Nguyễn Phúc Khải * , Trần Kim Long , Hà Phú Cường , Nguyễn Minh Huy Hoàng Công Hưng

* Tác giả liên hệ (phuckhai@hcmut.edu.vn)

Abstract

The short-term forecasting of energy for solar rooftop systems is essential in operating the power system effectively. This paper presents a survey on the short-term forecasting energy of a solar rooftop system using artificial neural networks. The data have been collected from the monitoring system with electrical power and solar irradiance from January 1, 2022, to June 1, 2022. Four neural networks have been employed to forecast electrical energy, such as a multi-layer feed-forward network (MLFF), a nonlinear autoregressive exogenous model (NARX), a long-short term memory (LSTM), and a combined NARX-LSTM model. The proposed methods have been evaluated to investigate the effectiveness of 5-minute and 1-hour forecasting. The numerical results show the MLFF is better than other methods in both case studies.

Keywords: Forecasting energy, artificial neural networks, multi-layer feed-forward network, recurrent neural network, long-short term memory

Tóm tắt

Dự báo ngắn hạn sản lượng điện năng điện mặt trời mái nhà là công cụ thiết yếu trong quá trình vận hành hệ thống điện một cách hiệu quả. Bài báo này trình bày khảo sát về dự báo ngắn hạn sản lượng điện năng của một hệ thống điện năng lượng mặt trời sử dụng các mạng neuron  nhân tạo. Dữ liệu được thu thập từ hệ thống giám sát với công suất điện và bức xạ mặt trời từ ngày 21/04/2022 đến 01/6/2022. Bốn mô hình mạng neuron  được sử dụng để dự báo điện năng gồm: mạng neuron  lan truyền thẳng nhiều lớp (MLFF), mô hình neuron tự hồi quy phi tuyến tính với đa biến ngoại sinh (NARX), mô hình neuron  bộ nhớ dài-ngắn hạn (LSTM) và mô hình kết hợp NARX-LSTM. Các phương pháp đề xuất để kiểm tra hiệu quả cho các bài toán dự báo 5 phút và 1 giờ. Kết quả cho thấy mô hình mạng neuron truyền thẳng nhiều lớp cho kết quả dự báo chính xác hơn so với các phương pháp khác trong cả 2 trường hợp tính toán.

Từ khóa: Dự báo sản lượng điện mặt trời, mạng nơ-ron nhân tạo, mạng nơ-ron truyền thẳng, mạng nơ-ron hồi quy, mạng nơ-ron bộ nhớ ngắn dài

Article Details

Tài liệu tham khảo

Basodi, S., Ji, C., Zhang, H., & Pan, Y. (2020). Gradient amplification: An efficient way to train deep neural networks. Big Data Mining and Analytics, 3(3), 196-207.

Buitrago, J., & Asfour, S. (2017). Short-term forecasting of electric loads using nonlinear autoregressive artificial neural networks with exogenous vector inputs. Energies, 10(1), 40.

Elgarhy, S. M., Othman, M. M., Taha, A., & Hasanien, H. M. (2017, December). Short term load forecasting using ANN technique. In 2017 Nineteenth International Middle East Power Systems Conference (MEPCON) (pp. 1385-1394). IEEE.

Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.

Kůrková, V. (1992). Kolmogorov's theorem and multilayer neural networks. Neural networks, 5(3), 501-506.

Massaoudi, M., Chihi, I., Sidhom, L., Trabelsi, M., Refaat, S. S., & Oueslati, F. S. (2019). A novel approach based deep RNN using hybrid NARX-LSTM model for solar power forecasting. arXiv preprint arXiv:1910.10064.

Raza, M. Q., & Khosravi, A. (2015). A review on artificial intelligence based load demand forecasting techniques for smart grid and buildings. Renewable and Sustainable Energy Reviews, 50, 1352-1372.

Siegelmann, H. T., Horne, B. G., & Giles, C. L. (1997). Computational capabilities of recurrent NARX neural networks. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 27(2), 208-215.

Zhang, H. T., Xu, F. Y., & Zhou, L. (2010, July). Artificial neural network for load forecasting in smart grid. In 2010 International Conference On Machine Learning And Cybernetics (Vol. 6, pp. 3200-3205). IEEE.