Áp dụng AI để lựa chọn dung lượng BESS

Trong những năm gần đây, với sự phát triển nhanh của các dự án năng lượng mặt trời đã tạo ra thách thức trong vấn đề truyền tải điện, và nhu cầu lắp đặt hệ thống lưu trữ điện năng (Battery Energy Storage System – BESS) để cân bằng công suất phát trở nên cấp thiết.

Về công tác thiết kế, thách thức trong việc tính toán lựa chọn quy mô hệ thống lưu trữ BESS đó là xác định số lần cắt giảm, lượng điện năng bị cắt giảm theo yêu cầu của Trung tâm Điều độ hệ thống điện quốc gia (NLDC). Đối với hệ thống điều khiển của một nhà máy điện mặt trời (NMĐMT) không biết được công suất sẵn sàng của nhà máy (available output capacity) theo điều kiện bức xạ, nhiệt độ môi trường, … thì việc tính toán để xác định lượng điện năng bị cắt giảm, số lần bị cắt giảm sẽ rất khó khăn. Để giải quyết vấn đề này, một trong những giải pháp là sử dụng machine learning thông qua mạng neural để huấn luyện dựa trên cơ sở hệ thống dữ liệu rất lớn hiện có của NMĐMT.

Machine learning là một lĩnh vực trong trí tuệ nhân tạo, nó liên quan đến việc xây dựng các mô hình và thuật toán để cho máy tính tự học từ dữ liệu và tự động tìm ra các quy luật và mẫu trong dữ liệu đó. Quy trình xây dựng mô hình machine learning cơ bản bao gồm các bước sau:
  – Thu thập dữ liệu
  – Tiền xử lý dữ liệu
  – Phân tích dữ liệu
  – Xây dựng mô hình
  – Thu thập các kết quả chuyên sâu từ mô hình
  – Kiểm tra mô hình
  – Cải tiến mô hình
  – Triển khai mô hình

Trong đó:

Thu thập dữ liệu: Thu thập các bộ dữ liệu phù hợp cho vấn đề cụ thể mà chúng ta muốn giải quyết. Dữ liệu này có thể bao gồm các thông tin số, văn bản, hình ảnh, âm thanh, hoặc các dạng dữ liệu liên quan khác.

Đối với vấn đề tính toán lựa chọn quy mô BESS, các số liệu có thể sử dụng để huấn luyện như hình bên dưới.

Tiền xử lý dữ liệu: Dữ liệu thu thập được thông thường cần được xử lý trước khi áp dụng machine learning. Điều này bao gồm việc làm sạch dữ liệu, xử lý giá trị thiếu, chuẩn hóa dữ liệu và chuyển đổi dữ liệu vào định dạng phù hợp cho việc xây dựng mô hình.

Dữ liệu không hợp lý, có thể do cảm biến bức xạ bị hư hỏng, cần xử lý hoặc loại bỏ trước khi đưa vào để huấn luyện như hình bên dưới.

Phân tích dữ liệu: Bằng cách xử lý dữ liêu bằng các kỹ thuật và công cụ phân tích dữ liệu khác nhau, chúng ta có thể bắt đầu tìm ra xu hướng, mối tương quan, ngoại lệ và các biến thể. Trong giai đoạn này, chúng ta có thể sử dụng tính năng khai thác dữ liệu để khám phá các mẫu trong cơ sở dữ liệu hoặc phần mềm trực quan hóa dữ liệu để giúp chuyển đổi dữ liệu sang định dạng đồ họa dễ hiểu.

Tính toán hệ số tương quan giữa cường độ bức xạ và công suất phát của nhà máy lên hệ thống điện để phân tích dữ liệu.

Với những ngày có hệ số tương quan giữa cường độ bức xạ và công suất thấp, đồ thị giữa 2 thông số trên bị biến dạng rất nhiều. Đó là những ngày nhà máy bị cắt giảm công suất phát nhiều (do yêu cầu cắt giảm của điều độ hoặc do sự cố, hỏng hóc sửa chữa một phần trang trại mặt trời).

Chẳng hạn trong hình trình bày bên dưới là đồ thị công suất phát của nhà máy lên hệ thống điện theo cường độ bức xạ vào ngày 15/11/2020 và ngày 27/07/2021, hệ số tương quan tương ứng là là 0.708 và 0.6704.

Đối với trường hợp, hệ số tương quan giữa cường độ bức xạ và công suất của nhà máy lên hệ thống điện cao, như các ngày 13/01/2020, 06/02/2020, 19/03/2020 hoặc ngày 21/05/2020. Đồ thị giữa hai thông số này là một đường cong gần tuyến tính và đi qua gốc tọa độ, được trình bày ở các hình bên dưới, đây là những ngày công suất phát của nhà máy không bị cắt giảm.

Dựa trên hệ số tương quan giữa 2 thông số là cường độ bức xạ và công suất phát của nhà máy lên hệ thống điện, chúng ta sẽ phân loại dữ liệu phục vụ cho công việc huấn luyện bằng ngôn ngữ lập trình python.

Xây dựng mô hình: Mô hình dự đoán (Prediction Modeling) là một kỹ thuật thống kê thường được sử dụng để dự đoán hành vi trong tương lai. Các giải pháp mô hình dự đoán là một dạng công nghệ khai thác dữ liệu hoạt động (data mining) bằng cách phân tích dữ liệu lịch sử và hiện tại, đồng thời tạo ra một mô hình để giúp dự đoán kết quả là công suất sẵn sàng của nhà máy. Chương trình được viết bằng ngôn ngữ lập trình Python và sử dụng thư viện Pandas.

Triển khai, đánh giá và cải tiến mô hình

Kết quả mô phỏng thu được từ mô hình dựa trên bộ dữ liệu đã đưa vào mô hình huấn luyện. Công suất có khả năng phát của nhà máy dựa trên cường độ bức xạ vào ngày 19/02/2020.

Cải tiến mô hình dự báo cho kết quả công suất có khả năng phát của nhà máy dựa trên cường độ bức xạ vào ngày 19/02/2020.

Với sự phát triển nhanh của các dự án năng lượng mặt trời đã tạo ra thách thức trong vấn đề truyền tải điện, mà hậu quả là gây quá tải cục bộ ở một số khu vực. Việc cắt giảm công suất phát nguồn năng lượng mặt trời là điều không mong muốn nhưng buộc phải thực hiện để duy trì hệ thống điện vận hành an toàn và ổn định.

Để tận dụng lượng điện năng bị cắt giảm do bị giới hạn truyền tải, một trong những giải pháp hữu hiệu là lắp đặt hệ thống BESS để tích trữ năng lượng dư thừa vào các thời điểm mà NLDC yêu cầu giảm phát. Nhà máy sẽ cung cấp điện trở lại hệ thống điện vào giờ thấp điểm trong buổi tối hoặc vào những thời điểm nhà máy bị giảm công suất do bị mây che phủ, …

Như vậy việc sử dụng machine learning thông qua mạng neural đã mở ra một hướng giải quyết việc xác định công suất có khả năng phát của nhà máy trong điều kiện bức xạ vào từng thời điểm của nhà máy điện mặt trời, từ đó làm cơ sở để xác định lượng điện năng bị cắt giảm, số lần bị cắt giảm, … là dữ liệu đầu vào quan trọng để tính toán lựa chọn quy mô hệ thống BESS phù hợp với từng nhà máy cụ thể.