MÔ HÌNH dự báo điện NĂNG TIÊU THỤ CHO NHÀ ở dựa TRÊN dữ LIỆU THỰC

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT BÁO CÁO TỔNG KẾT ĐỀ TÀI KHOA HỌC VÀ CƠNG NGHỆ CẤP TRƯỜNG MƠ HÌNH DỰ BÁO ĐIỆN NĂNG TIÊU THỤ CHO NHÀ Ở DỰA TRÊN DỮ LIỆU THỰC Mã số: T2020-06-161 Chủ nhiệm đề tài: ThS Lê Thị Thùy Linh Đà Nẵng, Tháng 11/2021 MỤC LỤC PHẦN MỞ ĐẦU CHƯƠNG I TỔNG QUAN NGHIÊN CỨU 1.1 Ngành công nghiệp lượng .3 1.1.1 Vai trò lượng .3 1.1.2 Cơ cấu sử dụng nguồn lượng 1.1.3 Chuyển dịch tối ưu hóa sử dụng lượng giới 11 1.1.4 Biến đổi khí hậu nóng lên tồn cầu 18 1.2 Cơng nghệ trí thông minh nhân tạo dự báo tiêu thụ lượng 20 1.2.1 Cơng nghệ trí thơng minh nhân tạo 20 1.2.2 Các nghiên cứu dự báo tiêu thụ lượng dựa AI 23 1.3 Dự báo liệu dạng chuỗi thời gian 26 1.3.1 Chuỗi thời gian 26 1.3.2 Phân loại dự báo liệu chuỗi thời gian 28 1.4 Các thuật tốn tối ưu hóa dựa kỹ thuật học máy .29 1.4.1 Kỹ thuật học máy .29 1.4.2 Các thuật tốn tối ưu hóa siêu liệu dựa kỹ thuật học máy 33 CHƯƠNG II PHƯƠNG PHÁP NGHIÊN CỨU 38 2.1 Phân tích mức tiêu thụ lượng theo chuỗi thời gian 38 2.2 Mơ hình dự báo 39 2.3 Thuật tốn tối ưu hóa để điều chỉnh tham số 40 2.4 Mơ hình JS-LSSVR 45 2.5 Đánh giá hiệu suất dự báo 47 2.6 Phần mềm ứng dụng .48 CHƯƠNG III PHÂN TÍCH DỮ LIỆU VÀ KẾT QUẢ THỰC NGHIỆM 50 3.1 Thu thập liệu .50 3.1.1 Nhà thực nghiệm 50 3.1.2 Bộ cảm biến thông minh 52 3.2 Xử lý liệu kết thực nghiệm .55 KẾT LUẬN VÀ KIẾN NGHỊ 61 TÀI LIỆU THAM KHẢO 62 PHẦN MỞ ĐẦU Lĩnh vực xây dựng tiêu thụ lượng lượng lớn tỷ lệ tiêu thụ lượng tăng lên trình thị hóa Theo nghiên cứu tập đồn lượng Nga Gazprom năm 2017, lượng tịa nhà chiếm 40% tổng lượng tiêu thụ tồn châu Âu Chính vậy, việc cải thiện hiệu lượng tòa nhà mục tiêu chung mục tiêu bắt buộc để giảm chi phí lượng tác động mơi trường Để tối ưu hóa hiệu suất lượng tòa nhà, chiến lược vận hành thích hợp cần áp dụng cho hệ thống quản lý lượng Người quản lý phải liên tục theo dõi quản lý chuỗi thời gian lượng với yếu tố ảnh hưởng đến hiệu suất lượng tòa nhà họ Dự đoán phần quan trọng việc theo dõi quản lý liên tục việc tiêu thụ lượng Dự đốn xác mức tiêu thụ lượng quan trọng để nâng cao hiệu sử dụng lượng tịa nhà Do mơ hình dự báo chuỗi thời gian học hỏi từ mơ hình sử dụng lượng trước đây, mức tiêu thụ lượng cao chút so với dự báo khoảng thời gian khiến nhà quản lý sở hệ thống lượng thông báo thay đổi Nâng cao hiệu sử dụng lượng tòa nhà cấp thiết để giảm chi phí lượng tác động đến mơi trường Dự báo phụ tải điện tòa nhà điều cần thiết để phát triển bền vững, từ giảm chi phí điện tăng giá trị thị trường tòa nhà Nghiên cứu đề xuất mơ hình chuỗi thời gian theo mùa so sánh với báo gốc với mơ hình hồi quy CHƯƠNG I TỔNG QUAN NGHIÊN CỨU 1.1 Ngành cơng nghiệp lượng 1.1.1 Vai trị lượng Công nghiệp lượng ngành kinh tế quan trọng quốc gia Nền sản xuất đại phát triển nhờ tồn ngành lượng Là động lực cho ngành kinh tế, công nghiệp lượng coi phận quan trọng hệ thống sở hạ tầng sản xuất Việc phát triển ngành công nghiệp kéo theo hàng loạt ngành cơng nghiệp khác cơng nghiệp khí, cơng nghiệp sản xuất vật liệu xây dựng Công nghiệp lượng thu hút ngành công nghiệp sử dụng nhiều điện luyện kim màu, chế biến kim loại, chế biến thực phẩm, hố chất, dệt Vì thế, cơng nghiệp lượng có khả tạo vùng lớn nằm vị trí địa lý thuận lợi Thông qua số tiêu dùng lượng bình qn theo đầu người, phán đốn trình độ phát triển kinh tế, kỹ thuật văn hoá quốc gia Trong nhiều kỉ qua, mức tiêu dùng than, dầu mỏ, khí đốt nhân loại tăng lên nhanh chóng Từ năm 1990 đến nay, năm bình quân người tiêu thụ khoảng 1,6 dầu quy đổi, tức gấp khoảng 25 lần trọng lượng thân Nhìn chung mức tiêu dùng lượng bình qn theo đầu người vịng 20 năm qua tăng lên rõ rệt phạm vi toàn giới, song có khác biệt lớn quốc gia Các nước kinh tế phát triển châu Âu, Bắc Mỹ nước có thu nhập cao có mức tiêu dùng lượng bình qn theo đầu người lớn nhất; nước nghèo châu Phi Nam Á có mức tiêu dùng thấp Sự chênh lệch nước có mức tiêu dùng lượng cao thấp lên tới 45 lần Chỉ số Việt Nam 521 kg/người 1.1.2 Cơ cấu sử dụng nguồn lượng a/ Cơ cấu sử dụng lượng phổ biến giới: Công nghiệp lượng đại hệ thống phức tạp bao gồm nhiều ngành, cần thiết cho hoạt động sản xuất đời sống Trong thời đại cách mạng khoa học kỹ thuật, phát triển ngành cơng nghiệp có ảnh hưởng lớn đến trình độ, cấu phân bố kinh tế Tài nguyên lượng giới phong phú đa dạng Ngoài nguồn lượng truyền thống củi, gỗ, than, dầu mỏ, khí đốt, đá cháy, người phát đưa vào sử dụng nguồn lượng mới, có hiệu cao lượng thuỷ triều, lượng hạt nhân, lượng mặt trời, địa nhiệt, lượng gió lượng sinh khối Những tác động mặt môi trường sinh thái tiến khoa học công nghệ làm tăng việc sử dụng nguồn lượng Trên sở đó, cấu sử dụng lượng giới có nhiều thay đổi theo thời gian Năm 2017, tổng lượng điện tiêu thụ toàn giới đạt 25,551 triệu tỷ kWh, tăng 3.1% so với năm 2016 Trong đó, tỷ trọng nguồn sản xuất điện từ than đá chiếm 38 %; khí tự nhiên 23%; thủy điện 16%; điện hạt nhân 10%; dầu 4%; lượng tái tạo 8% nguồn khác 1% [1] Tại nước nước phát triển Mỹ, Nhật, Hàn Quốc, điện sản xuất từ nguồn nhiệt điện than chiếm 30% tổng sản lượng điện Điều rõ với nước có tốc độ tăng trưởng kinh tế cao Trung Quốc, Ấn Độ, Nam Phi… nguồn điện từ nhiệt điện than chiếm tỷ trọng đến 65% tổng sản lượng điện đất nước Nước Đức ví dụ, đất nước có GDP đứng thứ 4, kinh tế mạnh thứ toàn cầu, dân số 82 triệu người dù tiên phong phát triển mạnh mẽ lượng tái tạo với cánh đồng, trang trại điện gió (chiếm 50% cơng suất lắp đặt tồn hệ thống) nguồn phát không liên tục ổn định, số vận hành năm thấp nên năm 2018, nguồn lượng tái tạo cung cấp khoảng 23% sản lượng điện Còn nhiệt điện than, chiếm 22% công suất lắp đặt sản xuất thực tế đến gần 40% điện cho nước Đức Nhiệt điện than nguồn cung cấp điện ổn định, tối quan trọng để đảm bảo an ninh lượng Đức Asean khu vực có tốc độ tăng trưởng kinh tế dân số cao so với giới Chính vậy, nhu cầu sử dụng điện lớn Năm 2017, nhiệt điện than chiếm khoảng 40% sản lượng điện khu vực Những nước có có tỷ trọng nhiệt điện than lớn khu vực Malaysia (45%), Indonesia (59%), Việt Nam (40%) Cơ quan Năng lượng Quốc tế (IEA) thống kê, vòng 25 năm qua, nhu cầu lượng Asean tăng 150% dân số tăng quy mô kinh tế khu vực tăng gấp lần Năm 2018, dân số Asean khoảng 650 triệu người, dự báo 2040 tăng lên 750 triệu người Năng lượng truyền thống (củi, gỗ) nguồn lượng người sử dụng từ thời xa xưa với xu hướng tỷ trọng ngày giảm nhanh chóng, từ 80% năm 1860 xuống 25% năm 1920 sau kỉ vai trị không đáng kể (2%) Đây xu hướng tiến củi, gỗ thuộc loại tài ngun phục hồi chậm Nếu người tiếp tục đốt củi chẳng Trái đất hết màu xanh vậy, đất đai bị xói mịn mạnh, khí hậu nóng lên, ảnh hưởng xấu đến môi trường sống nhân loại b/ Các nguồn lượng phổ biến [2, 3] Than đá nguồn lượng hố thạch, phục hồi chậm Than biết từ sớm tiếp tục sử dụng rộng rãi sản xuất đời sống Tỷ trọng than cấu sử dụng lượng tăng nhanh vào năm cuối kỉ XIX (44% năm 1880 lên 58% năm 1900), đạt cực đại vào đầu kỉ XX (68% năm 1920) gắn liền với thay đổi quy trình cơng nghiệp luyện kim (thay than củi than cốc), đời máy nước việc sử dụng làm nguyên liệu cơng nghiệp hố học Từ nửa sau kỉ XX, tỷ trọng than cấu lượng bắt đầu giảm nhanh phần việc khai thác sử dụng than gây suy thối nhiễm mơi trường (đất, nước, khơng khí), song quan trọng có nguồn lượng khác hiệu thay Dầu mỏ, khí đốt nguồn lượng mới, thực sử dụng nhiều vào nửa sau kỉ XX, từ 2% năm 1860 lên 4% năm 1900, 26% năm 1940 44% năm 1960 đạt cực đại vào thập kỉ 80 gắn liền với phát triển ngành giao thông, công nghiệp hoá chất, đặc biệt hoá dầu Bước sang đầu kỉ XXI, vai trò dầu mỏ bắt đầu giảm có nhiều nguyên nhân: xung đột khủng hoảng dầu lửa nước sản xuất nước tiêu thụ dầu, ô nhiễm môi trường khai thác, sử dụng vận chuyển dầu gây (nước, khơng khí, biển ), mức khai thác q lớn dẫn tới cạn kiệt nguồn lượng (dự báo với nhịp độ khai thác nay, đến năm 2030 cạn kiệt) quan trọng tìm nguồn lượng thay Khí đốt nén tự nhiên (CNG) hỗn hợp chất khí cháy được, bao gồm phần lớn hydrocarbon (hợp chất hóa học chứa cacbon hyđrơ) Cùng với than đá, dầu mỏ khí khác, khí thiên nhiên nhiên liệu hóa thạch Khí thiên nhiên chứa đến 85% mêtan (CH4) khoảng 10% êtan (C2H6), có chứa số lượng nhỏ propan (C3H8), butan (C4H10), pentan (C5H12), alkan khác Khí thiên nhiên, thường tìm thấy với mỏ dầu vỏ Trái Đất, khai thác tinh lọc thành nhiên liệu cung cấp cho khoảng 25% nguồn cung lượng giới Khí thiên nhiên chứa lượng nhỏ tạp chất, bao gồm điơxít cacbon (CO2), hyđrô sulfit (H2S), nitơ (N2) Do tạp chất làm giảm nhiệt trị đặc tính khí thiên nhiên, chúng thường tách khỏi khí thiên nhiên q trình tinh lọc khí sử dụng làm sản phẩm phụ Đây cho giải pháp thay phần nhiên liệu hóa thạch xăng, dầu diesel Một lợi ích lớn trình đốt cháy khí nén khơng thải hiệu ứng nhà kính, lợi dành cho mơi trường Loại khí an toàn nhiều loại nhiên liệu khác trường hợp tràn Ngày khí tự niên tường sử dụng cho ô tô động đốt truyền thống chuyển đổi thành xe hai nhiên liệu (xăng khí nén tự nhiên) Do giá xăng dầu ngày tăng nên loại xe ngày ưa chuộng Ý nước có số lượng xe sử dụng khí nén thiên nhiên nhiều giới, đứng nhì Canada Ngồi New Zealand vùng đất CNG sau khủng hoảng giá dầu mỏ Năng lượng sinh khối dạng vật liệu sinh học từ sống, hay gần sinh vật sống, đa số trồng hay vật liệu có nguồn gốc từ thực vật Được xem nguồn lượng tái tạo, lượng sinh khối dùng trực tiếp, gián tiếp lần hay chuyển thành dạng lượng khác nhiên liệu sinh học Sinh khối chuyển thành lượng theo ba cách: chuyển đổi nhiệt, chuyển đổi hóa học, chuyển đổi sinh hóa Về mặt lịch sử, người khai thác sản phẩm có nguồn gốc từ lượng sinh khối họ bắt đầu dùng củi cỏ khơ để nhóm lửa sưởi ấm Ngày nay, thuật ngữ hiểu theo hai nghĩa Nghĩa thứ nhất, sinh khối vật liệu trồng dùng để tạo điện (dùng turbin nén khí), tạo nhiệt (thơng qua việc đốt trực tiếp) Sinh khối bao gồm chất thải phân hủy sinh học đốt cháy thành nhiên liệu Nguồn sinh khối công nghiệp được phát triển từ nhiều loại thực vật bao gồm Miscanthus, cỏ, gai dầu, ngô, dương, liễu, lúa miến, mía số loài khác Sản xuất sinh khối ngành công nghiệp phát triển ngày quan tâm Hiện Hoa Kì, lượng sinh khối hàng năm sản xuất khoảng 0,5% sản lượng điện Nhà máy điện New Hope nhà máy điện sinh khối lớn Bắc Mỹ Việc phát triển lượng sinh khối giúp giảm phụ thuộc vào dầu mỏ tương lai.Năng lượng nguyên tử, thuỷ điện sử dụng từ năm 40 kỉ XX, tăng chậm giữ mức 10 - 14% tổng lượng sử dụng toàn giới Dự báo tỷ trọng đạt 22% thập niên 20 kỉ XXI có xu hướng giảm dần từ nửa sau kỉ XXI nhiều lý Năng lượng hạt nhân loại công nghệ hạt nhân thiết kế để tách lượng hữu ích từ hạt nhân ngun tử thơng qua lị phản ứng hạt nhân có kiểm sốt Phương pháp sử dụng phân hạch hạt nhân, phương pháp khác bao gồm tổng hợp hạt nhân phân rã phóng xạ Trong năm 2007, có tới 14% sản lượng điện giới đến từ lượng hạt nhân, số Hoa Kì, Pháp Nhật Bản 56,5% sản lượng điện Trên giới có khoảng gần 450 lị phản ứng điện hạt nhân hoạt động rải rác 31 quốc gia Trong toàn Liên minh châu Âu, lượng hạt nhân cung cấp 30% nhu cầu điện Chính sách lượng hạt nhân có khác biệt quốc gia thuộc Liên minh châu Âu, vài quốc gia khác Úc, Estonia, Ireland, khơng có trạm lượng hạt nhân hoạt động Khi so sánh với quốc gia khác Pháp có nhiều nhà máy điện hạt nhân, tổng cộng 16 tổ hợp sử dụng Năng lượng hạt nhân có nhiều lợi thế, cho hiệu suất cao, tạo nguồn điện độc lập với nguồn nhiên liệu than, dầu, khí đốt, phụ thuộc vào vị trí địa lý Song độ khơng an tồn rủi ro lớn Đó việc vận hành địi hỏi điều kiện chun mơn ngặt nghèo, u cầu đội ngũ chun gia có trình độ chun mơn cao nan giải việc xử lý cố chất thải Năng lượng địa nhiệt lượng tách từ nhiệt lòng Trái đất Nó có nguồn gốc từ hình thành ban đầu hành tin, từ hoạt động phân hủy phóng xạ khoảng vật, lượng mặt trời hấp thụ từ bề mặt trái đất Để trích xuất nguồn lượng điều khơng khó Kể từ thời La Mã cổ đại, người ta tận dụng để nung đồ, tắm … Ở thời nay, chủ yếu để tạo điện Đây coi nguồn lượng hiêu quả, đáng tin cậy thân thiện với môi trường Vấn đề phụ thuộc vào khu vực địa lý khu vực gần ranh giới mảng kiến tạo Các tiến khoa học kỹ thuật gần bước mở rộng phạm vi quy mô nguồn tài nguyên tiềm này, đặc biệt ứng dụng trực tiếp sưởi ấm nhà Các giếng địa nhiệt có khuynh hướng giải phóng khí thải nhà kính bị giữ sâu lịng đất phát thải thấp nhiều so với việc đốt nhiên liệu hóa thạch thơng thường Nhà máy địa nhiệt lớn giới đặt California, Hoa Kì Đến năm 2004, số quốc gia Kenya, Philippines, Iceland Costa Rica tạo 15% sản lượng điện từ nguồn lượng địa nhiệt Năng lượng địa nhiệt không cần nhiên liệu nên khơng chi phí cho nhiên liệu, nhiên đầu tư ban đầu lại cao Việc thăm dò tài nguyên ban đầu đem lại rủ ro mặt tài tương đối cao Tuy nhiên khai thác nhà máy cung cấp lượng cho thành phố lớn Hiện nay, lượng địa nhiệt tạo 24 nước giới số vùng tiềm đánh giá để phát triển Năng lượng xạ tự nhiên cung cấp lượng tương đương điện với 1% chi phí bình thường Nhà khoa học Nikola Tesla tin tưởng lượng tồn xung quanh khai thác Một điện thoại không dây dựa lượng xạ phát minh ông Thiết bị sử dụng máy phát máy thu có cộng hưởng điều chỉnh tần số cho phép giao tiếp chúng Năm 1916, Tesla kể lại thí nghiệm ơng thực năm 1986 Ơng nói “Bất nhận tác động máy phát, cách đơn giản để phát sóng lượng khơng dây áp dụng từ trường để tạo dòng điện dây dẫn Khi làm vậy, âm ghi lại tần số thấp Loại lượng khai thác từ mơi trường chiết xuất từ điện bình thường phương pháp phân đoạn Thủy điện nguồn lượng có từ lượng nước Chúng có phần lớn nhờ nước tích đập làm quay số tuabin nước máy phát điện… Hệ thống thủy điện quy mơ nhỏ đặt sơng nhỏ, suối nhà máy lớn thường vùng có dịng nước lớn, sơng chảy xiết Các nhà máy thuỷ điện có tuổi thọ lớn nhà máy nhiệt điện số nhà máy thuỷ điện hoạt động xây dựng từ 50 đến 100 năm trước Chi phí nhân cơng thấp nhà máy tự động hố cao có người làm việc chỗ vận hành thông thường Hiện thủy điện sản xuất khoảng 19% sản lượng điện giới nguồn nhiên liệu mang tính chủ chốt Đa số dự án thủy điện cung cấp điện cho mạng lưới điện công cộng có số tạo nhằm phục vụ doanh nghiệp công nghiệp cụ thể Mặt trái thủy điện dù không tiêu thụ nhiên liệu, khơng xả khí thải độc hại với mơi trường, tàn phá nặng nề mơi trường sinh thái số phương diện khác nhau.Các nguồn lượng sạch, tái tạo khí sinh học, gió, địa nhiệt, mặt trời, thuỷ triều Tuy sử dụng từ năm cuối kỉ XX, nguồn lượng tiềm tàng nhân loại Do cạn kiệt nguồn tài nguyên lượng không tái tạo, nguồn lượng trở thành nguồn lượng nước phát triển phát triển từ nửa sau kỉ XXI Năng lượng gió chuyển hóa lượng gió qua tuabin gió thành nguồn lượng hữu ích cho người Các trang trại gió với quy mơ lớn thường kết nối với hệ thống truyền tải lưới điện địa phương Ở số khu vực bị lập, hình thức đưa vào sử dụng để cung cấp nguồn điện chủ yếu, số khu vực dân cư vào sản xuất tư nhân để phục vụ gia đình Các trang trại gió thường xây dựng diện tích rộng lớn kết hợp nơng nghiệp chăn thả gia súc Đây coi nguồn lượng thay có tác động mơi trường Dù gió sản xuất khoảng 1,5% lượng điện toàn giới phát triển nhanh chóng đặc biệt khoảng thời gian gần Tại Đan Mạch, điện từ lượng gió chiếm tới khoảng 19% sản lượng, Tây Ban Nha Bồ Đào Nha 11% Đức khoảng 7% Về lịch sử, lượng gió sử dụng trực tiếp để đẩy tàu thuyền chuyển đổi thành lượng học giúp nghiền hạt, bơm nước … Tới đại ứng dụng chủ yếu sản xuất điện Tính tới năm 2008, Châu Âu đầu giới việc phát triển lượng gió ngồi khơi Ngồi Hoa Kì Trung dụng cơng nghệ chun mơn hóa Toolbox sưu tập hàm MATLAB (M-file) mở rộng môi trường MATLAB để giải lớp vấn đề Các lĩnh vực mà toolbox làm việc gồm xử lý tín hiệu, hệ thống kiểm soát, mạng thần kinh, logic mờ, phép biến đổi wavelet, mơ Hình 2.5 Giao diện MATLAB Chính việc áp dung phần mềm MATLAB nghiên cứu kỹ thuật máy học việc cần thiết Nghiên cứu thiết lập mơ hình dự báo dựa thuật tốn thơng minh mơi trường MATLAB, nhằm hỗ trợ giải vấn đề phân tích siêu liệu thiết lập mơ hình dự báo thơng minh CHƯƠNG III PHÂN TÍCH DỮ LIỆU VÀ KẾT QUẢ THỰC NGHIỆM 3.1 Thu thập liệu 3.1.1 Nhà thực nghiệm Dữ liệu thu thập website UCI Machine Learning Repository Kho lưu trữ Máy học UCI tập hợp sở liệu, lý thuyết miền trình tạo liệu cộng đồng máy học sử dụng để phân tích thực nghiệm thuật toán máy học Kho lưu trữ tạo dạng kho lưu trữ ftp vào năm 1987 David Aha 51 sinh viên tốt nghiệp khác UC Irvine Kể từ thời điểm đó, sử dụng rộng rãi sinh viên, nhà giáo dục nhà nghiên cứu toàn giới nguồn liệu học máy Ngơi nhà nằm Stambruges, cách Thành phố Mons Bỉ khoảng 24 km Việc xây dựng hoàn thành vào tháng 12 năm 2015 Tất hệ thống khí Ngôi nhà lượng thấp thiết kế theo chứng nhận nhà thụ động Đối với chứng nhận này, tịa nhà thiết kế để có tải trọng sưởi ấm làm mát hàng năm không 15 kWh / m năm theo công cụ thiết kế phần mềm Gói Quy hoạch Ngơi nhà Thụ động (PHPP) Điều quan trọng cần lưu ý ống khói gỗ cung cấp phần lớn tải trọng sưởi ấm nhà Tổng số kg loại gỗ ghi thủ công hàng tháng Ngôi nhà thiết kế với U < 0,1 W / m K cho tường bên ngoài, mái mặt đất Cửa sổ lắp kính ba lớp sử dụng với U g = 0,5 W / m K U f < 0,9 W / m K Hệ thống thơng gió cung cấp thơng gió thu hồi nhiệt với hiệu suất từ 90 đến 95% Tổng diện tích sàn 280 m , tổng diện tích làm nóng 220 m mặt tiềncủa nhà định hướng + 10 ° (Tây Nam) từ Nam Thường có bốn người nhà, hai người lớn hai thiếu niên Một người lớn làm việc thường xuyên văn phòng nhà Dữ liệu đo từ ngày 1/1 – 22/5/2016 [32] Hình 3.1 Hình ảnh ngơi nhà [32] Bảng 3.1 Danh sách thiết bị phòng khu nhà [32] Phòng Giặt ủi Trang thiết bị Tủ lạnh nhỏ, tủ đông, hầm rượu cho 160 chai, máy giặt, máy sấy, định tuyến Internet, lưu trữ mạng đính kèm 52 Phịng Ga-ra* Phịng bếp Trang thiết bị Máy bơm nước mưa, điện cửa gara Tủ lạnh, bếp từ, máy hút mùi bếp, lò vi sóng, lị nướng, máy rửa bát, máy pha cà phê Phòng ăn Bộ tăng cường WIFI, điều phối ZigBee, rèm điện Phòng sinh TV 138 cm, hộp đựng ổ cứng, đầu DVD, hộp cáp, máy tính xách hoạt chung tay, máy in phun mực, rèm che điện Văn phòng máy tính để bàn, hình máy tính, định tuyến, máy tính xách tay, máy photocopy-máy in, rèm điện Phòng giặt ủi Đồng hồ báo thức, radio, bàn ủi, mù điện Phòng Đồng hồ báo thức, radio, mù điện, đèn Phòng Máy tính để bàn, hình, đồng hồ báo thức, rèm điện Phịng Máy tính xách tay, đồng hồ báo thức Trò chơi TV 93 cm, định tuyến Internet, đầu đĩa DVD, PlayStation Phòng tắm bàn chải đánh điện, máy sấy tóc Phịng tắm 2 bàn chải đánh điện 3.1.2 Bộ cảm biến thông minh Điều kiện nhiệt độ độ ẩm nhà theo dõi mạng cảm biến không dây ZigBee xây dựng với radio XBee, vi điều khiển Atmega 328P cảm biến DHT-22 (xem Hình ) Cảm biến DHT-22 kỹ thuật số có độ xác ± 0,5 ° C Nhiệt độ ± 3% độ ẩm tương đối Các vi điều khiển lập trình cách sử dụng Arduino IDE để đọc liệu từ cảm biến sau truyền liệu đo radio XBee Thông tin truyền gửi đến đài XBee khác đóng vai trị điều phối viên mạng Vì ngơi nhà rộng cấu tạo tường dày tầng, cần phải bao gồm hai đài XBee khác hoạt động định tuyến để có liên lạc hiệu từ nút cuối đến điều phối Các nút cảm biến cấp nguồn pin Mỗi nút cảm biến truyền thơng tin khoảng 3,3 phút Hình , Hình hiển thị vị trí nút cảm biến 53 Hình 3.2 Một cảm biến khơng dây Các thành phần bao gồm: vi điều khiển Atmega-328P, cảm biến DHT 22 để đo nhiệt độ độ ẩm XBee Hình 3.3 Tầng - vị trí cảm biến nhiệt độ độ ẩm Các vòng tròn màu xanh lam cho biết số cảm biến Bộ điều phối (C) bố trí khoảng nhà, gần bàn ăn 54 Hình 3.4 Tầng hai - vị trí cảm biến Nhiệt độ Độ ẩm Các vòng tròn màu xanh lam cho biết số cảm biến Nút cảm biến đo điều kiện bên ngồi tịa nhà Dữ liệu lượng (Wh) ghi lại sau 10 phút cho thiết bị trọng tâm phân tích Khoảng thời gian báo cáo 10 phút chọn để nắm bắt thay đổi nhanh chóng mức tiêu thụ lượng Một phụ tải khác đo lường (đèn) đưa vào phân tích chứng minh yếu tố dự báo tốt cơng suất phịng kết hợp với phép đo độ ẩm tương đối Các ghi nhiệt độ độ ẩm mạng cảm biến không dây tính trung bình khoảng thời gian 10 phút tương ứng hợp với liệu lượng thiết lập theo ngày Bảng 3.2 Biến liệu mô tả Biến liệu Các đơn vị Số hiệu Thiết bị tiêu thụ lượng NS Tiêu thụ lượng nhẹ NS T1, Nhiệt độ khu vực bếp °C RH1, Độ ẩm khu vực bếp % 55 Biến liệu Các đơn vị Số hiệu T2, Nhiệt độ khu vực phòng khách °C RH2, Độ ẩm khu vực phòng khách % T3, Nhiệt độ khu vực phòng giặt °C RH3, Độ ẩm khu vực phòng giặt % số T4, Nhiệt độ phòng làm việc °C RH4, Độ ẩm phòng làm việc % 10 T5, Nhiệt độ phòng tắm °C 11 RH5, Độ ẩm phịng tắm % 12 T6, Nhiệt độ bên ngồi tịa nhà (phía bắc) °C 13 RH6, Độ ẩm bên ngồi tịa nhà (phía bắc) % 14 T7, Nhiệt độ phòng ủi °C 15 RH7, Độ ẩm phòng ủi % 16 T8, Nhiệt độ phòng °C 17 RH8, Độ ẩm phòng % 18 T9, Nhiệt độ phòng bố mẹ °C 19 RH9, Độ ẩm phòng bố mẹ % 20 °C 21 mm Hg 22 % 23 Đến, Nhiệt độ bên (từ trạm thời tiết Chièvres) Áp suất (từ trạm thời tiết Chièvres) RHo, Độ ẩm bên (từ trạm thời tiết Chièvres) năm-tháng-ngày Dấu thời gian giờ: min: s - 3.2 Xử lý liệu kết thực nghiệm Dữ liệu chuỗi thời gian thách thức nhà nghiên cứu tính phức tạp dễ thay đổi Vì vậy, cần phân tích xử lý liệu chuỗi thời gian để chọn khoảng thời gian tối ưu cho việc thiết lập mơ hình, tránh sai số khớp mức nghiên cứu trước Thứ nhất, JS-LSSVR sử dụng để chạy chương trình theo ngày, sau chạy hệ số thống kê thời gian máy tính xem xét để chọn độ dài liệu tốt 56 (36 ngày) Tiếp theo, mơ hình khác chạy để so sánh với kết mơ hình lai (JS-LSSVR), tất kết phân tích lần để chọn mơ hình tốt Hình 3.5 bảng 3.3 cho thấy kết sau chạy theo ngày Biểu đồ 3.1 Kết chạy liệu theo ngày 57 Bảng 3.3 Kết liệu chạy theo ngày Time R2learn R2test CPU Time 29 days 0.83 0.726 1.83 30 days 0.798 0.797 1.91 31 days 0.818 0.735 2.05 32 days 0.961 0.539 2.43 33 days 0.771 0.817 2.47 34 days 0.775 0.814 2.35 35 days 0.819 0.766 2.58 36 days 0.834 0.814 2.70 37 days 0.84 0.7 3.03 38 days 0.794 0.805 3.43 39 days 0.802 0.8 3.37 40 days 0.81 0.763 3.64 41 days 0.816 0.798 4.98 42 days 0.795 0.81 4.18 43 days 0.829 0.694 4.36 44 days 0.794 0.812 4.57 45 days 0.814 0.803 5.8 46 days 0.791 0.814 4.99 47 days 0.96 0.509 5.37 48 days 0.828 0.669 5.48 49 days 0.97 0.52 6.13 50 days 0.78 0.819 6.08 51 days 0.807 0.78 6.53 52 days 0.798 0.802 7.09 53 days 0.814 0.735 6.9 54 days 0.84 0.701 7.65 55 days 0.823 0.727 7.69 56 days 0.804 0.789 8.77 57 days 0.804 0.756 9.79 58 Time R2learn R2test CPU Time 58 days 0.824 0.801 9.24 59 days 0.808 0.725 9.48 60 days 0.817 0.713 9.48 61 days 0.829 0.738 10.18 62 days 0.815 0.714 10.32 63 days 0.995 0.491 11.02 64 days 0.982 0.645 12.56 65 days 0.801 0.779 12.34 66 days 0.801 0.768 12.28 Biểu đồ 3.2 Kết thực nghiệm Bảng 3.4 So sánh kết mơ hình đề xuất JS-LSSVR với nghiên cứu công bố Candanedo cộng Mode Parameters/ Training Test l features RMSE R2 MAE LM Light, 93.21 0.18 53.13 T1,RH1,T2,RH 2,T3, 59 MAP RMS E% E 61.3 93.1 R2 MAE 0.16 51.97 MAPE % 59.93 Mode Parameters/ Training Test l features RMSE R2 MAE 39.35 0.85 15.08 15.6 17.56 0.97 11.97 16.2 66.6 MAP RMS E% E MAPE R2 MAE 0.52 31.36 29.76 0.57 35.22 38.29 % RH3,T4, RH4,T5,RH5,T 6, RH6, T7,RH7,T8,TH 8,T9,RH9, To,Pressure,Rh o,WindSpd, Tdewpoint, NSM, WeekStatus, Day of Week Light,T1,RH1, T2,RH2,T3,RH 3, T4,RH4,T5,RH 5,T6,RH6,T7,R SVM Radia l H7,T8,TH8,T9, RH9,To, Pressure,Rho, 70.7 WindSpeed, Tdewpoint,NS M, WeekStatus, GBM Day of Week Light,T1,RH1, T2,RH2,T3,RH 3, T4,RH4,T5,RH 5,T6,RH6, T7,RH7,T8,TH 8,T9,RH9,To, Pressure,Rho, WindSpeed, Tdewpoint,NS M, 60 Mode Parameters/ Training Test l features RMSE R2 MAE 29.61 0.92 13.75 4.101 0.834 21.07 MAP RMS E% E 13.4 68.4 22.0 5.06 MAPE R2 MAE 0.54 31.85 31.39 0.814 24.016 25.14 % WeekStatus, Day of Week Light,T1,RH1, T2,RH2,T3,RH 3, T4,RH4,T5,RH 5,T6,RH6,T7, RH7,T8,TH8,T RF 9,RH9,To, Pressure,Rho, WindSpeed, Tdewpoint,NS M, WeekStatus, Day of Week JS-LSSVR Bảng 3.4 cho thấy JS-LSSVR cho hiệu suất cao cặp kiểm tra đào tạo-ổn định so với nghiên cứu trước Các thơng số cho thấy tính ưu việt mơ hình việc dự đốn phụ tải điện JS-LSSVR thu giá trị RMSE thấp đáng kể so với mơ hình LM, SVM Radial, GMB RF Cặp đào tạo-kiểm tra MAE (21.07-24.016) cặp đào tạo-kiểm tra MAPE (22.07-25.24) tương thích cao Giá trị cao R training R test 0,814 0,803 cho thấy khả độ tin cậy dự đoán tốt Điều khẳng định hiệu mơ hình đề xuất việc dự báo phụ tải điện KẾT LUẬN VÀ KIẾN NGHỊ Quản lý lượng điều cần thiết để giảm tiêu thụ lượng tòa nhà Tầm quan trọng việc tiết kiệm lượng xuất phát từ nhu cầu toàn cầu giảm chi tiêu lượng tác động đến môi trường từ luật liên quan Công trình trình bày đánh giá phân tích toàn diện số kỹ thuật dự báo theo chuỗi thời gian để dự đoán mức tiêu thụ lượng tòa nhà trước ngày Gần đây, nhiều thí nghiệm thực cách sử dụng kỹ 61 thuật này, sử dụng với liệu mức tiêu thụ lượng tòa nhà Nghiên cứu đề xuất trình tối ưu hóa thơng minh bầy đàn để tối ưu hóa hiệu hệ thống siêu tham số LSSVR, tên JS-LSSVR Hệ thống đề xuất thiết lập cách tích hợp LSSVR thuật tốn tối ưu hóa trí thơng minh bầy đàn tiên tiến để đảm bảo tiêu thụ lượng nơi cư trú Đáng ý, tập liệu từ thực sử dụng để đánh giá hệ thống đề xuất So với LSSVR sở nghiên cứu trước đây, hệ thống đề xuất mang lại kết thuyết phục Đặc biệt, R2, MAE MAPE liệu thử nghiệm tốt nhiều so với nghiên cứu trước Hệ thống JS-LSSVR giải pháp thay có tiềm vượt trội để dự đốn mức tiêu thụ lượng Do đó, kỹ sư dân dụng sử dụng hệ thống để đạt dự đốn xác đáng tin cậy mức tiêu thụ lượng từ thực tế Người dùng khai thác nghiên cứu để nâng cao hiệu sử dụng lượng thiết bị thiết bị điện tịa nhà Nghiên cứu bao gồm phân tích dự đốn cách sử dụng bốn biến thu thập từ sở hạ tầng lưới điện thông minh tòa nhà chọn Ảnh hưởng yếu tố độ ẩm, cường độ xạ mặt trời thời gian tượng thời tiết khắc nghiệt không xem xét dự báo mức tiêu thụ lượng tịa nhà Do đó, nghiên cứu sâu nên tiến hành để thu thập tiềm liệu để nâng cao hiệu suất dự đoán Các nghiên cứu tương lai phát triển tảng dự đốn thơng minh với phân tích tự động tồn diện hình dung thơng tin chi tiết hữu ích TÀI LIỆU THAM KHẢO Kaplan, Y.A., M Karagöz, and S Sayılmaz The overview of nuclear energy situation in the World and Turkey in EPJ Web of Conferences 2017 EDP Sciences 62 Liu, Y., et al Research on the Current Situation of Renewable Energy Exploitation in Typical Countries in the World in IOP Conference Series: Earth and Environmental Science 2018 IOP Publishing Lior, N., The ECOS 2009 World Energy Panel: An introduction to the Panel and to the present (2009) situation in sustainable energy development Energy, 2011 36(6): p 3620-3628 Cellura, M., et al., Climate change and the building sector: Modelling and energy implications to an office building in southern Europe Energy for sustainable development, 2018 45: p 46-65 Jones, D., et al., The European Power Sector in 2017 Agora Energiewende and Sandbag, 2018 Energiewende, A., Sandbag.(2020) The European power sector in 2019: up-todate analysis of the electricity transition, 2019 Braungardt, S., et al., How to include cooling in the EU Renewable Energy Directive? Strategies and policy implications Energy Policy, 2019 129: p 260267 Alfonso, S., M Gesto, and B Sadoul, Temperature increase and its effects on fish stress physiology in the context of global warming Journal of Fish Biology, 2021 98(6): p 1496-1508 Li, G., et al., Urban heat island effect of a typical valley city in China: responds to the global warming and rapid urbanization Sustainable cities and society, 2018 38: p 736-745 10 Inac, S., S.O Unverdi, and A Midilli, Global warming, environmental and sustainability aspects of a geothermal energy based biodigester integrated SOFC system International Journal of Hydrogen Energy, 2020 45(60): p 35039-35052 11 Russell, S., Artificial intelligence: The future is superintelligent Nature, 2017 548(7669): p 520-521 12 Russell, S and P Norvig, Artificial Intelligence: A Modern Approach, Global Edition 4th Foundations, 2021 19: p 23 63 13 Mohanta, B.K., et al., Survey on IoT security: Challenges and solution using machine learning, artificial intelligence and blockchain technology Internet of Things, 2020 11: p 100227 14 Oussous, A., et al., Big Data technologies: A survey Journal of King Saud University-Computer and Information Sciences, 2018 30(4): p 431-448 15 Haenlein, M and A Kaplan, A brief history of artificial intelligence: On the past, present, and future of artificial intelligence California management review, 2019 61(4): p 5-14 16 Chou, J.-S and N.-T Ngo Intelligent Monitoring for Efficient Use of Energy in Buildings in 2019 3rd International Conference on Smart Grid and Smart Cities (ICSGSC) 2019 IEEE 17 Mousavi, A and V Vyatkin, Energy Efficient Agent Function Block: A semantic agent approach to IEC 61499 function blocks in energy efficient building automation systems Automation in Construction, 2015 54: p 127-142 18 Yaïci, W and E Entchev, Adaptive Neuro-Fuzzy Inference System modelling for performance prediction of solar thermal energy system Renewable Energy, 2016 86: p 302-315 19 Zhou, S., et al., Real-time energy control approach for smart home energy management system Electric Power Components and Systems, 2014 42(3-4): p 315-326 20 Aghemo, C., L Blaso, and A Pellegrino, Building automation and control systems: A case study to evaluate the energy and environmental performances of a lighting control system in offices Automation in Construction, 2014 43: p 10-22 21 Costa, A., et al., Key factors methodology—A novel support to the decision making process of the building energy manager in defining optimal operation strategies Energy and buildings, 2012 49: p 158-163 22 Chou, J.-S and N.-T Ngo, Smart grid data analytics framework for increasing energy savings in residential buildings Automation in construction, 2016 72: p 247-257 64 23 Dong, B., C Cao, and S.E Lee, Applying support vector machines to predict building energy consumption in tropical region Energy and Buildings, 2005 37(5): p 545-553 24 Hong, T., Short term electric load forecasting 2010: North Carolina State University 25 Mohamed, N., M.H Ahmad, and Z Ismail, Improving short term load forecasting using double seasonal arima model 2011 26 Wang, Z and R.S Srinivasan, A review of artificial intelligence based building energy use prediction: Contrasting the capabilities of single and ensemble prediction models Renewable and Sustainable Energy Reviews, 2017 75: p 796-808 27 Amasyali, K and N.M El-Gohary, A review of data-driven building energy consumption prediction studies Renewable and Sustainable Energy Reviews, 2018 81: p 1192-1205 28 Cortes, C and V Vapnik, Support-vector networks Machine learning, 1995 20(3): p 273-297 29 Chou, J.-S., D.-N Truong, and C.-F Tsai, Solving Regression Problems with Intelligent Machine Learner for Engineering Informatics Mathematics, 2021 9(6): p 686 30 Chou, J.-S., D.-N Truong, and T.-L Le, Interval forecasting of financial time series by accelerated particle swarm-optimized multi-output machine learning system IEEE Access, 2020 8: p 14798-14808 31 Chou, J.-S and D.-N Truong, A novel metaheuristic optimizer inspired by behavior of jellyfish in ocean Applied Mathematics and Computation, 2021 389: p 125535 32 Candanedo, L.M., V Feldheim, and D Deramaix, Data driven prediction models of energy use of appliances in a low-energy house Energy and buildings, 2017 140: p 81-97 65 ... trường), dự báo tỷ giá hối đoái, dự báo giá vàng,… - Dự báo lĩnh vực lượng: gồm dự báo lượng tiêu thụ, dự báo nhu cầu lượng, dự báo tốc độ gió,… - Dự báo lĩnh vực thủy văn: dự báo lượng mưa - Dự báo. .. dự báo: dự báo hậu nghiệm dự báo tiền nghiệm - Dự báo hậu nghiệm (dự báo khứ): dự báo giai đoạn nhằm kiểm nghiệm xác tính dự báo mơ hình Nếu mơ hình khơng đảm bảo độ xác theo u cầu người dự báo. .. c) Theo lĩnh vực dự báo: dự báo kinh tế-tài chính, dự báo lượng, dự báo lĩnh vực môi trường, thủy văn, - Dự báo lĩnh vực kinh tế-tài gồm dự báo doanh thu, dự báo lạm phát, dự báo thị trường chứng