Luận văn thạc sĩ Quản lý xây dựng: 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

Chuyên ngành : QUẢN LÝ XÂY DỰNG Mã số : 8580302

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 07 năm 2023

CÔNG TRÌNH ĐƯỢC HOÀN 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)

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 do - Hạnh phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ

I TÊN ĐỀ TÀI: 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

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 đoán công suất phát điện mặt trời áp mái công trình trong giai đoạn quyết định đầu tư dự án

2 Nghiên cứu xây dựng mô hình dự báo công suất phát của điện mặt trời áp mái công trình (24 giờ tới) dựa trên dữ liệu đại lượng thời tiết và công suất phát điện mặt trời tại các công trình tòa nhà đã có bằng máy học Qua đó nhận xét ưu, khuyết điểm khi áp dụng

3 Áp dụng công cụ dự đoán sản lượng điện mặt trời vào đánh giá hiệu quả sử dụng năng lượng tái tạo cho công trình tòa 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

CHỦ NHIỆM BỘ MÔN ĐÀO TẠO

TS Lê Hoài Long TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG

PGS.TS Lê Anh Tuấn

i

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 quý thầy cô, gia đình và bạn bè Đó là động lực rất lớn để em vượt qua những khó khăn và hoàn 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 lòng 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 quý Thầy Cô trong Khoa Xây dựng nói riêng và toàn thể Thầy Cô 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

Trân trọng,

ii

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 quá trình vận hành của tòa 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 hoàn vốn dài, vì vậy công cụ dự đoán chính xác công suất phát của hệ thống điện mặt trời áp mái là cần có trong giai đoạn thiết kế xây dựng và vận hành tòa nhà

Việc dự đoán công 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 mô 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 mô hình dự báo công suất phát của điện mặt trời áp mái bao gồm các mô hình hồi quy độc lập, các mô hình kết hợp và mô hình mạng thần kinh nhân tạo Các mô hình sử dụng thông số đại lượng thời tiết là nhiệt độ, độ ẩm và tốc độ gió để dự đoán 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 mô 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

Dựa vào mô hình GBR xây dựng các tiêu chí đánh giá hiệu quả năng lượng tái tạo đối với mức tiêu thụ năng lượng tòa nhà và lượng CO2 được giảm thiểu cho bốn trường hợp tòa nhà giả định Các kết quả này có thể được ứng dụng thực tiễn để cải thiện hiệu suất và khả năng quản lý của các hệ thống năng lượng mặt trời áp mái đang ngày càng cấp thiết

iii

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

iv

LỜI CAM ĐOAN

Tác giả xin cam đoan đây là công 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

Trần Hoàng Duy

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 đoán công suất phát của hệ thống năng lượng mặt trời 22

2.2.1 Các mô hình phân tích hồi quy độc lập 24

2.2.2 Các mô hình kết hợp 26

2.2.3 Mô 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

3.3Các lý thuyết, thuật toán áp dụng 30

vi

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 mô hình kết hợp 36

3.3.4 Mô hình mạng thần kinh nhân tạo 44

3.4Thiết lập mô hình dự đoán 47

3.5Các đặc điểm trong mô hình 47

3.6Kiểm soát mô 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 MÔ 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 Mô tả dữ liệu 54

4.2Các biến trong mô hình dự đoán 56

4.3Kết quả mô hình máy học và các chỉ số dùng để đánh giá mô 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

5.2.2 Giới hạn về mô hình học máy 75

vii

DANH MỤC CÔNG TRÌNH KHOA HỌC 77DANH MỤC TÀI LIỆU THAM KHẢO 78

viii

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 mô hình Rừng ngẫu nhiên 38

Hình 3.3 Lưu đồ thuật toán GBR 41

Hình 3.4 Mạng thần kinh nhân tạo cơ bản 44

ix

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 ngoài xây dựng mô 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 tòa 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 mô hình áp dụng xây dựng mô hình dự báo công suất phát năng lượng mặt trời áp mái 62

Bảng 4.7 Đánh giá mô 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

Bảng 4.11 Chi phí từ hệ thống điện mặt trời áp mái theo từng năm (trong 20 năm) 73

x

DANH MỤC BIỂU ĐỒ

Biểu đồ 1.1 Lượng khí thải CO2 trong năm 2022 2

Biểu đồ 2.1 Quy trình huấn luyện mô hình bằng máy học 23

Biểu đồ 2.2 Các mô 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 mô hình 61

Biểu đồ 4.4 Biểu đồ tần suất mỗi đặc điểm đưa vào mô hình trước và sau khi chuẩn hóa 62

Biểu đồ 4.5 So sánh các mô hình theo RMSE 63

Biểu đồ 4.6 So sánh các mô 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 mô hình bằng kiểm tra chéo KFold 65

Biểu đồ 4.9 So sánh công suất phát với công cụ hỗ trợ tham khảo 71

xi

DANH MỤC CÁC TỪ VIẾT TẮT

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

SVR Support Vector Regression Hồi quy dựa theo vectơ hỗ trợ RMSE Root Mean Square Error Sai số căn trung bình bình phương

R2 Coefficient of Determination Hệ số xác định

XGBoost Extreme Gradient Boosting Tăng cường Gradient cực cao

i) Đầu tiên, hiệu quả năng lượng của tòa nhà ảnh hưởng đến chi phí hoạt động và bảo trì của tòa nhà Khi tòa 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 tòa 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 tòa nhà cũng có tác động đến môi trường, bởi vì tòa 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 môi trường, cải thiện hệ thống điều hòa không 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

Bên cạnh đó, theo báo cáo “2021 Global Status Report for Buildings and Construction” [3], lĩnh vực xây dựng góp phần đáng kể vào việc thải ra khí thải carbon, chiếm tỷ lệ 37% tổng lượng khí thải carbon trên toàn cầu (Biểu đồ 1.1) Đây là một nguyên nhân chính góp phần vào hiệu ứng nhà kính và đóng góp khoảng 36% vào tổng mức sử dụng

2

năng lượng trên toàn thế giới Như vậy, việc giảm sử dụng năng lượng trong các dự án xây dựng không 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 công 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 công trình xây dựng là triển khai hệ thống điện mặt trời áp mái [4] Mái của các tòa nhà trong đô 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 tòa nhà có thể xảy ra thông 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 Ngoài 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 vô cùng rộng lớn, điện mặt trời không chỉ góp phần tiết kiệm điện tòa nhà, tăng hiệu quả đầu tư, mà đồng thời bảo vệ môi trường, ứng phó biến đổi khí hậu [1]

Các ngành công nghiệp khácGiao thông

Khác

3

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 công 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 công suất của nguồn điện loại hình này ước tính tăng thêm 2,600MW và được ưu tiên phát triển không giới hạn công suất, mục tiêu có 50% các tòa nhà công 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 tòa 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 (không bị che bóng) tại các tòa nhà văn phòng, khu công 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 công trình nguồn điện và lưới truyền tải điện

• Quy mô dự án nhỏ, vốn không lớn, phù hợp nhiều đối tượng tham gia, đạt mục tiêu xã hội hóa, mở rộng nguồn phát điện, tăng sản lượng điện sạch

1 Quyết định số 500/QĐ-TTg của Thủ tướng Chính phủ Phê duyệt Quy hoạch phát triển điện lực quốc gia thời kỳ 2021 – 2023, tầm nhìn đến năm 2050 (gọi tắt là Quy hoạch điện VIII) ngày 15 tháng 5 năm 2023

4

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 đoán công 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 đoán công suất điện mặt trời áp mái sẽ ảnh hưởng đến ngành quản lý xây dựng trong các khía cạnh sau:

• Thiết kế tòa nhà: Dự đoán công suất điện mặt trời áp mái sẽ giúp đơn vị thiết kế tính toán được công 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 soát năng lượng tiêu thụ: Dự đoán công suất điện mặt trời trên mái giúp tư vấn thiết kế đánh giá lượng năng lượng tiêu thụ của tòa 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

• Nghiên cứu và phát triển: Dự đoán công suất điện mặt trời áp mái hỗ trợ chủ đầu tư đưa ra quyết định sử dụng tài chính vào các công nghệ mới để tối ưu hóa sử dụng năng lượng trong các tòa nhà

5

• Nâng cấp chất lượng cuộc sống: Việc tích hợp hệ thống quang điện vào mái các tòa nhà không 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 công cụ dự đoán chính xác công 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 đoán công suất phát điện mặt trời hoặc công cụ này không chính xác thì sẽ gây ra một số hậu quả tiêu cực đối với quản lý xây dựng, bao gồm:

• Thiết kế không hiệu quả: Nếu thiếu công cụ dự đoán chính xác về công 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 phòng hoặc không đáp ứng đủ nhu cầu sử dụng điện

• Thiếu độ chính xác trong dự báo: Nếu công cụ dự đoán thiếu chính xác, chủ đầu tư có thể không 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 đoán 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 công cụ dự đoán 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 không đáng có và làm giảm hiệu quả của dự án

Vì vậy, công cụ dự đoán công suất phát điện mặt trời là rất quan trọng trong ngành quản lý xây dựng và cần phải được sử dụng một cách chủ động và đáng tin cậy để đảm bảo tính hiệu quả của các dự án Nghiên cứu này sẽ mang lại lợi ích cho các nhà thiết kế và

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 tòa nhà không 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 tòa nhà có những lợi ích sau:

i) So với các phương pháp kỹ thuật, phương pháp dự đoán dựa trên máy học yêu cầu ít thông tin vật lý chi tiết hơn của tòa nhà Người phát triển mô hình không 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 đoán;

ii) Quá trình thu thập dữ liệu và tải chúng tương đối thuận tiện, điều đó có nghĩa là mô 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 đoán đầy hứa hẹn khi mô hình được đào tạo tốt

Các phương pháp xây dựng mô hình máy học dự đoán công suất phát của điện mặt trời rất đa dạng và thay đổi theo nhiều yếu tố, tuy nhiên gặp phải các thách thức chung sau: • Những thay đổi của các đại lượng thời tiết như nhiệt độ, độ ẩm, tốc độ gió và bức xạ mặt trời của các khu vực khác nhau tác động đáng kể đến sự thay đổi của công suất

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 đoán công suất phát điện mặt trời áp mái cần thiết trong giai đoạn quyết định đầu tư dự án

ii) Nghiên cứu xây dựng mô hình dự báo công 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 công trình tòa 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

Công cụ: Ngôn ngữ lập trình Python và các môi trường hỗ trợ tính toán tương ứng

1.5 Ý nghĩa khoa học và thực tiễn của đề tài

1.5.1Về khoa học

Sau khi hoàn tất, nghiên cứu này sẽ đóng góp về mặt khoa học các nội dung như sau: Là nghiên cứu áp dụng máy học vào ngành quản lý xây dựng, mô hình với các điều kiện ngoài tầm kiểm soát của thế giới thực

8

Đánh giá tính hiệu quả mô hình máy học trong dự đoán công suất phát điện mặt trời áp mái cần thiết trong việc xác định tính hiệu quả năng lượng trong công 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

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, công 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 mô

hình sử dụng để dự báo công suất phát năng lượng mặt trời

CHƯƠNG 4: ĐÀO TẠO MÔ HÌNH DỰ ĐOÁN VÀ THẢO LUẬN VỀ KẾT QUẢ:

Xây dựng và so sánh các mô hình để chọn mô hình dự báo hiệu quả nhất Áp dụng mô 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

nghiên cứu đã đề xuất và một số gợi ý phát triển hướng nghiên cứu trong tương lai

9

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 ngoài

Thông qua các bài báo nước ngoài 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 soát môi trường trong nhà, chẳng hạn như nhiệt độ, độ ẩm và chất lượng không khí, (ii) hiệu quả của tòa nhà sử dụng đa năng lượng, (iii) độ chính xác dự đoán của dự báo (để kiểm soát tối ưu) trong các tòa nhà, bao gồm dự báo tải năng lượng, hệ thống phụ (ví dụ: hệ thống sưởi, thông gió và điều hòa không khí (HVAC), chiếu sáng), hiệu suất và cấu trúc an toàn của tòa nhà [10]

Với các ứng dụng AI, tòa 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 không khí trong nhà, loại bỏ quá trình làm mát/sưởi ấm, loại bỏ việc làm mát/sưởi ấm không đủ, tối đa hóa thông 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 toàn (an toàn kết cấu tòa nhà, an toàn vận hành thiết bị, an toàn vận hành cơ sở, an toàn vận hành khẩn cấp)

Tổng quan có ba phương pháp dự đoán năng lượng trong các tòa nhà: thiết lập công thức dựa trên mối quan hệ vật lý, dựa vào AI và kết hợp hai phương pháp trên Các phương pháp dựa trên mối quan hệ vật lý và kết hợp chủ yếu dự đoán mức tiêu thụ năng lượng bằng cách giải các phương trình nhiệt động lực học, trong khi phương pháp dựa trên AI dựa trên các kỹ thuật khai thác dữ liệu như: sử dụng dữ liệu lịch sử để dự báo việc sử dụng năng lượng trong tương lai dưới các ràng buộc, sử dụng ANN, hay kết hợp nhiều mô hình dự đoán dựa trên AI đơn lẻ để cải thiện độ chính xác của dự đoán phức tạp

Based Methods for Building Energy Systems [11]

Intelligence-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 tòa nhà và mô 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 tòa 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 không

Mô hình sử dụng: Hồi quy tuyến tính (LR), hồi quy SMO và RF

Kết quả tốt nhất: RF 3 When artificial

11 meets building

energy efficiency, a review focusing on zero enery building [10]

cận dựa trên AI trong các tòa nhà năng lượng bằng không

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 tòa nhà thông minh thông 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

Cuối cùng, bài viết thảo luận về những thách thức mở và hướng nghiên cứu trong tương lai về ứng

12

dụng AI trong các tòa nhà thông 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 mô hình DNN khả quan nhất

Bộ dữ liệu bao gồm các đặc điểm thiết kế chính của tòa nhà và dự báo mức tiêu thụ năng lượng trung bình thường niên ở giai đoạn phát triển tòa nhà ban đầu

6

An overview of machine learning applications for smart buildings [15]

Kari Alanne và

Seppo Sierla 2022

Nghiên cứu này thảo luận về khả năng học hỏi của các tòa nhà ở cấp độ hệ thống và trình bày tổng quan về các ứng dụng học máy tự động đưa ra các quyết định độc lập để

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 mô hình kết hợp đã được phát triển bao gồm CNN-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 mô hình tăng lên khi các đặc điểm đầu vào được sử dụng trong mô 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 mô hình dự đoán phụ thuộc vào dữ liệu có sẵn và phương pháp được sử dụng để dự đoán

Trong hầu hết các trường hợp, mô hình dự báo nguồn điện mặt trời được phát triển dựa trên cơ sở dự báo ngắn hạn Độ chính xác của mô hình dự đoán điện mặt trời thay đổi khi thay đổi khoảng thời gian trong tương lai được dự đoán, ngay cả với các thông số mô hình dự báo giống hệt nhau Dự đoán công suất đầu ra thường bao gồm ba bước: (1)

14

trích xuất các đặc tính năng lượng và phân tích các yếu tố ảnh hưởng đến chúng; (2) lựa chọn mô hình dự báo và (3) tối ưu mô hình dự báo Luận văn đã tổng hợp một số nghiên cứu nước ngoài liên quan đến xây dựng mô hình máy học dự báo công suất phát điện mặt trời áp mái (Bảng 2.2)

Bảng 2.2 Một số nghiên cứu nước ngoài xây dựng mô hình máy học dự báo công suất phát điện mặt trời áp mái

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 tòa nhà hiện có ở cấp xã (đơn vị hành chính nhỏ nhất) ở Thụy Sĩ

Nghiên cứu đề xuất một mô 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 tòa nhà.

2

Evaluation of Photovoltaic Power

Generation by Using Deep Learning in Solar Panels Installed in Buildings [18]

Chih-Chiang Wei 2019

Nghiên cứu này cung cấp các đánh giá hiệu suất phát điện đơn giản và hiệu quả của các thương hiệu tấm pin mặt trời trong giai đoạn lập kế hoạch lắp đặt các tấm pin này trên mái nhà Nam Đài Loan

15

Nghiên cứu sử dụng mô hình DNN, BPN và LR để dự đoán bức xạ mặt trời bề mặt, kết quả DNN là mô hình hiệu quả hơn

3

Fast Evaluation of Rooftop and Façade 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 toán dự đoán phía cầu để tối ưu hóa việc sử dụng các nguồn năng lượng mặt trời sẵn có và quản lý phía cầu phù hợp

Nghiên cứu này cũng đề xuất một thuật toán tối ưu hóa điểm đặt nhiệt độ cho hệ thống điều hòa không khí tòa nhà để giảm thiểu sự khác biệt giữa tải năng lượng của tòa nhà và điện năng lượng mặt trời được tạo ra Sử dụng 24°C làm giới hạn nhiệt độ điểm cài

16

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 Costas, Daniel Villanueva, Pablo Eguía-Oller và Enrique Granada-Álvarez

Cordeiro-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 mô hình được kiểm tra với dữ liệu từ một tòa nhà thực tế Nghiên cứu chỉ ra các mô 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

Nghiên cứu sử dụng mô hình Máy Boltzmann hạn chế (RBM) để dự đoán tiềm năng năng lượng mặt trời trên các mái nhà Kết

17 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 mô 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 mô hình Trung bình di chuyển tích hợp tự hồi quy theo mùa (SAIMA), mang lại mô hình dự báo có độ chính xác cao

Nghiên cứu chỉ ra rằng người dùng có khả năng ước tính chi phí tiết kiệm được bằng cách chuyển sang sử dụng năng lượng mặt trời, điều này có thể tiết kiệm hơn 70% hóa đơn tiền điện hiện tại của họ

18

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 mô 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 mô hình dự đoán năng lượng khác nhau được đề xuất như CART, ANN, SVR,… Các mô hình đề xuất đều cho kết quả rất khả quan

Bảng 2.3 Bảng liệt kê một số đề tài nghiên cứu trong nước

1

Tối ưu hóa ước tính mức tiêu thụ năng lượng trong các tòa nhà dựa trên các thuật toán trí tuệ nhân tạo [24]

Trần Đức Học, Lê

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 lò nướng, mức tiêu thụ năng lượng,…

Mô hình đơn có hiệu quả tốt nhất trong quá trình dự đoán là CART, mô hình tổng hợp tốt

2 Quyết định số 67/QĐ-ĐTĐL của Cục Điều tiết điện lực Quyết định Ban hành Quy trình dự báo công suất, điện năng phát của các nguồn điện năng lượng tái tạo ngày 10/8/2021

19

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

Tác giả sử dụng dữ liệu thời tiết thông dụng như nhiệt độ, độ ẩm,… để huấn luyện mô 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

Nghiên cứu xác định tiềm năng kỹ thuật năng lượng mặt trời áp mái tại Hà Nội (Việt Nam) từ góc độ cung cấp năng lượng bằng công nghệ ảnh viễn thám độ phân giải cao, hệ thống thông tin địa lý và công nghệ phân tích ảnh vệ tinh độ phân giải cao, kết hợp với các thuật toán trí tuệ nhân tạo Phương pháp này bao gồm việc xác định và phân loại mái nhà (phân khúc và phân loại), xác định diện tích bề mặt mái

20

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

Mô 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 mô 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

Nghiên cứu này đã phát triển một công cụ để ước tính sản lượng điện mặt trời bao gồm dữ liệu về bức xạ mặt trời,

21 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 toàn công 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

Dùng số liệu tại nhà máy điện mặt trời áp mái tỉnh Hưng Yên Mô hình dự đoán được sử dụng là ANN

22

Kết quả giá trị dự báo và giá trị thực tế sai số không lớn

Gần đây, việc phát triển các mô hình dự đoán mới hoặc cải thiện các mô hình dự đoán 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 không có thuật toán tối ưu hoàn hảo cho tất cả các vấn đề Với NFL, rõ ràng đã cho phép các nhà nghiên cứu cải thiện, điều chỉnh các mô hình hiện tại để giải quyết các vấn đề cụ thể khác nhau hoặc đề xuất các mô hình mới nhằm cung cấp các kết quả cạnh tranh so với các thuật toán hiện tại

Chính vì vậy, luận văn này sẽ thực hiện lựa chọn và xây dựng mô hình dự báo công suất phát điện mặt trời áp mái tiếp tục và phát triển dựa trên các mô hình trong các nghiên cứu cho ra kết quả khả quan gần đây, bao gồm: các mô hình hồi quy độc lập, các mô hình kết hợp và mô hình mạng thần kinh nhân tạo Các kết quả của mô hình được xây dựng từ tập dữ liệu thu thập từ các công 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 mô hình dự đoán công 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

Trong những năm 1950 và 1960, các nhà khoa học như Frank Rosenblatt và nhóm các nhà nghiên cứu tại Hội nghị Dartmouth đã đề xuất khái niệm về một loại máy có thể học hỏi kinh nghiệm Trong những năm 1980 và 1990, sự phát triển của phần cứng máy tính tiên tiến hơn và lượng dữ liệu lớn ngày càng sẵn có đã dẫn đến sự phát triển của lĩnh vực máy học Học máy ngày nay đã được áp dụng cho nhiều ứng dụng, bao gồm: Nhận dạng giọng nói, nhận diện hình ảnh, dự đoán giá cả, sản lượng, Các thuật toán trong lĩnh vực học máy là các phần mềm tính toán được thiết kế có tính năng tự học về cách

• Đánh giá mô hình (Framework validation); • Cải thiện (Improve)

Biểu đồ 2.1 Quy trình huấn luyện mô hình bằng máy học

Khi đối diện với nhiều mô hình học máy, một câu hỏi thường được đưa ra là “Mô 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 đoán các giá trị liên tục hay kết quả định lượng (sản lượng điện mặt trời áp mái)

Thu thập dữ

Xử lý dữ liệu

Huấn luyện mô hình

Đánh giá mô

Cải thiện

24

Biểu đồ 2.2 Các mô hình máy học áp dụng trong luận văn

2.2.1Các mô hình phân tích hồi quy độc lập

Mô hình phân tích hồi quy là mô 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 Mô hình hồi quy Lasso

Mô hình toán 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 toán 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 mô hình Lasso để dự đoán chính xác hơn về sản lượng điện của các hệ thống pin mặt trời từ 172 địa điểm ở Mỹ

Mô hình máy học

Hồi quy

Hồi quy LassoHồi quy

K-lân cận

Vectơ hỗ trợ

Kết hợp

Rừng ngẫu nhiênCây quyết

Mạng nơron nhân tạo

MLP

25

2.2.1.2 Mô hình hồi quy Ridge

Mô 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 mô 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 mô 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 mô hình RR cho ra kết quả tốt nhất, vì MAE thấp nhất 2.237E+6.

2.2.1.3 Mô hình K–lân cận

Mô 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 mô 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 Mô hình hồi quy dựa theo vector hỗ trợ

Mô 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 mô hình dự đoán năng lượng mặt trời bằng SVR Độ chính xác dự đoán 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 tòa nhà thông minh

Idamakanti Kasireddy cùng nhóm nghiên cứu [37] tạo ra các mô hình dự đoán năng lượng mặt trời bằng cách sử dụng các thuật toán học máy như hồi quy tuyến tính, Lasso, LR và SVR Các thuật toán này sử dụng dữ liệu thời tiết trong quá khứ bao gồm nhiệt độ, sương, gió, mây và khả năng hiển thị Qua phân tích cho thấy, mô hình SVR làm việc tốt khi so sánh với các thuật toán khác

26

2.2.1.5 Nhận xét

Có thể thấy rằng, các mô hình hồi quy được ứng dụng nhiều trong xây dựng các mô hình dự đoán và cho kết quả tốt Vì vậy, các mô hình này sẽ được đưa vào nghiên cứu như một mô hình để so sánh với các mô hình khác cho dự đoán công suất phát của hệ thống điện năng lượng mặt trời áp mái, bao gồm: Lasso, RR, KNR và SVR

2.2.2Các mô hình kết hợp

Mô 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 mô hình phân tích hồi quy tuyến tính độc lập, mô hình kết hợp là mô hình học máy kết hợp các dự đoán của nhiều mô hình riêng lẻ, mục tiêu của các mô hình kết hợp là kết hợp các dự đoán của một số công cụ ước tính cơ sở được xây dựng với một thuật toán học tập nhất định để cải thiện khả năng khái quát hóa/chính xác đối với một công cụ ước tính duy nhất Đây là mô 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, nguyên tắc là xây dựng một số công cụ ước tính một cách độc lập và sau đó lấy trung bình các dự đoán của chúng Tính trung bình, công 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: mô hình RF, mô hình ETR,…

• Mô hình Rừng ngẫu nhiên – Random Forest (RF), do Leo Breiman đề xuất, là một trong những mô hình máy học có thể dự đoán một lượng lớn dữ liệu [38]

• Mô 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 Mô hình ETR mở rộng tính ngẫu nhiên của mô hình RF

Ngược lại, trong phương pháp tăng cường, các công cụ ước tính cơ sở được xây dựng tuần tự và người ta cố gắng giảm độ chệch của công cụ ước tính kết hợp Mục tiêu là kết hợp một số mô hình yếu để tạo ra một tập hợp mạnh mẽ Ví dụ: mô hình GBR, mô hình XGBoost,…