Phân tích và thảo luận ứng dụng kĩ thuật dữ liệu lớn trong lưới điện thông minh

68<br /> <br /> Lê Xuân Sanh<br /> <br /> PHÂN TÍCH VÀ THẢO LUẬN ỨNG DỤNG KĨ THUẬT DỮ LIỆU LỚN<br /> TRONG LƯỚI ĐIỆN THÔNG MINH<br /> ANALYZING AND DISCUSSING APPLICATION OF BIG DATA TECHNOLOGY<br /> IN SMART GRIDS<br /> Lê Xuân Sanh<br /> Trường Đại học Điện lực; sanhlx@epu.edu.vn<br /> Tóm tắt - Kĩ thuật phân tích dữ liệu theo phương pháp truyền thống<br /> đã không đáp ứng được yêu cầu sự phát triển của lưới điện hiện<br /> đại. Từ năm 2012, đã có một số nghiên cứu về dữ liệu lớn trong<br /> lưới điện thông minh với những kết quả ban đầu thuận lợi. Bài báo<br /> phân tích và ứng dụng dữ liệu lớn trong lưới điện thông minh bao<br /> gồm: khái niệm cơ bản, nguồn sinh ra dữ liệu trong hệ thống điện,<br /> các đặc trưng và đánh giá nghiên cứu về dữ liệu lớn. Bên cạnh đó,<br /> đưa ra kiến trúc tổng thể và các kĩ thuật liên quan của dữ liệu lớn<br /> trong lưới điện thông minh. Cuối cùng đưa ra mô hình ứng dụng kĩ<br /> thuật dữ liệu lớn trong lưới điện phân phối với việc chẩn đoán trạng<br /> thái hoạt động của các thiết bị; đánh giá đường dây cấp điện; phân<br /> tích đặc điểm và hành vi của khách hàng và dự báo phụ tải.<br /> <br /> Abstract - The traditional method of data analysis has not met the<br /> requirements of modern grid development. Since 2012, a number<br /> of researches into big data in smart grids have been conducted<br /> with initial advantageous results. This article analyzes and applies<br /> big data in the smart grids including basic concepts, data sources<br /> in the power system, characteristics and assessment of big data<br /> studies. In addition, the overall architecture and related techniques<br /> of big data in the smart grids are demonstrated. The last section of<br /> the article presents a model for applying the big data technology in<br /> a distribution grid with the diagnosis of equipment operation status,<br /> evaluating electricity lines, analyzing customers’ characteristics<br /> and behavior as well as forecasting supplementary load.<br /> <br /> Từ khóa - dữ liệu lớn; dữ liệu lớn lưới điện thông minh; lưới điện<br /> phân phối; lưới điện thông minh; kĩ thuật dữ liệu lớn.<br /> <br /> Key words - big data; big data in a smart grid; distribution grid;<br /> smart grid; big data technology.<br /> <br /> 1. Giới thiệu<br /> Thuật ngữ ‘dữ liệu lớn’ (Big Data) năm 2008, được tạp<br /> chí Nature xuất bản năm 2008 với chuyên đề cùng tên. Năm<br /> 2012, tổng thống Mỹ công bố sẽ đầu tư 2 tỉ USD để khởi<br /> động "Kế hoạch nghiên cứu và phát triển dữ liệu lớn", tạo ra<br /> sự bùng nổ về nghiên cứu dữ liệu lớn trên toàn thế giới. Hiện<br /> nay, chưa có định nghĩa thống nhất về dữ liệu lớn, mặc dù<br /> đã có một số đồng thuận trong ngành. Trong định nghĩa của<br /> dữ liệu lớn, một định nghĩa tương đối có tính đại diện là định<br /> nghĩa 3V, tức là tính quy mô (Volume), đa dạng (Variety)<br /> và tốc độ cao (Velocity) [1-3]. Ngoài ra, Công ty Dữ liệu<br /> Quốc tế (International Data Corporation, IDC) cho rằng dữ<br /> liệu lớn nên có tính giá trị (Value); phía IBM cho rằng dữ<br /> liệu lớn là tính chân thực (Veracity) [4]. Chính những đặc<br /> điểm này của dữ liệu lớn quyết định bắt buộc phải nâng cấp<br /> có tính cách mạng trong kĩ thuật xử lý dữ liệu hiện đại.<br /> Đặc điểm chung của hệ thống điện là sự phân bố vị trí<br /> địa lí rộng lớn, phát và tiêu dùng cân bằng với thời gian<br /> thực, tốc độ truyền dẫn nhanh, vận hành thời gian thực, tốc<br /> độ lan rộng sự cố tức thời, v.v. Những đặc điểm trên dẫn<br /> đến, khi vận hành hệ thống điện sẽ sản sinh ra số lượng dữ<br /> liệu cực lớn, tốc độ tăng cực nhanh, chủng loại phong phú,<br /> hoàn toàn phù hợp với tất cả các đặc trưng của dữ liệu lớn<br /> và là một dữ liệu lớn điển hình.<br /> Trong tiến trình xây dựng lưới điện thông minh, là quá<br /> trình số hóa hệ thống điện, thông tin hóa và thông minh<br /> hóa, v.v. sẽ mang lại nhiều hơn nguồn dữ liệu. Ví dụ như,<br /> đồng hồ thông minh thu thập dữ liệu từ hàng trăm triệu ngôi<br /> nhà và doanh nghiệp; hệ thống giám sát trạng thái thiết bị<br /> điện thu được số liệu giám sát từ trăm nghìn các thiết bị.<br /> Trong phát triển và vận hành các nguồn năng lượng tái tạo<br /> cần lượng lớn số liệu lịch sử vận hành, số liệu quan trắc khí<br /> tượng, v.v. Vì vậy, trong xu thế mới tăng trưởng một cách<br /> bùng nổ dữ liệu hệ thống điện, thì kĩ thuật xử lý dữ liệu<br /> <br /> truyền thống gặp phải ‘tắc nghẽn’, không thể đáp ứng được<br /> yêu cầu, cần phải ứng dụng kĩ thuật xử lý dữ liệu lớn trong<br /> ngành điện.<br /> 2. Dữ liệu lớn trong lưới điện thông minh<br /> 2.1. Nguồn gốc và đặc điểm dữ liệu lớn trong lưới điện<br /> thông minh<br /> Nguồn dữ liệu trong hệ thống điện gồm 2 loại: từ nội bộ<br /> lưới điện và dữ liệu ngoài. Dữ liệu nội bộ lưới điện là: hệ<br /> thống thu thập thông tin khách hàng (collection system<br /> information, CIS); hệ thống tiếp thị; hệ thống giám sát diện<br /> rộng (wide area measurement system, WAMS); hệ thống<br /> quản lý lưới điện phân phối; hệ thống quản lý sản xuất<br /> (production management system, PMS); hệ thống quản lý<br /> năng lượng (energy management system, EMS); hệ thống<br /> kiểm tra và giám sát thiết bị; hệ thống phục vụ khách hàng;<br /> hệ thống quản lý tài chính, v.v. Dữ liệu đến từ ngoài lưới<br /> điện là hệ thống quản lý xạc điện xe hơi; hệ thống thông tin<br /> khí tượng; hệ thống thông tin địa lí (geographic information<br /> system, GIS); dịch vụ công cộng, internet, v.v. Những dữ<br /> liệu này có đặc điểm nằm rải rác phân tán ở những nơi khác<br /> nhau và được quản lý bởi các đơn vị khác nhau.<br /> Quan hệ giữa các dữ liệu trên là mối quan hệ phức tạp,<br /> không hoàn toàn độc lập mà tương hỗ lẫn nhau, ảnh hưởng<br /> nhau. Kết cấu của dữ liệu phức tạp gồm nhiều loại khác<br /> nhau. Ngoài cấu trúc truyền thống còn có lượng lớn dạng<br /> bán cấu trúc, không cấu trúc, như dữ liệu thoại về hệ thống<br /> dịch vụ, dạng sóng của các dữ liệu đo lường kiểm tra, v.v.<br /> Tần suất lấy mẫu và vòng đời của dữ liệu cũng khác nhau,<br /> có thể từ ms đến phút, thậm chí đến năm [5].<br /> Tổng hợp miêu tả về dữ liệu lớn, có thể đưa ra các đặc<br /> điểm dữ liệu lớn lưới điện thông minh: 1) Nguồn gốc từ các<br /> nguồn quản lý phân tán; 2) Lượng dữ liệu lớn, nhiều thứ<br /> nguyên, nhiều loại hình; 3) Có giá trị lớn cho kinh tế xã hội<br /> <br /> ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 11(132).2018, QUYỂN 1<br /> <br /> nói chung và công ty điện lực, khách hàng; 4) Tồn tại quan<br /> hệ phức tạp giữa các dữ liệu mà cần phải phân tích, một lượng<br /> lớn dữ liệu yêu cầu với thời gian thực. Ví dụ, Công ty Điện<br /> lực Thái Bình Dương (Mỹ) mỗi tháng dữ liệu từ 9 triệu đồng<br /> hồ điện của khách hàng đạt tới 3TB; Hệ thống SCADA từ<br /> một lưới điện có 100000 điểm, với chu kì 4s thì mỗi năm sản<br /> sinh là 1,03TB; Với PMU, tần suất lấy mẫu 0,01s (số lượng<br /> 100000 điểm) thì mỗi năm lượng dữ liệu là 495TB [5], vì vậy<br /> trong hệ thống điện với nhiều hệ thống cần thu thập và xử lý<br /> thì lượng dữ liệu có thể lên đến cấp PB và EB.<br /> 2.2. Tình hình nghiên cứu trong và ngoài nước<br /> Từ năm 2012, các viện nghiên cứu, trường đại học,<br /> doanh nghiệp IT, công ty điện lực đã bắt đầu nghiên cứu và<br /> ứng dụng dữ liệu lớn lưới điện thông minh. Công ty IBM,<br /> Oracle phát hành sách trắng dữ liệu lớn, IBM và C3-Energy<br /> phát triển một hệ thống phân tích dữ liệu lớn cho lưới điện<br /> thông minh [6]. Các viện nghiên cứu của Mỹ đưa ra các dự<br /> án nghiên cứu dữ liệu lớn, các công ty điện lực như Pacific<br /> Gas Power tại Mỹ và BC Hydro ở Canada tiến hành nghiên<br /> cứu về ứng dụng kĩ thuật dữ liệu lớn dựa trên dữ liệu người<br /> dùng. Tại Trung Quốc, Hội nghị Công trình Cơ điện đã công<br /> bố sách trắng về dữ liệu lớn, Tập đoàn Điện lực Trung Quốc<br /> và Bộ Khoa học Công nghệ đã ban hành nhiều dự án nghiên<br /> cứu về dữ liệu lớn lưới điện thông minh từ năm 2012 [7]. Tại<br /> Việt Nam, cũng đã có nhiều hội thảo, báo cáo đề cập đến dữ<br /> liệu lớn trong cuộc cách mạng công nghiệp 4.0, trên các tạp<br /> chí chuyên ngành nhưng chưa thấy các bài viết chuyên sâu<br /> về dữ liệu lớn trong lưới điện thông minh. Nghiên cứu và<br /> ứng dụng dữ liệu lớn lưới điện thông minh cũng đã đạt được<br /> nhiều thành quả, tuy nhiên nhìn chung kết quả nghiên cứu<br /> còn tương đối thô và chưa có hệ thống, nghiên cứu và ứng<br /> dụng vẫn còn ở giai đoạn đầu và thăm dò.<br /> 2.3 Kiến trúc tổng thể nền tảng dữ liệu lớn lưới điện<br /> thông minh<br /> Kiến trúc tổng thể nền tảng dữ liệu lớn trong ngành điện<br /> được thể hiện như Hình 1.<br /> Kho dữ liệu<br /> <br /> Ứng dụng kinh doanh công ty<br /> điện lực (Quety, Analytics,<br /> Reportion, Statistics)<br /> Tầng điều hành dữ liệu lớn<br /> <br /> 69<br /> <br /> thương mại, kho dữ liệu truyền thống, khung truy cập, khung<br /> điều phối dữ liệu lớn, lớp mạng, hệ điều hành, máy chủ, sao<br /> lưu và phục hồi, mô-đun quản lý dữ liệu.<br /> Khung lưu trữ và khung xử lý dữ liệu lớn thường được<br /> xây dựng trên một máy chủ, hệ điều hành hoặc máy ảo, để<br /> phần cứng cần thiết của cấu trúc này có đặc điểm chi phí<br /> thấp và khả năng mở rộng cao. Trên khung lưu trữ và khung<br /> xử lý là khung truy cập dữ liệu được kết nối thông qua lớp<br /> mạng, khung truy cập bao gồm ngôn ngữ lập trình song<br /> song Pig, công cụ lưu trữ dữ liệu Hive và mô-đun công cụ<br /> phân phối dữ liệu nguồn như Sqoop.<br /> Khung điều phối bao gồm các mô-đun như: kho dữ liệu<br /> dạng Hbase, định dạng trình tự dữ liệu và công cụ truyền<br /> dẫn Avro, hệ thống thu thập nhật ký Flume, cài đặt khóa<br /> dạng phân phối ZooKeeper, v.v. Khung điều phối thực hiện<br /> việc tổ chức, điều phối và cung cấp các điều kiện cần thiết<br /> cho việc phân tích dữ liệu. Phía trên khung điều phối dữ<br /> liệu lớn là một hệ thống ứng dụng thương mại thông minh<br /> cấp doanh nghiệp có thể thực hiện các ứng dụng nâng cao<br /> như tìm kiếm, phân tích, thống kê và báo cáo [8].<br /> Truyền số liệu trong HTĐ: phát, truyền tải, phân phối, tiêu<br /> dùng và vận hành<br /> Hệ thống điều<br /> khiển phụ tải<br /> <br /> …<br /> <br /> Hệ thống<br /> SCADA<br /> <br /> …<br /> <br /> Hệ thống<br /> MIS<br /> <br /> …<br /> <br /> Hệ thống đo<br /> đếm điện năng …<br /> (TMRS)<br /> <br /> Hệ thống dự báo<br /> công suất của<br /> phát NL tái tạo<br /> Hệ thống giám<br /> sát thiết bị<br /> <br /> Ứng dụng kinh doanh của công ty điện lực<br /> Hệ thống xử lí<br /> dữ liệu lớn<br /> Hệ thống lưu<br /> trữ dữ liệu lớn<br /> Hệ thống thực<br /> thi và phục vụ<br /> <br /> Hệ thống điều phối<br /> dữ liệu lớn<br /> <br /> Kho dữ<br /> liệu lịch sử<br /> <br /> Kiến trúc tổng thể<br /> nền tảng kết nối hệ<br /> thống dữ liệu lớn<br /> <br /> Hình 2. Mô tả sự kết nối của kiến trúc dữ liệu lớn<br /> và luồng dữ liệu của hệ thống điện<br /> <br /> Hình 1. Kiến trúc tổng thể nền tảng dữ liệu lớn<br /> trong hệ thống điện<br /> <br /> Hệ thống điện là một hệ thống phức tạp, mức phi tuyến<br /> tính cao, dữ liệu nội bộ của nó bao gồm các nguồn dữ liệu<br /> khác nhau như: dòng công suất, thông tin, dịch vụ, sự cố<br /> và khí tượng. Hình 2, mô tả các điểm có thể kết hợp giữa<br /> ứng dụng thương mại của doanh nghiệp điện và dữ liệu nội<br /> bộ của hệ thống điện trên nền tảng tổng thể của hệ thống<br /> điện, bao gồm: phát, truyền tải, biến đổi, phân phối, người<br /> dùng và điều độ vận hành, trong hệ thống điều khiển phụ<br /> tải, quản lý thông tin (management information system,<br /> MIS), hệ thống thu thập dữ liệu và điều khiển giám sát<br /> (supervisory control and data acquisition, SCADA), hệ<br /> thống đo đếm, hệ thống dự báo công suất năng lượng gió,<br /> mặt trời, hệ thống giám sát trực tuyến thiết bị điện, v.v.<br /> <br /> Kiến trúc có tính phổ quát và phù hợp với quy hoạch dữ<br /> liệu lớn của công ty điện lực, sử dụng hệ thống xử lý tệp<br /> phân tán (Hadoop distributed file system, HDFS) làm khung<br /> lưu trữ dữ liệu lớn, kĩ thuật tính toán MapReduce làm khung<br /> xử lý dữ liệu lớn, với phương pháp như vậy việc lưu trữ và<br /> tìm kiếm dữ liệu PB và EB trở nên khả thi [8]. Ngoài ra,<br /> trong khung này còn bao gồm các ứng dụng thông minh<br /> <br /> 3. Các kĩ thuật dữ liệu lớn trong lưới điện thông minh<br /> 3.1. Kĩ thuật tập hợp quản lý dữ liệu lớn<br /> Kĩ thuật tập hợp và quản lý dữ liệu ngành điện là quá<br /> trình kết hợp từ hai hoặc nhiều hệ thống dữ liệu ứng dụng<br /> để tạo ra một ứng dụng với nhiều chức năng hơn. Bao gồm<br /> kĩ thuật kho dữ liệu dạng quan hệ và phi quan hệ, kĩ thuật<br /> <br /> Dữ liệu lớn<br /> (Connectors) Hbase Avro Flume<br /> Tầng truy cập dữ liệu lớn<br /> <br /> Zoo<br /> Keeper<br /> <br /> Hỏi Tính Quản<br /> &<br /> an lý<br /> trả toàn dữ<br /> Lớp mạng<br /> liệu<br /> Tầng lưu trữ dữ liệu Tầng xử lý dữ liệu lời<br /> (HDFS)<br /> (MapReduce)<br /> Hệ điều hành<br /> (Hypervisor/ VMs)<br /> Máy chủ<br /> Pig<br /> <br /> Hive<br /> <br /> L<br /> <br /> Sqoop<br /> <br /> 70<br /> <br /> tích hợp dữ liệu và dung hòa, kĩ thuật tách dữ liệu, kĩ thuật<br /> lọc và làm sạch dữ liệu, v.v [7]. Để xử lý dữ liệu lớn, trước<br /> tiên phải trích xuất và tích hợp dữ liệu từ nguồn dữ liệu, từ<br /> đó khai thác các thực thể và các quan hệ, đến công đoạn<br /> kết hợp, một cấu trúc thống nhất được sử dụng để lưu trữ<br /> các dữ liệu này, và tiến hành làm sạch dữ liệu trong quá<br /> trình tích hợp, trích xuất dữ liệu để đảm bảo chất lượng và<br /> độ tin cậy của dữ liệu [4].<br /> Một công nghệ quan trọng trong quản lý lưu trữ dữ liệu<br /> là kĩ thuật kho dữ liệu NoSQL, nó sử dụng phương thức<br /> lưu trữ dữ liệu dạng phân tán. Lưu trữ dữ liệu được đơn<br /> giản hóa và linh hoạt hơn, có khả năng mở rộng tốt và giải<br /> quyết vấn đề khó của lưu trữ dữ liệu lớn, ví dụ như<br /> BigTable của Google, Dynamo của Amazon, v.v.<br /> 3.2. Kĩ thuật phân tích dữ liệu lớn trong lưới điện thông minh<br /> Các kĩ thuật chủ chốt được sử dụng để phân tích dữ liệu<br /> lớn như thống kê và khoa học máy tính, bao gồm phân tích<br /> tương quan, học máy, mạng nơron, thuật toán di truyền và<br /> nhiều phương pháp khác [9]. Phương pháp phân tích tương<br /> quan là cốt lõi của dữ liệu lớn, phân tích tất cả dữ liệu, thông<br /> qua việc tìm mối tương quan của hiện tượng tốt, có thể nắm<br /> bắt hiện tại và dự đoán tương lai. Phương pháp tính toán đơn<br /> giản, hiệu quả, kết quả nhanh, chính xác và ít bị ảnh hưởng.<br /> Các thuật toán khai thác dữ liệu và học máy trong môi<br /> trường dữ liệu lớn có thể được bắt đầu từ ba phương diện:<br /> 1) Từ quản trị, lấy mẫu và lựa chọn đặc trưng của dữ liệu<br /> lớn [10]; 2) Phát triển nghiên cứu các thuật toán phân cụm<br /> và phân loại cho các dữ liệu lớn. v.v. [11]; 3) Phát triển các<br /> thuật toán song song, ứng dụng khai thác kiến thức của dữ<br /> liệu lớn, như học máy và khai thác kiến thức dựa trên<br /> MapReduce [12].<br /> 3.3. Kĩ thuật xử lý dữ liệu trong lưới điện thông minh<br /> Các kĩ thuật xử lý dữ liệu của dữ liệu lớn ngành điện<br /> bao gồm kĩ thuật tính toán dạng phân tán, kĩ thuật tính toán<br /> trong bộ nhớ và kĩ thuật xử lý luồng. Tính toán dạng phân<br /> tán là một phương thức tính toán mới, đòi hỏi sức mạnh<br /> tính toán vào nhiều phần nhỏ, phân phối cho nhiều máy<br /> tính và tổng hợp thành kết quả cuối cùng. Một đại diện điển<br /> hình của tính toán dạng phân tán là mô hình lập trình<br /> MapReduce được Google đề xuất.<br /> Kĩ thuật tính toán trong bộ nhớ là giải quyết vấn đề đọc<br /> dữ liệu hiệu quả và xử lý các phép tính trực tuyến, đưa tất<br /> cả dữ liệu vào lớp bên trong. Kĩ thuật này khắc phục được<br /> hao tổn số lượng lớn thời gian đọc và ghi vào đĩa, tốc độ<br /> tính toán đã tăng lên đáng kể đến vài cấp số lượng. EMC,<br /> Oracle và SAT đều đã giới thiệu các giải pháp cho tính toán<br /> trong bộ nhớ, giảm đơn vị tính thời gian, giải quyết các vấn<br /> đề về phân tích thời gian thực.<br /> Mô hình xử lý luồng là tổ hợp dữ liệu liên tục thành luồng,<br /> khi dữ liệu mới đến thì lập tức xử lý và phản hồi kết quả. Phân<br /> tích dữ liệu mới nhất nhanh nhất có thể và đưa ra kết quả, từ<br /> đó cung cấp căn cứ ngay lập tức cho người ra quyết định và<br /> đáp ứng yêu cầu phân tích với thời gian thực [13].<br /> 3.4. Kĩ thuật hiển thị dữ liệu lớn ngành điện<br /> Kĩ thuật hiển thị dữ liệu lớn ngành điện bao gồm trực<br /> quan hóa, hiển thị luồng thông tin không gian, luồng lịch<br /> sử, v.v [7]. Hiển thị dữ liệu có thể giúp người quản lý trực<br /> <br /> Lê Xuân Sanh<br /> <br /> quan hơn, hiểu chính xác hơn ý nghĩa của biểu hiện dữ liệu,<br /> trạng thái vận hành của hệ thống điện.<br /> Kĩ thuật trực quan hóa được sử dụng rộng rãi trong việc<br /> giám sát thời gian thực trạng thái lưới điện, nâng cao mức độ<br /> tự động hóa hệ thống điện. Kĩ thuật hiển thị luồng thông tin<br /> không gian được thể hiện trong sự kết hợp các tham số lưới<br /> điện và hệ thống thông tin địa lí đã có, bao gồm hiển thị ba<br /> chiều trạm biến áp, thực tế ảo và các công nghệ khác. Kết<br /> hợp chặt chẽ giữa quản lý thiết bị phân phối điện và hệ thống<br /> thông tin địa lí tạo điều kiện cho người quản lý lưới điện hiểu<br /> được tình hình thiết bị một cách trực quan, từ đó cung cấp<br /> thông tin địa lí mới nhất cho các quyết định của họ.<br /> Kĩ thuật hiển thị lưu lượng lịch sử được thể hiện trong<br /> việc quản lý và hiển thị dữ liệu lịch sử của lưới điện. Trong<br /> các hệ thống điện, phân tích ứng dụng chuyên sâu thường<br /> dựa trên cơ sở dữ liệu lịch sử. Từ đó, có thể vẽ ra xu hướng<br /> phát triển và dự đoán tương lai; mô phỏng sự phát sinh, diễn<br /> biến và khai thác kiến thức, luật tiềm ẩn của các sự kiện.<br /> 4. Ứng dụng kĩ thuật dữ liệu lớn trong lưới điện phân<br /> phối thông minh<br /> Tác giả dựa vào các đặc trưng và mục tiêu chung khi<br /> xây dựng lưới điện phân phối thông minh, kết hợp tham<br /> khảo kết quả nghiên cứu của các học giả và chuyên gia,<br /> trong phần này tiến hành nghiên cứu các mô hình dữ liệu<br /> lớn ứng dụng trong lưới điện phân phối thông minh.<br /> 4.1. Chẩn đoán trạng thái hoạt động trong lưới điện phân<br /> phối<br /> Để đánh giá mức độ hoạt động của lưới điện phân phối<br /> đưa ra 5 chỉ tiêu lớn cần chẩn đoán và đánh giá mức độ<br /> mạnh mẽ trong hệ thống, như Bảng 1.<br /> Bảng 1. Sơ đồ cấu trúc chẩn đoán trạng thái hoạt động của<br /> lưới điện phân phối<br /> Mức<br /> độ kết<br /> cấu<br /> của<br /> lưới<br /> Đánh<br /> giá<br /> dữ<br /> liệu Độ tin<br /> lớn<br /> cậy<br /> trạng cấp<br /> thái<br /> điện<br /> vận<br /> hành<br /> lưới<br /> điện<br /> phân<br /> phối Tính<br /> tối ưu<br /> chất<br /> lượng<br /> điện<br /> năng<br /> <br /> Tỉ lệ liên lạc giữa các đường dây<br /> Mức độ<br /> kết cấu Tỉ lệ liên lạc giữa các phân đoạn<br /> của lưới Hệ số phân đoạn bình quân<br /> Mức dự Tỉ lệ các TBA chỉ một dây cấp<br /> phòng Tỉ lệ các TBA chỉ có 1 MBA<br /> Tỉ lệ thông qua TBA chính “N-1”<br /> Mức độ<br /> cung cấp Tỉ lệ thông qua đường dây “N-1”<br /> điện phụ Tỉ lệ thông qua TBA chính “N-2”<br /> tải<br /> Tỉ lệ thông qua đường dây “N-2”<br /> Tỉ lệ lắp đặt thiết bị tự đóng lại<br /> Năng lực<br /> tự hồi Tỉ lệ lắp đặt nguồn cấp điện liên tục<br /> phục khi Tỉ lệ trang bị nguồn dự phòng (nguồn<br /> sự cố phân tán) cho khách hàng<br /> Chất<br /> lượng ổn<br /> định<br /> động<br /> <br /> Tỉ lệ lắp đặt thiết bị tự động điều chỉnh<br /> điện áp VQC<br /> Tỉ lệ lắp đặt thiết bị bù công suất phản<br /> kháng SVC<br /> <br /> Tỉ lệ lắp đặt thiết bị hồi phục ổn định<br /> Chất điện áp động<br /> lượng ổn<br /> định tĩnh Tỉ lệ lắp đặt thiết bị hạn chế dòng sự cố<br /> các tuyến dây<br /> <br /> ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 11(132).2018, QUYỂN 1<br /> <br /> Dung<br /> Tính<br /> lượng<br /> hiệu<br /> quả Mức độ<br /> kinh quản lý<br /> doanh vận hành<br /> <br /> Tỉ lệ mang tải của TBA<br /> <br /> Năng lực<br /> ‘giao<br /> Tính<br /> tiếp’<br /> với<br /> tương<br /> tác của khách<br /> hàng<br /> lưới<br /> điện Đáp ứng<br /> nhu cầu<br /> <br /> Tỉ lệ lắp đặt đồng hồ thông minh<br /> <br /> của mỗi thông số thu được bằng cách kết hợp thời gian<br /> đánh giá và phần đánh giá. Cuối cùng, theo điểm số của<br /> mỗi thông số, các phân cụm thiết bị, các cột và các giá trị<br /> điểm tổng thể được tính tuần tự. Phương pháp đánh giá này<br /> kết hợp thời gian và không gian ba chiều, phù hợp với tính<br /> đa chiều của dữ liệu lớn và kết quả đánh giá gần với trạng<br /> thái thực của đường dây truyền tải [15].<br /> 4.3. Dự báo phụ tải<br /> Dự báo phụ tải là điều kiện tiên quyết cho việc vận hành<br /> hệ thống điện, giám sát điều khiển dưới thời gian thực, lập<br /> kế hoạch hoạt động và phát triển, đó là một thông tin cơ<br /> bản mà bộ phận vận hành và lập quy hoạch lưới điện phải<br /> có. Mô hình dữ liệu lớn cho dự báo phụ tải như Hình 4.<br /> <br /> Tỉ lệ mang tải của đường dây<br /> Tỉ lệ tự động hóa TBA<br /> Tỉ lệ các tuyến dây hoàn chỉnh (tốt)<br /> Tỉ lệ các thiết bị chính tốt<br /> Tỉ lệ lắp đặt hệ thống thu thập thông tin<br /> khách hàng<br /> Tỉ lệ lắp đặt hệ thống phục vụ khách hàng<br /> Tỉ lệ điều khiển phụ tải<br /> Tỉ lệ áp giá theo thời gian thực<br /> <br /> Một trong những ưu điểm của dữ liệu lớn là thống kê<br /> thông tin toàn diện, đánh giá từ nhiều quan điểm [14]. Ví<br /> dụ, độ tin cậy cấp điện có thể đánh giá gồm: các chỉ tiêu<br /> được lấy ra từ sơ đồ cấu trúc, từ xác suất sự cố, hay các chỉ<br /> tiêu về chất lượng điện áp để đánh giá.<br /> 4.2. Đánh giá các đường dây cấp điện<br /> <br /> Tầng<br /> ứng<br /> dụng<br /> <br /> Dây<br /> nối<br /> đất<br /> <br /> Mô hình dự báo<br /> dài/trung/ngắn/rất ngắn<br /> <br /> Thời gian đánh<br /> giá thiết bị<br /> <br /> Ghép và tích hợp dữ liệu<br /> <br /> Thiết Thiết Môi<br /> bị nối bị phụ trường<br /> đất<br /> trợ<br /> kênh<br /> <br /> Đánh giá các<br /> thông số<br /> <br /> Hình 4. Mô hình dữ liệu lớn cho dự báo phụ tải<br /> <br /> Hình 3. Đánh giá đa chiều trạng thái đường dây cấp điện<br /> <br /> Một phương pháp đánh giá đa chiều đường dây truyền<br /> tải trong lưới trung áp như Hình 3. Trước tiên thiết lập một<br /> mô hình nhiều lớp để đánh giá các thiết bị, các phân đoạn<br /> đặc biệt trong một giai đoạn. Phương pháp khấu trừ tích<br /> lũy được sử dụng để đánh giá các tham số cơ bản, điểm số<br /> Dự báo phát<br /> triển kinh tế<br /> <br /> Hiểu hành<br /> vi sử dụng<br /> điện<br /> <br /> phân tích nhân tố ảnh hưởng<br /> hành vi của khách hàng<br /> <br /> Nhận biết<br /> các mô<br /> hình dùng<br /> điện<br /> <br /> Phụ<br /> tải<br /> điện<br /> <br /> Phân tích<br /> đặc trưng<br /> hành vi<br /> dùng điện<br /> Tập hợp<br /> dữ liệu<br /> <br /> Hóa<br /> đơn<br /> điện<br /> <br /> Phân tích tỉ lệ trống<br /> các khu dân cư<br /> <br /> Thông<br /> tin<br /> phí<br /> <br /> Hỗ trợ quyết<br /> định giá điện<br /> <br /> Đánh giá tín dụng<br /> của khách hàng<br /> <br /> phân tích cường độ ảnh hưởng<br /> hành vi của khách hàng<br /> <br /> Thông<br /> tin khách<br /> hàng<br /> <br /> Phân tích đặc điểm, hành vi<br /> tiêu thụ điện của khách hàng<br /> dân sinh<br /> <br /> Thu thập dữ<br /> liệu người<br /> dùng<br /> <br /> Dữ<br /> liệu<br /> ngày<br /> nghỉ<br /> <br /> tích hợp dữ liệu tiêu<br /> thụ điện năng, kinh<br /> tế xã hội và các dữ<br /> liệu nội bộ lưới điện<br /> đưa ra dữ liệu cơ bản<br /> về dự báo phụ tải<br /> <br /> 4.4. Phân tích đặc điểm và hành vi của khách hàng<br /> Thực hiện hợp nhất và lưu trữ dữ liệu đa nguồn như dữ<br /> liệu tiêu thụ điện, dịch vụ khách hàng, dân số, v.v. (Hình 5).<br /> Các mô hình thu được dùng cho việc dự báo xu hướng phát<br /> triển kinh tế, phân tích tỉ lệ cư trú, hỗ trợ quyết định giá điện<br /> và đánh giá nhu cầu người dùng. Những dữ liệu này có khối<br /> lượng lớn, từ nhiều nguồn và nhiều định dạng khác nhau.<br /> Việc tích hợp và phân tích các dữ liệu này cần phải sử dụng<br /> các kĩ thuật dữ liệu lớn [16,17].<br /> <br /> Vị trí không gian<br /> thiết bị<br /> <br /> Ứng dụng<br /> tổng hợp<br /> <br /> Dữ<br /> Dữ<br /> Dữ Dữ liệu<br /> liệu<br /> liệu<br /> liệu<br /> nhân<br /> vận khách khí khẩu và<br /> hành hàng tượng kinh tế<br /> địa lí<br /> <br /> ứng dụng kết quả dự<br /> báo phụ tải vào điều<br /> độ và quy hoạch lưới<br /> điện phân phối<br /> phân tích các mối<br /> quan hệ và yếu tố<br /> nhạy cảm ảnh hưởng<br /> đến phụ tải, thông<br /> qua mô hình dự báo<br /> và xử lí số liệu tiến<br /> hành dự báo các loại<br /> phụ tải.<br /> <br /> Phân tích các yếu tố nhay<br /> cảm<br /> <br /> Tầng<br /> tích<br /> hợp<br /> dữ<br /> liệu<br /> <br /> Vật<br /> liệu<br /> dẫn<br /> điện<br /> <br /> Cách<br /> điện<br /> <br /> Kế<br /> hoạch<br /> đại tu<br /> <br /> Xử lí tính toán<br /> <br /> Đánh giá vị trí cột<br /> <br /> Móng Thân<br /> cột<br /> cột<br /> <br /> Kế hoạch<br /> tiết kiệm<br /> năng<br /> lượng<br /> <br /> Kết quả dự báo<br /> <br /> Cột N<br /> <br /> Cột 2<br /> <br /> Quy<br /> hoạch<br /> lưới<br /> điện<br /> <br /> Kế<br /> hoạch<br /> vận<br /> hành<br /> <br /> Tầng<br /> phân<br /> tích<br /> dự<br /> báo<br /> <br /> Đánh giá hệ thống đường dây truyền tải<br /> <br /> Cột 1<br /> <br /> 71<br /> <br /> Dữ liệu<br /> ngành tiếp<br /> thị<br /> <br /> Cấu<br /> trúc<br /> lưới<br /> <br /> Chính<br /> sách giá<br /> điện<br /> <br /> ….<br /> <br /> Phân tích đặc điểm sử dụng<br /> điện của khách hàng thương<br /> mại<br /> Dữ liệu dịch<br /> vụ khách<br /> hàng<br /> <br /> Dữ liệu<br /> thông tin<br /> địa lý<br /> <br /> ….<br /> <br /> Xây dựng mô hình tương<br /> quan hành vi khách hàng<br /> <br /> Thông<br /> tin thời<br /> tiết<br /> <br /> Mô hình<br /> hành vi của<br /> khách hàng<br /> <br /> Phân tích đặc điểm sử dụng<br /> điện của khách hàng công<br /> nghiệp<br /> <br /> Dữ<br /> liệu dân<br /> số<br /> <br /> Dữ<br /> liệu thời<br /> tiết<br /> <br /> dung lượng lớn, đa nguồn, cấu trúc dữ liệu không đồng nhất, quản lý và tài chính.<br /> <br /> Hình 5. Phân tích tiêu thụ điện năng khách hàng dựa trên khai thác dữ liệu lớn<br /> <br /> 72<br /> <br /> Lê Xuân Sanh<br /> <br /> 5. Kết luận<br /> Trong lưới điện thông minh với số lượng lớn các dữ<br /> liệu đo lường, giám sát, thì phương pháp xử lý và khai thác<br /> giá trị của các dữ liệu là những vấn đề mà các công ty điện<br /> phải đối mặt. Ứng dụng kĩ thuật dữ liệu lớn không chỉ sử<br /> dụng được dữ liệu riêng của lưới điện mà còn tận dụng toàn<br /> bộ dữ liệu bên ngoài, làm tăng mức độ phát triển, vận hành<br /> lưới điện, nâng cao trình độ các công ty điện lực phục vụ<br /> xã hội, phục vụ người dùng và mở rộng các dịch vụ giá trị<br /> gia tăng. Bài báo đã trình bày những khái niệm và phân tích<br /> cơ bản về dữ liệu lớn, nền tảng kết cấu cơ bản, các kĩ thuật<br /> liên quan trong lưới điện thông minh. Đồng thời ứng dụng<br /> dữ liệu lớn trong lưới điện phân phối như chẩn đoán trạng<br /> thái hoạt động của lưới, dự báo phụ tải và hành vi tiêu thụ<br /> điện năng của khách hàng. Với những kết quả ban đầu, hi<br /> vọng nó có ý nghĩa lớn thu hút các kết quả nghiên cứu trong<br /> và ngoài nước để chia sẻ kiến thức và kinh nghiệm nhằm<br /> thúc đẩy nghiên cứu và ứng dụng lĩnh vực dữ liệu lớn lưới<br /> điện thông minh.<br /> Nghiên cứu và ứng dụng kĩ thuật dữ liệu lớn trong lưới<br /> điện thông minh là một lĩnh vực phức tạp đòi hỏi một quá<br /> trình phát triển lâu dài. Cần sự quan tâm của Chính phủ,<br /> tăng cường nguồn nhân lực và tài nguyên vật chất, thúc đẩy<br /> cải tiến công nghệ then chốt cho dữ liệu lớn. Cần xây dựng<br /> hệ thống tiêu chuẩn quốc tế thống nhất, mô hình và các kĩ<br /> thuật về dữ liệu lớn trong lưới điện thông minh. Khuyến<br /> khích các công ty điện lực xây dựng một kiến trúc dữ liệu<br /> lớn phù hợp với sự phát triển của công ty, sử dụng kĩ thuật<br /> dữ liệu lớn để tạo ra doanh thu cho công ty. Từng bước<br /> thâm nhập các kĩ thuật dữ liệu lớn vào mọi khía cạnh của<br /> lưới điện thông minh.<br /> TÀI LIỆU THAM KHẢO<br /> [1] Birney E. The making of Encode: lessons for big-data projects.<br /> Nature, 2012(489): 49-51Irving M R, Luan W P, Danial J S. Supply<br /> restoration in distribution networks using a genetic algorithm.<br /> Electrical Power and Energy Systems 2002, 10: 447-457.<br /> <br /> [2] UN Global Pulse. Big data for development: challenges & opportunities.(0511-2012) http://www.unglobalpulse.org/projects/Bigdata Development<br /> [3] Agrawal D, Bernstein P, Bertino E, et al. Challenges and opportunities<br /> with big data. http://www.cra.org/ccc/resources/ccc-ledwhite-papers<br /> [4] Meng Xiaofeng, Ci Xiang. Big data management: concepts,<br /> techniques and challenges. Journal of Computer Research and<br /> Development, 2013, 50(1): 146-169.<br /> [5] EPRI. The whys, whats and hows of managing data as an asset.<br /> USA: EPRI, 2014.<br /> [6] IBM. Managing big data for smart grids and smart meters. IBM<br /> Software White Paper. http://www.smartgridnews.com/artman/<br /> publish/Business_Strategy/Managing-big-data-for-smart-grids-andsmart-meters-5248.html.<br /> [7] Informatization Committee of the CSEE. White paper of electric<br /> power big data of China. Beijing: China Electric Power Press, 2013.<br /> [8] Zhao Gang. Big data technology and application practice. Beijing:<br /> Publishing House of Electronics Industry, 2013: 56-58.<br /> [9] McKinsey& Company. Big data: the next frontier for innovation,<br /> competition, and productivity. New York: McKinsey Global<br /> Institute, 2011: 1-28.<br /> [10] Wu Xindong, Zhu Xingquan, Wu Gongqing, et al. Data mining with<br /> big data. IEEE Transactions on Knowledge and Data Engineering,<br /> 2014, 26(1): 97-107.<br /> [11] Havens T C. Fuzzy c-means algorithms for very large data. IEEE<br /> Transactions on Fuzzy System, 2012, 20(6): 1130-1146.<br /> [12] Shim K. Algorithms for big data analysis. Proceedings of the VLDB<br /> Endowment, 2012, 5(12): 2016-2017.<br /> [13] Kong Yinghui. Study on data stream techniques and its application<br /> in electric power information processing. Heibei: North China<br /> Electric Power University, 2009.<br /> [14] Wang jiye, Ji Zhixiang, Shi Mengjie, et al. Intelligent equipped with<br /> TVU data demand analysis and application. Proceeding of the<br /> CSEE, 2015, 35(8): 1829⁃1836.<br /> [15] Hung Ronghui, Li Xun, LYU Qishen, et al. Research on the defect<br /> analysis of power equipment based on data mining. Electrical<br /> Application, 2015, 34(2): 46⁃50.<br /> [16] Hu Changhua. Based on user behavior analysis of peak load shifting<br /> management system research and design. Modern Computer<br /> (professional edition), 2014(21): 42⁃47.<br /> [17] Quilumba F L, Lee W J, Huang H, et al. Using smart meter data to<br /> improve the accuracy of intraday load forecasting considering<br /> customer behavior similarities. IEEE Transactions on Smart Grid,<br /> 2015, 6(2): 911⁃918.<br /> <br /> (BBT nhận bài: 20/8/2018, hoàn tất thủ tục phản biện: 05/9/2018)<br /> <br />