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