Ứng dụng mạng nơ ron nhân tạo trong dự báo ngắn hạn năng lượng gió của nhà máy phong điện phương mai 1

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC QUY NHƠN NGUYỄN BẢO QUỐC ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN NĂNG LƢỢNG GIÓ CỦA NHÀ MÁY PHONG ĐIỆN PHƢƠNG MAI LUẬN VĂN THẠC SĨ KỸ THUẬT ĐIỆN Bình Định - Năm 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC QUY NHƠN NGUYỄN BẢO QUỐC ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN NĂNG LƯỢNG GIÓ CỦA NHÀ MÁY PHONG ĐIỆN PHƯƠNG MAI Ngành: Kỹ thuật điện Mã số: 8520201 Ngƣời hƣớng dẫn: TS Lê Tuấn Hộ i LỜI CAM ĐOAN Tôi xin cam đoan: Luận văn tốt nghiệp thạc sỹ cơng trình nghiên cứu thực cá nhân tôi, đƣợc thực sở nghiên cứu lý thuyết, nghiên cứu khảo sát tình hình thực tiễn dƣới hƣớng dẫn khoa học TS Lê Tuấn Hộ Các số liệu tính toán đƣợc thu thập từ Nhà máy Phong điện Phƣơng Mai đóng góp đƣa xuất phát từ thực tiễn, kết nghiên cứu luận văn thân thực cách trung thực chƣa đƣợc cơng bố cơng trình nghiên cứu khác Một lần xin khẳng định trung thực lời cam đoan Tơi xin hồn tồn chịu trách nhiệm lời cam đoan Tác giả luận văn Nguyễn Bảo Quốc ii LỜI CẢM ƠN Trong trình thực đề tài “Ứng dụng mạng nơ ron nhân tạo dự báo ngắn hạn lƣợng gió nhà máy phong điện Phƣơng Mai 1”, em nhận đƣợc nhiều giúp đỡ, tạo điều kiện tập thể lãnh đạo, cán Phịng Sau đại học, giảng viên mơn Kỹ Thuật Điện, Trƣờng Đại học Quy Nhơn Em xin bày tỏ lòng cảm ơn chân thành giúp đỡ Em xin bày tỏ lịng biết ơn sâu sắc tới TS Lê Tuấn Hộ, giảng viên trực tiếp hƣớng dẫn bảo cho em hoàn thành luận văn Em xin bày tỏ biết ơn anh em Nhà máy phong điện Phƣơng Mai 1, ngƣời tạo điều kiện thuận lợi nhất, cung cấp số liệu để em nghiên cứu ứng dụng mạng nơ ron nhân tạo dự báo cơng suất tốc độ gió ngắn hạn Nhà máy phong điện Phƣơng Mai Em cảm ơn gia đình, đồng nghiệp động viên, khích lệ giúp đỡ em suốt trình thực hoàn thành luận văn Tuy nhiên, với kiến thức, kinh nghiệm khả cịn có nhiều hạn chế, luận văn khơng thể tránh khỏi thiếu sót Vì em mong nhận đƣợc đóng góp quý báu Quý thầy cô để luận văn đƣợc hoàn thiện Em xin chân thành cảm ơn! iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC CHỮ VIẾT TẮT vi DANH MỤC CÁC BẢNG vii DANH MỤC CÁC HÌNH VÀ ĐỒ THỊ viii MỞ ĐẦU 1 Lý chọn đề tài Tổng quan tình hình nghiên cứu đề tài 3 Mục đích nhiệm vụ nghiên cứu Đối tƣợng phạm vi nghiên cứu 5 Phƣơng pháp nghiên cứu CHƢƠNG TỔNG QUAN VỀ NHÀ MÁY PHONG ĐIỆN PHƢƠNG MAI VÀ TỔNG QUAN VỀ DỰ BÁO ĐIỆN GIÓ 1.1 Giới thiệu tổng quan Nhà máy phong điện Phƣơng Mai [1] 1.1.1 Địa điểm xây dựng nhà máy 1.1.2 Quy mô nhà máy 1.1.3 Đánh giá tiềm gió khu vực 1.2 Tổng quan dự báo điện gió 14 1.2.1 Giới thiệu 14 1.2.2 Các loại dự báo điện gió 14 1.3 Các mơ hình phƣơng pháp xác xuất thống kê dùng cho dự báo 15 1.3.1 Phƣơng pháp trung bình trƣợt (Moving average) 15 1.3.2 Phƣơng pháp làm mịn lũy thừa (Exponential smoothing method) 16 1.3.3 Mơ hình Tự hồi quy tích hợp trung bình trƣợt (ARIMA) 18 iv 1.4 Các tiêu chí đánh giá sai số dự báo 20 1.4.1 Sai số tuyệt đối trung bình (MAE) 21 1.4.2 Sai số phần trăm tuyệt đối trung bình (MAPE) 21 1.4.3 Sai số phần trăm trung bình có trọng số (WAPE) 21 1.4.4 Sai số bình phƣơng trung bình (MSE) 22 1.4.5 Căn bậc hai sai số bình phƣơng trung bình (RMSE) 22 1.4.6 Xu hƣớng dự báo Dstat 22 KẾT LUẬN CHƢƠNG 23 CHƢƠNG PHƢƠNG PHÁP DỰ BÁO NGẮN HẠN DỰA TRÊN CÁC KỸ THUẬT CỦA MẠNG NƠ RON NHÂN TẠO 24 2.1 Lý thuyết mạng nơ ron [6 – 9] 24 2.1.1 Cấu trúc mạng nơ ron nhân tạo (ANN) 24 2.1.2 Học tập 29 2.2 Các mơ hình mạng nơ ron đề xuất dùng cho dự báo điện gió 30 2.2.1 Mạng nơ ron tự động hồi quy phi tuyến (Nonlinear autoregressive neural network – NARNET) 31 2.2.2 Mạng nơ ron hồi quy lớp (Layer recurrent neural network) 32 2.2.3 Mạng nơ ron có độ trễ phân tán (Distributed delay neural network) 33 KẾT LUẬN CHƢƠNG 34 CHƢƠNG ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO TỐC ĐỘ GIÓ ĐO ĐƢỢC TẠI NHÀ MÁY PHONG ĐIỆN PHƢƠNG MAI 3535 3.1 Giới thiệu 3535 3.2 Trƣờng hợp nghiên cứu 1: tốc độ gió đo đƣợc từ ngày 01 tháng 01 năm 2022 đến ngày 31 tháng 01 năm 2022 3636 3.3 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 4545 CHƢƠNG ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO CÔNG SUẤT PHÁT RA CỦA NHÀ MÁY PHONG ĐIỆN PHƢƠNG MAI 4646 4.1 Giới thiệu 4646 4.2 Trƣờng hợp nghiên cứu 1: công suất phát turbine đo đƣợc từ ngày 01 tháng 01 năm 2022 đến ngày 31 tháng 01 năm 2022 4747 4.3 Trƣờng hợp nghiên cứu 2: công suất phát turbine đo đƣợc từ ngày 31 tháng 01 năm 2022 đến ngày 31 tháng 01 năm 2022 5151 KẾT LUẬN CHƢƠNG 5657 KẾT LUẬN VÀ KIẾN NGHỊ 58 KẾT LUẬN 58 KIẾN NGHỊ 59 DANH MỤC TÀI LIỆU THAM KHẢO 60 vi DANH MỤC CÁC CHỮ VIẾT TẮT Chữ viết tắt ANN English Artifical neural networks Nonlinear autoregressive NARNET neural network Layer recurrent neural LAYRECNET network Distributed delay neural DISDELAYNET network Autoregressive integrated ARIMA moving average MAE Mean absolute error Mean absolute percentage MAPE error Weighted average percentage WAPE error MSE RMSE Dstat Mean squared error Root mean squared error Directional statistic Tiếng Việt Mạng nơ ron nhân tạo Mạng nơ ron tự động hồi quy phi tuyến Mạng nơ ron hồi quy lớp Mạng nơ ron có độ trễ phân tán Mơ hình Tự hồi quy tích hợp trung bình trƣợt Sai số tuyệt đối trung bình Sai số phần trăm tuyệt đối trung bình Sai số phần trăm trung bình có trọng số Sai số bình phƣơng trung bình Căn bậc hai sai số bình phƣơng trung bình Xu hƣớng dự báo vii DANH MỤC CÁC BẢNG Bảng 1.1: Các hạng mục nhà máy Bảng 1.2: Sản lƣợng điện hàng năm nhà máy Bảng 1.3: Biến thiên tốc độ gió trung bình (Đơn vị: m/s) 10 Bảng 3.1: Các tiêu chuẩn đánh giá hiệu mơ hình phƣơng pháp dự báo trƣờng hợp nghiên cứu 3939 Bảng 3.2: Các tiêu chuẩn đánh giá hiệu mơ hình phƣơng pháp dự báo trƣờng hợp nghiên cứu 4141 Bảng 4.1: Các tiêu chuẩn đánh giá hiệu mơ hình phƣơng pháp dự báo trƣờng hợp nghiên cứu 5050 Bảng 4.2: Các tiêu chuẩn đánh giá hiệu mơ hình phƣơng pháp dự báo trƣờng hợp nghiên cứu 5252 viii DANH MỤC CÁC HÌNH VÀ ĐỒ THỊ Hình 1.2: Sơ đồ turbine gió Nhà máy phong điện Phƣơng Mai 13 Hình 2.1: Mơ hình mạng nơ ron nhân tạo tổng quát 24 Hình 2.2: Đồ thị hàm Hard-Limit 25 Hình 2.3: Đồ thị hàm Purelin 26 Hình 2.4: Đồ thị hàm Log – Sigmoid 26 Hình 2.5: Đồ thị hàm Tansig 27 Hình 2.6: Mạng nơ ron truyền thẳng lớp 28 Hình 2.7: Mạng nơron truyền thẳng nhiều lớp 29 Hình 2.8: Cấu trúc huấn luyện 29 Hình 2.9: Sơ đồ mạng nơ ron NARNET 32 Hình 2.10: Sơ đồ mạng nơ ron hồi quy lớp 33 Hình 2.11: Sơ đồ mạng nơ ron có độ trễ phân tán 33 Hình 3.1: Tốc độ gió đo đƣợc trƣờng hợp nghiên cứu 3737 Hình 3.2: Các kết dự báo tốc độ gió đo đƣợc trƣờng hợp nghiên cứu 3838 Hình 3.3: Tốc độ gió đo đƣợc trƣờng hợp nghiên cứu 4242 Hình 3.4: Các kết dự báo tốc độ gió trƣờng hợp nghiên cứu 4343 Hình 4.1: Cơng suất phát turbine trƣờng hợp nghiên cứu 4848 Hình 4.2: Các kết dự báo cơng suất phát turbine trƣờng hợp nghiên cứu 4949 Hình 4.3: Cơng suất phát turbine trƣờng hợp nghiên cứu 5353 Hình 4.4: Các kết dự báo cơng suất phát turbine trƣờng hợp nghiên cứu 5454 50 Trong Hình 4.2, liệu cơng suất phát turbine đƣợc minh họa đƣờng nét liền (màu đen) Các kết dự báo sử dụng mơ hình mạng nơ ron NARNET đƣợc huấn luyện, mơ hình mạng nơ ron hồi quy lớp đƣợc huấn luyện mơ hình mạng nơ ron có độ trễ phân tán lần lƣợt đƣợc biểu thị đƣờng nét đứt với đánh dấu * (màu đỏ), đánh dấu + (màu tím) đánh dấu ngơi năm cánh (màu xanh nhạt) Hầu hết giá trị dự báo xấp xỉ với công suất phát turbine Điều chứng tỏ hiệu phƣơng pháp mơ hình dự báo đƣợc sử dụng trƣờng hợp nghiên cứu Các tiêu chuẩn đánh giá mơ hình mạng nơ ron NARNET đƣợc huấn luyện, mơ hình mạng nơ ron hồi quy lớp mơ hình mạng nơ ron có độ trễ phân tán đƣợc huấn luyện đƣợc cho Bảng 4.1 Bảng 4.1: Các tiêu chuẩn đánh giá hiệu củ mơ hình phƣơng pháp dự báo trƣờng hợp nghiên cứu Mơ hình phƣơng pháp MAE Các tiêu chí MAPE WAPE RMSE Dstat% Mạng nơ ron NARNET 481.923 758.813 67.377 752.489 50.809 Mạng nơ ron hồi quy lớp 477.330 384.376 66.825 641.879 54.643 Mạng nơ ron có độ trễ phân tán 607.010 418.800 84.980 921.155 42.800 Dựa kết có đƣợc từ Bảng 4.1, ta có tiêu đánh giá sai số mơ hình mạng nơ ron nhƣ sau: mơ hình mạng nơ ron NARNET có MAE = 481.923, MAPE = 758.813, WAPE = 67.377, RMSE = 752.489 Dstat = 50.809%, mơ hình mạng nơ ron hồi quy lớp có MAE = 477.330, MAPE = 384.376, WAPE = 66.825, RMSE = 641.879 Dstat = 54.643% mô hình mạng nơ ron có độ trễ phân tán có có MAE = 607.010, MAPE = 418.800, 51 WAPE = 84.980, RMSE = 921.155 Dstat = 42.800% Trong tiêu chí MAE, MAPE, WAPE RMSE có giá trị nhỏ cho thấy hiệu phƣơng pháp dự báo có giá trị tốt tiêu chí D stat có giá trị lớn cho thấy phƣơng pháp dự báo có hiệu Do đó, trƣờng hợp mơ hình mạng nơ ron hồi quy lớp cho kết dự báo tốt dùng cho dự báo công suất phát Nhà máy phong điện Phƣơng Mai xét theo tiêu chuẩn MAE, MAPE, WAPE, RMSE Dstat 4.3 Trƣờng hợp nghiên cứu 2: công suất phát r củ turbine đo đƣợc từ ngày 01 tháng 01 năm 2022 đến ngày 31 tháng 03 năm 2022 Dữ liệu công suất phát turbine [kW] thuộc Nhà máy phong điện Phƣơng Mai trƣờng hợp nghiên cứu đƣợc vẽ Hình 4.3 Trên Hình 4.3, đƣờng nét liền (màu đen) biểu diễn công suất phát turbine 1, trục tung biểu diễn giá trị cơng suất phát [kW] trục hồnh biểu diễn số điểm đo giai đoạn khảo sát Để dự báo công suất phát turbine, luận văn sử dụng phần mềm MATLAB để huấn luyện cho mơ hình mạng nơ ron nhân tạo Các thơng số mơ hình mạng nơ ron NARNET đƣợc huấn luyện để dự báo công suất phát turbine trƣờng hợp nhƣ sau: số nơ ron lớp ẩn 9, thuật toán huấn luyện trainlm, hàm truyền sử dụng tansig, số epoch thiết lập 5000 Các thơng số mơ hình mạng nơ ron hồi quy lớp đƣợc huấn luyện để dự báo công suất phát turbine trƣờng hợp nhƣ sau: số nơ ron lớp ẩn 95, thuật toán huấn luyện trainrp, hàm truyền sử dụng logsig, số epoch thiết lập 5000 Các thơng số mơ hình mạng nơ ron có độ trễ phân tán đƣợc huấn luyện để dự báo công suất phát turbine trƣờng hợp nhƣ sau: số nơ ron lớp ẩn 224, thuật toán 52 huấn luyện trainbr, hàm truyền sử dụng tansig, số epoch thiết lập 5000 Các kết dự báo sử dụng mơ hình mạng nơ ron NARNET, mơ hình mạng nơ ron hồi quy lớp mạng nơ ron có độ trễ phân tán đƣợc huấn luyện với công suất phát thực tế turbine trƣờng hợp đƣợc cho Hình 4.4 Trong Hình 4.4, liệu công suất phát turbine đƣợc minh họa đƣờng nét liền (màu đen) Các kết dự báo sử dụng mơ hình mạng nơ ron NARNET đƣợc huấn luyện, mơ hình mạng nơ ron hồi quy lớp đƣợc huấn luyện mơ hình mạng nơ ron có độ trễ phân tán lần lƣợt đƣợc biểu thị đƣờng nét đứt với đánh dấu * (màu đỏ), đánh dấu + (màu tím) đánh dấu năm cánh (màu xanh nhạt) Hầu hết giá trị dự báo xấp xỉ với công suất phát turbine Điều chứng tỏ hiệu phƣơng pháp mô hình dự báo đƣợc sử dụng trƣờng hợp nghiên cứu Các tiêu chuẩn đánh giá mơ hình mạng nơ ron NARNET đƣợc huấn luyện, mơ hình mạng nơ ron hồi quy lớp mơ hình mạng nơ ron có độ trễ phân tán đƣợc huấn luyện đƣợc cho Bảng 4.2 Bảng 4.2: Các tiêu chuẩn đánh giá hiệu củ mơ hình phƣơng pháp dự báo trƣờng hợp nghiên cứu Mơ hình phƣơng pháp MAE Các tiêu chí MAPE WAPE RMSE Dstat% Mạng nơ ron NARNET 811.375 1315.585 103.131 1184.572 51.019 Mạng nơ ron hồi quy lớp 479.201 660.474 60.881 660.323 52.573 Mạng nơ ron có độ trễ phân tán 759.585 6389.453 96.503 961.843 49.606 53 Hình 4.3: Cơng suất phát r củ turbine trƣờng hợp nghiên cứu 54 Hình 4.4: Các kết dự báo công suất phát r củ turbine trƣờng hợp nghiên cứu 55 Dựa kết có đƣợc từ Bảng 3.2, ta có tiêu đánh giá sai số mơ hình mạng nơ ron nhƣ sau: mơ hình mạng nơ ron NARNET có MAE = 811.375, MAPE = 1315.585, WAPE = 103.131, RMSE = 1184.572 Dstat = 51.019%, mơ hình mạng nơ ron hồi quy lớp có MAE = 479.201, MAPE = 660.474, WAPE = 60.881, RMSE = 660.323 Dstat = 52.573% mơ hình mạng nơ ron có độ trễ phân tán có có MAE = 759.585, MAPE = 6389.453, WAPE = 96.503, RMSE = 961.843 Dstat = 49.606% Trong tiêu chí MAE, MAPE, WAPE RMSE có giá trị nhỏ cho thấy hiệu phƣơng pháp dự báo có giá trị tốt tiêu chí D stat có giá trị lớn cho thấy phƣơng pháp dự báo có hiệu Do đó, trƣờng hợp mơ hình mạng nơ ron hồi quy lớp cho kết dự báo tốt dùng cho dự báo công suất phát Nhà máy phong điện Phƣơng Mai xét theo tiêu chuẩn MAE, MAPE, WAPE, RMSE Dstat Nhƣ vậy, hai trƣờng hợp nghiên cứu ứng dụng mơ hình mạng nơ ron nhân tạo để dự báo công suất phát turbine thuộc Nhà máy phong điện Phƣơng Mai với số liệu đo khác nhiều mơ hình mạng nơ ron hồi quy lớp cho kết dự báo tốt dùng cho dự báo tốt xét theo tất tiêu chuẩn MAE, MAPE, WAPE, RMSE Dstat 56 KẾT LUẬN CHƢƠNG Dữ liệu công suất phát turbine thuộc Nhà máy phong điện Phƣơng Mai hai trƣờng hợp nghiên cứu với số điểm đo công suất khác tháng: từ ngày 01 tháng 01 năm 2022 đến 31 tháng 01 năm 2022 (số điểm đo ít) từ ngày 01 tháng 01 năm 2022 đến 31 tháng 03 năm 2022 (số điểm đo nhiều) đƣợc sử dụng để nghiên cứu luận văn Dựa vào phân tích kết dự báo cơng suất phát turbine nói rằng: Để dự báo đƣợc công suất phát cho ngày, tuần, tháng quý cụ thể, ta cần xác định đƣờng cong công suất phát cho ngày, tuần, tháng quý Trong bảng ta tính đƣợc giá trị dự báo so với giá trị thực công suất phát turbine 01 tháng 01 q (03 tháng) Từ ta tính đƣợc tiêu chí đánh giá sai số dự báo sai số tuyệt đối trung bình (MAE), sai số tƣơng đối trung bình (MAPE), sai số phần trăm trung bình có trọng số (WAPE), bậc hai sai số bình phƣơng trung bình (RMSE) xu hƣớng dự báo Dstat mơ hình mạng nơ ron nhân tạo NARNET, mơ hình mạng nơ ron hồi quy lớp mơ hình mạng nơ ron có độ trễ phân tán, chứng tỏ mơ hình mạng nơ ron đề xuất cho kết dự báo công suất phát turbine dự báo ngắn hạn cho kết tốt Trong mơ hình mạng nơ ron áp dụng mơ hình mạng nơ ron hồi quy lớp cho kết dự báo công suất phát tốt Kết dự báo có đƣợc với giá trị công suất phát turbine đƣợc mô tả hình đồ thị sử dụng từ mơ hình mạng nơ ron nhân tạo NARNET, mạng nơ ron nhân tạo hồi quy lớp mơ hình mạng nơ ron có độ trễ phân tán đề xuất để dự báo công suất phát turbine thuộc Nhà máy 57 phong điện Phƣơng Mai Hầu hết giá trị công suất dự báo nằm gần với giá trị công suất thực chứng tỏ phƣơng pháp sử dụng dự báo có độ xác cao 58 KẾT LUẬN VÀ KIẾN NGHỊ KẾT LUẬN Ngày với tốc độ thị hóa ngày tăng dẫn đến việc hình thành khu cơng nghiệp khu dân cƣ điều làm cho nhu cầu sử dụng điện ngày nhiều Bên cạnh đó, sách khuyến khích cho phát triển nguồn lƣợng tái tạo có nhà máy điện gió dẫn đến phát triển nhanh chóng nhà máy điện gió ở khu vực Nam trung - Tây nguyên Chính vậy, cơng việc cấp thiết quy hoạch phát triển hệ thống điện cơng tác dự báo nguồn lƣợng gió Trong vận hành hệ thống điện, dự báo điện gió bao gồm cơng suất phát nhà máy tốc độ gió đo đƣợc khu vực nhà máy công việc cần thiết công ty điện lực nhằm giúp đƣa sách quan trọng vận hành quy hoạch, quản lý nguồn, đánh giá độ tin cậy lƣới công tác điều độ hệ thống Qua nghiên cứu phƣơng pháp dự báo công suất phát nhà máy tốc độ gió khu vực nhà máy, nhìn chung phƣơng pháp có ƣu nhƣợc điểm khác nhau, tùy theo yêu cầu độ tin cậy, độ xác phạm vi dự báo để lựa chọn phƣơng pháp thích hợp Trong luận văn này, phƣơng pháp dự báo sử dụng mạng nơ ron nhân tạo (đặc trƣng cho phƣơng pháp dự báo sử dụng trí tuệ nhân tạo) đƣợc sử dụng để dự báo ngắn hạn công suất phát tốc độ gió Nhà máy phong điện Phƣơng Mai Đây nhà máy điện gió có cơng suất tƣơng đối lớn lƣới điện tỉnh Bình Định đƣợc đƣa vào vận hành thƣơng mại năm 2021 Dữ liệu công suất phát turbine nhà máy tốc độ gió đo 59 đƣợc khu vực nhà máy đƣợc đo hệ thống SCADA 02 trƣờng hợp nghiên cứu với số lƣợng liệu khác tháng 01 năm 2022 03 tháng (tháng 01, tháng 02, tháng 03 – quý I) năm 2022 Kết dự báo sử dụng mạng nơ ron nhân tạo để dự báo ngắn hạn cơng suất phát tốc độ gió khu vực nhà máy cho kết tƣơng đối xác Trong mạng nơ ron nhân tạo hồi quy lớp cho kết dự báo tốt sử dụng cho dự báo công suất phát nhà máy mạng nơ ron nhân tạo NARNET cho kết dự báo tốc độ gió khu vực nhà máy tốt so sánh với mô hình mạng nơ ron nhân tạo sử dụng KIẾN NGHỊ Mặc dù, mơ hình mạng nơ ron nhân tạo sử dụng cho kết dự báo tƣơng đối tối ƣu nhƣng kết dự báo tốt cần phải thực thêm cải tiến Do đó, hƣớng nghiên cứu đề tài đƣợc mở rộng tƣơng lai theo hƣớng nhƣ sau: Hƣớng thứ nhất: nghiên cứu thuật toán tối ƣu phƣơng pháp thiết kế tối ƣu để lựa chọn cấu trúc tối ƣu mạng nơ ron Hƣớng thứ hai: Có thể kết hợp phƣơng pháp sử dụng mạng nơ ron với phƣơng pháp thống kê phƣơng pháp dự báo tốt so với sử dụng phƣơng pháp đơn lẻ Hƣớng thứ ba: Có thể kết hợp mơ hình mạng nơ ron nhân tạo với theo mơ hình tốn học tối ƣu hóa kết dự báo tốt 60 DANH MỤC TÀI LIỆU THAM KHẢO Báo cáo nghiên cứu khả thi Nhà máy phong điện Phƣơng Mai 1, Công ty cổ phần tƣ vấn dự án điện lực dầu khí, 2020 Công văn số: 6050/EPTC-KDMĐ ngày 12/10/2021 Công ty mua bán điện (EVNEPTC) Chu Nghĩa (2007), Luận văn thạc sỹ khoa học “Ứng dụng mạng nơron nhân tạo dự báo phụ tải ngắn hạn hệ thống điện miền Bắc” Đinh Thành Việt, Võ Văn Phƣơng, Dƣơng Minh Quân, Nguyễn Đình Ngọc Hải, Chu Văn Long, Nghiên cứu ứng dụng học sâu dự báo công suất phát nguồn điện gió, Tạp chí Khoa học Cơng nghệ - Đại học Đà Nẵng, 19 (3), 2021, pp – 11 Lê Đình Dƣơng, Phương pháp dự báo vận tốc gió cho nhà máy điện gió có xét đến mối tương quan không gian thời gian, Tạp chí Khoa học Cơng nghệ - Đại học Đà Nẵng, 17 (8), (2019), pp – 10 Lê Thị Thanh Hải (2011), Luận văn thạc sỹ kỹ thuật “Nghiên cứu ứng dụng mạng nơron nhân tạo dự báo phụ tải ngắn hạn cho thành phố Đà Nẵng” Nguyễn Hữu Đức, Lê Hữu Hà, Dự báo phụ tải điện ngắn hạn mơ hình máy học: Áp dụng cho Italia, Tạp chí Nghiên cứu KH&CN quân sự, 78, (2021), pp 52 – 58 Nguyễn Thanh Khiết (2013), Luận văn thạc sỹ kỹ thuật “Nghiên cứu ứng dụng mạng nơ ron nhân tạo dự báo phụ tải điện cho thành phố Hưng Yên” Quản Quốc Cƣờng (2014), Luận văn thạc sỹ kỹ thuật “Ứng dụng mạng nơ ron nhân tạo dự báo phụ tải điện ngắn hạn” 61 10 https://gwec.net/global-wind-report-2021/ [Accessed 18th September, 2021] 11 https://ukcop26.org/ 12 Akhtar I., Kirmani S., Ahmad M., Ahmad S., Average monthly wind power forecasting using fuzzy approach, IEEE Access, 9, (2021), pp 30426-30440 13 Barbounis T G., Theocharis J B., Alexiadis M C., Dokopoulos P S., Longterm wind speed and power forecasting using local recurrent neural network models, IEEE Transactions on Energy Conversion, 21 (1), (2006), pp 273-284 14 Blanchard T., Samanta B., Wind speed forecasting using neural networks, Wind Engineering, 44 (1), (2020), pp 33-48 15 Bouyeddou B., Harrou F., Saidi A., Sun Y., An Effective Wind Power Prediction using Latent Regression Models, In 2021 International Conference on ICT for Smart Society (ICISS), (2021, August), pp 1-6 16 Chang, W Y (2014) A literature review of wind forecasting methods Journal of Power and Energy Engineering, 2(04), 161 17 Chen P., Pedersen T., Bak-Jensen B., Chen Z., “ARIMA-based time series model of stochastic wind power generation”, IEEE transactions on power systems, vol 25, no 2, pp 667-676 (2009) 18 Dumitru C D., Gligor A., Daily average wind energy forecasting using artificial neural networks, Procedia Engineering, 181, (2017), pp 829-836 19 Focken U., Lange M., Mönnich K., Waldl H P., Beyer H G., Luig A., Shortterm prediction of the aggregated power output of wind farms—a statistical analysis of the reduction of the prediction error by spatial smoothing effects, Journal of Wind Engineering and Industrial Aerodynamics, 90 (3), (2002), pp 231-246 62 20 Hodge, B M., Zeiler, A., Brooks, D., Blau, G., Pekny, J., & Reklatis, G (2011) “Improved wind power forecasting with ARIMA models” Computer Aided Chemical Engineering Vol 29 Elsevier, 1789-1793 21 Huang F., Li Z., Xiang S., Wang R., A new wind power forecasting algorithm based on long short‐term memory neural network, International Transactions on Electrical Energy Systems, 31 (12), (2021), e13233 22 Jónsson, T., Pinson, P., Nielsen, H A., & Madsen, H (2014) “Exponential smoothing approaches for prediction in real-time electricity markets” Energies, 7(6), 3710-3732 23 Kavasseri R.G., Seetharaman K., “Day-ahead wind speed forecasting using fARIMA models”, Renewable Energy, vol 34, no 5, pp 1388-1393 (2009) 24 Kusiak A., Zhang Z., “Short-horizon prediction of wind power: A datadriven approach”, IEEE Transactions on Energy Conversion, vol 25, no 4, pp 1112-1122 (2010) 25 Landberg L., A mathematical look at a physical power prediction model, Wind Energy: An International Journal for Progress and Applications in Wind Power Conversion Technology, (1), (1998), pp 23-28 26 Le T H., A combined method for wind power generation forecasting, Archives of Electrical Engineering, 70 (4), (2021), pp 991-1009 27 Li L L., Zhao X., Tseng M L., Tan R R., Short-term wind power forecasting based on support vector machine with improved dragonfly algorithm, Journal of Cleaner Production, 242, (2020), 118447 28 Liu Y., Guan L., Hou C., Han H., Liu Z., Sun Y., Zheng M., Wind power short-term prediction based on LSTM and discrete wavelet transform, Applied Sciences, (6), (2019), 1108 63 29 Madhiarasan M., Long-term wind speed prediction using artificial neural network-based approaches, AIMS Geosciences, (4), (2021), pp 542-552 30 Osório G J., Matias J C O., Catalão J P S., Short-term wind power forecasting using adaptive neuro-fuzzy inference system combined with evolutionary particle swarm optimization, wavelet transform and mutual information, Renewable Energy, 75, (2015), pp 301-307 31 Pathak R., Wadhwa A., Khetarpal P., Kumar N., Comparative Assessment of Regression Techniques for Wind Power Forecasting, IETE Journal of Research, 1-10, (2021) 32 Peiris A T., Jayasinghe J., Rathnayake U., Forecasting wind power generation using artificial neural network: “Pawan Danawi”—A case study from Sri Lanka, Journal of Electrical and Computer Engineering, 2021 33 Robert Nau, “Forecasting with moving averages”, Fuqua School of Business, Duke University, August 2014 34 Tian S., Fu Y., Ling P., Wei S., Liu S., Li K., Wind power forecasting based on arima-lgarch model, In 2018 International Conference on Power System Technology (POWERCON), (2018, November), pp 1285-1289 35 Tung D D., Le T H., A Statistical Analysis of Short-Term Wind Power Forecasting Error Distribution, International Journal of Applied Engineering Research, 12 (10), (2017), pp 2306-2311 36 Xu H Y., Chang Y Q., Wang F L., Wang S., Yao Y., Univariate and multivariable forecasting models for ultra-short-term wind power prediction based on the similar day and LSTM network, Journal of Renewable and Sustainable Energy, 13 (6), (2021), 063307 64 37 Yin R., Li D., Wang Y., Chen W., Forecasting method of monthly wind power generation based on climate model and long short-term memory neural network, Global Energy Interconnection, (6), (2020), pp 571-576 38 Zeng J., Qiao W., Support vector machine-based short-term wind power forecasting, In 2011 IEEE/PES Power Systems Conference and Exposition, (2011, March), pp 1-8 39 Zhu X., Genton M.G., “Short‐term wind speed forecasting for power system operations”, International Statistical Review, vol 80, no 1, pp 2-23 (2012) 40 Wang J., Zhou Q., Jiang H., Hou R., Short-term wind speed forecasting using support vector regression optimized by algorithm, Mathematical Problems in Engineering, 2015 cuckoo optimization ... VỀ NHÀ MÁY PHONG ĐIỆN PHƢƠNG MAI VÀ TỔNG QUAN VỀ DỰ BÁO ĐIỆN GIÓ 1. 1 Giới thiệu tổng quan Nhà máy phong điện Phƣơng Mai [1] 1. 1 .1 Địa điểm xây dựng nhà máy 1. 1.2 Quy mô nhà máy. .. VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC QUY NHƠN NGUYỄN BẢO QUỐC ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO NGẮN HẠN NĂNG LƯỢNG GIÓ CỦA NHÀ MÁY PHONG ĐIỆN PHƯƠNG MAI Ngành: Kỹ thuật điện Mã số: 85202 01 Ngƣời... nối điện (trạm phân phối 11 0 kV) sơ đồ turbine gió Nhà máy phong điện Phƣơng Mai đƣợc cho Hình 1. 1 1. 2 12 Hình 1. 1: Sơ đồ nối điện Nhà máy phong điện Phương Mai 13 Hình 1. 2: Sơ đồ turbine gió