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

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.
Nội dung trích xuất từ tài liệu:
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 ...