Ứng dụng mạng nơron nhân tạo dự báo sản lượng điện của nhà máy điện mặt trời

Nội dung text: Ứng dụng mạng nơron nhân tạo dự báo sản lượng điện của nhà máy điện mặt trời

1. BÀI BÁO KHOA HỌC ỨNG DỤNG MẠNG NƠRON NHÂN TẠO DỰ BÁO SẢN LƯỢNG ĐIỆN CỦA NHÀ MÁY ĐIỆN MẶT TRỜI Trịnh Quốc Công1, Hồ Ngọc Dung1 Tóm tắt: Việt Nam được đánh giá là quốc giá có tiềm năng lớn về năng lượng mặt trời. Đây là nguồn năng lượng thân thiện với môi trường và tái tạo trong thiên nhiên. Trong những năm gần đây, với nhiều cơ chế khuyến khích, các dự án điện năng lượng mặt trời phát triển mạnh ở nước ta, góp phần đảm bảo an ninh năng lượng quốc gia. Tuy nhiên với sự phát triển nhanh kể cả về số lượng dự án, tổng công suất lắp đặt và sản lượng điện của các nhà máy điện mặt trời nên công tác vận hành hệ thống điện gặp khó khăn. Để có cơ sở phối hợp vận hành hợp lý các nguồn điện trong hệ thống cần có công tác dự báo công suất cũng như sản lượng điện của các nhà máy điện mặt trời. Nghiên cứu này đã ứng dụng mạng nơron nhân tạo dự báo sản lượng điện của nhà máy điện mặt trời dựa trên các yếu tồ về thời tiết. Nghiên cứu được ứng dụng dự báo điện lượng ngày của nhà máy điện mặt trời công suất 752KWp tại tỉnh Hưng Yên cho kết quả tin cậy. Kết quả nghiên cứu cung cấp một phương pháp hữu ích trong dự báo sản lượng điện của các nhà máy điện mặt trời, góp phần xây dựng chế độ vận hành hợp lý cho hệ thống điện. Từ khóa: Năng lượng điện mặt trời, mạng thần kinh nhân tạo ANN, dự báo điện lượng. * 1. ĐẶT VẤN ĐỀ triển nhanh kể cả về số lượng dự án, tổng công suất Những năm qua, dưới tác động nghiêm trọng lắp đặt và sản lượng điện nên công tác vận hành hệ từ biến đổi khí hậu, Việt Nam đã chuyển hướng thống điện gặp khó khăn. Để có cơ sở phối hợp vận phát triển mạnh ngành năng lượng tái tạo. Các hành hợp lý các nguồn điện trong hệ thống cần có nguồn năng lượng gió và năng lượng mặt trời có công tác dự báo công suất cũng như sản lượng điện nhiều cơ chế khuyến khích để phát triển. Đến thời của các nhà máy điện trong hệ thống, đặc biệt là điểm hiện tại, tổng công suất lắp đặt về điện mặt công tác dự báo ngắn và trung hạn về sản lượng trời trên cả nước đã đạt tới 19.400 MWp (trong đó điện của các nhà máy điện mặt trời. có gần 9.300 MWp là điện mặt trời mái nhà), Công suất phát và điện lượng của nhà máy điện tương ứng 16.500 MW, chiếm khoảng 25% tổng mặt trời phụ thuộc vào bức xạ chiếu xuống bề mặt công suất lắp đặt nguồn điện của hệ thống điện tấm pin năng lượng. Sự biến thiên bức xạ chiếu quốc gia. Theo dự thảo Quy hoạch điện 8, đến xuống tấm pin phụ thuộc rất lớn vào các yếu tố năm 2030 tổng công suất lắp đặt điện mặt trời khí hậu như nhiệt độ không khí, chế độ mưa, chế khoảng 22.040 MW và đến năm 2045 công suất độ về mây phủ, số giờ nắng vv. Do đó có thể lắp đặt điện mặt trời đạt khoảng 63.640 MW (Dự dự báo điện năng của nhà máy điện mặt trời dựa thảo Quy hoạch phát triển điện quốc gia, 2021). trên các yếu tố về thời tiết. Các số liệu về thời tiết Các dự án điện mặt trời đã đóng góp lớn vào như nhiệt độ không khí, số giờ mưa, chế độ mây việc đảm bảo an ninh năng lượng quốc gia, góp phủ được lưu trữ ở các trạm khí tượng hoặc các phần phát triển đất nước. Tuy nhiên với sự phát trang web dự báo uy tín. Trong nghiên cứu này, các tác giả sử dụng phương pháp mạng nơron nhân tạo (ANN) dự báo sản lượng điện của nhà 1 Khoa Công trình, Trường Đại học Thủy lợi 90 KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ ĐẶC BIỆT (12/2021)
2. máy điện mặt trời dựa trên số liệu về nhiệt độ cũng như nước ta đã ứng dụng mô hình toán ANN không khí, số giờ mưa, số giờ mây phủ. Nghiên vào giải quyết các bài toán dự báo cho kết quả đáng cứu được áp dụng dự báo sản lượng điện cho nhà tin cậy. Mạng thần kinh nhân tạo có ưu điểm là khả máy điện mặt trời áp mái công suất 752,4kWp tại năng học và xử lý chuỗi số liệu đầu vào, tận dụng huyện Tiên Lữ, tỉnh Hưng Yên. triệt để được các thông tin dữ liệu đo đạc hiện có 2. PHƯƠNG PHÁP NGHIÊN CỨU trong quá khứ, dựa vào mối quan hệ giữa các dữ liệu 2.1.Tính toán điện lượng nhà máy điện mặt trời đầu vào để từ đó đưa ra các dự báo. Trong các mô Điện năng sản xuất trong khoảng giờ ti trong hình ANN thì mô hình Mạng thần kinh nhân tạo ngày tính theo công thức (Kandasamy CP, 2013): truyền thẳng nhiều lớp (Multilayer Perceptron - E SPV ,i N mod ul,i .Z. t. SPV (1) MLP) được sử dụng phổ biến để giải quyết các bài toàn phi tuyến, phức tạp, khi mà mối quan hệ giữa Trong đó: Nmodul, Z, Δt, ηSPV - tương ứng là công suất phát, số lượng modul, thời gian phát các quá trình không dễ thiết lập một cách tường điện và hiệu suất trong thời đoạn i trong ngày của minh. Cấu trúc của mạng ANN truyền thẳng MPL nhà máy điện mặt trời. gồm lớp biến đầu vào input, lớp kết quả đầu ra Thành phần công suất phát điện của tấm pin output và các lớp ẩn hidden. (Vũ Hữu Tiệp, 2018). trong công thức (1) xác định căn cứ vào đường đặc tính công suất của tấm pin: N f G , N (2) mod ul ,i ,tt,i mod ul ,G Trong đó: G,tt,i là tổng xạ chiếu xuống bề mặt tấm pin. N là công suất phát điện ứng với mod ul ,G cường độ bức xạ chiếu tới bề mặt tấm pin do nhà sản xuất cung cấp. Đối với công trình đã lắp đặt, sản lượng điện phát Hình 1. Cấu trúc mạng nơron nhân tạo được trong thời đoạn i phụ thuộc vào tổng xạ chiếu xuống bề mặt tấm pin. Tổng xạ này phụ thuộc rất Các trọng số liên kết giữa các nơron của các nhiều vào điều kiện thời tiết như điều kiện về nắng, lớp trong ANN được xác định qua quá trình luyện mưa, sương mù vv nên công suất phát và sản mạng (học) từ dữ liệu quá khứ. Quá trình học là lượng điện của nhà máy điện mặt trời cũng phụ quá trình cập nhật trọng số liên kết sao cho giá trị thuộc vào các yếu tố thời tiết. Từ đó có thể sử dụng hàm lỗi (sai số) là nhỏ nhất. Một mạng nơron mạng nơron nhân tạo để dự báo sản lượng điện phát được huấn luyện sao cho với một tập các vec-tơ được trong ngày của nhà máy điện mặt trời dựa trên đầu vào X, mạng có khả năng tạo ra tập các vec-tơ các yếu tố thời tiết được dự báo. đầu ra mong muốn Y của nó. Tập X được sử dụng 2.2. Mạng thần kinh nhân tạo cho huấn luyện mạng được gọi là tập huấn luyện Mạng nơron nhân tạo, Artificial Neural (training set). Các phần tử x thuộc X được gọi là Network (ANN), gọi tắt là mạng nơron là một mô các mẫu huấn luyện (training example). Quá trình hình xử lý thông tin phỏng theo cách thức xử lý huấn luyện bản chất là sự thay đổi các trọng số thông tin của các hệ nơron sinh học. Nó được tạo liên kết của mạng. Trong quá trình này, các trọng nên từ một số lượng lớn các phần tử (gọi là phần số của mạng sẽ hội tụ dần tới các giá trị sao cho tử xử lý hay nơron) kết nối với nhau thông qua các với mỗi vec-tơ đầu vào x từ tập huấn luyện, mạng liên kết (gọi là trọng số liên kết) làm việc như một sẽ cho ra vec-tơ đầu ra y có sái số so với giá trị thể thống nhất để giải quyết một vấn đề cụ thể. thực đo nhỏ nhất. Có nhiều thuật giải để xác định Trong những thập niên gần đây, trên thế giới các trọng số liên kết trong đó thuật giải lan truyền KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ ĐẶC BIỆT (12/2021) 91
3. ngược (back-propagation algorithm) được ứng Pin năng lượng mặt trời: dụng rất phổ biến. Các bước luyện mạng xác định Loại pin mặt trời: Đơn c- Si. trọng số liên kết được cho trong sơ đồ sau: Công suất tấm pin: 440 Wp. Số lượng tấm pin: 1710 Tấm. Hiệu suất tấm pin: 19,8%. Inverter Loại máy inverter: String. Số lượng inverter: 06. Công suất inverter: 110kWac. Hiệu suất inverter: 98,7%. Trạm biến áp: Công suất máy biến áp: 750kVA. Điện áp: 0,4/22kV. 3.2. Số liệu sử dụng dự báo Số liệu sử dụng là số liệu quan sát từ ngày 01/01/2021 đến ngày 25/8/2021 của nhiệt độ trung bình ngày, số giờ mưa ngày, số giờ mây phủ trong ngày và sản lượng điện trung bình ngày. Theo quan sát, nhà máy điện mặt trời bắt đầu phát điện từ khoảng 6 giờ sáng đến 6 giờ chiều nên để tránh gây nhiễu cho Hình 2. Sơ đồ khối luyện mạng ANN mô hình, các số liệu sử dụng tính toán chỉ lấy trong khoảng thời gian từ 6 giờ sáng đến 6 giờ chiều. Do đặc Sau khi xác định được các trọng số, mạng điểm khí hậu miền Bắc rất khác nhau giữa các mùa ANN sẽ được sử dụng dự báo trên tập số liệu nên trong tính toán luyện mô hình ANN, các số liệu kiểm định (testing set). Độ chính xác của kết quả đầu vào cũng được phân theo mùa để tính. dự báo điện lượng được đánh giá thông qua trị số Số liệu về nhiệt độ trung bình ngày, số giờ sai số quân phương (RMSE) và phần trăm sai số mưa, số giờ có mây phủ từ ngày 01/01/2021 đến tuyệt đối trung bình (MAPE). tháng 25/8/2021 được lấy từ website. 3. KẾT QUẢ TÍNH TOÁN . 3.1. Thông số của nhà máy điện mặt trời 752KWp Điện lượng trung bình ngày từ ngày Sử dụng mạng nơron nhân tạo dự báo sản lượng 01/01/2021 đến ngày 25/8/2021 được lấy từ số điện trung bình ngày dựa trên yêu tố thời tiết là nhiệt liệu vận hành của nhà máy có trong website: độ trung bình ngày, số giờ mưa và số giờ mây phủ . trong ngày của nhà máy điện mặt trời áp mái công suất 752,4kWp tại huyện Tiên Lữ, tỉnh Hưng Yên. Nhà máy có thông số cơ bản như sau: Thông số chung của nhà máy: Công suất lắp máy 752,4kWp Cường độ bức xạ trung bình: 3,83 kWh/m²/ngày. Điện lượng trung bình năm: 857.500 kWh/năm. Hiệu suất hệ thống (PR): 80,1%. Hình 3. Đường quá trình nhiệt độ trung bình ngày 92 KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ ĐẶC BIỆT (12/2021)
4. Sử dụng các số liệu thời tiết và điện lương từ tháng 1 đến tháng 7 để luyện mạng ANN bằng ngôn ngữ R (Bradley Boehmke, 2020) với cấu trúc mạng gồm lớp đầu vào là các thông số về nhiệt độ trung bình ngày, số giờ mưa, số giờ có mây phủ; lớp đầu ra là điện lượng phát được trong ngày; 02 lớp ẩn. Kết quả tính toán các trọng số liên kết cho trong hình 7. Hình 4. Số giờ mưa trong ngày Hình 5. Số giờ có mây phủ trong ngày Hình 7. Trọng số liên kết mạng ANN dự báo điện lượng 3.3. Kiểm định kết quả dự báo Ứng dụng mô hình trên dự báo điện lượng ngày cho nhà máy điện mặt trời 752.4kWp tại tỉnh Hưng Yên để kiểm định kết quả tính toán của mô hình. Bộ dữ liệu tính toán kiểm định là dữ liệu về thời tiết và điện lượng của 25 ngày đầu tháng 8 năm 2021. Kết quả dự báo được so sánh với số liệu thực Hình 6. Đường quá trình điện lượng ngày đo trong bảng sau: Bảng 1. So sánh điện lượng dự báo và thực đo Ngày/tháng 1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8 10/8 11/8 12/8 13/8 Nhiệt độ 28.0 32.2 32.8 33.2 34.0 35.1 35.4 30.9 28.4 29.0 29.0 31.5 Số giờ mưa (giờ) 4.5 0 0 0 0 0 0 5 4 0 0 0 Số giờ mây phủ (giờ) 5 0.5 0 0 0 0 0 0 9 7.5 8 8 Điện lượng thực tế (MWh) 1.46 3.42 4.04 3.80 3.71 3.65 4.14 1.72 1.28 2.39 2.24 3.04 Điện lượng dự báo (MWh) 1.28 3.71 3.74 3.80 3.91 4.05 4.10 1.78 1.35 2.28 2.18 2.67 Ngày/tháng 15/8 16/8 17/8 18/8 19/8 20/8 21/8 22/8 23/8 24/8 25/8 Nhiệt độ 29.0 31.4 31.6 31.4 31.3 32.0 32.9 32.4 28.4 31.5 31.1 Số giờ mưa (giờ) 4.5 0 0 0 0 0 0 0 0 0 1 Số giờ mây phủ (giờ) 5.5 1 2 0 0 2.5 1 4 4 6 4 Điện lượng thực tế (MWh) 1.26 3.95 3.55 4.31 3.90 3.30 3.96 3.02 2.32 2.99 2.92 Điện lượng dự báo (MWh) 1.47 4.43 3.22 3.82 3.51 3.34 4.19 3.44 2.55 3.10 3.01 KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ ĐẶC BIỆT (12/2021) 93
5. Kết quả dự báo điện lượng có: 4. KẾT LUẬN Sai số quân phương: RMSE = 0.29MWh, Ứng dụng mạng nơron nhân tạo dự báo sản Phần trăm sai số tuyệt đối trung bình: MAPE = 7,7%. lượng điện trung bình ngày thông qua yêu tố dự Kết quả tính toán cho thấy giá trị dự báo và giá trị báo thời tiết là nhiệt độ trung bình ngày, số giờ thực tế của điện lượng sai số không lớn, có thể dùng mưa, số giờ mây phủ đồng thời kể đến yếu tổ ảnh kết quả dự báo phục vụ công tác vận hành của nhà hưởng của thời tiết theo mùa cho kết quả phù hợp. máy điện mặt trời cũng như hệ thống điện. Do nhà máy điện mặt trời công suất 752,4KWp tại tỉnh Hưng Yên mới đi vào hoạt động từ tháng 1 năm 2021 nên bộ số liệu sử dụng để dự báo còn khá ít. Trong quá trình làm việc của các nhà máy điện mặt trời, bộ dữ liệu dùng để dự báo sản lượng điện thường xuyên được cập nhật nên kết quả dự báo sẽ ngày càng tin cây. Dự báo sản lượng điện của các nhà máy điện mặt trời ứng dụng mạng thần kinh nhân tạo có ý nghĩa quan trọng, góp phần cải thiện chế độ vận Hình 8. Đường quá trình điện lượng dự báo hành các nhà máy điện mặt trời cũng như toàn bộ và thực tế hệ thống điện của nước ta. TÀI LIỆU THAM KHẢO Chính phủ (2021), Dự thảo Quyết định phê duyệt Quy hoạch điện lực quốc gia thời kỳ 2021 – 2030, tầm nhìn đến năm 2045. Vũ Hữu Tiệp (2018), Machine learning cơ bản. Nhà xuất bản Khoa học và Kỹ thuật. Bradley Boehmke & Brandon Greenwell (2020), Hands-On Machine Learning with R, CRC. Kandasamy CP, Prabu P, Niruba K (2013), Solar Potential Assessment Using PVSYST Software. IEEE 667-672. Abtrast: APPLICATION OF ARTIFICIAL NEUTRAL NETWORK FOR PREDICTING ENERGY OUTPUT OF SOLAR POWER PLANTS Vietnam is assessed as a country with great potential for solar energy. This is an environmentally sustainable and renewable energy source. In recent years, with many incentive mechanisms, solar power projects have developed in our country rapidly. These projects have contributed to ensuring national energy security. However, with the rapid development in terms of the number of projects, total installed capacity, and electricity output of solar power plants, the operation of the electricity system faces difficulties. In order to opperate energy sources in the electricity system reasonably, it is necessary to forecast the capacity as well as the electricity output of solar power plants. This study has applied the artificial neural network to predict the power output of solar power plants based on weather conditions. The study was applied to predict the daily output of 752,4KWp solar power plant in Hung Yen province. Results of predicted daily output are reliable. This study provides a useful method for predicting the power output of solar power plants to make a reasonable operating mode for power plants in the electricity system. Keywords: Solar energy, Artifical neural network ANN, Energy forecast. Ngày nhận bài: 10/10/2021 Ngày chấp nhận đăng: 31/10/2021 94 KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ ĐẶC BIỆT (12/2021)