Dự báo tốc độ gió sử dụng mô hình Convolutional Neural Network - Long Short Term Memory Network kết hợp Wavelet Packet Decomposition và điều chỉnh sai số

Việc đưa ra dự báo năng lượng gió dựa vào tốc độ gió có độ chính xác cao rất quan trọng đối với việc vận hành và điều tiết hệ thống điện. Bài viết này đề xuất một mô hình dự báo tốc độ gió dựa vào WPD (Wavelet Packet Decomposition), CNN (Convolutional Neural Network) và LSTM (Long Short Term Memory Network) và GARCH (Generalized Auto Regressive Conditional Heteroskedasticity).
Nội dung trích xuất từ tài liệu:
Dự báo tốc độ gió sử dụng mô hình Convolutional Neural Network - Long Short Term Memory Network kết hợp Wavelet Packet Decomposition và điều chỉnh sai số CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC- SESSION ONE DỰ BÁO TỐC ĐỘ GIÓ SỬ DỤNG MÔ HÌNH CONVOLUTIONAL NEURAL NETWORK - LONG SHORT TERM MEMORY NETWORK KẾT HỢP WAVELET PACKET DECOMPOSITION VÀ ĐIỀU CHỈNH SAI SỐ Lê Anh Tuấn(1), Nguyễn Văn Nghiệp(1), Nguyễn Thị Hoài Thu (1) sinh viên viện Điện - Trường Đại học Bách khoa Hà Nội *Corresponding author: thu.nguyenthihoai@hust.edu.vn TÓM TẮT Việc đưa ra dự báo năng lượng gió dựa và GARCH (Generalized Auto Regressive vào tốc độ gió có độ chính xác cao rất Conditional Heteroskedasticity). Ở mô quan trọng đối với việc vận hành và điều hình đã đề xuất, WPD được sử dụng để tiết hệ thống điện. Bài viết này đề xuất phân tách dữ liệu gió thành một số các lớp một mô hình dự báo tốc độ gió dựa vào phụ; CNN đưa ra dự báo cho các lớp tần số WPD (Wavelet Packet Decomposition), cao nhận được; LSTM đưa ra dự báo cho CNN (Convolutional Neural Network) và lớp tần số thấp; GARCH cải thiện độ chính LSTM (Long Short Term Memory Network) xác dự báo từ kết quả dự báo. Keywords: wavelet packet decomposition, convolutional neural network, long-short term memory network, Generalized Auto-Regressive conditionally heteroskedasticity 1. ĐẶT VẤN ĐỀ Hiện nay, sự phát triển kinh tế kéo theo vận hành một cách kinh tế và ổn định hệ nhu cầu năng lượng tăng cao. Năng lượng thống điện có sự tham gia của điện gió, tái tạo đang nhận được sự quan tâm lớn cần phải tiến hành dự báo về tốc độ gió vì đó là nguồn năng lượng vô tận, đặc một cách chính xác nhất. biệt rất thân thiện với môi trường, có thể Cho đến nay đã có nhiều nghiên cứu về dùng để thay thế các nguồn năng lượng các phương pháp dự báo tốc độ gió. truyền thống từ nhiên liệu hóa thạch [1]–[3]. Một vài phương pháp có thể kể đến như: Trong đó gió là một trong những nguồn phương pháp vật lý, phương pháp dự báo năng lượng đầy hứa hẹn. Tuy nhiên gió có dựa trên thống kê, phương pháp dự báo đặc trưng là dao động và mang tính ngẫu dựa vào trí tuệ nhân tạo,...[4] Phương pháp nhiên, không ổn định. Do đó để có thể vật lý dự báo năng lượng gió bằng các 30 | DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION ONE thông số vật lý như: nhiệt độ môi trường, bên trong cấu trúc cho phép thông tin lưu áp suất khí quyển, điều kiện địa hình. Ở lại được. LSTM là một mô hình có thể tìm phương pháp vật lý hai kĩ thuật cốt lõi là: hiểu sâu về sự phụ thuộc theo thời gian và dự báo thời tiết dạng số (NWP) và động lực dài hạn từ dữ liệu chuỗi thời gian và giải học chất lỏng tính toán. Một số mô hình quyết vấn đề gradient biến mất hiệu quả dự báo tốc độ gió dựa vào phương pháp hơn RNN truyền thống. LSTM tránh được vật lý đã được đề xuất. Wang và cộng sự [1] vấn đề phụ thuộc xa. Cho đến nay, LSTM đã giới thiệu một mô hình dự báo dựa vào đã được ứng dụng vào trong các mô hình NWP. So với phương pháp vật lý, phương dự báo. Liu và cộng sự[6] đã sử dụng LSTM pháp thống kê thường đơn giản hơn và trong mô hình dự báo tốc độ gió và cho phù hợp với dữ liệu quy mô nhỏ . Hiện [5] thấy khả năng xử lý phi tuyến mạnh mẽ. nay, việc ứng dụng trí tuệ nhân tạo, ví dụ Bên cạnh mô hình dự báo, các phương như mạng nơ ron nhân tạo trong các mô pháp xử lý tín hiệu đầu vào có thể tác hình dự báo đang rất phổ biến nhờ những động lớn đến độ chính xác của kết quả dự ưu điểm vượt trội. Mạng nơ ron là công cụ báo. Những phương pháp xử lý tín hiệu mô hình hóa dữ liệu thống kê phi tuyến, được ứng dụng rộng rãi[7],[8]. Tascikaraoglu có thể được sử dụng để mô hình hóa các và cộng sự[7] đưa ra một mô hình sử dụng mối quan hệ phức tạp của dữ liệu. Liu và WT (Wavelet Transform) để phân tích dữ cộng sự[2] đã tiến hành nghiên cứu so sánh liệu gió đầu vào thành các thành phần các mô hình dựa trên ANN để dự báo tốc cố định. Liu và cộng sự[8] đã đề xuất độ gió. Cải thiện hiệu suất so với ANN, một mô hình dự báo dựa vào WPD và CNN là một mô hình tính toán sử dụng FEEMD (Fast Ensemble Empirical Mode một biến thể của các nơ ron nhiều lớp và Decomposition). WPD là một phương chứa một hoặc nhiều lớp phức hợp để xử pháp xử lí tín hiệu được chứng minh về độ lí phi tuyến tính, CNN chỉ có một lớp t nối hiệu quả về phân tích dữ liệu theo các tần đầy đủ ở cuối cùng[3], giảm sự phụ thuộc số khác nhau trong dự báo tốc độ gió[6]. phần cứng so với ANN. CNN đã được sử WPD phân tích chuỗi dữ liệu gió thành dụng trong những mô hình dự báo tốc độ các thành phần xấp xỉ (tần số cao) và các gió. Wang và cộng sự[3] sử dụng CNN tron ...