Ứng dụng trí tuệ nhân tạo trong hệ thống điện có nguồn phân tán

PECC2 bước đầu làm chủ công nghệ dự báo công suất phát điện mặt trời bằng AI Sự phát triển “nóng” của năng lượng tái tạo trong những năm gần đây mang lại nhiều thách thức trong việc vận hành ổn định hệ thống điện Việt Nam. Nắm bắt nhu cầu cấp thiết về dự báo công suất phát năng lượng tái tạo để giải quyết vấn đề trên, Công ty Cổ phần Tư vấn xây dựng Điện 2 (PECC2) đã bước đầu nghiên cứu thành công công cụ dự báo công suất phát điện mặt trời ngày tới bằng trí tuệ nhân tạo (AI) với độ chính xác trên 90%. Với kết quả này, PECC2 kỳ vọng sẽ tiến xa hơn trong thị trường dự báo công suất năng lượng tái tạo đầy tiềm năng trong tương lai.

Giới thiệu:

Theo đó, việc đánh giá độ tin cậy của bộ dữ liệu này rất cần thiết trong giai đoạn xử lý dữ liệu trước khi đưa vào các mô hình dự báo phụ tải điện để có kết quả dự báo mong muốn. Bài viết này trình bày một phương pháp lọc dữ liệu có xem xét đến độ tin cậy của nguồn dữ liệu bằng cách phân tích trên nhiều mức độ tin cậy khác nhau và có thực hiện đối chiếu, so sánh kết quả với các phương pháp lọc dữ liệu trước đây.

Tác hại của sóng hài với lưới điện khi giá trị hiệu dụng và giá trị biên độ của tín hiệu điện áp hay dòng điện tăng do sóng hài sẽ kéo theo một loạt những nguy hại xảy ra với toàn bộ hệ thống lưới điện như: Làm tăng phát nóng của dây dẫn điện; thiết bị điện sinh ra nhiệt cao gây hư hỏng thiết bị, hỏa hoạn và có nguy cơ cháy nổ; làm cho tụ điện bị quá nhiệt và trong nhiều trường hợp có thể dẫn tới phá hủy chất điện môi.

Các sóng điều hòa bậc cao còn có thể làm momen tác động của rơle biến dạng gây ra hiện tượng thời điểm tác động của rơle sai lệch, gây cảnh báo nhầm của các UPS, đồng thời gây ra tổn thất đồng, tổn thất từ thông tản và tổn thất sắt làm tăng nhiệt độ MBA. Tất cả những tác động đó sẽ dẫn đến tăng tổn thất điện năng. Ngoài ra, sóng hài còn làm tổn hao trên cuộn dây và lõi thép động cơ tăng, làm méo dạng momen, giảm hiệu suất máy, gây tiếng ồn, ảnh hưởng đến sai số của các thiết bị đo, làm cho kết quả đo bị sai lệch.

Nguy hại hơn, các sóng điều hòa bậc cao còn có thể sinh ra momen xoắn trục động cơ hoặc gây ra dao động cộng hưởng cơ khí làm hỏng các bộ phận cơ khí trong động cơ. Nếu phải thay thế thiết bị hư hỏng gây ra do sóng hài, có thể làm tăng kinh phí đầu tư đến 15% và kinh phí vận hành đến 10%. Trong ngành công nghiệp, bảo vệ lợi nhuận là ưu tiên hàng đầu, kiểm soát được thiết bị và kinh phí vận hành là nhân tố quan trọng.

Do tính chất đặc thù nên khối lượng dữ liệu lớn dẫn tới cơ sở dữ liệu (CSDL) sẽ được lưu vào NoSQL (Key-Value). Khối lượng dữ liệu có khả năng sẽ tăng thêm rất nhiều khi số lượng thiết bị được trang bị tăng lên nhằm đáp ứng như cầu hiện đại hóa lưới điện. Do đó, các phương pháp tìm kiếm, truy xuất và phân tích dữ liệu truyền thống không đủ khả năng đáp ứng về mặc thời gian thao tác trên khối lượng dữ liệu nhiều và lớn như hiện tại. Chính vì thế, để khai thác nguồn dữ liệu phong phú chúng ta cần phải có những công cụ phân tích tự động để sử dụng nguồn tài nguyên dồi dào ấy.

Trong những năm gần nay, cụm từ AI - Artificial Intelligence (Trí tuệ nhân tạo), cụ thể hơn là Machine Learning (Máy học) như là một minh chứng cụ thể cho cuộc Cách mạng công nghiệp lần thứ 4 trong công cuộc phát triển của công nghệ thông tin. Trí tuệ nhân tạo ngày càng được sử dụng một cách rộng rãi, ví dụ như là trợ lý ảo Catana của Android, Siri của Apple, chức năng nhận diện tự động tag khuôn mặc của người trên Facebook, v.v.

Ứng dụng trí tuệ nhân tạo để phân tích sự cố và sóng hài cũng như dự đoán phụ tải trong hệ thống điện có nguồn phân tán:

Machine learning như là một công cụ để con người ngày càng tiến tới gần hơn AI. Machine learning được định nghĩa là: “Machine learning focuses on the development of computer programs that can access data and use it learn for themselves.” chương trình máy tính được tập trung phát triển để truy cập dữ liệu và sử dụng nó để tự học. Có bốn loại học chính là học có giám sát (Supervised Machine learning), học không có giám sát (Unsupervised machine learning), học bán giám sát (Semi-supervised machine learning) và học tăng cường (Reinforcement machine learning) [1].

Deep learing là sự phát triển của Machine learning, giúp cho máy tính phân loại hàng loạt, gán nhãn/tag cho một số lượng dữ liệu, ví dụ như là hình ảnh mà cách đây vài năm đó là một thử thách lớn.

2. Giải pháp:

2.1. Mô tả:

Các sản phẩm/dịch vụ trong giải pháp gồm có:

- Thiết kế và chế tạo thiết bị đo sóng hài: PQ measurement (harmonics, Samples per cycle, sag/swell, unbalanced, voltage flicker) và Communication protocol (Ethernet và IEC61850).

- Thiết kế hệ thống: Năng lượng gió, năng lượng mặt trời, lưu trữ năng lượng, microgridds và các hệ thống lưới điện thông minh khác. Thiết kế, phân tích và xác nhận để đáp ứng các tiêu chuẩn bắt buộc (ví dụ: tuân thủ NERC) với các hộp công cụ được thiết kế nâng cao.

- Nghiên cứu hệ thống: Phân tích sóng hài, quá áp tạm thời, bù công suất phản kháng, sét khi đóng điện máy biến áp.

- Hệ thống O&M: Các giải pháp nâng cao về Vận hành và Bảo trì cho các hệ thống năng lượng tái tạo. Đào tạo: Cao học, nghiên cứu sinh. Cung cấp các hội thảo/khóa học ngắn hạn cho các kỹ sư về các chủ đề khác nhau bao gồm: Năng lượng tái tạo, công nghệ lưu trữ năng lượng; thiết kế và điều khiển hệ thống điện; Tiêu chuẩn hóa (ví dụ: IEEE 1547, UL 1741, IEC61850, IEEE 519, NERC).

- Hệ thống truyền động và phân phối tua bin gió Kiểu 3 và Kiểu 4.

- Bộ điều khiển nhà máy điện.

- Cáp.

- Quang điện mặt trời.

- Nghiên cứu hệ thống bảo vệ Relay.

- Phân tích dòng tải.

- Phân tích ngắn mạch.

- Lập mô hình: Cung cấp Mô hình EMT giúp Khách hàng đáp ứng các yêu cầu lập mô hình từ Nhà điều hành như ERCOT, CAISO, ISO-NE và MISO Mô hình hóa hệ thống Máy phát điện cảm ứng và đồng bộ (bước 50us-time).

- Hệ thống pin lưu trữ năng lượng (BESS).

- Máy phát điện tuabin khí.

- Máy phát điện tua bin hơi.

- Máy phát điện thủy lực.

- Tua bin gió Loại 1 và Loại 2, thế hệ dựa trên biến tần (bước thời gian 10-20us).

- Phân tích quá áp thoáng qua do sét.

- Phân tích có cơ sở và hiệu quả.

- Phân tích quá áp và tụ điện chuyển mạch.

- Phân tích công suất phản kháng.

- Phân tích sóng hài.

2.2. Một số tính năng chính của giải pháp:

- Chẩn đoán và dự báo lỗi của các thiết bị (MBA,…) thông qua phân tích tần số quét FRA.

- Nghiên cứu dự báo phụ tải nguồn tái tạo (Hình 1 và 2).

- Chẩn đoán và dự báo tấm pin mặt trời bị lỗi thông qua xử lý hình ảnh.

- Ứng dụng trí tuệ nhân tạo để phân tích sự cố và sóng hài cũng như dự báo phụ tải trong hệ thống điện mặt trời (ĐMT).

- Giám sát biện độ sóng hài, độ ẩm của hệ thống ĐMT và điện gió tại thiết bị đầu cuối. Từ đó, xây dựng Server Cloud thu thập data (chuyên gia): Ngày, giờ.

- Cảnh báo và xử lý khi hệ thống ĐMT bị sự cố.

- Xây dựng APP trên điện thoại.

Hình 1. Mô hình dự báo nhu cầu phụ tải dự đoán chính xác 95 - 99% (r square ~ 0.95 -> 0.99).

Bước 1: Nhập dữ liệu

Một trong những thuật toán cơ bản của Machine learning là Perception, được phát triển bởi Frank Rosenblatt vào năm 1957. Thuật toán classification dùng để dự đoán nhãn cho 1 dữ liệu mới khi cho trước hai tập hợp dữ liệu đã được gán nhãn. Để làm được vấn đề, chúng ta cần tìm được ranh giới giữa 2 phân lớp được gọi là Boundary. Những boundary này được biểu diễn dưới dạng một hàm số tuyến tính.

Dựa trên định dạng tập dữ liệu, cấu trúc mạng nơ-ron như thuật toán huấn luyện, số lượng nút ẩn, tỷ lệ dữ liệu huấn luyện, phương pháp tiền xử lý, phương pháp hậu xử lý, hàm chi phí và hàm kích hoạt cho các lớp khác nhau.

Hình 2. Biểu đồ điểm: plt.scatter, plt.plot(x, y, ‘’).

Hình 3: Phổ sóng hài điện áp và dòng điện ở hạ áp (0,4 kV) tập trung ở bậc 5.

Hình 4: Phổ sóng hài điện áp và dòng điện ở cao áp (22kV) tập trung ở bậc 5.

Bước 2: Định cấu hình mạng nơ-ron

Kỹ thuật dừng sớm và điều chỉnh Bayesian sẽ được xử lý tự động để tránh các vấn đề quá tải trong quá trình huấn luyện. Điều đó sẽ giảm bớt gánh nặng của nhiệm vụ nhà thiết kế. Trong ví dụ này, 70% tập dữ liệu huấn luyện được sử dụng để huấn luyện bộ phân loại mạng nơ-ron.

Bước 3: Huấn luyện mạng nơ-ron

Bước 4: Đánh giá mạng nơ-ron

Sau khi mạng nơ-ron được huấn luyện, nó cần được đánh giá để phân tích, xem xét nó có hoạt động tốt trong tập xác nhận và kiểm tra hay không. Trong ví dụ này, vì Bayesian Regulification được sử dụng, bộ xác thực không bắt buộc. Chỉ 30% tập dữ liệu đào tạo được sử dụng để đánh giá hiệu suất mạng nơ-ron. Cả ma trận nhầm lẫn và đường cong ROC đều được hỗ trợ để cung cấp cho nhà thiết kế cái nhìn sâu sắc về hiệu suất và độ ổn định của trình phân loại.

Bước 5: Triển khai mạng nơ-ron

PGS, TSKH. NGÔ ĐĂNG LƯU - THS. NGUYỄN HỮU KHOA

Tài liệu tham khảo:

[1]. http://www.expertsystem.com, „expertsystem,“ What is Machine Learning? A definition, [Online]. Available: http://www.expertsystem.com/machine-learning-definition/. [Zugriff am 15 05 2018].

[2]. Lê Duy Phúc, Bùi Minh Dương, Phạm Anh Duy, Nguyễn Thanh Hoan, Bành Đức Hoài, „Giải quyết bài toán làm sạch dữ liệu và giảm kích thước tập dữ liệu từ đó tối ưu thời gian học máy từ đó tối ưu thời gian học máy sẽ tạo ra giá trị khác cho khách hàng,“ Tạp chí Phát triển Khoa học và Công nghệ -Kĩ thuật và Công nghệ, Nr. 31/12/019, pp. 223-239, 2019.

[3]. V. H. Tiệp, „machinelearningcoban.com,“ [Online]. Available: https://machinelearningcoban.com/2017/02/24/mlp/. [Zugriff am 2018 06 28].

[4]. V. H. Tiệp, „machinelearningcoban.com,“ [Online]. Available: https://machinelearningcoban.com/2017/01/21/perceptron/. [Zugriff am 15 05 2018].

[5]. Anon, „skymind.ai,“ [Online]. Available: https://skymind.ai/wiki/multilayer-perceptron#perceptron. [Zugriff am 30 06 2018].

[6]. B. M. Hasani, „A Boosting Approach Based on Bat Optimization in MLP Neural Networks: Classification Task,“ Iranian Joint Congress on Fuzzy and Intelligent Systems (CFIS), Nr. IEEE, 2018.

[7]. PhuongQT&KhanhHNC, „tech.fpt.com.vn,“ [Online]. Available: https://tech.fpt.com.vn/deep-learning-hieu-sao-cho-dung-phan-1/. [Zugriff am 2018 06 28].