Dự báo công suất – mắt xích quan trọng cho hành trình phát triển nguồn năng lượng tái tạo

Nhiều năm trở lại đây, do thực trạng khan hiếm nhiên liệu hóa thạch và tính cấp thiết của nhu cầu bảo vệ môi trường, năng lượng điện tái tạo trở thành một lựa chọn quan trọng và chiếm tỉ trọng ngày càng cao trong lưới điện các quốc gia. Đến hết quý I năm 2020, tính trên tổng sản lượng điện toàn thế giới, sản lượng năng lượng điện tái tạo chiếm gần 28%, trong đó riêng sản lượng điện mặt trời và điện gió chiếm 9% (1).

Tại Việt nam, tính đến tháng 2 năm 2020, công suất lắp đặt của các nguồn năng lượng tái tạo mặt trời, gió, sinh khối chiếm khoảng 9% toàn hệ thống nguồn điện. Tính đến cuối tháng 8/2020, tổng công suất các nguồn điện gió và điện mặt trời đã được phê duyệt bổ sung quy hoạch gần 23.000MW (2), trong khi tổng công suất nguồn điện Việt Nam hiện tại chỉ hơn 55.000 MW.

Bên cạnh các lợi ích như bù đắp năng lượng thiếu hụt, tận dụng năng lượng tại chỗ, giảm thiểu khí nhà kính, việc các nguồn điện tái tạo như điện mặt trời, điện gió tham gia vào lưới điện cũng gây ra nhiều ảnh hưởng cho việc vận hành lưới điện, trong đó có hai thách thức chính như sau (3):

• Công suất đầu ra nguồn điện mặt trời, gió không ổn định, thay đổi thường xuyên với tính ngẫu nhiên cao, dẫn đến hệ thống điện luôn phải có dự phòng công suất lớn để bảo đảm cung cấp đủ công suất cho hệ thống phụ tải.

• Các nguồn điện này hay thay đổi đột ngột, không có dự trữ động năng như các máy phát điện quay, nên khi chúng tham gia vào hệ thống điện với tỷ trọng cao sẽ làm giảm quán tính quay của hệ thống, dẫn đến giảm độ dự trữ ổn định của hệ thống điện và tăng nguy mất ổn định lưới điện.

Để giải quyết hai thách thức trên mà vẫn sử dụng được nguồn năng lượng tái tạo nhiều nhất có thể, cần phải thực thi các giải pháp trên lưới điện như lắp đặt, bổ sung hệ thống lưu trữ năng lượng, phối hợp điều khiển tải và hệ thống lưu trữ năng lượng để tăng quán tính quay tổng hợp của hệ thống, thiết kế các bộ điều khiển tại chỗ cũng như diện rộng để ổn định lưới điện.

Việc dự báo chính xác công suất của các nguồn điện tái tạo có một vai trò rất quan trọng để bảo đảm tính hiệu quả và tối ưu của các giải pháp trên. Ngay cả khi mức độ nguy hiểm của các thách thức này chưa cao, việc dự báo công suất của các nguồn điện tái tạo cũng rất cần thiết để công tác lập kế hoạch, quản lý và vận hành hệ thống điện.    

Các ảnh hưởng của nguồn điện tái tạo (điện gió) lên hệ thống điện theo thời gian xem xét và phạm vi lưới điện (3)

Sự đa dạng của các phương pháp dự báo công suất điện gió và điện mặt trời

Có nhiều phương pháp dự báo đã và đang được sử dụng cho nguồn điện năng lượng tái tạo với khung thời gian dự báo có thể từ vài tuần cho đến chỉ vài phút. Do quan hệ của các đại lượng gió với công suất điện gió, hay quan hệ giữa bức xạ mặt trời với công suất tấm pin mặt trời có thể được xác định một cách độc lập, việc dự báo công suất điện gió hay công suất điện mặt trời thường được quy về việc dự báo các đại lượng gió hay bức xạ mặt trời.

Do việc dự báo tốc độ gió và hướng gió vốn đã có nhiều thành tựu trong lĩnh vực dự báo thời tiết, các phương pháp dự báo công suất điện gió có nhiều thuận lợi để phát triển nhanh chóng. Các phương pháp dự báo cho điện mặt trời được phát triển muộn hơn và phần nào có sự kế thừa các phương pháp dự báo của điện gió. Có thể xếp các phương pháp dự báo nguồn điện gió và mặt trời vào các loại chính như sau (4,5):

• Dự báo dựa trên đặc tính quán tính (Persistence)
• Dự báo dựa trên mô hình vật lý
• Dự báo sử dụng các mô hình thống kê
• Dự báo sử dụng các kỹ thuật học máy (machine learning) và mô hình lai (hybrid methods)

Phương pháp dự báo dựa trên đặc tính quán tính (chủ yếu cho điện gió) giả thiết rằng tốc độ gió và hướng gió là không đổi so với các dữ liệu đo được trước đó một khoảng thời gian ngắn. Với giả thiết đơn giản như vậy, phương pháp này được sử dụng chủ yếu cho dự báo cực ngắn và ngắn hạn, với khung thời gian dự báo từ vài phút cho đến 6 giờ.

Phương pháp dự báo theo mô hình vật lý (6) sử dụng hệ phương trình động học mô tả quan hệ giữa các đại lượng thời tiết như tốc độ gió, hướng gió, nhiệt độ, bức xạ mặt trời, áp suất, độ ẩm tương đối và nhiệt độ điểm sương trong một khu vực địa lý rộng với một độ phân giải không gian cho trước. Việc giải hệ phương trình trên miền thời gian và không gian có thể cho ra kết quả của các đại lượng thời tiết ở tại các vị trí không có các trạm đo. Các biến của hệ phương trình có độ phân giải vị trí từ 2km đến hàng chục km, tùy vào việc mô hình được xây dựng cho phạm vi cục bộ (một vùng, một quốc gia) hay toàn cầu. Việc giải hệ phương trình đòi hỏi phải sử dụng các phương pháp số và tốn rất nhiều thời gian tính toán. Lời giải của hệ phương trình mô hình vật lý trên thường có thời gian lấy mẫu tính theo đơn vị giờ, và chỉ thích hợp cho dự báo trung hạn và dài hạn.

Một ví dụ về chu kỳ tính toán của phương pháp dự báo dùng mô hình vật lý (6)

Phương pháp dự báo sử dụng các mô hình thống kê dự đoán dữ liệu điện gió hoặc mặt trời sử dụng bộ dữ liệu quá khứ để xác định sai số cho độ phù hợp của mô hình. Các mô hình thống kê này thường sử dụng các kỹ thuật phân tích chuỗi thời gian, chẳng hạn như mô hình hồi quy (AR), mô hình trung bình diễn tiến kết hợp tự hồi quy (ARMA), mô hình tự hồi quy tích hợp trung bình diễn tiến (ARIMA), mô hình tự hồi quy tích hợp trung bình diễn tiến phân mảnh (fractional ARIMA), mô hình liên tiến lũy thừa (ES) và mô hình tự hồi quy vector (VAR). Các mô hình thống kê thường chỉ thích hợp và chính xác cho các dự báo tức thời và ngắn hạn.

Phương pháp dự báo năng lượng gió và mặt trời dùng các mô hình học máy được phát triển trong thời gian gần đây, trong đó hầu hết các mô hình được sử dụng là mạng nơron. Phương pháp này tương tự phương pháp sử dụng các mô hình thống kê ở chỗ cả hai đều xác định dữ liệu cần dự báo dựa trên dữ liệu tham chiếu bằng cách sử dụng các mô hình được chọn thể hiện mối quan hệ giữa hai tập dữ liệu. Điểm khác biệt quan trọng là các mô hình thống kê chuỗi thời gian thì thể hiện mối quan hệ (thường là tuyến tính) bởi các hàm toán học tường minh, trong khi các mô hình học máy thì được học với bộ dữ liệu quá khứ và điều chỉnh cho đến khi phản ánh được mối quan hệ giữa dữ liệu cần dự báo và dữ liệu tham chiếu.

Có thể kể ra một số mô hình học máy được dùng dự báo điện gió như: Mạng nơron truyền thẳng nhiều lớp (MLP), mạng nơron thích nghi lồng nhau (NANN), mạng nơ ron wavelet (WNN), mạng nơ ron hồi quy tổng quát (GRNN), mạng vector hỗ trợ bình phương tối thiểu (LSSVN), siêu học máy (ELM), mô hình ngoại sinh tự hồi quy phi tuyến (NARX), hồi quy vector hỗ trợ (SVR), mạng nơ ron sâu (DNN), bộ phân nhóm lọc ngẫu nhiên (RFC) và các mô hình lai. Trong một bài báo đăng trên tạp chí Wind Engineering năm 2019 (7), các tác giả Maldonado-Correa J., Solano J., Rojas-Moncayo M. đã dày công tổng hợp và thống kê mức độ sử dụng các mô hình học máy của các nghiên cứu về dự báo điện gió trong 3 năm gần nhất (2017-2019). Kết quả thống kê được thể hiện ở hình sau đây, trong đó hình a) thể hiện tỉ lệ phần trăm mà mỗi mô hình được sử dụng, hình b) thể hiện tỉ lệ phần trăm các nguồn dữ liệu được khai thác cho việc dự báo, và hình c) thể hiện tần suất xuất hiện các thông tin về server, công cụ sử dụng, ngôn ngữ lập trình, khung chức năng trong các nghiên cứu. Theo thống kê của các tác giả trên, có thể thấy các mô hình học máy lai được phát triển nhiều nhất. Nguồn dữ liệu được sử dụng nhiều nhất là dữ liệu khí tượng và dữ liệu đo từ các trang trại gió. Matlab được sử dụng làm công cụ chính để phân tích, tính toán. Hơn 50% các nghiên cứu là về dự báo ngắn hạn, và hơn 11% các nghiên cứu tập trung cho dự báo dài hạn.   

Thống kê từ các nghiên cứu sử dụng các mô hình học máy dự báo điện gió trong 3 năm 2017-2019 (7)

Với dự báo điện mặt trời, các mô hình học máy thường được dùng là mạng nơ ron truyền thẳng nhiều lớp (MLP), mạng hàm cơ sở bán kính (RBF) và logic mờ (FL). Các mô hình này đặc biệt phù hợp và có thể cho kết quả chính xác cao khi có một lượng đáng kể dữ liệu hiện tại về khí tượng và địa lý làm dữ liệu đầu vào. Trong trường hợp dữ liệu đầu vào là dữ liệu bức xạ mặt trời được đo trong quá khứ, cần lựa chọn mạng nơ ron hồi quy (RNN) để làm mô hình dự báo. Nếu có đủ các loại dữ liệu trên, mô hình lai mạng nơ ron thích nghi mờ (ANFIS) là lựa chọn thích hợp để cho ra dự báo chính xác hơn cả (5).

Hình dưới đây(8) tổng hợp về độ phân giải vị trí và khung thời gian dự báo của các mô hình dự báo điện mặt trời.

Đô phân giải vị trí và khung thời gian của các mô hình dự báo điện mặt trời (8)

Bảng sau đây tổng hợp một số đặc điểm cơ bản của các phương pháp dự báo nguồn điện gió và mặt trời. Theo đó có thể thấy các phương pháp dự báo có yêu cầu về dữ liệu không hoàn toàn giống nhau và phạm vi sử dụng cũng khác nhau. Mặc dù các phương pháp dùng mô hình học máy và mô hình lai được nhận xét cho ra kết quả có độ chính xác cao hơn, nhưng các phương pháp dùng mô hình vật lý và thống kê theo chuỗi thời gian vẫn cần thiết cho việc vận hành hệ thống điện. Người kỹ sư vận hành cần chọn phương pháp dự báo phù hợp tùy vào mục đích dự báo, loại hình thời gian dự báo và nguồn dữ liệu khai thác được.

Bảng so sánh các đặc điểm của các phương pháp dự báo nguồn năng lượng tái tạo

Thực hiện: Trần Huỳnh Ngọc

Tham khảo

1. Báo cáo tổng quan về năng lượng toàn cầu năm 2020 của cơ quan năng lượng thế giới. Link tại  https://www.iea.org/reports/global-energy-review-2020/renewables
2. (2) Bản tin EVN, “113 dự án năng lượng tái tạo đã cơ bản được giải tỏa công suất”. Link tại https://www.evn.com.vn/d6/news/113-du-an-nang-luong-tai-tao-da-co-ban-duoc-giai-toa-cong-suat-6-12-26358.aspx
3. Ahmed G. Abo-Khalil, “Impacts of Wind Farms on Power System Stability, Modeling and Control Aspects of Wind Power Systems”, S. M. Muyeen, Ahmed Al-Durra and Hany M. Hasanien, IntechOpen, DOI: 10.5772/55090. Link tại: https://www.intechopen.com/books/modeling-and-control-aspects-of-wind-power-systems/impacts-of-wind-farms-on-power-system-stability
4. Huaizhi Wang, Zhenxing Lei, Xian Zhang, Bin Zhou, Jianchun Peng, “A review of deep learning for renewable energy forecasting”, Energy Conversion and Management, Volume 198, 2019.
5. Florian Barbieri, Sumedha Rajakaruna, Arindam Ghosh, “Very short-term photovoltaic power forecasting with cloud modeling: A review”, Renewable and Sustainable Energy Reviews, Volume 75, 2017, pages 242-263.
6. Sultan Al-Yahyai, Yassine Charabi, Adel Gastli, “Review of the use of Numerical Weather Prediction (NWP) Models for wind energy assessment”, Renewable and Sustainable Energy Reviews, Volume 14, Issue 9, 2010, pages 3192-3198.
7. Maldonado-Correa J, Solano J, Rojas-Moncayo M., “Wind power forecasting: A systematic literature review”, Wind Engineering, December 2019.
8. Sobrina Sobri, Sam Koohi-Kamali, Nasrudin Abd. Rahim, “Solar photovoltaic generation forecasting methods: A review”, Energy Conversion and Management, Volume 156, 2018, Pages 459-497.