Samsung Display Việt Nam (SDV) là công ty FDI thuộc tập đoàn Samsung đặt tại khu công nghiệp Yên Phong, tỉnh Bắc Ninh chuyên sản xuất linh kiện điện tử màn hình. Đây là nhà máy có dây chuyền sản xuất với mức độ tự động hóa cao, sử dụng nhiều phụ tải phi tuyến cũng như các thiết bị điện tử có khả năng gây ra sóng hài lớn như biến tần một pha, bộ điều khiển động cơ, bộ điều khiển robot, bộ cấp nguồn điện liên tục (UPS). Thực tế vận hành ghi nhận mức độ sóng hài tại một số thanh cái 0.4 kV trong nhà máy đạt trên 30%, vi phạm các quy định về tiêu chuẩn sóng hài tại lưới điện phân phối của EVN, ảnh hưởng xấu đến chất lượng điện năng. Nghiên cứu này sẽ tập trung đánh giá mức độ sóng hài tại khu công nghiệp Samsung Display Việt Nam, trên cơ sở đó đề xuất giải pháp giảm thiểu mức độ sóng hài xuống mức tiêu chuẩn. Kết quả tính toán mô phỏng được thực hiện trên phần mềm Electrical Transient Analyzer Program (ETAP).

Việc xác định tấm pin mặt trời bị hỏng có vai trò rất quan trọng trong việc đảm bảo vận hành an toàn, tin cậy và hiệu suất tối đa của các nhà máy điện mặt trời. Trong nghiên cứu này, chúng tôi đề xuất sử dụng mô hình deep learning để tự động hoá việc phân loại tấm pin mặt trời bị lỗi. Mô hình này bao gồm mạng nơron tích chập được dùng để trích xuất đặc trưng và thuật toán máy học véctơ hỗ trợ để nhận dạng. Mô hình được huấn luyện và kiểm tra trên tập dữ liệu bao gồm 2.146 hình ảnh điện phát quang có độ phân giải cao của các tấm pin mặt trời loại momo và loại poly. Kết quả phân loại cho thấy mô hình đề xuất có thể phân loại được tấm pin mặt trời bị hỏng với độ chính xác đạt được là 91,63%.

Tổn thất điện năng là một trong các chỉ tiêu quan trọng để đánh giá chất lượng điện năng. Tổn thất điện năng bao gồm hai thành phần là tổn thất kỹ thuật và tổn thất phi kỹ thuật. Tổn thất kỹ thuật là tổn thất đồng và tổn thất sắt trên các thiết bị điện như máy phát điện, đường dây, máy biến áp, động cơ. Tổn thất phi kỹ thuật là tổn thất ở khâu quản lý, đo đếm điện năng và ăn trộm điện. Trong các loại tổn thất phi kỹ thuật, tổn thất điện năng do hành vi trộm cắp điện là dạng tổn thất phổ biến, gây thiệt hại về mặt kinh tế nhưng lại khó phát hiện bằng các phương pháp truyền thống. Trong nghiên cứu này, chúng tôi đề xuất sử dụng phương pháp học sâu, dựa trên mô hình mạng nơ-ron tích chập kết hợp với cơ chế tập trung để phát hiện hành vi trộm cắp điện. Mô hình được huấn luyện trên tập dữ liệu được thu thập từ 42372 khách hàng trong 147 tuần. Kết quả phân loại cho thấy, mô hình đề xuất có thể phát hiện được hành vi trộm cắp điện của người dùng với độ chính xác AUC là 92,2%.