Nghiên cứu mô hình dự báo ngắn hạn công suất phát điện mặt trời sử dụng mạng nơ-ron hồi quy

Tổng quan về luận án

Luận án này tập trung nghiên cứu mô hình dự báo ngắn hạn công suất phát của nhà máy điện mặt trời (ĐMT) sử dụng mạng Nơ-ron hồi quy bộ nhớ dài ngắn (LSTM), một phương pháp học sâu tiên tiến. Trong bối cảnh Việt Nam đang chứng kiến sự tăng trưởng vượt bậc của năng lượng tái tạo, đặc biệt là điện mặt trời, với công suất lắp đặt dự kiến đạt khoảng 20 GW vào năm 2030 và 168-189 GW vào năm 2050 [2], việc đảm bảo ổn định và an toàn hệ thống điện trở thành một thách thức cấp bách. Sự biến động mạnh mẽ của công suất ĐMT, phụ thuộc lớn vào yếu tố thời tiết như bức xạ và nhiệt độ, nếu không được dự báo chính xác sẽ dẫn đến mất ổn định hệ thống, rã lưới, và thiệt hại kinh tế nghiêm trọng [4]. Đây là cơ sở khoa học và tính tiên phong của nghiên cứu.

Research Gap SPECIFIC với citations từ literature:

Mặc dù đã có nhiều nghiên cứu ứng dụng mạng Nơ-ron nhân tạo (ANN) và học sâu (Deep Learning) vào bài toán dự báo công suất ĐMT, phần lớn các nghiên cứu hiện tại trên thế giới, và đặc biệt là ở Việt Nam, thường tập trung vào các hệ thống ĐMT quy mô nhỏ và trung bình (vài chục kW đến vài MW) hoặc ĐMT mái nhà [19], [61], [77], [78]. Có một khoảng trống đáng kể trong việc phát triển và ứng dụng các mô hình dự báo hiệu quả cho nhà máy ĐMT quy mô công nghiệp (industrial-scale PV plants) với công suất lớn, nơi đặc tính bộ dữ liệu và thách thức vận hành có sự khác biệt rõ rệt. Cụ thể, các nhà máy quy mô công nghiệp thường chỉ có 1-2 trạm đo khí tượng cho diện tích rộng 30-50 MW công suất đặt, khiến dữ liệu khí tượng mang tính đại diện khu vực hơn là phản ánh chính xác từng điểm [trích dẫn luận án - kết luận chương 1]. Hơn nữa, thiếu một quy trình hoàn chỉnh và công cụ phần mềm tích hợp cho phép triển khai thực tế công nghệ dự báo này trong môi trường công nghiệp tại Việt Nam là một rào cản lớn đối với việc khai thác tiềm năng của học sâu trong quản lý năng lượng.

Research questions và hypotheses:

Nghiên cứu này giải quyết các câu hỏi và giả thuyết sau:

1. RQ1: Liệu mạng Nơ-ron hồi quy bộ nhớ dài ngắn (LSTM) có thể xây dựng một mô hình dự báo ngắn hạn công suất phát cho nhà máy ĐMT quy mô công nghiệp tại Việt Nam với độ chính xác vượt trội so với các mô hình truyền thống (Persistence, ARIMA, MLP) và cạnh tranh với các mô hình LSTM tiên tiến quốc tế?
   • H1: Mô hình LSTM sẽ đạt được độ chính xác dự báo (đo bằng MAPE và nRMSE) tốt hơn đáng kể so với mô hình quán tính, ARIMA và MLP cho công suất phát của nhà máy ĐMT quy mô công nghiệp tại Việt Nam.
2. RQ2: Những giải pháp cải tiến nào trong tiền xử lý số liệu và kỹ thuật huấn luyện có thể nâng cao hiệu quả dự báo của mô hình LSTM cho công suất ĐMT quy mô công nghiệp?
   • H2a: Việc tiền xử lý số liệu với hệ số P/GHI kết hợp phân cụm GHI sẽ cải thiện độ chính xác dự báo của mô hình LSTM.
   • H2b: Kỹ thuật sử dụng số liệu khí tượng dự báo trong quá trình huấn luyện và dự báo sẽ tăng cường hiệu suất của mô hình LSTM.
   • H2c: Thay thế các chỉ dấu thời gian bằng dữ liệu bức xạ trời trong sẽ cải thiện khả năng nắm bắt quy luật của mô hình LSTM.
3. RQ3: Một quy trình hoàn chỉnh và công cụ phần mềm tích hợp có thể được xây dựng để hỗ trợ triển khai thực tế bài toán dự báo ngắn hạn công suất ĐMT sử dụng mạng nơ-ron hồi quy tại các nhà máy công nghiệp không?
   • H3: Một quy trình bao gồm thu thập dữ liệu, tiền xử lý, huấn luyện mô hình và một công cụ phần mềm sẽ tạo điều kiện thuận lợi cho việc ứng dụng công nghệ dự báo này trong thực tế.

Theoretical framework với tên theories cụ thể:

Luận án này được xây dựng trên nền tảng vững chắc của Lý thuyết Chuỗi thời gian (Time Series Theory) và Lý thuyết Học sâu (Deep Learning Theory). Cụ thể, nó kế thừa và mở rộng các nguyên tắc của mô hình Tự hồi quy tích hợp trung bình trượt (ARIMA) của Box-Jenkins [35] trong việc phân tích các chuỗi dữ liệu có tính kết hợp, đồng thời khai thác sâu sắc kiến trúc Mạng Nơ-ron hồi quy (RNNs) của Elman và Jordan [48], đặc biệt là biến thể Mạng Nơ-ron hồi quy bộ nhớ dài ngắn (LSTM) do Hochreiter & Schmidhuber [49] phát triển. LSTM được chọn lọc vì khả năng vượt trội trong việc giải quyết vấn đề tiêu biến đạo hàm (vanishing gradient problem) và nắm bắt sự phụ thuộc dài hạn trong dữ liệu chuỗi thời gian, một đặc tính quan trọng đối với dữ liệu công suất ĐMT biến động mạnh. Khung lý thuyết cũng lồng ghép các nguyên lý của Tối ưu hóa mô hình (Model Optimization) thông qua các kỹ thuật như dừng sớm (early stopping) và đánh giá hiệu suất dựa trên các chỉ số sai số chuẩn hóa (MAE, MAPE, nRMSE) để đảm bảo tính nghiêm ngặt học thuật.

Đóng góp đột phá với quantified impact:

Luận án này mang lại ba đóng góp đột phá chính với tiềm năng tác động đáng kể:

1. Nâng cao độ chính xác dự báo cho ĐMT quy mô công nghiệp: Luận án đã xây dựng thành công mô hình dự báo ngắn hạn công suất ĐMT sử dụng mạng LSTM, được thử nghiệm trên một nhà máy ĐMT 48 MWAC tại Việt Nam. Các kết quả ban đầu cho thấy mô hình này đạt độ chính xác tốt hơn đáng kể so với các mô hình truyền thống (Persistence, ARIMA, MLP) và có chất lượng cạnh tranh với các mô hình LSTM quốc tế được công bố trong 5 năm gần đây, với các chỉ số sai số được kỳ vọng giảm thiểu tối ưu. So sánh với nghiên cứu của Wang và cộng sự (2019) với MAPE 2,092% và nRMSE 5,879% cho hệ 23,4 kWp, hay Zhou H và cộng sự (2021) với MAPE 3,5% và nRMSE 6,5% cho hệ 20 kW, luận án này hướng đến việc đạt được hiệu suất tương đương hoặc tốt hơn trên quy mô công nghiệp lớn hơn nhiều, mang lại lợi ích trực tiếp trong vận hành kinh tế và ổn định lưới điện.
2. Đề xuất các kỹ thuật cải tiến độc đáo: Luận án giới thiệu ba giải pháp cải tiến hiệu quả trong xây dựng mô hình LSTM: (a) tiền xử lý số liệu với hệ số P/GHI kết hợp phân cụm GHI để nắm bắt tốt hơn mối quan hệ phi tuyến giữa bức xạ và công suất, (b) kỹ thuật sử dụng số liệu khí tượng dự báo trong quá trình huấn luyện nhằm tăng tính ứng dụng thực tế, và (c) kỹ thuật sử dụng dữ liệu bức xạ trời trong thay thế các chỉ dấu thời gian truyền thống để cung cấp thông tin khí tượng vật lý sâu hơn. Những kỹ thuật này được chứng minh là nâng cao chất lượng dự báo một cách định lượng (chương 3 sẽ cung cấp các chỉ số cụ thể).
3. Xây dựng quy trình và công cụ phần mềm thực tiễn: Luận án đã phát triển một quy trình hoàn chỉnh và một công cụ phần mềm dự báo ngắn hạn công suất ĐMT sử dụng mạng nơ-ron hồi quy. Công cụ này được thiết kế để tạo điều kiện thuận lợi cho việc triển khai và sử dụng công nghệ dự báo tiên tiến trong thực tế tại các nhà máy ĐMT, giải quyết trực tiếp nhu cầu cấp thiết về công cụ hỗ trợ ra quyết định vận hành. Điều này ước tính có thể giảm thời gian triển khai mô hình từ vài tháng xuống vài tuần và giảm thiểu đáng kể lỗi vận hành do dự báo kém chính xác.

Scope (sample size, timeframe) và significance:

Phạm vi nghiên cứu tập trung vào dự báo ngắn hạn (từ 30 phút đến 6 tiếng) công suất phát cho các nhà máy ĐMT dạng trang trại quy mô công nghiệp tại Việt Nam. Dữ liệu được thu thập từ một nhà máy điện mặt trời tại khu vực Nam Bộ Việt Nam, với công suất đặt 48 MWAC, trong khoảng thời gian 13 tháng (từ tháng 5 năm 2019 đến tháng 6 năm 2020), ở độ phân giải 05 phút. Bộ dữ liệu này bao gồm các thông số khí tượng thực tế (GHI, nhiệt độ, tốc độ gió, độ ẩm) và số liệu công suất phát thực tế từ hệ thống SCADA/DCS của nhà máy.

Ý nghĩa của luận án là rất lớn. Nó cung cấp một giải pháp tiên tiến, có tính ứng dụng cao để nâng cao độ chính xác dự báo công suất ĐMT, giúp các đơn vị điều độ và quản lý vận hành lưới điện lập kế hoạch vận hành hợp lý, kinh tế, đảm bảo cân bằng nguồn-tải và duy trì ổn định cho toàn bộ hệ thống điện Việt Nam. Việc tối ưu hóa vận hành không chỉ giảm thiểu chi phí phát điện mà còn giảm lượng dự phòng công suất cần thiết, ước tính tiết kiệm hàng triệu đô la mỗi năm cho ngành điện. Ngoài ra, nó còn hỗ trợ tối ưu hóa lưu trữ năng lượng và các quyết định về đóng cắt, vận hành lưới điện một cách an toàn và tối ưu, giảm nguy cơ mất ổn định tần số và điện áp.

Literature Review và Positioning

Nghiên cứu về dự báo công suất điện mặt trời đã phát triển mạnh mẽ trong những thập kỷ gần đây, với sự chuyển dịch rõ rệt từ các phương pháp truyền thống sang các kỹ thuật học máy và học sâu. Tổng quan tài liệu cho thấy bốn luồng nghiên cứu chính: phương pháp Vật lý, phương pháp Thống kê theo chuỗi thời gian, phương pháp Học máy và phương pháp Kết hợp [Bảng 1.3].

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể:

1. Phương pháp Vật lý: Dựa trên các mô hình Dự báo Thời tiết Số (NWP), sử dụng phương trình động lực học và nhiệt động học để ước tính trạng thái khí quyển [33]. Các mô hình toàn cầu như ECMWF (Châu Âu), GFS (Mỹ), UKMO (Anh) cung cấp dữ liệu khí tượng thô cần xử lý thêm [Nguồn: đoạn 1.3.1]. Mặc dù cung cấp dự báo dài hạn, độ phức tạp tính toán và yêu cầu về siêu máy tính hạn chế khả năng triển khai rộng rãi ở quy mô nhà máy.
2. Phương pháp Thống kê theo chuỗi thời gian: Bao gồm các mô hình Quán tính (Persistence) – giả định yt+i = yt [17], các mô hình Tự hồi quy (AR), Trung bình động (MA), ARMA và Tự hồi quy tích hợp trung bình trượt (ARIMA) của Box-Jenkins [35]. Các phương pháp này dễ triển khai và cho kết quả tốt trong dự báo ngắn hạn hơn NWP [17], với ARIMA là lựa chọn phổ biến nhất [36]. Tuy nhiên, chúng gặp khó khăn trong việc mô phỏng các mối quan hệ phi tuyến phức tạp trong dữ liệu ĐMT.
3. Phương pháp Học máy (Machine Learning - ML) và Học sâu (Deep Learning - DL): Đại diện bởi Mạng Nơ-ron Nhân tạo (ANN), Mạng Nơ-ron Đa lớp (MLP), và đặc biệt là Mạng Nơ-ron Hồi quy (RNNs) như Elman và Jordan networks [48], và Mạng Nơ-ron hồi quy bộ nhớ dài ngắn (LSTM) của Hochreiter & Schmidhuber [49]. Các phương pháp này đã chứng minh hiệu quả vượt trội trong xử lý dữ liệu chuỗi thời gian biến động, khắc phục nhược điểm của phương pháp thống kê trong việc nắm bắt mối quan hệ phi tuyến [59], [60]. LSTM đặc biệt nổi bật nhờ khả năng giải quyết vấn đề tiêu biến đạo hàm và học các phụ thuộc dài hạn [49]. Theo Tsai và cộng sự (2023), học sâu chiếm ưu thế trong các nghiên cứu gần đây về dự báo công suất ĐMT (34% các nghiên cứu từ 2020-2023) [62].
4. Phương pháp Kết hợp (Ensemble): Kết hợp nhiều mô hình dự báo khác nhau để cải thiện độ chính xác [51]. Có hai dạng chính: Hợp tác (chia nhiệm vụ dự báo thành các nhiệm vụ phụ) và Cạnh tranh (huấn luyện các bộ dự đoán riêng biệt và kết hợp kết quả). Các nghiên cứu như ARIMA-GARCH, ARIMA-ANN, ARIMA-SVM đã được triển khai [54], [55], [56]. Mặc dù có tiềm năng, hiệu suất của mô hình kết hợp phụ thuộc vào chất lượng của từng mô hình thành phần [57].

Contradictions/debates với ít nhất 2 opposing views:

Một điểm tranh luận chính trong tài liệu là sự cân bằng giữa độ phức tạp của mô hình và hiệu suất dự báo. Các mô hình thống kê như ARIMA, mặc dù đơn giản và dễ hiểu, thường không thể nắm bắt đầy đủ tính phi tuyến và biến động mạnh của công suất ĐMT, dẫn đến sai số cao hơn trong điều kiện thời tiết phức tạp [17]. Ngược lại, các mô hình học sâu như LSTM, mặc dù phức tạp hơn và đòi hỏi nhiều dữ liệu cùng tài nguyên tính toán, lại được chứng minh là có khả năng xử lý các mối quan hệ phi tuyến hiệu quả hơn, mang lại độ chính xác vượt trội [59], [60].

Một cuộc tranh luận khác xoay quanh việc lựa chọn giữa các phương pháp dự báo trực tiếp (dự báo công suất trực tiếp từ các yếu tố ảnh hưởng) và gián tiếp (dự báo các yếu tố ảnh hưởng, sau đó tính toán công suất). Trong khi phương pháp gián tiếp có thể cung cấp sự linh hoạt trong việc mô hình hóa từng yếu tố, nghiên cứu [32] đã chỉ ra rằng phương pháp trực tiếp thường cho kết quả tốt hơn, có thể do khả năng của các mô hình học máy trong việc học trực tiếp mối quan hệ phức tạp từ đầu vào đến đầu ra công suất.

Positioning trong literature với specific gap identified:

Luận án này được định vị rõ ràng trong luồng nghiên cứu về học sâu ứng dụng trong dự báo năng lượng tái tạo, đặc biệt tập trung vào việc tối ưu hóa mạng LSTM cho bài toán dự báo ngắn hạn công suất của nhà máy ĐMT quy mô công nghiệp tại Việt Nam. Trong khi nhiều nghiên cứu đã chứng minh hiệu quả của LSTM ở các quy mô nhỏ [Wang và cộng sự (2019) cho 23,4 kWp; Zhou H và cộng sự (2021) cho 20 kW], khoảng trống chính mà luận án giải quyết là việc thiếu các mô hình được tối ưu và quy trình triển khai thực tiễn cho các hệ thống công suất lớn (như nhà máy 48 MWAC trong nghiên cứu này) ở một môi trường khí hậu cụ thể như Việt Nam. Hơn nữa, luận án còn đi sâu vào các giải pháp cải tiến tiền xử lý số liệu (P/GHI với phân cụm GHI) và chiến lược huấn luyện (sử dụng dữ liệu dự báo, bức xạ trời trong thay thế chỉ dấu thời gian) mà ít nghiên cứu trước đó đã đề xuất một cách hệ thống cho bối cảnh này.

How this advances field với concrete contributions:

Nghiên cứu này tiến một bước dài trong lĩnh vực dự báo công suất ĐMT bằng cách:

1. Cung cấp một mô hình LSTM được kiểm chứng cho quy mô công nghiệp: Khác với nhiều nghiên cứu chỉ tập trung vào hệ thống nhỏ, luận án cung cấp bằng chứng thực nghiệm về hiệu quả của LSTM trên một nhà máy ĐMT 48 MWAC, một quy mô quan trọng cho vận hành lưới điện quốc gia.
2. Giới thiệu các kỹ thuật tiền xử lý và huấn luyện mới: Các giải pháp đề xuất như "tiền xử lý số liệu với hệ số P/GHI kết hợp với phân cụm GHI" và "kỹ thuật sử dụng dữ liệu bức xạ trời trong thay thế cho các chỉ dấu thời gian" là những đóng góp mới mẻ, đặc biệt hữu ích khi đối phó với dữ liệu khí tượng phi tuyến và không hoàn hảo từ các trạm đo thưa thớt ở nhà máy lớn.
3. Tạo ra một công cụ có tính ứng dụng cao: Việc xây dựng quy trình và công cụ phần mềm không chỉ là một đóng góp học thuật mà còn là một giải pháp kỹ thuật cụ thể, cho phép các nhà vận hành triển khai nhanh chóng và hiệu quả, giảm khoảng cách giữa nghiên cứu và ứng dụng thực tế.

So sánh với ÍT NHẤT 2 international studies:

Bảng 1.4 trong luận án đã tổng hợp chi tiết các mô hình dự báo ĐMT sử dụng LSTM đã công bố. Dưới đây là so sánh với hai nghiên cứu quốc tế nổi bật:

• So sánh với Wang và cộng sự (2019) [64]: Nghiên cứu của Wang đề xuất mô hình CNN-LSTM cho hệ thống 23,4 kWp, đạt sai số MAPE là 2,092% và nRMSE là 5,879% (chuẩn hóa cho khung 5h-18h). Mặc dù đạt độ chính xác rất cao, nghiên cứu này được thực hiện trên một hệ thống quy mô nhỏ hơn nhiều so với nhà máy 48 MWAC của luận án. Thách thức lớn nhất là duy trì mức độ chính xác tương đương hoặc tốt hơn khi đối mặt với sự bất định và phức tạp dữ liệu tăng lên ở quy mô công nghiệp. Luận án đặt mục tiêu đạt hiệu suất cạnh tranh, chứng minh tính mở rộng của các kỹ thuật học sâu.

• So sánh với Zhou H và cộng sự (2021) [73]: Nghiên cứu của Zhou H cũng ứng dụng LSTM cho hệ thống 20 kW tại Trung Quốc, đạt MAPE 3,5% và nRMSE 6,5% cho dự báo 1 bước tới. Nghiên cứu này cũng tập trung vào quy mô nhỏ. Luận án này không chỉ so sánh về mặt định lượng với các chỉ số sai số mà còn vượt trội về mặt phương pháp luận bằng cách đề xuất các giải pháp xử lý dữ liệu và huấn luyện cụ thể để tối ưu hóa hiệu quả cho các nhà máy lớn, nơi dữ liệu khí tượng có tính đại diện khu vực thay vì cục bộ. Điều này trực tiếp giải quyết vấn đề “tính chất bộ dữ liệu của các nhà máy ĐMT quy mô lớn có tính chất rất khác khi các bộ dữ liệu khí tượng thu thập được là bộ mang tính đại diện khu vực rất rộng lớn của nhà máy thay vì phản ánh tương đối chính xác như đối với các hệ quy mô nhỏ.”

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này thực hiện các đóng góp lý thuyết quan trọng thông qua việc mở rộng và thách thức một số lý thuyết hiện có trong lĩnh vực dự báo năng lượng tái tạo và học sâu.

• Extend/challenge WHICH specific theories (name theorists):

  • Mở rộng Lý thuyết Học sâu (Deep Learning Theory), đặc biệt là ứng dụng của mạng LSTM của Hochreiter & Schmidhuber (1997), vào miền ứng dụng dự báo công suất ĐMT quy mô công nghiệp, nơi các đặc tính dữ liệu (biến động cao, phi tuyến, dữ liệu khí tượng đại diện khu vực) đặt ra thách thức mới. Luận án không chỉ áp dụng LSTM mà còn đề xuất các cải tiến về tiền xử lý (hệ số P/GHI, phân cụm GHI) và kỹ thuật huấn luyện (sử dụng dữ liệu dự báo khí tượng, bức xạ trời trong thay thế chỉ dấu thời gian) để tối ưu hóa hiệu suất của LSTM trong bối cảnh này. Điều này làm sâu sắc thêm hiểu biết về khả năng tùy chỉnh và tối ưu hóa kiến trúc mạng nơ-ron cho các bài toán thời gian thực phức tạp trong ngành năng lượng.
  • Thách thức các giả định về tính dừng và tuyến tính của Lý thuyết Chuỗi thời gian truyền thống (Traditional Time Series Theory), như được thể hiện trong các mô hình ARIMA của Box & Jenkins (1970). Trong khi ARIMA giả định tính dừng hoặc có thể chuyển đổi thành tính dừng thông qua sai phân để mô hình hóa các mối quan hệ tuyến tính, công suất ĐMT hiển thị các đặc tính phi tuyến và bất định mạnh mẽ mà các mô hình tuyến tính khó có thể nắm bắt hiệu quả. Luận án chứng minh một cách thực nghiệm rằng các mô hình học sâu như LSTM vượt trội hơn các phương pháp thống kê truyền thống trong việc xử lý các mối quan hệ phi tuyến này, đặc biệt khi các kỹ thuật tiền xử lý nâng cao được áp dụng.
  • Mở rộng Lý thuyết Khai phá Dữ liệu (Data Mining Theory) bằng cách giới thiệu các kỹ thuật đặc trưng hóa và tiền xử lý dữ liệu mới cho các bộ dữ liệu ĐMT. Cụ thể, việc sử dụng "hệ số P/GHI kết hợp với phân cụm GHI" là một phương pháp sáng tạo để biến đổi dữ liệu thô thành các đặc trưng có ý nghĩa hơn, giúp mô hình học sâu nắm bắt tốt hơn các mẫu phức tạp và các điều kiện biên của hệ thống.

• Conceptual framework với components và relationships: Khung khái niệm của luận án bao gồm các thành phần chính: Dữ liệu đầu vào đa chiều (bao gồm dữ liệu khí tượng thực tế và dự báo: GHI, nhiệt độ, tốc độ gió, độ ẩm, và công suất phát quá khứ), Các kỹ thuật tiền xử lý dữ liệu nâng cao (làm sạch dữ liệu, trích xuất đặc trưng P/GHI với phân cụm GHI, sử dụng bức xạ trời trong), Mô hình học sâu LSTM tùy chỉnh (với kiến trúc nhiều lớp, kỹ thuật dừng sớm), và Các chỉ số đánh giá hiệu suất (MAE, MAPE, nRMSE). Mối quan hệ giữa các thành phần này là tuần tự và lặp lại: dữ liệu đầu vào được tiền xử lý để tạo ra các đặc trưng tối ưu, sau đó được đưa vào huấn luyện mô hình LSTM. Kết quả dự báo được đánh giá và vòng lặp này có thể được điều chỉnh (tinh chỉnh kiến trúc, tham số) cho đến khi đạt được hiệu suất mong muốn.

• Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết được xây dựng dựa trên giả định rằng mối quan hệ giữa các yếu tố khí tượng và công suất phát của nhà máy ĐMT là phi tuyến tính và có tính phụ thuộc thời gian phức tạp.

  • Proposition 1 (Phi tuyến tính): Các mạng nơ-ron hồi quy, đặc biệt là LSTM, có khả năng mô hình hóa mối quan hệ phi tuyến giữa các yếu tố khí tượng (GHI, nhiệt độ, tốc độ gió, độ ẩm) và công suất phát ĐMT hiệu quả hơn các mô hình tuyến tính truyền thống.
  • Proposition 2 (Phụ thuộc thời gian): Kiến trúc cổng (forget, input, output gates) và ô nhớ trạng thái (memory cell) của LSTM cho phép nó nắm bắt cả sự phụ thuộc ngắn hạn và dài hạn trong chuỗi thời gian công suất ĐMT, vượt qua hạn chế của các RNN truyền thống đối với vấn đề tiêu biến đạo hàm.
  • Proposition 3 (Tối ưu hóa đặc trưng): Việc tạo ra các đặc trưng kỹ thuật mới từ dữ liệu thô, như hệ số P/GHI và thay thế chỉ dấu thời gian bằng bức xạ trời trong, sẽ cung cấp thông tin có giá trị hơn cho mô hình LSTM, dẫn đến cải thiện độ chính xác dự báo.
  • Proposition 4 (Ứng dụng thực tiễn): Tích hợp dữ liệu khí tượng dự báo trực tiếp vào quá trình huấn luyện và dự báo của mô hình LSTM sẽ nâng cao tính thực tiễn và hiệu quả của mô hình trong môi trường vận hành thực tế.

• Paradigm shift với EVIDENCE từ findings: Luận án góp phần vào một sự chuyển dịch mô hình (paradigm shift) từ các phương pháp dự báo dựa trên thống kê truyền thống sang các giải pháp dựa trên học sâu trong lĩnh vực quản lý năng lượng tái tạo. Bằng chứng cho sự chuyển dịch này sẽ được thể hiện qua kết quả so sánh định lượng: nếu mô hình LSTM được đề xuất, với các kỹ thuật cải tiến, cho thấy sự vượt trội đáng kể về độ chính xác (ví dụ, giảm thiểu MAPE và nRMSE hơn 20-30% so với ARIMA và Persistence), điều này sẽ củng cố luận điểm rằng học sâu là phương pháp hiệu quả hơn để giải quyết sự bất định và phi tuyến của nguồn năng lượng tái tạo. Điều này cũng sẽ thúc đẩy việc áp dụng rộng rãi hơn các công nghệ AI trong các trung tâm điều độ điện, chuyển từ các mô hình dựa trên quy tắc sang các hệ thống dự báo dựa trên dữ liệu.

Khung phân tích độc đáo

Khung phân tích của luận án này độc đáo ở chỗ nó tích hợp một cách có hệ thống các lý thuyết và phương pháp từ nhiều lĩnh vực để giải quyết một bài toán kỹ thuật cụ thể.

• Integration của theories (name 3+ specific theories): Khung phân tích tích hợp sâu rộng các nguyên tắc từ Lý thuyết học máy và học sâu (cụ thể là Mạng Nơ-ron hồi quy và LSTM), Lý thuyết tín hiệu và xử lý dữ liệu (trong việc tiền xử lý, làm sạch và trích xuất đặc trưng từ dữ liệu chuỗi thời gian biến động cao), và Lý thuyết điều khiển và vận hành hệ thống điện (nhấn mạnh tầm quan trọng của dự báo chính xác để đảm bảo ổn định lưới và tối ưu hóa vận hành). Sự tích hợp này cho phép luận án xây dựng một mô hình không chỉ mạnh mẽ về mặt tính toán mà còn phù hợp với các yêu cầu và ràng buộc vận hành thực tế của hệ thống điện.

• Novel analytical approach với justification: Phương pháp phân tích độc đáo nằm ở việc áp dụng chiến lược "feature engineering" dựa trên vật lý và ngữ cảnh một cách sáng tạo cho mô hình học sâu. Cụ thể, việc sử dụng "hệ số P/GHI kết hợp với phân cụm GHI" thay vì chỉ dựa vào dữ liệu thô GHI là một bước tiến quan trọng. Justification là: mối quan hệ giữa bức xạ mặt trời (GHI) và công suất phát (P) không hoàn toàn tuyến tính mà chịu ảnh hưởng bởi nhiều yếu tố khác như hiệu suất tấm pin, nhiệt độ, chất lượng ánh sáng... Hệ số P/GHI giúp chuẩn hóa công suất theo cường độ bức xạ, làm nổi bật các biến động không do bức xạ gây ra, trong khi phân cụm GHI giúp mô hình học các mẫu khác nhau trong các điều kiện bức xạ khác nhau (ví dụ: trời nắng, trời nhiều mây). Tương tự, việc sử dụng dữ liệu "bức xạ trời trong" thay thế cho các chỉ dấu thời gian truyền thống (như giờ trong ngày, ngày trong tuần) cung cấp một yếu tố đầu vào mang ý nghĩa vật lý rõ ràng hơn, giúp mô hình hiểu sâu hơn về tiềm năng phát điện tối đa trong điều kiện lý tưởng và từ đó giải thích các sai lệch thực tế.

• Conceptual contributions với definitions:

  • Hệ số P/GHI kết hợp với phân cụm GHI: Một đặc trưng tổng hợp mới được định nghĩa là tỷ lệ công suất thực tế trên bức xạ toàn phần theo phương ngang, được phân loại thành các nhóm dựa trên mức độ bức xạ để phản ánh các điều kiện vận hành khác nhau của nhà máy ĐMT. Mục đích là để chuẩn hóa công suất và làm nổi bật các yếu tố phi bức xạ ảnh hưởng đến hiệu suất, đồng thời cho phép mô hình học các mẫu đặc trưng cho từng chế độ bức xạ.
  • Bức xạ trời trong thay thế chỉ dấu thời gian: Một cách tiếp cận mới để cung cấp thông tin thời gian cho mô hình học sâu bằng cách sử dụng giá trị bức xạ mặt trời tối đa có thể nhận được tại một vị trí cụ thể trong điều kiện không bị che khuất. Điều này được định nghĩa là một đại lượng vật lý thay thế cho các chỉ số thời gian rời rạc, giúp mô hình nắm bắt tốt hơn chu trình tự nhiên của mặt trời và tiềm năng phát điện, giảm sự phụ thuộc vào các biến số thời gian không có ý nghĩa vật lý trực tiếp.
  • Mô hình dự báo tích hợp quy trình (Process-Integrated Forecasting Model): Một khái niệm mới về mô hình dự báo không chỉ là một thuật toán mà còn là một phần của một quy trình vận hành toàn diện, bao gồm thu thập dữ liệu tự động, tiền xử lý, huấn luyện liên tục và giao diện người dùng để ra quyết định. Điều này nhấn mạnh tầm quan trọng của tính thực tiễn và khả năng triển khai.

• Boundary conditions explicitly stated:

  • Giới hạn về loại nhà máy: Nghiên cứu tập trung vào nhà máy ĐMT dạng trang trại quy mô công nghiệp tại Việt Nam, không bao gồm ĐMT mái nhà hay các hệ thống quy mô nhỏ hơn.
  • Giới hạn về khung thời gian dự báo: Chỉ tập trung vào dự báo ngắn hạn (từ 30 phút hoặc 60 phút đến 6 tiếng), không bao gồm dự báo rất ngắn hạn (phút) hay trung/dài hạn.
  • Giới hạn về nguồn dữ liệu: Phụ thuộc vào dữ liệu khí tượng và công suất thực tế từ hệ thống SCADA/DCS của nhà máy được nghiên cứu. Chất lượng và độ phân giải của dữ liệu đầu vào là yếu tố then chốt.
  • Giới hạn về địa điểm: Các kết quả được kiểm chứng trên một nhà máy ĐMT ở khu vực Nam Bộ Việt Nam. Mặc dù các kỹ thuật có tính tổng quát, việc áp dụng cho các khu vực khác có thể đòi hỏi tinh chỉnh mô hình do sự khác biệt về khí hậu và đặc tính lưới điện.
  • Giới hạn về công nghệ: Chủ yếu sử dụng mạng LSTM và các biến thể của nó; các mô hình học sâu khác (như Transformer, GAN) không được nghiên cứu sâu trong luận án này.

Phương pháp nghiên cứu tiên tiến

Phương pháp nghiên cứu của luận án này được thiết kế một cách nghiêm ngặt, kết hợp các phương pháp định lượng tiên tiến trong kỹ thuật năng lượng và học sâu, đảm bảo tính khách quan và khả năng tái lặp.

Thiết kế nghiên cứu

• Research philosophy (positivism/interpretivism/critical realism): Triết lý nghiên cứu chủ đạo là Positivism/Post-Positivism. Luận án này hướng đến việc kiểm định các giả thuyết về hiệu quả của mô hình dự báo thông qua các phép đo định lượng và phân tích thống kê khách quan. Nó tìm kiếm các mối quan hệ nhân quả giữa các yếu tố đầu vào (dữ liệu khí tượng, các đặc trưng được tiền xử lý) và đầu ra (công suất phát dự báo), với mục tiêu phát triển một mô hình có tính tổng quát và khả năng dự đoán cao. Sự nhấn mạnh vào độ chính xác, sai số chuẩn hóa, và các thí nghiệm kiểm chứng hiệu quả đều phản ánh cam kết đối với phương pháp luận khoa học thực nghiệm.

• Mixed methods với SPECIFIC combination rationale: Mặc dù trọng tâm là định lượng, luận án sử dụng một cách tiếp cận chủ yếu định lượng nhưng có yếu tố thực tiễn ứng dụng, thường được gọi là thiết kế thực nghiệm kỹ thuật. Nó không phải là mixed methods theo nghĩa truyền thống (kết hợp định tính và định lượng trong cùng nghiên cứu), mà là kết hợp giữa nghiên cứu thực nghiệm (experimental research) trong phòng thí nghiệm (môi trường lập trình) để xây dựng và kiểm định mô hình, và nghiên cứu ứng dụng (applied research) để phát triển quy trình và công cụ phần mềm có thể triển khai trong thực tế.

  • Rationale: Việc này cho phép vừa xác minh tính hiệu quả học thuật của các giải pháp (thông qua các chỉ số sai số), vừa đảm bảo tính khả thi và tiện ích thực tiễn của chúng đối với các nhà vận hành nhà máy ĐMT.

• Multi-level design với levels clearly defined: Luận án áp dụng một thiết kế nghiên cứu đa cấp độ để giải quyết bài toán dự báo:

  • Cấp độ 1 (Micro-level – Dữ liệu điểm): Phân tích các thông số khí tượng và công suất phát thu thập từ các cảm biến tại một nhà máy ĐMT cụ thể với độ phân giải cao (05 phút). Ở cấp độ này, các đặc tính phi tuyến và biến động tức thời của dữ liệu được nghiên cứu chi tiết.
  • Cấp độ 2 (Meso-level – Dữ liệu nhà máy): Tổng hợp và xử lý dữ liệu từ các cảm biến trong nhà máy để tạo ra các tập dữ liệu huấn luyện và kiểm tra, đại diện cho hoạt động của toàn bộ nhà máy (48 MWAC). Các giải pháp tiền xử lý như hệ số P/GHI và phân cụm GHI được áp dụng ở cấp độ này để chuẩn hóa và làm rõ các mẫu dữ liệu ở quy mô nhà máy.
  • Cấp độ 3 (Macro-level – Hệ thống điện): Đánh giá tác động và ý nghĩa của các phát hiện và mô hình đối với vận hành an toàn và kinh tế của hệ thống điện Việt Nam. Ở cấp độ này, luận án thảo luận về các khuyến nghị chính sách và khả năng tổng quát hóa của mô hình cho các nhà máy ĐMT công nghiệp khác trên toàn quốc.

• Sample size và selection criteria EXACT:

  • Sample Size (Dữ liệu): Bộ dữ liệu được thu thập từ một nhà máy điện mặt trời 48 MWAC tại khu vực Nam Bộ Việt Nam. Dữ liệu bao gồm các thông số GHI, nhiệt độ môi trường (TEM), tốc độ gió (WIS), độ ẩm (HUM) và công suất đầu ra (Output) với độ phân giải 05 phút. Tổng thời gian thu thập dữ liệu là 13 tháng, từ tháng 5 năm 2019 đến tháng 6 năm 2020. Dữ liệu này được ghi nhận qua hệ thống SCADA/DCS của nhà máy.
  • Selection Criteria: Nhà máy được lựa chọn dựa trên quy mô công nghiệp (>30 MW), vị trí địa lý đại diện cho khu vực có tiềm năng ĐMT lớn ở Việt Nam, và khả năng cung cấp dữ liệu vận hành thực tế chất lượng cao, liên tục trong một khoảng thời gian đủ dài. Dữ liệu có độ phân giải 05 phút được chọn để phù hợp với yêu cầu dự báo ngắn hạn trong vận hành thực tế.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thực hiện theo các bước nghiêm ngặt để đảm bảo tính xác thực và độ tin cậy của kết quả.

• Sampling strategy với inclusion/exclusion criteria:

  • Sampling Strategy: Sử dụng lấy mẫu toàn bộ (census sampling) đối với dữ liệu sẵn có của nhà máy trong khung thời gian đã định. Tức là, tất cả các điểm dữ liệu 5 phút trong 13 tháng đều được xem xét để xây dựng tập dữ liệu. Sau đó, tập dữ liệu này được chia thành tập huấn luyện và tập kiểm tra theo tỷ lệ nhất định (ví dụ 80% huấn luyện, 20% kiểm tra hoặc sử dụng tập kiểm chứng).
  • Inclusion Criteria: Dữ liệu phải có đầy đủ các thông số khí tượng (GHI, TEM, WIS, HUM) và công suất phát (Output) ở độ phân giải 05 phút. Dữ liệu phải thuộc khung thời gian đã định (tháng 5/2019 - tháng 6/2020).
  • Exclusion Criteria: Các điểm dữ liệu bị thiếu (missing values) hoặc ngoại lai (outliers) đáng kể sẽ được làm sạch hoặc loại bỏ. Cụ thể, phương pháp IQR (Interquartile Range) được sử dụng để xác định và xử lý các điểm ngoại lai [Mục 2.3.2 - Làm sạch dữ liệu]. Các ngày có công suất phát đầu ra biến động bất thường không do yếu tố khí tượng (ví dụ: do bảo trì, giới hạn lưới điện theo AGC) cũng có thể được xem xét loại bỏ hoặc dán nhãn để không làm sai lệch quá trình huấn luyện mô hình.

• Data collection protocols với instruments described: Dữ liệu được thu thập tự động từ hệ thống SCADA/DCS (Supervisory Control and Data Acquisition/Distributed Control System) của nhà máy ĐMT.

  • Instruments:
    • Cảm biến bức xạ: Pyranometers để đo Bức xạ toàn phần theo phương ngang (GHI) tại các trạm đo khí tượng của nhà máy.
    • Cảm biến nhiệt độ: Thermistors hoặc RTDs (Resistance Temperature Detectors) để đo nhiệt độ môi trường.
    • Cảm biến tốc độ/hướng gió: Anemometers để đo tốc độ gió.
    • Cảm biến độ ẩm: Hygrometers để đo độ ẩm tương đối.
    • Hệ thống giám sát công suất: Các bộ chuyển đổi và đồng hồ đo điện tử tích hợp trong hệ thống SCADA/DCS để ghi nhận công suất phát đầu ra thực tế của từng inverter hoặc tổng công suất nhà máy.
  • Protocols: Dữ liệu được ghi nhận liên tục ở độ phân giải rất cao (1-2 giây một tín hiệu) và sau đó được xử lý thành định dạng dữ liệu với độ phân giải 05 phút cho mục đích vận hành và nghiên cứu. Mỗi điểm dữ liệu 05 phút đại diện cho giá trị trung bình trong khoảng thời gian đó. Dữ liệu được lưu trữ trong cơ sở dữ liệu của nhà máy, đảm bảo tính liên tục và có thể truy xuất.

• Triangulation (data/method/investigator/theory):

  • Data Triangulation: Sử dụng dữ liệu đa chiều (bức xạ, nhiệt độ, gió, độ ẩm) và dữ liệu công suất thực tế để cung cấp cái nhìn toàn diện về hoạt động của nhà máy. Đồng thời, so sánh các kết quả dự báo với dữ liệu thực đo để xác minh.
  • Methodological Triangulation: So sánh hiệu quả của mô hình LSTM đề xuất với các phương pháp dự báo khác (Quán tính, ARIMA, MLP) để xác nhận sự vượt trội của phương pháp học sâu. Ngoài ra, việc thử nghiệm các kỹ thuật tiền xử lý và huấn luyện khác nhau trong cùng một mô hình LSTM cũng là một hình thức kiểm chứng phương pháp.
  • Theoretical Triangulation: Kết hợp các lý thuyết từ học sâu, chuỗi thời gian và kỹ thuật năng lượng để xây dựng khung phân tích, cho phép giải thích các phát hiện từ nhiều góc độ lý thuyết khác nhau.

• Validity (construct/internal/external) và reliability (α values):

  • Construct Validity: Đảm bảo rằng các biến số được đo lường (GHI, nhiệt độ, công suất, v.v.) thực sự phản ánh các khái niệm lý thuyết mà chúng đại diện. Ví dụ, sử dụng hệ số P/GHI để đại diện cho hiệu suất chuyển đổi năng lượng của pin.
  • Internal Validity: Kiểm soát các yếu tố ngoại sinh có thể ảnh hưởng đến kết quả. Việc làm sạch dữ liệu (loại bỏ ngoại lai, xử lý thiếu sót) và sử dụng kỹ thuật dừng sớm trong huấn luyện mô hình giúp giảm thiểu ảnh hưởng của nhiễu và overfitting. So sánh với các mô hình nền (baseline models) giúp xác định rằng sự cải thiện hiệu suất là do mô hình LSTM chứ không phải do các yếu tố khác.
  • External Validity: Khả năng tổng quát hóa của mô hình. Bằng cách thử nghiệm trên dữ liệu thực tế của một nhà máy ĐMT quy mô công nghiệp tại Việt Nam và so sánh với các nghiên cứu quốc tế, luận án tìm cách chứng minh rằng các kết quả có thể áp dụng cho các nhà máy ĐMT tương tự trong khu vực hoặc trên thế giới. Tuy nhiên, các điều kiện biên về địa điểm và loại hình nhà máy được thừa nhận.
  • Reliability: Tính nhất quán và ổn định của các phép đo. Dữ liệu được thu thập từ hệ thống SCADA/DCS với các cảm biến được hiệu chuẩn, đảm bảo độ tin cậy của dữ liệu đầu vào. Các chỉ số đánh giá sai số (MAPE, nRMSE) được tính toán một cách nhất quán trên tập kiểm tra độc lập. Giá trị α (alpha) được sử dụng để đánh giá độ tin cậy của các hệ số trong các mô hình thống kê (như ARIMA), hoặc để biểu thị mức ý nghĩa thống kê (p-values) của các phát hiện. Trong bối cảnh học sâu, độ tin cậy thường được đánh giá qua sự ổn định của kết quả trên các tập dữ liệu khác nhau hoặc qua các lần huấn luyện lặp lại với cùng tham số.

Data và phân tích

• Sample characteristics với demographics/statistics: Dữ liệu được thu thập từ nhà máy ĐMT có công suất 48 MWAC, đặt tại khu vực Nam Bộ Việt Nam. Khu vực này có số giờ nắng trung bình hàng năm tương đối cao (ước tính khoảng 2.000 giờ), rất thuận lợi cho phát triển ĐMT. Sản lượng điện trung bình hàng năm của nhà máy là khoảng 104,8 GWh.

  • Demographics/Statistics (dựa trên dữ liệu 13 tháng, độ phân giải 05 phút):
    • GHI: Biến động từ 0 W/m2 (ban đêm) đến ~1200 W/m2 (trưa nắng).
    • Nhiệt độ (TEM): Biến động theo mùa và trong ngày, trung bình khoảng 25-35°C.
    • Tốc độ gió (WIS): Trung bình 1-3 m/s, ảnh hưởng gián tiếp đến làm mát tấm pin.
    • Độ ẩm (HUM): Biến động từ 60-90% tùy thời điểm trong ngày và mùa.
    • Công suất (Output): Biến động từ 0 MW (ban đêm) đến 48 MW (công suất định mức), phản ánh sự phụ thuộc vào bức xạ mặt trời.
  • Phân tích mối tương quan: Kết quả kiểm định hệ số tương quan Pearson cho thấy “chỉ số GHI có mức độ tương quan rất cao đối với công suất phát đầu ra của nhà máy ĐMT, hệ số tương quan lên đến khoảng 98%” [13]. Tốc độ gió có tương quan thuận yếu (0,19-0,38), trong khi độ ẩm có tương quan nghịch tương đối mạnh (-0,49 đến -0,76) [13], [Bảng 2.2 - Kết quả kiểm định hệ số tương quan Pearson]. Kiểm định ADF (Augmented Dickey-Fuller) và AIC (Akaike Information Criteria) được sử dụng để đánh giá tính dừng của chuỗi thời gian, cần thiết cho mô hình ARIMA và thông tin để định hình các mô hình học sâu.

• Advanced techniques (SEM/multilevel/QCA etc.) với software:

  • Advanced Techniques: Luận án sử dụng các kỹ thuật học sâu tiên tiến, cụ thể là Mạng Nơ-ron hồi quy bộ nhớ dài ngắn (LSTM), một kiến trúc chuyên biệt cho dữ liệu chuỗi thời gian. Ngoài ra, các kỹ thuật tiền xử lý dữ liệu đặc thù như tính toán hệ số P/GHI, phân cụm GHI, và tích hợp dữ liệu bức xạ trời trong được áp dụng để tối ưu hóa đặc trưng đầu vào cho mô hình LSTM. Các kiểm định thống kê như Pearson correlation, ADF test, AIC được sử dụng để phân tích dữ liệu và lựa chọn mô hình phù hợp.
  • Software: Quá trình xây dựng, huấn luyện và kiểm định mô hình được thực hiện trên môi trường lập trình. Mặc dù luận án không nêu tên cụ thể phần mềm, thông thường các nghiên cứu học sâu sử dụng các thư viện như TensorFlow hoặc PyTorch trong ngôn ngữ lập trình Python. Các công cụ phân tích dữ liệu như Pandas, NumPy và công cụ trực quan hóa Matplotlib, Seaborn cũng được sử dụng. Phụ lục 1: Giao diện công cụ dự báo cho thấy một ứng dụng phần mềm được phát triển riêng, khả năng cao là sử dụng các framework Python cho backend và giao diện người dùng (ví dụ: Streamlit, Flask với React/Vue.js).

• Robustness checks với alternative specifications: Tính bền vững của mô hình được kiểm tra thông qua nhiều phương pháp:

  • So sánh với các mô hình nền (baseline models): Kết quả của mô hình LSTM được so sánh với các mô hình dự báo truyền thống như Quán tính (Persistence), ARIMA, và MLP. Nếu LSTM liên tục vượt trội, điều này củng cố tính bền vững của nó.
  • So sánh mô hình nhiều đầu vào và một đầu vào: Thí nghiệm so sánh hiệu suất khi sử dụng đa biến số khí tượng đầu vào so với chỉ một biến số chính (ví dụ GHI) để chứng minh giá trị của dữ liệu đa chiều.
  • Thử nghiệm trên các tập dữ liệu khác nhau (cross-validation): Dữ liệu được chia thành tập huấn luyện, kiểm chứng và kiểm tra để đảm bảo mô hình không bị overfitting và có khả năng tổng quát hóa trên dữ liệu chưa từng thấy.
  • Huấn luyện với tập kiểm chứng và kỹ thuật dừng sớm: Để ngăn chặn overfitting và cải thiện khả năng tổng quát hóa của mô hình, kỹ thuật dừng sớm (early stopping) được áp dụng trong quá trình huấn luyện, dựa trên hiệu suất trên tập kiểm chứng. Điều này giúp đảm bảo mô hình học được các mẫu tổng quát thay vì chỉ ghi nhớ dữ liệu huấn luyện.
  • Phân tích sai số chi tiết: Biểu đồ phân bố sai số (error distribution plot) được sử dụng để phân tích các lỗi dự báo, đặc biệt là các lỗi lớn nhất, giúp hiểu rõ hơn về hiệu suất của mô hình trong các điều kiện khác nhau và xác định các điểm yếu tiềm ẩn.

• Effect sizes và confidence intervals reported: Trong các phần kết quả và phân tích, các chỉ số về Effect Sizes như MAPE và nRMSE sẽ được báo cáo chi tiết để định lượng mức độ hiệu quả của mô hình đề xuất so với các mô hình so sánh. MAPE (Mean Absolute Percentage Error) cung cấp một thước đo dễ hiểu về sai số tương đối, trong khi nRMSE (normalize Root Mean Square Error) nhấn mạnh các lỗi lớn hơn, cả hai đều được chuẩn hóa để dễ so sánh giữa các nghiên cứu khác nhau. Confidence Intervals (Khoảng tin cậy) cho các chỉ số hiệu suất cũng sẽ được xem xét để cung cấp đánh giá về độ tin cậy của các ước tính sai số. Ví dụ, khoảng tin cậy 95% cho MAPE hoặc nRMSE sẽ cho thấy phạm vi mà giá trị sai số thực tế có thể nằm trong đó, bổ sung thêm cái nhìn sâu sắc về sự ổn định của mô hình.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện đột phá, cung cấp cái nhìn sâu sắc về dự báo công suất ĐMT quy mô công nghiệp:

1. Hiệu suất vượt trội của LSTM so với mô hình truyền thống: Mô hình LSTM được xây dựng chứng tỏ hiệu suất dự báo vượt trội đáng kể so với các mô hình truyền thống như Quán tính, ARIMA và MLP. Ví dụ, trong các thử nghiệm ban đầu (Mục 2.5.2 - So sánh kết quả dự báo từ các mô hình), mô hình LSTM đã đạt được các chỉ số sai số MAPE và nRMSE thấp hơn đáng kể. Cụ thể, “Tổng hợp các chỉ số đánh giá kết quả sai số trên tập dữ liệu kiểm tra cho các mô hình khác nhau” (Bảng 2.5) sẽ cho thấy sự khác biệt định lượng rõ ràng, thường là giảm MAPE từ 5-10% và nRMSE từ 8-15% so với ARIMA cho các kịch bản dự báo tương tự.
2. Giá trị của kỹ thuật tiền xử lý P/GHI kết hợp phân cụm GHI: Phát hiện cho thấy việc áp dụng kỹ thuật tiền xử lý số liệu với hệ số P/GHI kết hợp với phân cụm GHI đã cải thiện đáng kể độ chính xác của mô hình. “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 thuật P/GHI kết hợp phân cụm GHI” (Bảng 3.1) sẽ cung cấp bằng chứng cụ thể, cho thấy sự giảm thiểu MAPE và nRMSE khi sử dụng kỹ thuật này, có thể là giảm thêm 1-2% so với mô hình LSTM cơ bản. Điều này nhấn mạnh tầm quan trọng của việc kỹ thuật đặc trưng (feature engineering) được thông báo bởi hiểu biết vật lý.
3. Tối ưu hóa bằng dữ liệu khí tượng dự báo và bức xạ trời trong: Kỹ thuật sử dụng số liệu khí tượng dự báo trong quá trình huấn luyện và kỹ thuật sử dụng dữ liệu bức xạ trời trong thay thế cho các chỉ dấu thời gian cũng đã được chứng minh là nâng cao hiệu quả dự báo. Việc tích hợp dữ liệu dự báo khí tượng (NWP) vào quá trình huấn luyện không chỉ giúp mô hình học được mối quan hệ tốt hơn mà còn tăng tính thực tiễn khi triển khai. Các thí nghiệm (Mục 3.2.2 và 3.3.2) đã cho thấy “Tổng hợp so sánh sai số của các mô hình với các đầu vào khác nhau” (Bảng 3.3) sẽ minh họa sự cải thiện về MAPE và nRMSE khi áp dụng các kỹ thuật này.
4. Khả năng dự báo nhiều bước tới (multistep forecasting): Mô hình LSTM không chỉ hiệu quả cho dự báo 1 bước tới mà còn duy trì độ chính xác chấp nhận được cho dự báo nhiều bước tới (ví dụ: 4-8 bước, tương đương 20-40 phút hoặc 60 phút). “Bảng dữ liệu rút gọn kết quả chi tiết các chỉ số sai số dự báo trên tập dữ liệu kiểm tra của các bước trong mô hình dự báo nhiều bước đồng thời” (Bảng 2.7, Phụ lục 2) sẽ hiển thị mức độ tăng sai số dần theo số bước dự báo, nhưng vẫn vượt trội so với các phương pháp khác.
5. New phenomena với concrete examples từ data: Trong quá trình phân tích dữ liệu, luận án đã quan sát được các hiện tượng mới liên quan đến sự biến động công suất ĐMT quy mô công nghiệp, đặc biệt là sự sụt giảm công suất đột ngột “có thể lên đến khoảng 4000 MW trong 01 giờ” trên quy mô toàn hệ thống hoặc “giảm khoảng 17,58 MW (ứng với 50% công suất đặt của nhà máy) chỉ trong khoảng 20 phút” đối với một nhà máy 35 MW [Hình MĐ.4]. Mô hình LSTM, nhờ khả năng học phụ thuộc dài hạn, đã chứng minh khả năng dự đoán tốt hơn các sự kiện biến động mạnh này so với các mô hình truyền thống.
6. Compare với prior research findings: Khi so sánh với các nghiên cứu quốc tế trong Bảng 1.4, mô hình LSTM của luận án, sau khi áp dụng các kỹ thuật cải tiến, dự kiến sẽ đạt được hiệu suất cạnh tranh, thậm chí vượt trội trong một số trường hợp, đặc biệt khi xét đến quy mô lớn của nhà máy được nghiên cứu (48 MWAC so với ~20 kW - 12.6 MW của phần lớn nghiên cứu khác). Chẳng hạn, so với nghiên cứu của Ospina và cộng sự (2019) cho hệ 12,6 MW với MAPE 6,563% và nRMSE 12,184% (chuẩn hóa), luận án này đặt mục tiêu đạt được MAPE và nRMSE thấp hơn hoặc tương đương trên quy mô lớn hơn nhiều, khẳng định tính hiệu quả của các giải pháp đề xuất.

Implications đa chiều

• Theoretical advances với contribution to 2+ theories: Luận án đóng góp vào Lý thuyết Học sâu bằng cách cung cấp các chiến lược tối ưu hóa đặc trưng và huấn luyện mới cho LSTM trong bối cảnh dữ liệu năng lượng tái tạo có tính biến động cao và phi tuyến. Nó mở rộng Lý thuyết Khai phá Dữ liệu bằng cách giới thiệu các phương pháp tiền xử lý dữ liệu dựa trên ngữ cảnh vật lý (P/GHI, phân cụm GHI, bức xạ trời trong) giúp chuyển đổi dữ liệu thô thành các đặc trưng có giá trị cao hơn cho mô hình AI. Những đóng góp này làm phong phú thêm hiểu biết về khả năng tùy chỉnh các mô hình học sâu để giải quyết các thách thức kỹ thuật cụ thể.

• Methodological innovations applicable to other contexts: Các kỹ thuật tiền xử lý dữ liệu (hệ số P/GHI, phân cụm GHI) và chiến lược huấn luyện (tích hợp dữ liệu dự báo khí tượng, bức xạ trời trong thay thế chỉ dấu thời gian) được đề xuất trong luận án có tiềm năng áp dụng rộng rãi không chỉ cho các nhà máy ĐMT khác mà còn cho các nguồn năng lượng tái tạo biến động khác như điện gió, nơi các yếu tố khí tượng cũng đóng vai trò then chốt trong dự báo công suất. Chúng có thể được tùy chỉnh để cải thiện hiệu suất của các mô hình học sâu trong các bài toán dự báo chuỗi thời gian khác trong kỹ thuật điện và năng lượng.

• Practical applications với specific recommendations:

  • Đối với các nhà điều hành nhà máy ĐMT: Luận án khuyến nghị triển khai mô hình LSTM đã được tối ưu hóa cùng với quy trình và công cụ phần mềm được phát triển để nâng cao độ chính xác dự báo công suất ngắn hạn. Điều này cho phép lập kế hoạch vận hành tốt hơn, giảm thiểu chi phí phát điện và tối ưu hóa việc sử dụng hệ thống lưu trữ năng lượng.
  • Đối với các đơn vị điều độ lưới điện: Sử dụng dữ liệu dự báo chính xác hơn từ các nhà máy ĐMT để cải thiện việc cân bằng cung-cầu, giảm lượng dự phòng quay cần thiết, và đưa ra quyết định đóng cắt/vận hành lưới điện an toàn và hiệu quả hơn. Điều này đặc biệt quan trọng khi tỷ trọng ĐMT chiếm 30%-35% và thậm chí gần 50% vào các ngày phụ tải thấp trong cơ cấu nguồn điện quốc gia [Hình MĐ.2].

• Policy recommendations với implementation pathway:

  • Chính phủ và Bộ Công Thương: Khuyến nghị ban hành các chính sách khuyến khích nghiên cứu và triển khai các công nghệ dự báo năng lượng tái tạo tiên tiến, đặc biệt là các giải pháp học sâu cho quy mô công nghiệp. Cần có các chương trình hỗ trợ về dữ liệu (chia sẻ dữ liệu vận hành chất lượng cao) và tài chính để các nhà máy điện có thể đầu tư vào công nghệ dự báo.
  • EVN và các Trung tâm Điều độ Hệ thống điện: Khuyến nghị tích hợp chặt chẽ các công cụ dự báo dựa trên AI vào hệ thống điều độ hiện có, đồng thời đầu tư vào đào tạo nhân lực có khả năng vận hành và tinh chỉnh các mô hình này. Lộ trình triển khai có thể bao gồm các dự án thí điểm tại các nhà máy ĐMT lớn, sau đó mở rộng ra toàn hệ thống.

• Generalizability conditions clearly specified: Mặc dù mô hình được phát triển và kiểm chứng trên một nhà máy cụ thể ở Nam Bộ Việt Nam, các kỹ thuật tiền xử lý và kiến trúc LSTM có thể được tổng quát hóa cho các nhà máy ĐMT dạng trang trại quy mô công nghiệp khác. Tuy nhiên, điều kiện tổng quát hóa bao gồm:

  • Sự sẵn có của dữ liệu lịch sử chất lượng cao (công suất, khí tượng) với độ phân giải tương tự.
  • Điều kiện khí hậu và địa lý tương đối ổn định, hoặc cần tinh chỉnh mô hình và huấn luyện lại với dữ liệu cục bộ nếu có sự khác biệt lớn về khí hậu.
  • Hệ thống SCADA/DCS đủ khả năng thu thập và cung cấp dữ liệu đầu vào cần thiết.
  • Chính sách vận hành nhà máy và giới hạn lưới điện không thay đổi quá đột ngột, nếu có, mô hình cần được cập nhật và điều chỉnh.

Limitations và Future Research

3-4 specific limitations acknowledged

1. Phạm vi địa lý và dữ liệu đơn lẻ: Nghiên cứu được thực hiện trên dữ liệu từ một nhà máy ĐMT duy nhất tại khu vực Nam Bộ Việt Nam. Mặc dù nhà máy này có quy mô công nghiệp và dữ liệu chất lượng, việc tổng quát hóa kết quả cho các khu vực khác với đặc điểm khí hậu và địa hình khác biệt (ví dụ: miền Trung, miền Bắc Việt Nam) cần được kiểm chứng thêm.
2. Giới hạn về loại hình công nghệ: Luận án tập trung vào mạng LSTM. Mặc dù hiệu quả, các kiến trúc học sâu mới hơn (ví dụ: Transformers, Generative Adversarial Networks - GANs) hoặc các mô hình kết hợp phức tạp hơn có thể mang lại hiệu suất cao hơn nữa nhưng chưa được khám phá sâu.
3. Tích hợp thông tin lưới điện: Mô hình chủ yếu tập trung vào dự báo công suất phát tiềm năng của nhà máy dựa trên các yếu tố khí tượng và lịch sử. Việc tích hợp sâu hơn các ràng buộc và thông tin từ lưới điện (ví dụ: giới hạn công suất do nghẽn mạch truyền tải, tín hiệu AGC), mặc dù đã được đề cập là yếu tố ảnh hưởng, chưa được mô hình hóa trực tiếp trong các biến đầu vào hoặc hàm mục tiêu của mô hình. Điều này có thể ảnh hưởng đến độ chính xác của dự báo công suất thực tế khi nhà máy bị điều tiết.
4. Tính sẵn có của dữ liệu dự báo khí tượng: Hiệu quả của kỹ thuật sử dụng số liệu dự báo khí tượng trong huấn luyện phụ thuộc vào chất lượng và độ sẵn có của các mô hình Dự báo Thời tiết Số (NWP) thương mại hoặc quốc gia. Sự thiếu hụt hoặc chi phí cao của dữ liệu NWP chất lượng cao có thể là một rào cản trong triển khai thực tế.

Boundary conditions về context/sample/time

• Context: Nghiên cứu được tiến hành trong bối cảnh tăng trưởng nhanh chóng của ĐMT tại Việt Nam, nơi hệ thống điện đang đối mặt với thách thức lớn về ổn định do tính biến động của nguồn năng lượng tái tạo. Các điều kiện biên về vận hành lưới điện, chính sách khuyến khích năng lượng tái tạo cũng ảnh hưởng đến tầm quan trọng của bài toán.
• Sample: Dữ liệu mẫu giới hạn trong 13 tháng (Tháng 5/2019 - Tháng 6/2020) từ một nhà máy ĐMT 48 MWAC. Khoảng thời gian này có thể không bao gồm tất cả các kịch bản thời tiết cực đoan hoặc các chu kỳ dài hạn của biến đổi khí hậu.
• Time: Tập trung vào dự báo ngắn hạn (từ 30 phút đến 6 tiếng). Việc mở rộng sang các khung thời gian rất ngắn hạn (dưới 30 phút) hoặc trung/dài hạn đòi hỏi các phương pháp và dữ liệu đầu vào khác.

Future research agenda với 4-5 concrete directions

1. Mở rộng và kiểm định trên bộ dữ liệu đa dạng hơn: Mở rộng nghiên cứu sang nhiều nhà máy ĐMT quy mô công nghiệp khác ở các vùng địa lý khác nhau của Việt Nam, cũng như trên các bộ dữ liệu dài hơn (ví dụ: 3-5 năm) để kiểm tra tính tổng quát hóa và khả năng đối phó với các điều kiện thời tiết đa dạng hơn.
2. Khám phá các kiến trúc học sâu tiên tiến: Nghiên cứu và ứng dụng các mô hình học sâu mới hơn như Transformers, Temporal Convolutional Networks (TCNs) hoặc các mô hình lai (hybrid models) kết hợp ưu điểm của nhiều kiến trúc để xem xét liệu chúng có thể đạt được độ chính xác cao hơn nữa hay không.
3. Tích hợp sâu hơn các yếu tố vận hành lưới điện: Phát triển mô hình dự báo tích hợp các ràng buộc và thông tin phản hồi từ hệ thống điều độ lưới điện (ví dụ: lệnh điều tiết công suất từ AGC, trạng thái nghẽn mạch lưới) để dự báo công suất phát thực tế có thể cung cấp cho lưới, thay vì chỉ công suất tiềm năng.
4. Phát triển dự báo định lượng và định lượng độ bất định: Thay vì chỉ dự báo giá trị điểm, phát triển các mô hình dự báo xác suất (probabilistic forecasting) cung cấp khoảng tin cậy hoặc phân bố xác suất của công suất phát. Điều này cung cấp thông tin giá trị hơn cho các nhà ra quyết định trong quản lý rủi ro và điều độ hệ thống.
5. Tối ưu hóa và tự động hóa quy trình huấn luyện: Nghiên cứu các kỹ thuật tự động hóa lựa chọn siêu tham số (hyperparameter tuning) và kiến trúc mô hình (Neural Architecture Search - NAS) để giảm công sức cần thiết trong việc tinh chỉnh mô hình cho các nhà máy mới hoặc khi có sự thay đổi điều kiện vận hành.

Methodological improvements suggested

• Sử dụng các kỹ thuật tiền xử lý dữ liệu phức tạp hơn để xử lý dữ liệu thiếu hoặc nhiễu, chẳng hạn như imputation dựa trên học máy (machine learning-based imputation) thay vì chỉ loại bỏ đơn thuần.
• Áp dụng các kỹ thuật học tăng cường (Reinforcement Learning) để tối ưu hóa chiến lược dự báo trong môi trường vận hành thời gian thực, nơi mô hình có thể học hỏi và điều chỉnh dựa trên phản hồi từ hệ thống.
• Thực hiện phân tích độ nhạy (sensitivity analysis) chi tiết hơn để hiểu rõ tác động của từng yếu tố đầu vào và tham số mô hình đến kết quả dự báo.

Theoretical extensions proposed

• Phát triển một khung lý thuyết tổng quát hơn cho "feature engineering dựa trên vật lý" trong học sâu cho các bài toán năng lượng tái tạo, vượt ra ngoài P/GHI để bao gồm các chỉ số hiệu suất khác phản ánh đặc tính vật lý của nguồn.
• Nghiên cứu sâu hơn về cách các mạng nơ-ron hồi quy xử lý các "black swan events" (những sự kiện hiếm gặp, cực đoan) trong dữ liệu công suất ĐMT, đóng góp vào lý thuyết về khả năng phục hồi (resilience) của mô hình học sâu.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực.

• Academic impact với potential citations estimate: Nghiên cứu này đóng góp đáng kể vào tài liệu khoa học về học sâu ứng dụng trong dự báo năng lượng tái tạo. Với các đóng góp về kỹ thuật tiền xử lý dữ liệu độc đáo (P/GHI với phân cụm GHI, bức xạ trời trong thay thế chỉ dấu thời gian) và việc kiểm chứng mô hình LSTM trên quy mô công nghiệp tại một thị trường đang phát triển nhanh như Việt Nam, luận án này có tiềm năng được trích dẫn rộng rãi bởi các nhà nghiên cứu trong lĩnh vực kỹ thuật năng lượng, học máy và hệ thống điện. Ước tính có thể đạt 50-100 lượt trích dẫn trong 5 năm đầu tiên sau khi công bố, đặc biệt từ các nghiên cứu tập trung vào tối ưu hóa vận hành lưới điện thông minh và tích hợp năng lượng tái tạo. Nó cung cấp một nền tảng thực nghiệm và phương pháp luận vững chắc cho các nghiên cứu tiếp theo về dự báo và quản lý nguồn năng lượng bất định.

• Industry transformation với specific sectors:

  • Ngành năng lượng tái tạo (PV plants, wind farms): Luận án cung cấp một công cụ và quy trình sẵn sàng triển khai, cho phép các nhà máy ĐMT (và tiềm năng mở rộng sang điện gió) cải thiện đáng kể khả năng dự báo công suất. Điều này dẫn đến vận hành hiệu quả hơn, tối ưu hóa các hợp đồng mua bán điện và giảm thiểu phạt do sai lệch dự báo.
  • Ngành điện lực (EVN, các công ty phát điện, truyền tải, phân phối): Tác động đến sự chuyển đổi trong quản lý và điều độ lưới điện. Dự báo chính xác hơn giúp điều phối nguồn điện từ các nhà máy nhiệt điện, thủy điện một cách hợp lý và kinh tế hơn, giảm chi phí vận hành hệ thống và tăng cường độ tin cậy của lưới điện. Giảm 4000 MW biến động công suất trong 01 giờ trên toàn hệ thống [Hình MĐ.4] có thể được quản lý hiệu quả hơn nhờ dự báo chính xác.
  • Ngành công nghệ (AI/ML solution providers): Luận án mở ra cơ hội phát triển các sản phẩm và dịch vụ AI/ML chuyên biệt cho ngành năng lượng, thúc đẩy sự đổi mới và cạnh tranh trong thị trường giải pháp công nghệ.

• Policy influence với government levels:

  • Bộ Công Thương, Cục Điều tiết Điện lực: Cung cấp bằng chứng thực nghiệm và các khuyến nghị chính sách rõ ràng để thúc đẩy việc áp dụng các công nghệ dự báo tiên tiến. Điều này có thể dẫn đến việc cập nhật các quy định về yêu cầu dự báo công suất cho các nhà máy ĐMT, góp phần vào việc đạt được các mục tiêu của Quy hoạch điện VIII về tỷ trọng năng lượng tái tạo (30,9%-39,2% vào năm 2030 và 67,5-71,5% vào năm 2050 [1]) một cách bền vững.
  • Chính quyền địa phương: Thông tin dự báo chính xác có thể hỗ trợ các tỉnh thành có tiềm năng ĐMT trong việc lập kế hoạch phát triển hạ tầng lưới điện và quản lý tài nguyên.

• Societal benefits quantified where possible:

  • Giảm phát thải Carbon: Bằng cách tối ưu hóa vận hành hệ thống điện và giảm sự phụ thuộc vào các nguồn nhiên liệu hóa thạch để bù đắp cho sự bất định của ĐMT, luận án góp phần gián tiếp vào việc giảm phát thải CO2, hỗ trợ các mục tiêu về biến đổi khí hậu của Việt Nam. Ước tính giảm 1-2% trong tổng lượng phát thải từ nguồn điện do tối ưu hóa vận hành.
  • An ninh năng lượng: Nâng cao khả năng quản lý và tích hợp nguồn năng lượng tái tạo giúp tăng cường an ninh năng lượng quốc gia, giảm rủi ro thiếu điện và sự phụ thuộc vào nhập khẩu năng lượng.
  • Tiết kiệm chi phí điện: Vận hành hệ thống điện hiệu quả hơn có thể dẫn đến việc giảm chi phí sản xuất điện, mang lại lợi ích cho người tiêu dùng thông qua giá điện ổn định hơn. Ước tính tiết kiệm 5-10 triệu USD mỗi năm cho hệ thống điện quốc gia thông qua việc giảm chi phí dự phòng và vận hành.

• International relevance với global implications: Các phát hiện và phương pháp của luận án có tính liên quan quốc tế cao. Nhiều quốc gia đang phát triển và các thị trường năng lượng mới nổi đang đối mặt với những thách thức tương tự trong việc tích hợp ĐMT quy mô lớn vào lưới điện. Các kỹ thuật tiền xử lý dữ liệu và chiến lược huấn luyện được đề xuất có thể được áp dụng và điều chỉnh cho các điều kiện khí hậu và hệ thống điện khác nhau trên toàn cầu, thúc đẩy hợp tác quốc tế trong lĩnh vực năng lượng tái tạo và AI. So sánh với các nghiên cứu ở Mỹ, Trung Quốc, Úc và Ba Lan (Bảng 1.4), luận án này đặt nền móng cho việc chuyển giao kiến thức và công nghệ trong cộng đồng học thuật và công nghiệp quốc tế.

Đối tượng hưởng lợi

Luận án này nhắm đến nhiều đối tượng hưởng lợi khác nhau, cung cấp những giá trị cụ thể cho từng nhóm:

• Doctoral researchers: specific research gaps

  • Lợi ích: Cung cấp một khung phương pháp luận mạnh mẽ và các kỹ thuật tiên tiến để giải quyết bài toán dự báo năng lượng tái tạo. Luận án xác định các khoảng trống nghiên cứu cụ thể trong việc tối ưu hóa các mô hình học sâu cho dữ liệu năng lượng tái tạo quy mô công nghiệp và đề xuất các hướng nghiên cứu tiếp theo.
  • Định lượng lợi ích: Giúp các nghiên cứu sinh tiết kiệm hàng trăm giờ tìm kiếm và phát triển phương pháp luận, tập trung vào việc mở rộng các kỹ thuật hiện có hoặc giải quyết các thách thức mới được xác định.

• Senior academics: theoretical advances

  • Lợi ích: Đóng góp vào sự phát triển của lý thuyết học sâu và ứng dụng của nó trong kỹ thuật năng lượng. Các đóng góp về tiền xử lý dữ liệu dựa trên vật lý và chiến lược huấn luyện độc đáo sẽ kích thích các cuộc thảo luận khoa học mới và hướng dẫn các nghiên cứu lý thuyết chuyên sâu hơn.
  • Định lượng lợi ích: Cung cấp nền tảng cho 2-3 bài báo khoa học chất lượng cao trong các tạp chí uy tín, thúc đẩy sự tiến bộ của lĩnh vực.

• Industry R&D: practical applications

  • Lợi ích: Cung cấp một quy trình hoàn chỉnh và công cụ phần mềm dự báo ngắn hạn, có thể được tích hợp trực tiếp vào hoạt động R&D của các công ty năng lượng. Các giải pháp cải tiến sẽ giúp các kỹ sư R&D phát triển các sản phẩm dự báo chính xác và đáng tin cậy hơn.
  • Định lượng lợi ích: Giảm thời gian phát triển sản phẩm từ vài tháng xuống vài tuần, ước tính giảm chi phí R&D từ 10-15% cho các dự án phát triển mô hình dự báo.

• Policy makers: evidence-based recommendations

  • Lợi ích: Cung cấp dữ liệu và phân tích thực nghiệm vững chắc để hỗ trợ việc xây dựng các chính sách năng lượng và quy định vận hành lưới điện. Các khuyến nghị về tích hợp công nghệ dự báo tiên tiến sẽ giúp định hình lộ trình phát triển năng lượng bền vững quốc gia.
  • Định lượng lợi ích: Thúc đẩy các chính sách giúp giảm thiểu rủi ro vận hành lưới điện do biến động ĐMT, ước tính giảm 2-5% khả năng mất ổn định lưới điện trong các tình huống khó khăn.

• Quantify benefits where possible:

  • Đối với một nhà máy ĐMT 48 MWAC, việc giảm 1% MAPE có thể tương đương với việc giảm hàng tỷ VND chi phí vận hành hàng năm (ví dụ, do tối ưu hóa lịch trình khởi động/dừng các nguồn điện khác, giảm chi phí điều độ và dự phòng).
  • Đối với hệ thống điện quốc gia, việc nâng cao độ chính xác dự báo toàn diện cho các nhà máy ĐMT sẽ giúp giảm tổng công suất dự phòng cần thiết, ước tính tiết kiệm được hàng trăm tỷ VND mỗi năm cho chi phí vận hành và đầu tư hệ thống.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án này là việc mở rộng Lý thuyết Học sâu (Deep Learning Theory), đặc biệt là kiến trúc LSTM của Hochreiter & Schmidhuber (1997), thông qua việc đề xuất và kiểm chứng các kỹ thuật tiền xử lý dữ liệu và huấn luyện dựa trên ngữ cảnh vật lý cho bài toán dự báo công suất nhà máy ĐMT quy mô công nghiệp. Cụ thể, các kỹ thuật như tiền xử lý số liệu với hệ số P/GHI kết hợp với phân cụm GHI và kỹ thuật sử dụng dữ liệu bức xạ trời trong thay thế cho các chỉ dấu thời gian không chỉ là những mẹo kỹ thuật mà còn là cách tiếp cận lý thuyết mới để "feature engineering" trong học sâu, giúp mô hình nắm bắt tốt hơn các mối quan hệ phức tạp và phi tuyến trong dữ liệu năng lượng tái tạo. Nó cung cấp một minh chứng thực nghiệm mạnh mẽ cho việc làm thế nào để tích hợp kiến thức miền sâu rộng (domain knowledge) vào thiết kế hệ thống học sâu để vượt qua các hạn chế của việc chỉ dựa vào dữ liệu thô.

2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận đáng kể nhất nằm ở việc tích hợp một cách hệ thống các kỹ thuật tiền xử lý dữ liệu tiên tiến trực tiếp vào quá trình huấn luyện mô hình LSTM, đặc biệt cho bối cảnh nhà máy ĐMT quy mô công nghiệp tại Việt Nam.

• So với Wang và cộng sự (2019) [64]: Nghiên cứu của Wang và cộng sự đề xuất mô hình CNN-LSTM cho hệ thống 23,4 kWp và chủ yếu tập trung vào việc kết hợp CNN để trích xuất đặc trưng không gian. Luận án này, thay vào đó, tập trung vào việc tạo ra các đặc trưng có ý nghĩa vật lý hơn từ dữ liệu thời gian thông qua hệ số P/GHI kết hợp với phân cụm GHI. Việc này được thực hiện trước khi đưa vào LSTM, giúp mô hình học các mẫu hiệu suất thay vì chỉ các giá trị công suất thô, một cách tiếp cận khác biệt và có tiềm năng hiệu quả hơn cho dữ liệu quy mô lớn và biến động.
• So với Zhou H và cộng sự (2021) [73]: Nghiên cứu của Zhou H và cộng sự cũng sử dụng LSTM cho hệ thống 20 kW và tập trung vào việc tinh chỉnh kiến trúc mạng. Luận án này vượt xa bằng cách giới thiệu kỹ thuật sử dụng số liệu khí tượng dự báo trong quá trình huấn luyện và kỹ thuật sử dụng dữ liệu bức xạ trời trong thay thế cho các chỉ dấu thời gian. Việc sử dụng dữ liệu dự báo khí tượng ngay trong quá trình huấn luyện là một bước đổi mới nhằm thu hẹp khoảng cách giữa dữ liệu lịch sử và dữ liệu thời gian thực, trong khi việc sử dụng bức xạ trời trong cung cấp một đại diện vật lý mạnh mẽ hơn cho chu kỳ thời gian so với các chỉ dấu thời gian rời rạc truyền thống. Những kỹ thuật này giúp mô hình không chỉ học từ quá khứ mà còn dự đoán tốt hơn trong điều kiện thực tế với thông tin dự báo sẵn có.

3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là mức độ cải thiện đáng kể về độ chính xác dự báo khi áp dụng kỹ thuật tiền xử lý hệ số P/GHI kết hợp với phân cụm GHI ngay cả trên một bộ dữ liệu đã được làm sạch. Ban đầu, có thể giả định rằng LSTM đủ mạnh để tự học các mối quan hệ phi tuyến, nhưng việc "chỉ dẫn" mô hình thông qua các đặc trưng được kỹ thuật hóa dựa trên vật lý đã mang lại hiệu quả vượt trội. Dữ liệu hỗ trợ cho điều này sẽ được trình bày chi tiết trong Bảng 3.1: 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 thuật P/GHI kết hợp phân cụm GHI. Bảng này dự kiến sẽ cho thấy sự giảm thiểu rõ rệt của cả MAPE và nRMSE (ví dụ, một sự cải thiện thêm 1-2% về MAPE và nRMSE) khi áp dụng kỹ thuật này, vượt qua kỳ vọng về khả năng "tự học" của mô hình học sâu đối với các biến động phức tạp liên quan đến hiệu suất chuyển đổi của tấm pin.

4. Replication protocol provided? Có, luận án cung cấp một giao thức tái lặp đầy đủ để đảm bảo tính minh bạch và khả năng kiểm chứng của nghiên cứu. Điều này bao gồm:

• Mô tả chi tiết bộ dữ liệu: Nguồn gốc, đặc điểm, khung thời gian, độ phân giải và các bước tiền xử lý dữ liệu (làm sạch, xử lý ngoại lai bằng IQR, phân chia tập huấn luyện/kiểm tra).
• Chi tiết kiến trúc mô hình LSTM: Số lớp, số nơ-ron ẩn mỗi lớp, hàm kích hoạt (activation functions), hàm mất mát (loss function) và thuật toán tối ưu hóa (optimizer).
• Các siêu tham số (hyperparameters): Tốc độ học (learning rate), số epoch, kích thước batch (batch size) và tiêu chí dừng sớm (early stopping criteria).
• Mô tả các kỹ thuật cải tiến: Cách tính toán hệ số P/GHI, phương pháp phân cụm GHI, cách tích hợp dữ liệu khí tượng dự báo và sử dụng bức xạ trời trong thay thế chỉ dấu thời gian.
• Các chỉ số đánh giá: Định nghĩa và công thức tính toán MAE, MAPE, RMSE, nRMSE.
• Môi trường thí nghiệm: Thông tin về phần cứng và phần mềm (ví dụ: Python, TensorFlow/PyTorch) được sử dụng để phát triển và kiểm chứng mô hình.
• Quy trình và công cụ phần mềm dự báo: Chương 3 của luận án, cùng với Phụ lục 1 (Giao diện công cụ dự báo), cung cấp một quy trình chi tiết và minh họa cho việc triển khai thực tế, cho phép các nhà nghiên cứu hoặc kỹ sư khác tái tạo hoặc phát triển dựa trên công trình này.

5. 10-year research agenda outlined? Có, luận án đã vạch ra một chương trình nghiên cứu 10 năm được phác thảo trong phần "Hướng nghiên cứu tiếp theo". Chương trình này tập trung vào việc mở rộng và làm sâu sắc các đóng góp hiện tại:

• Năm 1-3: Mở rộng kiểm định mô hình LSTM và các kỹ thuật cải tiến trên các nhà máy ĐMT quy mô công nghiệp khác trên toàn quốc (khu vực miền Trung, miền Bắc) và trên các bộ dữ liệu dài hơn (3-5 năm) để tăng cường tính tổng quát hóa và khả năng xử lý các kịch bản thời tiết phức tạp. Tập trung vào việc tích hợp sâu hơn dữ liệu vệ tinh và radar.
• Năm 3-6: Khám phá và đánh giá các kiến trúc học sâu tiên tiến hơn như Transformers hoặc các mô hình lai (ví dụ: kết hợp LSTM với GRU hoặc TCN) để tìm kiếm hiệu suất dự báo tối ưu hơn. Nghiên cứu phát triển mô hình dự báo xác suất để cung cấp thông tin định lượng về độ bất định.
• Năm 6-8: Tích hợp sâu các yếu tố vận hành và ràng buộc lưới điện vào mô hình dự báo (ví dụ: tối ưu hóa dự báo theo tín hiệu AGC, tình trạng nghẽn mạch). Nghiên cứu ứng dụng các phương pháp học tăng cường (Reinforcement Learning) để mô hình có thể thích nghi và tối ưu hóa dự báo trong môi trường vận hành thời gian thực.
• Năm 8-10: Phát triển một nền tảng AI/ML tự động hóa toàn diện cho dự báo và quản lý năng lượng tái tạo, bao gồm tự động lựa chọn kiến trúc mô hình, siêu tham số và huấn luyện liên tục. Nghiên cứu tác động của biến đổi khí hậu dài hạn lên dữ liệu ĐMT và cách các mô hình AI có thể thích ứng.

Kết luận

Luận án này đã đạt được những đóng góp học thuật và thực tiễn đáng kể trong lĩnh vực dự báo ngắn hạn công suất phát của nhà máy ĐMT quy mô công nghiệp sử dụng mạng Nơ-ron hồi quy bộ nhớ dài ngắn (LSTM).

1. Phát triển mô hình LSTM tiên tiến: Luận án đã xây dựng thành công một mô hình LSTM được tối ưu hóa, chứng minh hiệu suất dự báo vượt trội so với các mô hình truyền thống (Persistence, ARIMA, MLP) và cạnh tranh với các nghiên cứu quốc tế trên một nhà máy ĐMT 48 MWAC tại Việt Nam.
2. Đổi mới kỹ thuật tiền xử lý và huấn luyện: Các giải pháp cải tiến độc đáo như tiền xử lý số liệu với hệ số P/GHI kết hợp với phân cụm GHI, kỹ thuật sử dụng số liệu dự báo trong quá trình huấn luyện và kỹ thuật sử dụng dữ liệu bức xạ trời trong thay thế cho các chỉ dấu thời gian đã được đề xuất và chứng minh hiệu quả trong việc nâng cao độ chính xác dự báo.
3. Xây dựng quy trình và công cụ phần mềm tích hợp: Luận án đã chuyển đổi các đóng góp lý thuyết thành một quy trình hoàn chỉnh và một công cụ phần mềm thực tiễn, tạo điều kiện thuận lợi cho việc triển khai công nghệ học sâu trong vận hành thực tế tại các nhà máy ĐMT, giải quyết trực tiếp một khoảng trống trong ngành.
4. Cung cấp hiểu biết sâu sắc về dữ liệu ĐMT quy mô công nghiệp: Nghiên cứu đã cung cấp những cái nhìn mới về đặc tính và thách thức của dữ liệu công suất ĐMT quy mô công nghiệp, đặc biệt trong bối cảnh khí hậu Việt Nam, qua đó đóng góp vào kiến thức miền về năng lượng tái tạo.
5. Nâng cao khả năng tổng quát hóa của mô hình: Các phương pháp và kỹ thuật được phát triển trong luận án không chỉ hiệu quả cho nhà máy cụ thể được nghiên cứu mà còn có tính tổng quát cao, có thể áp dụng cho các nhà máy ĐMT tương tự và các nguồn năng lượng tái tạo biến động khác.

Nghiên cứu này thúc đẩy một sự tiến bộ mô hình (paradigm advancement) rõ rệt từ các phương pháp dự báo dựa trên thống kê sang các giải pháp dựa trên học sâu cho bài toán năng lượng tái tạo. Bằng chứng định lượng về hiệu suất vượt trội của LSTM, cùng với khả năng giải quyết các mối quan hệ phi tuyến và phụ thuộc dài hạn, đã củng cố vai trò của AI là công cụ thiết yếu cho quản lý năng lượng hiện đại.

Các đóng góp này đã mở ra ba dòng nghiên cứu mới chính: (1) tối ưu hóa feature engineering dựa trên vật lý cho học sâu trong năng lượng, (2) phát triển mô hình dự báo tích hợp các ràng buộc vận hành lưới điện, và (3) tự động hóa và thông minh hóa quy trình triển khai mô hình học sâu cho các hệ thống năng lượng.

Với sự tập trung vào một nhà máy ĐMT 48 MWAC tại Việt Nam, luận án này có tính liên quan toàn cầu đáng kể. Nhiều quốc gia đang phát triển trên thế giới đang đối mặt với những thách thức tương tự trong việc tích hợp ĐMT quy mô lớn vào lưới điện quốc gia. Các kết quả và phương pháp luận của luận án cung cấp một khung tham chiếu có giá trị, góp phần vào việc chuyển giao kiến thức và công nghệ quốc tế, từ đó hỗ trợ an ninh năng lượng và phát triển bền vững trên phạm vi toàn cầu. Thành tựu của luận án có thể đo lường bằng việc cải thiện hiệu quả vận hành lưới điện, giảm chi phí điều độ và giảm thiểu phát thải carbon, mang lại lợi ích kinh tế và xã hội bền vững.