CHLB ĐỨC – Trí tuệ nhân tạo (AI) hiện đã được ứng dụng để hỗ trợ vận hành lưới điện, dự báo giá điện và tối ưu hóa việc sử dụng năng lượng. Giờ đây, các nhà nghiên cứu tại Viện công nghệ Karlsruhe (KIT) đã phát triển một phương pháp mới giúp các dự đoán của AI trong các hệ thống năng lượng trở nên minh bạch hơn và dễ hiểu hơn.
Việc quản lý nguồn cung năng lượng đang ngày càng trở nên phức tạp. Điện gió và điện mặt trời biến động theo điều kiện thời tiết, trong khi xe điện, hệ thống lưu trữ pin và bơm nhiệt đang làm thay đổi các mô hình tiêu thụ điện.
“Các đơn vị vận hành lưới điện và nhà cung cấp năng lượng ngày càng sử dụng trí tuệ nhân tạo để vận hành hệ thống của họ một cách hiệu quả và ổn định,” Giáo sư Benjamin Schäfer thuộc Viện tự động hóa và Khoa học máy tính ứng dụng (IAI) của KIT cho biết.
Minh bạch là yêu cầu thiết yếu đối với AI trong ngành năng lượng Để cân bằng giữa sản lượng điện và nhu cầu tiêu thụ một cách chính xác nhất, cần đồng thời xem xét rất nhiều yếu tố như dự báo thời tiết, dự báo phụ tải, năng lực của lưới truyền tải và phân phối cũng như hành vi của người tiêu dùng.
“AI giúp thực hiện điều đó, nhưng nó không được phép là một chiếc “hộp đen” (1). Con người phải có khả năng hiểu được cách các dự đoán và quyết định được đưa ra. Đặc biệt trong lĩnh vực năng lượng vốn nhạy cảm, nơi các sai sót có thể gây ra hậu quả nghiêm trọng, tính minh bạch và sự giám sát của con người là vô cùng quan trọng – đồng thời, theo Đạo luật AI của Liên minh châu Âu (EU AI Act), đây cũng là một yêu cầu mang tính pháp lý,” giáo sư Schäfer cho biết. (1) Trong lĩnh vực AI, “hộp đen” (black box) là thuật ngữ chỉ các mô hình có thể đưa ra dự đoán hoặc quyết định nhưng quá trình suy luận bên trong không minh bạch hoặc khó giải thích đối với con người.
Ông hiện là người đứng đầu Nhóm nghiên cứu trẻ Helmholtz DRACOS (viết tắt của Data-Driven Analysis of Complex Systems) tại KIT và đã nhận Giải thưởng sinh thái học năm 2026 của Quỹ Viktor & Sigrid Dulger thuộc Viện hàn lâm khoa học Heidelberg nhờ các công trình nghiên cứu của mình.
“SHAPformer” kết hợp nhiều phương pháp khác nhau Trong nghiên cứu mới nhất được tài trợ bởi Hiệp hội Helmholtz thông qua chương trình Helmholtz AI, nhóm nghiên cứu của giáo sư Schäfer đã giới thiệu phương pháp mới mang tên “SHAPformer”.
Các nhà khoa học phát triển phương pháp này dành cho bài toán dự báo chuỗi thời gian – tức là các dự báo dựa trên dữ liệu được thu thập theo trình tự thời gian, chẳng hạn như mức tiêu thụ điện hoặc giá điện. Mục tiêu là giúp các dự báo dựa trên AI vừa đạt độ chính xác cao vừa đảm bảo tính minh bạch tối đa.
Kết hợp Transformer với AI có khả năng giải thích Phương pháp này kết hợp các mô hình Transformer – vốn nổi tiếng từ các mô hình ngôn ngữ hiện đại, với các kỹ thuật thuộc lĩnh vực AI có khả năng giải thích (Explainable AI) (2). (2) Explainable AI (XAI) là các hệ thống trí tuệ nhân tạo được thiết kế để không chỉ đưa ra dự đoán hoặc quyết định mà còn giải thích được cơ sở, dữ liệu hoặc các yếu tố dẫn đến kết quả đó, giúp tăng tính minh bạch, khả năng kiểm chứng và mức độ tin cậy.
Tên gọi “SHAPformer” phản ánh sự kết hợp giữa các mô hình Transformer và phương pháp SHAP. Các phương pháp SHAP được xây dựng dựa trên các khái niệm của lý thuyết trò chơi và cho phép xác định mức độ ảnh hưởng của từng yếu tố riêng lẻ đối với một dự đoán. Các yếu tố đó có thể bao gồm nhiệt độ, ngày nghỉ lễ, dự báo gió hoặc dữ liệu tiêu thụ điện trong quá khứ.
Làm rõ ảnh hưởng của từng yếu tố đầu vào “Khi huấn luyện mô hình, chúng tôi chủ động che giấu một số thông tin cụ thể,” Matthias Hertel, nghiên cứu viên tại IAI của KIT và là tác giả chính của nghiên cứu, giải thích.
“Điều này giúp chúng tôi hiểu được mức độ ảnh hưởng của từng đầu vào đối với các dự đoán mà mô hình đưa ra.”
Nhóm nghiên cứu đã huấn luyện mô hình bằng nhiều nguồn dữ liệu khác nhau, trong đó có dữ liệu thực tế từ đơn vị vận hành hệ thống truyền tải điện TransnetBW.
Mục tiêu là dự báo mức tiêu thụ điện và giá điện trong khoảng thời gian lên đến một tuần, đồng thời chỉ ra rõ những yếu tố nào đang tác động đến các kết quả dự báo. Nhờ đó, có thể phân tích cách từng yếu tố riêng lẻ đóng góp vào một dự đoán cụ thể.
Tích hợp khả năng giải thích ngay trong quá trình huấn luyện Nhiều phương pháp hiện nay chỉ có thể đưa ra lời giải thích sau khi mô hình đã hoàn tất dự đoán và đòi hỏi thêm lượng tài nguyên tính toán đáng kể.
“Một điểm khác biệt nổi bật trong cách tiếp cận của chúng tôi là khả năng tích hợp trực tiếp cơ chế giải thích vào ngay quá trình huấn luyện,” Hertel cho biết.
Nhờ vậy, mô hình vẫn duy trì được độ chính xác của các dự báo đồng thời nâng cao hiệu quả của quá trình phân tích.
Hướng tới các hệ thống năng lượng thông minh đáng tin cậy hơn “Thông qua nghiên cứu này, chúng tôi đang đặt nền móng về phương pháp luận để có thể đưa các cách tiếp cận như vậy vào ứng dụng thực tế trong tương lai,” Schäfer cho biết.
Theo ông, không chỉ độ chính xác kỹ thuật và độ tin cậy là những yếu tố quan trọng mà còn cần quan tâm đến mức độ chấp nhận của người dùng.
Ông lấy ví dụ về các hệ thống thông minh điều khiển việc sạc và xả điện của xe điện hoặc các hệ thống lưu trữ năng lượng gia đình có khả năng tự động phản ứng theo biến động giá điện.
“Người dùng sẽ có xu hướng dễ chấp nhận hơn đối với một hệ thống sạc thông minh nếu họ có thể hiểu rõ vì sao chiếc xe điện của mình được sạc muộn hơn bình thường vào ban đêm – chẳng hạn do giá điện trong khoảng thời gian đó đặc biệt cao và việc trì hoãn sạc giúp tiết kiệm chi phí.”
Để xem các tin bài khác về “Trí tuệ nhân tạo”, hãy nhấn vào đây.
Nguồn: Hannover Messe
