Mã số N1087: Ứng dụng trí tuệ nhân tạo (AI) giám sát, phát hiện sự cố bất thường máy phát điện gió và máy biến áp

Giải pháp ứng dụng AI theo dõi độ rung lắc, phát hiện sớm sự bất thường trong tuabin gió, giúp vận hành ổn định hệ thống năng lượng gió.

Bên cạnh nguồn năng lượng từ mặt trời thì năng lượng gió được kỳ vọng sẽ giúp Việt Nam bắt kịp tốc độ tăng trưởng nhanh chóng về nhu cầu điện trong cả ngắn hạn và dài hạn, với những ưu điểm như khả năng mở rộng cao, tính linh hoạt có thể dự đoán được, tác động thấp đến môi trường. Với bờ biển dài hơn 3000km và nhiều hải đảo với vận tốc gió thổi trung bình quanh năm từ 5m/s trở lên, Việt Nam có lợi thế rất lớn về gió.

Trong khai thác điện gió, người vận hành thường sử dụng bộ điều khiển Linear Quadratic Regulator (LQR) nhằm mục tiêu theo dõi chính xác tốc độ của máy phát điện. Trong quy trình này, nguồn dữ liệu đầu vào được cung cấp bởi một bộ quan sát (được sử dụng để thu thập thông tin về tất cả biến trạng thái của hệ thống), sau đó dữ liệu này được phản hồi lại cho bộ điều khiển LQR để đảm bảo điều khiển chính xác tốc độ của máy phát điện, từ đó tối thiểu hóa hàm mục tiêu liên quan đến công suất, tối ưu hóa tính toán công suất cho tuabin gió. Yêu cầu đặt ra khi sử dụng bộ điều khiển LQR là cần phân tích để đảm bảo tính ổn định của hệ thống tuabin gió sau khi tối ưu hóa, đảm bảo hiệu quả và độ tin cậy trong vận hành của tuabin gió.

Sự cố trong hệ thống bearing  của tuabin gió được phát biện bằng phương pháp phân tích dữ liệu và mô hình hóa hỏng hóc.  Tập trung xử lý dữ liệu rung động từ hệ thống bearing của tuabin gió, tính toán đặc trưng và chỉ số “sức khỏe”, sau đó sử dụng mô hình hóa hỏng hóc để dự đoán tuổi thọ còn lại và đánh giá xác suất ước tính của các kịch bản tuổi thọ còn lại khác nhau.

Để nâng cao độ chính xác trong quá thu thập, phân tích dữ liệu, đưa ra đánh giá về tình trạng của tuabin gió, Công ty TNHH MTV Năng lượng mặt trời Anh Minh Global đã giới thiệu giải pháp ứng dụng trí tuệ nhân tạo (AI) giám sát, phát hiện sự cố bất thường của máy phát điện gió và máy biến áp. Giải pháp sử dụng Deep Learning (mạng nơ-ron sâu) để phát hiện các sự bất thường (anomalies) trong dữ liệu chuỗi thời gian hoặc dữ liệu theo chuỗi. Các sự bất thường này có thể là các điểm dữ liệu bất thường đơn lẻ hoặc các khu vực bất thường trong chuỗi thời gian.

Cụ thể, đó là việc sử dụng Autoencoder để phát hiện sự bất thường trong tuabin gió. Autoencoder là một loại mô hình được huấn luyện để tái tạo dữ liệu đầu vào bằng cách biến đổi dữ liệu đầu vào vào không gian chiều thấp (bước mã hóa) và tái tạo lại dữ liệu đầu vào từ biểu diễn chiều thấp (bước giải mã). Mục tiêu của mô hình là tái tạo dữ liệu một cách tốt nhất có thể. Autoencoder không yêu cầu dữ liệu được gán nhãn. Autoencoder tự động theo dõi các thông số quan trọng như vận tốc, hiệu suất hoạt động, nhiệt độ của máy phát điện gió và máy biến áp. Khi phát hiện các dấu hiệu bất thường hoặc sự cố, hệ thống sẽ tự động đưa ra cảnh báo cho người vận hành và thực hiện các biện pháp khắc phục kịp thời đảm bảo an toàn và hiệu quả.

Để phát hiện sự bất thường, trước tiên cần huấn luyện Autoencoder bằng cách sử dụng dữ liệu đại diện cho dữ liệu bình thường (không chứa bất thường). Khi có mô hình Autoencoder đã được huấn luyện, người vận hành có thể đưa dữ liệu ghi nhận cần kiểm tra vào mô hình và đo lường sai số giữa dữ liệu ghi nhận ban đầu và dữ liệu tái tạo. Nếu sai số lớn giữa hai loại dữ liệu này, điều này cho thấy rằng dữ liệu ghi nhận ban đầu chứa các đặc điểm không phản ánh trong dữ liệu được sử dụng để huấn luyện autoencoder và do đó là bất thường. Bằng cách quan sát sai số từng phần tử giữa dữ liệu ghi nhận ban đầu và dữ liệu tái tạo, người vận hành có thể xác định các khu vực bất thường trong chuỗi dữ liệu.

Việc ứng dụng Autoencoder để theo dõi độ rung lắc, phát hiện sớm sự bất thường trong tuabin gió, qua đó giúp vận hành ổn định hệ thống năng lượng gió, tránh xảy ra sự cố. Ngoài việc ứng dụng trong máy phát điện gió và máy biến áp, giải pháp này còn có thể mở rộng ứng dụng cho các hệ thống năng lượng tái tạo khác như năng lượng mặt trời hoặc thủy điện, giúp tối ưu hóa hiệu suất và độ tin cậy của các hệ thống.