Ứng dụng mạng nơ ron nhân tạo trong dự báo công suất phát tại nhà máy điện mặt trời krông pa, gia lai

NGUYỄN TIẾN HOÀNG ĐẠI HỌC ĐÀ NẴNG TRƢỜNG ĐẠI HỌC BÁCH KHOA - NGUYỄN TIẾN HOÀNG ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO CÔNG SUẤT PHÁT TẠI KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA C C NHÀ MÁY ĐIỆN MẶT TRỜI KRÔNG PA, GIA LAI R L T LUẬN VĂN THẠC SĨ KỸ THUẬT U D Kỹ thuật điều khiển tự động hóa KHỐ: K37.TĐH.KT Đà Nẵng – Năm 2020 ĐẠI HỌC ĐÀ NẴNG TRƢỜNG ĐẠI HỌC BÁCH KHOA - NGUYỄN TIẾN HOÀNG ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO CÔNG SUẤT PHÁT TẠI NHÀ MÁY ĐIỆN MẶT TRỜI KRÔNG PA, GIA LAI C C R L : Kỹ thuật điều khiển tự động hóa Chuyên ngành T Mã số : 8522016 U D LUẬN VĂN THẠC SĨ KỸ THUẬT NGƢỜI HƢỚNG DẪN KHOA HỌC TS Phan Văn Hiền Đà Nẵng–Năm 2020 LỜI CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu riêng dƣới hƣớng dẫn Tiến sĩ Phan Văn Hiền – Giảng viên môn Tự động hóa, khoa Điện, Trƣờng Đại học Bách khoa Đà Nẵng Các số liệu, kết nêu luận văn trung thực sản phẩm riêng cá nhân, không chép ngƣời khác Nội dung luận văn có tham khảo sử dụng số thông tin, tài liệu từ nguồn sách, tạp chí đƣợc liệt kê danh mục tài liệu tham khảo Tác giả luận văn C C R L U D T Nguyễn Tiến Hoàng MỤC LỤC LỜI CAM ĐOAN MỤC LỤC TÓM TẮT DANH MỤC CÁC TỪ VIẾT TẮT DANH MỤC CÁC HÌNH DANH MỤC CÁC BẢNG MỞ ĐẦU 1 LÝ DO CHỌN ĐỀ TÀI MỤC TIÊU NGHIÊN CỨU ĐỐI TƢỢNG VÀ PHẠM VI NGHIÊN CỨU PHƢƠNG PHÁP NGHIÊN CỨU Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN CỦA ĐỀ TÀI CẤU TRÚC CỦA LUẬN VĂN C C R L T U D Chƣơng 1- TỔNG QUAN VỀ NĂNG LƢỢNG BỨC XẠ MẶT TRỜI VÀ CÁC ỨNG DỤNG 1.1 Giới thiệu lƣợng xạ mặt trời: 1.1.1 Cấu trúc mặt trời 1.1.2 Năng lƣợng xạ mặt trời 1.2 Ứng dụng lƣợng xạ mặt trời 1.2.1 Các ứng dụng lƣợng xạ mặt trời 1.2.2 Ứng dụng quang điện mặt trời 10 1.3 Tiềm xạ mặt trời khu vực tỉnh Gia Lai 13 1.4 Tổng quan nhà máy điện mặt trời huyện Krông Pa, Gia Lai 14 1.4.1 Vị trí xây dựng dự án 14 1.4.2 Đặc điểm khí hậu 15 1.4.3 Đặc điểm thủy văn 16 1.4.4 Tiềm xạ mặt trời huyện Krông Pa, Gia Lai 17 1.4.5 Phƣơng án công nghệ nhà máy điện mặt trời Krông Pa, Gia Lai 17 1.5 Kết luận chƣơng 21 Chƣơng - TỔNG QUAN CÁC PHƢƠNG PHÁP DỰ BÁO NĂNG LƢỢNG BỨC XẠ MẶT TRỜI 22 2.1 Các mơ hình dự báo 22 2.2.1 Mơ hình vật lý khí 22 2.2.2 Mô hình thống kê theo chuỗi thời gian 22 2.2 Tổng quan công trình sử dụng hệ thống ANN dự báo lƣợng xạ mặt trời công bố 24 2.3 Kết luận chƣơng 27 Chƣơng - XÂY DỰNG MƠ HÌNH MẠNG NƠRON NHÂN TẠO DỰ BÁO NĂNG LƢỢNG BỨC XẠ MẶT TRỜI 28 3.1 Lý thuyết mạng nơron nhân tạo 28 3.1.1 Giới thiệu 28 C C 3.1.2 Mạng nơron nhân tạo 29 3.1.3 Các loại mạng nơron nhân tạo thƣờng gặp 30 R L 3.1.4 Các phƣơng pháp huấn luyện mạng nơron nhân tạo 31 T 3.1.5 Thuật toán huấn luyện lan truyền ngƣợc 34 3.1.6 Thuật toán Levenberg — Marquardt 35 U D 3.1.7 Vấn đề ―quá khớp‖ (overfitting) 36 3.2 Xây dựng mô hình mạng ANN dự báo xạ mặt trời nhà máy điện mặt trời Krông Pa, Gia Lai 36 3.2.1 Xác định liệu cho mơ hình ANN 36 3.3 Lựa chọn cấu trúc mạng nơ ron nhân tạo dự báo xạ mặt trời nhà máy điện mặt trời Krông Pa, Gia Lai 38 3.3.1 Thuật toán huấn luyện mạng 39 3.3.2 Chỉ tiêu đánh giá 39 3.3.3 Xây dựng chƣơng trình lựa chọn mơ hình ANN tối ƣu 40 3.4 Kết luận chƣơng 44 Chƣơng - MÔ PHỎNG VÀ KẾT QUẢ 45 4.1 Thực nghiệm lựa chọn mơ hình 45 4.2 Kết thực nghiệm 49 4.3 Kết luận chƣơng 53 KẾT LUẬN VÀ KIẾN NGHỊ 54 KẾT QUẢ ĐẠT ĐƢỢC 54 KIẾN NGHỊ VÀ HƢỚNG PHÁT TRIỂN CỦA ĐỀ TÀI 54 DANH MỤC TÀI LIỆU THAM KHẢO 55 C C R L U D T TÓM TẮT ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO CÔNG SUẤT PHÁT TẠI NHÀ MÁY ĐIỆN MẶT TRỜI KRÔNG PA, GIA LAI Học viên: Nguyễn Tiến Hoàng Chuyên ngành: Kỹ thuật Điều khiển Tự động hóa Mã số: Khóa: K37.TĐH.KT Trƣờng Đại học Bách khoa - ĐHĐN Tóm tắt – Lƣợng điện tiêu thụ tăng đáng kể thập kỷ gần Năng lƣợng truyền thống, chẳng hạn nhƣ dầu, than hạt nhân có tác động tiêu cực đến mơi trƣờng Vì lý này, nhà nghiên cứu chuyển hƣớng sang nguồn tái tạo nhƣ lƣợng mặt trời, gió biển Năng lƣợng tái tạo có đặc điểm nguồn lƣợng bền vững Sản lƣợng lƣợng mặt trời tăng đáng kể năm qua Tuy nhiên, điện đƣợc sản xuất hệ thống quang điện không ổn định, gây ảnh hƣởng đến độ tin cậy cung cấp điện Bởi lƣợng xạ mặt trời phụ thuộc vào vị trí, điều kiện thời tiết nhƣ nhiệt độ, độ ẩm, ánh nắng mặt trời đặc biệt cấu trúc đám mây chu kỳ ngày/đêm Đề tài nghiên cứu tính khả thi việc xây dựng mơ hình mạng nơron nhân tạo (ANN) để dự báo cơng suất phát Vị trí nghiên cứu nhà máy điện mặt trời Krơng Pa, Gia Lai Mơ hình ANN đƣợc lựa chọn để nghiên cứu mạng nơron truyền thẳng lớp đƣợc huấn luyện thuật toán Levenberg-Marquardt (LM) Các tham số đầu vào huấn luyện mạng số phát ngày, nhiệt độ pin khí tƣợng đƣợc thu thập nơi thực Từ khóa – Bức xạ mặt trời, mơ hình dự báo, Năng lƣợng mặt trời, mạng nơron nhân tạo, MAPE APPLICATION ARTIFICIAL NEURAL NETWORK FORECASR GENERATION POWER AT KRONG PA, GIA LAI SOLAR POWER PLANT Abstract - Electricity consumption has significantly increased in recent decades Traditional energy, such as fossil fuel or nuclear power has negative impacts on the environment For these reasons, researchers have turned to renewable sources such as solar, wind and marine energy Renewable energy is characterized as clean and sustainable one Solar energy production has dramatically increased over the years However, electricity produced by the photovoltaic system is unstable, affecting the reliability of the power providing That is because solar radiation hight depends on location, weather conditions such as temperature, humidity, sunshine especially cloud structure and day/night cycles This topic explores the feasibility of constructing an artificial neural network (ANN) model for predicting solar radiation The research location is Krong Pa, Gia Lai solar power plant The ANN model selected for study was a 3-layer feedforward neural network trained with the LevenbergMarquardt (LM) algorithm The network inputs number of hours played per day, temperature pv and meteorological parameters collected at the place of implementation Key words - Solar irradiance, forecast models, Artificial Neural Network, Solar Radiation, Mean Absolute Percentage Error C C R L U D T DANH MỤC CÁC TỪ VIẾT TẮT ANN Mạng nơron nhân tạo (Artificial Neural Network) FL Logic mờ (Fuzzy Logics) LM Thuật tốn Levenberg-Marquardt MAE Sai số tuyệt đối trung bình (Mean Absolute Error) MAPE Sai số phần trăm tuyệt đối trung bình (Mean Absolute Percentage Error) ME Sai số trung bình (Mean Error) NLMT Năng lƣợng mặt trời NWP Mơ hình dự báo số trị (Numerical Weather Prediction) PV Quang điện (PhotoVoltaic) r Hệ số tƣơng quan (Correlation coefficient) RMSE Sai số bình phƣơng trung bình quân phƣơng (Root mean square Error) STC Điều kiện thử nghiệm tiêu chuẩn (Standard Test Conditions) C C R L U D T DANH MỤC CÁC HÌNH Hình 1 Cấu trúc mặt trời Hình Dải xạ điện từ Hình Quá trình truyền NLBXMT qua lớp khí trái đất Hình Tấm pin mặt trời Hình Bếp nấu lượng mặt trời Hình Hệ thống cung cấp nước nóng dùng lượng mặt trời Hình Thiết bị chưng cất nước dùng lượng mặt trời Hình Động stirling dùng lượng mặ trời Hình Hiệu ứng quang điện 11 Hình 10 Sơ đồ minh họa nguyên lí hoạt động pin mặt trời 11 Hình 11 Sơ đồ mơ hình nhà máy điện mặt trời PV nối lưới 12 Hình 12 Bản đồ tiềm xạ mặt trời Việt Nam [4] 14 Hình 13 Vị trí dự án nhà máy điện mặt trời đồ vệ tinh 15 Hình 14 Bức xạ ngang toàn phần hàng tháng (GHI) 17 Hình 15 Dải xạ điện từ 47 Hình 16 Q trình truyền NLBXMT qua lớp khí trái đất 50 Hình Mơ hình nơ ron sinh học 28 Hình Mơ hình nơron đơn giản 29 Hình 3 Cấu trúc huấn luyện mạng nơron 30 Hình Mạng nơron truyền thẳng lớp 30 Hình Mạng nơron truyền thẳng nhiều lớp 31 Hình Mạng nơron hồi quy lớp 31 Hình Mạng nơron hồi quy nhiều lớp 31 Hình Học có giám sát 32 Hình Học củng cố 33 Hình 10 Học khơng có giám sát 33 Hình 11 Sơ đồ tổng quát huấn luyện tế bào nơron nhân tạo 34 Hình 12 Cấu trúc ANN lớp tổng quát 38 Hình 13 Sơ đồ xây dựng mơ hình ANN dự báo lượng mặt trời 41 Hình 14 Cấu trúc mơ hình ANN dự báo lượng Matlab 42 Hình Thuật tốn chọn mơ hình ANN 45 Hình Quá trình huấn luyện ANN 46 Hình Đồ thị hàm mục tiêu 47 Hình 4 Đồ thị tiêu chí đánh giá huấn luyện mạng 49 Hình Kết dự báo cho 30 ngày sai lệch dự báo (MAPE valid min) 51 Hình Kết dự báo cho 30 ngày sai lệch dự báo (MAPE verify min) 53 C C R L U D T DANH MỤC CÁC BẢNG Bảng 1 Số liệu xạ mặt trời VN 13 Bảng Bảng nhiệt độ trung bình tháng (từ năm 1980-:-2015) 16 Bảng Số nắng trung bình (từ năm 1980-:-2015) 16 Bảng Bảng độ ẩm trung bình (từ năm 1980-:-2015) 16 Bảng Bảng tốc độ gió trung bình (từ năm 1980-:-2015) 16 Bảng Bảng lượng mưa trung bình (từ năm 1980-:-2015) 16 Bảng Các thông số Inverter 18 Bảng Sản lượng điện nhà máy 20 Bảng Các tham số mơ đầu vào mơ hình ANN độ xác [25] 26 C C Bảng Một số thuật toán tối ưu 35 Bảng Dữ liệu đầu vào 42 Bảng Kết tính tốn tiêu đánh giá mơ hình 50 R L U D T 54 KẾT LUẬN VÀ KIẾN NGHỊ KẾT QUẢ ĐẠT ĐƢỢC Luận văn trình bày đƣợc ứng dụng lƣợng mặt trời, xu phát triển điện mặt trời, kiến thức ANN số thuật toán đƣợc sử dụng để xây dựng mơ hình ANN Qua tập trung sâu vào nghiên cứu cấu trúc thuật toán huấn luyện ANN đƣợc sử dụng trực tiếp luận văn: mạng nơron truyền thẳng lớp thuật toán LM Nghiên cứu sử dụng liệu thời tiết thông dụng nhƣ nhiệt độ, độ ẩm, … để huấn luyện mạng Tập trung vào xây dựng mơ hình với toàn liệu thời tiết thu thập đƣợc Xây dựng đƣợc chƣơng trình lựa chọn mơ hình ANN tối ƣu cho công tác dự báo lƣợng mặt trời với tiêu MAPE < 10% Xác định đƣợc cấu trúc cho ANN với trọng số ngƣỡng cho cấu trúc Đồng thời tính tốn đƣợc tiêu chí liên quan khác nhƣ MAE, RMSE, hệ số tƣơng quan r dùng để đánh giá chất lƣợng mơ hình C C R L Xây dựng đƣợc chƣơng trình m-file để dự báo xạ mặt trời đƣợc cung cấp số liệu thời tiết theo mẫu T Các mơ hình xây dựng đƣợc ứng dụng vào thực tế để dự báo lƣợng mặt trời cho nhà máy điện mặt trời Krông Pa, tỉnh Gia lai U D KIẾN NGHỊ VÀ HƢỚNG PHÁT TRIỂN CỦA ĐỀ TÀI + Hạn chế đề tài luận văn: Số liệu thu thập để huấn luyện mạng (số mẫu) cịn nhà máy đƣa vào sử dụng có đƣợc số liệu nhiều năm kết dự báo thuyết phục Số thơng tin liệu vào cịn (4 loại nhƣ trình bày trên) + Hƣớng phát triển đề tài: Tăng số mẫu huấn luyện số thông tin liệu đo đếm Xây dựng mơ hình dự báo lƣợng mặt trời tích hợp hệ mờ ANN 55 DANH MỤC TÀI LIỆU THAM KHẢO [1] Hoàng Dƣơng Hùng, "Năng lƣợng mặt trời - Lý thuyết ứng dụng", Nhà xuất Khoa học Kỹ thuật, 2007 [2] Antonio Luque, Steven Hegedus, "Handbook of Photovoltaic Science and Engineering", Great Britain, (2003), p 1-45, ISBN 0-471-49196-9 [3] Peter Wurfel, "Physis of Solar cell from Principles to New concepts", Wiley 2005, 109 -172 [4] "Maps of solar resource and potential in Viet Nam" Ministry of industry and trade of the socialist republic of VietNam [5] Công ty TNHH MTV Tƣ vấn phát triển lƣợng Gia Lai, "Báo cáo nghiên cứu khả thi đầu tƣ xây dựng dự án Nhà máy điện mặt Krông Pa", 2017 [6] Hadja Maimouna Diagne, Philippe Lauret, Mathieu David, "Solar irradiation forecasting: state-of-the-art and proposition for future developments for small- scale insular grids" Denver, United States, May 2012 C C [7] Hadja Maimouna Diagne, Philippe Lauret, Mathieu David, "Solar irradiation forecasting: state-of-the-art and proposition for future developments for small- scale insular grids" Denver, United States, May 2012 R L T [8]Trần Huy Minh, Trần Huy Dƣơng, Vũ Đức Thi, "Một số vấn đề dự báo liệu chuỗi thời gian" Kỷ yếu Hội nghị Quốc gia lần thứ VIII Nghiên cứu ứng dụng Công nghệ thông tin (FAIR), Hà Nội, 9-10/7/2015, pp 467-470 U D [9] B M Alluhaidah, S H Shehadeh, and M E El-Hawary, "Most Influential Variables for Solar Radiation Forecasting Using Artificial Neural Networks" Hội thảo IEEE Electrical Power & Energy 2014 (EPEC) [10] KorachagaonIranna, Bapat VN, "Generalized site independent models for estimating global solar radiation for Asia & Africa" International Journal of Emerging Technologies and Applications in Engineering, Technology and Science, IJ-ETA-ETS, 2009, 2(2):250-256 [11] Mohandes M, Rehman S, Halawani TO, "Estimation of global solar radiation using artificial neural networks" Renew Energy, 1998, 14(1-4):179-84 [12] Al-Alawi SM, Al-Hinai HA "An ANN based approach for predicting global radiationin locations with no direct measurement instrumentation" Renew Energy 1998, 14(1-4):199-204 [13] Rehman S, Mohandes M "Estimation of diffuse fraction of global solar radiation using artificial neural networks" Energy Sources 2009, 31:974-84 [14] A Mellit, and A M Pavan, "A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected PV plant at Trieste, Italy" Solar Energy, vol 84, May 2010, pp 807-821 56 [15] Fangping Deng, Gaoli Su, Chuang Liu, and Zhengxing Wang, "Global solar radiation modeling using the artificial neural network technique" In Asia-Pacific Power and Energy Eng Conf (APPEEC), 2010, pp 1-5 [16] Z Wang, F Wang, and S Su, "Solar Irradiance Short-Term Prediction Model Based on BP Neural Network" Energy Procedia, vol 12, pp 2011,pp 488-494 [17] A Karoro, T Ssenyonga, and J Mubiru "Predicting Global Solar Radiation Using an Artificial Neural Network Single-Parameter Model" Advances in Artificial Neural Syst., vol 2011, 2011, pp 1-7 [18] K D Rao, B I Ra ni, and G S Ilango "Estimation of daily global solar radiation using temperature, relative humidity and seasons with ANN for indian stations" In Int Conf on Power, Signals, Controls and Computation (EPSCICON), 2012, pp 1-6 [19] M Alharbi, "Daily Global Solar Radiation Forecasting Using ANN and Extreme Learning Machine: A Case Study in Saudi Arabia" M.S thesis, Elect and Computer Eng., Dalhousie Univ., Halifax, NS, 2013" C C [ 20] Khatib T, Mohamed A, Sopian K, Mahmoud M "Solar energy prediction for Malaysia using artificial neural networks" Int J Photoenergy 2012, 1-16 R L [ 21] Alam S, Kaushik S C, Garg S N "Computation of beam solar radiation at normal incidence using artificial neural network" Renew Energy 2006, 31:1483-91 T [ 22] Mubiru J, Banda EJKB, "Estimation of monthly average daily global solar irradiation using artificial neural networks" Sol Energy 2008, 82:181-187 U D [ 23] J Y, "Computation of monthly mean daily global solar radiation in China using artificial neural networks and comparison with other empirical models" Energy 2009, 34:1276-83 [ 24] F DA, "Modeling of solar energy potential in Nigeria using an anrtificial neural network model" Appl Energy 2009, 86:1410-22 [ 25] S Shanmuga Priya, Mohammad Hashif Iqbal, "Solar Radiation Prediction using Artificial Neural Network" Computer Applications (0975 - 8887) Volume 116 No 16, April 2015 [26] Sfetsos, A., & Coonick, A, "Univariate and Multivariate forecasting of hourly solar radiation with artificial intelligence techniques" Solar Energy, 68, 2011, pp 169178 [27] Nguyễn Nhƣ Hiền, Lại Khắc Lãi, "Hệ mờ nơ ron kỹ thuật điều khiển", Nhà xuất Khoa Học Tự Nhiên, 2007 [28] Lê Hải Khôi, Trần Đức Minh, ―Về phƣơng pháp dự báo liệu chuỗi thời gian‖ Tạp chí Tin học Điều khiển, tập T.20, số S2, 2004, trang 111-120 xạ [29] Ngơ Hồng Hân ―Xây dựng mơ hình nơron nhân tạo dự báo lƣợng mặt trời nhà máy điện mặt trời Mộ Đức, Quảng Ngãi C C R L U D T C C R L U D T C C R L U D T C C R L U D T C C R L U D T C C R L U D T C C R L U D T C C R L U D T C C R L U D T C C R L U D T C C R L U D T C C R L U D T ... HƢỚNG PHÁT TRIỂN CỦA ĐỀ TÀI 54 DANH MỤC TÀI LIỆU THAM KHẢO 55 C C R L U D T TÓM TẮT ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO CÔNG SUẤT PHÁT TẠI NHÀ MÁY ĐIỆN MẶT TRỜI KRÔNG PA, GIA LAI. .. hình mạng n? ?ron nhân tạo (ANN) để dự báo công suất phát Nhà máy điện mặt trời Địa điểm đƣợc chọn để nghiên cứu nhà máy điện mặt trời Krông Pa, Gia Lai Mô hình ANN đƣợc lựa chọn để nghiên cứu mạng. .. kiểm chứng phát triển phƣơng pháp dự báo cƣờng độ lƣợng xạ mặt trời, từ dự báo cơng suất phát nhà máy điện mặt trời huyện KrôngPa, Gia Lai dựa vào thơng số địa lý, khí tƣợng mạng n? ?ron nhân tạo