Phân tích dữ liệu bằng biểu tượng hồi quy

Khi trí tuệ nhân tạo thực hiện sáng tạo trong một quy trình sẽ giúp cho chúng ta hiểu sâu hơn về các loại hình kết nối phức tạp và chuyển hóa chúng bằng cách mô tả ở dạng phương trình đơn giản. Tất cả điều này sẽ tạo điều kiện tốt hơn cho người vận hành và kiểm soát hệ thống máy móc.

Ví dụ: Khi chúng ta sử dụng xe nếu biết được tận dụng thế mạnh của trí tuệ nhân tạo thì việc tiết kiệm nhiên liệu sẽ được diễn ra. Chỉ cần như một số quy tắc đơn giản hành trình ga tăng tốc nhanh hay chậm, giảm tốc độ lúc nào khi xe vào cua, tận dụng lực máy để sử dụng phanh bằng động cơ,…
Mỗi nguyên tắc đều mang cho chúng ta rất nhiều lợi ích trong tức khắc, nhiên liệu tiết kiệm hơn đồng nghĩa chúng ta ít phải đổ xăng hơn.

“Điều tương tự cũng áp dụng cho hầu hết các máy móc và hệ thống, kể cả những máy móc có hệ thống điều khiển tự động: chúng chạy hiệu quả hơn nhiều khi bạn lên kế hoạch trước và vận hành chúng một cách chính xác”.

“Đầu tư vào lĩnh vực này sẽ mang lại hiệu quả. Trong hầu hết các trường hợp, bạn nhận được nhiều hơn từ việc tối ưu hóa cách bạn sử dụng một hệ thống so với việc cải thiện chính hệ thống đó, vì các tùy chọn để tối ưu hóa các thành phần phần cứng thường đã hết. Tất nhiên, có thể phát triển các hệ thống điều khiển lý tưởng, ví dụ như sử dụng Điều khiển dự đoán theo mô hình (MPC). Nhưng các thuật toán sử dụng nhiều CPU đến mức hầu như không thể chạy chúng trên các PLC tiêu chuẩn, cơ bản hoặc bộ điều khiển logic có thể lập trình được. Vì vậy, nếu chúng ta vẫn muốn cải thiện các bộ điều khiển này, chúng ta cần các thủ tục ít phức tạp hơn, chẳng hạn như một bộ điều khiển dựa trên quy tắc.”

Dirk Hartmann of Technology

Đơn vị nghiên cứu trung tâm của Siemens giải thích.

Tìm ra các quy tắc tốt – ở giới hạn phức tạp của CNTT

Kiểm soát theo quy tắc” có nghĩa là thiết lập các quy tắc được xác định rõ ràng về cách người kiểm soát phải phản ứng với một điều kiện cụ thể. Về nguyên tắc, bộ điều khiển nên hoạt động theo cách giống như người lái xe lập kế hoạch trước trong ví dụ chúng tôi đã đề cập ở phần đầu.

Hartmann nói: “Máy móc và hệ thống được điều khiển bằng cách sử dụng các quy tắc tốt rất hiệu quả. Nhưng trước tiên chúng ta phải tìm ra những quy tắc tốt này cho bất kỳ máy hoặc hệ thống nào. Trước đây, việc này phải được thực hiện thủ công, ví dụ như nhờ các chuyên gia phân tích bộ điều khiển MPC, đây tất nhiên là một công việc rất phức tạp. Hiện chúng tôi đã tiến thêm một bước nữa và đã phát triển một quy trình để tự động xác định các quy tắc này. Theo thuật ngữ kỹ thuật hơn một chút, bằng cách xem xét các mục tiêu của chúng tôi, chẳng hạn như tiết kiệm năng lượng và dữ liệu hoạt động mà hệ thống cung cấp – nói cách khác, các thông số liên quan như nhiệt độ, thời gian, tốc độ, mức tiêu thụ điện năng – chúng tôi có thể rút ra các hàm xác định hành động nào phải được thực hiện để đáp ứng với một điều kiện hệ thống cụ thể.”

Các nhà toán học gọi phương pháp tìm kiếm hàm dựa trên dữ liệu này là “Biểu tượng hồi quy”, trong khi các nhà lập trình coi đó là “một thách thức lớn”. Nói chung, hồi quy tượng trưng dựa trên bất kỳ dữ liệu nhất định nào được gọi là “Vấn đề khó khăn”, một vấn đề đòi hỏi nhiều CPU đến mức ngay cả những hệ thống mạnh mẽ nhất cũng không thể tìm ra giải pháp trong khung thời gian có thể chấp nhận được. Các bài toán NP-khó chỉ có thể được giải quyết khi có thể đơn giản hóa bài toán ban đầu theo cách phù hợp, do đó giảm độ phức tạp tính toán của nó.

AI Feynman

Hartmann giải thích: “Chúng tôi có thể tìm thấy kiểu đơn giản hóa đó cho mục đích của mình. “Sự thúc đẩy quan trọng đến từ kết quả nghiên cứu mới nhất của Max Tegmark.”

 

Nhà khoa học Max Tegmark nhận thấy rằng các kết nối toán học giữa các thông số vật lý phụ thuộc lẫn nhau thường và thường rất đơn giản. Trong bài báo của mình, ông mô tả các đối xứng hoặc đa thức bậc thấp là các tính năng điển hình. Thuật toán Trí tuệ nhân tạo của ông về hồi quy biểu tượng, “AI Feynman,” sử dụng đặc điểm này bằng cách cố ý tìm kiếm các đặc điểm điển hình này. Điều này tỏ ra rất thành công, và ông đã có thể áp dụng quy trình của mình vào dữ liệu để lấy ra tất cả các công thức được trình bày trong văn bản vật lý tiêu chuẩn phổ biến “Các bài giảng về vật lý của Feynman” của Richard Feynman.

 

Hartmann giải thích: “Dữ liệu điều kiện từ các máy móc và hệ thống mà chúng tôi muốn kiểm soát cũng mô tả các thông số vật lý tương tác với nhau. “Do đó, chúng tôi đã có thể xây dựng dựa trên các quy trình hồi quy biểu tượng để phát triển cách tiếp cận mà chúng tôi hiện đang thử nghiệm trong các dự án thử nghiệm.”

Kiểm soát tối ưu

Ví dụ: liên quan đến công nghiệp kỹ thuật số, một lần nữa đang giải quyết vấn đề lái xe và tìm kiếm các quy tắc để vận hành tối ưu xe tự lái.

Theo Papadopoulos cho biết: “Trong mô hình, chúng tôi đã mô phỏng một chiếc ô tô chạy trên đường hai làn xe. “Bất cứ lúc nào ô tô cũng không được lái quá gần các phương tiện khác hoặc rời khỏi đường. Đồng thời, nó phải duy trì tốc độ càng ổn định càng tốt, nói cách khác là không cần tăng tốc hoặc phanh gấp. Tất cả những gì chúng ta biết tại bất kỳ thời điểm nào là hiện tại chiếc xe đang lái với tốc độ bao nhiêu, khoảng cách so với những chiếc xe khác và mép đường ở đâu. Quy trình của chúng tôi hoạt động tốt nhất với ví dụ này. Điều khiển dựa trên quy tắc cung cấp các xung điều khiển gần như giống với xung của bộ điều khiển MPC, lý tưởng nhưng tốn nhiều CPU. Chúng tôi tin tưởng rằng những kết quả này có thể được chuyển sang các tình huống khác, tương đối đơn giản.

Quy tắc cho microgrid

Trong dự án thử nghiệm thứ hai, quy trình dựa trên quy tắc đã được áp dụng để kiểm soát lưới điện siêu nhỏ. Microgrid thường liên quan đến nhu cầu phối hợp các máy phát điện và phương tiện lưu trữ khác nhau, chẳng hạn như PV, gió, pin, máy phát điện diesel, pin nhiên liệu, máy điện phân, v.v.

Ulrich Münz, từ Công nghệ ở Princeton, cho biết: “Luôn luôn có câu hỏi về việc kết hợp máy phát điện nào là tốt nhất tại bất kỳ thời điểm nào.

 

“Tòa nhà văn phòng của chúng tôi ở Princeton là một ví dụ điển hình về loại lưới điện siêu nhỏ này: Nó được trang bị hệ thống PV, thiết bị lưu trữ pin và trạm sạc cho xe điện, đồng thời nó vẫn được cung cấp bởi lưới điện công cộng. Mục tiêu của chúng tôi là kiểm soát các thành phần để giảm thiểu lượng điện năng tiêu thụ, đồng thời giảm mức tiêu thụ tối đa. Tỷ lệ cao trong hóa đơn điện của chúng tôi ở Princeton dựa trên mức tiêu thụ cao điểm trong mười hai tháng trước đó – nói cách khác, cho một lần tải cao điểm duy nhất, bạn phải trả cho cả năm ”.

Vì vậy, một bộ điều khiển phải thực hiện như thế nào để giữ tải cao điểm ở mức tối thiểu?

Đó là một vấn đề phức tạp, vì lý tưởng phụ thuộc vào các thông số không chắc chắn, nói cách khác là khối lượng điện mà hệ thống PV sẽ cung cấp trong vài giờ tới và nhu cầu điện sẽ cao như thế nào trong cùng khoảng thời gian. Bởi vì một số giá trị chỉ có thể được ước tính, nó đòi hỏi rất nhiều nỗ lực để đạt được kiểm soát hoàn hảo cho nhà máy bằng cách sử dụng các phương pháp truyền thống như kiểm soát dự báo mô hình. Đó là lý do tại sao các nhà nghiên cứu tại Princeton hiện đang sử dụng phương pháp mới để cố gắng tìm ra các quy tắc có tính đến nguồn cấp PV ước tính, tải ước tính, những điều không chắc chắn liên quan đến và trạng thái sạc pin.

Ở đây, những thử nghiệm đầu tiên cũng đã mang lại kết quả rất tốt. “Trong bước tiếp theo, chúng tôi đặt mục tiêu cải thiện và xác thực hơn nữa quy trình sử dụng dữ liệu từ lưới điện siêu nhỏ ở Princeton. Nếu thành công, chúng tôi muốn áp dụng các quy tắc này cho microgrid của mình bằng cách triển khai chúng trong Siemens Microgrid Controller”.