Xây dựng hệ hỗ trợ quyết định điều hành hồ thủy điện trị an

Ngoài ra, tốc độ thay đổi mực nước hồ cũng diễn biến khác nhau tuỳ theo mùa, thời tiết nói chung và chế độ điều tiết hồ… Do tất cả các lý do trên, vấn đề tính toán mực nước lòng hồ trở n

MỤC LỤC

MỤC LỤC 1

PHẦN 1: GIỚI THIỆU 3

I- GIỚI THIỆU CHUNG 3

I.1 Các vấn đề điều hành mực nước hồ thủy điện 3

I.2 Mục tiêu của đề tài 4

II- PHƯƠNG HƯỚNG GIẢI QUYẾT VẦN ĐỀ 6

Xây dựng hệ cơ sở dữ liệu 6

II.1 Xây dựng phần mềm dự báo lượng nước nhập vào hồ 6

II.2 Xây dựng chương trình tìm phương án tối ưu điều hành mực nước hồ 6

III- CÁC CÔNG TRÌNH LIÊN QUAN ĐẾN ĐỀ TÀI 7

III.1 An attempt to apply Artificial Neural Networks to Meterology 7

III.2 Ứng dụng ANN trong việc tính toán các dữ liệu khí tượng 7

III.3 Ứng dụng ANN trong việc dự báo nhu cầu điện năng giúp điều hành các tổ máy của nhà máy điện 7

III.4 Các ngôn ngữ CLP hỗ trợ lập trình tối ưu 7

III.5 Xu hướng lai ghép giữa lập trình ràng buộc và tìm kiếm cục bộ 7

IV- CƠ SỞ LÝ THUYẾT 9

IV.1 Mạng Neural nhân tạo (ANN) 9

IV.1.1 Giới thiệu 9

IV.1.2 Cấu trúc của ANN 10

IV.1.3 Mạng nhiều tầng và giải thuật lan truyền ngược 10

IV.1.4 Hàm truyền 12

IV.1.5 Phương trình kết xuất mạng ANN 13

IV.1.6 Máy học 14

IV.2 Lập trình tối ưu hóa 18

IV.2.1 Lập trình ràng buộc 18

I.1.1.1 Giải thuật Backtracking căn bản 19

I.1.1.2 Giải thuật Backtracking có kiểm tra hướng tới (forward checking) 20

IV.2.2 Kỹ thuật Simulated Annealing và Local Search 21

PHẦN 2: GIẢI QUYẾT VẤN ĐỀ THỰC TẾ 24

V- XÂY DỰNG HỆ THỐNG THÔNG TIN ĐỊA LÝ PHỤC VỤ QUẢN LÝ DỮ LIỆU 24

V.1 Bản đồ số khu vực hồ Trị An 24

V.2 Mô hình toàn khu vực trong ArcGIS 9.0 25

VI- XÂY DỰNG PHẦN MỀM DỰ BÁO LƯỢNG NƯỚC NHẬP HỒ 27

VI.1 Ứng dụng ANN vào việc hỗ trợ dự báo lượng nước nhập hồ 27

VI.2 Mô hình dự báo lượng nước nhập hồ 27

VI.3 Hiện thực chương trình hỗ trợ dự báo lượng nước nhập hồ 28

VI.3.1 Giới thiệu về RunOffPredict 28

VI.3.2 Giao diện RunOffPredict 29

VI.3.3 Mô tả mô hình mạng ANN được sử dụng trong chương trình 31

VII- XÂY DỰNG PHẦN MỀM ĐIỀU HÀNH HỆ THỐNG HỒ THỦY ĐIỆN 35

VII.1 SƠ ĐỒ KHU VỰC HẠ LƯU SÔNG ĐỒNG NAI 35

VII.2 PHÂN TÍCH MÔ HÌNH: 35

VII.2.1 Vấn đề điều hành hồ nước và nhà máy thủy điện 36

VII.2.2 Vấn đề sử dụng nước tại các vùng nông nghiệp: 38

VII.2.3 Vấn đề sử dụng nước tại các nhà máy xử lý cấp nước công cộng 38

VII.2.4 Vấn đề sử dụng kênh thủy lợi để đưa nước đến các vùng thiếu nước 39

VII.2.5 Vấn đề ngăn mặn tại các điểm kiểm soát mặn 40

VII.3 Tuyến tính hóa hàm mục tiêu tổng quát 40

VII.4 Mô hình tối ưu điều tiết hồ 41

VII.5 Hiện thực chương trình tối ưu điều hành 42

VII.5.1 Giới thiệu chương trình ReservoirManager 42

VII.5.2 Dữ liệu đầu vào 42

VII.5.3 Dữ liệu đầu ra 44

VII.5.4 Mã chương trình hiện thực bằng ngôn ngữ LINGO phiên bản 8.0 44

VII.6 Kết quả đạt được 50

VIII- TÍCH HỢP CÁC MODULE THÀNH MỘT DSS 57

VIII.1 Giới thiệu 57

VIII.2 Giao diện chương trình 57

IX- KẾT LUẬN – HƯỚNG PHÁT TRIỂN 59

IX.1 Kết luận 59

IX.2 Hướng phát triển 60

TÀI LIỆU THAM KHẢO 61

PHỤ LỤC A 62

THƯ XIN SỐ LIỆU 62

PHỤ LỤC B 64

BẢNG SỐ LIỆU MƯA VÀ LƯỢNG NƯỚC NHẬP HỒ 64

TẠI CÁC ĐIỂM KHÍ TƯỢNG, THỦY VĂN 64

PHỤ LỤC C 75

BẢNG SỐ LIỆU CỦA MÔ HÌNH ĐIỀU HÀNH TỐI ƯU 75

PHẦN 1: GIỚI THIỆU

I- GIỚI THIỆU CHUNG

Thuỷ điện nói chung là sử dụng thế năng của nguồn nước để chạy các máy phát điện Để thực hiện điều này người ta phải tích luỹ dự trữ nguồn nước trong các hồ chứa nước gọi là hồ thuỷ điện Mục đích chính của các hồ thuỷ điện là cung cấp thế năng dự trữ để phục vụ nhà máy thuỷ điện, tuy nhiên, ngoài nhiệm vụ chính, các hồ thuỷ điện còn đảm nhận nhiều mục tiêu khác nhau thuộc các lãnh vực kinh tế, xã hội Trong đó, các mục tiêu thường được quan tâm là:

• Cung cấp nguồn nước phục vụ thuỷ lợi, sản xuất nông nghiệp

• Cung cấp nguồn nước phục vụ sản xuất công nghiệp

• Cung cấp nguồn nước phục vụ sinh hoạt (ngành cấp nước)

• Chống ngập mặn ở các khu vực ven biển bằng cách duy trì mực nước và dòng nước ngọt phù hợp ở các khu vực này

• Dữ trữ nước chống hạn hán và lũ lụt

Việc điều hành mực nước hồ thuỷ điện nói chung, thuỷ điện Trị An nói riêng là vấn đề đa mục tiêu Trong đó, với một lượng tài nguyên nước cho trước, điều hành viên phải xác định được cách phân phối tài nguyên tốt nhất nhằm đảm bảo đạt hiệu quả tối đa cho tất cả các mục tiêu đã đề cập như trên Đây là bài toán tối ưu hóa thuộc loại khó Đã có nhiều phương pháp khác nhau trên thế giới được nghiên cứu để giải quyết bài toán này Mỗi phương pháp đều có những ưu khuyết điểm riêng

Việc điều hành mực nước phụ thuộc rất nhiều vào nguồn tài nguyên nước chứa trong lòng hồ, mà thông thường người ta lấy giá trị mực nước hồ để định lượng Mực nước hồ thay đổi liên tục theo thời gian, sự thay đổi này phụ thuộc vào rất nhiều yếu tố khác nhau, bao gồm: nhiệt độ, độ ẩm không khí, cường độ mưa, thể tích và hình thể hình học lòng hồ và lượng mưa tại các điểm quan trắc mưa trong lưu vực lòng hồ (nước trên các điểm mưa này sẽ chảy về lòng hồ sau một khoảng thời gian, tuỳ vào khoảng cách so với hồ) Ngoài ra, tốc độ thay đổi mực nước hồ cũng diễn biến khác nhau tuỳ theo mùa, thời tiết nói chung và chế độ điều tiết hồ… Do tất cả các lý do trên, vấn đề tính toán mực nước lòng hồ trở nên rất khó khăn và phức tạp, nhưng nếu giải quyết tốt được vấn đề này, việc điều hành mực nước hồ sẽ trở nên hiệu quả hơn với những số liệu nhập lưu tiên đoán trước Đây là bài toán tính toán không đầy đủ: mực nước hồ phụ thuộc vào quá nhiều các yếu tố độc lập, nhưng thông tin về các yếu tố này có thể không đầy đủ với nhiều lý do khác nhau (giới hạn về thời gian, giới hạn về kỹ thuật, không gian…), nói một cách khác, đây chính là bài toán dự báo thông tin, thuộc loại bài toán khó Trên thế giới cũng đã có nhiều phương pháp giải quyết bài toán tính toán không đầy đủ này và cũng đạt được một số thành công nhất định

Hiện nay, chủ yếu người ta dựa vào các số liệu mực nước hiện tại để điều hành hồ Việc sử dụng các thông tin dự báo về mực nước hồ để điều hành còn rất hạn chế vì các thông tin dự báo này chủ yếu dựa vào kinh nghiệm của điều hành viên

I.1 Các vấn đề điều hành mực nước hồ thuỷ điện

Như đã giới thiệu, việc điều hành mực nước hồ thuỷ điện là vấn đề đa mục tiêu Trong đó, điều hành viên phải sử dụng nguồn tài nguyên nước để tối ưu tất cả mục tiêu đặt ra Hai vấn đề chính của điều hành viên là:

• Dự báo chính xác lượng nước nhập vào hồ trong tương lai để định lượng tài nguyên nước hiện có Trong thời gian xả nước khỏi hồ thì lượng nước trong hồ có thể được bổ sung bởi nguồn nước từ thượng lưu chảy về Kết quả dự báo chính xác sẽ là cơ sở để thực hiện vấn đề thứ hai Trong giới hạn của đề tài, thông tin sử dụng cho việc dự báo là chuỗi lượng mưa, nhiệt độ, độ ẩm tại các điểm mưa trong lưu vực theo thời gian

• Phân tích và đưa ra phương án điều hành mực nước hồ sao cho tối ưu các mục tiêu Mỗi hồ thuỷ điện luôn có hai mực nước giới hạn Mực nước tối đa được qui định bởi sức chứa của lòng hồ và khả năng chịu đựng của đập thuỷ điện Ngược lại, một mức nước tối thiểu phải được duy trì để đảm bảo các máy phát điện không bị hư hỏng Mực nước trong lòng hồ luôn phải ở giữa hai ngưỡng này Nước trong hồ được xả về hạ lưu theo hai cách sau:

o Cách 1: Xả qua tua bin phát điện để chạy máy phát tạo năng lượng Đây là mục tiêu chính của hồ thuỷ điện Nước được xả theo cách này không bị biến chất, nói một cách khác, nó vừa đảm bảo mục tiêu tạo ra năng lượng vừa đảm bảo các mục tiêu khác (nếu có)

o Cách 2: Xả tràn không qua tua bin phát điện, cách này không tạo ra năng lượng, chỉ được sử dụng để đảm bảo các mục tiêu khác như: chống mặn, xả lũ, chống quá tải đập thuỷ điện…

Mỗi mục tiêu được hình thức hoá bằng một hàm mục tiêu thể hiện sự tác động của lưu lượng nước đối với mục tiêu đó

Phương án điều hành cần được xác định là chuỗi lưu lượng xả về hạ lưu qua các cổng xả theo thời gian

Tóm lại, vấn đề chính của điều hành hồ thuỷ điện là xác định chuỗi lưu lượng nước xả về hạ lưu qua các cổng xả từ hai yếu tố đầu vào:

1 Chuỗi cường độ mưa, nhiệt độ, độ ẩm tại các điểm quan trắc mưa theo thời gian

2 Các yêu cầu định mức của các mục tiêu

I.2 Mục tiêu của đề tài

Chính vì những lý do trên, nên việc xây dựng một hệ hỗ trợ quyết định (Decision Support System-DSS) phục vụ cho công tác lưu trữ, truy xuất thông tin về thời tiết nói chung tại khu vực thượng lưu lòng hồ thuỷ điện, dự báo về sự thay đổi mực nước lòng hồ và tính toán các giải pháp điều hành mực nước lòng hồ để đạt hiệu quả cao nhất là một công việc rất có ý nghĩa DSS sẽ giúp giải quyết những vấn đề sau:

• Thay đổi toàn bộ quy trình lưu trữ dữ liệu thủ công bằng qui trình tự động Tất cả các thông tin thời tiết ảnh hưởng đến mực nước lòng hồ thuỷ điện, kể cả bản đồ lưu vực lòng hồ đều được xử lý, lưu trữ phù hợp cho việc truy xuất tức thời và phục vụ cho công tác điều hành, nghiên cứu

• Giúp cho điều hành viên tại các nhà máy thuỷ điện có thể dễ dàng truy xuất các thông tin cần thiết phục vụ công tác phân tích, điều hành hồ, từ cơ sở dữ liệu của hệ thống

• Giúp điều hành viên dễ dàng quyết định dựa vào các bảng phân tích tự động, các phương án tối ưu do hệ thống dự báo, tính toán từ các thông tin trong cơ sở dữ liệu

• Ứng dụng ANN vào giải quyết bài toán thuộc loại phức tạp nhất trong lĩnh vực tính toán, đó là bài toán dự báo lượng nước nhập vào hồ dựa vào các thông tin thực đã có, đặc biệt là dự báo chính xác các hiện tượng tăng giảm đột ngột lượng nước vào trong lòng hồ trong trường hợp nguy hiểm để có thể triển khai phương án điều hành khẩn cấp tránh các rủi ro đáng tiếc xảy ra

• Ứng dụng kỹ thuật lập trình tối ưu hoá để giải quyết bài toán đa mục tiêu, dựa vào các thông tin dự báo mực nước hồ, phân tích và tính toán các phương án điều hành hồ sao cho tối ưu về tất cả các mục tiêu đề ra

• Xây dựng hệ thống giao diện phục vụ người dùng đảm bảo sự dễ dàng, thuận tiện, linh hoạt trong sử dụng

• Toàn bộ hệ thống có thể dễ dàng cài đặt cho các nhà máy thuỷ điện khác

Để thực hiện mục tiêu của đề tài, các công việc cần phải thực hiện như sau:

• Xây dựng một hệ thống thông tin thực thi đảm bảo hai yêu cầu:

o Cơ sở dữ liệu lưu trữ tất cả các thông tin liên quan đến sự thay đổi mực nước hồ

o Bản đồ số về lưu vực lòng hồ phục vụ việc truy cập thông tin một cách thân thiện Sử dụng công nghệ GIS

• Xây dựng một phần mềm dựa vào mô hình ANN (Artificial Neural Network) để dự báo lượng nước nhập vào hồ thuỷ điện

• Xây dựng một phần mềm dựa vào kỹ thuật lập trình tối ưu để phân tích, xác định phương án điều hành tốt nhất đảm bảo vấn đề đa mục tiêu của công tác điều hành lòng hồ, hỗ trợ điều hành viên nhà máy thuỷ điện

• Aùp dụng thử nghiệm thực tế cho công tác điều hành hồ thuỷ điện Trị An và một số hồ điều tiết nước khác trong khu hạ lưu Đồng Nai

II- PHƯƠNG HƯỚNG GIẢI QUYẾT VẦN ĐỀ

Xây dựng hệ cơ sở dữ liệu

Yêu cầu về cơ sở dữ liệu của DSS là phải có giao diện trực quan về toàn bộ bản đồ khu vực thượng lưu hồ thuỷ điện Với lượng dữ liệu tương đối lớn, không thể phẳng hoá các quan hệ giữa các đối tượng cần thể hiện, hệ cơ sở dữ liệu được thiết kế dựa trên công nghệ GIS Bằng cách sử dụng các công cụ hỗ trợ GIS như ARCVIEW, ARCGIS, AVENUE… chúng ta có thể thiết lập một bản đồ số lưu trữ các thông tin cần thiết cho vùng lưu vực hồ thuỷ điện

II.1 Xây dựng phần mềm dự báo lượng nước nhập vào hồ

Mực nước hồ luôn thay đổi liên tục và phụ thuộc vào quá nhiều các yếu tố Do đó, việc tính toán lượng nước nhập hồ theo các yếu tố đầu vào là một công việc rất khó khăn Ở đây, về mặt toán học, chúng ta không thể tìm được một hàm tường minh mô tả mối quan hệ giữa lượng nước nhập hồ và các yếu tố tự nhiên khác Thực tế, việc xác định nhập lưu cũng chỉ được con người ước lượng một cách gần đúng theo kinh nghiệm Hướng tiếp cận để giải quyết vấn đề này là cố gắng đưa ra một xấp xỉ hàm mô tả gần đúng mối quan hệ giữa lượng nước và các yếu tố tự nhiên khác Nói một cách khác, từ các số liệu mô tả các quan hệ giữa lượng nước nhập hồ và các yếu tố tự nhiên, chúng ta tổng quát hoá chúng lên thành các qui luật gần đúng Về sau, với một tập dữ liệu đầu vào, ta có thể dễ dàng tìm ra kết quả nhập lưu đầu ra nhờ vào qui luật đó Về mặt khoa học, đây là tiếp cận theo hướng tính toán sinh học, điển hình nhất là mạng neural nhân tạo (ANN) Mạng Neural nhân tạo mô phỏng quá trình tính toán sinh học của bộ não con người ANN là kỹ thuật tính toán sinh học, kỹ thuật này tránh lối lập trình cấu trúc tường minh mà sử dụng phương pháp máy học Nói chung, ANN là kỹ thuật mô phỏng phương pháp suy luận kinh nghiệm của con người, quá trình tính toán của ANN chủ yếu có hai giai đoạn chính:

1 Giai đoạn học: ở giai đoạn này, chúng ta đưa vào mạng các số liệu chi tiết thực về mối quan hệ giữa lượng nước nhập hồ và các yếu tố tự nhiên khác có liên quan Bản thân mạng lần lượt “học” từng mẫu số liệu, tạo ra và ghi nhận một qui luật tổng quát phù hợp với tất cả các mẫu đã học Giai đoạn này dùng để ghi nhận các tri thức kinh nghiệm về nhập lưu

2 Giai đoạn tính toán: ở giai đoạn này, chúng ta chỉ cần đưa các thông số về yếu tố tự nhiên, mạng sẽ cho ra kết quả lượng nước nhập hồ Giai đoạn này được ứng dụng để dự báo nhập lưu

II.2 Xây dựng chương trình tìm phương án tối ưu điều hành mực nước hồ

Với việc phải tìm được phương án tốt nhất thoả mãn tất cả các mục tiêu đề ra thì đây là bài toán tối ưu hoá Đây là một bài toán khó, có độ phức tạp hàm mũ

Phương hướng giải quyết vấn đề này là phối hợp lập trình ràng buộc với kỹ thuật simulated annealing (thuộc local search) Sự phối hợp là nhằm phát huy thế mạnh của mỗi phương pháp:

• Dùng lập trình ràng buộc để tạo ra một lời giải đúng

• Dùng Simulated annealing để cải thiện chất lượng của lời giải đạt đến một phương án điều hành xấp xỉ tối ưu

Phương án này nhằm tránh việc tìm kiếm vét cạn vốn yêu cầu rất nhiều chi phí để tìm ra lời giải tối ưu

III- CÁC CÔNG TRÌNH LIÊN QUAN ĐẾN ĐỀ TÀI

Phần này điểm qua một số đề tài nghiên cứu liên quan đến vấn đề dự báo và các phương pháp giải thuật quan trọng sử dụng để giải bài toán tối ưu

Các đề tài liên quan đến dự báo: phần lớn các đề tài dự báo đều nghiên cứu giải quyết bài toán khó nhất về khí tượng, đó là dự báo thời tiết Trong đó các nhà nghiên cứu sử dụng nhiều phương án khác nhau để giải quyết bài toán dự báo, điển hình có các đề tài sau:

III.1 An attempt to apply Artificial Neural Networks to Meterology

Marco Verdecchia, Anna Rita Pantaleo and Guido Visconti, Dipartimento di Fisica dell’Universita’ dell’Aquita, Italy, 1997

Trong báo cáo này, nhóm tác giả đã đưa ra những lý do có thể và cần thiết ứng dụng ANN vào lĩnh vực dự báo khí tượng như sau:

• Phần lớn những giá trị của lĩnh vực khí tượng là không xác định và đầy đủ

• Việc tăng cường khả năng tính toán của máy tính không cho phép tăng hiệu suất lên nhiều trong các mô hình dự báo sử dụng cách tiếp cận theo kinh nghiệm, bởi vậy cần phải cải tiến phương pháp tiếp cận và giải quyết vấn đề

III.2 Ứng dụng ANN trong việc tính toán các dữ liệu khí tượng

Đã có nhiều công trình nghiên cứu ứng dụng ANN vào lĩnh vực tính toán không đầy đủ, nhưng chủ yếu là tính toán các dữ liệu khí tượng Các công trình này cũng đã chứng minh những công dụng và ưu điểm của ANN trong việc tính toán các dữ liệu không đầy đủ Kết quả đạt được cũng rất khả quan

III.3 Ứng dụng ANN trong việc dự báo nhu cầu điện năng giúp điều hành các tổ máy của nhà máy điện

Công trình này nghiên cứu ứng dụng ANN vào việc dự báo nhu cầu điện năng nhằm giúp điều hành các tổ máy phát điện một cách hợp lý nhất Bài báo cáo của tác giả cũng đánh giá cao khả năng dự báo dựa vào các thông tin không đầy đủ của kỹ thuật ANN Công trình cũng đạt kết quả rất khả quan, tuy nhiên, chỉ dừng lại ở mức độ là đáp ứng một mục tiêu duy nhất là nhu cầu điện năng của người dùng

Các nghiên cứu liên quan đến kỹ thuật lập trình tối ưu:

III.4 Các ngôn ngữ CLP hỗ trợ lập trình tối ưu

Cho đến ngày nay, đã có rất nhiều nghiên cứu phát triển các ngôn ngữ CLP có hỗ trợ tối ưu hoá và đã đạt được khá nhiều thành công Trong đó, có các ngôn ngữ đã trở nên phổ biến như: CHIP, B-Prolog, Lingo… Điều này giúp cho việc lập trình tối ưu ngày càng trở nên dễ dàng hơn Đề tài nghiên cứu của đề cương cũng dự định sử dụng một trong các ngôn ngữ CLP để tìm phương án điều hành hồ thuỷ điện tối ưu

III.5 Xu hướng lai ghép giữa lập trình ràng buộc và tìm kiếm cục bộ

Điển hình cho xu hướng này là công trình của Merlot Merlot và các cộng sự đã dùng một phần mềm thương mại ILOG chuyên dụng cho lập trình ràng buộc để tạo ra lời giải khả thi ban đầu, và sau đó sử dụng kỹ thuật Simulated Annealing để hoàn thiện lời giải này thành lời

giải xấp xỉ tối ưu Xu hướng này kết hợp được thế mạnh của hai phương pháp để đối phó với cả hai loại ràng buộc cứng và mềm Thực nghiệm cho thấy có thể đem lại lời giải xấp xỉ tối

ưu với một độ hữu hiệu tính toán khá tốt

IV- CƠ SỞ LÝ THUYẾT

IV.1 Mạng Neural nhân tạo (ANN)

IV.1.1 Giới thiệu

Khái niệm tính toán có thể hiểu theo nhiều cách, phần lớn là tính toán theo chương trình, trong đó các giải thuật tính toán được thiết kế và cài đặt bằng cách sử dụng các cấu trúc điều khiển hiện hành Một khái niệm khác của tính toán là hoạt động tính toán của các hệ sinh học Qua quá trình nghiên cứu, người ta nhận ra rằng sự tính toán trong bộ não con người khác rất nhiều so với hoạt động tính theo chương trình ở các điểm sau:

• Sự tính toán được phân tán cực đại và song song

• Việc học thay thế cho sự phát triển chương trình có rất nhiều ưu thế

Theo cách hoạt động này của bộ não, một mô hình tính toán mới có nguồn gốc từ sinh học đã ra đời, đó là mạng neural nhân tạo (Artificial Neural Network-ANN)

Mạng neural nhân tạo là một cấu trúc gồm các đơn vị kết nối với nhau Mỗi đơn vị có những đặc tính nhập/xuất và được cài đặt một tính toán hay chức năng cục bộ Đầu ra của mỗi đơn vị được xác định bởi các đặc tính nhập/xuất của chính nó, những mối liên hệ của nó với những đơn vị khác và đầu vào bên ngoài Một mạng thường phát triển một chức năng tổng thể thông qua một hay nhiều dạng đào tạo

Kỹ thuật ANN có tiềm năng trở thành cấu trúc tính toán chiếm ưu thế Công nghệ ANN đang hình thành là một lượng lớn kiến thức và kỹ thuật thường liên quan với nhau, nó thay thế cho các giải pháp tính toán truyền thống và đưa ra một khả năng để tiếp cận nhiều vấn đề hiện tại chưa giải quyết quyết được ANN là lĩnh vực vừa khoa học vừa kỹ thuật, trong đó khoa học được định nghĩa một cách lỏng lẻo như là kiến thức có cấu trúc và kỹ thuật là khoa học ứng dụng Quá trình tính toán của ANN có một số nét chính như sau:

• Mô hình tính toán tổng thể là sự kết nối những phần tử đơn giản và có thể thay đổi cấu hình

• Những đơn vị riêng lẻ cài đặt một chức năng cục bộ và mạng tổng thể của những đơn

vị kết nối thể hiện một chức năng tương ứng Việc phân tích chức năng này là rất khó, thường chỉ được phân tích thông qua đào tạo và thử nghiệm Các ứng dụng thực tế thường xác định chức năng, yêu cầu thông qua những thông số đặc tả, vai trò của người thiết kế ANN là xác định những tham số mạng để thoả mãn những đặc tả này

• Cải biến các mẫu kết nối như là một chức năng của dữ liệu đào tạo chủ yếu là tiếp cận học tập Kiến thức hệ thống kinh nghiệm, đào tạo được lưu trữ dưới dạng kết nối mạng

• ANN phải có khả năng lưu trữ thông tin, tức là phải đào tạo được Mục đích của quá trình đào tạo là làm cho mạng phát triển một cấu trúc bên trong cho phép nó định danh hay phân loại đúng những mẫu mới và gần giống

• ANN là một hệ động, trạng thái của nó thay đổi theo thời gian trong quá trình đào tạo

Một số ưu điểm của ANN:

• Tránh được lập trình cấu trúc dựa vào các điều khiển cấu trúc IF-THEN cụ thể

• Giảm được công sức và yêu cầu kinh nghiệm trong công việc chuyên môn cần giải quyết

• ANN sẵn sàng thích nghi và không cần cập nhật lại khi đầu vào thay đổi

• Không cần định nghĩa lại cơ sở tri thức

• ANN là một hệ thống động và tiếp tục tự cải tiến trong quá trình hoạt động

• Có khả năng xử lý lỗi, mâu thuẫn và thậm chí dữ liệu không đầy đủ

• Cho phép tổng quát hoá từ những thông tin chi tiết

• Cho phép bao gồm cả yếu tố thông minh, kinh nghiệm vào lĩnh vực giải quyết vấn đề

IV.1.2 Cấu trúc của ANN

Mạng ANN bao gồm ba phần: tầng nhập, các tầng ẩn và tầng xuất

Mỗi nút trong tầng nhập nhận giá trị của một biến độc lập và chuyển vào mạng Dữ liệu từ tất cả các nút của tầng nhập được chuyển cho tất cả các nút ở tầng ẩn đầu tiên

Các nút trong tầng ẩn chỉ có thể liên hệ với các nút trong tầng nhập hay tầng xuất hoặc giữa chúng với nhau, người sử dụng không thể giao tiếp được với các nút thuộc tầng ẩn này

Các nút trong tầng xuất nhận tín hiệu từ các nút thuộc những tầng trước đó, mỗi nút trong tầng xuất tương ứng với một biến phụ thuộc

ANN chỉ có một tầng nhập và một tầng xuất, các tầng ẩn có thể không có hoặc có nhiều là tuỳ vào từng ứng dụng cụ thể và do người thiết kế ANN quy định Tương tự, số lượng các nút trong mỗi tầng cũng phụ thuộc vào các ứng dụng khác nhau, do người thiết kế qui định

Tầng nhập

Các tầng ẩn

Tầng xuất MÔ HÌNH MẠNG ANN

IV.1.3 Mạng nhiều tầng và giải thuật lan truyền ngược

Một mạng lan truyền tổng quát là một mạng có n>2 tầng: tầng thứ nhất là tầng nhập, tầng thứ n là tầng xuất, còn lại (n-2) tầng ẩn Trong mạng lan truyền, mỗi nút ở tầng thứ i (0<i<n) liên kết với mọi nút ở tầng thứ (i+1), các nút trong cùng một tầng không liên kết với nhau Ngoài ra, còn một số cung liên kết trực tiếp từ các nút tầng nhập đến các nút tầng xuất, ta gọi mạng này là mạng lan truyền có nối trực tiếp Mỗi cung trong mạng được gắn với một trọng số w∈R

Mạng lan truyền có thể ở một trong hai trạng thái: ánh xạ hoặc học Trong trạng thái ánh xạ, thông tin lan truyền từ tầng nhập đến tầng xuất và mạng thực hiện ánh xạ để tính giá trị các biến phụ thuộc dựa vào giá trị các biến độc lập được cho Ở trạng thái này, mạng xử lý mỗi lần một mẫu để tính kết quả xuất của mạng Trước tiên, các giá trị của các biến độc lập được truyền cho tầng nhập của mạng, các nút nhập không tính toán gì cả, mỗi nút nhập chỉ truyền giá trị của nó cho tất cả các nút ẩn Mỗi nút ẩn tính tổng trọng hoá của tất cả các dữ liệu nhập bằng cách cộng dồn tất cả các tích giữa giá trị ẩn với trọng số của cung liên kết giữa các nút nhập và nút ẩn Hàm truyền chỉ đơn giản nén giá trị vào một miền giới hạn nào đó Sau khi nén tổng trọng hoá của nó, đến lượt mình, mỗi nút ẩn sẽ gửi kết quả đến tất cả các nút xuất Mỗi nút xuất thực hiện các thao tác tương tự như đã thực hiện trong nút ẩn để cho ra giá trị kết xuất của nút xuất Giá trị của các nút xuất chính là giá trị thực, nghĩa là giá trị của các biến phụ thuộc cần xác định

Bản chất ánh xạ do mạng thực hiện tuỳ thuộc vào giá trị các trọng số trong mạng Lan truyền ngược là một phương pháp cho phép xác định tập trọng tốt nhất của mạng để giải một bài toán được cho Việc áp dụng phương pháp lan truyền ngược là một quá trình lặp

đi lặp lại nhiều lần hai tiến trình chính: ánh xạ và lan truyền ngược sai số Hai tiến trình này được áp dụng trên một tập mẫu xác định, ta gọi chung tiến trình này là huấn luyện mạng (hay còn gọi là học)

Để cập nhật trọng số trong mỗi thế hệ, mạng phải xử lý tất cả các mẫu trong tập mẫu Đối với từng mẫu, mạng thực hiện các phép toán sau:

• Trước tiên, mạng thực hiện quá trình lan truyền tiến nghĩa là mạng ánh xạ các biến nhập của mẫu hiện hành thành các giá trị xuất, sử dụng các giá trị trọng số hiện hành

Ở những thế hệ đầu, các kết xuất thường chưa chính xác, vì các trọng số ban đầu cũng chưa đúng

• Sau đó sai số được tính toán dựa trên giá trị của kết quả xuất và giá trị đích, trên cơ sở sai số tính được, mạng sẽ cập nhật lại các trọng số theo nguyên tắc lan truyền ngược sai số, gọi là giai đoạn lan truyền ngược

Như vậy, để học một mẫu, mạng thi hành hai bước: lan truyền tiến-thực hiện ánh xạ và lan truyền ngược sai số-cập nhật trọng số mạng Vì thế phương pháp này còn được gọi là phương pháp lan truyền ngược Kỹ thuật cơ bản trong lan truyền ngược là cập nhật trọng số theo hướng giảm gradient dựa vào đạo hàm bậc nhất

Giảm gradient cũng là kỹ thuật phổ biến trong thống kê học, và lan truyền ngược có thể được xem như một phương pháp mô hình hoá thống kê Trong giai đoạn thực hiện ánh xạ, mạng tính giá trị của các biến phụ thuộc (giá trị của các nút xuất) dựa trên giá trị của các biến độc lập là các nút nhập của mạng dựa vào các trọng số mạng Các trọng số mạng chính là các hệ số của mô hình Phương pháp giảm gradient được dùng để cập nhật các hệ số này sao cho giảm thiểu sai số của mô hình Sai số được đo bằng phương pháp sai số trung bình bình phương là cách thường được sử dụng để xây dựng các mô hình

Mã giả mô tả quá trình học tập mẫu:

DO

Forward Back NEXT n

ChangeWeights

// duyệt toàn bộ tập mẫu // lan truyền tiến

// tính sai số và lan truyền ngược

// cập nhật trọng số mạng LOOP

Chương trình là một vòng lặp vô tận, vì vậy ta phải thêm vào điều kiện dừng khi đã duyệt hết các tập mẫu Tại mỗi bước lặp, chương trình duyệt qua tất cả các mẫu, với mỗi mẫu thủ tục Forward được gọi để thi hành giai đoạn lan truyền tiến, xác định các giá trị ánh xạ dựa vào trọng số mạng hiện hành Sau đó thủ tục Back được gọi để thi hành giai đoạn lan truyền ngược, xác định lượng thay đổi trong mỗi trọng số dựa trên mẫu này và tích luỹ toàn bộ thay đổi cần thiết của mạng Sau khi duyệt hết tất cả các mẫu cần học trong tập mẫu, thủ tục ChangeWeights được gọi để cập nhật tất cả các trọng số dựa trên các thay đổi đã tích luỹ được Sau đó tiếp tục học tập mẫu mới

IV.1.4 Hàm truyền

Hàm truyền là hàm qui định phép ánh xạ từ tổng trọng hoá thành các giá trị của các nút Nói cách khác, giá trị các nút trong tầng ẩn và tầng xuất là giá trị của hàm truyền với tham số là tổng trọng hoá Về mặt hình học, đồ thị của hàm truyền có dạng chữ S, nên hàm truyền được gọi là hàm dạng S

Một hàm S(u) là một hàm truyền dạng S nếu nó thoả:

• S(u) là hàm bị chặn, nghĩa là các giá trị của S(u) không bao giờ vượt quá một chặn trên cũng như không bao giờ thấp hơn chặn dưới với mọi giá trị u

• S(u) là hàm đơn điệu tăng, giá trị của S(u) luôn tăng theo giá trị của u

• S(u) là hàm trơn liên tục, giá trị đạo hàm có thể xác định được với mọi u

Mọi hàm thoả tính chất trên đều có thể sử dụng làm hàm truyền trong mạng neural nhân tạo Tuy nhiên trong thực tế, người ta thường sử dụng các hàm sau:

• Hàm logistic: về mặt toán học, hàm logistic được định nghĩa như sau

e

u g

u

1 1 1)

1)(

giá trị kết xuất của hàm này trong khoảng [-1,1]

• Hàm tang-hyperbole

e e

e

e

u u

u u

giá trị kết trong khoảng [-1,1] và tiến nhanh đến giới hạn so với h(u)

với e là cơ số logarit tự nhiên, hằng số e có giá trị khoảng 2.71828

Tất cả các hàm truyền này đều phục vụ khá tốt cho mục đích của mạng Neural và chúng có thể thay thế cho nhau Do khác nhau về các giới hạn của chúng, ta có thể chọn hàm này hoặc hàm kia tuỳ theo khoảng cần thiết của giá trị kết xuất Tuy nhiên, dữ liệu nhập có thể nhận bất cứ giá trị nào với bất kỳ hàm truyền nào được chọn Dữ liệu nhập cũng có thể nhập trực tiếp vào mạng mà không cần phải qua quá trình tiền xử lý

IV.1.5 Phương trình kết xuất mạng ANN

Phương trình kết xuất các nút ẩn của mạng có J nút ẩn là

J j

g u

yj= ( j), =

với g là hàm logistic, ∑

=+

trong đó, I là số nút nhập, x i là dữ liệu nhập của nút I, a ij là các trọng số từ input i đến ẩn

j, a 0j là trọng ngưỡng của nút ẩn j

Trong không gian (I+1) chiều, kết xuất của nút ẩn j là siêu phẳng-S I-chiều Mặt này biểu diễn tập các điểm thoả phương trình của yj, khi biết trị đặc biệt các trọng số a ij và a 0j các

trọng số a ij điều khiển hướng và độ dốc của mặt phẳng nghiêng trong siêu phẳng-S theo

từng chiều tương ứng với các biến nhập Trọng ngưỡng a 0j điều khiển khoảng cách từ gốc đến mặt phẳng nghiêng

Một nút ẩn với các trọng số cụ thể chia không gian nhập I-chiều thành hai vùng: một vùng có kết xuất cao và một vùng có kết xuất thấp Biên chia các vùng này là một siêu phẳng (I-1)-chiều trong không gian nhập I-chiều Biên này là hình chiếu trên không gian nhập của siêu phẳng-S của các kết xuất nút ẩn với siêu phẳng trực giao với trục y, và cắt nó tại trung điểm của các biên

Đối với mỗi trục i của không gian nhập, giao điểm của biên là:

I ia

a x

=+

=

1 0Có J nút ẩn với các kết xuất yj, bjk là các trọng số trên các cung liên kết từ nút ẩn j đến nút xuất thứ k, b0k là trọng số ngưỡng của nút xuất thứ k

Các phương trình này được giải thích theo thuật ngữ mạng như sau: mỗi nút trong J nút ẩn chuyển giá trị kết xuất yj của nó đến từng nút xuất, mỗi nút xuất trong K nút xuất tính tổng trọng hoá theo J và cộng với ngưỡng b0k Kết xuất zk là giá trị hàm logistic của tổng này

IV.1.6 Máy học

Lan truyền tiến là quá trình tính giá trị các nút xuất từ các giá trị nhập vào mạng Nó lượng giá biểu thức tính các kết xuất của mạng như là hàm theo các mẫu nhập Nói một cách khác, biểu thức này thực hiện ánh xạ từ các dữ liệu nhập vào miền giá trị của các kết xuất, có thể gọi là một hàm ánh xạ Hàm ánh xạ có thể xấp xỉ bất kỳ một hàm đích nào nếu các hệ số của nó (trong trường hợp này là các trọng số của mạng) được xác định đúng Với một hàm đích cho trước, thường dưới dạng bảng hoặc liệt kê, quá trình xác định các trọng số của một mạng xấp xỉ hàm này được gọi là quá trình học

Học là quá trình tìm các trọng số của mạng sao cho hàm ánh xạ khớp nhất với bộ dữ liệu chứa các mẫu của hàm đích Bộ dữ liệu này được gọi là tập mẫu Sai số trung bình bình phương được dùng để đánh giá sự trùng khớp giữa ánh xạ cần xây dựng với hàm đích cho trước (qua tập mẫu)

Cho tập mẫu:

Ω={(Xk,Zk)=(xk1,…,xkM;zk1,…,zkN)xki,zkj∈R;i=1…M;j=1…N;k=1 K} gọi Tk=NN(Xk)=(tk1,…tkN) thì sai số trung bình bình phương E là:

K N

kn kn E

N

n K

.2

1

1 1

2

) (

= =

=về mặt hình học ta có thể xem E như một mặt lỗi Lưu ý là hình dạng của mặt lỗi phụ thuộc vào một tập mẫu cụ thể đang xét Nếu tập mẫu thay đổi, có khả năng mặt lỗi cũng thay đổi Mặt lỗi là siêu phẳng trong đó mỗi điểm của nó tương ứng với một điểm trong không gian trọng Chiều cao trên không gian trọng của mỗi điểm trong mặt lỗi biểu diễn sai số của mô hình ứng với các trọng tương ứng đó Điểm thấp nhất trên mặt lỗi cho ta mô hình có sai số ít nhất

Hồi qui tuyến tính là một phương pháp cho phép xác định tập các hệ số của một mô hình tuyến tính của một tập mẫu cho trước sao cho sai số trung bình bình phương là nhỏ nhất Nghĩa là xác định trong không gian trọng sao cho sai số E tương ứng điểm thấp nhất trong mặt lỗi.Trong trường hợp mô hình là hàm không tuyến tính, như mạng neuron chẳng hạn, việc xác định được tập trọng số để mô hình tạo sai số ít nhất là rất khó Phương pháp giảm gradient thường được sử dụng trong các trường hợp phức tạp này:

1 Chọn ngẫu nhiên một điểm x0 trong không gian trọng số

2 Tính độ dốc của mặt lỗi tại x0

3 Cập nhật các trọng số theo hướng dốc nhất của mặt lỗi

4 Tiếp tục xem điểm này như điểm x0 mới

Lặp đi lặp lại quá trình từ (2) đến (4) thì đến một lúc nào đó các giá trị của bộ trọng số sẽ tiếp cận được điểm thấp nhất theo hướng giảm gradient Tuy nhiên điểm thấp nhất tìm thấy này chưa chắc là điểm thấp nhất trên mặt phẳng lỗi, mà đó có thể là điểm cực tiểu cục bộ Tìm cách tránh rơi vào điểm cực tiểu cục bộ là một vấn đề nan giải Tuy nhiên, trong thực hành mạng neuron, vấn đề không nghiêm trọng như vậy Bằng các kỹ thuật bẫy khi tiến trình rơi vào một cực tiểu cục bộ mà không thể tránh được thì có thể thêm một nút ẩn vào mạng neuron Việc thêm vào các nút ẩn rất có khả năng loại trừ cực tiểu cục bộ Hornil (1990) đã chứng minh được rằng một mạng neural với số nút ẩn thích hợp có thể xấp xỉ một hàm đích bất kỳ với sai số bất kỳ

Dù ta không thể tính toán được dạng của toàn mặt lỗi nhưng ta có thể tính được chiều cao và độ dốc mặt lỗi tại bất kỳ điểm nào trong không gian trọng Trong toán học, độ dốc mặt lỗi được xác định qua đạo hàm riêng theo từng trọng số trong mạng neural

Máy học trong ngữ cảnh mạng neural ta đang xét là quá trình cập nhật các trọng số của mạng sao cho hàm lỗi E giảm dần Bất cứ phương pháp nào giúp xác định biến thiên trọng, khi cập nhật các trọng số sao cho E giảm, đều được gọi là qui tắc học

Có nhiều qui tắc học đã được công bố, nhưng ở đây đề cập đến giải thuật lan truyền ngược Giải thuật này sử dụng qui tắc học giảm theo hướng dốc nhất Ta gọi là giảm dốc nhất Qui tắc này sử dụng các thông tin đạo hàm để cập nhật trọng số của mạng Hiện nay, những người thiết kế mạng neural có kinh nghiệm thường sử dụng các biến thể của giải thuật nguyên thuỷ này; lý do là vì tốc độ thuật giải nguyên thuỷ rất chậm

Qui tắc học giảm dốc nhất

Qui tắc giảm dốc nhất còn được gọi là qui tắc delta, là một trong những qui tắc học nguyên thuỷ nhất của lan truyền ngược Phương pháp này được Rumelhart, Hinton và Williams giới thiệu năm 1986

Khi hoàn thành một bước lặp qua toàn bộ tập mẫu, tất cả trọng số của mạng sẽ được cập nhật dựa trên thông tin đạo hàm riêng theo từng trọng số tích luỹ được Đúng như tên được đặt cho phương pháp, giảm dốc nhất, các trọng số sẽ được cập nhật theo hướng mà hàm lỗi E tụt xuống dốc nhất

Tại bất kỳ điểm nào trên không gian trọng số, giá trị hàm lỗi trung bình bình phương hoàn toàn được xác định qua tập mẫu dùng luyện mạng Như đã thảo luận, lỗi có thể coi như là chiều cao của điểm đó trên mặt lỗi, trong không gian trọng Ta không thể biết được chiều cao của mặt lỗi của mỗi điểm trong không gian trọng mà chỉ có thể biết được tại điểm đang xét tương ứng với bộ trọng số hiện hành.Tại một điểm cho trước trong không gian trọng số, có hai vấn đề cần quan tâm: thứ nhất là xác định hướng nào để lỗi giảm nhanh nhất; vần đề thứ hai là quyết định độ lớn của bước chuyển trọng số theo hướng đó.Trước hết, ta tìm độ dốc trong mặt lỗi chỉ theo một trọng số trong không gian trọng Với mỗi mẫu, đạo hàm hàm lỗi được biểu diễn bằng một vectơ có hướng Độ lớn mỗi vectơ tương ứng với sai số của mẫu đó Nếu đạo hàm hàm lỗi dương, hướng của vectơ sang phải; ngược lại nó hướng sang trái

Đạo hàm hàm lỗi theo từng trọng

Như vậy, đạo hàm hàm lỗi trên toàn tập mẫu chính là tổng vectơ của từng vectơ đạo hàm của từng mẫu trong tập mẫu

Bây giờ, ta xét hai trọng số khác nhau Độ lớn và hướng của mỗi vectơ sai số trung bình tương ứng với từng trọng số đó được tính theo cách nêu trên Kết quả ta sẽ có hai vectơ Biểu diễn chúng trong một hệ trục tạo từ các trọng số này, ta có hai mũi tên vuông góc nhau và cùng độ lớn tại một vị trí như minh hoạ

Nếu mạng chỉ có hai trọng số thì tổng lỗi chính là tổng vectơ của hai đạo hàm riêng hàm lỗi này Độ lớn vectơ tổng chính là đường chéo hình chữ nhật tạo từ hai vectơ đạo hàm riêng và hướng theo góc đối nghịch của hình chữ nhật Theo qui tắc cộng vectơ, độ lớn vectơ tổng tương ứng với độ dốc nhất của mặt lỗi tại điểm đó và vectơ theo hướng ngược lại vectơ tổng biểu diễn hướng giảm dốc nhất Tương tự, ta có thể tính vectơ tổng của nhiều vectơ đạo hàm riêng hàm lỗi, từ đó, dễ dàng xác định được hướng mà hàm lỗi giảm dốc nhất

Vấn đề thứ hai là xác định độ lớn bước theo hướng đã xác định ở trên Bài toán này được dành cho người thiết kế mạng quyết định thông qua tham số ε (gọi là tham số học), ε ∈ (0,1)

Tiến trình cập nhật trọng số được hình thức hoá bằng toán học như sau:

Gọi wt là giá trị trọng số w tại bước thứ t Để đơn giản, ta dùng ký hiệu w biểu diễn trọng số nói chung, thay vì phải dùng aij cho trọng số nút ẩn và bik cho nút xuất Công thức cập nhật trọng số là

wm=wm-1 + cm,

cm = -εdm

cm trong công thức trên được gọi là biến thiên của trọng số w ở bước thứ m dấu trừ diễn tả hướng ngược lại của vectơ tổng dm chính là độ lớn của vectơ tổng này và được tính theo dòng công thức:

m

1

) (

Giá trị tham số học ε do người dùng quyết định, chưa có qui tắc tổng quát hướng dẫn cách chọn giá trị cho ε Thông thường người ta sử dụng phương pháp thử và sai để xác định ε bằng thực nghiệm Đây chính là hạn chế của qui tắc học giảm dốc nhất

Nếu chọn được giá trị ε tốt, tiến trình giảm gradient sẽ nhanh chóng hội tụ; ngược lại quá trình hội tụ phải rất lâu mới đạt được

Qui tắc học thích nghi

Quy tắc này còn có tên là delta-bar-delta, là một phương pháp cải tiến được xem là hiệu quả nhất của phương pháp delta, được Robert Jacobs và cộng sự đưa ra năm 1988 Nguyên tắc của phương pháp này như sau: mỗi trọng số có một hệ số học e khác nhau, khi cập nhật trọng số, nếu hướng giảm lỗi hiện hành cùng hướng với bước trước thì cho e lớn, còn ngược lại thì cho e nhỏ

Hướng lỗi giảm được xác định bởi dấu của dm, là đạo hàm riêng của hàm lỗi theo trọng số ở bước thứ m Nếu dm dương, lỗi giảm khi trọng số giảm, nếu dm âm, lỗi giảm khi trọng tăng Phương pháp này vận dụng khái niệm hướng lỗi “vừa mới giảm” Ta có thể định nghĩa hướng này như một hàm theo d như sau:

fm+1=θ fm + (1 - θ)dm

trong đó 0 ≤ θ < 1 là tham số cho biết khoảng thời gian mới đây là bao lâu Nếu θ = 0, thì

fm+1 = dm và khoảng thời gian mới đây là bây giờ Nếu θ = 0.5, thì fm+1=0.5dm + 0.5fm nhưng

vì fm được xác định từ những giá trị quá khứ của d nên thực sự có thể nói rằng:

fm+1 = 0.5 dm + 0.25dm-1 + 0.125 dm-2 + … và cứ thế, trở về đến 1 Khi θ tiến về 1, giá trị dm hiện tại giảm và các giá trị quá khứ của d được tính bởi fm lại tăng

Nếu ta cho f là trung bình trọng số của các đạo hàm hiện tại và quá khứ, θ là trọng số cho biết đạo hàm đã qua và (1 - θ) là trọng số cho biết đạo hàm hiện tại Nếu f dương thì có thể biết mới đây là “lỗi giảm khi trọng giảm” và ngược lại, cũng như đối với chính đạo hàm

Dựa vào dấu của dm và fm ta có thể đo chính xác cả hướng mà lỗi hiện đang giảm và hướng mà lỗi vừa mới giảm Nếu chúng cùng dấu, việc giảm lỗi xảy ra theo cùng hướng cũ, nếu khác dấu, hướng sẽ ngược với hướng cũ

Chúng ta có thể kiểm chứng xem hướng mà lỗi giảm có thay đổi không bằng cách nhân dm

với fm Nếu tích số này dương thì cùng dấu, nếu âm thì khác dấu

Hệ số học thích nghi được tính theo công thức:

*

0,

1

1

f d e

f d e

e

m m m

m m m

Ngoài ra, còn có các qui tắc học khác như học từng mẫu, qui tắc moment…

IV.2 Lập trình tối ưu hoá

IV.2.1 Lập trình ràng buộc

Giống như lập trình logic, lập trình ràng buộc thuộc về phương thức lập trình mô tả (declarative programming)

Lập trình ràng buộc là lãnh vực nghiên cứu các hệ thống tính toán dựa trên các ràng buộc (constraint) Ý tưởng chính của nó là giải bài toán ứng dụng bằng cách phát biểu những ràng buộc của bài toán, và sau đó, tìm kiếm lời giải thoả mãn một phần hoặc tất cả những ràng buộc đó

So với các phương pháp cổ điển hơn, lập trình ràng buộc có những ưu điểm:

• Thời gian phát triển phần mềm nhanh

• Mềm dẻo, linh hoạt, dễ thích ứng với thay đổi

• Dể đưa vào các tương tác với người sử dụng

Những ưu điểm trên được tạo ra mà không hề làm suy giảm tính hữu hiệu của chương

trình

Lập trình ràng buộc có liên quan đến một lĩnh vực của AI (Artificial Intelligence) là giải

các hệ ràng buộc (constraint satisfaction problems)

Một bài toán giải hệ ràng buộc Contraint Satisfaction Problem (CSP) bao gồm một bộ ba

P=(V,D,C), trong đó:

V={V1,V2,…,Vn} là một tập các biến

D={Dv1,Dv2, ,Dvn} là tập hợp các miền trị của các biến

C={C1,C2,…,Cm} là tập hợp các ràng buộc trên các biến, nó giới hạn khả năng lựa chọn

giá trị cho biến

Nếu các miền trị là những tập trị hữu hạn và rời rạc thì bài toán CSP được gọi là CSP trên

miền trị hữu hạn FCSP

Các bài toán CSP chủ yếu được chia làm hai loại chính:

• Bài toán thoả mãn ràng buộc (Satisfiability problems): Mục tiêu là gán trị cho các

biến thoả mãn tất cả các ràng buộc

• Bài toán tối ưu (Optimization problems): Căn cứ vào độ ưu tiên của các ràng buộc,

mỗi giá trị được gán vào biến có mức chi phí (cost) hay giá trị mục tiêu (objective

cost) Mục tiêu của bài toán là tìm ra lời giải có tổng chi phí thấp nhất hoặc tổng giá

trị mục tiêu cao nhất

Tất cả các bài toán CSP đều là bài toán NP-complete, có độ phức tạp tính toán hàm mũ

I.1.1.1 Giải thuật Backtracking căn bản

Giải thuật căn bản để giải các bài toán FCSP là giải thuật backtracking, còn gọi là

treesearch Điểm căn bản của giải thuật này là các biến được sắp xếp theo một thứ tự

nào đó, sau đó lần lượt gán được trị Trong quá trình gán trị, mỗi biến được kiểm tra

xem có vi phạm ràng buộc với những biến khác đã gán hay không Nếu có một ràng

buộc không thoả mãn, phải chọn giá trị khác cho biến hiện hành nếu tất cả các giá trị

trong miền trị của biến hiện hành đều vi phạm ràng buộc thì phải thuật thực hiện cơ

chế quay lui về biến trước đó

Mã giả của giải thuật

2 While Di’ is not empty

3 Select an arbitrary element a ∈ Di’ and remove a from Di’

4 If value a for vi is consistent with <a1,…,ai> then

7 Return null

I.1.1.2 Giải thuật Backtracking có kiểm tra hướng tới (forward checking)

Giải thuật backtracking có một nhược điểm chính là bị thrashing, tức là dò tìm trên

những nhánh khác nhau của không gian tìm kiếm thì có thể bị lặp lại cùng một số thất

bại cũ Có nhiều kỹ thuật nhằm cải tiến giải thuật này được đề ra, nhìn chung, có hai

loại sau:

• Kỹ thuật nhìn hướng lui (look back): được dùng khi giải thuật gặp tình huống phải

quay lui lại biến trước đó

• Kỹ thuật nhìn hướng tới (look ahead): được dùng khi giải thuật backtraking chuẩn

bị gán trị cho biến kế tiếp Kỹ thuật này được ưu chuộng hơn vì dễ kết hợp với các

heuristic sắp thứ tự biến và sắp thứ tự trị, thường được sử dụng phối hợp với một

kỹ thuật tương thích (consistency technique) để tiền xử lý các miền trị dựa vào sự

lan truyền ràng buộc Có nhiều cách phối hợp giữa backtracking với kỹ thuật tương

thích Một giải thuật căn bản trong nhóm này được gọi là kỹ thuật backtracking có

kiểm tra hướng tới (backtracking with forward checking) Giải thuật này bổ sung

vào giải thuật backtracking căn bản các động tác loại ra khỏi miền trị của các biến

chưa được gán trị tất cả những trị nào không tương thích với sự gán trị hiện hành

Mã giả giải thuật:

2 While Di’ is not empty

4 Empty_domain:=fasle

5 For all k,i<k<=n

7 If value a for vi is consistent with <a1,…,ai> and vi=a then

IV.2.2 Kỹ thuật Simulated Annealing và Local Search

Simulated Annealing (SA) là một kỹ thuật tối ưu hoá được đề xuất bởi S.Kirkpatrick và

các đồng sự năm 1983 Kỹ thuật này là một dạng của phương pháp tìm kiếm cục bộ (local

search), cho phép ta tạo ra những bước chuyển trạng thái tốt hơn theo một cách có kiểm

soát

Kỹ thuật này mô phỏng việc luyện kim: nung nóng kim loại trong một lò nhiệt rồi làm

nguội đi Quá trình này được gọi là annealing Nếu ta nung nóng kim loại vượt qua điểm

hoá lỏng và rồi làm nguội nó Các tính chất về cấu trúc của kim loại sẽ tuỳ thuộc vào tốc

độ làm nguội Nếu quá trình làm nguội là hạ nhiệt độ dần dần cho đến khi kim loại hội tụ

về một trạng thái ổn định Aùp dụng vào bài toán tối ưu hoá, SA sẽ tìm kiếm những lời giải

khả thi và rồi hội tụ về lời giải tối ưu

Nguyên tắc chọn bước chuyển trạng thái của SA:

SA luôn chọn các bước chuyển trạng thái có hàm chi phí tốt hơn so với trạng thái hiện

hành, tuy nhiên với các bước chuyển trạng thái tệ hơn thì SA vẫn có thể chấp nhận nó với

một xác suất nào đó Với cách này, SA tránh được nguy cơ bị rơi vào trạng thái tối ưu cục bộ và có cơ hội để tìm các lời giải khác tốt hơn trên không gian tìm kiếm

Tiêu chuẩn để chấp nhận bước chuyển trạng thái:

Luật của nhiệt động học phát biểu rằng tại nhiệt độ t, xác suất cho một sự gia tăng về mức năng lượng là:

Với k là hằng số Boltzmann

SA mô phỏng giải thuật tính mức năng lượng mới của hệ thống Nếu năng lượng đã giảm thì hệ thống đi vào trạng thái năng lượng đó Nếu năng lượng đã gia tăng thì trạng thái mới được chấp nhận bằng cách dùng một xác suất cho ở công thức trên

Một số bước lặp sẽ được thực hiện ở mỗi giá trị nhiệt độ và rồi thì nhiệt độ được giảm đi Điều này lặp lại nhiều lần cho đến khi hệ thống ngưng tụ vào một trạng thái ổn định

Phương trình [1] được dùng trực tiếp trong giải thuật SA, mặc dù hằng số k thường được bỏ đi Do đó xác suất để chấp nhận một trạng thái dở hơn được cho bởi phương trình: P=exp(-c/t) > r

Trong đó

c: mức thay đổi trong hàm chi phí

t: thông số điều khiển (nhiệt độ hiện thời)

r: một số ngẫu nhiên trong khoảng (0,1)

Mối liên hệ giữa Annealing thực sự và Simulated Annealing

Mô phỏng nhiệt động học Tối ưu tổ hợp Các trạng thái của hệ thống Các lời giải khả thi

Chuyển trạng thái Các lời giải lân cận

Trạng thái ổn định Lời giải Với bảng liên hệ này, bất kỳ bài toán tối ưu tổ hợp nào cũng có giải được bằng kỹ thuật

SA

Giải thuật Simulated Annealing

Để có thể áp dụng được kỹ thuật SA, ta phải diễn tả bài toán trong dạng thức của phương pháp tìm kiếm cục bộ, bằng cách định nghĩa:

• Không gian giải bài toán (solution space)

• Cơ cấu xác định vùng lân cận (neighbourhood structure)

• Hàm chi phí (cost function)

Mã giả giải thuật Simulated Annealing

1 Select an initial solution s0

2 Select an initial temperature t0>0

3 Select a temperature reduction function α // s is a neighbour solution of s0

5 Select a nrep for current temperature t

19 Until stoppingcondition = true

20 /* s0 is the approximation to the optimal solution */

Chất lượng lời giải

Các bước di chuyển dự tuyển được chọn một cách ngẫu nhiên và tất những bước di chuyển có cải thiện đều đươc chấp nhận một cách tự động Còn các bước di chuyển khác

được chấp nhận với một xác suất exp (-δ/t) , với δ là mức thay đổi ở hàm chi phí và t là

một thông số điều khiển

Chú ý rằng chất lượng của các lời giải thì nhạy cảm đối với cách thức thông số nhiệt độ t

được điều chỉnh-còn được gọi là lịch biểu làm nguội (cooling schedule) Lịch biểu làm

nguội được định nghĩa bằng :

• một nhiệt độ khởi đầu t0,

• các điều kiện dừng,

• hàm giảm thiểu α và

• số lần lặp tại mỗi nhiệt độ, nrep

Tất cả những giá trị trên tuỳ thuộc vào từng bài toán áp dụng vì chúng phải được lựa chọn theo dạng của không gian lời giải

PHẦN 2: GIẢI QUYẾT VẤN ĐỀ THỰC TẾ

Phần này trình bày các công việc chính mà luận văn thực hiện:

1 Thu thập dữ liệu và xây dựng hệ thống thông tin địa lý hỗ trợ cho các yêu cầu tạo lập, lưu trữ cập nhật, truy xuất thông tin của nhà điều hành nguồn nước

2 Xây dựng phần mềm “RunOffPredict”, hỗ trợ nhà điều hành trong việc dự báo nguồn tài nguyên nước sẽ có được để có thể điều hành hiệu quả

3 Xây dựng phần mềm “ReservoirManager”, hỗ trợ nhà điều hành trong việc phân tích, tìm ra phương án điều tiết tốt nhất, hợp lý nhất

4 Xây dựng chương trình điều phối hoạt động của ba chương trình trên như một hệ DSS thống nhất

V- XÂY DỰNG HỆ THỐNG THÔNG TIN ĐỊA LÝ PHỤC VỤ QUẢN LÝ DỮ LIỆU

V.1 Bản đồ số khu vực hồ Trị An

Bản đồ gồm các tập tin chính sau:

V.2 Mô hình toàn khu vực trong ArcGIS 9.0

Mô hình gồm có các tập tin chính sau:

VI- XÂY DỰNG PHẦN MỀM DỰ BÁO LƯỢNG NƯỚC NHẬP HỒ

VI.1 Ứng dụng ANN vào việc hỗ trợ dự báo lượng nước nhập hồ

Vấn đề được đặt ra ở đây là: làm thế nào để tìm ra mối quan hệ gần đúng nhất giữa lượng nước chảy vào các hồ điều tiết nước và lượng mưa tại các điểm quan trắc mưa lân cận Như đã trình bày, công việc này phụ thuộc rất nhiều vào kinh nghiệm của con người Về bản chất, đó là quá trình tính toán không đầy đủ, rất gần giống với quá trình tính toán sinh học Dùng ANN để giải quyết vấn đề này là thích hợp với một số lý do sau:

• ANN sẽ tìm được mối quan hệ giữa các mẫu và hệ quả thay đổi lượng nước nhập hồ thông qua quá trình học mẫu

• Dữ liệu của các điểm quan trắc mưa thường không đầy đủ và có sai số trong tính toán, điều này có thể chấp nhận được nhờ ứng dụng ANN

• Về mặt toán học, quan hệ giữa lượng nước nhập hồ với lượng mưa ở các điểm lân cận tại một thời điểm có thể được định nghĩa bằng hàm sau:

VI.2 Mô hình dự báo lượng nước nhập hồ

Để có thể tìm ra phương án điều hành tối ưu nguồn nước, điều tiên quyết là phải định lượng trước nguồn tài nguyên nước sẽ nhận được trong suốt chu kỳ điều hành Mục đích của mô hình này là: tại thời điểm bắt đầu điều hành, với các thông tin có được ở hiện tại và trong quá khứ, phải tìm ra dãy lượng nước đổ về các hồ theo từng tháng trong năm Việc xác định chính xác các thông tin trên có vai trò quyết định đến chất lượng lời giải của mô hình điều hành tối

ưu sau này

Về mặt dữ liệu, mô hình có các đặc điểm sau:

Dữ liệu đầu vào:

• Thời điểm dự báo t (tháng trong năm)

• Lượng nước nhập hồ trong tháng t tại hồ cần dự báo

• Lượng mưa tại các điểm quan trắc mưa lân cận trong tháng t

Dữ liệu đầu ra:

• Lượng nước nhập hồ trong 12 tháng tiếp theo

Để dự báo lượng nước nhập hồ trong tháng ngay sau thời điểm dự báo (t+1), chúng ta dựa vào các thông tin thực đã có: từ dữ liệu đầu vào, sử dụng ANN, ta có thể tính được lượng nước nhập hồ ở tháng đầu tiên với các giá trị thực đã có theo hàm đích sau:

Kết quả thu được sẽ có độ chính xác cao so với thực tế vì sử dụng các giá trị thực đã có Để dự báo lượng nước nhập hồ trong 11 tháng còn lại (t+2 t+11), tại mỗi điểm quan trắc mưa, chúng ta cần ghi nhận thường xuyên dãy phân bố lượng mưa trung bình theo từng tháng trong năm Sử dụng phân bố đều, với một sai số cho trước, thông tin này được sử dụng để tạo

ra dãy lượng mưa tại các điểm tương ứng trong 11 tháng điều hành tiếp theo Tiếp tục sử dụng ANN, chúng ta có được dãy lượng nước nhập hồ trong 11 tháng tiếp theo

Như vậy việc dự báo hoàn toàn có thể thực hiện được cho 12 tháng điều tiết

Phân tích mô hình:

Trong mô hình khảo sát, chúng ta có 4 trạm thuỷ văn cần dự báo lượng nước là:

• Trạm thuỷ văn trên sông Đồng Nai: đo lượng nước chảy vào hồ thuỷ điện Trị An

• Trạm thuỷ văn trên sông Bé: đo lượng nước chảy vào hồ Phước Hoà

• Trạm thuỷ văn trên sông Sài Gòn: đo lượng nước chảy vào hồ Dầu Tiếng

• Trạm thuỷ văn trên sông Vàm Cỏ Đông: đo lượng nước chảy trực tiếp xuống hạ lưu sông Vàm Cỏ Đông phục vụ sản xuất nông nghiệp tại khu vực này, không được trữ lại trong hồ điều tiết nước

Ngoài ra, để đảm bảo độ mặn thích hợp tại các điểm kiểm soát mặn, chúng ta cũng có thể sử dụng ANN để tính lượng nước ngăn mặn cần thiết Qsal tại các điểm này Thực chất, đây là bài toán truyền chất, nồng độ muối tại điểm kiểm soát mặn có thể được tính từ thông tin về lượng nước tại các điểm biên, thuỷ triều… Xét cho cùng, đó cũng là mối quan hệ nhân quả và chúng ta cũng có thể dùng ANN để xấp xỉ hàm quan hệ này

VI.3 Hiện thực chương trình hỗ trợ dự báo lượng nước nhập hồ

VI.3.1 Giới thiệu về RunOffPredict

RunOffPredict được xây dựng và hiện thực bằng ngôn ngữ lập trình Visaul Basic và mô hình đối tượng Neuro là một chương trình về lĩnh vực trí tuệ nhân tạo, mà mô hình toán học chính là ANN theo giải thuật lan truyền ngược

Mục tiêu chính của “RunOffPredict” là giúp dự báo lượng nước chảy qua các trạm thuỷ văn trong một năm tại các điểm biên trên sông Đồng Nai, sông Bé, sông Sài Gòn, sông Vàm Cỏ Đông từ thông tin lượng mưa tại các trạm khí tượng lân cận ở thời điểm hiện tại và trong quá khứ

Kết quả của RunOffPredict cho biết lượng tài nguyên nước sẽ có tại các điểm điều hành, trở thành dữ liệu đầu vào của chương trình “ReservoirManager”

RunOffPredict được thiết kế như một phần mềm hoàn chỉnh, vừa có thể hoạt động độc lập vừa hoạt động như một bộ phận của DSS

VI.3.2 Giao diện RunOffPredict

Sau khi khởi động, giao diện của “RunOffPredict” như hình sau

Để tiện lợi cho việc sử dụng, giao diện của “RunOffPredict” được thiết kế có ba chức năng chính lần lượt là huấn luyện mạng, kiểm tra mạng và dự báo

Quá trình huấn luyện mạng

Menu Gauging Station: cho phép người dùng chọn một trong bốn trạm thuỷ văn

Hộp thoại Input File và Desired File: cho phép người dùng chọn các file dữ liệu phục vụ huấn luyện mạng

Hộp thoại CVInput File và CVDesired File: cho phép người dùng chọn các file dữ liệu phục vụ chế độ kiểm tra chéo, nhằm đảm bảo tính tổng quát của mạng

• View Best Cost of Training: hiển thị chi phí tốt nhất của quá trình huấn luyện

• Use Cross Validation File During Training: bật chế độ kiểm tra chéo trong quá trình huấn luyện mạng

Output Screen: hiển thị kết quả của quá trình huấn luyện mạng

Nút lệnh Draw Chart: bật màn hình trình bày kết quả dưới dạng đồ thị

Nút lệnh Train: bắt đầu quá trình huấn luyện mạng

Quá trình kiểm tra mạng

Menu Gauging Station: cho phép người dùng chọn một trong bốn trạm thuỷ văn

Hộp thoại Input File và Desired File: cho phép người dùng chọn các file dữ liệu phục vụ quá trình kiểm tra mạng

Output Screen: hiển thị kết quả của quá trình kiểm tra mạng

Nút lệnh Draw Chart: bật màn hình trình bày kết quả dưới dạng đồ thị

Nút lệnh Test: bắt đầu quá trình huấn luyện mạng

Quá trình dự báo

Menu Gauging Station: cho phép người dùng chọn một trong bốn trạm thuỷ văn

Play Network: cho phép người dùng nhập các giá trị của các trạm khí tượng lân cận Output Screen: hiển thị kết quả của quá trình dự báo

Nút lệnh Play: bắt đầu quá trình dự báo

VI.3.3 Mô tả mô hình mạng ANN được sử dụng trong chương trình

Mô hình mạng ANN:

Chương trình được hiện thực theo kiểu MultiLayer Perceptron (MLP)-mô hình ANN phổ

biến nhất hiện nay Mô hình mạng ANN được thiết kế như sau:

Các thành phần cấu thành mô hình ANN

Nơron nhập (Input Axon)

Thành phần này có nhiệm vụ tiếp nhận dữ liệu đầu vào và chuyển chúng xuống phần còn lại của mạng ANN, nó giao tiếp với một đối tượng file để đọc dữ liệu từ các file, cơ sở dữ liệu của hệ thống

Tầng ẩn

Các thành phần trong tầng ẩn này:

Khớp thần kinh (synapse): được sử dụng để tạo kết nối từ mỗi đầu vào đến mỗi PE có trong tầng ẩn này Khớp này chứa các liên kết và trọng số của các liên kết này Các liên kết có thể được huấn luyện và trọng số của các liên kết trong khớp thần kinh sẽ thay đổi trong quá trình huấn luyện

Nơron kiểu tanh (tanh axon): thành phần này chứa các đơn vị xử lý (PE) của tầng ẩn Các PE trong nơron này có dạng hàm tanh như sau:

Thành phần moment: phía trên synapse và tanh axon là các momentum gradient search Nó có chức năng điều chỉnh trọng số mạng dựa vào các giá trị sai số của mạng

Tầng xuất (Output Layer)

Có các thành phần trong tầng xuất:

Khớp thần kinh (synapse): tạo liên kết từ các PE tầng ẩn đến các PE xuất, trọng số các liên kết này cũng có thể được huấn luyện

Nơron tuyến tính xiên (bias axon): nơ ron này chứa các đơn vị xử lý của tầng xuất Các PE này có dạng tuyến tính xiên:

Thành phần moment: phía trên synapse và tanh axon là các momentum gradient search Nó có chức năng điều chỉnh trọng số mạng dựa vào các giá trị sai số của mạng trong mỗi bước lặp Đồng thời, nó còn có khả năng thoát ra khỏi các điểm tối ưu cục bộ trong quá trình huấn luyện mạng, giúp tăng cường khả năng học của mạng Công thức cập nhật trọng số mạng như sau:

Bộ kiểm tra tiêu chuẩn (Criterion)

Bộ kiểm tra tiêu chuẩn có khả năng tính toán các chi phí toàn phương thường dùng để tính toán chi phí của hệ thống Có hai hàm quan trọng:

Hàm chi phí có dạng:

Hàm sai số có dạng:

Bộ kiểm tra tiêu chuẩn này nhận các giá trị đầu ra của mạng từ OutputLayer và so sánh với các giá trị mong muốn (được lấy từ thành phần file ) Nó tính toán độ sai lệch và

truyền ngược sai số này về cho mạng thông qua thành phần lan truyền ngược để tiến hành quá trình huấn luyện mạng Ngoài ra, nó thường được kết nối đến một số thành

phần thăm dò (matrix viewer,data graph) khác giúp dễ dàng quan sát trực quan quá trình vận hành mạng

Bộ điều hành

Bộ điều hành được sử dụng để lưu trữ toàn bộ các tham số toàn cục điều khiển mạng ANN Có hai thành phần chính:

Bộ điều hành tĩnh (static controller): chứa các tham số về số lượng các mẫu học, nguồn dữ liệu đầu vào, số lần lặp…

Bộ điều hành lan truyền ngược (backprop controller): chứa các tham số số về quá trình học, huấn luyện mạng (chế độ học…)

Ngoài ra có thể có thêm bộ điều hành genetic (genetic controller) chứa các tham số liên quan đến quá trình tối ưu mạng

Các đối tượng sử dụng trong RunOffPredict

Chương trình sử dụng các đối tượng của NeuroSolutions sau: Axon, TanhAxon,

FullSynapse, BackFullSynapse, BiasAxon, L2Criterion, Momentum, DataGraph, File, BackAxon, StaticControl, BackStaticControl…

(Vui lòng xem tài liệu tham khảo [71] Neural Expert Help-Function Approximation

Breadboard-NeuroSolutions Version 4.32 để biết thêm chi tiết )

VII- XÂY DỰNG PHẦN MỀM ĐIỀU HÀNH HỆ THỐNG HỒ THUỶ ĐIỆN VII.1 SƠ ĐỒ KHU VỰC HẠ LƯU SÔNG ĐỒNG NAI

CHÚ THÍCH

Hồ điều tiết nước Vùng nông nghiệp Nhà máy thuỷ điện Dòng nước tại các điểm biên

Điểm kiểm soát độ mặn

VII.2 PHÂN TÍCH MÔ HÌNH:

Hàm mục tiêu tổng quát

,(.)

,,()

,,()

(

t NS

j NL

j i B t j i QW Z

NS: Số nguồn nước

NL: Số điểm sử dụng nước (cho nhiều mục tiêu khác nhau)

NE: Số nhà máy thuỷ điện

QW(i,j,t): lượng nước từ nguồn j được tiêu thụ bởi điểm i trong tháng t

B(i,j,t): lợi nhuận thu được tại điểm i do sử dụng một đơn vị nước của nguồn j trong tháng t BP: lợi nhuận thu được từ một đơn vị điện năng sản xuất được

PQ(j,t): lượng nước chảy qua tua bin máy phát j trong tháng t

ε: hệ số trục của tua bin máy phát điện

Cp: hệ số hiệu suất chuyển đổi điện năng

{ }S (t) :

H j j hàm cho biết cao trình phát điện trung bình từ dung lượng trung bình nước hồ thủy điện trong tháng t

VII.2.1 Vấn đề điều hành hồ nước và nhà máy thuỷ điện

Trong giới hạn của đề tài, vùng khảo sát có duy nhất nhà máy thuỷ điện Trị An (NE=1) Nhà máy thuỷ điện Trị An được xây dựng xong vào năm 1988, trên sông Đồng Nai với tổng công suất là 1.7 triệu KWH một năm Lượng nước trung bình nhập hồ thuỷ điện Trị

An là 493 m3/s, lớn nhất trong ba hồ khảo sát (Trị An, Dầu Tiếng, Phước Hoà) Thuỷ điện Trị An có vai trò rất quan trọng trong việc cung cấp điện năng, điều tiết nước phục vụ sản xuất nông nghiệp, công nghiệp, ngăn mặn, điều tiết chất lượng nước và đặc biệt là phòng chống lũ lụt cho khu vực hạ lưu sông Đồng Nai

Thông số kỹ thuật của nhà máy thuỷ điện Trị An:

Annual Output of Hydropower (MWH) AHOUT 1700000

Số giờ vận hành nhà máy thuỷ điện h(1) 360

Thông số kỹ thuật của hồ thuỷ điện Trị An

Hệ số sử dụng nước trung bình, Trị An ANPHA(1) 0.05

Ngoài thuỷ điện Trị An, khu vực khảo sát còn có hai hồ điều tiết nước (không có nhà máy thuỷ điện) là hồ Phước Hoà (trên sông Bé) và hồ Dầu Tiếng (trên sông Sài Gòn), thông số kỹ thuật như sau:

Việc điều hành hồ thuỷ điện Trị An và hai hồ Phước Hoà, Dầu Tiếng phải tuân theo các ràng buộc sau:

• Mực nước (lượng nước) trong hồ phải thuộc hai ngưỡng giới hạn của hồ (phụ thuộc vào dung tích hồ và cao trình đặt máy phát điện)

• Lượng nước xả thông qua các cửa xả tràn phải nằm trong khả năng cho phép của hồ

• Lượng nước xả vào tua bin máy phát điện phải nằm trong giới hạn cho phép của máy phát Giới hạn này phụ thuộc vào tiết diện của cổng xả vào máy phát, công suất máy phát và thời gian dự kiến vận hành máy phát trong một tháng)

• Lượng nước trong mỗi hồ đều bị hao hụt do sự bay hơi và rò rỉ, tỉ lệ hao hụt này phụ thuộc vào thời tiết, nhiệt độ, độ ẩm… và thay đổi theo từng thời điểm điều hành Tỉ lệ hao hụt được ký hiệu là LOSS(i,t)=E (i,t)+I(i,t) (E(i,t) là tỉ lệ bay hơi, I(i,t) là tỉ lệ rò rỉ)

• Nhà máy thuỷ điện có hệ số sử dụng nước α, thể hiện sự tiêu hao nước khi được sử dụng tại nhà máy trong quá trình vận hành máy phát Hệ số này có thể thay đổi liên tục theo từng thời điểm vận hành

• Với thời gian điều hành hồ là 1 năm (12 tháng), việc điều hành hồ cần phải đảm bảo rằng mực nước (lượng nước) trong các hồ điều tiết sẽ không thay đổi sau một chu kỳ điều tiết hồ

Về mặt tài nguyên, lượng nước còn lại (không biến chất) sau khi sử dụng tại nhà máy thuỷ điện Trị An là:

α(t).PQ(t) với α(t): hệ số sử dụng nước của thuỷ điện Trị An trong tháng t

Về mặt kinh tế, tổng lợi nhuận thu được từ sử dụng nước tại nhà máy thuỷ điện Trị An là:

{ }

∑

=

= 121

)( )

(

t

t S H Cp t PQ BP

H =0.004572 +50.011−TWL: (Tail Water Level) cao trình đặt máy phát, với thuỷ điện Trị An, TWL=3.8m

Nhận xét: TBP là một hàm không tuyến tính theo PQ(t) và S (t)