LF Energy nhận 2,5 triệu USD để giúp đơn vị điện lực dự báo quá tải

Một khu dân cư có thể còn đủ công suất điện trong phần lớn ngày nhưng gặp khó vào buổi tối, khi nhiều người vừa về nhà, bật thiết bị và cắm sạc ô tô. Đơn vị điện lực cần biết điểm quá tải sẽ ở đâu, kéo dài bao lâu và liệu có thể chuyển một phần nhu cầu sang giờ khác. Ngày 10/11/2026, LF Energy công bố khoản tài trợ 2,5 triệu USD từ Google.org, được quản lý qua INCO, cho chương trình hai năm phát triển công cụ nguồn mở phục vụ lưới điện châu Âu. Trọng tâm là dữ liệu, mô phỏng và dự báo, cùng việc hỗ trợ các đơn vị đưa công cụ vào dùng.

Biết tổng lượng điện chưa cho biết dây nào sẽ quá tải

Có thể hình dung một mạng đường phố: tổng số xe trong thành phố không nói chính xác giao lộ nào sẽ tắc. Với điện, nhu cầu tăng tập trung tại một nhánh có thể gây khó ngay khi tổng nhu cầu của khu vực rộng hơn vẫn trong khả năng cung cấp. Đội vận hành cần kết hợp sơ đồ nối dây, thông số thiết bị và số đo theo thời gian. Cùng một lượng điện tiêu thụ, phân bố tại các vị trí khác nhau có thể tạo dòng trên từng đoạn dây khác nhau.

Nguồn điện phân tán cũng làm bài toán hai chiều hơn. Vào ban ngày, các mái nhà có thể đưa điện mặt trời ra lưới; đến tối, chính những điểm đó lại lấy điện vào. Dòng điện và điện áp phải được tính theo trạng thái cụ thể của mạng. Mô phỏng không tự làm tăng tiết diện dây hay thay máy biến áp, nhưng giúp người vận hành so các phương án trước khi thực hiện ngoài hiện trường. Một thay đổi ở vị trí này có thể chuyển áp lực sang vị trí khác.

Bốn công cụ làm bốn phần việc

Trong công bố tài trợ, LF Energy nêu OpenSynth, PowSyBl, Power Grid Model và OpenSTEF. OpenSynth phục vụ dữ liệu dùng chung; PowSyBl hỗ trợ phân tích mạng truyền tải; Power Grid Model tính toán mạng phân phối; OpenSTEF dự báo phụ tải và nguồn phát trong ngắn hạn. Việc phân vai có ý nghĩa: một dự báo về lượng điện ngày mai không thay cho mô hình vật lý để xác định nhánh nào chịu quá tải khi lượng điện đó xuất hiện.

Dữ liệu tổng hợp của OpenSynth nhằm cung cấp những bộ dữ liệu có đặc điểm phù hợp cho nghiên cứu mà không công khai hồ sơ tiêu thụ của từng khách hàng. Nhờ đó, người làm có thể thử thuật toán trước khi tiếp cận dữ liệu thật. Nhưng dữ liệu tổng hợp chỉ hữu ích nếu những đặc điểm liên quan được giữ đúng. Ví dụ, một bộ dữ liệu có mức trung bình hợp lý nhưng làm mờ các đỉnh đồng thời có thể khiến phép thử đánh giá thấp rủi ro. Dữ liệu như vậy cần được so với khu vực và câu hỏi mà người dùng quan tâm.

Dự báo giúp nhìn trước một khoảng, không phải một số chắc chắn

OpenSTEF nhận chuỗi số đo phụ tải, xử lý dữ liệu rồi kết hợp với yếu tố ngoài như thời tiết để tạo dự báo. Cách làm này phù hợp với việc nhu cầu và sản lượng điện có quy luật theo giờ, ngày và mùa nhưng vẫn đổi khi thời tiết hoặc hành vi thay đổi. Một mô hình có thể học rằng phụ tải thường tăng ở một khoảng nhất định; khi dự báo nhiệt độ thay đổi, nó điều chỉnh lượng điện kỳ vọng theo quan hệ học được từ dữ liệu.

Công cụ còn tạo dải bất định, tức khoảng kết quả có thể xảy ra theo cách mô hình biểu diễn. Một giá trị duy nhất dễ tạo cảm giác chính xác quá mức: người vận hành có thể coi ước lượng là số chắc chắn và dùng hết phần dự phòng. Dải dự báo giúp đặt thêm câu hỏi, chẳng hạn nếu mức tiêu thụ nằm gần đầu trên thì có cần chuyển lịch sạc hay không. Dải ấy cũng phải được kiểm tra bằng dữ liệu về sau: nếu thực tế liên tục vượt ra ngoài, mô hình hoặc cách ước lượng bất định cần điều chỉnh.

Từ dự báo tới một quyết định vận hành

Giả sử mô hình báo một nhánh có thể căng tải từ 18 đến 20 giờ. Đội vận hành có thể đưa kịch bản đó vào mô hình mạng để xem mức dòng và điện áp, rồi so với phương án lùi một phần hoạt động có thể linh hoạt. Đây là tình huống minh họa, không phải kết quả triển khai mà LF Energy công bố. Nếu có thể dịch nhu cầu, giải pháp phải tính tới khách hàng nào đồng ý tham gia, độ trễ điều khiển và khả năng họ thay đổi lịch. Nếu quá tải kéo dài hoặc tăng bền vững, đầu tư thiết bị vẫn có thể cần thiết.

Nguồn mở giúp nhiều đơn vị xem và cải tiến cùng mã, nhưng đưa phần mềm vào phòng điều khiển cần thêm dữ liệu có chất lượng, người bảo trì và quy trình dự phòng. Một cảm biến hỏng hoặc sơ đồ lưới chưa cập nhật có thể làm mô hình tính một mạng khác với mạng đang vận hành. Cần phát hiện dữ liệu thiếu, đánh dấu kết quả giảm độ tin cậy và giữ cách làm việc khi hệ thống dự báo không có đầu ra. Khoản tài trợ cũng bao gồm đào tạo và hỗ trợ áp dụng, theo LF Energy, thay vì chỉ bổ sung tính năng trong mã.

Với người làm điện ngoài châu Âu, các dự án này là tài nguyên để khảo sát, không phải bằng chứng công cụ sẽ dùng được nguyên trạng ở mọi nơi. Bước thử phù hợp là chọn một vùng nhỏ có dữ liệu và sơ đồ đủ tin cậy, so dự báo với cách làm hiện tại, rồi xem nó có cải thiện một quyết định cụ thể không. Lưới điện nhận được lợi ích khi đội vận hành có thêm thời gian và căn cứ để hành động, chứ không chỉ khi có thêm một màn hình hiển thị.

Nguồn: Linux Foundation — công bố ngày 10/11/2026; OpenSTEF; OpenSynth; Power Grid Model.

Ảnh minh họa trạm điện — Rsparks3; không phải địa điểm triển khai do LF Energy công bố. Trang nguồn và tệp gốc; CC0 1.0. Dùng nguyên bản.