CHƯƠNG 1. TỔNG QUAN VỀ NHÀ MÁY ĐIỆN GIÓ TUY PHONG TỈNH BÌNH THUẬN
1.3. Phân tích các số liệu dùng cho dự báo
Các số liệu vận tốc gió, điện áp lưới, tần số lưới được thu thập tự động từ 20 cột gió hiện tại (mỗi vị trí đo cho mỗi tuabin gió), cứ 30 phút ta thu thập số liệu một lần.
Để xây dựng mô hình dự báo vận tốc gió cho nhà máy điện gió Tuy Phong, vận tốc gió đo được trong năm 2016 được sử dụng. Số liệu thu thập được tại một cột gió được (ví dụ tại cột 15) vẽ trên Hình 1.7.
Hình 1.7: Vận tốc gió thu thập năm 2016
Qua quan sát và phân tích ta thấy rằng đối với các số liệu thu thập trong thực tế nói chung, đặc biệt là vận tốc gió có một số số liệu có giá trị rất lớn (ghi chú trên Hình 1.7 và phóng to lên như trên Hình 1.8) không có trong thực tế, thường là do các lỗi về đo đếm và lưu trữ số liệu. Ngoài ra, khi đo đếm thu thập số liệu, một số số liệu bị mất (missing data) như trên Hình 1.9.
0 2000 4000 6000 8000 10000 12000 14000 16000
0 20 40 60 80 100
Thoi gian (buoc thoi gian 30 phut)
Van toc (m/s)
Số liệu lỗi
Hình 1.8: Số liệu bị sai (quá lớn)
Hình 1.9: Số liệu bị mất (missing data)
Một yếu tố rất quan trọng cần quan tâm nữa đó là các tuabin được đặt gần nhau nên vận tốc gió tại các điểm đo của các tuabin có quan hệ tương quan với nhau. Quan hệ tương quan nói lên mối quan hệ phụ thuộc giữa các đại lượng với nhau. Hai đại lượng X và Y có quan hệ tương quan với nhau nếu sự biến đổi của đại lượng này có liên hệ với sự biến đổi của đại lượng kia và ngược lại.
Mức độ tương quan giữa hai đại lượng (biến) X và Y có thể biểu diễn bằng hệ số tương quan [1,2]:
𝑟(𝑋, 𝑌) = ∑ (𝑥𝑛1 𝑖− 𝑥̅)(𝑦𝑖 − 𝑦̅)
√∑ (𝑥𝑛1 𝑖 − 𝑥̅)2∑ (𝑦𝑛1 𝑖− 𝑦̅)2 Trong đó:
𝑟(𝑋, 𝑌): hệ số tương quan giữa biến X và Y;
𝑥𝑖, 𝑦𝑖: giá trị thu thập được lần lược của biến X và Y (i=1÷n);
𝑥̅, 𝑦̅: giá trị trung bình lần lược của biến X và Y.
1.26 1.28 1.3 1.32 1.34 1.36
x 104 0
20 40 60 80
Thoi gian (buoc thoi gian 30 phut)
Van toc (m/s) Số liệu lỗi
1950 1960 1970 1980 1990 2000 2010 2020
0 5 10 15
Thoi gian (buoc thoi gian 30 phut)
Van toc (m/s)
Missing data
quan có giá trị dương khi các đại lượng quan hệ đồng biến, ngược lại gọi là quan hệ nghịch biến. Hệ số tương quan bằng không khi hai đại lượng không có liên hệ với nhau.
Bảng 1.4 biểu diễn quan hệ tương quan giữa vận tốc gió tại các cột đo gió của nhà máy. Hình 1.10 và 1.11 vẽ cho hai trường hợp ví dụ là quan hệ giữa vận tốc gió đo tại cột 10 và 20, và đo tại cột 17 và 18. Qua số liệu ta thấy rằng, vận tốc gió tại các cột gió quan hệ tương quan đồng biến rất mạnh.
Bảng 1.4: Hệ số tương quan giữa vận tốc gió tại các cột đo gió
r 1 2 3 4 5 6 7 8 9 10
1 1.00 0.92 0.91 0.90 0.88 0.88 0.88 0.89 0.90 0.90 2 0.92 1.00 0.93 0.92 0.90 0.90 0.88 0.89 0.90 0.91 3 0.91 0.93 1.00 0.93 0.91 0.91 0.88 0.89 0.90 0.90 4 0.90 0.92 0.93 1.00 0.91 0.92 0.87 0.88 0.89 0.90 5 0.88 0.90 0.91 0.91 1.00 0.93 0.85 0.86 0.87 0.88 6 0.88 0.90 0.91 0.92 0.93 1.00 0.85 0.87 0.88 0.88 7 0.88 0.88 0.88 0.87 0.85 0.85 1.00 0.91 0.91 0.90 8 0.89 0.89 0.89 0.88 0.86 0.87 0.91 1.00 0.92 0.91 9 0.90 0.90 0.90 0.89 0.87 0.88 0.91 0.92 1.00 0.92 10 0.90 0.91 0.90 0.90 0.88 0.88 0.90 0.91 0.92 1.00 11 0.91 0.91 0.91 0.90 0.89 0.89 0.89 0.90 0.91 0.92 12 0.89 0.90 0.91 0.90 0.89 0.89 0.88 0.89 0.90 0.90 13 0.90 0.91 0.91 0.91 0.90 0.90 0.88 0.89 0.90 0.90 14 0.89 0.90 0.91 0.91 0.90 0.90 0.86 0.88 0.89 0.90 15 0.88 0.90 0.90 0.91 0.90 0.91 0.86 0.87 0.88 0.89 16 0.85 0.85 0.85 0.84 0.83 0.83 0.89 0.88 0.87 0.87 17 0.85 0.86 0.86 0.85 0.84 0.84 0.89 0.89 0.88 0.88 18 0.86 0.86 0.86 0.86 0.84 0.84 0.90 0.89 0.89 0.89 19 0.87 0.87 0.87 0.86 0.85 0.85 0.90 0.90 0.90 0.89 20 0.87 0.87 0.87 0.86 0.85 0.85 0.89 0.90 0.90 0.90
1 0.91 0.89 0.90 0.89 0.88 0.85 0.85 0.86 0.87 0.87 2 0.91 0.90 0.91 0.90 0.90 0.85 0.86 0.86 0.87 0.87 3 0.91 0.91 0.91 0.91 0.90 0.85 0.86 0.86 0.87 0.87 4 0.90 0.90 0.91 0.91 0.91 0.84 0.85 0.86 0.86 0.86 5 0.89 0.89 0.90 0.90 0.90 0.83 0.84 0.84 0.85 0.85 6 0.89 0.89 0.90 0.90 0.91 0.83 0.84 0.84 0.85 0.85 7 0.89 0.88 0.88 0.86 0.86 0.89 0.89 0.90 0.90 0.89 8 0.90 0.89 0.89 0.88 0.87 0.88 0.89 0.89 0.90 0.90 9 0.91 0.90 0.90 0.89 0.88 0.87 0.88 0.89 0.90 0.90 10 0.92 0.90 0.90 0.90 0.89 0.87 0.88 0.89 0.89 0.90 11 1.00 0.91 0.91 0.91 0.90 0.86 0.87 0.88 0.89 0.89 12 0.91 1.00 0.92 0.91 0.90 0.85 0.86 0.87 0.88 0.88 13 0.91 0.92 1.00 0.92 0.91 0.85 0.86 0.87 0.87 0.88 14 0.91 0.91 0.92 1.00 0.92 0.84 0.85 0.86 0.87 0.87 15 0.90 0.90 0.91 0.92 1.00 0.84 0.84 0.85 0.86 0.87 16 0.86 0.85 0.85 0.84 0.84 1.00 0.90 0.89 0.89 0.88 17 0.87 0.86 0.86 0.85 0.84 0.90 1.00 0.90 0.89 0.88 18 0.88 0.87 0.87 0.86 0.85 0.89 0.90 1.00 0.91 0.90 19 0.89 0.88 0.87 0.87 0.86 0.89 0.89 0.91 1.00 0.91 20 0.89 0.88 0.88 0.87 0.87 0.88 0.88 0.90 0.91 1.00
Hình 1.10: Quan hệ tương quan giữa vận tốc gió tại tuabin 10 và 20
Hình 1.11: Quan hệ tương quan giữa vận tốc gió tại tuabin 17 và 18
Qua phân tích ở trên đặc biệt là số liệu về vận tốc gió ta thấy rằng vận tốc gió trong suốt cả năm của khu vực xây dựng nhà máy điện gió Tuy Phong là rất tốt, với giá trị vận tốc gió như vậy có thể phát điện gần như liên tục cả năm, đóng góp một sản lượng điện năng lớn cho khu vực.
Với bộ số liệu về gió có được trong một năm cho phép xây dựng mô hình dự báo cho nhà máy. Tuy nhiên bộ số liệu thu thập được còn nhiều vấn đề cần xử lý trước khi sử dụng nhất là về vấn đề sai số do đo đếm lưu trữ, mất dữ liệu,... Ngoài ra, vận tốc gió đo đếm được tại các cột gió có nhiều thông tin tương quan với nhau nên mô hình dự báo phải tích hợp được thông tin này để cho kết quả chính xác.
Một vấn đề nữa cần quan tâm đó là vận tốc gió có đặc tính ngày (daily pattern) và mùa vụ (seasonal pattern), vận tốc gió giữa các ngày trong cùng một mùa hoặc tháng thường có kiểu tương tự nhau.
Những yếu tố trên làm cho việc xây dựng mô hình dự báo gặp rất nhiều khó khăn trong thực tế. Các kỹ thuật và phương pháp xử lý số liệu và xây dựng mô hình dự báo được trình bày cụ thể trong các chương tiếp theo.
CHƯƠNG 2
CƠ SỞ TÍNH TOÁN DỰ BÁO VẬN TỐC GIÓ VÀ CÔNG SUẤT PHÁT CỦA NHÀ MÁY ĐIỆN GIÓ
2.1. Các vấn đề liên quan đến dự báo vận tốc gió và công suất phát của nhà máy điện gió
2.1.1. Phân loại và vai trò của dự báo
Dự báo năng lượng gió có thể được phân loại theo nhiều cách khác nhau, theo miền thời gian, dự báo thường được chia làm 4 loại như sau [3]:
- Dự báo cực ngắn (very short-term): từ vài phút đến 1 giờ. Ứng dụng cho bài toán thị trường điện, vận hành lưới điện theo thời gian thực và các hoạt động điều khiển hệ thống điện.
- Dự báo ngắn hạn (short-term): từ 1 giờ đến vài giờ. Ứng dụng cho việc lập kế hoạch điều điều độ, đưa ra các quyết định vận hành tải hợp lý và đảm bảo an ninh hoạt động thị trường điện.
- Dự báo trung hạn (medium-term): từ vài giờ đến 1 tuần. Ứng dụng cho việc vận hành, phát công suất, đóng cắt các tổ máy, đưa ra quyết định về dự trữ để đảm bảo cân bằng hệ thống.
- Dự báo dài hạn (long-term): từ 1 tuấn đến 1 năm trở lên. Ứng dụng để lập kế hoạch bảo trì, quản lý vận hành hệ thống, lập kế hoạch tính toán chi phí để vận hành tối ưu hệ thống, nghiên cứu khả thi về thiết kế nhà máy điện gió.
2.1.2. Các yếu tố liên quan đến bài toán dự báo
Đối với một bài toán dự báo năng lượng gió, tùy theo yêu cầu và đặc điểm cụ thể mà có những vấn đề liên quan khác nhau. Tùy theo yêu cầu sử dụng kết quả dự báo mà có sự lựa chọn phương pháp cũng như miền thời gian khác nhau như trình bày ở Mục 2.1.1. Nhìn chung, miền dự báo càng dài thì việc dự báo càng cho kết quả kém chính xác hơn.
Để dự báo vận tốc gió cần phải mô tả các thông số vận tốc đã có bằng một hoặc nhiều hàm số/quan hệ nào đó. Các hàm số/quan hệ này mô tả dãy thông số quan sát một cách gần đúng. Sai số tiệm cận hoá thông số quan sát bằng hàm số được đánh giá khi tính giá trị của hàm số theo chính những đối số đó. Những sai số này có thể coi là ngẫu nhiên vì chúng không phụ thuộc vào đối số của hàm số. Phương trình mô tả dãy thông số quan sát không phải là một quan hệ gần đúng mà là quan hệ hồi quy. Như vậy sai số dự báo phụ thuộc vào chất lượng của mô hình dự báo, nghĩa là tuỳ theo mô hình
mô hình tính toán có thể mô tả diễn biến chính xác đến mức nào.
Mô hình dự báo được lựa chọn tùy theo miền thời gian dự báo. Ngoài ra việc lựa chọn và xây dựng mô hình dự báo phụ thuộc vào số liệu cụ thể có được liên quan đến đại lượng cần dự báo, đặc trưng của số liệu (đặc tính biến đổi theo chu kỳ, biến đổi theo ngày, tháng, mùa,...). Để dự báo cho kết quả chính xác các đặc trưng của số liệu phải được khai phá và trích xuất ra và mô hình dự báo phải tích hợp được các đặc trưng của chuỗi số liệu có được.
2.2. Các phương pháp dự báo vận tốc gió và công suất phát của nhà máy điện gió Hiện nay có rất nhiều phương pháp và kỹ thuật dự báo vận tốc và công suất gió, mỗi phương pháp có đặc điểm riêng và khả năng ứng dụng khác nhau. Trong phần này các phương pháp dự báo có thể được nhóm lại như sau [3]:
2.2.1. Phương pháp Persistence
Phương pháp Persistence sử dụng giả thuyết đơn giản rằng tốc độ gió hoặc công suất gió tại một thời điểm dự báo nào đó trong tương lai sẽ tương tự như tại thời điểm dự báo được thực hiện. Nếu tốc độ gió và công suất gió đo được tại thời điểm t là v(t) và P(t) thì tốc độ gió và công suất gió dự báo tại thời điểm t+∆t có thể được xác định như sau [3]:
v(t+∆t) = v(t) P(t+∆t) = P(t)
Phương pháp Persistence có ưu điểm là cho chúng ta kết quả chính xác hơn tất cả các phương pháp khác khi áp dụng trong thời gian dự báo cực ngắn.
Tuy nhiên, nhược điểm lớn nhất của phương pháp Persistence là tính chính xác sẽ giảm một cách nhanh chóng khi áp dụng trong thời gian dự báo tăng lên.
2.2.2. Phương pháp vật lý
Phương pháp vật lý [3] là phương pháp dựa trên bầu khí quyển thấp hoặc dự báo thời tiết số trị (NWP - Numerical Weather Prediction) sử dụng dữ liệu dự báo như nhiệt độ, áp suất, thông tin về độ nhấp nhô bề mặt, địa hình v.v. Mô hình NWP được phát triển bởi các nhà khí tượng học để dự báo thời tiết trong khu vực với quy mô lớn [5,6].
Phương pháp vật lý làm tăng độ phân giải thực của mô hình NWP để đạt được dự báo chính xác về thời tiết. Nhược điểm chính của phương pháp vật lý là hệ phương trình đạo hàm phi tuyến Navier-Stokes chưa có lời giải chính xác. Quy mô không gian
và thời gian của các quá trình thời tiết biến thiên trong khoảng quá rộng mà không một hệ thống giám sát nào có thể ghi nhận đầy đủ để có thể đo đạt và tìm hiểu chi tiết.
2.2.3. Phương pháp thống kê
Phương pháp thống kê [7-11] nhằm tìm ra mối quan hệ của các dữ liệu đo trực tuyến. Đối với một mô hình thống kê, dữ liệu lịch sử của hệ thống biến đổi năng lượng gió được sử dụng. Các mô hình thống kê dễ mô hình hóa vả dễ phát triển so với các mô hình khác.
Phương pháp thống kế bao gồm phương pháp tự hồi quy (AR - AutoRegressive), phương pháp trung bình trượt kết hợp tự hồi quy (ARMA - AutoRegressive Moving Average), trung bình trượt tích hợp tự hồi quy (ARIMA - AutoRegressive Integrated Moving Average) [3]. Các phương pháp thống kế có thể được sử dụng để giải quyết các vấn đề về kỹ thuật, kinh tế và khoa học tự nhiên có rất nhiều dữ liệu mà chúng phụ thuộc lẫn nhau. Mô hình thống kê được xây dựng bằng nhiều phương pháp trong đó phương pháp Box-Jenkins [4] được sử dụng phổ biến.
- Mô hình tự hồi quy (AR):
Trong mô hình tự hồi quy, chuỗi thời gian {𝑋𝑡} được mô tả bởi phương trình sau:
𝑋𝑡 = 𝑐 + ∅1𝑋𝑡−1+ ∅2𝑋𝑡−2+ ⋯ + ∅𝑝𝑋𝑡−𝑝+ 𝜀𝑡 Trong đó:
∅𝑖:1→𝑝: các tham số của mô hình;
c: hằng số;
𝜀𝑡: nhiễu trắng (white noise) với trung bình bằng 0 [1,2].
Phương trình này được gọi là phương trình biểu diễn của mô hình tự hồi quy bậc p (AR(p)) [4].
- Mô hình trung bình trượt (MA):
Chuỗi thời gian {𝑋𝑡} được gọi là quá trình trung bình trượt bậc q (MA(q)) nếu như mỗi quan sát 𝑋𝑡 của quá trình MA(q) [4] được viết dưới dạng như sau:
𝑋𝑡 = 𝜀𝑡 + 𝜃1𝜀𝑡−1+ 𝜃2𝑋𝜀𝑡−2+ ⋯ + 𝜃𝑞𝜀𝑡−𝑞 Trong đó:
𝜃𝑖:1→𝑞: các tham số của mô hình;
𝜀𝑡: nhiễu trắng (white noise) với trung bình bằng 0 [1,2].
hồi, điều này được thực hiện thông qua mô hình tự hồi quy AR.
- Mô hình tự hồi quy trung bình trượt (ARMA) [4]:
Các chuỗi thời gian đôi khi không thể mô hình hóa được bằng MA hay AR do chúng có đặc tính của cả hai quá trình này. Khi đó, để biểu diễn người ta sử dụng mô hình ARMA, là pha trộn của cả hai mô hình AR và MA.
Khi đó, quá trình ARMA(p,q) được mô tả như sau:
𝑋𝑡 = c + ∅1𝑋𝑡−1+ ∅2𝑋𝑡−2 + ⋯ + ∅𝑝𝑋𝑡−𝑝+ 𝜀𝑡+ 𝜃1𝜀𝑡−1+ ⋯ + 𝜃𝑞𝜀𝑡−𝑞
Lúc này, việc dự báo có thể thực hiện được nhờ xác định p và q. Việc xác định này được thực hiện bởi người thực hiện dự báo thông qua kinh nghiệm hoặc các phương pháp xác định khác nhau. Giá trị của p có thể được xác định dựa trên việc vẽ các hàm tự tương quan một phần (partial autocorrelation functions) [4] và q được xác định thông qua các hàm tự tương quan (autocorrelation functions) [4]. Điều quan trọng là các mô hình này có thể giải thích được kết quả dự báo thông qua các công cụ trình diễn trên máy tính.
- Mô hình tự hồi quy tích hợp trung bình trượt (ARIMA) [4]:
Các mô hình trên được sử dụng cho các chuỗi số liệu đơn có tính dừng (stationary). Một chuỗi thời gian là dừng theo thời gian khi chuỗi có giá trị trung bình (mean) và phương sai (variance) không đổi theo thời gian, trường hợp ngược lại, ta nói dãy số liệu đó không có tính dừng [4].
Tuy nhiên, trong thực tế các chuỗi thời gian thường không có tính dừng (non- stationary), nên trước khi áp dụng các mô hình trên, chuỗi số liệu phải được xử lý để thỏa mãn điều kiện dừng. Nếu dùng phương pháp tích hợp (I - Integrated) để biến chuỗi thời gian không dừng thành chuỗi dừng rồi áp dụng mô hình ARMA lúc đó ta sẽ có mô hình ARIMA. Như vậy, mô hình phân tích và mô phỏng một chuỗi thời gian ARIMA gồm các quá trình sau: tự hồi quy (AR), tích hợp (I) và trung bình trượt (MA).
Nếu chuỗi tích hợp bậc d (ký hiệu là I(d)) thì sau khi lấy sai phân d lần thì chuỗi sẽ dừng. Trong thực tế với chuỗi không dừng thì thường d chỉ bằng 1 hoặc bằng 2. Mô hình ARIMA được ký hiệu ARIMA(p,d,q).
Các mô hình trên áp dụng để xây dựng mô hình dự báo cho các chuỗi số liệu đơn (univariate time series). Tuy nhiên trong thực tế khi dự báo một chuỗi số liệu nào đó thì chuỗi đó sẽ có thông tin liên quan (tương quan) với các chuỗi số liệu khác (ví dụ như chuỗi số liệu vận tốc gió đo đếm được tại các vị trí khác nhau ở khoảng cách không xa lắm). Trong trường hợp này mô hình dự báo không còn là mô hình đơn mà là mô hình cho nhiều chuỗi số liệu đồng thời có tính tương quan với nhau (multivariate
time series). Một trong những mô hình được áp dụng phổ biến để mô tả và dự báo quá trình gió thu thập tại nhiều vị trí khác nhau là mô hình VAR (Vector AutoRegressive) [12-14].
Mô hình VAR về cấu trúc gồm nhiều phương trình (mô hình hệ phương trình) và có các trễ của các biến số. VAR là mô hình động của một số biến thời gian.
Ta xét hai chuổi thời gian X1 và X2, mô hình VAR tổng quát đối với X1 và X2 có dạng sau đây:
𝑋1𝑡 = ∝ + ∑ 𝛽𝑖
𝑝
i=1
𝑋1𝑡−𝑖 + ∑ 𝛾𝑖𝑋2𝑡−𝑖
𝑝
i=1
+ 𝑒1𝑡
𝑋2𝑡 = 𝛿 + ∑ 𝜕𝑖
𝑝
i=1
𝑋1𝑡−𝑖 + ∑ 𝜃𝑖𝑋2𝑡−𝑖
𝑝
i=1
+ 𝑒2𝑡
Trong mô hình trên, mỗi phương trình đều chứa p trễ của mỗi biến; ∝ và 𝛿 là các hằng số; 𝛽, 𝛾, 𝜕 và 𝜃 là các tham số của mô hình; 𝑒1 và 𝑒2 là các nhiễu trắng. Khi số biến càng lớn thì số lượng tham số phải ước lượng càng tăng.
Ưu điểm: Đây là phương pháp đơn giản; ta không cần phải quan tâm nhiều về việc xác định các biến nào là biến nội sinh và biến nào là biến ngoại sinh. Tất cả các biến trong VAR đều là biến nội; phép ước lượng dùng phương pháp OLS (Ordinary Least Squares - Bình phương nhỏ nhất) thông thường có thể được áp dụng cho từng phương trình riêng rẽ; các dự báo tính được bằng phương pháp này, trong nhiều trường hợp, tốt hơn các dự báo tính được từ các mô hình phương trình đồng thời phức tạp hơn.
Nhược điểm: Không như các mô hình phương trình đồng thời, mô hình VAR sử dụng ít thông tin tiên nghiệm hơn. Trong các mô hình phương trình đồng thời, việc loại trừ hay đưa vào các biến nhất định đóng một vai trò rất quan trọng trong việc xác định mô hình. Trong mô hình VAR, khó khăn gặp phải lớn nhất là lựa chọn khoảng trễ thích hợp. Giả sử có mô hình VAR ba biến và quyết định đưa 8 độ trễ của mỗi biến vào từng phương trình, lúc đó ta sẽ có 24 tham số trễ trong mỗi phương trình cộng với số hạng không đổi, và như vậy có tất cả 25 tham số. Trong một mô hình VAR m biến, tất cả m biến phải (cùng) có tính dừng (stationary) [4]. Nếu điều kiện này không được thỏa mãn, ta sẽ phải biến đổi dữ liệu một cách thích hợp trước khi đưa vào mô hình VAR.
Tóm lại, phương pháp thống kê có ưu điểm chính dễ thực hiện và cho kết quả tốt cho dự báo thời gian ngắn. Khi miền thời gian dự báo tăng lên thì lỗi dự báo tăng lên.
2.2.4. Phương pháp trí tuệ nhân tạo
pháp phát triển mới bao gồm mạng nơ-ron nhân tạo (ANN - Artificial Neural Network), hệ thống suy luận giả mờ thần kinh (ANSIF - Adaptive Neuro-Fuzzy Inference System), phương pháp logic mờ, phương pháp Support Vector Machine (SVM), mạng nơ-ron thần kinh và các thuật toán tối ưu hóa tiến hóa [3].
Trí tuệ nhân tạo có thể giải quyết các vấn đề tuyến tính và không tuyến tính, các vấn đề phức tạp về phân loại hoặc dự báo. Các mô hình trí tuệ nhân tạo có thể biểu diễn một mối quan hệ phi tuyến phức tạp và trích xuất sự phụ thuộc giữa các biến thông qua quá trình huấn luyện. Phương pháp trí tuệ nhân tạo có thể áp dụng vào vấn đề dự báo năng lượng gió. Tuy nhiên một nhược điểm mà tất cả các hệ thống học máy của trí tuệ nhân tạo gặp phải là việc cần quá nhiều thông tin đầu vào để đưa ra thông tin đầu ra.
2.2.5. Phương pháp kết hợp (hybrid)
Phương pháp này được hình thành bằng cách kết hợp giữa các phương pháp khác nhau để tận dụng được ưu điểm của từng phương pháp riêng lẽ. Tuy nhiên phương pháp này thường phức tạp hơn và việc kết hợp phải thực hiện một cách hiệu quả mới phát huy tác dụng [3,17].
Phương pháp này có thể tạo ra bằng cách kết hợp giữa phương pháp vật lý và phương pháp trí tuệ nhân tạo; phương pháp thống kê và phương pháp trí tuệ nhân tạo v.v.
2.3. Đánh giá sai số dự báo
Để đo lường sai số của dự báo có các chỉ tiêu đánh giá sai số [18]. Sai số dự báo là sai lệch giữa giá trị thực và giá trị dự báo nhằm đánh giá chất lượng hay sự phù hợp của mô hình dự báo.
Với 𝑋𝑡 là giá trị quan sát và 𝐹𝑡 giá trị dự báo tương ứng với thời điểm t, thì sai số của dự báo được xác định
𝑒𝑡 = 𝑋𝑡 − 𝐹𝑡, 𝑡 = 1, 𝑛 Khi đó, ta có
+ Sai số trung bình (ME - Mean Error):
𝑀𝐸 = 1
𝑛∑𝑛𝑡=1𝑒𝑡
+ Sai số tuyệt đối trung bình (MAE - Mean Absolute Error):
𝑀𝐴𝐸 = 1
𝑛∑𝑛𝑡=1|𝑒𝑡|