Đăng ký thành viên

Năng lượng mặt trời thông minh: Học máy giúp bổ sung năng lượng tái tạo vào lưới điện

Tích hợp hiệu quả năng lượng tái tạo vào lưới điện đã trở thành nhu cầu chung (Ảnh st)

Các nhà nghiên cứu đã sử dụng các thuật toán học máy để nâng cao hiệu quả năng lượng trong tích hợp điện mặt trời vào lưới điện.

Các nguồn năng lượng tái tạo - ví dụ như pin mặt trời, thủy điện, tuabin gió và nhà máy khí sinh học - đã trở nên nổi bật hơn trong bối cảnh năng lượng. Tích hợp hiệu quả năng lượng tái tạo vào lưới điện đã trở thành nhu cầu chung. Các nguồn năng lượng tái tạo này không liên tục, và sản lượng của chúng thường phụ thuộc vào các biến số về môi trường và vận hành, khiến việc tích hợp chúng trở nên khó khăn hơn so với các nguồn năng lượng truyền thống.  

Học máy và các mô hình học máy hybrid có lợi trong quá trình tích hợp này. Lưới điện thông minh số hóa sử dụng thuật toán Trí tuệ nhân tạo (AI) có thể quản lý cung và cầu năng lượng, cắt giảm phát thải cacbon và cải thiện an ninh năng lượng. Các linh kiện chính của mạng lưới điện bao gồm các cảm biến vật lý, phần mềm tự động hóa, phân tích và các thuật toán AI.

Trang trại năng lượng mặt trời nối lưới (Ảnh st)

Sự phát triển của lưới điện thông minh và AI

Các lưới điện đang chuyển dịch sang công nghệ thông minh hơn để cải thiện dòng năng lượng trong các vụ mất điện, quản lý việc tích hợp và phân phối năng lượng tái tạo, đồng thời cung cấp cho các hộ tiêu thụ mức tiêu thụ năng lượng được quản lý phù hợp hơn. Các thuật toán AI có thể tiên đoán và mô hình hóa các hoạt động lưới điện và mạng lưới điện rộng hơn.

Một số ví dụ về việc triển khai các mô hình học máy và học máy hybrid với lưới điện thông minh để cung cấp các hoạt động quản lý thời gian thực bao gồm:

• Nhận dạng các vụ mất điện đường dây
• Lường trước nhu cầu năng lượng
• Tối ưu hóa lượng năng lượng do các lưới điện thông minh sử dụng
• Tối đa hóa việc sản xuất và tích trữ các nguồn năng lượng tái tạo
• Dự báo sản lượng năng lượng
• Giải quyết các nhu cầu điện ngắn hạn
• Tiên đoán giá điện
• Dự báo nhu cầu điện
• Tiên đoán tốc độ gió (đối với các tuabin gió) 

Sử dụng mô hình học máy hybrid để nâng cao hiệu quả sản xuất điện mặt trời

Một số mô hình học máy hybrid tiên đoán tích hợp năng lượng tái tạo, theo dõi tình trạng tích hợp năng lượng tái tạo và dự báo nhu cầu điện. Trong một nghiên cứu trên Tạp chí Scientific Reports, các nhà nghiên cứu đã chọn một góc nhìn mới bằng cách sử dụng các mô hình học máy hybrid để nâng cao hiệu quả của các hệ thống phát điện mặt trời trong lưới điện thông minh. 

Nghiên cứu này đã sử dụng Hybrid Convolutional-Recurrence Net (HCRN), Hybrid Convolutional-GRU Net (HCGRN) và Hybrid Convolutional-LSTM Net (HCLN) - là những phiên bản mới hơn, tiên tiến hơn của các mô hình học máy sử dụng trong các hoạt động tối ưu hóa trước đây.

Khung học máy hybird kết hợp các mô hình toán học và các thuật toán học máy tùy chỉnh để nhận dạng các mô hình trong dữ liệu. Các nhà nghiên cứu đã đào tạo các mô hình trên 80% dữ liệu được thu thập, trong khi 20% còn lại được sử dụng cho các quy trình thử nghiệm và xác thực. 

Cải thiện các thuật toán để tăng cường hiệu suất phát điện mặt trời

Nghiên cứu này đã chứng minh rằng mô hình HCLM có thể tăng cường hiệu suất của các hệ thống phát điện mặt trời bằng cách tiên đoán các phép đo yêu cầu. Nó cho thấy sản lượng điện mặt trời trung bình dao động từ khoảng 463,71 đến 592,90MWh.

Cải thiện hơn nữa các mô hình

Các mô hình HCLN có một số hạn chế. Mặc dù có triển vọng, nhưng hiện tại chúng yêu cầu tính toán cao, điều này có thể hạn chế việc sử dụng chúng nếu cần đưa ra quyết định nhanh chóng. Các mô hình cũng yêu cầu các chương trình đào tạo dài hạn. Nếu cải thiện những thách thức này, việc triển khai các mô hình HCLN trong các môi trường lưới điện thông minh có thể nâng cao tính năng của năng lượng tái tạo.

Biên dịch: Chu Hải Yến

Theo " Eepower ", tháng 08/2024