ĐẠI HỌC QUỐC GIA TP HCM
TRƯỜNG ĐẠI HỌC BÁCH KHOA
TRẦN HỒNG 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 : QUẢN LÝ XÂY DỰNG Mã số : 8580302
LUẬN VĂN THẠC SĨ
Trang 2CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI
TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC QUỐC GIA TPHCM Cán bộ hướng dẫn khoa học:
Cán bộ hướng dẫn 1: TS Phạm Hải Chiến
Cán bộ hướng dẫn 2: PGS.TS Phạm Vũ Hồng Sơn Cán bộ chấm nhận xét 1: PGS.TS Quản Thành Thơ Cán bộ chấm nhận xét 2: TS Đặng Thị Trang
Luận văn thạc sĩ được bảo vệ tại 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: 1 Chủ tịch hội đồng: TS Lê Hoài Long
2 Thư ký hội đồng: PGS.TS Lương Đức Long 3 Ủy viên phản biện 1: PGS.TS Quản Thành Thơ 4 Ủy viên phản biện 2: TS Đặng Thị Trang 5 Ủy viên: TS Nguyễn Hoài Nghĩa
Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có)
CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA
KỸ THUẬT XÂY DỰNG
Trang 3ĐẠI HỌC QUỐC GIA TP.HCM
TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự do - 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:
1 Tìm hiểu tình hình ứng dụng máy học để dự đốn cơng suất phát điện mặt trời áp mái cơng trình trong giai đoạn quyết định đầu tư dự án
2 Nghiên cứu xây dựng mơ hình dự báo công suất phát của điện mặt trời áp mái cơng trình (24 giờ tới) dựa trên dữ liệu đại lượng thời tiết và công suất phát điện mặt trời tại các cơng trình tịa nhà đã có bằng máy học Qua đó nhận xét ưu, khuyết điểm khi áp dụng
3 Áp dụng cơng cụ dự đốn sản lượng điện mặt trời vào đánh giá hiệu quả sử dụng năng lượng tái tạo cho cơng 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 2023CÁN BỘ HƯỚNG DẪN 1 TS Phạm Hải Chiến CÁN BỘ HƯỚNG DẪN 2 PGS.TS Phạm Vũ Hồng Sơn
CHỦ NHIỆM BỘ MÔN ĐÀO TẠO
TS Lê Hoài Long TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG
Trang 4i
LỜI CẢM ƠN
Trong suốt thời gian từ khi bắt đầu học tập ở giảng đường đại học đến nay là hoàn thành khóa luận tốt nghiệp sau đại học, em đã nhận được rất nhiều sự quan tâm, giúp đỡ của q thầy cơ, gia đình và bạn bè Đó là động lực rất lớn để em vượt qua những khó khăn và hồn thành các chương trình học tập tại 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 những người đã dùng tri thức và tâm huyết của mình để truyền đạt vốn kiến thức quý báu cho chúng em trong suốt thời gian qua
Em xin chân thành cảm ơn thầy TS Phạm Hải Chiến cùng thầy PGS.TS Phạm Vũ Hồng Sơn đã hết lịng hướng dẫn tận tình và truyền đạt cho em những kiến thức vô cùng giá trị để em thực hiện đề tài này
Sau cùng, em xin kính chúc q Thầy Cơ trong Khoa Xây dựng nói riêng và tồn thể Thầy Cơ Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh nói chung thật dồi dào sức khỏe, niềm tin để tiếp tục sự nghiệp trồng người và truyền đạt kiến thức cho các thế hệ mai sau
Trang 5ii
TÓM TẮT LUẬN VĂN THẠC SĨ
Hiệu quả năng lượng tòa nhà đề cập đến khả năng tối ưu hóa năng lượng và giảm thiểu lượng năng lượng tiêu thụ trong q trình vận hành của tịa nhà Điều này có thể đạt được thông qua việc sử dụng hệ thống năng lượng mặt trời được lắp đặt trên mái các tòa nhà, sử dụng tấm pin mặt trời để chuyển đổi năng lượng ánh sáng thành điện năng Tuy nhiên, sử dụng hệ thống năng lượng này đối mặt với một số thách thức như chi phí đầu tư ban đầu cao và thời gian hồn vốn dài, vì vậy cơng cụ dự đốn chính xác cơng suất phát của hệ thống điện mặt trời áp mái là cần có trong giai đoạn thiết kế xây dựng và vận hành tịa nhà
Việc dự đốn cơng suất điện mặt trời áp mái tòa nhà tương đối phức tạp do sự thay đổi của nhiều đại lượng liên quan nên để giảm quá trình thu thập dữ liệu và tối thiểu khả năng can thiệp của con người, việc nghiên cứu máy học và áp dụng các mơ hình dự báo tối ưu là cần thiết Bằng việc sử dụng ngôn ngữ Python, luận văn này sẽ đề xuất các mô hình máy học phù hợp để xây dựng mơ hình dự báo công suất phát của điện mặt trời áp mái bao gồm các mơ hình hồi quy độc lập, các mơ hình kết hợp và mơ hình mạng thần kinh nhân tạo Các mơ hình sử dụng thơng số đại lượng thời tiết là nhiệt độ, độ ẩm và tốc độ gió để dự đốn sản lượng điện mỗi 30 phút Các kết quả thử nghiệm trên tập dữ liệu thực tế tại Thành phố Hồ Chí Minh, Việt Nam cho thấy rằng mơ hình kết hợp Tăng cường Gradient – Gradient Boosting Regressor (GBR) cho kết quả tốt nhất với RMSE là 13.246 (kW) và hệ số R2 là 0.737
Trang 6iii
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
Trang 7iv
LỜI CAM ĐOAN
Tác giả xin cam đoan đây là cơng trình nghiên cứu của bản thân tác giả Các kết quả nghiên cứu và các kết luận trong luận văn này là trung thực, và không sao chép từ bất kỳ một nguồn nào và dưới bất kỳ hình thức nào Việc tham khảo các nguồn tài liệu (nếu có) đã được thực hiện trích dẫn và ghi nguồn tài liệu tham khảo đúng quy định
Tác giả luận văn
Trang 8v
MỤC LỤC
LỜI CẢM ƠN
TÓM TẮT LUẬN VĂN THẠC SĨ ii
ABSTRACT iii
LỜI CAM ĐOAN iv
DANH MỤC HÌNH ẢNH viiiDANH MỤC BẢNG ixDANH MỤC BIỂU ĐỒ xDANH MỤC CÁC TỪ VIẾT TẮT xiCHƯƠNG 1MỞ ĐẦU 11.1Đặt vấn đề 1
1.2Lý do cho sự lựa chọn đề tài 6
1.3Mục tiêu nghiên cứu 7
1.4Phạm vi nghiên cứu 7
1.5Ý nghĩa khoa học và thực tiễn của đề tài 7
1.5.1 Về khoa học 7
1.5.2 Về thực tiễn 8
1.6Cấu trúc luận văn 8
CHƯƠNG 2TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU 9
2.1Các nghiên cứu trước đây 9
2.1.1 Các nghiên cứu nước ngoài 9
2.1.2 Các nghiên cứu trong nước 18
2.2Các kỹ thuật máy học dùng trong mô hình dự đốn cơng suất phát của hệ thống năng 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
2.3Môi trường ảo thực thi máy học 27
CHƯƠNG 3PHƯƠNG PHÁP NGHIÊN CỨU 29
3.1Quy trình thực hiện nghiên cứu 29
3.2Công cụ thực hiện nghiên cứu 29
Trang 9vi
3.3.1 Các loại dự báo và các phương pháp dự báo 30
3.3.2 Các mô 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
3.4Thiết lập mơ hình dự đốn 47
3.5Các đặc điểm trong mơ hình 47
3.6Kiểm sốt mơ hình dự báo 48
3.6.1 Sai số căn trung bình bình phương (RMSE) 48
3.6.2 Hệ số tương quan R2 48
3.7Xây dựng các chỉ số đánh giá hiệu quả năng lượng 49
3.7.1 Xác định mức tiêu thụ năng lượng tòa nhà 49
3.7.2 Lượng CO2 được giảm thiểu 50
3.7.3 Đánh giá tỉ lệ sử dụng nguồn năng lượng tái tạo 51
3.7.4 Chi phí lắp đặt hệ thống điện mặt trời áp mái tòa nhà 51
CHƯƠNG 4HUẤN LUYỆN MƠ HÌNH DỰ BÁO VÀ THẢO LUẬN 53
4.1Tổng quan về dữ liệu 53
4.1.1 Thu thập dữ liệu 53
4.1.2 Xử lý dữ liệu 53
4.1.3 Mơ tả dữ liệu 54
4.2Các biến trong mơ hình dự đốn 56
4.3Kết quả mơ hình máy học và các chỉ số dùng để đánh giá mơ hình 58
4.3.1 Xử lý dữ liệu 58
4.3.2 Kết quả 62
4.4Các chỉ số đánh giá hiệu quả năng lượng 69
4.4.1 Xác định mức tiêu thụ năng lượng tòa nhà 69
4.4.2 Trường hợp nghiên cứu 70
CHƯƠNG 5KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 74
5.1Kết luận 74
5.2Giới hạn của nghiên cứu và hướng phát triển của nghiên cứu 75
5.2.1 Giới hạn về dữ liệu và hướng khắc phục 75
Trang 10vii
Trang 11viii
DANH MỤC HÌNH ẢNH
Hình 1.1 Tòa nhà Deutsches Haus là tòa nhà văn phòng đầu tiên tại Việt Nam phát điện
bằng hệ thống quang điện mặt trời trên mái nhà 4
Hình 3.1 Quy trình thực hiện nhiệm vụ nghiên cứu 29
Hình 3.2 Cách thức hoạt động của mơ hình Rừng ngẫu nhiên 38
Hình 3.3 Lưu đồ thuật tốn GBR 41
Hình 3.4 Mạng thần kinh nhân tạo cơ bản 44
Hình 3.5 Mơ hình MLP với 1 lớp ẩn 46
Hình 3.6 Quy trình cơ bản để huấn luyện mơ hình dự đốn 47
Hình 4.1 Vị trí bốn tịa nhà ở thành phố Hồ Chí Minh 55
Hình 4.2 Mơ tả dữ liệu 57
Hình 4.3 So sánh dữ liệu huấn luyện và dữ liệu kiểm tra trước (a) và sau (b) khi hiệu chỉnh mơ hình GBR 67
Hình 4.4 Xếp hạng tầm quan trọng các đặc điểm 68
Trang 12ix
DANH MỤC BẢNG
Bảng 2.1 Một số nghiên cứu nước ngoài áp dụng AI dự báo năng lượng tòa nhà phục vụ
cho việc quản lý xây dựng 10
Bảng 2.2 Một số nghiên cứu nước ngồi xây dựng mơ hình máy học dự báo công suất phát điện mặt trời áp mái 14
Bảng 2.3 Bảng liệt kê một số đề tài nghiên cứu trong nước 18
Bảng 3.1 Các công cụ thực hiện nghiên cứu 30
Bảng 3.2 Phân loại các loại dự báo theo khoảng thời gian 31
Bảng 3.3 Các đặc điểm được xem xét giá trị tương quan với công suất phát 47
Bảng 3.4 Hệ số phát thải 50
Bảng 3.5 Thang phân loại tiêu thụ năng lượng tái tạo 51
Bảng 3.6 Bảng phân bổ chi phí lắp đặt hệ thống năng lượng mặt trời áp mái 51
Bảng 4.1 Thống kê công suất lắp đặt của 04 tịa nhà 54
Bảng 4.2 Phân loại đặc điểm khí tượng 55
Bảng 4.3 Bảng quy đổi điều kiện thời tiết 56
Bảng 4.4 Đặc điểm dữ liệu 57
Bảng 4.5 Các cặp đặc điểm có hệ số tương quan từ cao đến thấp 59
Bảng 4.6 Kết quả so sánh các mơ hình áp dụng xây dựng mơ hình dự báo công suất phát năng lượng mặt trời áp mái 62
Bảng 4.7 Đánh giá mơ hình sau khi kiểm tra chéo 65
Bảng 4.8 Phân loại tòa nhà tại Singapore theo kích thước 69
Bảng 4.9 Các tiêu chí đánh giá về hiệu quả năng lượng tòa nhà 71
Bảng 4.10 Chi phí lắp đặt và vốn hệ thống mỗi năm 72
Trang 13x
DANH MỤC BIỂU ĐỒ
Biểu đồ 1.1 Lượng khí thải CO2 trong năm 2022 2
Biểu đồ 2.1 Quy trình huấn luyện mơ hình bằng máy học 23
Biểu đồ 2.2 Các mơ hình máy học áp dụng trong luận văn 24
Biểu đồ 3.1 Biểu đồ phân loại các mô hình kết hợp theo chức năng 37
Biểu đồ 4.1 Ma trận tương quan Pearson 58
Biểu đồ 4.2 Thể hiện các cặp đặc điểm có hệ số tương quan cao 59
Biểu đồ 4.3 Biểu đồ phân bố dữ liệu mỗi đặc điểm được đưa vào mơ hình 61
Biểu đồ 4.4 Biểu đồ tần suất mỗi đặc điểm đưa vào mơ hình trước và sau khi chuẩn hóa 62
Biểu đồ 4.5 So sánh các mơ hình theo RMSE 63
Biểu đồ 4.6 So sánh các mơ hình theo R2 64
Biểu đồ 4.7 So sánh các mô hình theo thời gian thực hiện 64
Biểu đồ 4.8 So sánh các mơ hình bằng kiểm tra chéo KFold 65
Trang 14xi
DANH MỤC CÁC TỪ VIẾT TẮT
Từ viết tắt Từ gốc tiếng Anh (nếu có) Tiếng Việt
GBR Gradient Boosting Regressor Tăng cường Gradient AI Artificial Intelligence Trí tuệ nhân tạo
ANN Artificial Neural Networks Mạng thần kinh nhân tạo ETR Extra Tree Regressor Hồi quy cây quyết định KNR Kneighbors Regressor Hồi quy K-lân cận gần nhất MLP Multilayer Perceptron Mạng nhiều tầng truyền thẳng
RF Random Forest Hồi quy rừng ngẫu nhiên
SVR Support Vector Regression Hồi quy dựa theo vectơ hỗ trợ RMSE Root Mean Square Error Sai số căn trung bình bình phương
RR Ridge Regression Hồi quy Ridge
R2 Coefficient of Determination Hệ số xác định
Trang 151
CHƯƠNG 1 MỞ ĐẦU
1.1 Đặt vấn đề
Ngày nay, một trong những thách thức đáng kể mà ngành quản lý xây dựng đối mặt là sự gia tăng phức tạp của các dự án Mỗi dự án xây dựng thường có độ phức tạp riêng về cấu trúc dự án, kỳ vọng từ phía chủ đầu tư, điều kiện mặt bằng và cách thu hồi vốn, vì thế chi phí thất bại và chi phí phát sinh từ các rủi ro khơng thể dự báo trước trong các dự án xây dựng phức tạp là tương đối cao Hiệu quả sử dụng năng lượng là một trong những tiêu chí quan trọng cần được đánh giá đầu tiên trong ngành quản lý xây dựng, thúc đẩy việc xác định các rủi ro liên quan đến giai đoạn lên kế hoạch thực hiện dự án xây dựng [1] Hiệu quả sử dụng năng lượng có ảnh hưởng đến ngành quản lý xây dựng ba khía cạnh sau [2]:
i) Đầu tiên, hiệu quả năng lượng của tịa nhà ảnh hưởng đến chi phí hoạt động và bảo trì của tịa nhà Khi tịa nhà được thiết kế để tiết kiệm năng lượng thì chi phí vận hành sẽ giảm, đồng thời giúp tăng độ ổn định và tuổi thọ của tòa nhà Chủ đầu tư có thể đảm bảo việc các tịa nhà được thiết kế và đưa vào hoạt động đáp ứng được các tiêu chuẩn về hiệu quả năng lượng và các yêu cầu về bảo trì;
ii) Thứ hai, hiệu quả năng lượng của tịa nhà cũng có tác động đến mơi trường, bởi vì tịa nhà tiêu thụ năng lượng và tài nguyên đất đai Nếu chủ đầu tư đầu tư vào các giải pháp tiết kiệm năng lượng, như sử dụng vật liệu xây dựng thân thiện với mơi trường, cải thiện hệ thống điều hịa khơng khí hoặc sử dụng năng lượng tái tạo sẽ giảm thiểu khả năng ô nhiễm và tác động tiêu cực đến môi trường;
iii) Thứ ba, tác động của hiệu suất năng lượng cũng có thể ảnh hưởng đến giá trị của tòa nhà Tòa nhà được thiết kế để tiết kiệm năng lượng và sử dụng các công nghệ tiên tiến như sử dụng năng lượng tái tạo để tăng cường hiệu suất sẽ có giá trị cao hơn và thu hút khách hàng hơn
Trang 162
năng lượng trên toàn thế giới Như vậy, việc giảm sử dụng năng lượng trong các dự án xây dựng khơng chỉ giúp giảm lượng khí carbon thải ra mà còn đảm bảo an ninh năng lượng quốc gia trước nguy cơ cạn kiệt nguồn điện dự phòng
Biểu đồ 1.1 Lượng khí thải CO2 trong năm 2022
Nguồn: [3]
Chú thích: "Ngành xây dựng cơng trình" là phần (ước tính) của tổng thể ngành dành cho sản xuất vật liệu xây dựng như thép, xi măng và thủy tinh Phát thải gián tiếp là phát thải từ quá trình phát điện để sản xuất điện và nhiệt thương mại
Một trong các biện pháp nâng cao việc sử dụng năng lượng hiệu quả tại các cơng trình xây dựng là triển khai hệ thống điện mặt trời áp mái [4] Mái của các tịa nhà trong đơ thị được xem như các vị trí đầy hứa hẹn cho việc lắp đặt hệ thống quang điện mặt trời [5] Việc sử dụng trực tiếp năng lượng mặt trời trong các tịa nhà có thể xảy ra thơng qua các hệ thống quang điện mặt trời nhằm mục đích hấp thụ bức xạ mặt trời và tạo ra điện [6] Năng lượng mặt trời là một nguồn năng lượng sạch, không chịu tác động của sự biến động từ giá cả nhiên liệu đầu vào như các nguồn năng lượng truyền thống khác Ngồi ra, chi phí đầu tư cho hệ thống năng lượng mặt trời cũng giảm dần theo thời gian nhờ sự tiến bộ trong công nghệ sản xuất tấm pin quang điện Với nguồn năng lượng vơ cùng rộng lớn, điện mặt trời khơng chỉ góp phần tiết kiệm điện tòa nhà, tăng hiệu quả đầu tư, mà đồng thời bảo vệ mơi trường, ứng phó biến đổi khí hậu [1]
6%11%3%7%10%10%24%23%6%Lượng khí thải CO2
Cư dân (trực tiếp)Cư dân (gián tiếp)Không từ cư dân (trực tiếp)Không từ cư dân (gián tiếp)Ngành xây dựng cơng trìnhXây dựng khác
Các ngành công nghiệp khácGiao thông
Trang 173
Hiện nay ở Việt Nam đang thúc đẩy sự phát triển mạnh mẽ của điện mặt trời theo hình thức tự sản tự tiêu, bao gồm cả việc sử dụng điện mặt trời từ mái nhà của người dân và mái cơng trình xây dựng Theo Quyết định số 500/QĐ-TTg Phê duyệt Quy hoạch điện VIII ngày 15/5/20231, tiềm năng điện mặt trời mái nhà khoảng 48,200MW, từ nay đến năm 2030 cơng suất của nguồn điện loại hình này ước tính tăng thêm 2,600MW và được ưu tiên phát triển khơng giới hạn cơng suất, mục tiêu có 50% các tịa nhà cơng sở và 50% nhà dân dụng sử dụng hệ thống quang điện trên mái tự sản tự tiêu Thị trường này thực sự rất lớn để các chủ đầu tư nghiên cứu đầu tư, các nhà thầu tư vấn lắp đặt và đơn vị vận hành tham gia Các lí do để Việt Nam thuận lợi sử dụng hệ thống điện mặt trời trên mái các tịa nhà được xét đến như sau:
• Việc lắp đặt điện mặt trời áp mái không tốn diện tích đất, nhà đầu tư tận dụng diện tích mặt bằng mái lớn (khơng bị che bóng) tại các tịa nhà văn phịng, khu cơng nghiệp, cơ sở hạ tầng sẵn có,… giúp tăng nguồn thu cho nhà đầu tư
• Cơ sở hạ tầng điện lưới đầy đủ, đấu nối vào lưới điện hạ áp và trung áp hiện hữu đơn giản nhanh chóng, giảm quá tải lưới điện truyền tải, giúp chính quyền giảm ngân sách đầu tư vào các cơng trình nguồn điện và lưới truyền tải điện
• Quy mơ dự án nhỏ, vốn khơng lớn, phù hợp nhiều đối tượng tham gia, đạt mục tiêu xã hội hóa, mở rộng nguồn phát điện, tăng sản lượng điện sạch
Trang 184
Hình 1.1 Tòa nhà Deutsches Haus là tòa nhà văn phòng đầu tiên tại Việt Nam phát điện bằng hệ thống quang điện mặt trời trên mái nhà
Nguồn: Deutsches Haus Ho Chi Minh City
Dự đốn cơng suất điện mặt trời áp mái là một khía cạnh cần thiết của việc sử dụng hiệu quả năng lượng, nhất là trong lĩnh vực năng lượng tái tạo Dự đốn cơng suất điện mặt trời áp mái sẽ ảnh hưởng đến ngành quản lý xây dựng trong các khía cạnh sau:
• Thiết kế tịa nhà: Dự đốn cơng suất điện mặt trời áp mái sẽ giúp đơn vị thiết kế tính tốn được cơng suất lắp đặt cần thiết để đáp ứng nhu cầu sử dụng điện của tòa nhà Nhờ đó, họ có thể tích hợp hệ thống mặt trời áp mái vào thiết kế tòa nhà một cách hiệu quả nhất
• Rà sốt năng lượng tiêu thụ: Dự đốn cơng suất điện mặt trời trên mái giúp tư vấn thiết kế đánh giá lượng năng lượng tiêu thụ của tịa nhà và các thiết bị điện Từ đó, họ có thể đưa ra thiết kế hợp lý về việc sử dụng năng lượng tái tạo và tối ưu hóa hiệu quả sử dụng năng lượng
Trang 195
• Nâng cấp chất lượng cuộc sống: Việc tích hợp hệ thống quang điện vào mái các tịa nhà khơng chỉ giúp tiết kiệm năng lượng mà còn giúp cải thiện chất lượng cuộc sống của cư dân trong các khu đô thị
Chủ đầu tư luôn mong muốn thời gian hoàn vốn nhanh và tiết kiệm tài chính tối đa có thể từ các hệ thống năng lượng mặt trời [7] Một dự án có sử dụng điện mặt trời áp mái điển hình có thể được chia thành năm giai đoạn: lập báo cáo khả thi, kỹ thuật, xây dựng, khai thác và ngừng hoạt động [8] Do đó, cần phải có cơng cụ dự đốn chính xác cơng suất phát của hệ thống điện mặt trời áp mái trước khi vận hành để các nhà thiết kế và quản lý xây dựng có thể đưa ra các quyết định sáng suốt nhằm đạt được tính bền vững về kinh tế của các hệ thống điện mặt trời áp mái
Nếu thiếu công cụ dự đốn cơng suất phát điện mặt trời hoặc cơng cụ này khơng chính xác thì sẽ gây ra một số hậu quả tiêu cực đối với quản lý xây dựng, bao gồm:
• Thiết kế khơng hiệu quả: Nếu thiếu cơng cụ dự đốn chính xác về cơng suất điện mặt trời, người thiết kế sẽ không thể thiết kế hệ thống mặt trời áp mái một tối ưu Điều này có thể dẫn đến hình thức sử dụng thiết bị phát điện dự phịng hoặc khơng đáp ứng đủ nhu cầu sử dụng điện
• Thiếu độ chính xác trong dự báo: Nếu cơng cụ dự đốn thiếu chính xác, chủ đầu tư có thể khơng dự báo chính xác được sản lượng điện mặt trời Điều này có thể gây ra sự cố về điện hoặc đòi hỏi phải sử dụng nhiều nguồn năng lượng khác nhau để đáp ứng nhu cầu sử dụng điện
• Khó khăn trong việc đánh giá hiệu quả: Nếu công cụ dự đốn thiếu chính xác, chủ đầu tư sẽ khó khăn trong việc đánh giá hiệu quả của hệ thống mặt trời áp mái Điều này có thể ảnh hưởng đến quyết định đầu tư và chi phí để cài đặt hệ thống
• Mất thời gian và tiền bạc: Nếu cơng cụ dự đốn thiếu chính xác, chủ đầu tư sẽ phải dành nhiều thời gian và vốn để tìm kiếm và sử dụng các công cụ khác để đảm bảo tính chính xác của dự báo Điều này có thể gây ra các chi phí khơng đáng có và làm giảm hiệu quả của dự án
Trang 206
quản lý xây dựng trong việc xác định giải pháp tối ưu để triển khai hệ thống năng lượng mặt trời trên mái nhà và mặt tiền trong các giai đoạn thiết kế và xây dựng
Do đó, đánh giá hiệu quả việc lắp đặt hệ thống điện năng lượng mặt trời áp mái cơng trình thơng qua cơng cụ dự đốn cơng suất phát, là căn cứ để chủ đầu tư phân chia nguồn lực về tài chính dự án, đặc biệt trong giai đoạn nghiên cứu tiền khả thi Vấn đề về dự đốn cơng suất phát của hệ thống điện mặt trời áp mái cần thiết trong giai đoạn nghiên cứu đầu tư xây dựng cơng trình sẽ là vấn đề được nghiên cứu trong đề tài này
1.2 Lý do cho sự lựa chọn đề tài
Việc dự báo tải và sử dụng năng lượng tái tạo rất quan trọng đối với việc quản lý năng lượng tòa nhà và tiết kiệm năng lượng ở nhiều khía cạnh khác nhau, ví dụ như đáp ứng nhu cầu sử dụng, tiết giảm phụ tải đỉnh, vận hành tối ưu, giảm thiểu lãng phí năng lượng và triển khai tịa nhà khơng sử dụng năng lượng Trong đó sử dụng AI để dự báo năng lượng được nhiều nhà nghiên cứu thực hiện
Máy học là một lĩnh vực thuộc AI, sử dụng chương trình máy tính để học hỏi từ những dữ liệu, phân chia các mẫu và đưa ra chọn lựa với sự can dự ít nhất của con người Việc sử dụng máy học để dự báo công suất phát hệ thống điện mặt trời áp mái tịa nhà có những lợi ích sau:
i) So với các phương pháp kỹ thuật, phương pháp dự đoán dựa trên máy học u cầu ít thơng tin vật lý chi tiết hơn của tịa nhà Người phát triển mơ hình khơng cần phải có kiến thức cao về các tham số vật lý của tòa nhà, điều này giúp tiết kiệm cả thời gian và chi phí cho việc thực hiện dự đốn;
ii) Q trình thu thập dữ liệu và tải chúng tương đối thuận tiện, điều đó có nghĩa là mơ hình dự báo có thể được thiết lập dễ dàng;
iii) Dựa trên các nghiên cứu trước đây, các phương pháp dự đoán dựa trên máy học mang lại độ chính xác dự đốn đầy hứa hẹn khi mơ hình được đào tạo tốt
Trang 217
đầu ra do hệ thống năng lượng mặt trời tạo ra [9] Từ đó gây hiệu ứng đến khả năng dự đốn chính xác sản lượng điện dự kiến của hệ thống
• Ngày càng có nhiều mơ hình mới được phát hiện, cải thiện khả năng tính tốn nên các mơ hình dùng để dự đốn từ trước trở nên thiếu hiệu quả
Vì vậy, việc nghiên cứu 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 là cần thiết
để giải quyết các thách thức trên và có ý nghĩa ở Việt Nam hiện nay
1.3 Mục tiêu nghiên cứu
i) Tìm hiểu ứng dụng máy học dự đốn cơng suất phát điện mặt trời áp mái cần thiết trong giai đoạn quyết định đầu tư dự án
ii) Nghiên cứu xây dựng mơ hình dự báo cơng suất phát của điện mặt trời áp mái (24 giờ tới) dựa trên dữ liệu đại lượng thời tiết và công suất phát điện mặt trời tại các cơng trình tịa nhà đã có bằng máy học Qua đó nhận xét ưu, khuyết điểm khi áp dụng
iii) Áp dụng công cụ dự đoán sản lượng điện mặt trời vào đánh giá hiệu quả sử dụng năng lượng tái tạo cho tòa nhà
1.4 Phạm vi nghiên cứu
Địa điểm: Nghiên cứu áp dụng cho các cơng trình xây dựng tịa nhà văn phòng sử dụng hệ thống năng lượng mặt trời áp mái tại Thành phố Hồ Chí Minh
Đối tượng nghiên cứu: máy học, công suất phát của hệ thống điện mặt trời áp mái Đối tượng khảo sát: Dữ liệu là công suất lắp đặt, đại lượng thời tiết, cơng suất phát của cơng trình sử dụng điện mặt trời áp mái
Cơng cụ: Ngơn ngữ lập trình Python và các mơi trường hỗ trợ tính tốn tương ứng
1.5 Ý nghĩa khoa học và thực tiễn của đề tài
1.5.1Về khoa học
Trang 228
Đánh giá tính hiệu quả mơ hình máy học trong dự đốn cơng suất phát điện mặt trời áp mái cần thiết trong việc xác định tính hiệu quả năng lượng trong cơng trình xây dựng Xây dựng tiền đề cho các nghiên cứu máy học về sau, đóng góp thêm phương thức mới cho lĩnh vực quản lý xây dựng hiện nay
1.5.2Về thực tiễn
Phát triển thêm cơng cụ dự đốn sản lượng đầu ra của năng lượng tái tạo, từ đó đánh giá hiệu quả năng lượng tòa nhà trong giai đoạn thiết kế cơ sở
Giúp các nhà đầu tư dự án có thêm các phương án để đánh giá về kỹ thuật và tài chính trong bối cảnh thế giới đang nỗ lực giảm phát thải khí nhà kính liên quan tới dự án trong giai đoạn thiết kế và vận hành
Từ đó nâng cao năng lực quản lý xây dựng ở Việt Nam, hướng tới phát triển ngành xây dựng bền vững
1.6 Cấu trúc luận văn
CHƯƠNG 1: MỞ ĐẦU: Giới thiệu chung về vấn đề nghiên cứu: đặt vấn đề, lý do cho
sự lựa chọn đề tài, đối tượng và phạm vi, phương pháp, quy trình, cơng cụ nghiên cứu
CHƯƠNG 2: TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU: Trình bày tổng quan về
vấn đề đã được nghiên cứu trong và ngoài nước
CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU: Trình bày cơ sở lý thuyết các mơ
hình sử dụng để dự báo cơng suất phát năng lượng mặt trời
CHƯƠNG 4: ĐÀO TẠO MƠ HÌNH DỰ ĐOÁN VÀ THẢO LUẬN VỀ KẾT QUẢ:
Xây dựng và so sánh các mơ hình để chọn mơ hình dự báo hiệu quả nhất Áp dụng mơ hình dự báo cho các chỉ số hiệu quả năng lượng tòa nhà
CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN: Đưa ra kết luận về vấn đề
Trang 239
CHƯƠNG 2 TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU
2.1 Các nghiên cứu trước đây
Những năm gần đây, khoa học máy tính trong ngành xây dựng được các nhà khoa học quan tâm và thúc đẩy ứng dụng Nhiều nghiên cứu trong và ngoài nước trong vấn đề sử dụng AI được thực hiện ở nhiều loại hình dự án khác nhau: dân dụng, cảng biển, dự án năng lượng,… Các tác giả đã nghiên cứu và áp dụng nhiều phương pháp từ các góc độ khác nhau
2.1.1Các nghiên cứu nước ngồi
Thơng qua các bài báo nước ngồi gần đây, có thể thấy rằng các ứng dụng AI cho xây dựng các tòa nhà chủ yếu liên quan đến ba khía cạnh, đó là (i) phát hiện và kiểm sốt mơi trường trong nhà, chẳng hạn như nhiệt độ, độ ẩm và chất lượng không khí, (ii) hiệu quả của tịa nhà sử dụng đa năng lượng, (iii) độ chính xác dự đốn của dự báo (để kiểm sốt tối ưu) trong các tịa nhà, bao gồm dự báo tải năng lượng, hệ thống phụ (ví dụ: hệ thống sưởi, thơng gió và điều hịa khơng khí (HVAC), chiếu sáng), hiệu suất và cấu trúc an tồn của tịa nhà [10]
Với các ứng dụng AI, tịa nhà có thể có hiệu suất tốt hơn trong sự thoải mái khi vận hành (duy trì sự thoải mái về nhiệt trong nhà, duy trì chất lượng khơng khí trong nhà, loại bỏ q trình làm mát/sưởi ấm, loại bỏ việc làm mát/sưởi ấm không đủ, tối đa hóa thơng gió/chiếu sáng tự nhiên), chi phí (ví dụ: giảm thiểu năng lượng chi phí, độ chính xác của dự báo phụ tải, tối đa hóa việc phát điện, loại bỏ các hoạt động không cần thiết) và an tồn (an tồn kết cấu tịa nhà, an tồn vận hành thiết bị, an toàn vận hành cơ sở, an toàn vận hành khẩn cấp)
Trang 2410
Luận văn đã tổng hợp một số nghiên cứu nước ngoài liên quan đến áp dụng AI để dự báo các dạng năng lượng tòa nhà phục vụ cho việc quản lý xây dựng (Bảng 2.1)
Bảng 2.1 Một số nghiên cứu nước ngoài áp dụng AI dự báo năng lượng tòa nhà phục vụ cho việc quản lý xây dựng
STT Tên nghiên cứu Tác giả Năm Mô tả
1 An Overview of Artificial Intelligence-Based Methods for Building Energy Systems [11] Moncef Krarti 2003
Nghiên cứu tổng quan về các phương pháp thường được sử dụng AI, đặc biệt về mạng thần kinh, logic mờ và thuật toán di truyền để dự báo mức sử dụng năng lượng của tịa nhà và mơ hình truyền nhiệt của vỏ tòa nhà
2 Solar irradiance forecasting and energy optimization for achieving nearly net zero energy building [12] A Naveen Chakkaravarthy, M S P Subathra, P Jerin Pradeep, và Nallapaneni Manoj Kumar 2018
Nghiên cứu này lập mô hình dự báo năng lượng mặt trời tịa nhà ở Ấn Độ và làm rõ khái niệm kiến trúc năng lượng mặt trời thụ động đang được tăng cường trong một số lĩnh vực để đạt được khái niệm năng lượng bằng khơng
Mơ hình sử dụng: Hồi quy tuyến tính (LR), hồi quy SMO và RF
Kết quả tốt nhất: RF 3 When artificial
intelligence
Biao Yan, Fei Hao
và Xi Meng 2020
Trang 2511 meets building energy efficiency, a review focusing on zero enery building [10]
cận dựa trên AI trong các tòa nhà năng lượng bằng khơng
Tóm tắt các ứng dụng về cảm biến dựa trên internet vạn vật (IoT) cho tiện nghi nhiệt, thuật toán để kiểm soát đa năng lượng tòa nhà và phương pháp dự báo tải tòa nhà, hiệu suất hệ thống phụ và an toàn cấu trúc.4 Artificial Intelligence Evolution in Smart Buildings for Energy Efficiency [13] Hooman Farzaneh, Ladan Malehmirchegini, Adrian Bejan, Taofeek Afolabi, Alphonce Mulumba và Precious P Daka 2021
Nghiên cứu này đánh giá chuyên sâu về các nghiên cứu gần đây về ứng dụng AI trong các tịa nhà thơng minh thơng qua khái niệm hệ thống quản lý tòa nhà và các chương trình đáp ứng nhu cầu Nghiên cứu giới thiệu một khung đánh giá và sử dụng để đánh giá nghiên cứu gần đây trên các lĩnh vực AI chính, bao gồm năng lượng, độ thoải mái, thiết kế và bảo trì
Trang 2612 dụng AI trong các tịa nhà thơng minh 5 Building energy consumption prediction for residential buildings using deep learning and other machine learning
techniques [14]
Razak Olu-Ajayi, Hafiz Alaka, Ismail Sulaimon, Funlade Sunmola, Saheed Ajayi 2022 Nghiên cứu làm rõ sự phù hợp của các phương pháp học máy để dự báo mức tiêu thụ năng lượng tiềm năng của tòa nhà ở giai đoạn thiết kế ban đầu nhằm giảm việc xây dựng các tòa nhà sử dụng năng lượng kém hiệu quả hơn, bao gồm: ANN, GBR, mạng thần kinh học sâu (DNN), RF, KNR, SVR và ETR Kết quả mơ hình DNN khả quan nhất Bộ dữ liệu bao gồm các đặc điểm thiết kế chính của tịa nhà và dự báo mức tiêu thụ năng lượng trung bình thường niên ở giai đoạn phát triển tịa nhà ban đầu 6 An overview of machine learning applications for smart buildings [15] Kari Alanne và Seppo Sierla 2022
Trang 2713
quản lý năng lượng tòa nhà
Nghiên cứu chỉ ra tiềm năng lớn nhất để cải thiện hiệu quả sử dụng năng lượng đạt được bằng cách tích hợp các giải pháp thích ứng ở khoảng thời gian kiểm soát HVAC và tham gia thị trường điện
7 Towards intelligent building energy management: AI-based framework for power consumption and generation forecasting [16]
Samee Ullah Khan, Noman Khan, Fath U Min Ullah, Min Je Kim, Mi Young Lee và Sung Wook Baik
2023
Nghiên cứu này đề xuất một khung dựa trên AI kết hợp để dự báo chính xác mức tiêu thụ và sản xuất điện năng
Một số mơ hình kết hợp đã được phát triển bao gồm GRU, CNN-RNN, CNN-LSTM và bộ mã hóa tự động với BiLSTM
Nhìn chung, kết quả các nghiên cứu cho thấy độ chính xác của mơ hình tăng lên khi các đặc điểm đầu vào được sử dụng trong mơ hình có hệ số tương quan cao với đầu ra Hơn nữa, độ chính xác của kết quả dự đoán được nâng cao khi sử dụng dữ liệu đầu vào được xử lý trước Bên cạnh đó, kết quả của mơ hình dự đốn phụ thuộc vào dữ liệu có sẵn và phương pháp được sử dụng để dự đoán
Trang 2814
trích xuất các đặc tính năng lượng và phân tích các yếu tố ảnh hưởng đến chúng; (2) lựa chọn mơ hình dự báo và (3) tối ưu mơ hình dự báo Luận văn đã tổng hợp một số nghiên cứu nước ngồi liên quan đến xây dựng mơ hình máy học dự báo công suất phát điện mặt trời áp mái (Bảng 2.2)
Bảng 2.2 Một số nghiên cứu nước ngồi xây dựng mơ hình máy học dự báo công suất phát điện mặt trời áp mái
STT Tên nghiên cứu Tác giả Năm Mô tả
1 A machine learning methodology for estimating roof-top photovoltaic solar energy potential in Switzerland [17] Assouline Dan, Mohajeri Nahid và Scartezzini Jean-Louis 2015
Nghiên cứu đề xuất phương pháp ước tính tiềm năng quang điện mặt trời trên mái nhà cho các tịa nhà hiện có ở cấp xã (đơn vị hành chính nhỏ nhất) ở Thụy Sĩ
Nghiên cứu đề xuất một mơ hình dựa trên SVR với 3 nguồn dữ liệu: (i) dữ liệu mật độ dân số và tòa nhà, (ii) dữ liệu sử dụng đất và (iii) loại hình tịa nhà.2 Evaluation of Photovoltaic Power Generation by Using Deep Learning in Solar Panels Installed in Buildings [18] Chih-Chiang Wei 2019
Trang 2915
Nghiên cứu sử dụng mơ hình DNN, BPN và LR để dự đoán bức xạ mặt trời bề mặt, kết quả DNN là mơ hình hiệu quả hơn
3 Fast Evaluation of Rooftop and Faỗade PV Potentials Using Backward Ray Tracing and Machine Learning [19] Dennis Bredemeier, Carsten Schinke, Timo Gewohn, Hannes Wagner-Mohnsen, Raphael Niepelt và Rolf Brendel 2021
Nghiên cứu xây dựng thuật toán máy học để dự đoán lượng ánh nắng mặt trời hàng năm cho tất cả các loại bề mặt tòa nhà độc lập với độ nghiêng và hướng của chúng tại thành phố Hanover, Đức 4 Predictive Modeling for Rooftop Solar Energy Throughput: A Machine Learning-Based Optimization for Building Energy Demand Scheduling [20] Mahdi Houchati, AbdlMonem H Beitelmal, Marwan Khraisheh 2022
Nghiên cứu này trình bày dự báo năng lượng mặt trời kết hợp với thuật tốn dự đốn phía cầu để tối ưu hóa việc sử dụng các nguồn năng lượng mặt trời sẵn có và quản lý phía cầu phù hợp
Trang 3016
đặt trên giúp giảm nhu cầu năng lượng (mức tiêu thụ) lên đến 29% và giảm lượng khí thải CO2 đi kèm 5 Machine Learning and Deep Learning Models Applied to Photovoltaic Production Forecasting [21] Moisés Cordeiro-Costas, Daniel Villanueva, Pablo Eguía-Oller và Enrique Granada-Álvarez 2022
Nghiên cứu này xác định các phương pháp AI phù hợp nhất để dự báo sản xuất quang điện trong các tòa nhà Các phương pháp máy học được xem xét là RF, XGBoost và SVR Mặt khác, các kỹ thuật Deep Learning được sử dụng là mạng thần kinh cơ bản (SNN), mạng thần kinh hồi quy (RNN) và mạng thần kinh tích chập (CNN) Các mơ hình được kiểm tra với dữ liệu từ một tòa nhà thực tế Nghiên cứu chỉ ra các mơ hình phù hợp nhất để dự báo sản xuất quang điện là SVR, SNN và CNN 6 Prediction of Rooftop Photovoltaic Solar Potential K Mukilan, K Thaiyalnayaki, Yagya Dutta Dwivedi, J Samson Isaac, 2022
Trang 3117 Using Machine Learning [22] Amarjeet Poonia, Arvind Sharma, Essam A Al-Ammar, Saikh Mohammad Wabaidur, B B Subramanian và Adane Kassa
quả mô phỏng được thực hiện bằng ngôn ngữ R 7 Cost Savings Estimation for Solar Energy Consumption Using Machine Learning [23] Palka Dhirawani, Rajvi Parekh, Tanishq Kandoi và Kriti Srivastava 2022
Nghiên cứu phát triển các mơ hình dựa trên dự báo chuỗi thời gian để dự đoán các giá trị bức xạ mặt trời hàng giờ và hàng tháng cho các địa điểm khác nhau ở Ấn Độ bằng cách sử dụng mơ hình Trung bình di chuyển tích hợp tự hồi quy theo mùa (SAIMA), mang lại mơ hình dự báo có độ chính xác cao
Trang 3218
2.1.2Các nghiên cứu trong nước
Thực hiện nội dung của Cục điều tiết điện lực theo Quyết định số 67/QĐ-ĐTĐL ngày 10/8/20212 yêu cầu các chủ sở hữu dự án năng lượng cung cấp dữ liệu dự báo và cung cấp các số liệu dự báo trong ngày, ngày tới và tuần tới của đơn vị sở hữu cho đơn vị vận hành hệ thống điện Ràng buộc pháp lý trên đã dẫn đến nhu cầu dự báo công suất phát của năng lượng tái tạo trong nước tăng lên trong thời gian gần đây (Bảng 2.3)
Phần lớn các đề tài nghiên cứu trong nước cũng kế thừa và phát triển thêm phương pháp lập mơ hình dự báo như các nghiên cứu nước ngoài, tuy nhiên như đã đề cập phần 2.1.1, bộ dữ liệu đầu vào khác dẫn đến có nhiều mơ hình dự đốn năng lượng khác nhau được đề xuất như CART, ANN, SVR,… Các mơ hình đề xuất đều cho kết quả rất khả quan
Bảng 2.3 Bảng liệt kê một số đề tài nghiên cứu trong nước
STT Tên nghiên cứu Tác giả Năm Mơ tả
1
Tối ưu hóa ước tính mức tiêu thụ năng lượng trong các tịa nhà dựa trên các thuật tốn trí tuệ nhân tạo [24]
Trần Đức Học, Lê
Tấn Tài 2020
Nghiên cứu sử dụng AI để dự đoán mức tiêu thụ năng lượng trong các căn hộ tòa nhà chung cư tại TPHCM Dữ liệu bao gồm các đặc điểm của căn hộ như: tổng diện tích, hướng cửa sổ, số lượng lị nướng, mức tiêu thụ năng lượng,…
Mơ hình đơn có hiệu quả tốt nhất trong q trình dự đốn là CART, mơ hình tổng hợp tốt
Trang 3319
nhất là CART + GENLIN
2
Ứng dụng mạng nơron nhân tạo trong dự báo công suất phát tại nhà máy điện mặt trời Krông Pa, Gia Lai [25]
Nguyễn Tiến
Hoàng 2020
Tác giả sử dụng dữ liệu thời tiết thông dụng như nhiệt độ, độ ẩm,… để huấn luyện mơ hình ANN
Xây dựng chương trình m-file để dự báo bức xạ mặt trời khi được cung cấp các số liệu thời tiết theo mẫu 3 Assessment of rooftop solar power technical potential in Hanoi city, Vietnam [26] Vu Minh Phap, Nguyen Thi Thu Huong, Pham Thi Hanh, Pham Van Duy, Doan Van Binh
2020
Trang 3420
nhà phù hợp để lắp đặt quang điện và đánh giá tiềm năng tổng thể của từng mái nhà và từng khu vực địa phương Dữ liệu vận hành hàng năm được thu thập từ một nhà máy quang điện trên mái nhà ở Hà Nội để đánh giá hiệu quả trong điều kiện làm việc thực tế
4
Mơ hình tự động máy hỗ trợ véc-tơ ước lượng năng suất điện năng lượng mặt trời [27]
Nguyễn Phúc Hạnh 2021
Nghiên cứu phân tích sự ảnh hưởng các nhân tố ảnh hưởng đến năng suất điện năng lượng mặt trời
Xây dựng mơ hình SVR đơn và SVR kết hợp tiến hóa vi phân (DE) để ước lượng năng suất dự án điện năng lượng mặt trời Kết quả mô hình SVR kết hợp DE cho ra kết quả tốt hơn 5 Một phương pháp xác định sản lương điện mặt trời dựa trên
Lê Phương Trường, Nguyễn Thị Hường
2021
Trang 3521 nền tảng web
[28]
hiệu suất của hệ thống và các thông số kỹ thuật của tấm pin quang điện trên thị trường
Số liệu bức xạ mặt trời được thu thập từ vệ tinh thông qua phần mềm của Meteonorm Kết quả phân tích được so sánh với ứng dụng thương mại PVSyst
6
Mô phỏng ảnh hưởng của pin mặt trời áp mái tới hiệu quả năng lượng tòa nhà [29] Đặng Hoàng Anh 2021 Sử dụng phần mềm giả lập Design Builder để nghiên cứu về tác động của tấm pin mặt trời áp mái đối với hiệu quả năng lượng tòa nhà Bài báo lấy case study là chung cư Lò Gốm, Quận 6, TP.HCM Kết quả tổng điện năng tiêu thụ của tồn cơng trình có lắp đặt pin mặt trời áp mái giảm 11.9% so với không lắp đặt
7
Ứng dụng mạng nơron nhân tạo dự báo sản lượng điện của nhà máy điện mặt trời [30]
Trịnh Quốc Công,
Hồ Quốc Dung 2021
Trang 3622
Kết quả giá trị dự báo và giá trị thực tế sai số không lớn
Gần đây, việc phát triển các mơ hình dự đốn mới hoặc cải thiện các mơ hình dự đốn hiện tại càng được các nhà nghiên cứu quan tâm Sự quan tâm này liên quan đến định lý No Free Lunch (NFL) của Wolpert và Macready năm 1997 [31] Định lý này là một khái niệm trong lĩnh vực học máy và tối ưu hóa, khẳng định một cách logic rằng khơng có thuật tốn tối ưu hồn hảo cho tất cả các vấn đề Với NFL, rõ ràng đã cho phép các nhà nghiên cứu cải thiện, điều chỉnh các mơ hình hiện tại để giải quyết các vấn đề cụ thể khác nhau hoặc đề xuất các mơ hình mới nhằm cung cấp các kết quả cạnh tranh so với các thuật tốn hiện tại
Chính vì vậy, luận văn này sẽ thực hiện lựa chọn và xây dựng mơ hình dự báo cơng suất phát điện mặt trời áp mái tiếp tục và phát triển dựa trên các mơ hình trong các nghiên cứu cho ra kết quả khả quan gần đây, bao gồm: các mô hình hồi quy độc lập, các mơ hình kết hợp và mơ hình mạng thần kinh nhân tạo Các kết quả của mơ hình được xây dựng từ tập dữ liệu thu thập từ các cơng trình có gắn hệ thống điện mặt trời trên mái tòa nhà thực tế tại Thành phố Hồ Chí Minh
2.2 Các kỹ thuật máy học dùng trong mơ hình dự đốn cơng suất phát của hệ thống năng lượng mặt trời
Máy học, hay được biết với tên gốc là Machine Learning, dựa trên ý tưởng từ một chương trình máy tính có thể học từ dữ liệu, định rõ các mẫu và rút ra lựa chọn với sự can thiệp ít nhất đến từ con người Khái niệm học máy bắt nguồn từ nghiên cứu về AI và thống kê
Trang 3723
thực hiện các nhiệm vụ và cải thiện hiệu suất theo thời gian Đối với mọi bài tốn học máy đều sẽ có quy trình như sau:
• Tập hợp dữ liệu (Data congregation ); • Tiền xử lý dữ liệu (Data wrangling); • Đào tạo mơ hình (Training model);
• Đánh giá mơ hình (Framework validation); • Cải thiện (Improve)
Biểu đồ 2.1 Quy trình huấn luyện mơ hình bằng máy học
Khi đối diện với nhiều mơ hình học máy, một câu hỏi thường được đưa ra là “Mơ hình nào nên sử dụng?” Câu trả lời cho truy vấn này sẽ phụ thuộc vào nhiều yếu tố khác nhau, gồm:
• Kích cỡ, chất lượng và thuộc tính của dữ liệu; • Thời gian xử lý;
• Tính cấp thiết của nhiệm vụ; • Mục đích sau cùng với dữ liệu
Với phạm vi và mục tiêu nghiên cứu được nêu ở Chương 1, luận văn tiến hành xây dựng mô hình học máy có giám sát dựa trên vấn đề mang tính hồi quy trong việc dự đốn các giá trị liên tục hay kết quả định lượng (sản lượng điện mặt trời áp mái)
Trang 3824
Biểu đồ 2.2 Các mơ hình máy học áp dụng trong luận văn
2.2.1Các mơ hình phân tích hồi quy độc lập
Mơ hình phân tích hồi quy là mơ hình xây dựng/huấn luyện nên một tương quan giữa một dữ liệu đầu vào và đầu ra dựa trên các cặp (đầu vào, đầu ra) đã biết (mẫu)
2.2.1.1 Mơ hình hồi quy Lasso
Mơ hình tốn tử co ngót và chọn lọc tối thiểu tuyệt đối (Lasso) là một phương pháp phân tích hồi quy có giám sát, lần đầu công bố trong lĩnh vực địa vật lý vào năm 1986, sau đó được tái nhận biết và phổ biến một cách đơn lập bởi Robert Tibshirani vào năm 1996 [32]
Ningkai Tang cùng nhóm nghiên cứu [33] đã dự báo sản xuất điện mặt trời tại Massachusetts (Mỹ), Harnhill và Diddington (Vương quốc Anh) bằng các phương pháp dựa trên: Support Vector Machine (SVM), Time-series Local Linear Estimation (TLLE) và Lasso, kết quả cho thấy thuật tốn dựa trên Lasso đạt được độ chính xác cao hơn đáng kể so với các phương pháp còn lại
Michael W.Hopwood và Thushara Gunda [34] đã sử dụng mơ hình Lasso để dự đốn chính xác hơn về sản lượng điện của các hệ thống pin mặt trời từ 172 địa điểm ở Mỹ
Trang 3925
2.2.1.2 Mơ hình hồi quy Ridge
Mơ hình hồi quy độ dốc (Ridge) là một phương pháp trong máy học được sử dụng để xử lý vấn đề đa cộng tuyến, nghĩa là khi các đặc trưng trong mơ hình có mức độ tương quan cao với nhau Nó được phát triển bởi Hoerl và Kennard vào năm 1970
Imane Araf cùng nhóm nghiên cứu [35] đã sử dụng các mơ hình: hồi quy tuyến tính, cây quyết định, RR, Lasso, ANN và RF để dự doán năng lượng mặt trời từ các biến khí tượng Kết quả mơ hình RR cho ra kết quả tốt nhất, vì MAE thấp nhất 2.237E+6.
2.2.1.3 Mơ hình K–lân cận
Mơ hình K–lân cận (KNR) lần đầu được giới thiệu vào đầu những năm 1950 Nó được phát triển độc lập bởi một số nhà nghiên cứu, bao gồm Hugo Steinhaus, người đã sử dụng nó cho các nhiệm vụ phân loại nhị phân và Edward A Kirschbaum, người đã sử dụng nó cho các nhiệm vụ hồi quy KNR được sử dụng rộng rãi trong các ứng dụng khác nhau, bao gồm phân loại, hồi quy, ước tính mật độ và phát hiện bất thường
Nor Azuana Ramli cùng nhóm nghiên cứu [36] đã sử dụng mơ hình KNR để dự đoán, kết quả cho thấy thuật toán này cung cấp kết quả dự đoán tốt hơn so với ANN, vì MAE của nó có giá trị thấp nhất
2.2.1.4 Mơ hình hồi quy dựa theo vector hỗ trợ
Mơ hình hồi quy dựa theo vector hỗ trợ (SVR), được giới thiệu lần đầu tiên vào đầu những năm 1990 bởi Vladimir Vapnik cùng các đồng nghiệp như một phần mở rộng của SVM cho các tác vụ hồi quy
Mahdi Houchati cùng nhóm nghiên cứu [20] đã xây dựng mơ hình dự đốn năng lượng mặt trời bằng SVR Độ chính xác dự đốn đầu ra sản lượng điện pin mặt trời cho những ngày nắng là trên 90%, mang lại khả năng lập lịch trình tối ưu hóa và dẫn đến điều hành năng lượng tịa nhà thông minh
Trang 4026
2.2.1.5 Nhận xét
Có thể thấy rằng, các mơ hình hồi quy được ứng dụng nhiều trong xây dựng các mơ hình dự đốn và cho kết quả tốt Vì vậy, các mơ hình này sẽ được đưa vào nghiên cứu như một mơ hình để so sánh với các mơ hình khác cho dự đốn cơng suất phát của hệ thống điện năng lượng mặt trời áp mái, bao gồm: Lasso, RR, KNR và SVR
2.2.2Các mơ hình kết hợp
Mơ hình kết hợp đã được giới thiệu vào đầu những năm 1990 và phát triển mạnh mẽ hơn vào đầu thế kỷ XXI Khác với mơ hình phân tích hồi quy tuyến tính độc lập, mơ hình kết hợp là mơ hình học máy kết hợp các dự đốn của nhiều mơ hình riêng lẻ, mục tiêu của các mơ hình kết hợp là kết hợp các dự đốn của một số cơng cụ ước tính cơ sở được xây dựng với một thuật toán học tập nhất định để cải thiện khả năng khái qt hóa/chính xác đối với một cơng cụ ước tính duy nhất Đây là mơ hình học máy đang được sử dụng nhiều trong dự đoán năng lượng điện mặt trời trong thời gian gần đây và cho ra kết quả rất khả quan
Có hai phương pháp kết hợp là tính trung bình và tăng cường, chúng thường được phân biệt như sau:
Trong phương pháp tính trung bình, ngun tắc là xây dựng một số cơng cụ ước tính một cách độc lập và sau đó lấy trung bình các dự đốn của chúng Tính trung bình, cơng cụ ước tính kết hợp thường tốt hơn bất kỳ công cụ ước tính cơ sở đơn lẻ nào vì phương sai của nó giảm đi Ví dụ: mơ hình RF, mơ hình ETR,…
• Mơ hình Rừng ngẫu nhiên – Random Forest (RF), do Leo Breiman đề xuất, là một trong những mơ hình máy học có thể dự đốn một lượng lớn dữ liệu [38]
• Mơ hình Cây quyết định - Extra (ETR) được đề xuất bởi Geurts và nhóm nghiên cứu [39] cũng có liên hệ đến lớp các phương pháp tập hợp dựa trên cây để thực hiện các nhiệm vụ phân loại và hồi quy Mơ hình ETR mở rộng tính ngẫu nhiên của mơ hình RF