Xây dựng chương trình giám sát phụ tải điện tiêu thụ ứng dụng công nghệ IOT

HVTH: HUỲNH THỊ PHƢƠNG DUNG

GVHD: PGS.TS Lê Mỹ Hà

XÂY DỰNG CHƢƠNG TRÌNH GIÁM SÁT PHỤ TẢI ĐIỆN TIÊU THỤ

ỨNG DỤNG CÔNG NGHỆ IoT

DEVELOP A PROGRAM TO MONITOR LOAD CURRENT

CONSUMPTION USING IoT TECHNOLOGY

Lê Mỹ Hà¹, Huỳnh Thị Phƣơng Dung²

¹Trường Đại Học Sư Phạm Kỹ Thuật TPHCM

²Trường Đại Học Sư Phạm Kỹ Thuật TPHCM

TÓM TẮT

Giám sát phụ tải điện tiêu thụ là một mối quan tâm hàng đầu của các nhà quản lý và nó

có ý nghĩa lớn đối với sự phát triển kinh tế xã hội.Trong quá trình giám sát phụ tải tiêu thụ

duy trì mức tải cho thiết bị hợp lý, tránh các trường hợp quá tải hoặc non tải. Trong nội dung

bài báo này, tác giả thiết kế trên mô hình đào tạo năng lượng mặt trời. Sau đó dựa trên nền

tảng Internet of Things thu thập tín hiệu dòng điện của phụ tải điện tiêu thụ qua module

ESP8266 wifi. Sử dụng BigData (Thingspeak) là nơi lưu trữ tín hiệu và phần mềm Matlab để

huấn luyện mạng neural nhân tạo. Xây dựng chương trình giám sát cũng như phân loại tín

hiệu dòng điện tiêu thụ bằng trí tuệ nhân tạo (mạng neural Long-Short Term Memory). Kết

quả thực nghiệm cho thấy phương pháp phân loại đề xuất trong bái báo phù hợp với dữ liệu

thực dùng kiểm tra với sai số trung bình hiệu dụng là 9.4444.

Từ khóa:Internet of Things; BigData; Thingspeak; Trí tuệ nhân tạo; Long-Short Term

Memory .

ABSTRACT

The supervision and consumption load for electric is not only a top concern of

managers but also it is so significant for socio-economic development. In the supervision,

consumption load for electric maintains loading reasonably and avoid overloaded or under-

load cases. in this article, the author designed on the solar training model. Then based on the

internet of things platform, it captures the current signal of the consumed electricity through

the esp8266 Wi-Fi module. Using big data (Thingspeak) stores a signal and Matlab software

to train artificial neural networks. Establishing the supervision as well as classifying signals

of the consumption load by artificial intelligence (long-short term memory neural network). he

experiment results show that the proposed model is suitable with Root Mean Square Error

(RMSE) is 9.4444.

Keywords: Internet of Thing, BigData; ThingSpeak; Artificial Neural Network; Long-

Short Term Memory.

80

HVTH: HUỲNH THỊ PHƢƠNG DUNG

GVHD: PGS.TS Lê Mỹ Hà

1. TỔNG QUAN

Công nghệ Internet of Things (IoT) nghệ IoT [4]. Với những thành công cho đến

cung cấp kết nối mọi lúc, mọi nơi. Nó cung thời điểm hiện tại, IoT được kỳ vọng sẽ thành

cấp các thiết bị thông minh ( như cảm biến, thị trường thiết bị lớn nhất thế giới.

thiết bị truyền động và đồng hồ) để kết nối, tự

động hóa, phân tích kiểm soát phụ tải tiêu

2. PHƢƠNG PHÁP PHÂN LOẠI ĐỀ

XUẤT

thụ.

2.1. Mạng neural hồi quy RNN– Recurrent

IoT đang trở thành xu hướng công nghệ

Neural Networks

ảnh hưởng ngày càng lớn tới đời sống của cả

Mạng neural hồi quy RNN là một dạng

học sâu của m ạ ng neural nhân t ạ o, được phát

triển vào những năm 1980. RNN cơ bản là

một mạng gồm các nút th ầ n kinh gi ố ng

h ệ t nhau, mỗi nút k ế t n ố i tr ự c ti ế p (m ộ t

chi ề u) với mọi nút khác, mỗi nút (neuron) có

một kích hoạt thời gian khác nhau có giá trị

kích hoạt. Mỗi kết nối (synapse) có tr ọ ng

số thực có thể điều chỉnh được . Các nút là

các nút đầu vào (nhận dữ liệu từ bên ngoài

mạng), các nút đầu ra (kết quả mang lại) hoặc

các nút ẩn (điều chỉnh dữ liệu trên đường đi

từ đầu vào đến đầu ra) [5] Hình 1.

thế giới và có ứng dụng vô cùng rộng rãi

trong nhiều lĩnh vực tương lại, trong đó có

ngành điện. Sự phát triển của IoT cải thiện

đáng kể hiệu suất và khả năng vận hành, phát

triển của lưới điện thông minh. Vì lý do đó,

giới nghiên cứu trong cả nước đã định hướng

vào thực hiện ứng dụng của IoT cho ngành

điện để giám sát, phân loại. Một số hướng

phát triển ứng dụng vào quản lý năng lượng

tiêu thụ hộ gia đình, nhà máy sản xuất. Trong

hội khoa học và công nghệ sử dụng năng

lượng tiết kiệm và hiệu quả Việt Nam năm

2018 có bài viết về ứng dụng Cách Mạng

Công Nghiệp 4.0 của EVN [1]. Ứng dụng hệ

thống chiếu sáng cho phép tiết kiệm điện

năng hiệu quả, thời gian sống dài nhưng cũng

đòi hỏi một hệ thống giám sát và điều khiển

phù hợp thì giải pháp IoT sẽ giải quyết được

vấn đề trên [2].

Các nghiên cứu ngoài nước về ứng

dụng công nghệ IoT trong quản lý, giám sát

phụ tải điện tiêu thụ là một giải pháp đầy

tiềm năng với các ưu điểm vượt trội với

những thành tựu gần đây của công nghệ

thông tin và truyền thông đã được quan tâm

phát triển từ các nước có nền công nghệ tiên

tiến trên thế giới. Công nghệ IoT có thể giúp

cho lưới điện thông minh kết nối các thiết bị

khác nhau trong việc lưu trữ, truyền tải, phân

phối và tiêu thụ để tăng cường khả năng tự

động hóa, giám sát trong quá trình vận hành

[3]. Lưới điện thông minh được coi là một

trong những ứng dụng lớn nhất của công

Hình 1. Mô hình mạng neural hồi quy RNN

2.2. Mạng Long-Short Term Memory

(LSTM Networks)

Mạng Long-Short Term Memory –

Thường được gọi là “LSTM” là một mạng

RNN đặc biệt, có khả năng học các phụ thuộc

dài hạn. LSTM được giới thiệu bởi

1

HVTH: HUỲNH THỊ PHƢƠNG DUNG

GVHD: PGS.TS Lê Mỹ Hà

Horchreter & Schmidhuber (1997) và đã

được tinh chỉnh và phổ biến bởi nhiều người

trong công việc ứng dụng sau này [6]. Điều

cốt lõi của mạng là trạng thái tế bào chạy

thông ngang phía trên của Hình 2.

3. THỰC NGHIỆM

3.1 Mô hình hệ thống

3.1.1 Sơ đồ khối hệ thống

Hình 2. Mô hình tổng quát LSTM

Tầng cổng quên (1) lấy đầu vào h_t-1và

x_tđưa ra kết quả. Nếu f_ilà 1 thì nõ giữ lại

toàn bộ thông tin, còn 0 chỉ rằng toàn bộ

thông tin sẽ bị bỏ đi.

Hình 3. Sơ đồ khối hệ thống

Khối cảm biến: Cảm biến dòng điện (IC

ACS712 5/20/30A). Cảm biến điện áp DC

(0~ 25VDC).

f_t(W_f.[h_t1,x_t]+b_f)

(1)

Tầng lưu thông tin mới (2) với i_tquyết

định giá trị nào sẽ cập nhật và (3) sẽ tạo ra

vec-tơ cho giá trị mới nhằm thêm vào cho

trạng thái.

Khối nguồn: pin mặt trời (85W), tuabin gió

(12Vdc, 7A)

Khối chuyển đổi: Inveter (1kW, ngõ ra

(2)

120Vac)

i_t(W.[h_t1,x_t]+b_i)

i

~

Khối tải : đèn LED 60W

(3)

C_t tanh(W_C.[h_t1,x_t]+b_C)

Khối BigData: Thingspeak, Matlab để huấn

luyện mạng.

Tầng cập nhật trạng thái tế bào (4) cũ

C_t-1thành trạng thái mới C_t.

3.1.2 Sơ đồ nối dây hệ thống

~

C_t f_t*C_t1i_t*C_t

(4)

Từ sơ đồ khối Hình 3 tiến hành kết nối

các thiết bị theo sơ đồ nối dây hệ thống

(Hình 4).

Tầng cuối cùng quyết định đầu ra mong

muốn. Ta quyết định phần nào của trạng thái

muốn xuất ra o_t(5). Sau đó đưa trạng thái tế

bào qua một hàm tanh đế giá trị của nó về

khoảng [-1,1] (6), và nhân nó với đầu ra o_tđể

được giá trị đầu ra ta mong muốn.

o (W [h_t1,x_t]+b_o)

(5)

(6)

t

o

h  o *tanh(C_t)

t

2

HVTH: HUỲNH THỊ PHƢƠNG DUNG

GVHD: PGS.TS Lê Mỹ Hà

Hình 4. Sơ đồ nối dây hệ thống

3.1.3 Mô hình hệ thống

Hình 6. Lưu đồ chương trình

3.2.1Thu thập dữ liệu

Ứng dụng IoT trong quá trình thu

thập dữ liệu dùng ESP8266 mã nguồn

mở. ESP8266 –IoT wifi Uno thiết kế

tương thích với Arduino Uno như trong

Hình 7. Mạch có thể được lập trình để

chạy các ứng dụng thu thập và điều

khiển qua wifi, lập trình được bằng các

ngôn ngữ C/C++, Arduino IDE,

Micropython.

Hình 5. Mô hình hệ thống

Gắn 3 Led Lamp phía ngõ ra Power

Kết nối cảm biến dòng điện đo dòng

điện 3 bóng đèn. Khởi động module wifi.

Mỗi lần lấy mẫu 10 phút.

3.2 Xây dựng chƣơng trình hệ thống

Chương trình hệ thống gồm 5 bước như

Hình 6. Trong bài báo sử dụng tín hiệu dòng

điện của phụ tải tiêu thụ để tiến hành phân

loại.

Hình 7. Module ESP8266 wifi

3

HVTH: HUỲNH THỊ PHƢƠNG DUNG

GVHD: PGS.TS Lê Mỹ Hà

3.2.2 Trực quan dữ liệu lên Thingspeak

Hình 10. Dòng điện trạng thái quá tải

Hình 8. Dòng điện phụ tải điện tiêu thụ

3.2.3 Đọc chuỗi dữ liệu

Đọc dữ liệu là chỉ số dòng điện của phụ

tải tiêu thụ từ kênh Thingspeak là chuỗi thời

gian. Mỗi đơn vị thời gian ( ngày, tháng,

năm, giờ, phút, giây) tương ứng với đơn vị

dòng điện.

Huấn luyện trạng thái phụ tải điện tiêu

thụ trong 3 trường hợp. Lúc dòng điện trạng

thái bình thường Hình 9.1 gán nhãn”N”.

Dòng điện trạng thái quá tải Hình 9.2 nhãn

“S”. Dòng điện trạng thái non tải Hình 9.3

nhãn „L”.

Hình 11. Dòng điện trạng thái non tải

Phân chia dữ liệu 80% để huấn luyện và

20% để kiểm tra trong Matlab.

Hình 9. Dòng điện trạng thái bình thường

4

HVTH: HUỲNH THỊ PHƢƠNG DUNG

GVHD: PGS.TS Lê Mỹ Hà

3.2.4 Kết quả huấn luyện

Hình 12. Kết quả huấn luyện

Hình 14. Ma trận nhầm lẫn

Kết quả thực nghiệm Hình 10 trên 5100

entries, thời gian huấn luyện 1 phút 51 giây.

Cấu hình Laptop chạy thực nghiệm RAM

4Gb, Core i3-4030U CPU@ 1.9Ghz.

Kết quả kiểm tra độ chính xác dữ liệu với

độ chính xác 94,44% Hình 11. Với số lượng

mẫu kiểm tra là 36 mẫu (chia đều nhãn “L”,

“S”, “N”) thể hiện trên ma trận nhầm lẫn

Hình 12.

3.2.5 Kết quả phân loại

4. KẾT LUẬN

Trong bài báo này tác giả đã xây dựng

được mô hình năng lượng mặt trời tiến hành

dữ liệu thu thập dữ liệu được để tiến hành xử

lý phân loại trạng thái bất thường cụ thể là

dòng điện phụ tải điện tiêu thụ.Trong quá

trình nghiên cứu tác giả phân tích lý thuyết và

kiểm chứng thực tế qua phần mềm. Qua đó

thấy được phương pháp mà tác giả đề xuất

mạng LSTM có độ chính xác cao.

Hình 13. Kết quả kiểm tra

Tuy nhiên còn một số hạn chế trong bài

báo là chưa thu thập thêm tín hiệu từ nhiều vị

trí khác để số lượng dữ liệu nhiều hơn cho

kết quả chính xác hơn.

Hướng phát triển đề tài là tiến hành phân

tích, huấn luyện trực tiếp trên BigData

(Thingspeak). Điều chỉnh cấu trúc mạng và

so sánh với nhiều phương pháp để có kết quả

tối ưu hơn.

5

HVTH: HUỲNH THỊ PHƢƠNG DUNG

GVHD: PGS.TS Lê Mỹ Hà

TÀI LIỆU THAM KHẢO

[18]. Lan Chi, EVN ứng dụng CMCN 4.0 sản xuất, phân phối điện và xây dựng lưới điện

thông minh, Hội Khoa Học và công nghệ sử dụng năng lượng tiết kiệm và hiệu quả Việt

Nam, 2018

[19]. Hà Mạnh Dũng, Đỗ Xuân Hùng, Giải pháp IoT để giám sát, điều khiển hệ thống chiếu

sáng công cộng đô thị sử dụng công nghệ Led trên cơ sở công nghệ lora, Proceeding

Publishing House for Science and Technology, 2018

[20]. W. Meng, R. Ma, and H. Chen, Smart Grid Neighborhood Area Networks : A Survey,

IEEE Network, vol. 28, no. 1, pp 24-32, 2014.

[21]. Smart Grid News, “Smart Grid 101: The Internet of Things and the Smart Grid (Part 1),”

12

November

2013,

accessed:

January

2016.

[Online].

Available:

http://www.smartgridnews.com/story/smart-grid-101-internet-things-and-smart-grid-part-

1/2013-11-12.

[22]. S. Venugopalan, H. Xu, J. Donahue, M. Rohrbach, R. Mooney, and K. Saenko,

"Translating videos to natural language using deep recurrent neural networks," arXiv

preprint arXiv:1412.4729, 2014.

[23]. Qiu, J., Wang, B., & Zhou, C. .Forecasting stock prices with Long-Short term Memory

neural network on attention mechanism, in PLOS ONE, p3-5, 2020

Thông tin liên hệ tác giả chính (Người chịu trách nhiệm bài viêt)

Họ và tên: Huỳnh Thị Phƣơng Dung

Đơn vị: Học viên cao học trường Đại học Sư phạm Kỹ thuật thành phố Hồ Chí Minh

Điện thoại: 0937339015

Email: [email protected]n

Xác nhận của Giảng Viên Hƣớng Dẫn

(Ký và ghi rõ họ tên)

PGS.TS Lê Mỹ Hà

1

BÀI BÁO KHOA HỌC

THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ

Bài báo khoa học của học viên

có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn

Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam.

Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý

của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN!

Thực hiện theo MTCL & KHTHMTCL Năm học 2019-2020 của Thư viện Trường Đại học

Sư phạm Kỹ thuật Tp. Hồ Chí Minh.