Luận văn thạc sĩ Quản lý năng lượng: Dự báo sản lượng điện năng lượng mặt trời nhà máy điện Sơn Mỹ 3-1 ứng dụng mạng neural nhân tạo

TRƯỜNG ĐẠI HỌC BÁCH KHOA - -

TRẦN THIỆN PHƯƠNG THÔNG

DỰ BÁO SẢN LƯỢNG ĐIỆN NĂNG LƯỢNG MẶT TRỜI NHÀ MÁY ĐIỆN SƠN MỸ 3-1 ỨNG DỤNG MẠNG NEURAL NHÂN TẠO

Chuyên ngành: QUẢN LÝ NĂNG LƯỢNG Mã số: 8510602

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 07 năm 2023

Cán bộ hướng dẫn khoa học: TS Trương Phước Hòa

Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có)

ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC

BÁCH KHOA

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự do - Hạnh phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: TRẦN THIỆN PHƯƠNG THÔNG MSHV: 2170839

Ngày, tháng, năm sinh: 29/06/1997 Nơi sinh: Bà Rịa – Vũng Tàu Chuyên ngành: Quản Lý Năng Lượng Mã số: 8510602

II NHIỆM VỤ VÀ NỘI DUNG:

a Giới thiệu về đề tài và mục đích của luận văn

b Tổng quan về các phương pháp dự báo sản lượng điện năng lượng Mặt trời và mạng neural nhân tạo

c Phân tích dữ liệu và xây dựng mô hình dự báo sử dụng mạng neural nhân tạo d Kiểm tra đánh giá mô hình dự báo

e Kết luận và hướng phát triển của đề tài III NGÀY GIAO NHIỆM VỤ: 06/02/2023

IV NGÀY HOÀN THÀNH NHIỆM VỤ: 11/06/2023

V CÁN BỘ HƯỚNG DẪN: TS TRƯƠNG PHƯỚC HÒA

TP HCM, ngày…… tháng…… năm 20 CÁN BỘ HƯỚNG DẪN

Trương Phước Hòa

CHỦ NHIỆM BỘ MÔN ĐÀO TẠO (Họ tên và chữ ký)

TRƯỞNG KHOA ĐIỆN – ĐIỆN TỬ (Họ tên và chữ ký)

LỜI CẢM ƠN

Sau thời gian triển khai nghiên cứu, em cũng đã hoàn thành luận văn với sự giúp đỡ và hỗ trợ nhiệt tình từ Thầy TS Trương Phước Hòa Thầy đã trực tiếp hướng dẫn, đưa ra những nhận xét quý báu, cho em thêm nhiều ý kiến hay, chỉnh sửa những chi tiết trong luận văn để luận văn của em hoàn thiện hơn về nội dung cũng như hình thức Em xin cảm ơn về những giúp đỡ và của Thầy trong suốt quá trình nghiên cứu cũng như chặn đường học Cao học của em

Em cũng xin cảm ơn Quý Thầy, Cô Trường Đại học Bách Khoa TP.HCM, đặc biệt là các Thầy, Cô đang phụ trách trong các môn thuộc chuyên ngành Quản Lý Năng Lượng đã nhiệt tình giảng dạy, truyền đạt những kiến thức nền tảng, những kinh nghiệm thực tiễn quý giá trong quá trình em theo học tại trường

Cuối cùng, em xin cảm ơn đến gia đình, bạn bè đã quan tâm, động viên trong quá trình học tập

Do thời gian có hạn cũng như lượng kiến thức vẫn còn hạn chế Mặc dù bản thân đã cố gắng hoàn thiện luận văn tốt nhất có thể nhưng trong báo cáo không thể tránh được những thiếu sót Kính mong nhận được sự góp ý của Quý Thầy, Cô để luận văn của em được hoàn thiện hơn

Kính chúc Quý Thầy, Cô thật nhiều sức khỏe Em xin trân thành cảm ơn !

TP Hồ Chí Minh, tháng 07 năm 2023 Học viên thực hiện

Trần Thiện Phương Thông

TÓM TẮT LUẬN VĂN

Trong ngành năng lượng điện, đặc biệt là với sự phát triển mạnh của năng lượng Mặt trời, việc dự báo sản lượng là một vấn đề quan trọng và thách thức Các phương pháp dự báo truyền thống gần như không còn có thể đáp ứng được với số liệu ngày càng nhiều và phức tạp, việc xử lý thông tin mất nhiều thời gian, việc dự báo cũng không dễ dàng và độ tin cậy ngày càng giảm

Mạng neural nhân tạo là một công nghệ mới trong việc dự báo sản lượng điện Mặt trời với hy vọng có thể cải thiện được độ chính xác và giảm độ phức tạp của quá trình dự báo Việc nghiên cứu và phát triển mô hình dự báo sản lượng điện Mặt trời sử dụng mạng neural nhân tạo có thể giúp các đơn vị quản lý, điều hành liên quan đến năng lượng có thể dự báo chính xác sản lượng điện Mặt trời, giảm thiểu sự chênh lệch giữa sản lượng thực tế và dự báo giúp tối ưu hóa quản lý và vận hành hệ thống điện

Mô hình dự báo trong bài luận này sử dụng dữ liệu mức độ bức xạ nhiệt mặt trời nhận từ mọi hướng – Global Horizontal Irradiance (GHI) ; Mức độ bức xạ mặt trời trên một đơn vị diện tích – Plance of Array Irradiance (POA) ; Nhiệt độ tấm pin (Pv_temp) ; Nhiệt độ không khí (Air_temp) ; Độ ẩm (Huminity) ; Tốc độ gió (Win_Spd) ; Hướng gió (Win_Dir) của nhà máy điện mặt trời Sơn Mỹ 3-1 được thu thập và tổng hợp vào tập tin Excel và được thực hiện trên công cụ MATLAB Quá trình dự báo được thực hiện kết hợp các mô hình Artificial neural network (ANN), Long Short-Term Memory (LSTM) và Gated Recurrent Unit (GRU) để dự đoán dữ liệu và đánh giá hiệu suất của chúng Việc kết hợp các mô hình cho phép tận dụng ưu điểm của mỗi mô hình và cung cấp dự đoán cuối cùng chính xác hơn và tin cậy hơn Thông qua đánh giá sai số có thể chọn được kết quả dự báo tốt nhất

Luận văn mang lại giá trị thực tiễn cao trong việc ứng dụng công nghệ mới để giải quyết vấn đề quan trọng và thực tế trong lĩnh vực năng lượng Mặt trời nói riêng và ngành điện nói chung

ABSTRACT

In the field of electricity, particularly with the strong development of solar energy, forecasting power output is an important and challenging issue Traditional forecasting methods are no longer capable of coping with the increasing volume and complexity of data Information processing is time-consuming, and forecasting becomes difficult with decreasing reliability

Artificial neural networks are a new technology in solar power output forecasting, offering hope for improving accuracy and reducing the complexity of the forecasting process Researching and developing solar power output forecasting models using artificial neural networks can assist energy management and operation entities in accurately predicting solar power output, minimizing the discrepancy between actual output and forecasts, and optimizing the management and operation of the power system

The forecasting model in this thesis utilizes data collected and compiled from various sources, including Global Horizontal Irradiance (GHI), Plance of Array Irradiance (POA), PV temperature, air temperature, humidity, wind speed, and wind direction of the Son My 3-1 solar power plant The data is stored and processed in an Excel file and analyzed using MATLAB The forecasting process combines Artificial Neural Network (ANN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU) models to predict and evaluate their performance The combination of these models leverages the strengths of each model, providing more accurate and reliable final predictions Through error evaluation, the best forecast results can be selected

This thesis provides high practical value in applying new technologies to address important and practical issues in the field of solar energy, particularly solar power and the electricity industry as a whole

LỜI CAM ĐOAN

Tôi xin cam đoan luận văn này hoàn toàn do tôi thực hiện dưới sự hướng dẫn khoa học của thầy TS Trương Phước Hòa Các kết quả nêu trong luận văn chưa được công bố trong bất kỳ công trình nào khác Các số liệu, ví dụ và trích dẫn trong luận văn đảm bảo tính chính xác, tin cậy và trung thực

Tôi xin chân thành cảm ơn !

NGƯỜI CAM ĐOAN

Trần Thiện Phương Thông

MỤC LỤC

CHƯƠNG 1: TỔNG QUAN 1

1.1 Đặt vấn đề 1

1.2 Hướng tiếp cận nghiên cứu: 2

1.3 Phương pháp nghiên cứu 2

1.3.1 Phương pháp nghiên cứu, phân tích, tổng hợp tài liệu 2

1.3.2 Phương pháp mô phỏng và mô hình hóa 2

1.4 Tính cấp thiết của đề tài : 2

1.5 Phạm vi nghiên cứu 3

1.6 Mục tiêu nghiên cứu 3

1.7 Đối tượng nghiên cứu: 4

1.8 Tổng hợp một số nghiên cứu về bài toán dự báo sản lượng điện năng lượng mặt trời 4

1.9 Ý nghĩa khoa học của đề tài 18

1.10 Ý nghĩa thực tiễn của đề tài 19

1.11 Nội dung của luận văn: 20

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 21

2.1 Sơ lược về mạng neural nhân tạo 21

2.2 Các phương pháp học máy 21

2.3 Cấu tạo của một mạng neural nhân tạo 22

2.4 Các cấu trúc mạng trong mạng neural nhân tạo 24

2.4.1 Mạng neural hồi quy 25

2.4.2 Mạng neural truyền thẳng 25

2.4.3 Mạng neural cạnh tranh 26

2.5 Sai số của dự báo 26

2.5.1 Sai số toàn phương trung bình MSE (Mean Squared Error) 27

2.5.2 Phần trăm sai số tuyệt đối trung bình MAPE (Mean Absolute Percent Error) 27

2.6 Hiện tượng Overfitting và Underfitting 28

2.7 Các mô hình và phương pháp sử dụng trong đề tài 29

2.7.2 Mô hình Long Short-Term Memory – LSTM 31

2.7.3 Mô hình Gated Recurrent Unit – GRU 32

2.7.4 Phương pháp chuẩn hóa Standardization (z-score) 33

2.7.5 Kỹ thuật ensemble 33

CHƯƠNG 3: ỨNG DỤNG MÔ HÌNH MẠNG NEURAL TRONG DỰ BÁO 34

3.1 Đối tượng và phạm vi nghiên cứu 34

3.2 Quy trình thực hiện dự báo trong đề tài 35

3.2.1 Đọc dữ liệu 36

3.2.3 Chia dữ liệu thành các tập huấn luyện, tập kiểm tra và tập xác nhận và tách các đặc trưng của dữ liệu 39

3.2.4 Xây dựng mô hình Gated Recurrent Unit (GRU) 40

3.2.5 Xây dựng mô hình Long Short-Term Memory(LSTM) 47

3.2.6 Mô hình Multi-Layer Feedforward Neural Network (MLFFN) 53

3.2.7 Kết hợp các dự báo bằng kỹ thuật Ensemble: 58

3.2.8 Tổng kết 65

CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI TRONG TƯƠNG LAI 66

4.1 Kết luận đề tài 66

4.2 Hướng phát triển trong tương lai 67

TÀI LIỆU THAM KHẢO 68

PHỤ LỤC 71

DANH SÁCH HÌNH ẢNH

Hình 1.1: Phân bố công suất lắp đặt theo địa lý của Solar Farm và Rooftop [10] 6

Hình 1.2: Công suất lắp đặt điện mặt trời [10] 7

Hình 1.3: Công suất lắp đặt, dung lượng so với công suất tải cao điểm của một số tỉnh thành [10] 8

Hình 1.4: Mô hình xác định tải để lập kế hoạch vận hành [10] 8

Hình 1.5: Mô hình xác định điểm mẫu [10] 10

Hình 1.6: Ảnh phân loại các hộ gia đình sử dụng điện mặt trời mái nhà.[10] 10

Hình 1.7: Thực hiện dự báo bằng phương pháp Ratio-based Scaling [10] 11

Hình 1.8: Sơ đồ thực hiện dự báo bằng phương pháp machine learning [10] 12

Hình 1.9: Sơ đồ thực hiện dự báo bằng phương pháp Linear Regression [10] 12

Hình 1.10: Bản đồ vị trí địa lý trạm biến áp Cu Jut 110kV [10] 13

Hình 1.11: Biểu đồ sai số dự báo sản lượng trước đó với công suất ≤100kWp[10] 14

Hình 1.12: Biểu đồ sai số dự báo sản lượng dự báo trước đó với công suất >100kWp [10] 14

Hình 1.13: Biểu đồ so sánh sai số dự báo sản lượng dự báo trước đó với sản lượng dự báo mới ở công suất ≥100kWp [10] 15

Hình 1.14: Biểu đồ so sánh sai số dự báo sản lượng dự báo trước đó với sản lượng dự báo mới ở công suất ≤100kWp [10] 15

Hình 1.15: Quá trình quản lý và điều khiển hoạt động của hệ thống điện để đảm bảo cung cấp điện ổn định và an toàn [10] 17

Hình 2.1: Sơ đồ các phương pháp học máy 21

Hình 2.2: Cấu tạo của một mạng neural cơ bản 22

Hình 2.3: Các thành phần cơ bản của mỗi neural 23

Hình 2.4: Mô hình mạng neural hồi quy cơ bản 25

Hình 2.5: Mô hình mạng neural truyền thẳng cơ bản 26

Hình 2.6 : Mô hình mạng neural cạnh tranh cơ bản 26

Hình 2.7a: Mô hình Underfitting; Hình 2.7b: Mô hình phù hợp; Hình 2.7c: Mô hình

Overfitting 28

Hình 2.8 :Mô hình Multi-Layer Feedforward Neural Network (MLFFN) 29

Hình 3.1 : Lưu đồ giải thuật của mô hình sử dụng trong đề tài 35

Hình 3.2: Cấu trúc mạng neural đề xuất trong nghiên cứu 37

Hình 3.3: Các bước chuẩn hóa dữ liệu 37

Hình 3.4: Thực hiện chia dữ liệu để chuẩn bị cho việc huấn luyện 39

Hình 3.5: Lưu đồ giải thuật mô hình GRU 41

Hình 3.6: Các bước tính toán mô hình GRU 42

Hình 3.7: Một đơn vị GRU của mô hình GRU 43

Hình 3.8: Đồ thị so sánh sản lượng trên tập kiểm tra mô hình GRU 44

Hình 3.9: Đồ thị so sánh sản lượng trên tập xác nhận mô hình GRU 45

Hình 3.10: Lưu đồ giải thuật mô hình LSTM 47

Hình 3.11: Các bước thực hiện tính toán trong mô hình LSTM 48

Hình 3.12: Một đơn vị LSTM của mô hình LSTM 49

Hình 3.13: Đồ thị so sánh sản lượng trên tập kiểm tra mô hình LSTM 50

Hình 3.14: Đồ thị so sánh sản lượng trên tập xác nhận mô hình LSTM 51

Hình 3.15: Lưu đồ giải thuật mô hình MLFFN 53

Hình 3.16: Các bước tính toán trong mô hình MLFFN 54

Hình 3.17: Mô hình MLFFN đã xây dựng 55

Hình 3.18: Đồ thị so sánh sản lượng trên tập kiểm tra mô hình MLFFN 56

Hình 3.19: Đồ thị so sánh sản lượng trên tập xác nhận mô hình MLFFN 57

Hình 3.20: Lưu đồ giải thuật mô hình Ensemble Stacking 59

Hình 3.21: Các bước tính toán trong mô hình Ensemble 60

Hình 3.22: Đồ thị so sánh sản lượng trên tập kiểm tra mô hình Ensemble 61

Hình 3.23: Đồ thị so sánh sản lượng trên tập xác nhận mô hình Ensemble 62Hình 3.24: So sánh kết quả sai số giữa các mô hình 64

DANH SÁCH BẢNG BIỂU

Bảng 1.1: Nguyên tắc và phương pháp xác định điểm mẫu [10] 9

Bảng 1.2: Các điểm phát điện tại Cu Jut 14

Bảng 1.3: Ưu, nhược điểm của mô các phương pháp EVNNLDC [10] 16

Bảng 2.1: Các tham số huấn luyện mạng 24

Bảng 2.2: Các thành phần cơ bản trong mô hình MLFFN 30

Bảng 2.3: Các thành phần cơ bản trong mô hình LSTM 31

Bảng 2.4: Các thành phần cơ bản trong mô hình GRU 32

Bảng 3.1: Bảng mô tả dữ liệu thu thập để thực hiện dự báo 34

Bảng 3.2: Bảng tóm tắt số liệu thu thập được của nhà máy 36

Bảng 3.3: Bảng giá trị tính toán trong hàm z-score 38

Bảng 3.4: Bảng tóm tắt dữ liệu sau khi chuẩn hóa 38

Bảng 3.5: Bảng chia dữ liệu và tách nhãn cho quá trình huấn luyện 39

Bảng 3.6: Bảng thông số sử dụng cho mô hình GRU 43

Bảng 3.7: Bảng thống kê kết quả và sai số mô hình GRU 44

Bảng 3.8: Ưu, nhược điểm của mô hình GRU 45

Bảng 3.9: Đánh giá sai số trong quá trình huấn luyện của mô hình GRU 46

Bảng 3.10: Đánh giá sự tác động đến sai số qua lần huấn luyện 46

Bảng 3.11: Các thông số sử dụng cho mô hình LSTM 49

Bảng 3.12: Bảng thống kê kết quả mô hình LSTM 50

Bảng 3.13: Ưu, nhược điểm của mô hình LSTM 51

Bảng 3.14: Đánh giá sai số trong quá trình huấn luyện của mô hình LSTM 52

Bảng 3.15: Đánh giá sự tác động đến sai số qua lần huấn luyện 52

Bảng 3.16: Bảng thông số sử dụng cho mô hình MLFFN 55

Bảng 3.17: Bảng thống kê kết quả mô hình MLFFN 56

Bảng 3.18: Đánh giá sai số trong quá trình huấn luyện của mô hình MLFFN 57

Bảng 3.19: Ưu, nhược điểm của mô hình MLFFN 57

Bảng 3.20: Đánh giá sự tác động đến sai số qua lần huấn luyện 58

Bảng 3.21: Bảng thông số sử dụng cho mô hình Ensemble 60

Bảng 3.22: Bảng thống kê kết quả mô hình Ensemble 61

Bảng 3.23: Đánh giá sai số trong quá trình huấn luyện của mô hình Ensemble 62

Bảng 3.24: Ưu, nhược điểm của mô hình Ensemble 63

DANH MỤC TỪ VIẾT TẮT AI: Artificial Intelligence

ANN: Artificial Neural Network CNN: Convolutional Neural Network DNN: Deep Neural Network

ĐMT: Điện mặt trời

GRU: Gated Recurrent Unit

IEEE: Institute of Electrical and Electronics Engineers LSTM: Long Short-Term Memory

MAE: Mean Absolute Error

MSE: Mean Absolute Percentage Error MAPE: Mean Absolute Percent Error

MLFFN: Multi-Layer Feedforward Neural Network NLMT: Năng lượng mặt trời

NLMTMN: Năng lượng mặt trời mái nhà

PECC2: Công ty Cổ phần Tư vấn Xây dựng Điện 2 RNN: Recurrent Neural Network

SSC: Năng lượng tái tạo Sơn Mỹ Val: Validation

CHƯƠNG 1: TỔNG QUAN 1.1 Đặt vấn đề

Dự báo sản lượng điện mặt trời là một mắt xích quan trọng trong việc phát triển nguồn năng lượng tái tạo

Tại Việt Nam, theo thống kê gần đây đến cuối năm 2020, đã có 8.736 MW điện mặt trời quy mô tập trung bao gồm cả điện mặt trời nổi trên mặt nước và 7.755 MW điện mặt trời mái nhà được đấu nối vào lưới điện, sản xuất gần 13 tỷ kWh điện năm đó Quy mô công suất điện mặt trời ở Việt Nam tăng vọt chỉ sau 2 năm đã trở thành kỷ lục trong các quốc gia Đông Nam Á Theo Quyết định số 500/QĐ-TTg phê duyệt Quy hoạch điện VIII vừa được Thủ tướng Chính phủ ký, ban hành ngày 15/5/2023, dự kiến quy mô điện mặt trời ở Việt Nam sẽ khoảng 12.800 MW (không bao gồm điện mặt trời mái nhà hiện có) vào năm 2030, tăng thêm khoảng 2.600 MW điện mặt trời loại hình tự tiêu thụ không phát lên lưới Vào năm 2050, điện mặt trời sẽ có quy mô định hướng lên tới 168.600 - 189.300 GW, chiếm 33,0 - 34,4% tổng công suất nguồn điện và sản xuất điện chiếm từ 20,6 - 21,2% tổng sản xuất điện toàn hệ thống.[1]

Bên cạnh các lợi ích như bù đắp năng lượng thiếu hụt, tận dụng năng lượng tại chỗ, giảm thiểu khí nhà kính, việc các nguồn điện tái tạo như điện mặt trời tham gia vào lưới điện cũng gây ra nhiều ảnh hưởng cho việc vận hành lưới điện, trong đó có hai thách thức chính như sau: Công suất đầu ra nguồn điện mặt trời không ổn định, thay đổi thường xuyên phụ thuộc vào sự thay đổi của thời tiết, dẫn đến hệ thống điện luôn phải có dự phòng công suất lớn để bảo đảm cung cấp đủ công suất cho hệ thống phụ tải Các nguồn điện này hay thay đổi đột ngột, không có dự trữ động năng như các máy phát điện quay, dẫn đến giảm độ dự trữ ổn định của hệ thống điện và tăng nguy cơ mất ổn định lưới điện

Để giải quyết hai thách thức trên mà vẫn sử dụng được nguồn năng lượng tái tạo nhiều nhất có thể, cần phải thực thi các giải pháp trên lưới điện như lắp đặt, bổ sung hệ thống lưu trữ năng lượng, phối hợp điều khiển tải và hệ thống lưu trữ năng lượng để tăng quán tính quay tổng hợp của hệ thống, thiết kế các bộ điều khiển tại chỗ cũng như diện rộng để ổn định lưới điện Việc dự báo chính xác công suất của các nguồn điện tái tạo có một vai trò rất quan trọng để bảo đảm tính hiệu quả và tối ưu của các giải pháp trên Ngay cả khi mức độ nguy hiểm của các thách thức này chưa cao, việc dự báo công

suất của các nguồn điện tái tạo cũng rất cần thiết để công tác lập kế hoạch, quản lý và vận hành hệ thống điện.[2]

1.2 Hướng tiếp cận nghiên cứu:

Thu thập số liệu về sản lượng điện mặt trời từ nhà máy Sơn Mỹ 3-1 với cơ sở lý thuyết và công cụ mô phỏng sẵn có (MATLAB) để xây dựng mô hình, tính toán, đánh giá Việc phân tích được ảnh hưởng của các yếu tố đầu vào như bức xạ nhiệt mặt trời, nhiệt độ tấm pin, nhiệt độ không khí, độ ẩm, tốc độ gió, hướng gió cũng như các tham số được cài đặt, các trọng số được tính toán và cập nhật trong mô hình nhằm hiểu rõ hơn về sự ảnh hưởng của nó trên từng mô hình mạng neural đơn lẻ và có sự điều chỉnh hợp lý Sau đó xây dựng một mô hình kết hợp, có mức độ tối ưu cao để tăng hiệu suất mô hình

1.3 Phương pháp nghiên cứu

1.3.1 Phương pháp nghiên cứu, phân tích, tổng hợp tài liệu

Phương pháp nghiên cứu, phân tích và tổng hợp tài liệu là các phương pháp được sử dụng trong quá trình thực hiện nghiên cứu để thu thập, xử lý và phân tích các tài liệu, thông tin, dữ liệu, kế thừa kết quả của các công trình nghiên cứu trong nước và ngoài nước liên quan đến nội dụng đề tài nghiên cứu

1.3.2 Phương pháp mô phỏng và mô hình hóa

Trong nghiên cứu dự báo sản lượng, phương pháp mô phỏng và mô hình hóa được sử dụng để xây dựng các mô hình ước lượng, dự báo sản lượng điện mặt trời dựa trên các thông tin và dữ liệu có sẵn Mô phỏng giúp quá trình tạo ra một hệ thống mô hình hoạt động tương tự với thực tế để tìm hiểu, dự đoán hoặc đánh giá các kịch bản, tình huống hoặc hành vi của hệ thống Mô hình hóa là quá trình xây dựng các mô hình toán học, thống kê từ máy tính dựa trên dữ liệu và thông tin có sẵn để mô tả và dự báo 1.4 Tính cấp thiết của đề tài :

Trong thời đại hiện nay, dự báo sản lượng điện Mặt trời sử dụng mạng neural nhân tạo là cấp thiết khi mà nguồn năng lượng Mặt trời đã trở thành xu hướng và phát triển mạnh mẽ Việc dự báo sản lượng điện Mặt trời giúp các đơn vị điều hành có thể dự báo được lượng điện Mặt trời sẽ sản xuất ra trong tương lai để có thể điều chỉnh sao cho hiệu quả

Đồng thời, việc sử dụng mạng neural nhân tạo – Artificial Neural Network (ANN) trong dự báo sản lượng điện Mặt trời cũng đem lại nhiều lợi ích ANN có khả năng học tập và cải thiện độ chính xác theo thời gian, có thể xử lý được dữ liệu phi tuyến tính và phức tạp, đồng thời có thể tối ưu hóa mô hình để cải thiện độ chính xác

Vì vậy, đề tài này đem lại ý nghĩa và giá trị rất lớn trong việc phát triển năng lượng tái tạo và quản lý nguồn phát một cách hiệu quả hơn, đóng góp vào việc nghiên cứu và phát triển các phương pháp ứng dụng mạng neural nhân tạo trong dự báo

1.5 Phạm vi nghiên cứu

Thu thập và xử lý dữ liệu: Thu thập dữ liệu sản lượng điện từ Nhà máy điện Mặt trời Sơn Mỹ 3-1 và thông số thời tiết từ ngày 01/07/2019 đến 01/07/2021 Sau đó tiến hành xử lý dữ liệu để chuẩn bị cho quá trình huấn luyện

Thiết kế và xây dựng mô hình mạng neural nhân tạo: xác định kiến trúc mô hình mạng neural, bao gồm số lượng mạng neural trong mỗi lớp, các hàm kích hoạt, tham số,… Sau đó tiến hành huấn luyện và đánh giá mô hình

Kiểm tra và so sánh độ chính xác của mô hình: Áp dụng mô hình đã xây dựng để dự báo sản lượng điện Mặt trời đối chiếu với số liệu thực tế, đánh giá sai số MSE, MAPE

1.6 Mục tiêu nghiên cứu

Luận văn này tập trung xây dựng một mô hình ANN để dự báo sản lượng điện Mặt trời ngắn hạn và tối ưu hóa mô hình để đạt được kết quả dự báo tốt Kết quả dự báo trên MATLAB sẽ được so sánh với số liệu thực tế để đưa ra sự đánh giá khách quan nhất

Nghiên cứu các yếu tố ảnh hưởng đến sản lượng điện năng lượng Mặt trời bao gồm cường độ ánh sáng, nhiệt độ, độ ẩm, kỹ thuật lắp đặt,… Tìm hiểu về cách xử lý dữ liệu đầu vào để chuẩn bị cho việc huấn luyện mạng ANN (gồm các kỹ thuật tiền xử lý)

Bên cạnh đó cũng phải đánh giá được tác động của các yếu tố khác nhau ảnh hưởng đến độ chính xác của mô hình dự báo (kích thước dữ liệu, số lớp ẩn, số vòng lặp,…)

Cuối cùng, xây dựng một mô hình dự báo hoàn chỉnh, tối ưu hóa mô hình để đạt được kết quả tốt nhất Ứng dụng mô hình ANN vào thực tiễn để dự báo sản lượng điện Mặt trời trong những điều kiện thời tiết, nhà máy khác

1.7 Đối tượng nghiên cứu:

Các tài liệu, bài báo, tạp chí khoa học, mô hình về dự báo Phần mềm Matlab và các thư viện để áp dụng mô hình Dữ liệu khí tượng, sản lượng thực của nhà máy điện Mặt trời

1.8 Tổng hợp một số nghiên cứu về bài toán dự báo sản lượng điện năng lượng mặt trời

[3] Moharari (1993) Dự báo tải ngắn hạn dựa trên mạng thần kinh nhân tạo với điều chỉnh đặc biệt cho các ngày cuối tuần và thay đổi theo mùa Cho thấy việc sử dụng mạng neural truyền thẳng nhiều lớp MLFFN, thuật toán lan truyền ngược để dự báo tải trong ngắn hạn cần phải xem xét các ngày đặc biệt Đầu vào của mô hình dự báo trong nghiên cứu bao gồm các đặc điểm về ngày dự báo, chẳng hạn như cuối tuần, ngày lễ cũng như các đặc điểm về thời tiết như nhiệt độ dự báo tối thiểu và tối đa, đặc điểm của tải, sản lượng trong 15 ngày gần nhất với tổng số 23 dữ liệu đầu vào Kết quả thực hiện được dự báo với sai số MPE là 1.43%

[4] Tzafestas (2001) đã trình bày đánh giá các mô hình toán cho bài toán dự báo như : mạng neural truyền thẳng nhiều lớp (MLFFN), logic mờ (FL), giải thuật di truyền (GA) Tiếp theo, họ cũng điểm qua các phương pháp lai như : GA-FL, FL-NN, GA-NN-FL,… Kết quả phần trăm sai số trung bình (MAPE) là 1.7% khi họ đề xuất dùng phương pháp MLFFN áp dụng cho bài toán dự báo sản lượng 1 giờ tới Họ đã dùng dữ liệu trong một năm (đầu năm 1988 đến đầu năm 1989) từ Light Company và Puget Sound Power với dữ liệu đầu vào bao gồm : dữ liệu sản lượng và nhiệt độ của 1 giờ và 2 giờ trước thời điểm dự báo, giờ và nhiệt độ ở thời điểm dự báo

[5] Zhang (2008) đề xuất mô hình MLFFN để dự báo sản lượng điện ngắn hạn cho thành phố NangChang, Trung Quốc Với dữ liệu đầu vào gồm : thứ trong tuần, ngày, dữ liệu thời tiết, giá trị nhiệt độ lớn nhất và nhỏ nhất, giá trị sản lượng lớn nhất, sản lượng nhỏ nhất, sản lượng của 2 ngày trước dự báo và dữ liệu thời tiết, ngày thứ của thời điểm dự báo, dữ liệu huấn luyện trong 2 năm (2002-2003) và được kiểm tra với dữ liệu trong một năm (2004) Kết quả dự báo cho MAPE trong khoảng 1.87% - 3.051% và thể hiện được ảnh hưởng của dữ liệu thời tiết và độ lớn dữ liệu quá khứ lên kết quả huấn luyện

[6] Hao-Tian Zhang (2010) đã sử dụng mô hình MLFFN để dự báo sản lượng 24 giờ tới ở Ontario, Canada dựa trên dữ liệu quá khứ về sản lượng, nhiệt độ, độ ẩm, tốc độ gió, hướng gió, ngày trong tuần hay ngày cuối tuần, được huấn luyện và kiểm tra trong 2 năm và kết quả thể hiện sử dụng thuật toán levenberg – marquardt (LM) cho kết quả tốt hơn so với thuật toán bayesian regularization (BR)

[7] Raza (2015) trình bày một mô hình sử dụng MLFFN được huấn luyện với thuật toán giảm độ dốc Các đầu vào cho mạng bao gồm ngày trong tuần, ngày làm việc, giờ trong ngày, điểm sương, nhiệt độ và sản lượng của ngày dự báo, ngày hôm trước và tuần trước 20 neural đã được sử dụng trong lớp ẩn Độ chính xác của dự báo đạt được tách biệt theo mùa và nó thay đổi từ 3.81% vào mùa xuân đến 4.59% trong mùa hè Phân tích bao gồm cái nhìn rõ nét về thống kê kết quả MAPE với các khoảng mức độ tin cậy khác nhau cho thông số này

[8] Shady Mahmoud Elgarhy (2017) đã trình bày đánh giá và tổng hợp các mô hình toán truyền thống được áp dụng cho các bài dự báo : hồi quy tuyến tính, trung bình di động, hệ số ngẫu nhiên (Stochastic), làm trơn hàm mũ, logic mờ (Fuzzy logic) Sau đó, họ đề xuất mô hình mạng neural truyền thẳng nhiều lớp (MLFFN) cho bài toán dự báo sản lượng 24 giờ tới ở New England Dữ liệu đầu vào là ngày, giờ trong tuần và sản lượng từ 2005 tới 2015 thì kết quả tốt hơn so với các phương pháp truyền thống

[9] Đặc biệt, nhóm tác giả Jaime Buitrago và Shihab Asfour (2017) đã đề xuất một hướng tiếp cận mới để giải quyết bài toán dự báo sản lượng 24 giờ tới Họ đã đề xuất một mô hình mạng neural nhân tạo tự hồi quy phi tuyến tính với đa biến ngoại sinh (NARX) được đào tạo theo vòng mở bằng cách sử dụng dữ liệu thời tiết và tải thực tế Sau đó, mạng được đặt trong vòng kín để tạo dự báo bằng cách sử dụng tải dự báo làm đầu vào phản hồi Không giống như các phương pháp dự báo sản lượng ngắn hạn hiện có sử dụng ANN, phương pháp này sử dụng đầu ra của chính nó làm đầu vào để cải thiện độ chính xác, do đó thực hiện hiệu quả vòng phản hồi cho tải, làm cho nó ít phụ thuộc vào dữ liệu bên ngoài hơn Bằng cách sử dụng mô hình này, dự báo đã đạt được sai số phần trăm tuyệt đối MAPE là 1% tốt hơn mô hình MLFFN, ARIMA

Gần đây, theo Trung tâm Điều độ Hệ thống điện Quốc gia EVNNLDC (2023) đã đề

tỉnh Bình Thuận Rooftop được xây dựng tập trung tại Đăk Lăk, Đăk Nông, Gia Lai (miền Trung) và Đồng Nai, Bình Dương (miền Nam) [10] Nghiên cứu cho thấy:

Phân bố địa lý ở Solar Farm được xây dựng tập trung tại Ninh Thuận, tỉnh Bình Thuận Rooftop được xây dựng tập trung tại Đăk Lăk, Đăk Nông, Gia Lai (miền Trung) và Đồng Nai, Bình Dương (miền Nam) cùng với bản đồ tiềm năng bức xạ mặt trời Việt Nam (Hình 1.1):

Hình 1.1: Phân bố công suất lắp đặt theo địa lý của Solar Farm và Rooftop [10] Tình hình phát triển điện mặt trời được thể hiện qua công suất lắp đặt, cho thấy được tiềm năng của điện mặt trời tại Việt Nam:

2392.45 1196.225 0

2000 488

675.9 338 0.1

507 544

432 600

588

Hình 1.2: Công suất lắp đặt điện mặt trời [10]

Dựa vào (Hình 1.2) thấy được sự tăng trưởng đáng kể trong việc lắp đặt điện năng lượng mặt trời, từ đó có thể nhìn nhận được tiềm năng phát triển năng lượng mặt trời của Việt Nam trong tương lai là rất đáng kỳ vọng

Một số tỉnh thành có tỷ lệ cao giữa công suất lắp đặt của hệ thống PV trên mái nhà và công suất tải cao điểm Ví dụ (Hình 1.3):

Miền Trung: Gia Lai 274%, Đắk Nông 196%, Đắk Lắk 173% Miền Nam: Ninh Thuận 257%, Bình Phước 105%, Lâm Đồng 96%

Hình 1.3: Công suất lắp đặt, dung lượng so với công suất tải cao điểm của một số tỉnh thành [10]

Mô hình xác định tải ngược để lập kế hoạch vận hành:

Hình 1.4: Mô hình xác định tải để lập kế hoạch vận hành [10]

Mô hình xác định tải ngược để lập kế hoạch vận hành được biểu diễn ở (Hình 1.4) dựa trên nguyên tắc xác định tải ngược từ các tác nhân tạo ra tải trong hệ thống Các tác nhân này có thể bao gồm các nhà máy điện mặt trời, điện gió, hệ thống lưu trữ năng lượng, và các nguồn năng lượng tái tạo khác Bằng cách xác định tải ngược của các tác nhân này, chúng ta có thể ước tính tải ngược của toàn bộ hệ thống điện

Mô hình xác định tải ngược thông thường sử dụng dữ liệu về sản lượng và tiêu thụ năng lượng của các tác nhân tạo ra tải, cùng với các thông số kỹ thuật và thông tin về mạng lưới điện Dựa trên các thông tin này, mô hình sẽ tính toán và dự báo tải ngược tại các điểm khác nhau trong hệ thống

Các nguyên tắc, phương pháp xác định các điểm mẫu và công suất của hệ thống điện Mặt trời trên mái nhà, được thể hiện ở (Bảng 1.1):

Bảng 1.1: Nguyên tắc và phương pháp xác định điểm mẫu [10]

Nguyên tắc lựa chọn điểm mẫu

Phương pháp xác định công suất trung bình của hệ thống điện mặt trời trên mái

nhà Lựa chọn các điểm mẫu chỉ bán điện vào

lưới điện hoặc các điểm mẫu chia sẻ dữ liệu từ các thiết bị nghịch lưu

Đối với mỗi trạm biến áp 110kV, tùy thuộc vào kích thước, diện tích và đặc điểm địa lý, lựa chọn ít nhất 03 điểm mẫu cho mỗi khu vực được cung cấp điện bởi trạm biến áp 110kV

Trong trường hợp giới hạn sản lượng tại các điểm mẫu, cần thu thập dữ liệu về công suất cài đặt bị giới hạn tương ứng

Tính toán công suất trung bình từ dữ liệu đã thu thập:

𝑡 = (𝑃 + 𝑃 + ⋯ + 𝑃 ) ×160×

1𝑡

Hình 1.5: Mô hình xác định điểm mẫu [10]

Phân loại các hộ gia đình sử dụng điện mặt trời trên mái nhà cho dự báo được biểu diễn tại (Hình 1.6):

Hình 1.6: Ảnh phân loại các hộ gia đình sử dụng điện mặt trời mái nhà.[10] Sử dụng nguyên tắc sau để phân loại các hộ gia đình có hệ thống điện mặt trời trên mái nhà (RTS) cho dự báo Các hộ gia đình có RTS chỉ bán hoặc bán phần lớn lượng điện mà họ tạo ra sẽ có những đặc điểm sau:

Tần suất của P cho mỗi chu kỳ và sản lượng hàng ngày thuộc một nhóm có tần suất cao nhất trong số những nhóm cùng cấp quản lý (tỉnh, huyện)

Hình dạng của đường cong dung lượng hàng ngày sẽ trông giống như biểu đồ bức xạ nhìn từ hình ảnh vệ tinh

Phương pháp dự báo thứ nhất: Ratio-based scaling mô tả ở (Hình 1.7)

Hình 1.7: Thực hiện dự báo bằng phương pháp Ratio-based Scaling [10] Nguyên tắc

• Giả lập: Mô phỏng các nhà máy điện mặt trời ảo có công suất từ 100kWp đến dưới 100kWp bằng máy tính

• Đầu vào: Điện mặt trời trên mái nhà (công suất đã lắp đặt, kế hoạch giảm công suất), Nhà máy điện mặt trời (công suất đã lắp đặt, dự báo công suất) tương ứng

• Đầu ra: Cung cấp dự báo công suất của điện mặt trời trên mái nhà tương ứng

Công thức áp dụng

Where:

k.: efficiency

Phương pháp dự báo thứ hai được đề xuất: Machine Learning được biểu diễn dưới dạng sơ đồ ở (Hình 1.8)

Hình 1.8: Sơ đồ thực hiện dự báo bằng phương pháp machine learning [10] Phương pháp cuối cùng được đề xuất trong nghiên cứu: Linear Regression cũng được biểu diễn dưới dạng sơ đồ ở (Hình 1.9)

Hình 1.9: Sơ đồ thực hiện dự báo bằng phương pháp Linear Regression [10]

Công suất lắp đặt ĐMTMN (IC)

Sản lượng ĐMTMN thực tế

(IC) ĐMTMN bị cắt

giảm (IC)

Giới hạn sản lượng ĐMTMN (GC) (tuyệt đối)

GHI cho dự báo lịch sử được lựa

chọn

GHI cho dự báo đã chọn Mô hình dự báo Sản lượng

ĐMTMN (GC) (tương đối)

Dự báo sản lượng ĐMTMN

(tuyệt đối)

Dự báo sản lượng ĐMTMN (tương

đối)

Lấy ví dụ: Trạm biến áp Cu Jut 110kV (Dak Nong PC)

Hình 1.10: Bản đồ vị trí địa lý trạm biến áp Cu Jut 110kV [10]

Bảng 1.2: Các điểm phát điện tại Cu Jut

Các điểm phát điện Rooftop PV có công suất ≤ 100kWp Rooftop PV có công suất ≥ 100kWp

Khu vực

Hình 1.11: Biểu đồ sai số dự báo sản lượng trước đó với công suất ≤100kWp[10]

Hình 1.12: Biểu đồ sai số dự báo sản lượng dự báo trước đó với công suất >100kWp [10]

Hình 1.13: Biểu đồ so sánh sai số dự báo sản lượng dự báo trước đó với sản lượng dự báo mới ở công suất ≥100kWp [10]

Hình 1.14: Biểu đồ so sánh sai số dự báo sản lượng dự báo trước đó với sản lượng dự báo mới ở công suất ≤100kWp [10]

Bảng 1.3: Ưu, nhược điểm của mô các phương pháp EVNNLDC [10]

hệ thống

Ratio-based scaling

Tính toán đơn giản Không cần huấn luyện

Sai số lớn do không có sự tương quan giữa các trang trại năng lượng mặt trời địa phương và sản lượng điện mặt trời trên mái nhà

Các sai số dự báo chủ yếu do chất lượng dự báo thời tiết Phụ thuộc vào nhà máy điện mặt trời để so sánh → khó khăn ở các khu vực không có nhà máy điện mặt trời (hoặc xa nhà máy điện mặt trời) Chất lượng dự báo phụ thuộc vào chất lượng dữ liệu lịch sử (đầy đủ, chính xác?)

Machine learning

Áp dụng Mạng neural -> đơn giản hóa việc tích hợp nhiều đầu vào và mô hình vào mô hình dự báo

Đào tạo mô hình và dự báo nhanh chóng Chấp nhận được sai số dự báo

Khó xác định nguyên nhân gây ra sai số dự báo không đều (nếu có)

Linear regression

Dễ dàng huấn luyện và sử dụng Đặc biệt hữu ích khi lượng dữ liệu lịch sử không đủ Tốc độ huấn luyện và dự báo nhanh chóng Sai số dự báo chấp nhận được

Hiệu suất giảm khi có quá nhiều đầu vào

Hình 1.15: Quá trình quản lý và điều khiển hoạt động của hệ thống điện để đảm bảo Bước 1

• Phát triển một lịch trình cho việc tiếp cận thị trường điện • Kết quả:

• i) Bản đồ tiếp cận nguồn điện theo giai đoạn (bao gồm việc tiếp cận các nhà máy truyền thống dựa trên cấu hình nguồn tối thiểu để đảm bảo an ninh cung cấp điện);

• ii) Tổng dung lượng hấp thụ của Trung tâm Tiếp cận Điện (ACT), các trang trại năng lượng gió/mặt trời và hệ thống điện mặt trời trên mái nhà theo giai đoạn.

• Điện Mặt trời trên mái được tính theo định kỳ, sau đó giá trị trung bình được tính bằng cách sử dụng công thức sau đây:

• 𝑃 =∑ ⬚(trong đó n là số thời gian bị giới hạn) cho phân phối từ các Tổng công ty Điện lực/Công ty Điện lực"

Bước 3

• PC sử dụng

• i) kế hoạch huy động điện Mặt trời trên mái nhà;

• ii) công suất tối đa huy động điện Mặt trời trên mái nhà được công bố bởi NLDC -> để tính toán công suất tối đa huy động điện Mặt trời trên mái nhà cho các công ty điện thành viên của nó."

Bước 4

• Dựa trên khả năng lắp đặt hệ thống điện mặt trời trên mái nhà được giao bởi một trung tâm điều hành (PC), các công ty điện cung cấp thông tin về giới hạn cắt giảm cho khách hàng (dung lượng và lịch trình cắt giảm) để đảm bảo công bằng và minh bạch.

Bước 5

• Để chuẩn bị báo cáo sau hoạt động về lắp đặt hệ thống điện mặt trời trên mái nhà: Các công ty điện -> Tổng công ty điện lực -> EVN & NLDC Dựa trên trạng thái hoạt động -> các đơn vị liên quan tiến hành đánh giá và điều chỉnh kế hoạch hoạt động của họ theo kế hoạch được giao bởi Bộ Công Thương và EVN.

Nhận xét:

Thông qua các nghiên cứu trên có thể thấy mô hình neural nhân tạo có thể mang lại lợi thế so với các mô hình dự báo truyền thống như khả năng xử lý và phân tích dữ liệu lớn, cũng như khả năng học và tự điều chỉnh theo thời gian Mô hình này có thể học từ các dữ liệu quá khứ để đưa ra dự báo cho tương lai, đồng thời có khả năng thích nghi với các thay đổi trong điều kiện thời tiết và môi trường Do đó, mô hình dự báo sản lượng điện mặt trời sử dụng neural nhân tạo có thể cải thiện độ chính xác và độ tin cậy của dự báo, giúp cho các công trình điện mặt trời hoạt động hiệu quả hơn và giảm thiểu các rủi ro về sản lượng điện

Ngoài ra, mô hình dự báo sản lượng điện mặt trời sử dụng neural nhân tạo cũng có khả năng phát hiện các mối quan hệ phức tạp giữa các yếu tố ảnh hưởng đến sản lượng điện mặt trời, chẳng hạn như tầm nhìn, độ ẩm, nhiệt độ, ánh sáng, … Những mối quan hệ này có thể không được phân tích rõ ràng trong các mô hình dự báo truyền thống, nhưng có thể được xác định và tận dụng để cải thiện độ chính xác của dự báo sản lượng điện mặt trời

Tận dụng các mô hình dự báo tốt để dự báo cho tập dữ liệu khác nhằm ứng dụng vào nhiều lĩnh vực là điều rất cần thiết Tuy nhiên, mỗi tập dữ liệu có mỗi đặc trưng khác nhau, việc cải tiến mô hình sao cho phù hợp giúp mô hình càng ngày càng được ứng dụng rộng rãi hơn

1.9 Ý nghĩa khoa học của đề tài

Nâng cao độ chính xác dự báo: Sử dụng mạng neural nhân tạo trong dự báo sản lượng điện mặt trời có thể cải thiện độ chính xác của dự báo Mạng neural nhân tạo có khả năng học và tự điều chỉnh từ dữ liệu, giúp nắm bắt được các mẫu phức tạp và không tuyến tính trong dữ liệu sản lượng điện mặt trời

Giảm độ phức tạp và thời gian xử lý: Sử dụng mạng neural nhân tạo có thể giảm độ phức tạp của quá trình dự báo và thời gian xử lý thông tin Mạng neural nhân tạo có khả năng xử lý thông tin song song và nhanh chóng, giúp tăng hiệu suất và tiết kiệm thời gian cho quá trình dự báo

Tối ưu hóa quản lý và vận hành hệ thống điện: Dự báo chính xác sản lượng điện mặt trời là một yếu tố quan trọng trong quản lý và vận hành hệ thống điện Việc sử dụng

mạng neural nhân tạo trong dự báo sản lượng điện mặt trời có thể giúp các đơn vị quản lý và điều hành liên quan đến năng lượng nắm bắt được thông tin chính xác về sản lượng điện mặt trời, giảm thiểu sự chênh lệch giữa dự báo và thực tế, từ đó tối ưu hóa quyết định về quản lý và vận hành hệ thống điện

Đóng góp cho phát triển năng lượng tái tạo: Nghiên cứu về dự báo sản lượng điện mặt trời sử dụng mạng neural nhân tạo đóng góp vào việc phát triển năng lượng tái tạo và sử dụng nguồn năng lượng mặt trời hiệu quả hơn Bằng cách cung cấp dự báo chính xác về sản lượng điện mặt trời, đề tài này hỗ trợ việc tích hợp năng lượng mặt trời vào hệ thống điện và giúp tăng cường ổn định và tin cậy của nguồn điện tái tạo

1.10 Ý nghĩa thực tiễn của đề tài

Đảm bảo ổn định nguồn cung điện: Dự báo chính xác sản lượng điện mặt trời giúp các nhà điều hành hệ thống điện lập kế hoạch và quản lý nguồn cung điện một cách hiệu quả Việc sử dụng mạng neural nhân tạo trong dự báo giúp cung cấp thông tin chính xác về sản lượng điện mặt trời, từ đó giúp ổn định và cân nhắc việc sử dụng nguồn điện tái tạo

Tối ưu hóa tài nguyên năng lượng: Dự báo chính xác sản lượng điện mặt trời giúp tối ưu hóa sử dụng tài nguyên năng lượng Các đơn vị quản lý và điều hành có thể lên kế hoạch phân phối và sử dụng nguồn năng lượng mặt trời một cách hiệu quả, đảm bảo sự cân đối giữa nguồn cung và nhu cầu tiêu thụ

Đảm bảo tính tin cậy và ổn định của hệ thống điện: Dự báo chính xác giúp giảm thiểu sai số giữa dự báo và sản lượng thực tế, từ đó đảm bảo tính tin cậy và ổn định của hệ thống điện Việc sử dụng mạng neural nhân tạo trong dự báo giúp nắm bắt được các mẫu phức tạp và không tuyến tính trong dữ liệu, đồng thời giảm độ phức tạp của quá trình dự báo

Hỗ trợ quyết định đầu tư và phát triển năng lượng mặt trời: Dự báo chính xác sản lượng điện mặt trời là một yếu tố quan trọng trong quyết định đầu tư và phát triển các dự án năng lượng mặt trời Việc sử dụng mạng neural nhân tạo trong dự báo giúp cung cấp thông tin đáng tin cậy và đánh giá hiệu suất của các dự án, từ đó hỗ trợ quyết định đầu tư và phát triển bền vững của ngành năng lượng mặt trời

1.11 Nội dung của luận văn:

Nội dung của luận văn gồm có 4 chương: Chương 1 : Tổng quan

Chương 2 : Cơ sở lý thuyết

Chương 3 : Ứng dụng mô hình mạng neural nhân tạo trong dự báo Chương 4 : Kết luận

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT

Trình bày tổng quan các cơ sở lý thuyết về dự báo sản lượng điện mặt trời và dự báo sản lượng điện mặt trời ngắn hạn Đồng thời tìm hiểu qua các nghiên cứu liên quan tới dự báo sản lượng điện ngắn hạn

2.1 Sơ lược về mạng neural nhân tạo

Mạng neural nhân tạo, còn được gọi là Neural Network (NN) là một mô hình lập trình được lấy cảm hứng từ cấu trúc mạng neural trong não bộ con người Mạng neural nhân tạo được sử dụng để tìm kiếm các mối quan hệ cơ bản trong tập hợp các dữ liệu Nó được cấu thành từ nhiều neural nhân tạo được kết nối với nhau, mỗi neural nhân tạo đóng vai trò như một bộ phân loại dữ liệu

Mạng neural nhân tạo có nhiều lợi ích so với các mô hình dự báo truyền thống Đầu tiên, nó có khả năng xử lý và phân tích các tập dữ liệu lớn với độ chính xác cao Ngoài ra, mạng neural nhân tạo có khả năng tự học và điều chỉnh tham số của chính nó để cải thiện độ chính xác của mô hình Điều này làm cho mạng neural nhân tạo trở thành công cụ hiệu quả trong nhiều lĩnh vực như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên, dự báo thị trường và dự báo sản lượng điện mặt trời

sátDự báo kết quả đầu ra

Học không giám sátPhân nhóm

dữ liệu

Học cũng cố

Xác định hành vi

đó học cách dự báo đầu ra từ đầu vào bằng cách điều chỉnh trọng số của các liên kết giữa các neural Đây là nhóm phổ biến trong thuật toán học máy này

Unsupervised Learning (học không giám sát) : Đây là một phương pháp huấn luyện mạng neural nhân tạo mà không cần cung cấp đầu ra mong muốn Thay vào đó, mạng được huấn luyện để tìm ra cấu trúc ẩn trong dữ liệu đầu vào Tức là thuật toán này sẽ không biết trước dữ liệu đầu ra hay nhãn của tập dữ liệu đầu vào mà chỉ dựa vào cấu trúc của dữ liệu để thực hiện các công việc như : phân nhóm (clustering) hoặc giảm số chiều của dữ liệu (Dimension reduction) để thuận tiện trong việc lưu trữ và tính toán

Reinforcement learning (học củng cố) : Là phương pháp học bằng cách cho mạng neural tương tác với một môi trường và học từ các phản hồi được nhận từ môi trường Mục tiêu của phương pháp này là để mạng neural học cách tối đa hoá một phần thưởng trong một môi trường cho trước Phương pháp này giúp cho hệ thống tự xác định được hành vi cũng như đưa ra quyết định để đạt được lợi ích, hiệu quả cao nhất (maximising the performance)

2.3 Cấu tạo của một mạng neural nhân tạo

Mạng neural nhân tạo thường được cấu tạo từ từng những lớp neural và mỗi lớp sẽ thực hiện một công việc cụ thể Cấu tạo của một mạng neural nhân tạo bao gồm các thành phần cơ bản (Hình 2.2) sau:

Hình 2.2: Cấu tạo của một mạng neural cơ bản

Lớp đầu vào (input layer): Lớp này nhận dữ liệu đầu vào từ bên ngoài, cung cấp cho mạng các số liệu cần thiết Số lượng neural trong lớp nhập tương ứng với số lượng thông số đầu vào được cung cấp cho mạng và các thông số đầu vào này được giả thuyết ở dạng vector Sau đó chuyển tiếp đến các lớp ẩn

Các lớp ẩn (hidden layers): Là các lớp neural nằm giữa lớp đầu vào và lớp đầu ra Chứa các neural ẩn giúp kết nối giá trị đầu vào đến giá trị đầu ra Một mạng neural có thể có một hoặc nhiều lớp ẩn chịu trách nhiệm chính cho việc xử lý các neural của lớp nhập và đưa các thông tin đến neural của lớp xuất Các neural này thích ứng với việc phân loại và nhận diện mối liên hệ giữa thông số đầu vào và thông số đầu ra Các lớp ẩn thực hiện các tính toán và trích xuất đặc trưng từ dữ liệu đầu vào để tạo ra các giá trị đầu ra phù hợp với mục tiêu của mô hình

Lớp đầu ra (output layer): Chứa các neural đầu ra nhằm chuyển thông tin đầu ra của các tính toán từ mạng neural nhân tạo đến người dùng Một ANN có thể được xây dựng để có nhiều thông số đầu ra

Đối với mỗi neural các thành phần cơ bản sẽ bao gồm :

Hình 2.3: Các thành phần cơ bản của mỗi neural

Bảng 2.1: Các tham số huấn luyện mạng Các tham số

weights

Là các tham số trong mô hình được điều chỉnh trong quá trình huấn luyện để tối ưu hóa hiệu suất của mô hình

Wk = wquá khứ + lr * gradient (2.1) Trong đó :

W: trọng số mới lr: tốc độ học

gradient: đạo hàm của hàm mất mát (loss function) theo trọng số tương ứng

bias

Là một tham số được thêm vào để điều chỉnh giá trị đầu ra của mỗi neural

bk = lr * gradient (2.2)

Hàm kích hoạt

Hàm kích hoạt được áp dụng lên đầu ra của mỗi nút trong mạng nhằm định rõ đầu ra của nút đó dựa trên tổng trọng số đầu vào

- Hàm sigmoid:

Sigmoid: 𝑓(𝑥) = (2.3) Tanh𝑓(𝑥) = : (2.4)

- Hàm softmax (thường được sử dụng cho đầu ra của lớp phân loại):

Softmax: 𝑓(𝑥 ) =

∑ (2.5) với n là số lớp

2.4 Các cấu trúc mạng trong mạng neural nhân tạo

Trong mạng neural nhân tạo, có nhiều cấu trúc mạng khác nhau, tùy thuộc vào mục đích sử dụng và kiến trúc mạng phù hợp với dữ liệu và bài toán cần giải quyết Sau đây là một số cấu trúc mạng phổ biến:

2.4.1 Mạng neural hồi quy

Mạng neural hồi quy (Recurrent neural network - RNN) : Là mạng đơn giản nhất trong các kiến trúc mạng neural Tất cả các nút được kết nối với nhau và mọi nút vừa là đầu vào vừa là đầu ra Thông thường một tập hợp các mẫu được khởi tạo trên tất cả các nút cùng lúc và khi mỗi mẫu được khởi tạo, trọng số được sửa đổi

Mạng là một cấu trúc mạng phổ biến trong xử lý dữ liệu chuỗi, có khả năng xử lý đầu vào với bất kỳ độ dài nào, kích cỡ mô hình không tăng theo kích cỡ đầu vào, quá trình tính toán sử dụng các thông tin cũ, trọng số được chia sẻ trong suốt thời gian thực hiện Tuy nhiên, mạng tính toán chậm và khó để truy cập các thông tin từ một khoảng thời gian dài trước đây Chúng ta có thể hình dung một mô hình neural hồi quy cơ bản có cấu trúc như (Hình 2.4)

Hình 2.4: Mô hình mạng neural hồi quy cơ bản 2.4.2 Mạng neural truyền thẳng

Mạng neural truyền thẳng (feedforward neural network) là một cấu trúc mạng neural nhân tạo, trong đó các neural được kết nối theo các lớp (layers) liên tiếp nhau, các tín hiệu chỉ được truyền từ đầu vào (input) sang đầu ra (output) mà không có sự tương tác giữa các neural trong cùng một lớp hoặc giữa các lớp Đây là mô hình đơn giản nhất của mạng neural nhân tạo, được sử dụng rộng rãi trong các ứng dụng như nhận dạng hình ảnh, nhận dạng giọng nói, dự báo giá cổ phiếu, và nhiều ứng dụng khác Các lớp trong mạng neural truyền thẳng được chia thành 3 loại chính: lớp đầu vào (input layer), lớp ẩn