Xây dựng chương trình giám sát phụ tải điện tiêu thụ ứng dụng công nghệ iot

Xây dựng chương trình giám sát phụ tải điện tiêu thụ ứng dụng công nghệ iot Xây dựng chương trình giám sát phụ tải điện tiêu thụ ứng dụng công nghệ iot Xây dựng chương trình giám sát phụ tải điện tiêu thụ ứng dụng công nghệ iot Xây dựng chương trình giám sát phụ tải điện tiêu thụ ứng dụng công nghệ iot Xây dựng chương trình giám sát phụ tải điện tiêu thụ ứng dụng công nghệ iot

HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà TÓM TẮT Trong năm gần đây, thuật ngữ IoT( hay Internet of Things) hay “Vạn vật kết nối internet” khơng cịn trở nên xa lạ đời sống thiết thực người IoT có tiềm thay đổi giới dựa tảng Internet, cho phép thông tin chia sẻ định thực mà không cần can thiệp nhiều người Đề tài “Xây dựng chƣơng trình giám sát phụ tải điện tiêu thụ ứng dụng công nghệ IoT” giải vấn đề sau:  Trình bày sở lý thuyết internet of things, BIGDATA, trí tuệ nhân tạo  Tiến hành thu thập tín hiệu từ cảm biến đến nơi lưu trữ liệu Trực quan hóa liệu Thingspeak  Ứng dụng phần mềm Matlap lấy liệu từ Thingspeak phân loại liệu bất thường phụ tải tiêu thụ đánh giá mức dộ xác việc phân loại Đề tài nghiên cứu phương pháp phân loại liệu dựa trí tuệ nhân tạo sử dụng mạng neural học sau- Deep Learning Network, cụ thể mạng neural hồi quyRecurent neural network (RNN) dùng thuật toán LSTM- Long Short Term Memory v HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà ABSTRACT In recent years, the term IoT (or Internet of Things) or "Everything is connected to the internet" becomes familiar in the practical lives of people IoT is able to change the world based on the Internet potentially Moreover, it allows information which is shared and decided to without much human intervention The topic " Develop a program to monitor load current consumption using IoT technology" addresses the following issues:  Presenting theoretical bases about internet of things, BIGDATA, artificial intelligence  Conducting and collecting the signals from the sensor to the data storage and visualizing data on Thingspeak  The Matlap software application gets data from Thingspeak as well as classifies the abnormal data of the consumption load and assesses the accuracy of the classification The research topic of data classification method based on artificial intelligence uses the following neural network - Deep Learning Network, in particular, the regression neural network - Recurrent neural network (RNN) using LSTM algorithm Long Short Term Memory vi HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà MỤC LỤC LÝ LỊCH KHOA HỌC i LỜI CAM ĐOAN iii LỜI CẢM ƠN iv TÓM TẮT v ABSTRACT vi MỤC LỤC viii DANH SÁCH CÁC CHỮ VIẾT TẮT xii DANH MỤC CÁC BẢNG xiii DANH MỤC CÁC HÌNH ẢNH VÀ BIỂU ĐỒ xiiii Chƣơng 15 TỔNG QUAN 15 1.1 Tính cấp thiết đề tài 15 1.2 Mục tiêu đề tài 1.3 Nhiệm vụ đề tài 1.4 Giới hạn đề tài 1.5 Phương pháp nghiên cứu 1.6 Tính thực tiễn 1.7 Điểm đề tài 1.8 Nội dung luận văn bao gồm chương cụ thể sau: vii HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà Chƣơng CƠ SỞ LÝ THUYẾT 2.1 Tổng quan internet of things 2.1.1 Sơ lược internet of things 2.1.1.1 Khái niệm 2.1.1.2 Đặc tính IoT 2.1.1.3 Các ứng dụng IoT 2.1.2 Mơ hình hệ thống IoT 10 2.1.3 Các yêu cầu IoT 13 2.1.3.1 Các giao thức 13 2.1.3.2 Công suất thiết bị (Device Power) 16 2.1.3.3 Công nghệ cảm biến (Sensor Technology) 16 2.1.3.4 Thời gian đáp ứng 17 2.2 Lưới điện tích hợp 18 2.2.1 Khái niệm 18 2.2.2 Cấu trúc lưới điện thông minh 19 2.3 Dữ liệu lớn- Big Data 20 2.3.1 Giới thiệu Big Data 20 2.3.1.1 Khái niệm liệu lớn - Big Data 20 2.3.1.2 Các đặc trưng liệu lớn 21 2.3.2 Big Data lưới điện thông minh 22 2.3.2.1 Vòng đời Big Data 22 2.3.2.2 Nguồn liệu: 22 2.3.2.3 Tích hợp liệu 23 2.3.2.4 Lưu trữ liệu 24 2.3.2.5 Phân tích liệu 25 viii HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà 2.3.2.6 Mơ hình hóa liệu 26 2.3.2.7 Truyền tải liệu 26 2.3.2.8 Điện toán đám mây 26 2.3.3 BIG DATA qua ứng dụng THINGSPEAK 28 2.4 Tổng quan Trí tuệ nhân tạo 32 2.4.1 Khái niệm trí tuệ nhân tạo ( AI) 32 2.4.2 Các trường phái trí tuệ nhân tạo 33 2.4.3 Cấu trúc mạng nơron nhân tạo 34 2.4.3.1 Các phần tử xử lý 34 2.4.3.2 Mơ hình kết nối phân loại 35 2.4.4 Các phương pháp huấn luyện mạng 37 Chƣơng 40 GIẢI THUẬT PHÂN LOẠI ĐỀ XUẤT 40 3.1 Giới thiệu mạng Neural hồi quy RNN – Recurrent Neural Networks 40 3.1.1 Khái niệm 40 3.1.2 Huấn luyện RNN 42 3.2 RNN mở rộng 43 3.2.1 Mạng neural hồi quy RNN chiều 43 3.2.2 Mạng neural hồi quy RNN (2 chiều) sâu 43 3.2.3 Mạng Long Short Term Memory (LSTM Networks) 44 3.2.3.1 Ý tưởng cốt lõi LSTM 45 3.2.3.2 Bên LSTM 47 Chƣơng 51 MƠ HÌNH HỆ THỐNG ĐÀO TẠO NĂNG LƢỢNG MẶT TRỜI 51 4.1 Thiết bị hệ thống đào tạo lượng mặt trời 51 ix HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà 4.1.1 Sơ đồ khối hệ thống 51 4.1.2 Mơ hình thiết bị hệ thống 52 4.2 Sơ đồ nối dây hệ thống 54 4.3 Quy trình tiến hành thu thập liệu 54 Chƣơng 57 XÂY DỰNG CHƢƠNG TRÌNH MƠ PHỎNG 56 5.1 Lưu đồ chung 56 5.2 Kết thực nghiệm bước 58 5.2.1 Thu thập liệu 58 5.2.2 Trực quan liêu lên Thingspeak 61 5.2.3 Đọc chuỗi liệu 62 5.2.4 Huấn luyện liệu dùng mạng LSTM 65 5.2.5 Kết phân loại 65 Chƣơng 67 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 67 6.1 Kết luận 67 6.2 Hướng phát triển 67 TÀI LIỆU THAM KHẢO 68 PHỤ LỤC 71 x HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà DANH SÁCH CÁC CHỮ VIẾT TẮT - IoT: Internet Of Things - AI: Artificial Intelligence - LSTM: Long Short-Term Memory - RNN:Recurent Neural Network - MQTT: Message Queue Telemetry Transport - XMPP: Extensible Messaging Presence Protocol - DDS: Data Distribution Service - AMQP: Advanced Message Queue Protocol - CoAP: Constrained Applications Protocol - UDP: User Datagram Protocol - DTLS: Datagram Transport Layer Security - SOA: Service Oriented Architecture - ESB: Enterprise Service Bus - CIM: Common Information Models - DFS: Distributed File System xi HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà DANH MỤC CÁC BẢNG BẢNG TRANG Bảng 4.1: Danh mục thiết bị hệ thống đào tạo lượng tái tạo 54 xii HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà DANH MỤC CÁC HÌNH ẢNH VÀ BIỂU ĐỒ HÌNH TRANG Hình 1.1: Cuộc cách mạng cơng nghiệp lần thứ Hình 2.1: Internet of Things Hình 2.2: Tổng quan ứng dụng IoT 10 Hình 2.3: Mơ hình IoT 11 Hình 2.4: Ví dụ giao thức MQTT 14 Hình 2.5: Ví dụ mơ hình giao thức XMPP HTTP 14 Hình 2.6: Ví dụ giao thức CoAP HTTP 16 Hình 2.7: Một số loại cảm biến thường gặp 17 Hình 2.8: Thời gian đáp ứng 17 Hình 2.9: Mơ hình lưới điện thơng minh 18 Hình 2.10: Hệ thống điều khiển lưới điện thông minh dựa công nghệ thông tin 20 Hình 2.11: Ví dụ Big Data 21 Hình 2.12: Mơ hình”5Vs”- năm tính chất Big Data 22 Hình 2.13: Big Data 22 Hình 2.14: Phân tích liệu 25 Hình 2.15: Điện toán đám mây 27 Hình 2.16: Sơ đồ ứng dụng Thinkspeak 29 Hình 2.17: Tính Thingspeak 30 Hình 2.18: Thu thập liệu Thingspeak 30 Hình 2.19: Phân tích liệu Thingspeak 31 Hình 2.20: Xử lý liệu Thingspeak 32 Hình 2.21: Mơ hình nơron nhân tạo 34 xiii HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà Hình 2.22: Mạng truyền thẳng lớp 35 Hình 2.23: Mạng truyền thẳng nhiều lớp 36 Hình 2.24: Mạng truyền lùi lớp 36 Hình 2.25: Mạng truyền lùi nhiều lớp 37 Hình 2.26: Sơ đồ khối học có giám sát 38 Hình 2.27: Sơ đồ khối học khơng có giám sát 38 Hình 2.28: Sơ đồ khối học củng cố 39 Hình 3.1: Mơ hình mạng neural hồi quy RNN 40 Hình 3.2: Mơ tả mơ hình mạng neural hồi quy 41 Hình 3.3: Mơ hình tính tốn mạng neural hồi quy 42 Hình 3.4: Mạng RNN chiều 43 Hình 3.5: Mạng RNN chiều sâu 44 Hình 3.6: Mơ đun lặp lại tiêu chuẩn RNN chứa lớp 45 Hình 3.7: Mơ đun lặp lặp lại LSTM chứa bốn lớp tương tác 45 Hình 3.8: Trạng thái tế bào 46 Hình 3.9: Cổng tế bào 46 Hình 3.10: Tầng cổng quên (forget gate layer) 47 Hình 3.11: Tầng cổng vào tầng 48 Hình 3.12: Q trình bỏ thơng tin cũ thêm thơng tin 49 Hình 3.13: Quá trình xác định giá trị đầu 50 Hình 4.1: Sơ đồ khối hệ thống 51 Hình 4.2: Mơ hình thiết bị hệ thống đào tạo lượng mặt trời 52 Hình 4.3: Sơ đồ đấu nối hệ thống 54 Hình 4.4: Kết nối Tải hoạt động 55 Hình 5.1: Lưu đồ chương trình thu thập phân tích liệu 58 Hình 5.2: Module ESP8266 wifi 59 Hình 5.3: Cài đặt thư viện phần mềm aduino 59 xiv HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà Tải, phụ kiện 72 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 vơ 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 cơng 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 cơng nghệ tiên tiến giới Cơng nghệ IoT giúp cho lưới điện thông 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 thông 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 qn (1) lấy đầu vào ht-1 xt đưa kết Nếu fi nõ giữ lại tồn thơng tin, cịn tồn thơng 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 dịng điện đo dịng 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 Dòng 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 dịng 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 dịng điện phụ tải điện tiêu thụ.Trong q 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 Thông 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... triển mạnh IoT kết hợp với AI, mạng lưới điện tích hợp……thì đề tài ? ?Xây dựng chƣơng trình giám sát phụ tải điện tiêu thụ ứng HVTH: HUỲNH THỊ PHƢƠNG DUNG GVHD: PGS.TS Lê Mỹ Hà dụng công nghệ IoT ”... dùng; - Đề tài nghiên cứu giám sát phụ tải tiêu thụ điện ứng dụng công nghệ IoT học viên nghiên cứu kết hợp với lưới điện thông minh, xử lý Thingspeak chương trình Matlab phổ dụng trợ giúp cách hiệu