(Luận văn thạc sĩ) xây dựng chương trình giám sát phụ tải điện tiêu thụ ứng dụng công nghệ iot

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ HUỲNH THỊ PHƯƠNG DUNG XÂY DỰNG CHƯƠNG TRÌNH GIÁM SÁT PHỤ TẢI ĐIỆN TIÊU THỤ ỨNG DỤNG CÔNG NGHỆ IOT NGÀNH: KỸ THUẬT ĐIỆN - 8520201 S K C0 Tp Hồ Chí Minh, tháng - 2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ HUỲNH THỊ PHƢƠNG DUNG XÂY DỰNG CHƢƠNG TRÌNH GIÁM SÁT PHỤ TẢI ĐIỆN TIÊU THỤ ỨNG DỤNG CÔNG NGHỆ IOT NGÀNH: KỸ THUẬT ĐIỆN - 8520201 Tp Hồ Chí Minh, tháng 5/2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ HUỲNH THỊ PHƢƠNG DUNG XÂY DỰNG CHƢƠNG TRÌNH GIÁM SÁT PHỤ TẢI ĐIỆN TIÊU THỤ ỨNG DỤNG CÔNG NGHỆ IOT NGÀNH: KỸ THUẬT ĐIỆN - 8520201 Hướng dẫn khoa học: PGS.TS LÊ MỸ HÀ Tp Hồ Chí Minh, tháng 5/2020 HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà LÝ LỊCH KHOA HỌC I LÝ LỊCH SƠ LƢỢC Họ & tên: Huỳnh Thị Phương Dung Giới tính: Nữ Ngày, tháng, năm sinh: 29/12/1988 Nơi sinh: BR-VT Quê quán: Bà Rịa Vũng Tàu Dân tộc: Kinh Chỗ riêng địa liên lạc: Ấp Mỹ Hòa, xã Long Mỹ, huyện Đất Đỏ, tỉnh Bà Rịa – Vũng Tàu Điện thoại quan: Điện thoại nhà riêng: 0937339015 Fax: E-mail: dunghtp@bctech.edu.vn II QUÁ TRÌNH ĐÀO TẠO: Trung học chuyên nghiệp: Hệ đào tạo: Thời gian đào tạo từ ……/…… đến ……/ … Nơi học (trường, thành phố): Ngành học: Đại học: Hệ đào tạo: Đại học Thời gian đào tạo từ 10/2006 đến 11/2011 Nơi học (trường, thành phố): Trường Đại Học Lạc Hồng Ngành học: Điện tử viễn thông Tên đồ án, luận án môn thi tốt nghiệp: Thi tốt nghiệp Ngày & nơi bảo vệ đồ án, luận án thi tốt nghiệp: i HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà Battery 73 HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà ESP8266 IoT wifi Uno 74 HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà Cảm biến dòng điện IC ACS712 5/20/30A Nguồn sử dụng: 5VDC Độ nhạy đầu từ 63~190mV/A Đường tín hiệu analog có độ nhiễu thấp Độ trễ đầu đáp ứng với đầu vào 5µs Điện trở dây dẫn 1.2mΩ Điện áp cấp: 0~25 VDC Dải phát điện áp: 0.02445 ~ 25 VDC Cảm Độ phân giải điện áp: 0,00489 V biến điện Output: "+" kết nối 5/3.3V, "-" kết nối với GND, "s" nối với áp DC chân AD Arduino Giao tiếp đầu vào DC: dương với VCC, âm với GND 75 HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà Code Matlab %% doc du lieu tu thingspeak [data,timestamps,channelInfo] =thingSpeakRead(1013763,'ReadKey','3KR4V18FVONNXDHF','Fields', [1,2,3],'DateRange',[datetime(2020,2,25,01,01,01),datetime(2020,3,01,01, 01,01)],'OutputFormat','Table'); q=1; for i =1 : 255 a=[data.TAI(q:(i*20))]; b=a.'; Tinhieu(i,:)= {b}; q=i; q=q*20+1; a=zeros; end Trangthai = {'N';'N';'N';'N';'N';'S';'N';'N';'N';'N';'N';'N'; 'S';'S';'S';'S';'S';'S';'S';'S';'S';'S';'S';'S'; 'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'L'; 'N';'N';'N';'N';'N';'N';'N';'N';'N';'N';'N';'N'; 'S';'S';'S';'S';'S';'S';'S';'S';'S';'S';'S';'S'; 'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'L'; 'N';'N';'N';'N';'N';'N';'N';'N';'N';'N';'N';'N'; 'S';'S';'S';'S';'S';'S';'S';'S';'S';'S';'S';'S'; 'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'L'; 'N';'N';'N';'N';'N';'N';'N';'N';'N';'N';'N';'N'; 76 HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà 'S';'S';'S';'S';'S';'S';'S';'S';'S';'S';'S';'S'; 'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'L'; 'N';'N';'N';'N';'N';'N';'N';'N';'N';'N';'N';'N'; 'S';'S';'S';'S';'S';'S';'S';'S';'S';'S';'S';'S'; 'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'L'; 'N';'N';'N';'N';'N';'N';'N';'N';'N';'N';'N';'N'; 'S';'S';'S';'S';'S';'S';'S';'S';'S';'S';'S';'S'; 'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'L'; 'N';'N';'N';'N';'N';'N';'N';'N';'N';'N';'N';'N'; 'S';'S';'S';'S';'S';'S';'S';'S';'S';'S';'S';'S'; 'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'L';'N';'N';'L'}; Labels=categorical(Trangthai); Signals=Tinhieu; XTrain = [Signals]; YTrain = [Labels]; numObservations = numel(XTrain); for i=1:numObservations sequence = XTrain{i}; sequenceLengths(i) = size(sequence,2); end [sequenceLengths,idx] = sort(sequenceLengths); XTrain = XTrain(idx); YTrain = YTrain(idx); layers = [ sequenceInputLayer(1) bilstmLayer(100,'OutputMode','last') fullyConnectedLayer(3) 77 HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà softmaxLayer classificationLayer ] maxEpochs = 100; miniBatchSize = 21; options = trainingOptions('adam', 'ExecutionEnvironment','cpu', 'GradientThreshold',1, 'MaxEpochs',maxEpochs, 'MiniBatchSize',miniBatchSize, 'SequenceLength','longest', 'Shuffle','never', 'Verbose',0, 'Plots','training-progress'); net = trainNetwork(XTrain,YTrain,layers,options); %% test du lieu [data1,timestamps,channelInfo] =thingSpeakRead(1013763,'ReadKey','3KR4V18FVONNXDHF','Fields', [1,2,3],'DateRange' ,[datetime(2020,3,01,01,01,01),datetime(2020,3,04,01,01,01)],'OutputFor mat','Table'); k=1; for l =1 : 36 n=[data1.TAI(k:(l*20))]; m=n.'; TinhieuTest(l,:)= {m}; 78 HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà k=l; k=k*20+1; n=zeros; end TrangthaiTest= {'L';'L';'L';'L';'L';'L';'L';'L';'L';'L'; 'S';'S';'S';'S';'S';'S';'S';'S';'S';'S'; 'N';'N';'N';'N';'N';'N';'N';'N';'N';'N'; 'N';'S';'S';'L';'L';'N'}; VdcX=categorical(TrangthaiTest); Vdc=TinhieuTest; XTest = [Vdc]; YTest = [VdcX]; YPred = classify(net,XTest, 'MiniBatchSize',miniBatchSize, 'SequenceLength','longest'); acc = sum(YPred == YTest)./numel(YTest); figure ccLSTM = plotconfusion(YTest,YPred); 79 HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà XÂY DỰNG CHƢƠNG TRÌNH GIÁM SÁT PHỤ TẢI ĐIỆN TIÊU THỤ ỨNG DỤNG CÔNG NGHỆ IoT DEVELOP A PROGRAM TO MONITOR LOAD CURRENT CONSUMPTION USING IoT TECHNOLOGY Lê Mỹ Hà1, Huỳnh Thị Phƣơng Dung2 Trường Đại Học Sư Phạm Kỹ Thuật TPHCM Trường Đại Học Sư Phạm Kỹ Thuật TPHCM TÓM TẮT Giám sát phụ tải điện tiêu thụ mối quan tâm hàng đầu nhà quản lý có ý nghĩa lớn phát triển kinh tế xã hội.Trong trình giám sát phụ tải tiêu thụ trì mức tải cho thiết bị hợp lý, tránh trường hợp tải non tải Trong nội dung báo này, tác giả thiết kế mơ hình đào tạo lượng mặt trời Sau dựa tảng Internet of Things thu thập tín hiệu dịng điện phụ tải điện tiêu thụ qua module ESP8266 wifi Sử dụng BigData (Thingspeak) nơi lưu trữ tín hiệu phần mềm Matlab để huấn luyện mạng neural nhân tạo Xây dựng chương trình giám sát phân loại tín hiệu dịng điện tiêu thụ trí tuệ nhân tạo (mạng neural Long-Short Term Memory) Kết thực nghiệm cho thấy phương pháp phân loại đề xuất bái báo phù hợp với liệu thực dùng kiểm tra với sai số trung bình hiệu dụng 9.4444 Từ khóa:Internet of Things; BigData; Thingspeak; Trí tuệ nhân tạo; Long-Short Term Memory ABSTRACT The supervision and consumption load for electric is not only a top concern of managers but also it is so significant for socio-economic development In the supervision, consumption load for electric maintains loading reasonably and avoid overloaded or underload cases in this article, the author designed on the solar training model Then based on the internet of things platform, it captures the current signal of the consumed electricity through the esp8266 Wi-Fi module Using big data (Thingspeak) stores a signal and Matlab software to train artificial neural networks Establishing the supervision as well as classifying signals of the consumption load by artificial intelligence (long-short term memory neural network) he experiment results show that the proposed model is suitable with Root Mean Square Error (RMSE) is 9.4444 Keywords: Internet of Thing, BigData; ThingSpeak; Artificial Neural Network; LongShort Term Memory 80 HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà TỔNG QUAN Công nghệ Internet of Things (IoT) cung cấp kết nối lúc, nơi Nó cung cấp thiết bị thông minh ( cảm biến, thiết bị truyền động đồng hồ) để kết nối, tự động hóa, phân tích kiểm sốt phụ tải tiêu thụ nghệ IoT [4] Với thành công thời điểm tại, IoT kỳ vọng thành thị trường thiết bị lớn giới IoT trở thành xu hướng công nghệ ảnh hưởng ngày lớn tới đời sống giới có ứng dụng vô rộng rãi nhiều lĩnh vực tương lại, có ngành điện Sự phát triển IoT cải thiện đáng kể hiệu suất khả vận hành, phát triển lưới điện thơng minh Vì lý đó, giới nghiên cứu nước định hướng vào thực ứng dụng IoT cho ngành điện để giám sát, phân loại Một số hướng phát triển ứng dụng vào quản lý lượng tiêu thụ hộ gia đình, nhà máy sản xuất Trong hội khoa học công nghệ sử dụng lượng tiết kiệm hiệu Việt Nam năm 2018 có viết ứng dụng Cách Mạng Công Nghiệp 4.0 EVN [1] Ứng dụng hệ thống chiếu sáng cho phép tiết kiệm điện hiệu quả, thời gian sống dài đòi hỏi hệ thống giám sát điều khiển phù hợp giải pháp IoT giải vấn đề [2] 2.1 Mạng neural hồi quy RNN– Recurrent Neural Networks PHƢƠNG PHÁP PHÂN LOẠI ĐỀ XUẤT Mạng neural hồi quy RNN dạng học sâu mạng neural nhân tạo, phát triển vào năm 1980 RNN mạng gồm nút thần kinh giống hệt nhau, nút kết nối trực tiếp (một chiều) với nút khác, nút (neuron) có kích hoạt thời gian khác có giá trị kích hoạt Mỗi kết nối (synapse) có trọng số thực điều chỉnh Các nút nút đầu vào (nhận liệu từ bên mạng), nút đầu (kết mang lại) nút ẩn (điều chỉnh liệu đường từ đầu vào đến đầu ra) [5] Hình Các nghiên cứu ngồi nước ứng dụng công nghệ IoT quản lý, giám sát phụ tải điện tiêu thụ giải pháp đầy tiềm với ưu điểm vượt trội với thành tựu gần công nghệ thông tin truyền thông quan tâm phát triển từ nước có công nghệ tiên tiến giới Công nghệ IoT giúp cho lưới điện thơng minh kết nối thiết bị khác việc lưu trữ, truyền tải, phân phối tiêu thụ để tăng cường khả tự động hóa, giám sát q trình vận hành [3] Lưới điện thông minh coi ứng dụng lớn cơng Hình Mơ hình mạng neural hồi quy RNN 2.2 Mạng Long-Short Term Memory (LSTM Networks) Mạng Long-Short Term Memory – Thường gọi “LSTM” mạng RNN đặc biệt, có khả học phụ thuộc dài hạn LSTM giới thiệu HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà Horchreter & Schmidhuber (1997) tinh chỉnh phổ biến nhiều người công việc ứng dụng sau [6] Điều cốt lõi mạng trạng thái tế bào chạy thơng ngang phía Hình THỰC NGHIỆM 3.1 Mơ hình hệ thống 3.1.1 Sơ đồ khối hệ thống Hình Mơ hình tổng qt LSTM Tầng cổng quên (1) lấy đầu vào ht-1 xt đưa kết Nếu fi nõ giữ lại tồn thơng tin, cịn tồn thông tin bị bỏ ft   (Wf [ht 1 ,xt ]+b f ) Hình Sơ đồ khối hệ thống Khối cảm biến: Cảm biến dòng điện (IC ACS712 5/20/30A) Cảm biến điện áp DC (0~ 25VDC) (1) Tầng lưu thông tin (2) với it định giá trị cập nhật (3) tạo vec-tơ cho giá trị nhằm thêm vào cho trạng thái it   (Wi [h t 1 ,x t ]+bi ) ~ C t  tanh(WC [h t 1 ,x t ]+bC ) Khối nguồn: pin mặt trời (85W), tuabin gió (12Vdc, 7A) Khối chuyển đổi: Inveter (1kW, ngõ 120Vac) (2) Khối tải : đèn LED 60W (3) Khối BigData: Thingspeak, Matlab để huấn luyện mạng Tầng cập nhật trạng thái tế bào (4) cũ Ct-1 thành trạng thái Ct ~ Ct  ft * Ct 1  it * C t 3.1.2 Sơ đồ nối dây hệ thống (4) Từ sơ đồ khối Hình tiến hành kết nối thiết bị theo sơ đồ nối dây hệ thống (Hình 4) Tầng cuối định đầu mong muốn Ta định phần trạng thái muốn xuất ot (5) Sau đưa trạng thái tế bào qua hàm đế giá trị khoảng [-1,1] (6), nhân với đầu ot để giá trị đầu ta mong muốn ot   (Wo [h t 1 ,x t ]+bo ) (5) ht  ot * tanh(Ct ) (6) HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà Hình Sơ đồ nối dây hệ thống 3.1.3 Mơ hình hệ thống Hình Lưu đồ chương trình 3.2.1Thu thập liệu Ứng dụng IoT trình thu thập liệu dùng ESP8266 mã nguồn mở ESP8266 –IoT wifi Uno thiết kế tương thích với Arduino Uno Hình Mạch lập trình để chạy ứng dụng thu thập điều khiển qua wifi, lập trình ngơn ngữ C/C++, Arduino IDE, Micropython Hình Mơ hình hệ thống Gắn Led Lamp phía ngõ Power Kết nối cảm biến dòng điện đo dòng điện bóng đèn Khởi động module wifi Mỗi lần lấy mẫu 10 phút 3.2 Xây dựng chƣơng trình hệ thống Chương trình hệ thống gồm bước Hình Trong báo sử dụng tín hiệu dịng điện phụ tải tiêu thụ để tiến hành phân loại Hình Module ESP8266 wifi HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà 3.2.2 Trực quan liệu lên Thingspeak Hình 10 Dịng điện trạng thái q tải Hình Dịng điện phụ tải điện tiêu thụ 3.2.3 Đọc chuỗi liệu Đọc liệu số dòng điện phụ tải tiêu thụ từ kênh Thingspeak chuỗi thời gian Mỗi đơn vị thời gian ( ngày, tháng, năm, giờ, phút, giây) tương ứng với đơn vị dòng điện Huấn luyện trạng thái phụ tải điện tiêu thụ trường hợp Lúc dòng điện trạng thái bình thường Hình 9.1 gán nhãn”N” Dịng điện trạng thái q tải Hình 9.2 nhãn “S” Dịng điện trạng thái non tải Hình 9.3 nhãn „L” Hình 11 Dịng điện trạng thái non tải Phân chia liệu 80% để huấn luyện 20% để kiểm tra Matlab Hình Dịng điện trạng thái bình thường HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà 3.2.4 Kết huấn luyện Hình 12 Kết huấn luyện Hình 14 Ma trận nhầm lẫn Kết thực nghiệm Hình 10 5100 entries, thời gian huấn luyện phút 51 giây Cấu hình Laptop chạy thực nghiệm RAM 4Gb, Core i3-4030U CPU@ 1.9Ghz Kết kiểm tra độ xác liệu với độ xác 94,44% Hình 11 Với số lượng mẫu kiểm tra 36 mẫu (chia nhãn “L”, “S”, “N”) thể ma trận nhầm lẫn Hình 12 3.2.5 Kết phân loại KẾT LUẬN Trong báo tác giả xây dựng mơ hình lượng mặt trời tiến hành liệu thu thập liệu để tiến hành xử lý phân loại trạng thái bất thường cụ thể dòng điện phụ tải điện tiêu thụ.Trong trình nghiên cứu tác giả phân tích lý thuyết kiểm chứng thực tế qua phần mềm Qua thấy phương pháp mà tác giả đề xuất mạng LSTM có độ xác cao Hình 13 Kết kiểm tra Tuy nhiên số hạn chế báo chưa thu thập thêm tín hiệu từ nhiều vị trí khác để số lượng liệu nhiều cho kết xác Hướng phát triển đề tài tiến hành phân tích, huấn luyện trực tiếp BigData (Thingspeak) Điều chỉnh cấu trúc mạng so sánh với nhiều phương pháp để có kết tối ưu HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà TÀI LIỆU THAM KHẢO [18] Lan Chi, EVN ứng dụng CMCN 4.0 sản xuất, phân phối điện xây dựng lưới điện thông minh, Hội Khoa Học công nghệ sử dụng lượng tiết kiệm hiệu Việt Nam, 2018 [19] Hà Mạnh Dũng, Đỗ Xuân Hùng, Giải pháp IoT để giám sát, điều khiển hệ thống chiếu sáng công cộng đô thị sử dụng công nghệ Led sở công nghệ lora, Proceeding Publishing House for Science and Technology, 2018 [20] W Meng, R Ma, and H Chen, Smart Grid Neighborhood Area Networks : A Survey, IEEE Network, vol 28, no 1, pp 24-32, 2014 [21] Smart Grid News, “Smart Grid 101: The Internet of Things and the Smart Grid (Part 1),” 12 November 2013, accessed: January 2016 [Online] Available: http://www.smartgridnews.com/story/smart-grid-101-internet-things-and-smart-grid-part1/2013-11-12 [22] S Venugopalan, H Xu, J Donahue, M Rohrbach, R Mooney, and K Saenko, "Translating videos to natural language using deep recurrent neural networks," arXiv preprint arXiv:1412.4729, 2014 [23] Qiu, J., Wang, B., & Zhou, C .Forecasting stock prices with Long-Short term Memory neural network on attention mechanism, in PLOS ONE, p3-5, 2020 Thơng tin liên hệ tác giả (Người chịu trách nhiệm viêt) Họ tên: Huỳnh Thị Phƣơng Dung Đơn vị: Học viên cao học trường Đại học Sư phạm Kỹ thuật thành phố Hồ Chí Minh Điện thoại: 0937339015 Email: dunghtp@bctech.edu.vn Xác nhận Giảng Viên Hƣớng Dẫn (Ký ghi rõ họ tên) PGS.TS Lê Mỹ Hà ... trời phụ tải điện tiêu thụ hệ thống điện để giám sát phụ tải tiêu thụ điện ứng dụng công nghệ IoT; - Sử dụng phần mềm MATLAB để thiết kế chương trình giám sát mà cụ thể sử dụng mạng neural hồi... THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ HUỲNH THỊ PHƢƠNG DUNG XÂY DỰNG CHƢƠNG TRÌNH GIÁM SÁT PHỤ TẢI ĐIỆN TIÊU THỤ ỨNG DỤNG CÔNG NGHỆ IOT NGÀNH: KỸ THUẬT ĐIỆN - 8520201 Hướng dẫn khoa học:... THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ HUỲNH THỊ PHƢƠNG DUNG XÂY DỰNG CHƢƠNG TRÌNH GIÁM SÁT PHỤ TẢI ĐIỆN TIÊU THỤ ỨNG DỤNG CÔNG NGHỆ IOT NGÀNH: KỸ THUẬT ĐIỆN - 8520201 Tp Hồ Chí Minh, tháng