ỨNG DỤNG PHƯƠNG PHÁP EXPLAINABLE ARTIFICIAL INTELLIGENCE (XAI) VÀ CÁC MÔ HÌNH HỌC MÁY TRUYỀN THỐNG XỬ LÍ BÀI TOÁN TIÊU THỤ NĂNG LƯỢNG TÁI TẠO
Nội dung chính của bài viết
Tóm tắt
Nghiên cứu này tập trung vào việc giải quyết thách thức dự báo sản lượng điện năng lượng mặt trời cho Công ty Enefit thông qua việc ứng dụng XAI kết hợp với các mô hình học máy. Mục tiêu là xác định những yếu tố quan trọng ảnh hưởng đến sản lượng điện và tiêu thụ, nhằm phục vụ cho quá trình tích hợp liền mạch các hệ thống quang điện (PV) vào lưới điện quốc gia. Nghiên cứu cũng đề xuất các phương pháp học máy khác nhau giúp nâng cao độ chính xác của dự báo, bằng cách kết hợp dữ liệu như: thời tiết lịch sử; giá khí đốt và giá điện, cùng với các yếu tố về dự báo thời tiết. Nhóm nghiên cứu đã phát triển nhiều mô hình như tuyến tính, phi tuyến tính và LightGBM (LGBM), tiếp tục tiến hành thí nghiệm để tìm ra mô hình hiệu quả nhất. Kết quả nghiên cứu đã giúp giảm thiểu sự mất cân bằng trong lưới điện, đồng thời nâng cao hiệu suất và độ tin cậy khi tích hợp năng lượng tái tạo. Những nỗ lực nghiên cứu tiếp theo sẽ tập trung vào việc tích hợp dữ liệu thời gian thực và áp dụng các kĩ thuật học sâu (deep learning) nhằm nâng cao độ chính xác và hiệu quả của dự báo.
Từ khóa
Photovoltaic system (PV), năng lượng tái tạo, mô hình truyền thống, XAI
Chi tiết bài viết
Tài liệu tham khảo
Allal, Z., Noura, H. N., Salman, O., & Chahine, K. (2024). Leveraging the power of machine learning and data balancing techniques to evaluate stability in smart grids. Engineering Applications of Artificial Intelligence, 133, 108304.
Bhuiyan, M. A., Zhang, Q., Khare, V., Mikhaylov, A., Pinter, G., & Huang, X. (2022). Renewable Energy Consumption and Economic Growth Nexus—A Systematic Literature Review. Frontiers in Environmental Science, 10. https://doi.org/10.3389/fenvs.2022.878394
Frederiks, E., Stenner, K., & Hobman, E. (2015). The Socio-Demographic and Psychological Predictors of Residential Energy Consumption: A Comprehensive Review. Energies, 8(1), 573–609.
Enefit. (2023). Enefit – Predict energy behavior of prosumers. Kaggle. https://www.kaggle.com/competitions/predict-energy-behavior-of-prosumers
Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T. (2017). LightGBM: a highly efficient gradient boosting decision tree. In Proceedings of the 31st Conference on Neural Information Processing Systems (NeurIPS 2017).
Kuzlu, M., Cali, U., Sharma, V., & Güler, Ö. (2020). Gaining insight into solar photovoltaic power generation forecasting utilizing explainable artificial intelligence tools. Ieee Access, 8, 187814-187823. https://doi.org/10.1109/ACCESS.2020.3031477
Machlev, R., Heistrene, L., Perl, M., Levy, K. Y., Belikov, J., Mannor, S., & Levron, Y. (2022). Explainable Artificial Intelligence (XAI) techniques for energy and power systems: Review, challenges and opportunities. Energy and AI, 9, 100169. https://doi.org/10.1016/j.egyai.2022.100169
Marcílio, W. E., & Eler, D. M. (2020, November). From explanations to feature selection: assessing SHAP values as feature selection mechanism. In 2020 33rd SIBGRAPI conference on Graphics, Patterns and Images (SIBGRAPI) (pp. 340-347). Ieee.
Molnar, C. (2024, July 31). Interpretable Machine learning.
Peñasco, C., & Anadón, L. D. (2023). Assessing the effectiveness of energy efficiency measures in the residential sector gas consumption through dynamic treatment effects: Evidence from England and Wales. Energy Economics, 117, 106435.
Sadorsky, P. (2010). The impact of financial development on energy consumption in emerging economies. Energy policy, 38(5), 2528-2535.
Tolliver, C., Fujii, H., Keeley, A. R., & Managi, S. (2021). Green Innovation and Finance in Asia. Asian Economic Policy Review, 16(1), 67–87. https://doi.org/10.1111/aepr.12320
Van den Broeck, G., Lykov, A., Schleich, M., & Suciu, D. (2022). On the tractability of SHAP explanations. Journal of Artificial Intelligence Research, 74, 851-886.
Zhao, H., & Magoulès, F. (2012). A review on the prediction of building energy consumption. Renewable and Sustainable Energy Reviews, 16(6), 3586–3592.