Ứng dụng mô hình học máy dự báo công suất phát điện gió
,
và
Article Sidebar
Full Text: 
PDF
Abstract
The development of the wind power sector aims to meet energy demands and reduce dependency on fossil fuels. However, the variability of wind energy sources poses challenges for grid operation and dispatch, leading to periods of surplus generation or insufficient power supply at different times. This study aims to enhance the accuracy of wind energy forecasts to optimize operations and integrate wind energy into the power grid. The applied method is the Multilayer Perceptron (MLP) regression model, which was selected for the task of wind power forecasting. The dataset used in the study includes input variables such as ambient temperature, wind speed, and wind direction, while the output corresponds to the power generated by the wind turbine. The model development and evaluation process is implemented using the Python programming language. The research highlights the potential of AI (Artificial Intelligence) and ML in optimizing wind power operations, efficiently utilizing wind resources, supporting effective grid dispatch, and promoting a sustainable power system.
Tóm tắt
Ngành điện gió được phát triển nhằm đáp ứng nhu cầu điện năng và giảm phụ thuộc vào năng lượng hóa thạch. Tuy nhiên, sự biến động nguồn năng lượng gió gây khó khăn cho vận hành và điều phối lưới điện dẫn đến tình trạng phát điện dư thừa hoặc thiếu hụt công suất vào từng thời điểm khác nhau. Nghiên cứu này được thực hiện nhằm nâng cao độ chính xác trong dự báo công suất phát điện gió, giúp tối ưu hóa vận hành và tích hợp năng lượng gió vào hệ thống điện. Phương pháp được sử dụng là mô hình mạng hồi quy Perceptron đa tầng (MLP Regression) và được lựa chọn để thực hiện nhiệm vụ dự báo công suất phát điện gió. Tập dữ liệu được sử dụng trong nghiên cứu bao gồm các biến đầu vào như nhiệt độ môi trường, tốc độ và hướng gió; đầu ra là công suất phát của tuabin gió. Toàn bộ quá trình xây dựng và đánh giá mô hình được triển khai bằng ngôn ngữ lập trình Python. Kết quả ghiên cứu cho thấy tiềm năng của trí tuệ nhân tạo (AI - Artificial Intelligence) và học máy trong tối ưu hóa vận hành điện gió, góp phần khai thác hiệu quả tài nguyên gió, hỗ trợ điều phối lưới điện hiệu quả và thúc đẩy hệ thống điện bền vững.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Azimi, R., Ghofrani, M., & Ghayekhloo, M. (2016). A hybrid wind power forecasting model based on data mining and wavelets analysis. Energy Conversion and Management, 127, 208- 225.
https://doi.org/10.1016/j.enconman.2016.09.002
Bashir, T., Wang, H., Tahir, M., & Zhang, Y. (2025). Wind and solar power forecasting based on hybrid CNN-ABiLSTM, CNN-transformer-MLP models. Renewable Energy, 239, 122055. https://doi.org/10.1016/j.renene.2024.122055
Fan, Y., Feng, C., Wu, R., Liu, C., & Jiang, D. (2024). Multiscale-attention masked autoencoder for missing data imputation of wind turbines. Knowledge-Based Systems, 299, 112114. https://doi.org/10.1016/j.knosys.2024.112114
Hao, Y., Wang, X., Wang, J., & Yang, W. (2024). A new perspective of wind speed forecasting: Multi-objective and model selection-based ensemble interval-valued wind speed forecasting system. Energy Conversion and Management, 299, 117868. https://doi.org/10.1016/j.enconman.2023.117868
He, Y., & Li, H. (2018). Probability density forecasting of wind power using quantile regression neural network and kernel density estimation. Energy Conversion and Management, 164, 374-384. https://doi.org/10.1016/j.enconman.2018.03.010
Hu, Q., Zhang, S., Yu, M., & Xie, Z. (2016). Short-term wind speed or power forecasting with heteroscedastic support vector regression. IEEE Transactions on Sustainable Energy, 7(1), 241-249.
https://doi.org/10.1109/TSTE.2015.2480245
Kalpana, R., Subburaj, V., Lokanadham, R., Amudha, K., Beena Bethel, G. N., Shukla, A. K., Kshirsagar, P. R., & Rajaram, A. (2023). Internet of Things (IoT) based machine learning techniques for wind energy harvesting. Electric Power Components and Systems, 1-17. https://doi.org/10.1080/15325008.2023.2293952
Liang, G., Su, Y., Wu, X., Ma, J., Long, H., & Song, Z. (2023). Abnormal data cleaning for wind turbines by image segmentation based on active shape model and class uncertainty. Renewable Energy, 216, 118965. https://doi.org/10.1016/j.renene.2023.118965
Lin, Z., & Liu, X. (2020). Wind power forecasting of an offshore wind turbine based on high-frequency SCADA data and deep learning neural network. Energy, 201, 117693. https://doi.org/10.1016/j.energy.2020.117693
Mohd, Y., & Singh, H. (2023). Machine learning for analysis and prediction of wind energy. International Conference on Circuit Power and Computing Technologies 2023 , (pp.1438-1445). IEEE. https://doi.org/10.1109/ICCPCT58313.2023.10245555
Naik, J., Satapathy, P., & Dash, P. K. (2018). Short-term wind speed and wind power prediction using hybrid empirical mode decomposition and kernel ridge regression. Applied Soft Computing, 70, 1167-1188. https://doi.org/10.1016/j.asoc.2017.12.010
Ozkan, M. B., & Karagoz, P. (2015). A novel wind power forecast model: Statistical hybrid wind power forecast technique (SHWIP). IEEE Transactions on Industrial Informatics, 11(2), 375-387. https://doi.org/10.1109/TII.2015.2396011
Pandit, R., Infield, D., & Santos, M. (2023). Accounting for environmental conditions in data-driven wind turbine power models. IEEE Transactions on Sustainable Energy, 14(1), 168-177. https://doi.org/10.1109/TSTE.2022.3204453
Sireesha, P. V., & Thotakura, S. (2024). Wind power prediction using optimized MLP-NN machine learning forecasting model. Electrical Engineering, 106, 7643-7666. https://doi.org/10.1007/s00202-024-02440-6
Tian, C., Niu, T., & Li, T. (2025). Developing an interpretable wind power forecasting system using a transformer network and transfer learning. Energy Conversion and Management, 323, 119155.
https://doi.org/10.1016/j.enconman.2024.119155
Tian, S., Fu, Y., Ling, P., Wei, S., Liu, S., & Li, K. (2018). Wind power forecasting based on ARIMA-LGARCH model. International Conference on Power System Technology 2018 (pp. 1285-1289). IEEE. https://doi.org/10.1109/POWERCON.2018.8601740
Tuncar, E. A., Sağlam, Ş., & Oral, B. (2024). A review of short-term wind power generation forecasting methods in recent technological trends. Energy Reports, 12, 197-209. https://doi.org/10.1016/j.egyr.2024.06.006
Wang, Y., Zou, R., Liu, F., Zhang, L., & Liu, Q. (2021). A review of wind speed and wind power forecasting with deep neural networks. Applied Energy, 304, 117766. https://doi.org/10.1016/j.apenergy.2021.117766
Xiaochen, L., Xia, W., Liyong, Zh., Wei, L., & Chongquan, Zh. (2019). Imputations of missing values using a tracking-removed autoencoder trained with incomplete data. Neurocomputing, 366, 54-65.
https://doi.org/10.1016/j.neucom.2019.07.066.
Xu, Z. Q., Xue, T., Chen, X. Y., Feng, J., Zhang, G. W., Wang, C., Lu, C. H., Chen, H. S., & Ding, Y. H. (2024). Wind power correction model designed by the quantitative assessment for the impacts of forecasted wind speed error. Advances in Climate Change Research. https://doi.org/10.1016/j.accre.2024.12.006
Yang, M., Huang, Y., Xu, C., Liu, C., & Dai, B. (2025). Review of several key processes in wind power forecasting: Mathematical formulations, scientific problems, and logical relations. Applied Energy, 377, 124631. https://doi.org/10.1016/j.apenergy.2024.124631
Yang, S., Yang, W., Wang, X., & Hao, Y. (2023). A novel selective ensemble system for wind speed forecasting: From a new perspective of multiple predictors for subseries. Energy Conversion and Management, 294, 117590. https://doi.org/10.1016/j.enconman.2023.117590
Yang, T., Yang, Z., Li, F., & Wang, H. (2024). A short-term wind power forecasting method based on multivariate signal decomposition and variable selection. Applied Energy, 360, 122759. https://doi.org/10.1016/j.apenergy.2024.122759
Yao, F., Liu, W., Zhao, X., & Song, L. (2020). Integrated Machine Learning and Enhanced Statistical Approach‐Based Wind Power Forecasting in Australian Tasmania Wind Farm. Complexity, 2020(1), 9250937. https://doi.org/10.1155/2020/9250937
Zhang, Y., Li, Y., & Zhang, G. (2020). Short-term wind power forecasting approach based on Seq2Seq model using NWP data. Energy, 213, 118371.
https://doi.org/10.1016/j.energy.2020.118371
Zhao, Z., & Bai, J. (2024). Ultra-Short-Term Wind Power Forecasting Based on the MSADBO-LSTM Model. Energies, 17(22), 5689. https://doi.org/10.3390/en17225689