Luận án Tiến sĩ: Dự báo ngắn hạn công suất ĐMT bằng mạng nơ ron hồi quy

Năng lượng tái tạo chiếm tỷ trọng ngày càng lớn. ĐMT là nguồn phát triển nhanh nhất. Công suất ĐMT phụ thuộc bức xạ mặt trời. Biến động thời tiết gây dao động công suất lớn. Hệ thống quang điện (PV) cần dự báo chính xác. Dự báo hỗ trợ điều độ hệ thống điện. Giảm tổn thất kinh tế khi tích hợp lưới. Việt Nam có tiềm năng ĐMT cao. Nhu cầu dự báo ngắn hạn tăng nhanh. Bài toán đặt ra cấp thiết cho vận hành thực tế.

Phương pháp vật lý sử dụng mô hình thời tiết. Phương pháp thống kê dựa chuỗi thời gian. ARIMA là mô hình thống kê phổ biến. Phương pháp học máy cho kết quả tốt hơn. ANN là mạng nơ-ron nhân tạo cơ bản. Deep Learning giải quyết bài toán phức tạp. LSTM xử lý tốt dữ liệu chuỗi thời gian. CNN trích xuất đặc trưng không gian hiệu quả. RNN học được phụ thuộc dài hạn. Phương pháp kết hợp nâng cao độ chính xác. Mỗi phương pháp có ưu nhược điểm riêng.

Sai số dự báo đo bằng nhiều chỉ số. RMSE đánh giá sai số toàn cục. MAE đo sai số tuyệt đối trung bình. MAPE thể hiện sai số phần trăm. R² đánh giá mức độ phù hợp. Biểu đồ phân bố sai số phân tích chi tiết. So sánh mô hình trên cùng tập dữ liệu. Kiểm định thống kê xác nhận kết quả. Đánh giá trên dữ liệu kiểm tra độc lập. Kết quả minh chứng hiệu quả phương pháp đề xuất.

LSTM có ba cổng chính: quên, đầu vào, đầu ra. Cell state là đường truyền chính xuyên qua thời gian. Cổng quên sử dụng sigmoid để lọc thông tin. Giá trị gần 0 nghĩa là loại bỏ thông tin. Giá trị gần 1 nghĩa là giữ lại thông tin. Cổng đầu vào tạo giá trị ứng viên mới. Kết hợp cổng quên và đầu vào cập nhật cell state. Cổng đầu ra quyết định trạng thái ẩn đầu ra. Hàm tanh chuẩn hóa giá trị trong khoảng [-1, 1]. Quá trình lặp lại qua các bước thời gian. Mạng học được mẫu hình phức tạp trong dữ liệu. Tham số được tối ưu qua quá trình huấn luyện lan truyền ngược.

GRU là biến thể đơn giản hóa của LSTM. GRU chỉ có hai cổng thay vì ba. Bi-LSTM xử lý dữ liệu hai chiều. Stacked LSTM xếp chồng nhiều tầng LSTM. CNN-LSTM kết hợp trích xuất đặc trưng tích chập. Encoder-Decoder xử lý đầu vào và đầu ra khác độ dài. Attention mechanism tập trung vào bước thời gian quan trọng. Mỗi biến thể phù hợp với loại dữ liệu khác nhau. Luận án đánh giá và so sánh hiệu quả. Kết quả chỉ ra ưu điểm của từng biến thể.

Mô hình quán tính dự báo bằng giá trị trước đó. ARIMA mô hình hóa thành phần xu hướng và mùa. MLP là mạng nơ-ron feedforward nhiều lớp. LSTM vượt trội hơn các mô hình này trong hầu hết thí nghiệm. Ưu điểm lớn nhất là học được phụ thuộc dài hạn. LSTM xử lý tốt dữ liệu có tính chu kỳ. Mô hình quán tính đơn giản nhưng sai số lớn. ARIMA tốt hơn quán tính nhưng hạn chế với dữ liệu phi tuyến. MLP không lưu trữ thông tin qua các bước thời gian. LSTM kết hợp ưu điểm của học sâu và chuỗi thời gian.

Dữ liệu khí tượng bao gồm bức xạ, nhiệt độ, độ ẩm, tốc độ gió. Dữ liệu công suất phát được ghi nhận liên tục. Tần suất lấy mẫu là 15 phút hoặc 1 giờ. Dữ liệu được kiểm tra chất lượng và loại bỏ giá trị bất thường. Kỹ thuật nội suy điền dữ liệu thiếu. Chuẩn hóa dữ liệu về khoảng [0, 1] bằng MinMaxScaler. Trích xuất đặc trưng thời gian: giờ, ngày, tháng, mùa. Đặc trưng bức xạ GHI và P/GHI được tạo mới. Dữ liệu được chia thành tập huấn luyện, kiểm định và kiểm tra. Tỷ lệ chia thường là 70-15-15 hoặc 80-10-10.

Mô hình LSTM được xây dựng với nhiều tầng. Số lượng neuron và dropout được tối ưu. Hàm mất mát sử dụng MSE hoặc MAE. Bộ tối ưu Adam với tốc độ học thích nghi. Kỹ thuật early stopping防止 quá khớp. Batch size ảnh hưởng đến tốc độ hội tụ. Số epoch được giới hạn bởi callback. Kiểm định chéo đánh giá tính tổng quát hóa. Siêu tham số được tìm kiếm bằng grid search hoặc random search. Mô hình tốt nhất được chọn dựa trên tập kiểm định. Thời gian huấn luyện phụ thuộc vào kích thước dữ liệu và kiến trúc mạng.

Mô hình được đánh giá trên tập dữ liệu kiểm tra độc lập. Các chỉ số RMSE, MAE, MAPE, R² được tính toán. Kết quả LSTM tốt hơn mô hình quán tính rõ rệt. LSTM vượt trội hơn ARIMA trong hầu hết kịch bản. So sánh với MLP cho thấy lợi thế của bộ nhớ dài hạn. Biểu đồ dự báo so với thực tế minh họa trực quan. Phân tích sai số theo thời gian trong ngày. Sai số lớn hơn vào thời điểm giao ngày đêm. Dự báo nhiều bước thời gian giảm độ chính xác dần. Kết quả xác nhận hiệu quả của phương pháp đề xuất.

Kỹ thuật kết hợp P/GHI với phân cụm GHI cải thiện chất lượng dữ liệu. Phân cụm dựa trên giá trị bức xạ mặt trời. Tách biệt mẫu hình ngày nắng và ngày mây. Mỗi cụm được huấn luyện mô hình riêng biệt. Kết quả cải thiện đáng kể so với mô hình đơn nhất. Tiền xử lý ảnh hưởng lớn đến hiệu suất cuối cùng. Làm sạch dữ liệu loại bỏ nhiễu hiệu quả. Chuẩn hóa theo từng cụm giúp mô hình học tốt hơn. Kỹ thuật này áp dụng được cho nhiều loại dữ liệu thời tiết.

Dữ liệu khí tượng dự báo thường có sẵn hơn dữ liệu thực đo. Sử dụng dữ liệu dự báo trong huấn luyện mô hình thực tế hơn. Mô hình học được mối quan hệ giữa dự báo thời tiết và công suất. Kết quả cho thấy mô hình vẫn hoạt động tốt. Sai số tăng nhẹ so với dùng dữ liệu thực đo. Tuy nhiên tính khả thi triển khai cao hơn. Phương pháp này phù hợp với điều kiện vận hành thực tế. Nhà máy ĐMT có thể áp dụng trực tiếp. Giải pháp bridge giữa nghiên cứu và ứng dụng thực tiễn.

Quy trình dự báo gồm hai bước chính. Bước một là xử lý dữ liệu đầu vào tự động. Bước hai là huấn luyện và dự báo bằng mô hình. Công cụ phần mềm được xây dựng với giao diện thân thiện. Người dùng có thể cấu hình tham số dễ dàng. Kết quả dự báo hiển thị trực quan dưới dạng biểu đồ. Công cụ hỗ trợ xuất báo cáo đánh giá sai số. Phần mềm có thể tích hợp vào hệ thống SCADA. Quy trình tự động giảm thời gian và nhân lực. Giải pháp sẵn sàng triển khai trong thực tế sản xuất.

Dữ liệu công suất ĐMT có tính mùa vụ rõ ràng. Biến động theo giờ trong ngày do góc chiếu nắng. Giá trị bằng 0 vào ban đêm. Dao động mạnh khi có mây che phủ. Tính tự tương quan cao giữa các bước thời gian liền kề. Nhiễu đo lường và thời tiết gây biến động bất thường. Dữ liệu có phân bố không đều và bị cắt cụt ở 0. Đặc điểm phi tuyến tính và phi Gaussian. Cần kỹ thuật tiền xử lý phù hợp. Mô hình phải xử lý được các đặc điểm phức tạp này.

Phương pháp truyền thống như ARIMA giả định tuyến tính. Học sâu học được mẫu hình phi tuyến phức tạp. ANN tự động trích xuất đặc trưng từ dữ liệu thô. Không cần kiến thức chuyên môn để thiết kế đặc trưng thủ công. Mô hình học sâu xử lý dữ liệu đa biến hiệu quả. Khả năng tổng quát hóa tốt khi có đủ dữ liệu huấn luyện. Tốc độ dự báo nhanh sau khi huấn luyện xong. Nhược điểm là cần nhiều dữ liệu và tài nguyên tính toán. Mô hình khó giải thích hơn phương pháp truyền thống. Tuy nhiên hiệu suất dự báo vượt trội đáng kể.

Kiến trúc Transformer đang nổi lên cho chuỗi thời gian. Mô hình foundation cho dự báo thời tiết và năng lượng. Học liên tục cập nhật mô hình theo thời gian thực. Kết hợp vệ tinh ảnh mây cải thiện dự báo. Dự báo theo cụm nhà máy thay vì đơn lẻ. Tối ưu hóa đa mục tiêu: độ chính xác và tính giải thích được. Triển khai trên edge computing cho phản hồi nhanh. Ứng dụng học tăng cường cho điều độ hệ thống. Nghiên cứu mở rộng sang các loại NLTT khác. Triển vọng lớn trong chuyển dịch năng lượng bền vững.

Xây dựng mô hình LSTM dự báo công suất ĐMT ngắn hạn. Đề xuất kỹ thuật tiền xử lý P/GHI kết hợp phân cụm GHI. Sử dụng dữ liệu khí tượng dự báo trong huấn luyện. Thay thế chỉ số thời gian bằng dữ liệu bức xạ thực tế. Xây dựng quy trình dự báo hoàn chỉnh tự động. Phát triển công cụ phần mềm có giao diện thân thiện. Kết quả nghiên cứu công bố trên tạp chí ISI. Đóng góp vào nền tảng khoa học dự báo NLTT. Minh chứng tính khả thi áp dụng tại Việt Nam. Gợi ý hướng phát triển cho nghiên cứu tương lai.

Dữ liệu chỉ từ một nhà máy ĐMT cụ thể. Phạm vi thời gian dữ liệu huấn luyện giới hạn. Chưa đánh giá trên nhiều loại thời tiết khắc nghiệt. Mô hình chưa tích hợp dữ liệu ảnh vệ tinh mây. Chưa so sánh với kiến trúc Transformer mới nhất. Thời gian huấn luyện dài với dữ liệu lớn. Yêu cầu phần cứng GPU cao. Chưa triển khai thực tế trên hệ thống SCADA. Tính giải thích được của mô hình còn hạn chế. Cần nghiên cứu sâu hơn về robustness của mô hình.

Mở rộng dữ liệu từ nhiều nhà máy ĐMT khác nhau. Kết hợp dữ liệu vệ tinh ảnh mây thời gian thực. Áp dụng kiến trúc Transformer cho chuỗi thời gian. Phát triển mô hình dự báo theo cụm nhà máy. Tối ưu mô hình cho triển khai trên edge computing. Nghiên cứu học liên tục cập nhật mô hình tự động. Mở rộng sang dự báo công suất điện gió. Xây dựng hệ thống hỗ trợ ra quyết định cho điều độ. Ứng dụng học tăng cường cho quản lý lưới thông minh. Đóng góp vào lộ trình carbon trung hòa của Việt Nam.