Xây dựng mô hình mạng nơron nhân tạo dự báo năng lượng bức xạ mặt trời tại nhà máy điện mặt trời mộ đức quảng ngãi

Lượng điện năng tiêu thụ đã tăng đáng kể trong những thập kỷ gần đây Năng lượng truyền thống chẳng hạn như dầu than và hạt nhân có tác động tiêu cực đến môi trường Vì những lý do này các nhà nghiên cứu đã chuyển hướng sang các nguồn tái tạo như năng lượng mặt trời gió và biển Năng lượng tái tạo có đặc điểm là nguồn năng lượng sạch và bền vững Sản lượng năng lượng mặt trời đã tăng đáng kể trong các năm qua Tuy nhiên điện năng được sản xuất bởi hệ thống quang điện không ổn định gây ảnh hưởng đến độ tin cậy cung cấp điện Bởi vì năng lượng bức xạ mặt trời phụ thuộc vào vị trí điều kiện thời tiết như nhiệt độ độ ẩm ánh nắng mặt trời đặc biệt là cấu trúc đám mây và chu kỳ ngày đêm Đề tài này nghiên cứu tính khả thi trong việc xây dựng mô hình mạng nơron nhân tạo ANN để dự báo năng lượng bức xạ mặt trời Vị trí nghiên cứu là nhà máy điện mặt trời Mộ Đức Quảng Ngãi Mô hình ANN được lựa chọn để nghiên cứu là mạng nơron truyền thẳng 4 lớp được huấn luyện bởi thuật toán Levenberg Marquardt LM Các tham số đầu vào huấn luyện mạng là ngày tháng các thông số vị trí địa lý và khí tượng được thu thập tại nơi thực hiện

NGÔ HỒNG HÂN

XÂY DỰNG MÔ HÌNH MẠNG NƠRON NHÂN TẠO

DỰ BÁO NĂNG LƯỢNG BỨC XẠ MẶT TRỜI TẠI NHÀ MÁY

ĐIỆN MẶT TRỜI MỘ ĐỨC, QUẢNG NGÃI

LUẬN VĂN THẠC SĨ

KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA

Đà Nẵng – Năm 2018

NGÔ HỒNG HÂN

XÂY DỰNG MÔ HÌNH MẠNG NƠRON NHÂN TẠO

DỰ BÁO NĂNG LƯỢNG BỨC XẠ MẶT TRỜI TẠI NHÀ MÁY

ĐIỆN MẶT TRỜI MỘ ĐỨC, QUẢNG NGÃI

Chuyên ngành: Kỹ thuật Điều khiển và Tự động hóa

Mã số: 8520216

LUẬN VĂN THẠC SĨ

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1 Tiến sĩ Nguyễn Quốc Định

Đà Nẵng – Năm 2018

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi dưới sự hướng dẫn

của Tiến sĩ Nguyễn Quốc Định – Giảng viên bộ môn Tự động hóa, khoa Điện, trường

Đại học Bách khoa Đà Nẵng Các số liệu, kết quả nêu trong luận văn là trung thực và là

sản phẩm của riêng cá nhân, không sao chép của người khác Nội dung của luận văn có

tham khảo và sử dụng một số thông tin, tài liệu từ các nguồn sách, tạp chí được liệt kê

trong danh mục các tài liệu tham khảo

Tác giả luận văn

Ngô Hồng Hân

LỜI CẢM ƠN

Được sự phân công của Trường Đại học Bách khoa Đà Nẵng và sự đồng ý của

thầy hướng dẫn, Tiến sĩ Nguyễn Quốc Định, em đã thực hiện đề tài: “Xây dựng mô

hình mạng nơron nhân tạo dự báo năng lượng bức xạ mặt trời tại nhà máy điện mặt

trời Mộ Đức, Quảng Ngãi”

Để hoàn thành luận văn này, em xin chân thành cảm ơn các thầy cô giáo đã tận

tình giảng dạy, hướng dẫn, truyền đạt cho em nhiều kiến thức quý giá trong suốt quá

trình học tập, nghiên cứu và rèn luyện, đặc biệt là các thầy cô trong bộ môn Tự động

hóa – khoa Điện – trường Đại học Bách khoa Đà Nẵng

Em xin tỏ lòng biết ơn sâu sắc đến thầy hướng dẫn, Tiến sĩ Nguyễn Quốc Định, đã

tận tình giúp đỡ và truyền đạt nhiều kinh nghiệm để em thực hiện luận văn này

Em xin chân thành cảm ơn các thành viên trong gia đình, đồng nghiệp, bạn bè luôn

hỗ trợ, động viên em trong suốt quá trình hoàn thiện đề tài

Em xin chân thành cảm ơn!

Đà Nẵng, ngày tháng năm 2018

Học viên

Ngô Hồng Hân

MỤC LỤC

Lời cam đoan……… i

Tóm tắt luận văn………v

Danh mục từ viết tắt……….……… vi

Danh mục các hình…… ………vii

Danh mục các bảng……….viii

MỞ ĐẦU ……… 1

CHƯƠNG I: TỔNG QUAN VỀ NĂNG LƯỢNG BỨC XẠ MẶT TRỜI VÀ CÁC ỨNG DỤNG 4

1.1 Năng lượng bức xạ mặt trời 4

1.2 Ứng dụng của năng lượng bức xạ mặt trời 6

1.2.1 Các ứng dụng năng lượng bức xạ mặt trời 6

1.2.2 Ứng dụng trong quang điện mặt trời 8

1.3 Tiềm năng của năng lượng mặt trời tại Việt Nam 13

1.4 Tổng quan nhà máy điện mặt trời Mộ Đức, Quảng Ngãi [4] 15

1.4.1 Giới thiệu chung 15

1.4.2 Điều kiện khí hậu 15

1.4.3 Điều kiện địa hình 15

1.4.4 Đặc điểm khí tượng 15

1.4.5 Nguồn quang năng 16

1.4.6 Số giờ nắng bình quân từ năm 2010 đến năm 2017 17

1.4.7 Phương án công nghệ của nhà máy điện mặt trời Thiên Tân 17

1.4.8 Mô hình kết lưới của nhà máy 18

1.5 Sự cần thiết phải dự báo năng lượng bức xạ mặt trời cho nhà máy quang điện 19

CHƯƠNG II: TỔNG QUAN CÁC PHƯƠNG PHÁP DỰ BÁO NĂNG LƯỢNG BỨC XẠ MẶT TRỜI 21

2.1 Các mô hình dự báo 21

2.1.1 Mô hình vật lý khí quyển 21

2.1.2 Mô hình thống kê theo chuỗi thời gian 21

2.2 Tổng quan về các công trình sử dụng hệ thống ANN dự báo năng lượng bức xạ mặt trời đã công bố 23

2.3 Sự cần thiết phải xây dựng mô hình ANN mới để dự báo năng lượng bức xạ

mặt trời cho nhà máy quang điện Mộ Đức 27

CHƯƠNG III: XÂY DỰNG MÔ HÌNH MẠNG NƠRON NHÂN TẠO DỰ BÁO NĂNG LƯỢNG BỨC XẠ MẶT TRỜI 28

3.1 Lý thuyết mạng nơron nhân tạo 28

3.1.1 Giới thiệu 28

3.1.2 Nơron nhân tạo 29

3.1.3 Các loại mạng nơron nhân tạo thường gặp 31

3.1.4 Các phương pháp huấn luyện mạng nơron nhân tạo 32

3.1.5 Thuật toán huấn luyện lan truyền ngược 34

3.1.6 Thuật toán Levenberg – Marquardt 35

3.1.7 Vấn đề “quá khớp” (overfitting) 36

3.2 Xây dựng mô hình mạng ANN dự báo bức xạ mặt trời tại nhà máy điện mặt trời Mộ Đức, Quảng Ngãi 37

3.2.1 Xác định dữ liệu cho mô hình ANN 37

3.2.2 Lựa chọn cấu trúc mạng nơron nhân tạo dự báo bức xạ mặt trời tại nhà máy điện mặt trời Mộ Đức, Quảng Ngãi 39

3.2.3 Thuật toán huấn luyện mạng 40

3.2.4 Chỉ tiêu đánh giá 40

CHƯƠNG IV: MÔ PHỎNG VÀ KẾT QUẢ 42

4.1 Xây dựng chương trình lựa chọn mô hình ANN tối ưu 42

4.1.1 Lựa chọn cấu trúc mô hình ANN 42

4.1.2 Dữ liệu đầu vào 43

4.1.3 Huấn luyện mạng 44

4.1.4 Chỉ tiêu đánh giá 44

4.1.5 Thực nghiệm lựa chọn mô hình 44

4.2 Kết quả thực nghiệm 47

4.3 Nhận xét 52

KẾT LUẬN VÀ KIẾN NGHỊ……… 53

Danh mục tài liệu tham khảo……… 55

Phụ lục……… 58

Quyết định giao đề tài luận văn, biên bản, nhận xét….……… 108

XÂY DỰNG MÔ HÌNH MẠNG NƠRON NHÂN TẠO DỰ BÁO

NĂNG LƯỢNG BỨC XẠ MẶT TRỜI TẠI NHÀ MÁY ĐIỆN MẶT TRỜI

MỘ ĐỨC, QUẢNG NGÃI

Học viên: Ngô Hồng Hân Chuyên ngành: Kỹ thuật Điều khiển và Tự động hóa

Mã số: Khóa: K34.TĐH.QNg Trường Đại học Bách khoa - ĐHĐN

Tóm tắt – Lượng điện năng tiêu thụ đã tăng đáng kể trong những thập kỷ gần đây Năng

lượng truyền thống, chẳng hạn như dầu, than và hạt nhân có tác động tiêu cực đến môi trường

Vì những lý do này, các nhà nghiên cứu đã chuyển hướng sang các nguồn tái tạo như năng lượng mặt trời, gió và biển Năng lượng tái tạo có đặc điểm là nguồn năng lượng sạch và bền vững Sản lượng năng lượng mặt trời đã tăng đáng kể trong các năm qua

Tuy nhiên, điện năng được sản xuất bởi hệ thống quang điện không ổn định, gây ảnh hưởng đến độ tin cậy cung cấp điện Bởi vì năng lượng bức xạ mặt trời phụ thuộc vào vị trí, điều kiện thời tiết như nhiệt độ, độ ẩm, ánh nắng mặt trời đặc biệt là cấu trúc đám mây và chu

kỳ ngày/đêm

Đề tài này nghiên cứu tính khả thi trong việc xây dựng mô hình mạng nơron nhân tạo (ANN) để dự báo năng lượng bức xạ mặt trời Vị trí nghiên cứu là nhà máy điện mặt trời Mộ Đức, Quảng Ngãi Mô hình ANN được lựa chọn để nghiên cứu là mạng nơron truyền thẳng 4 lớp được huấn luyện bởi thuật toán Levenberg-Marquardt (LM) Các tham số đầu vào huấn luyện mạng là ngày, tháng, các thông số vị trí địa lý và khí tượng được thu thập tại nơi thực hiện

Từ khóa – Bức xạ mặt trời, mô hình dự báo, Năng lượng mặt trời, mạng nơron nhân tạo,

MAPE

BUILDING ARTIFICIAL NEURAL NETWORK MODEL TO FORECAST SOLAR RADIATION AT MO DUC, QUANG NGAI SOLAR POWER PLANT

Abstract - Electricity consumption has significantly increased in recent decades

Traditional energy, such as fossil fuel or nuclear power has negative impacts on the environment For these reasons, researchers have turned to renewable sources such as solar, wind and marine energy Renewable energy is characterized as clean and sustainable one Solar energy production has dramatically increased over the years

However, electricity produced by the photovoltaic system is unstable, affecting the reliability of the power providing That is because solar radiation hight depends on location, weather conditions such as temperature, humidity, sunshine especially cloud structure and day/night cycles

This topic explores the feasibility of constructing an artificial neural network (ANN) model for predicting solar radiation The research location is Mo Duc, Quang Ngai solar power plant The ANN model selected for study was a 4-layer feedforward neural network trained with the Levenberg-Marquardt (LM) algorithm The network inputs parameters are the date, location and meteorological parameters collected at the place of implementation

Key words - Solar irradiance, forecast models, Artificial Neural Network, Solar

Radiation, Mean Absolute Percentage Error.

DANH MỤC CÁC TỪ VIẾT TẮT

ANN Mạng nơron nhân tạo (Artificial Neural Network)

CSP Nhà máy nhiệt điện NLMT (Concentrated solar power)

MAE Sai số tuyệt đối trung bình (Mean Absolute Error),

MAPE Sai số phần trăm tuyệt đối trung bình (Mean Absolute

Percentage Error),

NWP Mô hình dự báo số trị (Numerical Weather Prediction) OPF Tối ưu trào lưu công suất (Optimal Power Flow)

r Hệ số tương quan (Correlation coefficient)

RMSE Sai số bình phương trung bình quân phương (Root mean

DANH MỤC CÁC HÌNH

Hình I -1: Dải bức xạ điện từ 4

Hình I-2: Quá trình truyền năng lượng bức xạ mặt trời qua lớp khí quyển trái đất 6

Hình I-3: Máy nước nóng NLMT 7

Hình I-4: Bếp nấu NLMT 7

Hình I-5: Nhà máy nhiệt điện NLMT (Concentrated solar power: CSP) 8

Hình I -6: Công suất điện mặt trời toàn thế giới và bổ sung hàng năm từ 2007 – 2017 9 Hình I -7: Hệ hai mức năng lượng 9

Hình I-8: Các vùng năng lượng 10

Hình I-9: Cấu tạo một pin quang điện 11

Hình I-10: Mô hình kết lưới của hệ thống quang điện 12

Hình I-11: Bản đồ bức xạ ngang trung bình ngày trong năm tại Việt Nam [3] 14

Hình II-1 Mối quan hệ giữa RMSE, MAPE, r với số lượng nơron khác nhau với đầu vào là độ che phủ mây 26

Hình III-1: Tế bào nơron sinh học 28

Hình III-2: Tế bào nơron nhân tạo 29

Hình III-3: Hàm nấc Hình III-4: Hàm dấu 30

Hình III-5: Hàm dốc bão hòa Hình III-6: Hàm tuyến tính bão hòa 30

Hình III-7: Hàm S dạng đơn cực Hình III-8: Hàm S dạng lưỡng cực 30

Hình III-9: Mạng nơron truyền thẳng một lớp 31

Hình III-10: Mạng nơron truyền thẳng nhiều lớp 31

Hình III-11: Mạng nơron hồi quy một lớp 31

Hình III-12: Mạng nơron hồi quy nhiều lớp 32

Hình III-13: Học có giám sát 32

Hình III-14: Học cũng cố 33

Hình III-15: Học không có giám sát 33

Hình III-16: Sơ đồ tổng quát huấn luyện một tế bào nơron nhân tạo 34

Hình III-17: Mặt bằng nhà máy điện mặt trời Thiên Tân, Mộ Đức, Quảng Ngãi 37

Hình III-18: Cấu trúc ANN 4 lớp tổng quát 39

Hình IV-1: Sơ đồ xây dựng mô hình ANN dự báo năng lượng mặt trời 42

Hình IV-2: Cấu trúc mô hình ANN dự báo năng lượng mặt trời trong Matlab 43

Hình IV-3: Thuật toán thực hiện dự báo năng lượng bức xạ mặt trời 45

Hình IV-4: Quá trình huấn luyện mô hình ANN 45

Hình IV-5: Đồ thị hàm mục tiêu (MSE) 46

Hình IV-6: Biểu đồ hồi quy giữa giá trị dự báo và thực tế 47

Hình IV-7: Mô hình ANN tối ưu 48

Hình IV-8: Hình kết quả thực nghiệm 51

Hình IV-9: Đồ thị giữa dữ liệu dự báo và quan trắc 51

DANH MỤC CÁC BẢNG

Bảng I-1: Tổng bức xạ GHI trung bình tại khu vực dự án 16

Bảng I-2: Số giờ nắng trung bình hàng tháng tại khu vực dự án 17

Bảng I-3: Thông số kỹ thuật module quang điện của nhà máy 18

Bảng I-4: Thông số kỹ thuật bộ biến đổi điện DC/AC (inverter) của nhà máy 18

Bảng II-1: Các tham số đầu vào mô hình ANN và độ chính xác [5] 25

Bảng III-1: Một số thuật toán tối ưu 35

Bảng IV-1: Kết quả tính toán các chỉ tiêu đánh giá mô hình (rút gọn) 48

MỞ ĐẦU

1 LÝ DO CHỌN ĐỀ TÀI

Lượng điện năng tiêu thụ ở Việt Nam nói chung, tại Quảng Ngãi nói riêng ngày một tăng lên do nhu cầu sử dụng điện phục vụ cho các mục đích sinh hoạt, thương mại dịch vụ và sản xuất công nghiệp ngày càng cao Sản lượng điện tiêu thụ tại Quảng Ngãi năm 2015 là 825 triệu kWh, năm 2016 là 922 triệu kWh, năm 2017 là 1.012 triệu kWh; tăng trung bình khoảng 11%/ năm (Báo cáo kinh doanh – Công ty Điện lực Quảng Ngãi các năm) Sắp đến, các nhà máy mới tại các khu Kinh tế Dung Quất, khu công nghiệp VISP… tại Quảng Ngãi tiếp tục được xây dựng và đưa vào sử dụng, dẫn đến nhu cầu về nguồn điện là cực kỳ bức bách

Trong khi đó, các nguồn nhiên liệu hóa thạch dự trữ như than đá, dầu mỏ, khí thiên nhiên và ngay cả thủy điện điều có hạn, khiến cho cả nước đứng trước nguy cơ thiếu hụt nguồn điện Hơn nữa, các nguồn năng lượng nêu trên gây tác động tiêu cực đến môi trường Vì vậy, các nguồn năng lượng tái tạo như năng lượng mặt trời, gió, địa nhiệt, thủy triều… là những nguồn năng lượng mới cần được quan tâm phát triển Đặc biệt là

nguồn NLMT được xem như là dạng năng lượng ưu việt trong tương lai, đó là nguồn

năng lượng sẵn có, siêu sạch và miễn phí Do vậy NLMT ngày càng được sử dụng rộng

rãi ở các nước trên thế giới và Việt Nam

Khác với các nguồn điện truyền thống, công suất phát của nguồn điện sản xuất từ NLMT không ổn định Các nhà máy điện mặt trời không phải lúc nào cũng đáp ứng được nhu cầu của phụ tải Điều này là do bức xạ mặt trời phụ thuộc rất nhiều vào vị trí địa lý và điều kiện thời tiết của từng khu vực khác nhau như nhiệt độ, độ ẩm không khí, thời gian nắng… đặc biệt là độ che phủ mây và chu kỳ ngày/đêm Mây làm giảm đáng

kể bức xạ mặt trời đến mặt đất, ban đêm không có ánh sáng mặt trời nên sản lượng của

hệ thống điện sử dụng năng lượng mặt trời cũng giảm theo Cách phổ biến nhất để thu thập dữ liệu bức xạ mặt trời là đo tại các trạm khí tượng hoặc qua vệ tinh Tuy nhiên, vấn đề chi phí trang thiết bị cho các trạm quan trắc rất cao nên khó có thể triển khai lắp đặt rộng rãi ở nhiều nơi

Hiện nay, nguồn điện chủ yếu được sản xuất tập trung, điện được truyền tải từ các nhà máy điện lớn, phân phối đến người tiêu thụ Với sự phát triển của các nguồn điện

sử dụng năng lượng tái tạo, số nguồn điện nhỏ lẻ dự kiến sẽ tăng đáng kể (ví dụ nguồn điện mặt trời áp mái) Thử thách đối với các nguồn điện phân tán, nhỏ lẻ là phải đồng

bộ để hòa lưới điện quốc gia nhằm đảm bảo tính liên tục và độ tin cậy trong cung cấp điện Vì vậy, công tác dự báo công suất nguồn, phụ tải và công tác quản lý huy động các nguồn điện khác nhau là rất quan trọng, cần có các công cụ hỗ trợ hiệu quả hơn

Để đảm bảo sản lượng điện phát ra tối đa, đáp ứng tốt nhu cầu phụ tải trong khi vẫn duy trì độ tin cậy trong cung cấp điện là thách thức lớn nhất đối với các nhà máy điện mặt trời Công tác dự báo các thông số về năng lượng bức xạ mặt trời, công suất

nguồn, công suất phụ tải trong tương lai một cách chính xác là rất cần thiết Do đó, để xây dựng các nhà máy điện mặt trời yêu cầu phải có đánh giá chính xác tiềm năng cũng như dự báo tốt NLMT, từ đó dự báo được sản lượng điện sản xuất được để có kế hoạch tốt nhất trong việc huy động nguồn điện đáp ứng nhu cầu sử dụng

Bên cạnh đó, dự báo được năng lượng mặt trời trong nhiều thời điểm đóng một vai trò quan trọng trong quản lý các thiết bị dự trữ nguồn (các tổ ăc quy), các hệ thống điều khiển của các nhà máy điện mặt trời Nó cho phép các Công ty phân phối điện điều chỉnh phụ tải để tối ưu hóa việc truyền tải điện năng, phân bổ điện năng một cách cân bằng, hợp lý từ các nguồn khác nhau nếu không có NLMT; lập kế hoạch huy động nguồn điện, lập kế hoạch cho các công tác duy tu, bảo dưỡng tại các nhà máy và thực hiện các giải pháp cần thiết để tránh sự cố

Các phương pháp dự báo NLMT chính xác nâng cao chất lượng của nguồn điện phát ra lưới điện và giảm các chi phí phát sinh do các yếu tố thời tiết gây ra cho nhà máy điện mặt trời Hai nhân tố này là động lực chính cho các nghiên cứu về các phương pháp

dự báo bức xạ mặt trời

Đề tài này nghiên cứu tính khả thi trong việc xây dựng mô hình mạng nơron nhân tạo (ANN) để dự báo năng lượng bức xạ mặt trời Địa điểm được chọn để nghiên cứu là nơi xây dựng nhà máy điện mặt trời Mộ Đức, Quảng Ngãi Mô hình ANN được lựa chọn

để nghiên cứu là mạng nơron truyền thẳng 4 lớp được huấn luyện bởi thuật toán Levenberg-Marquardt (LM) Các tham số đầu vào huấn luyện mạng là ngày, tháng, các thông số vị trí địa lý và khí tượng được thu thập tại nơi thực hiện

Luận văn chọn đề tài: “Xây dựng mô hình mạng nơron nhân tạo dự báo năng

lượng bức xạ mặt trời tại nhà máy điện mặt trời Mộ Đức, Quảng Ngãi” nhằm mục

đích xây dựng các mô hình mạng nơron nhân tạo với số lượng nơron trong các lớp ẩn khác nhau Qua đó đánh giá các chỉ số MAE (Mean Absolute Error), RMSE (Root Mean Squared Error), MAPE (Mean Absolute Percentage Error), hệ số tương quan (r) của từng mô hình nhằm lựa chọn mô hình tốt nhất để sử dụng cho việc dự báo năng lượng bức xạ mặt trời tại địa điểm đã chọn

2 MỤC ĐÍCH NGHIÊN CỨU

Nắm bắt tổng quan về bức xạ mặt trời và ứng dụng vào nhà máy điện mặt trời Mộ Đức, Quảng Ngãi (quang điện)

Xây dựng mô hình mạng nơron dự báo năng lượng bức xạ mặt trời với các tham

số thay đổi (cấu trúc mạng và số lượng nơron thay đổi)

Đánh giá các chỉ số MAE, RMSE, MAPE…, so sánh số liệu dự báo và quan trắc thực tế để lựa chọn mô hình tốt nhất cho việc dự báo năng lượng bức xạ mặt trời

Mô phỏng trên phần mềm Matlab 2014b sử dụng mạng nơron truyền thẳng 4 lớp được huấn luyện bởi thuật toán LM

3 ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU

- Đối tượng nghiên cứu: Các mô hình mạng nơron truyền thẳng 4 lớp được huấn

luyện bởi thuật toán LM với số lượng nơron trong các lớp ẩn thay đổi để dự báo năng lượng bức xạ mặt trời

- Phạm vi nghiên cứu: Lựa chọn mô hình tốt nhất để dự báo năng lượng bức xạ tại nhà máy điện mặt trời Mộ Đức, Quảng Ngãi

4 PHƯƠNG PHÁP NGHIÊN CỨU

Để giải quyết các mục tiêu nêu trên, luận văn đưa ra phương pháp nghiên cứu như sau:

- Phương pháp nghiên cứu lý thuyết:

+ Nghiên cứu lý thuyết về bức xạ mặt trời và ứng dụng vào nhà máy quang điện + Nghiên cứu lý thuyết về mạng nơron nhân tạo

+ Nghiên cứu các mô hình mạng nơron nhân tạo đã áp dụng vào dự báo năng lượng bức xạ mặt trời Đề xuất mô hình phù hợp

- Phương pháp thu thập thông tin: Tiến hành tập hợp, thu thập, tổng hợp các dữ liệu liên quan đến các đối tượng của đề tài như:

+ Bản đồ tổng lượng bức xạ mặt trời, cường độ bức xạ, các thông số thời tiết tại Quảng Ngãi

+ Các báo cáo khoa học liên quan

- Phương pháp thực nghiệm:

+ Sử dụng công cụ hỗ trợ trong phần mềm Matlab, đưa dữ liệu thu thập để tính toán và đánh giá kết quả với mô hình đề xuất

5 Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN CỦA ĐỀ TÀI

- Đề tài nghiên cứu thành công sẽ góp phần kiểm chứng và phát triển phương pháp

dự báo cường độ năng lượng bức xạ mặt trời, từ đó dự báo công suất phát tại nhà máy điện mặt trời Mộ Đức, Quảng Ngãi dựa vào các thông số địa lý, khí tượng bằng mạng nơron nhân tạo Ngoài ra, số lượng nơron và bộ trọng số tối ưu cho mỗi mô hình cũng được xét đến để cải thiện độ chính xác của mô hình nơron nhân tạo dự báo

- Đây sẽ là cơ sở để ứng dụng mạng nơron nhân tạo vào công tác dự báo năng lượng bức xạ mặt trời, công suất phát của các nhà máy điện mặt trời nói chung

6 CẤU TRÚC CỦA LUẬN VĂN

Ngoài phần mở đầu và kết luận chung, nội dung của đề tài được tổ chức thành 4 chương Bố cục của nội dung chính của luận văn như sau:

- Chương 1: Tổng quan về năng lượng bức xạ mặt trời và ứng dụng

- Chương 2: Tổng quan về các phương pháp dự báo năng lượng bức xạ mặt trời

- Chương 3: Xây dựng mô hình mạng nơron nhân tạo dự báo năng lượng bức xạ mặt trời

- Chương 4: Mô phỏng và kết quả

CHƯƠNG I: TỔNG QUAN VỀ NĂNG LƯỢNG BỨC XẠ MẶT TRỜI VÀ

CÁC ỨNG DỤNG 1.1 Năng lượng bức xạ mặt trời

Mặt trời là một ngôi sao gần trái đất nhất Nó là một quả cầu lửa khổng lồ, có đường kính khoảng 1.390.600 km (gấp 109 lần đường kính trái đất), thể tích 1,41.1018

km3, khối lượng khoảng 1.1030 kg (gấp hơn 330.000 lần trái đất) Mặt trời là một lò phản ứng hạt nhân khổng lồ, trung bình Mặt trời phát ra một công suất khoảng 3,865x1020

MW Mặt trời bức xạ liên tục lượng bức xạ khổng lồ ra xung quanh

Năng lượng bức xạ mặt trời là năng lượng của dòng bức xạ điện từ xuất phát từ mặt trời cộng với một phần nhỏ năng lượng từ các hạt nguyên tử khác phóng ra từ mặt trời

Trong toàn bộ bức xạ của mặt trời, bức xạ liên quan trực tiếp đến các phản ứng hạt nhân xảy ra trong nhân mặt trời không quá 3% Bức xạ 𝛾 ban đầu đi qua 5.105 km chiều dày của lớp vật chất mặt trời bị biến đổi mạnh Tất cả các dạng của bức xạ điện từ đều

có bản chất sóng và chúng khác nhau ở bước sóng Bức xạ 𝛾 có bước sóng ngắn nhất trong các sóng đó (Hình I-1), từ tâm mặt trời đi ra do sự va chạm hoặc tán xạ mà năng lượng của chúng giảm đi và bây giờ chúng ứng với bức xạ có bước sóng dài Như vậy bức xạ chuyển thành bức xạ Rơnghen có bước sóng dài hơn Gần đến bề mặt mặt trời nơi có nhiệt độ đủ thấp để có thể tồn tại vật chất ở trạng thái nguyên tử và biến đổi theo các cơ chế khác nhau

Đặc trưng của bức xạ mặt trời truyền trong không gian bên ngoài mặt trời là một phổ rộng trong đó cực đại của cường độ bức xạ nằm trong dải 0,1 – 10 μm, và hầu như một nửa tổng năng lượng mặt trời tập trung trong khoảng bước sóng 0,38 - 0,78 μm là vùng nhìn thấy của phổ [1]

ĐỘ DÀI BƯỚC SÓNG (μm)

Bức xạ nhiệt

Tia hồng ngoạiÁnh sáng trông thấy 0,38 – 0,78

Sóng ngắn Sóng dài25

Năng lượng mặt trời3

Hình I-1: Dải bức xạ điện từ [1]

Ở ngoài vũ trụ (ngoài tầng khí quyển quả đất) mật độ NLMT không đổi và bằng

Isc = 1.364 W/m2 được gọi là hằng số mặt trời Ngoài vũ trụ, bức xạ mặt trời chỉ có một thành phần là các tia mặt trời truyền thẳng gọi là trực xạ

Xung quanh Trái đất có lớp khí quyển dày khoảng H = 800 km chứa N2, O2, H2O,

CO2, NOx, H2, He, Ar, Ne, các hạt bụi Áp suất và khối lượng riêng của khí quyển giảm dần so với độ cao

Khi truyền qua lớp khí quyển bao bọc quanh Trái đất, các chùm tia bức xạ bị hấp thụ và tán xạ bởi tầng ozon, hơi nước và bụi trong khí quyển; chỉ một phần năng lượng bức xạ được truyền tới Trái đất Đầu tiên, các photon (xem bức xạ như các hạt rời rạc – photon) có bước sóng ngắn hơn 0,18 μm bị hấp thụ bởi các phân tử Oxy (O2) để phân

ly thành nguyên tử Oxy (O) Như vậy, các bức xạ có bước sóng ngắn hơn 0,18 μm bị hấp thụ hoàn toàn Chỉ một phần các nguyên tử O kết hợp với nhau để tạo lại thành phân

tử O2, còn đa số các nguyên tử O còn lại tương tác với phân tử O2 để tạo ra phân tử Ozon

O3 Ozon cũng hấp thụ năng lượng bức xạ nhưng với mức độ thấp hơn nguyên tử O2, dưới tác dụng của các photon có bước sóng ngắn hơn 0,32 μm, sự phân tách phân tử O3

thành O2 và O xảy ra Như vậy, hầu như năng lượng của bức xạ tử ngoại được dùng để duy trì quá trình phân ly và hợp nhất của O, O2, O3, đó là một quá trình ổn định Do quá trình này, khi đi qua khí quyển, hầu hết bức xạ tử ngoại bị hấp thu và biến đổi thành bức

xạ với năng lượng nhỏ hơn

Các bức xạ ứng có bước sóng ứng với vùng nhìn thấy và vùng hồng ngoại của phổ tương tác với các phân tử khí và các hạt bụi của không khí nhưng không phá vỡ được các liên kết của chúng Khi đó, các photon bị tán xạ đều theo mọi hướng và một số photon quay lại không gian vũ trụ Bức xạ có dạng tán xạ đó chủ yếu là bức xạ có bước sóng ngắn nhất Các giọt nước cũng tán xạ rất mạnh bức xạ mặt trời Bức xạ mặt trời khi đi qua khí quyển còn gặp một trở ngại đáng kể nữa là sự hấp thụ của các phần tử hơi nước, khí cacbonic và các hợp chất khác; mức độ của sự hấp thụ này phụ thuộc vào bước sóng, mạnh nhất ở giữa vùng hồng ngoại của phổ

Phần năng lượng bức xạ mặt trời truyền tới bề mặt trái đất trong những ngày quang đãng (không có mây) ở thời điểm cao nhất vào khoảng 1.000 W/m2 (Hình I-2)

Yếu tố cơ bản xác định cường độ của bức xạ mặt trời tại một điểm trên trái đất là quãng đường đi của nó Sự mất mát năng lượng trên quãng đường đó gắn liền với sự tán

xạ, hấp thụ bức xạ Do bị tán xạ nên tới mặt đất, bức xạ mặt trời có 2 thành phần là trực

xạ và nhiễu xạ Thành phần nhiễu xạ đến điểm quan sát trên mặt đất từ mọi hướng của bầu trời Tỷ lệ các thành phần phụ thuộc vào thời gian, vị trí địa lý và thời tiết Tổng hợp trực xạ và nhiễu xạ gọi là tổng xạ

Bức xạ mặt trời là nguồn năng lượng phong phú và dồi dào nhất trong tất cả các nguồn năng lượng có sẵn trong tự nhiên Nhờ nó mà chúng ta có thể nhìn thấy mọi vật cũng như nhờ sức nóng của nó mà con người bao đời qua có thể sưởi ấm, hong khô quần

áo, trồng cây, phơi lúa… Cho đến ngày nay khi mà nguồn tài nguyên năng lượng trên thế giới đang ngày càng cạn kiệt thì việc tìm giải pháp sử dụng nguồn năng lượng mặt trời là rất quan trọng Ánh sáng mặt trời luôn là nguồn năng lượng vô tận, nó mang đến cho chúng ra một nguồn năng lượng vô cùng lớn vượt xa suy nghĩ của con người Trong

mười phút truyền xạ, Trái Đất tiếp nhận 1 nguồn năng lượng xấp xỉ 5x1020 J Lượng này tương đương với năng lượng tiêu thụ trong vòng 1 năm của toàn thể nhân loại Hơn nữa, năng lượng mặt trời không phát sinh các loại khí thải gây ra hiệu ứng nhà kính và các loại khí ô nhiễm môi trường Nếu con người biết cách khai thác và sử dụng nguồn tài nguyên này như các dạng năng lượng hiện có của Trái Đất thì môi trường của chúng ta

sẽ được cải thiện rõ rệt

Hình I-2: Quá trình truyền năng lượng bức xạ mặt trời qua lớp khí quyển trái đất [1]

1.2 Ứng dụng của năng lượng bức xạ mặt trời

1.2.1 Các ứng dụng năng lượng bức xạ mặt trời

NLMT được biết đến và sử dụng từ rất sớm, chủ yếu bằng cách sử dụng trực tiếp còn việc ứng dụng NLMT trên quy mô rộng bằng các công nghệ, thiết bị thì được bắt đầu vào cuối thế kỷ 18, và thường tập trung tại nơi dồi dào NLMT hay vùng sa mạc Thế giới từ khi xảy ra khủng hoảng năng lượng cũng đã chuyển hướng quan tâm sang NLMT và đi đầu nghiên cứu là các nước công nghiệp phát triển

Ứng dụng từ NLMT bao gồm hai lĩnh vực cơ bản là điện năng và nhiệt năng Thứ nhất, năng lượng mặt trời được biến đổi trực tiếp thành điện năng nhờ các tế bào quang điện bán dẫn, hay còn gọi là pin mặt trời Các pin mặt trời sản xuất ra điện năng một cách liên tục chừng nào còn có bức xạ mặt trời chiếu tới Lĩnh vực thứ hai đó là sử dụng

1.353 W/m2

1.000 W/m2

năng lượng mặt trời dưới dạng nhiệt năng, ở đây, chúng ta dùng các thiết bị thu bức xạ nhiệt mặt trời và tích trữ nó dưới dạng nhiệt năng để dùng vào các mục đích khác nhau Thiết bị sử dụng NLMT hiện nay chủ yếu là hệ thống cung cấp điện dùng pin mặt trời (quang điện), và các hệ thống sử dụng NLMT dưới dạng nhiệt năng như hệ thống sấy, hệ thống bếp nấu có gương phản xạ, hệ thống cung cấp nước nóng, chưng cất nước

sử dụng NLMT, sử dụng NLMT để chạy động cơ nhiệt, để làm lạnh… [1]

Hình I-3: Máy nước nóng NLMT

Hình I-4: Bếp nấu NLMT

Hình I-5: Nhà máy nhiệt điện NLMT (Concentrated solar power: CSP)

Trong phạm vi đề tài, ta nghiên cứu ứng dụng NLMT vào các hệ thống quang điện mặt trời

1.2.2 Ứng dụng trong quang điện mặt trời

Năng lượng bức xạ mặt trời chuyển đổi thành điện một chiều DC nhờ vào hiệu ứng quang điện thông qua các tấm pin mặt trời Dòng điện một chiều sẽ được chuyển đổi thành dòng điện xoay chiều có cùng tần số với tần số lưới điện nhờ vào các bộ chuyển đổi DC/AC (Inverter) Lượng điện năng trên sẽ được sử dụng độc lập hoặc hòa vào lưới điện hiện có nhờ các máy biến áp nâng áp vào hệ thống truyền tải

Năm 1839, nhà vật lý Pháp Alexandre Edmond Becquerel phát hiện hiệu ứng quang – điện Năm 1883, pin năng lượng mặt trời đầu tiên được Charles Fritts (Mỹ) tạo thành bằng cách phủ lên mạch bán dẫn selen một lớp cực mỏng vàng để tạo nên điện cực Năm 1946, Russell Ohl đã tạo ra pin năng lượng mặt trời có hiệu suất 1% Năm

1954, tế bào quang điện đạt hiệu suất 6% được làm từ Silic (Phòng thí nghiệm Bell ở Mỹ) và Cu2S/CdS (Không quân Mỹ) Năm 1963, Sharp Corp (Nhật) đã sản xuất những tấm pin mặt trời tinh thể Silíc thương mại đầu tiên

Năm 2017 là bước ngoặt quan trọng của điện mặt trời: Thế giới đã bổ sung công suất điện từ NLMT lớn hơn so với năng lượng từ hóa thạch và hạt nhân cộng lại Điện mặt trời là nguồn năng lượng mới hàng đầu ở một số thị trường lớn như Trung Quốc,

Ấn Độ, Nhật Bản và Mỹ Có ít nhất 98 GWDC công suất điện mặt trời (độc lập và hòa

lưới) được bổ sung trên toàn thế giới trong năm 2017, tăng tổng công suất lên gần 1/3

so với lũy kế các năm trước cộng lại

Trải qua thời gian nghiên cứu và phát triển, đến năm 2017, tổng công suất pin mặt trời trên thế giới đạt 402 GW, tương đương hơn 40.000 tấm pin mặt trời được lắp đặt mỗi giờ trong năm [2]

Hình I-6: Công suất điện mặt trời toàn thế giới và bổ sung hàng năm từ 2007 – 2017

[2]

a) Hiệu ứng quang điện

Xét hệ hai mức năng lượng điện tử (Hình I-7) E1 < E2, bình thường điện tử hóa trị chiếm mức năng lượng thấp cơ bản là E1 Khi nhận được bức xạ mặt trời, photon có năng lượng h𝜗 (trong đó h là hằng số Planck, 𝜗 là tần số ánh sáng) bị điện tử hấp thụ và chuyển lên mức năng lượng E2 Ta có phương trình cân bằng năng lượng:

ε = h.𝜗 = E2 – E1

Hình I-7: Hệ hai mức năng lượng Trong các vật thể rắn, do tương tác rất mạnh của mạng tinh thể lên điện tử vòng ngoài, nên các mức năng lượng của nó bị tách ra nhiều mức năng lượng sát nhau và tạo

h 𝜗

thành các vùng năng lượng (hình I-8) Vùng năng lượng thấp bị các điện tử chiếm đầy khi ở trạng thái cân bằng gọi là vùng hóa trị, mặt trên của nó có mức năng lượng Ev Vùng năng lượng phía trên tiếp đó hoàn toàn trống hoặc chỉ bị chiếm một phần gọi là vùng dẫn, mặt dưới của vùng dẫn có năng lượng là Ec Cách ly giữa 2 vùng hóa trị và vùng dẫn là một vùng cấp có độ rộng với năng lượng là Eg, trong đó không có mức năng lượng cho phép nào của điện tử

Hình I-8: Các vùng năng lượng Khi nhận bức xạ mặt trời, điện tử ở vùng hóa trị thấp hấp thụ photon có năng lượng

h 𝜗 và có thể chuyển lên vùng dẫn để trở thành điện tử tự do e-, để lại ở vùng hóa trị một

lỗ trống có thể coi như hạt mang điện dương, ký hiệu h+ Lỗ trống này có thể di chuyển

và tham gia vào quá trình dẫn điện

Trong thực tế các hạt dẫn bị kích thích e- và h+ đều tự phát tham gia vào quá trình phục hồi, chuyển động đến mặt của các vùng năng lượng: điện tử e- giải phóng năng lượng để chuyển đến mặt của vùng dẫn Ec, còn lỗ trống h+ chuyển đến mặt của Ev, quá trình phục hồi chỉ xảy ra trong khoảng thời gian rất ngắn 10-12 – 10-1 giây và gây ra dao động mạnh Năng lượng bị hao tổn do quá trình phục hồi sẽ là Eph= h.𝜗 – Eg

Tóm lại khi vật rắn nhận tia bức xạ mặt trời, điện tử ở vùng hóa trị hấp thụ năng lượng photon h.𝜗 và chuyển lên vùng dẫn tạo ra cặp hạt dẫn điện tử - lỗ trống (eˉ - h+),

tức là đã tạo ra một điện thế Hiện tượng đó gọi là hiệu ứng quang điện bên trong b) Cấu tạo và nguyên lý hoạt động của pin quang điện

Phiến pin quang điện là kỳ công của vật lý tinh thể và bán dẫn Nó được cấu tạo từ các lớp phẳng và mỏng của các vật liệu đặc biệt gọi là bán dẫn xếp chồng lên nhau Loại pin mặt trời thông dụng nhất hiện nay là loại sử dụng silic tinh thể Tinh thể silic tinh khiết là chất bán dẫn dẫn điện rất kém vì các điện tử bị giam giữ bởi liên kết mạng, không có điện tử tự do Khi bị ánh sáng hay nhiệt độ kích thích, các điện tử sẽ bứt ra khỏi liên kết, hay là các điện tử sẽ nhảy từ vùng hóa trị lên vùng dẫn và để lại một

lỗ trống tích điện dương trong vùng hóa trị Lúc này chất bán dẫn mới dẫn điện

Có 3 lớp vật liệu chính: lớp trên cùng gọi là silicon loại n (n: negative, âm), vật liệu này có khả năng “phóng thích” các hạt tích điện âm gọi là electron một khi được đưa ra ngoài ánh sáng mặt trời Lớp dưới cùng gọi là lớp p, tích điện dương khi tiếp xúc với bức xạ mặt trời (p: positive, dương) Lớp vật liệu ở giữa gọi là lớp chèn (junction),

h 𝜗

lớp này có vai trò như một lớp phân cách (insulator) giữa lớp n và lớp p Các eletron được phóng thích từ lớp n sẽ di chuyển theo đường ít bị cản trở nhất, tức là di chuyển từ lớp n tích điện âm ở bên trên về lớp p tích điện dương ở bên dưới Như vậy, nếu vùng p

và vùng n được nối bởi một mạch điện tạo bởi các dây dẫn mỏng, dòng electron sẽ di chuyển trong mạch điện này, tạo ra dòng điện một chiều có thể được sử dụng trực tiếp hoặc được “dự trữ” để dùng sau Cường độ dòng điện sinh ra phụ thuộc vào số lượng và phương thức nối các tế bào mặt trời trong pin mặt trời

Hình I-9: Cấu tạo một pin quang điện

Các pin mặt trời thông thường được lắp thành một module khoảng 40 phiến pin,

và 10 module sẽ được lắp gộp lại thành chuỗi quang điện có thể dài vài mét Các chuỗi pin mặt trời dạng phẳng này được lắp ở một góc cố định hướng về phía đường xích đạo, hoặc được lắp trên một hệ thống hiệu chỉnh hướng nắng để luôn bắt được nắng theo sự thay đổi quĩ đạo của nắng mặt trời Qui mô hệ thống quang điện có thể từ mức 10 - 20 chuỗi quang điện cho các ứng dụng dân dụng, cho đến hệ thống lớn bao gồm hàng trăm chuỗi quang điện kết nối với nhau để cung cấp cho các cơ sở sản xuất điện hay trong các ứng dụng công nghiệp

Module và các chuỗi quang điện thường được đánh giá dựa vào công suất tối đa của chúng ở điều kiện thử nghiệm tiêu chuẩn (Standard Test Conditions: STC) STC được qui định là module vận hành ở nhiệt độ 250C với tổng lượng bức xạ chiếu lên module là 1000 W/m2 và dưới phân bố phổ của khối khí 1,5 (Air Mass 1,5, góc nắng chiếu nghiêng 370) Do các điều kiện thử nghiệm trong phòng thí nghiệm là tương đối

lý tưởng so với điều kiện thực tế của các khu vực lắp đặt, các module lắp đặt thực tế chỉ đạt hiệu suất cỡ 85-90% hiệu suất thử nghiệm ở điều kiện tiêu chuẩn Các module quang điện ngày này rất an toàn, bền và đáng tin cậy, với tuổi thọ sử dụng dao động từ 20-30 năm

c) Mô hình nhà máy quang điện nối lưới

Có nhiều mô hình nhà máy điện mặt trời như độc lập (có ăc quy, không có ăc quy), nối lưới, khuôn khổ đề tài này nghiên cứu mô hình nối lưới

Hình I-10: Mô hình kết lưới của hệ thống quang điện

(1): Dàn pin mặt trời hấp thụ năng lượng bức xạ mặt trời biến đổi thành dòng điện

một chiều (hiệu ứng quang – điện)

(2): Điện một chiều (DC) đi qua bộ hòa lưới chuyển thành điện xoay chiều AC

cùng pha, cùng tần số với điện lưới để hòa vào điện lưới

(3): Đồng hồ hai chiều Từ bộ hòa lưới, dòng điện xoay chiều đi đến tủ điện cung

cấp cho các thiết bị Đồng hồ 2 chiều đo đếm sản lượng điện từ nguồn điện lưới cung cấp cho thiết bị hoặc sản lượng từ nguồn điện năng lượng mặt trời phát ngược lên lưới

(4): Khi điện mặt trời tạo ra hiều hơn lượng cần thiết cho các thiết bị tại chỗ, điện

dư sẽ được đưa lên lưới

Tải: là các thiết bị tiêu thụ điện Thiết bị tiêu thụ điện DC là tải DC; thiết bị dùng

điện AC là tải AC

1.3 Tiềm năng của năng lượng mặt trời tại Việt Nam

Việt Nam nằm ở khu vực Đông Nam Á, trải dài từ vĩ độ 90 Bắc đến 230 Bắc, với hơn 3.000km đường bờ biển Khí hậu Việt Nam bị chi phối bởi gió mùa nhiệt đới với nhiệt độ và độ ẩm cao Vị trí địa lý đã ưu đãi cho Việt Nam một nguồn năng lượng tái tạo vô cùng lớn, đặc biệt là năng lượng mặt trời với cường độ bức xạ mặt trời khá lớn Một số địa phương có cường độ bức xạ mặt trời cao nhất như là: thành phố Hồ Chí Minh, các tỉnh thuộc Tây Bắc (Lai Châu, Sơn La, Lào Cai), vùng Bắc Trung Bộ (Thanh Hóa, Nghệ An, Hà Tĩnh)…

Năng lượng mặt trời ở Việt Nam có sẵn quanh năm, tương đối ổn định và phân bố rộng rãi trên các vùng miền khác nhau Tại miền Trung và miền Nam cường độ bức xạ mặt trời trung bình ngày trong năm đạt 5kWh/m2, dao động từ 4,0 –5,9 kWh/m2 Bức

xạ mặt trời trung bình ngày trong năm tại miền Bắc là 4kWh/m2, khoảng dao động lớn hơn từ 2,4 – 5,5 kWh/m2

Số giờ nắng trung bình của nước ta khoảng 1.200 – 3.000h với tổng năng lượng bức xạ mặt trời trung bình 150kcal/cm2 Lượng bức xạ mặt trời cũng tùy thuộc vào lượng mây và tầng khí quyển của từng địa phương, giữa các địa phương ở nước ta có sự chênh lệch đáng kể về bức xạ mặt trời Cường độ bức xạ mặt trời ở phía Nam thường cao hơn phía Bắc Ở miền Bắc, vào mùa đông-xuân mưa phùn kéo dài hàng chục ngày liên tục

và nguồn bức xạ mặt trời dường như không đáng kể, chỉ còn 1-2 kW/m2.ngày, yếu tố này cản trở cho việc ứng dụng năng lượng mặt trời Điều này không xảy ra đối với các tỉnh phía Nam và thành phố Hồ Chí Minh do có mặt trời chiếu quanh năm, ổn định kể

cả vào mùa mưa [3]

Hình I-11: Bản đồ bức xạ ngang trung bình ngày trong năm tại Việt Nam [3]

1.4 Tổng quan nhà máy điện mặt trời Mộ Đức, Quảng Ngãi [4]

1.4.1 Giới thiệu chung

Toàn bộ công trình Nhà máy điện Mặt trời Thiên Tân đi qua địa phận các xã Đức Phong, Đức Lân, Đức Minh và thị trấn Mộ Đức huyện Mộ Đức, tỉnh Quảng Ngãi Huyện Mộ Đức giáp ranh huyện Tư Nghĩa và thành phố Quảng Ngãi ở phía Bắc, huyện Đức Phổ ở phía Nam, huyện Nghĩa Hành ở phía Tây và biển Đông ở phía Đông, với bờ biển dài 23 km Huyện Mộ Đức có diện tích 212,23 km2 và dân số khoảng 144.230 người (theo số liệu năm 2014)

Công suất nhà máy: 19,2 MW

Địa điểm xây dựng: Thôn Đạm Thủy Nam, xã Đức Minh, huyện Mộ Đức, tỉnh Quảng Ngãi

1.4.2 Điều kiện khí hậu

Có khí hậu nhiệt đới gió mùa Mùa mưa và mùa bão kéo dài từ tháng 9 đến tháng

12 Thời tiết lạnh từ tháng 1 đến tháng 3 và nóng từ tháng 4 đến tháng 8

Nhiệt độ thường cao, với nhiệt độ trung bình năm khoảng 260C Nhiệt độ cao nhất được ghi nhận là 41,40C và thấp nhật kỷ lục là 110C Độ ẩm tương đối hàng năm là 85,6% với ghi nhận thấp nhất là 25%

Lượng mưa thường cao vào giữa tháng 9 và tháng 11, thấp nhất vào tháng 1 đến tháng 6

Số giờ nắng nóng trung bình là 2.097 giờ/năm Số giờ nắng thay đổi theo từng tháng, cao nhất khoảng 301 giờ vào tháng 5, thấp nhất là 32 giờ vào tháng 12

Hướng gió thịnh hành là Đông và Đông Bắc (Gió mùa mùa hè) xuất hiện từ tháng

3 đến tháng 8, gió Bắc và Tây Bắc (Gió mùa mùa đông) từ tháng 9 đến tháng 2 Vận tốc gió trung bình năm tại Mộ Đức là 3,4 m/s Mùa bão kéo dài từ tháng 9 đến tháng 11 với trung bình 1-2 cơn bão/năm

1.4.3 Điều kiện địa hình

Huyện Mộ Đức là đồng bằng ven biển với núi Lớn (Đại Sơn) và núi Giang ở phía Tây và Sông Vệ ở phía Bắc Ngoài ra, còn có nhiều đồi rải rác khắp huyện như Long Phụng, Diệp, Vòm, Văn Bản, Ông Đồ, Thu và Long Hội Từ Tây sang Đông, huyện Mộ Đức có 4 loại địa hình: vùng núi, vùng trung du, vùng đồng bằng và bãi cát ven biển Nhà máy quang điện mặt trời đề xuất sẽ được xây dựng ở một khu đất trống khoảng

24 hecta tại thôn Đạm Thủy Nam, xã Đức Minh, huyện Mộ Đức, tỉnh Quảng Ngãi Tọa

độ nằm ở khoảng 14057’33’’ vĩ độ Bắc và 108055’51’’ kinh độ Đông

1.4.4 Đặc điểm khí tượng

a) Gió:

- Chế độ gió đổi theo mùa

- Từ tháng 10 đến tháng 3 năm sau gió theo hướng Tây Bắc – Đông Bắc

- Từ tháng 4 đến tháng 9 hàng năm gió theo hướng Đông – Đông Nam

- Tốc độ gió trung bình: 2,3m/s

- Tốc độ gió mạnh nhất trung bình hàng năm: 20m/s

b) Nhiệt độ không khí:

- Nhiệt độ thấp nhất trong mùa đông : 110C

- Nhiệt độ cao nhất trong tháng mùa nóng : 41,40C

c) Mưa:

- Lượng mưa trung bình trong năm : > 2.000 mm/năm

- Số ngày mưa trung bình trong năm : 126 ngày/năm

- Lượng mưa lớn nhất trong ngày : 290 mm

- Độ nhiễm bẩn không khí cấp II

1.4.5 Nguồn quang năng

Tổng bức xạ theo phương nằm ngang trung bình năm (GHI) là thông số cơ bản nhất cần xem xét khi phát triển một nhà máy điện mặt trời Bức xạ mặt trời tại khu vực

dự án được thu thập từ các nguồn dữ liệu, như sau:

Đơn vị tính: kWh.m-2ngày-1

Nguồn dữ

TB năm

PVGIS 3,44 4,93 5,37 6,06 5,94 5,69 5,61 5,45 4,97 4,08 3,25 2,84 4,8 Meteonorm 4,29 4,79 5,52 5,67 5,61 5,83 5,61 5,52 4,80 4,58 4,17 3,61 5,0

Bảng I-1: Tổng bức xạ GHI trung bình tại khu vực dự án Như vậy, trong tính toán sản lượng điện năng và các chỉ tiêu khác cho dự án, bức

xạ trung bình tại nhà máy dự kiến là: 5,0 kWh/m2.ngày

1.4.6 Số giờ nắng bình quân từ năm 2010 đến năm 2017

Số giờ nắng 152 214 213 224 262 244 246 195 192 105 45 94

Bảng I-2: Số giờ nắng trung bình hàng tháng tại khu vực dự án

1.4.7 Phương án công nghệ của nhà máy điện mặt trời Thiên Tân

a) Giải pháp kỹ thuật của nhà máy

Các tấm pin quang điện sẽ chuyển đổi ánh sáng mặt trời thành điện một chiều DC nhờ vào hiệu ứng quang điện Dòng DC sẽ được chuyển đổi thành dòng điện xoay chiều

AC có cùng tần số với tần số lưới điện nhờ vào các bộ chuyển đổi DC/AC (Inverter) Lượng điện năng trên sẽ được hòa vào lưới nhờ các máy biến áp nâng áp vào hệ thống

truyền tải

b) Mô đun điện quang

Dự án Nhà máy điện mặt trời Thiên Tân, sử dụng mô đun quang điện, có các

thông số như sau:

Điện áp ở công suất cực đại Pmax (Vmp) 38,4

Dòng ở công suất cực đại Pmax (Imp) 8,33

Nhiệt độ vận hành của Mô đun -400C đến +850C

Hộp nối đầu dây Định mức IP67

Bảng I-3: Thông số kỹ thuật module quang điện của nhà máy

c) Bộ biến đổi điện DC/AC (Inverter)

Bộ chuyển đổi điện DC/AC là một phần quan trọng của nhà máy điện mặt trời Nó chuyển đổi điện một chiều phát ra từ các mô đun quang điện thành điện xoay chiều, dự

án Nhà máy điện mặt trời Thiên Tân, sử dụng bộ biến đổi điện áp, có các thông số như sau:

Công suất điện một chiều tối đa với cosφ = 1 1.122 kW

Dải điện áp tại điểm công suất cực đại (MPP)

@250C/500C

688-850V/625-850V/596-850V

Điện áp đầu vào tối thiểu với IMPP < IDC max 2.500 V

Số lượng đầu vào một chiều: thanh cái/cầu chì Thanh cái/9

Dòng xoay chiều đầu ra

Công suất định mức ở 250C/500C 1.100/1.000/900 kVA

Điện áp định mức đầu ra/dải điện áp xoay chiều 405V/365V đến 465 V

Hệ số công suất (P.E) tại điện áp định mức (P.E

có thể điều chỉnh được)

1 (0,9 vượt pha …0,9 chậm pha)

Pha của điện áp bán/kết nối lưới 3/3

Bảng I-4: Thông số kỹ thuật bộ biến đổi điện DC/AC (inverter) của nhà máy

1.4.8 Mô hình kết lưới của nhà máy

Hệ thống nhà máy quang điện mặt trời (PhotoVoltaic: PV) được vận hành có liên kết với lưới điện Khi được kết lưới hệ thống PV sẽ được vận hành một cách linh hoạt nhờ hệ thống điều khiển tối ưu trào lưu công suất (OPF: Optimal Power Flow) và hệ thống đóng - cắt (C-O: Close - Open) Hệ thống sẽ được vận hành ở hai chế độ:

- Chế độ mạng điện cung cấp nhận điện từ cả hai nguồn PV và lưới điện: Trong trường hợp này thiết bị điều khiển trào lưu công suất sẽ chỉ cho phép mạng điện

cung cấp nhận công suất điện từ lưới điện khi nguồn điện do hệ thống PV không

đủ công suất cung cấp Không cho phép luồng công suất của hệ thống PV truyền ngược vào lưới điện

- Chế độ hệ thống PV cung cấp công suất cho lưới điện: Chế độ này thường là khi nguồn công suất PV khá lớn, lúc đó nguồn này sẽ được kết nối và hòa đồng bộ với lưới điện

1.5 Sự cần thiết phải dự báo năng lượng bức xạ mặt trời cho nhà máy quang điện

Như đã nêu ở phần Mở đầu, có nhiều nguyên nhân về kinh tế và môi trường thúc đẩy sự xúc tiến nghiên cứu phát triển các ứng dụng của nguồn NLMT Đó là sự phá hủy môi trường do tiêu thụ khí ga, xăng, dầu, than đá ; sự lo ngại về mức tăng khí CO và

CO2 trong khí quyển có thể dẫn đến phá hủy tầng ozon và sự sống trên trái đất; viễn cảnh về sự thiếu hụt dầu và khí ga trong một vài thập kỷ tới nếu mức khai thác hiện nay vẫn được duy trì; nhu cầu về năng lượng tăng cao của các ngành và các khu công nghiệp mới, các nước có nền kinh tế phát triển; sự thiếu hụt nguồn nước đối với các công trình thủy điện và các mối đe dọa khác khi giá dầu thế giới tiếp tục tăng cao

Xuất phát từ những nguyên nhân đó, năng lượng mặt trời được xem là nguồn năng lượng sạch, đầy hứa hẹn, thay thế cho năng lượng dầu mỏ đang được khai thác triệt để hiện nay Tuy nhiên, nhà máy điện mặt trời hiện nay có những hạn chế như sau:

- Tính chất dao động mạnh phụ thuộc vào điều kiện thời tiết Chỉ sản xuất trong điều kiện thời tiết tốt, nhiều nắng Các điều kiện thời tiết như mây mù, nhiều mưa… ảnh hưởng trực tiếp đến công suất phát của nhà máy

- Chỉ sản xuất trong điều kiện ban ngày, không có năng lượng để sản xuất vào ban đêm Các hệ thống dự trữ năng lượng điện (acquy) có giá thành còn cao, công suất thấp khó đáp ứng yêu cầu cung cấp nguồn năng lượng công suất cao

- Hiệu quả của hệ thống phụ thuộc vào nhiều yếu tố:

+ Sự thay đổi hàng ngày, liên quan đến vòng quay trái đất và mùa: Vào các tháng mùa hè, cường độ bức xạ mặt trời lớn hơn do đó các hệ thống, thiết bị thu được năng lượng cao hơn Vào mùa đông, có một số ngày không có nắng, nắng yếu hoặc có mưa Điều này tất nhiên sẽ ảnh hưởng đến hiệu quả của thiết bị + Vị trí khu đất: Sự tập trung của NLMT không phải mọi nơi đều như nhau Tia nắng mặt trời mạnh hơn ở một số nơi nhất định, phụ thuộc vào vĩ độ, độ mây che phủ, độ ô nhiễm không khí Vì vậy việc lựa chọn vị trí lắp đặt thiết bị cần phải rất cẩn thận Để sản xuất một lượng lớn điện thì diện tích đất để triển khai cũng là một vấn đề đáng lo ngại

+ Độ nghiêng của thiết bị: Khi lắp đặt thiết bị cần xác định góc nghiêng của nó

để tổng cường độ bức xạ mà hệ thống khi đặt cố định có thể nhận được tổng là lớn nhất Bên cạnh đó, việc đặt nghiêng thiết bị cũng có tác dụng khác đó là khả năng tự làm sạch Khi trời mưa, do mặt thiết bị được đặt nghiêng nên nước mưa

sẽ mang đi bụi bẩn bám trên mặt pin, từ đó làm tăng khả năng hấp thụ bức xạ mặt trời của dàn pin mặt trời

Vấn đề khách quan lớn nhất cần được giải quyết trong việc phát triển nguồn điện điện mặt trời ở Việt Nam (cũng như trên thế giới) là nguồn bức xạ từ mặt trời đến trái đất luôn có tính chu kỳ (thay đổi) theo giờ trong ngày, theo mùa và phụ thuộc vào các điều kiện thời tiết Trong khi đó, chế độ vận hành của hệ thống điện ở Việt Nam cũng

có tính chu kỳ khá cao cả về nguồn và phụ tải Đặc biệt, phụ tải điện thay đổi với biên

độ rất lớn giữa các giờ cao điểm và thấp điểm làm cho hệ thống điện vận hành luôn trong trạng thái không ổn định, cân bằng giữa nguồn và phụ tải thường xuyên bị phá vỡ Việc bổ sung các nguồn điện mặt trời sẽ làm việc duy trì cân bằng khó khăn hơn Một vấn đề khác được đặt ra khi kết nối nguồn điện mặt trời vào hệ thống lưới điện quốc gia là làm sao phải tận dụng triệt để năng lượng thu được nhưng phải đảm bảo độ tin cậy trong cung cấp điện, tránh các sự cố rả lưới khi sa thải nguồn đột ngột Đồng thời, khi điện năng dư thừa thì bán ngược trở lại hệ thống hay lưu trữ trong bộ dự trữ

Vì vậy, công tác dự báo sản lượng điện của nhà máy điện mặt trời sản xuất được

để có kế hoạch tốt nhất trong việc huy động các nguồn điện đáp ứng nhu cầu sử dụng là yêu cầu cấp thiết Nó cho phép các Công ty phân phối điện điều chỉnh phụ tải để tối ưu hóa việc truyền tải điện năng, phân bổ điện năng một cách cân bằng, hợp lý từ các nguồn khác nhau trong điều kiện không có NLMT; lập kế hoạch các công tác duy tu, bảo dưỡng tại các nhà máy và thực hiện các giải pháp cần thiết để tránh sự cố

Những nghiên cứu về tiềm năng, sự biến đổi theo thời gian, và khả năng dự báo NLMT dựa trên các yếu tố môi trường, thời tiết là rất cần thiết Nhu cầu thực tế đòi hỏi những phương pháp dự báo NLMT chính xác hơn so với những gì các mô hình khí hậu ngày nay đã làm được Vì vậy, cần có những công cụ hỗ trợ để dự báo một cách chính xác nhất NLMT tại các nhà máy quang điện nhằm dự báo công suất phát của nhà máy,

từ đó đưa ra các quyết định về phân bổ công suất phát của các nguồn khác nhau vào lưới điện một cách an toàn, ổn định và hiệu quả nhất

CHƯƠNG II: TỔNG QUAN CÁC PHƯƠNG PHÁP DỰ BÁO NĂNG

LƯỢNG BỨC XẠ MẶT TRỜI 2.1 Các mô hình dự báo

Một số lượng lớn các nhà máy quang điện hòa lưới đặt ra những thách thức kỹ thuật lớn do tính chất phụ thuộc vào NLMT Với tốc độ tăng trưởng các nhà máy quang điện theo cấp số nhân trong thời gian gần đây, cần có sự phát triển về các mô hình dự báo, đồng thời đòi hỏi các mô hình phải cho kết quả dự báo chính xác cao hơn so với các mô hình dự báo thời tiết ngày nay làm được

Các mô hình dự báo NLMT chia ra làm 2 loại Loại thứ nhất sử dụng các mô hình vật lý khí quyển như dự báo thời tiết số trị (Numerical Weather Prediction: NWP), phân tích hình ảnh vệ tinh các đám mây, phân tích hình ảnh tổng thể bầu trời (Total Sky Imager: TSI) Loại thứ hai dựa trên phân tích thống kê chuỗi dữ liệu theo thời gian trong quá khứ của các biến thời tiết như nhiệt độ, độ ẩm, cường độ bức xạ mặt trời Phương pháp hỗn hợp có thể cải thiện một số khía cạnh của từng phương pháp trên [5]

2.1.1 Mô hình vật lý khí quyển

Hiện nay, dự báo dựa trên thực tế chủ yếu được thực hiện bằng cách sử dụng dự báo thời tiết số trị và các quan sát đám mây bằng vệ tinh hoặc hình ảnh tổng thể bầu trời NWP cung cấp thông tin từ 6 giờ cho đến vài ngày tới Về cơ bản, NWP dự báo thời tiết bằng cách sử dụng các điều kiện hiện tại làm đầu vào vào các mô hình toán học

để dự báo cường độ bức xạ mặt trời, tuy nhiên có những sai lệch đáng kể và các lỗi ngẫu nhiên trong các ước tính cường độ bức xạ

Đối với dự báo dựa trên vật lý cơ bản, độ che phủ của đám mây và độ quang mây

là những thông số quan trọng nhất ảnh hưởng đến bức xạ mặt trời Thông qua việc xử

lý hình ảnh vệ tinh hoặc mặt đất, các đám mây được phát hiện, và có thể dự báo được các đặc trưng của chúng để dự báo chính xác NLMT đến 6 giờ tới

Hình ảnh vệ tinh địa tĩnh, chẳng hạn như những hình ảnh thu được từ vệ tinh METEOSAT, được sử dụng để xác định và dự báo các tình trạng bức xạ mặt trời tại một

vị trí cụ thể Cơ sở của phương pháp này dựa trên việc xác định cấu trúc đám mây theo các bước thời gian trong quá khứ Từ việc phân tích chuyển động của những đám mây

sẽ dự báo được vị trí của chúng, từ đó dự báo được bức xạ mặt trời

2.1.2 Mô hình thống kê theo chuỗi thời gian

Mô hình này sử dụng các dữ liệu thống kê theo chuỗi thời gian để xây dựng mô hình dự báo Ngày nay, một số phương pháp dự báo bức xạ mặt trời theo các thang thời gian khác nhau đã xuất hiện như mạng nơron nhân tạo (ANN), Logic mờ (FL) và các hệ thống lai hóa Cách thức tiếp cận vấn đề này có thể được phân thành 3 loại:

- Cách đầu tiên có thể dự báo bức xạ mặt trời (không phụ thuộc thang thời gian) dựa trên một số thông số khí tượng như nhiệt độ không khí (T), độ ẩm tương đối (H),

tốc độ gió (Ws), hướng gió (Wd), mây (Cl), số giờ nắng (S), áp suất (P), kinh độ (Lat),

vĩ độ (Lon)… Biểu thức toán học thể hiện mối quan hệ:

Gi = f(Ti , Si , Hi , Wsi , Wdi , Kti , Cli , Pi , Lat, Lon) (2.1) Với G: Đại lượng đại diện cho bức xạ mặt trời

Vấn đề đặt ra là tìm được một hàm gần đúng thể hiện mối quan hệ giữa dữ liệu đầu vào và dữ liệu đầu ra

- Cách thứ hai cho phép dự báo bức xạ mặt trời (theo các thang thời gian khác nhau) dựa trên dữ liệu bức xạ quan trắc trong quá khứ Biểu thức toán học:

Gi+p = f(Gi+p-1, Gi+p-2, Gi+p-3, … , Gi) (2.2) Vấn đề đặt ra là tìm được một hàm gần đúng thể hiện mối quan hệ giữa dữ liệu đầu vào và đầu ra mà cho phép dự báo đại lượng bức xạ mặt trời tại bước thời gian t+p dựa trên các dữ liệu đầu vào quan trắc được trong quá khứ t+p-1, t+p-2…t

- Cách thứ ba là kết hợp hai phương pháp trên Biểu thức thể hiện mối quan hệ

Gi+p= { f(Ti, Si, Hi, Wsi, Wdi, Kti, Cli, Pi, Lat, Lon)

f(Gi+p−1, Gi+p−2, Gi+p−3, … , Gi) (2.3) Trong trường hợp này, các tham số đầu vào là dữ liệu bức xạ mặt trời được quan trắc trong các thang thời gian (t + p - 1, t + p - 2…, t) và các thông số khí tượng khác Nhiều mô hình tuyến tính khác nhau được sử dụng để dự báo năng lượng mặt trời theo chuỗi thời gian Các mô hình tuyến tính biểu diễn chuỗi thời gian như một tổ hợp tuyến tính của các biến thời gian trễ và có thể có hoặc không có việc kết hợp thêm một đại lượng khác là tổ hợp tuyến tính của các số hạng của quá trình nhiễu trắng (white noise) Các mô hình tuyến tính tiêu biểu bao gồm: AR (auto regressive – tự hồi quy),

MA (moving average – trung bình trượt) và ARMA (autoregressive-moving average –

Tự hồi quy và trung bình trượt) [5]

Mô hình tuyến tính có những đặc điểm tích cực: dễ hiểu để phân tích dữ liệu và rất

dễ để thực hiện Điểm chưa tốt là chúng làm việc không hiệu quả với các chuỗi thời gian phi tuyến (non-linear) Do vậy, các mô hình phi tuyến dần được nghiên cứu và áp dụng đối với các chuỗi thời gian phi tuyến tính, với mức độ phức tạp cao

Để mô tả các quá trình phi tuyến tính, các mô hình này giả thiết dữ liệu chuỗi thời gian là phi tuyến tính Điều này phù hợp với thực tế rằng các chuỗi thời gian không thể biết trước chúng có đặc tính là tuyến tính hay phi tuyến tính Tuy nhiên, đặc điểm của

mô hình này là sử dụng rất nhiều tham số xây dựng mô hình và do đó, rất khó giải thích quá trình xác định các tham số của mô hình Vì đặc tính này, các mô hình phi tuyến tính được coi như quá trình hộp đen [6]

Mạng nơron được coi như là bộ xấp xỉ đa năng, có khả năng giải quyết các bài toán

dự báo trong thực tế Đặc điểm của mạng nơron cho phép hoạt động trên các dữ liệu phi tuyến tính, không cần hiểu biết trước về các mỗi quan hệ của dữ liệu đầu vào

Việc sử dụng mạng nơron nhân tạo để dự báo chuỗi thời gian đã được nghiên cứu nhiều, đặc biệt là dự báo năng lượng bức xạ mặt trời, do đặc điểm phù hợp các loại dữ

liệu phi tuyến tính, các tập dữ liệu lớn và phức tạp

2.2 Tổng quan về các công trình sử dụng hệ thống ANN dự báo năng lượng bức

xạ mặt trời đã công bố

Hiện nay, đã có nhiều nghiên cứu về sử dụng ANN để dự báo chuỗi thời gian nói chung và bức xạ mặt trời nói riêng Nó có thể mô hình các hệ thống phức tạp và không tuyến tính vì khả năng thích ứng của nó Có rất nhiều cấu trúc ANN, chẳng hạn như perceptron đa lớp (MLP), mạng nơron tái phát (RNN) và mạng chức năng cơ cấu xuyên tâm (RBF) Những cấu trúc khác nhau làm cho ANN rất linh hoạt trong các ứng dụng;

có thể được sử dụng để dự đoán NLMT, giúp quản lý được lượng điện sản xuất ra tại một nhà máy điện mặt trời [7]

Nhiều biến khí tượng và địa lý như nhiệt độ, độ ẩm, tốc độ gió, thời gian nắng, độ che phủ mây, vĩ độ, kinh độ và độ cao… đã được sử dụng để đánh giá và phát triển mô hình ANN cho dự báo năng lượng bức xạ mặt trời Sự kết hợp giữa các thông số đầu vào khác nhau cho kết quả dự báo NLMT khác nhau

Korachagaon và cộng sự cho rằng việc ước lượng bức xạ mặt trời là tham số quan trọng nhất cho việc thiết kế và phát triển các hệ thống năng lượng mặt trời khác nhau Mục tiêu của nghiên cứu này là ước lượng bức xạ mặt trời trung bình hàng tháng bằng

mô hình Iranna- Bapat để ước lượng giá trị bức xạ mặt trời toàn cầu tại bất kỳ vị trí nào trên bề mặt trái đất Mô hình này sử dụng các thông số khí tượng đo được thông thường

là nhiệt độ môi trường, độ ẩm, tốc độ gió, độ ẩm tại một vị trí nhất định Các giá trị tính toán từ mô hình Iranna-Bapat được so sánh với các giá trị đo thực tế Mô hình của Iranna-Bapat đã cho các kết quả có thể chấp nhận được với chỉ số RMSE thấp hơn

<10% Do đó mô hình này được dùng để dự báo bức xạ mặt trời toàn cầu tại các địa điểm khác cho tỉnh của Trung Quốc, nơi không có dữ liệu về khí tượng đo được [8] Mohandes và công sự đã sử dụng các thông số đầu vào là vĩ độ, kinh độ, độ cao và thời gian nắng để dự báo bức xạ mặt trời ở Saudia Arabia Trong nghiên cứu này, MAPE thay đổi từ 6,5 đến 19,1% [9]

AI-Alawi và AI-Hinai đã nghiên cứu mạng nơron truyền thẳng (feed forward) nhiều lớp, với thuật toán huấn luyện lan truyền ngược (Back Propagation: BP) để dự báo bức xạ toàn cầu tại Seeb sử dụng các đầu vào như vị trí, tháng, nhiệt độ trung bình,

áp suất trung bình, độ ẩm trung bình tương đối, số giờ nắng trung bình và tốc độ gió trung bình Chỉ số MAPE dao động từ 5,43 đến 7,30 [10]

Rehman và Mohandes kết hợp bốn tham số đầu vào là ngày, nhiệt độ không khí tối đa, nhiệt độ không khí trung bình, và độ ẩm tương đối để ước lượng bức xạ mặt trời khuếch tán cho thành phố Abha ở Ả-rập Xê-út Nghiên cứu cho thấy sử dụng độ ẩm tương đối và nhiệt độ trung bình hàng ngày cho kết quả tốt hơn so với các tham số khác với sai số bình phương trung bình (MSE) là 5,18×10-7 [11]

Mellit và cộng sự (2010) sử dụng dữ liệu của cường độ bức xạ, nhiệt độ không khí

theo giờ và giờ trong ngày làm đầu vào cho mô hình ANN Mô hình này được sử dụng

để dự báo bức xạ mặt trời cho 24 giờ đến tại Trieste ở Ý Mô hình được đề xuất đã sử dụng mạng MLP truyền thẳng với thuật toán huấn luyện lan truyền ngược Mô hình này

có bốn lớp với 3, 11, 17, và 24 nơron tương ứng Trong mô hình này, hệ số tương quan

và RMSE nằm trong khoảng 98–99% và 13-67% tương ứng cho những ngày nắng, trong khoảng 94–96% và 54-85% tương ứng cho những ngày nhiều mây [12]

Deng và cộng sự (2010) đã sử dụng 12 thông số là vĩ độ, kinh độ, độ cao, thời gian nắng, nhiệt độ không khí, lượng mưa, độ ẩm tương đối, áp suất khí quyển và ngày trong năm làm dữ liệu đầu vào cho các mô hình ANN Mô hình này được sử dụng để ước lượng bức xạ mặt trời hàng ngày tại mười địa điểm khác nhau ở Trung Quốc Tám năm

dữ liệu quan trắc được sử dụng để huấn luyện và thử nghiệm mô hình Các mô hình ANN được đề xuất là mạng truyền thẳng 3 lớp với thuật toán huấn luyện lan truyền ngược Trong các mô hình này, các lớp đầu tiên và thứ hai tương ứng là 4 – 9 và 6 – 25 nơron, trong khi lớp thứ ba - lớp đầu ra - chỉ có một nơron Bài báo này kết luận rằng

dữ liệu đầu vào quan trọng nhất là thời gian nắng Nghiên cứu này cho thấy rằng mô hình tốt nhất là mô hình sử dụng tất cả các biến đầu vào Trong mô hình này, RMSE và

hệ số tương quan là 1,915 MJ/m2 và 0,932 tương ứng [13]

Wang và cộng sự (2011) đã sử dụng các dữ liệu bức xạ, nhiệt độ, độ ẩm tương đối

và thời gian làm đầu vào cho các mô hình ANN Mô hình này được sử dụng cho dự báo cường độ bức xạ mặt trời ngắn hạn ở Golden, CO, USA Các mô hình này sử dụng mạng nơron truyền thẳng và thuật toán huyến luyện lan truyền ngược Trong số các kết hợp khác nhau của các lớp và số nơron trong mô hình ANN, mô hình tốt nhất có bốn lớp với

24, 18, 13 và 24 nơron tương ứng RMSE và hệ số tương quan lần lượt là 0,0331 và 0,9912 [14]

Karoro Angela và cộng sự (2011) chỉ sử dụng một biến đầu vào là số giờ nắng cho

mô hình ANN Mô hình này được sử dụng để ước lượng giá trị trung bình tháng của bức

xạ ngang toàn cầu hàng ngày tại Kampala, Uganda Năm năm dữ liệu quan trắc 2008) đã được sử dụng để huấn luyện và thử nghiệm các mô hình Tất cả các mô hình được thử nghiệm sử dụng mô hình mạng truyền thẳng và thuật toán lan truyền ngược Trong số hàng chục mô hình sử dụng các số nơron khác nhau, mô hình được đề xuất có một lớp ẩn với 65 nơron Nó có RMSE và hệ số tương quan tương ứng là 0,521 và 0,963 [15]

(2003-Rani và cộng sự (2012) đã kết hợp 6 tham số khác nhau là nhiệt độ, độ ẩm, ngày

và tháng trong năm làm đầu vào cho mô hình ANN Mô hình này được sử dụng để dự báo bức xạ mặt trời hàng ngày trong điều kiện bầu trời rõ ràng của bất kỳ vị trí nào ở

Ấn Độ Ba năm dữ liệu quan trắc (2000- 2002) đã được sử dụng để huấn luyện và kiểm tra mô hình mạng truyền thẳng với thuật toán huấn luyện lan truyền ngược Mô hình này

có ba lớp với 10 nơron trong lớp ẩn Các tác giả kết luận rằng việc sử dụng tất cả các biến trên đã dẫn đến dự báo bức xạ mặt trời tốt nhất với MAPE là 9,754% và RMSE là

0,9429 [16]

Alharbi, M (2013) đã sử dụng các kết hợp khác nhau của cá thông số nhiệt độ, độ

ẩm và ngày hàng tháng để làm đầu vào cho các mô hình ANN Mô hình này được sử dụng để dự báo bức xạ mặt trời hàng ngày cho một địa điểm cụ thể ở Riyadh, Ả Rập Xê

Út Ba năm dữ liệu quan trắc (2009-2011) đã được sử dụng để huấn luyện và thử nghiệm các mô hình Các mô hình bao gồm ba lớp với số lượng nơron lớp ẩn thay đổi từ 60 đến

83 Những mô hình này sử dụng kỹ thuật lan truyền ngược Nghiên cứu này kết luận rằng dự báo tốt nhất là khi tất cả ba yếu tố đầu vào được sử dụng Mô hình tốt nhất có

80 nơron trong lớp ẩn RMSE và hệ số tương quan (r) lần lượt là 7,5% và 0,986 [17] Tổng hợp một số mô hình ANN dự báo với các tham số đầu vào khác nhau và độ chính xác (Bảng II-1)

Tài liệu tham

khảo

Tham số đầu vào

Khatib và cộng sự

[18]

Số ngày, tỉ lệ nắng, Kinh độ, Vĩ độ

Chỉ số MAPE của bức xạ toàn cầu và khuếch tán tương ứng là 7,96% và 9,8%

Malaysia

Alam và cộng sự

[19]

Vĩ độ, kinh độ, tháng trong năm, độ cao, tỉ

lệ mưa, độ ẩm tương đối và thời gian nắng trung bình

Chỉ số RMSE từ 1,65 đến 2,79 Ấn Độ

Mubiru and Banda

[20]

Số giờ nắng trung bình hàng năm, vĩ

Fadare [22]

Kinh độ, vĩ độ, độ cao, tháng, thời gian nắng trung bình, nhiệt độ tương đối và trung bình

R2 > 0,9 195 thành phố ở

Nigeria

Bảng II-1: Các tham số đầu vào mô hình ANN và độ chính xác [23]

M Alluhaidah, S H Shehadeh, và M E El-Hawary sử dụng một vài các tham số

nhiệt độ không khí, độ ẩm tương đối, áp suất, độ che phủ mây, tốc độ và hướng gió, ngày để làm đầu vào cho mỗi mô hình ANN khác nhau Nghiên cứu chỉ ra rằng số lượng

nơron trong mô hình ANN quá nhiều cũng không cải thiện chất lượng của mô hình dự báo bức xạ (mô tả ở Hình II-1) [7]

Hình II-1 Mối quan hệ giữa RMSE, MAPE, r với số lượng nơron khác nhau với đầu

vào là độ che phủ mây

Sfetsos và Coonick đã giới thiệu một phương pháp đơn giản để dự báo bức xạ mặt trời theo giờ sử dụng các kỹ thuật dựa trên trí tuệ nhân tạo khác nhau (ANN và ANFIS)

Họ cũng điều tra các biến khí tượng khác như nhiệt độ, tốc độ gió và áp suất So sánh giữa các mô hình khác nhau về lỗi dự báo và thời gian huấn luyện cho thấy mạng được huấn luyện với thuật toán Levenberg – Marquardt (LM) là mô hình dự báo tối ưu [24] Tất cả các nghiên cứu đã đề cập trên đây đều có vai trò thiết yếu trong sự phát triển của luận án này Mặc dù các tham số được sử dụng trong mỗi nghiên cứu có thể khác nhau nhưng có một số chi tiết quan trọng có thể tham khảo từ các kết quả nghiên cứu

trên như tham số đầu vào, thuật toán được áp dụng, loại mạng nơron hoặc thậm chí là thời gian dự báo

2.3 Sự cần thiết phải xây dựng mô hình ANN mới để dự báo năng lượng bức xạ mặt trời cho nhà máy quang điện Mộ Đức

Từ những nghiên cứu trên ta rút ra nhận xét:

- Đầu vào của các mô hình dự báo bức xạ mặt trời thông thường là kinh độ, vĩ độ,

độ cao (vị trí địa lý); các dữ liệu thời tiết quan trắc được như nhiệt độ không khí, độ ẩm tương đối, tốc độ gió, hướng gió, mây, số giờ nắng, áp suất… theo thời gian (ngày, giờ…); số liệu ngày, tháng tại các vị trí cần dự báo

- Số lượng dữ liệu đầu vào, số lượng lớp ẩn cũng như số nơron trong từng lớp ẩn ảnh hưởng đến độ chính xác của mô hình ANN được xây dựng

- Các kỹ thuật huấn luyện mạng khác nhau cũng ảnh hưởng đến các mô hình dự báo tối ưu

Vì vậy, không thể áp dụng cứng nhắc các mô hình đã được nghiên cứu vào một đối tượng cần dự báo khác mà không có tính tương đồng về các dữ liệu đầu vào Cụ thể

ở đây là không thể áp dụng được các mô hình dự báo bức xạ mặt trời ở vị trí này cho một vị trí khác mà không có tính tương đồng về các thông số thời tiết Ngoài ra, một số

mô hình còn dùng các thông số địa lý như kinh độ, vĩ độ, độ cao để huấn luyện mạng nên không thể áp dụng cho vị trí khác

Vì vậy, cần phải xây dựng mô hình ANN mới để dự báo bức xạ mặt trời tại nhà máy điện mặt trời Mộ Đức, Quảng Ngãi

CHƯƠNG III: XÂY DỰNG MÔ HÌNH MẠNG NƠRON NHÂN TẠO DỰ

BÁO NĂNG LƯỢNG BỨC XẠ MẶT TRỜI 3.1 Lý thuyết mạng nơron nhân tạo

3.1.1 Giới thiệu

Bộ não con người là một hệ thống xử lý thông tin phức hợp, phi tuyến và song song có khả năng học ghi nhớ, tổng quát hóa và xử lý lỗi Bộ não con người gồm khoảng

1011 phần tử (tế bào), trong đó có khoảng 1010 phần tử là nơron, số còn lại khoảng 9x1010

phần tử là các tế bào thần kinh đệm và chúng có nhiệm vụ phục vụ cũng như hỗ trợ các nơron Nơron sinh học có cấu tạo như hình III-1 Mỗi tế bào nơron trong bộ não con người có khoảng 104 khớp nơron, trong đó có loại khớp nối kích thích và khớp nối ức chế

Hình III-1: Tế bào nơron sinh học Mạng nơron nhân tạo (Artifical Neural Networks) mô phỏng lại mạng nơron sinh học của bộ não con người, là một cấu trúc khối gồm các đơn vị tính toán đơn giản được liên kết chặt chẽ với nhau trong đó các liên kết giữa các nơron quyết định chức năng của mạng Bản chất của mạng nơron nhân tạo là mạng tính toán phân bố song song Trái với

mô hình tính toán thông thường, hầu hết các mạng nơron phải được huấn luyện trước khi sử dụng

Các nghiên cứu về mạng nơron nhân tạo đã bắt đầu từ thập niên 1940 Đến năm

1944, McCulloch và Pitts công bố công trình nghiên cứu về liên kết của các tế bào nơron Năm 1949, Hebb công bố nghiên cứu về tính thích nghi của mạng nơron Cuối năm

1950, Rosenblatt đưa ra mạng Perceptron Nghiên cứu về mạng nơron chỉ phát triển mạnh mẽ kể từ sau những năm 1980 sau giai đoạn thoái trào từ năm 1969, khi Minsky

và Papert chỉ ra một số khuyết điểm của mạng Perceptron Năm 1985 mạng Hopfield ra đời và sau sau đó một năm là mạng lan truyền ngược Đến nay đã có rất nhiều cấu hình mạng và các thuật toán huấn luyện tương ứng được công bố để giải quyết các bài toán

khác nhau

3.1.2 Nơron nhân tạo

Mạng nơron nhân tạo có thể xem như là mô hình toán học của bộ não con ngườị Mạng nơron gồm có các tế bào nơron kết nối với nhau bởi các liên kết Mỗi liên kết kèm theo một trọng số, đặc trưng cho các đặc tính kích thích hay ức chế giữa các tế bào nơron

Hình III-2: Tế bào nơron nhân tạo Mỗi tế bào nơron được nối với các tế bào nơron khác và nhận tín hiệu xj từ chúng với các trọng số wj

Đặt: x = [x1 x2 xm]T là vector tín hiệu vào tế bào nơron

w = [w1 w2 wm]T là vector trọng số của tế bào nơron

Quá trình xử lý thông tin của tế bào nơron có thể chia làm 2 phần: xử lý ngõ vào

và xử lý ngõ rạ Hàm xử lý ở ngõ vào là hàm tổng có dạng như sau:

Hàm tuyến tính (linear function) :

1

m

T

j j j

m

j j j

Hàm ặ) gọi là hàm tác động (activation function) hay hàm truyền (transfer function) Các dạng hàm tác động thường dùng là:

Hình III-3: Hàm nấc Hình III-4: Hàm dấu