Ứng dụng AI để cảnh báo sự cố, nâng cao hiệu suất hệ thống điện mặt trời

TÓM TẮT

Các nguồn phát điện từ năng lượng tái tạo (NLTT), năng lượng gió và năng lượng mặt trời (NLMT) đã và đang dần được đấu nối càng nhiều vào lưới điện hiện hữu của Việt Nam. Từ đó cung cấp nguồn điện phân tán hiệu quả giúp giải quyết vấn đề về nhu cầu sử dụng năng lượng tăng cao, đồng thời kết nối các cộng đồng ở vùng sâu, vùng xa khó khăn khi kết nối với lưới điện. Trước đây, khi số lượng và quy mô công suất của các nhà máy điện (NMĐ) từ NLTT chưa cao, vấn đề tác động của mức độ xâm nhập của các NMĐ – NLTT lên hệ thống là không đáng kể, và chưa đặt ra vấn đề lớn về phương diện ổn định đối với hệ thống lưới điện (xét về mặt ổn định điện áp, tần số).

• Nghiên cứu giá điện và giải quyết tắc nghẽn truyền tải trong thị trường điện nhằm đảm bảo tính ổn định
• Tính toán tổn thất công suất hệ thống điện mặt trời áp mái nối lưới

Trong bài báo sẽ trình bày các phân tích về một số vấn đề quan trọng trong việc triển khai các NMĐ – NLTT. Đặc biệt, công trình nhấn mạnh giải pháp Ứng dụng Trí tuệ nhân tạo trong hệ thống điện có nguồn phân tán: khắc phục tác động khi mức xâm nhập tăng dần của các NMĐ – quy định trong vấn đề ổn định điện áp trong trạng thái xác lập, tổn thất công suất, cũng như vấn đề ổn định động của lưới điện trong trạng thái quá độ.

I. ĐỀ XUẤT GIẢI PHÁP: TÍCH HỢP CÁC NGUỒN ĐIỆN HIỆU QUẢ VÀ TỰ ĐỘNG HÓA

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. Cụ thể là 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)

1.1. Mô tả giải pháp

• 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.1.2. 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 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.

  

  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.

  

  

  

  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-ronBước 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

  II. KẾT LUẬN

  Nhằm khắc phục nhược điểm trên, một giải pháp mới loại điều khiển tạo lưới dần được phát triển để thích ứng làm việc với hạ tầng điện sử dụng Trí tuệ nhân tạo với khả năng điều chỉnh điện áp và tần số qua việc điều khiển phi tập trung và tại chỗ (local de-centralized control). Trước khi xem xét các đặc tính cần có của thế hệ biến tần mới này, cần xem xét các thách thức kĩ thuật phải giải quyết. Đầu tiên, ứng dụng trí tuệ nhân tạo mới này sẽ dần được đưa vào làm việc trên lưới điện, cùng với việc tỉ lệ NLTT xâm nhập ngày càng cao vào lưới điện trong nhiều năm, nhiều thập kỉ tới. Đối với các lưới điện lớn, điều này cũng có nghĩa số lượng có thể lên đến hàng triệu các máy phát biến tần sẽ được vận hành trong một phạm vi địa lí rộng lớn.

  Ngô Đăng Lưu (Công ty Anh Minh Global)
  Nguyễn Đình Long (Trường Đại học Đồng Nai)
  Nguyễn Hùng (Trường Đại học Công nghệ Thành phố Hồ Chí Minh)