Luận văn thạc sĩ Quản lý xây dựng: Tối ưu hóa mức tiêu thụ năng lượng của hệ thống HVAC trong tòa nhà bằng cách sử dụng mạng nơ-ron nhân tạo (ANN) và thuật toán sói xám (GWO)

II NHIỆM VỤ VÀ NỘI DUNG

1 Tìm hiểu vấn đề về mức tiêu thụ năng lượng và tiện nghi nhiệt của hệ thống HVAC trong tòa nhà

2.Tìm hiểu phương pháp tối ưu hóa thuật toán Sói Xám (GWO) và mạng Nơ-ron nhân tạo (ANN)

3 Xác định và giải quyết mục tiêu bài toán về ‘‘mức tiêu thụ năng lượng và tiện nghi nhiệt” bằng phương pháp tối ưu hóa thuật toán GWO-ANN So sánh kết quả với thuật toán trước đây và ứng dụng vào trường hợp thực tế ở Việt Nam

III NGÀY GIAO NHIỆM VỤ : 05/09/2022 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 12/06/2023

V CÁN BỘ HƯỚNG DẪN : PGS.TS PHẠM VŨ HỒNG SƠN và TS CHU VIỆT CƯỜNG

Tp Hồ Chí Minh, ngày … tháng … năm 2023

PGS.TS Phạm Vũ Hồng Sơn TS Chu Việt Cường

TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG

Trang 4

LỜI CẢM ƠN

Sau những thời gian cố gắng học tập và nghiên cứu, tôi đã hoàn thành được luận văn thạc sĩ với đề tài “ Tối Ưu Hóa Mức Tiêu Thụ Năng Lượng Của Hệ Thống HVAC Trong Tòa Nhà Bằng Cách Sử Dụng Mạng Nơ-Ron Nhân Tạo (ANN) Và Thuật Toán Sói Xám (GWO)” Tôi luôn ghi nhận những sự ủng hộ, hỗ trợ và đóng góp nhiệt tình của những người bên cạnh mình Tôi xin chân thành gửi lời cảm ơn sâu sắc đến họ Lời đầu tiên tôi xin cảm ơn thầy PGS.TS Phạm Vũ Hồng Sơn và thầy TS Chu Việt Cường người đã dìu dắt và hướng dẫn tôi trong suốt quá trình làm đề tài luận văn Sự định hướng và chỉ bảo của thầy đã giúp tôi nghiên cứu và giải quyết vấn đề một cách khoa học, đúng đắn hơn

Tiếp theo, tôi xin trân trọng cảm ơn Ban giám hiệu, Bộ phận sau Đại học, Phòng đào tạo, Phòng khảo thí Trường Đại học Bách Khoa Thành Phố Hồ Chí Minh đã tạo điều kiện cho chúng tôi được học tập và hoàn thành khóa luận một cách thuận lợi Xin cảm ơn quý thầy cô giáo đã dạy dỗ và truyền đạt kiến thức cho chúng tôi trong suốt thời gian qua

Tôi muốn gửi lời cảm ơn đến tập thể lớp Quản Lý Xây Dựng đã cùng tôi đi qua những ngày tháng học tập miệt mài, cùng chia sẻ niềm vui nỗi buồn và động viên tôi vượt qua những khó khăn, vất vả để hoàn thành luận văn này

Luận văn thạc sĩ đã hoàn thành trong thời gian quy định với sự nỗ lực của bản thân, tuy nhiên không thể không có những thiếu sót Kính mong quý Thầy Cô chỉ dẫn thêm để tôi bổ sung những kiến thức và hoàn thiện bản thân mình hơn

Xin trân trọng cảm ơn

Tp HCM, ngày tháng năm 2023

Nguyễn Văn Khôn

Trang 5

TÓM TẮT

Nghiên cứu này phân tích mô hình mạng Nơ ron nhân tạo (ANN) và thuật toán Sói xám (GWO) nhằm mục tiêu tối ưu hóa các hoạt động hệ thống sưởi ấm, thông gió và điều hòa không khí (HVAC) và các thông số xây dựng khác nhằm giảm thiểu mức tiêu thụ năng lượng hàng năm và tối đa hóa sự tiện nghi nhiệt Nghiên cứu được lấy cảm hứng từ việc kết hợp mạng Nơ ron nhân tạo (ANN) và thuật toán Sói xám (GWO) nhằm nâng cao khả năng khám phá, tăng tốc độ hội tụ và giảm khả năng tối ưu cục bộ để tìm ra kết quả tốt nhất Hệ thống HVAC được lắp đặt trong tòa nhà tích hợp hệ thống làm lạnh thể tích không khí thay đổi (VAV) và hệ thống không khí ngoài trời chuyên dụng (DOAS) Một số thông số bao gồm cài đặt bộ ổn định nhiệt, thiết kế kết cấu vỏ tòa nhà và kiểm soát hoạt động làm lạnh được coi là biến quyết định Sau đó, tỷ lệ người không hài lòng (PPD) và tiêu thụ năng lượng xây dựng hàng năm được chọn hàm mục tiêu Tối ưu hóa đa mục tiêu được sử dụng để tối ưu hóa hệ thống với hai hàm mục tiêu ANN đã thực hiện một mối liên hệ giữa các biến quyết định và hàm mục tiêu GWO sẽ đưa ra kết quả một số biến thiết kế có thể thay thế để đạt được hệ thống tối ưu về sự tiện nghi nhiệt và tiêu thụ năng lượng hàng năm Tóm lại, việc tối ưu hóa xem xét hai mục tiêu cho thấy kết quả tốt nhất liên quan đến sự tiện nghi nhiệt và tiêu thụ năng lượng so với thiết kế cơ sở

Trang 6

ABSTRACT

This study analyzes the Artificial Neural Network (ANN) model and Grey Wolf Optimizer (GWO) algorithm to optimize the heating, ventilation and air conditioning (HVAC) system operations and other information Several other constructions aim to minimize annual energy consumption and maximize thermal comfort The research is inspired by the combination of Artificial Neural Network (ANN) and Grey Wolf Optimizer (GWO) algorithm to improve discoverability, speed up convergence, and reduce local optimal ability to find out best results The HVAC system is installed in a building that integrates a variable air volume (VAV) refrigeration system and a dedicated outdoor air system (DOAS) Several parameters including thermostat setting, building shell structural design and refrigeration operation control are considered as decisive variables Then, the Percentage Of People Dissatisfied (PPD) and annual construction energy consumption are selected as the objective function Multi-objective optimization is used to optimize the system with two objective functions ANN has made a relationship between the decision variables and the objective function GWO will result in a number of design variables that can be changed to achieve the optimum system in terms of thermal comfort and annual energy consumption In summary, the optimization considering two objectives shows the best results regarding thermal comfort and energy consumption compared to the

base design

Trang 7

LỜI CAM ĐOAN

Tôi xin cam đoan đây là luận văn do chính tôi thực hiện dưới sự hướng dẫn của PGS.TS Phạm Vũ Hồng Sơn và TS Chu Việt Cường

Các kết quả của luận văn là đúng sự thật và chưa được công bố ở các nghiên cứu khác

Tôi xin chịu trách nhiệm về công việc thực hiện của mình

Tp Hồ Chí Minh, ngày … tháng … năm 2023

Nguyễn Văn Khôn

Trang 8

1.4 Ý nghĩa và đóng góp của nghiên cứu 4

1.5 Phương pháp nghiên cứu 4

1.6 Bố cục luận văn 7

CHƯƠNG 2 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 8

2.1 Tổng quan bài toán nghiên cứu 8

2.2 Tổng quan thuật toán sử dụng cho nghiên cứu 9

2.3 Hạn chế của các nghiên cứu trước đây 15

CHƯƠNG 3 CƠ SỞ LÝ THUYẾT 16

3.1 Khái niệm thuật toán mạng nơ-ron nhân tạo (ANN) 16

3.2 Thuật toán Sói xám (GWO) 18

3.2.1 Cảm hứng từ thuật toán (GWO) 18

3.2.2 Mô hình toán học và thuật toán (GWO) 19

3.2.2.1 Hệ thống phân cấp xã hội 19

3.2.2.2 Bao vây con mồi 19

3.2.2.3 Săn bắt con mồi 21

Trang 9

3.2.2.4 Tấn công con mồi (khai thác) 22

3.2.2.5 Tìm kiếm con mồi (thăm dò) 23

3.3 Phương pháp tối ưu hóa 24

CHƯƠNG 4 TRƯỜNG HỢP NGHIÊN CỨU 28

4.1 Khái niệm vấn đề năng lượng 28

4.2 Khái niệm vấn đề tiện nghi nhiệt 29

4.3 Hàm mục tiêu bài toán 30

4.4 Trường hợp case study 1 31

4.4.1 Giới thiệu tòa nhà và hệ thống HVAC 31

4.4.2 Mô phỏng tòa nhà 31

4.4.3 Dữ liệu phân tích tòa nhà 32

4.4.4 Kết quả phân tích tòa nhà 41

4.5 Trường hợp case study 2 Tòa nhà văn phòng: “LIM TOWER 3” 46

4.5.1 Giới thiệu tòa nhà và hệ thống HVAC 46

4.5.2 Mô phỏng tòa nhà 47

4.5.3 Dữ liệu phân tích toàn nhà 50

4.5.4 Kết quả phân tích tòa nhà 63

CHƯƠNG 5 KẾT LUẬN VÀ KIẾN NGHỊ 72

Trang 10

DANH MỤC CÁC HÌNH

Hình 1-1: Tiêu thụ năng lượng sơ cấp tại Việt Nam từ 2005 đến 2017 2

Hình 1-2 : Sơ đồ nghiên cứu đề tài 5

Hình 2-1 : Phân loại các thuật toán tối ưu hóa cho BOP 12

Hình 3-1 : Mạng perceptron nhiều lớp 16

Hình 3-2 : Hệ thống phân cấp của sói xám (sự thống trị giảm từ trên xuống) 18

Hình 3-3 : Hành vi săn mồi của sói xám: (A) đuổi theo, tiếp cận và theo dõi con mồi (B-D) truy đuổi, quấy rối và bao vây (E) đứng yên và tấn công (Muro et al., 2011) 19

Hình 3-4 : Vectơ vị trí 2D và 3D và các vị trí tiếp theo có thể có của chúng 21

Hình 3- 5 : Cập nhật vị trí trong GWO 22

Hình 3-6 : Tấn công con mồi so với tìm kiếm con mồi 23

Hình 3-7 : Các quy trình của thuật toán sói xám 24

Hình 3-8 : Khung tối ưu hóa 26

Hình 4-1 : Đại diện vùng thoải mái ASHRAE 29

Hình 4-2 : Mối quan hệ PPD và PMV 30

Hình 4- 3 : Hình học của tòa nhà giáo dục (a) mô phỏng (b) thực tế 31

Hình 4-4 : Khai báo thông số thuật toán tối ưu case study 1 41

Hình 4-5 : Kết quả tối ưu hóa hệ thống HVAC case study 1 42

Hình 4-6 : Giải pháp tối ưu được chọn dựa vào kỹ thuật sắp xếp thứ tự ưu tiên theo độ tương tự với lời giải lý tưởng (TOPSIS) cho case study 1 42

Hình 4- 7 : Cấu trúc hệ thống HVAC 47

Hình 4-8 : Mô hình tòa nhà văn phòng Lim Tower 3 (a) mô phỏng (b) thực tế 48

Hình 4-9 : Biểu đồ làm việc người cư ngụ 48

Hình 4-10 : Biểu đồ làm việc đèn 49

Hình 4-11 : Biểu đồ làm việc thiết bị 49

Hình 4-12 : Cấu trúc của ANN với đầu vào và đầu ra 63

Hình 4-13 : Kết quả huấn luyện 245 bộ dữ liệu (a) Năng lượng (b) PPD 64

Hình 4-14 : Kết quả xác thực sử dụng 105 bộ dữ liệu (a) Năng lượng (b) PPD 64

Hình 4-15 : Kết quả huấn luyện 350 bộ dữ liệu (a) Năng lượng (b) PPD 64

Hình 4-16 : Khai báo thông số thuật toán tối ưu case study 2 65

Trang 11

Hình 4-17 : Kết quả tối ưu hóa hệ thống HVAC trong case study 2 67Hình 4-18 : Giải pháp tối ưu được chọn dựa vào kỹ thuật sắp xếp thứ tự ưu tiên theo độ tương tự với lời giải lý tưởng (TOPSIS) cho case study 2 67

Trang 12

DANH MỤC CÁC BẢNG

Bảng 2-1 : Các nghiên cứu trước đây ở dùng phương pháp công cụ học máy để giải

quyết vấn đề tối ưu hóa tòa nhà 9

Bảng 2- 2 : Các nghiên cứu trước đây ở dùng phương pháp thuật toán tối ưu để giải quyết vấn đề tối ưu hóa tòa nhà 10

Bảng 3-1 : Phạm vi dữ liệu để tối ưu hóa 25

Bảng 4-1 : Case 1 data 33

Bảng 4-2 : Kết quả tối ưu hóa thuật toán case study 1 43

Bảng 4-3 : Kết quả so sánh trong case study 1 45

Bảng 4-4 : Case 2 data 51

Bảng 4-5 : Kết quả tối ưu hóa thuật toán case study 2 68

Bảng 4-6 : Kết quả so sánh case study 2 70

Trang 13

ASEAN Association of Southeast Asian Nations TRNSYS TRaNsient SYstems Simulation Program MPC Model Predictive Control

MOGA Multi-Objective Genetic Algorithm PSO Particle Swarm Optimization

I-PreCons Intelligent PREdiction system of CONcrete Strength BPN Backpropagation Neural Net

CPN Counterpropagation Neural Net GA Genetic Algorithm

NSGA-II Multiobjective Genetic Algorithm VOC Volatile Organic Compound

RMSE Root Mean Square Error PMV Predicted Mean Vote DF Derivative-Free

MLP Multilayer Perceptron Network PAU Primary Air Units

BOP Building Optimization Problems

M-PAES Memetic Pareto Archive Evolution Strategy

TOPSIS Technique for Order Preference by Similarity to Ideal Solution

Trang 14

CHƯƠNG 1 MỞ ĐẦU

1.1 Lựa chọn đề tài

Tốc độ gia tăng dân số đã dẫn đến nhu cầu năng lượng lớn hơn (Nasruddin et al., 2016) Năm 2013, Cơ quan Năng lượng Quốc tế (IEA) ước tính rằng tòa nhà đã trở thành nơi tiêu thụ năng lượng lớn thứ ba trên thế giới (Agency, 2013) Nói chung, việc sử dụng năng lượng trong tòa nhà là dành cho ánh sáng, thiết bị điện và hệ thống HVAC Một số nghiên cứu cho thấy một nửa mức sử dụng năng lượng trong tòa nhà được sử dụng để điều hòa khí hậu trong nhà (Balaras, Dascalaki, Gaglia, Droutsa, & Kontoyiannidis, 2007; Poel, van Cruchten, & Balaras, 2007) Kể từ những thập kỷ qua, hầu hết các hệ thống phát điện trên thế giới sử dụng năng lượng hóa thạch như than đá, dầu mỏ và khí đốt tự nhiên làm nguồn năng lượng chính của họ (Reda, Ali, Morsy, & Taha, 2016) Điều này không chỉ gây bất lợi cho việc tạo ra và giải phóng các khí độc hại như CO2 và SOX vào môi trường, mà còn làm cạn kiệt thêm nguồn cung cấp nhiên liệu hóa thạch hạn chế Do đó, việc giảm sử dụng năng lượng trong các tòa nhà có thể giảm thiểu phát thải khí nhà kính

Mối quan tâm dường như phổ biến và nghiêm trọng hơn trong khu vực Hiệp hội các quốc gia Đông Nam Á (ASEAN) Khu vực này đã và đang phải đối mặt với một thách thức kép là duy trì tăng trưởng kinh tế và giải quyết các vấn đề xung quanh (Munir, Lean, & Smyth, 2020) Tăng trưởng kinh tế gây áp lực ngày càng tăng lên nhu cầu năng lượng, hiện đang phụ thuộc rất nhiều vào nhiên liệu hóa thạch (Erdiwansyah et al., 2019) Việt Nam là một trong những nền kinh tế mới nổi phát triển nhanh nhất ở châu Á Tuy nhiên, sự tăng trưởng kinh tế của đất nước đã đi kèm với sự gia tăng tiêu thụ năng lượng với những tác động xấu đến môi trường Nền kinh tế năng lượng của Việt Nam đã thay đổi nhanh chóng trong những thập kỷ gần đây Nó đã trải qua quá trình chuyển đổi tương tự như nền kinh tế: Từ một nền kinh tế nông nghiệp dựa trên nhiên liệu truyền thống, Việt Nam đã chuyển sang sử dụng sinh khối và các năng lượng tái tạo khác.Việt Nam rất giàu tài nguyên năng lượng như dầu thô, than, khí đốt tự nhiên và thủy điện đã hỗ trợ tăng trưởng kinh tế của Việt Nam vì đất nước không cần phải nhập khẩu các tài sản năng lượng này Tuy nhiên, trong những năm gần đây, thu nhập bình quân đầu người tăng đã làm tăng nhu cầu năng lượng và do đó cũng phải nhập khẩu Trong những năm qua, bất kể nguồn nào mức tiêu thụ năng lượng đã tăng đều đặn Liên quan đến tiêu thụ năng lượng sơ cấp ở Việt Nam từ

Trang 15

năm 2005 đến 2017, chúng ta có thể thấy trong Hình 1-1, một sự tăng trưởng vượt mức Năm 2017, Việt Nam tiêu thụ tổng cộng khoảng 75,3 triệu tấn dầu quy đổi năng lượng sơ cấp Mặc dù mức tiêu thụ năng lượng sơ cấp tăng qua các năm nhưng đã có sự thay đổi trong loại tiêu thụ năng lượng cuối cùng Về mức tiêu thụ năng lượng cuối cùng của ngành, từ năm 2015, ngành công nghiệp là ngành tiêu thụ lớn nhất với 43%, tiếp theo là khu dân cư với 29,6% và từ ngành giao thông vận tải với 22,7% Sự gia tăng tiêu thụ năng lượng, dưới hầu hết các hình thức, đã tạo ra sự gia tăng lượng khí thải CO2 Năm 2016, lượng khí thải CO2 là 206.042,1 nghìn tấn CO2/năm với mức tăng đáng kể từ năm 1997 đến 2016: Việt Nam đã ghi nhận giá trị tăng từ 43.373,4 lên 206.042,1 nghìn tấn CO2/năm mức tăng hàng năm trên 18% Chỉ trong quý cuối cùng của năm 2016 giá trị đã giảm 0,09% Liên quan đến cường độ phát thải trên một đơn vị GDP năm 2016 là 0,37 kg CO2/1USD, với mức tăng trưởng hàng năm từ 1997 đến 2016 là 2,24% (Morelli & Policy, 2020)

Hình 1-1: Tiêu thụ năng lượng sơ cấp tại Việt Nam từ 2005 đến 2017 (tính bằng triệu tấn dầu quy đổi)

Việc gia tăng mức tiêu thụ năng lượng của tòa nhà bị ảnh hưởng nhiều bởi thiết kế tòa nhà, thay đổi tiêu chuẩn tiện nghi của người ở, vận hành, bảo trì tòa nhà và thiết kế hệ thống HVAC Tất cả những khía cạnh đó nên được hình thành trong nhận thức với mức tiêu thụ năng lượng và sự tiện nghi của người cư ngụ Vấn đề nghiên cứu tối ưu hóa tòa nhà đã được thực hiện và công bố trên nhiều tài liệu : (Wang et al., 2004) đã phát triển một mô hình đơn giản hóa để tối ưu hóa và điều khiển bộ cuộn dây làm mát (Henze, Kalz, Liu, & Felsmann, 2005) đã trình diễn một mô hình tòa nhà trong TRNSYS với điều khiển dự

Trang 16

đoán mô hình (MPC) để kiểm kê kho lưu trữ nhiệt tại tòa nhà chủ động và thụ động (Freire, Oliveira, & Mendes, 2008) đã phát triển ANN để xây dựng các mô hình động về mức tiêu thụ năng lượng và tiện nghi nhiệt tại hệ thống HVAC đơn lẻ (L Zhou & Haghighat, 2009) áp dụng các thuật toán di truyền để tối ưu hóa hoạt động HVAC của tòa nhà bằng cách giảm thiểu mức tiêu thụ năng lượng và duy trì sự thoải mái về nhiệt độ trong nhà

Việc tối ưu hóa hệ thống HVAC của tòa nhà đã được thực hiện thông qua nhiều phương pháp và mục đích khác nhau Tuy nhiên, hầu hết trong số họ tập trung vào một hệ thống HVAC đơn lẽ Nghiên cứu này trình bày việc tối ưu hóa hệ thống HVAC tổ hợp, bao gồm hệ thống máy làm lạnh VAV và hệ thống DOAS Mục tiêu của nghiên cứu này là phát triển một cách tiếp cận mới, cải thiện để tối ưu hóa đa mục tiêu về mức tiêu thụ năng lượng và sự tiện nghi tòa nhà thông qua việc kết hợp thuật toán GWO-ANN và chương trình IESVE nhằm phù hợp với các tính năng của mô hình để khai thác và chứng minh những điểm mạnh và vượt trội so với các thuật toán trước đây Nghiên cứu này đề cập đến việc tối ưu hóa đa mục tiêu của hệ thống máy làm lạnh VAV và hệ thống DOAS, cho thấy tiềm năng của phương pháp này trong việc xác định hoạt động phù hợp của các hệ thống HVAC phức hợp

1.2 Mục tiêu nghiên cứu

Phát triển một cách tiếp cận mới tối ưu hóa đa mục tiêu giải quyết bài toán tối ưu hệ thống HVAC trong tòa nhà về năng lượng tiêu thụ và tiện nghi nhiệt thông qua phương pháp tối ưu hóa GWO, ANN và chương trình IESVE

Tối ưu hóa các hoạt động hệ thống HVAC và các thông số xây dựng khác của một hệ thống VAV và DOAS làm việc đồng thời, cho thấy tiềm năng của phương pháp này trong việc xác định vận hành tích hợp của các hệ thống HVAC phức hợp

Phương pháp tối ưu hóa dùng thuật toán GWO-ANN phải tốt hơn các thuật toán cũ Multi-objective genetic algorithm_MOGA (Nasruddin et al., 2019) về giải quyết vấn đề tiêu thụ năng lượng và tiện nghi nhiệt trong hệ thống HVAC

Để chứng minh sự cải thiện về hiệu suất và tốc độ trong quá trình xử lý bài toán, nghiên cứu này đã tính toán và so sánh với kết quả các nghiên cứu trước đây, đồng thời áp dụng vào một công trình thực tế tại Việt Nam

1.3 Phạm vi nghiên cứu

Các vấn đề nghiên cứu cụ thể trong phạm vi Luận văn này bao gồm:

Trang 17

- Hệ thống HVAC trong tòa nhà ở Thành phố Hồ Chí Minh

- Hệ thống làm lạnh trong đó VAV và hệ thống DOAS làm việc đồng thời

- Giảm mức tiêu thụ năng lượng và sự tiện nghi nhiệt của hệ thống HVAC trong tòa nhà

- Các yếu tố, vấn đề nghiên cứu đã có dữ liệu trước

1.4 Ý nghĩa và đóng góp của nghiên cứu Về ý nghĩa khoa học

- Giới thiệu phương pháp tối ưu hóa dùng thuật toán GWO-ANN giải quyết vấn đề về tiêu thụ năng lượng và sự tiện nghi nhiệt của hệ thống HVAC, mở ra hướng phát triển mới với phương pháp tối ưu hóa thuật toán này

- So sánh khi dùng thuật toán GWO-ANN với các thuật toán trước đây do các tác giả trên thế giới sử dụng Đưa ra đánh giá cụ thể khi áp dụng vào giải quyết bài toán về tiêu thụ năng lượng và sự tiện nghi nhiệt

- Nghiên cứu cho thấy tiềm năng của phương pháp này trong việc xác định hoạt động phù hợp của các hệ thống HVAC phức hợp

Về mặt thực tiễn

- Nghiên cứu thực hiện có thể được sử dụng để giúp ban quản lý tòa nhà thiết kế và lựa chọn chiến lược điều khiển để vận hành hệ thống HVAC một cách hiệu quả - Phương pháp nghiên cứu được áp dụng trong nghiên cứu này có thể được tham khảo

để giải quyết các vấn đề tối ưu hóa phức tạp trên hệ thống HVAC và thiết kế tòa nhà

1.5 Phương pháp nghiên cứu

1.5.1 Quy trình các bước nghiên cứu tổng quát bằng sơ đồ

Trang 18

Hình 1-2 : Sơ đồ nghiên cứu đề tài

1.5.2 Quy trình các bước nghiên cứu chi tiết 1.5.2.1 Lựa chọn đề tài

Xác định các vấn đề của đề tài nghiên cứu :

• Tìm hiểu vấn đề tiêu thụ năng lượng và tiện nghi nhiệt của hệ thống HVAC • Việc tối ưu hóa đa mục tiêu của hệ thống máy làm lạnh trong đó VAV và hệ

thống DOAS hoạt động đồng thời, cho thấy tiềm năng của phương pháp này trong việc xác định hoạt động phù hợp của các hệ thống HVAC phức hợp

1.5.2.2 Mục tiêu nghiên cứu

Xác định đối tượng nghiên cứu : • Giải quyết vấn đề nghiên cứu

Trang 19

Những đóng góp nghiên cứu trong tương lai : • Ý nghĩa khoa học

Tìm hiểu các nghiên cứu trước đây,

• Mục tiêu, ý nghĩa và hạn chế của các nghiên cứu trước đây

1.5.2.6 Xây dựng mô hình nghiên cứu

Nghiên cứu phương pháp tối ưu thuật toán GWO-ANN • Grey Wolf Optimizer

• Artificial neural network

1.5.2.7 Áp dụng mô hình

Ý nghĩa khoa học

• Áp dụng GWO-ANN vào case study 1 so sánh kết quả đạt được với các

nghiên cứu trước đây Ý nghĩa thực tiễn

• Áp dụng GWO-ANN vào case study 2 so sánh kết quả thu được với kết quả

thực tế

1.5.2.8 Kết luận và kiến nghị

• Xác nhận và đánh giá kết quả đã đạt được trong mục tiêu đề ra của nghiên cứu

Trang 20

• Nêu ra những đóng góp và hạn chế trong bài nghiên cứu • Kiến nghị

1.6 Bố cục luận văn

Chương 1 Mở đầu:

Trình bày lý do chọn đề tài, mục tiêu, phạm vi nghiên cứu của đề tài, ý nghĩa và đóng góp, phương pháp nghiên cứu, bố cục luận văn

Chương 2 Tổng quan tình hình nghiên cứu:

Trình bày tổng quan bài toán, thuật toán nghiên cứu và các nghiên cứu liên quan trước đây

Chương 3 Cơ sở lý thuyết:

Giới thiệu lý thuyết về trình bày khái niệm thuật toán Sói xám (GWO), mạng thần kinh nhân tạo (ANN), phương pháp tối ưu và cách áp dụng giải quyết vấn đề

Chương 4 Các trường hợp nghiên cứu:

Giới thiệu và áp dụng thuật toán tối ưu hóa vào các trường hợp khác nhau trên các nghiên cứu trước đây và ngoài thực tiễn, so sánh các kết quả giữa các thuật toán cũ và mới, ứng dụng vào trường hợp thực tế

Chương 5 Kết luận và kiến nghị:

Trình bày kết luận và kiến nghị, đề xuất hướng đi mới cho các nghiên cứu về sau

Trang 21

CHƯƠNG 2 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU

2.1 Tổng quan bài toán nghiên cứu

Trong ứng dụng thực tế, khá khó để xác định thiết kế tòa nhà tối ưu và vận hành hệ thống HVAC liên quan đến chất lượng không khí trong nhà và mức tiêu thụ năng lượng do có rất nhiều thông số cần được xem xét (Magnier & Haghighat, 2010) Nhiều nghiên cứu tối ưu hóa tòa nhà nhằm nâng cao hiệu quả vận hành hệ thống HVAC trong tòa nhà đã được thực hiện và công bố trên các tài liệu (Wei, Kusiak, Li, Tang, & Zeng, 2015) giới thiệu phương pháp tối ưu hóa bầy đàn hạt (PSO) để giải quyết vấn đề tối ưu hóa đa mục tiêu của hệ thống HVAC trong một cơ sở văn phòng điển hình (Ghalambaz, Jalilzadeh Yengejeh, & Davami, 2021) nghiên cứu tối ưu hóa năng lượng tòa nhà bằng Sói xám (GWO) nhằm mục đích để giảm thiểu mức tiêu thụ năng lượng hàng năm của một tòa nhà văn phòng Bên cạnh đó, gần đây có nhiều thuật toán metaheuristic được áp dụng hiệu quả như sau : (Kaveh, 2014) cuốn sách này trình bày các thuật toán metaheuristic hiệu quả để thiết kế cấu trúc tối ưu, các khái niệm và thuật toán được trình bày trong cuốn sách này không chỉ áp dụng để tối ưu hóa cấu trúc khung và mô hình phần tử hữu hạn, mà còn có thể được sử dụng để thiết kế tối ưu các hệ thống khác như thủy lực và điện các mạng Trong phiên bản thứ hai, bảy chương mới được thêm vào bao gồm những phát triển mới trong lĩnh vực tối ưu hóa Các chương này bao gồm tối ưu hóa các vật thể va chạm nâng cao, phân tích độ nhạy toàn cầu, tối ưu hóa kéo co, tối ưu hóa sự bay hơi của nước, tối ưu hóa hệ thống hạt rung và các thuật toán tối ưu hóa quá trình sinh sản theo chu kỳ Một chương cũng được dành cho thiết kế tối ưu của các cấu trúc quy mô lớn (Kaveh, 2017) cuốn sách trình bày các thuật toán tối ưu hóa metaheuristic hiệu quả được phát triển gần đây và các ứng dụng của chúng để giải quyết các vấn đề tối ưu hóa khác nhau trong kỹ thuật dân dụng Các khái niệm này cũng có thể được sử dụng để tối ưu hóa các vấn đề trong kỹ thuật cơ và điện Nghiên cứu về công cụ học máy đã quen thuộc và ứng dụng rộng rãi trong nghiên cứu năng lượng tòa nhà (Lee, Hong, Seo, & Lee, 2019) phân tích ứng dụng mạng nơ ron nhân tạo để tối ưu hóa nhiệt độ gió xả AHU và giảm thiểu năng lượng làm mát trong hệ thống VAV (Abida & Richter, 2023) nghiên cứu điều khiển HVAC trong tòa nhà sử dụng mạng nơ-ron mục tiêu của nghiên cứu là điều tra tính chính xác của thói quen học máy đối với việc kiểm soát tối ưu hóa tòa nhà Ngoài ra, nghiên cứu về các công cụ học máy được

Trang 22

ứng dụng rộng rãi trong các nghiên cứu sau : (Kaveh & Khalegi, 1998) Mục đích của nghiên cứu này là phát triển I-PreConS (Hệ thống dự đoán thông minh về cường độ bê tông) cung cấp thông tin về cường độ tại chỗ của bê tông để tạo điều kiện loại bỏ ván khuôn bê tông và lập kế hoạch thi công (Kaveh & Iranmanesh, 1998) mô tả các ứng dụng của hai mạng nơ-ron nhân tạo cụ thể là mạng nơ-ron lan truyền ngược (BPN) và mạng nơ-ron phản lan truyền cải tiến (CPN) để phân tích và thiết kế các cấu trúc không gian quy mô lớn (Kaveh & Khavaninzadeh, 2023) mục đích là sử dụng sự kết hợp của thuật toán meta-heuristic với hai loại cấu trúc mạng thần kinh nhân tạo khác nhau để tối ưu hóa các tham số của lan truyền ngược nguồn cấp dữ liệu và mạng chức năng cơ sở hướng tâm

Sự phức tạp, khó xác định của bài toán nghiên cứu đã thúc đẩy các nhà nghiên cứu tìm giải pháp áp dụng các thuật toán khác nhau để có được các giải pháp tối ưu hoặc gần tối ưu cho các bài toán về tiêu thụ năng lượng và tiện nghi nhiệt của hệ thống HVAC

2.2 Tổng quan thuật toán sử dụng cho nghiên cứu

Các thuật toán tối ưu hóa dựa trên mô phỏng thường được sử dụng là thuật toán di truyền (GA) và phương pháp tối ưu hóa bầy đàn hạt (PSO) Những phương pháp tinh vi này sử dụng các kế hoạch tìm kiếm ngẫu nhiên đòi hỏi hàng trăm đến hàng nghìn mô phỏng tòa nhà tốn nhiều thời gian để hội tụ Chi phí và thời gian tối ưu hóa phụ thuộc vào nhiều tham số, chẳng hạn như số lần tính toán hàm mục tiêu, số lượng biến thiết kế và thuật toán tối ưu hóa được áp dụng Với sức mạnh tính toán hiện tại, một số lần chạy tối ưu hóa có thể mất vài tuần hoặc vài tháng (Attia, Hamdy, O’Brien, & Carlucci, 2013) Ngoài ra, tiện nghi nhiệt và mức tiêu thụ năng lượng của các tòa nhà là phi tuyến tính do đó thuật toán tối ưu hóa có thể được áp dụng ở điểm cực tiểu cục bộ (Nguyen, Reiter, & Rigo, 2014) Theo đó, cần phải phát triển một phương pháp tối ưu hóa có thể giải quyết những thách thức tính toán này

Bảng 2-1 : Các nghiên cứu trước đây ở dùng phương pháp công cụ học máy để giải quyết vấn đề tối ưu hóa tòa nhà

STT Tên bài báo,

1

Predictive controllers for thermal comfort optimization and energy savings

Freire, Roberto Z Oliveira, Gustavo H C

2008

-Nghiên cứu đã phát triển ANN để xây dựng các mô hình động về mức tiêu thụ năng lượng và tiện nghi nhiệt tại hệ thống HVAC đơn lẻ

Trang 23

Mendes, Nathan

2

Neural networks based predictive control for thermal comfort and energy savings in public buildings

Ferreira, P M

Ruano, A E Silva, S Conceição, E Z E

2010

-Mô hình đề xuất mạng thần kinh cơ sở xuyên tâm để điều khiển dự đoán nhằm giảm thiểu năng lượng

3

Prediction and

optimization of heating and cooling loads in a residential building based on multi-layer perceptron neural network and different optimization algorithms

Xu, Yuanjin Li, Fei

Asgari, Armin

2022

-Phương pháp tối ưu hóa để dự đoán quá trình sưởi ấm và làm mát của các tòa nhà tiết kiệm năng lượng

Bảng 2- 2 : Các nghiên cứu trước đây ở dùng phương pháp thuật toán tối ưu để giải quyết vấn đề tối ưu hóa tòa nhà

STT Tên bài báo,

1

Multiobjective optimization of building design using TRNSYS simulations, genetic algorithm, and Artificial Neural Network

Magnier, Laurent Haghighat, Fariborz

2010

-Tối ưu hóa tòa nhà liên quan đến nhiều mục tiêu nói chung là một quá trình cực kỳ tốn thời gian Phương pháp GAINN được trình bày trong nghiên cứu này trước tiên sử dụng Mạng nơ-ron nhân tạo (ANN) dựa trên mô phỏng để mô tả hành vi của tòa nhà, sau đó kết hợp ANN này với Thuật toán di truyền đa mục tiêu (NSGA-II) để tối ưu hóa nhằm để tối ưu hóa tiện nghi nhiệt và tiêu thụ năng lượng trong nhà ở

2

Energy Efficient Building HVAC

Control Algorithm with Real-time Occupancy Prediction

Shi, Jie Yu, Nanpeng Yao, Weixin

2017

- Một lượng lớn năng lượng bị lãng phí thông qua hoạt động không hiệu quả của hệ thống sưởi ấm, thông gió và điều hòa không khí (HVAC) do thiếu đo lường và dự đoán sức chứa đáng tin cậy của tòa nhà

-Nghiên cứu nhằm mục tiêu dự đoán công suất sử dụng theo thời gian thực không chỉ giảm mức tiêu thụ điện mà

Trang 24

còn cải thiện sự thoải mái cho cư dân tòa nhà

3

HVAC system energy optimization using an adaptive hybrid metaheuristic

Ghahramani, Ali

Karvigh, Simin Ahmadi Becerik-Gerber, Burcin

2017

-Những nỗ lực nghiên cứu trước đây, để tối ưu hóa việc sử dụng năng lượng của các hệ thống HVAC, yêu cầu phải xây dựng các mô hình toán học của các hệ thống HVAC hoặc chúng yêu cầu dữ liệu vận hành lịch sử đáng kể để tìm hiểu các cài đặt vận hành tối ưu -Thuật toán được đề xuất giúp tiết kiệm năng lượng so với các hoạt động cơ sở

4

Optimization of HVAC system energy

consumption in a building using artificial neural network and multi-objective genetic algorithm

Nasruddin, Sholahudin, Satrio, Pujo Mahlia, Teuku

Meurah Indra Giannetti, Niccolo Saito, Kiyoshi

2019

-Việc tối ưu hóa hoạt động của hệ thống sưởi ấm,thông gió và điều hòa không khí (HVAC) và các thông số khác của tòa nhà nhằm giảm thiểu mức tiêu thụ năng lượng hàng năm và tối đa hóa tiện nghi nhiệt được trình bày trong nghiên cứu này

5

Predictive modelling and optimization of HVAC systems using neural network and particle swarm

optimization algorithm

Afroz, Zakia Shafiullah, G M

Urmee, Tania Shoeb, M A Higgins, Gary

2022

-Khái niệm duy trì chất lượng môi trường trong nhà bao gồm nhiệt độ trong nhà, độ ẩm tương đối, CO2 và mức hợp chất hữu cơ dễ bay hơi (VOC) đặt ra những thách thức mới đối với hoạt động tối ưu của hệ thống sưởi, thông gió và điều hòa không khí (HVAC)

-Nghiên cứu này đề xuất một phương pháp mô hình hóa và tối ưu hóa hiện đại để giảm thiểu mức tiêu thụ năng lượng của các hệ thống HVAC mà không ảnh hưởng đến chất lượng môi trường trong nhà

Phương pháp thông thường để giải các vấn đề về tối ưu hóa tòa nhà (BOP) là tối ưu hóa dựa trên mô phỏng, trong đó phần mềm mô phỏng tòa nhà sẽ được kết hợp với thuật toán tối ưu hóa (ví dụ: Thuật toán di truyền) Do đó, phần mềm mô phỏng tòa nhà tính toán hàm mục tiêu (ví dụ: tiện nghi nhiệt, mức tiêu thụ năng lượng) và thuật toán tối ưu hóa kiểm soát các tham số thiết kế

Trang 25

Hiệu suất của các thiết kế tối ưu hóa dựa trên mô phỏng phụ thuộc rất nhiều vào các thuật toán tối ưu hóa Hình 2-1 chỉ ra một phân loại các thuật toán tối ưu hóa được sử dụng nhiều nhất trong BOP theo phương pháp hoạt động Các thuật toán tối ưu hóa có thể được thường được phân thành hai loại: Thuật toán dựa trên độ dốc và thuật toán không đạo hàm (DF)

Hình 2-1 : Phân loại các thuật toán tối ưu hóa cho BOP

Các phương pháp Gradient-based như thuật toán Levenberg–Marquardt hay thuật toán Armijo rời rạc sử dụng đạo hàm của hàm để tìm ra lời giải tối ưu Mặc dù các phương pháp này có lợi thế từ sự hội tụ nhanh và đảm bảo mức tối thiểu cục bộ, nhưng chúng dễ bị gián đoạn trong các hàm mục tiêu và hàm đa phương thức, khiến các thuật toán này không phù hợp với BOP (Attia et al., 2013; Machairas, Tsangrassoulis, & Axarli, 2014; Nguyen et al., 2014)

Trang 26

Loại thứ hai là thuật toán DF (ví dụ: thuật toán tối ưu hóa ngẫu nhiên), không yêu cầu tính toán đạo hàm hàm mục tiêu Tuy nhiên, các thuật toán này thường cần nhiều đánh giá hàm mục tiêu và không thể đảm bảo tính tối ưu cục bộ của giải pháp do cơ chế tìm kiếm không có đạo hàm của chúng Tuy nhiên, thuật ngữ 'tối ưu hóa' trong BOP không nhất thiết có nghĩa là tìm kiếm giá trị tối ưu toàn cục, vì nó có thể không khả thi do bản chất của vấn đề tối ưu hóa hoặc bản thân phần mềm mô phỏng (Baños et al., 2011; Nguyen et al., 2014) Các thuật toán DF có khả năng giải quyết cả vấn đề tuyến tính và phi tuyến tính với sự không liên tục Các tính năng này làm cho các thuật toán này phù hợp với BOP (Attia et al., 2013; Evins, 2013; Machairas et al., 2014) Các thuật toán tối ưu hóa DF đã được sử dụng phần lớn trong các nghiên cứu tối ưu hóa tòa nhà (Evins, 2013) đã áp dụng phương pháp tìm kiếm mẫu Hooke và Jeeves để xác định các biến thiết kế tối ưu cho các tòa nhà năng lượng mặt trời (Bouchlaghem, 2000) đã sử dụng phương pháp đơn hình của Nelder và Mead và phương pháp phức hợp phi ngẫu nhiên để tối ưu hóa lớp vỏ công trình

Mặc dù có nhiều nghiên cứu về BOP, nhưng không có thuật toán tối ưu hóa duy nhất nào có thể được chọn là thuật toán tốt nhất vì hiệu suất của nó phụ thuộc vào bản chất của vấn đề tối ưu hóa (Wolpert & Macready, 1997) (Wetter & Wright, 2003) đã phân tích khả năng của thuật toán GA và Hooke–Jeeves (HJ) trong việc giảm thiểu mức tiêu thụ năng lượng của tòa nhà Các kết quả cho thấy rằng GA có thể tìm thấy một tối ưu với khả năng tính toán thấp trong khi HJ có thể được đưa vào một tối ưu cục bộ (G Zhou, Ihm, Krarti, Liu, & Henze, 2003) đã nghiên cứu khả năng của chín thuật toán tối ưu hóa khác nhau để xử lý BOP Họ phát hiện ra rằng PSO-HJ có thể dẫn đến mức tiêu thụ năng lượng tòa nhà thấp nhất trong khi phương pháp Nelder và Mead có thể dễ dàng đạt được mức tối thiểu cục bộ (Wright & Alajmi, 2005) đã thử nghiệm tính mạnh mẽ của GA trong việc lựa chọn các tham số điều khiển trong một BOP không bị ràng buộc Người ta thấy rằng GA không ảnh hưởng với việc lựa chọn các tham số điều khiển của nó (Wright & Alajmi, 2005) đã thực hiện một cuộc điều tra so sánh về khả năng của PSO và GA đối với BOP Kết quả cho thấy GA có thể tìm ra lời giải tối ưu với chi phí tính toán thấp hơn so với PSO

(Sajadi et al., 2021) đã sử dụng kết hợp mạng nơ-ron nhân tạo (mô hình perceptron nhiều lớp) và phương pháp tối ưu hóa thuật toán di truyền để tối ưu hóa mức tiêu thụ năng lượng của một tòa nhà văn phòng Thật vậy, mạng thần kinh được sử dụng như một công cụ xấp xỉ hàm để ước tính mức tiêu thụ năng lượng của tòa nhà mà không cần liên kết trực

Trang 27

tiếp đến phần mềm mô phỏng tòa nhà Cách tiếp cận này loại bỏ yêu cầu liên kết hai chiều trực tiếp giữa phần mềm mô phỏng tòa nhà và thuật toán tối ưu hóa ANN cho thấy thay vì các quy tắc phức tạp và quy trình toán học, ANN có thể tìm hiểu các mẫu thông tin chính bằng cách sử dụng dữ liệu đa chiều, ANN cho thấy hiệu suất tốt hơn về tốc độ hội tụ

Gần đây, một số thuật toán tối ưu hóa đã được đề xuất trong các tài liệu, cho thấy hiệu suất vượt trội so với các thuật toán tối ưu hóa tiên tiến hiện đang được sử dụng trong BOP Tuy nhiên, các thuật toán tối ưu hóa mới như vậy chưa bao giờ được sử dụng trong BOP và do đó hiệu suất của chúng trong BOP vẫn chưa được biết Do đó, một cuộc điều tra về việc điều chỉnh và áp dụng các phương pháp tối ưu hóa mới cho BOP được đảm bảo

Thuật toán Grey Wolf Optimizer (GWO) là một phương pháp tối ưu hóa meta-heuristic mới, được lấy cảm hứng từ mạng xã hội tìm kiếm hành vi của sói xám GWO lần đầu tiên được đề xuất bởi (Mirjalili, Mirjalili, & Lewis, 2014) Thuật toán GWO bắt chước cơ chế phân cấp và săn mồi của loài sói xám trong tự nhiên Bốn loại sói xám, chẳng hạn như alpha, beta, delta và omega, được sử dụng để mô phỏng hệ thống phân cấp lãnh đạo.Gần đây, (Faris, Aljarah, Al-Betar, Mirjalili, & applications, 2018a) xem xét các ứng dụng khoa học của GWO Họ báo cáo rằng GWO đã cho thấy những kết quả đầy hứa hẹn trong rất nhiều bài toán tối ưu hóa Mức độ thành công cao của GWO trong việc xử lý các vấn đề tối ưu hóa trong tài liệu có thể là do các đặc điểm ấn tượng của phương pháp này so với các phương pháp trí tuệ bầy đàn khác Đánh giá này nhấn mạnh rằng GWO không yêu cầu thông tin nguồn gốc của không gian tìm kiếm và thuật toán cũng chỉ có một vài tham số Bên cạnh đó, GWO có thể mở rộng, linh hoạt, dễ sử dụng và đơn giản Thuật toán được cải tiến từ sự cân bằng giữa khám phá và khai thác thông qua quá trình tìm kiếm, dẫn đến sự hội tụ tuyệt vời Do đó, GWO đã thu hút sự chú ý của các nhà nghiên cứu trong các lĩnh vực khoa học và kỹ thuật khác nhau Kể từ năm 2014, thuật toán GWO đã được sử dụng rộng rãi trong việc tối ưu hóa nhiều lĩnh vực khoa học như kỹ thuật (61%), học máy (20%), y tế và tin sinh học (6%), mạng (5%), ứng dụng môi trường (5%) và xử lý ảnh (3%) (Faris, Aljarah, Al-Betar, Mirjalili, & applications, 2018b) Ứng dụng của GWO trong các nghiên cứu động lực học chất lỏng tính toán cũng đã được Mirjalili và cộng sự xem xét (Mirjalili et al., 2020)

GWO và các phiên bản sửa đổi của nó đã được sử dụng trong các khía cạnh kỹ thuật khác nhau như phương pháp lựa chọn tính năng để phân loại (Al-Tashi et al., 2020; Chantar

Trang 28

et al., 2020), lập kế hoạch đường đi (Qu, Gai, Zhang, & Zhong, 2020; Qu, Gai, Zhong, & Zhang, 2020), xử lý nước ngầm (Majumder & Eldho, 2020), cải thiện sản xuất dầu diesel sinh học (Samuel et al., 2020), gia công nhiều thành vật liệu tổng hợp nano ống nano/ống nano polyme (Kharwar & Verma, 2022), tối ưu hóa phạm vi phủ sóng của mạng cảm biến không dây (Miao et al., 2020), tối ưu hóa thời gian xây dựng và độ chắc chắn của lịch trình (Zhao, Issa, Pfeifenberger, Wurmshuber, & Kiener, 2020), dự đoán độ dẫn điện của đất (Samadianfard, Darbandi, Salwana, Nabipour, & Mosavi, 2020), hồ chứa thuận lợi của mỏ dầu (K Li, Zhou, Yang, Li, & Jiao, 2020) và cường độ bê tông (Shariati et al., 2022), là một số ứng dụng môi trường của GWO

Như đã thấy, tổng quan tài liệu cho thấy GWO và ANN đã rất thành công trong các lĩnh vực kỹ thuật khác nhau Tuy nhiên, khả năng kết hợp của thuật toán GWO và ANN chưa được thử nghiệm trong các bài toán tối ưu hóa tòa nhà đa mục tiêu Nghiên cứu hiện tại nhằm mục đích điều tra hiệu suất của GWO-ANN trong việc giảm thiểu mức tiêu thụ năng lượng và tối đa tiện nghi nhiệt của một tòa nhà

2.3 Hạn chế của các nghiên cứu trước đây

Có thể thấy có rất nhiều nghiên cứu tối ưu hóa tòa nhà được sử dụng bằng các phương pháp khác nhau nhưng các nghiên cứu trước đây thường sử dụng thuật toán cũ ít có sự cải thiện nên không khắc phục được hạn chế trong thuật toán (Wei et al., 2015), (Freire et al., 2008), (Ghahramani, Karvigh, & Becerik-Gerber, 2017) Dữ liệu đầu vào khó và phức tạp (Wang et al., 2004), (Henze et al., 2005), (Freire et al., 2008), (Magnier & Haghighat, 2010), (Shi, Yu, & Yao, 2017) Nghiên cứu hạn chế so sánh với thuật toán khác (L Zhou & Haghighat, 2009), (Lee et al., 2019), (Ghahramani et al., 2017), (T Li, Shao, Zuo, & Huang, 2017)

Trang 29

CHƯƠNG 3 CƠ SỞ LÝ THUYẾT

3.1 Khái niệm thuật toán mạng nơ-ron nhân tạo (ANN)

ANN là một công cụ học máy có thể được sử dụng để tìm hiểu mối quan hệ giữa các biến đầu vào và đầu ra để dự đoán hiệu suất của hệ thống Nó có thể hoạt động giống như một mô hình hộp đen không yêu cầu các thông số chi tiết của hệ thống Nguyên tắc hoạt động của ANN được lấy cảm hứng từ bộ não con người vì nó bao gồm các đầu vào, nơ-ron, các lớp ẩn và đầu ra Ở dạng đơn giản nhất, đầu vào được nhân với các hàm trọng số Sau đó, hàm tích và hàm sai lệch được tổng hợp và gửi vào các hàm truyền để tạo ra đầu ra cuối cùng Một số mô hình kiến trúc ANN đã được áp dụng thành công trong ứng dụng hệ thống điều hòa không khí và tòa nhà để dự đoán hiệu suất của hệ thống hấp thụ (Nasruddin, Sholahudin, Idrus Alhamid, & Saito, 2018); hiệu suất hệ thống hút ẩm lỏng (Mohammad, Mat, Sulaiman, Sopian, & Al-abidi, 2013); phụ tải cấp nhiệt của tòa nhà (Sholahudin & Han, 2015); nhiệt độ và độ ẩm không khí trong nhà (Mba, Meukam, & Kemajou, 2016)

Mô hình ANN với mạng perceptron nhiều lớp (MLP) được phát triển để dự đoán mức tiêu thụ năng lượng của tòa nhà hàng năm và các giá trị PPD Như thể hiện trong Hình 3-1, mạng MLP bao gồm lớp đầu vào, lớp ẩn và lớp đầu ra nơi tất cả các đầu vào được kết nối với tế bào thần kinh, và tất cả các tế bào thần kinh được kết nối với đầu ra

Hình 3-1 : Mạng perceptron nhiều lớp

Mối tương quan giữa x(k) đầu vào và đầu ra y(k) trong mạng MLP có thể được viết bằng toán học như sau:

Trang 30

𝑦(𝑘) = 𝑓2(𝑤2𝑥(𝑘) + 𝑏2) (1)

Trong đó x(k) chỉ ra vectơ đầu ra từ lớp ẩn Sau đó, w2 và w1 đại diện cho ma trận trọng số kết nối từ lớp ẩn đến lớp đầu ra và từ lớp đầu vào đến lớp ẩn Ký hiệu b1 và b2 hiển thị số sai lệch trong lớp đầu vào và lớp đầu ra (Ren, Liu, Rui, Li, & Feng, 2009) Hơn nữa, f1

(.) và f2 (.) đại diện cho các chức năng truyền của lớp ẩn và lớp đầu ra, tương ứng Hàm truyền được sử dụng trong nghiên cứu này là một hàm Tangent (Tanh) tiếp tuyến có thể được biểu thị bằng:

z đại diện cho một hàm của z = f (∑wixi) trong đó i là chỉ số trên đầu vào của tế bào thần kinh, xi là đầu vào cho tế bào thần kinh, wi là yếu tố trọng số gắn liền với đầu vào, z là đầu vào có trọng số (Mohanraj, Jayaraj, & Muraleedharan, 2012)

Độ chính xác của dự đoán được đo bằng RMSE (lỗi bình phương trung bình gốc)

Trang 31

3.2 Thuật toán Sói xám (GWO)

3.2.1 Cảm hứng từ thuật toán (GWO)

Sói xám (GWO) (Mirjalili et al., 2014) là thuật toán bắt chước hành vi xã hội của loài sói, hệ thống phân cấp xã hội của sói xám rất nghiêm ngặt và có bốn cấp bậc từ cao đến thấp Alpha (α), Beta (β), Delta (δ) và Omega (ω) như hình 3-2.Trong đó Alpha (α) là con đầu đàn và là con sói chiếm ưu thế nhất, còn Omega (ω) có vị thế thấp nhất trong hệ thống phân cấp Alpha (α) có thể là con đực hoặc con cái, là con quản lý lãnh đạo bầy đàn tốt nhất và có trách nhiệm đưa ra quyết định của bầy sói, Beta (β) là những con sói theo sau phụ trợ giúp Alpha (α) nhưng chúng chiếm ưu thế cao hơn so với Delta (δ) Nhiệm vụ của những con sói này là huấn luyện, lính canh gác và đảm bảo sự an toàn của bầy đàn Sói xám có vị thế thấp nhất trong đàn là Omega (ω), đóng vai trò là con phải hy sinh và phải tuân theo những yêu cầu và mệnh lệnh của những con sói (α,β,δ) trong đàn

Hình 3-2 : Hệ thống phân cấp của sói xám (sự thống trị giảm từ trên xuống)

Ngoài hệ thống phân cấp xã hội của sói, săn theo nhóm là một hành vi xã hội thú vị khác của sói xám Theo Muro et al (Muro, Escobedo, Spector, & Coppinger, 2011) các giai đoạn săn mồi chính của sói xám như sau:

• Theo dõi, rượt đuổi và tiếp cận con mồi

• Truy đuổi, bao vây và quấy rối con mồi cho đến khi nó ngừng di chuyển • Tấn công về phía con mồi

Trang 32

Hình 3-3 : Hành vi săn mồi của sói xám: (A) đuổi theo, tiếp cận và theo dõi con mồi D) truy đuổi, quấy rối và bao vây (E) đứng yên và tấn công (Muro et al., 2011) Trong nghiên cứu này, kỹ thuật săn mồi này và hệ thống phân cấp xã hội của sói xám

(B-được mô hình hóa bằng toán học để thiết kế GWO và thực hiện tối ưu hóa

3.2.2 Mô hình toán học và thuật toán (GWO) 3.2.2.1 Hệ thống phân cấp xã hội

Để mô phỏng toán học theo thứ bậc xã hội của sói khi thiết kế GWO, thuật toán xem giải pháp phù hợp nhất là Alpha (α) Do đó, các giải pháp tốt thứ hai và thứ ba được đặt tên là Beta (β) và Delta (δ) Sói xám có thể cập nhật vị trí của nó trong không gian xung quanh con mồi ở bất kì vị trí ngẫu nhiên được xác định trong bước bao vây con mồi

3.2.2.2 Bao vây con mồi

Trong toán học, tích Hadamard (còn được gọi là tích từng phần tử, tích đầu vào (Horn & Johnson, 2012) hoặc tích Schur (Davis, 1962)) là một phép toán nhị phân nhận vào hai ma trận có cùng kích thước và trả về một ma trận gồm các phần tử tương ứng được nhân với nhau Hoạt động này có thể được coi là "phép nhân ma trận ngây thơ" và khác với tích ma trận Nó được gán cho và được đặt theo tên của nhà toán học người Pháp gốc Do Thái Jacques Hadamard hoặc nhà toán học người Đức gốc Do Thái Issai Schur

Tích Hadamard mang tính liên kết và phân phối Không giống như tích ma trận, nó cũng có tính chất giao hoán (Million, 2007)

Trang 33

Với hai ma trận A và B cùng kích thước m × n, tích Hadamard A 𝚘 B (hoặc A B) là một ma trận cùng kích thước với các toán hạng, với các phần tử được cho bởi (Million, 2007)

(A 𝚘 B)ij =(A B)ij =(A)ij =(B)ij (5) Đây là một ví dụ về tích Hadamard cho một cặp ma trận 3×3

trong đó các thành phần của 𝑎⃗⃗⃗ tuyến tính giảm từ 2 xuống 0 trong quá trình lặp lại và r1,r2

là các vectơ ngẫu nhiên trong [0, 1]

Để xem ảnh hưởng của các phương trình (6) và (7), một vectơ vị trí hai chiều và một số lân cận có thể được minh họa trong hình 3-4 (a) Như có thể thấy trong hình này, một con sói xám ở vị trí (X,Y) có thể cập nhật vị trí của nó theo vị trí của con mồi (X*,Y*) Có thể đạt được các vị trí khác nhau xung quanh tác nhân tốt nhất tương ứng với vị trí hiện tại bằng cách điều chỉnh giá trị của A

Trang 34

bất kỳ vị trí nào giữa các điểm được minh họa trong hình 3-4 Vì vậy, sói xám có thể cập nhật vị trí của nó bên trong không gian xung quanh con mồi ở bất kỳ vị trí ngẫu nhiên nào bằng cách sử dụng phương trình (6) và (7)

Hình 3-4 : Vectơ vị trí 2D và 3D và các vị trí tiếp theo có thể có của chúng

Khái niệm tương tự có thể được mở rộng sang không gian tìm kiếm có n chiều và những con sói xám sẽ di chuyển trong siêu khối (hoặc siêu hình cầu) xung quanh giải pháp tốt nhất thu được cho đến nay

3.2.2.3 Săn bắt con mồi

Trong giai đoạn săn bắt, những con sói có khả năng nhận ra vị trí của con mồi và bao vây chúng Cuộc săn bắt thường được hướng dẫn bởi Alpha Để mô phỏng theo toán học các hành vi săn bắt của sói xám, giả sử rằng Alpha là giải pháp ứng viên tốt nhất, Beta và Delta có kiến thức tốt về vị trí tiềm năng của con mồi Sau đó, thuật toán lưu ba giải pháp tốt nhất đầu tiên thu được và bắt buộc các đối tượng tìm kiếm khác (bao gồm cả Omega) cập nhật vị trí của chúng theo vị trí của các đối tượng tìm kiếm tốt nhất Giai đoạn khai thác bắt đầu khi giá trị tuyệt đối của A nhỏ hơn (|A|<1) Biểu diễn toán học cập nhật vị trí của tác nhân tìm kiếm được thể hiện trong các phương trình sau đây:

Trang 35

⃗⃗⃗⃗ = 𝑋⃗⃗⃗⃗ − 𝐴β ⃗⃗⃗⃗ (𝐷2 β) (12) 𝑋3

⃗⃗⃗⃗ = 𝑋⃗⃗⃗⃗ − 𝐴δ ⃗⃗⃗⃗ (𝐷3 δ) (13) trong đó Dα ,Dβ ,Dδ đại diện cho khoảng cách được sử dụng để cập nhật vị trí của ba tác nhân tiềm kiếm tốt nhất:

⃗⃗⃗⃗ = 𝐶⃗⃗⃗⃗ 𝑋1 ⃗⃗⃗⃗ − 𝑋 α (14) 𝐷β

⃗⃗⃗⃗ = 𝐶⃗⃗⃗⃗ 𝑋2 ⃗⃗⃗⃗ − 𝑋 β (15) 𝐷δ

⃗⃗⃗⃗ = 𝐶⃗⃗⃗⃗ 𝑋3 ⃗⃗⃗⃗ − 𝑋 δ (16) Hình 3-5 cho thấy cách tác nhân tìm kiếm cập nhật vị trí của nó theo alpha, beta và delta trong không gian tìm kiếm 2D Có thể quan sát thấy rằng vị trí cuối cùng sẽ ở một vị trí ngẫu nhiên trong một vòng tròn được xác định bởi các vị trí của alpha, beta và delta trong không gian tìm kiếm Nói cách khác, alpha, beta và delta ước tính vị trí của con mồi và những con sói khác cập nhật vị trí của chúng xung quanh con mồi một cách ngẫu nhiên

Hình 3- 5 : Cập nhật vị trí trong GWO

3.2.2.4 Tấn công con mồi (khai thác)

Như đã nói ở trên sói xám kết thúc cuộc săn bằng cách tấn công con mồi khi nó ngừng di chuyển Để lập mô hình toán học tiếp cận con mồi chúng tôi giảm giá trị của 𝑎 Lưu ý rằng biên độ dao động của 𝐴 cũng giảm đi một 𝑎 Nói cách khác 𝐴 là một giá trị ngẫu nhiên trong khoảng [-a,a] trong đó a giảm từ 2 xuống 0 trong quá trình lặp lại Khi các giá trị ngẫu nhiên của 𝐴 nằm trong [-1,1], vị trí tiếp theo của tác nhân tìm kiếm có thể ở bất kỳ vị

Trang 36

trí nào giữa vị trí hiện tại của nó và vị trí của con mồi Hình 3-6 (a) cho thấy rằng |A|<1 buộc bầy sói tấn công con mồi

Hình 3-6 : Tấn công con mồi so với tìm kiếm con mồi

3.2.2.5 Tìm kiếm con mồi (thăm dò)

Quá trình tìm kiếm bắt đầu bằng việc tạo ra một quần thể sói xám ngẫu nhiên (giải pháp ứng viên) trong thuật toán GWO Trong quá trình lặp đi lặp lại, sói alpha, beta và delta ước tính vị trí có thể xảy ra của con mồi Mỗi giải pháp quần thể sói cập nhật khoảng cách của nó với con mồi Tham số a được giảm từ 2 xuống 0 để nhấn mạnh hoạt động thăm dò và khai thác tương ứng Các giải pháp quần thể sói có xu hướng khác với con mồi khi |A

|>1 và hội tụ về phía con mồi khi |A

|<1 Cuối cùng, thuật toán GWO kết thúc khi thỏa mãn một tiêu chí cuối cùng

Trang 37

Quy trình thuật toán GWO được trinh bài hình 3-7

Hình 3-7 : Các quy trình của thuật toán sói xám

3.3 Phương pháp tối ưu hóa

Tối ưu hóa đa mục tiêu với hai hàm mục tiêu về tiêu thụ năng lượng xây dựng hàng năm và PPD lần lượt được chọn làm hàm mục tiêu thứ nhất và thứ hai Một số thông số thu được từ vỏ tòa nhà và hoạt động của máy làm lạnh được chọn làm biến số quyết định vì chúng ảnh hưởng đến mức tiêu thụ năng lượng hàng năm và PPD trong khi hệ thống HVAC đang hoạt động Phạm vi của các biến quyết định được trình bày trong Bảng 3-1 và được thiết kế theo hoạt động của hệ thống HVAC thực tế được áp dụng trong tòa nhà đã chọn.Cooling set point và RH set point được xác định theo tiêu chuẩn quốc gia TCVN:2010 về thông gió - Điều hòa không khí Occupant Density, Lighting Gain và Equipment Gain được đặt ở các giá trị khác nhau để đạt được lợi thế của việc xây dựng khối lượng nhiệt nhằm giảm tiêu thụ năng lượng trong khi duy trì sự thoải mái về nhiệt Các thông số cấu trúc của tòa nhà, bao gồm U-Value Window và U-Value Wall rất khác nhau để thấy được ảnh hưởng của các biến này đối với hiệu suất năng lượng và nhiệt Supply air temperature

Trang 38

(AHU System) và Supply air temperature (DOAS System) khối lượng được chỉ định để cung cấp khả năng làm mát theo yêu cầu

Bảng 3-1 : Phạm vi dữ liệu để tối ưu hóa

Quy trình tối ưu hóa được tiến hành trong nghiên cứu này được giải thích trong Hình 3-8 Quá trình bắt đầu với việc tạo bộ dữ liệu bằng cách mô hình hóa và tính toán mức tiêu thụ năng lượng hàng năm và PPD bằng phần mềm IESVE Sự kết hợp của các tập dữ liệu đại diện cho 350 điều kiện khác nhau được tạo ra bằng phương pháp lấy mẫu siêu khối Latin (McKay, 1988) Mọi điều kiện đơn lẻ được mô phỏng trong vòng 20 phút Cần 7000 phút (hơn 117 giờ) để hoàn thành tất cả các mô phỏng Sau đó, sự kết hợp giữa ANN và GWO được áp dụng để giải quyết vấn đề tối ưu hóa Các tập dữ liệu được sử dụng để huấn luyện để tạo mối tương quan giữa các biến quyết định và hai mục tiêu bằng cách sử dụng ANN Mạng thu được từ huấn luyện dữ liệu nêu trên được sử dụng để dự đoán PPD và xây dựng mức tiêu thụ năng lượng bằng cách sử dụng kết hợp đầu vào mới được tạo ra bằng cách lặp lại các biến quyết định trong phạm vi mong muốn Giá trị tối thiểu và tối đa của mỗi biến quyết định được coi là giới hạn dưới và giới hạn trên của tối ưu hóa, tương ứng

Trang 39

Hình 3-8 : Khung tối ưu hóa

Một vấn đề đa mục tiêu có thể được giải mã bằng cách sử dụng phương trình như sau (Mirjalili, Saremi, Mirjalili, & Coelho, 2016):

Một số bài toán đa mục tiêu được trình bày bằng nhiều thuật toán tối ưu đa mục tiêu: (Kaveh & Laknejadi, 2011) trong bài báo này một phương pháp lai mới được đề xuất cho bài toán tối ưu đa mục tiêu, phương pháp đề xuất được kiểm tra các hàm kiểm tra khác

Trang 40

nhau và kết quả được so sánh với kết quả của ba thuật toán đa mục tiêu tiên tiến nhất (Kaveh, Kalateh-Ahani, Fahimi-Farzam, & Mechanics, 2013) trong nghiên cứu này, một phương pháp tiếp cận đa mục tiêu, dựa trên phương pháp sắp xếp không bị chi phối thuật toán di truyền (NSGA-II) được phát triển để thiết kế tối ưu tường chắn công xôn bê tông cốt thép, coi việc giảm thiểu chi phí kinh tế và giảm thiểu tắc nghẽn thanh gia cố là các chức năng mục tiêu (A Kaveh & K J A M Laknejadi, 2013) một thuật toán tiến hóa dựa trên biểu đồ mới, gM-PAES, được đề xuất để giải quyết vấn đề phức tạp về tối ưu hóa đa mục tiêu bố trí giàn (A Kaveh & K J A i E S Laknejadi, 2013) trong nghiên cứu này, mục đích là phát triển một thuật toán tối ưu đa mục tiêu với tốc độ hội tụ cao hơn so với các phương pháp nổi tiếng khác để có thể xử lý các bài toán tối ưu đa phương thức có nhiều biến thiết kế