Giám sát tải điện là một phần quan trọng trong tối ưu hóa tiêu thụ năng lượng. Phương pháp truyền thống sử dụng nhiều cảm biến riêng biệt cho từng thiết bị, tuy đảm bảo độ chính xác nhưng lại tốn kém và phức tạp. Do đó, phương pháp giám sát tải điện không xâm nhập (NILM) ra đời, cho phép theo dõi toàn bộ hệ thống chỉ với một cảm biến duy nhất đặt tại nguồn điện chính.

Các phương pháp NILM hiện nay gồm: học máy (ML), khớp mẫu (PM), và tách nguồn đơn kênh (SS). Tuy nhiên, các mô hình học máy truyền thống như SVM, ANN, HMM… thường gặp khó khăn trong việc xử lý nhiễu và đặc trưng phi tuyến của tín hiệu điện. CNN được xem là giải pháp hiệu quả hơn nhờ khả năng trích xuất đặc trưng cục bộ từ dữ liệu hình ảnh.

Bài báo đề xuất sử dụng mạng CNN 3D để xử lý chuỗi ảnh V-I được tạo từ dữ liệu dòng điện và điện áp theo thời gian. Hệ thống gồm hai lớp: phần cứng và phần mềm. Phần cứng sử dụng vi điều khiển STM32 và bộ chuyển đổi ADC ADS8361 để thu thập tín hiệu ở tần số 5kHz. Dữ liệu được truyền qua Ethernet đến Raspberry Pi 5, nơi mô hình CNN đã huấn luyện thực hiện phân loại tải. Kết quả được hiển thị trên màn hình LCD.

Quá trình xử lý gồm 5 bước:

• Thu thập tín hiệu dòng điện và điện áp.
• Đóng gói và truyền dữ liệu.
• Vẽ đường cong V-I.
• Đưa chuỗi ảnh vào mô hình CNN.
• Phân loại tải đang hoạt động.

Dữ liệu được xử lý để tạo ra chuỗi ảnh V-I với độ phân giải 160×160 pixel. Mỗi mẫu gồm 10 ảnh liên tiếp, tương ứng với 2000 điểm dữ liệu. Các ảnh được lưu theo thư mục riêng biệt theo loại tải và tổ hợp tải. Các thiết bị được khảo sát gồm: quạt, đèn, nồi cơm, sạc laptop, màn hình… với công suất từ 9W đến 450W.

Mô hình CNN gồm 3 lớp tích chập 3D, mỗi lớp có bộ lọc kích thước (3,3,3), kết hợp ReLU, chuẩn hóa theo batch, và lớp pooling để giảm chiều dữ liệu. Sau đó, dữ liệu được làm phẳng và đưa qua các lớp fully connected, sử dụng dropout để tránh overfitting. Lớp cuối cùng dùng softmax để phân loại tổ hợp tải.

Thí nghiệm được thực hiện với tần số lấy mẫu 5kHz trong 10 giây cho mỗi thiết bị và tổ hợp thiết bị. Các mô hình CNN được huấn luyện với thuật toán Adam và hàm mất mát cross-entropy. Kết quả cho thấy độ chính xác nhận diện tải đạt ≥90%, kể cả trong điều kiện chuyển mạch hoặc nhiễu.

So với các phương pháp NILM khác, CNN kết hợp đặc trưng chuỗi thời gian cho thấy hiệu quả vượt trội về độ chính xác, tốc độ huấn luyện, khả năng tổng quát hóa và triển khai thực tế. Hệ thống có thể ứng dụng trong các tòa nhà thông minh, giúp giám sát năng lượng hiệu quả và tiết kiệm chi phí.

Nghiên cứu do nhóm tác giả Ngô Quang Sơn, Huy Hoàng Nguyên, Tiến Dũng Đỗ, Đức Chính Hoàng thuộc trường Đại học Khoa học và Công nghệ Hà Nội thực hiện

Tạp chí Đo lường, Điều khiển và Tự động hóa 2025, 29(4): 9-17 (ctngoc)