ĐẠI HỌC QUỐC GIA TP. HCM
TRƯỜNG ĐẠI HỌC BÁCH KHOA
--------------------

NGUYỄN HỮU KHOA MINH

ỨNG DỤNG GIẢI THUẬT STCN DỰ BÁO CÔNG SUẤT
NHÀ MÁY ĐIỆN GIÓ TÂN THUẬN
Chuyên ngành: KỸ THUẬT ĐIỆN.
Mã số: 8520201

LUẬN VĂN THẠC SĨ

TP. HỒ CHÍ MINH, tháng 7 năm 2023


CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI
TRƯỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG -HCM
Cán bộ hướng dẫn khoa học: PGS. TS. PHAN QUỐC DŨNG

Cán bộ chấm nhận xét 1: TS. TRƯƠNG PHƯỚC HÒA ........................

Cán bộ chấm nhận xét 2: TS. TRẦN QUỐC HOÀN ..............................

Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG
Tp. HCM ngày 15 tháng 7 năm 2023.
Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:
(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn
thạc sĩ)
1. Chủ tịch: PGS. TS Nguyễn Văn Nhờ
2. Thư ký: TS. Trương Hoàng Khoa

3. Phản biện 1: TS. Trương Phước Hòa
4. Phản biện 2: TS. Trần Quốc Hoàn
5. Ủy viên: TS. Trần Huỳnh Ngọc
Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý
chuyên ngành sau khi luận văn đã được sửa chữa (nếu có).
CHỦ TỊCH HỘI ĐỒNG

TRƯỞNG KHOA ĐIỆN-ĐIỆN TỬ


ĐẠI HỌC QUỐC GIA TP.HCM
TRƯỜNG ĐẠI HỌC BÁCH
KHOA

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT
NAM Độc lập - Tự do - Hạnh phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ
Họ tên học viên: NGUYỄN HỮU KHOA MINH

MSHV: 2070348

Ngày, tháng, năm sinh: 10/05/1997

Nơi sinh: TP.HCM

Chuyên ngành: Kỹ thuật điện

Mã số: 8520201


I. TÊN ĐỀ TÀI : “ỨNG DỤNG GIẢI THUẬT STCN DỰ BÁO CÔNG SUẤT
NHÀ MÁY ĐIỆN GIÓ TÂN THUẬN”.
(USING THE STCN ALGORITHM IN WIND POWER PREDICTION OF
THE TAN THUAN WIND POWER PLANT).
II. NHIỆM VỤ VÀ NỘI DUNG:
-

Giới thiệu các phương pháp dự báo công suất điện gió hiện có

-

Đề xuất phương pháp dùng giải thuật STCN cho dự báo cơng suất điện
gió

-

Xây dựng mơ hình STCN dự báo cơng suất điện gió đa bước thời gian
trong 3 tiếng sắp tới cho Nhà máy điện gió Tân Thuận

-

So sánh phương pháp đề xuất với các mơ hình dự báo chuỗi dữ liệu thời
gian hiện hữu khác như Vanilla LSTM, Stacked LSTM,… về các khía
cạnh mức độ hiệu quả và thời gian huấn luyện để rút ra các ưu và nhược
điểm.

III. NGÀY GIAO NHIỆM VỤ: 06/02/2023
IV. NGÀY HOÀN THÀNH NHIỆM VỤ: 11/06/2023
V. CÁN BỘ HƯỚNG DẪN: PGS.TS. PHAN QUỐC DŨNG
Tp. HCM, ngày . . . tháng . . . năm 2023.


CÁN BỘ HƯỚNG DẪN

CHỦ NHIỆM BỘ MÔN ĐÀO TẠO

PGS.TS. Phan Quốc Dũng
TRƯỞNG KHOA ĐIỆN – ĐIỆN TỬ


Trang ii

LỜI CẢM ƠN
Để hoàn thành được luận văn này em xin được gửi lời cảm ơn sâu sác tới thầy
PGS.TS Phan Quốc Dũng, Thầy đã dìu dắt từ khi em còn học đại học, làm luận văn
tốt nghiệp đại học, nghiên cứu khoa học và hiện tại, là luận văn tốt nghiệp cao học.
Thật khó để nói hết sự biết ơn đối với những sự giúp đỡ, hỗ trợ của Thầy, không chỉ
về mặt kiến thức chuyên môn mà cịn là những lời động viên, khích lệ tinh thần.
Với lòng biết ơn sâu sắc, em xin gửi lời cảm ơn đến quý Thầy Cô Khoa Điện
– Điện tử trường Đại học Bách Khoa TP. Hồ Chí Minh, những người đã dùng tri
thức và tâm huyết của mình để truyền đạt vốn kiến thức quý báu cho em trong suốt
thời gian qua.
Em xin gửi lời cảm ơn sâu sắc tới gia đình vì ln là hậu phương vững chắc
và là động lực để em phấn đấu và tiếp bước.
Sau cùng, em xin chúc quý Thầy Cô trong khoa Điện – Điện tử nói riêng và
tồn thể Thầy Cơ trường Đại học Bách Khoa TP. Hồ Chí Minh nói chung thật dồi
dào sức khỏe, niềm tin để tiếp tục sự nghiệp trồng người và truyền đạt kiến thức cho
các thế hệ mai sau.
TP.HCM, ngày tháng

năm 2023


Học viên thực hiện

Nguyễn Hữu Khoa Minh

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang iii

TÓM TẮT LUẬN VĂN
-----ỨNG DỤNG GIẢI THUẬT STCN DỰ BÁO CƠNG SUẤT NHÀ MÁY ĐIỆN
GIĨ TÂN THUẬN
Trong vài năm trở lại đây, nhu cầu phát triển kinh tế, xã hội và con người
trên toàn Thế Giới tăng cao dẫn đến nhu cầu sử dụng điện năng ngày càng trở nên
quan trọng. Trong khi các nguồn năng lượng như than đá, dầu mỏ, khí đốt có nguy
cơ gây ơ nhiễm mơi trường, suy giảm ozone và hiệu ứng nhà kính thì các nguồn
năng lượng tái tạo đã xuất hiện và đang thay thế một cách hiệu quả. Các nguồn năng
lượng sạch đã góp phần giảm thiểu tác động xấu đến môi trường, đảm bảo cung cấp
năng lượng phục vụ phát triển kinh tế, góp phần giữ vững tình hình an ninh, và
chính trị quốc gia. Một trong những nguồn năng lượng tái tạo có tiềm năng rất lớn
hiện nay là nguồn năng lượng gió. Ngành cơng nghiệp điện gió hiện tại đã và đang
đóng góp một sự phát triển to lớn tới ngành năng lượng Việt Nam. Tuy nhiên, sản
lượng điện năng từ những tuabin gió vẫn cịn những mặt hạn chế cho đến hiện tại
như độ biến động từ tốc độ gió và hướng gió. Ngồi ra, nó cịn phụ thuộc vào địa
hình, độ ẩm, thời gian trong ngày, mùa vụ,…
Nhận thức được vấn đề này, bài luận văn sẽ trình bày một giải thuật mới

mang tên Stacked Temporal Convolutional Network (STCN) và ứng dụng phương
pháp vào dự báo cơng suất điện gió đa bước thời gian và ngắn hạn của nhà máy điện
gió Tân Thuận 75 MW. Luận văn sẽ so sánh chất lượng độ chính xác và thời gian
huấn luyện của mơ hình đề xuất với các mơ hình dự báo chuỗi dữ liệu thời gian của
Neural Network hiện hữu khác như Vanilla LSTM, Stacked LSTM,… để rút ra các
ưu và nhược điểm. Các nguyên lý cơ bản, thông số và công thức quan trọng của các
giải thuật trên sẽ được trình bày chi tiết trong bài luận văn này. Kết quả được trình
bày dưới nhiều dạng bảng biểu, đồ thị và một giao diện ứng dụng dự báo cơng suất
điện gió của nhà máy điện gió Tân Thuận.

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang iv

ABSTRACT
-----USING THE STCN ALGORITHM IN WIND POWER PREDICTION OF
THE TAN THUAN WIND POWER PLANT
In recent years, the demand for economic, social, and human development
around the world has increased, leading to the growing importance of power
demand. While the energy from coal, oil, and gas causes pollution of the
environment, ozone depletion, and the greenhouse effect, renewable energy has
appeared and become an effective solution. Green energy has contributed to
reducing the negative impact on the environment and maintaining national security
and social and political stability. Nowadays, one of them with great potential is
wind power. Vietnam's energy sector has greatly benefited from the wind power
industry's growth. However, the power output from wind turbines is still

constrained by factors like wind direction and speed variations. Moreover, it also
depends on the terrain, humidity, hour of the day, season, etc.
To overcome this problem, this thesis introduces a new algorithm called
Stacked Temporal Convolutional Network (STCN) and applies it to multi-step and
short-term wind power forecasting for the 75 MW Tan Thuan Wind Power Plant.
The thesis will compare the predictive accuracy and training time between the
proposed model and the other existing time series forecasting models like the
Vanilla LSTM, Stacked LSTM, etc. to demonstrate pros and cons. In this thesis, the
fundamental principles, parameters, and important formulas of the above algorithms
will be described in depth. The results are presented in the form of tables, graphs,
and an application interface to forecast the wind power capacity of the Tan Thuan
wind power plant.

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang v

LỜI CAM ĐOAN
-----Luận văn thạc sĩ này được thực hiện tại Trường Đại Học Bách Khoa TP. Hồ
Chí Minh. Là cơng trình do tơi nghiên cứu, thực hiện dưới sự hướng dẫn trực tiếp
của PGS.TS. Phan Quốc Dũng.
Tôi xin cam đoan phần trình bày dưới đây là đúng sự thật về quá trình nghiên
cứu thực hiện luận văn của tơi. Trường hợp có khiếu nại gì liên quan tới luận văn tơi
hồn tồn chịu trách nhiệm.
Người thực hiện


Nguyễn Hữu Khoa Minh

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang vi

MỤC LỤC
-----NHIỆM VỤ LUẬN VĂN THẠC SĨ ...................................................................................... i
LỜI CẢM ƠN ........................................................................................................................ii
TÓM TẮT LUẬN VĂN .......................................................................................................iii
LỜI CAM ĐOAN .................................................................................................................. v
MỤC LỤC ............................................................................................................................ vi
DANH MỤC TỪ VIẾT TẮT .............................................................................................viii
DANH SÁCH HÌNH ẢNH................................................................................................... ix
DANH SÁCH BẢNG ........................................................................................................... xi
MỞ ĐẦU ............................................................................................................................... 1
1.

Đặt vấn đề ................................................................................................................... 1

2.

Mục đích luận văn....................................................................................................... 2

3.


Phương pháp thực hiện ............................................................................................... 3

4.

Đối tượng và phạm vi nghiên cứu .............................................................................. 3

5.

Ý nghĩa thực hiện đề tài .............................................................................................. 4

CHƯƠNG 1: GIỚI THIỆU CHUNG .................................................................................... 5
1.1.

Tổng quan tình hình nghiên cứu ............................................................................. 5

1.2.

Mục tiêu và nhiệm vụ nghiên cứu ........................................................................... 7

1.3.

Bố cục luận văn ....................................................................................................... 7

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT ...................................................................................... 9
2.1.

Năng lượng điện gió ................................................................................................... 9

2.2.


Lớp nơ-ron đầu vào (Input layer) và lớp nơ-ron đầu ra (Output layer) .................... 11

2.3.

Nguyên lý cơ bản LSTM .......................................................................................... 11

2.4.

Nguyên lý cơ bản của TCN ...................................................................................... 13

2.4.1.

Tích chập nhân quả (Causal convolutions) ....................................................... 13

2.4.2.

Tích chập giãn nỡ (Dilated convolutions) ......................................................... 14

2.4.3.

Kết nối phần dư (Residual connections)............................................................ 15

CHƯƠNG 3: QUY TRÌNH DỰ BÁO CƠNG SUẤT ĐIỆN GIÓ DỰ ÁN ĐIỆN GIÓ NHÀ
MÁY TÂN THUẬN ............................................................................................................ 17
3.1.

Các bước thực hiện ................................................................................................... 17

3.2.


Tiền xử lý dữ liệu ...................................................................................................... 18

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang vii

3.3.

Các chỉ số đánh giá mơ hình dự báo ......................................................................... 21

3.4.

Xây dựng các mơ hình dự báo .................................................................................. 22

3.4.1.

Mơ hình Vanilla LSTM ..................................................................................... 22

3.4.2.

Mơ hình Stacked LSTM (S-LSTM) .................................................................. 23

3.4.3.

Mơ hình Bidirectional LSTM (Bi-LSTM) ........................................................ 23


3.4.4.

Mơ hình Convolutional LSTM (Conv-LSTM).................................................. 25

3.4.5.

Mơ hình TCN .................................................................................................... 27

3.4.6.

Mơ hình STCN .................................................................................................. 28

CHƯƠNG 4: ỨNG DỤNG MƠ HÌNH DỰ BÁO CƠNG SUẤT ĐIỆN GIÓ DỰ ÁN NHÀ
MÁY ĐIỆN GIÓ TÂN THUẬN ......................................................................................... 31
4.1.

Giới thiệu ứng dụng .............................................................................................. 31

4.2.

Tiền xử lý dữ liệu .................................................................................................. 31

4.3.

Huấn luyện mơ hình .............................................................................................. 39

4.4.

Đánh giá mơ hình .................................................................................................. 41


4.5.

Kết luận ................................................................................................................. 48

KẾT LUẬN VÀ KIẾN NGHỊ NHỮNG NGHIÊN CỨU TIẾP THEO .............................. 49
DANH MỤC CƠNG TRÌNH KHOA HỌC ........................................................................ 50
TÀI LIỆU THAM KHẢO ................................................................................................... 71
PHỤ LỤC ............................................................................................................................ 75
LÝ LỊCH TRÍCH NGANG ................................................................................................. 79

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang viii

DANH MỤC TỪ VIẾT TẮT
TCN

Temporal Convolutional Network

STCN

Stacked Temporal Convolutional Network

NWP

Numerical Weather Prediction


LSTM

Long Short-Term Memory

RMSE

Root Mean Square Error

MAE

Mean Absolute Error

S-LSTM

Stacked Long Short-Term Memory

Bi-LSTM

Bidirectional Long Short-Term Memory

Conv-LSTM

Convolutional Long Short-Term Memory

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng



Trang ix

DANH SÁCH HÌNH ẢNH
Hình 2.1 Đường cong đặc tính điển hình của vận tốc gió và cơng suất điện gió của tuabin
điện gió ................................................................................................................................ 10
Hình 2.2 Mơ hình LSTM (nguồn từ [22])............................................................................ 12
Hình 2.3 Một mơ hình TCN có tích chập nhân quả với kích thước ma trận kernel
số bước nhảy dịch chuyển

và

.......................................................................................... 14

Hình 2.4 Một mơ hình TCN có tích chập nhân quả và tích chập giãn nỡ với kích thước ma
trận kernel

và hệ số giãn nỡ lần lượt là

..................................................... 15

Hình 2.5 Mơ tả các kết nối phần dư của một mạng nơ-ron cơ bản (nguồn từ [30]) ............ 16
Hình 3.1 Lưu đồ các bược thực hiện ................................................................................... 17
Hình 3.2 Thuật tốn Covariance Estimator ......................................................................... 20
Hình 3.3 Mơ hình xây dựng Vanilla LSTM ........................................................................ 22
Hình 3.4 Mơ hình xây dựng Stacked LSTM........................................................................ 23
Hình 3.5: Mơ hình Bidirectional LSTM cơ bản (nguồn [41]) ............................................. 24
Hình 3.6 Mơ hình xây dựng Bidirectional LSTM ............................................................... 25
HÌnh 3.7 Cấu trúc nội tại của ConvLSTM (nguồn [42]) ..................................................... 25
Hình 3.8 Mơ hình xây dựng Convolutional LSTM ............................................................. 27

Hình 3.9 Mơ hình xây dựng TCN ........................................................................................ 28
Hình 3.10 Quy trình huấn luyện và đánh giá mơ hình ......................................................... 29
Hình 3.11 Xây dựng mơ hình STCN ................................................................................... 30
Hình 4.1 Giao diện ứng dụng dự báo cơng suất điện gió .................................................... 31
Hình 4.2 Biểu diễn sử dụng dữ liệu đầu vào để dự báo dữ liệu tương lai ........................... 32
Hình 4.3 Đồ thị quan hệ cơng suất và vận tốc gió trước khi tiền xử lý dữ liệu ................... 33
Hình 4.3 Lọc ngoại lai dữ liệu bằng phần mềm Orange với thuật tốn Covariance
Estimator .............................................................................................................................. 36
Hình 4.4 Đồ thị quan hệ công suất và vận tốc gió sau khi tiền xử lý dữ liệu ...................... 37
Hình 4.6 Đường cong mất mát huấn luyện và đánh giá của mơ hình xếp chồng 5 lớp TCN
............................................................................................................................................. 40
Hình 4.7 Kết quả RMSE và MAE của các mơ hình dự báo cơng suất thực điện gió với 3 dữ
liệu đầu vào .......................................................................................................................... 42
Hình 4.8 Kết quả RMSE và MAE của các mơ hình dự báo cơng suất thực điện gió với 2 dữ
liệu đầu vào .......................................................................................................................... 43
LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang x

Hình 4.10 Mơ hình 5 lớp xếp chồng TCN dự báo 30 mẫu dữ liệu kiểm tra trong 30 phút tới
............................................................................................................................................. 45
Hình 4.11 Mơ hình 5 lớp xếp chồng TCN dự báo 30 mẫu dữ liệu kiểm tra trong 1 tiếng tới
............................................................................................................................................. 46
Hình 4.12 Mơ hình 5 lớp xếp chồng TCN dự báo 30 mẫu dữ liệu kiểm tra trong 1 tiếng 30
phút tới ................................................................................................................................. 46
Hình 4.13 Mơ hình 5 lớp xếp chồng TCN dự báo 30 mẫu dữ liệu kiểm tra trong 2 tiếng tới

............................................................................................................................................. 47
Hình 4.14 Mơ hình 5 lớp xếp chồng TCN dự báo 30 mẫu dữ liệu kiểm tra trong 2 tiếng 30
phút tới ................................................................................................................................. 47
Hình 4.15 Mơ hình 5 lớp xếp chồng TCN dự báo 30 mẫu dữ liệu kiểm tra trong 3 tiếng tới
............................................................................................................................................. 48

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang xi

DANH SÁCH BẢNG
Bảng 4.1 Hệ số PCC của các đặc tính đầu vào và đầu ra trước khi loại bỏ ngoại lai bằng
phần mềm Orange ................................................................................................................ 33
Bảng 4.2 Hệ số SCC của các đặc tính đầu vào và đầu ra trước khi loại bỏ ngoại lai bằng
phần mềm Orange ................................................................................................................ 34
Bảng 4.3 Hệ số PCC giữa các đặc tính sau khi tiền xử lý dữ liệu ....................................... 37
Bảng 4.4 Hệ số SCC giữa các đặc tính sau khi tiền xử lý dữ liệu ....................................... 38
Bảng 4.5 Thời gian huấn luyện mơ hình dự báo .................................................................. 44

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang 1


MỞ ĐẦU
1. Đặt vấn đề
Hiện nay, Thế Giới đã và đang cho thấy sức mạnh và tầm ảnh hưởng to lớn của
cơng cuộc cơng nghiệp hóa - hiện đại hóa. Song song với điều đó là kéo tới nhu cầu
điện tiêu dùng và sản xuất ngày càng tăng. Vào những năm gần đây, trong khi các
nguồn năng lượng truyền thống như than đá, dầu mỏ, khí đốt,… ngày càng cạn kiệt
và bộc lộ những nguy cơ, rủi ro như gây ơ nhiễm mơi trường, hiệu ứng nhà kính thì
các nguồn năng lượng tái tạo xuất hiện, giúp giảm thiểu ảnh hưởng xấu đến môi
trường, đảm bảo cung cấp năng lượng phục vụ thúc đẩy kinh tế và giữ vững tình
hình an ninh chính trị. Một trong những nguồn năng lượng sạch đã phát triển mạnh
mẽ và có tiềm năng lớn thời gian gần đây là năng lượng gió.
Ngày nay, sản xuất điện gió càng ngày càng trở nên quan trọng nhờ vào những
ưu điểm trong chi phí, bảo vệ mơi trường, khơng gây ơ nhiễm, tính phổ biến và tiềm
năng to lớn trên toàn Thế Giới. Việt Nam là một đất nước có tiềm năng phát triển
điện gió rất lớn, với tổng tiềm năng kỹ thuật ước tính đạt 377 GW, trong đó điện gió
trên bờ khoảng 217 GW, và 160 GW điện gió ngồi khơi [1]. Thật vậy, nhờ vào khí
hậu nhiệt đới gió mùa và đường bờ biển dài hơn 3200 km, vị trí địa lý của Việt Nam
mang sự triển vọng to lớn cho việc phát triển điện gió. Theo như các nghiên cứu,
39% lãnh thổ của đất nước ta có tốc độ gió lớn hơn 6 m/s tại độ cao 65 m, tương
đương 513 GW [2]. Những năm gần đây, Việt Nam cũng đã có những chiến lược
thúc đẩy sự phát triển ngành công nghiệp điện gió nhờ vào cơ chế khuyến khích giá
FIT từ các Quyết định số 11, số 13, và số 39 của Thủ tướng Chính phủ [3]. Theo
báo cáo của Tập đồn Điện lực Việt Nam (EVN), đã có 84 dự án đã được cơng nhận
vận hành thương mại COD tính đến hết ngày 31/10/2021 với tổng công suất lên tới
3980.27 MW [4]. Do cơ cấu nguồn điện vẫn chuyển dịch theo hướng xanh và sạch
hơn trong tương lai, trong Dự thảo Quy hoạch điện VIII, quy mơ điện gió ước tính
sẽ đạt tương ứng vào năm 2030 là gần 28480 MW, và năm 2050 lên tới 153550
MW [3].


LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang 2

Để có thể thu hút sự quan tâm của các nhà đầu tư cả trong và ngoài nước, Tập
đoàn EVN đã đưa ra các ưu đãi về đầu tư xây dựng nhà máy và giá bán điện. Một
trong những dự án lớn được đưa vào vận hành thương mại COD là nhà máy điện
gió Tân Thuận. Dự án Nhà máy điện gió Tân Thuận giai đoạn 1 và giai đoạn 2 có
tổng cơng suất 75 MW, với quy mơ gồm 18 trụ tuabin gió, do Cơng ty cổ phần Đầu
tư Năng lượng tái tạo Cà Mau làm chủ đầu tư [5]. Với tổng mức đầu tư hơn 3800 tỷ
đồng, khi đi vào vận hành, Nhà máy điện gió Tân Thuận sẽ cung cấp cho hệ thống
điện quốc gia khoảng 225 triệu kWh/năm, góp phần thúc đẩy phát triển kinh tế địa
phương huyện Đầm Dơi nói riêng và tỉnh Cà Mau nói chung, đảm bảo an ninh năng
lượng của đất nước Việt Nam.
Bên cạnh những ưu điểm kể trên của nguồn năng lượng gió, chúng ta cũng nhận
biết rằng gió là một nguồn năng lượng dao động không liên tục và phụ thuộc nhiều
vào thời tiết. Nguồn năng lượng gió không phù hợp để đáp ứng nhu cầu năng lượng
tải cơ trừ khi ta sử dụng một số phương pháp tích trữ năng lượng như hệ thống pin
Battery Energy Storage Sytem (BESS). Thật vậy, nhược điểm lớn của nguồn năng
lượng gió chính là đặc tính khơng ổn định và bất biến. Để có thể đảm bảo những
yêu cầu về quản lý, vận hành hệ thống điện cũng như sử dụng hiệu quả nguồn tài
nguyên quý báu này, các phương pháp dự báo cơng suất gió ra đời và đem lại những
hữu ích nhất định. Một phương pháp dự báo cơng suất gió mang tính chính xác và
độ tin cậy cao có thể giúp các nhân viên vận hành điều khiển tuabin gió khai thác
hiệu quả nguồn năng lượng hoặc trung tâm Điều độ Hệ thống điện Quốc gia lập
những dự kiến cơng suất huy động chính xác, đem lại sự ổn định vận hành hệ thống

điện. Nhận thức được tầm quan trọng của phương pháp kể trên, luận văn này sẽ đưa
ra một mơ hình biến thể mới mang tên Stacked Temporal Convolutional Network
(STCN) để dự báo công suất điện gió ngắn hạn và đa bước thời gian cho dự án Nhà
máy điện gió Tân Thuận.
2. Mục đích luận văn
Mục đích của đề tài là xây dựng một mơ hình giải thuật mới mang tên STCN để
giải quyết bài toán dự báo cơng suất điện gió đa bước thời gian (multi-step ahead)

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang 3

trong 3 tiếng sắp tới cho dự án Nhà máy điện gió Tân Thuận. Bài luận văn sẽ so
sánh và đưa ra các kết quả chứng minh giải thuật đề xuất vượt trội hơn so với các
mơ hình giải thuật dự báo chuỗi thời gian khác của nơ-ron như Vanilla LSTM,
Stacked LSTM,…
3. Phương pháp thực hiện
-

Phương pháp nghiên cứu của đề tài là dựa vào các cơ sở lý thuyết

-

Nghiên cứu và xây dựng mơ hình STCN dựa trên thư viện Keras-TCN
3.4.4, các mơ hình nơ-ron dự báo khác như Vanilla LSTM, Stacked
LSTM,… dựa trên thư viện Keras 2.9. Ngơn ngữ được sử dụng lập trình

là Python

-

Sử dụng phần mềm Orange để phát hiện và loại bỏ các thành phần ngoại
lai của tập dữ liệu thô

-

Xây dựng một giao diện ứng dụng dựa trên thư viện Tkinter của Python
để thể hiện kết quả so sánh dưới dạng bảng và đồ thị giữa mơ hình đề
xuất STCN và các mơ hình nơ-ron dự báo khác trong việc dự báo cơng
suất điện gió ngắn hạn và với nhiều bước thời gian sắp tới

4. Đối tượng và phạm vi nghiên cứu
Đề tài này nghiên cứu xây dựng mơ hình mang tên STCN và ứng dụng vào dự
báo cơng suất điện gió đa bước thời gian trong 3 tiếng sắp tới dựa trên đầu vào là dữ
liệu lịch sử đo lường thời tiết và cơng suất điện gió của dự án Nhà máy điện gió Tân
Thuận. Mỗi bước thời gian cách nhau là 30 phút. Tức là kết quả của đề tài luận văn
là cơng suất dự báo điện gió vào các khung giờ 30 phút, 1 tiếng, 1 tiếng 30 phút, 2
tiếng, 2 tiếng 30 phút và 3 tiếng sắp tới. Dữ liệu lịch sử thời tiết bao gồm vận tốc
gió, hướng gió, nhiệt độ và cơng suất gió từ tháng 4 đến tháng 7 năm 2022 sẽ được
làm tập dữ liệu cho việc huấn luyện mơ hình đề xuất này. Bài luận văn sẽ so sánh
kết quả của mơ hình đề xuất với các mơ hình dự báo chuỗi thời gian của nơ-ron
khác bao gồm Vanilla LSTM, Stacked LSTM, Bidirectional LSTM, Convolutional
LSTM và TCN.
LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng



Trang 4

5. Ý nghĩa thực hiện đề tài
Dự báo công suất điện gió của nhà máy Tân Thuận góp phần không nhỏ trong
công tác vận hành, điều khiển hệ thống điện, điều độ kinh tế, và lập dự kiến huy
động công suất. Việc tạo ra một giải thuật dự báo tốt và độ chính xác cao hơn đem
lại nhiều triển vọng trong việc sử dụng hiệu quả nguồn năng lượng gió.

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang 5

CHƯƠNG 1: GIỚI THIỆU CHUNG
1.1.

Tổng quan tình hình nghiên cứu

Dự báo cơng suất phát nguồn điện gió là một trong những công việc quan trọng
nhằm quản lý, vận hành hệ thống điện, khai thác nguồn tài nguyên gió một cách
hiệu quả. Tùy vào tính chất riêng và mục đích sử dụng của mỗi nhà máy điện gió,
các phương pháp dự báo cơng suất điện gió có thể được nghiên cứu và áp dụng để
mang tính phù hợp. Theo như nghiên cứu [6], có thể phân loại dự báo cơng suất
điện gió thành 4 loại dựa trên miền thời gian dự báo: Dự báo cực ngắn hạn – từ vài
giây đến 30 phút sắp tới; Dự báo ngắn hạn – từ 30 phút đến 6 tiếng sắp tới; Dự báo

trung hạn – từ 6 tiếng đến 1 ngày sắp tới; Dự báo dài hạn – từ 1 ngày đến 1 tuần sắp
tới. Dự báo cực ngắn hạn đem lại sự hữu ích trong việc điều khiển tuabin gió theo
thời gian thực. Dự báo ngắn hạn giúp bộ phận điều độ lên kế hoạch dự kiến công
suất huy động. Dự báo trung hạn đóng vai trị quan trọng trong việc đảm bảo tình
hình an ninh năng lượng quốc gia. Dự báo dài hạn giúp các kỹ sư vận hành lên kế
hoạch bảo trì để tiết kiệm tối đa chi phí vận hành.
Dựa trên hướng tiếp cận phương pháp dự báo, bài nghiên cứu [7] đã phân thành
3 loại hình dự báo: mơ hình vật lý, mơ hình thống kê, và các mơ hình trí tuệ nhân
tạo. Mơ hình vật lý sẽ sử dụng các yếu tố thời tiết như dữ liệu dự báo thời tiết
(Numerical weather prediction – NWP) hoặc các dữ liệu đo lường như nhiệt độ, độ
ẩm, áp suất khí quyển để làm đầu vào mơ hình dự báo [8]. Nhóm phương pháp dự
báo cơng suất gió trên cần phải xem xét các khía cạnh như địa hình, cao độ dự án,
cũng như đường cong công suất khác nhau của các tuabin gió để tính tốc độ gió tại
chiều cao của hub. Nhóm phương pháp này có ưu điểm không cần nhiều dữ liệu lịch
sử của dự án điện gió, tuy nhiên, ta rất khó để mơ hình hóa và phải phân tích rất
nhiều yếu tố vận hành khác nhau như địa hình địa lý và mơi trường khí quyển [8].
Đối với nhóm phương pháp thứ 2, các mơ hình cổ điển thống kế có thể liệt kê gồm
mơ hình Hammerstein autoregressive [9], fractional-ARIMA [10], autoregressive
moving average [11], và autoregressive integrated moving average [12]. Các mơ
hình chuỗi thời gian này được dùng để phân tích sự biến đổi tuyến tính của tốc độ

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang 6

gió và cơng suất điện gió tại từng vị trí khác nhau [13]. Để có thể tạo ra một mơ

hình tốn học, các mơ hình thống kê cần phải có một lượng dữ liệu lịch sử lớn và
chất lượng cao [8]. Trong vài năm trở lại đây, rất nhiều giải thuật học sâu đã được
sử dụng để dự báo công suất điện vào khung thời gian ngắn hạn, và đã đưa ra các
kết quả vượt trội hơn so với các phương pháp truyền thống. Ví dụ, đối với tình hình
nghiên cứu trong nước, một mơ hình mạng nơ-ron nhiều lớp truyền thẳng đã được
nghiên cứu mang lại kết quả dự báo cơng suất điện gió bám khá sát so với số liệu
thực tế tuy nhiên kết quả vẫn chưa tốt, và chưa cho thấy sự vượt trội so với các mơ
hình khác như PSO-ANN, GA-PSO-ANN, PSO-PS-ANN, … [14] Ngồi ra, một
biến thể mạng nơ-ron mới mang tên Long Short-Term Memory (LSTM) đã được
thiết kế để khắc phục tình trạng biến mất đạo hàm ( Vanishing Gradient) của mơ
hình truyền thống Recurrent Neural Network trong việc dự báo công suất điện gió
[15]. Thời gian trở lại đây, một mơ hình nơ-ron mới mang tên Temporal
Convolutional Network (TCN) đã được nghiên cứu và cho ra kết quả xử lý chuỗi
thời gian đầu vào dài hơn nhưng cần dữ liệu bộ nhớ ít hơn so với các mơ hình
truyền thống trước đây [16]. Mơ hình TCN sau đó đã được phát triển cho việc dự
báo công suất ngắn hạn, và đưa ra kết quả vượt trội hơn so với các mơ hình cổ điển
như Support Vector Machine, LSTM,… [17]. Tuy nhiên, cách tiếp cận cơ bản TCN
và LSTM trên chỉ mới giải quyết bài tốn dự báo cơng suất điện gió 1 bước thời
gian sắp tới. Các mơ hình dự báo cơng suất điện gió 1 bước thời gian sẽ khơng đủ
chính xác trong công tác đưa ra các hoạt động vận hành mang tính ổn định và lâu
dài [18]. Ngược lại, mơ hình dự báo cơng suất điện gió với nhiều bước thời gian sắp
tới sẽ giúp ta có khả năng nắm bắt được tồn bộ động lực học tuabin gió từ đó đưa
ra các quyết định điều khiển mang tính hiệu quả hơn. Các ứng dụng trong công tác
dự báo cơng suất điện gió với nhiều bước thời gian sắp tới có thể kế đến ở các lĩnh
vực bao gồm vận hành, điều khiển hệ thống điện, điều độ kinh tế, và lập dự kiến
huy động công suất.
Mỗi phương pháp dự báo cơng suất điện gió có các ưu điểm và nhược điểm
riêng khác nhau và sẽ phù hợp với mỗi loại mục tiêu và ứng dụng khác nhau. Đối
với dự án Tân Thuận, dữ liệu NWP không được thu thập do thuộc sở hữu của Trung
LUẬN VĂN THẠC SĨ


HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang 7

tâm dự báo khí tượng thủy văn. Bài luận văn này sẽ sử dụng một biến thể mới TCN
mang tên Stacked Temporal Convolutional Network (STCN) để ứng dụng vào dự
báo cơng suất điện gió ngắn hạn và với nhiều bước thời gian sắp tới của nhà máy
điện gió Tân Thuận dựa vào đầu vào là dữ liệu lịch sử thời tiết và cơng suất điện
gió. Luận văn sẽ đưa ra các kết quả chứng minh phương pháp đề xuất vượt trội hơn
so với các phương pháp xử lý chuỗi thời gian khác của mạng nơ-ron. Biến thể
STCN trong vài năm gần đây đã được phát triển trong việc xử lý chuỗi thời gian
trong dự báo gene [16] hoặc phát hiện bất thường trong IoT [19].
1.2.

Mục tiêu và nhiệm vụ nghiên cứu

Mục tiêu của đề tài là nghiên cứu và xây dựng mơ hình STCN mang đặc tính
tích chập nhân quả giãn nở (causal dilated convolutions) và các kết nối phần dư
(residual connections) để mở rộng các vùng tiếp nhận (receptive fields) và xử lý
chuỗi dữ liệu thời gian dài hơn. Mơ hình STCN sẽ được sử dụng để dự báo cơng
suất điện gió ngắn hạn và nhiều bước thời gian sắp tới. Kết quả của việc dự báo của
mô hình đề xuất sẽ được so sánh với các mơ hình dự báo chuỗi dữ liệu thời gian
khác của nơ-ron như Vanilla LSTM, Stacked LSTM (S-LSTM), Bidirectional
LSTM (Bi-LSTM), Convolutional LSTM (Conv-LSTM) và TCN về chất lượng độ
chính xác và thời gian huấn luyện mơ hình.
1.3.


Bố cục luận văn

Nội dung luận văn được trình bày qua 6 chương:
-

Chương 1 trình bày tổng quan các cơng trình nghiên cứu dự báo cơng
suất điện gió cũng như ứng dụng nó vào trong lĩnh vực đời sống, giới
thiệu phương pháp STCN của bài luận văn sẽ dự báo cơng suất điện gió
ngắn hạn và đa bước thời gian chính xác hơn so với các phương pháp dự
báo chuỗi dữ liệu thời gian khác của mạng nơ-ron

-

Chương 2 giới thiệu cơ sở lý thuyết điện gió, mạng nơ-ron LSTM, các
biến thể của LSTM, mạng nơ-ron TCN

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang 8

-

Chương 3 trình bày quy trình dự báo cơng suất điện gió bao gồm cách
tiền xử lý dữ liệu, các chỉ số đo lường hiệu suất, cách xây dựng các mơ
hình dự báo cơng suất điện gió và cách huấn luyện mơ hình


-

Chương 4 trình kết quả tiền xử lý dữ liệu, q trình huấn luyện mơ hình
dự báo, đánh giá và so sánh kết quả mơ hình đề xuất với các mơ hình
khác trình bày ở dạng giao diện ứng dụng dự báo cơng suất điện gió của
dự án Nhà máy Điện gió Tân Thuận

-

Chương 5 trình bày kết luận và kiến nghị những nghiên cứu tiếp theo

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang 9

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
2.1.

Năng lượng điện gió

Nguồn năng lượng điện gió đang dần trở thành một trong những nguồn năng
lượng tiềm năng giải quyết khủng khoảng năng lượng trên tồn cầu. Nhìn chung,
cơng suất phát điện gió của mỗi tuabin gió được mơ tả thơng qua cơng thức sau
[14], [20]:
(2.1)
Trong đó,


là mật độ khơng khí (kg/m3); A là diện tích quét của rotor (m2);

là hệ số hiệu suất;

là tốc độ gió (m/s);

là hiệu suất của máy phát điện;

là

hiệu suất của hộp số.
(

)

(2.2)

Với T là nhiệt độ môi trường (0C); h là độ cao của tuabin gió so với mực nước
biển (m).
Đường cong công suất của một tuabin gió giúp mơ tả mối quan hệ cơng suất gió
phát ra và tốc độ gió tại độ cao làm quay cánh tuabin, là một đặc tính quan trọng
của tuabin gió và hỗ trợ cho các công tác đánh giá năng lượng, hiệu năng đo lường.

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng



Trang 10

Hình 2.1 Đường cong đặc tính điển hình của vận tốc gió và cơng suất điện gió của
tuabin điện gió (nguồn từ [20])
Hình 2.1 biểu diễn một đường cong điển hình cơ bản cho loại tuabin gió có thể
tự động điều chỉnh góc nghiêng cánh quạt (Pitch regulated) [20] . Ở khu vực đầu
tiên, công suất phát P của tuabin gió sẽ là 0 nếu tốc độ gió thấp hơn
vực thứ 2, giữa tốc độ gió

và

, ta quan sát thấy sự tăng trưởng nhanh của

công suất phát P. Và ở khu vực 3, giữa
P đang giữ ổn định tại

. Trong khu

và

, ta quan sát thấy công suất phát

. Tuy nhiên, nếu tốc độ gió lớn hơn

, để đảm bảo an

tồn thiết bị và vận hành tốt, tuabin gió phải ngừng hoạt động, đồng nghĩa công suất
P bằng 0.
Các yếu tố thời tiết mang tính chất bất định và ảnh hưởng đến cơng suất phát của
tuabin gió nên trong bài báo này, luận văn sẽ sử dụng 03 yếu tố thời tiết sau:

-

Tốc độ gió: tác động trực tiếp đến cơng suất đầu ra của tuabin

-

Hướng gió: tác động trực tiếp đến lực nâng cánh làm quay tuabin

-

Nhiệt độ: tác động đến mật độ khơng khí làm thay đổi cơng suất đầu ra
tuabin

Ngoài yếu tố thời tiết, luận văn sẽ sử dụng cả dữ liệu lịch sử công suất điện gió
của dự án Nhà máy điện gió Tân Thuận.

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang 11

2.2.

Lớp nơ-ron đầu vào (Input layer) và lớp nơ-ron đầu ra (Output layer)

Lớp nơ-ron đầu vào có nhiệm vụ thu nhận các tín hiệu đầu vào và truyền cho các
nơ-ron của lớp ẩn xử lý. Các nơ-ron thuộc lớp đầu vào khơng thực hiện bất kì tính

tốn nào. Vì vậy, ta luôn chọn số lượng nơ-ron trong lớp đầu vào bằng với số lượng
các biến đầu vào.
Đối với lớp đầu ra, số lượng nơ-ron được chọn bằng số đầu ra của mạng. Bài
luận văn này chọn lớp Dense làm lớp đầu ra của mạng. Lớp Dense là một lớp cổ
điển trong mạng nơ-ron nhân tạo. Lớp ẩn này sẽ thực hiện phép tính tốn cho đầu ra
qua cơng thức sau [21]:
(
Với

(

)

là một hàm kích hoạt tùy chỉnh,

)

(2.3)

là ma trận trọng số và

là độ lệch được tạo bởi lớp. Lớp Dense sẽ nhận các tham số cấu hình khác
nhau. Một trong đó là số lượng nơ-ron tương ứng số đầu ra của mạng.
Trong một mạng nơ-ron nhân tạo, hàm kích hoạt được xem là một thành phần
đóng vai trị tạo thành phần phi tuyến cho các đầu ra của mạng nơ-ron. Luận văn
này sử dụng hàm ReLU là hàm kích hoạt được sử dụng khá nhiều trong những năm
gần đây khi huấn luyện các mạng nơ-ron. Công thức hàm ReLU được mô tả qua sau
[22]:
( )


(

)

(2.4)

Theo nghiên cứu [22], hàm ReLU là một hàm kích hoạt phi tuyến có các ưu
điểm tốc độ hội tụ và tính tốn nhanh hơn so với các hàm Tanh và Sigmoid.
2.3.

Nguyên lý cơ bản LSTM

Bài luận văn thạc sĩ này sẽ so sánh phương pháp đề xuất xây dựng mơ hình
STCN với các mơ hình biến thể LSTM vốn đã nổi tiếng trong những năm gần đây
trong việc dữ báo chuỗi dữ liệu thời gian. Mơ hình mạng nơ-ron LSTM được phát
triển nhằm cải tiến mơ hình tiền nhiệm RNN với mục đích giải quyết hiện tượng

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng


Trang 12

biến mất đạo hàm hay còn là khả năng xử lý các phụ thuộc xa (Long-term
dependencies) [23]. Hiện tượng biến mất đạo hàm là hiện tượng những ma trận
trọng số tương ứng của các lớp (layer) của mạng nơ-ron (neural network) rất khó
được huấn luyện vì đạo hàm của hàm mất mát theo các ma trận này rất nhỏ. LSTM
xuất hiện với định nghĩa là một mơ hình giúp xác định trạng thái nào được giữ

thông tin và trạng thái nào nên bị loại bỏ.

Hình 2.2 Mơ hình LSTM (nguồn từ [22])
là giá trị đầu vào tại thời gian ,

Trong hình 2.2,

ẩn trước đó tại thời gian
thời điểm

.

,

và

, và

là giá trị đầu ra của lớp

là giá trị đầu ra trạng thái tế bào trước đó tại

là các tầng cổng quên (forget gate layer), tầng cổng vào

(input gate layer) và tầng cổng ra (output gate layer) tương ứng. Ngoài ra, ta có một
tầng có hàm kích hoạt

nhằm tạo ra giá trị mới ̃ nhằm thêm vào giá trị trạng

thái trước đó. Các tầng trên được mơ tả qua các cơng thức sau [21]:


̃
Đầu tiên, giá trị đầu vào
gian

(

)

(2.5)

(

)

(2.6)

(

)

(2.7)

(

)

tại thời gian và giá trị đầu ra

(2.8)

tại lớp ẩn tại thời

nhân với các ma trận trọng số khác nhau tại từng tầng khác nhau.

LUẬN VĂN THẠC SĨ

HVTH: Nguyễn Hữu Khoa Minh
GVHD: PGS. TS Phan Quốc Dũng