Đánh Giá Trạng Thái Lưới Điện Sử Dụng Trí Tuệ Nhân Tạo

• Tác giả: Trần Khương Cường
• Người hướng dẫn: TS. Huỳnh Quang Minh
• Trường học: Đại học Quốc gia TP. HCM
• Chuyên ngành: Kỹ thuật điện
• Đề tài: Đánh Giá Trạng Thái Lưới Điện Sử Dụng Trí Tuệ Nhân Tạo
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• LỜI CAM ĐOAN
• MỤC LỤC
• DANH MỤC HÌNH
• DANH MỤC CHỮ VIẾT TẮT
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Tính cấp thiết của đề tài
• 1.2. Vấn đề sẽ được nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp thực hiện
• 1.5. Ý nghĩa thực tiễn và ý nghĩa khoa học của luận văn
• 1.6. Cấu trúc của luận văn
• 2. CHƯƠNG 2: TỔNG QUAN VỀ ĐÁNH GIÁ TRẠNG THÁI LƯỚI ĐIỆN
• 2.1. Tại sao phải đánh giá trạng thái hệ thống điện
• 2.2. Thiết bị đo và hệ thống đo lường
• 2.3. Phương trình đánh giá trạng thái hệ thống điện
• 3. CHƯƠNG 3: TỔNG QUAN VỀ MẠNG NƠ RON NHÂN TẠO
• 3.1. Giới thiệu về mạng nơ ron nhân tạo
• 3.2. Mạng nơ ron nhân tạo
• 3.3. Các phương pháp học của mạng nơ ron nhân tạo
• 3.4. Cấu trúc của mạng nơ ron nhân tạo
• 3.5. Hàm kích hoạt
• 3.6. Các cấu trúc mạng nơ ron nhân tạo
• 3.7. Mạng nơ-ron truyền thẳng (Feed-forward Neural Network - FNN)
• 3.8. Thuật toán perceptron
• 3.9. Mạng nơ-ron nhiều lớp truyền thẳng (Multilayer perceptron - MLP)
• 3.10. Mạng nơ-ron hồi quy
• 3.11. Mạng nơ-ron hồi quy (RNN - Recurrent Neural Network)
• 3.12. Mạng bộ nhớ dài - ngắn (Long Short-Term Memory- LSTM)
• 3.13. Mạng nơ-ron tích chập (Convolutional Neural Network - CNN)
• 4. CHƯƠNG 4: GIỚI THIỆU CƠ SỞ DỮ LIỆU VÀ XÂY DỰNG MÔ HÌNH ĐÁNH GIÁ TRẠNG THÁI LƯỚI ĐIỆN
• 4.1. Dữ liệu huấn luyện
• 4.2. Dữ liệu lưới điện IEEE 14 nút
• 4.3. Dữ liệu lưới điện IEEE 30 nút
• 4.4. Dữ liệu lưới điện IEEE 57 nút
• 4.5. Xây dựng mô hình huấn luyện
• 5. CHƯƠNG 5: KẾT QUẢ ĐÁNH GIÁ TRẠNG THÁI LƯỚI ĐIỆN
• 5.1. Xây dụng mô hình và đánh giá kết quả trên lưới điện IEEE 14 nút
• 5.1.1. Mô hình mạng MLP
• 5.1.2. Mô hình mạng LSTM
• 5.1.3. Mô hình mạng CNN
• 5.2. Xây dụng mô hình và đánh giá kết quả trên lưới điện IEEE 30 nút
• 5.2.1. Mô hình mạng MLP
• 5.2.2. Mô hình mạng LSTM
• 5.2.3. Mô hình mạng CNN
• 5.3. Xây dụng mô hình và đánh giá kết quả trên lưới điện IEEE 57 nút
• 5.3.1. Mô hình mạng MLP
• 5.3.2. Mô hình mạng LSTM
• 5.3.3. Mô hình mạng CNN
• 5.4. Tổng hợp đánh giá kết quả
• 5.4.1. Trên lưới điện IEEE 14 nút
• 5.4.2. Trên lưới điện IEEE 30 nút
• 5.4.3. Trên lưới điện IEEE 57 nút
• 6. CHƯƠNG 6: KẾT LUẬN VÀ KIẾN NGHỊ
• 6.1. Hướng nghiên cứu tiếp theo
• TÀI LIỆU THAM KHẢO
• Phụ lục A: Thông số lưới điện IEEE 14 nút
• Phụ lục B: Thông số lưới điện IEEE 30 nút
• Phụ lục C: Thông số lưới điện IEEE 57 nút
• Phụ lục D: Kết quả trên lưới điện IEEE 14 nút
• Phụ lục E: Kết quả trên lưới điện IEEE 30 nút
• Phụ lục F: Kết quả trên lưới điện IEEE 57 nút
• PHỤ LỤC TRÍCH NGANG

I. Tổng Quan Đánh Giá Trạng Thái Lưới Điện Bằng Trí Tuệ Nhân Tạo

Bài toán đánh giá trạng thái lưới điện (Power System State Estimation - PSSE) là cực kỳ quan trọng trong vận hành và giám sát lưới điện thông minh. Nó giúp xác định các thông số vận hành then chốt như điện áp, góc pha, và công suất tại các nút. Từ đó, các nhà vận hành có thể đánh giá độ an toàn và khả năng chịu đựng sự cố của lưới điện. Các phương pháp truyền thống thường dựa vào các thuật toán lặp như Gauss-Newton, nhưng lại gặp khó khăn trong các điều kiện vận hành phức tạp, đặc biệt khi có sự thâm nhập cao của các nguồn năng lượng tái tạo. Luận văn này tập trung vào việc áp dụng trí tuệ nhân tạo (AI), cụ thể là các mô hình học máy (Machine Learning) và học sâu (Deep Learning) như MLP, LSTM và CNN để giải quyết bài toán này. Dữ liệu được tạo ra từ các mô hình lưới điện tiêu chuẩn IEEE (14, 30, và 57 nút) và so sánh kết quả với phương pháp trào lưu công suất Newton Raphson.

1.1. Tầm Quan Trọng của Giám Sát Lưới Điện Thông Minh

Việc giám sát lưới điện thông minh là yếu tố then chốt để đảm bảo vận hành ổn định và an toàn. Nó cung cấp thông tin theo thời gian thực, cho phép người vận hành đưa ra các quyết định nhanh chóng và chính xác. Các hệ thống SCADA (Supervisory Control and Data Acquisition) thu thập dữ liệu, nhưng việc phân tích dữ liệu lưới điện này để đánh giá trạng thái hệ thống đòi hỏi các phương pháp hiệu quả hơn. Bài toán PSSE giải quyết vấn đề này bằng cách ước tính các thông số trạng thái từ các phép đo có sẵn. Luận văn tập trung vào việc cải thiện độ chính xác và tốc độ của quá trình này thông qua các kỹ thuật AI cho lưới điện phân phối và AI cho lưới điện truyền tải.

1.2. Ưu Điểm của Phương Pháp Trí Tuệ Nhân Tạo trong PSSE

So với các phương pháp truyền thống, các phương pháp dựa trên học máy trong lưới điện mang lại nhiều ưu điểm. Chúng có khả năng xử lý dữ liệu lớn, tự động học các mối quan hệ phức tạp, và thích ứng với các điều kiện vận hành thay đổi. Các mô hình như mạng nơ-ron có thể học từ dữ liệu lịch sử để dự đoán trạng thái lưới điện trong tương lai, hỗ trợ việc dự đoán sự cố lưới điện và tối ưu hóa vận hành lưới điện. Điều này góp phần nâng cao độ tin cậy lưới điện và an ninh năng lượng.

II. Thách Thức Trong Đánh Giá Trạng Thái Lưới Điện Hiện Đại

Lưới điện hiện đại đang đối mặt với nhiều thách thức mới, bao gồm sự gia tăng của các nguồn năng lượng tái tạo không ổn định, sự phát triển của xe điện, và nguy cơ tấn công mạng. Những yếu tố này làm tăng tính phức tạp của bài toán đánh giá trạng thái lưới điện. Các phương pháp truyền thống thường không đáp ứng được yêu cầu về tốc độ và độ chính xác trong môi trường này. Theo nghiên cứu, sai số đo lường và lỗi truyền thông cũng ảnh hưởng đến hiệu suất của các phương pháp grid state estimation dựa trên phương pháp bình phương tối thiểu có trọng số (WLS). Việc phát triển các giải pháp hiệu quả hơn là một nhu cầu cấp thiết.

2.1. Ảnh Hưởng của Năng Lượng Tái Tạo Đến Ổn Định Lưới Điện

Các nguồn năng lượng tái tạo như điện mặt trời và điện gió có tính biến động cao, gây ra những thay đổi liên tục trong cấu trúc và trạng thái của lưới điện. Việc mô hình hóa lưới điện bằng AI có thể giúp dự đoán và quản lý những biến động này. Các mô hình học máy có thể học từ dữ liệu lịch sử để dự đoán sản lượng điện từ các nguồn tái tạo và điều chỉnh hoạt động của lưới điện một cách linh hoạt.

2.2. Vấn Đề An Ninh Mạng và Độ Tin Cậy của Dữ Liệu Đo Lường

Các cuộc tấn công mạng có thể làm sai lệch dữ liệu đo lường, dẫn đến đánh giá trạng thái lưới điện không chính xác. Các phương pháp dựa trên AI for power systems có thể được sử dụng để phát hiện và loại bỏ các dữ liệu bất thường, nâng cao độ tin cậy lưới điện và đảm bảo an ninh năng lượng. Các mô hình học máy có thể học các mẫu dữ liệu bình thường và phát hiện các sai lệch do tấn công mạng gây ra.

III. Phương Pháp Đánh Giá Trạng Thái Lưới Điện Bằng MLP LSTM CNN

Luận văn này đề xuất sử dụng ba mô hình học sâu chính: Mạng nơ-ron truyền thẳng (MLP), Mạng bộ nhớ dài - ngắn (LSTM), và Mạng nơ-ron tích chập (CNN). Các mô hình này được huấn luyện trên dữ liệu tạo ra từ các mô hình lưới điện IEEE (14, 30, và 57 nút). Dữ liệu bao gồm các thông số đo lường như điện áp, dòng điện, và công suất. Mục tiêu là dự đoán điện áp và góc pha tại tất cả các nút trong lưới điện. Kết quả được so sánh với kết quả tính toán trào lưu công suất bằng phương pháp Newton Raphson để đánh giá hiệu quả của các mô hình.

3.1. Xây Dựng Mô Hình Mạng Nơ ron MLP Cho PSSE

Mạng MLP là một loại mạng nơ-ron đơn giản nhưng hiệu quả, phù hợp cho các bài toán phi tuyến tính. Trong luận văn này, MLP được sử dụng để học mối quan hệ giữa các thông số đo lường và các thông số trạng thái. Kiến trúc mạng được tối ưu hóa để đạt được độ chính xác cao nhất với thời gian huấn luyện hợp lý.

3.2. Ứng Dụng Mạng LSTM Để Nâng Cao Độ Chính Xác Dự Báo

Mạng LSTM là một loại mạng nơ-ron hồi quy, có khả năng xử lý các chuỗi dữ liệu theo thời gian. Điều này rất hữu ích trong việc đánh giá trạng thái lưới điện, vì các thông số trạng thái thường có mối quan hệ theo thời gian. LSTM có thể học các mẫu thời gian để dự đoán trạng thái lưới điện trong tương lai.

3.3. Sử Dụng Mạng CNN Để Trích Xuất Đặc Trưng Quan Trọng

Mạng CNN thường được sử dụng trong xử lý ảnh, nhưng cũng có thể được áp dụng cho bài toán PSSE. CNN có khả năng trích xuất các đặc trưng quan trọng từ dữ liệu đo lường, giúp cải thiện độ chính xác của việc đánh giá trạng thái lưới điện. Trong luận văn này, CNN được sử dụng để học các mẫu không gian trong dữ liệu đo lường.

IV. Kết Quả Đánh Giá và So Sánh Hiệu Suất Các Mô Hình AI

Kết quả đánh giá cho thấy các mô hình học máy có khả năng dự đoán trạng thái lưới điện với độ chính xác cao. Các chỉ số như RMSE (Root Mean Squared Error) và MAE (Mean Absolute Error) được sử dụng để đánh giá hiệu suất của các mô hình. Kết quả cho thấy LSTM thường cho kết quả tốt hơn so với MLP và CNN, đặc biệt trong các hệ thống lớn hơn như IEEE 57 nút. Dù vậy, tất cả đều mang lại lợi thế đáng kể so với các phương pháp truyền thống trong việc AI based condition monitoring of power grid và AI based predictive maintenance of power grid.

4.1. So Sánh Độ Chính Xác Trên Lưới Điện IEEE 14 Nút

Trên lưới điện IEEE 14 nút, tất cả ba mô hình đều cho kết quả tốt, với sai số nhỏ. Tuy nhiên, LSTM có xu hướng hoạt động tốt hơn một chút so với MLP và CNN. Điều này có thể là do tính chất tương đối đơn giản của hệ thống IEEE 14 nút, cho phép LSTM học các mẫu thời gian một cách hiệu quả.

4.2. Hiệu Suất của Các Mô Hình Trên Lưới Điện IEEE 30 Nút

Trên lưới điện IEEE 30 nút, sự khác biệt giữa các mô hình trở nên rõ ràng hơn. LSTM tiếp tục cho thấy hiệu suất tốt nhất, trong khi MLP và CNN có sai số lớn hơn. Điều này cho thấy LSTM có khả năng xử lý các hệ thống phức tạp hơn tốt hơn.

4.3. Đánh Giá Trên Lưới Điện IEEE 57 Nút Ưu Thế của LSTM

Trên lưới điện IEEE 57 nút, LSTM cho thấy ưu thế rõ rệt so với MLP và CNN. LSTM có thể học các mẫu thời gian và không gian phức tạp trong hệ thống lớn này, trong khi MLP và CNN gặp khó khăn trong việc xử lý dữ liệu phức tạp này. Điều này chứng minh rằng LSTM là một lựa chọn tốt cho việc đánh giá trạng thái lưới điện trong các hệ thống lớn.

V. Ứng Dụng Thực Tế Của Đánh Giá Trạng Thái Lưới Điện Bằng AI

Việc áp dụng AI vào đánh giá trạng thái lưới điện không chỉ dừng lại ở các nghiên cứu mô phỏng. Các kết quả nghiên cứu có thể được ứng dụng trong thực tế để cải thiện hiệu suất và độ tin cậy của lưới điện. Các hệ thống giám sát lưới điện có thể sử dụng các mô hình AI để dự đoán và ngăn chặn các sự cố, tối ưu hóa việc phân phối điện năng, và tích hợp các nguồn năng lượng tái tạo một cách hiệu quả hơn. Việc tối ưu hóa vận hành lưới điện giúp giảm chi phí và nâng cao hiệu quả sử dụng năng lượng.

5.1. Ứng Dụng Trong Hệ Thống Quản Lý Năng Lượng EMS

Các mô hình AI có thể được tích hợp vào hệ thống quản lý năng lượng (EMS) để cung cấp thông tin theo thời gian thực về trạng thái lưới điện. Điều này cho phép người vận hành đưa ra các quyết định nhanh chóng và chính xác để duy trì ổn định hệ thống.

5.2. Sử Dụng Trong Bảo Trì Dự Phòng và Phát Hiện Sự Cố

Các mô hình AI có thể được sử dụng để dự đoán các sự cố tiềm ẩn trong lưới điện. Điều này cho phép các công ty điện lực thực hiện bảo trì dự phòng, giảm thiểu thời gian ngừng hoạt động và chi phí sửa chữa.

VI. Kết Luận Hướng Nghiên Cứu Phát Triển Đánh Giá Lưới Điện

Luận văn đã trình bày một phương pháp tiếp cận hiệu quả để đánh giá trạng thái lưới điện sử dụng các mô hình học máy như MLP, LSTM và CNN. Kết quả cho thấy các mô hình AI có khả năng dự đoán trạng thái lưới điện với độ chính xác cao. LSTM cho thấy hiệu suất tốt nhất, đặc biệt trong các hệ thống lớn hơn. Các hướng nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của các mô hình, phát triển các mô hình có khả năng thích ứng với các điều kiện vận hành thay đổi, và tích hợp các mô hình AI vào các hệ thống quản lý năng lượng thực tế. Phát triển các kỹ thuật AI based fault detection in power grid cũng là một hướng đi tiềm năng.

6.1. Phát Triển Các Mô Hình Hybrid Kết Hợp AI và Phương Pháp Truyền Thống

Một hướng nghiên cứu tiềm năng là phát triển các mô hình hybrid kết hợp các ưu điểm của AI và các phương pháp truyền thống. Ví dụ, có thể sử dụng AI để cải thiện độ chính xác của các phương pháp WLS truyền thống.

6.2. Nghiên Cứu Các Phương Pháp Học Không Giám Sát Để Phát Hiện Dữ Liệu Bất Thường

Các phương pháp học không giám sát có thể được sử dụng để phát hiện các dữ liệu bất thường trong lưới điện, giúp nâng cao độ tin cậy của việc đánh giá trạng thái.

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của năng lượng tái tạo tại Việt Nam, với tổng công suất đặt đạt khoảng 20.670 MW, chiếm 27% tổng công suất toàn hệ thống vào năm 2022, việc vận hành hệ thống điện ngày càng trở nên phức tạp và đòi hỏi sự giám sát chặt chẽ. Điện gió và điện mặt trời, với đặc điểm biến động nhanh và không kiểm soát được, đã gây ra những dao động lớn trong lưới điện, đặc biệt tại các khu vực miền Nam và Nam Trung bộ, nơi chiếm khoảng 50% phụ tải cả nước. Điều này đặt ra thách thức lớn trong việc duy trì sự ổn định và an toàn của hệ thống điện.

Vấn đề nghiên cứu tập trung vào đánh giá trạng thái vận hành của hệ thống điện, bao gồm các thông số như môđun điện áp, góc pha điện áp, công suất tác dụng và phản kháng tại các nút, cũng như dòng điện trên các đường dây. Mục tiêu cụ thể là xây dựng và kiểm chứng các mô hình trí tuệ nhân tạo (AI) nhằm ước lượng chính xác các thông số trạng thái này, từ đó hỗ trợ công tác điều độ và vận hành hệ thống điện an toàn, ổn định và hiệu quả.

Phạm vi nghiên cứu sử dụng dữ liệu mô phỏng từ các lưới điện chuẩn IEEE 14 nút, 30 nút và 57 nút, với thời gian thực hiện từ tháng 2 đến tháng 6 năm 2023. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác và tốc độ đánh giá trạng thái hệ thống điện, góp phần nâng cao hiệu quả vận hành trong bối cảnh nguồn năng lượng tái tạo ngày càng chiếm tỷ trọng lớn, đồng thời giảm thiểu rủi ro mất cân bằng nguồn và phụ tải.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: đánh giá trạng thái hệ thống điện (Power System State Estimation - PSSE) và mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN). PSSE là quá trình ước lượng các biến trạng thái như điện áp và góc pha tại các nút dựa trên các phép đo thực tế và mô hình toán học của hệ thống điện. Phương pháp truyền thống sử dụng thuật toán bình phương cực tiểu có trọng số (Weighted Least Squares - WLS) và giải bằng phương pháp Gauss-Newton, tuy nhiên nhạy cảm với điều kiện vận hành phức tạp và dữ liệu nhiễu.

Mạng nơ-ron nhân tạo được áp dụng để khắc phục hạn chế trên, với các mô hình chính gồm:

• Multilayer Perceptron (MLP): Mạng nơ-ron nhiều lớp truyền thẳng, phù hợp với các bài toán hồi quy phi tuyến tính.
• Long Short-Term Memory (LSTM): Mạng nơ-ron hồi quy có khả năng ghi nhớ thông tin dài hạn, thích hợp xử lý dữ liệu chuỗi thời gian.
• Convolutional Neural Network (CNN): Mạng nơ-ron tích chập, hiệu quả trong việc trích xuất đặc trưng từ dữ liệu có cấu trúc không gian.

Các khái niệm chính bao gồm: biến trạng thái hệ thống điện (điện áp, góc pha), phương pháp ước lượng trạng thái, mạng nơ-ron nhân tạo, hàm kích hoạt, và hàm mất mát.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng là các phép đo giả lập trên các hệ thống lưới điện chuẩn IEEE 14 nút, 30 nút và 57 nút. Dữ liệu bao gồm các thông số điện áp, góc pha, công suất tác dụng và phản kháng tại các nút, được tạo ra dựa trên mô hình trào lưu công suất sử dụng phương pháp Newton-Raphson.

Phương pháp phân tích gồm xây dựng và huấn luyện các mô hình MLP, LSTM và CNN trên tập dữ liệu huấn luyện, sau đó đánh giá hiệu suất dự báo trên tập kiểm tra. Cỡ mẫu dữ liệu được tạo ra đủ lớn để đảm bảo tính đại diện và độ tin cậy của mô hình. Phương pháp chọn mẫu là mô phỏng dữ liệu dựa trên các kịch bản vận hành khác nhau của hệ thống điện.

Timeline nghiên cứu kéo dài từ tháng 2 đến tháng 6 năm 2023, bao gồm các bước: thu thập và xử lý dữ liệu, xây dựng mô hình, huấn luyện và đánh giá mô hình, so sánh kết quả với phương pháp truyền thống, và đề xuất cải tiến.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình MLP: Trên lưới điện IEEE 14 nút, mô hình MLP đạt sai số trung bình bình phương gốc (RMSE) của biên độ điện áp khoảng 0,005 p.u và góc pha khoảng 0,02 độ, cải thiện đáng kể so với phương pháp WLS truyền thống.

2. Ưu điểm của LSTM: Mô hình LSTM thể hiện khả năng dự báo chính xác hơn trên các lưới điện có kích thước lớn như IEEE 30 nút và 57 nút, với RMSE biên độ điện áp giảm khoảng 15% so với MLP, nhờ khả năng xử lý dữ liệu chuỗi thời gian hiệu quả.

3. Mạng CNN phù hợp với dữ liệu không gian: CNN cho kết quả tốt trong việc trích xuất đặc trưng không gian của lưới điện, đặc biệt trên lưới IEEE 57 nút, với sai số biên độ điện áp và góc pha thấp hơn 10% so với MLP.

4. Tổng hợp đánh giá: Cả ba mô hình đều vượt trội hơn phương pháp truyền thống về tốc độ tính toán và độ chính xác, trong đó LSTM và CNN có lợi thế rõ rệt khi xử lý các hệ thống điện phức tạp và dữ liệu lớn.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện là do các mô hình học sâu có khả năng học được các mối quan hệ phi tuyến phức tạp giữa các biến trạng thái và dữ liệu đầu vào, đồng thời giảm thiểu ảnh hưởng của nhiễu và sai số đo. So với các nghiên cứu trước đây, kết quả này phù hợp với xu hướng ứng dụng AI trong hệ thống điện hiện đại, đặc biệt trong bối cảnh tăng trưởng nguồn năng lượng tái tạo không ổn định.

Việc trình bày dữ liệu qua các biểu đồ so sánh giá trị dự báo và giá trị thực tế, cũng như các bảng thống kê RMSE và MAE, giúp minh họa rõ ràng hiệu quả của từng mô hình. Kết quả này có ý nghĩa quan trọng trong việc hỗ trợ các trung tâm điều độ vận hành hệ thống điện an toàn và hiệu quả hơn, giảm thiểu rủi ro mất cân bằng nguồn và phụ tải.

Đề xuất và khuyến nghị

1. Triển khai mô hình AI trong trung tâm điều độ: Áp dụng các mô hình MLP, LSTM và CNN để đánh giá trạng thái hệ thống điện theo thời gian thực, nhằm nâng cao độ chính xác và tốc độ phản hồi. Thời gian thực hiện đề xuất trong vòng 12 tháng, do các đơn vị vận hành hệ thống điện chủ trì.

2. Tăng cường thu thập dữ liệu chất lượng: Đầu tư nâng cấp hệ thống đo lường và truyền tin, đặc biệt tại các nút trọng điểm, để cung cấp dữ liệu đầu vào đầy đủ và chính xác cho các mô hình AI. Mục tiêu tăng tỷ lệ dữ liệu hợp lệ lên trên 95% trong 18 tháng.

3. Phát triển hệ thống giám sát và cảnh báo sớm: Kết hợp mô hình AI với hệ thống EMS hiện có để tự động phát hiện các trạng thái bất thường và cảnh báo kịp thời cho người vận hành. Thời gian triển khai dự kiến 24 tháng, phối hợp giữa các nhà nghiên cứu và đơn vị vận hành.

4. Đào tạo và nâng cao năng lực nhân sự: Tổ chức các khóa đào tạo về AI và phân tích dữ liệu cho cán bộ kỹ thuật và điều độ viên, nhằm đảm bảo vận hành hiệu quả các công cụ mới. Mục tiêu hoàn thành đào tạo cho ít nhất 80% nhân sự liên quan trong 12 tháng.

Đối tượng nên tham khảo luận văn

1. Các kỹ sư và chuyên gia vận hành hệ thống điện: Nghiên cứu cung cấp phương pháp đánh giá trạng thái hệ thống điện hiện đại, giúp cải thiện độ chính xác và hiệu quả vận hành.

2. Nhà quản lý và hoạch định chính sách năng lượng: Thông tin về tác động của năng lượng tái tạo và giải pháp công nghệ hỗ trợ quản lý lưới điện, phục vụ cho việc ra quyết định chiến lược.

3. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện: Cung cấp kiến thức chuyên sâu về ứng dụng mạng nơ-ron nhân tạo trong hệ thống điện, làm cơ sở cho các nghiên cứu tiếp theo.

4. Các nhà phát triển phần mềm và công nghệ AI: Tham khảo mô hình và phương pháp xây dựng, huấn luyện mạng nơ-ron trong lĩnh vực hệ thống điện, mở rộng ứng dụng AI trong công nghiệp.

Câu hỏi thường gặp

1. Tại sao cần đánh giá trạng thái hệ thống điện?
   Đánh giá trạng thái giúp xác định chính xác các thông số vận hành như điện áp và góc pha, từ đó đảm bảo hệ thống hoạt động an toàn, ổn định và hiệu quả, đặc biệt trong bối cảnh nguồn năng lượng tái tạo biến động.

2. Ưu điểm của mạng nơ-ron nhân tạo so với phương pháp truyền thống?
   Mạng nơ-ron có khả năng học các mối quan hệ phi tuyến phức tạp, xử lý dữ liệu lớn và nhiễu tốt hơn, giúp cải thiện độ chính xác và tốc độ tính toán so với phương pháp bình phương cực tiểu có trọng số.

3. Dữ liệu huấn luyện được lấy từ đâu?
   Dữ liệu được mô phỏng dựa trên các hệ thống lưới điện chuẩn IEEE 14, 30 và 57 nút, sử dụng phương pháp trào lưu công suất Newton-Raphson để tạo ra các phép đo giả lập đa dạng.

4. Mô hình nào phù hợp nhất cho hệ thống điện lớn?
   LSTM và CNN thể hiện hiệu quả cao hơn trên các hệ thống lớn nhờ khả năng xử lý dữ liệu chuỗi thời gian và trích xuất đặc trưng không gian, giúp giảm sai số dự báo.

5. Làm thế nào để áp dụng kết quả nghiên cứu vào thực tế?
   Cần triển khai các mô hình AI vào hệ thống EMS hiện có, đồng thời nâng cấp hệ thống đo lường và đào tạo nhân sự để đảm bảo vận hành hiệu quả và an toàn.

Kết luận

• Đề tài đã xây dựng thành công các mô hình mạng nơ-ron nhân tạo MLP, LSTM và CNN để đánh giá trạng thái hệ thống điện trên các lưới chuẩn IEEE 14, 30 và 57 nút.
• Các mô hình AI vượt trội hơn phương pháp truyền thống về độ chính xác và tốc độ tính toán, đặc biệt trong điều kiện hệ thống điện có nhiều biến động do năng lượng tái tạo.
• Kết quả nghiên cứu góp phần nâng cao hiệu quả vận hành và giám sát hệ thống điện, hỗ trợ ra quyết định điều độ an toàn và kinh tế.
• Đề xuất triển khai ứng dụng các mô hình AI trong trung tâm điều độ, đồng thời nâng cấp hệ thống đo lường và đào tạo nhân sự để phát huy tối đa hiệu quả.
• Hướng nghiên cứu tiếp theo tập trung vào mở rộng mô hình cho lưới điện phân phối phức tạp và tích hợp dữ liệu thực tế từ hệ thống điện Việt Nam.

Hành động tiếp theo: Các đơn vị vận hành và nghiên cứu nên phối hợp triển khai thử nghiệm mô hình trên hệ thống thực tế, đồng thời phát triển các công cụ hỗ trợ trực quan hóa và cảnh báo dựa trên AI nhằm nâng cao năng lực quản lý lưới điện hiện đại.