Tính cấp thiết của đề tài
Trong xã hội hiện đại, sự phát triển của khoa học - công nghệ đã dẫn đến việc máy móc dần thay thế sức lao động của con người, nâng cao năng suất và chất lượng sản phẩm Đặc biệt, trong các hệ thống làm việc khắc nghiệt hoạt động 24/24, việc sử dụng thiết bị máy móc điều khiển tự động trở nên cần thiết để đảm bảo độ tin cậy và an toàn trong sản xuất và vận hành.
Cách mạng công nghiệp lần thứ Tư (Industry 4.0 - I4.0) phát triển từ cuộc CMCN lần thứ Ba, đặc trưng bởi sự tích hợp các công nghệ tiên tiến, làm mờ ranh giới giữa các lĩnh vực và tạo ra những đổi mới trong sản xuất và dịch vụ.
Cách mạng công nghiệp 4.0 (I4.0) đang thay đổi căn bản cách con người sản xuất sản phẩm, dẫn đến sự chuyển biến mạnh mẽ trong tổ chức chuỗi sản xuất và giá trị Những thay đổi này không chỉ ảnh hưởng đến bề rộng mà còn đến chiều sâu của toàn bộ hệ thống sản xuất, quản lý và quản trị xã hội Sự phát triển của Internet vạn vật (IoT) cho phép các hệ thống vật lý và không gian ảo tương tác theo thời gian thực, phục vụ nhu cầu của con người thông qua mạng Internet.
Hình 1.1: Cuộc cách mạng công nghiệp lần thứ 4
IoT có khả năng tạo ra một cuộc cách mạng công nghiệp mới, thúc đẩy sự chuyển mình của nền kinh tế toàn cầu và đời sống nhân loại Khác với các cuộc cách mạng trước, IoT mang lại cơ hội cho tất cả các ngành nghề cùng phát triển Sự gia tăng của IoT đồng nghĩa với việc truyền tải dữ liệu và giao tiếp qua Internet tăng lên, giúp các công ty và ngành nghề tận dụng dữ liệu để phân tích và xây dựng chiến lược cạnh tranh nhằm đạt được thành công trong tương lai.
Trong lĩnh vực truyền tải và phân phối điện, công nghệ không người trực, thu thập và truyền số liệu, cùng với điều khiển tự động đã được ứng dụng từ cách mạng công nghiệp lần thứ Ba Tuy nhiên, để tối ưu hóa hiệu quả, cần nâng cấp và áp dụng các công nghệ của cách mạng công nghiệp 4.0, nhằm phát triển nền tảng hiện đại hơn cho ngành điện.
3 tảng IoT, hệ thống dữ liệu lớn - Big Data để tác động đến hoạt động vận hành, giám sát, bảo dưỡng hệ thống lưới điện[1]
Sự phát triển của IoT được thúc đẩy bởi nhiều công nghệ quan trọng, bao gồm tập hợp dữ liệu và các công cụ ảo hóa, kiến trúc biên mạng IoT, tích hợp IoT, các dịch vụ IoT, bản mạch điện tử chi phí thấp cho người dùng tự phát triển, học máy và quản lý dữ liệu sản phẩm.
Trong những năm tới, nhiều lĩnh vực như bán lẻ, dịch vụ vận tải, ngân hàng và y tế sẽ tiếp tục đầu tư mạnh mẽ vào hệ sinh thái IoT Dự đoán rằng IoT sẽ ảnh hưởng đến hầu hết các ngành nghề trong ba khu vực chính: Chính phủ, doanh nghiệp và người tiêu dùng, với khoảng 24 tỷ thiết bị được kết nối Internet tham gia vào hệ sinh thái này.
Trí tuệ nhân tạo đang ngày càng trở thành công cụ quan trọng trong việc giám sát và nhận dạng sự cố hệ thống điện, giúp dự báo kịp thời và đảm bảo an ninh năng lượng Việc ứng dụng AI trong giám sát phụ tải điện cho phép nhận diện chính xác các sự cố và đưa ra các kỹ thuật phù hợp, đáp ứng nhu cầu của người sử dụng Để Việt Nam tận dụng lợi thế công nghệ IoT, cần nâng cao nhận thức trong xã hội về vai trò của IoT trong việc nâng cao năng lực cạnh tranh ở mọi cấp độ, từ quốc gia đến địa phương và doanh nghiệp IoT không chỉ ảnh hưởng đến tổ chức xã hội mà còn tác động đến phương thức sản xuất và mô hình phát triển quốc gia.
Với sự phát triển mạnh mẽ của Internet vạn vật (IoT) và trí tuệ nhân tạo (AI), cùng với việc tích hợp mạng lưới điện, đề tài “Xây dựng chương trình giám sát phụ tải điện tiêu thụ” trở nên ngày càng quan trọng Chương trình này sẽ giúp theo dõi và quản lý hiệu quả mức tiêu thụ điện, từ đó tối ưu hóa nguồn năng lượng và giảm thiểu lãng phí.
Học viên nghiên cứu mô hình hệ thống đào tạo năng lượng mặt trời kết hợp công nghệ IoT để giám sát phụ tải tiêu thụ điện Việc xử lý lượng dữ liệu lớn từ BigData trở thành thách thức cần giải quyết hợp lý, nhằm nâng cao chất lượng cuộc sống và đáp ứng nhu cầu cho nhiều lĩnh vực khác nhau.
Mục tiêu của đề tài
Nghiên cứu này tập trung vào việc ứng dụng mạng Neural nhân tạo để phân loại trạng thái phụ tải điện tiêu thụ Đề tài khảo sát phương pháp phân loại tín hiệu phụ tải bằng cách sử dụng mạng Neural, đồng thời trình bày các tính năng hoạt động của mạng này Cuối cùng, nghiên cứu sẽ mô phỏng quá trình phân loại trong phần mềm MATLAB, sử dụng dữ liệu thu thập từ mô hình thực tế.
Nghiên cứu tập trung vào việc phân loại tín hiệu thông qua các kỹ thuật của mạng neural, đặc biệt là mạng neural hồi quy (Recurrent Neural Network - RNN) Cấu trúc của RNN được tối ưu hóa để phục vụ cho việc phân tích và phân loại tín hiệu một cách hiệu quả.
Nghiên cứu giải thuật lập trình và thực hiện lắp ráp trên mô hình hệ thống đào tạo năng lượng mặt trời
Mô hình thu thập dữ liệu và phân loại kết quả giúp con người chủ động giám sát và quản lý vận hành thiết bị từ xa, đồng thời nâng cao độ tin cậy trong quá trình sử dụng.
Nhiệm vụ của đề tài
- Nghiên cứu công nghệ IoT trong lưới điện tích hợp;
- Nghiên cứu mô hình hệ thống đạo tạo năng lượng mặt trời;
- Nghiên cứu kết nối và sử dụng mạch điện tử ESP8266 wifi;
- Nghiên cứu phương pháp phân loại dữ liệu bất thường dựa trên các kỹ thuật của mạng neural Cấu trúc mạng neural cụ thể là mạng hồi quy RNN ;
- Xây dựng lưu đồ và viết chương trình giám sát phụ tải trong hệ thống;
Giới hạn đề tài
Đề tài này tập trung vào việc phát triển mô hình hệ thống đào tạo năng lượng mặt trời, kết hợp giữa năng lượng mặt trời và phụ tải điện tiêu thụ trong hệ thống điện Mục tiêu là giám sát hiệu quả phụ tải tiêu thụ điện bằng cách ứng dụng công nghệ IoT.
- Sử dụng phần mềm MATLAB để thiết kế chương trình giám sát mà cụ thể là sử dụng mạng neural hồi quy – Recurent Neural Network (RNN);
Phương pháp nghiên cứu
- Đề tài sử dụng các phương pháp sau:
+ Nghiên cứu lý thuyết liên quan;
+ Xây dựng mô hình phần cứng;
+ Khảo sát, kiểm chứng bằng mô hình thực nghiệm;
Tính thực tiễn
- Đề tài góp phần phát triển ứng dụng của công nghệ IoT trong hệ thống lớn trong thực tế;
Việc ứng dụng đề tài vào thực tiễn giúp quản lý năng lượng một cách hiệu quả hơn, từ đó giảm chi phí điện năng tiêu thụ, nâng cao hiệu suất và độ tin cậy trong việc cung cấp điện cho người dùng.
Nghiên cứu giám sát phụ tải tiêu thụ điện ứng dụng công nghệ IoT kết hợp với lưới điện thông minh và xử lý dữ liệu trên Thingspeak bằng chương trình Matlab sẽ mang lại hiệu quả cao trong việc hỗ trợ nghiên cứu và giảng dạy cho giảng viên và sinh viên trên toàn quốc.
Điểm mới của đề tài
- Nghiên cứu xây dựng được chương trình giám sát tải tiêu thụ trong hệ thống điện tích hợp lưu trữ trên Thingspeak thông qua module wifi ESP8266 Uno;
- Dùng mạng Neural thông qua phần mềm Matlab để phân loại dữ liệu trên;
Nội dung luận văn bao gồm 6 chương cụ thể như sau
Tổng quan internet of things
2.1.1 Sơ lƣợc về internet of things
Internet of Things (IoT) là khái niệm mô tả các đối tượng có thể nhận diện và tồn tại trong một hệ thống kết nối Trong viễn cảnh này, mọi vật, động vật và con người đều được gán định danh và có khả năng tự động truyền tải dữ liệu qua mạng mà không cần sự can thiệp của con người.
IoT, hay Internet vạn vật, là kết quả của sự kết hợp giữa công nghệ không dây, hệ thống vi cơ điện tử (MEMS) và Internet Nó có thể được hiểu đơn giản là một mạng lưới các thiết bị có khả năng kết nối với nhau, với Internet và với môi trường xung quanh để thực hiện các nhiệm vụ cụ thể.
Cụm từ "Internet of Things" (IoT) được Kevin Ashton giới thiệu vào năm 1999 Ông là nhà khoa học sáng lập Trung tâm Auto-ID tại Đại học MIT, nơi đã thiết lập các tiêu chuẩn toàn cầu cho công nghệ RFID (giao tiếp không dây sử dụng sóng radio) và nhiều loại cảm biến khác.
Trong Internet of Things (IoT), "thing" có thể hiểu là bất kỳ đối tượng nào, từ con người với thiết bị y tế như màn hình cấy ghép tim, đến động vật trang trại sử dụng chip sinh học, hay xe ô tô được trang bị cảm biến để cảnh báo lái xe khi lốp xe bị non.
Có 8 loại nhiên liệu được sinh ra tự nhiên hoặc do con người sản xuất, có thể gán với một địa chỉ IP và có khả năng truyền tải dữ liệu qua mạng lưới.
Hình 2.1: Internet of Things 2.1.1.2 Đặc tính cơ bản của IoT
Tính kết nối liên thông trong IoT cho phép mọi thiết bị giao tiếp và tương tác qua mạng lưới thông tin và cơ sở hạ tầng liên lạc tổng thể.
Hệ thống IoT cung cấp các dịch vụ liên quan đến "Things", bao gồm bảo vệ sự riêng tư và đảm bảo tính nhất quán giữa Physical Thing và Virtual Thing Để thực hiện điều này, cần có sự thay đổi đồng bộ giữa công nghệ phần cứng và công nghệ thông tin (phần mềm).
Trong Internet vạn vật (IoT), tính không đồng nhất của các thiết bị là một yếu tố quan trọng, bởi vì chúng có phần cứng và mạng lưới khác nhau Sự tương tác giữa các thiết bị thuộc các mạng khác nhau được thực hiện thông qua việc kết nối các mạng này với nhau.
Các thiết bị tự động có khả năng thay đổi linh hoạt về trạng thái, như chuyển từ chế độ ngủ sang thức dậy, kết nối hoặc ngắt kết nối, thay đổi vị trí và tốc độ hoạt động Hơn nữa, số lượng thiết bị có thể tự động thay đổi cũng rất đa dạng.
Quy mô lớn của hệ thống sẽ cho phép hàng triệu thiết bị kết nối và giao tiếp với nhau, vượt xa số lượng máy tính đang hoạt động trên Internet hiện nay Lượng thông tin được truyền tải từ các thiết bị này sẽ lớn hơn nhiều so với thông tin do con người gửi đi.
2.1.1.3 Các ứng dụng của IoT
IoT mang đến nhiều hiệu quả thông minh thiết thực cho con người, và hiện nay đã được tích hợp vào mọi thứ xung quanh chúng ta Từ vòng đeo tay, đồ gia dụng trong nhà, đến các mảnh vườn ươm hạt giống và cả sinh vật sống như động vật và con người, tất cả đều sử dụng giải pháp IoT để nâng cao chất lượng cuộc sống.
IoT có ứng dụng vô cùng rộng lớn, có thể kể ra một số như sau:
• Quản lí và lập kế hoạch quản lí đô thị
• Phản hồi trong các tinh huống khẩn cấp
• Quản lí các thiết bị cá nhân
• Đồng hồ đo thông minh
• Tự động hóa ngôi nhà …
Hình 2.2: Tổng quan về ứng dụng của IoT
2.1.2 Mô hình của hệ thống IoT
Bất kỳ một hệ thống IoT nào cũng được xây dựng lên từ sự kết hợp của 4 layer sau:
- Lớp ứng dụng (Application Layer)
- Lớp Hỗ trợ dịch vụ và hỗ trợ ứng dụng (Service support and application support layer)
- Lớp thiết bị (Device Layer)
Lớp ứng dụng trong mô hình OSI 7 lớp tương tác trực tiếp với người dùng, cung cấp các chức năng và dịch vụ cụ thể cho hệ thống IoT.
Service support and application support layer:
Nhóm dịch vụ chung bao gồm các dịch vụ hỗ trợ phổ biến mà hầu hết các ứng dụng IoT cần thiết, chẳng hạn như xử lý và lưu trữ dữ liệu.
Nhóm dịch vụ cụ thể và riêng biệt trong các ứng dụng IoT cung cấp hỗ trợ độc đáo cho từng lĩnh vực Chẳng hạn, việc tính toán độ tăng trưởng của cây trồng giúp đưa ra quyết định chính xác về tưới nước và bón phân, tối ưu hóa quy trình canh tác.
Lớp Network có 2 chức năng:
Chức năng Networking cho phép kiểm soát các kết nối mạng, giúp người dùng truy cập vào nguồn tài nguyên thông tin và chuyển giao chúng đến địa điểm cần thiết Ngoài ra, chức năng này còn hỗ trợ các tác vụ như chứng thực và ủy quyền.
Chức năng Transporting: tập trung vào việc cung cấp kết nối cho việc truyền thông tin của dịch vụ/ứng dụng IoT
Lớp Device chính là các phần cứng vật lý trong hệ thống IOT Device có thể phân thành hai loại như sau:
Lưới điện tích hợp
Lưới điện tích hợp kết hợp nhiều chế độ phát điện, thường sử dụng công nghệ tái tạo như quang điện mặt trời và tua-bin gió Hệ thống này cung cấp bảo mật năng lượng cao nhờ vào các phương pháp phát điện đa dạng, đồng thời thường kết hợp với hệ thống lưu trữ như pin hoặc máy phát điện nhiên liệu hóa thạch nhỏ, đảm bảo độ tin cậy và an toàn trong cung cấp năng lượng.
Lưới điện thông minh, hay còn gọi là lưới điện tích hợp, là một hệ thống hiện đại được nâng cấp với công nghệ mới, cảm biến và thiết bị thông minh Mặc dù không có định nghĩa chính xác, lưới điện thông minh được hiểu là hệ thống kết nối giúp quản lý hiệu quả nhiều nguồn tài nguyên năng lượng, nâng cao độ tin cậy, hiệu quả và bảo mật cho toàn bộ chuỗi năng lượng So với lưới điện truyền thống, lưới điện thông minh cung cấp một cơ sở hạ tầng phân phối điện tốt hơn, đáp ứng nhu cầu ngày càng cao của xã hội.
Lưới điện thông minh mang lại lợi ích vượt trội nhờ khả năng tương tác hiệu quả với các nguồn năng lượng tái tạo Hệ thống này cho phép giám sát quá trình sản xuất và tiêu thụ năng lượng thông qua dòng chảy hai chiều của năng lượng và dữ liệu giữa nhà máy, trạm phân phối và các phụ tải.
Hình 2.9: Mô hình lưới điện thông minh
2.2.2 Cấu trúc của lưới điện thông minh
Kiến trúc hệ thống điện thông minh bao gồm các thành phần, bộ phận và trang thiết bị cần thiết để xây dựng một hệ thống điện hiệu quả và hiện đại.
Hệ thống điện thông minh kết hợp công nghệ thông tin và truyền thông với hệ thống truyền tải và cung cấp điện năng hiện tại Bằng cách số hóa dữ liệu và áp dụng các công nghệ hiện đại, hệ thống này giúp điều khiển, kiểm tra và giám sát hiệu quả, từ đó đảm bảo an toàn, ổn định và nâng cao hiệu suất làm việc của toàn bộ hệ thống điện.
Từ mô hình ta thấy rằng hệ thống điện thông minh gồm:
* Hệ thống điện có sẵn:
– Cơ sơ hạ tầng (nhà máy điện, trạm biến áp, trạm điều khiển )
– Hệ thống truyền tải (đường dây, cột điện, rơle bảo vệ, máy biến áp ) – Các nơi tiêu thụ điện (hộ gia đình, nhà máy, cơ quan )
Hệ thống điều khiển hiện đại tập trung vào công nghệ thông tin, với cơ sở dữ liệu được số hóa và các thành phần liên kết chặt chẽ, tạo thành một thể thống nhất Điều này giúp hệ thống hoạt động ổn định và tự khắc phục khi gặp sự cố.
– Lớp liên lạc sử dụng nhiều công nghệ và giao thức để chuyển đỗi dữ liệu giữa các thành phần trong lưới
– Lớp thông tin sẽ mô tả mẫu dữ liệu và hệ thống liên lạc được sử dụng để trao đổi thông tin
– Lớp chức năng sẽ định nghĩa các chức năng logic và ứng dụng độc lập với kiến trúc vật lý
– Cuối cùng, lớp thương mại sẽ định nghĩa cái hình thức kinh doanh và yêu cầu
Hình 2.10: Hệ thống điều khiển lưới điện thông minh dựa trên công nghệ thông tin
Dữ liệu lớn- Big Data
2.3.1 Giới thiệu về Big Data
2.3.1.1 Khái niệm dữ liệu lớn - Big Data
Dữ liệu lớn, hay còn gọi là Big Data, đề cập đến khối lượng khổng lồ của các loại hồ sơ như khách hàng, âm thanh, hình ảnh và văn bản Thuật ngữ này mô tả một tập hợp dữ liệu có kích thước và độ phức tạp cao, mà các công cụ và ứng dụng xử lý dữ liệu truyền thống không thể quản lý hiệu quả.
Theo Gartner, một trong những công ty nghiên cứu và tư vấn công nghệ thông tin hàng đầu thế giới, Big Data được định nghĩa là tài sản thông tin có khối lượng lớn, tốc độ cao và tính đa dạng Để xử lý hiệu quả loại dữ liệu này, cần áp dụng công nghệ mới nhằm đưa ra quyết định chính xác, khám phá các yếu tố ẩn sâu trong dữ liệu và tối ưu hóa quy trình xử lý dữ liệu.
Hình 2.11: Ví dụ về Big Data
2.3.1.2 Các đặc trƣng của dữ liệu lớn
Dữ liệu lớn, theo mô hình 5Vs của Gartner, bao gồm năm đặc trưng cơ bản: Khối lượng dữ liệu (Volume), Tốc độ (Velocity), Giá trị (Value), Độ tin cậy/chính xác (Veracity) và Đa dạng (Variety).
Hình 2.12: Mô hình”5Vs”- năm tính chất của Big Data
2.3.2 Big Data trong lưới điện thông minh
2.3.2.1 Vòng đời của Big Data
Big Data được định nghĩa là một tập hợp lớn các bộ dữ liệu, bao gồm nhiều thành phần khác nhau Nó không chỉ dựa vào khối lượng dữ liệu lớn mà còn liên quan đến nhiều định dạng và cấu trúc dữ liệu khác nhau Tốc độ cung cấp dữ liệu theo yêu cầu và khả năng trích xuất giá trị có ý nghĩa từ dữ liệu thu thập cũng là những yếu tố quan trọng Big Data còn thể hiện sự biến đổi dẫn đến khái niệm dữ liệu không đồng nhất và tính xác thực dựa trên độ tin cậy của dữ liệu Công nghệ Big Data được áp dụng cho lưới điện thông minh, từ các nguồn dữ liệu đến mô hình hóa ở nhiều cấp độ khác nhau.
Hình 2.13: Big Data 2.3.2.2 Nguồn dữ liệu:
Trên thực tế, có các lớp dữ liệu trên các giá trị dữ liệu cần trích xuất:
- Dữ liệu hoạt động là dữ liệu của lưới điện theo thời gian bao gồm dòng điện, điện áp, và công suất đáp ứng
Dữ liệu không hoạt động không ảnh hưởng đến công suất lưới, nhưng lại có mối liên hệ chặt chẽ với dữ liệu chính, bao gồm thông tin về chất lượng điện năng và độ tin cậy của hệ thống.
Dữ liệu từ đồng hồ đo điện là một ví dụ điển hình về việc sử dụng dữ liệu điện, bao gồm các giá trị như mức tiêu thụ trung bình và cao điểm.
- Dữ liệu sự kiện đến từ các thiết bị trên lưới như sự cố mất điện / hồi phục điện áp, sự hiện phát hiện sự cố
Siêu dữ liệu đóng vai trò quan trọng trong việc tổ chức và giải thích đa dạng các loại dữ liệu Những dữ liệu này được thu thập từ nhiều nguồn khác nhau, bao gồm đồng hồ đo, cảm biến, trạm, thiết bị, bộ thu thập dữ liệu di động, thiết bị điều khiển, phương tiện điện tử thông minh, trạm phân phối điện, thiết bị khách hàng và dữ liệu lịch sử.
Công nghệ thông tin và truyền thông tiên tiến đóng vai trò quan trọng trong việc tăng cường độ tin cậy, tính bền bỉ và an toàn cho lưới điện thông minh Do đó, có nhiều công nghệ và phương pháp tiếp cận được áp dụng nhằm đảm bảo sự tương tác dữ liệu hiệu quả.
Kiến trúc Hướng Dịch Vụ (SOA) cho phép tích hợp tất cả các hệ thống doanh nghiệp với các phần mềm khác nhau từ nhiều nhà cung cấp, mang lại dịch vụ đa dạng cho người dùng Để quản lý hiệu quả các hệ thống này, SOA cung cấp giải pháp liên kết các phần mềm thông qua một cách tiếp cận thống nhất, giúp dữ liệu tương tác linh hoạt và dễ dàng hơn Trong bối cảnh lưới điện thông minh, SOA được áp dụng để tối ưu hóa hệ thống theo yêu cầu.
Enterprise Service Bus (ESB) là giải pháp hiệu quả để quản lý giao tiếp giữa các hệ thống khác nhau như GIS và OMS ESB giúp giảm chi phí và thời gian trong việc quản lý, giám sát và phân chia tích hợp Trong lĩnh vực lưới điện thông minh, công nghệ ESB tỏ ra ưu việt hơn SOA nhờ vào tính mạnh mẽ và linh hoạt của nó.
Mô hình Thông tin Chung (CIM) được áp dụng để nâng cao độ bền của lưới điện và cải thiện sự tương tác trong kiến trúc dữ liệu, đóng vai trò quan trọng trong việc quản lý dữ liệu thành công CIM liên quan đến việc sử dụng mô hình UML trong ngành điện lực.
CIM đóng vai trò quan trọng trong hệ thống quản lý năng lượng, đặc biệt trong việc tương tác dữ liệu, thời gian và chi phí Nó giúp chuyển đổi dữ liệu với cơ sở hạ tầng lưới điện, trở thành yếu tố chính để đảm bảo khả năng tương tác dữ liệu trong các ứng dụng khác nhau CIM hoạt động ở mức độ chuyển đổi dữ liệu và được sử dụng cùng với ESB để bình thường hóa và tiêu chuẩn hóa dữ liệu giữa các lưới điện thông minh.
Lưu trữ dữ liệu trong lưới điện thông minh là yếu tố then chốt, vì nó cho phép thu thập và chuyển giao dữ liệu từ nhiều nguồn với tốc độ IOPS cao Do đó, cần phát triển một cơ chế lưu trữ dữ liệu có khả năng mở rộng để đáp ứng nhu cầu của Big Data.
Hệ thống tệp phân tán (DFS) là một loại hệ thống tệp cho phép người dùng trên nhiều máy tính chia sẻ và lưu trữ dữ liệu cùng lúc Dựa trên cơ chế lưu trữ client/server, DFS cho phép người dùng thực hiện sao lưu và lưu trữ cục bộ Một số giải pháp DFS phổ biến hiện nay bao gồm Google DFS, Quantcast File System, HDFS, Ceph, Lustre và GlusterFS.
Cơ sở dữ liệu NoSQL là một giải pháp tiên tiến nhằm khắc phục những hạn chế của cơ sở dữ liệu truyền thống trong xử lý dữ liệu lớn NoSQL bao gồm ba loại kiến trúc chính: giải pháp giá trị trọng điểm như Dynamo và Voldemort, giải pháp định hướng theo cột như Cassandra và HBase, cùng với giải pháp quản lý cơ sở dữ liệu theo tài liệu như MongoDB và CouchDB.
Giới thiệu mạng Neural hồi quy RNN – Recurrent Neural Networks
Mạng neural hồi quy RNN, một dạng của học sâu trong mạng neural nhân tạo, được phát triển từ những năm 1980 RNN bao gồm các nút thần kinh đồng nhất, mỗi nút kết nối một chiều với tất cả các nút khác, và có giá trị kích hoạt thời gian khác nhau Các kết nối giữa các nút, hay còn gọi là synapse, có trọng số thực có thể điều chỉnh Trong mạng này, các nút được phân loại thành nút đầu vào (nhận dữ liệu từ bên ngoài), nút đầu ra (cung cấp kết quả) và nút ẩn (xử lý dữ liệu giữa đầu vào và đầu ra).
Hình 3.1: Mô hình mạng neural hồi quy RNN
Trong sơ đồ, một mạng thần kinh (A) nhận đầu vào là (x t) và xuất ra giá trị (ht) Quá trình này được hỗ trợ bởi một vòng lặp, cho phép thông tin được truyền liên tục từ bước này sang bước kế tiếp trong mạng.
Các vòng lặp trong mạng thần kinh hồi quy khiến chúng trở nên phức tạp, nhưng thực chất, chúng không khác gì mạng neural thông thường Mạng lưới thần kinh hồi quy có thể được xem như nhiều bản sao của cùng một mạng, với mỗi bản sao truyền thông điệp đến bản kế nhiệm.
Mạng neural hồi quy (RNN) là một mô hình mạnh mẽ sử dụng chuỗi thông tin, khác với các mạng nơ-ron truyền thống nơi các đầu vào và đầu ra độc lập RNN thích hợp cho các bài toán mà dữ liệu có tính liên kết, như dự đoán từ tiếp theo trong một câu, vì nó cho phép đầu ra phụ thuộc vào các phép tính trước đó Khả năng ghi nhớ thông tin trước đó giúp RNN xử lý các chuỗi dữ liệu dài, mặc dù thực tế nó chỉ có thể nhớ một số bước trước đó.
Mô hình này minh họa cách triển khai nội dung của một mạng nơ-ron hồi tiếp (RNN), trong đó mạng nơ-ron được tổ chức theo chuỗi tuần tự Việc tính toán bên trong RNN diễn ra thông qua các bước tuần tự, cho phép xử lý thông tin theo thứ tự thời gian.
Hình 3.3: Mô hình tính toán mạng neural hồi quy
x t là đầu vào tại bước t
Trạng thái ẩn tại bước t, ký hiệu là s t, là bộ nhớ của mạng và được tính toán dựa trên các trạng thái ẩn trước đó cùng với đầu vào tại bước đó, được biểu diễn bằng công thức: s t = f (Uxt + Wst−1) Hàm f thường là một hàm phi tuyến tính như tang hyperbolic (tanh) hoặc ReLu Để thực hiện phép toán cho phần tử ẩn đầu tiên, cần khởi tạo thêm giá trị s t−1, thường được gán bằng 0.
Trong bước t, đầu ra ot được xác định là một vec-tơ xác suất cho các từ trong danh sách từ vựng Ví dụ, khi dự đoán từ tiếp theo trong câu, ot có thể được tính toán bằng công thức: ot = softmax(Vst).
Huấn luyện mạng RNN tương tự như các mạng nơ-ron truyền thống, nhưng cần điều chỉnh giải thuật lan truyền ngược (backpropagation) Đạo hàm tại mỗi đầu ra không chỉ phụ thuộc vào tính toán tại bước hiện tại mà còn vào các bước trước đó, do các tham số trong mạng RNN được sử dụng chung cho tất cả các bước Cụ thể, để tính đạo hàm tại t = 4, cần phải lan truyền ngược qua cả 3 bước trước đó.
43 cộng tổng đạo hàm của chúng lại với nhau Việc tính đạo hàm kiểu này được gọi là lan truyền ngược liên hồi (BPTT - Backpropagation Through Time).
Sơ đồ nối dây hệ thống
Dựa trên sơ đồ khối, chúng ta tiến hành kết nối các thiết bị như hình dưới đây Việc sử dụng mối nối domino không chỉ đảm bảo an toàn mà còn giúp thao tác vận hành dễ dàng hơn.
Nối đất thiết bị đảm bảo tránh các sự cố rò rỉ chạm đất xảy ra trong quá trình hoạt động mô hình
Chuẩn bị thiết bị kết nối internet như máy tính để kiểm tra tín hiệu gửi lên trang Thingspeak.com
Hình 4.3: Sơ đồ đấu nối hệ thống
Lưu đồ chung
Các phần chính trong giải thuật:
- Huấn luyện dùng mạng LSTM
Hình 5.1: Lưu đồ chương trình thu thập và phân tích dữ liệu
Kết luận
Trong bài viết này, tác giả nghiên cứu mô hình hệ thống đào tạo năng lượng mặt trời nhằm thu thập và lưu trữ dữ liệu về điện tiêu thụ Hệ thống không chỉ lưu trữ thông tin mà còn sử dụng dữ liệu này để phân loại trạng thái bất thường, đặc biệt là dòng điện của tải tiêu thụ.
Trong nghiên cứu này, tác giả đã phân tích lý thuyết và kiểm chứng thực tế thông qua phần mềm, từ đó cho thấy phương pháp sử dụng mạng LSTM để phân loại đạt độ chính xác cao.
