AI phát hiện bất thường năng lượng nhà máy: đường cơ sở, cảnh báo và RFP

Mở đầu: 3 điều cần quyết định trước khi triển khai AI phát hiện bất thường năng lượng nhà máy

Chúng tôi cho rằng tình huống sau không hiếm ở các nhà máy Nhật Bản tại Thái Lan đang cân nhắc triển khai AI phát hiện bất thường năng lượng nhà máy. Đã có màn hình giám sát điện năng. Đã lấy được số liệu mỗi 15 phút. Vậy mà nhìn biểu đồ vẫn không thể trả lời được “hôm nay dùng điện nhiều hay ít”. Vì mức sử dụng thay đổi mạnh theo sản lượng và nhiệt độ ngoài trời, nếu đặt một ngưỡng đơn giản thì cảnh báo giả xuất hiện liên tục, và dần dần không ai còn nhìn vào cảnh báo nữa.

Năm 2026 cũng là năm có nhiều lý do chồng lên nhau để xem lại “lượng” điện sử dụng. Theo bài báo của The Nation ngày 23/7/2026, Ủy ban Điều tiết Năng lượng (ERC) đã phê duyệt Ft cho kỳ hóa đơn tháng 9–12/2026 ở mức 16,23 satang/kWh, và giá điện bình quân được giữ nguyên ở 3,95 baht/kWh (chưa gồm VAT). Bài báo ngày 12/8/2026 của cùng tờ báo cho biết bình quân của kỳ hóa đơn tháng 9 sẽ vào khoảng 3,89 baht/kWh (chưa gồm VAT) do chi phí chiếu sáng công cộng được tách khỏi giá điện. Tuy nhiên, mức giảm này được đưa tin là giá điện cho “người dùng thông thường”, còn việc áp dụng cho khách hàng công nghiệp hay cách xử lý từ tháng 10 trở đi thì bài báo không đề cập. Cũng theo bài báo của The Nation ngày 1/7/2026, tổng tiêu thụ điện của Thái Lan trong tháng 1–3/2026 là 51.127 GWh, tăng 4,9% so với cùng kỳ năm trước, trong đó khu vực công nghiệp tăng 2,2% và chiếm 42,3% tổng lượng.

Một thay đổi khác là các “API phát hiện bất thường” đa dụng trên đám mây đã ngừng hoạt động. Theo trang chính thức của AWS, Amazon Lookout for Equipment đã kết thúc hỗ trợ vào ngày 7/10/2026. Theo Microsoft Learn, Azure AI Anomaly Detector đã bị khai tử vào ngày 1/10/2026. Nếu hệ thống giám sát được xây dựng trên các dịch vụ này thì cần phải xây dựng lại.

Vậy chỉ cần đưa AI vào là lãng phí năng lượng sẽ tự động được phát hiện? Trong bài viết này, chúng tôi cho rằng khi đưa AI vào phát hiện bất thường năng lượng ở nhà máy, điều cần quyết định trước không phải là tên thuật toán, mà là 3 điều sau.

1. So sánh với cái gì để gọi là bất thường: không nhìn vào bản thân mức sử dụng, mà nhìn vào chênh lệch so với “mức tiêu thụ kỳ vọng (đường cơ sở)” được tính từ các biến liên quan như sản lượng, chủng loại sản phẩm, nhiệt độ ngoài trời.
2. Tách tiêu chí độ khớp của mô hình khỏi cách phát cảnh báo: mô hình dự đoán tốt và cảnh báo hữu ích là hai hạng mục thiết kế khác nhau. Mỗi cảnh báo cần gắn người phụ trách và thời hạn để con người xác minh nguyên nhân.
3. Quy định việc xem xét lại và việc mang dữ liệu ra ngoài bằng hợp đồng: ghi điều kiện xem xét lại đường cơ sở, các biến giải thích, phương thức mang dữ liệu và mô hình ra ngoài vào RFP (hồ sơ mời đề xuất), rồi kiểm chứng bằng PoC và FAT/SAT (thử nghiệm xuất xưởng và nghiệm thu tại hiện trường).

Dưới đây, chúng tôi lần lượt kiểm tra căn cứ của 3 điểm này theo thứ tự: hướng dẫn ISO 50001 của Bộ Năng lượng Hoa Kỳ (DOE), các tài liệu trích dẫn ASHRAE Guideline 14, benchmark công khai, tài liệu công khai của các sản phẩm chính, và chế độ của Thái Lan, sau cùng đưa chúng vào các hạng mục của RFP và thử nghiệm nghiệm thu.

AI phát hiện bất thường năng lượng là gì: điều cần tìm là “lãng phí” hơn là “hỏng hóc”

AI phát hiện bất thường năng lượng là cơ chế theo dõi liên tục mức sử dụng điện, khí nén, hơi, gas và thông báo khi có “cách sử dụng khác thường”. Nội dung chính của bài viết này không phải là dấu hiệu hỏng hóc của thiết bị, mà là lãng phí năng lượng lẫn vào trong vận hành hằng ngày. Ví dụ như thiết bị quên tắt vào ngày nghỉ hoặc giờ nghỉ trưa, điện năng chờ không giảm dù sản xuất đã kết thúc, lượng khí nén tiêu thụ không giảm cả vào ban đêm, hay điều hòa và nước làm mát bị cài đặt lệch.

Phát hiện bất thường cho dấu hiệu hỏng hóc thiết bị sử dụng tín hiệu riêng của từng thiết bị như rung động, nhiệt độ, dạng sóng dòng điện, với mục đích “dừng máy trước khi hỏng”. Ngược lại, phát hiện bất thường năng lượng so sánh mức sử dụng của nhà máy hoặc nhóm thiết bị với “lượng hợp lý xét theo sản xuất và nhiệt độ”, với mục đích tìm ra “khung giờ và vị trí đang dùng dư thừa”. Cùng gọi là “AI phát hiện bất thường” nhưng dữ liệu sử dụng, tiêu chí đánh giá và người nhận cảnh báo đều khác nhau.

Bức tranh tổng thể về việc nên bắt đầu AI phát hiện bất thường của nhà máy từ lĩnh vực nào được trình bày trong AI phát hiện bất thường 2026 | Chọn lĩnh vực nào để bắt đầu. Bài viết này là phần triển khai chi tiết cho lĩnh vực năng lượng trong số đó. Về các cơ chế làm tiền đề cho phát hiện bất thường, như cách chọn điểm đo hay chi phí trực quan hóa, vui lòng xem Hệ thống giám sát năng lượng nhà máy tại Thái Lan: chi phí và lộ trình 2026.

Ngay cả trong giới nghiên cứu, việc “gọi cái gì là bất thường” cũng không đơn giản. Bài tổng quan của Himeur và cộng sự (Applied Energy, 2021) đã hệ thống hóa rộng rãi việc phát hiện bất thường tiêu thụ năng lượng tòa nhà bằng AI, và nêu ra các thách thức chưa được giải quyết như “chưa có định nghĩa chặt chẽ về tiêu thụ điện bất thường”, chưa có bộ dữ liệu được gán nhãn và chưa có chỉ số đánh giá thống nhất. Đối tượng chính của bài tổng quan này là công tơ phụ và cảm biến thông minh trong nhà ở, nhưng chúng tôi cho rằng tình hình ở nhà máy cũng tương tự. Chính vì vậy, phía triển khai cần tự quyết định định nghĩa bất thường trước.

Mặt khác, cũng có nghiên cứu lấy nhà máy làm đối tượng. Bài báo của Mendia và cộng sự (Expert Systems, tháng 2/2024) báo cáo một công cụ mô tả “hành vi sản xuất và năng lượng bình thường” của nhà máy theo cách không giám sát và ở dạng con người hiểu được, đồng thời giám sát cả tiêu thụ năng lượng lẫn sản xuất để phát hiện bất thường và kém hiệu quả, rồi xác định nguyên nhân ở cấp dây chuyền, công đoạn, máy móc. Công cụ được đánh giá bằng dữ liệu của nhà sản xuất linh kiện ô tô GESTAMP và cho kết quả tốt hơn các phương pháp không giám sát và bán giám sát được so sánh. Vì các con số hiệu năng không được nêu trong phần tóm tắt, bài viết này không trích dẫn con số. Điều đáng chú ý là hướng thiết kế: nhìn năng lượng cùng với sản xuất, và trình bày nguyên nhân ở dạng con người hiểu được.

Vì sao “bản thân mức sử dụng” không cho biết bất thường: chuẩn hóa EnPI

Lý do không thể phán đoán chỉ bằng biểu đồ mức sử dụng là vì mức sử dụng không chỉ thay đổi theo “lãng phí” mà còn theo “độ bận rộn của sản xuất” và “độ nóng”. Ngày sản lượng cao thì dùng nhiều điện hơn là đương nhiên, gọi đó là bất thường sẽ thành cảnh báo giả. Ngược lại, chính những ngày sản lượng thấp mà mức sử dụng không giảm bao nhiêu mới có khả năng ẩn chứa lãng phí.

ISO 50001:2018 là khung theo dõi cải tiến bằng chỉ số hiệu suất năng lượng (EnPI) và đường cơ sở năng lượng (EnB). Theo hướng dẫn của “50001 Ready Navigator” của DOE Hoa Kỳ tương ứng với ISO 50001:2018 (do Phòng thí nghiệm Quốc gia Lawrence Berkeley công bố), EnPI có các dạng “chỉ số đơn lẻ”, “tỷ số (suất tiêu hao)” và “mô hình số có xét đến một hoặc nhiều biến liên quan”. Và khi có biến liên quan, bản thân lượng tiêu thụ năng lượng không thể dùng làm EnPI, mà EnPI cần được chuẩn hóa. Tiêu chí để xác định biến liên quan có “ảnh hưởng đáng kể” hay không là do tổ chức tự quyết định.

Chuẩn hóa ở đây nghĩa là so sánh sau khi đã cân bằng sự khác biệt về điều kiện như sản lượng hay nhiệt độ ngoài trời. Suất tiêu hao (kWh/sản phẩm v.v.) là cách chuẩn hóa đơn giản nhất, nhưng khi có phần tiêu thụ phát sinh không liên quan đến sản lượng như điện năng chờ, nó có đặc điểm là ngày sản lượng càng thấp thì suất tiêu hao trông càng xấu. Mô hình hồi quy đưa vào nhiều biến liên quan là một trong những phương pháp để bù cho đặc điểm này.

Vị trí của EnPI và EnB trong ISO 50001, cũng như quy trình từ trực quan hóa đến hoàn vốn, được giải thích trong Quản lý năng lượng ISO50001 2026: hoàn vốn bắt đầu từ đo điện năng. Ngoài ra, ISO 50006:2023 (ấn bản thứ 2, tháng 5/2023) là hướng dẫn thiết lập, sử dụng và duy trì EnPI và EnB, và được cho là có thể dùng bất kể có áp dụng ISO 50001 hay không. Tuy nhiên, bài viết này không xem xét các tiêu chí thống kê cụ thể trong các điều khoản của tiêu chuẩn đó vì chúng tôi chưa kiểm tra.

Chúng tôi cũng nêu rõ phạm vi của bài viết. Việc đo lường, kiểm chứng và nghiệm thu “giảm được bao nhiêu” sau khi thực hiện biện pháp tiết kiệm năng lượng là công việc của M&V (Measurement and Verification). ISO 50015:2014 là tiêu chuẩn nêu các nguyên tắc chung và hướng dẫn cho việc đó, và được cho là có thể dùng kết hợp với các giao thức như IPMVP. Cách nghiệm thu khoản tiết kiệm của các biện pháp bằng M&V được dành cho bài Giải pháp tiết kiệm năng lượng nhà máy: Từ đo lường đến xác minh. Bài viết này không bàn về trước và sau một biện pháp, mà về việc tìm ra lãng phí và bất thường trong vận hành hằng ngày. Công cụ sử dụng (đường cơ sở, hồi quy, chuẩn hóa) là chung, nhưng mục đích và tần suất đánh giá khác nhau.

Cách xây dựng mô hình đường cơ sở (mức tiêu thụ kỳ vọng)

Trung tâm của phát hiện bất thường năng lượng là mô hình đưa ra mức tiêu thụ kỳ vọng theo kiểu “với điều kiện này thì lẽ ra phải dùng khoảng chừng này”. Khi chênh lệch giữa giá trị thực đo và mức tiêu thụ kỳ vọng lớn, và chênh lệch đó vượt ra ngoài phạm vi có thể xảy ra về mặt thống kê, thì xem đó là ứng viên bất thường.

Từ hồi quy đến học máy

Dạng cơ bản nhất là hồi quy tuyến tính với sản lượng và nhiệt độ ngoài trời làm biến giải thích. Sau đó bổ sung thêm cơ cấu chủng loại sản phẩm, ca vận hành, thứ trong tuần, phân loại ngày nghỉ v.v. Khi quan hệ không tuyến tính hoặc các biến đan xen phức tạp với nhau, cũng có thể dùng học máy như các phương pháp họ cây quyết định hoặc mạng nơ-ron.

Một bài tổng quan có hệ thống về EnPI của ISO 50001 và các mô hình tính toán, đăng trên tạp chí Algorithms của MDPI, đã sàng lọc 2.691 bài từ 5.442 bài và phân tích chi tiết 283 bài. Theo đó, xu hướng nghiên cứu đang chuyển từ các chỉ số truyền thống và đường cơ sở chuẩn hóa sang mô hình hóa bằng phân tích hồi quy, học máy và học sâu. Các phương pháp thông minh cho phép “đường cơ sở động” và “phát hiện sớm các mẫu tiêu thụ bất thường”, nhưng chất lượng dữ liệu, khả năng diễn giải của mô hình và chuẩn hóa phương pháp luận được nêu là các thách thức. Kết luận là các phương pháp thông minh nên chuyển đổi EnPI chứ không thay thế nó.

Trong bài viết này, chúng tôi cho rằng nên ưu tiên việc người ở hiện trường có thể giải thích “vì sao giá trị kỳ vọng là con số này” hơn là độ mới của thuật toán. Bởi nếu người nhận cảnh báo nhìn vào sản lượng hay nhiệt độ làm căn cứ cho giá trị kỳ vọng mà không thấy thuyết phục rằng “đúng là hôm nay lẽ ra phải dùng ít”, thì sẽ không dẫn đến việc kiểm tra tại hiện trường.

Cách chọn biến giải thích

Các ứng viên biến giải thích gồm sản lượng (số sản phẩm, khối lượng, số hành trình dập v.v.), chủng loại hoặc cơ cấu sản phẩm, thời gian vận hành và ca, nhiệt độ ngoài trời (độ ẩm nếu cần), phân loại ngày nghỉ và dừng máy theo kế hoạch v.v. Khi chọn, cần kiểm tra các điểm sau.

• Biến đó có thực sự làm thay đổi mức sử dụng không. Kiểm tra cả bằng cảm nhận của hiện trường lẫn quan hệ trên dữ liệu.
• Có lấy được theo cùng kỳ và cùng độ chi tiết với mức sử dụng không. Hướng dẫn hồi quy của BPA (Cơ quan Điện lực Bonneville, Hoa Kỳ) cũng cho rằng biến giải thích và biến mục tiêu nên được đo trong cùng một khoảng thời gian.
• Ai sẽ cung cấp, từ hệ thống nào, chậm nhất khi nào. Nếu sản lượng nằm trong MES hoặc ERP và chỉ được chốt theo ngày, thì việc đánh giá bất thường cũng sẽ theo ngày.

Kỳ đường cơ sở phải bao phủ toàn bộ phạm vi điều kiện vận hành

“Regression for M&V: Reference Guide” của BPA (ấn bản thứ 3, tháng 5/2024) cho rằng dữ liệu của kỳ đường cơ sở nên “bao phủ” toàn bộ phạm vi điều kiện vận hành. Khi chịu ảnh hưởng của thời tiết thì 12 tháng hoặc 24 tháng là phổ biến, và hướng dẫn giải thích rằng dữ liệu chỉ từ tháng 10 đến tháng 4 sẽ không bao phủ điều kiện giữa mùa hè, dẫn đến dự báo ngoài phạm vi. Hướng dẫn cũng nêu rằng trong môi trường sản xuất cần chọn khoảng thời gian duy trì được “tính nhất quán của sản xuất”.

Ở các nhà máy tại Thái Lan có tải điều hòa hoặc chiller lớn, chúng tôi cho rằng nếu không có khoảng thời gian bao gồm mùa nóng, mùa mưa và mùa khô thì khi mùa thay đổi, giá trị kỳ vọng sẽ lệch ngay và cảnh báo giả sẽ tăng. Nếu cần khởi động gấp, cách thực tế là ghi rõ mô hình xây dựng từ khoảng thời gian ngắn là “tạm thời”, với tiền đề sẽ xây dựng lại khi các mùa đã đi hết một vòng.

Dữ liệu 15 phút và tự tương quan

Như sẽ trình bày sau, giá điện của khách hàng lớn tại Thái Lan được xác định theo công suất nhu cầu bình quân 15 phút. Chúng tôi cho rằng nếu thống nhất độ chi tiết thu thập ở mức 15 phút thì sẽ dễ đối chiếu với tiền điện hơn. Cách làm cho việc thu thập dữ liệu 15 phút trở nên đáng tin cậy được giải thích trong Thu thập dữ liệu công tơ điện: RFP cho dữ liệu 15 phút đáng tin cậy.

Tuy nhiên, độ chi tiết cao có lưu ý về mặt thống kê. Hướng dẫn của BPA cho rằng dữ liệu tần suất càng cao thì càng dễ làm giảm độ bất định của lượng tiết kiệm, nhưng với dữ liệu theo giờ hoặc chi tiết hơn, tự tương quan (các giá trị liền kề giống nhau) làm sai lệch tính toán thống kê nên cần xử lý bổ sung. Theo hướng dẫn này, Annex D của ASHRAE Guideline 14 cho rằng nếu hệ số tự tương quan ρ nhỏ hơn 0,5 thì có thể bỏ qua tự tương quan. Khi dùng dữ liệu 15 phút để đánh giá bất thường, có thể nghĩ đến cách làm hai lớp, chẳng hạn đưa ra giá trị kỳ vọng theo đơn vị 15 phút nhưng đánh giá thống kê thì kiểm tra cả theo ngày hoặc theo giờ.

Thước đo độ khớp của mô hình: đọc ASHRAE Guideline 14 như thế nào

Đối với việc mô hình đường cơ sở “dự đoán đúng đến mức nào”, có các thước đo thống kê đã được dùng trong lĩnh vực M&V. Tiêu biểu là CV(RMSE) (độ lớn sai số dự báo chia cho giá trị trung bình) và NMBE (độ lệch của dự báo).

Khi đọc bảng này, có 3 lưu ý.

Thứ nhất, CV(RMSE) 20% và 25% nêu ở đây là thước đo độ khớp của đường cơ sở hồi quy. Đó là câu chữ của ASHRAE Guideline 14-2014 được một bài viết đóng góp của EVO (Efficiency Valuation Organization) trích dẫn. Vì bản gốc của ASHRAE là tài liệu trả phí, bài viết này chưa kiểm tra bản gốc. Ngoài ra, theo hướng dẫn của BPA, phiên bản mới nhất là ASHRAE Guideline 14-2023, và chúng tôi chưa xác nhận được các con số có thay đổi trong phiên bản 2023 hay không.

Thứ hai, đây không phải là tiêu chí đạt cho AI phát hiện bất thường. Mục đích của M&V là ước tính đúng lượng tiết kiệm trong một khoảng thời gian nhất định. Mục đích của phát hiện bất thường là tìm ra những độ lệch lớn ở từng khung giờ. Dù CV(RMSE) của toàn mô hình nhỏ, vẫn có thể xảy ra tình trạng cảnh báo quá nhiều hoặc bỏ sót đúng bất thường quan trọng. Ngược lại, khi độ khớp của mô hình không đạt thước đo (ví dụ CV(RMSE) vượt giá trị của thước đo), có khả năng thiếu biến giải thích hoặc dữ liệu có vấn đề, và chúng tôi cho rằng cần sửa những điểm đó trước khi phát cảnh báo.

Thứ ba, tác giả bài viết của EVO cho biết nhiều chuyên gia coi trọng CV(RMSE) hơn R². Vì R² dễ cao khi mức sử dụng biến động lớn, điều quan trọng là không chỉ dựa vào R² để kết luận “mô hình dự đoán tốt”.

Trong RFP, chúng tôi khuyến nghị yêu cầu nhà cung cấp nêu rõ “báo cáo chỉ số nào, với dữ liệu của khoảng thời gian nào, theo đơn vị nào (15 phút, giờ, ngày)”, và chuẩn bị sao cho doanh nghiệp tự kiểm tra được các giá trị đó.

Chuẩn bị dữ liệu và chất lượng: không để mô hình học bất thường như là bình thường

Chất lượng của mô hình đường cơ sở được quyết định bởi chất lượng dữ liệu dùng để huấn luyện. Hướng dẫn của BPA nêu quy trình làm sạch dữ liệu như sau.

1. Giá trị ngoại lai: tìm hiểu nguyên nhân, những gì thực sự bất thường như hỏng thiết bị, ngừng hoạt động bất thường, lỗi đồng hồ đo thì ghi nhận rồi loại bỏ.
2. Sự kiện không thường xuyên: điều chỉnh đối với cải tạo, mở rộng, thêm hoặc tháo dỡ thiết bị, thay đổi lịch vận hành v.v.
3. Thiếu dữ liệu: với khoảng thiếu lớn, tìm nguyên nhân hoặc dữ liệu thay thế (trạm quan trắc khí tượng lân cận v.v.). Thiếu ít thì bù bằng trung bình các giá trị trước và sau v.v., thiếu nhiều thì nội suy bằng mô hình hồi quy.
4. Trùng lặp: dữ liệu theo khoảng thời gian dễ bị trùng lặp, nên loại bỏ phần trùng lặp.

Hướng dẫn này cho rằng việc làm sạch nên được thực hiện ở cả kỳ đường cơ sở và kỳ báo cáo. Áp dụng vào phát hiện bất thường, chúng tôi cho rằng nếu huấn luyện mà không loại bỏ những giai đoạn rò rỉ khí nén hay những đêm quên tắt máy có trong dữ liệu quá khứ, mô hình sẽ ghi nhớ chúng như là “bình thường”. Bài báo LEAD1.0 cũng ghi rằng chú thích về các giá trị ngoại lai mà những người tham gia hạng cao trên Kaggle đã loại bỏ là không đầy đủ. Công việc tìm lại các bất thường trong quá khứ tuy không nổi bật nhưng không thể bỏ qua.

EVO, đơn vị vận hành IPMVP, phân biệt điều chỉnh thường xuyên (cân bằng điều kiện bằng hồi quy v.v. đối với các yếu tố được dự kiến thay đổi thường xuyên) và điều chỉnh không thường xuyên (điều chỉnh khi các yếu tố được giả định là không thay đổi lại ảnh hưởng đến việc sử dụng năng lượng vì lý do khác ngoài biện pháp tiết kiệm năng lượng). Nếu phân chia trước rằng thay đổi sản lượng và nhiệt độ là “thường xuyên” do mô hình hấp thụ, còn việc thêm dây chuyền hay tháo dỡ thiết bị là “không thường xuyên” được ghi nhận bên ngoài mô hình, thì việc xem xét lại đường cơ sở sẽ trình bày ở phần sau sẽ dễ sắp xếp hơn.

Cách lập kế hoạch cho từ điển dữ liệu, đồng bộ thời gian và xử lý thiếu dữ liệu được trình bày chi tiết trong Hệ thống quản lý năng lượng: kế hoạch dữ liệu ISO/DIS 50012. Về cách đưa tình trạng thiếu dữ liệu từ cảm biến và truyền thông vào tiêu chí nghiệm thu, vui lòng xem Chống thất lạc dữ liệu cảm biến nhà máy: tiêu chí nghiệm thu RFP, FAT và SAT. Với phát hiện bất thường, cần quyết định trước có đưa chính việc thiếu dữ liệu vào đối tượng cảnh báo hay không. Mục đích là để không nhầm việc công tơ ngừng hoạt động khiến mức sử dụng bằng 0 là “tiết kiệm năng lượng lớn”.

Thiết kế cảnh báo: quyết định riêng, tách khỏi độ khớp

Khi đã có mô hình, tiếp theo là cách phát cảnh báo. Đây là điểm thứ 2 trong trục chính của bài viết. Tiêu chí độ khớp của mô hình và điều kiện cảnh báo được quyết định như hai hạng mục thiết kế riêng biệt.

Xác định “phạm vi có thể xảy ra” bằng khoảng dự báo

Theo hướng dẫn của BPA, khoảng dự báo (prediction interval) là “phạm vi mà một giá trị quan sát đơn lẻ lẽ ra phải nằm trong đó”, và rộng hơn khoảng tin cậy của giá trị trung bình. Chúng tôi cho rằng việc giá trị thực đo của từng khung giờ cách giá trị kỳ vọng bao xa thì coi là bất thường nên được xem xét bằng khoảng dự báo này là tự nhiên. Nằm ngoài khoảng dự báo không có nghĩa là chắc chắn bất thường, nhưng đó là ứng viên của “độ lệch khó giải thích bằng sai số của mô hình”.

Kết hợp thời gian kéo dài, số tiền và mức ưu tiên

Nếu thông báo chỉ vì một giá trị 15 phút nằm ngoài khoảng dự báo thì cảnh báo sẽ tăng quá nhiều. Trong thực tế, có thể kết hợp các điều kiện như sau.

Khi quy đổi ra số tiền, vui lòng đặt đơn giá từ loại hợp đồng của doanh nghiệp và hóa đơn thực tế. Giá điện bình quân được đưa tin là giá trị bình quân cho người dùng thông thường, không phải chính giá điện của doanh nghiệp.

Ngăn chặn tình trạng mệt mỏi vì cảnh báo bằng cách “đếm số lượng”

Trong lĩnh vực điều khiển quá trình, có các tiêu chuẩn quản lý cảnh báo như ISA-18.2 và EEMUA 191, và cách nghĩ đặt mức tham chiếu cho số lượng cảnh báo mà một người vận hành nhận được đã được giới thiệu trong nhiều tài liệu thứ cấp. Đây là mức tham chiếu cho cảnh báo dành cho người vận hành, không phải là tiêu chí cho cảnh báo bất thường năng lượng. Dù vậy, chúng tôi cho rằng có thể mượn nguyên vẹn cách nghĩ “thiết kế số lượng cảnh báo, đo số lượng thực tế, nếu quá nhiều thì xem lại điều kiện”.

Bài báo benchmark công khai cũng nêu thách thức rằng vì không có dữ liệu được gán nhãn nên các phương pháp không giám sát được dùng rộng rãi, dẫn đến nhiều phát hiện sai. ABB, trong một bài tin tức về quản lý năng lượng, giải thích rằng vì hiệu suất thiết bị thay đổi theo tuổi thọ nên ngưỡng cảnh báo thủ công cần được cập nhật liên tục. Dù đặt ngưỡng bằng tay hay để AI tạo phạm vi kỳ vọng, đều cần có cơ chế xem lại số lượng và nội dung cảnh báo hằng tuần.

Gắn người phụ trách và thời hạn để con người xác minh nguyên nhân

Bản thân một cảnh báo bất thường năng lượng chỉ là “ứng viên lãng phí”. Chỉ khi xuống hiện trường kiểm tra điều gì đã xảy ra thì mới biết đó là lãng phí, là việc sử dụng có lý do chính đáng, hay là vấn đề đo lường. Trong bài viết này, chúng tôi khuyến nghị vận hành sao cho mỗi cảnh báo luôn được gắn “người phụ trách xác minh” và “thời hạn xác minh”, và kết quả xác minh được ghi lại. Chúng tôi cho rằng cảnh báo chưa có người phụ trách thì dù độ chính xác cao đến đâu cũng không dẫn đến kết quả.

Điều rút ra từ benchmark công khai: đúng nhiều nhưng bỏ sót cũng nhiều

Các phương pháp AI có sẵn dùng được đến mức nào trong phát hiện bất thường năng lượng? Một benchmark công khai là LEAD1.0 (Gulati & Arjunan, arXiv 2203.17256, ngày 30/3/2022). Trước tiên cần xác nhận các điều kiện.

• Đối tượng là 1.413 công tơ điện của tòa nhà thương mại (tòa nhà không phải nhà ở), dữ liệu theo giờ trong 1 năm 2016, không phải dữ liệu nhà máy.
• Bất thường điểm và bất thường liên tục (tập thể) được gán thủ công vào dữ liệu của ASHRAE Great Energy Predictor III (Kaggle, 2019) (khoảng 100 giờ công). Có 199.640 điểm bất thường trên 12.060.910 điểm (không tính dữ liệu thiếu).
• Đánh giá theo “khoảng 24 giờ có bất thường hay không”. Phương pháp là 8 phương pháp không giám sát có sẵn của PyOD. Chỉ số là Precision (độ chính xác dương: tỷ lệ thực sự bất thường trong số được đánh giá là bất thường), Recall (độ phủ: tỷ lệ bắt được trong số các bất thường thực sự), F1 (trung bình điều hòa của hai chỉ số).

Kết quả như sau (Bảng 1 của bài báo).

Trong điều kiện này, Precision của cả 8 phương pháp đều cao ở mức 0,895–0,902, trong khi Recall chỉ dừng ở 0,258–0,284, và F1 ngay cả với KNN cao nhất cũng chỉ là 0,431. Nói cách khác, kết quả là “các khoảng được đánh giá là bất thường phần lớn là đúng, nhưng phần lớn bất thường do con người gán vẫn chưa bắt được”. Chính các tác giả cũng nói rõ đây là một benchmark có giới hạn.

Từ kết quả này, bài viết rút ra 2 điểm sau.

Thứ nhất, không đánh giá AI bằng một con số duy nhất. Dù được nói là “độ chính xác cao”, ý nghĩa hoàn toàn khác nhau tùy đó là Precision, Recall hay F1. Nhầm lẫn Precision với F1 sẽ dẫn đến đánh giá sai lệch lớn.

Thứ hai, chỉ áp nguyên các phương pháp không giám sát có sẵn thì có thể bỏ sót nhiều bất thường. Sau LEAD1.0 cũng có các nghiên cứu thử GAN hoặc mô hình theo từng cụm trên cùng bộ dữ liệu, nhưng vì số tòa nhà đối tượng, đơn vị đánh giá, điều kiện có giám sát hay không giám sát đều khác nhau, nên không thể đặt các giá trị cạnh nhau để so sánh. Chúng tôi cho rằng khi dùng ở nhà máy, tiền đề là kết hợp đường cơ sở có đưa vào các biến giải thích riêng của nhà máy như sản lượng và chủng loại sản phẩm, cùng với quy trình vận hành có con người xác minh.

Dữ liệu theo giờ của tòa nhà thương mại và dữ liệu 15 phút của nhà máy có cách biến động mức sử dụng hoàn toàn khác nhau. Vui lòng không đọc các giá trị trong bảng này như những giá trị có thể kỳ vọng ở nhà máy. Việc kiểm chứng bằng dữ liệu của chính doanh nghiệp, sử dụng các sự kiện quá khứ mà doanh nghiệp đã biết, là vai trò của PoC sẽ được trình bày từ chương sau.

Các sản phẩm chính mô tả như thế nào

Dưới đây là phần sắp xếp theo thứ tự bảng chữ cái tên công ty về cách tài liệu công khai của các sản phẩm chính mô tả các chức năng liên quan đến giá trị kỳ vọng năng lượng và cảnh báo. Đây không phải là so sánh hơn kém hay khuyến nghị, mà là bảng để xem “được mô tả như một cơ chế như thế nào”. Chúng tôi không xác nhận được giá công khai của bất kỳ sản phẩm nào.

Bổ sung cho bảng. Theo trang chính thức của Mitsubishi Electric, EcoAdviser quản lý tập trung điện, nước, khí nén, gas, dầu nặng và có thể quản lý suất tiêu hao. Về chẩn đoán, công ty mô tả rằng mức hiệu quả cải tiến tham khảo được hiển thị bằng số tiền, và đánh giá của người dùng được phản ánh vào các lần sau. Ứng dụng liên quan của Schneider Electric (Energy Modeling & Verification) được mô tả là phân tích tiêu thụ bằng cách so sánh với đường cơ sở có xét đến các yếu tố tác động (driver) như nhiệt độ ngoài trời, số người hiện diện, năng suất. Theo phụ lục chứng nhận của Siemens, các thành phần thuộc phạm vi chứng nhận hỗ trợ tuân thủ các yêu cầu như 6.4 (EnPI), 6.5 (EnB) của ISO 50001, và SIMATIC Energy Manager PRO cùng Energy Analytics hỗ trợ tuân thủ các yêu cầu như 4.2.4 của ISO 50006.

Điều nhìn thấy từ bảng là bộ khung chung trong mô tả của các công ty: đưa vào các biến liên quan (driver), tạo giá trị kỳ vọng, hiển thị chênh lệch với giá trị thực đo, và thông báo theo ngưỡng hoặc phạm vi kỳ vọng. Chúng tôi cho rằng dù tên gọi là “AI” hay “hồi quy”, cách nghĩ “nhìn vào chênh lệch so với mức tiêu thụ kỳ vọng” đã nêu ở điểm ① trong trục chính của bài viết là như nhau. Khác biệt nằm ở chỗ có thể đưa vào biến nào với tần suất nào, căn cứ của giá trị kỳ vọng được hiển thị đến đâu, và việc huấn luyện lại được kiểm soát ra sao. Những điều này không thể phán đoán chỉ từ tài liệu của các công ty, nên sẽ được kiểm chứng bằng RFP và PoC. Về hệ thống hỗ trợ tại địa phương và ngôn ngữ giao diện, vui lòng hỏi riêng từng công ty.

Các dịch vụ phát hiện bất thường trên đám mây đã ngừng hoạt động

Những gì không nêu trong bảng là các dịch vụ đám mây đã ngừng hoạt động trong năm 2026. Chúng không phải là lựa chọn hiện tại, mà được giới thiệu như ví dụ về “điều gì xảy ra khi dịch vụ ngừng hoạt động”.

Theo trang chính thức của AWS, Amazon Lookout for Equipment đã kết thúc hỗ trợ vào ngày 7/10/2026, và từ đó không thể truy cập console và tài nguyên. Theo lịch sử tài liệu của hướng dẫn sử dụng, dịch vụ đã ngừng nhận khách hàng mới từ ngày 17/10/2024.

Theo Microsoft Learn, Azure AI Anomaly Detector không cho tạo tài nguyên mới từ sau ngày 20/9/2023, và đã bị khai tử vào ngày 1/10/2026. Phương án chuyển đổi được giới thiệu là Microsoft Fabric có tích hợp microsoft/anomaly-detector mã nguồn mở, hoặc phiên bản mã nguồn mở.

Cả hai đều có khoảng thời gian tính bằng năm từ lúc ngừng nhận khách hàng mới đến khi kết thúc. Dù vậy, các nhà máy đã xây dựng hệ thống giám sát trên những dịch vụ này vẫn buộc phải chuyển mô hình, dữ liệu huấn luyện và điều kiện cảnh báo sang nơi khác. Đó là lý do ở điểm ③ trong trục chính, bài viết khuyến nghị ghi “việc mang dữ liệu và mô hình ra ngoài khi dịch vụ ngừng hoạt động” vào RFP.

Điều kiện xem xét lại đường cơ sở (huấn luyện lại) và việc ghi nhận

Đường cơ sở không phải xây một lần là xong. Khi thiết bị được thay mới, bản thân mức sử dụng cũng thay đổi. Đây là nửa đầu của điểm thứ 3 trong trục chính.

Theo hướng dẫn của DOE, EnB được xem xét lại trong các trường hợp sau: ① khi EnPI không còn phản ánh chính xác hiệu suất năng lượng của tổ chức, ② khi có thay đổi lớn về yếu tố tĩnh, công đoạn, mô hình vận hành hoặc hệ thống năng lượng, ③ khi tuân theo phương pháp đã định trước. Và hướng dẫn cho rằng phải lưu giữ hồ sơ về việc thay đổi và cập nhật EnB.

Áp vào ví dụ nhà máy, các tình huống sau sẽ là cơ hội để xem xét lại.

• Các biện pháp tiết kiệm năng lượng như thay máy nén khí hoặc chiller hiệu suất cao, chuyển chiếu sáng sang LED
• Thêm hoặc tháo dỡ dây chuyền, mở rộng nhà xưởng
• Thay đổi lớn trong cơ cấu chủng loại sản phẩm (sản phẩm tiêu tốn nhiều năng lượng tăng lên hoặc giảm đi v.v.)
• Thay đổi chế độ ca hoặc lịch ngày nghỉ
• Thêm điểm đo, thay công tơ hoặc CT

Mặt khác, ABB mô tả phương thức trong đó AI huấn luyện lại mỗi khi có dữ liệu mới để đường cơ sở bám theo. Nếu tự động bám theo thì dễ thích ứng với sự thay đổi theo tuổi thọ thiết bị. Tuy nhiên, chúng tôi cho rằng cũng có nguy cơ những lãng phí tiến triển chậm (rò rỉ khí nén tăng dần, bộ trao đổi nhiệt bị bám bẩn v.v.) bị hấp thụ thành “trạng thái bình thường mới”. Đây không phải là khẳng định đã được kiểm chứng bằng nguồn mà là suy luận của bài viết, nhưng chính vì vậy mà việc ghi lại “huấn luyện lại khi nào, do sự kiện gì, với sự phê duyệt của ai” là quan trọng.

Trong bài viết này, chúng tôi khuyến nghị quyết định việc huấn luyện lại theo 2 loại sau.

1. Huấn luyện lại định kỳ: thực hiện theo chu kỳ đã định trước, chẳng hạn mỗi khi các mùa đi hết một vòng. Tương ứng với ③ “phương pháp đã định trước” trong hướng dẫn của DOE.
2. Xem xét lại theo sự kiện: thực hiện khi có những thay đổi đã nêu ở trên. Tương ứng với ②.

Trong cả hai trường hợp, so sánh độ khớp của mô hình (các chỉ số ở chương trước) trước và sau khi huấn luyện lại, và ghi lại lý do thay đổi cùng người phê duyệt. Nếu tự ý dịch chuyển đường cơ sở của phát hiện bất thường trong khi đang đánh giá hiệu quả của biện pháp tiết kiệm năng lượng bằng M&V, có thể phát sinh mâu thuẫn với việc đánh giá khoản tiết kiệm. Chúng tôi cho rằng an toàn hơn là quản lý cả hai bởi cùng một nhóm, hoặc ít nhất có cơ chế chia sẻ các thay đổi.

Quy trình xác minh nguyên nhân: từ cảnh báo đến biện pháp và ghi nhận

Điều biến cảnh báo thành kết quả là quy trình xác minh nguyên nhân. Trong bài viết này, chúng tôi sắp xếp thành 6 bước sau.

1. Phát hiện (DETECT): chênh lệch so với giá trị kỳ vọng vượt các điều kiện đã định (khoảng dự báo, thời gian kéo dài v.v.).
2. Phân loại sơ bộ (TRIAGE): đánh giá sơ bộ trên màn hình xem đó là sự kiện đã biết như dừng máy theo kế hoạch hay chạy thử, là lỗi đo lường (thiếu dữ liệu, giá trị 0, trùng lặp), hay thực sự là bất thường vận hành.
3. Kiểm tra tại hiện trường (ON-SITE CHECK): người phụ trách kiểm tra tại hiện trường trước thời hạn.
4. Phân loại nguyên nhân (ROOT CAUSE): phân loại thành quên tắt máy, cài đặt lệch, rò rỉ, thiết bị xuống cấp, sai dữ liệu sản xuất, sai mô hình v.v.
5. Biện pháp (ACTION): những gì sửa được tại chỗ thì sửa, những gì cần đầu tư thiết bị thì đăng ký thành hạng mục cải tiến.
6. Ghi nhận và đánh giá việc huấn luyện lại (LOG / RETRAIN?): ghi lại kết quả và đánh giá có cần xem xét lại đường cơ sở hay không.

Nơi xác minh nguyên nhân thay đổi tùy theo hệ thống phát ra cảnh báo. Ví dụ, khi mức sử dụng của hệ thống khí nén không giảm vào ban đêm hoặc ngày nghỉ, nơi cần kiểm tra là rò rỉ khí nén hoặc việc điều phối số lượng máy nén khí. Việc xem xét lại điều phối số lượng máy được trình bày trong AI điều phối máy nén khí tại nhà máy Thái Lan: chọn hệ thống và nghiệm thu. Khi mức sử dụng của hệ thống điều hòa và làm mát cao so với nhiệt độ ngoài trời, nơi cần kiểm tra là trạng thái vận hành của chiller. Về điểm đo và cách giám sát chiller, vui lòng xem Giám sát chiller nhà máy: điểm đo, kW/ton và FAT/SAT.

Điều quan trọng trong quy trình này là luôn đưa “sai mô hình” và “sai dữ liệu sản xuất” vào bước 4 “phân loại nguyên nhân”. Chúng tôi cho rằng khi vận hành phát hiện bất thường, một phần nhất định của cảnh báo sẽ không phải là lãng phí, mà do bỏ sót nhập sản lượng hoặc do các điều kiện vận hành mà mô hình không biết. Nếu ghi lại điều đó, có thể dẫn đến việc bổ sung biến giải thích hoặc cải thiện liên kết dữ liệu. Ngược lại, nếu không ghi lại, cùng một cảnh báo giả sẽ lặp lại và mất lòng tin của hiện trường.

Về ghi nhận, chúng tôi khuyến nghị lưu lại ít nhất “ngày giờ và hệ thống của cảnh báo”, “chênh lệch giữa giá trị kỳ vọng và giá trị thực đo”, “người xác minh và ngày xác minh”, “phân loại nguyên nhân”, “biện pháp và ngày hoàn thành”, “có cần huấn luyện lại hay không”. Như sẽ trình bày sau, ở các nhà máy được chỉ định (designated factory) tại Thái Lan, PRE có vai trò giám sát định kỳ hiệu suất của thiết bị, và chúng tôi cho rằng hồ sơ này cũng sẽ là bằng chứng cho hoạt động đó.

Các vấn đề riêng của Thái Lan: nhà máy được chỉ định, công suất nhu cầu 15 phút, Ft

Tiêu chí nhà máy được chỉ định và nghĩa vụ của PRE

Theo Luật Thúc đẩy Bảo tồn Năng lượng của Thái Lan (ENCON Act), nhà máy từ một quy mô nhất định trở lên được xem là “nhà máy được chỉ định” (designated factory). Theo tài liệu công bố của Cục Phát triển Năng lượng Thay thế và Hiệu quả Năng lượng (DEDE) (ngày 28/2/2023), nhóm 1 của nhà máy được chỉ định là các nhà máy có công suất hợp đồng của công tơ điện 1.000–3.000 kW, máy biến áp 1.175–3.530 kVA, hoặc tiêu thụ năng lượng hằng năm 20–60 TJ, còn nhóm 2 là các nhà máy vượt mức đó. Công tơ điện dưới 1.000 kW, máy biến áp dưới 1.175 kVA, hằng năm dưới 20 TJ được xếp vào nhóm không phải nhà máy được chỉ định (SME).

Cũng theo tài liệu này, nhà máy được chỉ định phải bổ nhiệm người phụ trách năng lượng (PRE: Person Responsible for Energy). Nhóm 1 cần từ 1 người trở lên (C-PRE), nhóm 2 cần từ 2 người trở lên, trong đó 1 người là PRE cao cấp (S-PRE). Nhà máy vận hành hệ thống quản lý năng lượng theo quy định và nộp báo cáo hằng năm đã được kiểm toán viên năng lượng kiểm toán và chứng nhận cho DEDE trong tháng 3 hằng năm. Nhiệm vụ của PRE bao gồm định kỳ duy trì và giám sát hiệu suất của máy móc và thiết bị, cải tiến theo các biện pháp tiết kiệm năng lượng, hỗ trợ chủ sở hữu vận hành hệ thống quản lý năng lượng v.v.

Khi xem xét ai sẽ nhận cảnh báo bất thường năng lượng, chúng tôi cho rằng PRE là một trong những đầu mối tự nhiên. Tuy nhiên, nếu dồn tất cả cảnh báo cho một PRE thì việc kiểm tra tại hiện trường sẽ không xoay xở kịp. Cách phân công khả thi là PRE đảm nhận tổng hợp và theo dõi xu hướng, còn việc kiểm tra tại hiện trường từng cảnh báo giao cho người phụ trách thiết bị của từng khu vực.

Tiền điện được xác định theo công suất nhu cầu bình quân 15 phút

Theo biểu giá điện của PEA (bản dịch tiếng Anh không chính thức, phiên bản tháng 5/2023), nhóm khách hàng lớn (Schedule 4 Large General Service) là các doanh nghiệp, nhà máy v.v. có giá trị lớn nhất của công suất nhu cầu bình quân 15 phút từ 1.000 kW trở lên, hoặc lượng sử dụng bình quân 3 tháng gần nhất vượt 250.000 kWh/tháng. Nhóm trung bình (Schedule 3) là từ 30 kW trở lên đến dưới 1.000 kW. Vì tiền công suất được xác định theo giá trị lớn nhất của dữ liệu 15 phút, chúng tôi cho rằng nếu đặt độ chi tiết nhỏ nhất của phát hiện bất thường ở mức 15 phút thì sẽ dễ đối chiếu với tiền điện. Lưu ý rằng đơn giá trong biểu giá là giá trị của phiên bản 2023 và chưa phản ánh các lần điều chỉnh sau đó, nên bài viết này không trích dẫn. Cách nghĩ về điều khiển để kiềm chế công suất nhu cầu cực đại được giải thích trong Kiểm soát công suất đỉnh 2026: ở Thái Lan đỉnh chốt trong 15 phút, không phải 30.

Ft và giá điện: kiểm tra đúng nguyên giá trị được đưa tin

Như đã đề cập ở phần đầu, theo các bài báo, Ft cho kỳ hóa đơn tháng 9–12/2026 là 16,23 satang/kWh, và giá điện bình quân được giữ nguyên ở 3,95 baht/kWh (chưa gồm VAT). Mức khoảng 3,89 baht của kỳ hóa đơn tháng 9 được đưa tin là dành cho người dùng thông thường, và việc áp dụng cho khách hàng công nghiệp hay cho các tháng từ tháng 10 trở đi chưa được xác nhận. Khi quy đổi độ lệch bất thường ra số tiền, vui lòng dùng loại hợp đồng của doanh nghiệp và số liệu thực tế trên hóa đơn, chứ không dùng giá trị bình quân trong các bài báo. Chúng tôi cho rằng ngay cả khi đơn giá thay đổi, nếu theo dõi độ lệch về “lượng” kWh bằng chênh lệch so với giá trị kỳ vọng, có thể nắm bắt tách biệt giữa biến động giá điện và sự phát sinh lãng phí.

Trợ cấp và ưu đãi cần được xác nhận riêng

Về trợ cấp cho thiết bị tiết kiệm năng lượng hay ưu đãi đầu tư của BOI, trong khảo sát của bài viết này, chúng tôi không tìm thấy tài liệu nào xác nhận rằng phần mềm giám sát năng lượng hoặc phát hiện bất thường thuộc đối tượng áp dụng. Vì chế độ có thể được sửa đổi, khi cân nhắc sử dụng cần xác nhận điều kiện mới nhất với DEDE hoặc BOI.

Các hạng mục cần ghi trong RFP

Đưa các vấn đề đã bàn đến đây vào các hạng mục của RFP. Đây là nửa sau của điểm thứ 3 trong trục chính. Cách xây dựng RFP và FAT/SAT cho giám sát năng lượng nói chung được giải thích trong Giám sát năng lượng nhà máy Thái Lan: RFP và nghiệm thu. Ở đây, chúng tôi tập trung nêu các hạng mục đặc thù của phát hiện bất thường.

Điều đặc biệt cần lưu ý là “quyền sở hữu và mang dữ liệu, mô hình ra ngoài”. Như đã thấy ở chương trước, các dịch vụ phát hiện bất thường trên đám mây có thể ngừng hoạt động. Không chắc rằng bản thân mô hình đã huấn luyện có thể chạy được ở môi trường khác, nhưng ít nhất nếu có định nghĩa biến giải thích, dữ liệu và khoảng thời gian dùng để huấn luyện, các khoảng thời gian đã loại bỏ, điều kiện cảnh báo và lịch sử xác minh, thì có thể xây dựng lại bằng một cơ chế khác. Chúng tôi khuyến nghị quy định trong hợp đồng để doanh nghiệp nhận được những thứ này dưới dạng tài sản của mình.

Thiết kế PoC và thử nghiệm nghiệm thu (FAT/SAT)

Sau khi quyết định yêu cầu trong RFP, kiểm chứng bằng PoC và thử nghiệm nghiệm thu. Ở đây nguyên tắc cũng là “tiêu chí đạt do doanh nghiệp tự quyết định”. Trong khảo sát của bài viết này, chúng tôi không tìm thấy tiêu chí công nào quy định bằng con số việc đạt hay không đạt của phát hiện bất thường trong FAT/SAT. Dưới đây là ví dụ về cách nghĩ.

Kiểm chứng bằng dữ liệu quá khứ

PoC đầu tiên nên thực hiện bằng dữ liệu quá khứ để hiệu quả. Xây dựng mô hình bằng dữ liệu của khoảng thời gian bao gồm các mùa, áp dụng vào một khoảng thời gian khác, và xem cảnh báo xuất hiện ở đâu. Khi đó, nhất định phải bao gồm các sự kiện quá khứ mà doanh nghiệp đã biết. Ví dụ như thời điểm phát hiện và sửa rò rỉ khí nén, thời điểm cài đặt điều hòa bị sai, những ngày nghỉ quên tắt dây chuyền. Ghi lại bằng số lượng xem các sự kiện này có được phát hiện không (có bỏ sót bất thường không), và ở các thời điểm khác thì xuất hiện bao nhiêu cảnh báo (cảnh báo giả là bao nhiêu).

Như kết quả của LEAD1.0 cho thấy, Precision và Recall biến động riêng rẽ. Trong PoC, chúng tôi khuyến nghị đếm cả “trong số cảnh báo, những cảnh báo có ý nghĩa sau khi xác minh” và “trong số các sự kiện đã biết, những sự kiện bắt được”. Coi trọng bên nào hơn được quyết định bởi nhân lực có thể dành cho việc xác minh và tổn thất khi bỏ sót. Điều quan trọng là quyết định tiêu chí đạt trước khi bắt đầu PoC, và không tùy tiện thay đổi sau khi kết thúc. Về cách tiến hành PoC phát hiện bất thường thiết bị, có thể tham khảo thêm Phát hiện bất thường thiết bị: Tiêu chí nghiệm thu PoC 90 ngày.

Thử nghiệm bao gồm cả vận hành

Không chỉ hiệu năng, quy trình vận hành cũng là đối tượng của thử nghiệm. Trong FAT, kiểm tra xem việc lấy biến giải thích, tính giá trị kỳ vọng, thiết lập và thay đổi điều kiện cảnh báo, thông báo, nhập hồ sơ xác minh, xuất dữ liệu và mô hình có hoạt động đúng theo đặc tả hay không. Trong SAT, ở trạng thái đã kết nối với các điểm đo thực tế, kiểm tra hành vi khi có lệch thời gian hoặc thiếu dữ liệu, việc tạm ngưng trong lúc dừng máy theo kế hoạch, và thông báo đến người phụ trách xác minh có đến đúng thời hạn hay không.

Hơn nữa, chúng tôi khuyến nghị thực hiện thử một lần việc xem xét lại đường cơ sở trong quá trình thử nghiệm. Nếu kiểm tra trước xem các chỉ số độ khớp thay đổi thế nào trước và sau khi xem xét lại, lý do thay đổi và người phê duyệt có được ghi lại hay không, thì khi thay mới thiết bị trong vận hành thật sẽ không bị lúng túng. Tương tự, việc kiểm tra một lần ngay ở giai đoạn nghiệm thu xem có xuất được dữ liệu và mô hình theo định dạng đã quy định trong hợp đồng hay không cũng là cách làm an toàn.

Câu hỏi thường gặp

Phát hiện bất thường năng lượng có cần AI không? Dùng ngưỡng có được không?

Với những thiết bị có mức sử dụng không thay đổi nhiều theo sản lượng hay nhiệt độ ngoài trời, ngưỡng cố định cũng có thể hữu ích. Tuy nhiên, như hướng dẫn của DOE chỉ ra, khi có biến liên quan thì không thể đánh giá bằng bản thân mức sử dụng, mà cần chuẩn hóa. ABB cũng giải thích rằng ngưỡng thủ công cần được cập nhật liên tục do thiết bị lão hóa. Chúng tôi cho rằng điều quan trọng không phải là tên gọi AI hay hồi quy, mà là có so sánh với giá trị kỳ vọng có đưa vào biến liên quan hay không.

Đường cơ sở năng lượng hồi quy cần dữ liệu trong bao lâu?

Theo hướng dẫn của BPA, khi chịu ảnh hưởng của thời tiết thì 12 tháng hoặc 24 tháng là phổ biến, và cần bao phủ toàn bộ phạm vi điều kiện vận hành. Trong môi trường sản xuất, chọn khoảng thời gian duy trì được tính nhất quán của sản xuất. Khi bắt đầu với khoảng thời gian ngắn, chúng tôi khuyến nghị coi đó là mô hình tạm thời, với tiền đề sẽ xây dựng lại khi các mùa đã đi hết một vòng. Ngoài ra, Mitsubishi Electric mô tả rằng giám sát bằng AI của EcoAdviser cần dữ liệu khoảng 30 ngày gần nhất. Khoảng thời gian cần thiết khác nhau tùy sản phẩm và mục đích, nên cần kiểm tra trong RFP.

Chuẩn hóa EnPI là gì?

Là việc so sánh hiệu suất năng lượng sau khi đã cân bằng sự khác biệt của các biến liên quan như sản lượng hay nhiệt độ ngoài trời. Theo hướng dẫn của DOE, EnPI có các dạng chỉ số đơn lẻ, tỷ số (suất tiêu hao), mô hình số có xét đến biến liên quan, và khi có biến liên quan thì nên chuẩn hóa. Có thể nói đường cơ sở của phát hiện bất thường là việc áp dụng cách nghĩ chuẩn hóa này vào giám sát hằng ngày.

Làm gì khi có nhiều cảnh báo giả?

Trước hết, ghi lại số lượng cảnh báo và kết quả xác minh, rồi phân loại nguyên nhân. Tùy nguyên nhân của cảnh báo giả là do bỏ sót nhập dữ liệu sản xuất, do điều kiện vận hành mà mô hình không biết, hay do lỗi đo lường, mà chỗ cần sửa sẽ khác nhau. Có thể nghĩ đến các biện pháp như bổ sung biến giải thích, thêm điều kiện tạm ngưng trong lúc dừng máy theo kế hoạch, xem lại điều kiện thời gian kéo dài. Khi thay đổi điều kiện, hãy ghi lại lý do và ngày thay đổi.

Điều gì xảy ra khi dịch vụ đám mây ngừng hoạt động?

Amazon Lookout for Equipment đã kết thúc hỗ trợ vào ngày 7/10/2026, và Azure AI Anomaly Detector đã bị khai tử vào ngày 1/10/2026. Sau khi kết thúc, không thể chạy mô hình trên dịch vụ đó nữa. Nếu doanh nghiệp tự nắm giữ định nghĩa biến giải thích, dữ liệu và khoảng thời gian huấn luyện, điều kiện cảnh báo, lịch sử xác minh, thì có thể xây dựng lại bằng một cơ chế khác. Chúng tôi khuyến nghị quy định trong RFP về quyền sở hữu và định dạng xuất của những thứ này.

Tổng kết

• Khi đưa AI vào phát hiện bất thường năng lượng ở nhà máy, điều cần quyết định trước không phải là tên thuật toán mà là 3 điều: ① so sánh với cái gì để gọi là bất thường, ② tách tiêu chí độ khớp của mô hình khỏi cách phát cảnh báo và vận hành để con người xác minh nguyên nhân, ③ ghi điều kiện xem xét lại và việc mang dữ liệu, mô hình ra ngoài vào RFP, rồi kiểm chứng bằng PoC và FAT/SAT.
• Theo hướng dẫn của DOE, khi có biến liên quan thì bản thân lượng tiêu thụ năng lượng không thể dùng làm EnPI, mà cần chuẩn hóa. Điểm xuất phát là nhìn vào chênh lệch so với mức tiêu thụ kỳ vọng (đường cơ sở).
• Thước đo cho đường cơ sở hồi quy của ASHRAE Guideline 14-2014 (theo trích dẫn trong bài viết của EVO, CV(RMSE) là 20% nếu dữ liệu của kỳ báo cáo dưới 12 tháng, 25% nếu 12–60 tháng) là thước đo độ khớp của mô hình, không phải là tiêu chí đạt của cảnh báo.
• Trong LEAD1.0, nơi đánh giá 8 phương pháp không giám sát có sẵn với dữ liệu theo giờ trong 1 năm của 1.413 công tơ ở tòa nhà thương mại, Precision cao ở mức 0,895–0,902, trong khi Recall là 0,258–0,284. Không đánh giá AI bằng một con số duy nhất, mà đếm riêng bỏ sót bất thường và cảnh báo giả.
• Việc xem xét lại đường cơ sở được thực hiện theo điều kiện đã định và được ghi lại. Các dịch vụ phát hiện bất thường trên đám mây đã lần lượt ngừng hoạt động trong năm 2026, nên việc quy định trong hợp đồng về việc mang dữ liệu và mô hình ra ngoài là quan trọng.

Ngay cả ở giai đoạn kiểm kê dữ liệu đo hoặc xem xét có thể xây dựng đường cơ sở bằng những biến nào, quý vị cũng có thể trao đổi với TOMAS TECH. Vui lòng liên hệ tại đây.

Tài liệu tham khảo

• DEDE “Thailand’s Energy Efficiency” ngày 28/2/2023 (đăng trên NEDO, PDF) https://www.nedo.go.jp/content/100959493.pdf
• The Nation “Power tariff held at 3.95 baht through year-end” ngày 23/7/2026 https://www.nationthailand.com/news/general/40068945
• The Nation “Thailand cuts September power tariff, caps first 200 units at 3 baht” ngày 12/8/2026 https://www.nationthailand.com/news/general/40069705
• The Nation “Thailand’s energy consumption rises 2.1% on 2.8% GDP growth” ngày 1/7/2026 https://www.nationthailand.com/business/economy/40068117
• PEA “Electricity Tariffs” phiên bản tháng 5/2023 (bản dịch tiếng Anh không chính thức, PDF) https://www.pea.co.th/sites/default/files/documents/tariff/EN_Electricity_Tariffs_May_2023.pdf
• ISO “ISO 50001:2018” https://www.iso.org/standard/69426.html
• U.S. DOE 50001 Ready Navigator “Task 11: Energy Performance Indicators and Energy Baselines” https://navigator.lbl.gov/guidance/task/11
• DIN Media “DIN ISO 50006” https://www.dinmedia.de/de/norm/din-iso-50006/384067911
• ISO “ISO 50015:2014” https://www.iso.org/standard/60043.html
• EVO M&V Focus Issue #10, John Avina “Relaxing CV(RMSE) requirements for Option C M&V regressions” tháng 10/2022 https://evo-world.org/en/m-v-community/mv-focus/903-m-v-focus-issue-no-10/1338-relaxing-cv-rmse-requirements-for-option-c-m-v-regressions
• Bonneville Power Administration “Regression for M&V: Reference Guide” Version 3.0, tháng 5/2024 (PDF) https://www.bpa.gov/-/media/Aep/energy-efficiency/measurement-verification/3-bpa-mv-regression-reference-guide.pdf
• EVO “NRA / NRE” trang Ủy ban IPMVP https://evo-world.org/en/about-en/organization/ipmvp-committee/nra-nre
• Schneider Electric “EcoStruxure Power Monitoring Expert 2023” Use Model Report https://product-help.schneider-electric.com/EcoStruxure/Power-Monitoring-Expert-2023/content/6_operating/webapps/reports/energyanalysis/usemodel_report.htm
• Schneider Electric “EcoStruxure Power Monitoring Expert 2023” Create Model Report https://product-help.schneider-electric.com/EcoStruxure/Power-Monitoring-Expert-2023/content/6_operating/webapps/reports/energyanalysis/createmodel_report.htm
• Siemens “SIMATIC Energy Manager PRO / Energy Analytics” phụ lục chứng nhận (PDF) https://assets.new.siemens.com/siemens/assets/api/uuid:90799adf-4e2c-42fa-885c-082bc7cabe74/certificate-no–c-09-2020-21250307.pdf
• AWS “Amazon Lookout for Equipment” https://aws.amazon.com/lookout-for-equipment/
• AWS “Amazon Lookout for Equipment” lịch sử tài liệu của hướng dẫn sử dụng https://docs.aws.amazon.com/lookout-for-equipment/latest/ug/doc-history.html
• Microsoft Learn “Azure AI Anomaly Detector” trang tổng quan https://learn.microsoft.com/en-us/azure/ai-services/anomaly-detector/overview
• ABB “Celebrating Earth Day with AI/ML energy management innovation” https://new.abb.com/news/detail/124636/celebrating-earth-day-with-aiml-energy-management-innovation
• Mitsubishi Electric “EcoAdviser” ứng dụng hỗ trợ tiết kiệm năng lượng https://www.mitsubishielectric.co.jp/fa/products/software/ems/eap/index.html
• Gulati, Arjunan “LEAD1.0” arXiv 2203.17256, ngày 30/3/2022 https://arxiv.org/abs/2203.17256
• Himeur và cộng sự (bài tổng quan về phát hiện bất thường tiêu thụ năng lượng tòa nhà bằng AI) arXiv 2010.04560, Applied Energy Vol.287, 2021 https://arxiv.org/abs/2010.04560
• Iturralde Carrera và cộng sự “Intelligent Computational Modeling of ISO 50001 Energy Performance Indicators for Sustainable Energy Management Systems: A Systematic Review” (DOI 10.3390/a19070533) https://www.citedrive.com/en/discovery/intelligent-computational-modeling-of-iso-50001-energy-performance-indicators-for-sustainable-energy-management-systems-a-systematic-review/
• Mendia, Gil-Lopez, Grau, Del Ser “A novel approach for the detection of anomalous energy consumption patterns in industrial cyber-physical systems” Expert Systems 41(2), tháng 2/2024 https://dsp.tecnalia.com/items/f7c96e3b-ba08-4afd-9af0-19f4e6074604/full
• Emerson “Alarm Management by the Numbers” (PDF) https://d1-live.emerson.com/documents/automation/article-alarm-management-by-numbers-deltav-en-38292.pdf