Dự báo ngắn hạn công suất phát điện mặt trời bằng mạng nơ-ron hồi quy LSTM

Lýdo chọn đềtài

- Tối ưu hóa lưu trữ năng lượng:Dự báo chính xác về công suất phát từ nhà máy ĐMTgiúpđưaraquyếtđịnhvềviệclưutrữnănglượngdưthừa(sửdụngpinlưu trữ hoặc hệ thống lưu trữ năng lượng khác…) một cách hợp lý để phát vào các khung thời gian hệ thống cần công suất như khi có các sụt giảm, biến động lớn mà các nguồn khác không đủ hoặc chưa kịp đápứng. Với sự tiến bộ của công nghệ trong thời gian qua, nhiều môhìnhhọcmáy,họcsâuhiệnđạiđãrađờivàđãchứngminhhiệuquảtronggiảiquyết các vấn đề thực tiễn như xử lý nguôn ngữ tự nhiên, xử lý hình ảnh, hệ thống khuyến nghị… Việc nghiên cứu các công nghệ này để phát triển các mô hình dự báo ngắn hạn côngsuấtcácnhàmáyĐMTđặcbiệtlàcácmôhìnhmạngnơ-ronhồiquylàmộthướng.

Những đóng góp mới của luậnán

- Xâydựngđượcquytrìnhhoànchỉnhvàcôngcụphầnmềmdựbáongắnhạncông suất nhà máy ĐMT sử dụng mạng nơ-ron hồi quy, tạo điều kiện thuận lợi cho người sử dụng có nhu cầu cho việc triển khai và sử dụng công nghệ dự báo trong thực tế cho các nhà máyĐMT.

Cấu trúc luậnán

Công suất phát đầu ra của nhà máyĐMTvà các yếu tố ảnhhưởng 1. Công suất phát đầu ra của nhà máyĐMT

Để đánh giá độ suy giảm của điện áp, dòng điện hay công suất phátđầu ratheođộtăngnhiệtđộ,ngườitasửdụnghệsốnhiệtđộ.Cácdatasheetcủacáctấmpinđều được nhà sản xuất cung cấp hệ số nhiệt độ (TC) cho điện áp mạch mở VOCtrongđiềukiệnthínghiệmtiêuchuẩn(STC–. StandardTestCondition),dòngđiệnmạchngắnISCtrong STC và giá trị công suất tối đa (MPP – Maximum Power Point) trongSTC. (Nguồn:“Vietnam, a System in Rapid Transition” - ESIG Spring Technical Workshop[3]) Mộtvấnđềđángchúýtrongvậnhànhlàvấnđềnghẽnmạch,hiệntạidosựphân bố không cân đối của phụ tải và nguồn năng lượng tái tạo, trong các thời điểm đặc biệt là khung giờ giữa trưa, hệ thống gặp phải vấn đề nghẽn mạch đối với một số nhóm nhà máy đấu nối vào các đường dây 220/110kV có khả năng truyền tải bị hạn chế.

Các phương pháp dự báo ngắn hạn công suất nhà máyĐMT

Do vậy, nếu phải tính sai phân một chuỗi thời gian d lần để làm cho nó có tính dừng và sau đó áp dụng mô hình ARMA(p, q), ta nói rằng chuỗi thời gian ban đầu là ARIMA(p, d, q), tức là nó là một chuỗi thời gian trung bình trượt kết hợp tự hồi quy, vớipbiểuthịsốcácsốhạngtựhồiquy,dbiểuthịsốlầnchuỗithờigianphảiđượctính sai phân cho tới khi có tính dừng, và q là số các số hạng trung bìnhtrượt. Mạng nơ-ron được lấy cảm hứng từ hiểu biết của chúng ta về sinh học của bộ não - tất cả các kếtnốigiữacácnơ-ronđó.Tuynhiên,khácvớibộnãosinhhọc,trongđóbấtkỳnơ-ron nào cũng có thể kết nối với bất kỳ nơ-ron khác trong một khoảng cách vật lý nhất định, cácmạngnơ- ronnhântạonàyđượccấutrúcthànhcáclớp,kếtnốivàhướngdẫndữliệu riêngbiệt.Mạngnơ- ronchínhlànềntảngchocácmôhìnhHọcsâu(DeepLearning–. DL) phức tạp hiện nay a.

Tình hình nghiêncứu

Mô hình LSTM mà nhóm tác giả đề xuất được cải tiến nâng cấp so mới mô hình đã công bố tại nghiên cứu [66] có sai số dự báo tốt nhấttrongcácmôhìnhsosánhvớigiátrịchuẩnhóaMAPEđạtđượclà3,5%vànRMSE là 6,5% cho dự báo 1 bước tới, MAPE 4,25% và nRMSE 7,0% cho dự báo 2 bước tới, MAPE 6,9% và nRMSE 10,2% cho dự báo 4 bướctới. TrongnghiêncứucủanhómtácgiảNguyễnThịHoàiThuvàcộngsựcôngbốnăm 2022 [78], các tác giả đã thực nghiệm với bộ số liệu trong vòng 6 thángtừ1/2022đến6/2022củacáchệthốngĐMTmáinhàtạikhuvựcBảoHà,LâmĐồng, củaViệtNam.KếtquảđạtđượclàmôhìnhđềxuấtcủanhómtácgiảdựatrênmạngLSTMc óRMSEđạt2,641MWvàMAEđạt1,896MW,tínhchocảngày24giờ.Mặcdùnhómtác giả không công bố chính xác giá trị công suất đặt của bộ số liệu tuy nhiênq u a biểuđồhìnhvẽcóthểxácđịnhtươngđốigiátrịnàykhoảng60MW.Sauk hichuẩnhóatươngđốiđểsosánhchokhungcónắngtừ5- 18h(13giờ),giátrịchuẩnhóaMAPElà4,8%vànRMSElà9,046%.Nhưvậygiátrịướctính nRMSElà8,127%vàMAPElà5,834%.Lưuýrằng,đâylànghiêncứudànhchodựbáoĐ MTmáinhàtrênmộtkhuvựcđịalýrộngvàdữliệucôngsuấttổngsẽcótínhchấtcủahiệuứng“smoothi ngeffect”.

Tiền xử lý sốliệu

Với kết quả này, có thể nhận thấy rằng đối với công suất đầu ra của nhà máy ĐMT và GHI có một mối tương quan dương mạnh(r. =0,982249),nhiệtđộvàđộẩmtươngquanmạnhmặcdùđộẩmcótươngquanâm.Tốc độ gió có mối tương quan dương nhưng ở mức thấp (r =0,379356). Ứng dụng cụ thể cho bộ dữ liệu đang xem xét, trong mỗi giờ trong một ngày,dữ liệunhưcôngsuất,cómộtphạmvibiếnthiênnhấtđịnh.Phạmvibiếnthiênchomỗigiờ có thể được mô tả như trongHình 2.5, sau quá trình áp dụng thuật toán IQR, các điểm ngoại lai được loại bỏ và dữ liệu được biểu diễn nhưHình2.6.

Kỹ thuật tiền xử lý số liệu với hệ số P/GHI kết hợp với phân cụmGHI 1. Đặt vấn đề

Nguyên nhân chính đến từ việc nhà máy được kết nối vào một khu vực lưới gồm nhiều nhà máy điện mặt trời và gió khác, mà tổng công suất của những nhà máy này ở trạng thái công suất tối đa lớn hơn công suất vận hành cho phép của đường truyền tải điện, vì vậy các nhà máy trong khu vực thường phải giảm công suất trong các giờ giữa trưa. Để thấy rừ hiệu quả của việc tiền xử lý dữ liệu theo phương ỏn đề xuất, luận ỏn đãtiếnhànhsửdụngmôhìnhLSTM-4L100N(đãthuđượctừChương2)đểhuấnluyện và dự báo cho hai bộ dữ liệu trước và sau xử lý.Bảng 3.1trình bày kết quả sai số dự báo trên tập dữ liệu kiểm tra với bộ dữ liệu huấn luyện trước và sau khi xử lý với kỹ thuậtP/GHIkếthợpphâncụmGHI.Quađócóthểthấy,ápdụngkỹthuậtxửlýđềxuất giúp giảm MAPE từ 6,413% xuống còn 4,109 % với mức cải thiện36,2%.

Kỹ thuật huấn luyện sử dụng số liệu khí tượng dự báo trong quátrình huấn luyện và dựbáo

Tuy nhiên, để có được giải pháp khả thi giúp áp dụng mô hình tính toán công suấtđầuratrongthựctếvớikếtquảtốt,nghiêncứusinhvànhómnghiêncứuđãđềxuất và công bố một giải pháp với ý tưởng chính là mô hình học cũng từ dữ liệu dự báo khí tượngtrongquákhứ,đểvớicùngnguồndữliệudựbáo,trongtươnglaimôhìnhcókhả năng cải thiện độ chính xác củamình. Các mô hình 7I+1F, 7I +2F, 7I+3F, 7I+4F là các mô hình được thêm các đầu vào là số liệu khí tượng dự báo trong quákhứđểcùnghuấnluyện.Từbảngsốliệutạimục(a)củaBảng3.3cóthểnhậnthấy, khi thêm các đầu vào là số liệu khí tượng dự báo, sai số mô hình đạt được trên tập dữ liệu kiểm tra tăng lên so với mô hình chỉ gồm các đầu vào khí tượng quá khứ thựcđo.

Kỹ thuật sử dụng dữ liệu bức xạ trời trong thay thế cho các đầu vàochỉ số thờigian

Trongđiềukiệnnhàmáyđiệnđượcpháttoànbộcôngsuấtthìcôngsuấtphátphụ thuộc vào khả năng của hệ thống điện mặt trời, tức là phụ thuộc vào GHI (bức xạ toàn phần,tínhbằngđơnvịW/m2)vàmộtsốđiềukiệnthờitiếtkhác.Tuynhiên,khinhàmáy điện mặt trời bị giới hạn công suất hay sự cố thì xảy ra hiện tượng tập dữ liệu thu được có nhiều điểm dữ liệu không đáng tin cậy như có giá trị P (công suất phát, MW) khi GHI bằng 0, hoặc tỷ lệ giữa GHI và P là bất thường, GHI lớn nhưng công suất phát P lại nhỏ, không tươngxứng. - Đã thu thập thông tin và tổng hợp hệ thống hóa lại các kiến thức liên quan đến lĩnh vực dự báo công suất phát của ĐMT trên toàn diện các khía cạnh gồm: dữ liệu đầuvào,khungdựbáo,tiêuchíđánhgiáchấtlượng,cácphươngphápdựbáo.Quaviệc tổng hợp, phân tích, đánh giá các nghiên cứu trong và ngoài nước đã công bố liên quan đến dự báo công suất nhà máy ĐMT sử dụng mạng LSTM trong 5 năm trở lại đây đã củng cố lựa chọn về hướng đi sâu nghiên cứu mô hình dự báo ngắn hạn công suất phát của nhà máy ĐMT sử dụng mạng nơ-ron hồi quy LSTM.

HƯỚNG NGHIÊN CỨU TIẾPTHEO

[1] L.D.Bui,N.Q.Nguyen,B.VanDoan,andE.R.Sanseverino,“Forecasting energy output of a solar power plant in curtailment condition based on LSTM using P/GHI coefficient and validation in training process, a case study in Vietnam,”Electric Power Systems. Di Cara, andQ.D.Nguyen,“Anewmethodforforecastingenergyoutputofalarge- scale solar power plant based on long short-term memory networks a case study in Vietnam,”Electric Power Systems Research, vol.