DỰ BÁO LƯU LƯỢNG NƯỚC ĐẾN HỒ CHỨA NHÀ MÁY THỦY ĐIỆN TUYÊN QUANG BẰNG MÔ HÌNH LAI CNN-BiLSTM KẾT HỢP CƠ CHẾ CHÚ Ý
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.12584Tóm tắt
Dự báo lưu lượng nước về hồ chứa thủy điện đóng vai trò quan trọng trong việc tối ưu hóa vận hành và quản lý các nhà máy thủy điện, đảm bảo sản xuất năng lượng hiệu quả và sử dụng tài nguyên nước hợp lý. Nghiên cứu này đề xuất một mô hình học sâu lai kết hợp mạng nơ-ron tích chập với mạng nơ-ron có bộ nhớ dài ngắn hai chiều kết hợp cơ chế chú ý để dự báo lưu lượng nước thủy điện.Để đánh giá khả năng dự báo trong các kịch bản thời gian thực, dữ liệu được tái lấy mẫu theo chu kỳ ngày, và thực hiện dự báo cho 1 ngày, 1 tuần và 1 tháng tới. Mô hình đề xuất được so sánh với các mô hình học sâu bao gồm CNN, LSTM, CNN-LSTM, CNN-BiLSTM. Kết quả cho thấy mô hình đề xuất vượt trội, đặc biệt trong dự báo tuần tới với chỉ số MAE, RMSE và N-RMSE lần lượt là 176,52 m3/s, 427,29 m3/s và 7,47%. Nhờ đó, mô hình có thể hỗ trợ hiệu quả cho việc ra quyết định vận hành hồ chứa, góp phần nâng cao độ tin cậy trong quản lý tài nguyên nước và tối ưu hóa sản lượng phát điện từ thủy điện trong điều kiện vận hành biến động.Lượt tải
Tài liệu tham khảo
Prime Minister of Vietnam, "National Power Development Plan VIII," (in Vietnamese), May 18, 2023. [Online]. Available: https://xaydungchinhsach.chinhphu.vn/toan-van-quy-hoach-phat-trien-dien-luc-quoc-gia-11923051616315244.htm. [Accessed Apr. 15, 2025].
Ö. Terzi and G. Ergin, “Forecasting of monthly river flow with autoregressive modeling and data-driven techniques,” Neural Comput. & Applic., vol. 25, no. 1, pp. 179–188, Jul. 2014, doi: 10.1007/s00521-013-1469-9.
K. Mohammadi, H. R. Eslami, and R. Kahawita, “Parameter estimation of an ARMA model for river flow forecasting using goal programming,” Journal of Hydrology, vol. 331, no. 1–2, pp. 293–299, Nov. 2006, doi: 10.1016/j.jhydrol.2006.05.017.
R. Maiti, B. G. Menon, and A. Abraham, “Ensemble empirical mode decomposition based deep learning models for forecasting river flow time series,” Expert Systems with Applications, vol. 255, Dec. 2024, Art. no. 124550, doi: 10.1016/j.eswa.2024.124550.
F. Fathian, S. Mehdizadeh, A. K. Sales, and M. J. S. Safari, “Hybrid models to improve the monthly river flow prediction: Integrating artificial intelligence and non-linear time series models,” Journal of Hydrology, vol. 575, pp. 1200–1213, Aug. 2019, doi: 10.1016/j.jhydrol.2019.06.025.
J. Wang, X. Li, R. Wu, X. Mu, B. Baiyinbaoligao, J. Wei, J. Gao, D. Yin, X. Tao, and K. Xu, “A runoff prediction approach based on machine learning, ensemble forecasting and error correction: A case study of source area of Yellow River,” Journal of Hydrology, vol. 658, Sep. 2025, Art. no. 133190, doi: 10.1016/j.jhydrol.2025.133190.
J. Flake, T. K. Moon, M. McKee, and J. H. Gunther, “Application of the relevance vector machine to canal flow prediction in the Sevier River Basin,” Agricultural Water Management, vol. 97, no. 2, pp. 208–214, Feb. 2010, doi: 10.1016/j.agwat.2009.09.010.
T. T. Tran, H. N. Pham, Q. B. Pham, N. P. Nguyen, D. P. Nguyen, N. D. Liem, and P. T. Khuat, “Application of Long Short-Term Memory neural network for time series prediction of flow rate at My Thuan hydrology station, Tien river,” Science and Technology Development Journal – Natural Sciences, vol. 6, no. 1, pp. 1884–1896, Feb. 2022, doi: 10.32508/stdjns.v6i1.1129.
T. H. T. Nguyen and Q. B. Phan, “Hourly day ahead wind speed forecasting based on a hybrid model of EEMD, CNN-Bi-LSTM embedded with GA optimization,” Energy Reports, vol. 8, pp. 53–60, Nov. 2022, doi: 10.1016/j.egyr.2022.05.110.
Vietnam Electricity (EVN), “Hydropower Reservoir Water Levels,” (in Vietnamese), 2025. [Online]. Available: https://www.evn.com.vn/c3/thong-tin-ho-thuy-dien/Muc-nuoc-cac-ho-thuy-dien-117-123.aspx. [Accessed Apr. 25, 2025].
