Tổng quan nghiên cứu

Trong bối cảnh ngành xây dựng ngày càng phát triển phức tạp, hiệu quả sử dụng năng lượng trở thành một tiêu chí quan trọng nhằm giảm chi phí vận hành và bảo trì, đồng thời góp phần bảo vệ môi trường. Theo báo cáo toàn cầu năm 2021, ngành xây dựng chiếm khoảng 37% tổng lượng khí thải carbon toàn cầu và tiêu thụ 36% năng lượng trên thế giới, trong đó Việt Nam đang thúc đẩy mạnh mẽ việc phát triển điện mặt trời áp mái với tiềm năng khoảng 48.200 MW. Việc ứng dụng hệ thống năng lượng mặt trời áp mái không chỉ giúp tiết kiệm diện tích đất mà còn giảm tải cho lưới điện truyền tải và thúc đẩy xã hội hóa nguồn điện sạch.

Tuy nhiên, thách thức lớn đối với các dự án xây dựng sử dụng hệ thống điện mặt trời áp mái là chi phí đầu tư ban đầu cao và thời gian hoàn vốn dài. Do đó, việc dự đoán chính xác công suất phát điện mặt trời áp mái trong giai đoạn thiết kế và vận hành là rất cần thiết để tối ưu hóa hiệu quả năng lượng và tài chính. Nghiên cứu này tập trung xây dựng mô hình dự báo công suất phát điện mặt trời áp mái trong 24 giờ tới dựa trên dữ liệu đại lượng thời tiết và công suất thực tế tại các công trình ở Thành phố Hồ Chí Minh, sử dụng các mô hình máy học như hồi quy độc lập, mô hình kết hợp và mạng thần kinh nhân tạo.

Mục tiêu chính của nghiên cứu là đánh giá hiệu quả năng lượng công trình thông qua mô hình dự báo công suất phát điện mặt trời áp mái, từ đó cung cấp công cụ hỗ trợ các nhà đầu tư và quản lý xây dựng trong việc ra quyết định đầu tư và vận hành hệ thống năng lượng tái tạo. Phạm vi nghiên cứu tập trung vào các tòa nhà văn phòng tại Thành phố Hồ Chí Minh, với dữ liệu thu thập từ các hệ thống điện mặt trời áp mái thực tế. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu quả sử dụng năng lượng, giảm phát thải CO2 và thúc đẩy phát triển bền vững ngành xây dựng tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên ba nhóm lý thuyết và mô hình máy học chính để xây dựng mô hình dự báo công suất phát điện mặt trời áp mái:

  1. Mô hình hồi quy độc lập: Bao gồm các mô hình hồi quy Ridge, Lasso, K-lân cận gần nhất (KNR) và hồi quy dựa theo vectơ hỗ trợ (SVR). Các mô hình này xây dựng mối quan hệ tuyến tính hoặc phi tuyến giữa các biến đầu vào (nhiệt độ, độ ẩm, tốc độ gió) và công suất phát điện. Ví dụ, hồi quy Ridge xử lý đa cộng tuyến bằng cách thêm thành phần điều chuẩn, trong khi Lasso thực hiện chọn lọc biến thông qua phạt L1.

  2. Mô hình kết hợp (Ensemble models): Bao gồm Random Forest (RF), Extra Tree Regressor (ETR), Gradient Boosting Regressor (GBR) và Extreme Gradient Boosting (XGBoost). Các mô hình này kết hợp dự đoán của nhiều mô hình yếu để tăng độ chính xác và khả năng khái quát hóa. Đặc biệt, mô hình GBR được đánh giá cao về hiệu suất dự báo trong lĩnh vực năng lượng tái tạo.

  3. Mạng thần kinh nhân tạo (Artificial Neural Networks - ANN): Sử dụng kiến trúc Multilayer Perceptron (MLP) với nhiều lớp ẩn để mô hình hóa các quan hệ phi tuyến phức tạp giữa các biến đầu vào và công suất phát điện. MLP là mô hình phổ biến trong các bài toán hồi quy phi tuyến và đã được chứng minh hiệu quả trong dự báo năng lượng mặt trời.

Các khái niệm chính bao gồm: công suất phát điện mặt trời áp mái, đại lượng thời tiết (nhiệt độ, độ ẩm, tốc độ gió), sai số căn trung bình bình phương (RMSE), hệ số xác định (R²), và các thuật toán máy học.

Phương pháp nghiên cứu

Nghiên cứu sử dụng dữ liệu thực tế thu thập từ các hệ thống điện mặt trời áp mái tại Thành phố Hồ Chí Minh, bao gồm dữ liệu công suất phát điện và các đại lượng thời tiết ghi nhận mỗi 30 phút. Tổng cỡ mẫu khoảng vài nghìn điểm dữ liệu, được xử lý làm sạch và chuẩn hóa trước khi đưa vào mô hình.

Phương pháp chọn mẫu là lấy toàn bộ dữ liệu có sẵn từ các công trình tiêu biểu nhằm đảm bảo tính đại diện cho điều kiện khí hậu và đặc điểm công trình tại địa phương. Các mô hình máy học được xây dựng và huấn luyện trên ngôn ngữ Python, sử dụng môi trường Google Colab với các thư viện phổ biến như Scikit-learn và TensorFlow.

Quy trình nghiên cứu gồm các bước: thu thập dữ liệu, tiền xử lý, xây dựng mô hình dự báo (hồi quy độc lập, kết hợp, mạng thần kinh), đánh giá mô hình bằng các chỉ số RMSE và R², so sánh hiệu quả các mô hình, và áp dụng mô hình tốt nhất để đánh giá hiệu quả năng lượng tòa nhà thông qua các chỉ số tiêu thụ năng lượng, giảm phát thải CO2 và chi phí đầu tư.

Thời gian nghiên cứu kéo dài từ tháng 2 đến tháng 6 năm 2023, đảm bảo đủ thời gian thu thập và xử lý dữ liệu cũng như huấn luyện và kiểm thử các mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả mô hình Gradient Boosting Regressor (GBR): Mô hình GBR đạt sai số căn trung bình bình phương (RMSE) là 13.246 kW và hệ số xác định R² đạt 0, cho thấy khả năng dự báo công suất phát điện mặt trời áp mái trong 30 phút tới với độ chính xác cao hơn so với các mô hình khác. So sánh với các mô hình hồi quy độc lập như Lasso và Ridge, RMSE của GBR thấp hơn khoảng 15-20%, chứng tỏ ưu thế vượt trội của mô hình kết hợp.

  2. So sánh các mô hình máy học: Mô hình mạng thần kinh nhân tạo MLP cũng cho kết quả khả quan với RMSE khoảng 15 kW và R² gần 0, nhưng thời gian huấn luyện dài hơn so với GBR. Các mô hình hồi quy đơn lẻ như SVR và KNR có độ chính xác thấp hơn, RMSE dao động từ 18 đến 22 kW.

  3. Ảnh hưởng của các đại lượng thời tiết: Phân tích tầm quan trọng các đặc điểm cho thấy nhiệt độ và độ ẩm là hai biến ảnh hưởng lớn nhất đến công suất phát điện mặt trời áp mái, chiếm hơn 60% tổng ảnh hưởng, trong khi tốc độ gió có tác động thấp hơn. Điều này phù hợp với các nghiên cứu trước đây về ảnh hưởng của điều kiện khí hậu đến hiệu suất hệ thống năng lượng mặt trời.

  4. Đánh giá hiệu quả năng lượng tòa nhà: Áp dụng mô hình GBR, nghiên cứu xây dựng các tiêu chí đánh giá hiệu quả năng lượng tái tạo cho bốn trường hợp tòa nhà giả định tại TP.HCM. Kết quả cho thấy việc sử dụng hệ thống điện mặt trời áp mái có thể giảm mức tiêu thụ năng lượng tòa nhà từ 10% đến 25% và giảm lượng phát thải CO2 tương ứng, góp phần cải thiện hiệu quả kinh tế và môi trường.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình GBR đạt hiệu quả cao là do khả năng kết hợp nhiều mô hình yếu để giảm thiểu sai số và tăng khả năng khái quát hóa, phù hợp với dữ liệu có nhiều biến động và phi tuyến như công suất phát điện mặt trời. So với các mô hình hồi quy đơn lẻ, mô hình kết hợp giảm thiểu được ảnh hưởng của nhiễu và biến động dữ liệu.

Kết quả này tương đồng với các nghiên cứu quốc tế gần đây, trong đó GBR và các mô hình tăng cường gradient được đánh giá là phương pháp ưu việt trong dự báo năng lượng tái tạo. Việc xác định nhiệt độ và độ ẩm là các biến quan trọng cũng phù hợp với các nghiên cứu về ảnh hưởng khí hậu đến hiệu suất pin mặt trời.

Dữ liệu có thể được trình bày qua biểu đồ so sánh RMSE và R² của các mô hình, biểu đồ tầm quan trọng các đặc điểm, và bảng tổng hợp hiệu quả năng lượng tòa nhà với và không sử dụng hệ thống điện mặt trời áp mái. Những biểu đồ này giúp minh họa rõ ràng sự vượt trội của mô hình GBR và tác động tích cực của hệ thống năng lượng mặt trời đến hiệu quả năng lượng và môi trường.

Đề xuất và khuyến nghị

  1. Triển khai rộng rãi mô hình GBR trong dự báo công suất điện mặt trời áp mái: Các đơn vị thiết kế và quản lý xây dựng nên áp dụng mô hình GBR để dự báo công suất phát điện trong giai đoạn thiết kế và vận hành, nhằm tối ưu hóa công suất lắp đặt và giảm thiểu rủi ro tài chính. Thời gian áp dụng trong vòng 6-12 tháng, chủ thể thực hiện là các công ty tư vấn và nhà thầu xây dựng.

  2. Tăng cường thu thập và cập nhật dữ liệu thời tiết và công suất thực tế: Để nâng cao độ chính xác dự báo, cần xây dựng hệ thống thu thập dữ liệu tự động và liên tục cập nhật dữ liệu thời tiết, công suất phát điện tại các công trình. Thời gian thực hiện 12 tháng, chủ thể là các cơ quan quản lý năng lượng và chủ đầu tư dự án.

  3. Đào tạo và nâng cao năng lực cho cán bộ quản lý xây dựng về ứng dụng máy học: Tổ chức các khóa đào tạo chuyên sâu về máy học và ứng dụng trong quản lý năng lượng tòa nhà cho cán bộ kỹ thuật và quản lý dự án. Thời gian đào tạo định kỳ hàng năm, chủ thể là các trường đại học và viện nghiên cứu.

  4. Khuyến khích chính sách hỗ trợ đầu tư hệ thống điện mặt trời áp mái: Các cơ quan chức năng cần xây dựng chính sách ưu đãi về thuế, vốn vay và hỗ trợ kỹ thuật để thúc đẩy đầu tư hệ thống năng lượng mặt trời áp mái, góp phần giảm phát thải và nâng cao hiệu quả năng lượng. Thời gian triển khai trong 3-5 năm, chủ thể là Bộ Công Thương và các cơ quan quản lý nhà nước.

Đối tượng nên tham khảo luận văn

  1. Các nhà đầu tư và chủ dự án xây dựng: Luận văn cung cấp công cụ dự báo công suất phát điện mặt trời áp mái giúp đánh giá hiệu quả đầu tư, tối ưu hóa chi phí và rút ngắn thời gian hoàn vốn.

  2. Các công ty tư vấn thiết kế và xây dựng: Thông tin về mô hình máy học và các chỉ số đánh giá hiệu quả năng lượng hỗ trợ thiết kế hệ thống năng lượng mặt trời phù hợp với điều kiện thực tế.

  3. Cơ quan quản lý nhà nước về năng lượng và xây dựng: Nghiên cứu cung cấp cơ sở khoa học để xây dựng chính sách phát triển năng lượng tái tạo và quản lý hiệu quả năng lượng trong ngành xây dựng.

  4. Các nhà nghiên cứu và sinh viên ngành quản lý xây dựng, kỹ thuật năng lượng: Luận văn là tài liệu tham khảo quý giá về ứng dụng máy học trong dự báo năng lượng tái tạo, mở rộng kiến thức và phương pháp nghiên cứu trong lĩnh vực.

Câu hỏi thường gặp

  1. Tại sao cần dự báo công suất phát điện mặt trời áp mái trong xây dựng?
    Dự báo giúp thiết kế hệ thống phù hợp, tối ưu chi phí đầu tư và vận hành, đồng thời giảm rủi ro tài chính do biến động công suất. Ví dụ, dự báo chính xác giúp tránh lắp đặt công suất quá lớn hoặc quá nhỏ, ảnh hưởng đến hiệu quả sử dụng.

  2. Mô hình máy học nào cho kết quả dự báo tốt nhất?
    Mô hình Gradient Boosting Regressor (GBR) cho kết quả tốt nhất với RMSE thấp và hệ số R² cao, vượt trội so với các mô hình hồi quy đơn lẻ và mạng thần kinh nhân tạo trong nghiên cứu này.

  3. Các đại lượng thời tiết nào ảnh hưởng nhiều nhất đến công suất phát điện mặt trời?
    Nhiệt độ và độ ẩm là hai yếu tố quan trọng nhất, ảnh hưởng trực tiếp đến hiệu suất chuyển đổi năng lượng của tấm pin mặt trời, trong khi tốc độ gió có tác động thấp hơn.

  4. Làm thế nào để áp dụng mô hình dự báo vào thực tế?
    Các nhà thiết kế và quản lý xây dựng có thể tích hợp mô hình dự báo vào phần mềm quản lý dự án hoặc hệ thống giám sát năng lượng để hỗ trợ quyết định lắp đặt và vận hành hệ thống điện mặt trời áp mái.

  5. Nghiên cứu có thể áp dụng cho các khu vực khác ngoài TP.HCM không?
    Mô hình có thể được điều chỉnh và huấn luyện lại với dữ liệu địa phương khác để phù hợp với điều kiện khí hậu và đặc điểm công trình, do đó có thể áp dụng rộng rãi với hiệu chỉnh phù hợp.

Kết luận

  • Nghiên cứu đã xây dựng thành công mô hình dự báo công suất phát điện mặt trời áp mái sử dụng các thuật toán máy học, trong đó mô hình Gradient Boosting Regressor (GBR) đạt hiệu quả cao nhất với RMSE 13.246 kW và R² gần 0.
  • Các đại lượng thời tiết như nhiệt độ và độ ẩm đóng vai trò quan trọng trong dự báo công suất phát điện mặt trời áp mái.
  • Mô hình dự báo được áp dụng để đánh giá hiệu quả năng lượng tòa nhà, giúp giảm tiêu thụ năng lượng và phát thải CO2, góp phần phát triển bền vững ngành xây dựng.
  • Đề xuất triển khai mô hình GBR trong thực tế, tăng cường thu thập dữ liệu và đào tạo nhân lực để nâng cao hiệu quả ứng dụng.
  • Hướng phát triển tiếp theo là mở rộng mô hình cho các khu vực khác và tích hợp thêm các biến đầu vào nhằm nâng cao độ chính xác dự báo.

Call-to-action: Các nhà đầu tư, quản lý xây dựng và nhà nghiên cứu được khuyến khích áp dụng và phát triển mô hình dự báo này nhằm thúc đẩy hiệu quả năng lượng và phát triển bền vững trong ngành xây dựng tại Việt Nam.