intTypePromotion=1
ADSENSE

Xác định nồng độ ion đồng trong xử lý nguồn nước bằng phép đo phổ hấp thụ

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

7
lượt xem
0
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Xác định nồng độ ion đồng trong xử lý nguồn nước bằng phép đo phổ hấp thụ nghiên cứu đề xuất dự báo phụ tải cho khu vực Hà Nội với các đặc điểm: Xét yếu tố ảnh hưởng chính GDP (%); Sử dụng thuật toán hồi qui tuyến tính trong machine learning để dự báo.

Chủ đề:
Lưu

Nội dung Text: Xác định nồng độ ion đồng trong xử lý nguồn nước bằng phép đo phổ hấp thụ

  1. Tuyển tập Hội nghị Khoa học thường niên năm 2020. ISBN: 978-604-82-3869-8 XÁC ĐỊNH NỒNG ĐỘ ION ĐỒNG TRONG XỬ LÝ NGUỒN NƯỚC BẰNG PHÉP ĐO PHỔ HẤP THỤ Lê Thị Hương Bộ môn Kĩ thuật Điện - Điện tử, khoa Điện - điện tử, Trường Đại học Thủy lợi, Email:huonglt@tlu.edu.vn 1. GIỚI THIỆU CHUNG Các phương pháp dự báo phụ tải trong ngành điện thường dùng hiện nay bao gồm: Quy hoạch hệ thống điện định hướng phát phương pháp hồi qui, phương pháp thống kê, triển ngành điện nhằm bảo đảm đáp ứng nhu phương pháp sử dụng ANN, hệ chuyên gia… cầu năng lượng cho phát triển kinh tế đất Trong đó phương pháp hồi qui đã nhận được nước. Một trong những vấn đề quan trọng nhiều sự quan tâm. nhất cần giải quyết trong các quy hoạch điện Nhu cầu phụ tải điện của xã hội phụ thuộc là dự báo phụ tải trong tầm quan sát [1]. vào rất nhiều yếu tố như kinh tế, thời gian, thời Ứng dụng machine learning để dự báo phụ tiết, cơ cấu ngành nghề, vùng miền. Trong bài tải đã và đang được nghiên cứu khá phổ biến báo này tác giả thực hiện dự báo phụ tải điện trên thế giới. Các tài liệu nghiên cứu và kết cho khu vực Hà Nội giới hạn bởi yếu tố chính quả công bố cho thấy tính hiệu quả trong là tốc độ tăng trưởng kinh tế GDP (bảng 1). việc khai thác, xử lý dữ liệu và độ chính xác của mô hình. 3.2 Ứng dụng thuật toán hồi qui trong Nghiên cứu này đề xuất dự báo phụ tải machine learning để dự báo phụ tải điện. cho khu vực Hà Nội với các đặc điểm: Phương pháp sử dụng machine learning để  Xét yếu tố ảnh hưởng chính GDP (%) dự báo qua các bước sau: [2]  Sử dụng thuật toán hồi qui tuyến tính trong machine learning để dự báo. 2. PHƯƠNG PHÁP NGHIÊN CỨU Sử dụng phương pháp thống kê để thu thập dữ liệu từ nguồn chính thức. Phân tích các phương pháp dự báo đang áp dụng. Ứng dụng thuật toán hồi qui tuyến tính trong machine learning để dự báo thông qua thuật toán tối ưu Gradient Descent. 3. KẾT QUẢ NGHIÊN CỨU 3.1 Vấn đề dự báo phụ tải điện Dự báo phụ tải điện có thể thực hiện bằng Hình 1. Các bước thực hiện trong nhiều phương pháp. Các yếu tố ảnh hưởng machine learning cũng đa dạng. Tầm dự báo phụ tải có thể chia thành ngắn hạn, trung hạn (1 ngày đến 1 năm) Phương pháp hồi qui đa biến: và dài hạn (1 đến 10 năm). A = a0 +∑iN ai Zi 254
  2. Tuyển tập Hội nghị Khoa học thường niên năm 2020. ISBN: 978-604-82-3869-8 Trong đó: A - điện năng; thực hiện là dùng giải tích để tính độ dốc a0, ai - các hệ số; (slope) của điểm hiện tại trên biểu đồ rồi di N - số biến hồi qui; chuyển đến nơi thấp hơn từng bước một. [3] Zi - biến thứ i. Bảng 1. Số liệu đầu vào của tổng Công ty Điện lực Hà Nội. Năm A GDP [tỉ kWh] [%] 2011 5,99 10,70 2012 7,35 7,50 2013 8,91 11,30 2014 9,51 10,70 2015 10,6 9,00 Hình 2. Hình vẽ mô tả thuật toán 2016 11,6 8,50 Gradient Descent 2017 12,2 8,80 dJ  sum Yˆ  Y  , 2018 13,9 9,24 dw 0 2019 14,8 8,20 Sử dụng thuật toán hồi qui tuyến tính dJ dw 1    sum X :,1  Yˆ  Y  trong machine learning: Bộ thông số Theta tối ưu nhất sẽ nằm nơi Bộ trích chọn đặc trưng: có J(θ) thấp nhất. Gradient Descent sẽ dừng 1 x1   y1   0 lại khi đến điểm thấp nhất X=    ; Y =    ; θ =  1     1 x9   y9  θ=θ-α J(θ)  Thuật toán hồi qui: Với: α là độ lớn của các bước giảm  0  1  x1    J(θ) là đạo hàm của hàm J(θ), có tác Y = X *θ =      0  1  x9  dụng tính độ dốc của điểm hiện tại. Nếu độ dốc lớn sẽ thay đổi nhiều, đến khi slope= 0, Việc tìm đầu ra y trở thành bài toán tìm điểm trũng, thấp nhất của hàm J(θ). θ 0 , θ1 . Qua mỗi vòng lặp Gradient Descent, J(θ) Với mỗi điểm dữ liệu (xi, yi) độ chệnh ngày càng chính xác hơn. lệch giữa giá trị thật và giá trị dự đoán  Lập trình trên python với code: 1/2 * ( y - yi)2. Độ chênh lệch trên toàn bộ dữ liệu tính bằng: [2] 1 1  N 2 J  * *    yˆi  yi   2 N  i 1  Hàm J được gọi là loss function. Lúc này bài toán tìm đường thẳng gần các điểm dữ liệu nhất thành tìm θ0, θ1 sao cho hàm J là nhỏ nhất. Sử dụng thuật toán tối ưu gradient descent để tìm cực tiểu của J. Nhiệm vụ của thuật toán Gradient Descent là giảm J(θ) xuống nhỏ nhất. Cách thuật toán 255
  3. Tuyển tập Hội nghị Khoa học thường niên năm 2020. ISBN: 978-604-82-3869-8 Kết quả chạy mô hình dự báo Kiểm tra độ chính xác của mô hình dự báo bằng số liệu của năm 2019 so với dự báo GDP = 8,2% cho kết quả dự báo là 12,2 tỉ kWh, sai số 17,5%. Tiến hành dự báo giai đoạn 2020 -2023: Nhu cầu phụ tải Hà Nội từ 18,6 tỉ kWh đến 19,5 tỉ kWh. 4. KẾT LUẬN Sử dụng phương pháp hồi qui tuyến tính trong machine learning chỉ xét yếu tố ảnh hưởng của GDP cho sai số lớn. Bài báo tiếp theo xét đến việc cải tiến mô hình bằng cách xét nhiều yếu tố ảnh hưởng đến mô hình dự đoán hoặc sử dụng thuật toán khác trong machine learning để đảm bảo sai số thấp nhất. 5. TÀI LIỆU THAM KHẢO [1] 1208/QĐ - TTg, 2011: Quy hoạch phát triển điện lực quốc gia giai đoạn 2011-2020 có xét đến 2030. [2] Vũ Hữu Tiệp. 2020. Machine learning cơ bản, Nhà xuất bản Kỹ thuật. [3] Nguyễn Danh Tuấn. 2019. Deep learning cơ bản. Nhà xuất bản Kỹ thuật. 256
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2