TRƯỜNG ĐẠI HỌC BÁCH KHOA
NGUYỄN VĂN KHƠN
TỐI ƯU HĨA MỨC TIÊU THỤ NĂNG LƯỢNG CỦA HỆ THỐNG HVAC TRONG TÒA NHÀ BẰNG CÁCH SỬ DỤNG
MẠNG NƠ-RON NHÂN TẠO (ANN) VÀ THUẬT TỐN SĨI XÁM (GWO)
Chun ngành: Quản lý xây dựng Mã số: 8580302
LUẬN VĂN THẠC SĨ
Trang 2TRƯỜNG ĐẠI HỌC BACH KHOA – ĐHQG -HCM
Cán bộ hướng dẫn khoa học 1: PGS.TS PHẠM VŨ HỒNG SƠN Chữ ký:
Cán bộ hướng dẫn khoa học 2: TS CHU VIỆT CƯỜNG Chữ ký:
Cán bộ chấm nhận xét 1: TS LÊ XUÂN ĐẠI Chữ ký:
Cán bộ chấm nhận xét 2: TS ĐẶNG THỊ TRANG Chữ ký:
Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, Đại học Quốc gia Tp.HCM, ngày 14 tháng 07 năm 2023
Thành phần hội đồng đánh giá Luận văn thạc sĩ gồm: 1 Chủ tịch hội đồng: TS LÊ HOÀI LONG
2 Thư ký hội đồng : PGS.TS LƯƠNG ĐỨC LONG 3 Uỷ viên phản biện 1: TS LÊ XUÂN ĐẠI
4 Uỷ viên phản biện 2: TS ĐẶNG THỊ TRANG 5 Uỷ viên hội đồng: TS NGUYỄN HOÀI NGHĨA
Xác nhận của Chủ tịch Hội đồng đánh giá Luận văn và Trưởng Khoa quản lý chuyên ngành sau khi luận văn được sửa chữa (nếu có)
CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA
Trang 3TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự do - Hạnh phúc
NHIỆM VỤ LUẬN VĂN THẠC SĨ
Họ tên học viên: NGUYỄN VĂN KHÔN MSHV : 2070544
Ngày, tháng, năm sinh: 19/04/1995 Nơi sinh: Đồng Tháp
Chuyên ngành: Quản lý xây dựng Mã số : 8580302 I TÊN ĐỀ TÀI:
TỐI ƯU HÓA MỨC TIÊU THỤ NĂNG LƯỢNG CỦA HỆ THỐNG HVAC TRONG TÒA NHÀ BẰNG CÁCH SỬ DỤNG MẠNG NƠ-RON NHÂN TẠO (ANN) VÀ THUẬT TỐN SĨI XÁM (GWO) (OPTIMIZATION OF HVAC SYSTEM ENERGY CONSUMPTION IN A BUILDING USING ARTIFICIAL NEURAL NETWORK (ANN) AND GRAY WOLF ALGORITHM (GWO))
II NHIỆM VỤ VÀ NỘI DUNG
1 Tìm hiểu vấn đề về mức tiêu thụ năng lượng và tiện nghi nhiệt của hệ thống HVAC trong tòa nhà
2.Tìm hiểu phương pháp tối ưu hóa thuật tốn Sói Xám (GWO) và mạng Nơ-ron nhân tạo (ANN)
3 Xác định và giải quyết mục tiêu bài toán về ‘‘mức tiêu thụ năng lượng và tiện nghi nhiệt” bằng phương pháp tối ưu hóa thuật tốn GWO-ANN So sánh kết quả với thuật toán trước đây và ứng dụng vào trường hợp thực tế ở Việt Nam
III NGÀY GIAO NHIỆM VỤ : 05/09/2022 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 12/06/2023
V CÁN BỘ HƯỚNG DẪN : PGS.TS PHẠM VŨ HỒNG SƠN và TS CHU VIỆT CƯỜNG
Tp Hồ Chí Minh, ngày … tháng … năm 2023
CÁN BỘ HƯỚNG DẪN CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO
PGS.TS Phạm Vũ Hồng Sơn TS Chu Việt Cường
Trang 4LỜI CẢM ƠN
Sau những thời gian cố gắng học tập và nghiên cứu, tơi đã hồn thành được luận văn thạc sĩ với đề tài “ Tối Ưu Hóa Mức Tiêu Thụ Năng Lượng Của Hệ Thống HVAC Trong Tòa Nhà Bằng Cách Sử Dụng Mạng Nơ-Ron Nhân Tạo (ANN) Và Thuật Tốn Sói Xám (GWO)” Tôi luôn ghi nhận những sự ủng hộ, hỗ trợ và đóng góp nhiệt tình của những người bên cạnh mình Tơi xin chân thành gửi lời cảm ơn sâu sắc đến họ Lời đầu tiên tôi xin cảm ơn thầy PGS.TS Phạm Vũ Hồng Sơn và thầy TS Chu Việt Cường người đã dìu dắt và hướng dẫn tơi trong suốt quá trình làm đề tài luận văn Sự định hướng và chỉ bảo của thầy đã giúp tôi nghiên cứu và giải quyết vấn đề một cách khoa học, đúng đắn hơn
Tiếp theo, tôi xin trân trọng cảm ơn Ban giám hiệu, Bộ phận sau Đại học, Phịng đào tạo, Phịng khảo thí Trường Đại học Bách Khoa Thành Phố Hồ Chí Minh đã tạo điều kiện cho chúng tơi được học tập và hồn thành khóa luận một cách thuận lợi Xin cảm ơn quý thầy cô giáo đã dạy dỗ và truyền đạt kiến thức cho chúng tôi trong suốt thời gian qua
Tôi muốn gửi lời cảm ơn đến tập thể lớp Quản Lý Xây Dựng đã cùng tôi đi qua những ngày tháng học tập miệt mài, cùng chia sẻ niềm vui nỗi buồn và động viên tơi vượt qua những khó khăn, vất vả để hoàn thành luận văn này
Luận văn thạc sĩ đã hoàn thành trong thời gian quy định với sự nỗ lực của bản thân, tuy nhiên không thể khơng có những thiếu sót Kính mong q Thầy Cô chỉ dẫn thêm để tôi bổ sung những kiến thức và hồn thiện bản thân mình hơn
Xin trân trọng cảm ơn
Tp HCM, ngày tháng năm 2023
Trang 5TÓM TẮT
Trang 6ABSTRACT
This study analyzes the Artificial Neural Network (ANN) model and Grey Wolf Optimizer (GWO) algorithm to optimize the heating, ventilation and air conditioning (HVAC) system operations and other information Several other constructions aim to minimize annual energy consumption and maximize thermal comfort The research is inspired by the combination of Artificial Neural Network (ANN) and Grey Wolf Optimizer (GWO) algorithm to improve discoverability, speed up convergence, and reduce local optimal ability to find out best results The HVAC system is installed in a building that integrates a variable air volume (VAV) refrigeration system and a dedicated outdoor air system (DOAS) Several parameters including thermostat setting, building shell structural design and refrigeration operation control are considered as decisive variables Then, the Percentage Of People Dissatisfied (PPD) and annual construction energy consumption are selected as the objective function Multi-objective optimization is used to optimize the system with two objective functions ANN has made a relationship between the decision variables and the objective function GWO will result in a number of design variables that can be changed to achieve the optimum system in terms of thermal comfort and annual energy consumption In summary, the optimization considering two objectives shows the best results regarding thermal comfort and energy consumption compared to the
Trang 7LỜI CAM ĐOAN
Tôi xin cam đoan đây là luận văn do chính tơi thực hiện dưới sự hướng dẫn của PGS.TS Phạm Vũ Hồng Sơn và TS Chu Việt Cường
Các kết quả của luận văn là đúng sự thật và chưa được công bố ở các nghiên cứu khác
Tôi xin chịu trách nhiệm về công việc thực hiện của mình
Tp Hồ Chí Minh, ngày … tháng … năm 2023
Trang 8
MỤC LỤC
LỜI CẢM ƠN i
TÓM TẮT ii
ABSTRACT iii
LỜI CAM ĐOAN iv
DANH MỤC CÁC HÌNH vii
DANH MỤC CÁC BẢNG ix
DANH MỤC CÁC CHỮ VIẾT TẮT x
CHƯƠNG 1 MỞ ĐẦU 1
1.1 Lựa chọn đề tài 1
1.2 Mục tiêu nghiên cứu 3
1.3 Phạm vi nghiên cứu 3
1.4 Ý nghĩa và đóng góp của nghiên cứu 4
1.5 Phương pháp nghiên cứu 4
1.6 Bố cục luận văn 7
CHƯƠNG 2 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 8
2.1 Tổng quan bài tốn nghiên cứu 8
2.2 Tổng quan thuật toán sử dụng cho nghiên cứu 9
2.3 Hạn chế của các nghiên cứu trước đây 15
CHƯƠNG 3 CƠ SỞ LÝ THUYẾT 16
3.1 Khái niệm thuật toán mạng nơ-ron nhân tạo (ANN) 16
3.2 Thuật tốn Sói xám (GWO) 18
3.2.1 Cảm hứng từ thuật tốn (GWO) 18
3.2.2 Mơ hình tốn học và thuật toán (GWO) 19
3.2.2.1 Hệ thống phân cấp xã hội 19
3.2.2.2 Bao vây con mồi 19
Trang 93.2.2.4 Tấn công con mồi (khai thác) 22
3.2.2.5 Tìm kiếm con mồi (thăm dị) 23
3.3 Phương pháp tối ưu hóa 24
CHƯƠNG 4 TRƯỜNG HỢP NGHIÊN CỨU 28
4.1 Khái niệm vấn đề năng lượng 28
4.2 Khái niệm vấn đề tiện nghi nhiệt 29
4.3 Hàm mục tiêu bài toán 30
4.4 Trường hợp case study 1 31
4.4.1 Giới thiệu tòa nhà và hệ thống HVAC 31
4.4.2 Mơ phỏng tịa nhà 31
4.4.3 Dữ liệu phân tích tịa nhà 32
4.4.4 Kết quả phân tích tịa nhà 41
4.5 Trường hợp case study 2 Tòa nhà văn phòng: “LIM TOWER 3” 46
4.5.1 Giới thiệu tòa nhà và hệ thống HVAC 46
4.5.2 Mơ phỏng tịa nhà 47
4.5.3 Dữ liệu phân tích tồn nhà 50
4.5.4 Kết quả phân tích tòa nhà 63
CHƯƠNG 5 KẾT LUẬN VÀ KIẾN NGHỊ 72
5.1 Kết luận 72
5.2 Hạn chế 72
5.3 Kiến nghị 72
Trang 10DANH MỤC CÁC HÌNH
Hình 1-1: Tiêu thụ năng lượng sơ cấp tại Việt Nam từ 2005 đến 2017 2
Hình 1-2 : Sơ đồ nghiên cứu đề tài 5
Hình 2-1 : Phân loại các thuật tốn tối ưu hóa cho BOP 12
Hình 3-1 : Mạng perceptron nhiều lớp 16
Hình 3-2 : Hệ thống phân cấp của sói xám (sự thống trị giảm từ trên xuống) 18
Hình 3-3 : Hành vi săn mồi của sói xám: (A) đuổi theo, tiếp cận và theo dõi con mồi (B-D) truy đuổi, quấy rối và bao vây (E) đứng n và tấn cơng (Muro et al., 2011) 19
Hình 3-4 : Vectơ vị trí 2D và 3D và các vị trí tiếp theo có thể có của chúng 21
Hình 3- 5 : Cập nhật vị trí trong GWO 22
Hình 3-6 : Tấn cơng con mồi so với tìm kiếm con mồi 23
Hình 3-7 : Các quy trình của thuật tốn sói xám 24
Hình 3-8 : Khung tối ưu hóa 26
Hình 4-1 : Đại diện vùng thoải mái ASHRAE 29
Hình 4-2 : Mối quan hệ PPD và PMV 30
Hình 4- 3 : Hình học của tịa nhà giáo dục (a) mơ phỏng (b) thực tế 31
Hình 4-4 : Khai báo thơng số thuật tốn tối ưu case study 1 41
Hình 4-5 : Kết quả tối ưu hóa hệ thống HVAC case study 1 42
Hình 4-6 : Giải pháp tối ưu được chọn dựa vào kỹ thuật sắp xếp thứ tự ưu tiên theo độ tương tự với lời giải lý tưởng (TOPSIS) cho case study 1 42
Hình 4- 7 : Cấu trúc hệ thống HVAC 47
Hình 4-8 : Mơ hình tịa nhà văn phịng Lim Tower 3 (a) mơ phỏng (b) thực tế 48
Hình 4-9 : Biểu đồ làm việc người cư ngụ 48
Hình 4-10 : Biểu đồ làm việc đèn 49
Hình 4-11 : Biểu đồ làm việc thiết bị 49
Hình 4-12 : Cấu trúc của ANN với đầu vào và đầu ra 63
Hình 4-13 : Kết quả huấn luyện 245 bộ dữ liệu (a) Năng lượng (b) PPD 64
Hình 4-14 : Kết quả xác thực sử dụng 105 bộ dữ liệu (a) Năng lượng (b) PPD 64
Hình 4-15 : Kết quả huấn luyện 350 bộ dữ liệu (a) Năng lượng (b) PPD 64
Trang 12DANH MỤC CÁC BẢNG
Bảng 2-1 : Các nghiên cứu trước đây ở dùng phương pháp công cụ học máy để giải
quyết vấn đề tối ưu hóa tịa nhà 9
Bảng 2- 2 : Các nghiên cứu trước đây ở dùng phương pháp thuật toán tối ưu để giải quyết vấn đề tối ưu hóa tịa nhà 10
Bảng 3-1 : Phạm vi dữ liệu để tối ưu hóa 25
Bảng 4-1 : Case 1 data 33
Bảng 4-2 : Kết quả tối ưu hóa thuật tốn case study 1 43
Bảng 4-3 : Kết quả so sánh trong case study 1 45
Bảng 4-4 : Case 2 data 51
Bảng 4-5 : Kết quả tối ưu hóa thuật toán case study 2 68
Trang 13DANH MỤC CÁC CHỮ VIẾT TẮT
GWO Grey Wolf Optimizer ANN Artificial Neural Network
HVAC Heating, Ventilating and Air conditioning VAV Variable Air Volume
DOAS Dedicated Outdoor Air System PPD Percentage Of People Dissatisfied IEA International Energy Agency
ASEAN Association of Southeast Asian Nations TRNSYS TRaNsient SYstems Simulation Program MPC Model Predictive Control
MOGA Multi-Objective Genetic Algorithm PSO Particle Swarm Optimization
I-PreCons Intelligent PREdiction system of CONcrete Strength BPN Backpropagation Neural Net
CPN Counterpropagation Neural Net GA Genetic Algorithm
NSGA-II Multiobjective Genetic Algorithm VOC Volatile Organic Compound
RMSE Root Mean Square Error PMV Predicted Mean Vote DF Derivative-Free
MLP Multilayer Perceptron Network PAU Primary Air Units
BOP Building Optimization Problems
M-PAES Memetic Pareto Archive Evolution Strategy
Trang 14CHƯƠNG 1 MỞ ĐẦU
1.1 Lựa chọn đề tài
Tốc độ gia tăng dân số đã dẫn đến nhu cầu năng lượng lớn hơn (Nasruddin et al., 2016) Năm 2013, Cơ quan Năng lượng Quốc tế (IEA) ước tính rằng tịa nhà đã trở thành nơi tiêu thụ năng lượng lớn thứ ba trên thế giới (Agency, 2013) Nói chung, việc sử dụng năng lượng trong tòa nhà là dành cho ánh sáng, thiết bị điện và hệ thống HVAC Một số nghiên cứu cho thấy một nửa mức sử dụng năng lượng trong tòa nhà được sử dụng để điều hịa khí hậu trong nhà (Balaras, Dascalaki, Gaglia, Droutsa, & Kontoyiannidis, 2007; Poel, van Cruchten, & Balaras, 2007) Kể từ những thập kỷ qua, hầu hết các hệ thống phát điện trên thế giới sử dụng năng lượng hóa thạch như than đá, dầu mỏ và khí đốt tự nhiên làm nguồn năng lượng chính của họ (Reda, Ali, Morsy, & Taha, 2016) Điều này không chỉ gây bất lợi cho việc tạo ra và giải phóng các khí độc hại như CO2 và SOX vào mơi trường, mà cịn làm cạn kiệt thêm nguồn cung cấp nhiên liệu hóa thạch hạn chế Do đó, việc giảm sử dụng năng lượng trong các tịa nhà có thể giảm thiểu phát thải khí nhà kính
Trang 15
năm 2005 đến 2017, chúng ta có thể thấy trong Hình 1-1, một sự tăng trưởng vượt mức Năm 2017, Việt Nam tiêu thụ tổng cộng khoảng 75,3 triệu tấn dầu quy đổi năng lượng sơ cấp Mặc dù mức tiêu thụ năng lượng sơ cấp tăng qua các năm nhưng đã có sự thay đổi trong loại tiêu thụ năng lượng cuối cùng Về mức tiêu thụ năng lượng cuối cùng của ngành, từ năm 2015, ngành công nghiệp là ngành tiêu thụ lớn nhất với 43%, tiếp theo là khu dân cư với 29,6% và từ ngành giao thông vận tải với 22,7% Sự gia tăng tiêu thụ năng lượng, dưới hầu hết các hình thức, đã tạo ra sự gia tăng lượng khí thải CO2 Năm 2016, lượng khí thải CO2 là 206.042,1 nghìn tấn CO2/năm với mức tăng đáng kể từ năm 1997 đến 2016: Việt Nam đã ghi nhận giá trị tăng từ 43.373,4 lên 206.042,1 nghìn tấn CO2/năm mức tăng hàng năm trên 18% Chỉ trong quý cuối cùng của năm 2016 giá trị đã giảm 0,09% Liên quan đến cường độ phát thải trên một đơn vị GDP năm 2016 là 0,37 kg CO2/1USD, với mức tăng trưởng hàng năm từ 1997 đến 2016 là 2,24% (Morelli & Policy, 2020)
Hình 1-1: Tiêu thụ năng lượng sơ cấp tại Việt Nam từ 2005 đến 2017 (tính bằng triệu tấn dầu quy đổi)
Trang 16
đốn mơ hình (MPC) để kiểm kê kho lưu trữ nhiệt tại tòa nhà chủ động và thụ động (Freire, Oliveira, & Mendes, 2008) đã phát triển ANN để xây dựng các mơ hình động về mức tiêu thụ năng lượng và tiện nghi nhiệt tại hệ thống HVAC đơn lẻ (L Zhou & Haghighat, 2009) áp dụng các thuật toán di truyền để tối ưu hóa hoạt động HVAC của tịa nhà bằng cách giảm thiểu mức tiêu thụ năng lượng và duy trì sự thoải mái về nhiệt độ trong nhà
Việc tối ưu hóa hệ thống HVAC của tịa nhà đã được thực hiện thơng qua nhiều phương pháp và mục đích khác nhau Tuy nhiên, hầu hết trong số họ tập trung vào một hệ thống HVAC đơn lẽ Nghiên cứu này trình bày việc tối ưu hóa hệ thống HVAC tổ hợp, bao gồm hệ thống máy làm lạnh VAV và hệ thống DOAS Mục tiêu của nghiên cứu này là phát triển một cách tiếp cận mới, cải thiện để tối ưu hóa đa mục tiêu về mức tiêu thụ năng lượng và sự tiện nghi tịa nhà thơng qua việc kết hợp thuật tốn GWO-ANN và chương trình IESVE nhằm phù hợp với các tính năng của mơ hình để khai thác và chứng minh những điểm mạnh và vượt trội so với các thuật toán trước đây Nghiên cứu này đề cập đến việc tối ưu hóa đa mục tiêu của hệ thống máy làm lạnh VAV và hệ thống DOAS, cho thấy tiềm năng của phương pháp này trong việc xác định hoạt động phù hợp của các hệ thống HVAC phức hợp
1.2 Mục tiêu nghiên cứu
Phát triển một cách tiếp cận mới tối ưu hóa đa mục tiêu giải quyết bài toán tối ưu hệ thống HVAC trong tòa nhà về năng lượng tiêu thụ và tiện nghi nhiệt thơng qua phương pháp tối ưu hóa GWO, ANN và chương trình IESVE
Tối ưu hóa các hoạt động hệ thống HVAC và các thông số xây dựng khác của một hệ thống VAV và DOAS làm việc đồng thời, cho thấy tiềm năng của phương pháp này trong việc xác định vận hành tích hợp của các hệ thống HVAC phức hợp
Phương pháp tối ưu hóa dùng thuật tốn GWO-ANN phải tốt hơn các thuật toán cũ Multi-objective genetic algorithm_MOGA (Nasruddin et al., 2019) về giải quyết vấn đề tiêu thụ năng lượng và tiện nghi nhiệt trong hệ thống HVAC
Để chứng minh sự cải thiện về hiệu suất và tốc độ trong q trình xử lý bài tốn, nghiên cứu này đã tính tốn và so sánh với kết quả các nghiên cứu trước đây, đồng thời áp dụng vào một công trình thực tế tại Việt Nam
1.3 Phạm vi nghiên cứu
Trang 17
- Hệ thống HVAC trong tòa nhà ở Thành phố Hồ Chí Minh
- Hệ thống làm lạnh trong đó VAV và hệ thống DOAS làm việc đồng thời
- Giảm mức tiêu thụ năng lượng và sự tiện nghi nhiệt của hệ thống HVAC trong tòa nhà
- Các yếu tố, vấn đề nghiên cứu đã có dữ liệu trước
1.4 Ý nghĩa và đóng góp của nghiên cứu Về ý nghĩa khoa học
- Giới thiệu phương pháp tối ưu hóa dùng thuật tốn GWO-ANN giải quyết vấn đề về tiêu thụ năng lượng và sự tiện nghi nhiệt của hệ thống HVAC, mở ra hướng phát triển mới với phương pháp tối ưu hóa thuật tốn này
- So sánh khi dùng thuật toán GWO-ANN với các thuật toán trước đây do các tác giả trên thế giới sử dụng Đưa ra đánh giá cụ thể khi áp dụng vào giải quyết bài toán về tiêu thụ năng lượng và sự tiện nghi nhiệt
- Nghiên cứu cho thấy tiềm năng của phương pháp này trong việc xác định hoạt động phù hợp của các hệ thống HVAC phức hợp
Về mặt thực tiễn
- Nghiên cứu thực hiện có thể được sử dụng để giúp ban quản lý tòa nhà thiết kế và lựa chọn chiến lược điều khiển để vận hành hệ thống HVAC một cách hiệu quả - Phương pháp nghiên cứu được áp dụng trong nghiên cứu này có thể được tham khảo
để giải quyết các vấn đề tối ưu hóa phức tạp trên hệ thống HVAC và thiết kế tòa nhà
1.5 Phương pháp nghiên cứu
Trang 18
Hình 1-2 : Sơ đồ nghiên cứu đề tài
1.5.2 Quy trình các bước nghiên cứu chi tiết 1.5.2.1 Lựa chọn đề tài
Xác định các vấn đề của đề tài nghiên cứu :
• Tìm hiểu vấn đề tiêu thụ năng lượng và tiện nghi nhiệt của hệ thống HVAC • Việc tối ưu hóa đa mục tiêu của hệ thống máy làm lạnh trong đó VAV và hệ
thống DOAS hoạt động đồng thời, cho thấy tiềm năng của phương pháp này trong việc xác định hoạt động phù hợp của các hệ thống HVAC phức hợp
1.5.2.2 Mục tiêu nghiên cứu
Trang 19
Những đóng góp nghiên cứu trong tương lai : • Ý nghĩa khoa học
• Ý nghĩa thực tiễn
1.5.2.3 Phạm vi nghiên cứu
Thống nhất về mặt thời gian, không gian, lĩnh vực nghiên cứu, • Xác định phạm vi và giới hạn trong nghiên cứu
1.5.2.4 Nghiên cứu trước đây về vấn đề tiêu thụ năng lượng và tiện nghị nhiệt của hệ thống HVAC
Tìm hiểu các nghiên cứu trước đây,
• Mục tiêu, ý nghĩa và hạn chế của các nghiên cứu trước đây
1.5.2.5 Cơ sở lý thuyết
Xác định các khái niệm lý thuyết liên quan về vấn đề tiêu thụ năng lượng và tiện nghị nhiệt của hệ thống HVAC
• Tìm hiểu các phương pháp tối ưu thuật toán GWO, ANN • Khái niệm về các vấn đề trong hệ thống HVAC
1.5.2.6 Xây dựng mơ hình nghiên cứu
Nghiên cứu phương pháp tối ưu thuật tốn GWO-ANN • Grey Wolf Optimizer
• Artificial neural network
1.5.2.7 Áp dụng mơ hình
Ý nghĩa khoa học
• Áp dụng GWO-ANN vào case study 1 so sánh kết quả đạt được với các
nghiên cứu trước đây Ý nghĩa thực tiễn
• Áp dụng GWO-ANN vào case study 2 so sánh kết quả thu được với kết quả
thực tế
1.5.2.8 Kết luận và kiến nghị
Trang 20
• Nêu ra những đóng góp và hạn chế trong bài nghiên cứu • Kiến nghị
1.6 Bố cục luận văn
Chương 1 Mở đầu:
Trình bày lý do chọn đề tài, mục tiêu, phạm vi nghiên cứu của đề tài, ý nghĩa và đóng góp, phương pháp nghiên cứu, bố cục luận văn
Chương 2 Tổng quan tình hình nghiên cứu:
Trình bày tổng quan bài tốn, thuật toán nghiên cứu và các nghiên cứu liên quan trước đây
Chương 3 Cơ sở lý thuyết:
Giới thiệu lý thuyết về trình bày khái niệm thuật tốn Sói xám (GWO), mạng thần kinh nhân tạo (ANN), phương pháp tối ưu và cách áp dụng giải quyết vấn đề
Chương 4 Các trường hợp nghiên cứu:
Giới thiệu và áp dụng thuật tốn tối ưu hóa vào các trường hợp khác nhau trên các nghiên cứu trước đây và ngoài thực tiễn, so sánh các kết quả giữa các thuật toán cũ và mới, ứng dụng vào trường hợp thực tế
Chương 5 Kết luận và kiến nghị:
Trang 21CHƯƠNG 2 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU
2.1 Tổng quan bài tốn nghiên cứu
Trang 22
ứng dụng rộng rãi trong các nghiên cứu sau : (Kaveh & Khalegi, 1998) Mục đích của nghiên cứu này là phát triển I-PreConS (Hệ thống dự đốn thơng minh về cường độ bê tơng) cung cấp thông tin về cường độ tại chỗ của bê tông để tạo điều kiện loại bỏ ván khuôn bê tông và lập kế hoạch thi công (Kaveh & Iranmanesh, 1998) mô tả các ứng dụng của hai mạng nơ-ron nhân tạo cụ thể là mạng nơ-ron lan truyền ngược (BPN) và mạng nơ-ron phản lan truyền cải tiến (CPN) để phân tích và thiết kế các cấu trúc không gian quy mô lớn (Kaveh & Khavaninzadeh, 2023) mục đích là sử dụng sự kết hợp của thuật toán meta-heuristic với hai loại cấu trúc mạng thần kinh nhân tạo khác nhau để tối ưu hóa các tham số của lan truyền ngược nguồn cấp dữ liệu và mạng chức năng cơ sở hướng tâm
Sự phức tạp, khó xác định của bài toán nghiên cứu đã thúc đẩy các nhà nghiên cứu tìm giải pháp áp dụng các thuật tốn khác nhau để có được các giải pháp tối ưu hoặc gần tối ưu cho các bài toán về tiêu thụ năng lượng và tiện nghi nhiệt của hệ thống HVAC
2.2 Tổng quan thuật toán sử dụng cho nghiên cứu
Các thuật toán tối ưu hóa dựa trên mơ phỏng thường được sử dụng là thuật toán di truyền (GA) và phương pháp tối ưu hóa bầy đàn hạt (PSO) Những phương pháp tinh vi này sử dụng các kế hoạch tìm kiếm ngẫu nhiên địi hỏi hàng trăm đến hàng nghìn mơ phỏng tịa nhà tốn nhiều thời gian để hội tụ Chi phí và thời gian tối ưu hóa phụ thuộc vào nhiều tham số, chẳng hạn như số lần tính tốn hàm mục tiêu, số lượng biến thiết kế và thuật tốn tối ưu hóa được áp dụng Với sức mạnh tính tốn hiện tại, một số lần chạy tối ưu hóa có thể mất vài tuần hoặc vài tháng (Attia, Hamdy, O’Brien, & Carlucci, 2013) Ngoài ra, tiện nghi nhiệt và mức tiêu thụ năng lượng của các tịa nhà là phi tuyến tính do đó thuật tốn tối ưu hóa có thể được áp dụng ở điểm cực tiểu cục bộ (Nguyen, Reiter, & Rigo, 2014) Theo đó, cần phải phát triển một phương pháp tối ưu hóa có thể giải quyết những thách thức tính tốn này
Bảng 2-1 : Các nghiên cứu trước đây ở dùng phương pháp công cụ học máy để giải quyết vấn đề tối ưu hóa tịa nhà
STT Tên bài báo,
nghiên cứu Tác giả Năm Mục tiêu
1
Predictive controllers for thermal comfort optimization and energy savings Freire, Roberto Z Oliveira, Gustavo H C 2008
Trang 23
Mendes, Nathan
2
Neural networks based predictive control for thermal comfort and energy savings in public buildings Ferreira, P M Ruano, A E Silva, S Conceiỗóo, E Z E 2010
-Mơ hình đề xuất mạng thần kinh cơ sở xuyên tâm để điều khiển dự đoán nhằm giảm thiểu năng lượng
3
Prediction and
optimization of heating and cooling loads in a residential building based on multi-layer perceptron neural network and different optimization algorithms
Xu, Yuanjin Li, Fei
Asgari, Armin
2022
-Phương pháp tối ưu hóa để dự đốn q trình sưởi ấm và làm mát của các tòa nhà tiết kiệm năng lượng
Bảng 2- 2 : Các nghiên cứu trước đây ở dùng phương pháp thuật toán tối ưu để giải quyết vấn đề tối ưu hóa tịa nhà
STT Tên bài báo,
nghiên cứu Tác giả Năm Mục tiêu
1
Multiobjective optimization of building design using TRNSYS simulations, genetic algorithm, and Artificial Neural Network Magnier, Laurent Haghighat, Fariborz 2010
-Tối ưu hóa tịa nhà liên quan đến nhiều mục tiêu nói chung là một quá trình cực kỳ tốn thời gian Phương pháp GAINN được trình bày trong nghiên cứu này trước tiên sử dụng Mạng nơ-ron nhân tạo (ANN) dựa trên mô phỏng để mô tả hành vi của tịa nhà, sau đó kết hợp ANN này với Thuật toán di truyền đa mục tiêu (NSGA-II) để tối ưu hóa nhằm để tối ưu hóa tiện nghi nhiệt và tiêu thụ năng lượng trong nhà ở
2
Energy Efficient Building HVAC
Control Algorithm with Real-time Occupancy Prediction Shi, Jie Yu, Nanpeng Yao, Weixin 2017
- Một lượng lớn năng lượng bị lãng phí thơng qua hoạt động không hiệu quả của hệ thống sưởi ấm, thơng gió và điều hịa khơng khí (HVAC) do thiếu đo lường và dự đoán sức chứa đáng tin cậy của tòa nhà
Trang 24
còn cải thiện sự thoải mái cho cư dân tòa nhà
3
HVAC system energy optimization using an adaptive hybrid metaheuristic Ghahramani, Ali Karvigh, Simin Ahmadi Becerik-Gerber, Burcin 2017
-Những nỗ lực nghiên cứu trước đây, để tối ưu hóa việc sử dụng năng lượng của các hệ thống HVAC, yêu cầu phải xây dựng các mô hình tốn học của các hệ thống HVAC hoặc chúng yêu cầu dữ liệu vận hành lịch sử đáng kể để tìm hiểu các cài đặt vận hành tối ưu -Thuật toán được đề xuất giúp tiết kiệm năng lượng so với các hoạt động cơ sở
4
Optimization of HVAC system energy
consumption in a building using artificial neural network and multi-objective genetic algorithm Nasruddin, Sholahudin, Satrio, Pujo Mahlia, Teuku Meurah Indra Giannetti, Niccolo Saito, Kiyoshi 2019
-Việc tối ưu hóa hoạt động của hệ thống sưởi ấm,thơng gió và điều hịa khơng khí (HVAC) và các thơng số khác của tòa nhà nhằm giảm thiểu mức tiêu thụ năng lượng hàng năm và tối đa hóa tiện nghi nhiệt được trình bày trong nghiên cứu này
5
Predictive modelling and optimization of HVAC systems using neural network and particle swarm optimization algorithm Afroz, Zakia Shafiullah, G M Urmee, Tania Shoeb, M A Higgins, Gary 2022
-Khái niệm duy trì chất lượng môi trường trong nhà bao gồm nhiệt độ trong nhà, độ ẩm tương đối, CO2 và mức hợp chất hữu cơ dễ bay hơi (VOC) đặt ra những thách thức mới đối với hoạt động tối ưu của hệ thống sưởi, thơng gió và điều hịa khơng khí (HVAC)
-Nghiên cứu này đề xuất một phương pháp mơ hình hóa và tối ưu hóa hiện đại để giảm thiểu mức tiêu thụ năng lượng của các hệ thống HVAC mà không ảnh hưởng đến chất lượng môi trường trong nhà
Trang 25
Hiệu suất của các thiết kế tối ưu hóa dựa trên mơ phỏng phụ thuộc rất nhiều vào các thuật tốn tối ưu hóa Hình 2-1 chỉ ra một phân loại các thuật toán tối ưu hóa được sử dụng nhiều nhất trong BOP theo phương pháp hoạt động Các thuật tốn tối ưu hóa có thể được thường được phân thành hai loại: Thuật tốn dựa trên độ dốc và thuật tốn khơng đạo hàm (DF)
Hình 2-1 : Phân loại các thuật tốn tối ưu hóa cho BOP
Trang 26
Loại thứ hai là thuật tốn DF (ví dụ: thuật tốn tối ưu hóa ngẫu nhiên), khơng u cầu tính tốn đạo hàm hàm mục tiêu Tuy nhiên, các thuật toán này thường cần nhiều đánh giá hàm mục tiêu và khơng thể đảm bảo tính tối ưu cục bộ của giải pháp do cơ chế tìm kiếm khơng có đạo hàm của chúng Tuy nhiên, thuật ngữ 'tối ưu hóa' trong BOP khơng nhất thiết có nghĩa là tìm kiếm giá trị tối ưu tồn cục, vì nó có thể khơng khả thi do bản chất của vấn đề tối ưu hóa hoặc bản thân phần mềm mơ phỏng (Bos et al., 2011; Nguyen et al., 2014) Các thuật tốn DF có khả năng giải quyết cả vấn đề tuyến tính và phi tuyến tính với sự khơng liên tục Các tính năng này làm cho các thuật toán này phù hợp với BOP (Attia et al., 2013; Evins, 2013; Machairas et al., 2014) Các thuật toán tối ưu hóa DF đã được sử dụng phần lớn trong các nghiên cứu tối ưu hóa tịa nhà (Evins, 2013) đã áp dụng phương pháp tìm kiếm mẫu Hooke và Jeeves để xác định các biến thiết kế tối ưu cho các tòa nhà năng lượng mặt trời (Bouchlaghem, 2000) đã sử dụng phương pháp đơn hình của Nelder và Mead và phương pháp phức hợp phi ngẫu nhiên để tối ưu hóa lớp vỏ cơng trình
Mặc dù có nhiều nghiên cứu về BOP, nhưng khơng có thuật tốn tối ưu hóa duy nhất nào có thể được chọn là thuật tốn tốt nhất vì hiệu suất của nó phụ thuộc vào bản chất của vấn đề tối ưu hóa (Wolpert & Macready, 1997) (Wetter & Wright, 2003) đã phân tích khả năng của thuật tốn GA và Hooke–Jeeves (HJ) trong việc giảm thiểu mức tiêu thụ năng lượng của tòa nhà Các kết quả cho thấy rằng GA có thể tìm thấy một tối ưu với khả năng tính tốn thấp trong khi HJ có thể được đưa vào một tối ưu cục bộ (G Zhou, Ihm, Krarti, Liu, & Henze, 2003) đã nghiên cứu khả năng của chín thuật tốn tối ưu hóa khác nhau để xử lý BOP Họ phát hiện ra rằng PSO-HJ có thể dẫn đến mức tiêu thụ năng lượng tòa nhà thấp nhất trong khi phương pháp Nelder và Mead có thể dễ dàng đạt được mức tối thiểu cục bộ (Wright & Alajmi, 2005) đã thử nghiệm tính mạnh mẽ của GA trong việc lựa chọn các tham số điều khiển trong một BOP không bị ràng buộc Người ta thấy rằng GA không ảnh hưởng với việc lựa chọn các tham số điều khiển của nó (Wright & Alajmi, 2005) đã thực hiện một cuộc điều tra so sánh về khả năng của PSO và GA đối với BOP Kết quả cho thấy GA có thể tìm ra lời giải tối ưu với chi phí tính tốn thấp hơn so với PSO
Trang 27
tiếp đến phần mềm mơ phỏng tịa nhà Cách tiếp cận này loại bỏ yêu cầu liên kết hai chiều trực tiếp giữa phần mềm mơ phỏng tịa nhà và thuật tốn tối ưu hóa ANN cho thấy thay vì các quy tắc phức tạp và quy trình tốn học, ANN có thể tìm hiểu các mẫu thơng tin chính bằng cách sử dụng dữ liệu đa chiều, ANN cho thấy hiệu suất tốt hơn về tốc độ hội tụ
Gần đây, một số thuật tốn tối ưu hóa đã được đề xuất trong các tài liệu, cho thấy hiệu suất vượt trội so với các thuật toán tối ưu hóa tiên tiến hiện đang được sử dụng trong BOP Tuy nhiên, các thuật tốn tối ưu hóa mới như vậy chưa bao giờ được sử dụng trong BOP và do đó hiệu suất của chúng trong BOP vẫn chưa được biết Do đó, một cuộc điều tra về việc điều chỉnh và áp dụng các phương pháp tối ưu hóa mới cho BOP được đảm bảo
Thuật toán Grey Wolf Optimizer (GWO) là một phương pháp tối ưu hóa meta-heuristic mới, được lấy cảm hứng từ mạng xã hội tìm kiếm hành vi của sói xám GWO lần đầu tiên được đề xuất bởi (Mirjalili, Mirjalili, & Lewis, 2014) Thuật toán GWO bắt chước cơ chế phân cấp và săn mồi của lồi sói xám trong tự nhiên Bốn loại sói xám, chẳng hạn như alpha, beta, delta và omega, được sử dụng để mô phỏng hệ thống phân cấp lãnh đạo.Gần đây, (Faris, Aljarah, Al-Betar, Mirjalili, & applications, 2018a) xem xét các ứng dụng khoa học của GWO Họ báo cáo rằng GWO đã cho thấy những kết quả đầy hứa hẹn trong rất nhiều bài tốn tối ưu hóa Mức độ thành cơng cao của GWO trong việc xử lý các vấn đề tối ưu hóa trong tài liệu có thể là do các đặc điểm ấn tượng của phương pháp này so với các phương pháp trí tuệ bầy đàn khác Đánh giá này nhấn mạnh rằng GWO không yêu cầu thông tin nguồn gốc của khơng gian tìm kiếm và thuật tốn cũng chỉ có một vài tham số Bên cạnh đó, GWO có thể mở rộng, linh hoạt, dễ sử dụng và đơn giản Thuật toán được cải tiến từ sự cân bằng giữa khám phá và khai thác thông qua quá trình tìm kiếm, dẫn đến sự hội tụ tuyệt vời Do đó, GWO đã thu hút sự chú ý của các nhà nghiên cứu trong các lĩnh vực khoa học và kỹ thuật khác nhau Kể từ năm 2014, thuật toán GWO đã được sử dụng rộng rãi trong việc tối ưu hóa nhiều lĩnh vực khoa học như kỹ thuật (61%), học máy (20%), y tế và tin sinh học (6%), mạng (5%), ứng dụng môi trường (5%) và xử lý ảnh (3%) (Faris, Aljarah, Al-Betar, Mirjalili, & applications, 2018b) Ứng dụng của GWO trong các nghiên cứu động lực học chất lỏng tính tốn cũng đã được Mirjalili và cộng sự xem xét (Mirjalili et al., 2020)
Trang 28
et al., 2020), lập kế hoạch đường đi (Qu, Gai, Zhang, & Zhong, 2020; Qu, Gai, Zhong, & Zhang, 2020), xử lý nước ngầm (Majumder & Eldho, 2020), cải thiện sản xuất dầu diesel sinh học (Samuel et al., 2020), gia công nhiều thành vật liệu tổng hợp nano ống nano/ống nano polyme (Kharwar & Verma, 2022), tối ưu hóa phạm vi phủ sóng của mạng cảm biến khơng dây (Miao et al., 2020), tối ưu hóa thời gian xây dựng và độ chắc chắn của lịch trình (Zhao, Issa, Pfeifenberger, Wurmshuber, & Kiener, 2020), dự đoán độ dẫn điện của đất (Samadianfard, Darbandi, Salwana, Nabipour, & Mosavi, 2020), hồ chứa thuận lợi của mỏ dầu (K Li, Zhou, Yang, Li, & Jiao, 2020) và cường độ bê tông (Shariati et al., 2022), là một số ứng dụng môi trường của GWO
Như đã thấy, tổng quan tài liệu cho thấy GWO và ANN đã rất thành công trong các lĩnh vực kỹ thuật khác nhau Tuy nhiên, khả năng kết hợp của thuật toán GWO và ANN chưa được thử nghiệm trong các bài tốn tối ưu hóa tịa nhà đa mục tiêu Nghiên cứu hiện tại nhằm mục đích điều tra hiệu suất của GWO-ANN trong việc giảm thiểu mức tiêu thụ năng lượng và tối đa tiện nghi nhiệt của một tòa nhà
2.3 Hạn chế của các nghiên cứu trước đây
Có thể thấy có rất nhiều nghiên cứu tối ưu hóa tịa nhà được sử dụng bằng các phương pháp khác nhau nhưng các nghiên cứu trước đây thường sử dụng thuật tốn cũ ít có sự cải thiện nên khơng khắc phục được hạn chế trong thuật toán (Wei et al., 2015), (Freire et al., 2008), (Ghahramani, Karvigh, & Becerik-Gerber, 2017) Dữ liệu đầu vào khó và phức tạp (Wang et al., 2004), (Henze et al., 2005), (Freire et al., 2008), (Magnier & Haghighat, 2010), (Shi, Yu, & Yao, 2017) Nghiên cứu hạn chế so sánh với thuật toán khác (L Zhou & Haghighat, 2009), (Lee et al., 2019), (Ghahramani et al., 2017), (T Li, Shao, Zuo, & Huang, 2017)
Trang 29CHƯƠNG 3 CƠ SỞ LÝ THUYẾT
3.1 Khái niệm thuật toán mạng nơ-ron nhân tạo (ANN)
ANN là một công cụ học máy có thể được sử dụng để tìm hiểu mối quan hệ giữa các biến đầu vào và đầu ra để dự đốn hiệu suất của hệ thống Nó có thể hoạt động giống như một mơ hình hộp đen không yêu cầu các thông số chi tiết của hệ thống Nguyên tắc hoạt động của ANN được lấy cảm hứng từ bộ não con người vì nó bao gồm các đầu vào, nơ-ron, các lớp ẩn và đầu ra Ở dạng đơn giản nhất, đầu vào được nhân với các hàm trọng số Sau đó, hàm tích và hàm sai lệch được tổng hợp và gửi vào các hàm truyền để tạo ra đầu ra cuối cùng Một số mơ hình kiến trúc ANN đã được áp dụng thành công trong ứng dụng hệ thống điều hịa khơng khí và tịa nhà để dự đoán hiệu suất của hệ thống hấp thụ (Nasruddin, Sholahudin, Idrus Alhamid, & Saito, 2018); hiệu suất hệ thống hút ẩm lỏng (Mohammad, Mat, Sulaiman, Sopian, & Al-abidi, 2013); phụ tải cấp nhiệt của tòa nhà (Sholahudin & Han, 2015); nhiệt độ và độ ẩm khơng khí trong nhà (Mba, Meukam, & Kemajou, 2016)
Mơ hình ANN với mạng perceptron nhiều lớp (MLP) được phát triển để dự đoán mức tiêu thụ năng lượng của tòa nhà hàng năm và các giá trị PPD Như thể hiện trong Hình 3-1, mạng MLP bao gồm lớp đầu vào, lớp ẩn và lớp đầu ra nơi tất cả các đầu vào được kết nối với tế bào thần kinh, và tất cả các tế bào thần kinh được kết nối với đầu ra
Hình 3-1 : Mạng perceptron nhiều lớp
Trang 30
𝑦(𝑘) = 𝑓2(𝑤2𝑥(𝑘) + 𝑏2) (1)
𝑥(𝑘) = 𝑓1(𝑤1𝑥(𝑘) + 𝑏1) (2)
Trong đó x(k) chỉ ra vectơ đầu ra từ lớp ẩn Sau đó, w2 và w1 đại diện cho ma trận trọng số kết nối từ lớp ẩn đến lớp đầu ra và từ lớp đầu vào đến lớp ẩn Ký hiệu b1 và b2 hiển thị số sai lệch trong lớp đầu vào và lớp đầu ra (Ren, Liu, Rui, Li, & Feng, 2009) Hơn nữa, f1
(.) và f2 (.) đại diện cho các chức năng truyền của lớp ẩn và lớp đầu ra, tương ứng Hàm truyền được sử dụng trong nghiên cứu này là một hàm Tangent (Tanh) tiếp tuyến có thể được biểu thị bằng: ( )zzeef zzzee−−=−+ (3)
z đại diện cho một hàm của z = f (∑wixi) trong đó i là chỉ số trên đầu vào của tế bào thần kinh, xi là đầu vào cho tế bào thần kinh, wi là yếu tố trọng số gắn liền với đầu vào, z là đầu vào có trọng số (Mohanraj, Jayaraj, & Muraleedharan, 2012)
Độ chính xác của dự đốn được đo bằng RMSE (lỗi bình phương trung bình gốc)
21| jj |jRMSEtop= − (4)
Trang 31
3.2 Thuật tốn Sói xám (GWO)
3.2.1 Cảm hứng từ thuật tốn (GWO)
Sói xám (GWO) (Mirjalili et al., 2014) là thuật toán bắt chước hành vi xã hội của lồi sói, hệ thống phân cấp xã hội của sói xám rất nghiêm ngặt và có bốn cấp bậc từ cao đến thấp Alpha (α), Beta (β), Delta (δ) và Omega (ω) như hình 3-2.Trong đó Alpha (α) là con đầu đàn và là con sói chiếm ưu thế nhất, cịn Omega (ω) có vị thế thấp nhất trong hệ thống phân cấp Alpha (α) có thể là con đực hoặc con cái, là con quản lý lãnh đạo bầy đàn tốt nhất và có trách nhiệm đưa ra quyết định của bầy sói, Beta (β) là những con sói theo sau phụ trợ giúp Alpha (α) nhưng chúng chiếm ưu thế cao hơn so với Delta (δ) Nhiệm vụ của những con sói này là huấn luyện, lính canh gác và đảm bảo sự an toàn của bầy đàn Sói xám có vị thế thấp nhất trong đàn là Omega (ω), đóng vai trị là con phải hy sinh và phải tuân theo những yêu cầu và mệnh lệnh của những con sói (α,β,δ) trong đàn
Hình 3-2 : Hệ thống phân cấp của sói xám (sự thống trị giảm từ trên xuống)
Ngoài hệ thống phân cấp xã hội của sói, săn theo nhóm là một hành vi xã hội thú vị khác của sói xám Theo Muro et al (Muro, Escobedo, Spector, & Coppinger, 2011) các giai đoạn săn mồi chính của sói xám như sau:
• Theo dõi, rượt đuổi và tiếp cận con mồi
Trang 32
Hình 3-3 : Hành vi săn mồi của sói xám: (A) đuổi theo, tiếp cận và theo dõi con mồi (B-D) truy đuổi, quấy rối và bao vây (E) đứng yên và tấn công (Muro et al., 2011) Trong nghiên cứu này, kỹ thuật săn mồi này và hệ thống phân cấp xã hội của sói xám
được mơ hình hóa bằng toán học để thiết kế GWO và thực hiện tối ưu hóa
3.2.2 Mơ hình tốn học và thuật toán (GWO) 3.2.2.1 Hệ thống phân cấp xã hội
Để mơ phỏng tốn học theo thứ bậc xã hội của sói khi thiết kế GWO, thuật tốn xem giải pháp phù hợp nhất là Alpha (α) Do đó, các giải pháp tốt thứ hai và thứ ba được đặt tên là Beta (β) và Delta (δ) Sói xám có thể cập nhật vị trí của nó trong khơng gian xung quanh con mồi ở bất kì vị trí ngẫu nhiên được xác định trong bước bao vây con mồi
3.2.2.2 Bao vây con mồi
Trong tốn học, tích Hadamard (cịn được gọi là tích từng phần tử, tích đầu vào (Horn & Johnson, 2012) hoặc tích Schur (Davis, 1962)) là một phép toán nhị phân nhận vào hai ma trận có cùng kích thước và trả về một ma trận gồm các phần tử tương ứng được nhân với nhau Hoạt động này có thể được coi là "phép nhân ma trận ngây thơ" và khác với tích ma trận Nó được gán cho và được đặt theo tên của nhà toán học người Pháp gốc Do Thái Jacques Hadamard hoặc nhà toán học người Đức gốc Do Thái Issai Schur
Trang 33
Với hai ma trận A và B cùng kích thước m × n, tích Hadamard A 𝚘 B (hoặc A B) là một ma trận cùng kích thước với các toán hạng, với các phần tử được cho bởi (Million, 2007)
(A 𝚘 B)ij =(A B)ij =(A)ij =(B)ij (5) Đây là một ví dụ về tích Hadamard cho một cặp ma trận 3×3
abcjklajbkcldefmnodmenfoghipqrgphqir =
Đối với ma trận có kích thước khác nhau (m × n và p × q, trong đó m ≠ p hoặc n ≠ q), tích Hadamard là khơng xác định
Để mơ hình tốn học các bước bao vây trong GWO các phương trình sau đây được đề xuất:
𝐷⃗⃗ = 𝐶 𝑋⃗⃗⃗⃗ (𝑡) − 𝑋 (𝑡) 𝑝 (6)
𝑋 (𝑡 + 1) = 𝑋⃗⃗⃗⃗ (𝑡) −𝑝 AD (7)
trong đó t chỉ ra lần lặp lại hiện tại, 𝐴⃗⃗⃗ 𝑣à 𝐶⃗⃗⃗ là các vector hệ số, 𝑋⃗⃗⃗⃗ (𝑡) là vector vị trí của 𝑝con mồi, và 𝑋⃗⃗⃗ biểu thị vector vị trí của một con sói xám
Các vectơ 𝐴⃗⃗⃗ 𝑣à 𝐶⃗⃗⃗ được tính như sau :
𝐴 = 2 𝑎 𝑟⃗⃗⃗ − 𝑎 1 (8)
𝐶 = 2 𝑟⃗⃗⃗ 2 (9)
trong đó các thành phần của 𝑎⃗⃗⃗ tuyến tính giảm từ 2 xuống 0 trong quá trình lặp lại và r1,r2
là các vectơ ngẫu nhiên trong [0, 1]
Để xem ảnh hưởng của các phương trình (6) và (7), một vectơ vị trí hai chiều và một số lân cận có thể được minh họa trong hình 3-4 (a) Như có thể thấy trong hình này, một con sói xám ở vị trí (X,Y) có thể cập nhật vị trí của nó theo vị trí của con mồi (X*,Y*) Có thể đạt được các vị trí khác nhau xung quanh tác nhân tốt nhất tương ứng với vị trí hiện tại bằng cách điều chỉnh giá trị của A
→ và C→ Ví dụ, (X*-X,Y*) có thể đạt được bằng cách đặt A→=(1,0) và C→
Trang 34
bất kỳ vị trí nào giữa các điểm được minh họa trong hình 3-4 Vì vậy, sói xám có thể cập nhật vị trí của nó bên trong khơng gian xung quanh con mồi ở bất kỳ vị trí ngẫu nhiên nào bằng cách sử dụng phương trình (6) và (7)
Hình 3-4 : Vectơ vị trí 2D và 3D và các vị trí tiếp theo có thể có của chúng
Khái niệm tương tự có thể được mở rộng sang khơng gian tìm kiếm có n chiều và những con sói xám sẽ di chuyển trong siêu khối (hoặc siêu hình cầu) xung quanh giải pháp tốt nhất thu được cho đến nay
3.2.2.3 Săn bắt con mồi
Trong giai đoạn săn bắt, những con sói có khả năng nhận ra vị trí của con mồi và bao vây chúng Cuộc săn bắt thường được hướng dẫn bởi Alpha Để mô phỏng theo tốn học các hành vi săn bắt của sói xám, giả sử rằng Alpha là giải pháp ứng viên tốt nhất, Beta và Delta có kiến thức tốt về vị trí tiềm năng của con mồi Sau đó, thuật toán lưu ba giải pháp tốt nhất đầu tiên thu được và bắt buộc các đối tượng tìm kiếm khác (bao gồm cả Omega) cập nhật vị trí của chúng theo vị trí của các đối tượng tìm kiếm tốt nhất Giai đoạn khai thác bắt đầu khi giá trị tuyệt đối của A nhỏ hơn (|A|<1) Biểu diễn toán học cập nhật vị trí của tác nhân tìm kiếm được thể hiện trong các phương trình sau đây:
𝑋 (𝑡 + 1) = 𝑋⃗⃗⃗⃗ + 𝑋1 ⃗⃗⃗⃗ + 𝑋2 ⃗⃗⃗⃗ 3
3 (10)
trong đó X1, X2, X3 là vị trí của ba tác nhân tìm kiếm tốt nhất Alpha, Beta, Delta và được mơ hình hóa là:
𝑋1
Trang 35
𝑋2
⃗⃗⃗⃗ = 𝑋⃗⃗⃗⃗ − 𝐴β ⃗⃗⃗⃗ (𝐷2 β) (12) 𝑋3
⃗⃗⃗⃗ = 𝑋⃗⃗⃗⃗ − 𝐴δ ⃗⃗⃗⃗ (𝐷3 δ) (13) trong đó Dα ,Dβ ,Dδ đại diện cho khoảng cách được sử dụng để cập nhật vị trí của ba tác nhân tiềm kiếm tốt nhất:
𝐷α⃗⃗⃗⃗ = 𝐶⃗⃗⃗⃗ 𝑋1 ⃗⃗⃗⃗ − 𝑋 α (14) 𝐷β⃗⃗⃗⃗ = 𝐶⃗⃗⃗⃗ 𝑋2 ⃗⃗⃗⃗ − 𝑋 β (15) 𝐷δ⃗⃗⃗⃗ = 𝐶⃗⃗⃗⃗ 𝑋3 ⃗⃗⃗⃗ − 𝑋 δ (16) Hình 3-5 cho thấy cách tác nhân tìm kiếm cập nhật vị trí của nó theo alpha, beta và delta trong khơng gian tìm kiếm 2D Có thể quan sát thấy rằng vị trí cuối cùng sẽ ở một vị trí ngẫu nhiên trong một vịng trịn được xác định bởi các vị trí của alpha, beta và delta trong khơng gian tìm kiếm Nói cách khác, alpha, beta và delta ước tính vị trí của con mồi và những con sói khác cập nhật vị trí của chúng xung quanh con mồi một cách ngẫu nhiên
Hình 3- 5 : Cập nhật vị trí trong GWO
3.2.2.4 Tấn công con mồi (khai thác)
Trang 36
trí nào giữa vị trí hiện tại của nó và vị trí của con mồi Hình 3-6 (a) cho thấy rằng |A|<1 buộc bầy sói tấn cơng con mồi
Hình 3-6 : Tấn cơng con mồi so với tìm kiếm con mồi
3.2.2.5 Tìm kiếm con mồi (thăm dị)
Q trình tìm kiếm bắt đầu bằng việc tạo ra một quần thể sói xám ngẫu nhiên (giải pháp ứng viên) trong thuật tốn GWO Trong q trình lặp đi lặp lại, sói alpha, beta và delta ước tính vị trí có thể xảy ra của con mồi Mỗi giải pháp quần thể sói cập nhật khoảng cách của nó với con mồi Tham số a được giảm từ 2 xuống 0 để nhấn mạnh hoạt động thăm dò và khai thác tương ứng Các giải pháp quần thể sói có xu hướng khác với con mồi khi |A
→
|>1 và hội tụ về phía con mồi khi |A
→
Trang 37Quy trình thuật tốn GWO được trinh bài hình 3-7
Hình 3-7 : Các quy trình của thuật tốn sói xám
3.3 Phương pháp tối ưu hóa
Trang 38
(AHU System) và Supply air temperature (DOAS System) khối lượng được chỉ định để cung cấp khả năng làm mát theo yêu cầu
Biến quyết định Phạm vi Đơn vị
Cooling set point 22-26 °C
RH set point 60-70 %
Occupant Density 8-10 m²/person
U-Value Window 0.9-5.8 W/m².K
U-Value Wall 0.1-1.8 W/m².K
Supply air temperature (AHU System) 11-14 °C
Supply air temperature (DOAS System) 18-22 °C
Lighting Gain 16-32 W/m²
Equipment Gain 5.4-54 W/m²
Bảng 3-1 : Phạm vi dữ liệu để tối ưu hóa
Trang 39
Hình 3-8 : Khung tối ưu hóa
Một vấn đề đa mục tiêu có thể được giải mã bằng cách sử dụng phương trình như sau (Mirjalili, Saremi, Mirjalili, & Coelho, 2016):
Minimizing or maximizing :F xf1 x ,f2 x , ,fox→→→→ = (17) 𝑆𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 ∶ g1 x 0,i 1, 2, ,m→ = (18) 1 0, 1, 2, ,hxip→ = = (19) , 1, 2, ,iiiL xU i= n (20)
trong đó n là số biến, o là số hàm mục tiêu, m là số ràng buộc bất đẳng thức, p là số ràng buộc đẳng thức, 𝑔𝑖 là ràng buộc bất đẳng thức thứ i, ℎ𝑖 biểu thị ràng buộc đẳng thức thứ i, và [Li ,Ui] là biên của biến thứ i