Sử dụng học sâu để phát triển mô hình dự báo nhằm quản lý hiệu quả lưới điện

Sử dụng học sâu để phát triển mô hình dự báo nhằm quản lý hiệu quả lưới điện

    Sử dụng học sâu để phát triển mô hình dự báo nhằm quản lý hiệu quả lưới điện
    bởi Đại học Chung Ang

    Chung-Ang University researchers use deep learning to develop a forecasting model for efficiently managing electric grids


    Các nhà nghiên cứu từ Đại học Chung-Ang ở Hàn Quốc đã đề xuất một mô hình dự báo dựa trên học sâu mới để quản lý năng lượng lưới điện siêu nhỏ tối ưu. Nó sử dụng mạng bộ nhớ dài hạn ngắn hạn và chương trình đáp ứng nhu cầu dựa trên khuyến khích để dự đoán sự không chắc chắn trong các nguồn năng lượng tái tạo được triển khai trong lưới điện siêu nhỏ, nhu cầu năng lượng của chúng và giá cả thị trường. Ảnh: Phòng thí nghiệm quốc gia Idaho


    Biến đổi khí hậu là một thách thức lớn về môi trường của thời đại chúng ta. Nó đang tăng tốc do lượng khí thải carbon quá mức từ các nguồn năng lượng không thể tái tạo, bao gồm cả nhiên liệu hóa thạch. Trước những tình huống này, các chính phủ trên toàn thế giới đang xây dựng các chính sách để đạt được tính trung lập carbon bằng cách thúc đẩy năng lượng xanh.

    Điều này đã dẫn đến sự phát triển của nhiều nguồn năng lượng tái tạo (RES) khác nhau—các tấm pin mặt trời, cối xay gió và tua-bin—để thay thế cho nhiên liệu hóa thạch. Việc kết nối các RES này với các mạng cung cấp điện là cần thiết. Về vấn đề này, lưới điện siêu nhỏ (MG), tích hợp các nguồn năng lượng tái tạo và không tái tạo và hệ thống lưu trữ năng lượng, là một giải pháp đầy hứa hẹn. Tuy nhiên, hoạt động hiệu quả của chúng là một thách thức do tính khả dụng không ổn định và sự không chắc chắn của RES. Chẳng hạn, RES dựa trên năng lượng mặt trời không thể hoạt động hiệu quả vào những ngày nhiều mây.

    Do đó, các nhà khai thác MG không thể đấu thầu có lãi trong thị trường năng lượng ngày tới, nơi họ phải hứa cung cấp năng lượng cho ngày hôm sau.

    Do đó, rõ ràng là cần phải dự đoán chính xác những bất ổn trong RES, nhu cầu năng lượng của chúng và giá cả thị trường. Các phương pháp dự đoán thông thường hiện có xem xét các kịch bản khác nhau có thể xảy ra trong tương lai và xác suất của chúng. Cách tiếp cận này có một số nhược điểm, bao gồm độ chính xác dự đoán thấp. Để khắc phục chúng, các nhà nghiên cứu đã sử dụng các mô hình dựa trên học sâu. Trong khi họ đưa ra dự đoán chính xác, siêu tham số của họ—các biến kiểm soát quá trình học tập—phải được tối ưu hóa một cách thích hợp.

    Trong bối cảnh đó, Giáo sư Mun-Kyeom Kim thuộc Khoa Kỹ thuật Hệ thống Năng lượng tại Đại học Chung-Ang, Hàn Quốc, phối hợp với ông Hyung-Joon Kim, gần đây đã đề xuất một mô hình dự báo dựa trên học sâu mới để dự đoán chính xác các thông số không chắc chắn. cho hoạt động microgrid tối ưu và có lợi nhuận. Công trình của họ đã được xuất bản Năng lượng ứng dụng.

    "Phương pháp dự báo dựa trên dữ liệu được đề xuất sử dụng mô hình bộ nhớ dài hạn (LSTM), một mạng nơ-ron nhân tạo với các kết nối phản hồi. Các siêu tham số của nó được tối ưu hóa bằng thuật toán tối ưu hóa bầy đàn hạt có trọng lượng thích ứng với thuật toán di truyền (GA-AWPSO), trong khi một cơ chế chú ý toàn cầu (GAM) xác định các tính năng quan trọng từ dữ liệu tham số đầu vào," Giáo sư Kim giải thích.

    "Cả hai thuật toán này có thể giúp khắc phục những hạn chế của các phương pháp thông thường và cải thiện độ chính xác và hiệu quả dự đoán của mô hình LSTM."

    Trong công việc của mình, các nhà nghiên cứu cũng đã phát triển chương trình khai thác dữ liệu và đáp ứng nhu cầu dựa trên khuyến khích (DM-CIDR) để xử lý những bất ổn liên quan đến nhu cầu năng lượng và giá cả thị trường. Ở đây, các điểm đặt hàng để xác định cấu trúc phân cụm (OPTICS) và thuật toán k-hàng xóm gần nhất (k-NN) đã được sử dụng để xác định tỷ lệ khuyến khích tối ưu cho khách hàng trong thị trường năng lượng sắp tới.

    Để chứng minh hiệu suất của mô hình GA-AWPSO-LSTM-GAM và chương trình DM-CIDR, các nhà nghiên cứu đã triển khai chúng trên dữ liệu thị trường năng lượng kết nối Pennsylvania-New Jersey-Maryland(PJM) lịch sử. Mô hình này có lỗi dự báo thấp hơn so với các mô hình dự đoán hiện có và cung cấp các giá trị tương quan tốt nhất để dự đoán tính khả dụng của RES. Đặc biệt, nó thu được hệ số giá trị xác định là 0,96 đối với các tấm pin mặt trời, vượt qua hệ số thu được từ các mô hình hiện có.

    Với những phát hiện này, các nhà nghiên cứu đặt nhiều hy vọng vào mô hình dự đoán được đề xuất của họ. "Nó sẽ đẩy nhanh việc tích hợp các nguồn tài nguyên tái tạo trong mạng lưới cung cấp điện đồng thời cho phép các nhà khai thác MG giải quyết các vấn đề quản lý năng lượng trong tương lai. Điều này sẽ cải thiện độ tin cậy của lưới điện khu vực, cung cấp năng lượng sạch chi phí thấp cho người dân và thúc đẩy tính bền vững của địa phương. Cuối cùng, nó có thể mở ra cánh cửa cho các nguồn điện không phát thải có thể làm cho tính trung hòa carbon vào năm 2050 trở thành một mục tiêu thực tế cần đạt được," Giáo sư Kim kết luận.

    Zalo
    Hotline