Tổng quan nghiên cứu

Hệ thống truyền tải điện quốc gia Việt Nam hiện có gần 5.000 km đường dây và 153 trạm biến áp với tổng dung lượng hơn 9.000 MVA, trải dài trên nhiều tỉnh miền Trung và Tây Nguyên. Việc bảo trì, kiểm tra chất lượng các thiết bị trong hệ thống truyền tải điện là nhiệm vụ quan trọng nhằm đảm bảo vận hành ổn định, an toàn. Tuy nhiên, công tác này gặp nhiều khó khăn do địa hình phức tạp, thời tiết khắc nghiệt và nguy cơ an toàn cho công nhân khi phải tiếp cận các vị trí cao, hiểm trở. Theo ước tính, việc kiểm tra truyền thống tiêu tốn nhiều thời gian, công sức và chi phí, đồng thời phụ thuộc lớn vào kinh nghiệm của cán bộ kỹ thuật, dẫn đến độ chính xác không đồng đều.

Mục tiêu nghiên cứu của luận văn là xây dựng mô hình ứng dụng trí tuệ nhân tạo (AI), cụ thể là kỹ thuật học sâu (deep learning), để tự động nhận dạng và đánh giá chất lượng các thiết bị thuộc hệ thống truyền tải điện. Phạm vi nghiên cứu tập trung vào các thiết bị do Công ty Truyền tải điện 2 (EVN NPT 2) quản lý, bao gồm các thiết bị trên đường dây 220kV và 500kV tại các tỉnh miền Trung và Tây Nguyên. Nghiên cứu nhằm nâng cao hiệu quả kiểm tra, giảm thiểu rủi ro cho nhân lực và tăng độ chính xác trong đánh giá chất lượng thiết bị.

Việc ứng dụng AI vào đánh giá chất lượng thiết bị truyền tải điện không chỉ giúp tự động hóa quy trình kiểm tra mà còn hỗ trợ phát hiện sớm các bất thường, từ đó nâng cao độ tin cậy vận hành hệ thống. Kết quả nghiên cứu có ý nghĩa thực tiễn lớn trong việc quản lý, bảo trì hệ thống truyền tải điện, đồng thời góp phần thúc đẩy chuyển đổi số trong ngành điện lực.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN) và mạng nơ-ron tích chập (Convolutional Neural Networks - CNN). ANN là hệ thống tính toán mô phỏng hoạt động của hệ thần kinh sinh học, gồm các nơ-ron nhân tạo kết nối với nhau, xử lý thông tin qua các trọng số và hàm kích hoạt phi tuyến. CNN là một dạng mạng nơ-ron chuyên biệt cho xử lý ảnh, tận dụng các lớp tích chập để trích xuất đặc trưng không gian từ hình ảnh đầu vào.

Các khái niệm chính bao gồm:

  • Lớp tích chập (Convolutional Layer): Thực hiện phép tích chập giữa bộ lọc và ảnh đầu vào để trích xuất đặc trưng.
  • Lớp kích hoạt phi tuyến ReLU: Chuyển các giá trị âm thành 0, tạo tính phi tuyến cho mô hình.
  • Lớp tổng hợp (Pooling Layer): Giảm kích thước không gian của đặc trưng, giảm số lượng tham số và tính toán.
  • Lớp kết nối đầy đủ (Fully Connected Layer): Kết nối toàn bộ nơ-ron để phân loại hoặc dự đoán.
  • Mô hình YOLO (You Only Look Once): Mạng CNN tiên tiến dùng để phát hiện và nhận dạng đối tượng trong ảnh với tốc độ và độ chính xác cao, gồm các phiên bản từ YOLOv1 đến YOLOv4, trong đó YOLOv3 sử dụng kiến trúc Darknet-53 với các cải tiến như Feature Pyramid Networks (FPN) và Skip-layer concatenation (SLC) để nhận dạng đa tỉ lệ.

Phương pháp nghiên cứu

Luận văn sử dụng kết hợp phương pháp nghiên cứu lý thuyết và thực nghiệm:

  • Nguồn dữ liệu: Hình ảnh thu thập từ thiết bị bay không người lái (UAV) do EVN NPT 2 cung cấp, bao gồm hàng nghìn ảnh chụp các thiết bị truyền tải điện như sứ cách điện, cột điện, dây dẫn và phụ kiện. Dữ liệu được gán nhãn chi tiết để phục vụ huấn luyện mô hình.
  • Phương pháp phân tích: Xây dựng và huấn luyện mô hình mạng nơ-ron tích chập YOLO trên tập dữ liệu đã gán nhãn. Quá trình huấn luyện sử dụng kỹ thuật tăng cường dữ liệu (data augmentation) để cải thiện khả năng tổng quát của mô hình. Đánh giá mô hình dựa trên các chỉ số như độ chính xác (accuracy), độ nhạy (recall), và F1-score.
  • Timeline nghiên cứu: Thu thập và gán nhãn dữ liệu trong 3 tháng đầu; xây dựng và huấn luyện mô hình trong 4 tháng tiếp theo; thực nghiệm và đánh giá kết quả trong 2 tháng cuối cùng.

Cỡ mẫu dữ liệu huấn luyện khoảng 1.200 ảnh, trong đó 80% dùng để huấn luyện và 20% để kiểm thử. Phương pháp chọn mẫu là ngẫu nhiên có kiểm soát nhằm đảm bảo đa dạng các loại thiết bị và lỗi. Phân tích kết quả sử dụng các công cụ thống kê và trực quan hóa bằng biểu đồ độ chính xác và ma trận nhầm lẫn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả nhận dạng thiết bị: Mô hình YOLOv3 đạt độ chính xác trung bình trên tập kiểm thử là 94,7%, trong đó độ chính xác nhận dạng sứ cách điện đạt 96,3%, cột điện 93,5%, dây dẫn 92,8% và phụ kiện 91,9%. So với các phương pháp truyền thống, mô hình cải thiện độ chính xác nhận dạng lên khoảng 15-20%.

  2. Phát hiện lỗi thiết bị: Mô hình có khả năng phát hiện các lỗi phổ biến như thiếu nắp sứ cách điện, ăn mòn cột điện, đứt sợi dây dẫn với tỷ lệ phát hiện chính xác trên 90%. Ví dụ, tỷ lệ phát hiện thiếu nắp sứ cách điện đạt 96,3%, tương đương với các nghiên cứu quốc tế.

  3. Tốc độ xử lý: Mô hình có thể xử lý và phân loại hơn 30 ảnh mỗi phút trên phần cứng GPU tiêu chuẩn, giúp rút ngắn thời gian đánh giá so với phương pháp thủ công từ vài ngày xuống còn vài giờ.

  4. Khả năng học liên tục: Hệ thống cho phép người dùng chỉnh sửa kết quả sơ bộ, từ đó mô hình tự động học và cải thiện độ chính xác qua các lần sử dụng, giúp tăng độ tin cậy theo thời gian.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình đạt hiệu quả cao là do việc áp dụng kiến trúc mạng Darknet-53 với các khối dư và kỹ thuật FPN giúp nhận dạng đa tỉ lệ đối tượng, phù hợp với đặc điểm hình ảnh thiết bị truyền tải điện có kích thước và hình dạng đa dạng. Việc sử dụng dữ liệu UAV thu thập từ nhiều góc độ và điều kiện ánh sáng khác nhau cũng giúp mô hình có khả năng tổng quát tốt.

So sánh với các nghiên cứu trước đây, kết quả của luận văn tương đương hoặc vượt trội về độ chính xác và tốc độ xử lý. Việc tích hợp mô hình AI vào quy trình kiểm tra truyền tải điện giúp giảm thiểu sự phụ thuộc vào kinh nghiệm cá nhân, đồng thời giảm thiểu rủi ro cho công nhân khi phải tiếp cận các vị trí nguy hiểm.

Dữ liệu có thể được trình bày qua biểu đồ cột so sánh độ chính xác nhận dạng từng loại thiết bị và biểu đồ đường thể hiện tốc độ xử lý theo thời gian huấn luyện. Bảng ma trận nhầm lẫn cũng minh họa rõ khả năng phân biệt các loại lỗi và thiết bị.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống AI hỗ trợ kiểm tra: Đề nghị EVN NPT 2 áp dụng mô hình AI vào quy trình kiểm tra định kỳ thiết bị truyền tải điện nhằm nâng cao độ chính xác và giảm thời gian kiểm tra. Mục tiêu đạt 95% độ chính xác nhận dạng trong vòng 12 tháng.

  2. Đào tạo nhân lực vận hành: Tổ chức các khóa đào tạo kỹ thuật viên sử dụng hệ thống AI và UAV, nâng cao kỹ năng điều khiển thiết bị bay tự động và quản lý dữ liệu. Thời gian đào tạo dự kiến 3 tháng, nhằm đảm bảo hiệu quả vận hành.

  3. Xây dựng cơ sở dữ liệu tập trung: Phát triển hệ thống lưu trữ, quản lý và truy xuất dữ liệu hình ảnh, kết quả đánh giá thiết bị trên nền tảng điện toán đám mây, giúp truy cập linh hoạt và hỗ trợ phân tích lịch sử bảo trì. Mục tiêu hoàn thành trong 6 tháng.

  4. Cải tiến mô hình AI liên tục: Thu thập phản hồi từ người dùng để cập nhật và huấn luyện lại mô hình, nâng cao khả năng phát hiện các lỗi mới và giảm thiểu sai sót. Thực hiện đánh giá và cập nhật mô hình định kỳ 6 tháng một lần.

Đối tượng nên tham khảo luận văn

  1. Cán bộ kỹ thuật và quản lý EVN NPT 2: Nắm bắt công nghệ mới trong kiểm tra, bảo trì hệ thống truyền tải điện, nâng cao hiệu quả công tác quản lý và vận hành.

  2. Nhà nghiên cứu và sinh viên ngành Công nghệ thông tin, Điện lực: Tham khảo phương pháp ứng dụng AI và học sâu trong lĩnh vực năng lượng, phát triển các mô hình nhận dạng và phân tích dữ liệu thực tế.

  3. Doanh nghiệp cung cấp giải pháp công nghệ cho ngành điện: Hiểu rõ yêu cầu kỹ thuật và ứng dụng thực tiễn của AI trong giám sát, bảo trì hệ thống truyền tải điện để phát triển sản phẩm phù hợp.

  4. Cơ quan quản lý nhà nước về năng lượng và công nghệ: Đánh giá tiềm năng ứng dụng công nghệ AI trong ngành điện, từ đó xây dựng chính sách hỗ trợ chuyển đổi số và nâng cao an toàn lưới điện quốc gia.

Câu hỏi thường gặp

  1. Mô hình AI có thể áp dụng cho các hệ thống truyền tải điện khác không?
    Có, mô hình được thiết kế dựa trên các đặc điểm chung của thiết bị truyền tải điện, có thể điều chỉnh và huấn luyện lại để phù hợp với các hệ thống khác nhau.

  2. Độ chính xác của mô hình có bị ảnh hưởng bởi điều kiện thời tiết khi thu thập ảnh không?
    Mô hình đã được huấn luyện với dữ liệu đa dạng về điều kiện ánh sáng và thời tiết, giúp giảm thiểu ảnh hưởng. Tuy nhiên, ảnh chất lượng kém vẫn có thể làm giảm độ chính xác.

  3. Làm thế nào để cập nhật mô hình khi có thiết bị hoặc lỗi mới xuất hiện?
    Người dùng có thể gán nhãn và chỉnh sửa kết quả nhận dạng, dữ liệu này sẽ được sử dụng để huấn luyện lại mô hình định kỳ, giúp mô hình thích nghi với các thay đổi mới.

  4. Hệ thống có thể hoạt động trực tuyến và truy cập từ xa không?
    Có, hệ thống được thiết kế trên nền tảng điện toán đám mây, cho phép truy cập và xử lý dữ liệu từ mọi nơi có kết nối Internet.

  5. Chi phí triển khai hệ thống AI và UAV có cao không?
    So với chi phí kiểm tra truyền thống và sử dụng máy bay trực thăng, việc sử dụng UAV kết hợp AI giúp giảm đáng kể chi phí vận hành, đồng thời tăng hiệu quả và an toàn.

Kết luận

  • Đã xây dựng thành công mô hình AI dựa trên mạng nơ-ron tích chập YOLOv3 để nhận dạng và đánh giá chất lượng thiết bị truyền tải điện với độ chính xác trên 94%.
  • Mô hình hỗ trợ phát hiện các lỗi phổ biến như thiếu nắp sứ cách điện, ăn mòn cột điện, đứt sợi dây dẫn với hiệu suất cao.
  • Giải pháp giúp giảm thời gian kiểm tra từ vài ngày xuống còn vài giờ, đồng thời giảm thiểu rủi ro cho nhân lực vận hành.
  • Hệ thống cho phép học liên tục qua phản hồi người dùng, nâng cao độ chính xác theo thời gian.
  • Đề xuất triển khai hệ thống AI kết hợp UAV trong công tác kiểm tra, bảo trì hệ thống truyền tải điện trong vòng 12 tháng tới.

Next steps: Triển khai thử nghiệm hệ thống tại các tuyến đường dây trọng điểm, đào tạo nhân lực vận hành và xây dựng cơ sở dữ liệu tập trung.

Call to action: Các đơn vị quản lý và vận hành hệ thống truyền tải điện nên phối hợp triển khai ứng dụng AI để nâng cao hiệu quả và an toàn trong công tác bảo trì, kiểm tra thiết bị.