Đánh giá hiệu quả năng lượng công trình bằng mô hình máy học cho các dự án xây dựng sử dụng hệ thống năng lượng mặt trời áp mái

ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA TRẦN HOÀNG DUY ĐÁNH GIÁ HIỆU QUẢ NĂNG LƯỢNG CƠNG TRÌNH BẰNG MƠ HÌNH MÁY HỌC CHO CÁC DỰ ÁN XÂY DỰNG SỬ DỤNG HỆ THỐNG NĂNG LƯỢNG MẶT TRỜI ÁP MÁI Chuyên ngành Mã số : QUẢN LÝ XÂY DỰNG : 8580302 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 07 năm 2023 CƠNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC QUỐC GIA TPHCM Cán hướng dẫn khoa học: Cán hướng dẫn 1: TS Phạm Hải Chiến Cán hướng dẫn 2: PGS.TS Phạm Vũ Hồng Sơn Cán chấm nhận xét 1: PGS.TS Quản Thành Thơ Cán chấm nhận xét 2: TS Đặng Thị Trang Luận văn thạc sĩ bảo vệ Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày 14 tháng 07 năm 2023 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: Chủ tịch hội đồng: TS Lê Hoài Long Thư ký hội đồng: PGS.TS Lương Đức Long Ủy viên phản biện 1: PGS.TS Quản Thành Thơ Ủy viên phản biện 2: TS Đặng Thị Trang Ủy viên: TS Nguyễn Hoài Nghĩa Xác nhận Chủ tịch Hội đồng đánh giá LV Trưởng Khoa quản lý chuyên ngành sau luận văn sửa chữa (nếu có) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG TS Lê Hoài Long PGS.TS Lê Anh Tuấn ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: TRẦN HOÀNG DUY MSHV: 1970474 Ngày, tháng, năm sinh: 07/1/1996 Nơi sinh: Khánh Hòa Chuyên ngành: Quản lý xây dựng Mã số: 8580302 I TÊN ĐỀ TÀI: ĐÁNH GIÁ HIỆU QUẢ NĂNG LƯỢNG CƠNG TRÌNH BẰNG MƠ HÌNH MÁY HỌC CHO CÁC DỰ ÁN XÂY DỰNG SỬ DỤNG HỆ THỐNG NĂNG LƯỢNG MẶT TRỜI ÁP MÁI ENERGY EFFICIENCY ASSESSMENT BY MACHINE LEARNING MODELS FOR CONSTRUCTION PROJECTS USING ROOF SOLAR POWER SYSTEM II NHIỆM VỤ VÀ NỘI DUNG: Tìm hiểu tình hình ứng dụng máy học để dự đốn cơng suất phát điện mặt trời áp mái cơng trình giai đoạn định đầu tư dự án Nghiên cứu xây dựng mơ hình dự báo cơng suất phát điện mặt trời áp mái cơng trình (24 tới) dựa liệu đại lượng thời tiết công suất phát điện mặt trời cơng trình tịa nhà có máy học Qua nhận xét ưu, khuyết điểm áp dụng Áp dụng công cụ dự đoán sản lượng điện mặt trời vào đánh giá hiệu sử dụng lượng tái tạo cho công trình tịa nhà III NGÀY GIAO NHIỆM VỤ: 06/02/2023 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 11/06/2023 V CÁN BỘ HƯỚNG DẪN: TS PHẠM HẢI CHIẾN - PGS.TS PHẠM VŨ HỒNG SƠN Tp HCM, ngày 11 tháng 06 năm 2023 CÁN BỘ HƯỚNG DẪN CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO TS Phạm Hải Chiến PGS.TS Phạm Vũ Hồng Sơn TS Lê Hoài Long TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG PGS.TS Lê Anh Tuấn LỜI CẢM ƠN Trong suốt thời gian từ bắt đầu học tập giảng đường đại học đến hoàn thành khóa luận tốt nghiệp sau đại học, em nhận nhiều quan tâm, giúp đỡ q thầy cơ, gia đình bạn bè Đó động lực lớn để em vượt qua khó khăn hồn thành chương trình học tập trường Với lòng biết ơn sâu sắc nhất, em xin gửi lời cảm ơn đến quý Thầy Cô Khoa Xây dựng Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh người dùng tri thức tâm huyết để truyền đạt vốn kiến thức quý báu cho chúng em suốt thời gian qua Em xin chân thành cảm ơn thầy TS Phạm Hải Chiến thầy PGS.TS Phạm Vũ Hồng Sơn hết lịng hướng dẫn tận tình truyền đạt cho em kiến thức vô giá trị để em thực đề tài Sau cùng, em xin kính chúc q Thầy Cơ Khoa Xây dựng nói riêng tồn thể Thầy Cơ Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh nói chung thật dồi sức khỏe, niềm tin để tiếp tục nghiệp trồng người truyền đạt kiến thức cho hệ mai sau Trân trọng, i TÓM TẮT LUẬN VĂN THẠC SĨ Hiệu lượng tòa nhà đề cập đến khả tối ưu hóa lượng giảm thiểu lượng lượng tiêu thụ q trình vận hành tịa nhà Điều đạt thơng qua việc sử dụng hệ thống lượng mặt trời lắp đặt mái tòa nhà, sử dụng pin mặt trời để chuyển đổi lượng ánh sáng thành điện Tuy nhiên, sử dụng hệ thống lượng đối mặt với số thách thức chi phí đầu tư ban đầu cao thời gian hoàn vốn dài, cơng cụ dự đốn xác cơng suất phát hệ thống điện mặt trời áp mái cần có giai đoạn thiết kế xây dựng vận hành tịa nhà Việc dự đốn cơng suất điện mặt trời áp mái tòa nhà tương đối phức tạp thay đổi nhiều đại lượng liên quan nên để giảm trình thu thập liệu tối thiểu khả can thiệp người, việc nghiên cứu máy học áp dụng mô hình dự báo tối ưu cần thiết Bằng việc sử dụng ngôn ngữ Python, luận văn đề xuất mơ hình máy học phù hợp để xây dựng mơ hình dự báo cơng suất phát điện mặt trời áp mái bao gồm mơ hình hồi quy độc lập, mơ hình kết hợp mơ hình mạng thần kinh nhân tạo Các mơ hình sử dụng thông số đại lượng thời tiết nhiệt độ, độ ẩm tốc độ gió để dự đốn sản lượng điện 30 phút Các kết thử nghiệm tập liệu thực tế Thành phố Hồ Chí Minh, Việt Nam cho thấy mơ hình kết hợp Tăng cường Gradient – Gradient Boosting Regressor (GBR) cho kết tốt với RMSE 13.246 (kW) hệ số R 0.737 Dựa vào mơ hình GBR xây dựng tiêu chí đánh giá hiệu lượng tái tạo mức tiêu thụ lượng tòa nhà lượng CO2 giảm thiểu cho bốn trường hợp tòa nhà giả định Các kết ứng dụng thực tiễn để cải thiện hiệu suất khả quản lý hệ thống lượng mặt trời áp mái ngày cấp thiết ii ABSTRACT The efficacy of building energy performance pertains to the ability to optimize energy utilization and minimize energy consumption throughout the operational lifespan of a building This objective can be realized through the incorporation of rooftop solar energy systems, which harness solar irradiance and convert it into electrical power using photovoltaic panels However, the adoption of such systems is confronted with various challenges, including high initial capital investment and prolonged payback periods Consequently, the accurate prediction of power generation capacity for rooftop solar photovoltaic systems becomes imperative during the design, construction, and operation phases of buildings The prediction of rooftop solar power capacity for buildings is a relatively complex task due to the variability of multiple related variables To reduce data collection efforts and minimize human intervention, research in machine learning and the application of optimized forecasting models are necessary By utilizing the Python programming language, this thesis proposes suitable machine learning models for developing a forecasting model for rooftop solar power generation, including independent regression models, ensemble models, and artificial neural network models These models utilize weather variables such as temperature, humidity, and wind speed to predict electricity generation every 30 minutes Experimental results on real-world data in Ho Chi Minh City, Vietnam, demonstrate that the ensemble model of Gradient Boosting Regressor (GBR) yields the best performance, with an RMSE of 13.246 (kW) and an R2 coefficient of 0.737 Based on the GBR model, criteria were established to evaluate the effectiveness of renewable energy for reducing building energy consumption and minimizing CO2 emissions for four hypothetical building cases These results can be practically applied to enhance the performance and management capabilities of rooftop solar energy systems, which are increasingly vital in practice iii LỜI CAM ĐOAN Tác giả xin cam đoan cơng trình nghiên cứu thân tác giả Các kết nghiên cứu kết luận luận văn trung thực, không chép từ nguồn hình thức Việc tham khảo nguồn tài liệu (nếu có) thực trích dẫn ghi nguồn tài liệu tham khảo quy định Tác giả luận văn Trần Hoàng Duy iv MỤC LỤC LỜI CẢM ƠN i TÓM TẮT LUẬN VĂN THẠC SĨ ii ABSTRACT iii LỜI CAM ĐOAN iv DANH MỤC HÌNH ẢNH viii DANH MỤC BẢNG ix DANH MỤC BIỂU ĐỒ x DANH MỤC CÁC TỪ VIẾT TẮT xi CHƯƠNG MỞ ĐẦU .1 1.1 Đặt vấn đề 1.2 Lý cho lựa chọn đề tài 1.3 Mục tiêu nghiên cứu 1.4 Phạm vi nghiên cứu 1.5 Ý nghĩa khoa học thực tiễn đề tài .7 1.5.1 Về khoa học .7 1.5.2 Về thực tiễn 1.6 Cấu trúc luận văn CHƯƠNG TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU 2.1 Các nghiên cứu trước .9 2.1.1 Các nghiên cứu nước 2.1.2 Các nghiên cứu nước 18 2.2 Các kỹ thuật máy học dùng mơ hình dự đốn cơng suất phát hệ thống lượng mặt trời 22 2.2.1 Các mơ hình phân tích hồi quy độc lập 24 2.2.2 Các mơ hình kết hợp 26 2.2.3 Mơ hình mạng thần kinh nhân tạo 27 2.3 Môi trường ảo thực thi máy học 27 CHƯƠNG PHƯƠNG PHÁP NGHIÊN CỨU 29 3.1 Quy trình thực nghiên cứu 29 3.2 Công cụ thực nghiên cứu 29 3.3 Các lý thuyết, thuật toán áp dụng 30 v 3.3.1 Các loại dự báo phương pháp dự báo 30 3.3.2 Các mơ hình phân tích hồi quy độc lập 32 3.3.3 Các mơ hình kết hợp 36 3.3.4 Mơ hình mạng thần kinh nhân tạo 44 3.4 Thiết lập mơ hình dự đốn 47 3.5 Các đặc điểm mô hình 47 3.6 Kiểm sốt mơ hình dự báo 48 3.6.1 Sai số trung bình bình phương (RMSE) 48 3.6.2 Hệ số tương quan R2 48 3.7 Xây dựng số đánh giá hiệu lượng 49 3.7.1 Xác định mức tiêu thụ lượng tòa nhà 49 3.7.2 Lượng CO2 giảm thiểu 50 3.7.3 Đánh giá tỉ lệ sử dụng nguồn lượng tái tạo .51 3.7.4 Chi phí lắp đặt hệ thống điện mặt trời áp mái tòa nhà .51 CHƯƠNG HUẤN LUYỆN MƠ HÌNH DỰ BÁO VÀ THẢO LUẬN .53 4.1 Tổng quan liệu .53 4.1.1 Thu thập liệu .53 4.1.2 Xử lý liệu 53 4.1.3 Mô tả liệu 54 4.2 Các biến mơ hình dự đốn 56 4.3 Kết mơ hình máy học số dùng để đánh giá mơ hình 58 4.3.1 Xử lý liệu 58 4.3.2 Kết .62 4.4 Các số đánh giá hiệu lượng 69 4.4.1 Xác định mức tiêu thụ lượng tòa nhà 69 4.4.2 Trường hợp nghiên cứu 70 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 74 5.1 Kết luận 74 5.2 Giới hạn nghiên cứu hướng phát triển nghiên cứu 75 5.2.1 Giới hạn liệu hướng khắc phục 75 5.2.2 Giới hạn mơ hình học máy 75 vi DANH MỤC CƠNG TRÌNH KHOA HỌC 77 DANH MỤC TÀI LIỆU THAM KHẢO 78 vii 4.4.2 Trường hợp nghiên cứu Đánh giá công suất điện mặt trời áp mái hai cơng cụ: mơ hình GBR cơng cụ Tổng Công ty Điện lực TP.HCM (EVNHCMC) xây dựng để tham khảo cho trường hợp cơng trình văn phịng làm việc, nhà xưởng với giả định: (1) có ba sàn (bao gồm sàn mái); (2) 90% diện tích mái lắp hệ thống điện mặt trời (10% diện tích cịn lại phục vụ cho hệ thống vận hành kỹ thuật tòa nhà đáp ứng quy định phòng cháy chữa cháy pin mặt trời áp mái) Cụ thể trình bày Bảng 4.9 Các ràng buộc cơng cụ hỗ trợ tính tốn cơng suất điện mặt trời EVNHCMC xây dựng từ thời gian nắng trung bình ngày khu vực TP.HCM 5.2 giờ, từ cơng thức để tính điện sinh ngày (kWh) số nắng trung bình nhân với cơng suất đỉnh (với công suất đỉnh 80% công suất lắp đặt) Như lượng điện sinh năm điện sinh ngày nhân với 365 (ngày) Trong cơng cụ xây dựng từ mơ hình GBR, liệu đại lượng thời tiết đầu vào thu thập từ trang web wunderground.com, liệu ghi lại ngày từ 5:00 đến 6:30 từ 01/1/2022 đến 31/12/2022 (365 ngày), mục đích có tương ứng với tập liệu dùng để huấn luyện Kết truy xuất từ lập trình với phương pháp dự đoán predict(X) trả giá trị dự đoán mơ hình GBR Một phần đoạn lập trình thể sau: power = int(input('Nhập giá trị công suất: ')) dataWeather = pd.read_csv('Thoitiet.csv') dataWeather['Congsuatlapdat'] = power total = for i in range(len(dataWeather)): d = sc_source_X[i:i+1] result = reg.predict(d) total += result print(total) 70 Biểu đồ 4.9 So sánh công suất phát với công cụ hỗ trợ tham khảo So sánh lượng điện từ mơ hình GBR cơng cụ tham khảo Công suất phát năm (kW) 450000 400000 350000 300000 250000 200000 150000 100000 50000 EVNHCMC GBR 35 53144 23613 90 136656 90740 130 189800 192529 250 379600 410635 Công suất lắp đặt (kW) EVNHCMC GBR Có chênh lệch kết tương đối lớn mơ hình GBR cơng cụ hỗ trợ tham khảo, điều có từ nguyên nhân sau: • Cơng cụ hỗ trợ tham khảo: Cơng cụ sử dụng số nắng trung bình tồn TP.HCM để tiến hành dự đoán, nhiên thời tiết năm khơng giống hồn tồn, bên cạnh tùy khu vực, phụ thuộc vào bóng râm khiến cho kết suy từ số nắng trung bình trở nên thiếu xác • Dữ liệu huấn luyện mơ hình GBR: Cơng suất lắp đặt thấp đến từ tịa nhà có diện tích mái nhỏ nằm khu dân cư, nên liệu công suất phát có phần nhỏ hiệu suất đỉnh, ngược lại cơng suất lắp đặt cao đến từ tịa nhà hay nhà xưởng có diện tích mái lớn, nằm khu thống đãng nên liệu cơng suất phát có phần hiệu quả, với hiệu suất đỉnh Bảng 4.9 Các tiêu chí đánh giá hiệu lượng tịa nhà Các tiêu chí đánh giá hiệu lượng tịa nhà Diện tích sàn (m2) Cơng suất lắp đặt điện mặt trời áp mái (kW) 35 90 130 250 196 275 797 1529 71 Diện tích tịa nhà (m2) 431.2 550.0 1592.8 3058 Diện tích lắp đặt (m2) 196 250 724 1390 192.23 192.27 192.69 193.21 82888.1 105750.3 306908.8 590834.9 ** **** *** *** (28.49%) (85.51%) (62.73%) (69.50%) 18.98 72.96 154.81 330.19 Mức tiêu thụ lượng tòa nhà (kWh/m2.năm) Mức tiêu thụ lượng tòa nhà (kWh/năm) Bậc sử dụng lượng tái tạo Lượng CO2 giảm thiểu (tCO2) Khi lập bảng chi phí thu từ hệ thống điện mặt trời áp mái tòa nhà để làm sở tính tốn chi phí thu từ hệ thống điện mặt trời áp mái, luận văn giả định rằng: (i) tuổi thọ hữu ích hệ thống PV 20 năm, (ii) chi phí bảo trì hàng năm 2% tổng chi phí vốn hệ thống, (iii) thuế chi phí bảo hiểm khơng tốn Bảng 4.10 Chi phí lắp đặt vốn hệ thống năm Công suất lắp đặt Vốn lắp đặt Chi phí vốn hệ thống năm (kW) (VNĐ) (VNĐ) 35 595,000,000 11,900,000 90 1,530,000,000 30,600,000 130 2,080,000,000 41,600,000 250 4,000,000,000 80,000,000 Xây dựng bảng chi phí hệ thống điện mặt trời áp mái sinh năm (Bảng 4.11) với giá điện 1,940VNĐ/kW (với năm 365 ngày), ký hiệu riêng (màu vàng) đánh dấu thời gian chi phí lắp đặt đầu tư ban đầu Kết thu từ mơ hình GBR với tịa nhà có cơng suất lắp đặt lớn thời gian đạt điểm cân chi phí từ hệ thống điện mặt trời nhanh 72 Bảng 4.11 Chi phí từ hệ thống điện mặt trời áp mái theo năm (trong 20 năm) Số năm Chi phí từ cơng suất phát theo công suất lắp đặt (VNĐ) 35 (kW) 90 (kW) 130 (kW) 250 (kW) 39,990,220 145,435,600 331,906,260 716,631,900 67,818,440 290,871,200 663,812,520 1,433,263,800 101,727,660 436,306,800 995,718,780 2,149,895,700 135,636,880 581,742,400 1,327,625,040 2,866,527,600 169,546,100 727,178,000 1,659,531,300 3,583,159,500 203,455,320 872,613,600 1,991,437,560 4,299,791,400 237,364,540 1,018,049,200 2,323,343,820 5,016,423,300 271,273,760 1,163,484,800 2,655,250,080 5,733,055,200 305,182,980 1,308,920,400 2,987,156,340 6,449,687,100 10 339,092,200 1,454,356,000 3,319,062,600 7,166,319,000 11 373,001,420 1,599,791,600 3,650,968,860 7,882,950,900 12 406,910,640 1,745,227,200 3,982,875,120 8,599,582,800 13 440,819,860 1,890,662,800 4,314,781,380 9,316,214,700 14 474,729,080 2,036,098,400 4,646,687,640 10,032,846,600 15 508,638,300 2,181,534,000 4,978,593,900 10,749,478,500 16 542,547,520 2,326,969,600 5,310,500,160 11,466,110,400 17 576,456,740 2,472,405,200 5,642,406,420 12,182,742,300 18 610,365,960 2,617,840,800 5,974,312,680 12,899,374,200 19 644,275,180 2,763,276,400 6,306,218,940 13,616,006,100 20 678,184,400 2,908,712,000 6,638,125,200 14,332,638,000 73 CHƯƠNG 5.1 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận Bài luận văn trình bày nội dung hệ thống ý tưởng liên quan đến đề tài, bao gồm nguyên tắc xây dựng q trình lựa chọn mơ hình liệu phù hợp để nghiên cứu dự báo công suất phát điện mặt trời áp mái tịa nhà Mơ hình dự báo cơng suất phát điện mặt trời áp mái phát triển áp dụng nghiên cứu diễn đạt cách chi tiết Nghiên cứu thực tính tốn đưa số đánh giá hiệu lượng nhằm đánh giá mức độ tối ưu hóa sử dụng lượng tiết kiệm điện tịa nhà Việc trình bày nội dung lý thuyết, nguyên tắc xây dựng, lựa chọn mơ hình liệu tính tốn số đánh giá hiệu lượng phần quan trọng trình nghiên cứu, giúp đảm bảo tính tồn diện cụ thể nghiên cứu Cụ thể, luận văn giới thiệu mơ hình máy học hồi quy tuyến tính đơn lẻ, mơ hình kết hợp mơ hình mạng thần kinh nhân tạo để dự đốn cơng suất phát điện mặt trời áp mái tịa nhà Cơng suất lắp đặt thông số đại lượng thời tiết phù hợp để đưa vào xây dựng mơ hình, bao gồm: nhiệt độ (oF), độ ẩm (%) tốc độ gió (mph) Kết cho thấy mơ hình kết hợp GBR cho kết tối ưu với R2 RMSE thấp mơ hình đứng thứ hai 0,25% (MLP) 7,93% (MLP) Ngồi mơ hình hồi quy tuyến tính, đặc biệt mơ hình Lasso Hồi quy Ridge, chưa đạt hiệu với tập liệu thu thập, nguyên nhân hệ số tương quan đặc điểm tập liệu thấp (hầu hết bé 0.6) Dựa mơ hình dự đốn GBR cho kết tốt nhất, luận văn tiến hành xây dựng thêm tiêu chí đánh giá hiệu lượng bao gồm bậc sử dụng lượng tái tạo (thang quy đổi từ * đến ****) lượng CO2 giảm thiểu (tCO2), áp dụng xây dựng bảng đánh giá hiệu đầu tư thể qua chi phí thu từ hệ thống điện mặt trời áp mái 20 năm, hỗ trợ chủ đầu tư đơn vị thiết kế thêm phương tiện đánh giá chi tiết công suất điện mặt trời, qua đầu tư thiết bị phát điện cung ứng đủ nhu cầu sử dụng điện 74 Kết nghiên cứu đưa phần giải pháp cho toán đánh giá hiệu lượng cơng trình xây dựng, nhằm tăng cường sử dụng lượng tái tạo để tiết kiệm điện năng, tăng chất lượng đầu tư đồng thời bảo vệ mơi trường, từ làm chậm q trình biến đổi khí hậu 5.2 Giới hạn nghiên cứu hướng phát triển nghiên cứu 5.2.1 Giới hạn liệu hướng khắc phục Dữ liệu đo (công suất phát) dùng để huấn luyện mơ hình giới hạn vài ngày năm Sự giới hạn liệu đào tạo hạn chế khả dự đoán mơ hình GBR tịa nhà có cơng suất lắp đặt thấp, bên cạnh giảm độ xác mơ hình phần mềm sử dụng nhiều mạng thần kinh nhân tạo nhiều lớp truyền thẳng (MLP) Để khắc phục hạn chế liệu, luận văn đề xuất hướng sử dụng liệu thời gian lớn năm từ thiết bị cảm biến để đo sản lượng điện phát từ hệ thống điện mặt trời áp mái, nhiệt độ môi trường, độ ẩm tốc độ gió đặt hệ thống quản lý lượng tịa nhà 5.2.2 Giới hạn mơ hình học máy Mơ hình GBR xây dựng luận văn chưa tính đến yếu tố chuỗi thời gian, yếu tố có tính ứng dụng cao áp dụng vào nhiều lĩnh vực dự báo xử lý tín hiệu, trường hợp đánh giá khoảng thời gian nên vận hành hệ thống điện mặt trời buổi trưa, khai phá liệu chi tiết biểu đồ cụ thể Do hạn chế thời gian thực công cụ hỗ trợ, luận văn thực lựa chọn GBR để xây dựng dự báo sở so sánh mơ hình đơn giản thuận tiện lập trình Các nghiên cứu AI cho dự báo cơng suất điện mặt trời gần tính đến yếu tố chuỗi thời gian qua mơ hình học máy phức tạp mơ hình RNN hay biến thể RNN mơ hình LSTM, đặc biệt mơ hình LSTM nghiên cứu chuyên sâu áp dụng thể kết dự báo thuyết phục Vì hướng phát triển thêm nên nghiên cứu sử dụng loại mô hình 75 Trong việc thiết lập cơng cụ GridSearchCV để xác định tham số tốt cho mô hình GBR, thiết lập lựa chọn cịn thủ cơng nên chưa bao qt hết khả có tham số, phương pháp tìm kiếm tối ưu lân cận đơn giản có tính cục Điều đặt thêm hướng phát triển sử dụng AI vào việc tìm kiếm tham số tối ưu, áp dụng cho tất mơ hình đơn lẻ, kết hợp ANN, kết tối ưu chí thay đổi 76 DANH MỤC CƠNG TRÌNH KHOA HỌC Tạp chí quốc tế P V H Sơn and T H Duy, “Research on applying machine learning models to predict the electricity generation capacity of rooftop solar energy systems on buildings”, Asian Journal of Civil Engineering, May 2023, DOI: https://doi.org/10.1007/s42107-023-00722-1 77 DANH MỤC TÀI LIỆU THAM KHẢO [1] A Chel and G Kaushik, "Renewable energy technologies for sustainable development of energy efficient building," Alexandria Engineering Journal, vol 57, no 2, pp 655-669, June 2018 [2] A M Omer, "Energy, environment and sustainable development," Renewable and Sustainable Energy Reviews, vol 12, no 9, pp 2265-2300, December 2008 [3] U N E Programme, "2021 Global Status Report for Buildings and Construction," The Global Alliance for Buildings and Construction, Paris, 2021 [4] Z Huang, T Mendis and S Xu, "Urban solar utilization potential mapping via deep learning technology: A case study of Wuhan, China," Applied Energy, vol 250, pp 283-291, 15 September 2019 [5] N Mohajeri, D Assouline, B Guiboud, A Bill, A Gudmundsson and J.-L Scartezzini, "A city-scale roof shape classification using machine learning for solar energy applications," Renewable Energy, vol 121, pp 81-93, June 2018 [6] J Urbanetz, C D Zomer and R Rüther, "Compromises between form and function in grid-connected, building-integrated photovoltaics (BIPV) at lowlatitude sites," Building and Environment, vol 46, no 10, pp 2107-2113, October 2011 [7] A Nicholls, R Sharma and T Saha, "Financial and environmental analysis of rooftop photovoltaic installations with battery storage in Australia," Applied Energy, vol 159, pp 252-264, December 2015 [8] J Yuventi, R Levitt and H Robertson, "Organizational Barriers to Productivity and Innovation in Large-Scale, U.S.-Based Photovoltaic System Construction Projects," Journal of Construction Engineering and Management, vol 139, no 10, October 2013 78 [9] A.-S A, S Azzam and A S AL-Salaymeh, "Impact of large PV and wind power plants on voltage and frequency stability of Jordan’s national grid," Sustainable Cities and Society, vol 36, pp 257-271, 2018 [10] B Yan, F Hao and X Meng, "When artificial intelligence meets building energy efficiency, a review focusing on zero energy building," Artificial Intelligence Review, vol 54, pp 2193-2220, 13 September 2020 [11] M Krarti, "An Overview of Artificial Intelligence-Based Methods for Building Energy Systems," Journal of Solar Energy Engineering, vol 125, pp 331-342, August 2003 [12] A N Chakkaravarthy, M S P Subathra, P J Pradeep and N M Kumar, "Solar irradiance forecasting and energy optimization for achieving nearly net zero energy building," Journal of Renewable and Sustainable Energy, vol 10, no 3, June 2018 [13] H Farzaneh, L Malehmirchegini , A Bejan , T Afolabi, A Mulumba and P P Daka, "Artificial Intelligence Evolution in Smart Buildings for Energy Efficiency," Applied Science, vol 11, no 2, 14 January 2021 [14] R Olu-Ajayi, H Alaka, I Sulaimon, F Sunmola and S Ajayi, "Building energy consumption prediction for residential buildings using deep learning and other machine learning techniques," Journal of Building Engineering, vol 45, January 2022 [15] K Alanne and S Sierla, "An overview of machine learning applications for smart buildings," Sustainable Cities and Society, vol 76, October 2021 [16] S U Khan, N Khan, F U M Ullah, M J Kim, M Y Lee and S W Baik, "Towards intelligent building energy management: AI-based framework for power consumption and generation forecasting," Energy and Buildings, vol 279, 15 January 2023 [17] D Assouline, N Mohajeri and J.-L Scartezzini, "A machine learning methodology for estimating roof-top photovoltaic solar energy potential in 79 Switzerland," in International Conference on Future Buildings & Districts Sustainability From Nano to Urban Scale, Lausanne Switzerland, 2015 [18] C.-C Wei, "Evaluation of Photovoltaic Power Generation by using Deep Learning in Solar Panels Installed in Buildings," Energies, vol 12, no 18, 15 September 2019 [19] D Bredemeier, C Schinke, T Gewohn, H Wagner-Mohnsen, R Niepelt and R Brendel, "Fast Evaluation of Rooftop and Faỗade PV Potentials Using Backward Ray Tracing and Machine Learning," in 2021 IEEE 48th Photovoltaic Specialists Conference (PVSC), Fort Lauderdale, FL, USA, 2021 [20] M Houchati, A H Beitelmal and M Khraisheh, "Predictive Modeling for Rooftop Solar Energy Throughput: A Machine Learning-Based Optimization for Building Energy Demand Scheduling," Journal of Energy Resources Technology, vol 144, no 1, pp 1-15, January 2022 [21] M Cordeiro-Costas, D Villanueva, P Eguía-Olle and E Granada-Álvarez, "Machine Learning and Deep Learning Models Applied to Photovoltaic Production Forecasting," Applied Sciences, vol 12, no 17, 31 August 2022 [22] K Mukilan, K Thaiyalnayaki, Y D Dwivedi, J S Isaac, A Poonia, A Sharma, E A Al-Ammar, S M Wabaidur, B B.Subramanian and A Kassa, "Prediction of Rooftop Photovoltaic Solar Potential Using Machine Learning," International Journal of Photoenergy, vol 2022, 25 May 2022 [23] P Dhirawani, R Parekh, T Kandoi and K Srivastava, "Cost Savings Estimation for Solar Energy Consumption Using Machine Learning," in 2022 11th International Conference on Renewable Energy Research and Application (ICRERA), Istanbul, Turkey, 2022 [24] T Đ Học L T Tài, “Tối ưu hóa ước tính mức tiêu thụ lượng tịa nhà dựa thuật tốn trí tuệ nhân tạo,” Tạp chí Khoa học Cơng nghệ Xây dựng, tập 14, pp 35-45, February 2020 80 [25] N T Hoàng, “Ứng dụng mạng nơron nhân tạo dự báo công suất phát nhà máy điện mặt trời Krông Pa, Gia Lai,” Luận án tiến sĩ, Đại học Đà Nẵng Trường Đại học Bách Khoa, Đà Nẵng, 2020 [26] V M Phap, N T T Huong, P T Hanh, P V Duy and D V Binh, "Assessment of rooftop solar power technical potential in Hanoi city, Vietnam," Journal of Building Engineering, vol 32, November 2020 [27] N P Hạnh, “Mơ hình tự động máy hỗ trợ véc-tơ ước lượng suất điện lượng mặt trời,” Luận văn thạc sĩ, Trường Đại học Bách Khoa - ĐHQG TP.HCM, Ho Chi Minh City, 2021 [28] N T H Lê Phương Trường, “Một phương pháp xác định sản lượng điện mặt trời dựa tảng web,” Tạp chí Khoa học Cơng nghệ - Đại học Đà Nẵng, tập 19, pp 34-37, 10 January 2021 [29] Đ H Anh, "Mô ảnh hưởng pin mặt trời áp mái tới hiệu lượng tòa nhà," Journal of Science & Technology, vol 57, 25 August 2021 [30] C Q Trịnh D N Hồ, “Ứng dụng mạng nơron nhân tạo dự báo sản lượng điện nhà máy điện mặt trời,” Tạp chí Khoa học Kỹ thuật thủy lợi môi trường, tập 12, pp 90-94, 31 10 2021 [31] D Wolpert and W G Macready, "No free lunch theorems for optimization," IEEE Transactions on Evolutionary Computation, vol 1, no 1, pp 67-82, 1997 [32] R Tibshirani, "Regression Shrinkage and Selection via the Lasso," Journal of the Royal Statistical Society Series B (Methodological), vol 58, pp 267-288, 1996 [33] N Tang, S Mao, Y Wang and R M Nelms, "Solar Power Generation Forecasting With a LASSO-Based Approach," IEEE Internet of Things Journal, vol 5, no 2, pp 1090-1099, 05 March 2018 [34] M W Hopwood and T Gunda, "Generation of Data-Driven Expected Energy Models for Photovoltaic Systems," Applied Sciences, vol 12, no 4, 11 February 2022 81 [35] I Araf, H Elkhadiri, R Errattahi and A E Hannani, "AMS Solar Energy Prediction: A Comparative Study of Regression Models," in 2019 Third International Conference on Intelligent Computing in Data Sciences (ICDS), Marrakech, Morocco, 2019 [36] N A Ramli, M F A Hamid, N H Azhan and M A A.-S Ishak, "Solar power generation prediction by using k-nearest neighbor method," AIP Conference Proceedings, vol 2129, no 1, 30 July 2019 [37] I Kasireddy, K Padmini, R V D Ramarao, B Seshagiri and N B V Rani, "Solar Energy Prediction using Machine Learning with Support Vector Regression Algorithm," Cognitive Computing and Cyber Physical Systems, vol 472, pp 17-25, 25 March 2023 [38] L Breiman, "Random Forests," Machine Learning, vol 45, pp 5-32, October 2001 [39] P Geurts, D Ernst and L Wehenkel, "Extremely randomized trees," Machine Learning, vol 63, pp 3-42, March 2006 [40] H Lu, F Cheng, X Ma and G Hu, "Short-term prediction of building energy consumption employing an improved extreme gradient boosting model: A case study of an intake tower," Energy, 15 July 2020 [41] Y Zhang and A Haghani, "A gradient boosting method to improve travel time prediction," Transportation Research Part C: Emerging Technologies, vol 58, pp 308-324, September 2015 [42] S Touzani, J Granderson and S Fernandes, "Gradient boosting machine for modeling the energy consumption of commercial buildings," Energy and Buildings, vol 158, pp 1533-1543, January 2018 [43] K Bogner, F Pappenberger and M Zappa, "Machine Learning Techniques for Predicting the Energy Consumption/Production and Its Uncertainties Driven by Meteorological Observations and Forecasts," Sustainability, vol 11, no 12, 16 June 2019 82 [44] W S McCulloch and W Pitts, "A logical calculus of the ideas immanent in nervous activity," The bulletin of mathematical biophysics, vol 5, pp 115-133, December 1943 [45] M Chen, Q Liu, S Chen, Y Liu, C.-h Zhang and R Liu, "XGBoost-Based Algorithm Interpretation and Application on Post-Fault Transient Stability Status Prediction of Power System," IEEE Access, vol 7, pp 13149-13158, 2019 [46] P G Khánh, “Vai trò định mức lượng từ thực tiễn sử dụng lượng tịa nhà Việt Nam,” Tạp Chí Xây Dựng, tập 21, pp 43-45, July 2021 [47] N T Trung and P V Tới, "Nghiên cứu, đề xuất suất tiêu thụ điện cho văn phịng làm việc: Áp dụng tính tốn cho văn phịng làm việc Hà Nội," Tạp chí Khoa học Cơng nghệ Xây dựng, vol 12, no 2, pp 59-64, 28 2018 [48] N S Lâm, “Phương pháp đánh giá hiệu lượng cơng trình xây dựng dân dụng,” Tạp chí Xây dựng, tập 6, số 1, pp 20-27, 2011 [49] H.-x Zhao and F Magoulès, "A review on the prediction of building energy consumption," Renewable and Sustainable Energy Reviews, vol 16, no 6, pp 3586-3592, August 2012 [50] G Yu, "https://www.sleb.sg/Context/ContentDetails/1095/26," Building and Construction Authority of Singapore, 26 October 2021 [Online] Available: https://www.sleb.sg/Context/ContentDetails/1095/26 2023] 83 [Accessed 26 May PHẦN LÝ LỊCH TRÍCH NGANG Họ tên: TRẦN HOÀNG DUY Ngày, tháng, năm sinh: 07/1/1996 Nơi sinh: Khánh Hòa Địa liên lạc: 2.26 Lô B Chung cư Lạc Long Quân, phường 05, quận 11, TP.HCM Email: duylqd@gmail.com SĐT: 090 769 83 38 QUÁ TRÌNH ĐÀO TẠO Từ 2014 đến năm 2018: Học đại học quy chun ngành Kỹ thuật cơng trình xây dựng Trường Đại học Bách Khoa – Đại học Quốc gia TP.HCM Từ 2019 đến nay: Học thạc sĩ chuyên ngành Quản lý xây dựng Trường Đại học Bách Khoa – Đại học Quốc gia TP.HCM QUÁ TRÌNH CƠNG TÁC Từ 6/2018 đến 5/2019: Giám sát – Công ty TNHH Đầu tư Xây dựng Unicons Từ 7/2019 đến nay: Kỹ sư thiết kế – Công ty Cổ phần Tư vấn Xây dựng Điện 84