zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Khoa Học Tự Nhiên

» Môi trường

Nghiên cứu ứng dụng trí tuệ nhân tạo trong giám sát và điều khiển hệ thống thủy lợi

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

Báo xấu

16
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Nghiên cứu ứng dụng trí tuệ nhân tạo trong giám sát và điều khiển hệ thống thủy lợi được nghiên cứu nhằm đề xuất mô hình “máy học” (Machine learning) thích hợp để dự báo các yếu tố cần thiết về khí tượng, thủy văn, bốc thoát hơi nước của cây trồng; Đồng thời chuẩn đoán sớm những sự cố thiết bị trong quá trình giám sát và điều khiển tự động từ xa các HTTL để góp phần thực hiện Đề án 784 “Nâng cao hiệu quả quản lý khai thác công trình thủy lợi hiện có” và Chỉ thị số 6524/CT-BNN-KHCN về tăng cường năng lực tiếp cận cuộc Cách mạng công nghiệp 4.0.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Nghiên cứu ứng dụng trí tuệ nhân tạo trong giám sát và điều khiển hệ thống thủy lợi

Tuyển tập Hội nghị Khoa học thường niên năm 2018. ISBN: 978-604-82-2548-3 NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG GIÁM SÁT VÀ ĐIỀU KHIỂN HỆ THỐNG THỦY LỢI 1 2 Ngô Đỗ Đăng Khoa , Ngô Đăng Hải 1 Trường Đại học Bách Khoa Hà Nội, email: khoa.ndd142350@sis.hust.edu.vn 2 Trường Đại học Thủy lợi 1. GIỚI THIỆU CHUNG 3. KẾT QUẢ NGHIÊN CỨU Hiện nay, để nâng cao hiệu quả quản lý 3.1. Kết quả xây dựng mô hình máy học vận hành (QLVH) các hệ thống thủy lợi và dự báo (HTTL), nhiều công ty quản lý khai thác HTTL đã bước đầu lập kế hoạch quản lý khai Với phương pháp máy học, mô hình dự thác và điều hành hệ thống theo hướng tiếp báo có thể được hiểu như một hộp đen, ở đó cận các bài toán quy hoạch động và thời gian khi đưa dữ liệu (khí tượng, thủy văn...) đầu thực (real-time) [1], [2]. Theo đó, khối lượng vào của ngày hôm nay và các ngày trước đó tính toán dự báo các yếu tố liên quan đến sẽ thu được số liệu dự báo cho ngày mai. QLVH bằng các mô hình truyền thống Nhiệm vụ của máy học chính là xây dựng (chẳng hạn như: hồi quy, ARIMA…) là khá “hộp đen“ đó từ các dữ liệu sẵn có thông qua lớn và mất nhiều thời gian hơn. Dẫn đến một cấu trúc mạng nào đó. Trong những năm nhiều khâu tính toán để đưa ra các quyết định gần đây, mạng nơ-ron (neural network) đã trở điều hành khó đáp ứng yêu cầu real-time nên phổ biến và được ứng dụng rộng rãi. Tuy trong quá trình giám sát và điều khiển nhiên, với dữ liệu đầu vào là một chuỗi tuần (SCADA). Do đó, chúng tôi đã tiến hành tự theo thời gian thì mạng nơ-ron truyền thực hiện đề tài “Nghiên cứu ứng dụng trí tuệ thống không thích hợp để xây dựng mô hình nhân tạo trong giám sát và điều khiển hệ dự báo. Các mô hình mạng nơ-ron hồi quy thống thủy lợi”. (Recurrent neural network) và đặc biệt sau Mục tiêu nghiên cứu là nhằm đề xuất mô này là mạng bộ nhớ dài hạn (Long short-term hình “máy học” (Machine learning) thích hợp memory - LSTM) như ở hình 1 đã được sử để dự báo các yếu tố cần thiết về khí tượng, dụng để giải quyết các bài toán dự báo trên thủy văn, bốc thoát hơi nước của cây trồng; chuỗi thời gian. đồng thời chuẩn đoán sớm những sự cố thiết bị trong quá trình giám sát và điều khiển tự động từ xa các HTTL để góp phần thực hiện Đề án 784 “Nâng cao hiệu quả quản lý khai thác công trình thủy lợi hiện có” và Chỉ thị số 6524/CT-BNN-KHCN về tăng cường năng lực tiếp cận cuộc Cách mạng công nghiệp 4.0. 2. PHƯƠNG PHÁP NGHIÊN CỨU Các phương pháp nghiên cứu được sử dụng: Hình 1. Cấu trúc tế bào LSTM - Phương pháp mô hình hóa [1]. - Phương pháp máy học Tế bào LSTM gồm 4 thành phần: trạng - Phương pháp lập trình Python và xây dựng thái tế bào (Ct - cell state), cổng vào (it - input mô hình máy học với tensorflow, keras [3]... gate), cổng ra (ot - output gate), cổng quên - Phương pháp lập trình mạng Internet... (f t - forget gate) và đầu ra của nó là ht . 360
Tuyển tập Hội nghị Khoa học thường niên năm 2018. ISBN: 978-604-82-2548-3 3.1.1. Xây dựng mô hình dự báo dựa trên Cụ thể với bài toán dự báo nhiệt độ, như sau: Mạng bộ nhớ dài hạn (LSTM) - Đầu vào (90,15,1): với chiều từ phải sang Thiết kế mạng LSTM cho mô hình dự báo: trái là: chiều của dữ liệu (input_dim) bằng 1 - Cổng quên sẽ lấy đầu vào xt (ví dụ nhiệt (nhiệt độ ngày là 1 con số); tiếp đến bước thời độ ngày hôm nay) và ht-1 (đầu ra của tế bào gian (time_step) bằng 15 là số phần tử liên trước - ứng với đầu vào xt-1 - dữ liệu trước đó tiếp của chuỗi nhiệt độ đưa vào mô hình của chuỗi - nhiệt độ hôm qua), để đưa ra ft - (hướng đến dự báo nhiệt độ ngày thứ 16); gồm lượng tin của đầu vào hiện tại và các cuối cùng là khối dữ liệu (batch_size): chọn thông tin từ đầu vào trước đó. 90 mẫu dữ liệu đưa vào mô hình trong 1 lần ft = σ(Wf ×[h t-1 ,xt ] + bf) (1) để huấn luyện Hàm σ đưa ra giá trị trong đoạn 0 đến 1, - Đầu ra của LSTM có chiều (khối dữ liệu, biểu thị tỉ lệ thông tin được lưu lại. bước thời gian, số nơ-ron) hoặc (khối dữ liệu, Tham số W trong các công thức chính là số nơ-ron). Trong đó: số nơ-ron của một lớp thông số mà mô hình dự đoán sẽ học từ dữ LSTM sẽ gồm các tế bào LSTM (càng nhiều liệu, còn b là phần tử đơn vị. nơ-ron thì độ phức tạp tính toán mô hình càng - Cổng vào, ra được tính theo công thức: tăng). Đầu ra của LSTM được lấy ở tất cả các it = σ(Wi ×[h t-1 ,x t ] + bi ) (2) tế bào hoặc chỉ ở tế bào cuối cùng… ot = σ(Wo ×[h t-1 ,xt ] + bo ) (3) - Lớp Dense đặt cuối cùng, kết hợp các tính - Trạng thái tế bào Ct là hàm số của it và f t , toán ở lớp trước để đưa ra nhiệt độ dự báo. nó sẽ thêm lượng tin từ đầu vào mới xt , giữ lại - Mạng dự báo của đề tài được mở rộng hoặc loại bỏ các thông tin trước đó. Chẳng bằng nhiều lớp LSTM cùng với một số kĩ hạn: nhiệt độ hôm qua nhiều khả năng sẽ thuật như Dropout (để tránh việc xây dựng ra được giữ lại, còn nhiệt độ tuần trước nếu như một mô hình tốt trên tập huấn luyện, nhưng không ảnh hưởng nhiều đến việc dự đoán sẽ lại không tốt khi dự báo thực tế (avoid bị loại bỏ. overfitting)... Ĉt = tanh(WC ×[h t-1 ,xt ] + bC) (4) 3.1.2. Tập dữ liệu huấn luyện và kiểm định Ct = ft *Ct-1 + it *Ĉt (5) Đề tài sử dụng các dữ liệu trung bình - Đầu ra của tế bào ht : yếu tố khí tượng, ngày của nhiệt độ, ẩm độ, giờ nắng… ở trạm thủy văn là hàm số của ot và Ct (xét trên cả Sơn Tây trong các năm từ 1991 - 2017 dưới quá trình, nó là kết quả của hàm số gồm dữ dạng file excel, trong đó lấy dữ liệu từ năm liệu đưa vào xt , đầu ra của tế bào trước đó ht-1 1991 - 2016 làm tập huấn luyện và dành dữ và trạng thái của tế bào hiện tại Ct ). liệu năm 2017 làm tập kiểm định. ht = ot *tanh(Ct ) (6) 3.1.3. Xây dựng phần mềm dự báo theo Đề tài đã xây dựng mạng LSTM (Hình 2) mô hình máy học bằng cách xếp chồng các lớp LSTM (mỗi lớp Quá trình xây dựng mô hình và phần mềm gồm các tế bào LSTM). dự báo được thực hiện trên máy tính Lenovo Y520, core i7700 HQ, GPU Nvidia 1050 với môi trường lập trình Python 3.5. - Các thư viện được dùng cho lập trình là keras, sklearn, matplotlib, numpy, pandas… - Code lập trình [3], [4] để xây dựng mô hình như sau (trích lược): model = Sequential() model.add(CuDNNLSTM(48,batch_input_shap e=(n_batch,n_step,fea),return_sequences =True,stateful=True)) model.add(CuDNNLSTM(32,return_sequences =True,stateful=True)) model.add(CuDNNLSTM(32,return_sequences… model.add(CuDNNLSTM(16,return_sequences… ... model.add(Dropout(0.1)) model.add(CuDNNLSTM(12,return_sequences… model.add(Dropout(0.1)) model.add(CuDNNLSTM(8, stateful=True)) Hình 2. Thiết kế mạng LSTM cơ bản model.add(Dense(1))... 361
Tuyển tập Hội nghị Khoa học thường niên năm 2018. ISBN: 978-604-82-2548-3 3.1.4. Kết quả kiểm định mô hình dự báo 3.2. Kết quả liên kết mô hình dự báo với Nguyên tắc kiểm định: bắt đầu dự báo cho mô hình và phần mềm SCADA 3 tháng quý 1 năm 2017, rồi cập nhập dữ liệu Mô hình dự báo được liên kết với mô hình và tập huấn luyện, huấn luyện lại mô hình; tiếp phần mềm SCADA thông qua Web Service tục dự báo cho 3 tháng quý 2 rồi lại cập nhập trên đám mây điện toán (Cloud) [4], [5]. tập huấn luyện, huấn luyện lại mô hình… Cứ như vậy lặp lại cho đến hết quý 4 năm 2017. Đánh giá sai số theo sai lệch căn trung bình bình phương và tỉ lệ sai số (%) trung bình ngày như bảng 1 (có so sánh với mô hình ARIMA). Bảng 1. Sai số dự báo Hình 4. Liên kết mô hình dự báo với mô hình Mô hình LSTM ARIMA Yếu tố và phần mềm SCADA đv đo % đv đo % Nhiệt độ (oC) 1.51 5.0 1.69 7.2 Sau khi huấn luyện ra mô hình trên máy Độ ẩm (%) 5.2 4.3 5.9 8.5 cục bộ, mô hình dự báo được đẩy lên Cloud. Nắng (giờ) 1.97 7.0 2.38 7.2 Hằng ngày, phần mềm SCADA [1] gửi dữ Mực nước (cm) 35.0 5.4 35.6 5.1 liệu thực đo và yêu cầu (request) đến Cloud [2], [5] rồi nhận về dữ liệu dự báo cho ngày Các kết quả cho thấy mô hình dự báo khá hôm sau để tính toán lập kế hoạch và đưa ra chính xác với sai số lớn nhất không quá 7%. các quyết định quản lý vận hành... Định kỳ So với mô hình ARIMA, nó cho kết quả dự cứ 3 tháng, máy tính huấn luyện sẽ lấy dữ báo hầu như chính xác hơn. liệu từ Cloud xuống để xây dựng mô hình dự 3.1.5. Kết quả ứng dụng mô hình dự báo báo mới, rồi lại đẩy lên Cloud... Mô hình đã được ứng dụng để dự báo các 4. KẾT LUẬN VÀ KIẾN NGHỊ yếu tố khí tượng, thủy văn phục vụ giám sát và điều khiển HTTL Phù Sa đầu vụ mùa năm Ứng dụng mô hình “máy học” với cấu trúc 2018. Ví dụ: kết quả dự báo nhiệt độ như trên mạng LSTM cho phép tính toán dự báo nhanh chóng, khá chính xác và đủ độ tin cậy hình 3 và ở bảng 2 (trích đoạn). để cung cấp dữ liệu tức thời cho phần mềm SCADA trong giám sát, điều khiển các HTTL tự động từ xa và chuẩn đoán sớm những sự cố thiết bị theo thời gian thực. Liên kết mô hình dự báo với phần mềm SCADA thông qua Web Service trên đám mây điện toán là giải pháp tối ưu về công nghệ và kinh tế... Hình 3. Dự báo nhiệt độ đầu vụ mùa 2018 4. TÀI LIỆU THAM KHẢO Bảng 2. Kết quả dự báo nhiệt độ lớn nhất [1] Ngô Đăng Hải, 2015. Nghiên cứu xây dựng mô hình hiện đại hóa quản lý vận hành Ngày Dự báo (oC) Thực đo (oC) HTT, Nhà xuất bản Xây dựng, Hà Nội. 01/08/2018 32.6 33 [2] Paul F. Boulos and Akshaya Niraula, 2016, 02/08/2018 32.1 31 Optimize Operations Using Real-Time Data 03/08/2018 33.0 34 and Predictive Tools. American Water 04/08/2018 30.2 30 Works Association, USA. [3] Sebastian Raschka, 2015. Python Machine 05/08/2018 30.0 30 Learning, Packt Publishing, Birmingham, UK. 06/08/2018 33.3 34 [4] Toby Segaran, 2007. Programming 07/08/2018 32.4 32 Collective Intelligence, O’Reilly, USA. 08/08/2018 34.6 35 [5] Cristina Turcu, 2012, An Internet of Things 09/08/2018 31.3 31 Oriented Approach for Water Utility 10/08/2018 34.8 35 Monitoring and Control. Romania. 362

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.