dự báo cơng suất phát nguồn điện gió sử dụng mạng trí tuệ nhân tạo kết hợp với thuật toán tối ưu 33 3.1.1 Mơ hình dự báo cơng suất phát nguồn điện gió PSO-PSO-ANN 33 3.1.2 Mơ hình dự báo cơng suất phát nguồn điện gió GA-PSO-ANN 35 3.2 Dữ liệu .38 3.2.1 Giới thiệu nhà máy điện gió Tuy Phong-Bình Thuận .38 3.2.2 Cấu tạo tuabin thơng số thiết bị nhà máy 39 3.2.3 Dữ liệu 40 3.3 Kết thử nghiệm 41 3.3.1 Phương pháp đánh giá kết .41 3.3.2 Kết thử nghiệm 41 3.4 Kết luận chương 46 CHƯƠNG 4.XÂY DỰNG MƠ HÌNH DỰ BÁO CƠNG SUẤT PHÁT ĐIỆN GIĨ SỬ DỤNG TENSORFLOW 48 4.1 Giới thiệu thư viện TensorFlow 48 4.2 Mơ hình dự báo sử dụng mạng nơron nhiều lớp truyền thẳng cho dự báo cơng suất phát nguồn điện gió 49 ii 4.3 Sơ đồ thực 51 4.4 Dữ liệu phương pháp đánh giá: 51 4.5 So sánh hiệu mơ hình huấn luyện dự báo cơng suất điện gió 52 4.6 Kết chương trình .55 4.7 Kết luận 59 KẾT LUẬN VÀ KIẾN NGHỊ 60 DANH MỤC TÀI LIỆU THAM KHẢO1 SẢN PHẨM g an aN cD ho D iii DANH MỤC CÁC BẢNG Bảng Kế hoạch phát triển nguồn điện theo Đề án quy hoạch điện VIII Bảng Các thông số thuật toán PSO 30 Bảng Bảng thông số tuabin 39 Bảng Bảng thông số máy phát 39 Bảng Sai số mơ hình dự báo đề xuất so sánh với mơ hình PSO-ANN Adam-ANN 42 Bảng Giá trị trung bình MAPE MSE 44 Bảng So sánh giá trị MAPE mơ hình đề xuất so với mơ hình khác 47 Bảng Kết sai số mơ hình khác .52 Bảng Sai số dự báo với mơ hình khác 54 Bảng 10 Kết dự báo cơng suất điện gió cho 12 tới 58 g an aN cD ho D iv DANH MỤC CÁC HÌNH Hình Cấu tạo tuabin gió Hình Tiềm điện gió Việt Nam Hình Sơ đồ mạng nơron nhiều lớp truyền thẳng 24 Hình Sơ đồ cập nhật thơng số vị trí vận tốc thuật toán PSO 26 Hình Lưu đồ thuật tốn di truyền [6] 28 Hình Mơ hình thuật tốn PSO-ANN 29 Hình Sơ đồ thực thuật toán PSO 31 Hình Mơ hình thuật toán PSO-PSO-ANN 33 Hình Lưu đồ thuật tốn thuật toán PSO-PSO-ANN 34 Hình 10 Mơ hình thuật tốn GA-PSO-ANN 36 Hình 11 Lưu đồ thuật tốn GA-PSO-ANN 37 Hình 12 Các trụ điện gió thuộc Nhà máy điện gió Tuy Phong - Bình Thuận .38 Hình 13 Tiềm gió Tuy Phong Bình Thuận [14] 38 D Hình 14 Cấu tạo tubin gió .40 Hình 15 Dữ liệu cơng suất phát vận tốc gió tuabin 41 ho Hình 16 Chỉ số MAPE cho 24 lần thử nghiệm 43 Hình 17 Chỉ số MSE cho 24 lần thử nghiệm 43 cD Hình 18 Giá trị trung bình MAPE cho 24 lần thử nghiệm 44 aN Hình 19 Giá trị trung bình MSE cho 24 lần thử nghiệm .44 Hình 20 Cơng suất phát thực tế dự báo tuabin gió 24h 45 an Hình 21 Công suất phát thực tế dự báo tuabin gió tuần 46 Hình 22 Biểu đồ phân cấp cấp độ TensorFlow 48 g Hình 23 Cấu trúc mạng nơron đầu vào 49 Hình 24 Cấu trúc mạng nơron đầu vào 50 Hình 25 Lưu đồ thuật toán 51 Hình 26 Sự thay đổi giá trị sai số học máy qua vòng lặp 56 Hình 27 Đồ thị sai số MAPE trung bình số thuật toán 56 Hình 28 Đồ thị tương quan cơng suất dự báo thực tế 12h tới 57 Hình 29 Đồ thị tương quan công suất dự báo thực tế 24h tới 57 v DANH MỤC CÁC CHỮ VIẾT TẮT ANN Artificial Neural Network - Mạng trí tuệ nhân tạo EVN Tập đồn Điện lực Việt Nam GA Genetic Algorithm - Thuật toán di truyền GWEC Global Wind Energy Council - Uỷ ban lượng gió tồn cầu MAPE Mean Absolute Percentage Error - Sai số phần trăm giá trị tuyệt đối trung bình MSE Mean Squared Error - Sai số bình phương trung bình NLTT Năng lượng tái tạo PSO Particle Swarm Optimisation - Thuật toán tối ưu hoá bầy đàn SCADA Supervisory Control and Data Acquisition - Hệ thống giám sát, điều khiển thu thập liệu g an aN cD ho D vi BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG - THÔNG TIN KẾT QUẢ NGHIÊN CỨU Thông tin chung: - Tên đề tài: Nghiên cứu ứng dụng trí tuệ nhân tạo kết hợp với thuật toán tối ưu để dự báo cơng suất phát nguồn điện gió - Mã số: B2019-DN01-27 - Chủ nhiệm đề tài: PGS.TS Đinh Thành Việt - Tổ chức chủ trì: Đại học Đà Nẵng Mục tiêu: ho D - Thời gian thực hiện: 24 tháng, từ tháng năm 2020 đến tháng năm 2022 Xây dựng chương trình dự báo cơng suất phát nguồn điện gió sở ứng dụng thuật aN Tính sáng tạo: cD tốn tối ưu kết hợp với trí tuệ nhân tạo Các nguồn điện gió thường chịu ảnh hưởng lớn yếu tố thời tiết Một biến thiên bất an định gió (vận tốc, hướng gió) làm thay đổi cơng suất phát nhà máy điện gió, gây ảnh hưởng g nghiêm trọng đến tần số an ninh hệ thống điện Do đó, việc dự báo cơng suất phát nhà máy điện gió đóng vai trị quan trọng việc vận hành hệ thống điện thị trường điện Đề tài tập trung nghiên cứu nguồn lượng gió, thuật tốn tối ưu mạng trí tuệ nhân tạo, từ xây dựng chương trình dự báo cơng suất phát nguồn lượng gió sử dụng kết hợp phương pháp Việc kết hợp thuật tốn tối ưu trí tuệ nhân tạo góp phần làm giảm sai số dự báo Trên sở ngơn ngữ lập trình mã nguồn mở Python, đề tài kết hợp ứng dụng mạng trí tuệ nhân tạo với thuật tốn bầy đàn, thuật tốn di truyền để xây dựng nên chương trình dự báo cơng suất phát nguồn điện gió Trong đó, tác giả sử dụng thuật toán bầy đàn để huấn luyện mạng nơron nhân tạo (mơ hình PSO-ANN) Để giảm sai số dự báo, nâng cao độ xác, tác giả sử dụng thuật toán bầy đàn khác thuật tốn di truyền (mơ hình PSO-PSO-ANN GA-PSO-ANN) nhằm tự động điều chỉnh tối ưu tham số trình huấn luyện mạng nơron Đề tài ứng dụng thư viện Tensorflow Google Colab để giúp tiết kiệm thời gian, đơn giản hóa việc lập trình, cho kết dự báo nhanh tương đối xác Kết nghiên cứu: vii Đề tài đề xuất mơ hình xây dựng thành công phần mềm dự báo công suất phát nhà máy điện gió với độ xác tương đối tốt so với mơ hình khác Mơ hình tác giả đề xuất áp dụng nhằm dự báo cơng suất phát cho nhà máy điện gió Tuy Phong tỉnh Bình Thuận, Việt Nam Kết cho thấy mơ hình dự báo PSO-PSO-ANN GA-PSO-ANN đề tài đề xuất cho kết dự báo tốt hẳn so với mơ hình PSO-ANN hay Adam-ANN Mơ hình dự báo đề xuất đề tài có độ phức tạp lớn hơn, thời gian huấn luyện mạng dài so với mơ hình thơng thường, nhiên lại cho sai số tốt so với số mơ hình khác Bên cạnh đó, đề tài đề xuất phương pháp xây dựng mô hình dự báo điện gió ngắn hạn sử dụng ngơn ngữ lập trình Python, kết hợp thư viện TensorFlow để huấn luyện mạng nơron nhân tạo Sai số dự báo cải thiện thông qua việc thử nghiệm lựa chọn hàm kích hoạt, hàm tối ưu hóa, số lớp ẩn, số nơron lớp, tỷ lệ tập huấn luyện/kiểm tra phù hợp với liệu Tiêu chuẩn đánh giá sai số phần trăm trung bình (MAPE) dùng để so sánh sai số mơ hình huấn luyện, lựa chọn mơ hình tối ưu So sánh với nghiên cứu trước dự báo điện gió cho thấy kết dự báo có sai số tương đối thấp, việc lập trình ngơn ngữ Python chạy môi trường GoogleColab giúp D tiết kiệm thời gian, đơn giản hóa việc lập trình Mơ hình đề xuất ứng dụng vào thực tiễn cho Sản phẩm: cD ho công tác dự báo cơng suất phát nhà máy điện gió Việc nghiên cứu đề tài mang lại hiệu cao công tác giáo dục đào tạo Đề tài hỗ trợ hướng dẫn 01 nghiên cứu sinh theo hướng nghiên cứu đề tài (đã bảo vệ thành công chuyên aN đề) đào tạo 02 sinh viên bảo vệ tốt nghiệp Đồng thời kết nghiên cứu đề tài lượng tái tạo g an sử dụng nhằm hướng dẫn, định hướng nghiên cứu cho học viên cao học, sinh viên lĩnh vực Về mặt khoa học, đề tài đóng góp 01 báo tạp chí khoa học nước thuộc danh mục SCIE 01 báo tạp chí khoa học cơng nghệ Đại học Đà Nẵng Về mặt thực tiễn, đề tài xây dựng chương trình dự báo cơng suất phát nguồn lượng gió với khả ứng dụng cao, dễ dàng chuyển giao cho chủ đầu tư cơng trình điện lượng tái tạo có nhu cầu sử dụng; góp phần thúc đẩy mở rộng, phát triển vận hành tối ưu nguồn lượng hệ thống điện, đáp ứng nhu cầu phát triển kinh tế xã hội đất nước Báo cáo đề tài tạo nguồn tài liệu tham khảo cho giảng viên, học viên sau đại học, sinh viên Đại học Đà Nẵng Đồng thời kết đề tài áp dụng sở ứng dụng góp phần nâng cao hiệu khai thác nguồn lượng tái tạo hệ thống điện Việt Nam Phương thức chuyển giao, địa ứng dụng, tác động lợi ích mang lại kết nghiên cứu: MỞ ĐẦU g an aN cD ho D Tính cấp thiết đề tài Theo Quy hoạch điện VII hiệu chỉnh, đến năm 2020, hệ thống điện Việt Nam có 800 MW điện gió 850 MW điện mặt trời tiếp tục tăng năm Như vậy, thấy việc đầu tư phát triển nhà máy phát điện sử dụng lượng tái tạo nối lưới ưu tiên cấp thiết hàng đầu chiến lược phát triển lượng tái tạo Việt Nam Theo tính tốn Viện Năng lượng (Bộ Công Thương), trường hợp năm khô hạn, thiếu hụt điện xảy tất năm, từ 2019 – 2025 Giai đoạn thiếu hụt nghiêm trọng tập trung giai đoạn 2020 – 2023, với sản lượng thiếu hụt từ 1,5 tỷ kWh - tỷ kWh Các năm lại thiếu từ 100 triệu kWh – 500 triệu kW Để giải thách thức nêu trên, Việt Nam thay đổi nguồn cung cấp điện từ nhiều khía cạnh, bao gồm phát triển thêm GW lượng mặt trời 12 GW lượng gió (vốn khơng nằm kế hoạch phát triển điện lực ban đầu) Tuy nhiên, việc tích hợp nguồn điện lượng tái tạo vào hệ thống điện gặp nhiều thách thức, đặc biệt bối cảnh mức độ thâm nhập ngày cao nguồn Các thách thức xuất phát từ tính bất định tính khả dụng lượng tái tạo Các nguồn lượng gió thường chịu ảnh hưởng lớn yếu tố thời tiết Một biến thiên bất định gió (vận tốc, hướng gió) làm thay đổi công suất phát nhà máy điện gió, gây ảnh hưởng nghiêm trọng đến tần số an ninh hệ thống điện Việc vận hành thị trường điện trở nên phức tạp hơn, tốn địi hỏi phải có dự phịng quay lớn trường hợp Để giảm thiểu chi phí địi hỏi phải có hệ thống dự báo có độ xác cao để dự báo khả phát công suất nhà máy điện lượng tái tạo Để làm điều đó, vấn đề giảm sai số công tác dự báo công suất phát nguồn điện gió cần quan tâm nghiên cứu Do đó, đề tài tập trung nghiên cứu xây dựng chương trình dự báo cơng suất phát nguồn lượng gió sử dụng thuật tốn tối ưu trí tuệ nhân tạo Việc kết hợp thuật tốn tối ưu trí tuệ nhân tạo góp phần làm giảm sai số dự báo, hạn chế việc kết dự báo thiếu xác kết bị rơi vào vùng cục địa phương Mặt khác, Việt Nam, Trung tâm điều độ hệ thống điện quốc gia sử dụng phần mềm nước đắt tiền để dự báo cơng suất điện gió Phần mềm thường khó tùy biến mở rộng cho phù hợp với thay đổi thực tế Do đó, sản phẩm đề tài góp phần bước nội địa hóa cơng cụ Mục tiêu nghiên cứu - Mục tiêu tổng qt: Xây dựng chương trình dự báo cơng suất phát nguồn lượng gió sở ứng dụng thuật tốn tối ưu kết hợp trí tuệ nhân tạo Đối tượng phạm vi nghiên cứu a) Đối tượng nghiên cứu Đối tượng nghiên cứu đề tài nguồn lượng gió thuật tốn tối ưu, chương trình máy tính nhằm dự báo cơng suất phát nguồn điện gió b) Phạm vi nghiên cứu - Phạm vi nghiên cứu đề tài bao gồm: • Nguồn lượng gió • Các thuật tốn tối ưu • Trí tuệ nhân tạo Cách tiếp cận, phương pháp nghiên cứu - Cách tiếp cận • Khảo sát yếu tố ảnh hưởng đến việc dự báo cơng suất phát nguồn điện gió • Nghiên cứu xây dựng mơ hình dự báo cơng suất phát nguồn điện gió • Đánh giá kết - Phương pháp nghiên cứu • Phương pháp nghiên cứu tài liệu: thu thập nghiên cứu tài liệu nước đề cập đến vấn đề dự báo công suất phát nguồn điện gió • Phương pháp xử lý thông tin: thu thập xử lý thông tin định lượng yếu tố ảnh hưởng đến dự báo cơng suất phát nguồn điện gió • Nghiên cứu lý thuyết kết hợp với thực nghiệm • Xem xét ứng dụng phù hợp với lưới điện thực tế Bố cục đề tài Chương 1: Tổng quan lượng gió dự báo cơng suất phát nguồn điện gió Chương 2: Mạng trí tuệ nhân tạo thuật tốn tối ưu Chương 3: Mơ hình dự báo cơng suất phát nguồn điện gió sử dụng mạng trí tuệ nhân tạo kết hợp với thuật toán tối ưu Chương 4: Xây dựng mơ hình dự báo cơng suất phát nguồn điện gió sử dụng Tensorflow Tổng quan tài liệu nghiên cứu Tác giả sử dụng nguồn sách, báo, tạp chí ngồi nước để nghiên cứu lý thuyết tối ưu, mạng trí tuệ nhân tạo thuật tốn có liên quan đến vấn đề dự báo cơng suất phát nguồn điện gió Bên cạnh đó, tác giả thu thập số liệu từ đơn vị quản lý vận hành lưới điện thông tin công tác vận hành liên quan đến nguồn điện gió Từ tổng hợp xử lý số liệu thu thập để phục vụ nghiên cứu, đánh giá phân tích g an aN cD ho D CHƯƠNG TỔNG QUAN VỀ NĂNG LƯỢNG GIĨ VÀ DỰ BÁO CƠNG SUẤT PHÁT NGUỒN ĐIỆN GIÓ 1.1 Tổng quan lượng gió 1.1.1 Giới thiệu Năng lượng điện gió nguồn lượng có tiềm lớn Ngày cơng nghệ điện gió phát triển mạnh có cạnh tranh lớn, với tốc độ phát triển khơng lượng điện gió chiếm phần lớn thị trường lượng giới 1.1.2 Cấu tạo tuabin gió Tuabin gió thiết bị chuyển đổi lượng gió thành lượng điện, thơng qua việc sử dụng sức gió làm cho cánh quạt quay quanh rotor, mà rotor nối với trục chính, truyền động làm quay trục quay máy phát để tạo điện 1.1.3 Lợi ích việc đầu tư phát triển lượng điện gió 1.1.4 Tình hình phát triển lượng điện gió Việt Nam giới a) Tình hình phát triển lượng điện gió Việt Nam D ho Theo báo cáo đến cuối năm 2019, cơng suất lắp đặt nguồn điện gió Việt Nam đạt 487,4 MW [2] Để xây dựng thêm 18,6 GW điện gió đến năm 2030 thách thức lớn nhiều mặt mà thời gian tới quan nghiên cứu cần phải làm rõ để đảm bảo tính khả thi phương án đề xuất [4] cD b) Tình hình phát triển lượng điện gió giới • Cơng suất điện gió lắp đặt toàn cầu năm 2019 đạt 60,4 GW, tăng 19% so với năm 2018 đạt mức tăng trưởng đứng thứ lịch sử phát triển lượng điện gió Tổng cơng suất lượng điện gió tồn cầu đạt 651 GW, tăng 10% so với năm 2018 g an • aN Theo báo cáo lượng gió tồn cầu năm 2019 [5] Hiệp hội Điện gió Tồn cầu (GWEC Global Wind Energy Council): 1.2 Dự báo công suất phát nguồn điện gió Hiện giới có nhiều nghiên cứu việc dự báo công suất phát nguồn điện gió với nhiều phương pháp dự báo khác nhau, phương pháp thống kê sử dụng tương đối phổ biến, đặc biệt phương pháp dựa mạng trí tuệ nhân tạo Hầu hết nghiên cứu đề xuất phương pháp tân tiến xây dựng mơ hình dự báo cơng suất phát nguồn điện gió ứng dụng cho thực tế sản xuất Tuy nhiên vấn đề sai số cơng tác dự báo cải thiện thông qua phương pháp tối ưu học máy Với mục tiêu nâng cao tính xác giảm sai số dự báo cơng suất phát nhà máy điện gió, chương đề xuất mơ hình sử dụng mạng trí tuệ nhân tạo kết hợp với thuật toán bầy đàn thuật toán di truyền để xây dựng chương trình dự báo cơng suất phát nguồn điện gió Trong đó, thuật tốn bầy đàn sử dụng để điều chỉnh thông số mạng nơ-ron nhằm tăng cường độ xác Song song với q trình đó, thuật tốn di truyền sử dụng để điều chỉnh tham số thuật toán bầy đàn nêu để nâng cao tính xác kết dự báo Mơ hình kiểm tra với liệu thực tế thu thập từ nhà máy điện gió Tuy Phong tỉnh Bình Thuận, Việt Nam trình bày mục CHƯƠNG MẠNG TRÍ TUỆ NHÂN TẠO VÀ THUẬT TOÁN TỐI ƯU 2.1 Mạng trí tuệ nhân tạo (ANN) Mạng nơron nhân tạo có cấu trúc tương tự não nhiên số nơron mạng nơron nhân tạo hữu hạn tuỳ thuộc vào nhu cầu thực tế tốn, cịn não người số nơron lên tới xấp xỉ 15 tỉ nơron Mạng nơron có khả học áp dụng lại dạy, đặc điểm mà mạng nơron phát triển mạnh mẽ ứng dụng nhiều thực tế, đặc biệt lĩnh vực dự báo, phân loại, nhận dạng, điều khiển [6] an aN cD ho D Hình Sơ đồ mạng nơron nhiều lớp truyền thẳng g 2.2 Thuật toán tối ưu hố bầy đàn Thuật tốn tối ưu hóa bầy đàn dạng thuật toán tiến hóa quần thể biết đến trước thuật giải di truyền (Genetic algorithm (GA)), thuật toán đàn kiến (Ant colony algorithm) Thuật toán PSO giới thiệu vào năm 1995 hội nghị IEEE James Kennedy kỹ sư Russell C.Eberhart [8] Thuật toán PSO mơ tả phương trình: phương trình vận tốc phương trình vị trí với mối liên hệ thể hình [8]: - Phương trình vị trí phần phần tử: i i (1) xk+1 = xki + vk+1 - Phương trình vận tốc phần tử: g i vk+1 = wk vki + c1 r1 (pik − xki ) + c2 r2 (pk − xki ) (2) 2.3 Thuật toán di truyền (GA) Thuật toán di truyền (GA – Genetic Algorithm) công cụ hiệu để giải vấn đề tối ưu Thuật toán di truyền xây dựng dựa vào hai trình sinh học bản: lý thuyết di truyền học Gregor Johan Mendel (1865) lý thuyết tiến hóa Charles Darwin (1875) GA mô tả giải nhiều toán tối ưu phức tạp nhiều lĩnh vực tốn lập thời khóa biểu, lập kế hoạch bán hàng, toán người du lịch… 2.4 Thuật toán PSO-ANN để huấn luyện mạng trí tuệ nhân tạo Thuật toán PSO-ANN sử dụng huấn luyện mạng nơron nhân tạo để xác định thông số (w, b) cho mạng nơron xây dựng tối ưu Mơ hình thuật tốn PSO-ANN thể hình PSO ANN Hình Mơ hình thuật tốn PSO-ANN g an aN cD ho D - CHƯƠNG MƠ HÌNH DỰ BÁO CƠNG SUẤT PHÁT NGUỒN ĐIỆN GIĨ SỬ DỤNG MẠNG TRÍ TUỆ NHÂN TẠO KẾT HỢP VỚI CÁC THUẬT TOÁN TỐI ƯU 3.1 Đề xuất mơ hình dự báo cơng suất phát nguồn điện gió sử dụng mạng trí tuệ nhân tạo kết hợp với thuật tốn tối ưu 3.1.1 Mơ hình dự báo cơng suất phát nguồn điện gió PSO-PSO-ANN Cấu trúc thuật tốn PSO-PSO-ANN gồm vịng chính: Vịng lặp PSO1, vịng lặp PSO2 vòng mạng nơron thể hình PSO1 PSO2 D ANN ho aN cD Hình Mơ hình thuật tốn PSO-PSO-ANN Vịng lặp ngồi PSO1 sử dụng thuật toán PSO để xác định thông số c 12, c22 w2 tối ưu cho thuật tốn PSO2 Vịng lặp PSO2 sử dụng thuật tốn PSO nhận thơng số c12, c22 w2 từ kết từ vòng lặp PSO1 để điều chỉnh thơng số mạng nơron Vịng ANN dùng để tính sai số vịng lặp Sơ đồ thuật tốn PSO-PSO-ANN thể hình an 3.1.2 Mơ hình dự báo cơng suất phát nguồn điện gió GA-PSO-ANN g Cấu trúc thuật tốn GA-PSO-ANN gồm vịng chính: Vịng lặp GA, vịng lặp PSO, vịng ANN thể hình 10 Vịng lặp ngồi GA sử dụng thuật toán di truyền để xác định thông số c1, c2 w tối ưu cho vịng lặp PSO Vịng lặp PSO sử dụng thuật tốn PSO nhận thông số c1, c2 w từ kết từ vòng lặp GA để điều chỉnh thơng số mạng nơron Vịng ANN dùng để xác định sai số lần lặp GA PSO2 ANN Hình Mơ hình thuật tốn GA-PSO-ANN 3.2 Dữ liệu 3.2.1 Giới thiệu nhà máy điện gió Tuy Phong-Bình Thuận Nhà máy điện gió Tuy Phong có tổng công suất 120 MW với 80 tuabin, thực theo nhiều giai đoạn 3.2.2 Cấu tạo tuabin thơng số thiết bị nhà máy 3.2.3 Dữ liệu Dữ liệu bao gồm công suất tác dụng thơng số tốc độ gió, hướng gió, nhiệt độ thu thập theo chu kỳ 30 phút dùng để huấn luyện mơ hình lấy từ nhà máy điện gió Tuy Phong, Bình Thuận năm 2016 2017 cho tuabin FL612 3.3 Kết thử nghiệm 3.3.1 Phương pháp đánh giá kết Để đánh giá hiệu mơ hình dự báo, hai loại tiêu chuẩn đo độ xác sau sử dụng: Sai số phần trăm giá trị tuyệt đối trung bình: N Sai số bình phương trung bình: i=1 Pitrue | (7) 100% N (8) i=1 MAPE cD ho 11% aN 10% an 9% 8% g MAPE (%) − Pi predict MSE = ∑ (Pitrue − Pi ) N D 3.3.2 Kết thử nghiệm predict true |Pi MAPE = ∑ N 7% 6% 5% 4% 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Lần thử nghiệm GA-PSO-ANN PSO-PSO-ANN PSO-ANN Hình Chỉ số MAPE cho 24 lần thử nghiệm Adam-PSO MSE 0.0015 MSE (MW*MW) 0.0014 0.0013 0.0012 0.0011 0.001 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 nghiệm GA-PSO-ANN PSO-PSO-ANNLần thửPSO-ANN Adam-PSO D Hình Chỉ số MSE cho 24 lần thử nghiệm Giá trị trung bình MSE and MAPE thể bảng hình 18, hình 19 Bảng Giá trị trung bình MAPE MSE Thuật toán MAPE MSE 4.52% 0.001139635 PSO-PSO-ANN 4.54% 0.001117418 PSO-ANN 4.90% 0.001212124 cD ho GA-PSO-ANN g an aN Adam-ANN 7.79% 0.001235203 Trong hai trường hợp, thuật toán đề xuất GA-PSO-ANN PSO-PSO-ANN có kết vượt trội so với PSO-ANN Adam-ANN Vì đồ thị dự báo so với kết thực tế cho hai thuật toán đề xuất tương đối giống nên đồ thị mơ hình GA-PSO-ANN hiển thị sau để đại diện cho hai Như minh họa hình 20 21, kết dự báo điện gió ngày (hình 20) tuần (hình 21) mơ hình GA-PSO-ANN sát với kết dự báo điện gió thực tế lưu trữ qua hệ thống SCADA Công suất đầu tuabin (MW) Công suất phát nhà máy điện gió thực tế dự báo 01 ngày (mơ hình GA-PSO-ANN) 0.8 0.6 0.4 0.2 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Giờ Thực tế Dự báo Hình Cơng suất phát thực tế dự báo tuabin gió 24h 3.4 Kết luận chương g an aN cD ho D Chương đề xuất mơ hình xây dựng thành công phần mềm dự báo công suất phát nhà máy điện gió với mức độ xác tương đối tốt so với mơ hình khác Trong đó, tác giả sử dụng thuật toán bầy đàn để huấn luyện mạng neural nhân tạo (mơ hình PSO-ANN) Để giảm sai số dự báo, nâng cao tính xác, tác giả sử dụng thuật toán bầy đàn khác thuật tốn di truyền (mơ hình PSO-PSO-ANN GA-PSO-ANN) nhằm tự động điều chỉnh tối ưu tham số trình huấn luyện mạng neural Kết cho thấy mơ hình dự báo PSO-PSO-ANN GA-PSO-ANN cho kết dự báo tốt hẳn so với mô hình PSO-ANN hay Adam-ANN Bảng cho thấy so sánh MAPE mơ hình dự báo điện gió khác [6], [17], [18] Các mơ hình đề xuất PSO-PSO-ANN GA-PSO-ANN cho thấy độ xác tốt so với mơ hình nói trên, điều cho thấy mơ hình đề xuất mơ hình sử dụng tốt để dự báo sản xuất thực tế trang trại điện gió đảm bảo mức độ cao cho độ xác Bảng So sánh giá trị MAPE mơ hình đề xuất so với mơ hình khác Mơ hình MAPE GA-PSO-ANN 4.52% PSO-PSO-ANN 4.54% PSO-ANN 4.90% Adam-ANN 7.79% Persistence 11.94% BP-FFANN 7.35% GA-FFANN 6.79% ANFIS 14.92% WT + ANFIS 12.58% WT + NNPSO 8.19% WT-ACO-FFANN 5.35% VWPF 6.85% 10 CHƯƠNG XÂY DỰNG MƠ HÌNH DỰ BÁO CƠNG SUẤT PHÁT ĐIỆN GIĨ SỬ DỤNG TENSORFLOW 4.1 Giới thiệu thư viện TensorFlow TensorFlow [19] thư viện mã nguồn mở Google phát triển nhằm mục đích hỗ trợ việc nghiên cứu phát triển ứng dụng AI (Machine Learning/Deep Learning) 4.2 Mơ hình dự báo sử dụng mạng nơron nhiều lớp truyền thẳng cho dự báo cơng suất phát nguồn điện gió Chương nghiên cứu 02 mơ hình mạng nơron khác để đánh giá: + Mạng nơron sử dụng liệu đầu vào: vận tốc gió, hướng gió hình 23 g an aN cD ho D Hình Cấu trúc mạng nơron đầu vào + Mạng nơron sử dụng liệu đầu vào: vận tốc gió, hướng gió, nhiệt độ hình 24 11 Hình Cấu trúc mạng nơron đầu vào - Biến đầu mạng: Công suất tuabin D 4.3 Sơ đồ thực 4.4 Dữ liệu phương pháp đánh giá sai số dự báo: cD ho Dữ liệu phương pháp đánh giá sai số dự báo cơng suất điện gió trình bày chương tiếp tục sử dụng chương để đánh giá tính hiệu mơ hình 4.5 So sánh hiệu mơ hình huấn luyện dự báo cơng suất điện gió an aN Mục đích phần sử dụng mơ hình khác để huấn luyện mạng nơron, so sánh giá trị MAPE mơ hình từ chọn mơ hình tốt để áp dụng dự báo cơng suất phát nguồn điện gió g Lần chạy Bảng Kết sai số mơ hình khác Adagrad Adam lớp ẩn lớp ẩn lớp ẩn lớp ẩn lớp ẩn lớp ẩn 7.43 5.46 4.88 5.20 5.76 4.93 6.32 4.97 4.88 5.45 5.12 4.99 7.68 5.29 4.89 5.77 5.61 5.77 8.91 5.08 4.89 5.85 4.99 5.72 5.52 4.99 4.90 5.07 5.35 5.31 8.91 5.55 4.88 5.55 5.06 5.34 5.62 5.12 4.89 5.16 5.27 5.45 7.84 5.91 4.91 5.69 5.54 5.16 8.20 5.00 4.87 5.44 5.33 5.51 10 6.42 4.99 4.86 5.42 5.33 4.87 11 7.98 5.40 4.70 5.42 5.65 5.21 12 5.09 5.17 4.91 5.21 4.99 5.53 13 5.02 5.32 4.91 5.63 5.64 5.37 14 6.28 5.14 4.96 5.57 4.92 5.44 12 Adagrad Lần chạy Adam lớp ẩn lớp ẩn lớp ẩn lớp ẩn lớp ẩn lớp ẩn 15 4.96 4.95 4.87 5.29 4.78 5.94 16 7.71 5.38 4.91 5.39 5.10 5.13 17 5.46 5.05 4.63 5.53 4.86 5.56 18 7.17 5.79 4.85 5.46 5.19 5.40 19 8.13 5.15 4.87 5.49 5.49 5.14 20 8.93 4.98 4.96 5.23 5.70 5.33 TRUNG BÌNH 6.98 5.23 4.87 5.44 5.28 5.35 Trên sở lựa chọn thuật toán Adagrad số lớp ẩn tối ưu trên, tiếp tục nghiên cứu ảnh hưởng số lượng biến đầu vào tỉ lệ liệu tập train/test để đánh giá sai số Kết thử nghiệm ảnh hưởng số lượng biến đầu vào tỉ lệ liệu tập train/test đến sai số dự báo thể bảng Bảng Sai số dự báo với mơ hình khác Thơng số đầu vào D ho 70/30 60/40 50/50 70/30 60/40 50/50 4.88 8.15 4.79 4.83 8.16 6.21 4.88 7.11 6.54 5.48 8.23 8.82 4.89 5.25 6.96 5.48 5.79 6.82 4.89 6.70 4.95 8.58 7.89 7.79 4.90 6.09 an 7.85 5.41 5.61 5.75 4.88 7.64 7.95 g Lần chạy Vận tốc gió, hướng gió, nhiệt độ Vận tốc gió, hướng gió 4.96 6.12 5.92 4.89 7.64 6.48 6.32 6.98 5.69 4.91 6.26 4.90 4.80 4.95 7.45 4.87 7.78 7.72 5.49 7.51 6.18 10 4.86 8.34 5.27 7.31 6.03 5.64 11 4.70 5.72 7.27 8.70 8.16 5.19 12 4.91 7.75 5.63 5.62 6.52 8.25 13 4.91 5.99 5.52 4.70 8.29 6.94 14 4.96 5.65 7.30 7.54 6.28 4.82 15 4.87 6.15 5.90 7.80 8.16 5.80 16 4.91 6.29 5.72 8.31 7.33 7.45 17 4.63 7.01 7.12 4.66 5.39 5.79 18 4.85 8.46 7.18 5.03 5.96 5.34 19 4.87 7.22 7.55 7.17 5.18 5.94 20 4.96 7.15 5.04 8.76 7.60 5.48 Tỷ lệ tập liệu training/test aN cD 13 Thông số đầu vào Vận tốc gió, hướng gió, nhiệt độ Vận tốc gió, hướng gió Lần chạy Tỷ lệ tập liệu training/test TRUNG BÌNH 70/30 60/40 50/50 70/30 60/40 50/50 4.87 6.92 6.38 6.35 6.81 6.36 4.6 Kết chương trình - Từ kết sai số với mơ hình huấn luyện ta chọn mơ hình huấn luyện tối ưu: • Số đầu vào: đầu vào (kết cho thấy nhiệt độ không ảnh hưởng nhiều đến sai số dự báo); • Tỷ lệ tập train – test: 70/30; • Số lớp ẩn mạng nơron: lớp ẩn, lớp ẩn chứa 512 nơron; D • Hàm tối ưu hóa: Adagrad; • Hàm kích hoạt cho lớp đầu vào lớp ẩn hàm “ReLU”; ho • Hàm kích hoạt cho lớp đầu hàm “Linear” - Sai số MAPE trung bình với mơ hình 4.87% cD an aN - Dựa vào kết sai số xét với tập kiểm tra với mơ hình dự báo trước cho thấy kết dự báo khả quan, sai số nằm mức thấp Tuy nhiên phương pháp dự báo đề xuất có ưu điểm có tốc độ huấn luyện nhanh, cho kết dự báo sau vài phút chạy chương trình Kết so sánh giá trị sai số MAPE với số mơ hình dự báo điện gió khác [6], [21] thể hình 27 SAI SỐ MAPE TRUNG BÌNH g 9% 7.79% 8% MAPE (%) 7% 6% 5% 4.87% 4.90% 4.52% 4.54% 4% 3% 2% 1% 0% TensorFlow PSO-ANN GA-PSO-ANN PSO-PSO-ANN Phương pháp Hình 10 Đồ thị sai số MAPE trung bình số thuật tốn Adam-ANN 14 - Hình 28 hình 29 thể mối tương quan liệu thực tế số liệu dự báo mơ hình đề xuất, thể số liệu dự báo bám sát so với số liệu thực tế Thực tế 0.9 Dự báo Công suất tuabin (MW) 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 D ho 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Thời gian (h) Hình 11 Đồ thị tương quan công suất dự báo thực tế 24h tới cD 4.7 Kết luận g an aN Chương đề xuất phương pháp xây dựng mơ hình dự báo điện gió ngắn hạn sử dụng ngơn ngữ lập trình Python, kết hợp thư viện TensorFlow để huấn luyện mạng nơron nhân tạo Sai số dự báo cải thiện thông qua việc thử nghiệm lựa chọn hàm kích hoạt, hàm tối ưu hóa, số lớp ẩn, số nơron lớp, tỷ lệ tập huấn luyện/kiểm tra phù hợp với liệu So sánh với nghiên cứu trước dự báo điện gió cho thấy kết dự báo có sai số tương đối thấp Mơ hình đề xuất ứng dụng vào thực tiễn cho công tác dự báo công suất phát nhà máy điện gió 15 KẾT LUẬN VÀ KIẾN NGHỊ g an aN cD ho D Kết luận Các nguồn điện gió thường chịu ảnh hưởng lớn yếu tố thời tiết Một biến thiên bất định gió (vận tốc, hướng gió) làm thay đổi công suất phát nhà máy điện gió, gây ảnh hưởng nghiêm trọng đến tần số an ninh hệ thống điện Do đó, việc dự báo cơng suất phát nhà máy điện gió đóng vai trò quan trọng việc vận hành hệ thống điện thị trường điện Đề tài tập trung nghiên cứu nguồn gió, thuật tốn tối ưu mạng trí tuệ nhân tạo, từ xây dựng chương trình dự báo cơng suất phát nguồn lượng gió sử dụng kết hợp phương pháp Việc kết hợp thuật toán tối ưu trí tuệ nhân tạo góp phần làm giảm sai số dự báo, hạn chế việc kết dự báo thiếu xác bị rơi vào vùng cục địa phương Đề tài đề xuất mô hình xây dựng thành cơng phần mềm dự báo cơng suất phát nhà máy điện gió với độ xác tương đối tốt so với mơ hình khác Trên sở ngơn ngữ lập trình mã nguồn mở Python, tác giả kết hợp ứng dụng mạng trí tuệ nhân tạo với thuật tốn bầy đàn, thuật tốn di truyền để xây dựng nên chương trình dự báo Trong đó, tác giả sử dụng thuật toán bầy đàn để huấn luyện mạng nơron nhân tạo (mơ hình PSO-ANN) Để giảm sai số dự báo, nâng cao độ xác, tác giả sử dụng thuật toán bầy đàn khác thuật toán di truyền (mơ hình PSO-PSO-ANN GAPSO-ANN) nhằm tự động điều chỉnh tối ưu tham số trình huấn luyện mạng nơron Mơ hình tác giả đề xuất áp dụng nhằm dự báo công suất phát cho nhà máy điện gió Tuy Phong tỉnh Bình Thuận, Việt Nam Kết cho thấy mơ hình dự báo PSO-PSO-ANN GAPSO-ANN cho kết dự báo tốt hẳn so với mơ hình PSO-ANN hay Adam-ANN Mơ hình dự báo đề xuất đề tài có độ phức tạp lớn hơn, thời gian huấn luyện mạng dài so với mơ hình thông thường, nhiên lại cho sai số tốt so với số mơ hình khác Bên cạnh đó, đề tài đề xuất phương pháp xây dựng mơ hình dự báo điện gió ngắn hạn sử dụng ngơn ngữ lập trình Python, kết hợp thư viện TensorFlow để huấn luyện mạng nơron nhân tạo Sai số dự báo cải thiện thông qua việc thử nghiệm lựa chọn hàm kích hoạt, hàm tối ưu hóa, số lớp ẩn, số nơron lớp, tỷ lệ tập huấn luyện/kiểm tra phù hợp với liệu Tiêu chuẩn đánh giá sai số phần trăm trung bình (MAPE) dùng để so sánh sai số mô hình huấn luyện, lựa chọn mơ hình tối ưu So sánh với nghiên cứu trước dự báo điện gió cho thấy kết dự báo có sai số tương đối thấp, việc lập trình ngơn ngữ Python chạy môi trường GoogleColab giúp tiết kiệm thời gian, đơn giản hóa việc lập trình Các mơ hình đề xuất GA-PSO-ANN, PSO-PSO-ANN mơ hình dự báo dùng Tensorflow ứng dụng vào thực tiễn cho công tác dự báo công suất phát nhà máy điện gió Trong đó, mơ hình dùng Tensorflow có sai số dự báo so với mơ hình GA-PSO-ANN PSOPSO-ANN, nhiên thời gian huấn luyện mạng tương đối nhanh (khoảng 30 phút), sau huấn luyện dự báo với tốc độ cho kết dự báo 01 phút, thích hợp áp dụng cho ứng dụng dự báo công suất phát nguồn điện gió ngắn hạn theo chu kỳ 15-30-60 phút, đồng thời có yêu cầu liệu lịch sử phải thường xuyên cập nhật để huấn luyện mạng (hàng ngày) Các mơ hình GA-PSO-ANN PSO-PSO-ANN có sai số dự báo tốt so với Tensorflow, nhiên thời gian huấn luyện mạng dài (khoảng giờ) nên thích hợp với trường hợp yêu cầu chu kỳ cập nhật liệu lịch sử lớn (hàng tháng), sau huấn luyện mạng dự báo với tốc độ cho kết dự báo phút, phù hợp cho việc dự báo ngày sau Kiến nghị Với yêu cầu thực tiễn ngành cơng nghiệp điện, việc dự báo nhanh chóng cơng suất phát nguồn điện gió với sai số thấp đem lại lợi ích to lớn cơng tác vận hành hệ thống điện thị trường điện Mơ hình tác giả đề xuất đề tài mở rộng phát triển nhằm nâng cao tính xác kết dự báo Một số hướng mở rộng nghiên cứu xem xét là: nghiên cứu thuật toán nhằm lọc loại bỏ nhiễu liệu đầu vào; nghiên cứu thuật toán xác định số lớp ẩn tối ưu mạng nơron kết dự báo với sai số thấp nhất; nghiên cứu xác định số nơ-ron tối ưu lớp ẩn thơng qua vịng lặp PSO/GA khác ... SUẤT PHÁT NGUỒN ĐIỆN GIĨ SỬ DỤNG MẠNG TRÍ TUỆ NHÂN TẠO KẾT HỢP VỚI CÁC THUẬT TOÁN TỐI ƯU 3.1 Đề xuất mơ hình dự báo cơng suất phát nguồn điện gió sử dụng mạng trí tuệ nhân tạo kết hợp với thuật. .. suất phát nguồn điện gió Chương 2: Mạng trí tuệ nhân tạo thuật tốn tối ưu Chương 3: Mơ hình dự báo cơng suất phát nguồn điện gió sử dụng mạng trí tuệ nhân tạo kết hợp với thuật toán tối ưu Chương... trung nghiên cứu xây dựng chương trình dự báo cơng suất phát nguồn lượng gió sử dụng thuật tốn tối ưu trí tuệ nhân tạo Việc kết hợp thuật tốn tối ưu trí tuệ nhân tạo góp phần làm giảm sai số dự báo,