Tối ưu hoá ước tính mức tiêu hao năng lượng toà nhà dựa trên các thuật toán trí tuệ nhân tạo

Thứ bảy, 11/05/2024 | 10:11 - GMT+7

Tối ưu hoá ước tính mức tiêu hao năng lượng toà nhà dựa trên các thuật toán trí tuệ nhân tạo

Bài nghiên cứu của nhóm tác giả thuộc trường ĐH Bách Khoa TP. Hồ Chí Minh về các mô hình dựa vào thuật toán về trí tuệ nhân tạo bao gồm mạng nơ-ron thần kinh (ANNs – Artificial neural network), máy hỗ trợ véc tơ (SVMs), cây phân loại và hồi quy (CART), hồi quy tuyến tính (LR), hồi quy tuyến tính tổng quát (GENLIN), tự động phát hiện tương tác Chi-squared (CHAID) được sử dụng trong chương trình SPSS của IBM nhằm áp dụng trong việc dự đoán mức tiêu thụ năng lượng trong toà nhà chung cư

11/05/2020 - 07:46

Tóm tắt

Mô phỏng và dự báo năng lượng tiêu thụ đóng vai trò quan trọng trong việc thiết lập chính sách năng lượng và đưa ra quyết định theo hướng phát triển bền vững. Nghiên cứu này sử dụng phương pháp kỹ thuật thống kê và công cụ trí tuệ nhân tạo bao gồm mạng nơ-ron thần kinh (ANNs – Artificial neutral networks), máy hỗ trợ véc tơ (SVM – Support vector machine), cây phân loại và hồi quy (CART - Classification and regression trees), hồi quy tuyến tính (LR - Linear regression), hồi quy tuyến tính tổng quát (GENLIN - Generalized linear regression), tự động phát hiện tương tác Chi-squared (CHAID - Chi-square automatic interaction detector) và mô hình tổng hợp (Ensemble model) để dự đoán mức tiêu thụ năng lượng trong các căn hộ tòa nhà chung cư. Bộ dữ liệu để xây dựng mô hình gồm 200 mẫu được khảo sát ở nhiều chung cư tại TP. Hồ Chí Minh. Mô hình đơn có hiệu quả tốt nhất trong quá trình dự đoán là CART, trong khi đó mô hình được tổng hợp tốt nhất là CART + GENLIN.

1. Giới thiệu

Hiện nay, tiết kiệm năng lượng là một trong những vấn đề cấp thiết không chỉ trong phạm vi từng quốc gia mà đã trở thành mối quan tâm của toàn thế giới [1]. Biến đổi khí hậu và tăng giá các loại năng lượng cùng với chất lượng cuộc sống con người ngày càng cao [2] dẫn đến sự phụ thuộc nhiều vào các nguồn năng lượng đã tạo ra những thách thức cho đội ngũ kiến trúc sư, kỹ sư phải không ngừng sáng tạo và cải tiến các thiết kế trong ngành xây dựng. Thiết kế của các tòa nhà hiện nay phải không chỉ tạo sự tiện nghi, thoải mái cho người sử dụng mà còn cần tối ưu hóa sử dụng năng lượng và giảm thiểu tối đa tác động xấu đối với môi trường.

Trên thế giới, năng lượng sử dụng trong các tòa nhà chiếm đến 20% của tổng năng lượng cần sử dụng cho con người [3]. Ở Việt Nam tỷ lệ này là 27% [2, 4]. Riêng đối với Mỹ và các nước Châu Âu tỷ lệ này chiếm đến 40% [5]. Do đó, việc ước tính mức tiêu thụ năng lượng trong các tòa nhà có ý nghĩa rất quan trọng trong việc tối ưu hóa hiệu suất sử dụng năng lượng nhằm mục đích tiết kiệm năng lượng và giảm thiểu tác động đối với môi trường.

Tuy nhiên, hệ thống năng lượng trong tòa nhà tương đối phức tạp đối với từng công trình nhất định [6]. Các thiết bị tiêu thụ năng lượng chủ yếu trong tòa nhà như: hệ thống thiết bị điều hòa không khí, tủ lạnh, bếp điện...[7]. Kích thước phòng và đặc điểm cửa sổ cũng được thay đổi theo từng loại công trình. Ngoài ra, các yếu tố về điều kiện thời tiết cũng gây ảnh hưởng không nhỏ đối với nhu cầu sử dụng năng lượng của tòa nhà [1].

Do sự phức tạp trong thiết kế các thiết bị ảnh hưởng năng lượng tòa nhà nên việc ước tính chính xác mức tiêu thụ năng lượng gặp nhiều khó khăn. Trong những năm gần đây, rất nhiều nghiên cứu về phương pháp dự đoán đã được đề xuất và áp dụng rộng rãi cho nhiều ngành nghề. Những phương pháp này bao gồm các phương pháp kỹ thuật, thống kê và trí tuệ nhân tạo. Những phương pháp được sử dụng rộng rãi nhất hiện nay gồm: mạng nơ-ron thần kinh (ANN), máy hỗ trợ véc tơ (SVM), cây phân loại và hồi quy (CART), hồi quy tuyến tính (LR), hồi quy tuyến tính tổng quát (GENLIN), tự động phát hiện tương tác Chi-squared (CHAID) được sử dụng trong chương trình SPSS của IBM [8].

Năm 1965, Nilsson [9] giới thiệu về ý tưởng mô hình kết hợp cho các vấn đề phân loại dữ liệu. Kỹ thuật mô hình tổng hợp tổ hợp các điểm mạnh của các mô hình riêng lẻ nhằm mục đích tạo ra sự ước tính tốt hơn. Bởi vì kết hợp nhiều mô hình riêng lẻ sẽ giảm được lỗi giống nhau trong quá trình ước lượng. Do vậy, sử dụng phương pháp nhiều mô hình riêng lẻ kết hợp sẽ tạo ra một mô hình dự đoán mạnh với tính tổng quát hóa cao. Nghiên cứu này sử dụng các kết quả thu được từ các mô hình riêng lẻ tốt nhất sau đó được tổng hợp và xây dựng các mô hình kết hợp để ước lượng mức tiêu thụ năng lượng trong tòa nhà. Mô hình tổng hợp này sử dụng thuật toán logic chéo k-fold trên bộ dữ liệu đã được thu thập từ trước.

2. Các mô hình ước tính và phương pháp đánh giá

Mục tiêu chính của khai phá dữ liệu có được bằng cách kết hợp các phương pháp công nghệ c tiêu chính của khai phá dữ liệu có được bằng cách kết hợp các phương pháp công nghệ trình dụng trong quá trình dự đoán của nhiều lĩnh vực. Hình 1 thể hiện quy trình hoạt động của các mô hình dự đoán đơn bao gồm sáu kỹ thuật khai phá dữ liệu, ANNs, CART, CHAID, LR, GENLIN, và SVMs. Các mô hình đơn được sử dụng để tự động tạo và so sánh kết quả liên tục.

Hình 1. Sơ đồ khối mô hình ước tính mức tiêu thụ năng lượng trong tòa nhà chung cư.

2.1. Mạng thần kinh nhân tạo (ANNs)

Mô hình mạng thần kinh nhân tạo là một công cụ mạnh mẽ để giải quyết các vấn đề phức tạp. Mạng thần kinh xử lý các nhân tố như các nơ-ron trong não người, các nhân tố đơn được sắp xếp theo tường lớp. Mạng thần kinh nhân tạo đã được sử dụng để dự đoán mức tiêu thụ năng lượng ở nhiều nghiên cứu trước đây [11–13]. Trong mạng nơ-ron đa lớp, lớp đầu tiên là tập hợp các nút dữ liệu đầu vào về đặc điểm của căn phòng, sẽ có một hay nhiều lớp ẩn chứa các nút tính toán và một lớp đầu ra chứa một nút biểu thị mức tiêu thụ năng lượng.

Thuật toán máy học được sử dụng rộng rãi và hiệu quả nhất để huấn luyện mạng thần kinh đa lớp là thuật toán lan truyền ngược. Ngưỡng kích hoạt của từng nơ-ron trong lớp ẩn được tính như sau:

trong đó net_k là ngưỡng kích hoạt của nơ-ron thứ k; j là tập các nơ-ron ở lớp trước; w_kj là trọng số kết nối giữa nơ-ron k và nơ-ron j; o_j là đầu ra của nơ-ron j, và y_k là hàm truyền.

Công thức huấn luyện và trọng số cập nhật w_kj trong từng chu kỳ t là

Giá trị thay đổi ∆w_kj(t) được tính như sau

trong đó η là tham số tốc độ huấn luyện; δ_pj là sai số lan truyền; o_pj là kết quả đầu ra của nơ-ron j cho lần thứ p; α là tham số khuyếch đại và w_kj(t -1) là giá trị thay đổi cho w_kj trong chu kỳ trước.

2.2. Cây phân loại và hồi quy (CART)

Cây phân loại và hồi quy là một phương pháp cây quyết định để xây dựng cây phân loại và cây hồi quy theo loại biến phụ thuộc của nó, vừa có thể theo kiểu phân loại hoặc kiểu số [14]. Với các trường dự đoán như nhau có thể sử dụng nhiều lần ở các cấp cây khác nhau. Phương pháp cây quyết định vượt trội hơn các mô hình kỹ thuật khác khi áp dụng các vấn đề có tính logic cao [8].

Tùy thuộc vào trường mục tiêu, ba biện pháp đo lường có thể được sử dụng để xác định vị trí phân chia cho các mô hình cây phân loại và hồi quy. Chẳng hạn như, biến Gini thường được dùng cho trường mục tiêu tượng trưng trong khi phương pháp độ lệch bình phương nhỏ nhất sẽ tự động chọn các mục tiêu liên tục mà không giải thích được chúng. Chỉ số Gini g(t) tại một nút t trong mô hình cây quyết định, được xác định theo phương trình sau:

trong đó i và j là các loại trường mục tiêu

trong đó p(j) là giá trị xác suất trước cho loại j; N_j(t) là số lượng mẫu trong loại j của nút t, và N_j là số lượng mẫu của loại j của nút gốc. Khi chỉ số Gini được sử dụng để cải thiện sau quá trình phân tách trong quá trình cây phát triển, chỉ các mẫu trong nút và nút gốc với giá trị hợp lệ cho bộ dự đoán phân tách được sử dụng để tính N_j(t) và N_j.

2.3. Tự động phát hiện tương tác Chi-squared (CHAID)

Kỹ thuật tự động phát hiện tương tác Chi-squared để phân loại dữ liệu được phát triển bởi Kass [15]. Nó kiểm tra tính độc lập bằng cách sử dụng kiểm định Chi-square để đánh giá việc tách một nút có cải thiện độ sạch dữ liệu đáng kể hay không. Cụ thể, bộ dự đoán có liên kết mạng nhất (theo giá trị p-value) với biến trả lời tại mỗi nút được sử dụng làm nút chia. Nếu bộ dự đoán được kiểm định cho thấy không có sự cải thiện đáng kể về mặt thống kê thì không có sự phân tách nào được thực hiện và thuật toán dừng lại.

Tự động phát hiện tương tác Chi-squared toàn diện được phát triển để giải quyết các hạn chế của CHAID [16]. Tuy nhiên, kỹ thuật CHAID toàn diện có thể không tối ưu hóa phân tách cho các biến dự báo vì nó dừng việc hợp nhất các biến phân loại ngay khi xác định tất cả các biến phân loại còn lại khác nhau đáng kể. Kỹ thuật CHAID toàn diện tránh việc mô hình quá phù hợp với cây quyết định đã phát triển đầy đủ vào dữ liệu để huấn luyện bằng cách liên tục hợp nhất các bộ dự đoán phân loại cho đến khi chỉ còn hai biến phân loại tốt nhất. Sau đó, nó xác định bộ dự đoán trong mỗi chuỗi các phép hợp nhất và tính giá trị p-value được điều chỉnh cho bộ biến phân loại giúp mang lại sự liên kết tốt nhất với biến mục tiêu. Do đó, CHAID toàn diện tìm ra sự phân tách tốt nhất cho mỗi bộ dự đoán và chọn bộ dự đoán nào để phân tách dựa trên giá trị p-value đã điều chỉnh.

2.4. Hồi quy tuyến tính (LR)

Mô hình hồi quy tuyến tính đa biến (LR) là một phần mở rộng của hồi quy đơn giản, nó xác định mối quan hệ giữa hai hoặc nhiều biến [17]. Công thức chung của mô hình là:

trong mô hình đề xuất, Y là mức tiêu thụ năng lượng của căn hộ chung cư; β₀ là hằng số; β_i là hệ số hồi quy (i = 1,2,...,n); ε là sai số, và X_i đại diện cho các nhân tố cụ thể. Mô hình hồi quy tuyến tính áp dụng bốn phương pháp hồi quy tuyến tính đa biến bằng cách sử dụng bình phương cực tiểu: stepwise, forward và backward.

2.5. Mô hình tuyến tính tổng quát (GENLIN)

Mô hình tuyến tính tổng quát được phát triển bởi Nelder và Wedderburn [18]. Mô hình có thể phân tích các phân phối xác suất khác nhau (ví dụ như phân phối chuẩn, nhị thức, Poison và gamma) cho một biến phụ thuộc sử dụng hàm liên kết làm mô hình tính toán để xác định mối quan hệ giữa các yếu tố dự báo tuyến tính và hàm phân phối trung bình.

Mô hình tuyến tính tổng quát linh hoạt hơn và có mối quan hệ thực tế hơn so với hồi quy đơn. Mẫu phân phối giả định của các điểm dữ liệu và mối quan hệ giữa X và Y được xác định theo phương trình sau:

trong đó η là bộ dự đoán tuyến tính, O là biến xù, X_i là biến độc lập, β_ilà hệ số độ dốc và F là phân phối của Y.

Ba thành phần của mô hình tuyến tính tổng quát bao gồm một biến kết quả Y với phân phối ngẫu nhiên cụ thể và giá trị kỳ vọng μ và phương sai σ²(E(Y) = μ). Một hàm liên kết g(.) kết nối giá trị kỳ vọng (μ) của Y để biến đổi các giá trị dự đoán của η[η = g(μ)]; và một mô hình cấu trúc tuyến tính.

2.6. Máy hỗ trợ véc tơ (SVM)

Vapnik [19] là người đầu tiên giới thiệu máy hỗ trợ véc tơ. Các máy hỗ trợ véc tơ được tạo bởi các hàm ánh xạ đầu vào – đầu ra từ một tập dữ liệu. Hàm này giải quyết cả vấn đề phân loại lẫn hồi quy. Thông thường, mô hình hồi quy sử dụng hồi quy hỗ trợ véc tơ epsilon [20] để tìm một hàm f(x) có độ lệch ε tối đa được thu thập từ các dữ liệu đầu ra y_i. Trong máy hỗ trợ véc tơ hồi quy, đầu vào đầu tiên được ánh xạ vào một vùng đặc tính không gian n chiều bằng cách sử dụng hàm phi tuyến như sau:

Chất lượng của hàm f(x) có thể được ước tính dựa trên tổn thất của hàm L(x) như sau:

Đặc tính mới nhất của hỗ trợ véc tơ hồi quy là sử dụng tổn thất không nhạy cảm ε để tính toán hàm hồi quy tuyến tính cho không gian đặc tính cao hơn đồng thời giảm độ phức tạp của mô hình bằng cách giảm thiểu ||ω||². Hàm này được đưa ra bằng cách lấy tổng không âm của các hàm ξ_i và ξ_i∗, trong đó i= 1,...,n được sử dụng để xác định các mẫu huấn luyện từ vùng không nhạy cảm ε. Do đó, hỗ trợ véc tơ hồi quy có thể được coi là một phiên bản thu nhỏ của hàm sau:

trong đó hằng số C ≥ 0 xác định sự cân bằng giữa độ phẳng của f(x,ω) và dung sai cho độ lệch lớn hơn so với ε.

2.7. Các mô hình kết hợp

Các mô hình được xếp hạng dựa vào quá trình dự đoán và sau đó các mô hình có tỷ lệ dự đoán tốt nhất được kết hợp lại tạo thành mô hình kết hợp. Phương pháp kết hợp được thể hiện bằng phép toán là g : R^d → R với một biến dự với một biến dự đoán X và biến phản hồi Y. Mỗi phương pháp sử dụng một thuật toán xác định để đửa ra một hàm ước tính g(.). Ước tính bằng một hàm kết hợp gen(.) tạo ra được bằng cách kết hợp tuyến tính của các hàm riêng lẻ như sau:

trong đó c_j chứa các hệ số kết hợp tuyến tính, là giá trị trung bình của trọng số khác nhau.
Nhìn chung, phương pháp mô hình kết hợp ước tính chính xác hơn so với những mô hình riêng lẻ thông thường [21, 22]. Các nghiên cứu thường áp dụng thuật toán xác thực chéo k lần để giảm thiểu sai số liên quan đến lấy mẫu ngẫu nhiên của việc huấn luyện. Kohavi [23] đã xác nhận rằng thử nghiệm 10 lần đem lại thời gian tính toán và phương sai tối ưu. Phương pháp này phân chia tập mẫu dữ liệu thành 10 tập con, tiến hành xây dựng và xác thực mô hình 10 lần, chọn 1 tập dữ liệu khác để kiểm tra, huấn luyện mô hình bằng 9 tập dữ liệu và sử dụng tập còn lại để kiểm tra tính chính xác của mô hình được minh họa ở Hình 2. Độ chính xác của mô hình được tính bằng độ chính xác trung bình của 10 mô hình trong 10 lần xác thực.

Hình 2. Phương pháp xác thực chéo 10 lần

2.8. Phương pháp đánh giá hiệu suất

Để đánh giá độ chính xác của quá trình dự đoán của các mô hình đơn lẻ và mô hình kết hợp, các phương pháp sau đã được sử dụng:

- Phần trăm sai số trung bình tuyệt đối

- Sai số trung bình tuyệt đối

- Sai số toàn phương trung bình

Ta sử dụng chỉ số tổng hợp (SI) thông qua ba phương pháp thống kê MAPE, MAE, RMSE với công thức như sau:

trong đó m là số phương pháp đánh giá; Pi là hiệu suất thứ i. Giá trị của SI là từ 0 đến 1; SI càng gần 0 độ chính xác mô hình càng cao.

3. Thiết lập thực nghệm

3.1. Mô tả và chuẩn bị dữ liệu

Dữ liệu được khảo sát bằng bảng câu hỏi và được đưa đến từng hộ gia đình. Bảng câu hỏi bao gồm 9 nhân tố ảnh hưởng nhất đến nhu cầu sử dụng điện của căn hộ chung cư cũng chính là 9 biến đầu vào của bộ dữ liệu được thể hiện ở Bảng 1. Bộ dữ liệu gồm có 200 mẫu được khảo sát ở nhiều chung cư tại Thành phố Hồ Chí Minh. Trung bình mức tiêu thụ năng lượng theo tháng được thu thập từ tháng 10 năm 2018 đến tháng 4 năm 2019.

Các chung cư được khảo sát nằm ở các quận khác nhau trên địa bàn Thành phố Hồ Chí Minh để đảm bảo tính bao phủ về vị trí. Đồng thời, các chung cư có mức độ tiện nghi từ trung bình cho đến cao cấp. Các tòa nhà này hoàn thành từ năm 2015 với trên 90% cư dân sinh sống. Đối với căn hộ chung cư, dữ liệu được thu thập từ các hộ gia đình có người đang sinh sống. Trong mỗi tầng sẽ tiến hành khảo sát các căn hộ chung cư ở các vị trí và đặc điểm khác biệt (vị trí giữa/góc, hướng căn hộ, số phòng ngủ,...) để đảm bảo tính đa dạng của đối tượng được khảo sát [24].

Bảng 1. Mô tả dữ liệu

Hình 3. Cấu trúc mô hình ước tính mức tiêu thụ năng lượng trong tòa nhà chung cư

3.2. Cấu trúc mô hình

Các tham số của mô hình được đặt mặc định trong quá trình so sánh thử nghiệm của các kỹ thuật khai phá dữ liệu nhằm đảm bảo cho mô hình hoạt động một cách khách quan, dễ dàng và thỏa mãn về mức độ hoạt động và độ chính xác.

Hình 3 minh họa các bước dùng các mô hình để dự đoán mức độ tiêu thụ năng lượng thông qua phần mềm SPSS của IBM [8].

Bước 1: Nhập dữ liệu đầu vào nút nguồn dựa trên thuật toán xác thực chéo.
Bước 2: Sử dụng nút dự đoán số để đào tạo dữ liệu.
Bước 3: Sử dụng mô hình đơn để kiểm tra dữ liệu.
Bước 4: Kết hợp các mô hình thông qua nút kết hợp.
Bước 5: Đánh giá kết quả phân tích thông qua bảng kết quả.

4. Kết quả thực nghiệm

Phần này đưa ra kết quả phân tích và so sánh hiệu suất mô hình kết hợp với sáu mô hình dự đoán đơn được đề xuất bằng hệ số tổng hợp SI. Từ kết quả xếp hạng hiệu suất ta kết hợp các mô hình đơn với nhau nhằm tăng hiệu quả dự đoán.

Bảng 2 thể hiện hiện kết quả hiệu suất của các mô hình bao gồm ANNs, CART, CHAID, LR, GENLIN và SVM. Trong đó, mô hình có hiệu suất tốt nhất trong quá trình dự đoán là CART với chỉ số tổng hợp SI là 0,0. Tiếp sau đó là mô hình GENLIN cũng có hiệu suất tương đối tốt với chỉ số tổng hợp SI 0,131. Xếp vị trí thứ ba và thứ tư lần lượt là hai mô hình CHAID (SI = 0,243) và LR (SI = 0,353). Hai mô hình dự đoán ANNs (SI = 0,51) và SVM (SI = 1,00) có hiệu suất thấp nhất.

Bảng 2. Tổng hợp kết quả thử nghiệm của các mô hình đơn

Tiếp theo ta tiến hành kết hợp các mô hình có hiệu suất tốt nhất với nhau nhằm tăng hiệu quả của quá trình dự đoán. Ta sử dụng 4 mô hình kết hợp như sau:

Mô hình kết hợp 5 mô hình đơn tốt nhất: CART + GENLIN + CHAID + LR + ANNs
Mô hình kết hợp 4 mô hình đơn tốt nhất: CART + GENLIN + CHAID + LR
Mô hình kết hợp 3 mô hình đơn tốt nhất: CART + GENLIN + CHAID
Mô hình kết hợp 2 mô hình đơn tốt nhất: CART + GENLIN

Sau khi kết hợp các mô hình với nhau ta có được hiệu suất các mô hình ở Bảng 3. Mô hình kết hợp có hiệu suất tốt nhất bao gồm ba mô hình (CART + GENLIN) với hệ số tổng hợp SI chỉ có 0. Tiếp đó mô hình kết hợp gồm (CART + GENLIN + CHAID) có hệ số tổng hợp SI = 0,562 là mô hình kết hợp có hiệu suất tốt thứ 2. Hai mô hình kết hợp còn lại là (CART + GENLIN + CHAID + LR) và (CART + GENLIN + CHAID + LR + ANNs) có hiệu suất thấp nhất.

Bảng 3. Tổng hợp kết quả thử nghiệm của các mô hình tổng hợp

Hình 4-6 thể hiện các chỉ số thống kê đã nêu ở mục 2.8 nhằm đánh giá hiệu quả của các mô hình dự đoán bao gồm ANNs, CART, CHAID, LR, GENLIN, SVM và mô hình kết hợp của 2 mô hình tốt nhất (CART + GENLIN). Mô hình kết hợp (Ensemble) có các chỉ số thống kê tốt hơn hẳn so với các mô hình đơn phần trăm sai số trung bình tuyệt đối (MAPE) chỉ có 1,146%, sai số trung bình tuyệt đối (MAE) là 2,497 kWh và sai số toàn phương trung bình (RMSE) là 5,187 kWh.

Hình 4. Biểu đồ phần trăm sai số trung bình tuyệt đối (MAPE) của các mô hình.

Hình 5. Biểu đồ sai số trung bình tuyệt đối (MAPE) của các mô hình.

Các kết quả này thu được thông qua phương pháp k-fold (k = 10), bằng cách lấy trung bình của 10 lần chạy kiểm nghiệm. Từ Hình 4-6 ta thấy mô hình kết hợp là mô hình tốt nhất. Điều này chứng minh rằng mô hình kết hợp là mô hình phù hợp nhất cho việc dự đoán mức tiêu thụ năng lượng.

Hình 6. Biểu đồ sai số toàn phương trung bình (RMSE) của các mô hình

5. Kết luận

Bài báo này trình bày đề xuất các mô hình dựa vào thuật toán về trí tuệ nhân tạo bao gồm mạng nơ-ron thần kinh (ANNs – Artificial neural network), máy hỗ trợ véc tơ (SVMs), cây phân loại và hồi quy (CART), hồi quy tuyến tính (LR), hồi quy tuyến tính tổng quát (GENLIN), tự động phát hiện tương tác Chi-squared (CHAID) được sử dụng trong chương trình SPSS của IBM nhằm áp dụng trong việc dự đoán mức tiêu thụ năng lượng trong toà nhà chung cư. Từ các mô hình đơn lẻ đó, tiếp tục xây dựng mô hình tổng hợp để tối ưu hoá dự đoán, khắc phục các nhược điểm của những mô hình riêng lẻ. Dữ liệu được sử dụng trong việc dự báo gồm 200 khảo sát ở nhiều chung cư tại TP. Hồ Chí Minh. Đồng thời, nghiên cứu đã áp dụng thuật toán xác thực chéo 10 lần để giảm thiểu sai số trong quá trình huấn luyện mô hình.

Nghiên cứu đã chỉ ra rằng mô hình đơn có hiệu quả tốt nhất trong quá trình dự đoán mức độ tiêu thụ năng lượng là mô hình cây phân loại và hồi quy (CART) với chỉ số thống kê tốt hơn hẳn so với các mô hình đơn khác, đồng thời có hệ số tổng hợp SI tốt nhất trong các mô hình đã đề xuất (SI = 0). Mô hình tổng hợp có hiệu suất tốt nhất là mô hình được tổng hợp giữa 2 mô hình đơn bao gồm: CART + GENLIN (SI = 0).

Nghiên cứu này được tài trợ bởi Quỹ Phát triển khoa học và công nghệ Quốc gia (NAFOSTED).

Tài liệu tham khảo

[1] Mitterer, C., Ku ̈nzel, H. M., Herkel, S., Holm, A. (2012). Optimizing energy efficiency and occupant comfort with climate-specific design of the building. Frontiers of Architectural Research, 1(3):229–235.

[2] Denmark, E., Trade, M. (2017). Vietnam energy outlook report. Bộ Công Thương, Việt Nam.

[3] Davis,E.W.,Heidorn,G.E.(1971). An algorithm for optimal project scheduling under multiple resource constraints. Management Science, 17(12):B803-B816.

[4] Trung, N. T., Toi, P. V. (2018). Nghiên cứu, đề xuất suất tiêu thụ điện năng cho văn phòng làm việc: Ap dụng tính toán cho văn phòng làm việc tại Hà Nội. Tạp chí Khoa học Công nghệ Xây dựng (KHCNXD)- ĐHXD, 12(2):59–64.

[5] Pérez-Lombard, L., Ortiz, J., Pout, C. (2008). A review on buildings energy consumption information. Energy and Buildings, 40(3):394–398.

[6] Zhao, H.-x., Magoulès, F.(2012).Areviewonthepredictionofbuildingenergyconsumption.Renewable and Sustainable Energy Reviews, 16(6):3586–3592.

[7] Lượng, N. Đ., Nga, T. T. V., Hiệp, N. H., Giang, H. M., Minh, N. B. (2018). Ứng dụng BIM để mô phỏng lượng nhiệt bức xạ mặt trời tác động lên một tòa nhà văn phòng ở thành phố Hà Nội. Tạp chí Khoa học Công nghệ Xây dựng (KHCNXD)-ĐHXD, 12(1):83–88.

[8] IBM (2010). PASW Modeler. IBM Corporation, USA.

[9] Nilsson, N.J.(1965).Learning machines: Foundations of trainable pattern classifying systems. McGraw-Hill, New York.

[10] Liao, S.-H., Chu, P.-H., Hsiao, P.-Y. (2012). Data mining techniques and applications–A decade review
from 2000 to 2011. Expert Systems with Applications, 39(12):11303–11311.

[11] Li,K.,Su,H.,Chu,J.(2011).Forecastingbuildingenergyconsumptionusingneuralnetworksandhybrid
neuro-fuzzy system: A comparative study. Energy and Buildings, 43(10):2893–2899.

[12] Tso, G. K. F., Yau, K. K. W. (2007). Predicting electricity energy consumption: A comparison of regression analysis, decision tree and neural networks. Energy, 32(9):1761–1768.

[13] Ekici, B. B., Aksoy, U. T. (2009). Prediction of building energy consumption by using artificial neural
networks. Advances in Engineering Software, 40(5):356–362.

[14] Breiman, L. (2017). Classification and regression trees. Routledge.

[15] Kass, G.V.(1980).Anexploratorytechniqueforinvestigatinglargequantitiesofcategoricaldata.Journal
of the Royal Statistical Society: Series C (Applied Statistics), 29(2):119–127.

[16] Biggs, D., De Ville, B., Suen, E. (1991). A method of choosing multiway partitions for classification and
decision trees. Journal of Applied Statistics, 18(1):49–62.

[17] Neter, J., Wasserman, W., Kutner, M.H.(1986). Applied linear statistical models. Journal of the American Statistical Association, 81.

[18] Nelder, J. A., Wedderburn, R. W. M. (1972). Generalized linear models. Journal of the Royal Statistical Society: Series A (General), 135(3):370–384.

[19] Vapnik, V. (1995). The nature of statistical learning theory. Springer-Verlag, New York.

[20] Clementine, S. P. S. S. (2007). 12.0 Algorithm Guide. Integral Solutions Limited, Chicago, USA.

[21] Adeodato, P. J. L., Arnaud, A. L., Vasconcelos, G. C., Cunha, R. C. L. V., Monteiro, D. S. M. P. (2011). MLP ensembles improve long term prediction accuracy over single networks. International Journal of Forecasting, 27(3):661–671.

[22] Van Wezel, M., Potharst, R. (2007). Improved customer choice predictions using ensemble methods. European Journal of Operational Research, 181(1):436–452.

[23] Kohavi, R.(1995).A study of cross-validation and bootstrap for accuracy estimation and model selection.
International Joint Conference on Articial Intelligence (IJCAI), Montreal, Canada, 14(2):1137–1145.

[24] Học, T. Đ., Hậu, Đ. T., Tài, L. T. (2019). Các nhân tố ảnh hưởng đến khả năng tiêu thụ điện trong căn hộ chung cư. Tạp chí Xây dựng, 9:31–35.

Trần Đức Học, Lê Tấn Tài

Tạp chí Khoa học Công nghệ Xây dựng NUCE, số 14/2020

Tag:

Cùng chuyên mục

Vai trò của chuyển đổi số gắn với quản trị tri thức trong phát triển mô hình kinh tế tuần hoàn

27/09/2021 - 08:46

Theo Tổ chức Phát triển Công nghiệp Liên Hợp quốc (UNIDO), nền kinh tế tuần hoàn là một chu trình khép kín, các chất thải được tái sử dụng, trở thành nguyên liệu cho sản xuất, từ đó giảm mọi tác động tiêu cực đến môi trường, hệ sinh thái và sức khỏe con người.

Tin đọc nhiều

Phát triển công nghệ vi sinh trong công nghiệp tại Việt Nam 24/06/2020 - 00:09
Thiết lập phương trình vi phân chuyển động và mô phỏng một cấu trúc tay máy 6 bậc tự do 03/03/2020 - 08:25
Điều khiển và phân loại vật thể dưa trên màu sắc sử dụng cánh tay robot 3 bậc tự do Fischertechnik 18/08/2020 - 06:29
Điều khiển ổn định robot di động đa hướng 26/06/2020 - 08:55
Phân tích hiệu quả của lắp ráp mô-đun trong sản xuất ô tô 02/11/2020 - 08:57
Đề xuất giải pháp thiết bị bù lai trong lọc sóng hài trong hệ thống điện phân phối 18/08/2020 - 13:16
Vai trò của chuyển đổi số gắn với quản trị tri thức trong phát triển mô hình kinh tế tuần hoàn 27/09/2021 - 08:46
Xây dựng mô hình của inverter có khả năng điều khiển công suất tác dụng và công suất phản kháng trong hệ thống điện mặt trời nối lưới khi xảy ra sự cố ngắn mạch 09/11/2020 - 17:52

Xem thêm

Nguồn nhân lực bán dẫn: Không thể đạt hiệu quả cao nếu thực hiện đơn lẻ

Do tính chất đặc thù, việc phát triển ngành công nghiệp vi mạch bán dẫn nói chung, nguồn nhân lực vi mạch bán dẫn nói riêng không thể đạt được hiệu quả cao nếu thực hiện một cách độc lập, đơn lẻ.
Bắc Giang phát động cuộc thi Robocon lần thứ nhất năm 2024

Ngày 2/5, UBND tỉnh Bắc Giang đã tổ chức phát động cuộc thi Robocon lần thứ nhất năm 2024, theo hình thức trực tiếp kết hợp với trực tuyến đến 9 điểm cầu của các phòng GD&ĐT các huyện, thị xã.
Hệ thống quản lý AI - đóng vai trò quan trọng cho việc phát triển và triển khai công nghệ AI

Với những rủi ro và sự phức tạp của AI, điều quan trọng là phải có cơ chế quản trị mạnh mẽ. Hệ thống quản lý AI đóng một vai trò quan trọng trong việc phát triển và triển khai công nghệ AI. Ở đây, chúng ta sẽ xem xét kỹ hơn tầm quan trọng của các hệ thống như vậy trong việc cung cấp các đánh giá và xử lý rủi ro AI hiệu quả.
Thúc đẩy phát triển 48.000 doanh nghiệp công nghệ số hoạt động tại địa phương

Một trong các chỉ tiêu cụ thể ưu tiên để thực hiện chủ đề chuyển đổi số năm 2024 bao gồm việc thúc đẩy phát triển 48.000 doanh nghiệp công nghệ số hoạt động tại địa phương.
Quảng Ninh đặt mục tiêu vào top 5 cả nước về chuyển đổi số toàn diện

Quảng Ninh đang tăng tốc trên nhiều lĩnh vực để trở thành mô hình mẫu về chuyển đổi số toàn diện, phấn đấu đến năm 2025 đứng trong tốp 5 tỉnh, thành phố dẫn đầu cả nước về chuyển đổi số toàn diện.
Điện lực Hưng Yên đẩy mạnh chuyển đổi số để nâng cao hiệu quả hoạt động

Thời gian qua, Công ty Điện lực Hưng Yên đã chủ động ứng dụng các thành tựu của cuộc cách mạng công nghiệp lần thứ 4, công nghệ số vào mọi lĩnh vực hoạt động.
Gần 100 nhà quản lý, chuyên gia công nghệ bàn về AI có trách nhiệm

Các nhà hoạch định chính sách và chuyên gia công nghệ đến từ 15 quốc gia, vùng lãnh thổ khu vực châu Á-Thái Bình Dương cùng thảo luận các vấn đề về phát triển trí tuệ nhân tạo tại AI Connect II.
Công nghệ bán dẫn và những "ngách" nghiên cứu nhỏ mang giá trị lớn

Hai nhà khoa học nghiên cứu công nghệ bán dẫn nổi tiếng Hàn Quốc là Giáo sư Park Inkyu, Chủ nhiệm tại Viện Khoa học và Công nghệ tiên tiến Hàn Quốc (KAIST) và Giáo sư Lee Young Hee, Viện sĩ Viện Hàn lâm Khoa học và Công nghệ Hàn Quốc (KAST), Giám đốc Trung tâm Vật lý Cấu trúc Nano tích hợp (CINAP) tại Đại học Sungkyunkwan (SKKU) đã chia sẻ về những nghiên cứu của mình, từ đó đưa ra những lời khuyên cho hướng phát triển bán dẫn của Việt Nam.
Sản phẩm công nghệ cao, công nghệ xanh cho người tiêu dùng và sản xuất

Ngày 25/4, tại Hà Nội, Trung tâm Giao dịch thông tin, công nghệ và thiết bị (Cục Thông tin khoa học và công nghệ quốc gia) phối hợp Hội Tự động hóa Việt Nam, Hiệp hội Doanh nghiệp khoa học và công nghệ Việt Nam, Hội Kinh tế số, Chi hội Doanh nhân xúc tiến thương mại quốc tế tổ chức “Triển lãm sản phẩm khoa học, công nghệ và đổi mới sáng tạo”. Nhiều sản phẩm ứng dụng công nghệ cao, công nghệ xanh lần đầu được giới thiệu đến người tiêu dùng và cho sản xuất.
Thành phố Hồ Chí Minh sắp ra mắt Trung tâm Cách mạng Công nghiệp 4.0

Dự kiến, Trung tâm Cách mạng Công nghiệp 4.0 Thành phố Hồ Chí Minh ra mắt vào tháng 9 năm nay, và được kỳ vọng trở thành nền tảng định hình phát triển các chiến lược cách mạng công nghiệp 4.0 của cả nước.

Tổng số lượt truy cập :