Nghiên cứu ứng dụng học sâu trong dự báo công suất phát nguồn điện gió

##plugins.themes.academic_pro.article.main##

Author

  • Đinh Thành Việt, Võ Văn Phương, Dương Minh Quân, Nguyễn Đình Ngọc Hải, Chu Văn Long

Từ khóa:

Điện gió
dự báo công suất điện gió
học sâu
TensorFlow
trí tuệ nhân tạo

Tóm tắt

Ngày nay, năng lượng gió đóng vai trò quan trọng trong lĩnh vực năng lượng, đặt ra những yêu cầu trong quản lý và vận hành nguồn năng lượng này. Một trong những yêu cầu quan trọng đó là dự báo công suất phát điện gió. Việc dự báo chính xác đem lại những lợi ích to lớn trong việc khai thác, vận hành hệ thống điện và thị trường điện. Bài báo này đề xuất mô hình dự báo công suất phát điện gió ngắn hạn dựa trên thuật toán học sâu sử dụng ngôn ngữ lập trình Python dựa trên thư viện TensorFlow. Hơn nữa, bài báo nghiên cứu so sánh, đánh giá các mô hình huấn luyện máy học nhằm nâng cao độ chính xác của kết quả dự báo. Mô hình đã được thử nghiệm với dữ liệu thực tế thu thập từ nhà máy điện gió Tuy Phong – Bình Thuận. Kết quả thu thập cho thấy, tính ưu việt của phương pháp trong dự báo với sai số thấp và tiết kiệm thời gian tính toán.

Tài liệu tham khảo

    [1] GWEC, 25 March 2020, “Global Wind Report 2019”. [Online] Available: https://gwec.net/global-wind-report-2019/
    [2] Năng lượng Việt Nam, 14 July 2020, “Phát triển nguồn điện trong Quy hoạch điện VIII và những thách thức trong lựa chọn”. [Online]. Available: http://nangluongvietnam.vn/news/vn/nhan-dinh-phan-bien-kien-nghi/phat-trien-nguon-dien-trong-quy-hoach-dien-viii-va-nhung-thach-thuc-trong-lua-chon.html
    [3] Shuxin Lim, 23 April 2020, “Market to watch: Vietnam”. [Online]. Available: https://gwec.net/market-to-watch-vietnam-2/
    [4] Lê Đình Dương, “Phương pháp dự báo vận tốc gió cho các nhà máy điện gió có xét đến mối tương quan về không gian và thời gian”, Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng, trang 6-10, vol. 17, No. 8, 2019.
    [5] X. Peng, D. Deng, J. Wen1, L. Xiong, Sh. Feng, B. Wang, “A Very Short-Term Wind Power Forecasting Approach based on Numerical Weather Prediction and Error Correction Method”, 2016 China International Conference on Electricity Distribution (CICED 2016) Xi’an, 10-13 August, 2016.
    [6] H. ZhiWang, G.Q. Li, G. Wang, J. Peng, H.Jiang,Y. Liu, “Deep learning based ensemble approach for probabilistic wind power forecasting”, ScienceDirect, Pages 56-70, Vol 188, 15 February 2017.
    [7] A. Reyes, P. H. Ibarg¨uengoytia, J. D. Jij´on, A. Garc´ıa1, M. Borunda, “Wind Power Forecasting for the Villonaco WindFarm Using AI Techniques”, Mexican International Conference on Artificial Intelligence, Pages: 226-236, October 23-28, 2016.
    [8] J. Naik, S. Dash, P. K. Dash, R. Bisoi, “Short term wind power forecasting using hybrid variational mode decomposition and multi-kernel regularized pseudo inverse neural network”, ScienceDirect, pages 180-212, Vol 118, April 2018.
    [9] Wenbin Wu; Mugen Peng, “A Data Mining Approach Combining K -Means Clustering With Bagging Neural Network for Short-Term Wind Power Forecasting”, IEEE Internet of Things Journal, Vol: 4, no. 4, pp: 979 - 986, March 2017.
    [10] A. Sharifian, M. J. Ghadi, S. Ghavidel, Li Li, J. Zhang, “A new method based on Type-2 fuzzy neural network for accurate wind power forecasting under uncertain data”, ScienceDirect, Pages 220-230, Vol 120, May 2018.
    [11] P. Du, J. Wang, W. Yang, T. Niu, “A novel hybrid model for short-term wind power forecasting”, ScienceDirect, Pages 93-106, Volume 80, July 2019.
    [12] L. Li, X. Zhao, M. L. Tseng, R. R. Tan, “Short-term wind power forecasting based on support vector machine with improved dragonfly algorithm”, ScienceDirect, Volume 242, 1 January 2020.
    [13] H. Demolli, A. S. Dokuz, A. Ecemis, M. Gokcek, “Wind power forecasting based on daily wind speed data using machine learning algorithms”, ScienceDirect, Vol 198, 15 October 2019.
    [14] H. Wang, Zh. Lei, Y. Liu, J. Peng, Jing Liu, “Echo state network based ensemble approach for wind power forecasting”, ScienceDirect, Vol 201, 1 December 2019.
    [15] You Lin; Ming Yang; Can Wan; Jianhui Wang; Yonghua Song, “A Multi-Model Combination Approach for Probabilistic Wind Power Forecasting”, IEEE Transactions on Sustainable Energy, Vol: 10, no. 1, pp: 226 - 237, May 2018.
    [16] Min Ding, Hao Zhou, Hua Xie, Min Wu, Yosuke Nakanishi, Ryuichi Yokoyama, “A gated recurrent unit neural networks based wind speed error correction model for short-term wind power forecasting”, ScienceDirect, Vol 365, 6 November 2019, Pages 54-61.
    [17] H. Wang, Zh. Lei, X. Zhang, B. Zhou, J. Peng, “A review of deep learning for renewable energy forecasting”, ScienceDirect, Volume 198, 15 October 2019.
    [18] M. Khan, Tianqi Liu, F. Ullah, “A New Hybrid Approach to Forecast Wind Power for Large Scale Wind Turbine Data Using Deep Learning with TensorFlow Framework and Principal Component Analysis”, vol 12, Energies 2019.
    [19] Ying-Yi Hong, C. L. Paulo, P. Rioflorido, “A hybrid deep learning-based neural network for 24-h ahead wind power forecasting”, ScienceDirect, Pages 530-539, Volume 250, 15 September 2019.
    [20] Lê Hà Phan, PECC2, “Điện gió và trí tuệ nhân tạo: Đã đến lúc máy móc có thể đưa ra dự báo chính xác?”. [Online]. Available: http://www.pecc2.com/Detail.aspx?isMonthlyNew=1&newsID=101358&MonthlyCatID=0
    [21] Lương Thị Diễm Đoan, “Nghiên cứu dự báo công suất phát của nhà máy điện gió”, Tài liệu số Trường Đại học Bách khoa – Đại học Đà Nẵng, 2018, http://tainguyenso.dut.udn.vn/handle/DUT/771
    [22] D. T. Viet, V. V. Phuong, D. M. Quan, T. Q. Tuan, “Models for Short-Term Wind Power Forecasting Based on Improved Artificial Neural Network Using Particle Swarm Optimization and Genetic Algorithms”, Energies, vol 13(11), 2873, 4 June 2020.
    [23] Tuấn Hoàng, Trang tin điện tử ngành điện, 27 December 2019, “Hệ thống dự báo công suất năng lượng tái tạo”. [Online]. Available: http://icon.com.vn/vn-s83-158753-646/He-thong-du-bao-cong-suat-nang-luong-tai-tao.aspx
    [24] ITechSeeker, 20 March 2019, “Giới thiệu về TensorFlow”. [Online]. Available: http://itechseeker.com/tutorials/tensorflow/gioi-thieu-ve tensorflow/
    [25] Kteam, 07 March 2020, “Giới thiệu ngôn ngữ lập trình Python”. [Online]. Available: https://www.howkteam.vn/course/lap-trinh-python-co-ban/gioi-thieu-ngon-ngu-lap-trinh-python-1535
    [26] GDRIVE – GOOGLE DRIVE UNLIMITED, 26 May 2020, “Google Colab là gì? Hướng dẫn sử dụng Google Colab”. [Online]. Available: https://gdrive.vip/google-colab-la-gi-huong-dan-su-dung-google-colab/
    [27] Orange Data Mining, “Outliers”, [Online]. Available: https://orange3.readthedocs.io/projects/orange-visual-programming/en/latest/widgets/data/outliers.html
    [28] Dinh Thanh Viet, Vo Van Phuong, Minh Quan Duong, Alexander Kies, Bruno U Schyska, Yuan Kang Wu, “A Short-Term Wind Power Forecasting Tool for Vietnamese Wind Farms and Electricity Market”, 2018 4th International Conference on Green Technology and Sustainable Development (GTSD), 23-24 Nov. 2018, Ho Chi Minh City, Vietnam.
    [29] Mohamed A. El-Sharkawi, Electric energy: An Introduction, 3rd edition, CRC Press, Taylor & Francis Group (Power Electronics and Applications Series), Boca Raton, FL, USA, 2013.
Xem thêm

##plugins.themes.academic_pro.article.sidebar##

Đã Xuất bản

Mar 31, 2021
Download
PDF
Cách trích dẫn
Đinh Thành Việt, Võ Văn Phương, Dương Minh Quân, Nguyễn Đình Ngọc Hải, Chu Văn Long. “Nghiên cứu ứng dụng học sâu Trong dự báo công suất phát nguồn điện Gió”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 19, số p.h 3, Tháng Ba 2021, tr 6-11, https://jst-ud.vn/jst-ud/article/view/7374.

##plugins.themes.academic_pro.article.details##