Lập chương trình mô phỏng tính toán số liệu gió theo giờ và theo ngày từ số liệu trung bình tháng

Trên cơ sở phân tích các số liệu tốc độ gió đo đạc được tại Thành phố Hồ Chí Minh và khu vực lân cận, bằng việc phát triển và cải tiến các mô hình đã có trong dự báo tốc độ gió, kết quả

Đại Học Quốc Gia Tp Hồ Chí Minh

TRƯỜNG ĐẠI HỌC BÁCH KHOA

-Ô -

TRẦN HỒNG HÀ

LẬP CHƯƠNG TRÌNH MÔ PHỎNG TÍNH TOÁN SỐ LIỆU GIÓ THEO GIỜ VÀ THEO NGÀY

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán bộ hướng dẫn khoa học: TS NGUYỄN THẾ BẢO

Cán bộ chấm nhận xét 1:

Cán bộ chấm nhận xét 2:

Luận văn thạc sĩ được bảo vệ tại:

HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA TP.HCM, ngày … tháng…… năm 2006

Đại Học Quốc Gia Tp Hồ Chí Minh

TRƯỜNG ĐẠI HỌC BÁCH KHOA

CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM

Độc Lập – Tự Do – Hạnh Phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ và tên học viên: TRẦN HỒNG HÀ Phái: Nam

Ngày, tháng, năm sinh: 01 - 11 - 1966 Nơi sinh: Nam Định

I TÊN ĐỀ TÀI:

LẬP CHƯƠNG TRÌNH MÔ PHỎNG TÍNH TOÁN SỐ LIỆU GIÓ

THEO GIỜ VÀ THEO NGÀY TỪ SỐ LIỆU TRUNG BÌNH THÁNG

II NHIỆM VỤ VÀ NỘI DUNG:

1 Tính cần thiết của việc lập chương trình mô phỏng số liệu tốc độ gió theo giờ và theo ngày

2 Đặc tính tốc độ gió ở nước ta

3 Cơ sở phương pháp luận xây dựng mô hình chung để mô phỏng số liệu tốc độ gió theo giờ từ số liệu trung bình tháng

4 Xây dựng mô hình

5 Kiểm chứng độ tin cậy của mô hình

6 Nhận xét và kết luận

III NGÀY GIAO NHIỆM VỤ: 09 - 02 - 2006

IV NGÀY HOÀN THÀNH NHIỆM VỤ: 06 - 10 - 2006

V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: TS NGUYỄN THẾ BẢO

PHÒNG ĐÀO TẠO SĐH

Ngày tháng năm 2006 KHOA QUẢN LÝ NGÀNH

LỜI CẢM ƠN

Tác giả xin bày tỏ lòng biết ơn chân thành nhất tới Thầy Nguyễn Thế Bảo, người trực tiếp hướng dẫn thực hiện luận văn về những kiến thức mà Thầy đã cung cấp cũng như những định hướng, nhận xét, góp ý vô cùng quý báu của Thầy trong suốt thời gian thực hiện đề tài

Tác giả cũng xin bày tỏ lòng biết ơn tới các Thầy trong bộ môn Công Nghệ Nhiệt trường Đại học Bách khoa thành phố Hồ Chí Minh về kiến thức cũng như lòng nhiệt tình với khoa học mà các Thầy đã truyền đạt trong suốt thời gian học vừa qua

Tác giả xin gửi lời cám ơn tới Giám đốc Trung tâm kiểm định kỹ thuật an toàn khu vực 2 đối với sự giúp đỡ của Trung tâm về thời gian, kinh phí trong suốt thời gian học và thời gian thực hiện đề tài

Cuối cùng, xin cám ơn các bạn bè, đồng nghiệp và đặc biệt là vợ và các con tôi Thiếu sự động viên, giúp đỡ của họ, luận văn này đã không thể hoàn thành

Người thực hiện

TRẦN HỒNG HÀ

TÓM TẮT NỘI DUNG LUẬN VĂN

Tốc độ gió theo giờ và theo ngày là số liệu hết sức cần thiết trong nhiều lĩnh vực khoa học, kỹ thuật đặc biệt là trong kỹ thuật nhiệt và kỹ thuật năng lượng gió Ở nước ta, những số liệu này còn thiếu cả về số lượng và chất lượng Tình hình đặt ra nhu cầu xây dựng một mô hình toán cho phép lập chương trình mô phỏng trên máy tính để tạo ra chuỗi số liệu tốc độ gió theo giờ và theo ngày trong điều kiện không có các số liệu thống kê đầy đủ Đây chính là nhiệm vụ nghiên cứu của đề tài này

Nhiệm vụ nghiên cứu này được giải quyết bằng cách áp dụng giả thuyết mà TS Nguyễn Thế Bảo đề ra từ năm 1996 khi xây dựng mô hình mô phỏng tốc độ gió tại

Australia: Tại những vùng có địa hình và đặc tính khí hậu tương đối thuần nhất, đặc tính thống kê của số liệu tốc độ gió theo giờ có tính quy luật khá ổn định

Trên cơ sở phân tích các số liệu tốc độ gió đo đạc được tại Thành phố Hồ Chí Minh và khu vực lân cận, bằng việc phát triển và cải tiến các mô hình đã có trong dự báo tốc độ gió, kết quả thực hiện đề tài đã xây dựng được một mô hình tính toán thích hợp cho phép mô phỏng để tạo ra chuỗi số liệu tốc độ gió theo giờ và theo ngày từ tốc độ gió trung bình tháng – những số liệu có thể đo đạc một cách dễ dàng hơn hoặc có thể xác định từ các bản đồ gió hiện có

Kết quả so sánh số liệu mô phỏng và số liệu quan sát cho thấy mô hình hoàn toàn đảm bảo độ tin cậy cần thiết Sự hạn chế về cơ sở dữ liệu làm cho mô hình chỉ có thể áp dụng được cho khu vực thành phố Hồ Chí Minh và các tỉnh Nam bộ Mặc dù vậy, đề tài đã trình bày được một phương pháp mô hình hóa thống kê tuyến tính có ý nghĩa khoa học, xây dựng được các chương trình tính toán có tính tổng quát làm cơ sở xây dựng các mô hình chung áp dụng cho các vùng khí hậu và địa hình khác nhau ở nước

ta khi điều kiện số liệu cho phép

Mô hình đề xuất trong luận văn có thể sử dụng như một module trong việc xây dựng các phần mềm mô phỏng lớn hơn phục vụ các bài toán mô phỏng thời tiết, mô phỏng

hệ thống năng lượng, mô phỏng các thiết bị nhiệt

Giao diện mô phỏng được viết bằng ngôn ngữ Matlab cũng có thể chạy như một ứng dụng độc lập cho phép tạo ra các chuỗi số liệu tốc độ gió theo giờ và theo ngày để sử dụng trực tiếp trong việc giải các bài toán kỹ thuật cần đến số liệu tốc độ gió

Kết quả đạt được ban đầu cũng là căn cứ để tiếp tục xây dựng các mô hình đa biến hoàn thiện hơn cho phép mô phỏng tổng hợp các thông số khí hậu khác như hướng gió, nhiệt độ, độ ẩm v.v, phục vụ giải quyết các bài toán kỹ thuật phức tạp hơn

MỤC LỤC

Trang

MỤC LỤC i

DANH MỤC CÁC BẢNG iv

DANH MỤC CÁC HÌNH VẼ v

CHƯƠNG 1 – TỔNG QUAN 1

1.1 Đặt vấn đề 1

1.2 Đặc tính tốc độ gió nước ta và giới hạn phạm vi nghiên cứu của đề tài 2

1.2.1 Các loại gió cơ bản: 2

1.2.2 Đặc tính của gió: 4

1.2.3 Đặc điểm tốc độ gió ở nước ta: 4

1.2.4 Giới hạn phạm vi nghiên cứu của đề tài 11

1.3 Các thuật ngữ và khái niệm cơ bản 13

1.3.1 Một số khái niệm: 13

1.3.2 Phương pháp mô phỏng Monte Carlo: 15

1.3.3 Phương pháp chuỗi Markov: 15

1.3.4 Phương pháp mô hình hóa thống kê tuyến tính: 16

1.3.5 Nguyên lý mô hình hóa Box-Jenkins 18

1.4 Khảo sát tài liệu có liên quan 19

1.4.1 Mô phỏng Monte Carlo: 19

1.4.2 Phương pháp mô hình hóa Box-Jenkin: 20

1.4.3 Phương pháp sử dụng mô phỏng chuỗi Markov: 22

1.4.4 Xây dựng mô hình chung để mô phỏng tốc độ gió từng giờ cho những địa điểm không có số liệu chi tiết quan sát : 23

1.4.5 Nhận xét về khả năng áp dụng các phương pháp hiện có 24

CHƯƠNG 2 – PHƯƠNG PHÁP XÂY DỰNG MÔ HÌNH 27

2.1 Nguyên lý xây dựng mô hình 27

2.2 Dữ liệu phục vụ xây dựng mô hình 27

2.3 Dạng mô hình, phương pháp và kết quả mô hình hóa các chuỗi số liệu quan sát 29

2.3.1 Dạng mô hình 29

2.3.2 Phương pháp phân tích các số liệu quan sát: 33

2.3.2.1 Phương pháp xác định số mũ chuẩn hóa m:: 33

2.3.2.2 Phương pháp xác định vec tơ đặc trưng cho thành phần biến đổi theo chu kỳ ngày của tốc độ gió μth: 35

2.3.3.3 Phương pháp xác định các tham số mô hình hóa Box-Jenkins: 35

2.3.3 Kết quả mô hình hóa các số liệu quan sát: 36

2.4 Kết quả xây dựng mô hình chung 40

2.4.1 Xây dựng hàm số biểu diễn quan hệ giữa số mũ chuẩn hóa và tốc độ gió trung bình tháng: 40

2.4.2 Xây dựng hàm số biểu diễn quan hệ giữa vec tơ độ lệch chuẩn trung bình từng giờ và vec tơ tốc độ gió trung bình từng giờ 41

2.4.3 Xác định vec tơ đặc trưng cho thành phần biến đổi theo chu kỳ ngày của tốc độ

gió 43

2.4.4 Xác định mô hình ARMA chung 48

2.4.4.1 Xác định dạng của mô hình ARMA chung 48

2.4.4.2 Xác định các tham số của mô hình chung: 48

2.4.5 Tổng hợp các tham số của mô hình và sơ đồ thuật toán mô phỏng: 49

2.4.5.1 Tổng hợp các tham số của mô hình: 49

2.4.5.2 Thuật toán tạo ra chuỗi Ut* có trung bình bằng 0 từ mô hình AR(2): 50

2.4.5.3 Thuật toán tạo ra chuỗi số liệu tốc độ gió theo giờ Ut từ tốc độ trung bình tháng μ: 51

2.4.5.5 Thuật toán tạo ra chuỗi số liệu tốc độ gió trung bình ngày từ chuỗi số liệu từng giờ: 52

2.5 Các chương trình phục vụ mô hình hóa và mô phỏng 52

2.5.1 Chương trình mô phỏng: 52

2.5.2 Chương trình mô hình hóa: 53

2.5.2 Các chương trình kiểm tra: 55

CHƯƠNG 3 – ĐÁNH GIÁ ĐỘ TIN CẬY CỦA MÔ HÌNH 56

3.1 Các chuỗi số liệu so sánh: 56

3.2 Phương pháp đánh giá: 56

3.3 Kết quả so sánh 58

3.4 Một số nhận định về khả năng ứng dụng và các hạn chế của mô hình: 65

CHƯƠNG 4: KẾT LUẬN 67

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ 69

TÀI LIỆU THAM KHẢO 70

PHỤ LỤC - CÁC CHƯƠNG TRÌNH MATLAB 73

1 Tóm tắt nội dung các chương trình: 73

2 Nội dung các chương trình mô phỏng: 74

2.1 Chương trình cwindsim.m: 74

2.2 Chương trình armasim.m: 76

2.3 Chương trình destddata.m: 77

2.4 Chương trình DWS.m: 77

3 Nội dung các chương trình mô hình hóa: 78

3.1 Chương trình windfit.m: 78

3.2 Chương trình datasurvey.m: 83

3.3 Chương trình windmodel.m: 86

3.4 Chương trình boxcoxtrans.m: 89

3.5 Chương trình stddatd.m: 90

3.6 Chương trình myfitm.m: 91

3.7 Chương trình myfitstd.m: 92

3.8 Chương trình cwindmodel.m: 92

4 Nội dung các chương trình kiểm tra: 100

4.1 Chương trình testcwindsim.m 100

4.2 Chương trình wpdensity.m 102

4.3 Chương trình windpower.m 103 4.4 Chương trình SosanhCDF.m 104 4.5 Chương trình mypdfplot.m 105

DANH MỤC CÁC BẢNG

Trang

Bảng 2 1 : Đặc trưng thống kê của tốc độ gió tại trạm quan trắc Nhà bè năm 2004 28 Bảng 2 2: Đặc trưng thống kê của tốc độ gió tại Cần giờ - 9 tháng đầu năm 1993 28 Bảng 2 3: So sánh giá trị trung bình và độ lệch chuẩn tính theo công thức và số liệu xác định thực tế 32 Bảng 2 4: Tốc độ trung bình tháng, độ lệch chuẩn và số mũ chuẩn hóa của các chuỗi số liệu 36 Bảng 2 5: Giá trị trung bình và độ lệch chuẩn của thành phần biến đổi theo chu kỳ ngày của

số liệu tốc độ gió tại Nhà bè năm 2004 36 Bảng 2 6: Giá trị trung bình và độ lệch chuẩn của thành phần biến đổi theo chu kỳ ngày của

số liệu tốc độ gió tại Cần giờ năm 1993 38 Bảng 2 7: Thông số mô hình hoá ARMA phù hợp nhất xác định theo số liệu tốc độ gió tại Nhà bè năm 2004 39 Bảng 2 8: Thông số mô hình hoá ARMA phù hợp nhất xác định theo số liệu tốc độ gió tại Cần giờ năm 1993 40 Bảng 2 9: Giá trị số mũ chuẩn hóa m tương ứng với các tốc độ trung bình tháng μ (m/s) 40 Bảng 2 10: Giá trị và khoảng tin tưởng của các hệ số đa thức biểu diễn quan hệ phụ thuộc của

độ lệch chuẩn vào tốc độ trung bình hàng tháng 42 Bảng 2 11: Giá trị và khoảng tin tưởng của các hệ số đa thức biểu diễn quan hệ phụ thuộc của

độ lệch chuẩn trung bình giờ vào tốc độ trung bình giờ 42 Bảng 2 12: Thành phần biến đổi theo chu kỳ ngày của tốc độ gió tại Nhà bè năm 2004 44 Bảng 2 13: Thành phần biến đổi theo chu kỳ ngày của tốc độ gió tại Cần giờ năm 1993 45 Bảng 2 14: Giá trị của vec tơ đặc trưng cho thành phần biến đổi theo chu kỳ ngày (chưa làm trơn) (m/s) 45 Bảng 2 15: Vec tơ đặc trưng cho thành phần biến đổi theo chu kỳ ngày (đã làm trơn) (m/s)46 Bảng 2 16: Tham số mô hình AR(2) của từng chuỗi số liệu và của mô hình chung 48

Bảng 3 1: Tốc độ trung bình tháng (m/s) tại các địa điểm so sánh 57 Bảng 3 2: So sánh đặc tính thống kê của các chuỗi số liệu quan sát và số liệu mô phỏng 60 Bảng 3 3: So sánh tốc độ gió trung bình bậc 3 (m/s) giữa số liệu quan sát và số liệu mô phỏng 60 Bảng 3 4: So sánh kết quả tính toán mật độ năng lượng gió (W/m2) giữa số liệu quan sát và

số liệu mô phỏng 60 Bảng 3 5: So sánh tổng sản lượng của turbine gió trong 1 năm (MWh) giữa số liệu quan sát

và số liệu mô phỏng 60

DANH MỤC CÁC HÌNH VẼ

Hình 1 1: Phân vùng gió tại Việt Nam, Lào, Cam pu chia và Thái Lan 6

Hình 1 2 : Tốc độ gió trung bình ở độ cao 65 m, từ tháng 12 đến tháng 2 năm sau 7

Hình 1 3: Tốc độ gió trung bình ở độ cao 65 m, từ tháng 3 đến tháng 5 8

Hình 1 4 : Tốc độ gió trung bình ở độ cao 65 m, từ tháng 6 đến tháng 8 9

Hình 1 5: Tốc độ gió trung bình ở độ cao 65 m, từ tháng 9 đến tháng 11 10

Hình 1 6: Bản đồ gió khu vực thành phố Hồ Chí Minh và các tỉnh Nam bộ 12

Hình 2 1: Phân bố mật độ xác suất số liệu tốc độ gió Nhà bè năm 2004 34

Hình 2 2: Phân bố mật độ xác suất số liệu tốc độ gió Cần giờ năm 1993 34

Hình 2 3: Sự phụ thuộc của số mũ chuẩn hóa m vào tốc độ gió trung bình tháng μ 41

Hình 2 4: Sự giống nhau giữa quan hệ độ lệch chuẩn vào tốc độ trung bình từng giờ và quan hệ độ lệch chuẩn vào tốc độ trung bình hàng tháng 43

Hình 2 5: Đồ thị biểu diễn thành phần biến đổi theo chu kỳ ngày của các chuỗi số liệu quan sát và giá trị trung bình của chúng 47

Hình 2 6: Đồ thị biểu diễn véc tơ đặc trưng cho thành phần biến đổi theo chu kỳ ngày (đã làm trơn bằng thuật toán Robust lowess smoothing) 47

Hình 2 7: Giao diện mô phỏng 53

Hình 3 1: So sánh đồ thị hàm phân bố xác suất của chuỗi số quan sát tại Nhà bè năm 2005 và của chuỗi số mô phỏng 61

Hình 3 2: So sánh đồ thị hàm phân bố xác suất của chuỗi số quan sát tại trạm quan trắc Tân Sơn Hòa (Tp Hồ Chí Minh) năm 2003 và của chuỗi số mô phỏng 61

Hình 3 3: So sánh đồ thị hàm phân bố xác suất của chuỗi số quan sát tại Vũng Tàu năm 2003 và của chuỗi số mô phỏng 62

Hình 3 4 : So sánh đồ thị hàm phân bố xác suất của chuỗi số quan sát tại Phú Quốc năm 2005 và của chuỗi số mô phỏng 62

Hình 3 5: So sánh đồ thị hàm mật độ xác suất của chuỗi số quan sát tại Nhà bè năm 2005 và của chuỗi số mô phỏng 63

Hình 3 6: So sánh đồ thị hàm mật độ xác suất của chuỗi số quan sát tại trạm quan trắc Tân Sơn Hòa năm 2003 và của chuỗi số mô phỏng 63

Hình 3 7: So sánh đồ thị hàm mật độ xác suất của chuỗi số quan sát tại trạm quan trắc Vũng tàu năm 2003 và của chuỗi số mô phỏng 64

Hình 3 8: So sánh đồ thị hàm mật độ xác suất của chuỗi số quan sát tại trạm quan trắc Phú Quốc năm 2005 và của chuỗi số mô phỏng 64

Hình 3 9: So sánh đặc tính tự tương quan của chuỗi số quan sát tại Nhà bè năm 2005 và của chuỗi số mô phỏng 65

CHƯƠNG 1 – TỔNG QUAN

1.1 Đặt vấn đề

Gió là hiện tượng khí hậu vừa gần gũi, vừa bí ẩn Sống giữa thiên nhiên con người luôn

có nhu cầu dự báo, mô phỏng các thông số khí tượng nói chung và tốc độ gió nói riêng Các số liệu này cần thiết cho rất nhiều lĩnh vực trong nền kinh tế cũng như cuộc sống hàng ngày Ngành xây dựng cần số liệu gió để tính toán, mô phỏng các công trình xây dựng đặc biệt là các kết cấu cao tầng, các công trình biển, các đập nước v.v Ngành môi trường cần số liệu gió để mô phỏng, đánh giá tác động môi trường của các công trình công nghiệp v.v

Có thể nói trong bất kỳ lĩnh vực nào, khi có nhu cầu mô phỏng các vấn đề có liên quan đến môi trường chúng ta cũng cần có số liệu về gío mà một trong những thông số quan trọng nhất là tốc độ gió theo giờ và theo ngày

Số liệu về gió cũng luôn là thông số đầu vào không thể thiếu trong các bài toán nhiệt:

- Những bài toán có liên quan đến trao đổi nhiệt, trao đổi chất với môi trường

- Bài toán thiết kế các thiết bị sử dụng năng lượng mặt trời: các bộ thu, các pin quang điện v.v

- Bài toán mô phỏng để tính toán tua bin gió

Sự phát triển của nền kinh tế, mà đồng thời với nó là đà cạn kiệt, đắt đỏ của các nguồn năng lượng truyền thống cũng như sự phát sinh ngày càng nhiều các vấn đề môi trường đặt ra nhu cầu ngày càng gay gắt về việc sử dụng các nguồn năng lượng tái tạo nói chung

và năng lượng mới nói riêng Với những ưu điểm hêt sức nổi bật về bảo vệ môi trường, giá thành hạ, vận hành ổn định năng lượng gió ngày càng được chú ý phát triển Ở nước

ta, một trong những khuynh hướng nghiên cứu đang được chú ý là thiết lập các hệ thống cung cấp năng lượng cho vùng sâu vùng xa mà trong đó năng lượng gió đóng một vai trò hết sức quan trọng Những bài toán như vậy luôn luôn cần đến số liệu về tốc độ gió

Ở các nước tiên tiến, việc theo dõi số liệu về khí tượng nói chung và tốc độ gió nói riêng được thực hiện một cách có hệ thống Cơ quan khí tượng có thể cung cấp số liệu chi tiết

về tốc độ gió của từng vùng để phục vụ cho các nhu cầu tính toán Ở nước ta, các số liệu này còn rất nghèo nàn và không có hệ thống chưa kể còn được đo đạc bằng các kỹ thuật

đã cũ Điều kiện số liệu như vậy gây rất nhiều khó khăn khi cần có số liệu về gió để lập các chương trình mô phỏng đặc biệt là khi tính toán các hệ thống cung cấp điện cho những vùng xa, hải đảo

Tình hình này đặt ra nhu cầu giải quyết bài toán xây dựng một mô hình cho phép mô phỏng để tạo ra chuỗi số liệu tốc độ gió cho từng giờ và từng ngày trong điều kiện không

có các số liệu thống kê đầy đủ

Đó cũng chính là mục tiêu giải quyết của luận văn này Nói một cách cụ thể hơn, mục tiêu nghiên cứu của luận văn là trên cơ sở phân tích các số liệu hiện có xây dựng được một mô hình chung cho phép tạo ra chuỗi số liệu tốc độ gió từng giờ và từng ngày trên

cơ sở chỉ có thông số đầu vào là trung bình tốc độ gió của tháng

1.2 Đặc tính tốc độ gió nước ta và giới hạn phạm vi nghiên cứu của đề tài

1.2.1 Các loại gió cơ bản:

Gió tại một địa điểm cụ thể là sự tổng hợp của hai hệ thống: gió toàn cầu và gió địa phương Gió toàn cầu là các loại gió có tác động trên phạm vi rộng, là đặc trưng của các vùng khí hậu lớn (nhiệt đới, ôn đới, vùng cực v.v) Gió địa phương phụ thuộc vào đặc điểm địa hình của từng khu vực cụ thể

Gió toàn cầu:

Trái đất chính là một động cơ nhiệt khổng lồ với nguồn nóng đặt ở vùng xích đạo – nơi hấp thụ nhiều bức xạ mặt trời hơn còn nguồn lạnh đặt ở hai cực, nơi hấp thụ ít bức xạ mặt trời hơn Sự chênh lệch này tạo ra dòng không khí đối lưu giữa xích đạo và hai cực của trái đất Bên cạnh đó, dòng khí trong quá trình chuyển động từ xích đạo về hai cực

còn bị cuốn theo chiều quay của trái đất Nếu bề mặt trái đất nhẵn tuyệt đối và không khí trong khí quyển là đồng nhất, hoàn toàn có thể xác định hướng và tốc độ gió thông qua một mô hình vật lý đơn giản Trong thực tế vấn đề khó khăn hơn nhiều do bề mặt trái đất có hình dạng rất phức tạp Sự khác biệt về khả năng hấp thụ nhiệt của đại dương và đất liền, ảnh hưởng của các dòng hải lưu, v.v tạo nên đặc tính khác nhau của gió ở các vùng khí hậu khác nhau Nước ta nằm trong phạm vi của hai loại gió cơ bản:

ƒ Gió mậu dịch: Không khí được nung nóng ở vùng xích đạo sẽ bay lên và dịch

chuyển về hai cực Khi chuyển động về hai cực, nhiệt độ không khí ngày càng giảm, không khí ngày càng trở nên nặng hơn Đến vùng gần chí tuyến bắc và chí tuyến nam (khoảng vĩ độ 30 độ) , không khí trở nên đủ nặng để chìm xuống bề mặt trái đất và lại chuyển động quay trở lại xích đạo thay thế cho lớp không khí nhẹ bay lên Hiện tượng này được gọi là gió mậu dịch, có hướng ổn định và thổi quanh năm

ƒ Gió mùa: Sự khác biệt về nhiệt độ giữa lục địa châu Á và đại dương chính là động

lực tạo ra gió mùa Vào mùa hè, lục địa châu Á hấp thụ nhiều bức xạ hơn đại dương tạo nên luồng không khí từ Đại tây dương thổi qua đất Ấn độ vào lục địa châu Á theo hướng tây nam Vào mùa đông, lục địa châu Á lạnh hơn đại dương, tạo nên

luồng không khí từ lục địa châu Á ra Đại tây dương theo hướng đông bắc

Gió địa phương:

ƒ Gió biển: Vào ban ngày, đất liền bị nung nóng nhiều hơn mặt biển Sự chênh lệch

nhiệt độ này tạo nên luồng không khí thổi từ biển vào đất liền Tình hình xảy ra ngược lại vào ban đêm, khi đất liền trở nên lạnh hơn mặt biển Đây là hiện tượng đặc trưng của gió địa phương tại các vùng ven biển Loại gió này có chu kỳ ngày rất

rõ rệt, trong đó gió ban ngày mạnh hơn ban đêm do chênh lệch nhiệt độ ban ngày lớn hơn Mặt khác tốc độ gió vào buổi tối muộn cũng nhỏ hơn do chênh lệch nhiệt

độ vào giờ này là nhỏ nhất

ƒ Gió núi: Gió núi thường thổi dọc theo các khe núi, thung lũng Động lực tạo ra gió

núi chính là sự chênh lệch về lượng hấp thụ bức xạ mặt trời giữa các sườn núi và

giữa các vùng có cao độ khác nhau trong thung lũng, khe núi Ở các dãy núi lớn, hiện tượng này tạo nên các luồng gió thổi khá mạnh và ổn định

1.2.2 Đặc tính của gió:

Gió được đặc trưng bởi hai thông số cơ bản: tốc độ và hướng Trong phạm vi luận văn này, chúng ta sẽ chỉ quan tâm đến tốc độ gió Tốc độ gió là đại lượng có hai đặc tính cơ bản:

ƒ Tính thống kê: là kết quả của một hệ thống nhiệt động cực kỳ phức tạp, không thể

xác định trước một cách chính xác giá trị tốc độ gió tại một thời điểm trong tương lai Khi dự đoán tốc độ gió, người ta chỉ có thể nói về xác suất xuất hiện của một

giá trị nào đó Đặc điểm này làm cho tốc độ gió là một đại lượng có tính thống kê

ƒ Tính chu kỳ: Ngoại trừ chu kỳ mùa, khi phân tích phổ chu kỳ của tốc độ gió, người

ta [10] nhận thấy có hai loại chu kỳ chủ yếu: chu kỳ dài theo từng ngày là hậu quả của sự thay đổi của cả hệ thống khí hậu từng vùng, chu kỳ ngắn trong khoảng 10 giây là hậu quả của hiện tượng rối trong bản thân dòng khí Quãng thời gian giữa hai loại chu kỳ này có độ dài từ 1 – 2 giờ là quãng thời gian mà tốc độ gió có đặc tính thuần nhất hơn cả Đó chính là lý do khi nghiên cứu tốc độ gió người ta sử dụng các chuỗi số liệu quan sát theo giờ Bên cạnh đó số liệu gió cũng được xem xét trong phạm vi từng tháng để loại bỏ ảnh hưởng của chu kỳ mùa

1.2.3 Đặc điểm tốc độ gió ở nước ta:

Nước ta nằm trong vùng khí hậu nhiệt đới gió mùa, chịu ảnh hưởng của hai loại gió cơ bản: gió mậu dịch và gió mùa Nếu gió mậu dịch có chế độ khá ổn định quanh năm thì gió mùa thay đổi theo chu kỳ mùa: vào mùa đông (từ tháng 10, 11 đến tháng 3,4 năm sau) thổi theo hướng đông bắc, vào mùa hè (từ tháng 5, 6 đến tháng 9,10) thổi theo hướng tây nam Về cơ bản, miền Bắc và các khu vực cao nguyên chịu ảnh hưởng nhiều của gió mùa đông bắc trong khi miền Nam và Nam Trung bộ chịu ảnh hưởng của gió

mùa tây nam Mặt khác, sự khác biệt về địa hình cũng tạo ra sự khác biệt về đặc tính tốc độ gió giữa đồng bằng, miền núi và ven biển Các bản đồ hình 1.1, 1.2, 1.3, 1.4,1.5 trích từ Wind Energy Resource Atlas of Southeast Asia [23] cung cấp phân bố tốc độ gió (mô phỏng bằng chương trình MesoMap) ở nước ta và các nước lân cận Từ các bản đồ này có thể thấy tiềm năng năng lượng gió ở nước ta là hết sức đáng kể so với các nước láng giềng

Theo tài liệu có thể chia nước ta thành các vùng gió như sau (xem hình 1.1):

1) Vùng núi phía bắc (F-3)

2) Vùng núi tây bắc (F-2) Khá lặng gió loại trừ trên các đỉnh núi cao

3) Vùng Bắc Bộ (E-3) Vùng này thực chất có thể chia làm hai khu vực: vùng trung

du phía bắc Hà Nội mang đặc trưng gió núi, vùng đồng bằng duyên hải từ Móng Cái đến Đồng Hới mang đặc trưng gió biển

4) Vùng núi Trường Sơn tiếp giáp với biển (D-3) Gió thổi khá mạnh và đều

5) Vùng ven biển Bắc Trung bộ (D-4) Khá lặng gió

6) Vùng ven biển Nam Trung bộ (ký hiệu C-4) Gió thổi khá mạnh và đều

7) Vùng Tây Nguyên (C-3)

8) Vùng Nam bộ (B-3) Đặc điểm địa hình bằng phẳng, giáp biển làm cho gió ở khu

vực này có đặc đính khá đồng đều tại các địa điểm khác nhau

Hình 1 1: Phân vùng gió tại Việt Nam, Lào, Cam pu chia và Thái Lan

Hình 1 2 : Tốc độ gió trung bình ở độ cao 65 m, từ tháng 12 đến tháng 2 năm sau

Hình 1 3: Tốc độ gió trung bình ở độ cao 65 m, từ tháng 3 đến tháng 5

Hình 1 4 : Tốc độ gió trung bình ở độ cao 65 m, từ tháng 6 đến tháng 8

Hình 1 5: Tốc độ gió trung bình ở độ cao 65 m, từ tháng 9 đến tháng 11

1.2.4 Giới hạn phạm vi nghiên cứu của đề tài

Mục tiêu của đề tài là thiết lập một mô hình cho phép tạo ra chuỗi số liệu tốc độ gió từng giờ từ số liệu trung bình tháng Mục tiêu này được xây dựng trên giả thuyết căn bản: đặc tính tốc độ gió theo giờ là thuần nhất trong toàn vùng khí hậu, giả thuyết này cho phép xây dựng một mô hình chung cho toàn vùng trên cơ sở thông số đầu vào duy nhất là số liệu tốc độ gió trung bình tháng Dễ nhận thấy rằng, mô hình như vậy chỉ có thể áp dụng một cách tin cậy trong phạm vi một khu vực có địa hình và đặc tính khí hậu tương đối thuần nhất Xuất phát từ các phân tích ở phần 1.2.3 và điều kiện số liệu hiện có, đề tài sẽ tập trung vào việc xây dựng một mô hình chung cho phép mô phỏng

số liệu tốc độ gió từng giờ trong vùng Nam Bộ (vùng B-3 hình 1.1 và hình 1.6) từ số liệu tốc độ trung bình tháng tại từng địa điểm Với mục tiêu chính là mô phỏng chuỗi

số liệu tốc độ gió từng giờ phục vụ các bài toán nhiệt và năng lượng gió, mô hình sẽ không mô phỏng các giá trị bất thường của chuỗi số liệu như hiện tượng bão, lốc v.v

Hình 1 6: Bản đồ gió khu vực thành phố Hồ Chí Minh và các tỉnh Nam bộ

1.3 Các thuật ngữ và khái niệm cơ bản

1.3.1 Một số khái niệm:

Chuỗi thời gian: là tập hợp các giá trị quan sát được sắp xếp theo thứ tự thời gian

Chuỗi giá trị tốc độ độ gió là một chuỗi thời gian rời rạc với các giá trị quan sát được

Xt được xác định tại các thời điểm t=1,2,…, N trong đó N là độ dài của chuỗi thời gian Phần lớn các chuỗi thời gian quan sát được trong tự nhiên, kinh tế và kỹ thuật không phải là chuỗi số ngẫu nhiên thuần túy mà luôn bao hàm các thành phần biến đổi có khuynh hướng và có chu kỳ, các giá trị của chuỗi thời gian có liên hệ với nhau: giá trị hiện tại phụ thuộc vào giá trị trước đó

Tất định và thống kê: Chuỗi thời gian là có tính tất định nếu giá trị tương lai có thể

xác định một cách chính xác từ các giá trị quá khứ Nếu không đảm bảo điều kiện này, người ta nói chuỗi thời gian có tính thống kê Chuỗi số liệu tốc độ gió luôn là chuỗi thời gian có tính thống kê Trong luận văn này, khi nói tới khái niệm chuỗi thời gian, chúng ta hiểu đó là chuỗi thời gian có tính thống kê

Chuỗi thời gian tuyến tính: Chuỗi thời gian có tính thống kê Xt được gọi là tuyến tính khi có thể mô tả ở dạng: X t =∑φi X t−i+εt trong đó φi là các hệ số không đổi còn εt là một nhiễu trắng có trung bình bằng không và phương sai không đổi

Hàm mật độ xác suất (probability density function – pdf): Hàm mật độ xác suất của

một biến ngẫu nhiên X, ký hiệu là f(x) là hàm số biểu diễn xác xuất mà biến X nhận giá trị x với x là số thực bất kỳ

f(x) = P(X=x)

Hàm phân bố xác suất (cumulative distribution function - cdf): Hàm phân bố xác

suất của biến ngẫu nhiên X là hàm số biểu diễn xác suất mà biến ngẫu nhiên X nhận giá trị nhỏ hơn hoặc bằng một số thực x bất kỳ:

u f x

X P x F

p

)())

()(

Phân bố chuẩn: Biến ngẫu nhiên X được coi là có phân bố chuẩn nếu hàm mật độ xác

suất f(x) có dạng:

( ) 2 2

2

2

1 )

μ

πσ

x c

k x

Trong đó k là thông số hình dạng (shape parameter) và c là thông số tỉ lệ (scale parameter)

Các thông số đặc trưng của chuỗi thời gian:

ƒ Giá trị trung bình (mean) = ∑n X t

1μ

ƒ Hệ số tự tương quan (Autocorrelation function -acf) và hệ số tự tương quan riêng (partial autocorrelation function - pacf): hai đại lượng đặc trưng cho sự liên hệ giữa các giá trị trong chuỗi thời gian

1) acf lag k (ρk) được xác định bằng biểu thức

( ) ( )

X

X X

1

2 1

)(

μ

μ

μρ

2) pacf lag k là đại lượng đặc trưng cho quan hệ giữa Xt với Xt+k sau khi đã lọai trừ các autocorrelation nội bộ từ Xt tới Xt+k

Nhiễu trắng: là quá trình thống kê ngẫu nhiên thuần tuý, có phân bố chuẩn, các giá trị

của quan sát được của quá trình không có liên hệ với nhau (ρk=0 với mọi k≠ 0)

1.3.2 Phương pháp mô phỏng Monte Carlo:

Trong phương pháp này, chuỗi thời gian được coi là tập hợp các giá trị ngẫu nhiên thuần túy, giữa các giá trị quan sát không có quan hệ với nhau Với giả thiết như vậy, quá trình mô hình hóa chính là quá trình xác định dạng hàm phân bố xác suất và các thông số của nó Đây là phương pháp đơn giản nhất

Trong lĩnh vực mô phỏng tốc độ gió, dạng hàm phân bố xác suất được sử dụng phổ biến hơn cả là phân bố Weibull (Jutus et al, 1976 [12]),( Hennessey (1977 [11]), (Brown et al, 1984 [6]), (Daniel và Chen (1991) [9]), (Nfaofui et al, 1996 [18]), (Torres

et al (2004) [22]), (Akpinar (2004) [1])

1.3.3 Phương pháp chuỗi Markov:

Mô hình mô phỏng theo phương pháp chuỗi Markov [2] được đặc trưng bởi ma trận các tham số cho biết sác xuất có thể của việc chuyển từ trạng thái này sang trạng thái khác Ma trận này được gọi là Ma trận chuyển biến (Transition probability matrix - MTM) Ma trận chuyển biến của mô hình chuỗi Markov bậc nhất với m trạng thái có thể biểu diễn như sau:

ij m m

P P

P

P

P P

P

P P

P P

2 22

21

1 12

11

Trong đó Pij là xác suất chuyển từ trạng thái i đến trạng thái j

Ma trận này có được bằng cách áp dụng các thuật toán thống kê trên dãy số liệu quan sát được

Sau khi có được ma trận chuyển biến, việc mô phỏng được thực hiện bằng cách giả định ngẫu nhiên một trạng thái ban đầu, giả sử gọi là trạng thái i Sau đó, sử dụng dòng thứ i của ma trận chuyển biến, chúng ta sẽ tạo ra được trạng thái j tiếp theo bằng cách tính toán một giá trị xác suất Pij ngẫu nhiên dựa trên các giá trị xác suất chuyển biến của hàng thứ i

1.3.4 Phương pháp mô hình hóa thống kê tuyến tính:

Lý thuyết mô hình hóa thống kê tuyến tính chuỗi thời gian dựa trên giả thuyết cơ bản: chuỗi thời gian quan sát là thể hiện cụ thể của một quá trình lý tưởng nào đó [19], trong

đó các giá trị quan sát được của quá trình này có quan hệ với nhau: giá trị hiện tại phụ thuộc vào các giá trị trong quá khứ Mục đích của bài toán mô hình hóa chính là thông qua việc phân tích chuỗi số liệu quan sát, xây dựng mô hình phản ánh một cách gần đúng nhất các đặc tính của quá trình lý tưởng này Quá trình lý tưởng được coi là tập hợp của vô số các chuỗi thời gian có các đặc tính giống nhau, trong đó chuỗi thời gian quan sát được là một trong số các chuỗi này Khi đó các đặc tính của chuỗi thời gian quan sát đựoc cũng chính là đặc tính của chuỗi lý tưởng Giả thuyết này chỉ đúng khi chuỗi thời gian quan sát được có phân bố chuẩn

Xuất phát từ giả thuyết như vậy, quá trình mô hình hóa chuỗi thời gian theo phương pháp thống kê tuyến tính bao gồm hai bước cơ bản:

- Thực hiện các phép biến đổi để đưa chuỗi thời gian quan sát được về dạng có phân

bố chuẩn hoặc gần chuẩn Nói cách khác, nếu gọi Y là chuỗi số liệu quan sát, phải

xác định được một phép biến đổi g(Yt) nào đó sao cho chuỗi số liệu sau khi biến đổi

Xt = g(Yt) có phân bố chuẩn Có hai phép biến đổi chủ yếu hay sử dụng trong các

mô hình khí tượng: chuẩn hóa Gaussian (Gaussian mapping) và biến đổi mũ hóa hay biến đổi Box-Cox Phép biến đổi thường được sử dụng trong mô hình hóa chuỗi số liệu tốc độ gió là phép biến đổi mũ hóa Xt = (Yt)m (Monbet et al, 1996 [15]), (Katz, 1999 [13])

- Phân tích chuỗi thời gian đã được chuẩn hóa thành các thành phần đơn giản hơn Thông thường, chuỗi được coi là hàm tuyến tính của bốn thành phần cơ bản:

Xt = f(Tt ,Zt ,St , Ut) t= 1,2, … , n Trong đó Tt là hàm tất định, biến đổi phi chu kỳ theo thời gian đại diện cho thành phần có khuynh hướng, Zt là thành phần tất định, biến đổi theo chu kỳ dài hạn (hàng tháng, hàng năm), St là thành phần tất định, biến đổi theo chu kỳ ngắn hạn, Ut

là thành phần ngẫu nhiên có trung bình bằng không

Trong thực tế, khi mô hình hóa các yếu tố thời tiết như tốc độ gió, cường độ bức xạ, nhiệt độ v.v việc mô hình hóa thành phần Tt và Zt là rất khó khăn do hạn chế về độ dài của số liệu quan sát, người ta thường loại bỏ hai thành phần này bằng cách chia nhỏ chuỗi số liệu quan sát thành nhiều chuỗi số liệu có độ dài bằng 1 tháng và thực hiện mô hình hóa các chuỗi nhỏ này theo mô hình có dạng

Yt = μ(t) + σ(t)Ut

trong đó μ(t) và σ(t) là các hàm số tất định có chu kỳ hàng ngày [15]

- Sau khi đã được chuẩn hóa và khử các thành phần tất định, chuỗi số Ut có đặc tính ngẫu nhiên sẽ được mô hình hóa bằng các phương pháp thống kê tuyến tính Trong

số các mô hình này, loại mô hình được gọi là mô hình ARMA (AutoRegresive Moving Average) do Box-Jenkins đề xuất được dùng rộng rãi hơn cả, đặc biệt là trong lĩnh vực mô phỏng tốc độ gió (Brown et al, 1984 [6]), (Nfaofui et al, 1996 [18])

1.3.5 Nguyên lý mô hình hóa Box-Jenkins

Phương pháp mô hình hóa Box-Jenkins được xây dựng dựa trên các giả thuyết cơ bản:

ƒ Chuỗi thời gian Xt có phân bố chuẩn Với giả thuyết này, đặc tính thống kê của chuỗi thời gian được xác định đầy đủ khi biết ba thông số: giá trị trung bình μ, độ lệch chuẩn σ và hàm tự tương quan acf Thường người ta biến đổi để chuỗi Xt có phân bố chuẩn với giá trị trung bình μ=0

ƒ Chuỗi thời gian là ổn định (stationary): giá trị trung bình μ và độ lệch chuẩn σ là hằng số, hàm tương quan không phụ thuộc vào thời gian mà chỉ phụ thuộc vào khoảng cách thời gian giữa hai giá trị Xt1 và Xt2 còn gọi là khoảng thời gian trễ Với hai điều kiện như vậy, có thể mô hình hóa quá trình lý tưởng sản sinh ra các giá trị quan sát bằng một trong 3 dạng mô hình sau [24]:

1) Mô hình Hồi quy tự động (Autoregressive) AR(p):

Biến Xt được phân tích dưới dạng:

Xt = α1Xt−1 + α2Xt−2 + + αpXt−p + εt

αi là các hệ số không đổi, εt là nhiễu trắng có trung bình bằng 0 và độ lệch chuẩn

σ2

ε

2) Mô hình Trung bình trượt (Moving Average) AM(q):

Biến Xt được phân tích dưới dạng:

1.4 Khảo sát tài liệu có liên quan

1.4.1 Mô phỏng Monte Carlo:

Đây là phương pháp đơn giản nhất Nội dung cơ bản của phương pháp này là chỉ sử dụng thuần túy các thông số ước đoán của phân bố sác xuất tốc độ gió (tốc độ trung bình μ và độ lệch chuẩn σ, độ bất đối xứng β) để mô hình hóa và mô phỏng tốc độ gió Cho đến nay, phần lớn các tài liệu đều dựa trên nhận định rằng chuỗi số liệu tốc độ gió

có phân bố Weibull Dưới đây là một số công trình tiêu biểu:

1) Jutus et al (1976) [12]: Khảo sát số liệu tốc độ gió tại 135 điểm khác nhau trên tòan nước Mỹ trên cơ sở so sánh sai số

2 = ∑P observed(u≤u i)−∑P calculated(u≤u i)ε

giữa hai phương pháp biểu diễn theo phân bố log normal và Weibull, tác giả đi đến kết luận rằng phân bố Weibull mô tả tốt hơn phân bố sác xuất tốc độ gió

2) John Carlin và John Haslett (1981) [7] sử dụng nhận xét của Dubey(1967) rằng phân bố Weibull có hình dạng gần giống phân bố chuẩn khi hệ số hình dạng (shape parameter) k= 3.26 đến 3.6 và nhận xét của Bossanyi et al rằng phân bố Weibull của tốc độ gió thường có hệ số hình dạng k = 1,5 -2 để đề xuất việc sử dụng phép biến đổi (transformation) X=U1/p với p=2 để biến đổi phân bố tốc độ gió từ Weibull thành phân bố chuẩn và sử dụng mô phỏng Monte Carlo trực tiếp trên phân bố chuẩn Phương pháp này tiếp tục được sử dụng rộng rãi với hệ số mũ p lấy bằng 3.6/k trong các nghiên cứu sau này

Nhược điểm chủ yếu của các mô phỏng sử dụng trực tiếp bằng phương pháp Monte Carlo là đã bỏ qua tính tương quan nội tại của các số liệu vận tốc gió, coi chuỗi số liệu quan sát được bao gồm các dữ liệu độc lập tuyệt đối với nhau dẫn đến các giá trị mô phỏng có sai số lớn Các giả định về phân bố tốc độ gió mang tính chủ quan và không được kiểm định một cách đầy đủ theo lý thuyết thống kê

1.4.2 Phương pháp mô hình hóa Box-Jenkin:

1) McWilliams và Sprevak (1982) [14]: Đề xuất sử dụng mô phỏng Box-Jenkin để

mô phỏng sau khi thực hiện biến đổi để khử thành phần không ổn định có chu kỳ hàng ngày (diurnal nonstationary component):

)(

)()()(

t

t t u t

)

t

s t

2) Blanchard M and Desrochers G (1983) [4] đề xuất sử dụng mô hình tự hồi quy

bậc 2 (AR(2)) có dạng:

t t

thuần nhất (homogeneous) trong từng tháng Phương pháp này hiện nay vẫn được

áp dụng

Đây có lẽ là một trong những nghiên cứu đầu tiên sử dụng thực sự mô hình AR(2) vào mô phỏng tốc độ gió Tuy nhiên các tác giả cho rằng mô phỏng có thể thực hiện trực tiếp trên mọi phân bố - không phù hợp với lý thuyết mô phỏng của Box Jenkins vốn chỉ áp dụng cho các dãy số thống kê tuân theo phân bố chuẩn, cũng như không có biện pháp khử các thành phần không dừng có chu kỳ hàng ngày (diurnal nonstationary) trong chuỗi số

3) Brown et al (1984) [6] đề xuất một quy trình đầy đủ hơn cả trong việc áp dụng mô

hình Box-Jenkins vào mô phỏng tốc độ gió:

a Chia chuỗi số liệu về tốc độ gío đo được từng giờ thành 12 chuỗi số biểu thị tốc độ theo giờ cho từng tháng trong năm nhằm lọai bỏ thành phần biến đổi theo chu kỳ mùa

b Áp dụng phương pháp của Dubey (1967) để mũ hóa nhằm biến đổi chuỗi số từ phân bố Weibull thành phân bố chuẩn

)()(')(

*

t

t t u t u

σ

μ

−

=Với giả thiết rằng μ(t) và σ(t) là các hàm biến đổi có chu kỳ 24h tức là μ(1)= μ(25), μ(2)= μ(27), v.v

Sau đó áp dụng mô hình hoá AR(2) cho chuỗi u*(t) đã được biến đổi có phân bố chuẩn chuẩn hóa (standard normal)

Daniel và Chen (1991) [9], Nfaoui et al (1996) [18] tiếp tục áp dụng mô hình

AR(2) để mô phỏng tốc độ gió với lưu ý rằng chuỗi số liệu chỉ với độ dài 1 năm là chưa đủ dài để đảm bảo độ tin cậy cho mô phỏng

4) Torres et al (2004) [22] áp dụng phân bố Weibull và mô hình ARMA(p,q) với các

tham số p, q khác nhau để mô phỏng tốc độ gió sau khi đã thực hiện các phép biến đổi tương tự như Brown et al [6] để đưa chuỗi số liệu thành phân bố chuẩn chuẩn hóa (standard normal) Các giá trị p, q được xác định dựa trên phương pháp tối ưu hóa mô hình dựa trên phương pháp BIC (Bayesian Information Criterion) và AIC (Akaike Information Criterion)

1.4.3 Phương pháp sử dụng mô phỏng chuỗi Markov:

Trong phương pháp mô phỏng chuỗi Markov, chuỗi số liệu về tốc độ trung bình theo giờ quan sát được chia thành một số trạng thái Mỗi trạng thái chứa các giá trị tốc độ gió nằm giữa các giá trị xác định Ví dụ trạng thái 1 chứa các giá trị tốc độ nhỏ hơn 2 m/s, trạng thái 2 là các giá trị tốc độ từ 2 – 4 m/s, v.v cho đến trạng thái cuối cùng là các giá trị tốc độ gió lớn hơn một giới hạn trên nào đó Theo lý thuyết mô phỏng của Markov, trạng thái tốc độ gió tại giờ hiện tại phụ thuộc vào một hay một vài trạng thái trước đó Nếu trạng thái tại giờ hiện tại chỉ phụ thuộc vào trạng thái của 1 giờ trước đó

ta có mô hình Markov bậc nhất, nếu trạng thái tại giờ hiện tại phụ thuộc vào trạng thái của 2 giờ trước đó ta có mô hình Markov bậc hai v.v

Nfaoui et al (2002) [17] sử dụng mô phỏng chuỗi Markov bậc nhất với số trạng thái bằng 12 để mô phỏng tốc độ gió trung bình theo giờ ở Tangiers, Moroco

Shamshad et al (2003) [21] áp dụng cả hai lọai mô phỏng chuỗi Markov bậc nhất và bậc 2 để mô phỏng tốc độ gió trung bình theo giờ ở Malaysia, kết quả khảo sát của tác giả cho thấy mô phỏng chuỗi Markov bậc 2 cho kết quả tốt hơn một chút so với bậc nhất đồng thời mô hình cũng chỉ cho kết quả tốt khi chuỗi số liệu đã được lọai hết các giá trị không ổn định theo mùa và theo ngày

1.4.4 Xây dựng mô hình chung để mô phỏng tốc độ gió từng giờ cho

những địa điểm không có số liệu chi tiết quan sát :

Phần lớn các mô hình nêu ở mục 1.4.2, 1.4.3 nói trên đều được xây dựng để phục vụ cho việc dự báo tốc độ gió ngắn hạn phục vụ cho việc vận hành các trạm phát điện gió,

vì vậy chúng chỉ đúng cho địa điểm khảo sát Trong thực tế mô phỏng việc thu thập các chuỗi số liệu quan sát theo từng giờ trong một thời gian dài tại một địa điểm nào đó là hêt sức khó khăn Vấn đề đặt ra là phải có các mô hình chung cho phép mô phỏng trên

cơ sở các số liệu đầu vào đơn giản hơn

Cho đến nay có hai cách tiếp cận cơ bản:

1) Sử dụng phương pháp mô phỏng Monte Carlo thuần tuý, dựa trên giả thuyết là chuỗi số liệu tốc độ gió tuân theo phân bố Weibull, người ta xây dựng các bản đồ cho phép xác định hệ số hình dạng của phân bố tại từng vùng cụ thể Khi đã có số liệu về hệ số hình dạng, có thể mô phỏng Monte Carlo chuỗi số liệu tốc độ gió từng giờ với số liệu đầu vào là giá trị trung bình tháng

Phương pháp này được sử dụng khá phổ biến, theo đó người ta xây dựng các bản đồ gió (Wind Atlas) có thể áp dụng cho từng vùng rộng lớn, ví dụ như ở châu Âu (Troen và Petersen, 1989) [3], ở Algeria (Messaoudi et al, 2004) [16] , ở Thổ Nhĩ

Kỳ (Akpinar, 2004) [1]

2) Phương pháp xây dựng mô hình Box-Jenkins chung: trên cơ sở khảo sát chuỗi số liệu của 10 địa điểm khác nhau ở Australia, Nguyễn Thế Bảo (1996) [20] đề xuất phương pháp xây dựng mô hình chung (common model) có thể áp dụng cho nhiều địa điểm trong điều kiện chỉ có số liệu đầu vào là các giá trị trung bình theo tháng Các bước mô phỏng được thực hiện như sau:

- Xây dựng mô hình Hồi quy tự động (Autoregressive) bậc 2 AR(2) cho các địa điểm khác nhau Lấy trung bình giá trị các tham số của các mô hình này để có một mô hình AR(2) mang tính đại diện

- Khi chạy chương trình mô phỏng, bước đầu tiên là tạo ra chuỗi số liệu U*(t) có phân bố chuẩn với trung bình bằng 0 và độ lệch chuẩn εt thông qua mô hình AR(2) đại diện đã có

- Thực hiện phép biến đổi ngược (destandardizing) để đưa chuỗi U*(t) thành chuỗi U’(t):

m m

t U t

- σ và μ là độ lệch chuẩn và trung bình tốc độ gió trong tháng Trong đó độ lệch chuẩn σ được xác định dựa vào công thức thực nghiệm có được trên cơ sở khảo sát các chuỗi số liệu:

yr

σμ

σ =0,948+0,2003 −0,0501

- Với σyr là độ lệch chuẩn của số liệu gió cả năm

- m là trung bình số mũ biến đổi có được bằng cách tra bảng theo μ

- Xác định hệ số hình dạng k của phân bố Weibull từ các giá trị σ và μ bằng phương pháp đồ thị

- Xác định lại số mũ biến đổi m = k/3,6 và thực hiện biến đổi chuỗi U’(t) thành chuỗi U(t) có phân bố Weibull

1.4.5 Nhận xét về khả năng áp dụng các phương pháp hiện có

Việc khảo sát tài liệu cho thấy, có ba cách tiếp cận cơ bản có thể áp dụng để xây dựng

mô hình mô phỏng tạo ra số liệu tốc độ gió theo giờ từ số liệu trung bình tháng cho cả một vùng địa lý:

- Mô phỏng Monte Carlo thuần tuý: Giả thiết một dạng phân bố xác suất của cả vùng, khảo sát số liệu để xây dựng bản đồ gió cho phép xác định các thông số của phân bố xác suất, từ đó cho phép mô phỏng chuỗi số liệu tốc độ gió từng giờ khi biết tốc độ trung bình tháng Phương pháp này đòi hỏi phải có cơ sở dữ liệu lớn, mặt khác nó không mô phỏng được đặc tính tự tương quan của số liệu tốc

độ gió theo giờ, vì vậy chuỗi số liệu mô phỏng không đảm bảo tính tin cậy cần thiết

- Khảo sát các chuỗi số liệu quan sát từng giờ hiện có để rút ra một “thư viện” các

ma trận Markov theo từng dải giá trị tốc độ trung bình tháng Phương pháp này đòi hỏi phải có dữ liệu quan sát trong thời gian dài, tại nhiều địa điểm, không thể thực hiện được trong điều kiện số liệu hiện tại

- Xây dựng mô hình Box-Jenkins cho các địa điểm đã có số liệu quan sát từng giờ, từ đó rút ra mô hình chung cho cả vùng Đây là cách mà TS Bảo [20] sử dụng khi xây dựng mô hình chung tại Australia Phương pháp này có ưu điểm là cho phép xây dựng mô hình trong điều kiện số liệu hạn chế hơn đồng thời mô phỏng được cả đặc tính tự tương quan của số liệu tốc độ gió, vì vậy nó sẽ được lựa chọn để xây dựng mô hình trong điều kiện số liệu hiện tại

Mô hình của TS Bảo có thể biểu diễn như sau:

( ) ( )

[ m] m

th

m th t

Việc áp dụng trực tiếp quy trình mô hình hóa và mô phỏng của TS Bảo vào điều kiện Việt Nam gặp các khó khăn cơ bản:

- Công thức xác định độ lệch chuẩn của chuỗi số liệu sau khi biến đổi bằng phương pháp mũ hóa theo độ lệch chuẩn của chuỗi số liệu chưa biến đổi

( )σ m

σ' = không hoàn toàn đúng với số liệu tại Việt Nam

- Mô hình chưa mô phỏng được yếu tố biến đổi có quy luật chu kỳ ngày của chuỗi

số liệu tốc độ gió

- Để xác định độ lệch chuẩn của chuỗi số liệu hàng tháng σ cần biết cả độ lệch chuẩn của số liệu gió cả năm σyr Trong điều kiện số liệu hạn chế tại nước ta, rất khó xác định giá trị σyr

- Phương pháp chỉ phù hợp nếu các chuỗi số liệu gió hàng tháng thực sự có phân

bố Weibull trong khi việc khảo sát số liệu cho thấy phân bố tốc độ gió thực tế không phải là phân bố Weibull

Trong phạm vi nghiên cứu của đề tài này, chúng tôi cố gắng xử lý các khó khăn nêu trên để áp dụng vào việc khảo sát các chuỗi số liệu hiện có nhằm xây dựng một mô hình chung áp dụng được cho bài toán mô phỏng số liệu tốc độ gió tại khu vực thành phố Hồ Chí Minh và các tỉnh Nam bộ

CHƯƠNG 2 – PHƯƠNG PHÁP XÂY DỰNG MÔ HÌNH

2.1 Nguyên lý xây dựng mô hình

Mô hình được xây dựng theo hai bước cơ bản:

- Phân tích các chuỗi số liệu hiện có bằng phương pháp mô hình hóa thống kê tuyến tính của Brown et al (1984) [6] như đã trình bày ở mục 1.4.2(3)

- Trên cơ sở phân tích các mô hình được xây dựng từ các chuỗi số liệu quan sát, rút ra một mô hình chung đại diện cho toàn vùng khí hậu đã chọn Mô hình này được xây dựng trên cơ sở mô hình mà Brown et al đã đề xuất, giá trị các tham

số của mô hình không phụ thuộc vào địa điểm khảo sát mà được thể hiện ở một trong hai dạng:

1 ) Giá trị tham số không phụ thuộc vào tốc độ trung bình tháng mà là trung bình các giá trị tham số tại các địa điểm quan sát số liệu Giá trị các tham

số của mô hình ARMA, giá trị của thành phần đặc trưng cho quy luật biến đổi theo chu kỳ hàng ngày của tốc độ gió được xây dựng theo dạng này

2 ) Giá trị tham số là hàm số của tốc độ trung bình tháng, hàm số này sẽ được xác định bằng phương pháp hồi quy tuyến tính dưa trên kết quả khảo sát số liệu đo đạc Số mũ chuẩn hoá, độ lệch chuẩn của chuỗi số liệu được xác định theo dạng này

2.2 Dữ liệu phục vụ xây dựng mô hình

Dữ liệu dùng làm cơ sở để xây dựng mô hình bao gồm:

- Số liệu gió từng giờ cả năm 2004 tại trạm khí tượng Nhà Bè do Trạm khí tượng thủy văn khu vực Nam Bộ cung cấp

- Số liệu gió từng giờ 9 tháng đầu năm 1993 tại trạm phát điện gió Cần Thạnh, Cần Giờ (vì nhiều lý do, trạm này chỉ vận hành trong chín tháng đầu năm 1993 rồi không tiếp tục hoạt động)

Số liệu được đo ở độ cao 10 m bằng máy đo tự động với tần suất 10 phút/lần, lấy trung bình theo từng giờ

Số liệu tốc độ gió tại từng địa điểm được xử lý sơ bộ, lưu dưới dạng file Excel:

- Các giá trị bị thiếu được thay bằng ký hiệu NaN (not a number) hoặc -999

- Số liệu tại một địa điểm được lưu trong một bảng tính, mỗi cột một tháng

Các file dữ liệu được tải vào môi trường Matlab để xử lý

Bảng 2 1 : Đặc trưng thống kê của tốc độ gió tại trạm quan trắc Nhà bè năm 2004

Tháng

Trung bình (m/s)

Trung

vị (m/s)

Tốc độ max (m/s)

Độ lệch chuẩn (m/s)

Trung

vị (m/s)

Tốc độ max (m/s)

Độ lệch chuẩn (m/s)

Tháng

Trung bình (m/s)

Trung

vị (m/s)

Tốc độ max (m/s)

Độ lệch chuẩn (m/s)

h h t

t U

Trong đó:

- Ut : chuỗi số liệu tốc độ gió theo giờ của từng tháng

- U t*: chuỗi số liệu tạo ra bằng mô hình ARMA

- μh’và σh’: Chuỗi số biến đổi theo chu kỳ 24 h, đặc trưng cho giá trị trung bình

và độ lệch chuẩn của thành phần biến đổi theo chu kỳ ngày của chuỗi số liệu đã được chuẩn hoá Các chuỗi số này được đặc trưng bởi vec tơ có 24 phần tử

μ xác định từ vec tơ trung bình giờ của chuỗi số liệu quan sát μh và số

mũ chuẩn hoá qua quan hệ:

( )m h

h μ

μ' =