Xác định nồng độ ion đồng trong xử lý nguồn nước bằng phép đo phổ hấp thụ
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (579.61 KB, 3 trang )
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:
1. GIỚI THIỆU CHUNG
Quy hoạch hệ thống điện định hướng phát
triển ngành điện nhằm bảo đảm đáp ứng nhu
cầu năng lượng cho phát triển kinh tế đất
nước. Một trong những vấn đề quan trọng
nhất cần giải quyết trong các quy hoạch điện
là dự báo phụ tải trong tầm quan sát [1].
Ứng dụng machine learning để dự báo phụ
tải đã và đang được nghiên cứu khá phổ biến
trên thế giới. Các tài liệu nghiên cứu và kết
quả cơng bố cho thấy tính hiệu quả trong
việc khai thác, xử lý dữ liệu và độ chính xác
của mơ hình.
Nghiên cứu này 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 tốn hồi qui tuyến tính
trong machine learning để dự báo.
Các phương pháp dự báo phụ tải trong
ngành điện thường dùng hiện nay bao gồm:
phương pháp hồi qui, phương pháp thống kê,
phương pháp sử dụng ANN, hệ chuyên gia…
Trong đó phương pháp hồi qui đã nhận được
nhiều sự quan tâm.
Nhu cầu phụ tải điện của xã hội phụ thuộc
vào rất nhiều yếu tố như kinh tế, thời gian, thời
tiết, cơ cấu ngành nghề, vùng miền. Trong bài
báo này tác giả thực hiện dự báo phụ tải điện
cho khu vực Hà Nội giới hạn bởi yếu tố chính
là tốc độ tăng trưởng kinh tế GDP (bảng 1).
3.2 Ứng dụng thuật toán hồi qui trong
machine learning để dự báo phụ tải điện.
Phương pháp sử dụng machine learning để
dự báo qua các bước sau: [2]
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 thơng qua thuật
tốn 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
nhiều phương pháp. Các yếu tố ảnh hưởng
cũng đa dạng. Tầm dự báo phụ tải có thể chia
thành ngắn hạn, trung hạn (1 ngày đến 1 năm)
và dài hạn (1 đến 10 năm).
254
Hình 1. Các bước thực hiện trong
machine learning
Phương pháp hồi qui đa biến:
A = a0 +∑iN ai Zi
Tuyển tập Hội nghị Khoa học thường niên năm 2020. ISBN: 978-604-82-3869-8
Trong đó: A - điện năng;
a0, ai - các hệ số;
N - số biến hồi qui;
Zi - biến thứ i.
thực hiện là dùng giải tích để tính độ dốc
(slope) của điểm hiện tại trên biểu đồ rồi di
chuyển đến nơi thấp hơn từng bước một. [3]
Bảng 1. Số liệu đầu vào của
tổng Cơng 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 2. Hình vẽ mơ tả thuật tốn
Gradient Descent
dJ
sum Yˆ Y ,
dw 0
Sử dụng thuật toán hồi qui tuyến tính
trong machine learning:
Bộ trích chọn đặc trưng:
1 x1
;
1 x9
X=
y1
Y = ; θ =
y9
0
1
Thuật toán hồi qui:
Y
0 1 x1
0 1 x9
= X *θ =
Việc tìm đầu ra y trở thành bài tốn tìm
θ 0 , θ1 .
Với mỗi điểm dữ liệu (xi, yi) độ chệnh
lệch giữa giá trị thật và giá trị dự đoán
1/2 * ( y - yi)2. Độ chênh lệch trên tồn 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 tốn 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
dJ
sum X :,1 Yˆ Y
dw 1
Bộ thông số Theta tối ưu nhất sẽ nằm nơi
có J(θ) thấp nhất. Gradient Descent sẽ dừng
lại khi đến điểm thấp nhất
J(θ)
θ=θ-α
Với: α là độ lớn của các bước giảm
J(θ) là đạo hàm của hàm J(θ), có tác
dụng tính độ dốc của điểm hiện tại. Nếu độ
dốc lớn sẽ thay đổi nhiều, đến khi slope= 0,
điểm trũng, thấp nhất của hàm J(θ).
Qua mỗi vòng lặp Gradient Descent, J(θ)
ngày càng chính xác hơn.
Lập trình trên python với code:
255
Tuyển tập Hội nghị Khoa học thường niên năm 2020. ISBN: 978-604-82-3869-8
Kết quả chạy mơ hình dự báo
Kiểm tra độ chính xác của mơ 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 mơ hình bằng
cách xét nhiều yếu tố ảnh hưởng đến mơ
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
