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

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.

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 GIỚI THIỆU CHUNG Quy hoạch hệ thống điện định hướng phát triển ngành điện nhằm bảo đảm đáp ứng nhu cầu lượng cho phát triển kinh tế đất nước Một vấn đề quan trọng cần giải quy hoạch điện dự báo phụ tải tầm quan sát [1] Ứng dụng machine learning để dự báo phụ tải nghiên cứu phổ biến giới Các tài liệu nghiên cứu kết công bố cho thấy tính hiệu việc khai thác, xử lý liệu độ xác mơ hình Nghiên cứu đề xuất dự báo phụ tải cho khu vực Hà Nội với đặc điểm:  Xét yếu tố ảnh hưởng GDP (%)  Sử dụng thuật tốn hồi qui tuyến tính machine learning để dự báo Các phương pháp dự báo phụ tải ngành điện thường dùng bao gồm: phương pháp hồi qui, phương pháp thống kê, phương pháp sử dụng ANN, hệ chuyên gia… Trong phương pháp hồi qui nhận nhiều quan tâm Nhu cầu phụ tải điện xã hội phụ thuộc vào nhiều yếu tố kinh tế, thời gian, thời tiết, cấu ngành nghề, vùng miền Trong báo tác giả thực dự báo phụ tải điện cho khu vực Hà Nội giới hạn yếu tố tốc độ tăng trưởng kinh tế GDP (bảng 1) 3.2 Ứng dụng thuật toán hồi qui machine learning để dự báo phụ tải điện Phương pháp sử dụng machine learning để dự báo qua bước sau: [2] PHƯƠNG PHÁP NGHIÊN CỨU Sử dụng phương pháp thống kê để thu thập liệu từ nguồn thức Phân tích phương pháp dự báo áp dụng Ứng dụng thuật tốn hồi qui tuyến tính machine learning để dự báo thơng qua thuật tốn tối ưu Gradient Descent KẾT QUẢ NGHIÊN CỨU 3.1 Vấn đề dự báo phụ tải điện Dự báo phụ tải điện thực nhiều phương pháp Các yếu tố ảnh hưởng đa dạng Tầm dự báo phụ tải chia thành ngắn hạn, trung hạn (1 ngày đến năm) dài hạn (1 đến 10 năm) 254 Hình Các bước thực machine learning Phương pháp hồi qui đa biến: A = a0 +∑iN Zi Tuyển tập Hội nghị Khoa học thường niên năm 2020 ISBN: 978-604-82-3869-8 Trong đó: A - điện năng; a0, - hệ số; N - số biến hồi qui; Zi - biến thứ i thực dùng giải tích để tính độ dốc (slope) điểm biểu đồ di chuyển đến nơi thấp bước [3] Bảng Số liệu đầu vào tổng Công ty Điện lực Hà Nội Năm 2011 2012 2013 2014 2015 2016 2017 2018 2019 A [tỉ kWh] 5,99 7,35 8,91 9,51 10,6 11,6 12,2 13,9 14,8 GDP [%] 10,70 7,50 11,30 10,70 9,00 8,50 8,80 9,24 8,20 Hình Hình vẽ mơ tả thuật tốn Gradient Descent dJ  sum Yˆ  Y  , dw Sử dụng thuật tốn hồi qui tuyến tính machine learning: Bộ trích chọn đặc trưng: 1 x1    ; 1 x9  X=   y1  Y =    ; θ =  y9   0     Thuật toán hồi qui:  Y  0  1  x1     0  1  x9  = X *θ =  Việc tìm đầu y trở thành tốn tìm θ , θ1 Với điểm liệu (xi, yi) độ chệnh lệch giá trị thật giá trị dự đoán  1/2 * ( y - yi)2 Độ chênh lệch tồn liệu tính bằng: [2] 1  N 2 J  * *    yˆi  yi   N  i 1  Hàm J gọi loss function Lúc tốn tìm đường thẳng gần điểm liệu thành tìm θ0, θ1 cho hàm J nhỏ Sử dụng thuật toán tối ưu gradient descent để tìm cực tiểu J Nhiệm vụ thuật toán Gradient Descent giảm J(θ) xuống nhỏ Cách thuật toán   dJ  sum X :,1  Yˆ  Y  dw Bộ thông số Theta tối ưu nằm nơi có J(θ) thấp Gradient Descent dừng lại đến điểm thấp  J(θ) θ=θ-α  Với: α độ lớn bước giảm  J(θ) đạo hàm hàm J(θ), có tác  dụng tính độ dốc điểm Nếu độ dốc lớn thay đổi nhiều, đến slope= 0, điểm trũng, thấp hàm J(θ) Qua vòng lặp Gradient Descent, J(θ) ngày xác Lập trình python với code: 255 Tuyển tập Hội nghị Khoa học thường niên năm 2020 ISBN: 978-604-82-3869-8 Kết chạy mơ hình dự báo Kiểm tra độ xác mơ hình dự báo số liệu năm 2019 so với dự báo GDP = 8,2% cho kết dự báo 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 KẾT LUẬN Sử dụng phương pháp hồi qui tuyến tính machine learning xét yếu tố ảnh hưởng GDP cho sai số lớn Bài báo xét đến việc cải tiến mơ hình cách xét nhiều yếu tố ảnh hưởng đến mơ hình dự đốn sử dụng thuật toán khác machine learning để đảm bảo sai số thấp 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 bản, Nhà xuất Kỹ thuật [3] Nguyễn Danh Tuấn 2019 Deep learning Nhà xuất Kỹ thuật 256 ... liệu (xi, yi) độ chệnh lệch giá trị thật giá trị dự đo? ?n  1/2 * ( y - yi)2 Độ chênh lệch tồn liệu tính bằng: [2] 1  N 2 J  * *    yˆi  yi   N  i 1  Hàm J gọi loss function Lúc tốn... tối ưu nằm nơi có J(θ) thấp Gradient Descent dừng lại đến điểm thấp  J(θ) θ=θ-α  Với: α độ lớn bước giảm  J(θ) đạo hàm hàm J(θ), có tác  dụng tính độ dốc điểm Nếu độ dốc lớn thay đổi nhiều,... ISBN: 978-604-82-3869-8 Trong đó: A - điện năng; a0, - hệ số; N - số biến hồi qui; Zi - biến thứ i thực dùng giải tích để tính độ dốc (slope) điểm biểu đồ di chuyển đến nơi thấp bước [3] Bảng Số