Luận án Tiến sĩ: Dự báo ngắn hạn công suất ĐMT bằng mạng nơ ron hồi quy
Luận án nghiên cứu mô hình dự báo ngắn hạn công suất phát nhà máy điện mặt trời bằng mạng nơ ron hồi quy, nâng cao độ chính xác dự báo.
Kỹ thuật Năng lượng
Luan An
Luận án Tiến sĩ
Năm xuất bản
Số trang
119
Thời gian đọc
18 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
40 Point
Mục lục chi tiết
Tóm tắt nội dung
I. Tổng quan dự báo công suất ĐMT Phương pháp yếu tố
Dự báo công suất điện mặt trời (ĐMT) đóng vai trò then chốt trong vận hành lưới điện hiện đại. Sự biến động của Hệ thống quang điện (PV) gây thách thức cho ổn định hệ thống. Dự báo ngắn hạn giúp tối ưu hóa quản lý năng lượng, lập kế hoạch phân phối. Luận án này tập trung vào các phương pháp tiên tiến. Mục tiêu là nâng cao độ chính xác dự báo công suất ĐMT. Nó khảo sát các yếu tố ảnh hưởng đến sản lượng PV. Nghiên cứu cũng phân loại các kỹ thuật dự báo hiện có. Các phương pháp dựa trên Học máy đang nổi lên như giải pháp hiệu quả. Chúng xử lý tốt dữ liệu phức tạp, phi tuyến tính.
1.1. Các yếu tố ảnh hưởng công suất Hệ thống PV
Công suất phát của nhà máy điện mặt trời chịu ảnh hưởng bởi nhiều yếu tố. Bức xạ mặt trời là yếu tố chính. Nhiệt độ môi trường, tốc độ gió cũng tác động đáng kể. Độ ẩm, áp suất khí quyển cũng có vai trò nhất định. Đặc điểm kỹ thuật của tấm pin PV, hiệu suất chuyển đổi cũng ảnh hưởng. Bụi bẩn, bóng đổ làm giảm sản lượng. Hiểu rõ các yếu tố này giúp cải thiện độ chính xác của mô hình Dự báo công suất điện mặt trời. Dữ liệu khí tượng đầu vào là không thể thiếu.
1.2. Phân loại phương pháp Dự báo công suất ĐMT
Các phương pháp dự báo công suất điện mặt trời được phân loại thành nhiều nhóm. Phương pháp vật lý sử dụng mô hình bức xạ, nhiệt độ. Phương pháp thống kê dựa vào Phân tích chuỗi thời gian. ARIMA là một ví dụ phổ biến. Phương pháp Học máy, Học sâu (Deep Learning) sử dụng Mạng nơ-ron nhân tạo (ANN). Chúng học từ dữ liệu lịch sử. Các mô hình như RNN, LSTM, CNN ngày càng được ứng dụng rộng rãi. Phương pháp kết hợp tận dụng ưu điểm của nhiều kỹ thuật. Lựa chọn phương pháp phù hợp phụ thuộc vào phạm vi dự báo và tính sẵn có của dữ liệu.
II. Xây dựng mô hình dự báo ĐMT Mạng nơ ron LSTM
Luận án xây dựng mô hình Dự báo công suất ĐMT ngắn hạn. Phương pháp cốt lõi là sử dụng Mạng nơ-ron hồi quy bộ nhớ dài ngắn (LSTM). LSTM là một dạng của Học sâu (Deep Learning). Nó giải quyết vấn đề gradient biến mất trong RNN truyền thống. LSTM phù hợp cho Phân tích chuỗi thời gian. Các bước thu thập, tiền xử lý dữ liệu được thực hiện cẩn thận. Dữ liệu lịch sử công suất phát, thông số khí tượng được sử dụng. Mô hình được huấn luyện để học các mối quan hệ phức tạp. Mục tiêu là dự đoán công suất PV trong thời gian ngắn.
2.1. Thu thập tiền xử lý dữ liệu phục vụ Học sâu
Quá trình thu thập dữ liệu bao gồm số liệu khí tượng thực tế và công suất phát ĐMT. Dữ liệu khí tượng bao gồm bức xạ mặt trời, nhiệt độ, độ ẩm, tốc độ gió. Dữ liệu công suất phát từ nhà máy điện mặt trời được ghi lại. Tiền xử lý dữ liệu là bước quan trọng. Nó bao gồm làm sạch dữ liệu nhiễu, xử lý giá trị thiếu. Trích xuất các đặc trưng quan trọng từ tập dữ liệu. Dữ liệu được chuẩn hóa để tăng hiệu quả huấn luyện. Sau đó, dữ liệu chia thành tập huấn luyện và kiểm tra. Điều này đảm bảo đánh giá khách quan về hiệu suất mô hình Học sâu.
2.2. Kiến trúc mô hình LSTM cho Dự báo ngắn hạn
Kiến trúc mạng nơ-ron LSTM được thiết kế đặc biệt. Nó phù hợp với nhiệm vụ Dự báo công suất điện mặt trời ngắn hạn. Mô hình sử dụng các cổng vào, cổng quên, cổng ra. Các cổng này kiểm soát luồng thông tin trong mạng. LSTM có khả năng ghi nhớ các phụ thuộc dài hạn. Điều này rất quan trọng đối với dữ liệu chuỗi thời gian. Mô hình được cấu hình với số lớp, số nơ-ron phù hợp. Quá trình huấn luyện tối ưu hóa các trọng số mạng. Mục tiêu là giảm thiểu sai số dự báo.
2.3. So sánh mô hình LSTM với phương pháp truyền thống
Để đánh giá hiệu quả của LSTM, luận án so sánh với các mô hình khác. Các mô hình so sánh bao gồm mô hình quán tính, ARIMA, và MLP. Mô hình quán tính đơn giản, dựa trên giá trị trước đó. ARIMA là một kỹ thuật Phân tích chuỗi thời gian cổ điển. MLP (Multi-Layer Perceptron) là Mạng nơ-ron nhân tạo cơ bản. Kết quả so sánh cho thấy ưu điểm vượt trội của LSTM. Mô hình Học sâu này cung cấp độ chính xác cao hơn. Nó xử lý tốt hơn sự phức tạp, tính phi tuyến của dữ liệu công suất PV. Điều này khẳng định tiềm năng của LSTM trong Dự báo công suất điện mặt trời.
III. Cải thiện hiệu suất dự báo ĐMT Kỹ thuật tiền xử lý
Luận án đề xuất nhiều kỹ thuật mới. Chúng nhằm cải thiện đáng kể hiệu suất của mô hình Dự báo công suất ĐMT. Các kỹ thuật này tập trung vào tiền xử lý dữ liệu và chiến lược huấn luyện. Mục đích là nâng cao độ chính xác dự báo. Nó giúp mô hình Mạng nơ-ron nhân tạo học hiệu quả hơn. Các giải pháp sáng tạo được chứng minh qua thí nghiệm. Chúng mang lại kết quả dự báo công suất điện mặt trời tối ưu.
3.1. Tối ưu hóa dữ liệu đầu vào Hệ số P GHI
Kỹ thuật tiền xử lý dữ liệu mới được giới thiệu. Nó sử dụng hệ số P/GHI (Power/Global Horizontal Irradiance). Hệ số này kết hợp với phân cụm GHI. Phương pháp này giúp chuẩn hóa dữ liệu đầu vào. Nó phản ánh hiệu suất thực tế của hệ thống PV. Bằng cách phân loại và xử lý dữ liệu theo các cụm GHI, mô hình có thể học được các mẫu phức tạp hơn. Điều này giảm nhiễu, tăng tính ổn định của dữ liệu. Kết quả là mô hình Dự báo công suất điện mặt trời đạt độ chính xác cao hơn.
3.2. Sử dụng dữ liệu khí tượng dự báo khi huấn luyện
Một kỹ thuật cải tiến khác là sử dụng dữ liệu khí tượng dự báo. Dữ liệu này được tích hợp ngay trong quá trình huấn luyện và dự báo. Thay vì chỉ dùng dữ liệu lịch sử thực tế, mô hình học cách thích ứng. Nó học với các điều kiện thời tiết dự kiến. Phương pháp này mô phỏng sát hơn môi trường vận hành thực tế. Điều này giúp mô hình Mạng nơ-ron nhân tạo phản ứng linh hoạt hơn. Nó cải thiện đáng kể độ tin cậy của Dự báo công suất ĐMT, đặc biệt trong các điều kiện thời tiết thay đổi.
3.3. Thay thế đầu vào thời gian bằng Bức xạ trời
Kỹ thuật thứ ba đề xuất thay thế các chỉ số thời gian truyền thống. Thay vào đó, dữ liệu bức xạ trời trực tiếp được sử dụng làm đầu vào. Bức xạ trời là yếu tố có tác động trực tiếp và mạnh mẽ nhất đến sản lượng PV. Việc sử dụng thông tin trực tiếp này giúp mô hình tập trung vào mối quan hệ vật lý cốt lõi. Nó loại bỏ sự phụ thuộc vào các đặc trưng thời gian gián tiếp. Điều này đơn giản hóa mô hình, đồng thời tăng cường khả năng học của Học sâu. Kết quả là Dự báo công suất điện mặt trời trở nên chính xác hơn, robust hơn.
IV. Quy trình công cụ dự báo công suất PV tự động
Luận án không chỉ dừng lại ở nghiên cứu lý thuyết. Nó còn phát triển một quy trình toàn diện. Quy trình này hướng tới việc tự động hóa tác vụ Dự báo công suất ĐMT. Mục tiêu là tạo ra một công cụ thực tế. Công cụ này có thể áp dụng hiệu quả cho các nhà máy điện mặt trời. Nó giúp các đơn vị vận hành đưa ra quyết định tối ưu. Việc phát triển công cụ phần mềm là một đóng góp quan trọng. Nó biến các mô hình Học sâu thành ứng dụng thực tiễn.
4.1. Các bước xây dựng hệ thống Dự báo công suất ĐMT
Quy trình xây dựng hệ thống Dự báo công suất điện mặt trời bao gồm nhiều bước. Bước đầu tiên là xử lý dữ liệu đầu vào. Dữ liệu thô từ cảm biến được làm sạch và chuẩn hóa. Bước tiếp theo là huấn luyện mô hình Mạng nơ-ron hồi quy. Mô hình LSTM được tối ưu hóa với các kỹ thuật cải tiến. Sau khi huấn luyện, mô hình được kiểm định kỹ lưỡng. Cuối cùng, mô hình được triển khai vào môi trường vận hành. Hệ thống cung cấp các dự báo ngắn hạn liên tục, tự động.
4.2. Công cụ phần mềm triển khai mô hình Mạng nơ ron
Một công cụ phần mềm đã được phát triển. Nó tích hợp các mô hình Mạng nơ-ron nhân tạo và các kỹ thuật tiền xử lý. Giao diện người dùng thân thiện. Nó cho phép người vận hành dễ dàng nhập dữ liệu. Công cụ hiển thị kết quả Dự báo công suất ĐMT một cách trực quan. Phần mềm tự động thực hiện các tác vụ phức tạp. Điều này bao gồm thu thập dữ liệu, huấn luyện lại mô hình, đưa ra dự báo. Nó hỗ trợ hiệu quả cho việc quản lý năng lượng tái tạo.
4.3. Ứng dụng thực tiễn Dự báo công suất điện mặt trời
Công cụ và quy trình được đề xuất có tiềm năng ứng dụng thực tiễn rộng rãi. Nó có thể được triển khai tại các nhà máy điện mặt trời. Các đơn vị điều độ lưới điện cũng hưởng lợi. Dự báo ngắn hạn chính xác giúp tối ưu hóa sản xuất. Nó cải thiện ổn định lưới, giảm chi phí vận hành. Công suất điện mặt trời dự báo tốt hơn hỗ trợ tích hợp năng lượng tái tạo. Nó đóng góp vào phát triển bền vững của hệ thống điện.
V. Kết quả đánh giá mô hình Dự báo công suất ĐMT
Luận án cung cấp đánh giá toàn diện về hiệu suất. Các mô hình Dự báo công suất điện mặt trời được phân tích kỹ lưỡng. Kết quả cho thấy sự vượt trội của phương pháp Học sâu. Đặc biệt là mô hình LSTM. Các kỹ thuật cải tiến đã nâng cao đáng kể độ chính xác. Luận án khẳng định tính khả thi, hiệu quả của các giải pháp đề xuất. Đây là đóng góp quan trọng cho lĩnh vực năng lượng tái tạo.
5.1. Hiệu quả của mô hình Học sâu trong dự báo
Mô hình LSTM đã chứng minh hiệu quả vượt trội. Nó đạt độ chính xác cao hơn đáng kể. So với các mô hình truyền thống như ARIMA hay MLP. Khả năng học các phụ thuộc phức tạp trong chuỗi thời gian là ưu điểm. Mạng nơ-ron hồi quy này xử lý tốt tính phi tuyến của dữ liệu công suất PV. Điều này giúp giảm thiểu sai số dự báo. Kết quả khẳng định Mạng nơ-ron nhân tạo, đặc biệt là LSTM, là giải pháp mạnh mẽ. Nó tối ưu hóa Dự báo công suất điện mặt trời.
5.2. Lợi ích từ các kỹ thuật cải tiến hiệu suất
Các kỹ thuật tiền xử lý và huấn luyện mới mang lại lợi ích rõ rệt. Sử dụng hệ số P/GHI kết hợp phân cụm GHI đã tối ưu hóa dữ liệu đầu vào. Tích hợp dữ liệu khí tượng dự báo cải thiện khả năng thích ứng. Thay thế đầu vào thời gian bằng bức xạ trời giúp mô hình tập trung hơn. Tất cả các kỹ thuật này đều đóng góp vào việc giảm sai số dự báo. Chúng tăng cường độ tin cậy của hệ thống. Hiệu suất tổng thể của Dự báo công suất ĐMT được nâng cao đáng kể.
5.3. Tiềm năng ứng dụng Mạng nơ ron nhân tạo
Kết quả nghiên cứu mở ra tiềm năng lớn cho ứng dụng Mạng nơ-ron nhân tạo. Đặc biệt trong lĩnh vực năng lượng tái tạo. Dự báo công suất điện mặt trời chính xác hơn hỗ trợ vận hành lưới điện thông minh. Nó thúc đẩy quá trình chuyển đổi năng lượng. Công nghệ Học sâu, Học máy sẽ tiếp tục phát triển. Chúng sẽ đóng vai trò ngày càng quan trọng. Nghiên cứu này đặt nền tảng cho các hướng phát triển tiếp theo. Nó góp phần vào quản lý bền vững nguồn năng lượng PV.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (119 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộBà GIÁO DĀC VIàN HÀN LÂM KHOA HàC VÀ ĐÀO T¾O VÀ CÔNG NGHà VIàT NAM HàC VIàN KHOA HàC VÀ CÔNG NGHà ----------------------------- BÙI DUY LINH NGHIÊN CĄU MÔ HÌNH DĀ BÁO NGÂN H¾N CÔNG SUÂT PHÁT CĂA NHÀ MÁY ĐIàN M¾T TRâI SĈ DĀNG M¾NG N¡-RON HàI QUY LUÀN ÁN TI¾N Sþ Kþ THUÀT NNG L¯þNG HÀ NÞI – 2024 Bà GIÁO DĀC VIàN HÀN LÂM KHOA HàC VÀ ĐÀO T¾O VÀ CÔNG NGHà VIàT NAM HàC VIàN KHOA HàC VÀ CÔNG NGHà ----------------------------- BÙI DUY LINH NGHIÊN CĄU MÔ HÌNH DĀ BÁO NGÂN H¾N CÔNG SUÂT PHÁT CĂA NHÀ MÁY ĐIàN M¾T TRâI SĈ DĀNG M¾NG N¡-RON HàI QUY LUÀN ÁN TI¾N Sþ Kþ THUÀT NNG L¯þNG Mã sß : Thí điám Xác nhÁn căa Hác vián Ng°ãi h°áng d¿n 1 Ng°ãi h°áng d¿n 2 Khoa hác và Công nghá TS. Nguyßn Quang Ninh TS. Đoàn Vn Bình HÀ NÞI – 2024 i LâI CAM ĐOAN Tôi xin cam đoan đề tài nghiên cứu trong luận án này là công trình nghiên cứu của tôi dựa trên những tài liệu, số liệu do chính tôi tự tìm hiểu và nghiên cứu. Chính vì vậy, các kết quÁ nghiên cứu đÁm bÁo trung thực và khách quan nhất.
Trong quá trình nghiên cứu, tác giÁ công bố một số kết quÁ trên các t¿p chí khoa học của ngành và của lĩnh vực năng lượng. Kết quÁ nghiên cứu của luận án này chưa từng được công bố trong bất kỳ công trình nghiên cứu nào khác ngoài các công trình nghiên cứu của tác giÁ. Tác giÁ luÁn án Bùi Duy Linh ii LâI CÀM ¡N Tác giÁ xin bày tß lßi cÁm ¢n và lòng kính tráng đái vãi các thÅy h°ãng d¿n: TiÁn sĩ Đoàn Văn Bình, TiÁn sĩ Nguyßn Quang Ninh - Vián Khoa hác công nghá Năng l°ÿng và Môi tr°ßng, Vián Hàn lâm Khoa hác và Công nghá Viát Nam bái nhÿng chỉ d¿n quý báu về đßnh h°ãng nghiên cāu và ph°¢ng pháp luÁn để luÁn án này đ°ÿc hoàn thành. Tác giÁ cũng xin chân thành cÁm ¢n Ban lãnh đ¿o Hác vián Khoa hác và Công nghá, Vián Khoa hác công nghá Năng l°ÿng và Môi tr°ßng - Vián Hàn lâm Khoa hác và Công nghá Viát Nam đã t¿o điều kián về c¢ sá vÁt chÃt và thßi gian để tác giÁ hoàn thành luÁn án.
Tác giÁ xin trân tráng cÁm ¢n các nhà khoa hác, các đãng nghiáp đã phÁn bián, đóng góp các ý kiÁn quý báu để xây dāng và trao đåi các vÃn đề lý thuyÁt cũng nh° thāc tißn giúp hoàn thián luÁn án. Đặc biát, tác giÁ xin đ°ÿc bày tß lßi cÁm ¢n sâu sÃc nhÃt đÁn gia đình đã luôn chia sẻ nhÿng khó khăn, luôn hß trÿ, đáng viên tinh thÅn giúp tác giÁ có đ°ÿc chß dāa vÿng chÃc để hoàn thành luÁn án này. iii DANH MĀC CÁC TĂ VIÀT TÂT .vi DANH MĀC BÀNG. vii DANH MĀC HÌNH.
Lý do chán đề tài. Ph°¢ng pháp nghiên cāu. Ph¿m vi nghiên cāu. C¢ sá khoa hác và thāc tißn cÿa đề tài.
Nhÿng đóng góp mãi cÿa luÁn án. TäNG QUAN NGHIÊN CĀU. Công suÃt phát đÅu ra cÿa nhà máy ĐMT và các yÁu tá Ánh h°áng. Công suÃt phát đÅu ra cÿa nhà máy ĐMT.
Các yÁu tá Ánh h°áng đÁn công suÃt phát nhà máy ĐMT. Phân lo¿i các khung dā báo công suÃt ĐMT. Đánh giá chÃt l°ÿng mô hình dā báo. Đánh giá sai sá thông qua các chỉ sá.
Đánh giá sai sá thông qua biểu đã phân bá sai sá. Các ph°¢ng pháp dā báo ngÃn h¿n công suÃt nhà máy ĐMT. Ph°¢ng pháp VÁt lý. Ph°¢ng pháp Tháng kê theo chußi thßi gian.
Ph°¢ng pháp Hác máy. Ph°¢ng pháp KÁt hÿp. Tình hình nghiên cāu. XÂY DĀNG MÔ HÌNH DĀ BÁO NGÂN H¾N CÔNG SUÂT NHÀ MÁY ĐMT VâI M¾NG N¡-RON HâI QUY Bà NHâ DÀI NGÂN.
Thu thÁp sá liáu. Sá liáu khí t°ÿng thāc tÁ. Sá liáu công suÃt phát. Bá dÿ liáu phāc vā xây dāng mô hình.
Môi tr°ßng thí nghiám. Tiền xử lý sá liáu. Trích xuÃt các đặc tr°ng quan tráng tă bá dÿ liáu. Làm s¿ch dÿ liáu.
Phân chia dÿ liáu huÃn luyán và kiểm tra. Xây dāng mô hình LTSM và các mô hình so sánh. Mô hình quán tính. Mô hình ARIMA.
Mô hình MLP. Xây dāng mô hình LSTM. HuÃn luyán mô hình LSTM. So sánh kÁt quÁ dā báo tă các mô hình.
HuÃn luyán mô hình sử dāng tÁp kiểm chāng và kỹ thuÁt dăng sãm. So sánh mô hình nhiều đÅu vào vãi mô hình mát đÅu vào. Đánh giá và kÁt luÁn. GIÀI PHÁP CÀI TIÀN HIàU QUÀ MÔ HÌNH VÀ XÂY DĀNG QUY TRÌNH, CÔNG CĀ DĀ BÁO.
Kỹ thuÁt tiền xử lý sá liáu vãi há sá P/GHI kÁt hÿp vãi phân cām GHI. Ph°¢ng án đề xuÃt. Thí nghiám chāng minh hiáu quÁ. Kỹ thuÁt huÃn luyán sử dāng sá liáu khí t°ÿng dā báo trong quá trình huÃn luyán và dā báo.
Ph°¢ng án đề xuÃt. Thí nghiám chāng minh hiáu quÁ. Kỹ thuÁt sử dāng dÿ liáu bāc x¿ trßi trong thay thÁ cho các đÅu vào chỉ sá thßi gian 71 3. Ph°¢ng án đề xuÃt.
Thí nghiám kiểm chāng hiáu quÁ. Quy trình và công cā xử lý bài toán dā báo ngÃn h¿n công suÃt ĐMT sử dāng m¿ng N¢-ron hãi quy. B°ãc 1 - Xử lý dÿ liáu đÅu vào. B°ãc 2 - HuÃn luyán mô hình.
Công cā phÅn mềm dā báo công suÃt ĐMT .84 KÀT LUÀN VÀ H¯âNG NGHIÊN CĀU TIÀP THEO. H¯âNG NGHIÊN CĀU TIÀP THEO. 88 DANH MĀC CÁC CÔNG TRÌNH Đà CÔNG Bà .90 TÀI LIàU THAM KHÀO. 91 PHĀ LĀC 1: Giao dián công cā dā báo .101 PHĀ LĀC 2: KÁt quÁ chi tiÁt các chỉ sá sai sá dā báo trên tÁp dÿ liáu kiểm tra cÿa tăng b°ãc trong mô hình dā báo nhiều b°ãc đãng thßi .103 vi DANH MĀC CÁC TĆ VI¾T TÂT Tiếng Việt STT Tć vi¿t tÃt GiÁi thích 1 ĐMT Đián mặt trßi 2 NLTT Năng l°ÿng tái t¿o Tiếng Anh STT Tć vi¿t tÃt GiÁi thích 1 AC Alternating Current: Đián xoay chiều Augmented Dickey-Fuller: Kiểm đßnh Dickey-Fuller tăng 2 ADF c°ßng Akaike Information Criteria: Tiêu chuẩn kiểm đßnh thông tin 3 AIC Akaike 4 ANN Artificial Neural Network: M¿ng n¢-ron nhân t¿o 5 APE Absolute Percentage Error: Sai sá tuyát đái phÅn trăm Autoregressive Integrated Moving Average: Tā hãi quy tích 6 ARIMA hÿp trung bình tr°ÿt Back Propagation Through Time: ThuÁt toán lan truyền ng°ÿc 7 BPTT qua thßi gian 8 DC Direct Current: Đián mát chiều Global Horizontal Irradiance: Bāc x¿ toàn phÅn theo ph°¢ng 9 GHI ngang 10 IQR Interquartile Range: KhoÁng tā phân vß Long Short Term Memory: M¿ng N¢-ron hãi quy Bá Nhã Dài 11 LSTM – NgÃn 12 MAE Mean Absolute Error: Sai sá tuyát đái trung bình 13 MLP Multilayer Perceptron: M¿ng n¢-ron nhiều lãp Mean Absolute Percentage Error: Sai sá tuyát đái phÅn trăm 14 MAPE trung bình Maximum Power Point Tracker: Bá theo dõi điểm công suÃt 15 MPPT cāc đ¿i 16 MSE Mean Square Error: Sai sá trung bình bình ph°¢ng normalize Root Mean Square Error: Sai sá trung bình bình 17 nRMSE ph°¢ng gác chuẩn hóa 18 NWP Numerical Weather Pridiction: Mô hình dā báo thßi tiÁt sá 19 RMSE Root Mean Square Error: Sai sá trung bình bình ph°¢ng gác 20 RNN Recurrent Neural Networks: M¿ng n¢-ron hãi quy 21 STC Standard Test Condition: Điều kián thí nghiám tiêu chuẩn vii DANH MĀC BÀNG BÁng 1.
Ví dā về há sá Ánh h°áng cÿa nhiát đá đÁn thông sá vÁn hành tÃm pin. Phân lo¿i các khung dā báo. Tång hÿp phân lo¿i các ph°¢ng pháp dā báo công suÃt ĐMT .4: Tång hÿp mát sá các mô hình dā báo ĐMT sử dāng LSTM đã công bá tă 2019-2023. Dÿ liáu lßch sử cÿa nhà máy.
KÁt quÁ kiểm đßnh há sá t°¢ng quan Pearson. KÁt quÁ kiểm đßnh ADF. KÁt quÁ kiểm đßnh AIC. Há sá t°¢ng quan Pearson cÿa các thông sá khí t°ÿng và công suÃt t¿i các b°ãc trß khác nhau.
Tång hÿp các chỉ sá đánh giá kÁt quÁ sai sá trên tÁp dÿ liáu kiểm tra cho các mô hình khác nhau. KÁt quÁ huÃn luyán tái °u mô hình. So sánh mô hình sử dāng đÅu vào đa biÁn và đ¢n biÁn. KÁt quÁ sai sá cÿa dā báo công suÃt cho chu kỳ t sử dāng các sá liáu khí t°ÿng quá khā đÅu vào (1) t-4 đÁn tvà (2) tă t-4 đÁn t-1.
BÁng dÿ liáu rút gán kÁt quÁ chi tiÁt các chỉ sá sai sá dā báo trên tÁp dÿ liáu kiểm tra cÿa các b°ãc trong mô hình dā báo nhiều b°ãc đãng thßi. So sánh các mô hình. KÁt quÁ sai sá dā báo trên tÁp dÿ liáu kiểm tra vãi bá dÿ liáu huÃn luyán tr°ãc và sau khi xử lý vãi kỹ thuÁt P/GHI kÁt hÿp phân cām GHI. KÁt quÁ dā báo cÿa mô hình LSTM-4L100N trên tÁp dÿ liáu kiểm tra.
Tång hÿp so sánh sai sá cÿa các mô hình vãi các đÅu vào khác nhau. Các nhãn thßi gian th°ßng đ°ÿc dùng trong dā báo công suÃt ĐMT. So sánh cÃu hình thiÁt lÁp thāc nghiám vãi các mô hình. So sánh kÁt quÁ dā báo trên tÁp dÿ liáu kiểm tra .75 ix DANH MĀC HÌNH Hình MĐ.
Công suÃt lÃp đặt ĐMT t¿i Viát Nam. C¢ cÃu nguãn ngày vÁn hành thông th°ßng và ngày nghỉ lß. Công suÃt phát cÿa mát nhà máy ĐMT biÁn đáng trong ngày. Māc đá biÁn đáng cÿa ĐMT trong vÁn hành thāc tÁ.
Đ°ßng cong I-V và đặc tính công suÃt cÿa tÃm pin quang đián. Các thành phÅn bāc x¿ mà tÃm pin mặt trßi nhÁn đ°ÿc .3: Đặc tính I-V cÿa tÃm pin MSP290AS-36. Quan há giÿa GHI và công suÃt phát đÅu ra cÿa mát nhà máy ĐMT. Ành h°áng cÿa nhiát đá lên đián áp và dòng đián cÿa tÃm pin.
Nguyên lý thay đåi góc nghiêng theo mùa để đ¿t sÁn l°ÿng tái đa. Giãi h¿n công suÃt do ngh¿n m¿ch truyền tÁi. Sā thay đåi cÿa sai sá dā báo theo khung thßi gian dā báo. Biểu đã phân bá sai sá phÅn trăm cÿa hai ph°¢ng pháp dā báo.
Các nguãn dÿ liáu khí t°ÿng. Mô phßng cÃu trúc cÿa mát m¿ng n¢-ron nhân t¿o. Các khái trong chußi khái cÿa m¿ng n¢-ron hãi quy. CÃu trúc cÿa mát chußi khái LSTM .14: Tỷ lá sử dāng các ph°¢ng pháp trong các nghiên cāu về dā báo công suÃt ĐMT.
Dÿ liáu vÁn hành quá khā cÿa nhà máy. Ngày có công suÃt phát đÅu ra ån đßnh. Ngày có công suÃt phát đÅu ra biÁn đáng. Ph°¢ng pháp IQR xác đßnh điểm ngo¿i lai.
Phân phái cÿa công suÃt đÅu ra tr°ãc khi lo¿i bß các điểm ngo¿i lai. Phân phái cÿa công suÃt đÅu ra sau khi lo¿i bß các điểm ngo¿i lai.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Luận án Tiến sĩ: Dự báo công suất ĐMT ngắn hạn mạng nơ ron" nghiên cứu về vấn đề gì?
Luận án nghiên cứu mô hình dự báo ngắn hạn công suất phát nhà máy điện mặt trời bằng mạng nơ ron hồi quy, nâng cao độ chính xác dự báo.
Luận án "Luận án Tiến sĩ: Dự báo công suất ĐMT ngắn hạn mạng nơ ron" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Học viện Khoa học và Công nghệ. Năm bảo vệ: 2024.
Luận án "Luận án Tiến sĩ: Dự báo công suất ĐMT ngắn hạn mạng nơ ron" thuộc chuyên ngành gì?
Luận án "Luận án Tiến sĩ: Dự báo công suất ĐMT ngắn hạn mạng nơ ron" thuộc chuyên ngành Kỹ thuật Năng lượng. Danh mục: Năng Lượng Tái Tạo.
Luận án "Luận án Tiến sĩ: Dự báo công suất ĐMT ngắn hạn mạng nơ ron" có bao nhiêu trang?
Luận án "Luận án Tiến sĩ: Dự báo công suất ĐMT ngắn hạn mạng nơ ron" có 119 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Luận án Tiến sĩ: Dự báo công suất ĐMT ngắn hạn mạng nơ ron" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.