Luận án Nghiên cứu, đánh giá ảnh hưởng của nguồn điện gió công suất lớn đến hệ thống điện

) Trong đó: - cn,s là chi phí đầu tư mở rộng thêm 1 MW cho nhà máy điện s tại nút n. - Gn,s là công suất lắp đặt của nhà máy s tại nút n. - cl là chi phí đầu tư mở rộng khả năng truyền tải của đường dây l thêm 1 MW. - Fl là khả năng truyền tải của đường dây l - on,s là chi phí biên cho nhà máy tại nút n - gn,s(t) là công suất phát của nhà máy s tại nút n tại thời điểm t - n là các nút trong hệ thống - s thể hiện loại nhà máy điện trong mô hình. Các chi phí liên quan đến đầu tư xây dựng các loại nhà máy điện với các công nghệ khác nhau cũng như chi phí mở rộng khả năng truyền tải điện của đường dây được tham khảo tại [60]. Với các chính sách của chính phủ đối với lĩnh vực phát triển năng lượng tái tạo sẽ giúp giảm thiểu rủi ro tài chính cho các nhà đầu tư và từ đó giảm chi phí cho việc đầu tư nguồn năng lượng tái tạo. Việc đánh giá đúng 81 chi phí đầu tư là vấn đề quan trọng trong việc xây dựng mô hình tính toán tối ưu mở rộng hệ thống điện [133]. 3.2.2. Các ràng buộc Với mục tiêu vận hành kinh tế và ổn định toàn hệ thống thì yêu cầu phải thỏa mãn các điều kiện ràng buộc [126], trong đó quan trọng nhất là ràng buộc về cân bằng tại các nút về công suất phát, phụ tải và công suất truyền tải: ∑ 𝑔𝑛,𝑠(𝑡) − 𝑑𝑛(𝑡) = ∑ 𝐾𝑛,𝑙 . 𝑓𝑙(𝑡) ∀ 𝑙𝑠 𝑛, 𝑡 ( 3.2) Trong đó dn(t) là phụ tải tại nút n tại thời điểm t; Kn,l là ma trận liên thuộc của hệ thống điện và fl(t) là công suất truyền tải qua đường dây l tại thời điểm t. Bên cạnh đó, cần phải thoả mãn điều kiện ràng buộc về giới hạn về khả năng phát công suất của các nhà máy điện: 𝑔𝑛,𝑠 − (𝑡). 𝐺𝑛,𝑠 ≤ 𝑔𝑛,𝑠(𝑡) ≤ 𝑔𝑛,𝑠 + (𝑡). 𝐺𝑛,𝑠 ∀ 𝑛, 𝑡 ( 3.3) Khả năng phát công suất của các nhà máy điện được giới hạn cận dưới với thông số g-n,s(t) và giới hạn cận trên thông qua thông số g+n,s(t). Hai ràng buộc vừa nêu trên cũng được áp dụng cho các nhà máy điện tích năng và bộ lưu trữ điện năng. Giới hạn công suất lắp đặt Gn,s cho nhà máy điện sử dụng công nghệ s tại nút n tuân theo ràng buộc: 𝐺𝑛,𝑠 𝑚𝑖𝑛 ≤ 𝐺𝑛,𝑠 ≤ 𝐺𝑛,𝑠 𝑚𝑎𝑥 ( 3.4) Trong đó Gn,smin là giới hạn công suất lắp đặt cực tiểu và Gn,smax là giới hạn công suất lắp đặt cực đại. Ngoài ra, công suất truyền tải |fl(t)| trên đường dây l tại các thời điểm cũng không được vượt quá khả năng truyền tải công suất tối đa của đường dây để tránh quá tải đường dây: |𝑓𝑙(𝑡)| ≤ 𝐹𝑙 ∀ 𝑙 ( 3.5) 3.2.3. Phát thải CO2 Lượng khí thải CO2 do hệ thống điện gây ra chủ yếu là từ các nhà máy nhiệt điện khi đốt nhiên liệu như than, dầu, khí, Khi có nhiều nhà máy điện năng lượng 82 tái tạo tham gia hoạt động trong hệ thống điện thì có thể sẽ không tăng thêm nhiều các nhà máy nhiệt điện truyền thống. Theo công ước Paris về biến đổi khí hậu thì lượng khí thải CO2 ở mỗi quốc gia đều cần phải giới hạn. Lượng khí thải CO2 do hệ thống điện gây ra cần được giới hạn bởi đại lượng CAPCO2 ở ràng buộc sau: ∑ 1 ƞ 𝑠 𝑔𝑛,𝑠(𝑡). 𝑒𝑠 ≤ 𝐶𝐴𝑃𝐶𝑂2 𝑛,𝑠,𝑡 ( 3.6) Trong đó lượng khí thải cụ thể es tính theo đơn vị tấn/MWh của máy phát điện kiểu s với hiệu suất ƞs. Trong (3.6) chỉ cần lưu ý phát thải từ nhiệt điện qua các lò đốt với giá trị es của các nhà máy nhiệt điện là 0,1872 tấn/MWh [60]. 3.2.4. Thuật toán tối ưu hoá tích hợp nguồn năng lượng tái tạo vào hệ thống điện xét đến các kịch bản giảm lượng khí thải CO2 Trên cơ sở mô hình tính toán đã đề xuất, luận án thực hiện xây dựng chương trình tính toán tối ưu hoá tích hợp nguồn năng lượng tái tạo vào hệ thống điện xét đến các kịch bản giảm lượng khí thải CO2. Chương trình phần mềm được lập trình trên ngôn ngữ lập trình Python - một ngôn ngữ lập trình bậc cao cho các mục đích lập trình đa năng. Python do Guido van Rossum tạo ra và lần đầu ra mắt vào năm 1991. Python được thiết kế với ưu điểm mạnh là dễ đọc, dễ học và dễ nhớ. Python là ngôn ngữ có hình thức rất sáng sủa, cấu trúc rõ ràng, thuận tiện cho người mới học lập trình [134], [135]. Để thuận tiện cho quá trình tính toán phân tích hệ thống điện, chương trình sử dụng thư viện phân tích hệ thống điện PyPSA (Python for Power System Analysis) – một thư viện Python mã nguồn mở phục vụ mô phỏng và tính toán lưới điện [133], [136]. Ngoài ra, chương trình sử dụng thêm các thư viện pandas, numpy và một số thư viện khác phục vụ cho việc xử lý số liệu, bảng biểu và vẽ đồ thị. Lưu đồ thuật toán của chương trình tính toán tối ưu hoá tích hợp nguồn năng lượng tái tạo vào hệ thống điện xét đến các kịch bản giảm lượng khí thải CO2 được 83 thể hiện như hình 3.1. Mã nguồn của chương trình được viết trên ngôn ngữ lập trình Python như thể hiện ở phụ lục 3.1. Hình 3.1. Lưu đồ thuật toán tối ưu hoá tích hợp nguồn năng lượng tái tạo vào hệ thống điện 3.3. Nghiên cứu tối ưu hoá tích hợp nguồn năng lượng tái tạo vào hệ thống điện theo các kịch bản giảm lượng khí thải CO2 3.3.1. Mô hình lưới điện nghiên cứu Mô hình do luận án đề xuất được áp dụng tính toán cho hệ thống điện giả định như ở hình 3.2. Các số liệu cụ thể của sơ đồ hệ thống điện được cho ở các phụ lục 3.2 và phụ lục 3.3. 84 Hình 3.2. Sơ đồ lưới điện nghiên cứu 85 Cấu trúc liên kết của mô hình lưới điện được xây dựng dựa trên lưới điện truyền tải điện cao thế của Việt Nam cũng như tập hợp các nhà máy điện hiện có [132]. Dữ liệu được đưa vào chương trình để tính toán tối ưu, trong đó bộ dữ liệu thời tiết cho Việt Nam được lấy từ nguồn MERRA-2 [132], [137]. Khả năng phát công suất của các nhà máy điện gió phụ thuộc vào hướng gió, vận tốc gió, độ cao lắp đặt của turbine và một số yếu tố khác. Tương tự, khả năng phát công suất của các nhà máy điện mặt trời phụ thuộc cường độ bức xạ mặt trời, góc bức xạ và các yếu tố thời tiết khác. Để lập mô hình mô phỏng chế độ vận hành của các nguồn năng lượng tái tạo theo chuỗi thời gian, dữ liệu thời tiết địa phương về tốc độ gió, độ bức xạ mặt trời cũng được lấy từ nguồn dữ liệu lịch sử MERRA-2 [137]. Nguồn dữ liệu MERRA-2 do NASA phát triển và duy trì và được cung cấp thông qua nguồn từ Renewables.ninja [60]. Thông số nguồn và nhu cầu phụ tải từng giờ tại các nút cũng như thông số đường dây truyền tải được thu thập từ [132]. Danh sách các nút, phân bố phụ tải và thông số phụ tải được thể hiện như ở hình 3.3, các phụ lục 3.2 và phụ lục 3.3. 86 Hình 3.3. Phân bố phụ tải tại các nút Để phù hợp với cam kết về giảm phát thải CO2 tự nguyện so với kịch bản phát thải thông thường, trong luận án nghiên cứu 06 kịch bản như dưới đây, trong đó 05 kịch bản đầu tiên tương ứng với các mức giảm phát thải khí CO2 khác nhau 87 giả định là đối với các quốc gia tham gia công ước Paris như Việt Nam, cụ thể như sau: a. Kịch bản 1: Không giảm phát thải khí CO2. b. Kịch bản 2: giảm 8% lượng khí thải CO2 c. Kịch bản 3: giảm 15% lượng khí thải CO2 d. Kịch bản 4: giảm 25% lượng khí thải CO2 e. Kịch bản 5: giảm 35% lượng khí thải CO2 f. Kịch bản 6: đánh giá ảnh hưởng đến giảm lượng khí thải CO2 khi có các hệ thống BESS tham gia vào hệ thống. Ở kịch bản thứ 6, luận án nghiên cứu thêm ảnh hưởng của các hệ thống tích trữ năng lượng đối với khả năng giảm phát thải khí CO2. Tại Việt Nam thì các nguồn điện truyền thống chủ yếu là từ các nhà máy nhiệt điện, thuỷ điện. Đối với các nguồn điện năng lượng tái tạo thì tham gia vào hệ thống điện nhiều nhất là các nguồn điện gió và nguồn điện năng lượng mặt trời. Vì vậy, trong luận án này tập trung nghiên cứu cho bốn loại nguồn điện nêu trên. 3.3.2. Kết quả mô phỏng Luận án nghiên cứu hệ thống điện tối ưu về chi phí bằng cách sử dụng bộ dữ liệu lưới điện rút gọn giả định xét đến năm 2030 và dữ liệu thời tiết từ MERRA-2 làm đầu vào. Hình 3.4 thể hiện kết quả mô phỏng phân bố sản lượng phát điện các loại nguồn khác nhau phân biệt theo màu. Các công nghệ được hiển thị theo màu tương ứng là năng lượng mặt trời (màu đỏ), năng lượng gió (màu xanh lá cây), thủy điện (màu xanh nước biển), nhiệt điện (màu đen). Trong đó hình a tương ứng với phân bố sản lượng theo các loại nguồn phát điện tại các nút tương ứng với mức giảm mức khí thải CO2 là 0%, tiếp theo hình b tương ứng với mức giảm lượng khí thải CO2 là 8%, hình c là giảm 15% và hình d là giảm 25%. 88 Hình 3.4. Kết quả mô phỏng phân bố sản lượng phát điện các loại nguồn theo các kịch bản khác nhau 89 Có thể nhận thấy ứng với mức giảm lượng khí thải CO2 càng thấp thì đòi hỏi mức độ thâm nhập của các nguồn năng lượng tái tạo càng ít. Ở mức giảm 0% và 8%, các nguồn năng lượng gió và mặt trời chủ yếu tập trung ở khu vực phía Nam và Tây Nguyên. Khi mức giảm CO2 yêu cầu cao hơn thì mức độ thâm nhập các nguồn năng lượng tái tạo cũng yêu cầu cao hơn, có sự phân bố dịch chuyển nhẹ, bổ sung thêm các nguồn này về phía miền Trung và miền Bắc. Biểu đồ phát tương ứng với các kịch bản giảm mức phát thải 0%, 8%, 25% như hình 3.5. Trong các trường hợp nghiên cứu, các đường dây truyền tải đều không xuất hiện tình trạng quá tải. Chế độ mang tải cao nhất xuất hiện ở kịch bản mô phỏng mức giảm khí thải đạt mức 25% như hình 3.6, trong đó các đường dây truyền tải từ miền Trung ra miền Bắc mang tải khá cao. 90 Hình 3.5. Biểu đồ phát tương ứng với các kịch bản giảm mức phát thải 0%, 8%, 25% 91 Hình 3.6. Mức độ mang tải các đường dây ở kịch bản 4 92 Ở kịch bản 6, khi cho phép đầu tư thêm các hệ thống tích trữ điện năng, kết quả mô phỏng cho thấy các nhà máy điện gió và mặt trời có thể thâm nhập thêm nhiều hơn vào hệ thống như ở hình 3.7. Hình 3.8 thể hiện đồ thị nạp và xả của các thiết bị BESS trong hệ thống điện. Hình 3.7. Phân bổ sản lượng phát điện các nhà máy khi có sự thâm nhập của BESS Hình 3.8. Đồ thị nạp xả của các hệ thống BESS Tuy nhiên, khi đó tổng chi phí đầu tư và vận hành toàn hệ thống là cao nhất (cao hơn so với kịch bản 5 – giảm lượng khí thải 35%) nhưng chỉ giảm được 31,4% 93 lượng khí thải CO2. Như vậy hiệu quả giảm lượng khí thải trong trường hợp này lại không bằng kịch bản 5 như thể hiện trong đồ thị ở hình 3.9. Hình 3.9. Mức giảm phát thải CO2 và tỉ lệ tương ứng ở các kịch bản Thống kê tỉ lệ sản lượng phát điện trong các kịch bản được thể hiện như bảng 3.2 và hình 3.10. Bảng 3.1. Thống kê tỉ lệ sản lượng phát điện trong các kịch bản Kịch bản Sản lượng (GWh) Điện gió Điện mặt trời Thuỷ điện Nhiệt điện Kịch bản 1 302,554 200,700 3,540,417 7,496,636 Kịch bản 2 358,195 184,247 4,122,865 6,875,000 Kịch bản 3 650,587 516,854 4,122,865 6,250,000 Kịch bản 4 999,339 793,103 4,122,865 5,625,000 Kịch bản 5 1,787,729 838,046 4,122,865 4,791,667 Kịch bản 6 1,842,994 604,492 3,831,506 5,265,201 94 Hình 3.10. Tỉ lệ sản lượng phát của các loại nhà máy điện theo các kịch bản Thống kê tỉ lệ công suất lắp đặt trong các kịch bản được thể hiện như bảng 3.3 và hình 3.11. Bảng 3.2. Thống kê tỉ lệ công suất lắp đặt trong các kịch bản Kịch bản Công suất lắp đặt (GW) Thuỷ điện Điện mặt trời Nhiệt điện Điện gió Kịch bản 1 22,761 5,476 63,751 4,867 Kịch bản 2 26,501 5,030 59,440 5,443 Kịch bản 3 26,501 14,117 55,332 8,467 Kịch bản 4 26,501 21,549 51,606 12,608 Kịch bản 5 26,501 22,854 47,854 22,020 Kịch bản 6 24,631 17,586 51,837 30,256 95 Hình 3.11. Tỉ lệ công suất lắp đặt các loại nguồn điện theo các kịch bản mô phỏng Qua biểu đồ ở các hình 3.10 và hình 3.11 có thể thấy khi mức độ giảm phát thải khí CO2 tăng lên thì các nhà máy điện năng lượng tái tạo (gió và mặt trời) tham gia nhiều hơn trong cơ cấu nguồn và cơ cấu phát điện của toàn hệ thống điện. Bên cạnh ràng buộc về mức độ giảm phát thải khí CO2, một số yếu tố khác, ví dụ như tiềm năng gió, tiềm năng khai thác điện mặt trời theo từng khu vực, chi phí đầu tư các loại nguồn điện cũng ảnh hưởng đến mức độ thâm nhập các nguồn năng lượng tái tạo vào hệ thống điện. Ở kịch bản 6 (có hệ thống BESS tham gia trong hệ thống) thì các nhà máy điện gió tham gia nhiều hơn trong hệ thống so với các nguồn năng lượng mặt trời. Điều này là do các nhà máy điện năng lượng mặt trời chỉ có thể phát công suất vào ban ngày trong các thời điểm có nắng, trong khi các nhà máy điện gió thì có thể hoạt động cả ngày lẫn đêm (khi có gió), do đó hiệu quả vận hành nhà máy điện gió kết hợp với các hệ thống BESS cao hơn hẳn so với các nhà máy điện mặt trời. 3.4. Kết luận chương 3 Chương này đã xây dựng mô hình tính toán quy hoạch phát triển nguồn năng lượng tái tạo vào hệ thống điện trong tương lai, với hàm mục tiêu là tính toán tối ưu 96 hóa chi phí đầu tư và vận hành trong khi đảm bảo tuân thủ các kịch bản về giảm lượng khí thải CO2 đã đề ra. Có thể thấy, một khi các chính sách về bảo vệ môi trường và giảm phát thải khí nhà kính được các quốc gia trên thế giới áp dụng, sự phát triển của năng lượng tái tạo sẽ được thúc đẩy một cách mạnh mẽ, đặc biệt là điện gió thay vì mặt trời. Qua đó, có thể thấy trong tương lai, cần có chính sách hỗ trợ nhằm đưa các quốc gia đang phát triển tiếp cận với công nghệ điện gió đương đại của thế giới nhằm rút ngắn chi phí đầu tư điện gió, bởi vì một hệ thống điện ít khí thải phụ thuộc vào năng lượng tái tạo, đặc biệt là nguồn điện gió. Đồng thời cần phát triển các nguồn năng lượng tái tạo khác và các dịch vụ hỗ trợ nhằm đáp ứng được sự tối ưu và ổn định trong quá trình hệ thống điện vận hành. 97 CHƯƠNG 4 NGHIÊN CỨU XÂY DỰNG MÔ HÌNH DỰ BÁO CÔNG SUẤT PHÁT NGUỒN ĐIỆN GIÓ SỬ DỤNG MẠNG TRÍ TUỆ NHÂN TẠO KẾT HỢP VỚI CÁC THUẬT TOÁN TỐI ƯU 4.1. Đặt vấn đề Các nhà máy điện gió thường gây khó khăn cho các đơn vị vận hành hệ thống điện trong việc tính toán một cách tin cậy các số liệu liên quan đến công suất phát, kế hoạch phát điện và cung cấp điện cho toàn bộ phụ tải. Việc thay đổi đột ngột công suất phát của các nhà máy điện gió làm tăng các yếu tố không chắc chắn trong vận hành hệ thống điện nên Trung tâm điều độ hệ thống điện thường phải yêu cầu tăng cường dự phòng công suất phát, dẫn đến chi phí phát điện toàn hệ thống tăng cao. Khi mức độ tích hợp các nhà máy điện gió vào hệ thống điện còn ở mức thấp thì mức độ ảnh hưởng đến hệ thống điện hầu như không đáng kể. Tuy nhiên, khi mức độ tích hợp các nhà máy điện gió vào hệ thống điện đạt mức cao thì có một số thách thức cần phải được quan tâm, bao gồm mất cân bằng công suất, tăng dự trữ hệ thống. Để khắc phục vấn đề này đòi hỏi việc dự báo công suất phát nguồn điện gió cần phải được nghiên cứu, xây dựng các mô hình dự báo với sai số thấp nhất có thể để có thể khắc phục những vấn đề này. Việc dự báo chính xác công suất phát nguồn điện gió có thể hỗ trợ nâng cao khả năng ổn định của hệ thống điện, nâng cao độ tin cậy cung cấp điện và cải thiện chất lượng điện năng. Từ đó việc tính toán cân bằng công suất trong hệ thống điện, tính toán vận hành kinh tế hệ thống điện cũng sẽ chính xác hơn, góp phần làm giảm chi phí vận hành hệ thống điện. Hơn nữa, việc tính toán cân bằng công suất và vận hành kinh tế trong hệ thống điện sẽ chính xác hơn, góp phần giảm chi phí vận hành. Một số ảnh hưởng của sai số dự báo đối với việc vận hành thị trường điện: • Gây mất cân bằng công suất tác dụng, công suất phản kháng trong hệ thống. 98 • Giảm độ tin cậy cung cấp điện. • Suy giảm chất lượng điện năng (giá trị điện áp, tần số vận hành không đảm bảo yêu cầu kinh tế - kỹ thuật). • Công suất dự phòng tăng lên dẫn đến chi phí vận hành hệ thống tăng lên, từ đó làm tăng giá sản xuất điện, đẩy giá bán điện lên cao, không cạnh tranh được. • Đối với thị trường điện giao ngay, việc dự báo không chính xác công suất phát điện gió sẽ khiến nhà máy chịu thiệt hại về giá điện. Hiện nay trên thế giới đã có nhiều nghiên cứu về việc dự báo công 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 như đã trình bày ở chương 1. Hầu hết các nghiên cứu đều đã đề xuất các phương pháp tân tiến và xây dựng được các mô hình dự báo công 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 thông qua các phương pháp tối ưu và học máy. Với mục tiêu nâng cao tính chính xác và giảm sai số trong dự báo công suất phát nhà máy điện gió, chương này đề xuất mô 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 công suất phát nguồn điện gió. Trong đó, thuật toán 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 quá trình đó, thuật toán 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. Mô 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. 99 4.2. Mạng trí tuệ nhân tạo và thuật toán tối ưu 4.2.1. Mạng trí tuệ nhân tạo (ANN) Trí tuệ nhân tạo (Artificial Intelligence) là lĩnh vực nghiên cứu làm cho máy móc khả năng làm được các việc như suy luận, phán đoán, cảm nhận, hiểu ngôn ngữ và giải quyết vấn đề như con người. 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 toán, còn 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 [75]. Trong chương này, một mạng rơ-non truyền thẳng được sử dụng để dự báo công suất phát nguồn điện gió như thể hiện ở hình 4.1. Cấu trúc cơ bản của mạng nơ-ron nhiều lớp truyền thẳng được mô tả như sau: - Một mạng truyền thẳng nhiều lớp bao gồm một lớp vào, một lớp ra và một hoặc nhiều lớp ẩn nằm giữa lớp vào và lớp ra. - Đầu vào là các vector (x1, x2, xn) trong không gian n chiều, đầu ra là các vector (y1, y2..., yk) trong không gian k chiều. - Mỗi nơron thuộc tầng sau liên kết với tất cả các nơron thuộc tầng liền trước nó. - Đầu ra của nơron tầng trước là đầu vào của nơron thuộc tầng liền sau nó. - Các lớp đầu vào nhận tín hiệu vào và tái phân phối cho các nơron trong lớp ẩn. Các nơron đầu vào không thực hiện bất kỳ một tính toán nào. Các nơron lớp ẩn sẽ phát hiện các tính năng và trọng số của các nơron đại diện cho các tính năng ẩn của lớp đầu vào. Những tính năng này sẽ được sử dụng bởi các lớp ra để xác định mô hình đầu ra. Luồng thông tin trong mạng nơron truyền thẳng sẽ đi từ trái qua phải, các giá trị đầu vào (x1, x2, x3, xn) được truyền tới các nơron lớp ẩn thông qua trọng số kết nối sau đó đưa tới lớp ra. Trọng 100 số kết nối từ phần tử vào thứ i tới nơron ẩn thứ h được ký hiệu là w1ih, trọng số kết nối từ nơron ẩn thứ h tới các nơron ra thứ k được ký hiệu là w2hk. Hình 4.1. Sơ đồ mạng nơron nhiều lớp truyền thẳng Với lớp nơron ẩn thứ h [138]: neth = ∑ wihxi + bh n i = 1 ( 4.1) zh = f1(neth) ( 4.2) Trong đó: - xi là biến đầu vào thứ i; - wih là trọng số liên kết giữa biến đầu vào thứ i và neuron thứ h; - bh là hệ số tự do; - neth là tham số hàm truyền; - zh là đầu ra của mạng - f1(neth) là hàm truyền. Trong nghiên cứu này, tác giả sử dụng lớp đầu vào bao gồm 03 nơ-ron biểu thị tốc độ gió, hướng gió và nhiệt độ, 01 lớp ẩn và lớp đầu ra có 01 nơ-ron là công 101 suất phát nguồn điện gió. Mạng nơ-ron có 10 nơ-ron trong lớp ẩn với số lượng nơ- ron trong lớp ẩn đã được lựa chọn cẩn thận. Nếu con số này quá nhỏ thì có khả năng dẫn đến không thể xác định đầy đủ các tín hiệu trong một tập dữ liệu phức tạp. Tuy nhiên, nếu có quá nhiều nơ-ron trong lớp ẩn sẽ làm tăng thời gian huấn luyện mạng và có thể dẫn đến vấn đề quá khớp (overfitting) trong dự báo. Số lượng nơ-ron trong lớp ẩn phụ thuộc vào các yếu tố như số lượng đầu vào, đầu ra của mạng, số bản ghi trong tập mẫu, nhiễu của dữ liệu đích, độ phức tạp của hàm truyền, kiến trúc mạng và thuật toán huấn luyện mạng. Tác giả đã tiến hành nhiều thử nghiệm để xác định số lượng nơ-ron trong lớp ẩn với các cấu hình khác nhau. Dựa trên kinh nghiệm nghiên cứu của tác giả và cách tiếp cận thử nghiệm thí điểm, sau đó tiến hành mô phỏng để thực hiện huấn luyện mạng và đánh giá sai số (MAPE). Cuối cùng, số lượng mười nơ-ron trong lớp ẩn đã được chọn vì nó cho giá trị sai số MAPE tốt hơn so với các trường hợp thử nghiệm còn lại mà không dẫn đến vấn đề quá khớp (overfitting). Tác giả đã sử dụng hàm tan-sigmoid làm hàm kích hoạt cho các nơ-ron ở lớp ẩn và hàm purelin cho lớp đầu ra. Thông qua nghiên cứu của tác giả về trí tuệ nhân tạo và kinh nghiệm thực tế, hàm tan-sigmoid là một hàm phi tuyến có thể mô phỏng tương đối gần với đường cong công suất của tuabin gió. Do đó, chức năng này đã được sử dụng làm chức năng kích hoạt cho lớp ẩn. Hơn nữa, dựa trên kết quả từ các nghiên cứu khác, hàm kích hoạt thích hợp nhất cho lớp đầu ra của mạng nơron truyền thẳng là một hàm tuyến tính. Đây là lý do tại sao tác giả sử dụng hàm tuyến tính purelin để chuyển dữ liệu từ lớp ẩn sang lớp đầu ra. 4.2.2. Thuật toán tối ưu hoá bầy đàn Thuật toán tối ưu hóa bầy đàn (PSO) là một trong những thuật toán xây dựng dựa trên khái niệm trí tuệ bầy đàn để tìm kiếm lời giải cho các bài toán tối ưu hóa trên một không gian tìm kiếm nào đó. Thuật toán tối ưu hóa bầy đàn là một dạng của các thuật toán 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). Tuy vậy PSO khác với GA ở chỗ nó thiên về sử dụng sự tương tác giữa các cá thể trong một quần thể để khám phá 102 không gian tìm kiếm. PSO là kết quả của sự mô hình hóa việc đàn chim bay đi tìm kiếm thức ăn cho nên nó thường được xếp vào các loại thuật toán có sử dụng trí tuệ bầy đàn. Thuật toán PSO được giới thiệu vào năm 1995 tại một hội nghị của IEEE bởi James Kennedy và kỹ sư Russell C.Eberhart [139]. Thuật toán PSO có một số ưu điểm chính như sau: khái niệm đơn giản, dễ thực hiện, khả năng kiểm soát các tham số mạnh, và hiệu quả tính toán cao khi so sánh với thuật toán toán học và các kỹ thuật tối ưu hóa heuristic khác [140]. Thuật toán có nhiều ứng dụng quan trọng trong tất cả các lĩnh vực mà ở đó đòi hỏi phải giải quyết các bài toán tối ưu hóa [141]. Thuật toán PSO được mô tả bởi 2 phương trình: phương trình vận tốc và phương trình vị trí với mối liên hệ được thể hiện ở hình 4.2 [139]: - Phương trình vị trí phần mỗi phần tử: xk+1 i = xk i + vk+1 i ( 4.3) - Phương trình vận tốc mỗi phần tử: vk+1 i = wkvk i + c1r1(pk i − xk i ) + c2r2(pk g − xk i ) ( 4.4) Hình 4.2. Sơ đồ cập nhật các thông số vị trí và vận tốc của thuật toán PSO Trong đó: xik Vị trí phần tử thứ i tại bước lặp thứ k 103 xik+1 Vị trí phần tử thứ i tại bước lặp thứ k+1 vik Vân tốc phần tử thứ i tại bước lặp thứ k xik+1 Vân tốc phần tử thứ i tại bước lặp thứ k+1 pik Vị trí tốt nhất của riêng phần tử thứ i ở bước lặp thứ k pgk Vị trí tốt nhất g (global) trong các vị trí của các phần tử đến bước lặp thứ k wk Trọng số quán tính không đổi c1,c2 Thông số kinh nghiệm và quan hệ bầy đàn r1,r2 Các số ngẫu nhiên trong khoảng từ 0 đến 1. Trong chương này, thuật toán PSO được sử dụng phối hợp với thuật toán di truyền và mạng trí tuệ nhân tạo để xây dựng mô hình dự báo công suất phát nguồn điện gió. 4.2.3. Thuật toán di truyền (GA) Giải thuật di truyền là một kỹ thuật của khoa học máy tính và là một phân ngành của giải thuật tiến hóa nhằm tìm kiếm giải pháp thích hợp cho bài toán tìm kiếm và tối ưu dựa vào các nguyên lý của tiến hóa như di truyền, đột biến, chọn lọc tự nhiên, và trao đổi chéo [142]. 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 mô tả và giải quyết được rất nhiều bài toán tối ưu phức tạp trong nhiều lĩnh vực như bài toán lập thời khóa biểu, lập kế hoạch bán hàng, bài toán người du lịch Lưu đồ thuật toán di truyền được thể hiện như hình 4.3 [142]. 104 Hình 4.3. Lưu đồ thuật toán di truyền [142] Thuật toán di truyền có nhiều ưu điểm so với các thuật toán tối ưu hóa truyền thống. Hai ưu điểm đáng chú ý nhất là khả năng xử lý các vấn đề phức tạp và tính song song. Các thuật toán di truyền có thể làm việc với nhiều loại tối ưu hóa khác nhau, cho dù hàm mục tiêu (hàm thích nghi) là tuyến tính hoặc phi tuyến, liên tục hoặc không liên tục hoặc với nhiễu ngẫu nhiên. Bởi vì nhiều cá thể con trong mộ