Trang chủ Tin tức & sự kiện Tin khoa học & công nghệ
 

Sử dụng máy học phát hiện các bất thường trong đo ghi từ xa

Áp dụng thuật toán Classification and Regression Trees (CART) là phương pháp phân loại tự động các bất thường dựa vào các dữ liệu đo ghi từ xa của công tơ, giúp phát hiện kịp thời sự cố và tổn thất để khắc phục ngay, góp phần nhằm giảm chi phí phân phối điện, với kết quả ban đầu có độ chính xác (accuracy) xấp xỉ 84%. Kết quả này mở ra triển vọng cải tiến để có thể ứng dụng thử nghiệm vào phân tích dữ liệu đo đếm điện năng. Giúp phát hiện kịp thời những bất thường trong đo ghi từ xa, giảm thất thoát điện năng.

Đối với khách hàng có nhu cầu tiêu thụ điện cao và có trạm chuyên dùng. Dữ liệu của công tơ này được thu thập định kỳ 30 phút/ lần các chỉ số thông số vận hành như hiệu điện thế (U), công suất (P), cường độ dòng điện (I) ... Dựa vào dữ liệu thu thập được từ các công tơ điện tử để xây dựng mô hình có thể giúp phân loại tự động các bất thường trong quá trình sử dụng điện để: (1) Giảm chi phí phân phối điện; (2) Giảm sai sót trong quá trình phân loại.  

            Dữ liệu dùng để chạy mô hình là dữ liệu của bảng thông số vận hành bao gồm 18 biến độc lập tại Bảng 1 và có tất cả 1029 dòng. Ngoài ra, mỗi dòng dữ liệu còn có thông tin kết quả phân loại thực tế. Những dòng được phân loại bất thường và đã được kiểm tra hiện trường được gán giá trị nhãn là (1) và các dòng dữ liệu bình thường được gán giá trị nhãn là (0).

            Dữ liệu được chia ngẫu nhiên thành 2 phần 60% dùng làm dữ liệu huấn luyện và 40% dùng làm dữ liệu kiểm tra.

Khi áp dụng thuật toán Classification and Regression Trees (CART) thử nghiệm được cài đặt bằng ngôn ngữ Python và thư viện máy học sklearn. Bao gồm các bước cụ thể như sau:

Bước 1: Khai báo các thư viện được sử dụng
Bước 2: Đọc dữ liệu và đưa dữ liệu vào biến độc lập X và biến phụ thuộc y
            Bước 3: Tạo bộ dữ liệu huấn luyện và bộ dữ liệu kiểm tra
Bước 4: Huấn luyện dữ liệu và thực hiện dự báo với dữ liệu kiểm tra
            Bước 5: Hiển thị ma trận Confusion (Confusion matrix)
Kết quả  - Hình 1 Confusion Matrix
Bước 6: Tính các chỉ số: precision, recall, f1-score
Kết quả - Bảng 1 Classification report
Bước 7: Đánh giá phân lớp sử dụng phương pháp cross validation với số fold là 5. Độ chính xác trung bình được tính bằng cách tính trung bình trong 5 lần chạy:
Kết quả

Kết quả cho thấy:

Bằng cách tính accuracy trong 5 lần chạy với dữ liệu được phân chia tỷ lệ khác nhau ở Bước 7 ta có độ chính xác trung bình xấp xỉ 84% (+/-0.06%).

Phân tích confusion matrix (Hình 1):

Bằng cách phân chia dữ liệu huấn luyện và dữ liệu kiểm tra theo ty lệ 6/4, có một số kết quả sau:

Số trường hợp dự báo nhãn là 0 và có kết quả thực tế nhãn 0 là 250 trường hợp, có giá trị recall là 88% (250/ (250+35)), có độ chính xác (precision) là 91% (250/ (250+26)).

Số trường hợp dự báo nhãn là 1 và có kết quả thực tế nhãn 1 là 101 trường hợp, có giá trị recall là 80% (101/ (101+26)), có độ chính xác (precision) là 74% (101/ (101+35)).

Độ chính xác (precision) của mô hình xấp xỉ 84%.

Khi áp dụng thử nghiệp thuật toán máy tính này, kết quả đã đưa ra dự báo chính xác những bất thường kịp thời các sự cố cũng như ngăn chặn kịp thời tình trạng vi phạm sử dụng điện một cách tự động, giúp giảm chi phí phân phối điện.

Để cải tiến, hướng phát triển trong tương lai sẽ so sánh kết quả khi chạy một số mô hình như phân loại như Support Vector Machine (SVM), Random Forest, …Và áp dụng vào trong thực tế, tác giả tiến hành thêm thử nghiệm để đánh giá tầm ảnh hưởng của các biến độc lập như U, I, P, …, và trình tự đánh giá các biến độc lập dựa kinh nghiệm khi tiến hành đánh giá. Đây là một trong những giải pháp Tổng công ty Điện lực miền Nam đang nghiên cứu để đánh giá kết quả đo ghi từ xa một cách chính xác nhất./.

In      Trở về Nguyễn Minh Huấn – Ban CNTT EVN SPC
 
Các Tin khoa học & công nghệ đã đưa
   EVN SPC: Tiện ích từ ứng dụng khoa học công nghệ (10:38 - 05/07/2017)
   EVN SPC: Tiện ích từ ứng dụng khoa học công nghệ (08:28 - 04/07/2017)
   EVN SPC: đào tạo phần mềm quản lý cáp quang và kênh truyền (11:02 - 16/06/2017)
   Giải pháp giám sát và nâng cao chất lượng điện năng (14:02 - 06/06/2017)
   EVNSPC triển khai giám sát tiến độ công trình qua hình ảnh (14:34 - 16/05/2017)
   Điện về Chợ Nổi Cái Răng (15:33 - 14/04/2017)
   Giám sát an toàn từ xa bằng thiết bị thông minh (14:08 - 15/03/2017)
   Xây dựng phần mềm quản lý hoạt động công đoàn (07:47 - 01/03/2017)
   Ứng dụng công nghệ hiệu quả vào công tác dịch vụ khách hàng (09:28 - 10/02/2017)
   Áp dụng chữ ký điện tử (07:52 - 20/12/2016)
   EVN SPC: Ứng dụng phần mềm trong Quản lý Đầu tư xây dựng (14:54 - 03/11/2016)
   Nỗ lực hoàn thành chỉ tiêu tổn thất điện năng (10:54 - 05/10/2016)
   Sáng kiến bộ dao phát quang (15:04 - 04/10/2016)
   HiSat-25 - Thiết bị thử nghiệm chống sét nhỏ gọn, hiệu quả (14:59 - 19/09/2016)
   EVN SPC tăng cường an ninh mạng (14:04 - 01/08/2016)

Đầu trang