Ứng dụng trí tuệ nhân tạo trong dự báo công suất phát cho nhà máy điện mặt trời nhị hà

ĐẠI HỌC BÁCH KHOA HÀ NỘI TRƯỜNG ĐIỆN – ĐIỆN TỬ LUẬN VĂN THẠC SĨ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG DỰ BÁO CÔNG SUẤT PHÁT CHO NHÀ MÁY ĐIỆN MẶT TRỜI NHỊ HÀ TRẦN QUANG KHẢI Khaitran1987@gmail.com Ngành Kỹ thuật điện Chuyên ngành Hệ thống điện Giảng viên hướng dẫn: TS Nguyễn Thị Hoài Thu Chữ ký GVHD Trường: Điện – Điện tử HÀ NỘI, 05/2023 LỜI CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu Nội dung luận văn với tên đề tài đăng ký phê duyệt theo định số: 313/QĐĐHBK-ĐT ngày 24/2/2022 Hiệu trưởng trường Đại học Bách Khoa Hà Nội Hà Nội, ngày 17 tháng năm 2023 Học viên Trần Quang Khải CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Trần Quang Khải Đề tài luận văn: Ứng dụng trí tuệ nhân tạo dự báo cơng suất phát cho nhà máy điện mặt trời Nhị Hà Chuyên ngành: Kỹ thuật điện-Hệ thống điện Mã số SV: 20202419M Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng với nội dung sau: Đã bổ sung thêm phần “Lời Cam Đoan” theo quy định Đã hiệu chỉnh vị trí phần “Tính cấp thiết mục tiêu đề tài” thành mục riêng Đã chuẩn xác vài cụm từ bị sai tả Đã bổ sung tên phần mềm mô sử dụng luận văn Hà Nội, Ngày 17 tháng năm 2023 Giảng viên hướng dẫn Tác giả luận văn TS Nguyễn Thị Hoài Thu Trần Quang Khải CHỦ TỊCH HỘI ĐỒNG PGS.TS Trần Văn Tớp LỜI CẢM ƠN Lời em xin bày tỏ lòng biết ơn tới Ban Giám hiệu, phòng Đào tạo – phận sau Đại học, Trường Điện – Điện tử, Đại học Bách khoa Hà Nội tạo điều kiện cho em q trình học tập hồn thành luận văn Em xin gửi lời cảm ơn chân thành sâu sắc đến TS Nguyễn Thị Hoài Thu, người hướng dẫn, bảo cho em ý kiến vô quý báu tạo điều kiện thuận lợi cho em mặt chun mơn suốt q trình học tập, thực luận văn Cô quan tâm, động viên, nhắc nhở để em hồn thành luận văn tiến độ Cuối cùng, em xin gửi lời cảm ơn tới tất bạn bè, đồng nghiệp gia đình người ln ủng hộ, động viên tạo điều kiện tốt để em hồn thiện luận văn TÍNH CẤP THIẾT VÀ MỤC TIÊU ĐỀ TÀI Việt Nam coi nước có tiềm NLTT lớn có phát triển mạnh mẽ lĩnh vực lượng tái tạo, đặc biệt lượng mặt trời gió Nhà nước ta có bước đột phá việc tăng cường sử dụng nguồn lượng tái tạo giảm phụ thuộc vào nhiên liệu hữu Kết là, số lượng dự án lượng mặt trời phát triển toàn quốc tăng mạnh Mặc dù có phát triển mạnh vậy, nhiên cịn số khó khăn phát sinh, ngăn cản trình phát triển tiềm NLTT Một số vấn đề dự báo lượng mặt trời Việc dự báo lượng mặt trời có tầm quan trọng lớn giúp cho việc quản lý sử dụng nguồn lượng mặt trời cách tối ưu, giúp tăng hiệu giảm chi phí, đảm bảo nguồn điện liên tục ổn định, giúp cho việc sản xuất sử dụng điện cách hiệu Bên cạnh đó, cịn giúp tối ưu hóa dự án điện mặt trời, giúp đảm bảo dự án điện mặt trời đáp ứng nhu cầu điện người dân doanh nghiệp Tuy nhiên, dự báo công suất nhà máy điện mặt trời Việt Nam có số khó khăn kể đến biến đổi thời tiết điều kiện môi trường, chất lượng pin mặt trời, phát triển nhu cầu sử dụng điện, thiếu liệu,… Chính vậy, việc nghiên cứu phát triển vấn đề dự báo công suất phát nhà máy điện mặt trời góp phần khơng nhỏ việc phát triển nguồn điện nói riêng phát triển đất nước nói chung Dự báo cơng suất nói chung có vai trị quan trọng Nó giúp cho nhà quản lý điện dự đốn số lượng điện cần thiết để đáp ứng nhu cầu người dùng tương lai quản lý nguồn cung cấp điện từ nguồn khác nhau, đồng thời giúp cho nhà đầu tư xác định chi phí liên quan đến việc sản xuất phân phối điện, xác định an toàn hệ thống điện đảm bảo nguồn cung cấp điện đáp ứng nhu cầu Bên cạnh đó, với phát triển mạnh mẽ NLTT, đặc biệt lượng mặt trời, việc dự báo công suất phát nhà máy điện mặt trời nhiệm vụ cần thiết Do đề tài nghiên cứu “Ứng dụng trí tuệ nhân tạo dự báo công suất phát cho nhà máy điện mặt trời Nhị Hà” Nội dung đề tài bao gồm: Chương 1: Tổng quan dự báo công suất phát điện mặt trời Chương giới thiệu tổng quan lượng tái tạo đặc biệt lượng mặt trời tình hình nghiên cứu lĩnh vực dự báo công suất điện mặt trời Chương 2: Các mơ hình dự báo cơng suất phát điện mặt trời Chương giới thiệu tổng quan bước dự báo, phương pháp áp dụng luận văn Chương 3: Áp dụng mơ hình mạng học sâu dự báo công suất phát cho nhà máy điện mặt trời Nhị Hà Tại đây, luận văn áp dụng phương pháp nêu chương để tiến hành dự báo Chương 4: Kết luận Chương tổng hợp đánh giá kết toàn luận văn MỤC LỤC CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO CÔNG SUẤT PHÁT ĐIỆN MẶT TRỜI 1.1 THỰC TRẠNG NĂNG LƯỢNG MẶT TRỜI TRONG NƯỚC VÀ NGOÀI NƯỚC 1.1.1 Ngoài nước: 1.1.2 Trong nước: 1.2 TỔNG QUAN BÀI TOÁN DỰ BÁO 1.3 TÌNH HÌNH NGHIÊN CỨU THUỘC LĨNH VỰC DỰ BÁO CHƯƠNG 2: CÁC MÔ HÌNH DỰ BÁO CƠNG SUẤT PHÁT ĐIỆN MẶT TRỜI 2.1 TIỀN XỬ LÝ DỮ LIỆU 2.1.1 Xử lý điểm liệu khuyết thiếu 10 2.1.2 Xử lý điểm liệu ngoại lai 11 2.1.3 Chuẩn hoá Min-Max 12 2.2 MƠ HÌNH THỐNG KÊ 13 2.3 MƠ HÌNH ỨNG DỤNG TRÍ TUỆ NHÂN TẠO 14 2.3.1 Mạng nơ ron nhân tạo (Artificial Neural Network) 14 2.3.2 Mạng nơ ron hồi quy (Recurrent Neural Network) 16 2.3.3 Bộ nhớ dài ngắn hạn (Long-short term memory) 21 2.3.4 Mạng nơ ron tích chập (Convolutional Neural Network) 23 2.3.5 Mơ hình kết hợp CNN-LSTM 28 2.4 CÁC CHỈ SỐ ĐÁNH GIÁ MƠ HÌNH 30 2.4.1 Root mean squared error (RMSE) 30 2.4.2 Normalized root mean squared error (N-RMSE) 30 2.4.3 Mean absolute error (MAE) 31 CHƯƠNG 3: ÁP DỤNG MƠ HÌNH TRÍ TUỆ NHÂN TẠO DỰ BÁO CÔNG SUẤT PHÁT CHO NHÀ MÁY ĐIỆN MẶT TRỜI NHỊ HÀ 32 3.1 THU THẬP VÀ XỬ LÝ DỮ LIỆU 32 3.1.1 Giới thiệu nhà máy điện mặt trời Nhị Hà 32 3.1.2 Dữ liệu thu thập 33 3.1.3 Xử lý liệu khuyết thiếu 35 3.1.4 Xử lý liệu ngoại lai 37 3.1.5 Huấn luyện mơ hình 39 3.1.6 Thơng số mơ hình 40 3.2 KẾT QUẢ DỰ BÁO ĐƠN BƯỚC KHI SỬ DỤNG CÁC MƠ HÌNH KHÁC NHAU 41 3.2.1 Kết dự báo ANN 41 3.2.2 Kết dự báo CNN 42 3.2.3 Kết dự báo LSTM 43 3.2.4 Kết dự báo CNN-LSTM 44 3.2.5 Tổng kết mơ hình 45 3.3 KẾT QUẢ DỰ BÁO ĐƠN BƯỚC CHO CÁC NGÀY ĐIỂN HÌNH 46 3.3.1 Kết dự báo ANN 46 3.3.2 Kết dự báo CNN 49 3.3.3 Kết dự báo LSTM 52 3.3.4 Kết dự báo CNN-LSTM 55 3.3.5 Tổng kết mơ hình 57 3.4 KẾT QUẢ DỰ BÁO ĐA BƯỚC 58 CHƯƠNG 4: KẾT LUẬN 62 TÀI LIỆU THAM KHẢO 64 DANH MỤC BẢNG BIỂU Bảng 1.1: Phân loại dự báo .4 Bảng 3.1: Đặc điểm liệu trước sau xử lý liệu khuyết thiếu 35 Bảng 3.2: Các phương án đề xuất 40 Bảng 3.3: Thông số mơ hình dự báo 40 Bảng 3.4: Kết sai số phương án mơ hình ANN 41 Bảng 3.5: Kết sai số phương án mơ hình CNN 42 Bảng 3.6: Kết sai số phương án mơ hình LSTM 44 Bảng 3.7: Kết sai số phương án mơ hình CNN-LSTM 45 Bảng 3.8: Bảng sai số dự báo đơn bước sử dụng mơ hình ANN 49 Bảng 3.9: Bảng sai số dự báo đơn bước sử dụng mơ hình CNN 51 Bảng 3.10: Bảng sai số dự báo đơn bước sử dụng mô hình LSTM 54 Bảng 3.11: Bảng sai số dự báo đơn bước sử dụng mơ hình CNN-LSTM 57 Bảng 3.12: Bảng sai số dự báo đa bước sử dụng CNN-LSTM 61 DANH MỤC HÌNH ẢNH Hình 1.1: Năng lượng mặt trời tồn giới phương án Net Zero năm 20102030 [1] Hình 1.2: Dự báo đơn bước dự báo đa bước .5 Hình 1.3: Dự báo đơn biến dự báo đa biến Hình 2.1: Cấu trúc chung mơ hình dự báo Hình 2.2: Đồ thị phân phối chuẩn liệu thông thường 12 Hình 2.3: Cấu trúc mơ hình ANN 16 Hình 2.4: Cấu trúc mơ hình mạng RNN 17 Hình 2.5: Các dạng tốn RNN 18 Hình 2.6: Cấu trúc LSTM 22 Hình 2.7: Cấu trúc hoạt động CNN 25 Hình 2.8: Thuật tốn lọc tích chập ma trận dạng sơ đồ đồ họa 26 Hình 2.9: Mơ tả thức hoạt động lớp pooling 27 Hình 2.10: Cấu trúc hoạt động mơ hình CNN-LSTM 29 Hình 3.1: Nhà máy điện mặt trời Nhị Hà giai đoạn 32 Hình 3.2: Bộ liệu thơ thu thập 33 Hình 3.3: Dữ liệu sau chuyển đổi ma trận hàng cột 34 Hình 3.4: Cơng suất phát nhà máy điện mặt trời Nhị Hà năm 2022 34 Hình 3.5: Một phần liệu công suất bị thiếu 36 Hình 3.6: Dữ liệu sau xử lý khuyết thiếu 37 Hình 3.7: Xử lý liệu ngoại lai liệu 38 Hình 3.8: Kết dự báo đơn bước mơ hình ANN 41 Hình 3.9: Kết dự báo đơn bước mơ hình CNN 42 Hình 3.10: Kết dự báo đơn bước mơ hình LSTM 43 Hình 3.11: Kết dự báo đơn bước mơ hình CNN-LSTM 44 Hình 3.12: Kết dự báo đơn bước sử dụng mơ hình ANN dự báo ngày có cơng suất đỉnh lớn dao động nhẹ 47 LUẬN VĂN THẠC SĨ GVHD: TS Nguyễn Thị Hoài Thu 1610.36 kW 3.3.3 Kết dự báo LSTM Hình 3.20: Kết dự báo đơn bước sử dụng mơ hình LSTM dự báo ngày có cơng suất đỉnh lớn dao động nhẹ Hình 3.21: Kết dự báo đơn bước sử dụng mơ hình LSTM dự báo ngày có cơng suất đỉnh lớn dao động mạnh Học viên: Trần Quang Khải 52 LUẬN VĂN THẠC SĨ GVHD: TS Nguyễn Thị Hồi Thu Hình 3.22: Kết dự báo đơn bước sử dụng mơ hình LSTM dự báo ngày có cơng suất đỉnh nhỏ dao động nhẹ Hình 3.23: Kết dự báo đơn bước sử dụng mô hình LSTM dự báo ngày có cơng suất đỉnh nhỏ dao động mạnh Học viên: Trần Quang Khải 53 LUẬN VĂN THẠC SĨ GVHD: TS Nguyễn Thị Hoài Thu Từ việc phân tích hình ảnh, ta nhận thấy mơ hình LSTM cho thấy khả dự báo tốt so với mơ hình ANN CNN ngày điển hình, nhiên có chênh lệch ngày điển hình Trong ngày có công suất đỉnh dao động nhẹ, khả dự báo LSTM cải thiện so với mơ hình trước đó, với đường dự báo bám sát tốt với đường thực tế Tuy nhiên, liệu thay đổi đột ngột gần giá trị 0, LSTM dự báo điểm có giá trị gần 0, dẫn đến việc ảnh hưởng đến khả tính sai số mơ hình Tóm lại, mơ hình LSTM cho thấy khả dự báo tốt mơ hình khác, cịn chênh lệch ngày điển hình cần cải thiện thêm để đạt kết tốt trường hợp liệu đột ngột thay đổi gần giá trị Bảng 3.10: Bảng sai số dự báo đơn bước sử dụng mơ hình LSTM Tồn tập test Cao dao động nhẹ Cao dao động mạnh Ngày điển hình Thấp dao động nhẹ Thấp dao động mạnh RMSE (kW) 2591.59 2001.36 2701.31 1484.35 2994.41 n-RMSE (%) 6.39 5.03 7.96 7.77 14.35 MAE (kW) 1305.81 1273.73 1524.6 913.29 1692.14 Kết bảng sai số cho thấy nhìn rõ ràng hiệu suất mơ hình LSTM ngày điển hình Đặc biệt vào ngày có cơng suất đỉnh nhỏ, sai số dự báo rơi vào khoảng 5%, thấp nhiều so với mơ hình trên, bên cạnh với ngày cơng suất đỉnh cao dao động mạnh ngày có cơng suất đỉnh thấp dao động nhẹ có ổn định xác so với ANN CNN Các sai số vào mức 7-8%, tức cao chút so với dự báo toàn tập kiểm tra Mặc dù cải thiện hiệu suất dự báo ngày có cơng suất đỉnh thấp dao động mạnh với sai số RMSE, n-RMSE MAE 2994.41 kW, 14.35% 1692.14 kW, nhiên sai số cao Học viên: Trần Quang Khải 54 LUẬN VĂN THẠC SĨ GVHD: TS Nguyễn Thị Hoài Thu 3.3.4 Kết dự báo CNN-LSTM Hình 3.24: Kết dự báo đơn bước sử dụng mơ hình CNN-LSTM dự báo ngày có cơng suất đỉnh lớn dao động nhẹ Hình 3.25: Kết dự báo đơn bước sử dụng mơ hình CNN-LSTM dự báo ngày có cơng suất đỉnh lớn dao động mạnh Học viên: Trần Quang Khải 55 LUẬN VĂN THẠC SĨ GVHD: TS Nguyễn Thị Hồi Thu Hình 3.26: Kết dự báo đơn bước sử dụng mơ hình CNN-LSTM dự báo ngày có cơng suất đỉnh nhỏ dao động nhẹ Hình 3.27: Kết dự báo đơn bước sử dụng mơ hình CNN-LSTM dự báo ngày có cơng suất đỉnh nhỏ dao động mạnh Học viên: Trần Quang Khải 56 LUẬN VĂN THẠC SĨ GVHD: TS Nguyễn Thị Hồi Thu Mơ hình CNN-LSTM cho thấy kết tốt giống với mơ hình trên ngày điển hình, nhiên kết dự báo CNN-LSTM cải thiện vào ngày có cơng suất đỉnh nhỏ dao động mạnh Bảng 3.11: Bảng sai số dự báo đơn bước sử dụng mơ hình CNN-LSTM RMSE n-RMSE MAE (kW) (%) (kW) 2519.57 6.21 1291.09 Lớn dao động nhẹ 1727.96 4.35 1089.3 Ngày điển Lớn dao động mạnh 2619.07 7.77 1515.78 hình Nhỏ dao động nhẹ 1156.78 6.03 644.53 Nhỏ dao động mạnh 2621.15 8.91 1398.59 Toàn tập test Về mặt sai số, CNN-LSTM cho thấy kết luận vào ngày có cơng suất đỉnh nhỏ, sai số dự báo chí có 4.35%, thấp nhiều so với mơ hình trên, bên cạnh với ngày điển hình cịn lại ổn định với sai số n-RMSE mức nhỏ 10% Điều chứng minh mơ hình kết hợp CNN-LSTM có hiệu suất tốt mơ hình cịn lại khơng xét tồn tập kiểm tra mà cịn xét ngày điển hình 3.3.5 Tổng kết mơ hình Sau thực nghiệm, ta kết luận số điểm sau: - Các mơ hình có chênh lệch định dự báo cho ngày điển hình khác Các ngày có cơng suất đỉnh cao dao động nhẹ có hiệu suất cao cơng suất đỉnh thấp dao động mạnh cho thấy hiệu - Mơ hình CNN-LSTM cho thấy hiệu suất tốt ổn định so với mơ hình đơn dự báo cho ngày điển hình với sai số n-RMSE nhỏ 10% Học viên: Trần Quang Khải 57 LUẬN VĂN THẠC SĨ GVHD: TS Nguyễn Thị Hoài Thu 3.4 KẾT QUẢ DỰ BÁO ĐA BƯỚC Dự báo đa bước công cụ vơ hữu ích cho nhà máy điện việc dự đoán lên kế hoạch tiêu thụ điện tương lai Khơng giúp tối ưu hóa sử dụng lượng giảm chi phí sản xuất điện, dự báo đa bước phần quan trọng việc tích hợp nguồn lượng tái tạo vào hệ thống lưới điện, đảm bảo tính ổn định hạn chế tình trạng tải mạng lưới điện Sau thử nghiệm dự báo đơn bước, ta thấy mơ hình CNN-LSTM phương án có ưu việc huấn luyện chuỗi thời gian có độ phức tạp cao Do vậy, mơ hình CNN-LSTM áp dụng liệu dự báo đa bước công suất phát nhà máy điện mặt trời Nhị Hà, cụ thể dự báo cho ngày tới (day-ahead), với tập huấn luyện/kiểm tra/lookback 80/20/48 Ở đây, dự báo ngày tới áp dụng tập liệu với sample 30 phút, ngày (24 giờ) có 48 điểm liệu Kết dự báo 48 bước thể hình 3.28 đến hình 3.32 bảng 3.12 Hình 3.28: Kết dự báo 48 bước thể tuần Học viên: Trần Quang Khải 58 LUẬN VĂN THẠC SĨ GVHD: TS Nguyễn Thị Hoài Thu Hình 3.29: Kết dự báo đa bước sử dụng mơ hình CNN-LSTM dự báo ngày có cơng suất đỉnh lớn dao động nhẹ Hình 3.30: Kết dự báo đa bước sử dụng mơ hình CNN-LSTM dự báo ngày có cơng suất đỉnh lớn dao động mạnh Học viên: Trần Quang Khải 59 LUẬN VĂN THẠC SĨ GVHD: TS Nguyễn Thị Hồi Thu Hình 3.31: Kết dự báo đa bước sử dụng mơ hình CNN-LSTM dự báo ngày có cơng suất đỉnh nhỏ dao động nhẹ Hình 3.32: Kết dự báo đa bước sử dụng mơ hình CNN-LSTM dự báo ngày có cơng suất đỉnh nhỏ dao động mạnh Học viên: Trần Quang Khải 60 LUẬN VĂN THẠC SĨ GVHD: TS Nguyễn Thị Hoài Thu Bảng 3.12: Bảng sai số dự báo đa bước sử dụng CNN-LSTM Toàn tập test Lớn dao động nhẹ Lớn dao động mạnh Ngày điển hình Nhỏ dao động nhẹ Nhỏ dao động mạnh RMSE (kW) 4231.37 6026.85 4916.14 3124.36 3837.10 n-RMSE (%) 12.72 15.17 14.49 16.28 18.21 MAE (kW) 2422.48 3556.64 2714.50 1980.26 2054.11 Dựa phân tích trực quan, nhận thấy đường dự báo mơ hình đem lại kết xác Điều thấy rõ tập kiểm tra ngày điển hình, hình dạng đường dự báo tương đồng với đường thực tế Tuy nhiên, mơ hình khơng thể dự báo xác xuất thay đổi đột ngột, dẫn đến đường dự báo không khớp với đường thực tế trường hợp dự báo đa bước Số liệu tổng hợp sai số bảng 3.12 cho thấy mơ hình dự báo đa bước cho sai số lớn đáng kể so với dự báo đơn bước (n-RMSE > 10%) Tuy nhiên, với số bước dự báo lớn (48 bước), kết sai số tốt chấp nhận Để cải thiện sai số cho dự báo đa bước, sử dụng nhiều phương pháp rút ngắn sample từ 30 phút thành tiếng để giảm số bước dự báo cần tìm xuống cịn 24 bước Ngồi ra, kết hợp sử dụng phương pháp phân tách, tối ưu giải pháp khác áp dụng để cải thiện kết dự báo đa bước Học viên: Trần Quang Khải 61 LUẬN VĂN THẠC SĨ GVHD: TS Nguyễn Thị Hoài Thu CHƯƠNG 4: KẾT LUẬN Trong luận văn này, tác giả đề xuất xây dựng số mơ hình dự báo cơng suất phát nhà máy điện mặt trời Nhị Hà với ý tưởng ứng dụng trí tuệ nhân tạo (AI) Đầu tiên bước thu thập liệu, luận văn liệu công suất phát nhà máy điện mặt trời Nhị Hà Sau đó, liệu thô tiền xử lý để xử lý liệu ngoại lai, liệu bị thiếu đo đạc, điện Ví dụ, liệu ngoại lai loại bỏ để tránh ảnh hưởng đến kết dự báo, liệu bị khuyết thiếu bổ sung Sau xử lý, liệu sử dụng làm đầu vào cho mô hình dự báo sử dụng trí tuệ nhân tạo Tại đây, tác giả chia toán thực nghiệm thành phương án khác tỉ lệ tập huấn luyện/tập kiểm tra/lookback từ phương án đến sau: 70/30/48, 70/30/96, 80/20/48, 80/20/96 Hiệu mơ hình dự báo đơn bước chọn ANN, CNN, LSTM CNN-LSTM đánh giá cách sử dụng công thức sai số RMSE, n-RMSE MAE Từ đó, chọn mơ hình dự báo đơn bước phương án tốt để dự báo cho ngày điển hình dự báo đa bước ngày tới Dựa kết thu từ nghiên cứu, rút kết luận sau: - Phương pháp dự báo sử dụng AI cho kết dự báo công suất phát tốt, với đường dự báo gần trùng khớp với đường thực tế mơ hình đa phần có sai số mức tốt, thể tính xác ổn định phương pháp dự báo đơn bước dự báo đa bước - Tỉ lệ chia tập huấn luyện, kiểm tra, số lookback ảnh hưởng lớn tới kết dự báo Ở luận văn này, dễ dàng nhận thấy phương án chia tỉ lệ tập huấn luyên/kiểm tra/lookback tương ứng 80/20/48 cho kết tốt dự báo đơn bước cho tất mơ hình - Mơ hình CNN-LSTM cho kết dự báo đơn bước xác so với mơ hình đơn, chứng tỏ tính hiệu mơ hình việc Học viên: Trần Quang Khải 62 LUẬN VĂN THẠC SĨ GVHD: TS Nguyễn Thị Hồi Thu dự báo cơng suất phát nhà máy điện mặt trời - Mơ hình ANN CNN đa phần cho kết dự báo xác so với mơ hình LSTM CNN-LSTM, đòi hỏi phải cân nhắc đánh giá kỹ trước sử dụng phương pháp dự báo công suất phát - Việc dự báo cho ngày điển hình có chênh lệch với ngày phương pháp đơn, CNN-LSTM cho thấy ổn định sai số ngày mức n-RMSE