Mạng ANFIS và ứng dụng dự báo mực nước hồ thủy điện Thác Bà - Luận văn Thạc sĩ

Tài liệu luận văn chuyên sâu về mạng ANFIS và ứng dụng thực tế trong dự báo mực nước hồ thủy điện. Phân tích mô hình, phương pháp triển khai và kết quả đạt

• Tác giả: Nguyễn Ngọc Quyên
• Người hướng dẫn: PGS.TS. Ngô Quốc Tạo
• Trường học: Đại học Công nghệ Thông tin và Truyền thông Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Mạng ANFIS và ứng dụng cho dự báo mực nước hồ thủy điện Thác Bà
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: Thái Nguyên

Tóm tắt

I. Tổng quan về mạng ANFIS và dự báo mực nước hồ thủy điện

Mạng ANFIS (Adaptive Neuro-Fuzzy Inference System) là hệ thống suy luận mờ thích ứng kết hợp ưu điểm của mạng nơ-ron nhân tạo và logic mờ. Công nghệ này được ứng dụng rộng rãi trong lĩnh vực dự báo thủy văn, đặc biệt là dự báo mực nước hồ thủy điện. Ứng dụng ANFIS trong dự báo mực nước hồ Thác Bà là một nghiên cứu tiêu biểu. Mô hình này giúp dự đoán chính xác mực nước theo thời gian thực. Điều này hỗ trợ vận hành nhà máy thủy điện hiệu quả. Hệ thống thu thập dữ liệu đầu vào từ các trạm đo. Các thông số bao gồm lượng mưa, lưu lượng nước đến, mực nước hiện tại. ANFIS xử lý dữ liệu qua các lớp nơ-ron với hàm thành viên mờ. Quy trình huấn luyện mạng sử dụng thuật toán học có giám sát. Kết quả đầu ra là dự báo mực nước trong các khoảng thời gian tương lai.

1.1. Khái niệm và cấu trúc mạng ANFIS

ANFIS là viết tắt của Adaptive Neuro-Fuzzy Inference System. Đây là hệ thống suy luận mờ kết hợp mạng nơ-ron thích ứng. Cấu trúc ANFIS gồm 5 lớp chính. Lớp 1 thực hiện hàm hóa thuộc tính đầu vào. Lớp 2 tính toán quy tắc mờ. Lớp 3 chuẩn hóa độ mạnh quy tắc. Lớp 4 tính toán đầu ra từng quy tắc. Lớp 5 tổng hợp tất cả đầu ra. Mạng sử dụng hàm thành viên hình chuông (bell-shaped). Các tham số được điều chỉnh tự động qua quá trình học. Thuật toán học kết hợp lan truyền ngược và phương pháp tối ưu least square.

1.2. Bài toán dự báo mực nước hồ thủy điện

Dự báo mực nước hồ thủy điện là bài toán quan trọng trong quản lý tài nguyên nước. Hồ Thác Bà nằm trên sông Phó Đáy thuộc tỉnh Yên Bái. Mực nước hồ thay đổi theo mùa và lượng mưa thượng nguồn. Dự báo chính xác giúp vận hành turbines hiệu quả. Thông tin dự báo hỗ trợ điều tiết lũ và cấp nước. Dữ liệu đầu vào gồm mưa, lưu lượng, bốc hơi, xả nước. Mô hình truyền thống sử dụng phương pháp thống kê hồi quy. Phương pháp này hạn chế trong xử lý mối quan hệ phi tuyến. Mạng ANFIS giải quyết tốt bài toán phi tuyến phức tạp.

II. Phân tích vấn đề trong dự báo mực nước hồ thủy điện

Dự báo mực nước hồ thủy điện đối mặt nhiều thách thức phức tạp. Dữ liệu thủy văn có tính chất phi tuyến và bất định cao. Mối quan hệ giữa các yếu tố đầu vào và mực nước rất phức tạp. Phương pháp hồi quy tuyến tính truyền thống không đáp ứng được. Các yếu tố ảnh hưởng như mưa, lưu lượng có tính thời vụ rõ rệt. Dữ liệu đo đạc có thể bị thiếu hoặc nhiễu. Mô hình vật lý yêu cầu nhiều tham số khó xác định. Quy trình vận hành hồ đòi hỏi dự báo chính xác theo thời gian thực. Đòi hỏi mô hình phải thích ứng với điều kiện biến đổi khí hậu. Bài toán tối ưu hóa tham số mạng cũng là thách thức lớn. Cần phương pháp học máy thông minh xử lý dữ liệu lớn. Mạng ANFIS nổi lên như giải pháp hiệu quả cho bài toán này.

2.1. Tính chất phức tạp của dữ liệu thủy văn

Dữ liệu thủy văn có nhiều đặc tính phức tạp cần xử lý. Dữ liệu thường có tính chu kỳ theo mùa và năm. Mối quan hệ giữa mưa và lưu lượng nước đến không tuyến tính. Lượng mưa phân bố không đều theo không gian và thời gian. Dữ liệu đo đạc có thể bị thiếu do lỗi thiết bị. Nhiễu đo lường ảnh hưởng đến chất lượng dự báo. Các hiện tượng thời tiết cực đoan gây biến động lớn. Tính bất định của dữ liệu đầu vào tăng sai số dự báo. Mô hình cần khả năng xử lý dữ liệu thiếu và nhiễu.

2.2. Hạn chế của phương pháp dự báo truyền thống

Phương pháp hồi quy tuyến tính có nhiều hạn chế rõ ràng. Mô hình không thể nắm bắt mối quan hệ phi tuyến phức tạp. Sai số dự báo tăng khi dữ liệu có biến động lớn. Phương pháp thống kê đòi hỏi giả định phân phối chuẩn. Mô hình vật lý cần nhiều tham số khó xác định chính xác. Thời gian tính toán của mô hình vật lý thường rất lớn. Phương pháp truyền thống khó thích ứng với điều kiện mới. Khả năng học hỏi từ dữ liệu lịch sử bị giới hạn. Không tận dụng được mối quan hệ phức tạp trong dữ liệu.

III. Giải pháp mạng ANFIS cho dự báo mực nước hồ thủy điện

Mạng ANFIS là giải pháp hiệu quả cho bài toán dự báo mực nước. Mô hình kết hợp ưu điểm của logic mờ và mạng nơ-ron. Cấu trúc 5 lớp cho phép học mối quan hệ phi tuyến phức tạp. Quy trình xây dựng mô hình gồm nhiều bước cơ bản. Bước đầu tiên là thu thập và xử lý dữ liệu lịch sử. Dữ liệu được chia thành tập huấn luyện và tập kiểm tra. Hàm thành viên được chọn phù hợp với đặc tính dữ liệu. Thuật toán lai (hybrid) kết hợp lan truyền ngược và least square. Quá trình huấn luyện điều chỉnh tham số tự động. Đánh giá mô hình sử dụng các chỉ số RMSE, MAE, R-squared. Kết quả cho thấy ANFIS dự báo chính xác hơn phương pháp truyền thống. Mô hình có khả năng thích ứng với điều kiện biến đổi. Thời gian tính toán nhanh, phù hợp ứng dụng thực tế.

3.1. Xây dựng mô hình ANFIS cho hồ Thác Bà

Xây dựng mô hình ANFIS cho hồ Thác Bà gồm nhiều giai đoạn. Giai đoạn 1 thu thập dữ liệu từ các trạm đo thủy văn. Dữ liệu bao gồm mưa, lưu lượng, mực nước hàng ngày. Giai đoạn 2 tiền xử lý dữ liệu thiếu và chuẩn hóa. Giai đoạn 3 xác định kiến trúc mạng phù hợp. Số lượng đầu vào và hàm thành viên được lựa chọn. Giai đoạn 4 huấn luyện mạng với dữ liệu lịch sử. Giai đoạn 5 kiểm tra mô hình với dữ liệu độc lập. Quy trình lặp lại cho đến khi đạt ngưỡng sai số cho phép.

3.2. Thuật toán huấn luyện và tối ưu hóa

Thuật toán huấn luyện ANFIS sử dụng phương pháp học lai. Pha 1 áp dụng phương pháp lan truyền ngược điều chỉnh tham số hàm thành viên. Pha 2 sử dụng phương pháp bình phương tối thiểu ước lượng tham số đầu ra. Phương pháp lặp đơn giản được áp dụng để tìm nghiệm gần đúng. Điều kiện hội tụ đảm bảo thuật toán kết thúc sau hữu hạn bước. Tốc độ học (learning rate) ảnh hưởng đến sự hội tụ. Giá trị tốc độ học nhỏ giúp ổn định nhưng hội tụ chậm. Giá trị lớn giúp hội tụ nhanh nhưng có thể dao động. Quá trình huấn luyện giảm dần hàm lỗi theo thời gian.

IV. Kết luận và ứng dụng thực tế của mạng ANFIS

Nghiên cứu mạng ANFIS cho dự báo mực nước hồ thủy điện đạt kết quả tích cực. Mô hình cho thấy khả năng dự báo chính xác cao. So với phương pháp hồi quy truyền thống, ANFIS vượt trội về hiệu suất. Sai số dự báo giảm đáng kể ở các khoảng thời gian khác nhau. Mô hình xử lý tốt mối quan hệ phi tuyến trong dữ liệu thủy văn. Kết quả nghiên cứu có tính ứng dụng thực tế cao. Hệ thống có thể triển khai tại nhà máy thủy điện Thác Bà. Thông tin dự báo hỗ trợ vận hành turbines hiệu quả. Quản lý hồ chứa được tối ưu hóa theo thời gian thực. Dự báo lũ giúp giảm thiểu thiệt hại cho vùng hạ lưu. Ứng dụng ANFIS mở rộng sang các hồ thủy điện khác. Nghiên cứu cũng chỉ ra hướng phát triển tiếp theo. Kết hợp ANFIS với các thuật toán tiến hóa cải thiện hiệu suất. Tích hợp dữ liệu vệ tinh tăng độ chính xác đầu vào.

4.1. Kết quả đánh giá hiệu suất mô hình

Đánh giá hiệu suất mô hình sử dụng nhiều chỉ số khác nhau. Chỉ số RMSE (Root Mean Square Error) đo sai số bình phương trung bình. Chỉ số MAE (Mean Absolute Error) đo sai số tuyệt đối trung bình. Hệ số R-squared đánh giá mức độ phù hợp của mô hình. Kết quả ANFIS cho RMSE thấp hơn phương pháp hồi quy. Giá trị R-squared đạt trên 0.9 cho thấy mô hình phù hợp tốt. Biểu đồ so sánh giá trị thực tế và dự báo thể hiện sự khớp tốt. Sai số dự báo tập trung trong khoảng chấp nhận được. Hiệu suất ổn định trên dữ liệu kiểm tra độc lập.

4.2. Hướng phát triển và ứng dụng mở rộng

Hướng phát triển tiếp theo của nghiên cứu là tích hợp nhiều nguồn dữ liệu. Kết hợp dữ liệu thời tiết số từ mô hình khí tượng. Sử dụng ảnh vệ tinh radar đo mưa thời gian thực. Áp dụng thuật toán tiến hóa tối ưu tham số ANFIS. Kết hợp GA hoặc PSO với ANFIS cải thiện hiệu suất. Xây dựng hệ thống cảnh báo lũ dựa trên mô hình ANFIS. Tích hợp GIS hiển thị kết quả dự báo không gian. Mở rộng áp dụng cho hệ thống hồ chứa liên hoàn. Phát triển ứng dụng di động cho người dùng cuối.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 : MẠNG NEURAL VÀ BÀI TOÁN NHẬN DẠNG CHỮ IN 1. Khái Niệm Mạng Neural 1. Sơ lược về neural sinh học Bộ não con người có khoảng 1010 tế bào thần kinh liên kết chặt chẽ với nhau được gọi là các nơ-ron. Sau đây là những thành phần chính của một nơ ron Hình 1.1 : Mô hình neural sinh học Trong đó :  Các Soma là thân của neural.

 Các dendrites là các dây mảnh, dài, gắn liền với soma, chúng truyền dữ liệu (dưới dạng xung điện thế) đến cho soma xử lý. Bên trong soma các dữ liệu đó được tổng hợp lại. Có thể xem gần đúng sự tổng hợp ấy như là một phép lấy tổng tất cả các dữ liệu mà neural nhận được.  Một loại dây dẫn tín hiệu khác cũng gắn với soma là các axon.

Khác với dendrites, axons có khả năng phát các xung điện thế, chúng là các dây dẫn tín hiệu từ neural đi các nơi khác. Chỉ khi nào điện thế trong soma vượt quá Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 4 một giá trị ngưỡng nào đó (threshold) thì axon mới phát một xung điện thế, còn nếu không thì nó ở trạng thái nghỉ.  Axon nối với các dendrites của các neural khác thông qua những mối nối đặc biệt gọi là synapse. Khi điện thế của synapse tăng lên do các xung phát ra từ axon thì synapse sẽ nhả ra một số chất hoá học (neurotransmitters); các chất này mở "cửa" trên dendrites để cho các ions truyền qua.

Chính dòng ions này làm thay đổi điện thế trên dendrites, tạo ra các xung dữ liệu lan truyền tới các neural khác. - Hoạt động của neural sinh học có thể mô tả tóm tắt như sau: Mỗi neural nhận tín hiệu vào từ các tế bào thần kinh khác. Chúng tích hợp các tín hiệu vào, khi tổng tín hiệu vượt quá một ngưỡng nào đó chúng tạo tín hiệu ra và gửi tín hiệu này tới các neural khác thông qua dây thần kinh. Các neural liên kết với nhau thành mạng.

Mức độ bền vững của các liên kết này xác định một hệ số gọi là trọng số liên kết. Mạng Neural Nhân Tạo Để mô phỏng các tế bào thần kinh và các khớp nối thần kinh của bộ não con người, mạng neural nhân tạo có các thành phần có vai trò tương tự là các neural nhân tạo và kết nối giữa chúng (kết nối này gọi là weights). Neural là một đơn vị tính toán có nhiều đầu vào và một đầu ra, mỗi đầu vào đến từ một khớp nối thần kinh (synapse). Đặc trưng của neural là một hàm kích hoạt phi tuyến chuyển đổi một tổ hợp tuyến tính của tất cả các tín hiệu đầu vào thành tín hiệu đầu ra.

Một neural nhân tạo là một đơn vị tính toán hay đơn vị xử lý thông tin cơ sở cho hoạt động của một mạng neural. Neural này sẽ hoạt động như sau: giả sử có N inputs, nơron sẽ có N weights (trọng số) tương ứng với N đường truyền inputs. Neural sẽ lấy tổng các trọng số của tất cả các inputs. Nói như thế có nghĩa là neural sẽ lấy input thứ Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 5 nhất, nhân với weight trên đường input thứ nhất, lấy input thứ hai nhân với weight của đường input thứ hai v., rồi lấy tổng của tất cả các kết quả thu được.

Đường truyền nào có weight càng lớn thì tín hiệu truyền qua đó càng lớn, như vậy có thể xem weight là đại lượng tương đương với synapse trong neural sinh học.  Trọng số và tổng tín hiệu đầu vào: Giả sử tại neural i có N tín hiệu vào, mỗi tín hiệu vào S j được gán một trọng số W ij tương ứng. Ta ước lượng tổng tín hiệu đi vào neural net i theo một số dạng sau: (i)Dạng tuyến tính: N neti  Wij s j (1.1) j 1 (ii)Dạng toàn phương: N neti  Wij s 2j (1.2) j 1 (iii)Dạng mặt cầu: 2 neti      s j  w ij  N 2 (1.3) j 1 Trong đó:  và w ij  j  1, N  lần lượt là tâm và bán kính mặt cầu  Hàm kích hoạt (hàm chuyển): Một số hàm kích hoạt thường được sử dụng: 1) Hàm đồng nhất (Linear function, Identity function) g(x) = x (1.4) Nếu coi các đầu vào là một đơn vị thì chúng sẽ sử dụng hàm này. Có khi một hằng số được nhân với net-input tạo thành một hàm đồng nhất.

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.2: Đồ thị hàm đồng nhất (Identity function) 2) Hàm bước nhị phân (Binary step function, Hard limit function) Hàm này còn gọi là hàm ngưỡng (Threshold function hay Heaviside function). Đầu ra của hàm này giới hạn một trong hai giá trị: ì1 (x ³ q ) g(x) = í (1.5) î0 (x < q ) ở đây  là ngưỡng Hình 1.3: Đồ thị hàm bước nhị phân (Binary step function) Dạng hàm này thường sử dụng trong mạng một lớp. Trong hình vẽ  được chọn bằng 1. 3) Hàm sigmoid (Sigmoid function (logsig)) Hàm sigma là dạng chung nhất của hàm kích hoạt được sử dụng trong cấu trúc mạng neural nhân tạo.

Nó là một hàm tăng và nó thể hiện một sự trung gian giữa tuyến tính và phi tuyến. Một ví dụ của hàm này là hàm logistics, xác định như sau: 1 g( x)  (1.6) 1  e  x Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 7 ở đó  là tham số độ dốc của hàm sigma. Bằng việc biến đổi tham số  , chúng ta thu được các hàm sigma với các độ dốc khác nhau. Thực tế, hệ số góc tại x= 0 là  /4.

Khi tham số hệ số góc tiến tới không xác định, hàm sigma trở thành một hàm ngưỡng đơn giản. Trong khi một hàm ngưỡng chỉ có giá trị là 0 hoặc 1, thì ở đó  là tham số độ dốc của hàm sigma. Bằng việc biến đổi tham số  , chúng ta thu được các hàm sigma với các độ dốc khác nhau. Trong khi một hàm ngưỡng chỉ có giá trị là 0 hoặc 1, thì một hàm sigma nhận các giá trị từ 0 tới 1.

Cũng phải ghi nhận rằng hàm sigma là hàm phân biệt, trong khi hàm ngưỡng thì không (Tính phân biệt của hàm là một đặc tính quan trọng trong lý thuyết mạng neuron). Hàm này thường được dùng cho các mạng được huấn luyện (trained) bởi thuật toán lan truyền ngược (back –propagation), bởi nó dễ lấy đạo hàm, làm giảm đáng kể tính toán trong quá trình huấn luyện. Hàm được dùng cho các chương trình ứng dụng mà đầu ra mong muốn rơi vào khoảng [0,1].4: Đồ thị hàm sigmoid 4)Hàm sigmoid lưỡng cực (Bipolar sigmoid function (tan(sig)) 1 e x g( x)  (1.7) 1 e x Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 8 Hàm này có đặc tính tương tự hàm sigmoid. Hàm làm việc tốt đối với các ứng dụng có đầu ra yêu cầu trong khoảng [-1,1].5: Đồ thị hàm sigmoid lưỡng cực  Nút bias: Là một nút thêm vào nhằm tăng khả năng thích nghi của mạng nơ-ron trong quá trình học.

Trong các mạng nơ-ron có sử dụng bias, mỗi nơ-ron có thể có một trọng số tương ứng với bias. Trọng số này luôn có giá trị là 1. Mô hình của một nút xử lý (nút thứ i): Vi Wi1 Vj Wij Vi Ui=  Vi=fi(Ui) WiN VN Hình 1. Mô hình một nơ-ron N U i   Wij Vj  θ i (1.9) Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 9 Trong đó: U i : là tín hiệu vào tại nơ-ron i Vi : là tín hiệu ra tại nơron i Wij : là trọng số liền kề từ nơ-ron j đến nơ-ron i  i : là ngưỡng (đầu vào ngoài) kích hoạt nơ-ron i.

f i : là hàm kích hoạt của nơ-ron i 1. Kiến Trúc Mạng Mạng neural nhân tạo là một hệ thống bao gồm nhiều phần tử xử lý đơn giản (hay còn gọi là neural) tựa như neural thần kinh của não người, hoạt động song song và được nối với nhau bởi các liên kết neural. Mỗi liên kết kèm theo một trọng số nào đó, đặc trưng cho tính kích hoạt hoặc ức chế giữa các neural. Việc ứng dụng mạng neural có thể giải quyết được các lớp bài toán nhất định, như: Bài toán người du lịch, bài toán tô màu bản đồ, bài toán xếp loại, bài toán lập thời khóa biểu, bài toán tìm kiếm, bài toán nhận dạng mẫu.

Các bài toán phức tạp cao, không xác định. Tuy nhiên, sự liên kết giữa một bài toán bất kỳ trong thực tế với một giải pháp mạng neural lại là một việc không hề dễ dàng. Xét một cách tổng quát, mạng neural mang các đặc tính nổi bật sau :  Là mô hình toán học dựa trên bản chất của neural.  Bao gồm một số lượng rất lớn các neural liên kết với nhau.

Mạng neural có khả năng học, khái quát hóa tập dữ liệu học thông qua việc gán và hiệu chỉnh các trọng số liên kết.  Tổ chức theo kiểu tập hợp mang lại cho mạng neural khả năng tính toán rất lớn, trong đó không có neural nào mang thông tin riêng biệt. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www. Mạng truyền thẳng - Mạng truyền thẳng một lớp Mạng truyền thẳng một lớp là mạng perceptron một lớp.

Là mạng truyền thẳng chỉ một lớp vào và một lớp ra. Trên mỗi lớp có thể có một hoặc nhiều neural mạng truyền thẳng một lớp chỉ có một lớp vào và một lớp ra. Mô hình mạng neural perceptron sử dụng hàm ngưỡng đóng vai trò là hàm chuyển. Do đó, tổng của tín hiệu vào lớn hơn giá trị ngưỡng thì giá trị đầu ra của neural sẽ là 1, còn trái lại sẽ là 0.10) Với neti =  wij xj là tổng thông tin đầu vào của neural i.

Trong đó ma trận trọng số cho các phần tử trong vector đầu vào W:  w1,1 w1, 2 .wS , R  Với mỗi giá trị đầu vào. Qua quá trình xử lý của T mạng ta sẽ thu được một bộ tương ứng các giá trị đầu ra là y  y1, y2, ., yn  T được xác định như sau :  m  yi  f i   wij x j  i , i  1, n (1.11)  j 1  Trong đó : m : Số tín hiệu vào n : Số tín hiệu ra WiT wi1 , wi 2 ,., win T : là véc tơ trọng số của neural thứ i. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 11 f i : Là hàm kích hoạt neural thứ i  i : Là ngưỡng của neural thứ i. Ngay từ khi mạng Perceptron được đề xuất nó được sử dụng để giải quyết bài toán phân lớp.