Nghiên cứu ứng dụng trí tuệ nhân tạo kết hợp với các thuật toán tối ưu để dự báo công suất phát nguồn điện gió

BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC ĐÀ NẴNG

BÁO CÁO TĨM TẮT
ĐỀ TÀI KHOA HỌC VÀ CƠNG NGHỆ CẤP ĐẠI HỌC ĐÀ NẴNG

cD

ho

ai

D

NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO KẾT
HỢP VỚI CÁC THUẬT TỐN TỐI ƯU ĐỂ DỰ BÁO
CƠNG SUẤT PHÁT NGUỒN ĐIỆN GIÓ

Mã số: B2019-DN01-27

g

an

aN
Chủ nhiệm đề tài: PGS.TS Đinh Thành Việt

Đà Nẵng, 01/2022


g

an
aN
cD
ho
ai

D


DANH SÁCH THÀNH VIÊN THAM GIA THỰC HIỆN ĐỀ TÀI VÀ ĐƠN VỊ PHỐI HỢP
CHÍNH
1. DANH SÁCH THÀNH VIÊN THAM GIA THỰC HIỆN ĐỀ TÀI
Đơn vị công tác và
TT

Họ và tên
lĩnh vực chuyên môn

1

2

Nội dung nghiên cứu cụ thể được
giao

Chủ nhiệm đề tài: Định hướng và tổ
chức nghiên cứu, quản lý tiến độ thực
hiện đề tài; tham gia ít nhất trong 01 bài
(Chuyên ngành Kỹ thuật báo quốc tế và 01 bài báo trong nước là
sản phẩm của đề tài; phân tích, đánh giá

điện)
kết quả nghiên cứu; hướng dẫn chuyên
đề cho nghiên cứu sinh; hướng dẫn sinh
viên NCKH.

ThS. Võ Văn Phương

Nghiên cứu sinh – Trường Thư ký khoa học; thành viên thực hiện
Đại học Bách Khoa – Đại chính: thực hiện các nội dung nghiên ở
học Đà Nẵng
mục 15.2 theo phân cơng của chủ trì đề
tài; tham gia ít nhất trong 01 bài báo
quốc tế và 01 bài báo trong nước là sản
(Chuyên ngành Kỹ thuật phẩm của đề tài; thực hiện chuyên đề
nghiên cứu sinh
điện)

Đại học Đà Nẵng

TS. Dương Minh Quân

Đại học Đà Nẵng

Thành viên thực hiện chính: thực hiện
các nội dung nghiên cứu ở mục 15.2 theo
phân công của chủ nhiệm đề tài tham gia
(Chuyên ngành Kỹ thuật ít nhất trong 01 bài báo quốc tế và 01 bài
báo trong nước là sản phẩm của đề tài.
điện)

g

an

aN

3

cD

ho

ai

D

PGS.TS Đinh Thành Việt


i
MỤC LỤC

g

an

aN

cD

ho

ai

D

DANH MỤC CÁC BẢNG ................................................................................................................... iii
DANH MỤC CÁC HÌNH .....................................................................................................................iv
DANH MỤC CÁC CHỮ VIẾT TẮT .................................................................................................... v
THÔNG TIN KẾT QUẢ NGHIÊN CỨU ...........................................................................................vi
MỞ ĐẦU ................................................................................................................................................. 1
1. Tính cấp thiết của đề tài...................................................................................................................1
2. Mục tiêu nghiên cứu ........................................................................................................................3
3. Đối tượng và phạm vi nghiên cứu ...................................................................................................3
4. Cách tiếp cận, phương pháp nghiên cứu..........................................................................................3
5. Bố cục đề tài ....................................................................................................................................4
6. Tổng quan tài liệu nghiên cứu .........................................................................................................4
CHƯƠNG 1. TỔNG QUAN VỀ NĂNG LƯỢNG GIĨ VÀ DỰ BÁO CƠNG SUẤT
PHÁT NGUỒN ĐIỆN GIĨ ..............................................................................................................5
1.1. Tổng quan về năng lượng gió............................................................................................................5
1.1.1. Giới thiệu........................................................................................................................................5
1.1.2. Cấu tạo của một tuabin gió .............................................................................................................5
1.1.3. Lợi ích của việc đầu tư phát triển năng lượng điện gió ..................................................................7
1.1.4. Tình hình phát triển năng lượng điện gió tại Việt Nam và trên thế giới ........................................8
1.2. Dự báo công suất phát nguồn điện gió ............................................................................................11
CHƯƠNG 2.MẠNG TRÍ TUỆ NHÂN TẠO VÀ THUẬT TỐN TỐI ƯU .........................23
2.1. Mạng trí tuệ nhân tạo (ANN) ..........................................................................................................23
2.2. Thuật toán tối ưu hoá bầy đàn .........................................................................................................25
2.3. Thuật toán di truyền (GA) ...............................................................................................................27
2.4. Thuật toán PSO-ANN để huấn luyện mạng trí tuệ nhân tạo ...........................................................29

CHƯƠNG 3.MƠ HÌNH DỰ BÁO CƠNG SUẤT PHÁT NGUỒN ĐIỆN GIĨ SỬ DỤNG
MẠNG TRÍ TUỆ NHÂN TẠO KẾT HỢP VỚI CÁC THUẬT TỐN TỐI ƯU ............33
3.1. Đề xuất các mơ hình dự báo cơng suất phát nguồn điện gió sử dụng mạng trí tuệ nhân tạo kết hợp
với các thuật toán tối ưu .........................................................................................................................33
3.1.1. Mơ hình dự báo cơng suất phát nguồn điện gió PSO-PSO-ANN ................................................33
3.1.2. Mơ hình dự báo cơng suất phát nguồn điện gió GA-PSO-ANN ..................................................35
3.2. Dữ liệu .............................................................................................................................................38
3.2.1. Giới thiệu về nhà máy điện gió Tuy Phong-Bình Thuận .............................................................38
3.2.2. Cấu tạo tuabin và các thơng số chính của các thiết bị trong nhà máy ..........................................39
3.2.3. Dữ liệu ..........................................................................................................................................40
3.3. Kết quả thử nghiệm .........................................................................................................................41
3.3.1. Phương pháp đánh giá kết quả .....................................................................................................41
3.3.2. Kết quả thử nghiệm ......................................................................................................................41
3.4. Kết luận chương 3 ...........................................................................................................................46
CHƯƠNG 4.XÂY DỰNG MƠ HÌNH DỰ BÁO CƠNG SUẤT PHÁT ĐIỆN GIÓ SỬ
DỤNG TENSORFLOW ..................................................................................................................48
4.1. Giới thiệu về thư viện TensorFlow .................................................................................................48
4.2. Mơ hình dự báo sử dụng mạng nơron nhiều lớp truyền thẳng cho dự báo công suất phát nguồn điện
gió...........................................................................................................................................................49


ii
4.3. Sơ đồ thực hiện................................................................................................................................51
4.4. Dữ liệu và phương pháp đánh giá: ..................................................................................................51
4.5. So sánh hiệu quả của các mô hình huấn luyện trong dự báo cơng suất điện gió.............................52
4.6. Kết quả chương trình .......................................................................................................................55
4.7. Kết luận ...........................................................................................................................................59
KẾT LUẬN VÀ KIẾN NGHỊ ........................................................................................................60
DANH MỤC TÀI LIỆU THAM KHẢO1
SẢN PHẨM

g

an

aN

cD

ho

ai

D


iii
DANH MỤC CÁC BẢNG
Bảng 1. Kế hoạch phát triển các nguồn điện theo Đề án quy hoạch điện VIII ........................................9
Bảng 2. Các thơng số của thuật tốn PSO ..............................................................................................30
Bảng 3. Bảng thông số về tuabin............................................................................................................39
Bảng 4. Bảng thông số máy phát............................................................................................................39
Bảng 5. Sai số của mơ hình dự báo đề xuất so sánh với mơ hình PSO-ANN và Adam-ANN ..............42
Bảng 6. Giá trị trung bình của MAPE và MSE ......................................................................................44
Bảng 7. So sánh giá trị MAPE của mơ hình đề xuất so với các mơ hình khác ......................................47
Bảng 8 Kết quả sai số của các mơ hình khác nhau.................................................................................52
Bảng 9 Sai số dự báo với các mơ hình khác nhau ..................................................................................54
Bảng 10 Kết quả dự báo cơng suất điện gió cho 12 giờ tới....................................................................58

g

an

aN

cD

ho

ai

D


iv
DANH MỤC CÁC HÌNH
Hình 1. Cấu tạo của tuabin gió .................................................................................................................6
Hình 2. Tiềm năng điện gió ở Việt Nam ..................................................................................................8
Hình 3. Sơ đồ mạng nơron nhiều lớp truyền thẳng ................................................................................24
Hình 4. Sơ đồ cập nhật các thơng số vị trí và vận tốc của thuật tốn PSO ............................................26
Hình 5. Lưu đồ thuật tốn di truyền [6] .................................................................................................28
Hình 6. Mơ hình thuật tốn PSO-ANN ..................................................................................................29
Hình 7. Sơ đồ thực hiện thuật tốn PSO ................................................................................................31
Hình 8. Mơ hình thuật tốn PSO-PSO-ANN .........................................................................................33
Hình 9. Lưu đồ thuật tốn của thuật tốn PSO-PSO-ANN ....................................................................34
Hình 10. Mơ hình thuật tốn GA-PSO-ANN .........................................................................................36
Hình 11. Lưu đồ thuật tốn GA-PSO-ANN ...........................................................................................37
Hình 12. Các trụ điện gió thuộc Nhà máy điện gió Tuy Phong - Bình Thuận .......................................38
Hình 13. Tiềm năng gió ở Tuy Phong Bình Thuận [14] ........................................................................38

D

Hình 14. Cấu tạo của tubin gió...............................................................................................................40

ai

Hình 15. Dữ liệu cơng suất phát và vận tốc gió của tuabin ....................................................................41

ho

Hình 16. Chỉ số MAPE cho 24 lần thử nghiệm......................................................................................43
Hình 17. Chỉ số MSE cho 24 lần thử nghiệm ........................................................................................43

cD

Hình 18. Giá trị trung bình của MAPE cho 24 lần thử nghiệm..............................................................44

aN

Hình 19. Giá trị trung bình MSE cho 24 lần thử nghiệm .......................................................................44
Hình 20. Cơng suất phát thực tế và dự báo của tuabin gió trong 24h ....................................................45

an

Hình 21. Cơng suất phát thực tế và dự báo của tuabin gió trong 1 tuần ................................................46
Hình 22. Biểu đồ phân cấp các cấp độ của TensorFlow ........................................................................48

g

Hình 23. Cấu trúc mạng nơron 2 đầu vào ..............................................................................................49

Hình 24. Cấu trúc mạng nơron 3 đầu vào ..............................................................................................50
Hình 25. Lưu đồ thuật tốn ....................................................................................................................51
Hình 26. Sự thay đổi giá trị sai số học máy qua các vịng lặp................................................................56
Hình 27. Đồ thị sai số MAPE trung bình của một số thuật tốn ............................................................56
Hình 28. Đồ thị tương quan công suất dự báo và thực tế trong 12h tới .................................................57
Hình 29. Đồ thị tương quan cơng suất dự báo và thực tế trong 24h tới .................................................57


v
DANH MỤC CÁC CHỮ VIẾT TẮT
ANN

Artificial Neural Network - Mạng trí tuệ nhân tạo

EVN

Tập đồn Điện lực Việt Nam

GA

Genetic Algorithm - Thuật toán di truyền

GWEC

Global Wind Energy Council - Uỷ ban năng lượng gió tồn cầu

MAPE

Mean Absolute Percentage Error - Sai số phần trăm giá trị tuyệt đối trung bình

MSE

Mean Squared Error - Sai số bình phương trung bình

NLTT

Năng lượng tái tạo

PSO

Particle Swarm Optimisation - Thuật toán tối ưu hoá bầy đàn

SCADA

Supervisory Control and Data Acquisition - Hệ thống giám sát, điều khiển và thu
thập dữ liệu

g

an

aN

cD

ho

ai

D

vi
BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC ĐÀ NẴNG
-------

THÔNG TIN KẾT QUẢ NGHIÊN CỨU
1. Thông tin chung:
- Tên đề tài: Nghiên cứu ứng dụng trí tuệ nhân tạo kết hợp với các thuật tốn tối ưu để dự báo cơng suất
phát nguồn điện gió
- Mã số: B2019-DN01-27
- Chủ nhiệm đề tài: PGS.TS Đinh Thành Việt
- Tổ chức chủ trì: Đại học Đà Nẵng

2. Mục tiêu:

ho

ai

D

- Thời gian thực hiện: 24 tháng, từ tháng 3 năm 2020 đến tháng 3 năm 2022

Xây dựng chương trình dự báo cơng suất phát nguồn điện gió trên cơ sở ứng dụng các thuật

aN

3. Tính mới và sáng tạo:

cD

tốn tối ưu kết hợp với trí tuệ nhân tạo.

Các nguồn điện gió thường chịu ảnh hưởng lớn bởi các yếu tố thời tiết. Một sự biến thiên bất

an

định của gió (vận tốc, hướng gió) cũng làm thay đổi cơng suất phát của nhà máy điện gió, gây ảnh hưởng

g

nghiêm trọng đến tần số và an ninh hệ thống điện. Do đó, việc dự báo cơng suất phát các nhà máy điện
gió đóng vai trị quan trọng trong việc vận hành hệ thống điện và thị trường điện. Đề tài đã tập trung
nghiên cứu về nguồn năng lượng gió, các thuật tốn tối ưu và mạng trí tuệ nhân tạo, từ đó xây dựng
chương trình dự báo cơng suất phát nguồn năng lượng gió sử dụng kết hợp các phương pháp này. Việc
kết hợp giữa các thuật tốn tối ưu và trí tuệ nhân tạo sẽ góp phần làm giảm sai số dự báo.
Trên cơ sở ngôn ngữ lập trình mã nguồn mở Python, đề tài đã kết hợp ứng dụng mạng trí tuệ
nhân tạo với thuật toán bầy đàn, thuật toán di truyền để xây dựng nên chương trình dự báo cơng suất
phát nguồn điện gió. Trong đó, các tác giả đã sử dụng thuật tốn bầy đàn để huấn luyện mạng nơron
nhân tạo (mơ hình PSO-ANN). Để giảm sai số dự báo, nâng cao độ chính xác, tác giả đã sử dụng một
thuật tốn bầy đàn khác và thuật tốn di truyền (mơ hình PSO-PSO-ANN và GA-PSO-ANN) nhằm tự
động điều chỉnh tối ưu các tham số trong quá trình huấn luyện mạng nơron. Đề tài cũng đã ứng dụng
thư viện Tensorflow và Google Colab để giúp tiết kiệm thời gian, đơn giản hóa việc lập trình, cho kết
quả dự báo nhanh và tương đối chính xác.
4. Kết quả nghiên cứu:


vii

Đề tài đã đề xuất mơ hình và xây dựng thành công phần mềm dự báo công suất phát nhà máy điện
gió với độ chính xác tương đối tốt so với các mơ hình khác. Mơ hình do các tác giả đề xuất đã được áp
dụng nhằm dự báo công suất phát cho nhà máy điện gió Tuy Phong tại tỉnh Bình Thuận, Việt Nam. Kết
quả cho thấy các mơ hình dự báo PSO-PSO-ANN và GA-PSO-ANN do đề tài đề xuất cho kết quả dự
báo tốt hơn hẳn so với mơ hình PSO-ANN hay Adam-ANN. Mơ hình dự báo đề xuất trong đề tài này
có độ phức tạp lớn hơn, cũng như thời gian huấn luyện mạng dài hơn so với các mơ hình thơng thường,
tuy nhiên lại cho sai số tốt hơn so với một số mơ hình khác.
Bên cạnh đó, đề tài cũng đã đề xuất phương pháp và xây dựng mơ hình dự báo điện gió ngắn hạn
sử dụng ngơn ngữ lập trình Python, kết hợp thư viện TensorFlow để huấn luyện mạng nơron nhân tạo.
Sai số dự báo được cải thiện thông qua việc thử nghiệm và lựa chọn hàm kích hoạt, hàm tối ưu hóa, số
lớp ẩn, số nơron trong mỗi lớp, tỷ lệ tập huấn luyện/kiểm tra phù hợp với dữ liệu. Tiêu chuẩn đánh giá
sai số phần trăm trung bình (MAPE) được dùng để so sánh sai số của các mơ hình huấn luyện, lựa chọn
được mơ hình tối ưu. So sánh với các nghiên cứu trước đây về dự báo điện gió cho thấy kết quả dự báo
có sai số tương đối thấp, việc lập trình bằng ngơn ngữ Python chạy trên mơi trường GoogleColab giúp

D

tiết kiệm thời gian, đơn giản hóa việc lập trình. Mơ hình đề xuất có thể được ứng dụng vào thực tiễn cho

5. Sản phẩm:

cD

ho

ai

công tác dự báo cơng suất phát của các nhà máy điện gió.

Việc nghiên cứu đề tài mang lại hiệu quả cao trong công tác giáo dục và đào tạo. Đề tài đã hỗ

trợ hướng dẫn 01 nghiên cứu sinh theo đúng hướng nghiên cứu của đề tài (đã bảo vệ thành công chuyên

aN

đề) và đã đào tạo 02 sinh viên bảo vệ tốt nghiệp. Đồng thời kết quả nghiên cứu của đề tài cũng sẽ được
năng lượng tái tạo.

g

an

sử dụng nhằm hướng dẫn, định hướng nghiên cứu cho các học viên cao học, sinh viên trong lĩnh vực

Về mặt khoa học, đề tài đã đóng góp 01 bài báo trên tạp chí khoa học nước ngoài thuộc danh
mục SCIE và 01 bài báo trên tạp chí khoa học và cơng nghệ Đại học Đà Nẵng.
Về mặt thực tiễn, đề tài đã xây dựng chương trình dự báo cơng suất phát nguồn năng lượng gió
với khả năng ứng dụng cao, dễ dàng chuyển giao cho chủ đầu tư các cơng trình điện năng lượng tái tạo
có nhu cầu sử dụng; góp phần thúc đẩy mở rộng, phát triển và vận hành tối ưu các nguồn năng lượng
trong hệ thống điện, đáp ứng nhu cầu phát triển kinh tế xã hội của đất nước.
Báo cáo của đề tài sẽ tạo nguồn tài liệu tham khảo cho các giảng viên, học viên sau đại học,
sinh viên của Đại học Đà Nẵng. Đồng thời kết quả của đề tài khi được áp dụng tại các cơ sở ứng dụng
sẽ góp phần nâng cao hiệu quả khai thác nguồn năng lượng tái tạo trong hệ thống điện Việt Nam.
6. Phương thức chuyển giao, địa chỉ ứng dụng, tác động và lợi ích mang lại của kết quả nghiên
cứu:


g
an
aN
cD

ho
ai

D


ix
INFORMATION ON RESEARCH RESULTS
1. General information:
Project title: Application of artificial intelligence and optimization algorithms in wind power
forecasting.
Code number: B2019-DN01-27
Principal investigator: Assoc. Prof. Dinh Thanh Viet
Implementing institution: The University of Da Nang
Duration: 24 months, from March 2020 to March 2022
2. Objective(s): To create a computer program for wind power forecasting program based on the
optimization algorithms and artificial intelligence.
3. Creativeness and innovativeness:

D

Wind power sources are often greatly influenced by weather factors. Any uncertain variation of

ai

the wind (wind speed, direction) changes the generating power of the wind farm, seriously affecting the

ho

frequency and security of the power system. Therefore, wind power forecasting of the wind farm plays

an important role in the operation of the power system and the electricity market. In the project,

cD

optimization algorithms and artificial intelligence networks have been focused for research. Thereby, a
program using a combination of these methods to predict the wind power has been created. The

aN

combination of optimization algorithms and artificial intelligence will contribute to reducing forecasting

an

error.

g

Based on the open-source programming language Python, the artificial neural networks, particle
swarm optimization algorithm and genetic algorithm have been applied to create a program to predict
generating wind power. The authors used the particle swarm optimization algorithm to train an artificial
neural network (PSO-ANN model). To reduce prediction error and improve forecasting accuracy, the
authors used another particle swarm optimization algorithm and genetic algorithm (PSO-PSO-ANN and
GA-PSO-ANN models) to automatically optimize the parameters for neural network training. In the
project, Tensorflow library and Google Colab have also been applied to save time, simplify
programming process, giving relatively accurate forecasting results.
4. Research results:
In the project, the wind power forecasting models have been proposed and a software to predict
the generating wind power of the wind turbine with a relatively good accuracy in comparison with other
models has been successfully created. The proposed models were applied in the wind power forecasting
at the Tuy Phong wind farm in Binh Thuan province, Viet Nam. The results show that the proposed

forecasting models PSO-PSO-ANN and GA-PSO-ANN give better forecasting results than the PSO-


x
ANN or Adam-ANN models. The proposed forecasting models in this project have greater complexity,
as well as longer training time than conventional models, but give smaller error than some other models.
In addition, in the project, the methods and models based on Python and TensorFlow library to
train artificial neural networks for short-term wind power forecasting have also been proposed. The
prediction error is improved through testing and selecting the activation function, the optimization
function, the number of hidden layers, the number of neurons in each layer, the ratio of training data set
per test data set. The mean absolute percentage error (MAPE) evaluation criterion is used to compare
the errors of the training models and select the optimal model. The wind power forecasting results in the
project have been compared with the results from the previous studies. It showed that the forecasting
results from the proposed models have relatively small errors. Besides, Python’s programming in
GoogleColab environment saves time significantly. The proposed models can be applied in practice for
wind power forecasting at the wind farm.
5. Products:

D

The project contributed to the graduate and undergraduate students training. One PhD student

ai

has been participating in the project and successfully defended the special topics of the PhD program

ho

related to the project topic. Besides, 02 undergraduate students have involved in the project and
successfully defended the thesis. At the same time, the research results from the project can be used as

cD

a scientific material in the field of renewable energy for undergraduate and graduate students.

aN

The scientific value of the project is to contribute one SCIE paper and one paper in the journal
of science and technology of the University of Danang.

an

The practical meaning of the project is to create a computer program for wind power forecasting,

g

easy to transfer to the investors of renewable energy projects, promoting the power grid expansion,
development and optimal operation of energy sources in the power system, meeting the needs of the
country's socio-economic development.
The project report will be a reference source for lecturers, graduate students, and undergraduate
students at the University of Danang. At the same time, the results of the project will contribute to
improving the efficiency of renewable energy sources operation in the Vietnamese power system.
6. Transfer alternatives, application institutions, impacts and benefits of research results:
After completion of the project, the products will be tested and transferred directly to the needed
organizations/individuals to apply the research results of the project in the consulting work, planning
and building renewable energy sources for Vietnamese power system.
The published papers related to the project will become a reference resource for domestic and
foreign organizations/individuals.

1
MỞ ĐẦU

g

an

aN

cD

ho

ai

D

1. Tính cấp thiết của đề tài
Theo Quy hoạch điện VII hiệu chỉnh, đến năm 2020, hệ thống điện Việt Nam sẽ có 800 MW điện
gió và 850 MW điện mặt trời và tiếp tục tăng trong những năm tiếp theo. Như vậy, có thể thấy việc đầu
tư phát triển các nhà máy phát điện sử dụng năng lượng tái tạo nối lưới là ưu tiên cấp thiết hàng đầu
trong chiến lược phát triển năng lượng tái tạo của Việt Nam. Theo tính tốn của Viện Năng lượng (Bộ
Cơng Thương), trong trường hợp năm khô hạn, thiếu hụt điện năng sẽ xảy ra ở tất cả các năm, từ 2019
– 2025. Giai đoạn thiếu hụt nghiêm trọng nhất tập trung ở giai đoạn 2020 – 2023, với sản lượng thiếu
hụt từ 1,5 tỷ kWh - 5 tỷ kWh. Các năm còn lại thiếu từ 100 triệu kWh – 500 triệu kW. Để giải quyết
thách thức nêu trên, Việt Nam sẽ thay đổi nguồn cung cấp điện từ nhiều khía cạnh, trong đó bao gồm
phát triển thêm 6 GW năng lượng mặt trời và 12 GW năng lượng gió (vốn không nằm trong kế hoạch
phát triển điện lực ban đầu).
Tuy nhiên, việc tích hợp nguồn điện năng lượng tái tạo vào hệ thống điện cũng gặp nhiều thách
thức, đặc biệt trong bối cảnh mức độ thâm nhập ngày càng cao của các nguồn này. Các thách thức xuất

phát từ tính bất định và tính khả dụng của năng lượng tái tạo. Các nguồn năng lượng gió thường chịu
ảnh hưởng lớn bởi các yếu tố thời tiết. Một sự biến thiên bất định của gió (vận tốc, hướng gió) cũng làm
thay đổi cơng suất phát của nhà máy điện gió, gây ảnh hưởng nghiêm trọng đến tần số và an ninh hệ
thống điện. Việc vận hành thị trường điện cũng trở nên phức tạp hơn, tốn kém hơn do đòi hỏi phải có
dự phịng quay lớn trong những trường hợp như vậy. Để giảm thiểu những chi phí này thì địi hỏi phải
có hệ thống dự báo có độ chính xác cao để dự báo khả năng phát công suất của các nhà máy điện năng
lượng tái tạo. Để làm được điều đó, vấn đề giảm sai số trong cơng tác dự báo cơng suất phát nguồn điện
gió cần được quan tâm và nghiên cứu.
Do đó, đề tài tập trung nghiên cứu xây dựng chương trình dự báo cơng suất phát nguồn năng
lượng gió sử dụng các thuật tốn tối ưu và trí tuệ nhân tạo. Việc kết hợp giữa các thuật tốn tối ưu và trí
tuệ nhân tạo sẽ góp phần làm giảm sai số dự báo, cũng như hạn chế việc kết quả dự báo thiếu chính xác
do kết quả bị rơi vào vùng cục bộ địa phương. Mặt khác, hiện nay ở Việt Nam, Trung tâm điều độ hệ
thống điện quốc gia đang sử dụng phần mềm nước ngồi rất đắt tiền để dự báo cơng suất điện gió. Phần
mềm như vậy thường khó tùy biến và mở rộng cho phù hợp với các thay đổi thực tế. Do đó, sản phẩm
của đề tài sẽ góp phần từng bước nội địa hóa cơng cụ này.
2. Mục tiêu nghiên cứu
- Mục tiêu tổng quát: Xây dựng chương trình dự báo cơng suất phát nguồn năng lượng gió trên
cơ sở ứng dụng các thuật tốn tối ưu kết hợp trí tuệ nhân tạo.
3. Đối tượng và phạm vi nghiên cứu
a) Đối tượng nghiên cứu
Đối tượng nghiên cứu của đề tài này là nguồn năng lượng gió và các thuật tốn tối ưu, chương
trình máy tính nhằm dự báo cơng suất phát nguồn điện gió.
b) Phạm vi nghiên cứu
- Phạm vi nghiên cứu của đề tài bao gồm:
• Nguồn năng lượng gió.
• Các thuật tốn tối ưu.
• Trí tuệ nhân tạo.
4. Cách tiếp cận, phương pháp nghiên cứu
- Cách tiếp cận
• Khảo sát các yếu tố ảnh hưởng đến việc dự báo cơng suất phát nguồn điện gió.

• Nghiên cứu xây dựng mơ hình dự báo cơng suất phát nguồn điện gió
• Đánh giá kết quả
- Phương pháp nghiên cứu
• Phương pháp nghiên cứu tài liệu: thu thập và nghiên cứu các tài liệu trong và ngoài nước


2
đề cập đến vấn đề dự báo công suất phát nguồn điện gió.
• Phương pháp xử lý thơng tin: thu thập và xử lý thông tin định lượng về các yếu tố ảnh
hưởng đến dự báo công suất phát nguồn điện gió.
• Nghiên cứu lý thuyết kết hợp với thực nghiệm.
• Xem xét ứng dụng phù hợp với lưới điện thực tế..
5. Bố cục đề tài
Chương 1: Tổng quan về năng lượng gió và dự báo cơng suất phát nguồn điện gió.
Chương 2: Mạng trí tuệ nhân tạo và thuật tốn tối ưu.
Chương 3: Mơ hình dự báo cơng suất phát nguồn điện gió sử dụng mạng trí tuệ nhân tạo kết hợp
với các thuật toán tối ưu
Chương 4: Xây dựng mơ hình dự báo cơng suất phát nguồn điện gió sử dụng Tensorflow.
6. Tổng quan tài liệu nghiên cứu
Tác giả sử dụng các nguồn sách, bài báo, tạp chí trong và ngoài nước để nghiên cứu về lý thuyết
tối ưu, mạng trí tuệ nhân tạo và các thuật tốn có liên quan đến vấn đề dự báo cơng suất phát nguồn điện
gió.
Bên cạnh đó, tác giả thu thập số liệu từ đơn vị quản lý vận hành lưới điện các thông tin trong công
tác vận hành liên quan đến nguồn điện gió. Từ đó tổng hợp xử lý số liệu thu thập để phục vụ nghiên
cứu, đánh giá phân tích.

g

an

aN

cD

ho

ai

D


3

CHƯƠNG 1
TỔNG QUAN VỀ NĂNG LƯỢNG GIÓ VÀ DỰ BÁO CƠNG SUẤT
PHÁT NGUỒN ĐIỆN GIĨ

1.1. Tổng quan về năng lượng gió
1.1.1. Giới thiệu
Năng lượng điện gió là nguồn năng lượng sạch và có tiềm năng rất lớn. Ngày nay cơng nghệ
điện gió phát triển mạnh và có sự cạnh tranh lớn, với tốc độ phát triển như hiện nay thì khơng bao lâu
nữa năng lượng điện gió sẽ chiếm phần lớn trong thị trường năng lượng của thế giới.

1.1.2. Cấu tạo của một tuabin gió
Tuabin gió là thiết bị chuyển đổi năng lượng gió thành năng lượng điện, thơng qua việc sử dụng
sức gió làm cho các cánh quạt quay quanh 1 rotor, mà rotor được nối với trục chính, truyền động làm
quay trục quay của máy phát để tạo ra điện.

1.1.3. Lợi ích của việc đầu tư phát triển năng lượng điện gió
1.1.4. Tình hình phát triển năng lượng điện gió tại Việt Nam và trên thế giới

a) Tình hình phát triển năng lượng điện gió tại Việt Nam

D

ho

ai

Theo báo cáo đến cuối năm 2019, công suất lắp đặt nguồn điện gió tại Việt Nam đã đạt 487,4
MW [2]. Để xây dựng thêm 18,6 GW điện gió đến năm 2030 là một thách thức lớn về nhiều mặt mà
trong thời gian tới các cơ quan nghiên cứu cần phải làm rõ để đảm bảo tính khả thi của phương án đề
xuất [4].

cD

b) Tình hình phát triển năng lượng điện gió trên thế giới

•

Cơng suất điện gió được lắp đặt trên toàn cầu trong năm 2019 đạt 60,4 GW, tăng 19% so với
năm 2018 và đạt mức tăng trưởng đứng thứ 2 trong lịch sử phát triển năng lượng điện gió.
Tổng cơng suất năng lượng điện gió trên tồn cầu hiện nay đạt hơn 651 GW, tăng 10% so
với năm 2018.

g

an

•

aN

Theo báo cáo năng lượng gió tồn cầu năm 2019 [5] của Hiệp hội Điện gió Tồn cầu (GWEC Global Wind Energy Council):

1.2. Dự báo công suất phát nguồn điện gió
Hiện nay trên thế giới đã có nhiều nghiên cứu về việc dự báo cơng suất phát nguồn điện gió với
nhiều phương pháp dự báo khác nhau, trong đó các phương pháp thống kê được sử dụng tương đối phổ
biến, đặc biệt là phương pháp dựa trên mạng trí tuệ nhân tạo . Hầu hết các nghiên cứu đều đã đề xuất
các phương pháp tân tiến và xây dựng được các mơ hình dự báo cơng suất phát nguồn điện gió có thể
ứng dụng cho thực tế sản xuất. Tuy nhiên vấn đề sai số trong công tác dự báo vẫn có thể được cải thiện
hơn nữa thơng qua các phương pháp tối ưu và học máy.
Với mục tiêu nâng cao tính chính xác và giảm sai số trong dự báo cơng suất phát nhà máy điện
gió, chương này đề xuất mơ hình sử dụng mạng trí tuệ nhân tạo kết hợp với thuật toán bầy đàn và thuật
toán di truyền để xây dựng chương trình dự báo cơng suất phát nguồn điện gió. Trong đó, thuật tốn bầy
đàn sẽ được sử dụng để điều chỉnh các thông số của mạng nơ-ron nhằm tăng cường độ chính xác. Song
song với q trình đó, thuật tốn di truyền sẽ được sử dụng để điều chỉnh các tham số của thuật toán bầy
đàn nêu trên để nâng cao hơn nữa tính chính xác của kết quả dự báo. Mơ hình được kiểm tra với dữ liệu
thực tế thu thập từ nhà máy điện gió Tuy Phong ở tỉnh Bình Thuận, Việt Nam như được trình bày ở các
mục tiếp theo.


4
CHƯƠNG 2
MẠNG TRÍ TUỆ NHÂN TẠO VÀ THUẬT TỐN TỐI ƯU

2.1. Mạng trí tuệ nhân tạo (ANN)
Mạng nơron nhân tạo có cấu trúc tương tự như bộ não tuy nhiên số nơron trong mạng nơron
nhân tạo là hữu hạn tuỳ thuộc vào nhu cầu thực tế của bài tốn, cịn đối với bộ não con người số nơron
lên tới xấp xỉ 15 tỉ nơron. Mạng nơron có khả năng học và áp dụng lại những gì đã được dạy, chính vì
đặc điểm này mà mạng nơron đang được phát triển rất mạnh mẽ và đang được ứng dụng rất nhiều trong

thực tế, đặc biệt là trong lĩnh vực dự báo, phân loại, nhận dạng, điều khiển [6].

an

aN

cD

ho

ai

D
Hình 1. Sơ đồ mạng nơron nhiều lớp truyền thẳng

g

2.2. Thuật toán tối ưu hố bầy đàn

Thuật tốn tối ưu hóa bầy đàn là một dạng của các thuật tốn tiến hóa quần thể đã được biết đến
trước đây như thuật giải di truyền (Genetic algorithm (GA)), thuật toán đàn kiến (Ant colony algorithm).
Thuật toán PSO được giới thiệu vào năm 1995 tại một hội nghị của IEEE bởi James Kennedy và kỹ sư
Russell C.Eberhart [8].
Thuật tốn PSO được mơ tả bởi 2 phương trình: phương trình vận tốc và phương trình vị trí với
mối liên hệ được thể hiện ở hình 4 [8]:
- Phương trình vị trí phần mỗi phần tử:
i
i
(1)
xk+1

= xki + vk+1
- Phương trình vận tốc mỗi phần tử:
g
i
vk+1
= wk vki + c1 r1 (pik − xki ) + c2 r2 (pk − xki )
(2)

2.3. Thuật toán di truyền (GA)
Thuật toán di truyền (GA – Genetic Algorithm) là một công cụ rất hiệu quả để giải quyết các
vấn đề tối ưu. Thuật toán di truyền được xây dựng dựa vào hai quá trình sinh học cơ bản: lý thuyết di
truyền học của Gregor Johan Mendel (1865) và lý thuyết tiến hóa của Charles Darwin (1875). GA có
thể mơ tả và giải quyết được rất nhiều bài toán tối ưu phức tạp trong nhiều lĩnh vực như bài tốn lập thời
khóa biểu, lập kế hoạch bán hàng, bài toán người du lịch…


5

2.4. Thuật tốn PSO-ANN để huấn luyện mạng trí tuệ nhân tạo
Thuật toán PSO-ANN được sử dụng trong huấn luyện mạng nơron nhân tạo để xác định bộ
thông số (w, b) sao cho mạng nơron được xây dựng tối ưu nhất.
Mơ hình thuật tốn PSO-ANN được thể hiện như hình 6.

PSO

ANN

Hình 2. Mơ hình thuật tốn PSO-ANN

g

an

aN

cD

ho

ai

D

-


6
CHƯƠNG 3
MƠ HÌNH DỰ BÁO CƠNG SUẤT PHÁT NGUỒN ĐIỆN GIĨ SỬ DỤNG MẠNG
TRÍ TUỆ NHÂN TẠO KẾT HỢP VỚI CÁC THUẬT TỐN TỐI ƯU

3.1. Đề xuất các mơ hình dự báo cơng suất phát nguồn điện gió sử dụng mạng trí tuệ nhân tạo
kết hợp với các thuật tốn tối ưu

3.1.1. Mơ hình dự báo cơng suất phát nguồn điện gió PSO-PSO-ANN
Cấu trúc thuật tốn PSO-PSO-ANN gồm 3 vịng chính: Vịng lặp PSO1, vịng lặp PSO2 và vịng
mạng nơron được thể hiện như hình 8.
PSO1

PSO2

D

ANN

ho

ai
aN

cD

Hình 3. Mơ hình thuật tốn PSO-PSO-ANN
Vịng lặp ngồi cùng PSO1 sử dụng thuật tốn PSO để xác định các thông số c 12, c22 và w2 tối
ưu cho thuật tốn PSO2. Vịng lặp PSO2 cũng sử dụng thuật tốn PSO nhận các thơng số c12, c22 và w2
từ kết quả từ vòng lặp PSO1 để điều chỉnh các thơng số của mạng nơron. Vịng ANN dùng để tính sai
số trong mỗi vịng lặp. Sơ đồ thuật tốn PSO-PSO-ANN được thể hiện ở hình 9.

an

3.1.2. Mơ hình dự báo cơng suất phát nguồn điện gió GA-PSO-ANN

g

Cấu trúc thuật tốn GA-PSO-ANN gồm 3 vịng chính: Vịng lặp GA, vòng lặp PSO, vòng ANN
được thể hiện như hình 10. Vịng lặp ngồi cùng GA sử dụng thuật tốn di truyền để xác định các thơng
số c1, c2 và w tối ưu cho vòng lặp PSO. Vòng lặp PSO sử dụng thuật tốn PSO nhận các thơng số c1, c2
và w từ kết quả từ vòng lặp GA để điều chỉnh các thơng số của mạng nơron. Vịng ANN dùng để xác
định sai số trong mỗi lần lặp.
GA

PSO2

ANN

Hình 4. Mơ hình thuật tốn GA-PSO-ANN


7

3.2. Dữ liệu
3.2.1. Giới thiệu về nhà máy điện gió Tuy Phong-Bình Thuận
Nhà máy điện gió Tuy Phong có tổng công suất là 120 MW với 80 tuabin, được thực hiện theo
nhiều giai đoạn.

3.2.2. Cấu tạo tuabin và các thông số chính của các thiết bị trong nhà máy
3.2.3. Dữ liệu
Dữ liệu bao gồm công suất tác dụng và các thơng số tốc độ gió, hướng gió, nhiệt độ được thu
thập theo chu kỳ 30 phút dùng để huấn luyện mơ hình được lấy từ nhà máy điện gió Tuy Phong, Bình
Thuận năm 2016 và 2017 cho tuabin FL612.

3.3. Kết quả thử nghiệm
3.3.1. Phương pháp đánh giá kết quả
Để đánh giá hiệu quả của các mơ hình dự báo, hai loại tiêu chuẩn đo độ chính xác sau được sử
dụng:
Sai số phần trăm giá trị tuyệt đối trung bình:
N

Sai số bình phương trung bình:

i=1

Pitrue

|

(7)

100%

N

(8)

i=1

MAPE

cD

ho

11%

aN

10%

an

9%
8%

g

MAPE (%)

− Pi

1
predict 2
MSE = ∑ (Pitrue − Pi
)
N

ai

D
3.3.2. Kết quả thử nghiệm

predict

true

|Pi
1
MAPE = ∑
N

7%

6%
5%
4%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Lần thử nghiệm
GA-PSO-ANN

PSO-PSO-ANN

PSO-ANN

Hình 5. Chỉ số MAPE cho 24 lần thử nghiệm

Adam-PSO


8

MSE

0.0015

MSE (MW*MW)

0.0014
0.0013
0.0012
0.0011
0.001

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
nghiệm
GA-PSO-ANN
PSO-PSO-ANNLần thửPSO-ANN
Adam-PSO

ai

D

Hình 6. Chỉ số MSE cho 24 lần thử nghiệm
Giá trị trung bình MSE and MAPE được thể hiện như ở bảng 6 và hình 18, hình 19.
Bảng 1. Giá trị trung bình của MAPE và MSE
Thuật toán
MAPE
MSE
4.52%

0.001139635

PSO-PSO-ANN

4.54%

0.001117418

PSO-ANN

4.90%

0.001212124

cD

ho

GA-PSO-ANN

g

an

aN

Adam-ANN
7.79%
0.001235203
Trong cả hai trường hợp, các thuật toán đề xuất GA-PSO-ANN và PSO-PSO-ANN có kết quả
vượt trội so với PSO-ANN và Adam-ANN. Vì đồ thị dự báo so với kết quả thực tế cho hai thuật toán
được đề xuất tương đối giống nhau nên đồ thị của mô hình GA-PSO-ANN được hiển thị như sau để đại
diện cho cả hai. Như được minh họa trong hình 20 và 21, kết quả dự báo điện gió trong một ngày (hình
20) và trong một tuần (hình 21) bằng mơ hình GA-PSO-ANN khá sát với kết quả dự báo điện gió thực
tế được lưu trữ qua hệ thống SCADA.

Công suất đầu ra tuabin (MW)

Cơng suất phát nhà máy điện gió thực tế và dự báo trong 01
ngày (mơ hình GA-PSO-ANN)
1
0.8

0.6
0.4
0.2
0
1

2

3

4

5

6

7

8

9

10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Giờ
Thực tế

Dự báo

Hình 7. Cơng suất phát thực tế và dự báo của tuabin gió trong 24h

9

3.4. Kết luận chương 3

g

an

aN

cD

ho

ai

D

Chương này đã đề xuất mô hình và xây dựng thành cơng phần mềm dự báo cơng suất phát nhà
máy điện gió với mức độ chính xác tương đối tốt so với các mơ hình khác. Trong đó, các tác giả đã sử
dụng thuật tốn bầy đàn để huấn luyện mạng neural nhân tạo (mơ hình PSO-ANN). Để giảm sai số dự
báo, nâng cao tính chính xác, tác giả đã sử dụng một thuật toán bầy đàn khác và thuật tốn di truyền (mơ
hình PSO-PSO-ANN và GA-PSO-ANN) nhằm tự động điều chỉnh tối ưu các tham số trong quá trình
huấn luyện mạng neural. Kết quả cho thấy các mơ hình dự báo PSO-PSO-ANN và GA-PSO-ANN cho
kết quả dự báo tốt hơn hẳn so với mơ hình PSO-ANN hay Adam-ANN.
Bảng 7 cho thấy sự so sánh MAPE giữa các mơ hình dự báo điện gió khác nhau [6], [17], [18].
Các mơ hình đề xuất PSO-PSO-ANN và GA-PSO-ANN cho thấy độ chính xác tốt hơn so với các mơ
hình nói trên, điều này cho thấy rằng các mơ hình đề xuất trong mơ hình này có thể được sử dụng tốt để

dự báo trong sản xuất thực tế của các trang trại điện gió trong khi đảm bảo mức độ cao cho độ chính
xác.
Bảng 2. So sánh giá trị MAPE của mơ hình đề xuất so với các mơ hình khác
Mơ hình
MAPE
GA-PSO-ANN
4.52%
PSO-PSO-ANN
4.54%
PSO-ANN
4.90%
Adam-ANN
7.79%
Persistence
11.94%
BP-FFANN
7.35%
GA-FFANN
6.79%
ANFIS
14.92%
WT + ANFIS
12.58%
WT + NNPSO
8.19%
WT-ACO-FFANN
5.35%
VWPF
6.85%

10
CHƯƠNG 4
XÂY DỰNG MƠ HÌNH DỰ BÁO CƠNG SUẤT PHÁT ĐIỆN GIÓ SỬ DỤNG
TENSORFLOW

4.1. Giới thiệu về thư viện TensorFlow
TensorFlow [19] là một thư viện mã nguồn mở được Google phát triển nhằm mục đích hỗ trợ
việc nghiên cứu và phát triển các ứng dụng AI (Machine Learning/Deep Learning).

4.2. Mô hình dự báo sử dụng mạng nơron nhiều lớp truyền thẳng cho dự báo cơng suất phát
nguồn điện gió
Chương này nghiên cứu 02 mơ hình mạng nơron khác nhau để đánh giá:
+ Mạng nơron sử dụng 2 dữ liệu đầu vào: vận tốc gió, hướng gió như ở hình 23.

g

an

aN

cD

ho

ai

D
Hình 8. Cấu trúc mạng nơron 2 đầu vào
+ Mạng nơron sử dụng 3 dữ liệu đầu vào: vận tốc gió, hướng gió, nhiệt độ như ở hình 24.

11

Hình 9. Cấu trúc mạng nơron 3 đầu vào
- Biến đầu ra của mạng: Công suất của tuabin.

D

4.3. Sơ đồ thực hiện

ai

4.4. Dữ liệu và phương pháp đánh giá sai số dự báo:

cD

ho

Dữ liệu và phương pháp đánh giá sai số dự báo cơng suất điện gió như đã trình bày ở chương 3
được tiếp tục sử dụng ở chương 4 để đánh giá tính hiệu quả của các mơ hình.

4.5. So sánh hiệu quả của các mơ hình huấn luyện trong dự báo cơng suất điện gió

an

aN

Mục đích của phần này là sử dụng các mơ hình khác nhau để huấn luyện mạng nơron, so sánh
giá trị MAPE của các mơ hình và từ đó chọn ra mơ hình tốt nhất để áp dụng dự báo công suất phát nguồn

điện gió.

g

Lần chạy

Bảng 3 Kết quả sai số của các mơ hình khác nhau
Adagrad
Adam
1 lớp ẩn

2 lớp ẩn

3 lớp ẩn

1 lớp ẩn

2 lớp ẩn

3 lớp ẩn

1

7.43

5.46

4.88

5.20

5.76

4.93

2

6.32

4.97

4.88

5.45

5.12

4.99

3

7.68

5.29

4.89

5.77

5.61

5.77

4

8.91

5.08

4.89

5.85

4.99

5.72

5

5.52

4.99

4.90

5.07

5.35

5.31

6

8.91

5.55

4.88

5.55

5.06

5.34

7

5.62

5.12

4.89

5.16

5.27

5.45

8

7.84

5.91

4.91

5.69

5.54

5.16

9

8.20

5.00

4.87

5.44

5.33

5.51

10

6.42

4.99

4.86

5.42

5.33

4.87

11

7.98

5.40

4.70

5.42

5.65

5.21

12

5.09

5.17

4.91

5.21

4.99

5.53

13

5.02

5.32

4.91

5.63

5.64

5.37

14

6.28

5.14

4.96

5.57

4.92

5.44


12
Adagrad

Lần chạy

Adam

1 lớp ẩn

2 lớp ẩn

3 lớp ẩn

1 lớp ẩn

2 lớp ẩn

3 lớp ẩn

15

4.96

4.95

4.87

5.29

4.78

5.94

16

7.71

5.38

4.91

5.39

5.10

5.13

17

5.46

5.05

4.63

5.53

4.86

5.56

18

7.17

5.79

4.85

5.46

5.19

5.40

19

8.13

5.15

4.87

5.49

5.49

5.14

20

8.93

4.98

4.96

5.23

5.70

5.33

TRUNG BÌNH

6.98

5.23

4.87

5.44

5.28

5.35

Trên cơ sở lựa chọn được thuật toán Adagrad và số lớp ẩn tối ưu như trên, tiếp tục nghiên cứu
ảnh hưởng của số lượng biến đầu vào và tỉ lệ dữ liệu tập train/test để đánh giá sai số.
Kết quả thử nghiệm ảnh hưởng của số lượng biến đầu vào và tỉ lệ dữ liệu tập train/test đến sai
số dự báo được thể hiện như bảng 9.
Bảng 4 Sai số dự báo với các mô hình khác nhau
Thơng số đầu vào

D

ho
70/30

60/40

50/50

70/30

60/40

50/50

1

4.88

8.15

4.79

4.83

8.16

6.21

2

4.88

7.11

6.54

5.48

8.23

8.82

3

4.89

5.25

6.96

5.48

5.79

6.82

4

4.89

6.70

4.95

8.58

7.89

7.79

5

4.90

6.09

an

7.85

5.41

5.61

5.75

6

4.88

7.64

7.95

g

ai

Lần chạy

Vận tốc gió,
hướng gió,
nhiệt độ

Vận tốc gió,
hướng gió

4.96

6.12

5.92

7

4.89

7.64

6.48

6.32

6.98

5.69

8

4.91

6.26

4.90

4.80

4.95

7.45

9

4.87

7.78

7.72

5.49

7.51

6.18

10

4.86

8.34

5.27

7.31

6.03

5.64

11

4.70

5.72

7.27

8.70

8.16

5.19

12

4.91

7.75

5.63

5.62

6.52

8.25

13

4.91

5.99

5.52

4.70

8.29

6.94

14

4.96

5.65

7.30

7.54

6.28

4.82

15

4.87

6.15

5.90

7.80

8.16

5.80

16

4.91

6.29

5.72

8.31

7.33

7.45

17

4.63

7.01

7.12

4.66

5.39

5.79

18

4.85

8.46

7.18

5.03

5.96

5.34

19

4.87

7.22

7.55

7.17

5.18

5.94

20

4.96

7.15

5.04

8.76

7.60

5.48

Tỷ lệ tập dữ liệu training/test

aN

cD