Xem mẫu
- 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
- 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
- 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
nguon tai.lieu . vn
