MODEL USING FUZZY LOGIC REASONING TO PREDICT WIND SPEED FOR WIND TURBINES OPERATIONS - Full 10 điểm

T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ NĂNG LƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) 102 S ố 31 MÔ HÌNH PH Ố I H Ợ P S Ử D Ụ NG SUY LU Ậ N LOGIC M Ờ ĐỂ D Ự BÁO T ỐC ĐỘ GIÓ DÙNG CHO V ẬN HÀNH CÁC NHÀ MÁY ĐIỆ N GIÓ A HYBRID MODEL USING FUZZY LOGIC REASONING TO PREDICT WIND SPEED FOR WIND TURBINES OPERATIONS Tr ầ n Hoài Linh Trường Điệ n - Điệ n t ử, Đạ i h ọ c Bách k hoa Hà N ộ i Ngày nh ậ n bài: 05/4/2023, Ngày ch ấ p nh ận đăng: 2 6 /5/2023, Ph ả n bi ệ n: PGS TS Nguy ễ n H ữ u Đ ứ c Tóm t ắ t: Trong bài báo này, m ộ t mô hình m ớ i s ử d ụ ng ph ố i h ợ p kh ố i d ự báo tuy ế n tính và kh ố i d ự báo b ằ ng các lu ậ t suy lu ậ n l o gic m ờ s ẽ đư ợ c đ ề xu ấ t s ử d ụ ng cho m ô hình d ự báo t ố c đ ộ gió t ạ i các v ị trí đ ặ t turbin c ủ a nhà máy đi ệ n gió Các nhà máy đi ệ n c ầ n có các mô hình này đ ể ph ố i h ợ p v ậ n hành v ớ i các đơn v ị đi ề u đ ộ c ủ a h ệ th ố ng Mô hình s ử d ụ ng ph ố i h ợ p m ộ t kh ố i phi tuy ế n và m ộ t kh ố i tuy ế n tính s ẽ cho k ế t qu ả chí nh xác hơn khi ch ỉ s ử d ụ ng đ ộ c l ậ p các kh ố i thành ph ầ n Mô hình đ ề xu ấ t trong bài báo này đư ợ c áp d ụ ng th ử nghi ệ m cho m ộ t năm s ố li ệ u đo lư ờ ng t ố c đ ộ gió ở cao đ ộ 100 m và 80 m, v ớ i các bài toán d ự báo 30 phút trong ngày, d ự báo 2 ngày ti ế p theo ngày hi ệ n t ạ i đ ạ t sai s ố trung bình c ủ a gi ả i pháp nh ỏ hơn 9 , 1% cho d ự báo 30 phút trong ngày và 13 , 6% cho d ự báo 2 ngày ti ế p theo T ừ khóa: D ự báo t ốc độ gió, v ận hành nhà máy điện gió, năng lượ ng tái t ạ o, d ự báo ng ắ n h ạ n Abstract: In this paper, a hybrid model using a combination of linear block and a nonlinear, fuzzy rules will be proposed for the wind speed prediction model Wind turbines power plants need these models to coordinate their operation with the dispatching units of the system The proposed hybrid models will give more accurate results than using the linear or nonlinear block alone The model proposed in this paper is applied experimentally for one year of measurement data for wind speed at heights of 100m and 80m, with 30-minute forecasting problems, the 2-day forecasting problems achieves the average error of the solution less than 9 1% for the former problems and 13 6% for the later problems Keywords: Wind speed prediction, wind turbine operation, renewable energy generation, short-term prediction 1 GI Ớ I THI Ệ U CHUNG Các ngu ồn năng lượ ng tái t ạo đang ngày càng đóng vai trò quan trọ ng trong các h ệ th ống điệ n nói chung và trong h ệ th ố ng điệ n Vi ệ t Nam nói riêng Các h ệ th ố ng điện ngày nay đang cầ n b ổ sung ngu ồ n năng lượ ng s ạ ch do các ngu ồn điện như th ủy điện đã đế n m ứ c t ớ i h ạ n, nhi ệt điệ n T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ N Ă NG L ƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) S ố 31 103 gây phát th ải nhà kính đồ ng th ờ i ngu ồ n nhiên li ệ u hóa th ạ ch truy ề n th ống như than, d ầu và khí đốt cũng ngày càng cạ n ki ệ t V ớ i nhi ề u công ngh ệ s ả n xu ấ t và công ngh ệ ph ụ tr ợ đượ c phát tri ể n trong th ờ i gian v ừa qua, năng lượ ng gió ngày càng có hi ệ u qu ả cao và ti ế t ki ệ m chi phí, có th ể tr ở thành l ự a ch ọ n ph ổ bi ến để phát điệ n So sánh v ới năng lượ ng m ặ t tr ờ i, năng lượng gió có ưu điể n là công su ấ t phát tương đố i ổn định hơn, có thể phát 24/24 và có th ể d ễ dàng hơn khi tích h ợ p vào h ệ th ống điệ n hi ệ n có [1] Trong quá trình v ậ n hành m ộ t nhà máy điệ n gió, nhi ệ m v ụ d ự báo t ốc độ gió đóng vai trò r ấ t quan tr ọ ng Theo yêu c ầ u trong Quy ết đị nh s ố 67/QĐ - ĐTĐL ban hành ngày 10 tháng 8 năm 2021 củ a C ục Điề u ti ết Điệ n l ự c (B ộ Công T hương) về ban hình Quy trình d ự báo công su ất, điệ n năng phát củ a các ngu ồn điện năng lượ ng tái t ạo, các đối tượ ng tham gia trong h ệ th ống điện, trong đó có các nhà máy điệ n m ặ t tr ờ i n ối lưới và nhà máy điệ n gió n ố i lướ i c ầ n th ự c hi ện thườ ng xuyên và tr ự c tuy ế n vi ệ c d ự báo công su ất, điện năng phát c ủ a các ngu ồn điện năng lượ ng tái t ạo để ph ụ c v ụ công tác v ậ n hành h ệ th ống điệ n Các k ế t qu ả d ự báo c ầ n ph ả i đượ c các ch ủ đầu tư của các nhà máy điệ n tái t ạ o cung c ấp cho Đơn vị v ậ n hành h ệ th ống điệ n và th ị trường điệ n bao g ồ m:  D ự báo các thông s ố ngay trong ngày v ậ n hành ;  D ự báo các thông s ố cho 2 ngày ti ế p theo ngày hi ệ n t ạ i ;  D ự báo các thông s ố cho tu ầ n ti ế p theo, tháng ti ế p theo và năm ti ế p theo Các phương pháp dự báo đượ c khuy ế n cáo đạ t sai s ố tuy ệt đố i ph ần trăm MAPE ( Mean Absolute Percentage Error ) dướ i 18% cho năng lượ ng gió và 15% cho năng lượ ng m ặ t tr ời Đố i v ớ i n ộ i b ộ nhà máy, các k ế t qu ả d ự báo t ốc độ gió chính xác cho phép ngườ i v ậ n hành t ối ưu hóa hi ệ u su ấ t c ủ a tu r bin gió, gi ả m chi phí b ả o trì và đ ả m b ả o r ằ ng nhà máy đi ệ n ho ạ t đ ộ ng trong gi ớ i h ạ n an toàn và ổ n đ ị nh Đã có nhiề u bài báo và công trình nghiên c ứ u v ớ i nhi ều đề xu ấ t mô hình d ự báo ng ắ n h ạ n khác nhau cho t ốc độ gió t ạ i các điể m kh ảo sát [1], trong đó ngoài các mô hình ngo ại suy kinh điể n, các công c ụ m ớ i và hi ện đại như sử d ụ ng m ạng nơ r o n nhân t ạ o (ANN - Artificial Neural Networks ), s ử d ụ ng các mô hình l o gic m ờ (FLR - Fuzzy Logic Reasoning ) và g ầ n đây nh ấ t là các m ạ ng nơr o n h ọ c sâu (DL - Deep learning neural networks ) Tuy nhiên h ầ u h ế t c ác mô hình ng ắ n h ạ n đư ợ c đ ề xu ấ t thư ờ ng ch ỉ ở d ạ ng d ự báo trư ớ c 1h ho ặ c trư ớ c 1 ngày, mà không th ự c hi ệ n d ự báo theo yêu c ầ u c ủ a các cơ quan đi ề u đ ộ t ạ i Vi ệ t Nam như d ự báo trư ớ c 4h v ớ i bư ớ c d ự báo 1 phút , d ự báo 2 ngày ti ế p theo v ớ i bư ớ c d ự báo 15 phút , So sánh gi ữ a các mô hình ANN và FLR, các công trình đã công b ố cho th ấ y ưu đi ể m t ố t hơn FLR so v ớ i ANN do kh ả năng x ấ p x ỉ hàm phi tuy ế n linh ho ạ t hơn c ủ a các mô hình FLR [2] Trong [3], m ộ t mô hình dùng m ạ ng Takagi - Sugeno (TS) đ ể d ự báo t ố c đ ộ gió và côn g su ấ t phát c ủ a turbin đã đư ợ c đ ề T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ NĂNG LƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) 104 S ố 31 xu ấ t v ớ i 2 suy lu ậ n cho t ố c đ ộ gió và 4 lu ậ t suy lu ậ n cho công su ấ t đó Mô hình này th ử nghi ệ m cho 1 năm s ố li ệ u cho phép d ự báo công su ấ t phát trư ớ c 4h v ớ i sai s ố trung bình 33 , 86%, d ự báo t ố c đ ộ gió trư ớ c 3h v ớ i sai s ố trung bình là 7 , 6% Gi ả i pháp trong [4] cũng s ử d ụ ng mô hình TS đ ể d ự báo t ố c đ ộ gió d ự a trên các s ố li ệ u quá kh ứ v ề t ố c đ ộ và hư ớ ng gió Mô hình đ ạ t đ ộ chính xác 15 , 3% khi d ự báo trư ớ c 30‟, nhưng khi d ự báo trư ớ c 60 phút thì sai s ố b ị tăng lên 21 , 1%, d ự b áo trư ớ c 120 phút thì sai s ố là 25 , 8% Các mô hình dùng l og gic m ờ nhưng v ớ i s ố đ ầ u vào nhi ề u hơn như nhi ệ t đ ộ , đ ộ ẩ m môi trư ờ ng, áp su ấ t không khí, đã đư ợ c dùng trong [5] đ ể đ ạ t đư ợ c sai s ố trung bình MAPE cho c ả năm là 11 , 19%, trong đó các tác gi ả cũng chia thành các mô hình con cho t ừ ng mùa v ớ i sai s ố trung bình c ủ a t ừ ng mùa bi ế n thiên trong kho ả ng t ừ 4 , 51% đ ế n 18 , 52% Như ợ c đi ể m c ủ a các phương pháp này là yêu c ầ u v ề s ố lư ợ ng đ ầ u vào nhi ề u, c ầ n ph ả i có các tr ạ m đo khí tư ợ ng đ ầ y đ ủ trong kho ả ng th ờ i gia n đ ủ dài đ ể có s ố li ệ u hu ấ n luy ệ n cho mô hình Công trình [6] đ ề xu ấ t tích h ợ p thêm m ộ t kh ố i suy lu ậ n dùng Hedge algebra phía sau m ạ ng TS đ ể nâng cao đ ộ chính xác c ủ a mô hình K ế t qu ả đ ạ t đư ợ c là sai s ố MAPE 17 , 7% Các gi ả i pháp s ử d ụ ng m ạ ng h ọ c sâu cũng đ ã và đang đư ợ c đ ề xu ấ t s ử d ụ ng như trong [7] đ ể d ự báo t ố c đ ộ gió v ớ i sai s ố tuy ệ t đ ố i trung bình là 0 685m/s Đây là các phương pháp ti ề m năng đưa l ạ i đ ộ chính xác d ự báo cao, tuy nhiên như ợ c đi ể m chính c ủ a các mô hình h ọ c sâu là m ạ ng có c ấ u trúc ph ứ c t ạ p , có th ể lên t ớ i hàng trăm nghìn tham s ố phi tuy ế n bên trong mô hình c ầ n ph ả i đư ợ c hu ấ n luy ệ n Vì v ậ y các mô hình h ọ c sâu đ ề u yêu c ầ u có s ố lư ợ ng d ữ li ệ u đ ầ u vào l ớ n đ ể đ ả m b ả o đư ợ c đ ộ tin c ậ y c ủ a các k ế t qu ả hu ấ n luy ệ n, trong khi đó ở các d ự án đi ệ n gió t ạ i Vi ệ t Nam, thư ờ ng ch ỉ có đư ợ c 1 - 2 năm d ữ li ệ u đo đ ạ c trong quá kh ứ Trong bài báo này s ẽ đề xu ấ t m ộ t mô hình h ỗ n h ợp để tri ể n khai hai bài toán d ự báo đầ u tiên là d ự báo t ốc độ gió trong ngày v ậ n hành và d ự báo t ốc độ gió trong hai ngày ti ế p theo Các k ế t qu ả tính toán mô ph ỏ ng cho m ộ t v ị trí đã lắp đặ t nhà máy điệ n gió cho th ấ y các mô hình có sai s ố trung bình đạt dướ i 9 , 1 % cho mô hình d ự báo 30‟ trong ngày và dư ớ i 13 , 6% cho d ự báo hai ngày ti ế p theo Đ ồ ng th ờ i mô hình ch ỉ s ử d ụ ng s ố li ệ u quá kh ứ là cá c t ố c đ ộ gió, không yêu c ầ u nhi ề u đ ầ u vào là các thông s ố môi trư ờ ng như nhi ệ t đ ộ , đ ộ ẩ m, Mô hình đ ề xu ấ t trong bài báo này s ẽ th ự c hi ệ n d ự báo trư ớ c 4h v ớ i bư ớ c d ự báo 15 phút , d ự báo hai ngày ti ế p theo v ớ i bư ớ c d ự báo 15 phút theo đúng yêu c ầ u c ủ a các cơ quan qu ả n lý đi ề u đ ộ ở Vi ệ t Nam 2 MÔ HÌNH H Ỗ N H Ợ P VÀ Ứ NG D Ụ NG TRONG CÁC BÀI TOÁN D Ự BÁO Mô hình d ự báo được đề xu ấ t trong bài báo này có sơ đồ kh ố i t ổng quát như trên h ình 1, theo đó đáp ứ ng đ ầ u ra đư ợ c ư ớ c lư ợ ng b ằ ng t ổ ng c ủ a đáp ứ ng t ừ hai kh ố i đ ộ c l ậ p là kh ố i tuy ế n tính và kh ố i phi tuy ế n T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ N Ă NG L ƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) S ố 31 105 Hình 1 Sơ đồ kh ối đề xu ấ t c ủ a mô hình h ỗ n h ợ p (a) (b) Hình 2 Mô hình chi ti ế t các kh ố i d ự báo tuy ế n tính (a) và d ự báo phi tuy ế n (b) Vi ệ c s ử d ụ ng ph ố i h ợ p hai mô hình r ồ i t ổ ng h ợ p k ế t qu ả đượ c s ử d ụ ng trong nhi ề u gi ả i pháp [8] cho th ấ y có th ể đạ t được độ chính xác cao hơn khi chỉ s ử d ụ ng mô hình phi tuy ế n Vi ệ c s ử d ụ ng ph ố i h ợ p c ả hai gi ả i pháp phi tuy ế n và tuy ế n tính s ẽ t ậ n d ụng được ưu điể m c ủ a c ả hai gi ả i pháp Bên c ạnh đó, việ c chia nh ỏ bài toán l ớ n s ẽ khi ế n cho s ố lượ ng các thông s ố c ủ a mô hình tuy ế n tính và phi tuy ế n thành ph ầ n nh ỏ hơn so vớ i mô hình t ổ ng th ể Khi đó các quá trình điề u ch ỉ nh thích nghi thông s ố s ẽ nhanh hơn, xác su ất xác định đượ c nghi ệ m phù h ợ p s ẽ cao hơn Mô hình chi ti ết hơn củ a hai kh ố i tuy ế n tính và phi tuy ến đượ c mô t ả trên h ình 2, trong đó đ ể d ự báo m ộ t thông s ố x t ạ i ngày d , th ờ i đi ể m t (đư ợ c ký hi ệ u là x ( d , t )) các giá tr ị quá kh ứ (t ừ các ngày trư ớ c đó ho ặ c t ừ ngày d nhưng theo các th ờ i đi ể m t trư ớ c đó) Đ ố i v ớ i kh ố i tuy ế n tí nh, đ ể đơn gi ả n hóa, ta ký hi ệ u l ạ i các tín hi ệ u đ ầ u vào t ạ i th ờ i đi ể m i là vectơ N thành ph ầ n 1 2 , , , T i i i N x x x      x , giá tr ị d ự báo đích cần đạ t là z i , khi đó đáp ứ ng đầ u ra s ẽ là m ộ t t ổ h ợ p tuy ế n tính c ủ a các giá tr ị quá kh ứ đầ u vào: 1 1 2 2 ( ) ( ) i i i i N N i Linear a x a x a x        x x a (1) trong đó v e ctơ a ch ứ a các h ệ s ố tuy ế n tính T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ NĂNG LƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) 106 S ố 31 a i là các tham s ố c ần đượ c hu ấ n luy ện để t ố i thi ể u hóa sai s ố d ự báo sao cho : ( ) ( ) i i i i Linear z      x x a (2) Không gi ả m tính t ổ ng quát, ta ký hi ệ u các m ẫ u s ố li ệ u hu ấ n luy ệ n g ồ m các c ặp vectơ đầ u vào và giá tr ị đầ u ra là   , i i z x ( i = 1, , p ), và b ộ s ố li ệ u ki ể m tra mô hình cũng s ẽ g ồ m c ặ p vectơ đ ầ u vào và giá tr ị đ ầ u ra tương ứ ng là   , , j j test test z x ( j = 1, , q ) V ớ i b ộ p m ẫ u h ọ c, các h ệ s ố c ủ a mô hình tuy ế n tính đư ợ c xác đ ị nh b ằ ng phương pháp tìm đi ể m c ự c ti ể u c ủ a hàm sai s ố tuy ế n tính [9]:   2 1 ( ) min p i i i E Linear z      x (3) ho ặ c ở d ạ ng ma tr ậ n: 1 1 2 2 ( ) ( ) min ( ) p p z z z                                   x x a x (4) Trong bài báo này áp d ụ ng thu ậ t toán phân tích ma tr ậ n theo các giá tr ị k ỳ d ị ( SVD – Singular Values Decomposition ) để tìm điể m c ự c tr ị toàn c ụ c c ủ a hàm sai s ố tuy ế n tính [8, 9] Sau khi các h ệ s ố tuy ế n tính a i đã được xác đị nh, mô hình phi tuy ế n s ẽ đượ c s ử d ụng để ước lượ ng thành ph ầ n sai s ố còn l ạ i: : ( ) ( ) i i i i Nonlinear z Linear    x x (5) Kh ố i phi tuy ến trong bài báo này được đề xu ấ t s ử d ụng phương pháp suy luậ n m ờ [10, 11], trong đó thuậ t toán Fuzzy Clustering s ẽ đượ c s ử d ụng để tìm t ậ p h ợ p M các tr ọng tâm đặc trưng   , k k z cx nh ằ m t ối ưu h óa hàm sai s ố [3, 6]: 2 , min k k i i i k E cz z       cx x (6) V ớ i t ậ p h ợ p các tr ọng tâm đặc trưng này, khi có m ộ t v e ct ơ đ ầ u vào m ớ i x , đáp ứ ng đ ầ u ra s ẽ đư ợ c tính là trung bình có tr ọ ng s ố c ủ a các đáp ứ ng đ ầ u ra theo công th ứ c:     k k k Nonlinear w cz     x x cx (7) trong đó trọ ng s ố   k w  x cx s ẽ t ỷ l ệ ngh ị ch v ớ i kho ả ng cách t ừ vectơ đang xét t ớ i các tr ọ ng tâm Trong bài báo này, tr ọ ng s ố đượ c tính theo công th ứ c:   2 1 1 k k w     x cx x cx (8) Các mô hình sau khi đượ c hu ấ n luy ệ n s ẽ được đánh giá lạ i v ớ i b ộ s ố li ệ u ki ể m tra N ế u các sai s ố chưa đạ t yêu c ầ u thì c ầ n quay l ại để điề u ch ỉ nh các thông s ố c ủ a mô hình 3 CÁC MÔ HÌNH D Ự BÁO T ỐC ĐỘ GIÓ CHO CÁC NHÀ MÁY ĐIỆ N TÁI T Ạ O Mô hình d ự báo các thông s ố khí tượ ng nói chung và mô hình d ự báo t ốc độ gió t ạ i m ột địa điểm trong bài báo đượ c xây d ự ng là mô hình d ạng địa phương [12, 13, 14, 15, 16], có nghĩa là các thông số c ủ a mô hình c ần được điề u ch ỉ nh theo các m ẫ u s ố li ệ u thu th ậ p t ại chính địa điể m đang xem xét do các thông số khí tượ ng, đặ c bi ệ t là t ốc độ gió (chưa tính tớ i góc T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ N Ă NG L ƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) S ố 31 107 t ớ i c ủ a gió) ph ụ thu ộ c m ạnh vào đị a hình khu v ự c xem xét [12, 17] Trong bài báo này s ử d ụ ng b ộ s ố li ệu đo tốc độ gió t ạ i huy ện Hướ ng Linh, t ỉ nh Qu ả ng Bình T ố c độ gió được đo trên cộ t t ại hai cao điể m 80m và 100m, th ời gian đo từ 1/7/2020 đế n 30/6/2021, chu k ỳ đo 15 phút phù hợ p theo yêu c ầ u c ủ a nhi ệ m v ụ d ự báo c ủ a các cơ quan điều độ Mô hình d ự báo trướ c 30 phút có các yêu c ầu như sau:  Độ phân gi ả i tín hi ệ u d ự báo 15 phút ;  Kho ả ng d ự báo trong ngày v ậ n hành: 04 gi ờ ti ế p theo v ớ i t ổ ng s ố là 16 giá tr ị c ầ n d ự báo cho m ỗ i l ầ n ;  Các d ự báo đượ c c ậ p nh ậ t 30 phút/l ầ n, trướ c th ời điể m b ắt đầ u c ủ a m ỗ i chu k ỳ giao d ị ch th ị trường điệ n Mô hình d ự báo trướ c hai ngày có các yêu c ầu như sau:  Độ phân gi ả i tín hi ệ u d ự báo là 30 phút ;  Kho ả ng th ờ i gian d ự báo là 48 gi ờ c ủ a hai ngày ti ế p theo v ớ i t ổ ng s ố là 96 giá tr ị c ầ n d ự báo m ỗ i l ầ n ;  Các d ự báo c ần đượ c th ự c hi ệ n 02 l ần/ngày, trướ c 8 h và 15 h hàng ngày Để đáp ứng đượ c yêu c ầ u cho các d ự báo, trong bài báo này các mô hình đượ c l ự a ch ọ n thông s ố quá kh ứ theo kinh nghi ệ m như sau Vớ i nhi ệ m v ụ d ự báo trước 30‟: x predict (d,t+step) = F(x(d,t-45min), x(d, t-60min), x(d, t-75min), x(d,t-90min), x(d-1,t), x(d-1, t-15min), x(d-1, t-30min), x(d-2,t), x(d-2, t-15min), x(d-2, t-30min)) (9) v ớ i step=0, ,15 V ới đề xu ấ t này, mô hình ước lượ ng s ẽ có 10 đầu vào và 1 đầ u ra Các tín hi ệu đầu vào đượ c l ự a ch ọ n theo kinh nghi ệm, trong đó bao gồ m các đầ u vào t ại ngay trướ c th ời điể m c ần đưa ra d ự báo và t ạ i kho ả ng c ần đưa ra dự báo nhưng vào ngày li ền trướ c và hai ngày trước đó V ớ i nhi ệ m v ụ d ự báo trướ c hai ngày vào lúc 8 h ngày hi ệ n t ạ i: x predict (d,t+32+step) = F(x(d,t-45min), x(d, t-60min), x(d, t-75min), x(d,t-90min), x(d-1,t), x(d-1, t-15min), x(d-1, t-30min), x(d-2,t), x(d-2, t-15min), x(d-2, t-30min)) (10) v ớ i step=0, ,95 V ới đề xu ấ t này, mô hình ước lượ ng s ẽ có 10 đầu vào và 1 đầ u ra Các tín hi ệu đầu vào đượ c l ự a ch ọ n theo kinh nghi ệm, trong đó bao gồ m các đầ u vào t ại ngay trướ c th ời điể m c ần dưa ra d ự báo và t ạ i kho ả ng c ần đưa ra dự báo nhưng vào ngày liền trướ c và hai ngày trước đó V ớ i nhi ệ m v ụ d ự báo trướ c hai ngày vào lúc 15 h ngày hi ệ n t ạ i: x predict (d,t+18+step) = F(x(d,t-45min), x(d, t-60min), x(d, t-75min), x(d,t-90min), x(d-1,t), x(d-1, t-15min), x(d-1, t-30min), x(d-2,t), x(d-2, t-15min), x(d-2, t-30min)) (11) v ớ i step=0, ,95 V ới đề xu ấ t này, mô hình ước lượ ng s ẽ có 10 đầu vào và 1 đầ u ra Các tín hi ệu đầu vào đượ c l ự a ch ọ n theo kinh nghi ệm, trong đó bao gồ m các đầ u vào t ại ngay trướ c th ời điể m c ần đưa ra d ự báo và t ạ i kho ả ng c ần đưa ra dự báo nhưng vào ngày liền trướ c và hai ngày trước đó T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ NĂNG LƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) 108 S ố 31 V ớ i 365 ngày s ố li ệu đã thu thậ p, sau khi lo ạ i b ỏ các ngày thi ế u (do v ấn đề k ế t n ố i v ớ i thi ế t b ị đo), tổ ng c ộ ng 34 400 m ẫ u s ố li ệu đã đượ c t ạ o ra cho bài toán d ự báo 30‟ trong ngày vậ n hành Trong s ố này, 31 400 m ẫu đầu tiên được dùng để hu ấ n luy ệ n các mô hình, 3 000 m ẫ u cu ố i cùng được dùng để ki ểm tra mô hình Đố i v ớ i nhi ệ m v ụ d ự báo hai ngày ti ế p theo, t ổ ng c ộ ng có 17 152 m ẫ u s ố li ệu đã đượ c t ạ o ra, trong đó 15 500 mẫu đượ c s ử d ụng để hu ấ n luy ệ n các mô hình, 1 652 m ẫu đượ c s ử d ụng để ki ểm tra các mô hình đã xây d ự ng 4 K Ế T QU Ả TÍNH TOÁN, MÔ PH Ỏ NG V ớ i b ộ s ố li ệu 365 ngày đo tại Hướ ng Linh, Qu ả ng Bình, mô hình d ự báo trướ c 30‟ trong ngày vận hành đượ c xây d ự ng cho c ả hai cao độ đo là 80m và 10 0m K ế t qu ả đạt đượ c cho s ố li ệ u ở cao độ 100m đượ c t ổ ng h ợ p trong B ảng 1, trong đó g ồ m các sai s ố cho 16 bướ c d ự báo (4 gi ờ ti ế p theo v ới bướ c d ự báo 15‟) khi chỉ s ử d ụ ng mô hình tuy ế n tính, khi ch ỉ s ử d ụ ng mô hình phi tuy ế n và khi s ử d ụ ng c ả hai mô hình Có th ể nh ậ n th ấ y mô hình d ự báo tuy ế n tính quá đơn giả n nên sai s ố l ớ n (trung bình có th ể lên t ớ i 30%), ti ế p theo s ẽ là mô hình phi tuy ế n ho ạt động độ c l ậ p v ớ i sai s ố trung bình bi ế n thiên trong kho ả ng 11 51% đến 14,16% cho cao độ 100m K ế t qu ả t ố t nh ấ t thu đượ c là khi s ử d ụ ng ph ố i h ợ p c ả hai mô hình như thể hi ệ n trên Hình 1 Khi đó sai số trung bình ch ỉ t ừ 6,64% đến 9,03% cho cao độ 100m B ả ng 1 Trung bình sai s ố d ự báo tƣơng đố i c ủ a các mô hình d ự báo 30’ trong ngày cho bộ s ố li ệu đo tại cao độ 100m Bư ớ c d ự báo Ch ỉ s ử d ụ ng mô hình tuy ế n tính (%) Ch ỉ s ử d ụ ng mô hình phi tuy ế n (%) Mô hình h ỗ n h ợ p (%) 0 17,26 11,51 7,2 1 18,61 11,79 7,32 2 19,82 12,07 7,04 3 20,87 12,48 7,84 4 21,85 12,35 6,75 5 22,79 12,58 6,64 6 23,72 12,93 6,95 7 24,60 13,23 7,9 5 8 25,40 13,41 7,77 9 26,21 13,65 7,97 10 26,97 13,66 7,86 11 27,71 13,87 8,34 12 28,41 13,49 7,82 13 29,08 13,83 7,96 14 29,69 14,16 8,76 15 30,31 13,89 9,03 B ả ng 2 Trung bình sai s ố d ự báo tương đố i c ủ a các mô hình d ự báo 30’ trong ngày cho b ộ s ố li ệ u đo t ạ i cao đ ộ 80m Bư ớ c d ự báo Ch ỉ s ử d ụ ng mô hình tuy ế n tính (%) Ch ỉ s ử d ụ ng mô hình phi tuy ế n (%) Mô hình h ỗ n h ợ p (%) 0 16,99 11,48 6,98 T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ N Ă NG L ƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) S ố 31 109 1 18,33 11,55 7,50 2 19,51 11,74 6,77 3 20,55 12,22 7,63 4 21,51 12,22 6,57 5 22,41 12,47 6,71 6 23,3 0 12,67 6,95 7 24,15 12,94 7,62 8 24,95 13,21 7,55 9 25,72 13,26 7,67 10 26,48 13,38 7,62 11 27,19 13,65 7,99 12 27,86 13,57 7,57 13 28,51 13,67 8,01 14 29,10 13,79 8,40 15 29,72 13,93 8,69 Tương tự như đố i v ớ i s ố li ệ u ở cao độ 100m, trong b ả ng 2 là các k ế t qu ả tính toán cho s ố li ệ u ở cao đ ộ 80m Mô hình d ự báo tuy ế n tính quá đơn gi ả n nên sai s ố l ớ n (trung bình có th ể lên t ớ i 29%), ti ế p theo s ẽ là mô hình phi tuy ế n ho ạ t đ ộ ng đ ộ c l ậ p v ớ i sai s ố trung bình bi ế n thiên trong kho ả ng 11,48% đ ế n 13,93% c ho cao đ ộ 80m K ế t qu ả t ố t nh ấ t thu đư ợ c là khi s ử d ụ ng ph ố i h ợ p c ả hai mô hình v ớ i sai s ố trung bình ch ỉ t ừ 6,57% đ ế n 8,69% cho cao đ ộ 80m B ả ng 3 Trung bình sai s ố d ự báo tƣơng đố i c ủ a các mô hình d ự báo 30’ trong ngày cho b ộ s ố li ệ u đo t ạ i cao đ ộ 80m Mô hình D ự báo lúc 8 h cho hai ngày ti ế p theo D ự báo lúc 15 h cho hai ngày ti ế p theo Min Max Min Max Tuy ế n tính 34,71 50,14 32,99 48,71 Phi tuy ế n 13,43 15,64 10,08 15,19 H ỗ n h ợ p 9,29 13,52 9,55 13,16 Các k ế t qu ả tính toán cho các mô hình d ự báo lúc 8 h và 15 h cho hai ngày ti ế p theo ngày hi ệ n t ạ i đư ợ c t ổ ng h ợ p trong b ả ng 3 Do các mô hình này có 96 bướ c d ự báo nên b ả ng 3 ch ỉ tóm t ắ t l ạ i các giá tr ị l ớ n nh ấ t và nh ỏ nh ấ t đ ể ti ệ n so sánh T ừ b ả ng 3 cũng có th ể nh ậ n th ấ y mô hình h ỗ n h ợ p s ử d ụ ng đ ồ ng th ờ i kh ố i tuy ế n tính và kh ố i phi tuy ế n cho k ế t qu ả có sai s ố trung bình nh ỏ nh ấ t , không vư ợ t quá 13,6% Các k ế t qu ả này đã ph ầ n nào minh ch ứ ng đư ợ c ch ấ t lư ợ ng c ủ a mô hình h ỗ n h ợ p đư ợ c đ ề xu ấ t s ử d ụ ng trong bài báo này 5 K Ế T LU Ậ N Bài báo đã trình bày về m ộ t mô hình s ử d ụ ng ph ố i h ợ p kh ố i d ự báo tuy ế n tính và kh ố i d ự báo phi tuy ế n dùng các lu ậ t suy lu ậ n m ờ để c ả i thi ệ n sai s ố Các k ế t qu ả tính toán đã đượ c th ự c hi ệ n v ớ i s ố li ệ u th ự c t ế cho ba mô hình là mô hình d ự báo 30‟ trong ngày hiệ n t ạ i v ớ i sai s ố trung bình nh ỏ hơn 9,1% , d ự báo lúc 8 h cho hai ngày ti ế p theo và d ự báo lúc 15 h cho hai ngày ti ế p theo v ớ i sai s ố trung bình nh ỏ hơn 13,6% Trong c ả ba trư ờ ng h ợ p, sai s ố c ủ a mô hình h ỗ n h ợ p đ ề u th ấ p hơn so v ớ i mô hình phi tuy ế n đ ộ c l ậ p và th ấ p hơn nhi ề u so v ớ i mô hình tuy ế n tính Tuy nhiên đây mớ i là các k ế t qu ả bướ c T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ NĂNG LƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) 110 S ố 31 đầ u Mô hình c ần đượ c ti ế p t ụ c th ử nghi ệ m v ớ i các b ộ s ố li ệ u thu th ậ p trong th ời gian dài hơn, các bộ s ố li ệ u thu th ậ p t ại các địa điểm khác nhau để ki ể m tra ch ất lượ ng ho ạt động Đồ ng th ờ i các thông s ố quá kh ứ c ủ a các bài toán d ự báo c ần đượ c kh ảo sát đề đề xu ất phương án l ự a ch ọ n t ự độ ng Nhi ệ m v ụ ti ế p theo c ủ a mô hình d ự báo là t ừ các d ự báo v ề t ốc độ gió c ầ n ti ế p t ụ c có các giá tr ị d ự báo v ề công su ấ t phát c ủ a các turbin gió trong cùng th ời gian tương ứ ng v ớ i m ụ c tiêu là sai s ố c ủ a k ế t qu ả d ự báo cu ố i cùng là công su ấ t phát c ủa nhà máy điện gió đạ t dướ i 18% theo yêu c ầ u c ủa các cơ quan qu ản lý điều độ TÀI LI Ệ U THAM KH Ả O [1] A Tascikaraoglu and M Uzunoglu , “A Review of Combined Approaches for Predicti on of Short- Term Wind Speed and Power,” Renewable Sustainable Energy Review, vol 34, pp 243– 254, 2014 [2] S Haykin, “Neural networks: A Comprehensive Foundation,” Pretice Hall, 1998 [3] Fang Liu, Ranran Li and Aliona Dreglea, “Wind Speed and Power Ultra Short -Term Robust Forecasting Based on Takagi –Sugeno Fuzzy Model”, Energies (Special Issue on Machine Learning for Energy Systems), vol 12, pp 3551-3566, 2019 [4] I G Damousis, M C Alexiadis, J B Theocharis and P S Dokopoulos, “A Fuzzy Model for Wind Speed Prediction and Power Generation in Wind Parks using Spatial Correlation”, IEEE Transactions on Energy Conversion, vol 19, no 2, pp 352-361, 2004 [5] D Zheng, A T Eseye, J Zhang and H Li, “Short -term wind power forecasting using a double-stage hierarchi cal ANFIS approach for energy management in microgrids”, Protection and Control of Modern Power Systems, vol 2, No 13, 2017 [6] Y Ren, Y Wen, F Liu and Y Zhang, “A two -stage fuzzy nonlinear combination method for utmostshort-term wind speed prediction based on T- S fuzzy model”, J Renewable Sustainable Energy, vol 15, pp 016101, 2023 [7] H Yao, Y Tan, J Hou, Y Liu, X Zhao and X Wang, “Short -Term Wind Speed Forecasting Based on the EEMD-GS- GRU Model”, Atmosphere, vol 14, pp 697, 2023 [8] Q N Nguyễn, “Nghiên cứu và ứng dụng mạng nơron và lôgíc mờ cho bài toán dự báo phụ tải điện ngắn hạn,” Luận án Tiến sĩ, Đại học Bách Khoa Hà Nội, 2012 [9] H L Trần, “Mạng nơ - ron và ứng dụng trong xử lý tín hiệu,” NXB Đại học Bách Khoa, 2019 [10] Moniki Ferreira, Alexandre Sa ntos and Paulo Lucio, “Short -term forecast of wind speed through mathematical models”, Energy Reports, vol 5, pp 1172 -1184, 2019 [11] S Sachdeva, and C M Verma, “Load Forecasting Using Fuzzy Methods,” in IEEE 2008 Joint International Conference on Power System Technology and IEEE Power India Conference, New Delhi, India, pp 121 – 154, 2008 [12] B J Park and J Hur, “Accurate Short -Term Power Forecasting of Wind Turbines: the Case of Jeju Island’s Wind Farm,” Energies, vol 10 (812), pp 1– 15, 2017 T Ạ P CHÍ KHOA H Ọ C VÀ CÔNG NGH Ệ N Ă NG L ƯỢ NG - TRƯỜNG ĐẠ I H ỌC ĐIỆ N L Ự C (ISSN: 1859 - 4557) S ố 31 111 [13] B Yang, L Zhong, J Wang, H Shu, X Zhang, T Yu, et al , “State -of-theart One-Stop Handbook on Wind Forecasting Technologies: an Overview of Classifications, Methodologies, and Analysis,” Journal of Clean Prod , vol 283, 124628, 2021 [14] José Carlos Palomares-Salas, Agustín Agüera-Pérez, Juan José González de la Rosa and Antonio Moreno- Muñoz, “A novel neural network method for wind speed forecasting using exogenous measurements from agriculture stations,” Measurement, vol 55, pp 295 -304, 2014 [15] H Babazadeh, W Z Gao, L Cheng and L Jin, “An Hour Ahead Wind Speed Prediction by Kalman Filter,” IEEE Power Electronics and Machines in Wind Applications, Denver, USA, pp 1– 6, 2012 [16] R G Kavasseri and K Seetharaman, “Day -ahead Wind Speed Forecasting Using F-ARIMA Model s,” Renew Energy, vol 34 (5), pp 1388 – 1393, 2009 [17] Z Qian, Y Pei, H Zareipour and N Chen, “A Review and Discussion of Decomposition - Based Hybrid Models for Wind Energy Forecasting Applications,” Applied Energy, vol 235, pp 939 – 953, 2019 Gi ớ i thi ệ u tác gi ả : Tác gi ả Tr ầ n Hoài Linh t ố t nghi ệ p đ ạ i h ọ c ngành t in h ọ c ứ ng d ụ ng năm 1997 ; nh ậ n b ằ ng Ti ế n s ĩ ngành k ỹ thu ậ t đi ệ n năm 2000, b ằ ng Ti ế n s ĩ khoa h ọ c chuyên ngành k ỹ thu ậ t đi ệ n và t rí tu ệ nhân t ạ o năm 2005 t ạ i Đ ạ i h ọ c Bách khoa V a csava) Hi ệ n nay t ác gi ả công tác t ạ i Khoa T ự đ ộ ng hóa, Trư ờ ng Đi ệ n - Đi ệ n t ử , Đ ạ i h ọ c Bách Khoa Hà N ộ i Hướ ng nghiên c ứ u chính: ứ ng d ụ ng trí tu ệ nhân t ạ o trong các gi ải pháp đo lườ ng, điề u khi ể n và t ự độ ng hóa, các thi ế t b ị đo thông minh, hệ chuyên gia