Nghiên cứu ứng dụng mạng thần kinh nhân tạo (ANN) trong dự báo lưu lượng nước đến hồ chứa cửa đạt

 KHOA HỌC CÔNG NGHỆ 
 NGHIÊN CỨU ỨNG DỤNG MẠNG THẦN KINH NHÂN TẠO (ANN) 
 TRO NG DỰ BÁO LƯU LƯỢNG NƯỚC ĐẾN HỒ CHỨA CỬA ĐẠT 
 Ngô Văn Quận, Đỗ Phương Thảo, 
 Trường Đại học Thủy lợi 
 Nguyễn Xuân Thịnh, 
 Viện Khoa học Thủy lợi Việt Nam 
 Nguyễn Văn Tiến 
 Kiểm toán nhà nước 
Tóm tắt: Dự báo lưu lượng nước đến hồ chứa có ý nghĩa rất quan trọng trong việc vận hành an 
toàn hồ chứa và phân phối nước hợp lý cho các nhu cầu sử dụng nước . Do vậy, đã có nhiều nghiên 
cứu nâng cao độ tin cậy của việc dự báo lượng nước đến phục vụ cho công tác quản lý, vận hành hồ 
chứa. Do đó mục tiêu chính của nghiên cứu này là ứng dụng mạng thần kinh nhân tạo truyền thẳng 
nhiều lớp (ANN) sử dụng thuật toán lan truyền ngược để dự báo lưu lượng nước đến hồ chứa Cửa 
Đạt trước 3 ngày trên cơ sở phân tích, đánh giá hai kịch bản: (1) Dự báo lưu lượng đến hồ chỉ xét 
đến yếu tố lưu lượng dòng chảy và (2) xét đến yếu tố lưu lượng dòng chảy và yếu tố lượng mưa. Kết 
quả cho thấy, khi có xét thêm yếu tố lượng mưa cho độ chính xác cao hơn. Cụ thể, v ới dữ liệu của 
trạm Cửa Đạt, sai số quân phương RMSE giảm từ 75.04091 m3/s xuống còn 56.35318 m3/s và chỉ 
số xác định R2 nâng cao từ 0.68 lên 0.72, tương tự với trạm Cẩm Thủy, sai số RMSE cũng giảm 
xuống và chỉ số xác định R2 tăng lên. Kết quả nghiên cứu cung cấp một phương pháp hữu ích trong 
bài toán dự báo, đặc biệt có ý nghĩa trong công tác quản lý nguồn nước và góp phần quan trọng 
trong việc xây dựng các phương án quản lý vận hành hồ chứa được chủ động hơn. 
Từ khóa: ANN, mạng thần kinh nhân tạo, dự báo lưu lượng. 
Summary: Forecast of the water flow to the reservoir has a very important significance in the 
operation of the reservoir safety and rational distribution of water for the water use needs. 
Consequently, there have been many studies enhance the reliability of the forecast of the amount of 
water to serve for the management, operation of the reservoir. Therefore, main objective of study is to 
apply of artificial neural network (ANN) direct use of reverse propagation algorithm to forecast the 
water flow to the Của Đạt reservoir before 3 days on the basis of the analysis, assessment for two 
scenarios: (1) To forecast water flow to reservoir only consider about flow element and (2) consider 
both of flow and rainfall elements. The results showed that, when considering both of flow and rainfall 
factors for higher accuracy. In particular, with the data of the Cửa Đạt station is error (RMSE) 
reduced from 75.04 to 56.35 m3/s m3/s and the index of R2increased from 0.68 up 0.72, with similar 
error (RMSE), Cam Thủy station also dropped and index R2 increased. This research results provide a 
useful method in forecasting, that is particularly meaningful in the management of water resources and 
significant contributions in building the reservoir operation management scenarios are more active. 
Keywords: ANN, The artificial nerve network, forecasts of water flow. 
1. ĐẶT VẤN ĐỀ * trong đó lượng mưa có ảnh hưởng trực tiếp 
 đến diễn biến dòng chảy, tác động tới công tác 
Biến đổi khí hậu (BĐKH) đã tác động đến sự 
 quản lý vận hành hồ chứa trên cả nước, đây là 
thay đổi lưu lượng tại các vùng, lưu vực trên 
 một thách thức ngày càng lớn trong điều kiện 
thế gi ới nói chung và Việt Nam nói riêng, 
 biến đổi khí hậu [1,13], đòi hỏi cần phải giải 
 quyết bài toán về dự báo trước lưu lượng đến 
Ngày nhận bài: 20/4/2017 hồ để xây dựng quy trình vận hành hồ hợp lý 
Ngày thông qua phản biện: 26/6/2017 
Ngày duyệt đăng: 26/7/2017 có ý nghĩa rất quan trọng trong công tác quản 
 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 39 - 2017 1
 KHOA HỌC CÔNG NGHỆ 
lý vận hành hệ thống thủy lợi nói chung và vận truyền thẳng nhiều lớp (ANN) sử dụng thuật 
hành hồ chứa nói riêng. toán lan truyền ngược. 
Các nghiên cứu về biến đổi khí hậu đã chỉ ra 2. ĐỐI TƯỢNG NGHIÊN CỨU 
rằng trong ba thập niên tới, lượng mưa ở các 2.1. Hồ Cửa Đạt 
lưu vực nhỏ tại Hàn Quốc sẽ tăng từ 6.6% đến 
9.3% và nhiệt độ không khí có xu hướng tăng Hồ Cửa Đạt được khởi công xây dựng năm 
thêm từ 0.80C đến 3.20C (Bae. D.H et al., 2004, thuộc địa phận xã Xuân Mỹ, huyện 
2011). Đối với Việt Nam, trong năm thập niên Thường Xuân, tỉnh Thanh Hóa. Diện tích lưu 
 vực tính tới tuyến đầu mối công trình Cửa Đạt 
qua (1958 – 2007) nhiệt độ trung bình đã tăng 2 2
lên vào khoảng 0.50C-0.70C (MORE., 2009). là 5.938 km , trong đó có 4.906 km thuộc địa 
 phần Lào, chiếm 82,6% diện tích lưu vực; 
Các nghiên cứu cũng chỉ ra sự biến đổi của các 3
yếu tố và hiện tượng khí hậu cực đoan, như dung tích hữu ích là 1,45 tỷ m nước; nhiệm 
nhiệt độ cực đại (Tx), trên toàn Việt Nam nhìn vụ chính của hồ chứa Cửa Đạt là giảm lũ ứng 
chung có xu thế tăng, điển hình là vùng Tây với tần suất thiết kế P = 0,6%, cấp nước tưới 
Bắc và vùng Bắc Trung Bộ; Lượng mưa ngày cho 85.115 ha đất canh tác vùng hạ du và cấp 
cực đại tăng lên ở hầu hết các vùng khí hậu, nước phục vụ các hoạt động kinh tế xã hội 
nhất là trong những năm gần đây; Số ngày khác. Hồ chứa Cửa Đạt được cung cấp nước từ 
 2 nguồn chính là nước mưa và nước đến từ 
mưa lớn cũng có xu thế tăng lên tương ứng và 1
biến động mạnh, nhất là ở khu vực M iền. Theo sông Mã (và sông Chu ). 
dự báo, nhiệt độ không khí trung bình của Việt Khí hậu lưu vực hồ Cửa Đạt chia làm 2 mùa: 
Nam sẽ tăng lên đáng kể, có thể lên tới mùa đông khô lạnh và mùa hè nóng ẩm. M ùa 
0.3ºC/thập kỷ trong nửa đầu thế kỷ 21; Lượng mưa (từ tháng V đến tháng X) chiếm từ 80-
mưa cũng có xu thế tăng lên trên hầu hết các 85% lượng mưa năm, mùa khô bắt đầu từ 
vùng khí hậu, đặc biệt là dải ven biển Miền tháng XI và kết thúc tháng IV năm sau. Ba 
Trung (Thanh, et al., 2013). Những tác động tháng có lượng mưa nhỏ nhất từ tháng I đến 
của BĐKH không chỉ ảnh hưởng đến hoạt tháng III. 
động kinh tế, xã hội mà sản xuất lương thực 2.2. Mạng thần kinh nhân tạo 
cũng đang và sẽ gặp nhiều rủi ro vì những tác 
động của hiện tượng biến đổi khí hậu Mạng thần kinh nhân tạo mô phỏng mạng thần 
(Dasgupta S., et al., 2007; HLC, 2008). kinh và cách làm việc của các nơ-ron thần kinh 
 trong bộ não con người nhằm ứng dụng giải 
Hồ chứa nước Cửa Đạt có nhiệm vụ cấp nước quyết các bài toán phức tạp do hai nhà nghiên 
tưới cho nông nghiệp và kết hợp phát điện, cứu McCulloch và Pitts xây dựng và lần đầu 
khi thiết kế chưa đề cập đến yếu tố biến đổi tiên giới thiệu vào năm 1943. Sau đó, mô hình 
khí hậu nên những năm gần đây biến đổi khí này được hoàn thiện bởi những nhà khoa học 
hậu đã ảnh hưởng xấu đến việc vận hành hồ khác và được ứng dụng nhiều trong các lĩnh 
chứa. Bên cạnh đó, theo đà phát triển của xã vực kỹ thuật. Mạng thần kinh nhân tạo truyền 
hội thì nhu cầu nước sẽ thay đổi, theo xu thẳng nhiều lớp (Multilayer Perceptron –MLP) 
hướng tăng, dẫn đến sự thay đổi trong vận thường được sử dụng phổ biến để giải quyết 
hành, phân phối nước. Vì vậy, yêu cầu đặt ra các bài toàn phi tuyến, phức tạp, khi mà mối 
là cần dự báo được lượng nước đến hồ phục vụ quan hệ giữa các quá trình không dễ thiết lập 
cho việc vận hành, phân phối nước an toàn và một cách tường minh. 
hiệu quả. Bài viết này sẽ giới thiệu kết quả dự 
báo lưu lượng nước đến hồ chứa Cửa Đạt trên 
cơ sở ứng dụng mạng thần kinh nhân tạo 1 Sông Chu thực ra là nhánh cấp 1 của Sông Mã. 
2 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 39 - 2017 
 KHOA HỌC CÔNG NGHỆ 
1. PHƯƠNG PHÁP NGHIÊN CỨU kinh nhân tạo có khả năng mô phỏng mối 
Những năm đầu thế kỷ 21, trên thế giới đã bắt tương quan phi tuyến tốt hơn. 
đầu ứng dụng các công cụ, phần mềm dựa trên 
các mô hình toán vào giải quyết các bài toán 
dự báo khí tượng, thủy văn và cho kết quả 
đáng tin cậy. Mạng thần kinh nhân tạo có ưu 
điểm là khả năng học và xử lý chuỗi số liệu 
đầu vào tận dụng triệt để được các thông tin 
(dữ liệu đo đạc) hiện có, dựa vào mối quan hệ 
giữa các dữ liệu đầu vào để từ đó đưa ra các 
dự báo. Vì vậy, nghiên cứu này sẽ ứng dụng 
phần mềm Spcie – MLP (M ultiLayer 
Perceptron) được viết riêng để xây dựng mô 
hình mạng thần kinh nhân tạo (Artificient Hình 2.1: Cấu trúc mạng thần kinh nhân tạo 
Neural Network) dự báo ngắn hạn (3 ngày) lưu 
lượng nước đến hồ chứa Cửa Đạt. 2.4. Phương pháp học 
2.3. Mạng thần kinh nhân tạo truyền thẳng Có hai vấn đề cần học đối với mỗi mạng nơ-
nhiều lớp ron nhân tạo đó là học tham số (parameter 
Mạng nơ-ron nhân tạo có khả năng “học" và xử learning) và học cấu trúc (structure learning). 
lý song song. Nó có thể tính toán và dự báo giá Học tham số là việc thay đổi trọng số của các 
trị của biến đầu ra với một tập hợp các thông tin liên kết giữa các nơ-ron trong một mạng, còn 
của biến đầu vào được cho trước. Mô hình mạng học cấu trúc là việc điều chỉnh cấu trúc của 
thần kinh nhân tạo (ANN ) sẽ được “huấn mạng bao gồm thay đổi số lớp nơ-ron, số nơ-
luyện” để có thể “học” từ những thông tin quá ron của mỗi lớp và cách liên kết giữa chúng. 
khứ. Từ đó, mạng có thể đưa ra kết quả dự báo Có ba loại phương pháp học: học có giám sát 
dựa trên những gì đã được học. Quá trình này sẽ hay còn gọi là học có thầy (supervised learning), 
được tiến hành bằng các thuật toán huấn luyện học tăng cường (reinforcement learning) và học 
mạng, phổ biến là thuật toán lan truyền ngược không có giám sát hay còn gọi là học không có 
(back-propagation algorithm) [1,6]. thầy (unsupperviced learning). 
Mạng thần kinh nhân tạo truyền thẳng nhiều Mô hình mạng thần kinh nhân tạo xác lập mối 
lớp được sắp xếp gồm: Lớp đầu vào, các lớp quan hệ giữa một tập hợp các biến đầu vào Xi (i 
ẩn và lớp đầu ra. Lớp đầu vào sẽ là nơi nhận = ) với một hoặc nhiều biến đầu ra Yk (k = 
các tín hiệu đầu vào. Các tín hiệu này có thể là ) dựa vào dữ liệu trong quá khứ [6]. Với các 
một hằng số, dữ liệu thô hoặc cũng có thể là nơ-ron ở lớp đầu vào, mỗi giá trị đầu vào Xi lần 
đầu ra của một mạng nơ-ron khác. Các giá trị lượt được nhân với các trọng số wij , sau đó được 
này sẽ tác động đến các nơ-ron lớp ẩn thông cộng với nhau và cộng với một độ lệch (bias). 
qua bộ trọng số wij. Tại lớp ẩn, tín hiệu của lớp Tổng được tạo ra có thể sử dụng hàm kích hoạt f 
vào sẽ được xử lý bằng một hàm kích hoạt tạo thành nơ-ron trong lớp ẩn Hj. 
(activate function), thường là hàm Sigmoid 
hoặc hàm Tan-hyperbolic sau đó tín hiệu sẽ 
được truyền qua lớp ra thông qua bộ trọng số 
wjk [4,6]. Các lớp ẩn liên kết giữa lớp đầu vào Các nơ-ron trong lớp ẩn được tính toán, tiếp 
và lớp đầu ra, điều này làm cho mạng thần tục nhân với các trọng số wjk và cộng thành 
 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 39 - 2017 3
 KHOA HỌC CÔNG NGHỆ 
tổng net. Sau khi tổng net được tính toán, nó độ giảm giá trị của w, còn dấu âm chỉ chiều giảm 
được chuyển thành tín hiệu đầu ra (giá trị gradient. Quá trình học sẽ được lặp đi lặp lại cho 
ước lượng) bằng việc áp dụng hàm kích hoạt f. đến khi Δw gần bằng 0 (nhỏ hơn một mức sai số 
 cho trước) hoặc điều kiện dừng học được kích 
 hoạt. Điều kiện dừng học được thiết lập nhằm 
 tránh tình trạng học quá (over-fitting). 
Ứng với một giá trị quan sát thứ t (t = ), độ Tùy theo dạng bài toán cụ thể mà mô hình 
lệch giữa tín hiệu đầu ra của mạng và Yk,t mạng thần kinh nhân tạo sẽ được xây dựng với 
được gọi là sai số (bias), giá t rị độ lệch ban đầu các cấu trúc có sự khác nhau nhằm đạt hiệu 
mặc định là 0. Để tổng bình phương các sai số quả tối đa, tuy nhiên cách thức học của mạng 
 là không thay đổi. 
này là bé nhất, phải đi t ìm bộ trọng số wij và wjk 
hay tìm giá trị bé nhất của hàm mục tiêu E(w): [6] 3. NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU 
 Để tiến hành dự báo lưu lượng nước đến hồ 
 nói chung và đến hồ chứa Cửa Đạt nói riêng, 
 trong nghiên cứu này sử dụng mô hình Spice – 
Vì hàm Ew là một hàm phi tuyến nên không MLP (MultiLayer Perceptron). Mô hình xây 
thể tìm các trọng số w bằng phương trình hồi dựng chuyên dụng sử dụng các thuật toán thần 
quy tuyến tính mà sẽ được sử dụng thuật toán kinh nhân tạo (ANN). Sử dụng phần mềm 
lan truyền ngược sai số. Spice – MLP khá đơn giản, kết quả đầu vào và 
2.5. Thuật toán lan truyền ngược sai số đầu ra được nhập, xuất ra với định dạng của 
 M icrosoft Office Excel, thuận tiện trong quá 
Thuật toán lan truyền ngược sai số (back 
 trình sử dụng và tính toán, kiểm tra số liệu. 
propagation algorithm) là một thuật toán phức 
tạp để tối thiểu hoá các hàm mục tiêu, phương Mạng thần kinh nhân tạo nói chung và được 
pháp là giảm gradient để điều chỉnh các trọng xây dựng bằng phần mềm Spice – MLP nói 
số liên kết giữa các nơ-ron. Ý tưởng cơ bản riêng qua ba bước chính: 
của thuật toán này là: khi trọng số w thay đổi 
thì hàm mục tiêu E(w) sẽ thay đổi và ứng một 
hàm E(w) sẽ có một tập giá trị của các trọng số 
w mà làm cho hàm E(w) đạt giá trị cực tiểu. 
Để ước lượng các trọng số w bằng thuật toán 
lan truyền ngược sai số, đầu tiên gán cho mạng 
một bộ trọng số w ban đầu, từ bộ trọng số này 
ta tính toán được giá trị hàm E(w). Sau đó ta 
sẽ điều chỉnh trọng số w sao cho bộ trọng số 
mới làm cho hàm E(w) bé hơn, trong đó, giá 
trị của trọng số phải giảm nếu đạo hàm ∂E/∂w 
là dương. Có thể biểu diễn phương pháp giảm 
gradient bằng công thức như sau: 
Quá trình tìm bộ trọng số thích hợp cho mạng còn Hình 4.1: Các bước xây dựng mô hình Spice - MLP 
được gọi là quá trình học. Hằng số η còn được gọi 3.1. Dữ liệu sử dụng dự báo 
là hằng số học, η là hằng số dương xác định tốc 
4 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 39 - 2017 
 KHOA HỌC CÔNG NGHỆ 
Nước của hồ chứa Cửa Đạt được cung cấp quan hệ giữa các biến đầu vào này. Sau khi học, 
nước từ 2 nguồn chính là mưa và lượng nước phần mềm dự báo, cho kết quả với dữ liệu kiểm 
đến của sông Sông Mã (và sông Chu). Trên tra (test set) là lưu lượng dòng chảy đến hồ Cửa 
lưu vực có 2 trạm khí tượng, thủy văn quan Đạt năm 2006. Đường quá trình mô phỏng lưu 
trắc số liệu từ hai sông này là trạm Cẩm Thủy lượng nước đến hồ Cửa Đạt tại các trạm Cửa 
và trạm Cửa Đạt. Do hạn chế về chuỗi số liệu Đạt và Cẩm Thủy cùng các chỉ số đánh giá kết 
quan trắc nên bộ dữ liệu nhóm tác giả sử dụng quả dự báo lần lượt được thể hiện như dưới đây. 
để dự báo lưu lượng nước trước 3 ngày đến hồ Kết quả dự báo lưu lượng dòng chảy đến trước 
chứa Cửa Đạt gồm có: 3 ngày sử dụng số liệu quan trắc tại trạm Cửa 
Bộ dữ liệu quan trắc lưu lượng: từ năm 2004 Đạt có: 
đến năm 2006. - Sai số căn quân phương RMSE = 75.04091 m3/s 
Bộ dữ liệu quan trắc lượng mưa: từ năm 2004 - Chỉ số R2 = 0.684653 
đến năm 2006. 
Dữ liệu đầu vào mô hình mạng thần kinh nhân 
tạo sử dụng phần mềm Spice – M LP được chia 
thành: dữ liệu học từ năm 2004 đến năm 2005 
và dữ liệu kiểm tra là năm 2006. Với nguồn dữ 
liệu này chưa đủ tính đại diện tốt để luyện 
mạng thần kinh nhân tạo nên có thể kết quả dự 
báo chưa đạt được độ tin cậy cao nhất (sai số 
nhỏ nhất). 
Nhóm nghiên cứu tiến hành xây dựng 2 phương Hình 2.5: Đường quá trình lưu lượng dự báo 
án dự báo lưu lượng trước 3 ngày đến hồ chứa trước 3 ngày và thực tế - trạm Cửa Đạt (PA1) 
Cửa Đạt: phương án 1 - Dự báo trước 3 ngày xét 
đến yếu tố lưu lượng dòng chảy và phương án 2 Kết quả dự báo lưu lượng dòng chảy đến trước 
- Dự báo trước 3 ngày xét đến yếu t ố lưu lượng 3 ngày sử dụng số liệu quan trắc tại trạm Cẩm 
dòng chảy và yếu tố lượng mưa. Thủy có: 
 3
Phương án 1: Dự báo trước 3 ngày xét đến - Sai số căn quân phương RMSE = 271.7461 m /s 
yếu tố lưu lượng dòng chảy. - Chỉ số R2 = 0.692655. 
Trong phương án này việc dự báo lưu lượng 
nước tương lai trước 3 ngày Q(t+3) dựa vào 
các lưu lượng nước tại thời điểm hiện tại và 
quá khứ. Chúng tôi sử dụng ba giá trị lưu 
lượng làm đầu vào của mạng gồm: 
- Lưu lượng nước hiện tại: Q(t) 
- Lưu lượng nước trước đó 3 ngày: Q(t-3) 
- Lưu lượng nước trước đó 5 ngày: Q(t-5) 
Biểu thức tổng quát: Q(t+3) = f (Q(t), Q(t-3), Hình 2.6: Đường quá trình lưu lượng dự báo 
Q(t-5)) trước 3 ngày và thực tế - trạm Cẩm Thủy (PA1) 
Chúng tôi dùng mạng nơ-ron được xây dựng b) Phương án 2: Dự báo trước 3 ngày xét đến 
trên phần mềm Spice - M LP để học được mối yếu tố lưu lượng dòng chảy và yếu tố lượng mưa: 
 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 39 - 2017 5
 KHOA HỌC CÔNG NGHỆ 
Theo các nghiên cứu thuỷ văn, dữ liệu về mưa Thủy có: 
trên lưu vực cũng ảnh hưởng đến lưu lượng nước - Sai số căn quân p hương RMSE = 223.378 m3/s 
trong tương lai. Việc dự báo cần cả t hông số về 2
lượng mưa tại thời điểm hiện tại và lượng mưa - Chỉ số R = 0.729415. 
trong quá khứ (do ảnh hưởng đến trữ lượng nước 
ngầm). Trong phương án này, dự báo lưu lượng 
nước tương lai trước 3 ngày Q(t+3) không những 
chỉ dựa vào các lưu lượng nước quá khứ và hiện 
tại Q(t), Q(t-3), Q(t-5) như phương án 1 mà còn 
phụ thuộc vào lượng mưa trong quá khứ và hiện 
tại tại lưu vực đó X(t), X(t-3), X(t-5). [1] 
- Lượng mưa ngày hiện tại: Q(t) 
- Lượng mưa trước đó 3 ngày: Q(t-3) Hình 2.8: Đường quá trình lưu lượng dự báo 
 trước 3 ngày và thực tế - trạm Cẩm Thủy (PA2) 
- Lượng mưa trước đó 5 ngày: Q(t-5) 
Biểu thức tổng quát: Q(t+3) = f (Q(t), Q(t-3), 4. KẾT LUẬN 
Q(t-5), X(t), X(t-3), X(t-5)) Kết quả dự báo trước 3 ngày lưu lượng nước 
Sử dụng phần mềm Spice – M LP dự báo, cho đến hồ chứa Cửa Đạt cho thấy khi xét thêm 
kết quả với dữ liệu kiểm tra (test set) là lưu yếu tố lượng mưa cho độ chính xác cao hơn 
lượng dòng chảy đến hồ Cửa Đạt năm 2006. chỉ dùng số liệu quan trắc lưu lượng dòng 
Đường quá trình mô phỏng lưu lượng nước chảy. Tại trạm Cửa Đạt, chỉ số xác định R2 
đến hồ Cửa Đạt tại các trạm Cửa Đạt và Cẩm nâng cao từ 0.684653 lên 0.721401 và sai số 
Thủy cùng các chỉ số đánh giá kết quả dự báo quân phương RMSE giảm từ 75.04091 m3/s 
lần lượt được thể hiện dưới đây. xuống còn 56.35318 m3/s. Tại trạm Cẩm Thủy, 
 2
Kết quả dự báo lưu lượng dòng chảy đến trước chỉ số xác định R từ 0.692655 lên 0.729415 
 và sai số quân phương RMSE giảm từ 
3 ngày sử dụng số liệu quan trắc tại trạm Cửa 3 3
Đạt có: 271.7461 m /s xuống còn 223.378 m /s. Như 
 3 vậy, yếu tố lượng mưa ảnh hưởng đến quá 
- Sai số căn quân phương RMSE = 56.35318 m /s trình dự báo lưu lượng dòng chảy đến hồ chứa 
- Chỉ số R2 = 0.721401. Cửa Đạt. 
 Bộ số liệu sử dụng để dự báo còn khá ít, chưa 
 đầy đủ nên có thể chưa đáp ứng là chuỗi có tính 
 đại diện tốt nên mạng thần kinh nhân tạo trên 
 phần mềm Spice - MLP cho kết quả dự báo có 
 chỉ số xá c định R2 chưa thực sự cao. Vì vậy, dữ 
 liệu quan trắc các yếu tố khí tượng, thủy văn 
 dài hơn thì việc dự báo trước lưu lượng nước 
 đến hồ sẽ đạt độ chính xác cao hơn. 
 Dự báo lưu lượng nước đến hồ chứa Cửa Đạt 
Hình 2.7: Đường quá trình lưu lượng dự báo ứng dụng mạng thần kinh nhân tạo (ANN) có 
trước 3 ngày và thực tế - trạm Cửa Đạt (PA2) ý nghĩa quan trọng, góp phần dự báo trước 
Kết quả dự báo lưu lượng dòng chảy đến trước trong việc xây dựng các phương án quản lý vận 
3 ngày sử dụng số liệu quan trắc tại trạm Cẩm hành hồ chứa được chủ động hơn. Ngoài ra, 
6 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 39 - 2017 
 KHOA HỌC CÔNG NGHỆ 
nghiên cứu có thể áp dụng để dự báo lưu lượng đến cho các hồ chứa khác nhau trên cả nước. 
TÀI LIỆU THAM KHẢO 
[1] Bae DH, Jung IW, Demeis PL (2011). Hydrologic uncertainties in climate change from 
 IPCC AR4 GCM simulations of the Chungju basin. Journal of Hydrology, 401: 90-105. 
[2] Lê Văn Nghinh, Hoàng Thanh Tùng, Nguyễn Ngọc Hải, Nghiên cứu ứng dụng mạng nơ 
 ron thần kinh vào dự báo lũ các sông ở tỉnh Bình Định và Quảng Trị. 
[3] Lê Văn Nghinh, Bùi Công Quang, Hoàng Thanh Tùng, Mô hình toán thuỷ văn. Nhà xuất 
 bản xây dựng, 2006. 
[4] Cao Thăng. Hướng dẫn sử dụng phần mềm mạng nơ ron SPICE-MLP, 2011. 
[5] Nguyễn Đăng Hà, Nghiên cứu ứng dụng công nghệ thông tin để hiện đại hóa quản lý điều 
 hành hồ chứa nước Cửa Đạt. 
[6] Nguyễn Khắc Hiếu, Nguyễn Thị Vân Anh, Dự báo lạm phát tại Việt Nam bằng mô hình 
 mạng thần kinh nhân tạo, Đại học sư phạm kỹ thuật, tp. Hồ Chí Minh. 
[7] Quy trình vận hành điều tiết hồ chứa nước Cửa Đạt tỉnh Thanh Hóa, tháng 9 năm 2014. 
[8] Ibrahim Can, Cahit Yerdelen, Ercan Kahya1 (2007), Stochastic modeling of Karasu River 
 (Turkey) using the methods of Artificial Neural Networks, Proceeding of the AGU 
 Hydrology Days 2007, March 19 - March 21, 2007, Colorado State University, Fort 
 Collins, Colorado, USA, 138-144. 
[9] Paulin Coulibaly, Francois Anctil, and Bernard Bobee, Multivariate Reservoir Inflow 
 Forecasting Using Temporal Neural Networks, Journal of Hydrologic Engineering, 2001. 
[10] Oscar R. Dolling, Eduardo A. Varas, Artificial neural networks for stream flow prediction, 
 Journal of Hydraaulic research, 2002. 
[11] Demetris F. Lekkas, Development and Comparison of Data-Based Flow Forecasting 
 Methods, PhD Thesis, Department of Civil and Environmental Engineering, Imperial 
 College of Science, Technology and Medicine, London, 2002. 
[12] Lekkas D.F., Onof C, Improved flow forecasting using artificial neural networks, 9th 
 International Conference on Environmental and Technology, Rhodes Island, Greece, 
 September 2005. 
[13] Ngô Đức Thành và CS, (2013). Biến đổi khí hậu Việt Nam. Tạp chí Khoa học Trái đất và 
 Môi trường, Số 2 (2013) 42-55. 
 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 39 - 2017 7