Xây dựng hệ thống phân loại tự động các kịch bản làm việc của tấm pin năng lượng mặt trời

Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0

XÂY DỰNG HỆ THỐNG PHÂN LOẠI TỰ ĐỘNG CÁC KỊCH BẢN
LÀM VIỆC CỦA TẤM PIN NĂNG LƯỢNG MẶT TRỜI
Lê Thị Hương
Trường Đại học Thủy lợi

1. GIỚI THIỆU CHUNG

Phát hiện và đánh giá lỗi chậm trễ có thể
dẫn đến phá hủy hệ thống năng lượng mặt
trời và các thiết bị bảo vệ của hệ thống điện.
Việc ra đời của học máy đã đóng góp quan
trọng trong việc phát hiện lỗi tự động. Từ các
kịch bản làm việc tấm pin PV của hệ thống
năng lượng mặt trời được phân tích ở [1], tác
giả sử dụng học máy để phân loại 3 kịch bản
làm việc dựa trên mạng nơron [2]: hệ thống
hoạt động bình thường, sự cố ngắn mạch,
hiện tượng partial shading.
Thuật ngữ: (1): Độ chính xác; (2): Độ phủ; (3):
Điểm F1;
Phương pháp đánh giá bài tốn phân loại:
 Độ chính xác: Tính tỉ lệ giữa số điểm
được dự đốn đúng và tổng số điểm trong tập
dữ liệu kiểm thử.
 Ma trận nhầm lẫn: Cách dựa vào độ
chính xác ở trên khơng chỉ ra được cụ thể
mỗi loại được phân loại như thế nào, lớp nào
được phân loại đúng nhiều nhất, và dữ liệu
thuộc lớp nào thường bị phân loại nhầm vào

các lớp khác. Ma trận nhầm lẫn thể hiện có
bao nhiêu điểm dữ liệu thực sự thuộc vào
một class, dự đoán điểm rơi vào một class.
 Precision(1), Recall(2), F1-score(3)
Bảng 1. Ma trận nhầm lẫn
Dự đốn
dương tính

Dự đốn
âm tính

Dương
tính

Dương tính
thật(TP)

Âm tính giả
(FN)

Âm tính

Âm tính giả(FP)

Âm tính thật
(TN)

Chỉ số Precision là tỉ lệ số điểm true
positive trong số những điểm được phân loại
là positive:

Precision =

TP
TP  FP

(1)

Chỉ số Recall là tỉ số điểm true positive
trong số điểm thực sự là positive:
Recall =

TP
TP  FN

(2)

Chỉ số F1-score là nhiễu trung bình
harmonic mean của precision và recall:
2
1
1


F1 precision recall

(3)

Precision cao đồng nghĩa với độ chính xác
của các điểm tìm được cao. Recall cao đồng
nghĩa với việc tỉ lệ dương tính thật cao.

F1_score có giá trị nằm trong nửa khoảng
(0, 1]. F1 càng cao, bộ phân lớp càng tốt.
2. PHƯƠNG PHÁP NGHIÊN CỨU

Hệ thống phân loại gồm 5 bước:
Xác định mơ hình: Lựa chọn mơ hình
thuật toán, lựa chọn cấu trúc mạng nơron, xác
định số lượng lớp ẩn trong mạng, số lượng
unit trong mỗi lớp và loại hàm kích hoạt.
Biên dịch mơ hình: Lựa chọn hàm mất
mát để tối ưu, lựa chọn learning rate.
Huẩn luyện mô hình: Lựa chọn số lượng
epoch, kích thước của batch.
Đánh giá kết quả: Ước lượng độ chính
xác, xây dựng learning curve, ma trận nhầm
lẫn, các hệ số F1, precision, recall…
Dự đoán: Dự đoán kết quả từ một đầu
vào mới.
Theo [1] sử dụng Matlab/Simulink để
tiến hành mô phỏng hệ thống với 3 kịch bản

273


Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0

làm việc: Bình thường, ngắn mạch, partial
shading. Thơng số mơ phỏng: Thời gian mơ
phỏng: 1s, thời gian trích mẫu: 5.e-5s. Điều
kiện mô phỏng: Cường độ ánh sáng thay đổi

từ 600W/m2 tới 1000 W/m2 với mỗi lần thay
đổi là 50W/m2, nhiệt độ thay đổi trong dải từ
20oC tới 40oC mỗ lần thay đổi 1oC, mỗi lần
mô phỏng nhiệt độ cố định và thay đổi cường
ánh sáng. Nguyên lý mô phỏng như Hình 1.
Chuẩn bị số liệu: Thu thập giá trị điện áp
và dịng điện tại điểm cơng suất cực đại nhờ
mơ phỏng 3 kịch bản của Hình 1, sau đó
chuẩn hóa về khoảng giá trị (0,1):
Vnorm 

I norm 

Vmpp
N s xVOC
I mpp

N p xI SC

Dữ liệu gồm có 567 giá trị được chia đều
vào 3 lớp, mỗi lớp có 189 giá trị.
Mạng neural được minh họa trên Hình 3
W (1)

Input

W (2)

Hidden 1 Hidden 2

W (3)

Output

Hình 3. Cấu trúc mạng nơron

(4)
(5)

Trong đó NS: số tấm pin mắc nối tiếp trong
1 string, Np: số string nối song song với nhau.

Chia dữ liệu: Chia dữ liệu 70% thành dữ
liệu dùng để huẩn luyện mơ hình và 30%
dùng để kiểm chứng
Cấu trúc mạng: Đầu vào: có 2 nút do dữ
liệu đầu vào là điện áp và dịng điện tại điểm
cơng suất cực đại. Lớp ẩn gồm 2 lớp ẩn, lớp
thứ nhất bao gồm 32 nút, lớp thứ 2 có 8 nút.
Đầu ra: bài tốn phân loại có 3 lớp do vậy
đầu ra có 3 nút.
Lựa chọn hàm kích hoạt: Lớp ẩn: hàm
Relu, Đầu ra là hàm softmax:
exp( zi )
(6)
ai 

, i  1,2,..., C

C

exp( z )
j

j 1

Hình 1. Mơ phỏng hệ thống năng lượng
mặt trời cho kịch bản làm việc
trong Matlab/ Simulink
Dữ liệu sau khi chuẩn hóa như Hình 2

Cần một mơ hình xác suất sao cho với mỗi
input x, ai thể hiện xác suất để input đó rơi
vào class i => Điều kiện cần là các ai phải
dương và tổng của chúng bằng 1 => Cần nhìn
mọi giá trị zi và dựa trên quan hệ giữa các zi
này để tính tốn giá trị của ai
Lựa chọn hàm tối ưu: Phương pháp tối ưu
ở đây sử dụng phương pháp Adam (learning
rate = 0.01) và hàm tối ưu categorical crossentropy.
Lựa chọn tham số để huẩn luyện mơ hình:
Số lượng epoch: 250; kích thước batch: 32
Chương trình viết bằng cơng cụ Keras
được phát hành bởi Google.
3. KẾT QUẢ NGHIÊN CỨU

Hình 2. Dữ liệu sau khi chuẩn hóa

Độ chính xác phân loại của mơ hình:
99,41%.

274


Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0

Hình 4. Đồ thị tổn hao
Từ hình vẽ rút ra một số nhận xét sau:
Cả tổn hao trong quá trình huẩn luyện
(train) và quá trình kiểm tra (test) đều giảm
đồng đều và cùng gần đạt giá trị 0.
Khơng có sự bất thường trong quá trình
biến thiên của tổn hao nên kết luận mơ hình
đã xây dựng là hợp lý, đạt u cầu, có độ
chính xác phân loại cao.
Các thơng số lựa chọn như số lượng
epoch, kích thước của batch và cấu trúc mạng
neural đều hợp lý, phù hợp với dữ liệu đã có.
Theo hình 5 chỉ có 1 điểm thuộc loại ổn
định bị phân loại nhầm thành shading. Theo
Bảng 3 Các chỉ số đánh giá F1 - score,
Precision and Recall đều cao - bằng hoặc gần
giá trị 1, chứng tỏ kết quả mơ hình phân
loại tốt.

Hình 6. Kết quả dự đốn cho 3 kịch bản
làm việc
4. KẾT LUẬN

Mơ hình sau khi huấn luyện có khả năng
dự đốn tốt, ứng dụng những kết quả của học

máy để xử lý các vấn đề ngành điện. Tuy
nhiên, mơ hình vẫn tồn tại một số nhược điểm:
Mơ hình chưa mang tính tổng quả, có nghĩa là
mơ hình chỉ hoạt động đúng với một hệ thống
PV nhất định, nếu muốn kiểm định ở hệ thống
khác thì cần phải xây dựng mơ hình lại từ đầu.
Mơ hình mới chỉ phân loại được lỗi chứ chưa
chỉ ra vị trí lỗi trong hệ thống.
5. TÀI LIỆU THAM KHẢO
[1]

Hình 5: Ma trận nhầm lẫn
Bảng 3: Các chỉ số đánh giá
F1 - score

Precision

Recall

Ngắn
mạch

1

1

1

Ổn định

0.991

1

0.983

Shading

0.992

0.984

1

Lê Thị Hương, 2017, “Nghiên cứu mơ hình
điều khiển cơng suất cực đại cho hệ thống
năng lượng mặt trời”, HNKHTN, Đại học
Thủy lợi, Hà Nội, Việt Nam.
[2] Y.Zhao,
2015,
“Fault
detection,
classification and protection in solar
photovoltaic
arrays”,
Northeastern
University Boston, Massachusetts.

275