Nghiên cứu dự báo công suất phát của nhà máy điện gió

ĐẠI HỌC ĐÀ NẴNG
TRƢỜNG ĐẠI HỌC BÁCH KHOA

LƢƠNG THỊ DIỄM ĐOAN

NGHIÊN CỨU DỰ BÁO CÔNG SUẤT PHÁT
CỦA NHÀ MÁY ĐIỆN GIÓ

Chuyên ngành : Kỹ Thuật điện
Mã số

: 60520202

TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT ĐIỆN

Đà Nẵng- Năm 2018


Công trình được hoàn thành tại
TRƢỜNG ĐẠI HỌC BÁCH KHOA – ĐHĐN

Người hướng dẫn khoa học: PGS.TS Đinh Thành Việt

Phản biện 1:

TS. Đoàn Anh Tuấn

Phản biện 2:

PGS.TS Võ Ngọc Điều

Luận văn sẽ được bảo vệ trước Hội đồng chấm Luận văn tốt
nghiệp thạc sĩ Kỹ thuật điện họp tại Trường Đại học Bách khoa
vào ngày 30 tháng 06 năm 2018.

Có thể tìm hiểu luận văn tại:
- Trung tâm thông tin học liệu và Truyền thông Trường Đại
học Bách khoa
- Thư viện Khoa điện, Trường Đại học Bách khoa - ĐHĐN


-1MỞ ĐẦU
1. Lý do chọn đề tài
Năng lượng điện là một nhu cầu không thể thiếu đối với cuộc
sống con người và mọi hoạt động sản xuất kinh doanh. Để đáp ứng
nhu cầu trên, con người đã khai thác, sản xuất tiêu thụ năng lượng có
nguồn gốc hóa thạch như: than đá, dầu mỏ...Việc khai thác trên là
nguyên nhân làm tăng khí nhà kính dẫn đến biến đổi khí hậu, ô
nhiễm môi trường sống nhưng nhu cầu về năng lượng lại càng tăng
nhanh. Trong khi đó các nguồn năng lượng hóa thạch đang dần cạn
kiệt và có tác động mạnh tới môi trường, các nguồn thủy điện thì gây
ảnh hưởng tới hệ sinh thái và thiên tai lũ lụt...Năng lượng hạt nhân
thì có nhiều nguy cơ mất an toàn và không có biện pháp xử lý cho
các chất thải hạt nhân lâu dài.
Vì thế ở các nước phát triển như các nước Châu Âu, Mỹ,
Trung Quốc đang chuyển dần sang sử dụng các nguồn năng lượng tái
tạo và sạch như năng lượng mặt trời, gió, sóng và thủy triều.
Năng lượng gió là một trong những năng lượng tái tạo được sử
dụng ngày càng phổ biến rộng rãi trên thế giới. Đầu tư vào năng
lượng tái tạo như điện gió là xu hướng được các nước phát triển trên
thế giới hướng tới phát triển bền vững.

Với tốc độ tăng trưởng kinh tế của Việt Nam hiện nay thì nhu
cầu điện ngày càng gia tăng trong khi năng lực cung ứng theo chưa
kịp. Việt Nam cũng đang từng bước đầu tư vào lĩnh vực năng lượng
tái tạo và sạch như điện gió, mang chiến lược phát triển bền vững,
giảm thiểu tác động của môi trường.
Việt Nam là quốc gia có tiềm năng điện gió lớn nhất trong khu
vực vượt qua Thái Lan, Lào, Campuchia. Diện tích đất liền và biển
của Việt Nam rất giàu tiềm năng, thuận lợi cho việc lắp đặt các
tuabin gió lớn.


-2Tuy nhiên việc phát triển các dự án điện gió với quy mô công nghiệp
ở Việt Nam còn chậm. Nguyên nhân cơ bản là về mặt tài chính đầu
tư cho dạng năng lượng này còn hạn chế và chưa có nghiên cứu quy
hoạch các vùng phát triển điện gió. Những nơi có tiềm năng điện gió
thường tập trung ở các vị trí hẻo lánh, xa hệ thống lưới điện truyền
tải. Do đó việc kết nối nhà máy điện gió với lưới điện phân phối phải
đảm bảo chất lượng điện năng như ổn định điện áp, dao động điện áp,
tần số dòng điện...
Với lý do trên, đề tài "Nghiên cứu dự báo công suất phát của nhà máy
điện gió" hiện nay là thiết thực và cần thiết góp phần vào nâng cao
hiệu quả vận hành lưới điện tại khu vực sử dụng năng lượng điện gió
nên học viên chọn đề tài trên cho luận văn tốt nghiệp.
2. Mục đích nghiên cứu
- Tình hình phát triển nguồn năng lượng xanh điện gió ở thế
giới và Việt Nam.
- Các phương pháp dự báo công suất phát của nhà máy điện
gió.
- Ứng dụng vào thực tiễn đề xuất phương pháp và xây dựng
chương trình dự báo công suất phát phù hợp cho nhà máy điện gió ở

các vùng có tiềm năng về năng lượng gió.
3. Đối tƣợng và phạm vi nghiên cứu
Đối tượng nghiên cứu: Năng lượng điện gió và các phương
pháp dự báo công suất phát của nhà máy điện gió.
Phạm vi nghiên cứu: các phương pháp dự báo vận tốc và công suất
phát cho nhà máy điện gió.
4. Phƣơng pháp nghiên cứu
Kết hợp giữa lý thuyết và thực tế: Nghiên cứu lý thuyết về các
phương pháp dự báo, các kỹ thuật xử lý số liệu, trên cở sở số liệu
khảo sát thực tế để từ đó có cơ sở đề xuất phương pháp hợp lý, xây
dựng chương trình, phân tích và kiểm nghiệm kết quả.


-35. Ý nghĩa khoa học và tính thực tiễn của đề tài
Ý nghĩa khoa học:
Để tính toán được công suất phát của nhà máy điện gió cung
cấp nguồn năng lượng cho một vùng cụ thể thì cần lựa chọn phương
pháp dự báo phù hợp với điều kiện tự nhiên từng vùng để có công
suất phát là tối ưu.
Sử dụng mạng Nơ-ron và phương pháp thống kê để xây dựng
chương trình dự báo công suất phát của điện gió.
Ý nghĩa thực tiễn:
Đề tài phân tích và đánh giá được hiệu suất, tính ổn định của
công suất phát của nhà máy điện gió theo thời gian ngắn hạn
Đề tài đề xuất phương pháp dự báo một cách khoa học và có
tính thực tiễn cao, áp dụng cho nhà máy thực tế ở Việt Nam.
6. Bố cục luận văn
Ngoài phần mở đầu, kết luận, tài liệu tham khảo và phụ lục
trong luận văn gồm có các chương như sau:
Chương 1: Tổng quan về tình hình phát triển điện gió ở Thế

giới và Việt Nam
Chương 2: Các phương pháp dự báo của nhà máy điện gió
Chương 3: Xây dựng phương pháp dự báo vận tốc gió và công
suất phát của nhà máy Điện gió.
CHƢƠNG 1: TỔNG QUAN VỀ TÌNH HÌNH PHÁT TRIỂN
ĐIỆN GIÓ Ở THẾ GIỚI VÀ VIỆT NAM
1.1. Tình hình phát triển điện gió
1.1.1. Tình hình phát triển điện gió trên thế giới.
Theo thông kê của Hiệp hội năng lượng tái tạo toàn cầu
IRENA, năm 2016 tỷ trọng công suất điện gió mới nhất toàn cầu hiện
đang chiếm tổng 9% với tổng các nguồn điện hiện có. Với các quốc
gia thì tổng đứng đầu là Trung Quốc chiếm 34%, Mỹ 17%, Đức 10%,


-4Pháp, Italia, Bzazil đều 2%, còn Thụy Điển, Đan Mạch, Thổ Nhĩ Kỳ,
Ba Lan đều 1%[4]
1.1.2. Tình hình phát triển điện gió tại Việt Nam
Có 4 dự án với tổng công suất 159,2 MW đã đi vào vận hành
thương mại. Dự án Nhà máy điện gió Bạc Liêu có công suất lớn nhất
trong số 4 dự án điện gió đang hoạt động tại Việt Nam. Dự án nằm ở
ngoài khơi, thuộc địa phận tỉnh Bạc Liêu, có quy mô 62 tua bin gió
với tổng công suất 99,2 MW, điện năng sản xuất khoảng 320 triệu
kWh/năm. Sau khi đưa vào vận hành giai đoạn I, với quy mô 16 MW
và hòa lưới điện từ tháng 5-2013. Đến tháng 1-2016, Dự án Nhà máy
điện gió Bạc Liêu đã hoàn thành việc đầu tư toàn bộ 62 tua bin gió.
Dự án điện gió lớn thứ hai nằm ở Tuy Phong (tỉnh Bình Thuận) của
Công ty cổ phần Năng lượng tái tạo (REVN) đã hoàn thiện việc lắp
đặt 20 trụ tua bin gió với tổng công suất 30 MW vào năm 7-2012.
Cũng tại tỉnh Bình Thuận, dự án điện gió trên đảo Phú Quý với
giá trị đầu tư khoảng 17 triệu USD (387 tỷ đồng) có quy mô 3 tua bin

gió với công suất 6MW cũng đã được đưa vào vận hành từ năm
2012.
Dự án điện gió Phú Lạc của Công ty cổ phần điện gió Thuận
Bình (tỉnh Bình Thuận) với công suất 24 MW, vốn đầu tư 1.000 tỷ
đồng đã bắt đầu vận hành vào tháng 9-2016.
1.3. Tiềm năng và trữ lƣợng gió ở Việt Nam
1.2.1. Tiềm năng nguồn năng lượng gió ở Việt Nam
Việt Nam có tới 8,6% diện tích lãnh thổ được đánh giá có
tiềm năng rất tốt để xây dựng các trạm điện gió cỡ lớn thì diện
tích này ở Campuchia là 0,2%, Lào 2,9%, và Thái Lan 0,2%. Tổng
tiềm năng điện gió của Việt Nam ước đạt 513.360 MW tức là bằng
hơn 200 lần công suất của thủy điện Sơn La, và hơn 10 lần tổng
công suất dự báo của ngành điện vào năm 2020.


-51.2.2. Trữ lượng gió ở Việt Nam
Tại vùng biển Việt Nam có khu vực từ Bình Thuận đến Cà
Mau, là nơi có tốc độ gió đạt từ 7 đến 11m/s, cũng là nơi tiềm
năng công suất năng lượng gió lớn nhất trên thế giới. Khu vực ven
bờ vịnh Bắc Bộ phía Bắc từ Quảng Ninh đến Quảng Trị có tốc độ
gió chủ yếu thấp hơn 6m/s.
1.4. Tổng quan về năng lƣợng gió và máy phát điện gió.
1.4.1. Nguyên lý để chuyển gió thành điện năng
1.4.2. Tuabin của một trạm điện gió
1.4.3. Các địa điểm có thể xây dựng điện gió
Người ta phân biệt ba loại địa điểm đặt trạm điện gió: nội địa
(onshore), ven biển (nearshore) ,ngoài thềm lục địa (offshore).
1.5. Kết luận chƣơng 1
Trong chương I đã nêu lên tổng quan tình hình phát triển năng
lượng điện gió trên thế giới nói chung và Việt nam nói riêng. Trong

chương này cũng nói lên tiềm năng phát triền năng lượng điện gió ở
Việt nam là rất lớn. Tuy nhiên năng lượng gió chưa được phát triển
mạnh vì giới hạn về vốn đầu tư và còn khá mới đối với Việt Nam.
Chương này cũng đã chỉ rõ sự phân bổ những vùng miền có trữ
lượng gió tiềm năng phù hợp với sự phát triển của nhà máy điện gió.
CHƢƠNG 2 - CÁC PHƢƠNG PHÁP DỰ BÁO ĐIỆN GIÓ
2.1. Những vấn đề chung và phƣơng pháp tiếp cận với vấn đề dự
báo nhà máy điện gió
2.1.1. Những vần đề chung
Do năng lượng gió phụ thuộc vào thời tiết nên nó biến đổi
và liên tục theo thời gian khác nhau. Do đó dự báo chính xác về
điện gió được công nhận là một đóng góp lớn cho việc tích hợp
năng lượng gió đáng kể. Các phương pháp dự báo điện gió có thể
được sử dụng để lập kế hoạch và vận hành hệ thống khai thác tối
đa năng lượng gió.


-62.1.2. Lý do dự báo điện gió
Tốc độ gió liên quan tới sản lượng sản xuất điện năng của nhà
máy điện gió .
Xuất phát từ nhu cầu thực tế, để khai thác và sử dụng hiệu
quả nguồn năng lượng gió thì việc dự báo chính xác vận tốc và công
suất phát cho các nhà máy điện gió là rất quan trọng. Thông tin mang
lại từ dự báo không những phục vụ cho việc tính toán và phát điện
của nhà máy mà còn phục vụ cho các đơn vị quản lý vận hành hệ
thống mà ở đó nhà máy điện gió được kết nối vào.
2.1.3. Phân loại dự báo
Các phương pháp dự báo khác nhau được phân loại theo quy
mô thời gian hoặc phương pháp luận.
2.2. Các phƣơng pháp dự báo phân loại theo miền thời gian

2.2.1. Phương pháp dự báo nhanh - ngắn hạn (dự báo
trước 8 giờ)
Các mô hình cho việc dự báo ngắn hạn nhanh - ngắn hạn được
dựa trên các phương pháp thống kê để dự báo.
Mô hình trên tính toán dựa vào các bước sau:
- Xác định nguồn cấp điện gió hiện tại cho toàn bộ khu vực
kiểm soát và cho bất kỳ khu vực lưới điện nào và một phần khu vực.
- Soạn thảo các dự báo tiếp theo về nguồn cấp điện gió cho
khu vực kiểm soát và cho vùng lưới dựa trên các thông số khí
tượng dự báo.
- Tính toán nguồn năng lượng gió dự kiến ngắn hạn trong
khoảng thời gian 1-8 giờ cho vùng điều khiển và một phần khu
vực, dựa trên các thông số khí tượng và dữ liệu công suất được đo.

2.2.2. Phương pháp dự báo ngắn hạn (dự báo trước 1 ngày)
Một mô hình điển hình cho miền thời gian này là công cụ dự
đoán năng lượng gió (WPPT). WPPT được sử dụng để tạo ra các dự
báo ngắn hạn (từ 120 giờ đến 36 giờ) của sản xuất năng lượng điện
gió. WPPT dựa trên trí tuệ nhân tạo có thể tự động hiệu chỉnh theo


-7tình hình quan sát bên trong thiết lập tối thiểu, hệ thống yêu cầu phép
đo trực tuyến của năng lượng gió.
Prediktor được phát triển bởi chương trình nghiên cứu khí
tượng (MET). Hệ thống cung cấp sản lượng dự kiến của các trại gió
lên đến 48 giờ, 6 giờ một lần. Sản lượng cuối cùng của mô hình là
sản lượng dự kiến của trang trại gió cho 48 giờ tới cứ sau 3 giờ
một lần.
AWPPS cung cấp các dự báo ngắn hạn năng lượng gió của

các trang trại trên bờ và ngoài khơi trong 48/72 giờ tiếp theo với
thời gian là 1 giờ (cập nhật mỗi giờ), sau đó là 4-6 giờ với bước
thời gian từ 10 đến 15 phút (cập nhật mỗi 10-15 phút) và đánh giá
sự sai số trên mạng cho những dự báo này.

2.2.3. Phương pháp dự báo dài hạn (dự báo trước nhiều
ngày).
Do thời gian dự báo dài, các mô hình đơn giản không thể đáp
ứng được yêu cầu nữa, vì vậy sử dụng các mô hình NWP hoặc mô
hình NWP hỗn hợp được tính tới.
Mô hình Previentor tương tự như mô hình Prediktor, nó cung
cấp dự đoán đáng tin cậy về năng lượng gió dự kiến cho bất kỳ vị trí
và bất cứ nơi nào trên thế giới đến trước 10 ngày và với độ phân giải
thời gian lên đến 15 phút.
2.3. Các phƣơng pháp dự báo phân loại theo phƣơng pháp luận
2.3.1. Phương pháp vật lý
Phương pháp vật lý là phương pháp dựa trên bầu khí quyển
thấp hoặc dự báo thời tiết số trị (NWP - Numerical Weather
Prediction) và bên trong trang trại gió kết hợp với sử dụng đặc tính
đường cong điện của nhà sản xuất để đề xuất ước lượng sản lượng
điện gió. Nó bao gồm một số mô hình phụ của dự báo NWP tại một
số điểm lưới và mô hình nhất định, để dự báo năng lượng tại vị trí
được xem xét và chiều cao trung tâm tuabin.[9]


-8-

Hình 2.1: Mô hình dự báo dựa vào phương pháp tiếp cận vật lý
Mô hình dự báo bằng phương pháp tiếp cận vật lý được mô tả theo sơ
đồ khối như sau:

Hình 2.2: Sơ đồ khối của mô hình dự báo bằng phương pháp tiếp cận
vật lý


-92.3.2. Phương pháp thống kê
Phương pháp thống kê dựa trên số lượng lớn dữ liệu lịch sử đã
khảo sát khí tượng trong nhiều. Cách tiếp cận này thường sử dụng
mạng nơ-ron và phương pháp phân tích chuỗi thời gian hoạt động của
gió để dự báo.[7]
Các phương pháp dự báo thống kê dựa trên một hoặc nhiều mô
hình thiết lập mối quan hệ giữa các số liệu thống kê về gió, cũng như
dự báo của các biến số khí tượng, và các phép đo điện .Các mô hình
thống kê bao gồm các mô hình tuyến tính và phi tuyến tính.
Các phương pháp thống kê về dự báo điện gió tập trung vào
việc sử dụng nhiều dự báo khí tượng học như là đầu vào và dự báo
kết hợp, cũng như về việc sử dụng tối ưu các dữ liệu đo lường phân
bố không gian để sửa lỗi dự báo, để ban hành các cảnh báo về sự
không chắc chắn tiềm ẩn lớn.

Hình 2.3: Mô hình dự báo bằng phương pháp tiếp cận thống kê


-10-

Hình 2.4: Sơ đồ khối của mô hình dự báo bằng phương pháp tiếp
cận thống kê
Các phương pháp thống kế bao gồm:
+ Phương pháp tự hồi quy (AR - AutoRegressive).
+ Phương pháp trung bình trượt kết hợp tự hồi quy (ARMA AutoRegressive Moving Average).

+ Phương pháp trung bình trượt tích hợp tự hồi quy (ARIMA AutoRegressive Integrated Moving Average).
2.3.3. Phương pháp trí tuệ nhân tạo
Các phương pháp trí tuệ nhân tạo bao gồm:
+ Mạng nơ-ron nhân tạo (ANN - Artificial Neural Network)
+ Hệ thống suy luận giả mờ thần kinh (ANSIF - Adaptive
Neuro-Fuzzy Inference System).
+ Phương pháp logic mờ
+ Phương pháp Support Vector Machine (SVM)
+ Mạng nơ-ron thần kinh và các thuật toán tối ưu hóa tiến hóa.


-112.3.4. Phương pháp Persistence
Nếu tốc độ gió và công suất gió đo được tại thời điểm t dự báo
được thực hiện là v(t) và P(t) thì tốc độ gió và công suất gió dự báo
tại thời điểm tương lai t+∆t có thể được xác định như sau :
v(t+∆t) = v(t)
(2-6)
P(t+∆t) = P(t)
(-7)
Phương pháp Persistence cho kết quả chính xác hơn tất cả các
phương pháp khác khi áp dụng trong thời gian dự báo cực ngắn .
2.3.5. Phương pháp lai ( Phương pháp kết hợp - hybrid)
Phương pháp kết hợp (hybrid) là phương pháp kết hợp giữa
nhiều phương pháp khác nhau để tận dụng được ưu điểm của từng
phương pháp riêng lẽ. Do đó, phương pháp này thường rất phức tạp
và việc kết hợp phải thực hiện một cách hợp lý và chặt chẽ thì mới có
hiệu quả
Phương pháp kết hợp (hybrid) có thể tạo ra bằng cách kết hợp
giữa phương pháp vật lý và phương pháp trí tuệ nhân tạo; phương
pháp thống kê và phương pháp trí tuệ nhân tạo v.v.

Hình 25: Sơ đồ khối của mô hình dự báo bằng phương pháp kết hợp


-122.4. Đánh giá dự báo
Đánh giá chất lượng của các phương pháp dự báo được thực
hiện bằng cách so sánh điện gió dự đoán được thực hiện tại một
thời điểm nhất định trực tiếp với các quan sát tương ứng thực tế.
Vì thế, chất lượng của một phương pháp dự báo cụ thể được đánh
giá thông qua phân tích độ lệch giữa dự đoán và thực tế.
2.4.1. Cơ sở dữ liệu để đào tạo và kiểm tra
Dữ liệu thường được chia thành hai bộ khác nhau, theo đặc điểm
thời gian là: tập dữ liệu để đào tạo và tập dữ liệu thử nghiệm.
2.4.2. Các sai số của dự báo
Lỗi dự báo của năng lượng gió được quan sát tại một thời
gian t + k cho một dự đoán được thực hiện tại thời điểm t, e t+k|t,
được định nghĩa là sự sai số giữa giá trị của năng lượng gió được
đo hiệu quả tại t + k, P t+k và giá trị của điện gió tại t + k ban đầu
được dự đoán ở t,

:
(2.8)

Trong đó:
- et+k|t là: là lỗi tương ứng với thời gian t + k cho dự đoán
được thực hiện tại thời điểm t
Pt+k là: công suất đo tại thời điểm t + k
là: công suất dự báo thời gian t + k được thực
hiện tại thời điểm t
Thường thì thuận tiện khi sử dụng lỗi dự đoán chuẩn hóa e, có thể thu

được bằng chia lỗi dự đoán theo dung lượng đã cài đặt, như sau:

(2-9)
Trong đó:
- Pinst là trang trại gió được lắp đặt công suất
Lỗi trung bình trong toàn bộ giai đoạn đánh giá, như được mô tả bởi:


-13(2-10)
Trong đó:
- N là số lỗi dự đoán được sử dụng để đánh giá phương
pháp.
Trung bình của các lỗi bình phương trên tập kiểm tra:
(2-11)
Trong đó:
- p là số tham số ước tính sử dụng dữ liệu được xem xét.
Đối với dữ liệu thử nghiệm, p = 0.
- Sai số trung bình tuyệt đối (MAE - Mean Absolute Error):

(2-12)
- Sai số bình phương trung bình gốc (RMSE - Root Mean
Square Error):

(2-13)
- NMAE (Sai số trung bình bình thường hóa):

(2-14)
- NRMSE (Gốc được chuẩn hóa lỗi bình phương trung
bình):

(2-15)
Trong đó: P inst là công suất lắp đặt hay sản lượng trung bình
của trang trại gió
- Sai số phần trăm (PE - Percentage Error):


-14Trong đó: + Yt là: công suất phát thực đo được của dự báo.
+ Ft là : công suất phát của dự báo
- Sai số phần trăm trung bình (MPE - Mean Percentage
Error):
- Sai số phần trăm tuyệt đối trung bình (MAPE - Mean
Absolute Percentage Error):
2.4.3. Lỗi dự báo điển hình
Kết quả mô hình điển hình cho dự báo gió đơn như sau:
- NMAE là khoảng 6–9% và NRMSE là khoảng 10-13%
của cài đặt công suất trong 6 giờ đầu tiên, tăng lên 13–16% và 18–
22% trong 48 giờ tới tương ứng.
- Kết quả điển hình cho dự báo khu vực là theo thứ tự của
một NMAE khoảng 6–10% và một NRMSE khoảng 8-12% công
suất lắp đặt cho trước 24 giờ, tương ứng tăng lên 11–14% và 14–
17% trong 48 giờ.
2.5. Kết luận chƣơng 2
Trong chương 2 đã nêu rõ lý do và mục đích của dự báo công
suất phát của nhà máy điện gió. Để khai thác và sử dụng hiệu quả
nguồn năng lượng gió thì việc dự báo chính xác vận tốc và công suất
phát cho các nhà máy điện gió là rất quan trọng. Thông tin mang lại
từ dự báo không những phục vụ cho việc tính toán và phát điện của
nhà máy mà còn phục vụ cho các đơn vị quản lý vận hành hệ thống
mà ở đó nhà máy điện gió được kết nối vào.
Trong chương này cũng đã chỉ ra các phương pháp dự báo công

suất phát của nhà máy điện gió trên thế giới , phân loại theo phương
pháp miền thời gian dự báo như: dự báo nhanh ngắn hạn, dự báo
ngắn hạn hay dự báo dài hạn và theo phương pháp luận như: phương
pháp vật lý, phương pháp thống kê, phương pháp kết hợp.
Để đánh giá chất lượng của các phương pháp dự báo, chương
này cũng nêu lên các phương pháp xác định và định lượng chất


-15lượng của các phương pháp dự báo bằng cách so sánh năng lượng
điện gió dự đoán được thực hiện tại một thời điểm nhất định trực tiếp
với các quan sát tương ứng thực tế. Qua đó cũng đánh giá được mức
độ chính xác của mô hình thông qua các chỉ số sai số MAE, MAPE
và RMSE. Điều này không chỉ để đánh giá hiệu suất của các phương
pháp được lựa chọn một cách đầy đủ mà còn có được một sự hiểu
biết sâu hơn về những gì đặc trưng cho sự không chắc chắn dự đoán.
CHƢƠNG 3 - XÂY DỰNG PHƢƠNG PHÁP DỰ BÁO VẬN
TỐC GIÓ VÀ CÔNG SUẤT PHÁT CỦA NHÀ MÁY ĐIỆN GIÓ
3.1. Xây dựng mô hình dự báo cho nhà máy điện gió
Có nhiều phương pháp và miền thời gian dự báo được trình bày
ở chương 2, tùy theo số liệu cụ thể thu thập được, đặc trưng của số
liệu cũng như ứng dụng thực tế của phương pháp dự báo mà ta chọn
một mô hình dự báo và miền thời gian dự báo phù hợp.
Trong nội dung luận văn này, theo số liệu thực tế thu thập được
tại nhà máy điện gió Tuy Phong tỉnh Ninh Thuận và ứng dụng kết
quả số liệu thu thập được để phục vụ cho công tác dự báo cho nhà
máy điện Tuy Phong.

3.1.1.Các yêu cầu dữ liệu đầu vào: Thu thập và nhập dữ liệu
3.1.2. Diện tích ảnh hưởng
3.1.3. Mục tiêu dự báo

3.1.4. Dữ liệu lịch sử
Một hệ thống dự báo gió thường sử dụng dữ liệu lịch sử cho các mô
hình thống kê. Số lượng, chất lượng và tính chính xác của dữ liệu này
có thể có tác động đáng kể đến hiệu suất dự báo.
3.1.5. Phương pháp
Một số phương pháp truyền thống này đã được sử dụng cho dự báo
năng lượng gió ngắn hạn.


-16Phần này cung cấp tổng quan về các phương pháp thống kê
thường xuyên áp dụng trong các thành phần thống kê của hệ thống
dự báo gió.
 Quy hồi tuyến tính nhiều lần (MLR)
 Mạng nơron nhân tạo (ANN)
 Hỗ trợ hồi quy Vector (SVR)
 Cây hồi quy
 Các phương pháp khác
3.2. Điều kiện tự nhiên thuận lợi của nhà máy Điện Tuy Phong
3.2.1. Đặc điểm tự nhiên của khu vực Nhà máy điện Tuy
Phong
 Đặc điểm khí hậu
 Vị trí nhà máy điện Tuy Phong
3.2.2. Đặc điểm gió của khu vực nhà máy điện gió Tuy
Phong
Tốc độ gió cho phép vận hành và phát điện của nhà máy điện
gió Tuy Phong là từ 3m/s đến dưới 25m/s (90km/h).

Hình 3.2: Vận tốc gió trung bình của khu vực nhà máy điện Tuy Phong
Đây là điều kiện vô cùng lý tưởng để phát triển điện gió.
3.3. Các số liệu dùng cho dự báo

Để xây dựng mô hình dự báo công suất phát của nhà máy điện
gió Tuy Phong, vận tốc gió, nhiệt độ, miền thời gian và công suất


-17phát của nhà máy đo được trong năm 2015, 2016 và năm 2017. Sau
đây là số liệu thu thập được tại một cột gió của nhà máy Tuy Phong
3.4. Xây dụng thuật toán dự báo
Xây dựng mô hình dự báo thực hiện trong một thời gian ngắn
Thuật toán tổng quát được trình bày như sau:
Bắt đầu

Nhập số liệu đầu vào: Ngày, giờ, nhiệt độ, vận tốc
gió và công suất phát của nhà máy điện gió gian dự
báo đã đo được
Tách dữ liệu để đào tạo và
kiểm tra
Xây dựng mô hình dự báo thap phương pháp thống kê
tự hồi quy (AR) kết hợp với mạng nơ-ron để dự báo cho
24 giờ tiếp theo

Khởi tạo mạng nơ-ron gồm 2 lớp với 20 nơ-ron và
đào tạo mạng với thuật toán đào tạo mạng

Thực hiện dự báo về bộ thử nghiệm độc lập. cho ra kết qủa dự
báo và hiện thị trên đồ thị. Đồng thời đưa ra các chỉ số MAE,
Hình MAPE,
3.4: Thuật
toán để
dựso
báo

tổng
RMSE
sánh
kếtquát
quả
- Mạng nơ-ron 2 lớp để đào tạo và dự báo
Kết thúc


-18-

Hình 3.5: Mạng nơ- ron 2 lớp với 20 nơ-ron
3.5. Mô hình mạng nơ-ron
3.5.1. Mô hình Nơ -ron đơn giản
3.5.2. Các hàm truyền
3.5.3. Neuron có đầu vào là vec tơ
3.5.4. Cấu trúc mạng nơ-ron 1 lớp
3.5.5. Cấu trúc mạng nơ-ron nhiều lớp
3.5.6. Mạng hồi quy
3.6. Chƣơng trình dự báo
Chương trình dự báo được xây dựng trên phần mềm Matlab.
Phần mềm Matlab được lựa chọn vì phù hợp với bài toán cần giải
quyết, trong bài toán dự báo các số liệu thu thập lưu trữ dạng ma trận,
sau đó được xử lý qua rất nhiều bước tính toán có thể sử dụng được
các hàm có sẳn trong Matlab. Kết quả dự báo được trình bày và phân
tích trong mục tiếp theo.
3.7. Kết quả dự báo
Sau khi xây dựng được mô hình dự báo như trình bày ở trên,
mô hình này được sử dụng để dự báo cho 24 giờ tiếp theo. Kết quả
dự báo cho ngẫu nhiên theo ngày ta có sai số theo mô hình dự báo là

sai số MAPE, MAE và sai số RMSE.
- Kết quả dự báo cho một ngày ngẫu nhiên.
 Dự báo cho ngày 01/12/2017


-19-

Hình 3.18: So sánh kết quả dự báo công suất phát cho 24 giờ tiếp
theo và số liệu thực tế đo đếm thực tế tại ngày 01/12/2017
- Sai số MAPE: 10,57%
- Sai số MAE: 1,72%
- Sai số MRSE: 2,21%
 Dự báo cho ngày 02/12/2017

Hình 3.19: So sánh kết quả dự báo công suất phát cho 24 giờ tiếp
theo và số liệu thực tế đo đếm thực tế tại ngày 02/12/2017
- Sai số MAPE: 7,56%
- Sai số MAE: 1,90%
- Sai số MRSE: 2,59%
 Dự báo cho ngày 03/12/2017


-20-

Hình 3.20: So sánh kết quả dự báo công suất phát cho 24 giờ tiếp
theo và số liệu thực tế đo đếm thực tế tại ngày 03/12/2017
- Sai số MAPE: 7,82%
- Sai số MAE: 1,66%
- Sai số MRSE: 2,05%
 Dự báo cho ngày 04/12/2017

Hình 3.21: So sánh kết quả dự báo công suất phát cho 24 giờ tiếp
theo và số liệu thực tế đo đếm thực tế tại ngày 04/12/2017
- Sai số MAPE: 5,94%
- Sai số MAE: 2,60%
- Sai số MRSE: 3,45%
 Dự báo cho ngày 05/12/2017


-21-

Hình 3.22: So sánh kết quả dự báo công suất phát cho 24 giờ tiếp
theo và số liệu thực tế đo đếm thực tế tại ngày 05/12/2017
- Sai số MAPE: 7,59%
- Sai số MAE: 1,74%
- Sai số MRSE: 2,12%
So sánh kết quả dự báo ngẫu nhiên của ngày 01/12/2017
,02/12/2017 ,03/12/2017 ,04/12/2017 ,05/12/2017 giữa số liệu công
suất phát thực tế đo đếm được và công suất phát ra từ mô hình dự báo
cho những ngày ngẫu nhiên cho thấy rằng mô hình dự báo cho ra kết
quả tương đối chính xác.
Từ những sai số trên, vẽ đồ thị biến thiên theo ngày dự báo
của sai số MAE và RMSE.
Bảng 3.5: Sai số MAE(%) và RMSE(%) giữa công suất dự
báo và công suất phát thực tế đo được từ ngày 01/12/2017 đến ngày
31/12/2017
Ngày đo
1
2
3

4
5
6
7
8
9
10
2
MAE(%) 1,72 1,9 1,66 2,6 1,74 1,48 1,94 1,75 1,7
RMSE(%) 2,21 2,59 2,05 3,45 2,12 1,63 2,18 2,06 2,18 2,47


-22-

Hình 3.27: Đồ thị biến thiên theo ngày dự báo của sai số MAE(%)

Hình 3.28: Đồ thị biến thiên theo ngày dự báo của sai số RMSE(%)
Nhận xét: Mô hình đã dự báo cho những ngày ngẫu nhiên cho
ra kết quả dự báo tương đối chính xác. Các đường cong củacông suất
dự báo và công suất thực đo được tại nhà máy gần như giống nhau.
Từ kết quả sai số trên ta thấy sử dụng Mô hình Nơ-ron kết hợp với
phương pháp thống kê tự quy hồi để thực hiện dự báo năng lượng gió
là rất khả quan.
3.8. Kết luận chƣơng 3
Trong chương 3 đã xây dựng phương pháp dự báo công suất
phát của nhà máy điện, vận dụng xây dựng mô hình dự báo cho nhà
máy điện Tuy Phong bằng phương pháp thống kê tự hồi quy kết hợp
với mô hình mạng nơ-ron để dự báo ngắn hạn với miền thời gian là
24 giờ. Mô hình dự báo cho kết quả tương đối chính xác, các chỉ số
sai số MAE, MAPE, RMSE không lớn đều nằm trong vùng cho phép,

cho thấy mô hình dự báo cho kết quả rất khả quan. Kết quả này cung
cấp thông tin quan trọng cho nhà máy điện gió Tuy Phong cũng như
đơn vị vận hành lưới điện có nhà máy kết nối vào lưới điện.


-23KẾT LUẬN VÀ KIẾN NGHỊ
KẾT LUẬN
Ngày nay năng lượng gió ngày càng thu hút được sự quan
tâm của các nhà nghiên cứu, các đơn vị khai thác và sử dụng năng
lượng gió vì những lợi ích to lớn mang lại từ nguồn năng lượng này
đặc biệt là vấn đề về môi trường. Ưu điểm nổi bật nhất của điện gió
là không lo hết hay cạn kiệt nguồn nhiên liệu, không gây ô nhiễm
môi trường như các nhà máy nhiệt điện, dễ chọn địa điểm và tiết
kiệm đất xây dựng. Việt Nam có nhiều thuận lợi và tiềm năng để phát
triển năng lượng gió. Tuy nhiên việc phát triển các dự án điện gió với
quy mô công nghiệp ở Việt Nam còn rất chậm. Nguyên nhân cơ bản
là về mặt tài chính đầu tư cho dạng năng lượng này còn hạn chế.
Việc kết nối nhà máy điện gió với lưới điện phân phối phải
đảm báo chất lượng điện năng như ổn định điện áp, dao động điện áp,
tần số dòng điện ... do đó việc dự báo chính xác vận tốc và công suất
phát cho các nhà máy điện gió là rất quan trọng. Thông tin mang lại
từ dự báo không những phục vụ cho việc tính toán, khai thác và sử
dụng hiệu quả nguồn năng lượng gió của nhà máy mà còn phục vụ
cho các đơn vị quản lý vận hành lưới điện mà nhà máy điện gió được
kết nối vào lưới.
Việc xây dựng mô hình dự báo năng lượng gió trong thực tế
thường gặp rất nhiều khó khăn. Công suất phát của nhà máy điện gió
chịu sự ảnh hưởng của vận tốc gió, hướng gió, thời tiết...Quá trình
gió là một quá trình ngẫu nhiên, gió thay đổi liên tục theo thời gian
và quá trình gió chứa đựng nhiều yếu tố, ngoài ra các số liệu thu thập

được từ quá trình gió trong thực tế thường tồn tại nhiều dữ liệu lỗi,
mất dữ liệu v.v. Việc tìm ra quy luật và các mối quan hệ chứa đựng
trong quá trình gió rất khó khăn. Ngoài ra, đối với mỗi nhà máy khác
nhau thì gió sẽ có những đặc điểm riêng của nó và cần một mô hình
riêng cho nhà máy. Việc phân tích, đề xuất và đánh giá một phương