Xây dựng chương trình giám sát quản lý năng lượng cho lưới điện tích hợp ứng dụng công nghệ IOT

XÂY DỰNG CHƯƠNG TRÌNH GIÁM SÁT QUẢN LÝ NĂNG LƯỢNG

CHO LƯỚI ĐIỆN TÍCH HỢP ỨNG DỤNG CÔNG NGHỆ IoT

BUILDING ENERGY MANAGEMENT MONITORING PROGRAM FOR

INTEGRATED POWER GRID APPLYING IoT TECHNOLOGY

Lê Mỹ Hà¹, Nguyễn Anh Công¹

¹Trường Đại Học Sư Phạm Kỹ Thuật TPHCM

TÓM TẮT

Sự phát triển của lưới điện tích hợp hiện nay cùng với sự gia tăng của các loại thiết bị

điện tử, các loại tải mới đòi hỏi hệ thống đứng trước nhiều vấn đề như : an ninh, độ ổn định,

công cụ quản lý và giám sát trở nên phức tạp hơn đáng kể . Từ đó ngành điện đã đề ra định

hướng cải tiến công nghệ để khắc phục những nhược điểm của lưới điện truyền thống cũng

như phát triển lưới điện tích hợp năng lượng tái tạo. Đặc biệt là ứng dụng trí tuệ nhân tạo

trên nền tảng công nghệ Internet of Things trong thời đại cách mạng 4.0 như hiện nay.

Bài báo tác giả xây dựng mô hình thực nghiệm lưới điện tích hợp bao gồm năng lượng

gió và mặt trời. Sau đó dựa trên nền tảng Internet of Things thu thập tín hiệu (điện áp, dòng

điện) qua module ESP8266 wifi. Tiếp đến lưu trữ tín hiệu lên Big Data cũng như ứng dụng

trí tuệ nhân tạo (mạng neural Long-Short Term Memory). Kết quả phân loại được ba trạng

thái của tấm pin mặt trời dựa vào tín hiệu điện áp thu được thông qua phần mềm Matlab

huấn luyện mạng neural.

Từ khóa: Lưới điện tích hợp; Internet of Things; BigData; Trí tuệ nhân tạo; Long-

Short Term Memory .

ABSTRACT

The development of the integrated power grid with the increase of electronic devices,

new types of loads require the system to face many problems such as: security, stability,

management tools and monitoring becomes significantly more complex. Since then, the

electricity industry has set out the direction of technological to overcome the disadvantages

of traditional electricity grids as well as develop electricity grids integrated with renewable

energy. Especially, the application of artificial intelligence on the internet of Things

technology platform in the 4.0 revolution era today

The author's article builds an experimental model of integrated power grid including

wind and solar energy. Then based on the Internet of Things platform, it collects signals

(voltage, current) with the ESP8266 wifi module. Next to store signals on Big Data as well

as application of artificial intelligence (Long-Short Term Memory neural network). The

results of classification of the three states of solar panels are based on voltage signals

obtained through Matlab software that trains neural networks.

Keywords: Integrated power grid; Internet of Thing, BigData; Artificial Neural Network;

Long-Short Term Memory

78

Mạch phát triển ứng dụng IoT dùng

ESP8266 mã nguồn mở. ESP8266 –IoT wifi

thiết kế tương thích với Arduino Uno như trong

Hình 2.1. 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.

1. TỔNG QUAN

Tình hình trong nước cho thấy sự phát

triển cộng nghệ IoT đang là đề tài nghiện cứu

và ứng dụng quan trọng trong nghành nghề.

Việc kết hợp IoT để thu thập dữ liệu, lưu trữ dữ

liệu (Big Data) và dùng trí tuệ nhân tạo để phân

tích đang dần là xu hướng tiềm năng vì hiệu quả

của nó mang lại. Vì lí do đó đã có một số bài

viết về ứng dụng Cách mạng công nghệ 4.0 của

tập đoàn điện lực Việt Nam [1] trong hội khoa

học và công nghệ sử dụng năng lượng tiết kiệm

và hiệu quả năm 2018. Hay một số nghiên cứu

về ứng dụng IoT trong chiếu sáng [2], quản lý

thiết bị công nghiệp, tòa nhà thông minh đã

được thực hiện và có các công bố [3].Tuy nhiên

những phân tích mang tính định hướng và chưa

đi sâu và trong nghiên cứu các công nghệ cụ thể

vào ứng dụng IoT trong ngành điện.

Về phần ngoài nước thì việc ứng dụng

công nghệ IoT trong việc giám sát và quản lý

lưới điện tích hợp là giải pháp đầy tiềm năng

với nhiều ưu điểm vượt trội. Công nghệ này đã

cải thiện tính hiệu quả, độ tin cậy, an ninh, bền

vững. ổn định và khả năng mở rộng của lưới

điện truyền thống [4]. Công nghệ đóng góp

trong việc hỗ trợ các chức năng kết nối các thiết

bị khác nhau trong lưới điện bằng cách kết hợp

các thiết bị IoT (như cảm biến, cơ cấu chấp

hành, đồng hồ thông minh) lại với nhau để tăng

cường khả năng tự động hóa và giám sát trong

quá trình vận hành [5]. Ngày nay số lượng thiết

bị điện đang được sử dụng nhiều hơn những

thiết bị điện được kết nối với internet và về cơ

bản nếu mọi thiết bị điện đề có thể dễ dàng kiểm

soát hơn nếu được kết nối với interner. Do đó

cho thấy được việc mở rộng ứng dụng IoT vào

lưới điện trong tương lai là một xu thế nghiên

cứu đầy triển vọng phát triển.

Hình 2.1. Module ESP8266 wifi

Thông số kỹ thuật chính:

-Flash:

4Mbytes

-Hỗ trợ kết nối: wifi

-Ram:

96Kbytes

-Ngõ vào analog : 1

-Ngõ vào/ra số : 11

2.2 Dữ liệu lớn Big Data

BigData có thê định nghĩa là một lượng

lớn các bộ dữ liệu. Ngoài ra còn dữ trên nhiều

định danh và cấu trúc trúc dữ liệu. Một vòng đời

của BigData từ nguồn dữ liệu, tích hợp dữ liệu,

lưu trữ dữ liệu, phân tích dữ liệu đến mô hình

hóa.

BigData trong bài báo tác giả đề cập đến

là Thingspeak. Một dịch vụ nền tảng phân tích

IoT cho phép bạn tổng hợp trực quan, phân tích

các luồng dữ liệu trực tiếp trên đám mây và khả

năng thực thi mã Matlab.

2. LƯU TRỮ, PHÂN LOẠI TÍN HIỆU

TRÊN NỀN TẢNG IoT

2.1. Internet of Things

Internet of Things là mạng lưới thiết bị

kết nối Internet được hiểu là kịch bản của thế

giới khi mà mỗi đồ vật, con người được cung

cáp một định danh riêng của mình và tất cả có

khả năng truyền tải, trao đổi thông tin, dữ liệu

qua một mạng duy nhất mà không cần đến sự

tương tác trực tiếp giữa người với người, hay

người với máy tính.

Có thể hiểu chức năng của Thingspeak

thông qua Hình 2.2.

79

h  o *tanh(C_t)

(6)

t

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 để giá trị của nó về khoảng [-

1,1], và nhân nó với đầu ra o_tđê được gía trị đầu

ra (6) ta mong muốn.

3. XÂY DỰNG MÔ HÌNH PHẦN CỨNG

THỰC NGHIỆM VÀ CHƯƠNG TRÌNH

Hình 2.2. Sơ đồ chức năng Thingspeak GIÁM SÁT PHÂN LOẠI

3.1 Mô hình hệ thống

2.3 Long-Short Term Memory

LSTM được giới thiểu bởi Horchreter & A. Sơ đồ khối

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.

Hình 3.1. Sơ đồ khối hệ thống

Lưới điện tích hợp trong đó có các khối

liệt kê trong Hình 3.1:

Hình 2.3. Mô hình tổng quát LSTM

Từ Hình 2.3 trên ta có các công thức

Khối cảm biến: Cảm biến dòng điện (IC

ACS712). Cảm biến điện áp DC (0~ 25VDC).

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

gió (12Vdc, 7A)

f_t (W_f.[h_t1,x_t]+b_f)



(1)

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

Khối chuyển đổi: Inveter (1kW, ngõ ra

120Vac)

đưa 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.

Khối tải : đèn LED 60W

Khối BigData: Thingspeak, Matlab để

huấn luyện mạng.

(2)

i 

t



(W.[h_t1,x_t]+b_i)

i

~

(3)

C_t tanh(W_C.[h_t1,x_t]+b_C)

B. Sơ đồ nối dây

Sơ đồ nối dây như hình 3.2. Ngoài ra mô

hình có bộ Sun Simulator của hãng Festo tạo

mặt trời giả lập. Hay bộ DC control điều khiển

động cơ để quay tua-bin gió.

. 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.

~

C_t f_t*C_t1i_t*C_t

(4)

Tầng cập nhật trạng thái tế bào (4) cũ C_t-

₁thành trạng thái mới C_t. Tầng cuối cùng quyết

định đầu ra mong muốn.

o (W [h_t1,x_t]+b_o)

(5)

t

o

80

lên Thingspeak. Bước tiếp theo trực quan tín

hiệu thu đươc Hình 3.5

Hình 3.5 Điện áp tấm pin ở Thingspeak

Hình 3.2. Sơ đồ nối dây hệ thống

C. Mô hình hệ thống

Bước tiếp theo huấn luyện trạng thái tấm

pin mặt trời trong 3 trường hợp [7]. Lúc tấm pin

ngõ ra bình thường Hình 3.6 gán nhãn”N”. Lúc

tấm pin bị che khuất Hình 3.7 nhãn “S”. Lúc

tấm pin phía inveter bị ngắt Hình 3.8 nhãn ‘L”.

Hình 3.3. Mô hình hệ thống

Từ sơ đồ nối dây Hình 3.2 ta có được mô

hình hệ thống Hình 3.3

3.2. Xây dựng chương trình hệ thống

Hình 3.6 Điện áp pin mặt trời lúc bình

thường

Chương trình hệ thống gồm 5 bước như

Hình 3.4. Trong bài báo sử dụng tín hiệu điên

áp tấm pin mặt trời để tiến hành phân loại.

Hình 3.7 Điện áp pin mặt trời lúc bị che

khuất

Hình 3.4: Lưu đồ chương trình

Bước thu thập dữ liệu lấy tín hiệu điện áp

DC từ cảm biến thông qua ESP8266 wifi gửi

81

Hình 3.8 Điện áp pin mặt trời lúc inveter

bị ngắt

Hình 3.10 Ma trận nhầm lẫn

4. KẾT LUẬN

Phân chia dữ liệu 80% để huấn luyện và

20% để kiểm tra trong Matlab.

Trong bài báo này tác giả đã xây dựng

được mô hình tích hợp năng lượng tái tạo.

Ngoài ra còn sử dụng dữ liệu thu thập được để

tiến hành xử lý phân loại trạng thái bất thường

cụ thể là điện áp tấm pin mặt trời.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.

Huấn luyện mạng LSTM 2 chiều với lớp

ngõ vào là 1, lớp ẩn với 100 neural, 3 lớp kết

nối ngõ ra.

3.3. Kết quả huấn luyện và 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). Mô hình có thể tích hợp trên hệ

thống hòa lưới để đảm bảo độ tin cậy cao hơn.

Điều chỉnh cấu trúc mạng và so sánh với nhiều

phương pháp để có kết quả tối ưu hơn

Hình 3.9 Kết quả huấn luyện

Kết quả thực nghiệm Hình 3.9 trên 5100

entries, thời gian huấn luyện 1 phút 48 giây.

Cấu hình máy tính laptop chạy thực nghiệm

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

Phiên bản Matlab sử dụng để huấn luyện

mạng: 2018a.

Kết quả kiểm tra độ chính xác trên tập dữ

liệu kiểm tra với độ chính xác 97,22%.

Với số lượng mẫu kiểm tra là 36 (chia đều

các nhãn “L”, “S”, “N”) thể hiện trên ma trận

nhầm lẫn Hình 3.10. Phân loại trạng thái điện

áp tấm pin mặt trời chính xác cho trường hợp

bình thường “N” và trưởng hợp tấm pin bị che

khuất “S”. Còn trường hợp inveter bị ngắt nhận

biết chính xác 11 trạng thái còn 1 trường hợp

nhận biết thành trạng thái điện táp tấm pin bình

thường “N”.

82

DANH MỤC TÀI LIỆU THAM KHẢO

[1]. 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

[2]. 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

[3]. Trương Đắc Duy, Nguyễn Ngọc Hóa, ”Mô hình thu thập và quản lý dữ liệu trong các

hệ thông giám sát và điều khiển công nghiệp ứng dụng điện toán đám mây”,

Proceeding Publishing House for Science and Technology, 2018

[4]. W. Wang, Y. Xu, and M. Khanna, ”A survey on the Communication Architectures in

Smart Grid”, Computer Network, vol.55, no. 15, pp3604-3629, 2011

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

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

[6]. 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

[7]. A.Livera, Alexander.P, ”Advanced Failure Detection Algorithms and Performance

Decision Classification for Grid-connected PV Systems”, in European Photovoltaic

Solar Enery Conference, 2017, pp. 3-4

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

Họ và tên: Nguyễn Anh Công

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

Điện thoại: 0976337501

Email: [email protected]m

Xác nhận của Giảng Viên Hướng Dẫn

(Ký và ghi rõ họ tên)

PGS.TS Lê Mỹ Hà

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.