Đăng ký thành viên

Sử dụng AI/ML để tiên đoán các vụ sụt áp trong máy biến áp giảm áp

Bài viết này nghiên cứu cách mà trí tuệ nhân tạo (AI) và học máy (ML) tiên đoán các ngưỡng sụt áp trong máy biến áp giảm áp bằng cách sử dụng trình mô phỏng mạch để thu thập dữ liệu và chế tạo bộ phân loại ML.

Để duy trì lưới điện ổn định đòi hỏi phải lường trước các vấn đề tiềm ẩn trước khi chúng làm gián đoạn hoạt động. Máy biến áp giảm áp vốn rất quan trọng trong việc cung cấp các mức điện áp có thể sử dụng cho các hộ tiêu thụ rất dễ bị tình trạng sụt áp gây ảnh hưởng, sự giảm điện áp có thể ảnh hưởng đến tính năng của thiết bị.

Sử dụng AI và ML để tiên đoán các ngưỡng sụt áp trong máy biến áp giảm áp (Ảnh st)

Thách thức: Nhận dạng các tình trạng sụt áp

Thí nghiệm trong phòng thí nghiệm tập trung vào một máy biến áp giảm áp có điện áp cấp cho cuộn sơ cấp là 120Vac. Việc giảm điện áp sơ cấp thực hiện có hệ thống theo từng giai đoạn: ban đầu là giảm từng cấp 5V một và sau khi giảm xuống còn 100Vac thì giảm từng cấp 10V một. Việc điều chỉnh điện áp đầu ra thứ cấp thực hiện dựa trên tỷ lệ số vòng dây 5:1 của máy biến áp. Việc phát triển một mô hình để tiên đoán điện áp thấp nhất mà tại đó máy biến áp có thể hoạt động bình thường trước khi chịu sụt áp sẽ cho phép bảo trì chủ động và ngăn ngừa hư hỏng thiết bị hoặc gián đoạn dịch vụ. Một kết quả khác từ mô hình trí tuệ nhân tạo/học máy (AI/ML) này là ngắn mạch một phần so với ngắn mạch các cuộn dây của máy biến áp lý tưởng.

Tạo một mô hình máy biến áp giảm áp thử nghiệm

Các nhà khoa học đã phát triển một mô hình mô phỏng mạch để thu thập dữ liệu sơ cấp và thứ cấp trên máy biến áp lý tưởng giảm áp. Thành phần điện từ được chọn là một máy biến áp lý tưởng. Việc lựa chọn một thành phần như vậy đảm bảo rằng các tham số ký sinh sẽ không ảnh hưởng đến điện áp thứ cấp đầu ra của máy biến áp, khiến xuống cấp điện áp này hoặc tạo ra các hành vi sóng hài. Hình 1 minh họa mô hình mạch máy biến áp. Thực hiện một sự kiện mô phỏng phân tích thoảng qua trên mô hình để thu dữ liệu điện áp sơ cấp và thứ cấp từ máy biến áp giảm áp.

Hình 1. Mô hình mạch máy biến áp lý tưởng cơ bản (Ảnh st)

Nghiên cứu này xây dựng bảng dữ liệu bằng cách thay đổi điện áp sơ cấp của máy biến áp và đo điện áp đầu ra thứ cấp của nó trên phụ tải điện trở 10KΩ và thực hiện một dải điện áp quét từ 120Vac (169,71Vp) đến 10Vac (3,03Vp) trên mô hình mô phỏng. Bảng 1 trình bày dữ liệu thu thập từ mô hình mạch máy biến áp. Mô hình này đã tạo ra một sóng hình sin hai chu kỳ hiển thị các điện áp sơ cấp và thứ cấp do mô hình mạch máy biến áp tạo ra.

Bảng 1. Các điện áp sơ cấp và thứ cấp thu thập và ghi lại từ mô hình mạch biến áp lý tưởng (Ảnh st)

Hình 2 minh họa sóng hình sin hai chu kỳ do thành phần điện từ AC tạo ra. Sóng hình sin màu lam là điện áp đỉnh 169,71(Vp) đặt lên cuộn sơ cấp của máy biến áp lý tưởng, trong khi màu đỏ thể hiện 33,94Vp của cuộn dây thứ cấp.

Hình 2. Một điện áp hình sin được đặt vào cuộn sơ cấp của máy biến áp lý tưởng (Ảnh st)

Tham gia học máy: Sức mạnh của cây ra quyết định

Học máy cung cấp các công cụ mạnh mẽ để phân tích dữ liệu phức tạp và nhận dạng các mẫu hình. Dự án này sử dụng trình phân loại cây ra quyết định, một thuật toán học có giám sát phổ biến.  Dự án cũng sử dụng một mô hình ngôn ngữ lớn (LLM) giúp tạo mã Python nhằm thiết lập trình phân loại cây ra quyết định. Các quy định kỹ thuật về hành vi ngắn mạch riêng phần, ngắn mạch và sụt áp đã được đưa vào trong phiên kỹ thuật nhanh chóng. Việc sử dụng Google Colaboratory giúp thực thi mã Python do AI tạo ra nhằm giảm bớt các nguồn lực thư viện và sự phụ thuộc vào máy tính xách tay tiêu chuẩn. Tiếp theo là mô tả về cây ra quyết định.

Đây là cách hoạt động của cây ra quyết định: Hãy tưởng tượng một cấu trúc cây phân nhánh trong đó mỗi nhánh thể hiện một quyết định dựa trên một tính năng dữ liệu cụ thể. Điện áp đầu vào sơ cấp và điện áp đầu ra thứ cấp là những đặc điểm trong bài tập trong phòng thí nghiệm này. Thuật toán "học" dần dần bằng cách phân tách dữ liệu dựa trên các tính năng này, bằng cách tạo các lá ở cuối mỗi nhánh thể hiện một kết quả cụ thể - trong trường hợp này là "hoạt động bình thường" hoặc là "sụt áp". Mô hình trình phân loại cây ra quyết định đã quan sát thấy các cuộn dây ngắn mạch riêng phần hoặc ngắn mạch. Những điều kiện như vậy có thể coi là do hoạt động bình thường hoặc hành vi sụt áp của máy biến áp giảm áp.

Đào tạo mô hình: Cấp dữ liệu

Một tập dữ liệu chứa các kết quả đo điện áp và trạng thái hoạt động (bình thường hoặc sụt áp) đối với các mức điện áp đầu vào khác nhau mà cây ra quyết định đã được đào tạo. Mô hình này đã phân tích các mối quan hệ này, bằng cách nhận dạng các mẫu hình giúp phân biệt hoạt động bình thường với các tình trạng sụt áp. Quá trình đào tạo bao gồm việc chia dữ liệu thành hai bộ. Việc sử dụng bộ dữ liệu đào tạo giúp xây dựng mô hình; một bộ thử nghiệm đánh giá tính năng của nó. Mô hình này học bằng cách điều chỉnh lặp đi lặp lại các quy tắc quyết định dựa trên dữ liệu đào tạo.

Đánh giá: Thử nghiệm khả năng của mô hình

Sau khi đào tạo, cần thử nghiệm mô hình này bằng cách sử dụng dữ liệu chưa được thấy trong bộ thử nghiệm. Điều này đánh giá khả năng khái quát hóa các mẫu hình đã học được và tiên đoán chính xác các ngưỡng sụt điện áp đối với các đầu vào điện áp mới chưa gặp phải trong quá trình đào tạo. Việc sử dụng các số liệu như độ đúng và độ chính xác giúp đánh giá tính năng của mô hình. Các phép đo về độ đúng đo lường tỷ lệ thành công chung trong việc tiên đoán chính xác các tình trạng điện năng yếu. Độ chính xác cho biết tiên đoán tần suất điện năng yếu là dương tính thực sự (điện năng yếu thực tế). Khả năng của mô hình này trong việc nhận dạng các sự cố điện năng yếu thực tế do ngắn mạch một phần hoặc cuộn dây máy biến áp ngắn mạch càng phù hợp hơn với định nghĩa độ chính xác.

Tiềm năng của AI/ML trong Bảo trì Lưới điện Tiên đoán

Kết quả cây ra quyết định của trình phân loại này đã cân nhắc các tình trạng sụt áp mà các cuộn dây sơ cấp của máy biến áp nhận được. Mô hình trình phân loại cung cấp điều kiện liên quan của tình trạng sụt áp này với điện áp sơ cấp ≤107,5V. Lưu ý rằng tình trạng sụt áp ở 10% điện áp cung cấp của 120Vac là 108. Dựa trên kích cỡ mẫu và việc thực hiện biểu quyết đa số bằng cách sử dụng một Mô hình học máy ML “DecisionTreeClassifier” và học tập có giám sát, cuộn dây ngắn mạch một phần máy biến áp lý tưởng là kết quả có tính tiên đoán cao nhất của trình phân loại. Dựa trên kết quả này, tình trạng sụt áp có thể xảy ra. Sử dụng với AI/ML để bảo trì tiên đoán, bài tập trong phòng thí nghiệm này minh họa các lợi ích phân tích tiềm năng trong các ứng dụng công nghiệp và sản xuất. Hình 3 hiển thị kết quả của mô hình. Việc sử dụng quy tắc biểu quyết đa số trong trình phân loại Cây ra quyết định giúp tiên đoán kết quả của phần tử phát hiện chạm chập. Trong bài tập thí nghiệm này, điều kiện ngắn mạch một phần là quy định đa số điều kiện của mô hình mạch máy biến áp lý tưởng.

Hình 3. Kết quả của mô hình Trình phân loại cây ra quyết định (Ảnh st)

Gini: Hệ số Gini dùng để biểu thị độ bất bình đẳng trong thu nhập trên nhiều vùng miền, tầng lớp của một đất nước. Nó có giá trị từ 0 (mọi người đều có mức thu nhập bình đẳng) đến 1 (bất bình đẳng).

Cuối cùng, kết quả trong phòng thí nghiệm này chứng minh tiềm năng của AI/ML trong việc tiên đoán bảo trì trong lưới điện, góp phần tạo nên cơ sở hạ tầng điện dẻo dai và hiệu quả hơn bằng cách tiên đoán ngưỡng sụt áp trong các máy biến áp giảm áp. Khi nghiên cứu tiếp tục, những tiến bộ hơn nữa về độ phức tạp của mô hình, năng lực theo dõi thời gian thực và tích hợp với các hệ thống quản lý lưới điện hiện có có thể giải phóng toàn bộ tiềm năng của AI để cung cấp năng lượng đáng tin cậy và bền vững.

Biên dịch: Hồ Văn Minh

Theo “Eepower”, tháng 4/2024