Upload
others
View
3
Download
1
Embed Size (px)
Citation preview
ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC BÁCH KHOA
NGÔ HỒNG HÂN
XÂY DỰNG MÔ HÌNH MẠNG NƠRON NHÂN TẠO
DỰ BÁO NĂNG LƯỢNG BỨC XẠ MẶT TRỜI TẠI NHÀ MÁY
ĐIỆN MẶT TRỜI MỘ ĐỨC, QUẢNG NGÃI
Chuyên ngành: Kỹ thuật Điều khiển và Tự động hóa
Mã số: 8520216
TÓM TẮT LUẬN VĂN THẠC SĨ
KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA
Đà Nẵng – Năm 2018
Công trình được hoàn thành tại
TRƯỜNG ĐẠI HỌC BÁCH KHOA
Người hướng dẫn khoa học: Tiến sĩ Nguyễn Quốc Định
Phản biện 1: Tiến sĩ Nguyễn Khánh Quang
Phản biện 2: Tiến sĩ Giáp Quang Huy
Luận văn sẽ được bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc
sĩ Kỹ thuật Điều khiển và Tự động hóa họp tại Trường Đại học Bách khoa
vào ngày 29 tháng 12 năm 2108.
Có thể tìm hiểu luận văn tại:
− Trung tâm Học liệu, Đại học Đà Nẵng tại Trường Đại học Bách khoa
− Thư viện Khoa Điện, Trường Đại học Bách khoa - ĐHĐN
1
MỞ ĐẦU
1. LÝ DO CHỌN ĐỀ TÀI
Các nguồn nhiên liệu hóa thạch dự trữ như than đá, dầu mỏ, khí
thiên nhiên và ngay cả thủy điện điều có hạn, và gây ô nhiễm môi
trường. Vì vậy, các nguồn năng lượng tái tạo như năng lượng mặt trời,
gió, địa nhiệt, thủy triều… là những nguồn năng lượng mới cần được
quan tâm phát triển. Đặc biệt là nguồn NLMT được xem như là dạng
năng lượng ưu việt trong tương lai, đó là nguồn năng lượng sẵn có,
siêu sạch và miễn phí. Do vậy NLMT ngày càng được sử dụng rộng
rãi ở các nước trên thế giới và Việt Nam.
Dự báo được năng lượng mặt trời trong nhiều thời điểm đóng
một vai trò quan trọng trong quản lý các thiết bị dự trữ nguồn (các tổ
ăc quy), các hệ thống điều khiển của các nhà máy điện mặt trời. Đề tài
này nghiên cứu tính khả thi trong việc xây dựng mô hình mạng nơron
nhân tạo (ANN) để dự báo năng lượng bức xạ mặt trời. Địa điểm được
chọn để nghiên cứu là nơi xây dựng nhà máy điện mặt trời Mộ Đức,
Quảng Ngãi. Mô hình ANN được lựa chọn để nghiên cứu là mạng
nơron truyền thẳng 4 lớp được huấn luyện bởi thuật toán Levenberg-
Marquardt (LM). Các tham số đầu vào huấn luyện mạng là ngày,
tháng, các thông số vị trí địa lý và khí tượng được thu thập tại nơi thực
hiện.
2. MỤC ĐÍCH NGHIÊN CỨU
Nắm bắt tổng quan về bức xạ mặt trời và ứng dụng vào nhà máy
điện mặt trời Mộ Đức, Quảng Ngãi (quang điện).
Xây dựng mô hình mạng nơron dự báo năng lượng bức xạ mặt
trời với các tham số thay đổi (cấu trúc mạng và số lượng nơron thay
đổi).
2
3. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
- Đối tượng nghiên cứu: Các mô hình mạng nơron truyền thẳng
4 lớp được huấn luyện bởi thuật toán LM với số lượng nơron trong các
lớp ẩn thay đổi để dự báo năng lượng bức xạ mặt trời.
- Phạm vi nghiên cứu: Lựa chọn mô hình tốt nhất để dự báo năng
lượng bức xạ tại nhà máy điện mặt trời Mộ Đức, Quảng Ngãi.
4. PHƯƠNG PHÁP NGHIÊN CỨU
Để giải quyết các mục tiêu nêu trên, luận văn đưa ra phương
pháp nghiên cứu như sau:
- Phương pháp nghiên cứu lý thuyết:
+ Nghiên cứu các mô hình mạng nơron nhân tạo đã áp dụng vào
dự báo năng lượng bức xạ mặt trời. Đề xuất mô hình phù hợp.
- Phương pháp thu thập thông tin: Tiến hành tập hợp, thu thập,
tổng hợp các dữ liệu liên quan đến các đối tượng của đề tài như:
+ Bản đồ tổng lượng bức xạ mặt trời, cường độ bức xạ, các thông
số thời tiết tại Quảng Ngãi.
+ Các báo cáo khoa học liên quan.
- Phương pháp thực nghiệm:
+ Sử dụng công cụ hỗ trợ trong phần mềm Matlab, đưa dữ liệu
thu thập để tính toán và đánh giá kết quả với mô hình đề xuất.
5. Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN CỦA ĐỀ TÀI
- Đề tài nghiên cứu thành công sẽ góp phần kiểm chứng và phát
triển phương pháp dự báo cường độ năng lượng bức xạ mặt trời, từ đó
dự báo công suất phát tại nhà máy điện mặt trời Mộ Đức, Quảng Ngãi
dựa vào các thông số địa lý, khí tượng bằng mạng nơron nhân tạo.
- 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.
3
6. CẤU TRÚC CỦA LUẬN VĂN
Ngoài phần mở đầu và kết luận chung, nội dung của đề tài được
tổ chức thành 4 chương. Bố cục của nội dung chính của luận văn như
sau:
- Chương 1: Tổng quan về năng lượng bức xạ mặt trời và ứng
dụng.
- Chương 2: Tổng quan về các phương pháp dự báo năng lượng
bức xạ mặt trời.
- Chương 3: Xây dựng mô hình mạng nơron nhân tạo dự báo
năng lượng bức xạ mặt trời.
- Chương 4: Mô phỏng và kết quả.
4
CHƯƠNG I: TỔNG QUAN VỀ NĂNG LƯỢNG BỨC XẠ MẶT
TRỜI VÀ CÁC ỨNG DỤNG
1.1. Năng lượng bức xạ mặt trời
1.2. Ứng dụng của năng lượng bức xạ mặt trời
1.3. Tiềm năng của năng lượng mặt trời tại Việt Nam
1.4. Tổng quan nhà máy điện mặt trời Mộ Đức, Quảng Ngãi
1.5. Sự cần thiết phải dự báo năng lượng bức xạ mặt trời cho nhà
máy quang điện
CHƯƠNG II: TỔNG QUAN CÁC PHƯƠNG PHÁP DỰ BÁO
NĂNG LƯỢNG BỨC XẠ MẶT TRỜI
2.1. Các mô hình dự báo
2.2. Tổng quan về các công trình sử dụng hệ thống ANN dự báo
năng lượng bức xạ mặt trời đã công bố
2.3. Sự cần thiết phải xây dựng mô hình ANN mới để dự báo năng
lượng bức xạ mặt trời cho nhà máy quang điện Mộ Đức
CHƯƠNG III: XÂY DỰNG MÔ HÌNH MẠNG NƠRON NHÂN
TẠO DỰ BÁO NĂNG LƯỢNG BỨC XẠ MẶT TRỜI
3.1. Lý thuyết mạng nơron nhân tạo
3.2. Xây dựng mô hình mạng ANN dự báo bức xạ mặt trời tại nhà
máy điện mặt trời Mộ Đức, Quảng Ngãi
Trong quá trình thiết kế mô hình mạng ANN dùng cho dự báo
nói chung và dự báo bức xạ mặt trời nói riêng cần quan tâm các vấn
đề sau:
5
- Dữ liệu và tiền xử lý dữ liệu: xác định tần suất của dữ liệu:
hàng giờ, hàng ngày, hàng tuần…; kiểu dữ liệu: các chỉ số kỹ thuật hay
chỉ số căn bản; cách thức chuẩn hóa dữ liệu: max/min hay trung
bình/độ lệch chuẩn (mean/standard deviation).
- Cấu trúc mạng: số đầu vào, số lớp ẩn, số đầu ra, số nơron trong
các lớp tương ứng, xác định hàm lỗi.
- Huấn luyện: xác định hệ số học, hệ số học tối đa, số chu kỳ tối
đa, thực hiện lấy ngẫu nhiên trọng số, xác định kích thước của các tập
huấn luyện, kiểm tra và kiểm định.
3.2.1. Xác định dữ liệu cho mô hình ANN
a) Thông số đầu vào
Việc lựa chọn các tham số đầu vào và đầu ra (mục tiêu) là bước
cơ bản trong quá trình ước lượng bức xạ mặt trời tại nhà máy điện máy
điện mặt trời Mộ Đức sử dụng ANN. Trong nghiên cứu này, 11 thông
số dữ liệu đầu vào và 1 thông số dữ liệu đầu ra được áp dụng để dự
báo bức xạ mặt trời.
Chuỗi 07 các thông số thời tiết (theo ngày), các thông số ngày,
tháng và tọa độ địa điểm nhà máy điện mặt trời Mộ Đức làm đầu vào
cho nghiên cứu như sau:
- Nhiệt độ trung bình (Ttb 0C).
- Nhiệt độ tối đa (Tx 0C).
- Nhiệt độ tối thiểu (Tn 0C).
- Độ ẩm trung bình (Utb %)
- Độ ẩm tối đa (Ux %).
- Độ ẩm tối thiểu (Un %)
- Vận tốc gió tối đa (m/s).
- Kinh độ (Lon 0)
6
- Vĩ độ (Lat 0).
- Ngày.
- Tháng.
- Bức xạ mặt trời (xạ nhiệt kế).
- Nhiệt độ mô đun quang điện (cảm biến nhiệt độ như cặp nhiệt
điện, RTD, và Pt 100)
- Nhiệt độ không khí (cảm biến nhiệt độ như cặp nhiệt điện,
RTD, và Pt 100).
- Tốc độ gió (phong kế).
b) Tiền xử lý dữ liệu
Chuỗi số liệu được chuẩn hóa để đưa về khoảng [-1 1] nhằm loại
bỏ độ lệch lớn giữa các thông số có thứ nguyên khác nhau. Chuỗi này
sẽ được sử dụng là đầu vào cho mô hình mạng ANN.
Công thức chuẩn hóa số liệu cho chuỗi số liệu {xt, t=(1,n)} thành
chuỗi yt nằm trong khoảng [-1 1] như sau:
yt = 2 𝑥𝑡 − 𝑥𝑚𝑖𝑛
𝑥𝑚𝑎𝑥− 𝑥𝑚𝑖𝑛− 1 (3.20)
3.2.2. Lựa chọn cấu trúc mạng nơron nhân tạo dự báo bức xạ mặt
trời tại nhà máy điện mặt trời Mộ Đức, Quảng Ngãi
Theo lý thuyết (Rumelhart, McClelland (1986), Haykin (1994),
Bishop (1995)...) thì mạng 4 lớp có khả năng xấp xỉ hàm với bất kỳ độ
phức tạp nào, với số lớp ẩn và số nút ẩn trong lớp ẩn chính là nhân tố
làm nên sức mạnh đó. Số nút trong lớp vào (input) và nút ra (output)
được quy định bởi yêu cầu và mục đích của bài toán. Vấn đề còn lại
chính là xác định số lớp và số nút ẩn.
Cấu trúc ANN được chọn để dự báo bức xạ mặt trời là mạng
nơron truyền thẳng bốn lớp. Hình III.19 mô tả cấu trúc mô hình được
7
chọn gồm 01 lớp đầu vào, 02 lớp ẩn, 01 lớp đầu ra.
Số lượng đầu vào, đầu ra đã được xác định ở phần trên. Số lượng
nơron trong lớp các lớp ẩn được thay đổi như sau: từ 1 - 100 nơron cho
lớp ẩn 1, từ 1 – 20 cho lớp ẩn thứ 2. Số lượng đầu ra là 1 tương ứng
với tổng xạ.
.
.
..
.
.
.
.
.Bias
Output (1)
Inputs
(11)Hidden Layer 1
(i = 1:100)
Hidden Layer 2
(j = 1:20)
Hình III-1: Cấu trúc ANN 4 lớp tổng quát
Hàm kích hoạt của các lớp được chọn trước như sau:
- Lớp ẩn 1: Tan-sigmoid (tansig).
- Lớp ẩn 2: Tan-sigmoid (tansig).
- Lớp ra: Hàm tuyến tính (purelin).
3.2.3. Thuật toán huấn luyện mạng
Đề tài này sử dụng thuật toán Levenberg-Marquardt (LM) để
huấn luyện mạng.
3.2.4. Chỉ tiêu đánh giá
Trong các công thức dưới đây, Fi và Oi tương ứng là giá trị dự
báo và giá trị thực tế của bức xạ mặt trời, i =1, 2, …, N với N là dung
lượng mẫu.
8
a) Sai số trung bình ME (Mean Error)
(3.20)
Giá trị của ME nằm trong khoảng (-∞, +∞). ME cho biết xu
hướng lệch trung bình của giá trị dự báo so với giá trị quan trắc, nhưng
không phản ánh độ lớn của sai số.
b) Sai số tuyệt đối trung bình MAE (Mean Absolute Error)
(3.21)
Giá trị MAE nằm trong khoảng (0,+∞). MAE biểu thị biên độ
trung bình của sai số mô hình nhưng không nói lên xu hướng lệch của
giá trị dự báo và thực tế.
c) Sai số bình phương trung bình MSE (Mean Square Error)
(3.22)
MSE là trung bình của tổng bình phương của hiệu giữa các giá
trị mô hình và quan trắc, phản ánh mức độ dao động của sai số.
d) Sai số phần trăm tuyệt đối trung bình MAPE (Mean Absolute
Pecent Error)
MAPE = 100
𝑁∑
|𝐹𝑖−𝑂𝑖 |
𝑂�̇�
𝑁
𝑖=1% (3.23)
Sai số bình phương trung bình MSE cho thấy độ lớn của sai số
hay bình phương sai số dự báo, thường dùng trong so sánh độ chính
xác của các mô hình dự báo khác nhau. Tuy nhiên, để đánh giá độ
chính xác của một mô hình ta thường dùng MAPE. Sai số phần trăm
tuyệt đối trung bình MAPE tính đến độ lớn tương đối của độ lệch dự
báo so với độ lớn giá trị thực, mô hình có MAPE càng nhỏ thì dự báo
càng chính xác.
9
e) Sai số bình phương trung bình quân phương (RMSE - Root
mean square Error)
(3.24)
Sai số bình phương trung bình là một trong những đại lượng cơ
bản và thường được sử dụng phổ biến cho việc đánh giá kết quả của
mô hình dự báo. Người ta thường hay sử dụng đại lượng sai số bình
phương trung bình quân phương (RMSE) biểu thị độ lớn trung bình
của sai số.
f) Hệ số tương quan (Correlation coefficient)
(3.25)
Hệ số tương quan (r) cho phép đánh giá mối quan hệ tuyến tính
giữa tập giá trị dự báo và tập giá trị thực tế. Giá trị của nó biến thiên
trong khoảng -1 đến 1, giá trị hoàn hảo bằng 1. Giá trị tuyệt đối của hệ
số tương quan càng lớn thì mối quan hệ tuyến tính giữa hai biến càng
chặt chẽ. Hệ số tương quan dương phản ánh mối quan hệ cùng chiều
(đồng biến), ngược lại, hệ số tương quan âm biểu thị mối quan hệ
ngược chiều (nghịch biến) giữa dự báo và thực tế.
Để đánh giá và lựa chọn mô hình tối ưu, chỉ tiêu được xem xét
là MAPE. Mô hình với chỉ số MAPE nhỏ nhất là mô hình tốt nhất dùng
để dự báo bức xạ mặt trời. Chỉ số MAPE càng nhỏ hơn 10% cho thấy
mô hình dự báo có tính chính xác càng cao.
10
CHƯƠNG IV: MÔ PHỎNG VÀ KẾT QUẢ
4.1. Xây dựng chương trình lựa chọn mô hình ANN tối ưu
Để tìm mô hình ANN dự báo năng lượng mặt trời tối ưu, ta xây
dựng chương trình để huyến luyện ANN với các cấu trúc khác nhau.
Lựa chọn mô hình có chỉ số MAPE < 10 và bé nhất.
THỰC TẾ
ANN
Cập nhật
lại trọng số
+
-
e
Gt: Tổng xạ
quan trắc
Gp: Tổng
xạ dự báo
Dữ liệu đầu vào:
Ttb, Tx, Tn
Utb, Ux, Un
Wm
Lat
Lon
Ngày, tháng
Hình IV-1: Sơ đồ xây dựng mô hình ANN dự báo năng lượng mặt
trời.
4.1.1. Lựa chọn cấu trúc mô hình ANN
Như đã nêu ở chương III, cấu trúc tổng quan của mô hình ANN
dùng để dự báo năng lượng mặt trời tại nhà máy điện mặt trời Mộ Đức,
Quảng ngãi là mạng nơron truyền thẳng 4 lớp. Lớp đầu vào có 11
nơron tương ứng cho 11 thông số đầu vào của ANN. Lớp ẩn 1 được
chọn lần lượt từ 1 – 100 nơron, lớp ẩn 2 thay đổi từ 1 – 20 nơron tương
ứng với mỗi lớp ẩn 1. Lớp ra có 1 nơron tương ứng với 1 thông số đầu
ra là tổng xạ. Như vậy có 2.000 cấu trúc ANN được xem xét trong đề
tài này.
11
Lệnh tạo mạng nơron truyền thẳng 4 lớp trong phần mềm
Matlab là:
net = feedforwardnet([i j], trainFcn)
Trong đó:
- i, j: số nơron tương ứng trong lớp ẩn 1 và lớp ẩn 2.
- trainFcn: tương ứng với thuật toán huấn luyện mạng. Đề tài
này chọn trainFcn = ‘trainlm’ tương ứng với thuật toán huấn luyện
mạng là Levenberg-Marquardt.
- Lớp ẩn 1: Tan-sigmoid (tansig).
- Lớp ẩn 2: Tan-sigmoid (tansig).
- Lớp ra: Hàm tuyến tính (purelin).
4.1.2. Dữ liệu đầu vào
Tập dữ liệu đầu vào cho đề tài là các thông số thời tiết theo ngày,
được lấy từ ngày 01/11/2010 đến ngày 30/11/2017 bao gồm:
- Nhiệt độ trung bình (Ttb 0C).
- Nhiệt độ tối đa (Tx 0C).
- Nhiệt độ tối thiểu (Tn 0C).
- Độ ẩm trung bình (Utb %)
- Độ ẩm tối đa (Ux %).
- Độ ẩm tối thiểu (Un %)
- Vận tốc gió tối đa (m/s).
- Tổng xạ mặt trời (MJ.m-2.day-1): Là thông số mục tiêu cho mô
hình ANN.
- Kinh độ (Lon 0): Vị trí địa lý
- Vĩ độ (Lat 0): Vị trí địa lý
- Ngày, tháng: Thể hiện bản chất phụ thuộc theo mùa của thời
tiết.
12
- Dữ liệu từ ngày 01/11/2010 – 30/6/2016 dùng để huấn luyện
(Train: chiếm 84%).
- Dữ liệu từ ngày 01/7/2016 – 31/12/2016 dùng để kiểm định
(Valid: chiếm 8%).
- Dữ liệu từ ngày 01/01/2017 – 30/6/2017 dùng để kiểm tra
(Test: chiếm 8%).
4.1.3. Huấn luyện mạng
Thuật toán huấn luyện mạng được sử dụng là Levenberg-
Marquardt. Trong phần mềm Matlab, thuật toán được chọn kèm theo
khi chọn cấu trúc ANN.
Việc xác định các hệ số học, hệ số học tối đa, số chu kỳ tối đa,
hiệu suất mạng… được cấu hình trong chương trình để huấn luyện
mạng như sau:
- net.trainParam.epochs = 1000; % Số lần huấn luyện tối đa.
- net.trainParam.goal = 1e-2; %Giá trị mse mong
muốn.
- net.trainParam.max_fail = 15; %Số lần kiểm định tối đa.
- net.trainParam.min_grad = 1e-7; %Minimum
performance gradient.
- net.trainParam.mu = 0.0001; %Hệ số học.
- net.trainParam.mu_dec = 0; %mu decrease factor.
- net.trainParam.mu_inc = 10; %mu increase factor.
- net.trainParam.mu_max = 1e10; %Hệ số học lớn nhất.
4.1.4. Chỉ tiêu đánh giá
Đề tài này sử dụng chỉ số MAPE để đánh giá, lựa chọn mô hình
tối ưu. Có 2 giá trị MAPE để đánh giá mô hình là:
13
- MAPE_val: Chỉ số MAPE của tập dữ liệu kiểm định (valid).
- MAPE_ver: Chỉ số MAPE của tập dữ liệu kiểm chứng lại.
4.1.5. Thực nghiệm lựa chọn mô hình
Chương trình thực nghiệm NN_select.m được viết trên phần
mềm Matlab (m-file). Sử dụng 2 vòng lặp lần lượt cho các giá trị của
i và j thay đổi tương ứng cho số lớp ẩn 1 và lớp ẩn 2 theo đề bài đặt ra.
Quá trình thiết kế cấu trúc mô hình ANN được tự động thực hiện theo
các giá trị của i và j.
Quá trình huấn luyện mạng tự động thực hiện theo từng mô hình
ANN nêu trên.
Sau khi bước huấn luyện hoàn thành, các chỉ số MAPE, MAE,
RMSE, r được tính toán. Các trường hợp có chỉ số MAPE_val và
MAPE_ver < 10 được lưu lại bằng tập tin excel (Result.xlsx).
Hai mô hình có MAPE_val và MAPE_ver nhỏ nhất là hai mô
hình ANN tối ưu theo yêu cầu của bài toán.
Lưu đồ thực hiện huấn luyện mạng, thử nghiệm và chọn như
hình IV-3.
Các biến đầu vào và tập dữ liệu bức xạ mặt trời tương ứng
Xây dựng cơ sở dữ liệu đầu vào cho mô hình ANN
Bộ dữ liệu tập huấn và thử nghiệm
Thiết kế mô hình ANN
Tính toán chỉ số
MAPE_v, MAPE2017
Lưu các dữ liệu MAPE.
Chọn mô hình ANN với chỉ tiêu
MAPE thấp nhất
Sử dụng mô hình để dự báo
Thay đổi lớp nơron ẩn
MAPE < 10%S
Hình IV-3: Thuật toán lựa chọn mô hình ANN.
14
Quá trình huấn luyện một mô hình ANN:
Hình IV-4: Quá trình huấn luyện mô hình ANN.
Hình IV-4 mô tả quá trình huấn luyện một mô hình ANN có cấu
trúc 11-90-16-1 tương ứng với 11 đầu vào, lớp ẩn 1 có 90 nơron, lớp
ẩn 2 có 16 nơron và 01 đầu ra (mô hình ngẫu nhiên). Dữ liệu đầu vào
được phân chia theo kiểu ‘divideind’ (tập dữ liệu đầu vào được chia cố
định thành 3 tập và được phân biệt theo số thứ tự), thuật toán huấn
luyện là LM, hàm mục tiêu là MSE
Quá trình luyện đến bước 291 epochs, chưa có lỗi kiểm định xảy
ra (Validation Checks) với giá trị của hàm mục tiêu là 36,9.
15
Hình IV-5: Đồ thị hàm mục tiêu (MSE).
Hình IV-5 miêu tả đồ thị của hàm mục tiêu trong quá trình huấn
luyện của một mô hình ngẫu nhiên. Đồ thị cho biết quá trình huấn
luyện đến epoch 19, giá trị tốt nhất của hàm mục tiêu trong kiểm định
là 6,311 tại epoch 13. Lỗi trong quá trình kiểm định lệch so với quá
trình kiểm tra và tương đồng với quá trình huấn luyện.
Đồ thị hình IV-6 thể hiện hệ số tương quan (r) cho phép đánh
giá mối quan hệ tuyến tính giữa tập giá trị dự báo và tập giá trị thực tế
tại epoch 23 của một mô hình ngẫu nhiên. Với các giá trị > 0,9 cho
thấy các giá trị dự báo có mối quan hệ tuyến tính khá chặt chẽ với giá
trị thực tế. Theo đánh giá của một số nghiên cứu đã nêu ở chương II
cho biết, giá trị r > 0,8 là tốt.
16
Hình IV-6: Biểu đồ hồi quy giữa giá trị dự báo và thực tế.
4.2. Kết quả thực nghiệm
Sau khi kết thúc chương trình tự động, chương trình thông báo
mô hình ANN tối ưu được chọn, đồng thời lưu lại tập tin các kết quả
tính toán tiêu chí đánh giá, các tập tin mô hình và funtion của mô hình
được chọn để sử dụng cho công tác dự báo về sau.
Bảng thông số các chỉ tiêu đánh giá lựa chọn mô hình rút gọn
có chứa mô hình được chọn (Bảng các thông số tiêu chí đánh giá đầy
đủ kèm theo trong phụ lục):
17
Neurons
hidden
layer 1
Neurons
hidden
layer 2
MAE
_val
RMSE
_val
MAE
_ver
RMSE
_ver
R
_val
R
_ver
MAPE
_val
%
MAPE
_ver
%
3 15 1,744 2,476 4,419 5,948 0,932 0,738 3,376 9,186
3 16 1,713 2,310 4,060 5,676 0,937 0,725 3,279 8,015
3 17 2,062 2,751 3,333 4,631 0,911 0,819 3,963 6,794
3 18 1,605 2,270 3,863 5,184 0,940 0,769 3,058 7,736
3 19 1,934 2,706 3,260 4,630 0,921 0,819 3,725 6,679
3 20 1,576 2,265 3,673 4,950 0,937 0,799 3,050 7,466
4 1 2,063 2,689 3,577 4,783 0,909 0,803 3,917 7,207
4 2 1,815 2,566 3,452 4,774 0,929 0,805 3,501 6,981
4 3 1,969 2,506 4,011 5,196 0,928 0,764 3,701 8,039
4 4 1,915 2,469 3,658 4,939 0,924 0,794 3,600 7,390
4 5 2,101 2,860 3,330 4,550 0,911 0,824 4,028 6,656
4 6 1,929 2,619 3,746 4,903 0,910 0,800 3,702 7,549
4 7 1,646 2,329 4,546 6,736 0,935 0,721 3,152 9,438
4 8 1,774 2,437 4,078 5,313 0,932 0,754 3,392 8,117
4 9 1,423 2,047 4,300 5,811 0,946 0,762 2,727 8,855
4 10 1,513 2,213 4,573 5,927 0,943 0,690 2,896 9,234
4 11 1,519 2,233 4,161 5,587 0,938 0,736 2,945 8,476
4 12 1,637 2,265 4,003 5,264 0,934 0,759 3,140 7,924
4 13 1,864 2,563 3,523 4,780 0,926 0,807 3,586 7,153
4 14 1,538 2,298 3,563 4,812 0,939 0,801 2,956 7,147
4 15 1,515 2,125 3,949 5,268 0,947 0,779 2,920 7,941
Bảng IV-1: Kết quả tính toán các chỉ tiêu đánh giá mô hình (rút gọn)
Kết quả thực nghiệm cho 02 mô hình ANN tối ưu. Mô hình
ANN1 cho kết quả MAPE_val (min) = 2,727% (MAEP_ver = 8,855%)
có 4 nơron trong lớp ẩn 1, 9 nơron trong lớp ẩn 2; mô hình ANN2 có
MAPE_ver (min) = 6,656% (MAPE_val = 4,028%) với 4 nơron trong
lớp ẩn 1, 5 nơron trong lớp ẩn 2 thỏa mãn yêu cầu đặt ra.
Mô hình ANN1 trong Matlab:
Hình IV-7: Mô hình ANN tối ưu 1.
18
Các chỉ số đánh giá tương ứng là: MAE_val = 1,423, RMSE_val
= 2,047 và r = 0,946 là kết quả rất tốt cho một mô hình dự báo.
Các trọng số (weight) và mức ngưỡng (bias) của mô hình ANN:
Trọng số lớp vào (Input Weight) là ma trận 4x11:
IW =
0,4440 0,056 -2,927 -0,072 2,469 -0,354 0,069 0,117 -0,052 0,009 0,001
1,407 0,114 2,228 -1,173 0,655 -0,408 -0,695 1,156 -0,106 -0,004 -0,0006
-0,866 -0,106 -0,053 -0,539 -1,249 0,641 -0,287 0,027 -0,184 0,013 0,0018
-0,636 -0,055 0,755 -1,240 -0,159 0,357 -0,186 -0,155 -0,091 0,006 0,00085
Bias lớp 1 là ma trận 4x1: b1 =
-1,6331
-0,5444
-0,5443
-1,6331
Trọng số lớp ẩn 1 là ma trận 9x4:
LW1 =
-1,2831 0,85749 -0,7119 1,63478
-0,7041 1,31778 1,82033 0,73442
-1,224 1,30371 1,56794 -3,3032
0,30925 0,69622 0,83465 -0,6457
-0,3458 -1,1933 0,173 1,33064
1,60258 0,91713 0,61165 -4,2177
0,34823 -0,6161 -2,5188 2,61244
-4,2026 2,05666 -1,0755 -1,0281
1,41008 0,11608 -0,0096 0,54494
19
Bias lớp 2 là ma trận 9x1:
b2 =
1,1820156
-1,310777
0,7745996
0,1776181
-0,577015
-1,442339
1,8693578
-1,377522
1,330994
Trọng số lớp ẩn 2 là ma trận 1x9:
LW2 =
0,55307 -1,492 -0,0715 -0,12 -0,4368 -0,4124 -0,2867 -0,2994 -0,4957
Bias lớp ra:
b3 = - 0,857907.
Mô hình ANN2 trong Matlab:
Hình IV-8: Mô hình ANN tối ưu 2.
Các trọng số (weight) và mức ngưỡng (bias) của mô hình ANN:
Trọng số lớp vào (Input Weight) là ma trận 4x11:
IW =
20
0,204 0,036 2,107 -3,033 -0,604 0,646 -0,466 0,316 -0,220 -0,027 -0,0038
3,715 2,083 4,808 -2,729 -5,084 3,564 -1,677 5,110 -0,688 0,036 0,0049
0,795 11,858 -1,390 0,561 -1,118 -1,411 3,164 6,417 -0,845 -0,055 -0,0076
-1,620 -0,317 9,254 -0,979 -4,704 0,404 0,345 -0,016 0,666 -0,030 -0,0042
Bias lớp 1 là ma trận 4x1: b1 =
1,63288
0,54471
0,54387
1,63286
Trọng số lớp ẩn 1 là ma trận 5x4:
LW1 =
2,59748 -15,4727 11,22481 17,50241
2,27324 -1,05313 -0,24313 -1,16704
8,32339 26,51987 5,57653 -4,39015
0,59879 -1,37351 3,86372 3,84940
2,84281 1,43653 0,36181 0,69190
Bias lớp 2 là ma trận 5x1:
b2 =
2,96023
1,74351
-22,2580
5,39231
3,52229
Trọng số lớp ẩn 2 là ma trận 1x5:
LW2 =
-0,00552 -0,46473 -0,08556 0,01415 -0,29954
Bias lớp ra:
b3 = 0,52002.
21
Kết quả thực nghiệm thể hiện như hình dưới đây:
Hình IV-9: Hình kết quả thực nghiệm.
Chương trình dùng để dự báo Pred_Program.m được viết trên
phần mềm Matlab. Nó sử dụng funtion được tạo ra từ chương trình
NN_select.m để dự báo năng lượng mặt trời. Sau khi chạy thử với dữ
liệu đầu vào từ ngày 01/7/2017 – 31/11/2017, chương trình cho ra kết
quả với MAPE = 8,855% và 6,565%, hoàn toàn phù hợp với kết quả
tính toán của 2 mô hình trên.
Đồ thị giữa dữ liệu dự báo và quan trắc như sau:
22
Hình IV-10: Đồ thị giữa dữ liệu dự báo và quan trắc.
Ta thấy mô hình ANN2 cho kết quả dự báo bám sát với dữ liệu
quan trắc hơn so với mô hình ANN1.
4.3. Nhận xét
Chương trình thực nghiệm hoàn toàn tự động thay đổi và tính
toán các chỉ tiêu đánh giá cho các mô hình có 2 lớp ẩn. Đề tài này chỉ
thực hiện với 2.000 mô hình khác nhau, các yêu cầu khác có thể tăng,
giảm số lượng mô hình lên mà không gặp khó khăn như khi xây dựng
và đánh giá thủ công cho từng mô hình.
Đồng thời, chương trình thực nghiệm cũng có thể thay đổi số
lớp ẩn của mô hình khi có nhu cầu xây dựng các ứng dụng dùng ANN
cho các mục đích khác nhau.
23
KẾT LUẬN VÀ KIẾN NGHỊ
1. KẾT LUẬN
Với mục đích tìm hiểu về các ứng dụng của năng lượng mặt trời
và lý thuyết mạng nơron nhân tạo để ứng dụng bước đầu vào bài toán
dự báo năng lượng mặt trời, luận văn này đã trình bày về những ứng
dụng thường gặp của năng lượng mặt trời, xu thế phát triển của điện
mặt trời, những kiến thức về ANN và một số thuật toán được sử dụng
để xây dựng mô hình ANN. Qua đó tập trung sâu hơn vào nghiên cứu
cấu trúc và thuật toán huấn luyện ANN được sử dụng trực tiếp trong
luận văn: mạng nơron truyền thẳng 4 lớp và thuật toán LM.
Do tính năng động và sức mạnh của ANN nên các cấu trúc khác
nhau không có sự khác biệt đáng kể về sai số kiểm tra. Trong 2.000
cấu trúc dùng để xem xét huấn luyện, có đến 1.799 trường hợp có
MAPE_val và MAPE_ver < 10%. Có thể nói, mọi ANN đều có khả
năng tìm được ánh xạ tốt nhất cho bộ số liệu đã cho. Do đó, sự khác
biệt giữa các cấu trúc ANN tìm được cho mỗi lần thực nghiệm là do ở
bộ trọng số ngẫu nhiên mà phần mềm tự chọn khi huấn luyện mạng.
Độ chính xác của các mô hình thu được phụ thuộc rất lớn vào
độ chính xác của các dữ liệu đầu vào huấn luyện và mối quan hệ giữa
chúng. Cách thu thập dữ liệu đầu vào càng chính xác sẽ cho mô hình
càng tốt. Đồng thời, sử dụng các thông số đầu vào (inputs) có mối
tương quan cao với các thông số mục tiêu (targets) sẽ cho kết quả mô
hình càng chính xác.
Mục tiêu của nghiên cứu là sử dụng phần mềm Matlab xây dựng
một chương trình xác định được mô hình ANN phù hợp dùng cho dự
báo bức xạ mặt trời. Kết quả thu được là đã xây dựng được một chương
trình tự động lựa chọn mô hình ANN tối ưu cho công tác dự báo năng
lượng mặt trời với chỉ tiêu là MAPE < 10%. Xác định được cấu trúc
cho ANN với bộ trọng số và mức ngưỡng cho cấu trúc đó. Tạo tập tin
chức năng (function trong Matlab) cho mô hình tìm được.Đồng thời
tính toán được các tiêu chí liên quan khác như MAE, RMSE, hệ số
24
tương quan xuất ra tập tin excel Result.xlsx dùng để đánh giá chất
lượng của mô hình.
Bên cạnh đó cũng xây dựng chương trình m-file dùng function
trên để dự báo bức xạ mặt trời khi được cung cấp các số liệu thời tiết
theo mẫu trong tập tin Dubao.xlsx. Đề tài chưa xây dựng được giao
diện thân thiện, hỗ trợ người dùng cho chương trình này.
Các mô hình xây dựng được có thể ứng dụng vào thực tế để dự
báo năng lượng mặt trời cho nhà máy điện mặt trời Mộ Đức, Quảng
Ngãi.
2. KIẾN NGHỊ PHÁT TRIỂN
Hướng phát triển tiếp theo của đề tài là xây dựng mô hình dự
báo năng lượng mặt trời tích hợp giữa hệ mờ và ANN. Mô hình này
kết hợp các ưu điểm của hệ mờ và mạng nơron. Bức xạ mặt trời bị ảnh
hưởng đáng kể bởi tình trạng thời tiết, nhiều mây hay trong sáng của
bầu trời, chu kỳ ngày/đêm. Logic mờ được sử dụng để xác định và
phân loại các tình huống khác nhau và mô hình mạng nơron sẽ được
huấn luyện theo các tình huống khác nhau đó. Trong đó, cấu trúc của
hệ suy luận mờ dựa trên mạng thích nghi 5 lớp (ANFIS) là rất phù hợp
với yêu cầu đề ra trong xây dựng mô hình mạng nơron nhân tạo dự báo
năng lượng mặt trời./.
25
26