MODEL USING FUZZY LOGIC REASONING TO PREDICT WIND SPEED FOR WIND TURBINES OPERATIONS - Full 10 điểm

T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ NĂNG LƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) 102 S ố 31 MÔ HÌNH PH Ố I H Ợ P S Ử D Ụ NG SUY LU Ậ N LOGIC M Ờ ĐỂ D Ự BÁO T ỐC ĐỘ GIÓ DÙNG CHO V ẬN HÀNH CÁC NHÀ MÁY ĐIỆ N GIÓ A HYBRID MODEL USING FUZZY LOGIC REASONING TO PREDICT WIND SPEED FOR WIND TURBINES OPERATIONS Tr ầ n Hoài Linh Trường Điệ n - Điệ n t ử, Đạ i h ọ c Bách k hoa Hà N ộ i Ngày nh ậ n bài: 05/4/2023, Ngày ch ấ p nh ận đăng: 2 6 /5/2023, Ph ả n bi ệ n: PGS TS Nguy ễ n H ữ u Đ ứ c Tóm t ắ t: Trong bài báo này, m ộ t mô hình m ớ i s ử d ụ ng ph ố i h ợ p kh ố i d ự báo tuy ế n tính và kh ố i d ự báo b ằ ng các lu ậ t suy lu ậ n l o gic m ờ s ẽ đư ợ c đ ề xu ấ t s ử d ụ ng cho m ô hình d ự báo t ố c đ ộ gió t ạ i các v ị trí đ ặ t turbin c ủ a nhà máy đi ệ n gió Các nhà máy đi ệ n c ầ n có các mô hình này đ ể ph ố i h ợ p v ậ n hành v ớ i các đơn v ị đi ề u đ ộ c ủ a h ệ th ố ng Mô hình s ử d ụ ng ph ố i h ợ p m ộ t kh ố i phi tuy ế n và m ộ t kh ố i tuy ế n tính s ẽ cho k ế t qu ả chí nh xác hơn khi ch ỉ s ử d ụ ng đ ộ c l ậ p các kh ố i thành ph ầ n Mô hình đ ề xu ấ t trong bài báo này đư ợ c áp d ụ ng th ử nghi ệ m cho m ộ t năm s ố li ệ u đo lư ờ ng t ố c đ ộ gió ở cao đ ộ 100 m và 80 m, v ớ i các bài toán d ự báo 30 phút trong ngày, d ự báo 2 ngày ti ế p theo ngày hi ệ n t ạ i đ ạ t sai s ố trung bình c ủ a gi ả i pháp nh ỏ hơn 9 , 1% cho d ự báo 30 phút trong ngày và 13 , 6% cho d ự báo 2 ngày ti ế p theo T ừ khóa: D ự báo t ốc độ gió, v ận hành nhà máy điện gió, năng lượ ng tái t ạ o, d ự báo ng ắ n h ạ n Abstract: In this paper, a hybrid model using a combination of linear block and a nonlinear, fuzzy rules will be proposed for the wind speed prediction model Wind turbines power plants need these models to coordinate their operation with the dispatching units of the system The proposed hybrid models will give more accurate results than using the linear or nonlinear block alone The model proposed in this paper is applied experimentally for one year of measurement data for wind speed at heights of 100m and 80m, with 30-minute forecasting problems, the 2-day forecasting problems achieves the average error of the solution less than 9 1% for the former problems and 13 6% for the later problems Keywords: Wind speed prediction, wind turbine operation, renewable energy generation, short-term prediction 1 GI Ớ I THI Ệ U CHUNG Các ngu ồn năng lượ ng tái t ạo đang ngày càng đóng vai trò quan trọ ng trong các h ệ th ống điệ n nói chung và trong h ệ th ố ng điệ n Vi ệ t Nam nói riêng Các h ệ th ố ng điện ngày nay đang cầ n b ổ sung ngu ồ n năng lượ ng s ạ ch do các ngu ồn điện như th ủy điện đã đế n m ứ c t ớ i h ạ n, nhi ệt điệ n T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ N Ă NG L ƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) S ố 31 103 gây phát th ải nhà kính đồ ng th ờ i ngu ồ n nhiên li ệ u hóa th ạ ch truy ề n th ống như than, d ầu và khí đốt cũng ngày càng cạ n ki ệ t V ớ i nhi ề u công ngh ệ s ả n xu ấ t và công ngh ệ ph ụ tr ợ đượ c phát tri ể n trong th ờ i gian v ừa qua, năng lượ ng gió ngày càng có hi ệ u qu ả cao và ti ế t ki ệ m chi phí, có th ể tr ở thành l ự a ch ọ n ph ổ bi ến để phát điệ n So sánh v ới năng lượ ng m ặ t tr ờ i, năng lượng gió có ưu điể n là công su ấ t phát tương đố i ổn định hơn, có thể phát 24/24 và có th ể d ễ dàng hơn khi tích h ợ p vào h ệ th ống điệ n hi ệ n có [1] Trong quá trình v ậ n hành m ộ t nhà máy điệ n gió, nhi ệ m v ụ d ự báo t ốc độ gió đóng vai trò r ấ t quan tr ọ ng Theo yêu c ầ u trong Quy ết đị nh s ố 67/QĐ - ĐTĐL ban hành ngày 10 tháng 8 năm 2021 củ a C ục Điề u ti ết Điệ n l ự c (B ộ Công T hương) về ban hình Quy trình d ự báo công su ất, điệ n năng phát củ a các ngu ồn điện năng lượ ng tái t ạo, các đối tượ ng tham gia trong h ệ th ống điện, trong đó có các nhà máy điệ n m ặ t tr ờ i n ối lưới và nhà máy điệ n gió n ố i lướ i c ầ n th ự c hi ện thườ ng xuyên và tr ự c tuy ế n vi ệ c d ự báo công su ất, điện năng phát c ủ a các ngu ồn điện năng lượ ng tái t ạo để ph ụ c v ụ công tác v ậ n hành h ệ th ống điệ n Các k ế t qu ả d ự báo c ầ n ph ả i đượ c các ch ủ đầu tư của các nhà máy điệ n tái t ạ o cung c ấp cho Đơn vị v ậ n hành h ệ th ống điệ n và th ị trường điệ n bao g ồ m:  D ự báo các thông s ố ngay trong ngày v ậ n hành ;  D ự báo các thông s ố cho 2 ngày ti ế p theo ngày hi ệ n t ạ i ;  D ự báo các thông s ố cho tu ầ n ti ế p theo, tháng ti ế p theo và năm ti ế p theo Các phương pháp dự báo đượ c khuy ế n cáo đạ t sai s ố tuy ệt đố i ph ần trăm MAPE ( Mean Absolute Percentage Error ) dướ i 18% cho năng lượ ng gió và 15% cho năng lượ ng m ặ t tr ời Đố i v ớ i n ộ i b ộ nhà máy, các k ế t qu ả d ự báo t ốc độ gió chính xác cho phép ngườ i v ậ n hành t ối ưu hóa hi ệ u su ấ t c ủ a tu r bin gió, gi ả m chi phí b ả o trì và đ ả m b ả o r ằ ng nhà máy đi ệ n ho ạ t đ ộ ng trong gi ớ i h ạ n an toàn và ổ n đ ị nh Đã có nhiề u bài báo và công trình nghiên c ứ u v ớ i nhi ều đề xu ấ t mô hình d ự báo ng ắ n h ạ n khác nhau cho t ốc độ gió t ạ i các điể m kh ảo sát [1], trong đó ngoài các mô hình ngo ại suy kinh điể n, các công c ụ m ớ i và hi ện đại như sử d ụ ng m ạng nơ r o n nhân t ạ o (ANN - Artificial Neural Networks ), s ử d ụ ng các mô hình l o gic m ờ (FLR - Fuzzy Logic Reasoning ) và g ầ n đây nh ấ t là các m ạ ng nơr o n h ọ c sâu (DL - Deep learning neural networks ) Tuy nhiên h ầ u h ế t c ác mô hình ng ắ n h ạ n đư ợ c đ ề xu ấ t thư ờ ng ch ỉ ở d ạ ng d ự báo trư ớ c 1h ho ặ c trư ớ c 1 ngày, mà không th ự c hi ệ n d ự báo theo yêu c ầ u c ủ a các cơ quan đi ề u đ ộ t ạ i Vi ệ t Nam như d ự báo trư ớ c 4h v ớ i bư ớ c d ự báo 1 phút , d ự báo 2 ngày ti ế p theo v ớ i bư ớ c d ự báo 15 phút , So sánh gi ữ a các mô hình ANN và FLR, các công trình đã công b ố cho th ấ y ưu đi ể m t ố t hơn FLR so v ớ i ANN do kh ả năng x ấ p x ỉ hàm phi tuy ế n linh ho ạ t hơn c ủ a các mô hình FLR [2] Trong [3], m ộ t mô hình dùng m ạ ng Takagi - Sugeno (TS) đ ể d ự báo t ố c đ ộ gió và côn g su ấ t phát c ủ a turbin đã đư ợ c đ ề T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ NĂNG LƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) 104 S ố 31 xu ấ t v ớ i 2 suy lu ậ n cho t ố c đ ộ gió và 4 lu ậ t suy lu ậ n cho công su ấ t đó Mô hình này th ử nghi ệ m cho 1 năm s ố li ệ u cho phép d ự báo công su ấ t phát trư ớ c 4h v ớ i sai s ố trung bình 33 , 86%, d ự báo t ố c đ ộ gió trư ớ c 3h v ớ i sai s ố trung bình là 7 , 6% Gi ả i pháp trong [4] cũng s ử d ụ ng mô hình TS đ ể d ự báo t ố c đ ộ gió d ự a trên các s ố li ệ u quá kh ứ v ề t ố c đ ộ và hư ớ ng gió Mô hình đ ạ t đ ộ chính xác 15 , 3% khi d ự báo trư ớ c 30‟, nhưng khi d ự báo trư ớ c 60 phút thì sai s ố b ị tăng lên 21 , 1%, d ự b áo trư ớ c 120 phút thì sai s ố là 25 , 8% Các mô hình dùng l og gic m ờ nhưng v ớ i s ố đ ầ u vào nhi ề u hơn như nhi ệ t đ ộ , đ ộ ẩ m môi trư ờ ng, áp su ấ t không khí, đã đư ợ c dùng trong [5] đ ể đ ạ t đư ợ c sai s ố trung bình MAPE cho c ả năm là 11 , 19%, trong đó các tác gi ả cũng chia thành các mô hình con cho t ừ ng mùa v ớ i sai s ố trung bình c ủ a t ừ ng mùa bi ế n thiên trong kho ả ng t ừ 4 , 51% đ ế n 18 , 52% Như ợ c đi ể m c ủ a các phương pháp này là yêu c ầ u v ề s ố lư ợ ng đ ầ u vào nhi ề u, c ầ n ph ả i có các tr ạ m đo khí tư ợ ng đ ầ y đ ủ trong kho ả ng th ờ i gia n đ ủ dài đ ể có s ố li ệ u hu ấ n luy ệ n cho mô hình Công trình [6] đ ề xu ấ t tích h ợ p thêm m ộ t kh ố i suy lu ậ n dùng Hedge algebra phía sau m ạ ng TS đ ể nâng cao đ ộ chính xác c ủ a mô hình K ế t qu ả đ ạ t đư ợ c là sai s ố MAPE 17 , 7% Các gi ả i pháp s ử d ụ ng m ạ ng h ọ c sâu cũng đ ã và đang đư ợ c đ ề xu ấ t s ử d ụ ng như trong [7] đ ể d ự báo t ố c đ ộ gió v ớ i sai s ố tuy ệ t đ ố i trung bình là 0 685m/s Đây là các phương pháp ti ề m năng đưa l ạ i đ ộ chính xác d ự báo cao, tuy nhiên như ợ c đi ể m chính c ủ a các mô hình h ọ c sâu là m ạ ng có c ấ u trúc ph ứ c t ạ p , có th ể lên t ớ i hàng trăm nghìn tham s ố phi tuy ế n bên trong mô hình c ầ n ph ả i đư ợ c hu ấ n luy ệ n Vì v ậ y các mô hình h ọ c sâu đ ề u yêu c ầ u có s ố lư ợ ng d ữ li ệ u đ ầ u vào l ớ n đ ể đ ả m b ả o đư ợ c đ ộ tin c ậ y c ủ a các k ế t qu ả hu ấ n luy ệ n, trong khi đó ở các d ự án đi ệ n gió t ạ i Vi ệ t Nam, thư ờ ng ch ỉ có đư ợ c 1 - 2 năm d ữ li ệ u đo đ ạ c trong quá kh ứ Trong bài báo này s ẽ đề xu ấ t m ộ t mô hình h ỗ n h ợp để tri ể n khai hai bài toán d ự báo đầ u tiên là d ự báo t ốc độ gió trong ngày v ậ n hành và d ự báo t ốc độ gió trong hai ngày ti ế p theo Các k ế t qu ả tính toán mô ph ỏ ng cho m ộ t v ị trí đã lắp đặ t nhà máy điệ n gió cho th ấ y các mô hình có sai s ố trung bình đạt dướ i 9 , 1 % cho mô hình d ự báo 30‟ trong ngày và dư ớ i 13 , 6% cho d ự báo hai ngày ti ế p theo Đ ồ ng th ờ i mô hình ch ỉ s ử d ụ ng s ố li ệ u quá kh ứ là cá c t ố c đ ộ gió, không yêu c ầ u nhi ề u đ ầ u vào là các thông s ố môi trư ờ ng như nhi ệ t đ ộ , đ ộ ẩ m, Mô hình đ ề xu ấ t trong bài báo này s ẽ th ự c hi ệ n d ự báo trư ớ c 4h v ớ i bư ớ c d ự báo 15 phút , d ự báo hai ngày ti ế p theo v ớ i bư ớ c d ự báo 15 phút theo đúng yêu c ầ u c ủ a các cơ quan qu ả n lý đi ề u đ ộ ở Vi ệ t Nam 2 MÔ HÌNH H Ỗ N H Ợ P VÀ Ứ NG D Ụ NG TRONG CÁC BÀI TOÁN D Ự BÁO Mô hình d ự báo được đề xu ấ t trong bài báo này có sơ đồ kh ố i t ổng quát như trên h ình 1, theo đó đáp ứ ng đ ầ u ra đư ợ c ư ớ c lư ợ ng b ằ ng t ổ ng c ủ a đáp ứ ng t ừ hai kh ố i đ ộ c l ậ p là kh ố i tuy ế n tính và kh ố i phi tuy ế n T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ N Ă NG L ƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) S ố 31 105 Hình 1 Sơ đồ kh ối đề xu ấ t c ủ a mô hình h ỗ n h ợ p (a) (b) Hình 2 Mô hình chi ti ế t các kh ố i d ự báo tuy ế n tính (a) và d ự báo phi tuy ế n (b) Vi ệ c s ử d ụ ng ph ố i h ợ p hai mô hình r ồ i t ổ ng h ợ p k ế t qu ả đượ c s ử d ụ ng trong nhi ề u gi ả i pháp [8] cho th ấ y có th ể đạ t được độ chính xác cao hơn khi chỉ s ử d ụ ng mô hình phi tuy ế n Vi ệ c s ử d ụ ng ph ố i h ợ p c ả hai gi ả i pháp phi tuy ế n và tuy ế n tính s ẽ t ậ n d ụng được ưu điể m c ủ a c ả hai gi ả i pháp Bên c ạnh đó, việ c chia nh ỏ bài toán l ớ n s ẽ khi ế n cho s ố lượ ng các thông s ố c ủ a mô hình tuy ế n tính và phi tuy ế n thành ph ầ n nh ỏ hơn so vớ i mô hình t ổ ng th ể Khi đó các quá trình điề u ch ỉ nh thích nghi thông s ố s ẽ nhanh hơn, xác su ất xác định đượ c nghi ệ m phù h ợ p s ẽ cao hơn Mô hình chi ti ết hơn củ a hai kh ố i tuy ế n tính và phi tuy ến đượ c mô t ả trên h ình 2, trong đó đ ể d ự báo m ộ t thông s ố x t ạ i ngày d , th ờ i đi ể m t (đư ợ c ký hi ệ u là x ( d , t )) các giá tr ị quá kh ứ (t ừ các ngày trư ớ c đó ho ặ c t ừ ngày d nhưng theo các th ờ i đi ể m t trư ớ c đó) Đ ố i v ớ i kh ố i tuy ế n tí nh, đ ể đơn gi ả n hóa, ta ký hi ệ u l ạ i các tín hi ệ u đ ầ u vào t ạ i th ờ i đi ể m i là vectơ N thành ph ầ n 1 2 , , , T i i i N x x x      x , giá tr ị d ự báo đích cần đạ t là z i , khi đó đáp ứ ng đầ u ra s ẽ là m ộ t t ổ h ợ p tuy ế n tính c ủ a các giá tr ị quá kh ứ đầ u vào: 1 1 2 2 ( ) ( ) i i i i N N i Linear a x a x a x        x x a (1) trong đó v e ctơ a ch ứ a các h ệ s ố tuy ế n tính T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ NĂNG LƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) 106 S ố 31 a i là các tham s ố c ần đượ c hu ấ n luy ện để t ố i thi ể u hóa sai s ố d ự báo sao cho : ( ) ( ) i i i i Linear z      x x a (2) Không gi ả m tính t ổ ng quát, ta ký hi ệ u các m ẫ u s ố li ệ u hu ấ n luy ệ n g ồ m các c ặp vectơ đầ u vào và giá tr ị đầ u ra là   , i i z x ( i = 1, , p ), và b ộ s ố li ệ u ki ể m tra mô hình cũng s ẽ g ồ m c ặ p vectơ đ ầ u vào và giá tr ị đ ầ u ra tương ứ ng là   , , j j test test z x ( j = 1, , q ) V ớ i b ộ p m ẫ u h ọ c, các h ệ s ố c ủ a mô hình tuy ế n tính đư ợ c xác đ ị nh b ằ ng phương pháp tìm đi ể m c ự c ti ể u c ủ a hàm sai s ố tuy ế n tính [9]:   2 1 ( ) min p i i i E Linear z      x (3) ho ặ c ở d ạ ng ma tr ậ n: 1 1 2 2 ( ) ( ) min ( ) p p z z z                                   x x a x (4) Trong bài báo này áp d ụ ng thu ậ t toán phân tích ma tr ậ n theo các giá tr ị k ỳ d ị ( SVD – Singular Values Decomposition ) để tìm điể m c ự c tr ị toàn c ụ c c ủ a hàm sai s ố tuy ế n tính [8, 9] Sau khi các h ệ s ố tuy ế n tính a i đã được xác đị nh, mô hình phi tuy ế n s ẽ đượ c s ử d ụng để ước lượ ng thành ph ầ n sai s ố còn l ạ i: : ( ) ( ) i i i i Nonlinear z Linear    x x (5) Kh ố i phi tuy ến trong bài báo này được đề xu ấ t s ử d ụng phương pháp suy luậ n m ờ [10, 11], trong đó thuậ t toán Fuzzy Clustering s ẽ đượ c s ử d ụng để tìm t ậ p h ợ p M các tr ọng tâm đặc trưng   , k k z cx nh ằ m t ối ưu h óa hàm sai s ố [3, 6]: 2 , min k k i i i k E cz z       cx x (6) V ớ i t ậ p h ợ p các tr ọng tâm đặc trưng này, khi có m ộ t v e ct ơ đ ầ u vào m ớ i x , đáp ứ ng đ ầ u ra s ẽ đư ợ c tính là trung bình có tr ọ ng s ố c ủ a các đáp ứ ng đ ầ u ra theo công th ứ c:     k k k Nonlinear w cz     x x cx (7) trong đó trọ ng s ố   k w  x cx s ẽ t ỷ l ệ ngh ị ch v ớ i kho ả ng cách t ừ vectơ đang xét t ớ i các tr ọ ng tâm Trong bài báo này, tr ọ ng s ố đượ c tính theo công th ứ c:   2 1 1 k k w     x cx x cx (8) Các mô hình sau khi đượ c hu ấ n luy ệ n s ẽ được đánh giá lạ i v ớ i b ộ s ố li ệ u ki ể m tra N ế u các sai s ố chưa đạ t yêu c ầ u thì c ầ n quay l ại để điề u ch ỉ nh các thông s ố c ủ a mô hình 3 CÁC MÔ HÌNH D Ự BÁO T ỐC ĐỘ GIÓ CHO CÁC NHÀ MÁY ĐIỆ N TÁI T Ạ O Mô hình d ự báo các thông s ố khí tượ ng nói chung và mô hình d ự báo t ốc độ gió t ạ i m ột địa điểm trong bài báo đượ c xây d ự ng là mô hình d ạng địa phương [12, 13, 14, 15, 16], có nghĩa là các thông số c ủ a mô hình c ần được điề u ch ỉ nh theo các m ẫ u s ố li ệ u thu th ậ p t ại chính địa điể m đang xem xét do các thông số khí tượ ng, đặ c bi ệ t là t ốc độ gió (chưa tính tớ i góc T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ N Ă NG L ƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) S ố 31 107 t ớ i c ủ a gió) ph ụ thu ộ c m ạnh vào đị a hình khu v ự c xem xét [12, 17] Trong bài báo này s ử d ụ ng b ộ s ố li ệu đo tốc độ gió t ạ i huy ện Hướ ng Linh, t ỉ nh Qu ả ng Bình T ố c độ gió được đo trên cộ t t ại hai cao điể m 80m và 100m, th ời gian đo từ 1/7/2020 đế n 30/6/2021, chu k ỳ đo 15 phút phù hợ p theo yêu c ầ u c ủ a nhi ệ m v ụ d ự báo c ủ a các cơ quan điều độ Mô hình d ự báo trướ c 30 phút có các yêu c ầu như sau:  Độ phân gi ả i tín hi ệ u d ự báo 15 phút ;  Kho ả ng d ự báo trong ngày v ậ n hành: 04 gi ờ ti ế p theo v ớ i t ổ ng s ố là 16 giá tr ị c ầ n d ự báo cho m ỗ i l ầ n ;  Các d ự báo đượ c c ậ p nh ậ t 30 phút/l ầ n, trướ c th ời điể m b ắt đầ u c ủ a m ỗ i chu k ỳ giao d ị ch th ị trường điệ n Mô hình d ự báo trướ c hai ngày có các yêu c ầu như sau:  Độ phân gi ả i tín hi ệ u d ự báo là 30 phút ;  Kho ả ng th ờ i gian d ự báo là 48 gi ờ c ủ a hai ngày ti ế p theo v ớ i t ổ ng s ố là 96 giá tr ị c ầ n d ự báo m ỗ i l ầ n ;  Các d ự báo c ần đượ c th ự c hi ệ n 02 l ần/ngày, trướ c 8 h và 15 h hàng ngày Để đáp ứng đượ c yêu c ầ u cho các d ự báo, trong bài báo này các mô hình đượ c l ự a ch ọ n thông s ố quá kh ứ theo kinh nghi ệ m như sau Vớ i nhi ệ m v ụ d ự báo trước 30‟: x predict (d,t+step) = F(x(d,t-45min), x(d, t-60min), x(d, t-75min), x(d,t-90min), x(d-1,t), x(d-1, t-15min), x(d-1, t-30min), x(d-2,t), x(d-2, t-15min), x(d-2, t-30min)) (9) v ớ i step=0, ,15 V ới đề xu ấ t này, mô hình ước lượ ng s ẽ có 10 đầu vào và 1 đầ u ra Các tín hi ệu đầu vào đượ c l ự a ch ọ n theo kinh nghi ệm, trong đó bao gồ m các đầ u vào t ại ngay trướ c th ời điể m c ần đưa ra d ự báo và t ạ i kho ả ng c ần đưa ra dự báo nhưng vào ngày li ền trướ c và hai ngày trước đó V ớ i nhi ệ m v ụ d ự báo trướ c hai ngày vào lúc 8 h ngày hi ệ n t ạ i: x predict (d,t+32+step) = F(x(d,t-45min), x(d, t-60min), x(d, t-75min), x(d,t-90min), x(d-1,t), x(d-1, t-15min), x(d-1, t-30min), x(d-2,t), x(d-2, t-15min), x(d-2, t-30min)) (10) v ớ i step=0, ,95 V ới đề xu ấ t này, mô hình ước lượ ng s ẽ có 10 đầu vào và 1 đầ u ra Các tín hi ệu đầu vào đượ c l ự a ch ọ n theo kinh nghi ệm, trong đó bao gồ m các đầ u vào t ại ngay trướ c th ời điể m c ần dưa ra d ự báo và t ạ i kho ả ng c ần đưa ra dự báo nhưng vào ngày liền trướ c và hai ngày trước đó V ớ i nhi ệ m v ụ d ự báo trướ c hai ngày vào lúc 15 h ngày hi ệ n t ạ i: x predict (d,t+18+step) = F(x(d,t-45min), x(d, t-60min), x(d, t-75min), x(d,t-90min), x(d-1,t), x(d-1, t-15min), x(d-1, t-30min), x(d-2,t), x(d-2, t-15min), x(d-2, t-30min)) (11) v ớ i step=0, ,95 V ới đề xu ấ t này, mô hình ước lượ ng s ẽ có 10 đầu vào và 1 đầ u ra Các tín hi ệu đầu vào đượ c l ự a ch ọ n theo kinh nghi ệm, trong đó bao gồ m các đầ u vào t ại ngay trướ c th ời điể m c ần đưa ra d ự báo và t ạ i kho ả ng c ần đưa ra dự báo nhưng vào ngày liền trướ c và hai ngày trước đó T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ NĂNG LƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) 108 S ố 31 V ớ i 365 ngày s ố li ệu đã thu thậ p, sau khi lo ạ i b ỏ các ngày thi ế u (do v ấn đề k ế t n ố i v ớ i thi ế t b ị đo), tổ ng c ộ ng 34 400 m ẫ u s ố li ệu đã đượ c t ạ o ra cho bài toán d ự báo 30‟ trong ngày vậ n hành Trong s ố này, 31 400 m ẫu đầu tiên được dùng để hu ấ n luy ệ n các mô hình, 3 000 m ẫ u cu ố i cùng được dùng để ki ểm tra mô hình Đố i v ớ i nhi ệ m v ụ d ự báo hai ngày ti ế p theo, t ổ ng c ộ ng có 17 152 m ẫ u s ố li ệu đã đượ c t ạ o ra, trong đó 15 500 mẫu đượ c s ử d ụng để hu ấ n luy ệ n các mô hình, 1 652 m ẫu đượ c s ử d ụng để ki ểm tra các mô hình đã xây d ự ng 4 K Ế T QU Ả TÍNH TOÁN, MÔ PH Ỏ NG V ớ i b ộ s ố li ệu 365 ngày đo tại Hướ ng Linh, Qu ả ng Bình, mô hình d ự báo trướ c 30‟ trong ngày vận hành đượ c xây d ự ng cho c ả hai cao độ đo là 80m và 10 0m K ế t qu ả đạt đượ c cho s ố li ệ u ở cao độ 100m đượ c t ổ ng h ợ p trong B ảng 1, trong đó g ồ m các sai s ố cho 16 bướ c d ự báo (4 gi ờ ti ế p theo v ới bướ c d ự báo 15‟) khi chỉ s ử d ụ ng mô hình tuy ế n tính, khi ch ỉ s ử d ụ ng mô hình phi tuy ế n và khi s ử d ụ ng c ả hai mô hình Có th ể nh ậ n th ấ y mô hình d ự báo tuy ế n tính quá đơn giả n nên sai s ố l ớ n (trung bình có th ể lên t ớ i 30%), ti ế p theo s ẽ là mô hình phi tuy ế n ho ạt động độ c l ậ p v ớ i sai s ố trung bình bi ế n thiên trong kho ả ng 11 51% đến 14,16% cho cao độ 100m K ế t qu ả t ố t nh ấ t thu đượ c là khi s ử d ụ ng ph ố i h ợ p c ả hai mô hình như thể hi ệ n trên Hình 1 Khi đó sai số trung bình ch ỉ t ừ 6,64% đến 9,03% cho cao độ 100m B ả ng 1 Trung bình sai s ố d ự báo tƣơng đố i c ủ a các mô hình d ự báo 30’ trong ngày cho bộ s ố li ệu đo tại cao độ 100m Bư ớ c d ự báo Ch ỉ s ử d ụ ng mô hình tuy ế n tính (%) Ch ỉ s ử d ụ ng mô hình phi tuy ế n (%) Mô hình h ỗ n h ợ p (%) 0 17,26 11,51 7,2 1 18,61 11,79 7,32 2 19,82 12,07 7,04 3 20,87 12,48 7,84 4 21,85 12,35 6,75 5 22,79 12,58 6,64 6 23,72 12,93 6,95 7 24,60 13,23 7,9 5 8 25,40 13,41 7,77 9 26,21 13,65 7,97 10 26,97 13,66 7,86 11 27,71 13,87 8,34 12 28,41 13,49 7,82 13 29,08 13,83 7,96 14 29,69 14,16 8,76 15 30,31 13,89 9,03 B ả ng 2 Trung bình sai s ố d ự báo tương đố i c ủ a các mô hình d ự báo 30’ trong ngày cho b ộ s ố li ệ u đo t ạ i cao đ ộ 80m Bư ớ c d ự báo Ch ỉ s ử d ụ ng mô hình tuy ế n tính (%) Ch ỉ s ử d ụ ng mô hình phi tuy ế n (%) Mô hình h ỗ n h ợ p (%) 0 16,99 11,48 6,98 T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ N Ă NG L ƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) S ố 31 109 1 18,33 11,55 7,50 2 19,51 11,74 6,77 3 20,55 12,22 7,63 4 21,51 12,22 6,57 5 22,41 12,47 6,71 6 23,3 0 12,67 6,95 7 24,15 12,94 7,62 8 24,95 13,21 7,55 9 25,72 13,26 7,67 10 26,48 13,38 7,62 11 27,19 13,65 7,99 12 27,86 13,57 7,57 13 28,51 13,67 8,01 14 29,10 13,79 8,40 15 29,72 13,93 8,69 Tương tự như đố i v ớ i s ố li ệ u ở cao độ 100m, trong b ả ng 2 là các k ế t qu ả tính toán cho s ố li ệ u ở cao đ ộ 80m Mô hình d ự báo tuy ế n tính quá đơn gi ả n nên sai s ố l ớ n (trung bình có th ể lên t ớ i 29%), ti ế p theo s ẽ là mô hình phi tuy ế n ho ạ t đ ộ ng đ ộ c l ậ p v ớ i sai s ố trung bình bi ế n thiên trong kho ả ng 11,48% đ ế n 13,93% c ho cao đ ộ 80m K ế t qu ả t ố t nh ấ t thu đư ợ c là khi s ử d ụ ng ph ố i h ợ p c ả hai mô hình v ớ i sai s ố trung bình ch ỉ t ừ 6,57% đ ế n 8,69% cho cao đ ộ 80m B ả ng 3 Trung bình sai s ố d ự báo tƣơng đố i c ủ a các mô hình d ự báo 30’ trong ngày cho b ộ s ố li ệ u đo t ạ i cao đ ộ 80m Mô hình D ự báo lúc 8 h cho hai ngày ti ế p theo D ự báo lúc 15 h cho hai ngày ti ế p theo Min Max Min Max Tuy ế n tính 34,71 50,14 32,99 48,71 Phi tuy ế n 13,43 15,64 10,08 15,19 H ỗ n h ợ p 9,29 13,52 9,55 13,16 Các k ế t qu ả tính toán cho các mô hình d ự báo lúc 8 h và 15 h cho hai ngày ti ế p theo ngày hi ệ n t ạ i đư ợ c t ổ ng h ợ p trong b ả ng 3 Do các mô hình này có 96 bướ c d ự báo nên b ả ng 3 ch ỉ tóm t ắ t l ạ i các giá tr ị l ớ n nh ấ t và nh ỏ nh ấ t đ ể ti ệ n so sánh T ừ b ả ng 3 cũng có th ể nh ậ n th ấ y mô hình h ỗ n h ợ p s ử d ụ ng đ ồ ng th ờ i kh ố i tuy ế n tính và kh ố i phi tuy ế n cho k ế t qu ả có sai s ố trung bình nh ỏ nh ấ t , không vư ợ t quá 13,6% Các k ế t qu ả này đã ph ầ n nào minh ch ứ ng đư ợ c ch ấ t lư ợ ng c ủ a mô hình h ỗ n h ợ p đư ợ c đ ề xu ấ t s ử d ụ ng trong bài báo này 5 K Ế T LU Ậ N Bài báo đã trình bày về m ộ t mô hình s ử d ụ ng ph ố i h ợ p kh ố i d ự báo tuy ế n tính và kh ố i d ự báo phi tuy ế n dùng các lu ậ t suy lu ậ n m ờ để c ả i thi ệ n sai s ố Các k ế t qu ả tính toán đã đượ c th ự c hi ệ n v ớ i s ố li ệ u th ự c t ế cho ba mô hình là mô hình d ự báo 30‟ trong ngày hiệ n t ạ i v ớ i sai s ố trung bình nh ỏ hơn 9,1% , d ự báo lúc 8 h cho hai ngày ti ế p theo và d ự báo lúc 15 h cho hai ngày ti ế p theo v ớ i sai s ố trung bình nh ỏ hơn 13,6% Trong c ả ba trư ờ ng h ợ p, sai s ố c ủ a mô hình h ỗ n h ợ p đ ề u th ấ p hơn so v ớ i mô hình phi tuy ế n đ ộ c l ậ p và th ấ p hơn nhi ề u so v ớ i mô hình tuy ế n tính Tuy nhiên đây mớ i là các k ế t qu ả bướ c T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ NĂNG LƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) 110 S ố 31 đầ u Mô hình c ần đượ c ti ế p t ụ c th ử nghi ệ m v ớ i các b ộ s ố li ệ u thu th ậ p trong th ời gian dài hơn, các bộ s ố li ệ u thu th ậ p t ại các địa điểm khác nhau để ki ể m tra ch ất lượ ng ho ạt động Đồ ng th ờ i các thông s ố quá kh ứ c ủ a các bài toán d ự báo c ần đượ c kh ảo sát đề đề xu ất phương án l ự a ch ọ n t ự độ ng Nhi ệ m v ụ ti ế p theo c ủ a mô hình d ự báo là t ừ các d ự báo v ề t ốc độ gió c ầ n ti ế p t ụ c có các giá tr ị d ự báo v ề công su ấ t phát c ủ a các turbin gió trong cùng th ời gian tương ứ ng v ớ i m ụ c tiêu là sai s ố c ủ a k ế t qu ả d ự báo cu ố i cùng là công su ấ t phát c ủa nhà máy điện gió đạ t dướ i 18% theo yêu c ầ u c ủa các cơ quan qu ản lý điều độ TÀI LI Ệ U THAM KH Ả O [1] A Tascikaraoglu and M Uzunoglu , “A Review of Combined Approaches for Predicti on of Short- Term Wind Speed and Power,” Renewable Sustainable Energy Review, vol 34, pp 243– 254, 2014 [2] S Haykin, “Neural networks: A Comprehensive Foundation,” Pretice Hall, 1998 [3] Fang Liu, Ranran Li and Aliona Dreglea, “Wind Speed and Power Ultra Short -Term Robust Forecasting Based on Takagi –Sugeno Fuzzy Model”, Energies (Special Issue on Machine Learning for Energy Systems), vol 12, pp 3551-3566, 2019 [4] I G Damousis, M C Alexiadis, J B Theocharis and P S Dokopoulos, “A Fuzzy Model for Wind Speed Prediction and Power Generation in Wind Parks using Spatial Correlation”, IEEE Transactions on Energy Conversion, vol 19, no 2, pp 352-361, 2004 [5] D Zheng, A T Eseye, J Zhang and H Li, “Short -term wind power forecasting using a double-stage hierarchi cal ANFIS approach for energy management in microgrids”, Protection and Control of Modern Power Systems, vol 2, No 13, 2017 [6] Y Ren, Y Wen, F Liu and Y Zhang, “A two -stage fuzzy nonlinear combination method for utmostshort-term wind speed prediction based on T- S fuzzy model”, J Renewable Sustainable Energy, vol 15, pp 016101, 2023 [7] H Yao, Y Tan, J Hou, Y Liu, X Zhao and X Wang, “Short -Term Wind Speed Forecasting Based on the EEMD-GS- GRU Model”, Atmosphere, vol 14, pp 697, 2023 [8] Q N Nguyễn, “Nghiên cứu và ứng dụng mạng nơron và lôgíc mờ cho bài toán dự báo phụ tải điện ngắn hạn,” Luận án Tiến sĩ, Đại học Bách Khoa Hà Nội, 2012 [9] H L Trần, “Mạng nơ - ron và ứng dụng trong xử lý tín hiệu,” NXB Đại học Bách Khoa, 2019 [10] Moniki Ferreira, Alexandre Sa ntos and Paulo Lucio, “Short -term forecast of wind speed through mathematical models”, Energy Reports, vol 5, pp 1172 -1184, 2019 [11] S Sachdeva, and C M Verma, “Load Forecasting Using Fuzzy Methods,” in IEEE 2008 Joint International Conference on Power System Technology and IEEE Power India Conference, New Delhi, India, pp 121 – 154, 2008 [12] B J Park and J Hur, “Accurate Short -Term Power Forecasting of Wind Turbines: the Case of Jeju Island’s Wind Farm,” Energies, vol 10 (812), pp 1– 15, 2017 T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ N Ă NG L ƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) S ố 31 111 [13] B Yang, L Zhong, J Wang, H Shu, X Zhang, T Yu, et al , “State -of-theart One-Stop Handbook on Wind Forecasting Technologies: an Overview of Classifications, Methodologies, and Analysis,” Journal of Clean Prod , vol 283, 124628, 2021 [14] José Carlos Palomares-Salas, Agustín Agüera-Pérez, Juan José González de la Rosa and Antonio Moreno- Muñoz, “A novel neural network method for wind speed forecasting using exogenous measurements from agriculture stations,” Measurement, vol 55, pp 295 -304, 2014 [15] H Babazadeh, W Z Gao, L Cheng and L Jin, “An Hour Ahead Wind Speed Prediction by Kalman Filter,” IEEE Power Electronics and Machines in Wind Applications, Denver, USA, pp 1– 6, 2012 [16] R G Kavasseri and K Seetharaman, “Day -ahead Wind Speed Forecasting Using F-ARIMA Model s,” Renew Energy, vol 34 (5), pp 1388 – 1393, 2009 [17] Z Qian, Y Pei, H Zareipour and N Chen, “A Review and Discussion of Decomposition - Based Hybrid Models for Wind Energy Forecasting Applications,” Applied Energy, vol 235, pp 939 – 953, 2019 Gi ớ i thi ệ u tác gi ả : Tác gi ả Tr ầ n Hoài Linh t ố t nghi ệ p đ ạ i h ọ c ngành t in h ọ c ứ ng d ụ ng năm 1997 ; nh ậ n b ằ ng Ti ế n s ĩ ngành k ỹ thu ậ t đi ệ n năm 2000, b ằ ng Ti ế n s ĩ khoa h ọ c chuyên ngành k ỹ thu ậ t đi ệ n và t rí tu ệ nhân t ạ o năm 2005 t ạ i Đ ạ i h ọ c Bách khoa V a csava) Hi ệ n nay t ác gi ả công tác t ạ i Khoa T ự đ ộ ng hóa, Trư ờ ng Đi ệ n - Đi ệ n t ử , Đ ạ i h ọ c Bách Khoa Hà N ộ i Hướ ng nghiên c ứ u chính: ứ ng d ụ ng trí tu ệ nhân t ạ o trong các gi ải pháp đo lườ ng, điề u khi ể n và t ự độ ng hóa, các thi ế t b ị đo thông minh, hệ chuyên gia

MÔ HÌNH PHỐI HỢP SỬ DỤNG SUY LUẬN LOGIC MỜ ĐỂ DỰ BÁO TỐC ĐỘ GIÓ

DÙNG CHO VẬN HÀNH CÁC NHÀ MÁY ĐIỆN GIÓ

A HYBRID MODEL USING FUZZY LOGIC REASONING TO PREDICT WIND SPEED

FOR WIND TURBINES OPERATIONS

Trần Hoài Linh

Trường Điện - Điện tử, Đại học Bách khoa Hà Nội Ngày nhận bài: 05/4/2023, Ngày chấp nhận đăng: 26/5/2023, Phản biện: PGS.TS Nguyễn Hữu Đức

Tóm tắt:

Trong bài báo này, một mô hình mới sử dụng phối hợp khối dự báo tuyến tính và khối dự báo bằng các luật suy luận logic mờ sẽ được đề xuất sử dụng cho mô hình dự báo tốc độ gió tại các vị trí đặt turbin của nhà máy điện gió Các nhà máy điện cần có các mô hình này để phối hợp vận hành với các đơn vị điều độ của hệ thống Mô hình sử dụng phối hợp một khối phi tuyến và một khối tuyến tính sẽ cho kết quả chính xác hơn khi chỉ sử dụng độc lập các khối thành phần Mô hình đề xuất trong bài báo này được áp dụng thử nghiệm cho một năm số liệu đo lường tốc độ gió ở cao độ

100 m và 80 m, với các bài toán dự báo 30 phút trong ngày, dự báo 2 ngày tiếp theo ngày hiện tại đạt sai số trung bình của giải pháp nhỏ hơn 9,1% cho dự báo 30 phút trong ngày và 13,6% cho dự báo 2 ngày tiếp theo

Từ khóa:

Dự báo tốc độ gió, vận hành nhà máy điện gió, năng lượng tái tạo, dự báo ngắn hạn

Abstract:

In this paper, a hybrid model using a combination of linear block and a nonlinear, fuzzy rules will be proposed for the wind speed prediction model Wind turbines power plants need these models to coordinate their operation with the dispatching units of the system The proposed hybrid models will give more accurate results than using the linear or nonlinear block alone The model proposed in this paper is applied experimentally for one year of measurement data for wind speed at heights of 100m and 80m, with 30-minute forecasting problems, the 2-day forecasting problems achieves the average error of the solution less than 9.1% for the former problems and 13.6% for the later problems

Keywords:

Wind speed prediction, wind turbine operation, renewable energy generation, short-term prediction

1 GIỚI THIỆU CHUNG

Các nguồn năng lượng tái tạo đang ngày

càng đóng vai trò quan trọng trong các hệ

thống điện nói chung và trong hệ thống

điện Việt Nam nói riêng Các hệ thống điện ngày nay đang cần bổ sung nguồn năng lượng sạch do các nguồn điện như thủy điện đã đến mức tới hạn, nhiệt điện

gây phát thải nhà kính đồng thời nguồn

nhiên liệu hóa thạch truyền thống như

than, dầu và khí đốt cũng ngày càng cạn

kiệt Với nhiều công nghệ sản xuất và

công nghệ phụ trợ được phát triển trong

thời gian vừa qua, năng lượng gió ngày

càng có hiệu quả cao và tiết kiệm chi phí,

có thể trở thành lựa chọn phổ biến để phát

điện So sánh với năng lượng mặt trời,

năng lượng gió có ưu điển là công suất

phát tương đối ổn định hơn, có thể phát

24/24 và có thể dễ dàng hơn khi tích hợp

vào hệ thống điện hiện có [1]

Trong quá trình vận hành một nhà máy

điện gió, nhiệm vụ dự báo tốc độ gió đóng

vai trò rất quan trọng Theo yêu cầu trong

Quyết định số 67/QĐ-ĐTĐL ban hành

ngày 10 tháng 8 năm 2021 của Cục Điều

tiết Điện lực (Bộ Công Thương) về ban

hình Quy trình dự báo công suất, điện

năng phát của các nguồn điện năng lượng

tái tạo, các đối tượng tham gia trong hệ

thống điện, trong đó có các nhà máy điện

mặt trời nối lưới và nhà máy điện gió nối

lưới cần thực hiện thường xuyên và trực

tuyến việc dự báo công suất, điện năng

phát của các nguồn điện năng lượng tái

tạo để phục vụ công tác vận hành hệ

thống điện Các kết quả dự báo cần phải

được các chủ đầu tư của các nhà máy điện

tái tạo cung cấp cho Đơn vị vận hành hệ

thống điện và thị trường điện bao gồm:

 Dự báo các thông số ngay trong ngày

vận hành;

 Dự báo các thông số cho 2 ngày tiếp

theo ngày hiện tại;

 Dự báo các thông số cho tuần tiếp theo, tháng tiếp theo và năm tiếp theo Các phương pháp dự báo được khuyến cáo đạt sai số tuyệt đối phần trăm MAPE

(Mean Absolute Percentage Error) dưới

18% cho năng lượng gió và 15% cho năng lượng mặt trời Đối với nội bộ nhà máy, các kết quả dự báo tốc độ gió chính xác cho phép người vận hành tối ưu hóa hiệu suất của turbin gió, giảm chi phí bảo trì và đảm bảo rằng nhà máy điện hoạt động trong giới hạn an toàn và ổn định

Đã có nhiều bài báo và công trình nghiên cứu với nhiều đề xuất mô hình dự báo ngắn hạn khác nhau cho tốc độ gió tại các điểm khảo sát [1], trong đó ngoài các mô hình ngoại suy kinh điển, các công cụ mới

và hiện đại như sử dụng mạng nơron nhân

tạo (ANN - Artificial Neural Networks),

sử dụng các mô hình logic mờ (FLR -

Fuzzy Logic Reasoning) và gần đây nhất

là các mạng nơron học sâu (DL - Deep

learning neural networks) Tuy nhiên hầu

hết các mô hình ngắn hạn được đề xuất thường chỉ ở dạng dự báo trước 1h hoặc trước 1 ngày, mà không thực hiện dự báo theo yêu cầu của các cơ quan điều độ tại Việt Nam như dự báo trước 4h với bước

dự báo 1 phút, dự báo 2 ngày tiếp theo với bước dự báo 15 phút, So sánh giữa các

mô hình ANN và FLR, các công trình đã công bố cho thấy ưu điểm tốt hơn FLR so với ANN do khả năng xấp xỉ hàm phi tuyến linh hoạt hơn của các mô hình FLR [2] Trong [3], một mô hình dùng mạng Takagi-Sugeno (TS) để dự báo tốc độ gió

và công suất phát của turbin đã được đề

xuất với 2 suy luận cho tốc độ gió và 4

luật suy luận cho công suất đó Mô hình

này thử nghiệm cho 1 năm số liệu cho

phép dự báo công suất phát trước 4h với

sai số trung bình 33,86%, dự báo tốc độ

gió trước 3h với sai số trung bình là 7,6%

Giải pháp trong [4] cũng sử dụng mô hình

TS để dự báo tốc độ gió dựa trên các số

liệu quá khứ về tốc độ và hướng gió Mô

hình đạt độ chính xác 15,3% khi dự báo

trước 30‟, nhưng khi dự báo trước 60 phút

thì sai số bị tăng lên 21,1%, dự báo trước

120 phút thì sai số là 25,8% Các mô hình

dùng loggic mờ nhưng với số đầu vào

nhiều hơn như nhiệt độ, độ ẩm môi

trường, áp suất không khí, đã được dùng

trong [5] để đạt được sai số trung bình

MAPE cho cả năm là 11,19%, trong đó

các tác giả cũng chia thành các mô hình

con cho từng mùa với sai số trung bình

của từng mùa biến thiên trong khoảng từ

4,51% đến 18,52% Nhược điểm của các

phương pháp này là yêu cầu về số lượng

đầu vào nhiều, cần phải có các trạm đo

khí tượng đầy đủ trong khoảng thời gian

đủ dài để có số liệu huấn luyện cho mô

hình Công trình [6] đề xuất tích hợp thêm

một khối suy luận dùng Hedge algebra

phía sau mạng TS để nâng cao độ chính

xác của mô hình Kết quả đạt được là sai

số MAPE 17,7% Các giải pháp sử dụng

mạng học sâu cũng đã và đang được đề

xuất sử dụng như trong [7] để dự báo tốc

độ gió với sai số tuyệt đối trung bình là

0.685m/s Đây là các phương pháp tiềm

năng đưa lại độ chính xác dự báo cao, tuy

nhiên nhược điểm chính của các mô hình

học sâu là mạng có cấu trúc phức tạp, có thể lên tới hàng trăm nghìn tham số phi tuyến bên trong mô hình cần phải được huấn luyện Vì vậy các mô hình học sâu đều yêu cầu có số lượng dữ liệu đầu vào lớn để đảm bảo được độ tin cậy của các kết quả huấn luyện, trong khi đó ở các dự

án điện gió tại Việt Nam, thường chỉ có được 1-2 năm dữ liệu đo đạc trong quá khứ

Trong bài báo này sẽ đề xuất một mô hình hỗn hợp để triển khai hai bài toán dự báo đầu tiên là dự báo tốc độ gió trong ngày vận hành và dự báo tốc độ gió trong hai ngày tiếp theo Các kết quả tính toán mô phỏng cho một vị trí đã lắp đặt nhà máy điện gió cho thấy các mô hình có sai số trung bình đạt dưới 9,1% cho mô hình dự báo 30‟ trong ngày và dưới 13,6% cho dự báo hai ngày tiếp theo Đồng thời mô hình chỉ sử dụng số liệu quá khứ là các tốc độ gió, không yêu cầu nhiều đầu vào là các thông số môi trường như nhiệt độ, độ ẩm, Mô hình đề xuất trong bài báo này

sẽ thực hiện dự báo trước 4h với bước dự báo 15 phút, dự báo hai ngày tiếp theo với bước dự báo 15 phút theo đúng yêu cầu của các cơ quan quản lý điều độ ở Việt Nam

2 MÔ HÌNH HỖN HỢP VÀ ỨNG DỤNG TRONG CÁC BÀI TOÁN DỰ BÁO

Mô hình dự báo được đề xuất trong bài báo này có sơ đồ khối tổng quát như trên hình 1, theo đó đáp ứng đầu ra được ước lượng bằng tổng của đáp ứng từ hai khối độc lập là khối tuyến tính và khối phi tuyến

Hình 1 Sơ đồ khối đề xuất của mô hình hỗn hợp

(a)

(b)

Hình 2 Mô hình chi tiết các khối dự báo tuyến tính (a) và dự báo phi tuyến (b)

Việc sử dụng phối hợp hai mô hình rồi

tổng hợp kết quả được sử dụng trong

nhiều giải pháp [8] cho thấy có thể đạt

được độ chính xác cao hơn khi chỉ sử

dụng mô hình phi tuyến Việc sử dụng

phối hợp cả hai giải pháp phi tuyến và

tuyến tính sẽ tận dụng được ưu điểm của

cả hai giải pháp Bên cạnh đó, việc chia

nhỏ bài toán lớn sẽ khiến cho số lượng

các thông số của mô hình tuyến tính và

phi tuyến thành phần nhỏ hơn so với mô

hình tổng thể Khi đó các quá trình điều

chỉnh thích nghi thông số sẽ nhanh hơn,

xác suất xác định được nghiệm phù hợp

sẽ cao hơn

Mô hình chi tiết hơn của hai khối tuyến

tính và phi tuyến được mô tả trên hình 2,

trong đó để dự báo một thông số x tại ngày d, thời điểm t (được ký hiệu là

x(d,t)) các giá trị quá khứ (từ các ngày

trước đó hoặc từ ngày d nhưng theo các thời điểm t trước đó) Đối với khối tuyến

tính, để đơn giản hóa, ta ký hiệu lại các

tín hiệu đầu vào tại thời điểm i là vectơ N

thành phần x x x1i, 2i, ,x i NT, giá trị

dự báo đích cần đạt là z i, khi đó đáp ứng đầu ra sẽ là một tổ hợp tuyến tính của các giá trị quá khứ đầu vào:

1 1 2 2 ( )

( )

N N i

Linear a x a x  a x



x

(1)

trong đó vectơ a chứa các hệ số tuyến tính

a i là các tham số cần được huấn luyện để

tối thiểu hóa sai số dự báo sao cho

i Linear  z

 x  x  a (2)

Không giảm tính tổng quát, ta ký hiệu các

mẫu số liệu huấn luyện gồm các cặp vectơ

đầu vào và giá trị đầu ra là  xi,z i

(i = 1, , p), và bộ số liệu kiểm tra mô

hình cũng sẽ gồm cặp vectơ đầu vào và

giá trị đầu ra tương ứng là xtest j ,z test j ,

(j = 1, , q) Với bộ p mẫu học, các hệ số

của mô hình tuyến tính được xác định

bằng phương pháp tìm điểm cực tiểu của

hàm sai số tuyến tính [9]:

1

p

i



 x   (3)

hoặc ở dạng ma trận:

2 2

( )

( )

min

z

z

z

    

   

   

 

x

x

a

x

(4)

Trong bài báo này áp dụng thuật toán

phân tích ma trận theo các giá trị kỳ dị

(SVD – Singular Values Decomposition)

để tìm điểm cực trị toàn cục của hàm sai

số tuyến tính [8, 9] Sau khi các hệ số

tuyến tính a i đã được xác định, mô hình

phi tuyến sẽ được sử dụng để ước lượng

thành phần sai số còn lại:

i Nonlinear z Linear

Khối phi tuyến trong bài báo này được đề

xuất sử dụng phương pháp suy luận mờ

[10, 11], trong đó thuật toán Fuzzy Clustering sẽ được sử dụng để tìm tập hợp

M các trọng tâm đặc trưng cxk,z k nhằm tối ưu hóa hàm sai số [3, 6]:

2 ,

min

i k

E cx cz  x z  (6) Với tập hợp các trọng tâm đặc trưng này,

khi có một vectơ đầu vào mới x, đáp ứng

đầu ra sẽ được tính là trung bình có trọng

số của các đáp ứng đầu ra theo công thức:

   k k k

Nonlinear x w xcx cz (7) trong đó trọng số  k

w xcx sẽ tỷ lệ nghịch với khoảng cách từ vectơ đang xét tới các trọng tâm Trong bài báo này, trọng số được tính theo công thức:

1 1

k

k

 

x cx

(8)

Các mô hình sau khi được huấn luyện sẽ được đánh giá lại với bộ số liệu kiểm tra Nếu các sai số chưa đạt yêu cầu thì cần quay lại để điều chỉnh các thông số của

mô hình

3 CÁC MÔ HÌNH DỰ BÁO TỐC ĐỘ GIÓ CHO CÁC NHÀ MÁY ĐIỆN TÁI TẠO

Mô hình dự báo các thông số khí tượng nói chung và mô hình dự báo tốc độ gió tại một địa điểm trong bài báo được xây dựng là mô hình dạng địa phương [12, 13,

14, 15, 16], có nghĩa là các thông số của

mô hình cần được điều chỉnh theo các mẫu số liệu thu thập tại chính địa điểm đang xem xét do các thông số khí tượng, đặc biệt là tốc độ gió (chưa tính tới góc

tới của gió) phụ thuộc mạnh vào địa hình

khu vực xem xét [12, 17] Trong bài báo

này sử dụng bộ số liệu đo tốc độ gió tại

huyện Hướng Linh, tỉnh Quảng Bình Tốc

độ gió được đo trên cột tại hai cao điểm

80m và 100m, thời gian đo từ 1/7/2020

đến 30/6/2021, chu kỳ đo 15 phút phù hợp

theo yêu cầu của nhiệm vụ dự báo của các

cơ quan điều độ Mô hình dự báo trước 30

phút có các yêu cầu như sau:

 Độ phân giải tín hiệu dự báo 15 phút;

 Khoảng dự báo trong ngày vận hành:

04 giờ tiếp theo với tổng số là 16 giá trị

cần dự báo cho mỗi lần;

 Các dự báo được cập nhật 30 phút/lần,

trước thời điểm bắt đầu của mỗi chu kỳ

giao dịch thị trường điện

Mô hình dự báo trước hai ngày có các yêu

cầu như sau:

 Độ phân giải tín hiệu dự báo là 30

phút;

 Khoảng thời gian dự báo là 48 giờ của

hai ngày tiếp theo với tổng số là 96 giá trị

cần dự báo mỗi lần;

 Các dự báo cần được thực hiện 02

lần/ngày, trước 8h và 15h hàng ngày

Để đáp ứng được yêu cầu cho các dự báo,

trong bài báo này các mô hình được lựa

chọn thông số quá khứ theo kinh nghiệm

như sau Với nhiệm vụ dự báo trước 30‟:

x predict (d,t+step) = F(x(d,t-45min),

x(d, t-60min), x(d, t-75min), x(d,t-90min),

x(d-1,t), x(d-1, t-15min), x(d-1, t-30min),

x(d-2,t), x(d-2, t-15min), x(d-2, t-30min)) (9)

với step=0, ,15 Với đề xuất này, mô

hình ước lượng sẽ có 10 đầu vào và 1 đầu

ra Các tín hiệu đầu vào được lựa chọn theo kinh nghiệm, trong đó bao gồm các đầu vào tại ngay trước thời điểm cần đưa

ra dự báo và tại khoảng cần đưa ra dự báo nhưng vào ngày liền trước và hai ngày trước đó

Với nhiệm vụ dự báo trước hai ngày vào lúc 8h ngày hiện tại:

x predict (d,t+32+step) = F(x(d,t-45min), x(d, t-60min), x(d, t-75min), x(d,t-90min), x(d-1,t), x(d-1, t-15min), x(d-1, t-30min), x(d-2,t), x(d-2, t-15min), x(d-2, t-30min)) (10) với step=0, ,95 Với đề xuất này, mô hình ước lượng sẽ có 10 đầu vào và 1 đầu

ra Các tín hiệu đầu vào được lựa chọn theo kinh nghiệm, trong đó bao gồm các đầu vào tại ngay trước thời điểm cần dưa

ra dự báo và tại khoảng cần đưa ra dự báo nhưng vào ngày liền trước và hai ngày trước đó

Với nhiệm vụ dự báo trước hai ngày vào lúc 15h ngày hiện tại:

x predict (d,t+18+step) = F(x(d,t-45min), x(d, t-60min), x(d, t-75min), x(d,t-90min), x(d-1,t), x(d-1, t-15min), x(d-1, t-30min), x(d-2,t), x(d-2, t-15min), x(d-2, t-30min)) (11) với step=0, ,95 Với đề xuất này, mô hình ước lượng sẽ có 10 đầu vào và 1 đầu

ra Các tín hiệu đầu vào được lựa chọn theo kinh nghiệm, trong đó bao gồm các đầu vào tại ngay trước thời điểm cần đưa

ra dự báo và tại khoảng cần đưa ra dự báo nhưng vào ngày liền trước và hai ngày trước đó

Với 365 ngày số liệu đã thu thập, sau khi

loại bỏ các ngày thiếu (do vấn đề kết nối

với thiết bị đo), tổng cộng 34.400 mẫu số

liệu đã được tạo ra cho bài toán dự báo

30‟ trong ngày vận hành Trong số này,

31.400 mẫu đầu tiên được dùng để huấn

luyện các mô hình, 3.000 mẫu cuối cùng

được dùng để kiểm tra mô hình Đối với

nhiệm vụ dự báo hai ngày tiếp theo, tổng

cộng có 17.152 mẫu số liệu đã được tạo

ra, trong đó 15.500 mẫu được sử dụng để

huấn luyện các mô hình, 1.652 mẫu được

sử dụng để kiểm tra các mô hình đã xây

dựng

4 KẾT QUẢ TÍNH TOÁN, MÔ PHỎNG

Với bộ số liệu 365 ngày đo tại Hướng

Linh, Quảng Bình, mô hình dự báo trước

30‟ trong ngày vận hành được xây dựng

cho cả hai cao độ đo là 80m và 100m Kết

quả đạt được cho số liệu ở cao độ 100m

được tổng hợp trong Bảng 1, trong đó

gồm các sai số cho 16 bước dự báo (4 giờ

tiếp theo với bước dự báo 15‟) khi chỉ sử

dụng mô hình tuyến tính, khi chỉ sử dụng

mô hình phi tuyến và khi sử dụng cả hai

mô hình

Có thể nhận thấy mô hình dự báo tuyến

tính quá đơn giản nên sai số lớn (trung

bình có thể lên tới 30%), tiếp theo sẽ là

mô hình phi tuyến hoạt động độc lập với

sai số trung bình biến thiên trong khoảng

11.51% đến 14,16% cho cao độ 100m

Kết quả tốt nhất thu được là khi sử dụng

phối hợp cả hai mô hình như thể hiện trên

Hình 1 Khi đó sai số trung bình chỉ từ 6,64% đến 9,03% cho cao độ 100m

Bảng 1 Trung bình sai số dự báo tương đối của các mô hình dự báo 30’ trong ngày cho bộ

số liệu đo tại cao độ 100m

Bước

dự báo

Chỉ sử dụng mô hình tuyến tính (%)

Chỉ sử dụng mô hình phi tuyến (%)

Mô hình hỗn hợp (%)

Bảng 2 Trung bình sai số dự báo tương đối của các mô hình dự báo 30’ trong ngày cho bộ

số liệu đo tại cao độ 80m

Bước

dự báo

Chỉ sử dụng mô hình tuyến tính (%)

Chỉ sử dụng mô hình phi tuyến (%)

Mô hình hỗn hợp (%)

1 18,33 11,55 7,50

Tương tự như đối với số liệu ở cao độ

100m, trong bảng 2 là các kết quả tính

toán cho số liệu ở cao độ 80m Mô hình

dự báo tuyến tính quá đơn giản nên sai số

lớn (trung bình có thể lên tới 29%), tiếp

theo sẽ là mô hình phi tuyến hoạt động

độc lập với sai số trung bình biến thiên

trong khoảng 11,48% đến 13,93% cho cao

độ 80m Kết quả tốt nhất thu được là khi

sử dụng phối hợp cả hai mô hình với sai

số trung bình chỉ từ 6,57% đến 8,69% cho

cao độ 80m

Bảng 3 Trung bình sai số dự báo tương đối

của các mô hình dự báo 30’ trong ngày

cho bộ số liệu đo tại cao độ 80m

Mô hình Dự báo lúc 8h

cho hai ngày tiếp theo

Dự báo lúc 15h cho hai ngày tiếp theo

Tuyến tính 34,71 50,14 32,99 48,71 Phi tuyến 13,43 15,64 10,08 15,19 Hỗn hợp 9,29 13,52 9,55 13,16

Các kết quả tính toán cho các mô hình dự báo lúc 8h và 15h cho hai ngày tiếp theo ngày hiện tại được tổng hợp trong bảng 3

Do các mô hình này có 96 bước dự báo nên bảng 3 chỉ tóm tắt lại các giá trị lớn nhất và nhỏ nhất để tiện so sánh Từ bảng

3 cũng có thể nhận thấy mô hình hỗn hợp

sử dụng đồng thời khối tuyến tính và khối phi tuyến cho kết quả có sai số trung bình nhỏ nhất, không vượt quá 13,6% Các kết quả này đã phần nào minh chứng được chất lượng của mô hình hỗn hợp được đề xuất sử dụng trong bài báo này

5 KẾT LUẬN

Bài báo đã trình bày về một mô hình sử dụng phối hợp khối dự báo tuyến tính và khối dự báo phi tuyến dùng các luật suy luận mờ để cải thiện sai số Các kết quả tính toán đã được thực hiện với số liệu thực tế cho ba mô hình là mô hình dự báo 30‟ trong ngày hiện tại với sai số trung bình nhỏ hơn 9,1%, dự báo lúc 8h cho hai ngày tiếp theo và dự báo lúc 15h cho hai ngày tiếp theo với sai số trung bình nhỏ hơn 13,6% Trong cả ba trường hợp, sai

số của mô hình hỗn hợp đều thấp hơn so với mô hình phi tuyến độc lập và thấp hơn nhiều so với mô hình tuyến tính

Tuy nhiên đây mới là các kết quả bước

đầu Mô hình cần được tiếp tục thử

nghiệm với các bộ số liệu thu thập trong

thời gian dài hơn, các bộ số liệu thu thập

tại các địa điểm khác nhau để kiểm tra

chất lượng hoạt động Đồng thời các

thông số quá khứ của các bài toán dự báo

cần được khảo sát đề đề xuất phương án

lựa chọn tự động Nhiệm vụ tiếp theo của

mô hình dự báo là từ các dự báo về tốc độ gió cần tiếp tục có các giá trị dự báo về công suất phát của các turbin gió trong cùng thời gian tương ứng với mục tiêu là sai số của kết quả dự báo cuối cùng là công suất phát của nhà máy điện gió đạt dưới 18% theo yêu cầu của các cơ quan quản lý điều độ

TÀI LIỆU THAM KHẢO

[1] A Tascikaraoglu and M Uzunoglu , “A Review of Combined Approaches for Prediction of Short-Term Wind Speed and Power,” Renewable Sustainable Energy Review, vol 34, pp 243–254, 2014 [2] S Haykin, “Neural networks: A Comprehensive Foundation,” Pretice Hall, 1998

[3] Fang Liu, Ranran Li and Aliona Dreglea, “Wind Speed and Power Ultra Short-Term Robust Forecasting Based on Takagi–Sugeno Fuzzy Model”, Energies (Special Issue on Machine Learning for Energy Systems), vol 12, pp 3551-3566, 2019

[4] I.G Damousis, M.C Alexiadis, J.B Theocharis and P.S Dokopoulos, “A Fuzzy Model for Wind Speed Prediction and Power Generation in Wind Parks using Spatial Correlation”, IEEE Transactions

on Energy Conversion, vol 19, no 2, pp 352-361, 2004

[5] D Zheng, A.T Eseye, J Zhang and H Li, “Short-term wind power forecasting using a double-stage hierarchical ANFIS approach for energy management in microgrids”, Protection and Control of Modern Power Systems, vol 2, No 13, 2017

[6] Y Ren, Y Wen, F Liu and Y Zhang, “A two-stage fuzzy nonlinear combination method for utmostshort-term wind speed prediction based on T-S fuzzy model”, J Renewable Sustainable Energy, vol 15, pp 016101, 2023

[7] H Yao, Y Tan, J Hou, Y Liu, X Zhao and X Wang, “Short-Term Wind Speed Forecasting Based

on the EEMD-GS-GRU Model”, Atmosphere, vol 14, pp 697, 2023

[8] Q.N Nguyễn, “Nghiên cứu và ứng dụng mạng nơron và lôgíc mờ cho bài toán dự báo phụ tải điện ngắn hạn,” Luận án Tiến sĩ, Đại học Bách Khoa Hà Nội, 2012

[9] H.L Trần, “Mạng nơ-ron và ứng dụng trong xử lý tín hiệu,” NXB Đại học Bách Khoa, 2019

[10] Moniki Ferreira, Alexandre Santos and Paulo Lucio, “Short-term forecast of wind speed through mathematical models”, Energy Reports, vol 5, pp 1172-1184, 2019

[11] S Sachdeva, and C.M Verma, “Load Forecasting Using Fuzzy Methods,” in IEEE 2008 Joint International Conference on Power System Technology and IEEE Power India Conference, New Delhi, India, pp 121–154, 2008

[12] B.J Park and J Hur, “Accurate Short-Term Power Forecasting of Wind Turbines: the Case of Jeju Island’s Wind Farm,” Energies, vol 10 (812), pp 1–15, 2017

[13] B Yang, L Zhong, J Wang, H Shu, X Zhang, T Yu, et al., “State-of-theart One-Stop Handbook

on Wind Forecasting Technologies: an Overview of Classifications, Methodologies, and Analysis,” Journal of Clean Prod., vol 283, 124628, 2021

[14] José Carlos Palomares-Salas, Agustín Agüera-Pérez, Juan José González de la Rosa and Antonio Moreno-Muñoz, “A novel neural network method for wind speed forecasting using exogenous measurements from agriculture stations,” Measurement, vol 55, pp 295-304, 2014

[15] H Babazadeh, W.Z Gao, L Cheng and L Jin, “An Hour Ahead Wind Speed Prediction by Kalman Filter,” IEEE Power Electronics and Machines in Wind Applications, Denver, USA, pp 1–6, 2012 [16] R.G Kavasseri and K Seetharaman, “Day-ahead Wind Speed Forecasting Using F-ARIMA Models,” Renew Energy, vol 34 (5), pp 1388–1393, 2009

[17] Z Qian, Y Pei, H Zareipour and N Chen, “A Review and Discussion of Decomposition-Based Hybrid Models for Wind Energy Forecasting Applications,” Applied Energy, vol 235, pp 939–953,

2019

Giới thiệu tác giả:

Tác giả Trần Hoài Linh tốt nghiệp đại học ngành tin học ứng dụng năm 1997; nhận bằng Tiến sĩ ngành kỹ thuật điện năm 2000, bằng Tiến sĩ khoa học chuyên ngành kỹ thuật điện và trí tuệ nhân tạo năm 2005 tại Đại học Bách khoa Vacsava) Hiện nay tác giả công tác tại Khoa Tự động hóa, Trường Điện - Điện tử, Đại học Bách Khoa Hà Nội Hướng nghiên cứu chính: ứng dụng trí tuệ nhân tạo trong các giải pháp đo lường, điều khiển và tự động hóa, các thiết bị đo thông minh, hệ chuyên gia