Quá trình chuyển đổi năng lượng toàn cầu đang tập trung vào năng lượng mặt trời, đóng góp khoảng 3% vào sản lượng điện của thế giới. Dự báo bức xạ ngang toàn cầu (GHI) chính xác là rất quan trọng để tối ưu hóa việc sử dụng năng lượng mặt trời. Sự cải thiện 1% về độ chính xác của dự báo có thể tăng cường sản xuất điện và thúc đẩy quá trình chuyển đổi sang các nguồn năng lượng tái tạo.

Tuy nhiên, tính biến đổi của bức xạ mặt trời, bị ảnh hưởng bởi các thay đổi thời tiết, đặt ra thách thức cho các phương pháp dự đoán truyền thống. Nghiên cứu này tập trung vào việc nâng cao dự đoán bức xạ mặt trời ngắn hạn, cụ thể là trong khoảng thời gian quan trọng một giờ tới, bằng cách sử dụng các mô hình mạng nơron tiên tiến. Năm kiến trúc được so sánh: Mạng nơron tiến tới (FFNN), Bộ nhớ dài ngắn hạn (LSTM), Cổng hồi tiếp (GRU), LSTM hai chiều (BiLSTM) và GRU hai chiều (BiGRU).

Các phát hiện cho thấy các kiến trúc Mạng nơron hồi tiếp (RNN) vượt trội hơn so với các mô hình FFNN cơ bản về độ chính xác dự đoán, được đánh giá qua các chỉ số như Sai số trung bình tuyệt đối (MAE), Sai số trung bình tương đối (MPAE) và Độ lệch trung bình bình phương (RMSE).

leftcenterrightdel
 Hình 1. Cấu trúc mô hình học sâu cho dữ liệu đa biến
leftcenterrightdel
 Hình 2. Sơ đồ tổng quát thứ tự công việc từ thu thập số liệu đến đánh giá mô hình

Tóm lại, nghiên cứu này đặt ra mục tiêu khám phá toàn diện năm mô hình mạng nơron riêng biệt - FFNN, LSTM, GRU, BiLSTM và BiGRU - với mục tiêu chính là tăng cường dự đoán bức xạ mặt trời trong thời gian ngắn, đặc biệt là trong khung thời gian quan trọng là một giờ.

Mô hình FFNN, đóng vai trò là cơ sở, đã chứng minh những hạn chế trong việc xử lý sự phức tạp về mặt thời gian vốn có trong dữ liệu bức xạ mặt trời. Ngược lại, các kiến trúc RNN, bao gồm LSTM, GRU, BiLSTM và BiGRU, thể hiện khả năng dự đoán vượt trội, chứng minh hiệu quả của chúng trong việc nắm bắt các mô hình và phụ thuộc thời gian. phức tạp.

Các số liệu hiệu suất, bao gồm MAE, MAPE và RMSE, cung cấp thông tin chi tiết định lượng về độ chính xác của mô hình hình ảnh. Đáng chú ý, BiLSTM mang lại MAE thấp nhất (78,023) và MAPE thấp nhất (44,505) và GRU đạt RMSE thấp nhất (157,707). Những kết quả này làm nổi bật hiệu suất được cải thiện của các mô hình RNN so với đường cơ sở FFNN.

Một điểm mạnh đáng chú ý của RNN so với FFNN là khả năng xử lý thông tin tuần tự và nắm bắt các mối quan hệ thời gian. Trong bối cảnh dự đoán bức xạ mặt trời trong tương lai, thông tin về bức xạ mặt trời trong các khung thời gian trước đó có thể cải thiện đáng kể độ chính xác của các dự đoán. RNN được thiết kế riêng để xử lý dữ liệu tuần tự bằng cách sử dụng các đơn vị tuần hoàn trong kiến trúc của chúng, cho phép chúng lưu trữ và sử dụng thông tin trạng thái trước đó để dự đoán trong tương lai.

Trong trường hợp dự đoán bức xạ mặt trời trong giờ tiếp theo, RNN có thể học các mô hình thời gian như biến đổi theo mùa, thay đổi trong ngày và các yếu tố thời tiết. Điều này cho phép RNN nắm bắt được động lực và xu hướng thay đổi trong dữ liệu bức xạ mặt trời, dẫn đến cải thiện các dự đoán ngắn hạn.

Trong khi FFNN tập trung vào việc học các mô hình không gian trong dữ liệu, RNN còn vượt xa hơn thế nữa bằng cách xem xét mô hình tương quan thời gian. Điều này giúp RNN hiểu và mô hình hóa các mối quan hệ phức tạp giữa các điểm dữ liệu liên tiếp trong chuỗi thời gian, nâng cao khả năng dự đoán ngắn hạn và độ tin cậy.

Với khả năng xử lý thông tin tuần tự và các mối quan hệ thời gian, RNN mang lại lợi thế đáng kể trong việc dự đoán bức xạ mặt trời trong tương lai gần. Việc sử dụng RNN có thể cải thiện đáng kể độ chính xác của các dự đoán và cung cấp thông tin chi tiết có giá trị để tối ưu hóa các hệ thống năng lượng mặt trời và cải thiện hiệu suất sản xuất năng lượng tái tạo.

Các phát hiện cho thấy các mô hình RNN, đặc biệt là LSTM, GRU, BiLSTM và BiGRU, hứa hẹn cải thiện độ chính xác của dự báo bức xạ mặt trời ngắn hạn. Các kết quả kết hợp không chỉ góp phần thúc đẩy các phương pháp dự báo bức xạ mặt trời mà còn có ý nghĩa sâu sắc trong việc tối ưu hóa hiệu quả của các hệ thống năng lượng mặt trời. Nhìn về phía trước, nghiên cứu này mở đường cho các hướng nghiên cứu trong tương lai. Các nghiên cứu sâu hơn có thể đi sâu vào việc cải thiện các mô hình hiện có hoặc khám phá các kiến trúc mới để đạt được độ chính xác cao hơn nữa trong các dự đoán bức xạ mặt trời ngắn hạn. Ngoài ra, việc kết hợp dữ liệu thời tiết theo thời gian thực và xem xét các yếu tố bên ngoài có thể nâng cao khả năng thích ứng của mô hình với các điều kiện môi trường động.

Tóm lại, nghiên cứu này cho thấy một bước tiến đáng kể trong việc cải thiện dự báo bức xạ mặt trời ngắn hạn, nhằm tối ưu hóa việc sử dụng năng lượng mặt trời và thúc đẩy quá trình chuyển đổi toàn cầu sang các hệ thống năng lượng tái tạo hiệu quả và bền vững. Tiến về phía trước, cần nghiên cứu sâu hơn để tinh chỉnh các mô hình hiện có hoặc khám phá các kiến trúc mới để đạt được mức độ chính xác cao hơn. Ngoài ra, việc tích hợp dữ liệu thời tiết theo thời gian thực và xem xét các yếu tố bên ngoài có tiềm năng nâng cao khả năng thích ứng của mô hình với các điều kiện môi trường đa dạng. Các nghiên cứu tiếp theo sẽ đóng vai trò quan trọng trong việc tối ưu hóa hệ thống năng lượng mặt trời và thúc đẩy phát triển năng lượng tái tạo trên toàn cầu.

Phạm Thị Lan Hương, Khoa Cơ – Điện