Ứng dụng mạng nơ ron nhân tạo trong dự báo công suất phát tại nhà máy điện mặt trời krông pa, gia lai

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.. Qua việc đánh giá các chỉ số MAE Mean Abs

NGUYỄN TIẾN HOÀNG

LUẬN VĂN THẠC SĨ KỸ THUẬT

Kỹ thuật điều khiển và tự động hóa

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA -

NGUYỄN TIẾN HOÀNG

ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO CÔNG SUẤT PHÁT TẠI NHÀ MÁY ĐIỆN MẶT TRỜI KRÔNG PA, GIA LAI

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi dưới sự hướng dẫn của Tiến sĩ Phan Văn Hiền – 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

Nguyễn Tiến Hoàng

MỤC LỤC

LỜI CAM ĐOAN

MỤC LỤC

TÓM TẮT

DANH MỤC CÁC TỪ VIẾT TẮT

DANH MỤC CÁC HÌNH

DANH MỤC CÁC BẢNG

MỞ ĐẦU 1

1 LÝ DO CHỌN ĐỀ TÀI 1

2 MỤC TIÊU NGHIÊN CỨU 2

3 ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 2

4 PHƯƠNG PHÁP NGHIÊN CỨU 3

5 Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN CỦA ĐỀ TÀI 3

6 CẤU TRÚC CỦA LUẬN VĂN 3

Chương 1- TỔNG QUAN VỀ NĂNG LƯỢNG BỨC XẠ MẶT TRỜI VÀ CÁC ỨNG DỤNG 4

1.1 Giới thiệu về năng lượng bức xạ mặt trời: 4

1.1.1 Cấu trúc của mặt trời 4

1.1.2 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 10

1.3 Tiềm năng bức xạ mặt trời khu vực tỉnh Gia Lai 13

1.4 Tổng quan nhà máy điện mặt trời tại huyện Krông Pa, Gia Lai 14

1.4.1 Vị trí xây dựng dự án 14

1.4.2 Đặc điểm khí hậu 15

1.4.3 Đặc điểm thủy văn 16

1.4.4 Tiềm năng bức xạ mặt trời tại huyện Krông Pa, Gia Lai 17

1.4.5 Phương án công nghệ của nhà máy điện mặt trời Krông Pa, Gia Lai 17

1.5 Kết luận chương 1 21

2.1 Các mô hình dự báo 22

2.2.1 Mô hình vật lý khí quyển 22

2.2.2 Mô hình thống kê theo chuỗi thời gian 22

2.2 Tổng quan về các công trình sử dụng hệ thống ANN dự báo năng lượng bức xạ mặt trời đã công bố 24

2.3 Kết luận chương 2 27

Chương 3 - 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 Mạng nơron nhân tạo 29

3.1.3 Các loại mạng nơron nhân tạo thường gặp 30

3.1.4 Các phương pháp huấn luyện mạng nơron nhân tạo 31

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 Krông Pa, Gia Lai 36

3.2.1 Xác định dữ liệu cho mô hình ANN 36

3.3 Lựa chọn cấu trúc mạng nơ ron nhân tạo dự báo bức xạ mặt trời tại nhà máy điện mặt trời Krông Pa, Gia Lai 38

3.3.1 Thuật toán huấn luyện mạng 39

3.3.2 Chỉ tiêu đánh giá 39

3.3.3 Xây dựng chương trình lựa chọn mô hình ANN tối ưu 40

3.4 Kết luận chương 3 44

Chương 4 - MÔ PHỎNG VÀ KẾT QUẢ 45

4.1 Thực nghiệm lựa chọn mô hình 45

4.2 Kết quả thực nghiệm 49

4.3 Kết luận chương 4 53

KẾT LUẬN VÀ KIẾN NGHỊ 54

1 KẾT QUẢ ĐẠT ĐƯỢC 54

2 KIẾN NGHỊ VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI 54

DANH MỤC TÀI LIỆU THAM KHẢO 55

ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG DỰ BÁO CÔNG SUẤT PHÁT TẠI NHÀ

MÁY ĐIỆN MẶT TRỜI KRÔNG PA, GIA LAI

Học viên: Nguyễn Tiến Hoàng Chuyên ngành: Kỹ thuật Điều khiển và Tự động hóa

Mã số: Khóa: K37.TĐH.KT 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 công suất phát Vị trí nghiên cứu là nhà máy điện mặt trời Krông Pa, Gia Lai Mô hình ANN được lựa chọn để nghiên cứu là mạng nơron truyền thẳng 3 lớp được huấn luyện bởi thuật toán Levenberg-Marquardt (LM) Các tham số đầu vào huấn luyện mạng số giờ phát trong ngày, nhiệt độ tấm pin 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

APPLICATION ARTIFICIAL NEURAL NETWORK FORECASR GENERATION POWER AT KRONG PA, GIA LAI

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 Krong Pa, Gia Lai solar power plant The ANN model selected for study was a 3-layer feedforward neural network trained with the Levenberg- Marquardt (LM) algorithm The network inputs number of hours played per day, temperature pv 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

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

Error)

Error)

Hình 1 1 Cấu trúc của mặt trời 4

Hình 1 2 Dải bức xạ điện từ 5

Hình 1 3 Quá trình truyền NLBXMT qua lớp khí quyển trái đất 6

Hình 1 4 Tấm pin mặt trời 7

Hình 1 5 Bếp nấu bằng năng lượng mặt trời 8

Hình 1 6 Hệ thống cung cấp nước nóng dùng năng lượng mặt trời 8

Hình 1 7 Thiết bị chưng cất nước dùng năng lượng mặt trời 9

Hình 1 8 Động cơ stirling dùng năng lượng mặ trời 9

Hình 1 9 Hiệu ứng quang điện 11

Hình 1 10 Sơ đồ minh họa nguyên lí hoạt động của pin mặt trời 11

Hình 1 11 Sơ đồ mô hình một nhà máy điện mặt trời PV nối lưới 12

Hình 1 12 Bản đồ tiềm năng bức xạ mặt trời Việt Nam [4] 14

Hình 1 13 Vị trí dự án nhà máy điện mặt trời trên bản đồ vệ tinh 15

Hình 1 14 Bức xạ ngang toàn phần hàng tháng (GHI) 17

Hình 1 15 Dải bức xạ điện từ 47

Hình 1 16 Quá trình truyền NLBXMT qua lớp khí quyển trái đất 50

Hình 3 1 Mô hình 2 nơ ron sinh học 28

Hình 3 2 Mô hình nơron đơn giản 29

Hình 3 3 Cấu trúc huấn luyện mạng nơron 30

Hình 3 4 Mạng nơron truyền thẳng một lớp 30

Hình 3 5 Mạng nơron truyền thẳng nhiều lớp 31

Hình 3 6 Mạng nơron hồi quy một lớp 31

Hình 3 7 Mạng nơron hồi quy nhiều lớp 31

Hình 3 8 Học có giám sát 32

Hình 3 9 Học củng cố 33

Hình 3 10 Học không có giám sát 33

Hình 3 11 Sơ đồ tổng quát huấn luyện một tế bào nơron nhân tạo 34

Hình 3 12 Cấu trúc ANN 3 lớp tổng quát 38

Hình 3 13 Sơ đồ xây dựng mô hình ANN dự báo năng lượng mặt trời 41

Hình 3 14 Cấu trúc mô hình ANN dự báo năng lượng trong Matlab 42

Hình 4 1 Thuật toán chọn mô hình ANN 45

Hình 4 2 Quá trình huấn luyện ANN 46

Hình 4 3 Đồ thị hàm mục tiêu 47

Hình 4 4 Đồ thị các tiêu chí đánh giá khi huấn luyện mạng 49

Hình 4 5 Kết quả dự báo cho 30 ngày và sai lệch dự báo (MAPE valid min) 51

Hình 4 6 Kết quả dự báo cho 30 ngày và sai lệch dự báo (MAPE verify min) 53

DANH MỤC CÁC BẢNG

Bảng 1 1 Số liệu về bức xạ mặt trời tại VN 13

Bảng 1 2 Bảng nhiệt độ trung bình tháng (từ năm 1980-:-2015) 16

Bảng 1 3 Số giờ nắng trung bình (từ năm 1980-:-2015) 16

Bảng 1 4 Bảng độ ẩm trung bình (từ năm 1980-:-2015) 16

Bảng 1 5 Bảng tốc độ gió trung bình (từ năm 1980-:-2015) 16

Bảng 1 6 Bảng lượng mưa trung bình (từ năm 1980-:-2015) 16

Bảng 1 7 Các thông số của Inverter 18

Bảng 1 8 Sản lượng điện năng của nhà máy 20

Bảng 2 1 Các tham số mô đầu vào mô hình ANN và độ chính xác [25] 26

Bảng 3 1 Một số thuật toán tối ưu 35

Bảng 3 2 Dữ liệu đầu vào 42

Bảng 4 1 Kết quả tính toán các chỉ tiêu đánh giá mô hình 50

1 LÝ DO CHỌN ĐỀ TÀI

Lượng điện năng tiệu thụ ở Việt Nam nói chung, tại Gia lai 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 bơm tưới cây nông nghiệp ngày càng cao Sản lượng điện tiêu thụ tại Gia Lai năm

2016 là 850 triệu kWh, năm 2017 là 980 triệu kWh, năm 2018 là 1tỷ 70 triệu kWh; tăng trung bình khoảng 11%/năm

Trong khi đó, các nguồn nhiên liệu hóa thạch dự trữ như than đá, dầu mỏ, khí thiên nhiên và ngay cả thủy điện đều 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 năng lượng mặt trời (NLMT) được xem như là dạng năng lượng ưu việt trong tương lai, đó là nguồn năng lượng sẵn có, thân thiện môi trường, suất đầu tư giảm, chi phí quản lý vận hành thấp 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 công suất phát của các Nhà máy điện 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

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

Trong đề tài này, chúng tôi nghiên cứu tính khả thi trong việc xây dựng mô hình mạng nơron nhân tạo (ANN) để dự báo công suất phát của Nhà máy điện mặt trời Địa điểm được chọn để nghiên cứu là nhà máy điện mặt trời Krông Pa, Gia Lai Mô hình ANN được lựa chọn để nghiên cứu là mạng nơron truyền thẳng 3 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 Qua việc 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 công suất phát cảu Nhà máy điện mặt trời tại địa điểm đã chọn

2 MỤC TIÊU NGHIÊN CỨU

Nắm bắt tổng quan về bức xạ mặt trời và ứng dụng vào nhà máy điện mặt trời Krông Pa, Gia Lai

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 sử dụng mạng nơron truyền thẳng 3 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 3 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 Krông Pa, Gia Lai

- 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 Gia Lai

+ 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 tại huyện KrôngPa, Gia Lai 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 gồm 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 1- TỔNG QUAN VỀ NĂNG LƯỢNG BỨC XẠ MẶT TRỜI VÀ

CÁC ỨNG DỤNG

1.1 Giới thiệu về năng lượng bức xạ mặt trời:

1.1.1 Cấu trúc của mặt trời

Mặt Trời là một khối khí hình cầu có đường kính 1,390.106 km, cách xa trái đất 150.106

km Khối lượng mặt trời khoảng 2.1030 kg, nhiệt độ trung tâm mặt trời thay đổi trong khoảng từ 10.106 K đến 20.106K, trung bình khoảng 156.105K

Về cấu trúc, Mặt trời có thể chia làm 4 vùng, tất cả hợp thành một khối cầu khí khổng lồ (hình 1.1) Vùng giữa gọi là nhân hay ―lõi‖ có những chuyển động đối lưu, nơi xảy ra những phản ứng nhiệt hạt nhân tạo nên nguồn năng lượng mặt trời, vùng này có bán kính khoảng 175.000 km, khối lượng riêng 160kg/dm3, nhiệt độ ước tính từ 14 đến 20 triệu độ, áp suất vào khoảng hàng trăm tỉ atmotphe Vùng kế tiếp là vùng trung gian còn gọi là vùng ―đổi ngược‖ qua đó năng lượng truyền từ trong ra ngoài Tiếp theo là vùng ―đối lưu‖ dày 125.000 km và vùng ―quang cầu‖ có nhiệt độ khoảng 6000 K, dày 1000 km Vùng ngoài cùng là vùng bất định và gọi là ―khí quyển‖ của Mặt trời [1]

1.1.2 Năng lượng bức xạ mặt trời

Mặt trời luôn phát ra một nguồn năng lượng khổng lồ và một phần nguồn năng lượng đó truyền bằng bức xạ đến trái đất chúng ta Mỗi ngày Mặt trời sản xuất một nguồn năng lượng qua phản ứng nhiệt hạch lên đến 91024 kWh, tức là chưa đầy một phần triệu giây Mặt trời đã giải phóng ra một lượng năng lượng tương đương với tổng số điện năng sản xuất trong một năm trên Trái đất

Hình 1 1 Cấu trúc của mặt trời

bản chất sóng và chúng khác nhau ở bước sóng Bức xạ γ có bước sóng ngắn nhất trong các sóng đó (Hình 1.2), 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

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 O3thành 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

Hình 1 2 Dải bức xạ điện từ

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 [1]

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 1.3) Yếu tố cơ bản xác định cường độ của bức xạ mặt trời ở một điểm nào đó trên Trái đất

là quãng đường nó đi qua Sự mất mát năng lượng trên quãng đường đó gắn liền với sự tán xạ, hấp thụ bức xạ và phụ thuộc vào thời gian trong ngày, mùa, vị trí địa lý

Năng lượng mặt trời là một trong các nguồn năng lượng sạch và vô tận và nó là nguồn gốc của các nguồn năng lượng khác trên trái đất Con người đã biết tận hưởng nguồn năng lượng quý giá này từ rất lâu, tuy nhiên việc khai khác, sử dụng nguồn năng lượng này một cách hiệu quả nhất thì vẫn là vấn đề mà chúng ta đang quan tâm

1.2 Ứng dụng của năng lượng bức xạ mặt trời

1.2.1 Các ứng dụng năng lượng bức xạ mặt trời

Năng lượng mặt trời là nguồn năng lượng mà con người biết sử dụng từ rất sớm, nhưng ứng dụng năng lượng mặt trời vào các công nghệ sản xuất và trên quy mô rộng thì mới chỉ thực sự vào cuối thế kỉ 18 và cũng chủ yếu ở những nước nhiều năng lượng mặt

Hình 1 3 Quá trình truyền NLBXMT qua lớp khí quyển trái đất

năng lượng mặt trời phổ biến hiện nay bao gồm 2 lĩnh vực chủ yếu Thứ nhất là 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 Lĩnh vực thứ hai đó là sử dụng năng lượng mặt trời dưới dạng nhiệt năng, 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 [1]

Việt Nam là nước có tiềm năng về năng lượng mặt trời, nằm trong khu vực có cường độ bức xạ mặt trời tương đối cao Do đó, việc sử dụng năng lượng mặt trời ở nước

ta sẽ mang lại hiệu quả kinh tế lớn Thiết bị sử dụng năng lượng mặt trời ở Việt Nam hiện nay chủ yếu là hệ thống cung cấp điện dùng pin mặt trời (hình 1.4) , hệ thống bếp nấu có gương phản xạ (hình 1.5), hệ thống cung cấp nước nóng (hình 1.6), chưng cất nước dùng năng lượng mặt trời (hình 1.7), dùng năng lượng mặt trời chạy các động cơ nhiệt (hình 1.8)

Hình 1 4 Tấm pin mặt trời

Hình 1 5 Bếp nấu bằng năng lượng mặt trời

Hình 1 6 Hệ thống cung cấp nước nóng dùng năng lượng mặt trời

Hình 1 7 Thiết bị chưng cất nước dùng năng lượng mặt trời

Hình 1 8 Động cơ stirling dùng năng lượng mặt trời

Trong phạm vi đề tài này, chúng tôi nghiên cứu ứng dụng năng lƣợng mặt trời vào các hệ thống quang điện mặt trời

Năm 1873, Willoughby Smith phát hiện hiện tượng quang dẫn của selenium Năm

1876, William G Adams và R E Day phát hiện ra mối nối selenium-platinum có hiệu ứng quang điện khi được chiếu sáng Hai phát hiện này đặt nền tảng cho pin mặt trời đầu tiên Năm 1883, Charles Fritts lần đầu tiên mô tả một pin mặt trời một cách chi tiết

Năm 1904, Albert Einstien xây dựng hoàn chỉnh lý thuyết của hiện tượng quang điện, ông được trao giải Nobel vào năm 1921 Lý thuyết của Einstein được Robert Millikan kiểm chứng thành công bằng thực nghiệm vào năm 1916

Năm 1918, nhà khoa học người Ba Lan, Jan Czochralski tìm ra phương pháp chế tạo thành công silicon đơn tinh thể, và năm 1941, pin mặt trời silicon đơn tinh thể đầu tiên được chế tạo

Năm 1932, hiệu ứng quang điện của CdS được phát hiện Ngày nay, CdS là một nguyên liệu quan trọng trong sản xuất pin mặt trời Tiếp theo đó là việc phát hiện ra các vật liệu khác cũng có hiệu ứng quang điện, mở ra một thời kỳ phát triển mạnh trong nghiên cứu pin mặt trời

Năm 1955, pin mặt trời bắt đầu được nghiên cứu ứng dụng cho vệ tinh nhân tạo,

và mở đầu cuộc chạy đua thật sự để đưa pin mặt trời vào ứng dụng thực tế và thương mại

1.2.2.2 Hiệu ứng quang điện

Hiệu ứng quang điện là hiện tượng điện tử thoát ra khỏi vật chất sau khi bị kích thích bởi năng lượng của các bức xạ ánh sáng

Alexandre Edmond Becquerel lần đầu tiên quan sát thấy hiệu ứng quang điện xảy

ra với một điện cực được nhúng trong dung dịch dẫn điện được chiếu sáng vào năm

1839 Năm 1873, Willoughby Smith phát hiện rằng selen (Se) có tính quang [2]

Năm 1887, Heinrich Hertz quan sát thấy hiệu ứng quang điện ngoài đối với các kim loại (hình 1.9)

1.2.2.3 Cấu tạo và nguyên lý hoạt động của pin quang điện

Pin mặt trời (hay còn gọi là pin quang điện, tế bào quang điện) được phát triển dựa

theo hiệu ứng quang điện, pin mặt trời gồm một hay nhiều tế bào quang điện, có khả

năng chuyển hóa một cách trực tiếp năng lượng dòng bức xạ điện từ của ánh sáng mặt

trời thành dòng điện một chiều (DC) để sử dụng vào các mục đích khác nhau [3]

Pin mặt trời được sản suất và ứng dụng phổ biến hiện nay là pin mặt trời được chế

tạo từ tinh thể bán dẫn Silicon(Si) Trong đại đa số các trường hợp, pin mặt trời là một

điốt bán dẫn cấu tạo bởi một lớp bán dẫn n có chiều dày rất mỏng (δ cỡ vài trăm nm) để

ánh sáng có thể truyền qua và một lớp bán dẫn p có chiều dày δ cỡ 1,0 - 5,0 μm được sử

dụng như một lớp hấp thụ Nguyên tắc hoạt động của pin mặt trời được minh họa trên

hình 1.10

Hình 1 9 Hiệu ứng quang điện

Hình 1 10 Sơ đồ minh họa nguyên lí hoạt động của pin mặt trời

Khi chuyển tiếp p-n được chiếu sáng, các photon có năng lượng lớn hơn độ rộng vùng cấm của lớp hấp thụ được hấp thụ và phát sinh ra các cặp điện tử - lỗ trống mới Dưới tác dụng của điện trường tiếp xúc nội của chuyển tiếp p-n, các cặp điện tử - lỗ trống bị tách ra và được góp về các điện cực đối diện và tạo ra một suất điện động quang điện Dòng quang điện phát sinh là dòng điện trực tiếp

và có thể sử dụng bằng cách chuyển đổi thành dòng điện xoay chiều hoặc tích trữ để sử dụng về sau

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 250

C 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

1.2.2.4 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

Hình 1 11 Sơ đồ mô hình một nhà máy điện mặt trời PV nối lưới

Việt Nam được đánh giá là có nguồn tài nguyên NLMT vào loại tốt trên thế giới Nguồn năng lượng sạch và tiềm năng lớn này hoàn toàn có thể tham gia đóng góp vào cân bằng năng lượng quốc gia

Đặc biệt ở các vùng miền Trung và miền Nam của đất nước, với cường độ bức xạ mặt trời trung bình khoảng 5 kWh/m2/ngày Trong khi đó ở các vùng phía Bắc cường độ bức xạ mặt trời lại thấp hơn, ước tính khoảng 4 kWh/ m2/ngày do điều kiện thời tiết với trời nhiều mây và mưa phùn vào mùa đông và mùa xuân Ở Việt nam, số giờ nắng trung bình khoảng 2.000 – 2.500 giờ/năm, tổng năng lượng bức xạ mặt trời trung bình khoảng

150 kcal/cm2/năm, với ước tính tiềm năng lý thuyết khoảng 43,9 tỷ TOE (tấn dầu tương đương/năm) Tiềm năng năng lượng mặt trời tốt nhất ở các vùng từ Gia Lai trở vào miền Nam (bảng 1.1 ) (bức xạ dao động từ 4,0 – 5,9 kWh/m2/ngày)

Bảng 1 1 Số liệu về bức xạ mặt trời tại VN

năm (giờ)

Cường độ BXMT (kWh/m 2 ,ngày)

Bản đồ tiềm năng bức xạ mặt trời Việt Nam (hình 1.12) cho thấy tổng quan về lượng bức xạ trung bình hàng năm tại vị trí dự án so với các vùng khác ở Việt Nam

Vùng Gia Lai có giờ nắng trung bình năm và cường độ bức xạ mặt trời khá cao,

Tổng số giờ nắng giao động từ 2.000 đến 2600 giờ/năm và bức xạ mặt trời trung bình đạt 4,93 kWh/ m2/ngày

1.4 Tổng quan nhà máy điện mặt trời tại huyện Krông Pa, Gia Lai

1.4.1 Vị trí xây dựng dự án

Nhà máy điện mặt trời Krông Pa có công suất 49 MW do Công ty Cổ phần Điện Gia Lai (GEC) được xây dựng mới hoàn toàn trên khu vực đất đồi không canh tác được rộng 71,15 ha thuộc xã Chư Gu, huyện Krông Pa, tỉnh Gia Lai (hình 1.13) [5]

Huyện Krông Pa là một huyện của tỉnh Gia Lai có diện tích tích 1.623,6 km² và có 82.000 người (năm 2016)

Hình 1 12 Bản đồ tiềm năng bức xạ mặt trời Việt Nam [4].

1.4.2 Đặc điểm khí hậu

Khí hậu huyện Krông Pa mang tính chất nhiệt đới hơi khô Do có địa hình núi án ngữ, che chắn hướng gió từ đông và tây nam, nên đặc điểm khí hậu của huyện Krông Pa

có phần khác với các vùng khác ở Gia Lai và Tây Nguyên

Krông Pa có hai mùa rõ rệt: mùa mưa và mùa khô Mùa mưa bắt đầu từ tháng 5 đến tháng 10 Mùa khô chủ yếu từ tháng 11 đến tháng 4 năm sau Trong mùa khô, Krông

Pa thường có 4 tháng khô hạn Krông Pa có lượng mưa trung bình 1.200mm/năm, độ ẩm trung bình là 83% Tháng 9 là tháng có lượng mưa cao nhất Các tháng cuối màu khô thường nắng nóng, lượng nước bốc hơi cao, trung bình 96mm/năm, do vậy mùa khô thường gây hạn hán, ảnh hưởng đến sản xuất nông nghiệp Nhiệt độ trung bình hàng năm

là 26,4oC Tháng nắng nóng nhất là tháng 4-5, có nhiệt độ cao là 29,7oC Tháng 2 có nhiệt độ 22,5 oC

Thời tiết của Krông Pa mang những nét đặc trưng riêng Mùa đông khô hanh, ít lạnh; mùa hè mưa ẩm mát mẻ Tuy không có bão, nhưng trong vùng thường chịu ảnh hưởng những đợt áp thấp nhiệt đới vùng biển Đông, gây ra những trận mưa dông lớn, những cơn gió kéo dài

Các số liệu khí tượng do Đài khí tượng thủy văn khu vực Tây Nguyên cung cấp trong chuỗi thời gian 35 năm từ năm 1980 đến năm 2015 cụ thể ở bảng 1.2 ÷ 1.6 như sau:

Hình 1 13 Vị trí dự án nhà máy điện mặt trời trên bản đồ vệ tinh

1.4.3 Đặc điểm thủy văn

Mật độ sông suối của Krông Pa không lớn Huyện bị chia cắt thành hai vùng bởi dòng sông Ba chảy từ Tây xuống Đông Đây là hệ thống sông lớn ở phía đông Trường Sơn, nó bắt nguồn từ núi Kông Ka King chảy qua địa phận các huyện Kbang, An Khê, Kông Chro, Ayun Pa và Krông Pa về tỉnh Phú Yên, rồi đổ ra biển Đông với hệ thống chi lưu, phụ lưu đa dạng Các nhánh chính của sông Ba là Ayun, hợp lưu với sông Ba tại thị

xã Ayun Pa, sông Krông Năng chảy vào sông Ba ở phần phía đông nam huyện Krông Pa

và sông Hinh tỉnh Phú Yên, rồi đổ về phía đông

Phía bắc huyện còn có hệ thống các sông Ia Rsai, Ia Mlah, Ia Kà Lúi Về phía nam

có Krông Năng, Ia Uar Hệ thống sông suối tạo ra cho vùng bãi bồi ven sông có đất đai màu mỡ dọc từ Ơi Nu đến buôn Tờ Khế, Ia Rsai xuống vùng Ma Rôk, vùng Quang Hiển

xã Đất Bằng thuận lợi cho việc trồng trọt, sản xuất nông nghiệp

nhất cần xem xét khi phát triển một nhà máy điện mặt trời Các số liệu về Bức xạ ngang toàn phần (GHI) tại vị trí dự án (xã Chư Gu, huyện Krông Pa, tỉnh Gia Lai) so sánh qua

04 nguồn dữ liệu kết quả được thể hiện qua hai biểu đồ hình 1.14

Hình 1 14 Bức xạ ngang toàn phần hàng tháng (GHI)

1.4.5 Phương án công nghệ của nhà máy điện mặt trời Krông Pa, Gia Lai

Các tấm pin quang điện sẽ chuyển đổi ánh sáng mặt trời thành năng lượng 1 chiều

DC nhờ vào hiệu ứng quang điện Năng lượng điện một chiều này sẽ được biến đổi thành dòng điện xoay chiều có cùng tần số với tần số lưới điện nhờ vào các bộ biến tần Lượng điện năng trên sẽ được hòa với điện lưới nhờ các máy biến áp nâng áp và hệ thống truyền tải điện

1.4.5.1 Mô đun điện quang

Dự án điện mặt trời Krông Pa sử dụng tấm PV 320Wp đa tinh thể có các thông số như sau:

- Công suất định mức ở điều kiện tiêu chuẩn : 320Wp

- Điện áp tại điểm làm việc có công suất lớn nhất : Vmpp = 37,4V

- Dòng điện tại điểm làm việc có công suất max : Impp = 8,56A

1.4.5.2 Bộ chuyển đổi DC/AC (Inverter):

Hệ thống pin mặt trời biến đổi năng lượng mặt trời thành điện một chiều, vì vậy cần phải có các bộ biến đổi điện một chiều từ pin mặt trời thành điện xoay chiều để đấu nối vào hệ thống Bộ biến tần (Inverter) là thiết bị được sử dụng để đảm nhiệm vai trò này Nguyên lý hoạt động của bộ Inveter là nghịch lưu điện áp một chiều và lấy tần số lưới làm mẫu Với công nghệ hiện nay, Inverter thương mại đã được chế tạo có thể được ghép đồng bộ với máy biến áp nâng để giảm tổn thất AC Các inverter được chế tạo loại này dùng cho các dự án có giải pháp đấu nối là giải pháp Central Inverter

Trong dự án này, sử dụng Inverter hãng SMA loại Sunny Central 1000 CP-XT Inverter có các thông số cụ thể ở bảng 1.7

Bảng 1 7 Các thông số của Inverter

1.4.5.3 Mô hình kết lưới của nhà máy

Dự án nhà máy điện mặt trời Krông Pa với quy mô công suất 49 MW chọn giải pháp thiết kế đấu nối nhà máy theo giải pháp Central Inverter (Hình 1.15), phù hợp với đặc điểm địa hình, giảm chi phí xây dựng, diện tích chiếm đất và giảm tổn thất so với các giải pháp khác

Hình 1 1 Mô hình kết lưới của nhà máy

1.4.5.4 Các kết quả tính toán sản lượng điện năng được thể hiện trong bảng 1.8

Bảng 1 8 Sản lượng điện năng của nhà máy

Chương này trình bày tổng quan về năng lượng bức xạ mặt trời và ứng dụng cụ thể cho khu vực tỉnh Gia Lai, đặc biệt là tại nhà máy điện mặt trời huyện Krông Pa đang vận hành Đề tài luận văn sẽ chọn áp dụng dự báo công suất (năng lượng) điện mặt trời với số liệu thu thập thực tế cho nhà máy này

Chương 2 - TỔNG QUAN CÁC PHƯƠNG PHÁP DỰ BÁO NĂNG LƯỢNG BỨC XẠ

MẶT TRỜI

2.1 Các mô hình dự báo

Với các ngành năng lượng mới, đặc biệt là điện mặt trời, sản lượng điện biến động

và phụ thuộc rất nhiều vào các điều kiện thời tiết Nếu dự báo công suất phát điện được sinh ra chính xác sẽ bảo đảm được việc giảm bớt dao động đỉnh lưới điện, áp suất điều chỉnh tần số, giảm bớt dung lượng dự phòng hệ thống điện lực, đồng thời là biện pháp hữu hiệu để nâng cao khả năng tiếp nhận của lưới điện Vì vậy, việc dự báo công suất phát điện của các Nhà máy điện mặt trời là rất cần thiết Hiện nay, các mô hình dự báo NLMT gồm 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 [6]

2.2.1 Mô hình vật lý khí quyển

Mô hình dự báo thời tiết số trị (NWP - Numerical Weather Prediction Model) là phương pháp dự báo thời tiết tiên tiến nhất hiện nay 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

2.2.2 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

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:

G i+p = f(G i+p-1 , G i+p-2 , G i+p-3 , , G i ) (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

{ ( ( )

) (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) [7]

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 [8]

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

Cho đến nay, việc sử dụng mô hình ANN để dự báo chuỗi thời gian nói chung và bức xạ mặt trời nói riêng được nghiên cứu rộng rãi Các thông số 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 [9]

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% [10] Mohandes và cộng 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% [11]

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 [12]

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 5,18x10-7[13]

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[14]

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 [15]

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 [16]

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 [17]

(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 Ân

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[18]

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 [19]

Tổng hợp một số mô hình ANN dự báo với các tham số đầu vào khác nhau và độ chính xác (Bảng 2.1)

Bảng 2 1 Các tham số mô đầu vào mô hình ANN và độ chính xác [25]

Tài liệu tham khảo Tham sô đâu vào ANN Độ chính xác Địa điểm

Khatib và cộng sự [20] Số ngày, tỉ lệ nắng,

Kinh độ, Vĩ độ

Chỉ số MAPE của bức xạ toàn cầu và khuếch tán tương ứng

tương đối và trung bình

Từ những nghiên cứu trên đây, chúng tôi thấy rằng: 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

Do đó, 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 tại Krông Pa, Gia Lai

2.3 Kết luận chương 2

Chương này tìm hiểu về cơ sở lý thuyết về các phương pháp và mô hình dự báo năng lượng bức xạ mặt trời, các công trình nghiên cứu đã công bố Từ đó, tác giả nhận thấy có thể xây dựng mô hình ANN mới để dự báo bức xạ mặt trời tại nhà máy điện mặt trời tại địa phương, đồng thời đây là vấn đề rất được quan tâm hiện nay khi năng lượng mặt trời đang được đầu tư phát triển kết hợp với các nguồn năng lượng gió, thủy điện Chúng sẽ có ảnh hưởng lớn đến bài toán truyền tải công suất, ổn định lưới điện, v.v…

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

Hình 3 1 Mô hình 2 nơ ron sinh học

sau: mỗi nơron có một số đầu vào, những kết nối (Synaptic) và một đầu ra (axon); một nơron có thể hoạt động (+35 mV) hoặc không hoạt động (-0,75 mV); chỉ có một đầu ra duy nhất của một nơron được nối với các đầu vào khác nhau của nơron khác

Điều kiện để nơron được kích hoạt hay không kích hoạt chỉ phụ thuộc những đầu vào hiện thời của chính nó Một nơron trở nên tích cực nếu đầu vào của nó vượt qua ngưỡng ở một mức nhất định Hình 3.2 biểu diễn một kiểu rất đơn giản Các đầu vào có hàm trọng Wj và bộ tổng Đầu ra của bộ tổng được sử dụng để quyết định một giá trị của đầu ra thông qua hàm chuyển Tương tự nơron sinh học của con người, nơron sẽ được kích hoạt nếu tổng giá trị vào vượt quá ngưỡng và không được kích hoạt nếu tổng giá trị vào thấp hơn ngưỡng Sự làm việc như vậy của nơron gọi là sự kích hoạt nhảy bậc

Các nơron lớp vào trực tiếp nhận tín hiệu ở đầu vào, ở đó mỗi nơron chỉ có một tín hiệu vào Mỗi nơron ở lớp ẩn được nối với tất cả các nơron lớp vào và lớp ra Các nơron

ở lớp ra có đầu vào được nối với tất cả các nơron ởlớp ẩn, chúng là đầu ra của mạng Cần chú ý rằng một mạng nơron cũng có thể có nhiều lớp ẩn Các mạng nơron trong mỗi nơron chỉ được liên hệ với tất cả các nơron ở lớp kế tiếp và tất cả các mối liên kết chỉ được xây dựng từ trái sang phải được gọi là mạng nhiều lớp truyền thẳng (perceptrons) Thông thường mạng nơron được điều chỉnh hoặc được huấn luyện để hướng các đầu vào riêng biệt đến đích ở đầu ra Cấu trúc huấn luyện mạng được chỉ ra trên hình 3.3 Ở đây, hàm trọng của mạng được điều chỉnh trên cơ sở so sánh đầu ra với đích mong muốn (taget) cho tới khi đầu ra mạng phù hợp với đích Những cặp vào/đích (input/taget) được dùng để giám sát cho sự huấn luyện mạng Để có được một số cặp vào/ra, ở đó mỗi giá trị vào được gửi đến mạng và giá trị ra tương ứng được thực hiện bằng mạng là sự xem xét

và so sánh với giá trị mong muốn Bình thường tồn tại một sai số bởi lẽ giá trị mong muốn không hoàn toàn phù hợp với giá trị thực Sau một lần chạy, ta có tổng bình phương của tất cả các sai số Sai số này được sử dựng để xác định các hàm trọng mới [27]

Hình 3 2 Mô hình nơron đơn giản