ĐÁNH GIÁ RỦI RO KINH TẾ CHO NHÀ MÁY THỦY ĐIỆN THÁC XĂNG  HỖ TRỢ RA QUYẾT ĐỊNH VẬN HÀNH ĐÓN LŨ

Hà Văn Thủy; Hà Ngọc Tuấn

doi:10.34238/tnu-jst.10610

ĐÁNH GIÁ RỦI RO KINH TẾ CHO NHÀ MÁY THỦY ĐIỆN THÁC XĂNG HỖ TRỢ RA QUYẾT ĐỊNH VẬN HÀNH ĐÓN LŨ

Thông tin bài báo

Ngày nhận bài: 16/06/24 Ngày hoàn thiện: 10/07/24 Ngày đăng: 11/07/24

Các tác giả

1. Hà Văn Thủy , Trường Đại học Mỏ - Địa chất
2. Hà Ngọc Tuấn, Công ty Kyuden Innovatech Việt Nam

Tóm tắt

Hệ thống hỗ trợ ra quyết định cho nhà máy thủy điện (Decision Support System for HydroPower Plant: DSS-HP) là một công cụ hỗ trợ cho các hoạt động vận hành của nhà máy nhằm tối ưu hóa nguồn tài nguyên nước, đảm bảo an toàn vận hành. Do dự báo lượng nước về hồ thủy điện có độ chính xác không tuyệt đối (đặc biệt với dự báo mưa), việc lựa chọn kịch bản vận hành theo các tỷ lệ xác suất chính xác của dự báo là một thách thức lớn. Bài báo trình bày phương pháp phân tích rủi ro kinh tế cho hệ thống DSS bao gồm mô hình số thời tiết, mô hình lượng mưa-dòng chảy và chương trình mô phỏng phát điện. Rủi ro được phân tích bằng các kịch bản dự báo khác nhau trong quá trình vận hành nhà máy thủy điện. Đối với mỗi kịch bản hoạt động, các tính toán về lợi nhuận thu được nếu những dự báo là chính xác cũng như những tổn thất nếu dự báo không chính xác được thực hiện phân tích đánh giá. Kết quả đánh giá sẽ là cơ sở để hỗ trợ người quản lý ra quyết định vận hành. Phân tích cho trường hợp nghiên cứu vận hành đón lũ tại nhà máy Thủy điện Thác Xăng từ ngày 16 đến ngày 18/05/2024 cho thấy kết quả phân tích của phương pháp là chính xác, hỗ trợ tốt cho công tác khai thác vận hành.

Từ khóa

Thủy điện; Hỗ trợ ra quyết định; Đánh giá rủi ro; Dự báo mưa; Dự báo dòng chảy

Toàn văn:

PDF

Tài liệu tham khảo

[1] A. Tariq and K. S. Rafi, “Intelligent Decision Support Systems- A Framework,” Inf. Knowl. Manag., vol. 2, pp. 12–19, 2012.

[2] Y. Uzun and K. Bicakci, “A second look at the performance of neural networks for keystroke dynamics using a publicly available dataset,” Comput. Secur., vol. 31, pp. 717–726, 2012, doi: 10.1016/j.cose.2012.04.002.

[3] A. Linares, J. Regodón, L. Panizo, M.-D.-M. Gallardo, and P. Merino, “A DSS for Reservoirs Operation Based on the Execution of Formal Models,” 2014. [Online]. Available: https://academicworks.cuny.edu/cc_conf_hic/245/. [Accessed April 10, 2024].

[4] M. Sadki, S. Munier, A. Boone, and S. Ricci, “Implementation and sensitivity analysis of a Dam-Reservoir OPeration model ( DROP v1 . 0 ) over Spain,” Geosci. Model Dev. Discuss. [preprint], vol. 3, no. June, 2022.

[5] J. Bernardes et al., “Hydropower Operation Optimization Using Machine Learning: A Systematic Review,” Ai, vol. 3, no. 1, pp. 78–99, 2022, doi: 10.3390/ai3010006.

[6] J. Suwatthikul et al., “Development of dam safety remote monitoring and evaluation system,” J. Disaster Res., vol. 16, no. 4, pp. 607–617, 2021, doi: 10.20965/JDR.2021.P0607.

[7] R. M. Almeida et al., “Hydropeaking Operations of Two Run-of-River Mega-Dams Alter Downstream Hydrology of the Largest Amazon Tributary,” Front. Environ. Sci., vol. 8, no. July, 2020, doi: 10.3389/fenvs.2020.00120.

[8] J. Zhang, C. Cheng, S. Liao, X. Wu, and J. Shen, “Daily reservoir inflow forecasting combining QPF into ANNs model,” Dly. Reserv. inflow Forecast. Comb. QPF into ANNs Model, vol. 6, no. 1, pp. 121–150, 2009, doi: 10.5194/hessd-6-121-2009.

[9] T. Yang, A. Akabari, E. Welles, X. Gao, S. Sorốhian, and X. Liu, “Developing reservoir monthly inflow forecasts using artificial intelligience and climate phenomenon information,” Water Resour. Res., vol. 53, pp. 2786–2812, 2017.

[10] J. B. Klemp, D. O. Gill, D. M. Barker, M. G. Duda, W. Wang, and J. G. Powers, “A Description of the Advanced Research WRF Version 3” NCAR Technical note, June 2008, doi: 10.5065/D68S4MVH.

[11] M. Sugawara, “Tank Model - For the Derivation of River Discharge from Rainfall,” Earth Science Magazine, vol. 94-4, pp. 210-221, 1985.

[12] J. W. Lee, S. D. Chegal, and S. O. Lee, “A review of tank model and its applicability to various korean catchment conditions,” Water (Switzerland), vol. 12, no. 12, 2020, doi: 10.3390/w12123588.

DOI: https://doi.org/10.34238/tnu-jst.10610

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ