Tổng quan nghiên cứu

Trong xu thế phát triển năng lượng hiện đại, việc số hóa hệ thống phân phối điện năng đóng vai trò xương sống cho quá trình vận hành kinh tế và kỹ thuật. Theo Quyết định số 1670/QĐ-TTg của Thủ tướng Chính phủ về lộ trình phát triển lưới điện thông minh tại Việt Nam, các đơn vị điện lực phải nhanh chóng hoàn thiện hạ tầng đo đếm tiên tiến (AMI) và hệ thống giám sát điều khiển tự động. Là đơn vị tiên phong trên toàn quốc, Tổng công ty Điện lực Thành phố Hồ Chí Minh (EVNHCMC) đã sớm triển khai mạng lưới công tơ điện tử đo xa kết nối với hệ thống phần mềm quản lý dữ liệu đo đếm (Meter Data Management System - MDMS). Hệ thống này tiếp nhận và xử lý khối lượng dữ liệu khổng lồ với hơn 3 triệu lượt đọc chỉ số phụ tải mỗi ngày, phục vụ công tác điều hành và tính toán kinh doanh.

Tuy nhiên, trong quá trình vận hành thực tế, luồng dữ liệu truyền từ các hệ thống đầu cuối (HES) về trung tâm điều hành thường xuyên gặp phải tình trạng sai lệch, mất tín hiệu, trùng lặp hoặc xuất hiện các giá trị đo đếm bất thường. Hiện tượng này xuất phát từ sự cố đường truyền viễn thông, lỗi phần cứng công tơ hoặc quá trình ngắt điện chuyển tải kỹ thuật. Nếu không được xử lý chuẩn xác, dữ liệu khiếm khuyết sẽ làm sai lệch hoàn toàn biểu đồ phụ tải, gây tổn thất lớn trong dự báo nhu cầu và lập quy hoạch hệ thống điện.

Mục tiêu cốt lõi của nghiên cứu là xây dựng và hoàn thiện quy trình kiểm tra, ước lượng và hiệu chỉnh dữ liệu (VEE - Validate, Estimation and Edit) trên phần mềm Gridstream MDMS. Phạm vi nghiên cứu tập trung vào phân tích đặc tính phụ tải của các nhóm khách hàng chuyên biệt trên địa bàn Thành phố Hồ Chí Minh trong giai đoạn 2018 đến 2019. Kết quả nghiên cứu không chỉ gia tăng độ chính xác của chỉ số đo đếm lên trên 98% mà còn giúp tối ưu hóa biểu đồ phụ tải, giảm thiểu hơn 30% khiếu nại khách hàng và hỗ trợ đắc lực cho việc vận hành thị trường điện cạnh tranh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết phân tích phụ tải điện (Load Research) kết hợp với các mô hình thống kê xác suất chuyên sâu. Khung lý thuyết tập trung vào ba khái niệm then chốt: biểu đồ phụ tải (Load Profile), hệ số phụ tải ngày (LF), và tỷ lệ tiêu thụ điện giữa giờ cao điểm và thấp điểm (Rpop). Biểu đồ phụ tải phản ánh mức độ biến thiên công suất theo từng chu kỳ đo đếm 30 phút liên tục trong suốt 24 giờ.

Song song đó, đề tài vận dụng quy chuẩn VEE quốc tế tích hợp trong hệ thống quản lý dữ liệu đo đếm MDMS. Quy trình này bao gồm ba giai đoạn logic: Xác thực dữ liệu đầu vào (Validation), Ước lượng các chuỗi giá trị suy hao hoặc bằng không (Estimation), và Hiệu chỉnh dữ liệu sai lệch thành dữ liệu sẵn sàng cho thanh toán và phân tích kỹ thuật (Edit). Để phân tách khách hàng tối ưu, lý thuyết phân tầng Dalenius-Hodges được ứng dụng nhằm chia tách các tập hợp phụ tải có độ phân tán cao thành các tầng đồng nhất dựa trên phương sai tiêu thụ điện năng.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được trích xuất trực tiếp từ hệ thống phần mềm Gridstream MDMS kết hợp với cơ sở dữ liệu khách hàng CMIS của EVNHCMC trong vòng 12 tháng liên tục. Quá trình thu thập bao gồm 48 chu kỳ đo mỗi ngày (tương ứng tần suất 30 phút một lần) từ các nhóm công tơ đo xa điện tử chuyên dụng.

Cỡ mẫu nghiên cứu được xác định khoa học thông qua công thức tính kích thước mẫu ngẫu nhiên có hiệu chỉnh phương sai với tổng thể $N$ khách hàng, độ tin cậy được thiết lập ở mức 95% (tương ứng giá trị giới hạn $z = 1.96$) và sai số biên cho phép $E = 5%$. Phương pháp chọn mẫu phân tầng kết hợp chọn mẫu theo hạn mức được áp dụng cho hơn 20 phân nhóm phụ tải phi dân dụng (như sản xuất thực phẩm, may mặc, luyện kim, thương mại, dịch vụ).

Lý do lựa chọn phương pháp phân tầng là nhằm giải quyết triệt để tính bất đối xứng của phụ tải thực tế: nhóm khách hàng công nghiệp lớn chỉ chiếm khoảng 1% tổng số lượng khách hàng nhưng lại tiêu thụ tới hơn 45% tổng sản lượng điện năng toàn mạng lưới. Về mặt phân tích, tác giả sử dụng phối hợp ba thuật toán ước lượng gồm: thuật toán nội suy tuyến tính dựa trên xu thế phụ tải, thuật toán ngày tương đồng (Same-day analysis) lấy mẫu từ tuần liền kề, và thuật toán bình quân quá khứ để khôi phục các chuỗi dữ liệu bị gián đoạn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, việc rà soát dữ liệu thô cho thấy tỷ lệ lỗi đo đếm ghi nhận từ các bộ tập trung dữ liệu HES chiếm khoảng 4.2% đến 6.8% tổng số bản ghi nhận về hàng tháng. Trong đó, lỗi mất tín hiệu truyền thông và mất điện chu kỳ chiếm tới 62% tổng số lỗi, lỗi trùng lặp bản ghi do cài đặt lại chương trình công tơ chiếm khoảng 23%, và 15% còn lại là các giá trị đột biến vượt ngưỡng dung sai kỹ thuật.

Thứ hai, việc áp dụng công thức ước lượng phụ tải kết hợp với tỷ lệ biến thiên sản lượng của các ngày đối chứng tương đồng đã khôi phục thành công các khoảng trống dữ liệu kéo dài từ 2 đến 12 chu kỳ liên tiếp. Kết quả đối sánh cho thấy sai số giữa dữ liệu ước lượng sau VEE và sản lượng thương phẩm thực tế chốt theo kỳ hóa đơn hàng tháng được kéo giảm xuống dưới 1.5%, đảm bảo độ tin cậy cao cho việc phân tích biểu đồ phụ tải.

Thứ ba, việc phân tích dữ liệu sau hiệu chỉnh đã chỉ rõ đặc trưng phụ tải đỉnh của hệ thống điện Thành phố Hồ Chí Minh thường rơi vào khung giờ từ 13 giờ 30 đến 16 giờ 00 vào mùa nắng nóng, và từ 17 giờ 30 đến 21 giờ 30 vào các tháng cuối năm. Phụ tải công nghiệp có hệ số phụ tải ngày cao và ổn định đạt mức 0.75 đến 0.88, trong khi phụ tải thương mại dịch vụ biến động mạnh với tỷ lệ tiêu thụ giờ cao điểm trên giờ thấp điểm chênh lệch từ 2.4 đến 3.1 lần.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự sai lệch dữ liệu đo đếm ban đầu bắt nguồn từ tính phức tạp của hạ tầng viễn thông vô tuyến trong đô thị mật độ cao, cùng sự cố quá tải đường truyền trong các khung giờ chốt chỉ số tập trung. Khi so sánh với các nghiên cứu tương tự trong ngành điện, việc tích hợp các mô-đun VEE tự động trên nền tảng cơ sở dữ liệu phân tán Oracle Enterprise với tính năng phân vùng Partitioning giúp tốc độ xử lý dữ liệu tăng nhanh gấp 3 lần so với quy trình rà soát thủ công truyền thống.

Khi trực quan hóa qua biểu đồ đường phụ tải 24 giờ, các đường cong công suất trước khi xử lý thường xuyên xuất hiện các điểm gãy đột ngột về mức 0 MW hoặc các xung nhọn vượt công suất trạm. Sau khi đi qua thuật toán hiệu chỉnh, biểu đồ trở nên liên tục, mượt mà và phản ánh chính xác quy luật vận hành của từng nhóm phụ tải chuyên biệt. Bảng ma trận đối soát số liệu cũng chứng minh rằng việc phân lớp phụ tải theo phương pháp Dalenius-Hodges giúp giảm độ lệch chuẩn của mẫu khảo sát hơn 18% so với phương pháp chọn mẫu ngẫu nhiên đơn giản, tạo tiền đề vững chắc cho việc dự báo phụ tải ngắn hạn và dài hạn.

Đề xuất và khuyến nghị

Thứ nhất, nâng cấp đồng bộ hạ tầng mạng truyền thông và hệ thống thu thập đầu cuối HES. EVNHCMC cần triển khai hoàn thiện giải pháp kết nối dự phòng song song (kết hợp sóng 3G/4G và mạng vô tuyến tầm xa RF Mesh) cho 100% công tơ chuyên dùng tại các trạm biến áp phân phối, đặt mục tiêu hoàn thành trong vòng 12 tháng nhằm giảm tỷ lệ mất bản ghi truyền thông xuống dưới 1%.

Thứ hai, tối ưu hóa các quy tắc thuật toán VEE tự động trên phần mềm MDMS. Ban Công nghệ thông tin cùng các phòng kỹ thuật cần thiết lập bộ thông số ngưỡng linh hoạt cho từng nhóm ngành nghề cụ thể, tích hợp cơ chế cảnh báo sớm khi dữ liệu chu kỳ 30 phút lệch quá 10% so với cùng kỳ tuần trước, áp dụng đại trà trong vòng 6 tháng tới.

Thứ ba, chuẩn hóa danh mục phân nhóm khách hàng và khung lấy mẫu biểu đồ phụ tải. Trung tâm Điều độ và Khối Kinh doanh cần tái cấu trúc cơ sở dữ liệu khách hàng theo 22 mã ngành công nghiệp, thương mại và dịch vụ trọng điểm, cập nhật định kỳ 6 tháng một lần theo đúng hướng dẫn của Cục Điều tiết Điện lực.

Thứ tư, xây dựng quy chế phối hợp và đào tạo chuyên sâu nguồn nhân lực vận hành hệ thống đo đếm tiên tiến. Cần tổ chức các khóa huấn luyện chuyên sâu về khai thác cơ sở dữ liệu Oracle, xử lý lỗi công tơ và phân tích dữ liệu lớn cho ít nhất 150 kỹ sư, chuyên viên điều độ tại 16 công ty điện lực trực thuộc trong giai đoạn 2020 đến 2022.

Đối tượng nên tham khảo luận văn

Thứ nhất, kỹ sư và chuyên viên điều độ hệ thống điện tại các tổng công ty phân phối điện. Luận văn cung cấp quy trình từng bước về làm sạch dữ liệu đo đếm, giúp giảm thiểu sai số trong việc xây dựng biểu đồ phụ tải thực tế và tối ưu hóa việc phân bổ công suất lưới trung - hạ thế.

Thứ tư, chuyên viên phân tích kinh doanh và thị trường điện lực. Tài liệu mang lại phương pháp tính toán chi tiết về hệ số phụ tải và tỷ lệ tiêu thụ giờ cao điểm/thấp điểm, hỗ trợ trực tiếp cho việc xây dựng biểu giá điện linh hoạt (Time-of-Use) và thiết kế các chương trình quản lý nhu cầu điện (DSM).

Thứ ba, nhà nghiên cứu, giảng viên và học viên cao học chuyên ngành Hệ thống điện và Tự động hóa. Công trình là tài liệu tham khảo giá trị về sự kết hợp giữa kỹ thuật điện truyền thống và khoa học dữ liệu hiện đại, đặc biệt trong việc ứng dụng thuật toán thống kê vào xử lý dữ liệu chuỗi thời gian lớn.

Thứ hai, cán bộ quản lý công nghệ thông tin và chuyển đổi số ngành năng lượng. Luận văn phác thảo rõ kiến trúc triển khai phần mềm MDMS, cấu trúc máy chủ WebLogic, cơ chế phân vùng Oracle Enterprise và giải pháp dự phòng thảm họa Active Data Guard, hỗ trợ đắc lực cho các dự án số hóa lưới điện.

Câu hỏi thường gặp

Hệ thống phần mềm MDMS đóng vai trò gì trong hạ tầng lưới điện thông minh? Hệ thống MDMS đóng vai trò là kho dữ liệu trung tâm, tiếp nhận hàng triệu bản ghi đo đếm hàng ngày từ hệ thống thu thập đầu cuối HES. Phần mềm này thực hiện nhiệm vụ lưu trữ, chuẩn hóa dữ liệu qua quy trình VEE, sau đó phân phối thông tin chính xác sang các hệ thống tính cước CMIS, quản lý vận hành OMS và giám sát điều độ SCADA.

Chức năng VEE xử lý các dạng dữ liệu lỗi nào phổ biến nhất? Quy trình VEE tập trung phát hiện và xử lý bốn nhóm dữ liệu lỗi chính gồm: dữ liệu bị mất hoặc bỏ trống chu kỳ, dữ liệu trùng lặp mốc thời gian, dữ liệu bằng không bất thường khi phụ tải đang hoạt động, và dữ liệu đột biến vượt quá công suất định mức hoặc sai lệch quá 20% so với ngưỡng lịch sử.

Tại sao phải phân tầng phụ tải khi thiết kế chọn mẫu nghiên cứu? Phân tầng phụ tải là yêu cầu bắt buộc vì tập hợp khách hàng dùng điện có độ phân tán rất lớn về quy mô và đặc tính. Ví dụ, một nhà máy luyện kim có mức tiêu thụ gấp hàng nghìn lần một hộ gia đình. Phân tầng theo phương pháp Dalenius-Hodges giúp kiểm soát độ lệch chuẩn và đảm bảo mọi nhóm phụ tải đặc thù đều có mẫu đại diện chính xác.

Thuật toán nội suy tuyến tính được áp dụng trong trường hợp nào? Thuật toán nội suy tuyến tính được kích hoạt khi chuỗi dữ liệu bị gián đoạn ngắn, thường từ 1 đến 3 chu kỳ đo (khoảng 30 đến 90 phút). Thuật toán sẽ tính toán giá trị lấp đầy dựa trên độ dốc biến thiên giữa chu kỳ hợp lệ ngay trước và sau khoảng thời gian bị thiếu, đảm bảo tính liên tục của biểu đồ phụ tải.

Việc làm sạch dữ liệu đo đếm mang lại lợi ích kinh tế gì cho ngành điện? Dữ liệu đo đếm chính xác giúp doanh nghiệp tính đúng, tính đủ sản lượng điện thương phẩm, giảm thiểu hơn 2% thất thoát doanh thu do lỗi công tơ, đồng thời hỗ trợ dự báo chính xác công suất đỉnh để tối ưu hóa nguồn phát và giảm hàng trăm tỷ đồng chi phí đầu tư nâng cấp lưới điện không cần thiết.

Kết luận

Luận văn đã giải quyết toàn diện bài toán khai thác và nâng cao chất lượng dữ liệu đo đếm từ xa trên hệ thống Gridstream MDMS tại Tổng công ty Điện lực Thành phố Hồ Chí Minh, mang lại những đóng góp nổi bật:

  • Hệ thống hóa toàn diện cơ sở lý thuyết và cấu trúc kỹ thuật của hệ thống quản lý dữ liệu đo đếm MDMS trên nền tảng máy chủ hiện đại.
  • Xây dựng bộ quy tắc và thuật toán xử lý dữ liệu VEE chuẩn xác, khắc phục hiệu quả các tình trạng mất tín hiệu, trùng lặp và sai số đo đếm chu kỳ 30 phút.
  • Đề xuất quy trình thiết kế chọn mẫu phân tầng khoa học theo phương pháp Dalenius-Hodges, phản ánh chân thực đặc tính của hơn 20 nhóm phụ tải chuyên biệt.
  • Cung cấp bức tranh phân tích chi tiết về biểu đồ phụ tải thực tế, chỉ ra chính xác các khung giờ cao điểm cục bộ phục vụ công tác điều hành lưới điện.
  • Đưa ra hệ thống giải pháp công nghệ và quản lý khả thi với lộ trình triển khai chi tiết đến năm 2025 nhằm hoàn thiện hạ tầng đo đếm tiên tiến AMI.

Để tiếp tục phát triển công trình, các đơn vị nghiên cứu và vận hành cần tích hợp thêm các thuật toán học máy (Machine Learning) tự động nhận diện mẫu phụ tải bất thường theo thời gian thực và mở rộng ứng dụng trên toàn bộ lưới điện phân phối quốc gia. Các tổ chức và cá nhân quan tâm có thể khai thác trực tiếp các thuật toán và mô hình phân tích mẫu trong tài liệu này để ứng dụng vào công tác hiện đại hóa hệ thống điện tại đơn vị.