XÂY DỰNG MÔ HÌNH LAI CNN-LSTM DỰ BÁO NGẮN HẠN  CÔNG SUẤT PHÁT CHO NHÀ MÁY ĐIỆN MẶT TRỜI NHỊ HÀ

Nguyễn Thị Hoài Thu; Phạm Năng Văn; Trần Quang Khải

doi:10.34238/tnu-jst.11648

XÂY DỰNG MÔ HÌNH LAI CNN-LSTM DỰ BÁO NGẮN HẠN CÔNG SUẤT PHÁT CHO NHÀ MÁY ĐIỆN MẶT TRỜI NHỊ HÀ

Thông tin bài báo

Ngày nhận bài: 03/12/24 Ngày hoàn thiện: 03/01/25 Ngày đăng: 04/01/25

Các tác giả

1. Nguyễn Thị Hoài Thu , Trường Điện - Điện tử, Đại học Bách khoa Hà Nội
2. Phạm Năng Văn, Trường Điện - Điện tử, Đại học Bách khoa Hà Nội
3. Trần Quang Khải, Trường Điện - Điện tử, Đại học Bách khoa Hà Nội

Tóm tắt

Việc tích hợp điện mặt trời vào lưới điện không chỉ mang lại lợi ích to lớn về kinh tế và môi trường mà còn đem đến những thách thức đối với hệ thống điện. Dự báo ngắn hạn công suất điện mặt trời một cách chính xác là một trong những giải pháp để khắc phục những khó khăn này. Nghiên cứu này đề xuất một mô hình lai kết hợp mạng nơ-ron tích chập – mạng có bộ nhớ dài-ngắn hạn (CNN-LSTM) để dự báo công suất điện mặt trời. Bộ dữ liệu công suất để đánh giá mô hình được thu thập từ nhà máy điện mặt trời Nhị Hà. Nghiên cứu đã đưa ra các phương án về việc chia tỉ lệ tập huấn luyện/tập kiểm tra cũng như kích thước dữ liệu đầu vào phổ biến để lựa chọn phương án tốt nhất trong đó. Kết quả cho thấy phương án chia tỷ lệ tập huấn luyện/tập dữ liệu là 80/20 với số lookback là 24 đem lại hiệu quả dự báo tốt nhất. Để chứng minh hiệu quả của mô hình đề xuất, kết quả dự báo được so sánh với các mô hình học máy và học sâu bao gồm mạng nơ ron nhân tạo, mạng nơ-ron tích chập, mạng bộ nhớ dài-ngắn hạn. Ngoài ra một số ngày điển hình như công suất cao/thấp, mức độ dao động mạnh/yếu cũng được xem xét và đánh giá. Với giá trị sai số nhỏ nhất, mô hình đề xuất có độ chính xác vượt trội khi so sánh với 3 mô hình còn lại.

Từ khóa

Dự báo; Ngắn hạn; Công suất điện mặt trời; Mô hình lai; CNN-LSTM

Toàn văn:

PDF

Tài liệu tham khảo

[1] T. H. T. Nguyen, N. V. Pham, Q. B. Phan, V. N. N. Nguyen, H. M. Pham, and N. Q. Tran, “Short-term Forecasting of Solar Radiation Using a Hybrid Model of CNN-LSTM Integrated with EEMD,” in 2022 6th International Conference on Green Technology and Sustainable Development (GTSD), Jul. 2022, pp. 854-859, doi: 10.1109/GTSD54989.2022.9988761.

[2] A. Agga, A. Abbou, M. Labbadi, Y. E. Houm, and I. H. Ou Ali, “CNN-LSTM: An efficient hybrid deep learning architecture for predicting short-term photovoltaic power production,” Electric Power Systems Research, vol. 208, Jul. 2022, Art. no. 107908, doi: 10.1016/j.epsr.2022.107908.

[3] E. Erdem and J. Shi, “ARMA based approaches for forecasting the tuple of wind speed and direction,” Applied Energy, vol. 88, no. 4, pp. 1405-1414, Apr. 2011, doi: 10.1016/j.apenergy.2010.10.031.

[4] M. Poncela, P. Poncela, and J. R. Perán, “Automatic tuning of Kalman filters by maximum likelihood methods for wind energy forecasting,” Applied Energy, vol. 108, pp. 349-362, Aug. 2013, doi: 10.1016/j.apenergy.2013.03.041.

[5] Y. Li, Y. Su, and L. Shu, “An ARMAX model for forecasting the power output of a grid connected photovoltaic system,” Renewable Energy, vol. 66, pp. 78-89, Jun. 2014, doi: 10.1016/j.renene.2013.11.067.

[6] T. H. T. Nguyen, N. V. Pham, V. K. Ngo, and X. B. Do, “A Comparative Study of Machine Learning–based Models for Short-Term Multi-step Forecasting of Solar Power: An Application for Nhi Ha Solar Farm,” Measurement, Control, and Automation, vol. 5, no. 1, Apr. 2024, Art. no. 1.

[7] M. Q. Raza, M. Nadarajah, and C. Ekanayake, “On recent advances in PV output power forecast,” Solar Energy, vol. 136, pp. 125-144, Oct. 2016, doi: 10.1016/j.solener.2016.06.073.

[8] D. T. Nguyen, D. H. Do, G. Fujita, and T. S. Tran, “Multi 2D-CNN-based model for short-term PV power forecast embedded with Laplacian Attention,” Energy Reports, vol. 12, pp. 2086-2096, Dec. 2024, doi: 10.1016/j.egyr.2024.08.020.

[9] H. Shi, M. Xu, and R. Li, “Deep Learning for Household Load Forecasting—A Novel Pooling Deep RNN,” IEEE Transactions on Smart Grid, vol. 9, no. 5, pp. 5271-5280, Sep. 2018, doi: 10.1109/TSG.2017.2686012.

[10] Bitexco Power, “Nhi Ha,” 2023. [Online]. Available: https://bitexcopower.com.vn/projects/nhi-ha/. [Accessed Dec. 30, 2024].

[11] M.-F. Li, X.-P. Tang, W. Wu, and H.-B. Liu, “General models for estimating daily global solar radiation for different solar radiation zones in mainland China,” Energy Conversion and Management, vol. 70, pp. 139-148, Jun. 2013, doi: 10.1016/j.enconman.2013.03.004.

[12] C. Liu, W. Li, C. Hu, T. Xie, Y. Jiang, R. Li, S. Soomro, and Y. Xu, “Research on runoff process vectorization and integration of deep learning algorithms for flood forecasting,” Journal of Environmental Management, vol. 362, Jun. 2024, Art. no. 121260, doi: 10.1016/j.jenvman.2024.121260.

[13] V. R. Joseph, “Optimal ratio for data splitting,” Statistical Analysis, vol. 15, no. 4, pp. 531-538, Aug. 2022, doi: 10.1002/sam.11583.

[14] Z. Wang, Y. Wei, and S. Wang, “Forecasting the carbon price of China’s national carbon market: A novel dynamic interval-valued framework,” Energy Economics, vol. 141, Jan. 2025, Art. no. 108107, doi: 10.1016/j.eneco.2024.108107.

[15] Y. Liang, D. Zhang, J. Zhang, and G. Hu, “A state-of-the-art analysis on decomposition method for short-term wind speed forecasting using LSTM and a novel hybrid deep learning model,” Energy, vol. 313, Dec. 2024, Art. no. 133826, doi: 10.1016/j.energy.2024.133826.

DOI: https://doi.org/10.34238/tnu-jst.11648

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ