Tổng quan nghiên cứu

Trong bối cảnh nhu cầu sử dụng điện ngày càng tăng, tình trạng gian lận sử dụng điện trở thành một vấn đề nghiêm trọng, ảnh hưởng trực tiếp đến tổn thất điện năng phi kỹ thuật và an toàn lưới điện. Tại tỉnh Vĩnh Long, với hơn 342.671 khách hàng sử dụng điện, tổn thất điện năng lũy kế 3 tháng đầu năm 2024 đạt khoảng 3,8%, trong đó tổn thất điện năng phi kỹ thuật vẫn còn tiềm ẩn do các hành vi gian lận sử dụng điện. Các hành vi gian lận phổ biến như câu móc trực tiếp không qua công tơ và xoay nghiêng, lật ngược công tơ chiếm hơn 90% các vụ vi phạm được phát hiện trong giai đoạn 2018-2024.

Mục tiêu nghiên cứu của luận văn là xây dựng phương pháp phát hiện hành vi gian lận sử dụng điện dựa trên dữ liệu thu thập từ hệ thống đo đếm từ xa tại Công ty Điện lực Vĩnh Long, áp dụng mô hình học máy Support Vector Machine (SVM) để phân loại và dự đoán khách hàng có dấu hiệu gian lận trên lưới điện hạ thế. Phạm vi nghiên cứu tập trung vào dữ liệu sản lượng điện tiêu thụ hàng ngày của 7.522 khách hàng trong giai đoạn 2020-2024, với 20% dữ liệu dùng để kiểm tra tính chính xác của mô hình.

Nghiên cứu có ý nghĩa quan trọng trong việc giảm tổn thất điện năng phi kỹ thuật, nâng cao hiệu quả quản lý và đảm bảo tính công bằng trong sử dụng điện. Việc ứng dụng mô hình SVM với độ chính xác đạt 99,61% hứa hẹn mang lại giải pháp công nghệ hiện đại, hỗ trợ đắc lực cho công tác phát hiện và phòng ngừa gian lận sử dụng điện tại địa phương, đồng thời góp phần nâng cao an toàn và ổn định của hệ thống điện.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: lý thuyết tổn thất điện năng và mô hình học máy trong phát hiện gian lận.

  • Tổn thất điện năng được phân thành tổn thất kỹ thuật và phi kỹ thuật. Tổn thất kỹ thuật là hao hụt điện năng do các yếu tố vật lý như điện trở dây dẫn, máy biến áp, còn tổn thất phi kỹ thuật chủ yếu do gian lận sử dụng điện, lỗi đo lường và quản lý kém hiệu quả. Việc giảm tổn thất phi kỹ thuật là mục tiêu quan trọng nhằm nâng cao hiệu quả vận hành lưới điện.

  • Mô hình học máy Support Vector Machine (SVM) là thuật toán giám sát, được sử dụng để phân loại dữ liệu phức tạp và phi tuyến tính. SVM hoạt động bằng cách tìm ra siêu phẳng tối ưu phân tách các lớp dữ liệu với biên độ lớn nhất, giúp tăng khả năng phân loại chính xác ngay cả khi dữ liệu có nhiễu hoặc ngoại lai. SVM được lựa chọn do khả năng xử lý hiệu quả các mối quan hệ phi tuyến và đạt độ chính xác cao trong các bài toán phát hiện gian lận.

Các khái niệm chính bao gồm: tổn thất điện năng phi kỹ thuật, hành vi gian lận sử dụng điện (câu móc trực tiếp, xoay nghiêng công tơ), hệ thống đo đếm từ xa, và thuật toán SVM.

Phương pháp nghiên cứu

Nghiên cứu sử dụng dữ liệu sản lượng điện tiêu thụ hàng ngày của 7.522 khách hàng đã được lắp đặt công tơ điện tử và kết nối với hệ thống thu thập dữ liệu từ xa tại Công ty Điện lực Vĩnh Long trong giai đoạn 2020-2024. Trong đó, 20% dữ liệu (tương đương 1.522 khách hàng) được giữ lại để kiểm tra tính chính xác của mô hình, phần còn lại dùng để đào tạo mô hình SVM.

Phương pháp phân tích chính là xây dựng và huấn luyện mô hình SVM trên tập dữ liệu lớn, sau đó đánh giá hiệu quả bằng các chỉ số như độ chính xác, tỷ lệ phát hiện gian lận. Quá trình nghiên cứu bao gồm các bước: thu thập và xử lý dữ liệu, xây dựng mô hình, đào tạo và kiểm tra mô hình, phân tích kết quả và đề xuất giải pháp phòng ngừa.

Timeline nghiên cứu kéo dài từ tháng 11/2023 đến tháng 6/2024, bao gồm thu thập dữ liệu, phát triển mô hình, thử nghiệm và hoàn thiện luận văn. Phương pháp chọn mẫu là toàn bộ khách hàng có công tơ điện tử kết nối hệ thống đo đếm từ xa trên địa bàn tỉnh, đảm bảo tính đại diện và độ tin cậy của dữ liệu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả mô hình SVM trong phát hiện gian lận: Mô hình SVM đạt độ chính xác 99,61% trong việc phân loại khách hàng có hành vi gian lận sử dụng điện, vượt trội so với các mô hình khác như Random Forest (98,93%), Logistic Regression (99,07%), K-Nearest Neighbors (98,93%) và Naive Bayes (95,08%).

  2. Tỷ lệ phát hiện gian lận giảm dần qua các năm: Số vụ gian lận sử dụng điện tại Công ty Điện lực Vĩnh Long giảm từ trung bình hơn 15 vụ/năm giai đoạn 2018-2020 xuống còn 1 vụ trong 4 tháng đầu năm 2024, cho thấy hiệu quả của các biện pháp kiểm tra và giám sát.

  3. Phân bố hành vi gian lận: 93% các vụ gian lận xảy ra tại khu vực nông thôn, 58% công tơ đặt trong nhà và 42% ngoài trụ. Hình thức câu móc trực tiếp không qua công tơ chiếm 50,7%, xoay nghiêng, lật ngược công tơ chiếm 42,3%.

  4. Tổn thất điện năng phi kỹ thuật tiệm cận mức thấp: Tổn thất điện năng lũy kế 3 tháng đầu năm 2024 đạt 3,8%, thấp hơn 1,3% so với cùng kỳ năm trước và gần tiệm cận tổn thất kỹ thuật, cho thấy sự cải thiện trong quản lý tổn thất.

Thảo luận kết quả

Kết quả cho thấy mô hình SVM là công cụ hiệu quả trong việc phát hiện hành vi gian lận sử dụng điện dựa trên dữ liệu sản lượng tiêu thụ hàng ngày. Độ chính xác cao của mô hình giúp giảm thiểu sai sót trong phân loại, từ đó hỗ trợ công tác kiểm tra và xử lý vi phạm kịp thời. So với các nghiên cứu trên thế giới, việc áp dụng SVM tại Công ty Điện lực Vĩnh Long là bước tiến quan trọng, tận dụng hạ tầng đo đếm từ xa hiện đại để nâng cao hiệu quả quản lý.

Việc giảm số vụ gian lận qua các năm phản ánh sự phối hợp hiệu quả giữa công nghệ và công tác kiểm tra truyền thống, đồng thời cho thấy ý thức sử dụng điện của khách hàng được nâng cao. Tuy nhiên, tỷ lệ gian lận vẫn tập trung chủ yếu ở khu vực nông thôn và các hình thức gian lận tinh vi như câu móc trực tiếp khó phát hiện, đòi hỏi các giải pháp kỹ thuật và quản lý tiếp tục được hoàn thiện.

Dữ liệu có thể được trình bày qua biểu đồ đường thể hiện xu hướng số vụ gian lận qua các năm, bảng so sánh độ chính xác các mô hình học máy, và biểu đồ tròn phân bố các hình thức gian lận. Những biểu đồ này giúp minh họa rõ nét hiệu quả của mô hình và thực trạng gian lận sử dụng điện.

Đề xuất và khuyến nghị

  1. Triển khai rộng rãi mô hình SVM trong công tác giám sát: Áp dụng mô hình SVM để tự động phân tích dữ liệu tiêu thụ điện hàng ngày, phát hiện sớm các dấu hiệu gian lận, giảm thiểu sự phụ thuộc vào kiểm tra thủ công. Mục tiêu nâng cao tỷ lệ phát hiện gian lận lên trên 99% trong vòng 12 tháng, do bộ phận kỹ thuật và quản lý Công ty Điện lực Vĩnh Long thực hiện.

  2. Tăng cường đào tạo và bồi huấn nghiệp vụ cho lực lượng kiểm tra: Tổ chức các khóa đào tạo chuyên sâu về công nghệ đo đếm từ xa và phân tích dữ liệu cho cán bộ kiểm tra, nâng cao năng lực nhận diện hành vi gian lận tinh vi. Thời gian thực hiện trong 6 tháng, phối hợp với các chuyên gia công nghệ và đào tạo nội bộ.

  3. Phối hợp chặt chẽ với chính quyền địa phương và các cơ quan chức năng: Xây dựng cơ chế phối hợp trong công tác tuyên truyền, kiểm tra và xử lý vi phạm gian lận sử dụng điện, tăng cường sự răn đe và nâng cao ý thức cộng đồng. Thực hiện liên tục, có đánh giá định kỳ hàng quý.

  4. Đẩy mạnh công tác tuyên truyền nâng cao nhận thức khách hàng: Sử dụng đa dạng các kênh truyền thông như báo chí, mạng xã hội, phát tờ rơi để phổ biến Luật Điện lực, hậu quả của gian lận sử dụng điện và lợi ích của việc sử dụng điện an toàn, tiết kiệm. Mục tiêu giảm 10% số vụ vi phạm trong 1 năm, do phòng truyền thông và các đơn vị điện lực địa phương thực hiện.

  5. Nâng cấp và hoàn thiện hệ thống đo đếm từ xa: Đầu tư mở rộng hạ tầng đo đếm từ xa, đảm bảo thu thập dữ liệu chính xác, đồng bộ và kịp thời, tạo nền tảng cho các mô hình học máy hoạt động hiệu quả. Kế hoạch thực hiện trong 2 năm, phối hợp với Tổng công ty Điện lực miền Nam.

Đối tượng nên tham khảo luận văn

  1. Cán bộ quản lý và kỹ thuật ngành điện: Luận văn cung cấp phương pháp và công cụ hiện đại để phát hiện gian lận sử dụng điện, giúp nâng cao hiệu quả quản lý tổn thất điện năng và vận hành lưới điện.

  2. Nhà nghiên cứu và sinh viên chuyên ngành kỹ thuật điện, công nghệ thông tin: Tài liệu chi tiết về ứng dụng mô hình học máy SVM trong lĩnh vực điện, cung cấp cơ sở lý thuyết và thực nghiệm quý giá cho các nghiên cứu tiếp theo.

  3. Các cơ quan quản lý nhà nước về điện lực và an toàn điện: Thông tin về thực trạng gian lận sử dụng điện, các quy định pháp luật và giải pháp phòng ngừa giúp xây dựng chính sách và kế hoạch kiểm soát hiệu quả.

  4. Doanh nghiệp cung cấp giải pháp công nghệ cho ngành điện: Nghiên cứu mô hình và kết quả thực nghiệm giúp phát triển các sản phẩm phần mềm, hệ thống giám sát và phân tích dữ liệu phục vụ ngành điện.

Câu hỏi thường gặp

  1. Mô hình SVM là gì và tại sao được chọn để phát hiện gian lận sử dụng điện?
    SVM là thuật toán học máy phân loại dữ liệu dựa trên việc tìm siêu phẳng tối ưu phân tách các lớp. Nó được chọn vì khả năng xử lý dữ liệu phi tuyến, nhiễu và ngoại lai hiệu quả, đạt độ chính xác cao (99,61%) trong phát hiện gian lận tại Công ty Điện lực Vĩnh Long.

  2. Dữ liệu sử dụng để huấn luyện mô hình được thu thập như thế nào?
    Dữ liệu là sản lượng điện tiêu thụ hàng ngày của 7.522 khách hàng đã lắp công tơ điện tử và kết nối hệ thống đo đếm từ xa trong giai đoạn 2020-2024, đảm bảo tính đồng bộ và chính xác cho việc phân tích.

  3. Các hình thức gian lận sử dụng điện phổ biến tại Vĩnh Long là gì?
    Hai hình thức chính là câu móc trực tiếp không qua công tơ (chiếm 50,7%) và xoay nghiêng, lật ngược công tơ (42,3%), thường xảy ra nhiều ở khu vực nông thôn và khó phát hiện bằng phương pháp truyền thống.

  4. Mô hình SVM có thể áp dụng cho các khu vực khác ngoài Vĩnh Long không?
    Có thể áp dụng, tuy nhiên cần thu thập dữ liệu đặc thù của từng khu vực để huấn luyện lại mô hình, đảm bảo phù hợp với đặc điểm tiêu thụ điện và hành vi gian lận riêng biệt.

  5. Giải pháp phòng ngừa gian lận sử dụng điện hiệu quả nhất hiện nay là gì?
    Kết hợp công nghệ đo đếm từ xa, mô hình học máy tự động phát hiện, tăng cường kiểm tra thực tế, phối hợp với chính quyền địa phương và truyền thông nâng cao nhận thức khách hàng là giải pháp toàn diện và hiệu quả nhất.

Kết luận

  • Mô hình học máy SVM được triển khai thành công tại Công ty Điện lực Vĩnh Long với độ chính xác phát hiện gian lận đạt 99,61%.
  • Gian lận sử dụng điện chủ yếu tập trung ở khu vực nông thôn với các hình thức câu móc trực tiếp và xoay nghiêng công tơ.
  • Tổn thất điện năng phi kỹ thuật đã giảm đáng kể, tiệm cận mức tổn thất kỹ thuật, góp phần nâng cao hiệu quả quản lý lưới điện.
  • Đề xuất các giải pháp công nghệ, đào tạo, phối hợp chính quyền và truyền thông nhằm phòng ngừa và giảm thiểu gian lận sử dụng điện.
  • Tiếp tục mở rộng nghiên cứu và ứng dụng mô hình học máy trong các khu vực khác, đồng thời hoàn thiện hạ tầng đo đếm từ xa để nâng cao hiệu quả phát hiện gian lận.

Luận văn khuyến khích các đơn vị ngành điện áp dụng mô hình SVM và các giải pháp đề xuất nhằm nâng cao hiệu quả quản lý tổn thất điện năng, đảm bảo an toàn và công bằng trong sử dụng điện. Các bước tiếp theo bao gồm triển khai thực tế mô hình trên diện rộng, đào tạo nhân lực và phối hợp liên ngành để phát huy tối đa hiệu quả nghiên cứu.