NGHIÊN CỨU KẾT HỢP HÀM K-MEDOIDS VÀ MẠNG NƠ RON TRUYỀN THẲNG ĐỂ DỰ BÁO SIÊU NGẮN HẠN CÔNG SUẤT PHÁT GIÀN PIN MẶT TRỜI
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.15500Tóm tắt
Mạng nơ ron truyền thẳng thường được ưu tiên sử dụng trong bài toán dự báo siêu ngắn hạn công suất phát giàn pin mặt trời do tốc độ tính toán nhanh và sai số chấp nhận được. Tuy nhiên, do tính biến thiên mạnh theo thời tiết nên trong nhiều trường hợp sẽ làm sai số tăng cao. Do đó, việc phân cụm số liệu và sử dụng mạng nơ ron truyền thẳng sẽ giúp cải thiện sai số dự báo. Bài báo này nghiên cứu đề xuất sử dụng hàm K-medoids để chia cụm cho tập số liệu đào tạo, gán cụm cho tập kiểm tra. Sau đó sẽ tạo mạng nơ ron truyền thẳng riêng biệt cho mỗi cụm để đào tạo và dự báo. Cuối cùng sẽ tổng hợp kết quả dự báo của tất cả các cụm để đánh giá. Số liệu thử nghiệm được lấy từ giàn pin mặt trời công suất 500 kWp lắp đặt tại thành phố Sóc Trăng với khoảng thời gian dự báo là 5 phút. Kết quả thử nghiệm cho thấy với tập số liệu kiểm tra, sai số phần trăm tuyệt đối trung bình đã giảm từ 26,857% khi sử dụng mạng nơ ron truyền thẳngxuống còn 20,763% khi kết hợp hàm K-medoids với mạng nơ ron truyền thẳng. Nghiên cứu cũng đề xuất được phương pháp tìm số cụm phù hợp cho sai số tốt nhất.Lượt tải
Tài liệu tham khảo
W.-C. Tsai, C.-S. Tu, C.-M. Hong, and W.-M. Lin, "A Review of State-of-the-Art and Short-Term Forecasting Models for Solar PV Power Generation," Energies: Solar Cells and Photoelectrochemical Cells: Current Status, Challenges and Future, vol.16, pp. 1-30, 2023, doi: 10.3390/en16145436.
Z. Si, M. Yang, Y. Yu, T. Ding, and M. Li, "A Hybrid Photovoltaic Power Prediction Model Based on Multi-source Data Fusion and Deep Learning," IEEE 3rd Student Conference on Electrical Machines and Systems (SCEMS), 2020, pp. 608-613.
F. Wang, Z. Zhang, H. Chai, Y. Yu, X. Lu, and T. Wang, "Deep Learning Based Irradiance Mapping Model for Solar PV Power Forecasting Using Sky Image," IEEE Industry Applications Society Annual Meeting, 2019, pp. 1-9.
P. K. Nguyen, K. L. Tran, P. C. Ha, M. H. Nguyen, and C. H. Hoang, "Short-term forecasting of rooftop solar power generation using artificial neural networks," Can Tho University Journal of Science, Special Issue: Engineering and Technology, vol. 59, pp. 251-260, 2023.
A. Matteri, E. Ogliari, and A. Nespoli, "Enhanced Day-Ahead PV Power Forecast: Dataset Clustering for an Effective Artificial Neural Network Training," The 7th International Conference on Time Series and Forecasting, Gran Canaria, Spain, 2021, pp. 1-9.
G. Li, Y. Cheng, C. Wang, J. Shi, and L. Li, "Ultra Short-term Output Forecasting of Distributed Photovoltaic Power Station Based on Feature Extraction," IEEE/IAS Industrial and Commercial Power System Asia (I&CPS Asia), 2020, pp. 1114-1119.
M. Shi, R. Yin, P. Zhang, J. Tian, and Y. Wang, "Ultra short-term forecast of photovoltaic generation based on time-division LSTM neural networks," 12th IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC), 2020, pp. 1-5.
Z. Zhen, J. Liu, Z. Zhang, F. Wang, H. Chai, and Y. Yu, "Deep Learning Based Surface Irradiance Mapping Model for Solar PV Power Forecasting Using Sky Image," IEEE Transactions on Industry Applications, vol. 56, no. 4, pp. 99-110, 2019.
V. V. Huynh and N. T. V. Nguyen, "Forecasting power generation of solar panels using machine learning," HUIT Journal of Science, vol. 25, no. 1, pp. 156-164, 2025.
P. Marpaung, "Analysis of K-Means and K-Medoids Algorithms for Grouping Academic Values of Prospective New Students in Selection of Campus Scholarship Recipients," Formosa Journal of Science and Technology (FJST), vol. 4, no. 9, pp. 2975-2988, 2025.
L. Kaufman and P. J. Rousseeuw, "Finding Groups in Data: An Introduction to Cluster Analysis," Wiley Series in Probability and Statistics, John Wiley & Sons Publication, 1990.
M. Yang and X. Huang, "Ultra-short-term prediction of photovoltaic power based on periodic extraction of PV energy and LSH algorithm," IEEE Access, vol. 6, pp. 51200-51205, 2018.
