- Trang Chủ
- Năng lượng
- 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
Xem mẫu
- 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 trong
thành phần chi tiết (tần số thấp).
mô hình dự báo tốc độ gió bằng xác suất.
Ngoài CNN, LSTM cũng là một công cụ Bên cạnh đó, để nâng cao độ chính xác
đưa ra dự báo hiệu quả. Là một dạng đặc của dự báo, một số nghiên cứu gần đây đã
biệt của RNN (Recurrent Neural Network) sử dụng các phương pháp điều chỉnh sai
mạng nơ ron hồi quy, chứa các vòng lặp số[9]. GARCH (Generalized Auto-Regressive
DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO | 31
- CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC- SESSION ONE
conditionally heteroskedasticity) là một (c) LSTM đưa ra dự báo cho các lớp tần số
trong các phương pháp điều chỉnh sai số, thấp; (d) GARCH cải thiện độ chính xác của
được giới thiệu bởi Boollerslev vào năm dự báo từ kết quả dự báo nhận được.
1986 sử dụng để xác minh sự biến động
của các sai số và điều chỉnh sai số dự báo.
Mô hình GARCH được xây dựng để mô
hình hóa các yếu tố bất định và dự báo về
phương sai có điều kiện. GARCH đã được
áp dụng vào một vài mô hình dự báo tốc
độ gió. Y.Jiang và các cộng sự [10] đã đề xuất
một mô hình dự báo tốc độ gió sử dụng Hình 1. Sơ đồ của mô hình dự báo.
GARCH trong vai trò mô tả sai số và nắm
bắt sự biến động của các chuỗi dữ liệu gió.
Nghiên cứu này đề xuất một mô hình dự TÀI LIỆU THAM KHẢO
báo tốc độ gió dựa vào CNN-LSTM kết hợp 1] L. Wang and J. Li, “Estimation of extreme wind
phương pháp xử lý tín hiệu WPD và điều speed in SCS and NWP by a non-stationary model,”
Theor. Appl. Mech. Lett., vol. 6, no. 3, pp. 131–138,
chỉnh sai số GARCH như trên hình 1. Lớp
May 2016, doi: 10.1016/j.taml.2016.04.001.
con tần số cao có sự phụ thuộc ngắn hạn, [2] H. Liu, X. Mi, and Y. Li, “Comparison of two new
trong khi lớp con tần số thấp có cả sự phụ intelligent wind speed forecasting approaches
based on Wavelet Packet Decomposition, Complete
thuộc ngắn và dài hạn[11]. Đối với dữ liệu
Ensemble Empirical Mode Decomposition with
phụ thuộc ngắn hạn CNN có độ chính xác Adaptive Noise and Artificial Neural Networks,”
tương tự và tốc độ nhanh hơn LSTM, vì Energy Convers. Manag., vol. 155, pp. 188–200, Jan.
thế CNN được sử dụng để dự báo lớp tần 2018, doi: 10.1016/j.enconman.2017.10.085.
[3] H. Wang, G. Li, G. Wang, J. Peng, H. Jiang, and Y.
số cao. Ngoài ra, LSTM có thể xử lý tuần tự
Liu, “Deep learning based ensemble approach
tốt hơn dữ liệu tạm thời dài hạn và sự phụ for probabilistic wind power forecasting,” Appl.
thuộc trong ngắn hạn[12] có thể đưa ra dự Energy, vol. 188, pp. 56–70, Feb. 2017, doi:
báo cho lớp tần số thấp tốt hơn. Mô hình 10.1016/j.apenergy.2016.11.111.
[4] H. Liu, X. Mi, and Y. Li, “Smart deep learning based
được giải thích như sau: (a) WPD nhận dữ
wind speed prediction model using wavelet packet
liệu vào, phân tích dữ liệu thành các lớp tần decomposition, convolutional neural network and
số cao (thành phần xấp xỉ) và các lớp tần số convolutional long short term memory network,”
Energy Convers. Manag., vol. 166, pp. 120–131,
thấp (thành phần chi tiết); (b) CNN đưa ra
Jun. 2018, doi: 10.1016/j.enconman.2018.04.021.
dự báo cho các lớp tần số cao nhận được;
32 | DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO
- CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION ONE
[5] H. Liu, H.-Q. Tian, C. Chen, and Y. Li, “A hybrid TÁC GIẢ Ý TƯỞNG
statistical method to predict wind speed and wind
Lê Anh Tuấn 20174336, là sinh viên Hệ
power,” Renew. Energy, vol. 35, no. 8, pp. 1857–1861,
Aug. 2010, doi: 10.1016/j.renene.2009.12.011. Thống Điện, K62 Viện Điện, Trường Đại học
[6] H. Liu, X. Mi, and Y. Li, “Wind speed forecasting Bách khoa Hà Nội.
method based on deep learning strategy using
empirical wavelet transform, long short term Hướng nghiên cứu hiện tại là điện mặt trời,
memory neural network and Elman neural network,” điện gió và sinh khối.
Energy Convers. Manag., vol. 156, pp. 498–514, Jan.
2018, doi: 10.1016/j.enconman.2017.11.053. Nguyễn Văn Nghiệp 20174097, là sinh
[7] A. Tascikaraoglu, B. M. Sanandaji, K. Poolla, and P.
viên Hệ Thống Điện, K62 Viện Điện, Trường
Varaiya, “Exploiting sparsity of interconnections
in spatio-temporal wind speed forecasting Đại học Bách khoa Hà Nội.
using Wavelet Transform,” Appl. Energy, vol.
165, pp. 735–747, Mar. 2016, doi: 10.1016/j.
Hướng nghiên cứu hiện tại là điện mặt trời,
apenergy.2015.12.082. điện gió và sinh khối.
[8] H. Liu, H. Tian, X. Liang, and Y. Li, “Wind
speed forecasting approach using secondary
decomposition algorithm and Elman neural GIẢNG VIÊN HƯỚNG DẪN
networks,” Appl. Energy, vol. 157, pp. 183–194, Nov. TS. Nguyễn Thị Hoài Thu nhận bằng Thạc
2015, doi: 10.1016/j.apenergy.2015.08.014.
sỹ của Trường Đại học Bách khoa Hà Nội
[9] J. Wang, W. Zhang, J. Wang, T. Han, and L. Kong, “A
novel hybrid approach for wind speed prediction,”
(2008), Tiến sĩ từ Đại học Tsukuba (2017).
Inf. Sci., vol. 273, pp. 304–318, Jul. 2014, doi: Cô là giảng viên Trường Đại học Bách khoa
10.1016/j.ins.2014.02.159.
Hà Nội. Các chủ đề nghiên cứu hiện tại của
[10] Y. Jiang, G. Huang, X. Peng, Y. Li, and Q. Yang, “A
novel wind speed prediction method: Hybrid of cô về năng lượng tái tạo.
correlation-aided DWT, LSSVM and GARCH,” J. Wind
Eng. Ind. Aerodyn., vol. 174, pp. 28–38, Mar. 2018,
doi: 10.1016/j.jweia.2017.12.019.
[11] H. Liu, X. Mi, and Y. Li, “Smart multi-step deep
learning model for wind speed forecasting based
on variational mode decomposition, singular
spectrum analysis, LSTM network and ELM,” Energy
Convers. Manag., vol. 159, pp. 54–64, Mar. 2018,
doi: 10.1016/j.enconman.2018.01.010.
[12] E. Tsironi, P. Barros, C. Weber, and S. Wermter,
“An analysis of Convolutional Long Short-Term
Memory Recurrent Neural Networks for gesture
recognition,” Neurocomputing, vol. 268, pp. 76–86,
Dec. 2017, doi: 10.1016/j.neucom.2016.12.088.
DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO | 33
nguon tai.lieu . vn