MỞ ĐẦU: Giới thiệu chung về vấn đề nghiên cứu: đặt vấn đề, lý do cho sự lựa chọn đề tài, đối tượng và phạm vi, phương pháp, quy trình, công cụ nghiên cứu. CHƯƠNG 2: TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU: Trình bày tổng quan về vấn đề đã được nghiên cứu trong và ngoài nước. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU: Trình bày cơ sở lý thuyết các mô hình sử dụng để dự báo công suất phát năng lượng mặt trời. CHƯƠNG 4: ĐÀO TẠO MÔ HÌNH DỰ ĐOÁN VÀ THẢO LUẬN VỀ KẾT QUẢ: Xây dựng và so sánh các mô hình để chọn mô hình dự báo hiệu quả nhất.
Áp dụng mô hình dự báo cho các chỉ số hiệu quả năng lượng tòa nhà. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN: Đưa ra kết luận về vấn đề nghiên cứu đã đề xuất và một số gợi ý phát triển hướng nghiên cứu trong tương lai. 8 CHƯƠNG 2 TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU 2.1 Các nghiên cứu trước đây Những năm gần đây, khoa học máy tính trong ngành xây dựng được các nhà khoa học quan tâm và thúc đẩy ứng dụng. Nhiều nghiên cứu trong và ngoài nước trong vấn đề sử dụng AI được thực hiện ở nhiều loại hình dự án khác nhau: dân dụng, cảng biển, dự án năng lượng,… Các tác giả đã nghiên cứu và áp dụng nhiều phương pháp từ các góc độ khác nhau.1 Các nghiên cứu nước ngoài Thông qua các bài báo nước ngoài gần đây, có thể thấy rằng các ứng dụng AI cho xây dựng các tòa nhà chủ yếu liên quan đến ba khía cạnh, đó là (i) phát hiện và kiểm soát môi trường trong nhà, chẳng hạn như nhiệt độ, độ ẩm và chất lượng không khí, (ii) hiệu quả của tòa nhà sử dụng đa năng lượng, (iii) độ chính xác dự đoán của dự báo (để kiểm soát tối ưu) trong các tòa nhà, bao gồm dự báo tải năng lượng, hệ thống phụ (ví dụ: hệ thống sưởi, thông gió và điều hòa không khí (HVAC), chiếu sáng), hiệu suất và cấu trúc an toàn của tòa nhà [10].
Với các ứng dụng AI, tòa nhà có thể có hiệu suất tốt hơn trong sự thoải mái khi vận hành (duy trì sự thoải mái về nhiệt trong nhà, duy trì chất lượng không khí trong nhà, loại bỏ quá trình làm mát/sưởi ấm, loại bỏ việc làm mát/sưởi ấm không đủ, tối đa hóa thông gió/chiếu sáng tự nhiên), chi phí (ví dụ: giảm thiểu năng lượng chi phí, độ chính xác của dự báo phụ tải, tối đa hóa việc phát điện, loại bỏ các hoạt động không cần thiết) và an toàn (an toàn kết cấu tòa nhà, an toàn vận hành thiết bị, an toàn vận hành cơ sở, an toàn vận hành khẩn cấp). Tổng quan có ba phương pháp dự đoán năng lượng trong các tòa nhà: thiết lập công thức dựa trên mối quan hệ vật lý, dựa vào AI và kết hợp hai phương pháp trên. Các phương pháp dựa trên mối quan hệ vật lý và kết hợp chủ yếu dự đoán mức tiêu thụ năng lượng bằng cách giải các phương trình nhiệt động lực học, trong khi phương pháp dựa trên AI dựa trên các kỹ thuật khai thác dữ liệu như: sử dụng dữ liệu lịch sử để dự báo việc sử dụng năng lượng trong tương lai dưới các ràng buộc, sử dụng ANN, hay kết hợp nhiều mô hình dự đoán dựa trên AI đơn lẻ để cải thiện độ chính xác của dự đoán phức tạp. 9 Luận văn đã tổng hợp một số nghiên cứu nước ngoài liên quan đến áp dụng AI để dự báo các dạng năng lượng tòa nhà phục vụ cho việc quản lý xây dựng (Bảng 2.1 Một số nghiên cứu nước ngoài áp dụng AI dự báo năng lượng tòa nhà phục vụ cho việc quản lý xây dựng STT Tên nghiên cứu Tác giả Năm Mô tả Nghiên cứu tổng quan về An Overview of các phương pháp thường Artificial được sử dụng AI, đặc biệt Intelligence- về mạng thần kinh, logic 1 Based Methods Moncef Krarti 2003 mờ và thuật toán di for Building truyền để dự báo mức sử Energy Systems dụng năng lượng của tòa [11] nhà và mô hình truyền nhiệt của vỏ tòa nhà.
Nghiên cứu này lập mô hình dự báo năng lượng mặt trời tòa nhà ở Ấn Độ và làm rõ khái niệm kiến Solar irradiance A. Naveen trúc năng lượng mặt trời forecasting and Chakkaravarthy, thụ động đang được tăng energy M. Subathra, cường trong một số lĩnh 2 optimization for 2018 P. Jerin Pradeep, vực để đạt được khái achieving nearly và Nallapaneni niệm năng lượng bằng net zero energy Manoj Kumar không.
building [12] Mô hình sử dụng: Hồi quy tuyến tính (LR), hồi quy SMO và RF. Kết quả tốt nhất: RF. When artificial Biao Yan, Fei Hao Bài báo tiến hành xem xét 3 2020 intelligence và Xi Meng và so sánh các cách tiếp 10 meets building cận dựa trên AI trong các energy tòa nhà năng lượng bằng efficiency, a không. review focusing Tóm tắt các ứng dụng về on zero enery cảm biến dựa trên internet building [10] vạn vật (IoT) cho tiện nghi nhiệt, thuật toán để kiểm soát đa năng lượng tòa nhà và phương pháp dự báo tải tòa nhà, hiệu suất hệ thống phụ và an toàn cấu trúc.
Nghiên cứu này đánh giá chuyên sâu về các nghiên cứu gần đây về ứng dụng AI trong các tòa nhà thông minh thông qua khái niệm hệ thống quản Hooman Farzaneh, lý tòa nhà và các chương Artificial Ladan trình đáp ứng nhu cầu. Intelligence Malehmirchegini, Nghiên cứu giới thiệu Evolution in Adrian Bejan, 4 2021 một khung đánh giá và sử Smart Buildings Taofeek Afolabi, dụng để đánh giá nghiên for Energy Alphonce cứu gần đây trên các lĩnh Efficiency [13] Mulumba và vực AI chính, bao gồm Precious P. Daka năng lượng, độ thoải mái, thiết kế và bảo trì. Cuối cùng, bài viết thảo luận về những thách thức mở và hướng nghiên cứu trong tương lai về ứng 11 dụng AI trong các tòa nhà thông minh.
Nghiên cứu làm rõ sự phù hợp của các phương pháp học máy để dự báo mức tiêu thụ năng lượng tiềm năng của tòa nhà ở giai đoạn thiết kế ban đầu nhằm giảm việc xây dựng Building energy các tòa nhà sử dụng năng consumption lượng kém hiệu quả hơn, prediction for Razak Olu-Ajayi, bao gồm: ANN, GBR, residential Hafiz Alaka, Ismail mạng thần kinh học sâu 5 buildings using Sulaimon, Funlade 2022 (DNN), RF, KNR, SVR deep learning and Sunmola, Saheed và ETR. other machine Ajayi Kết quả mô hình DNN learning khả quan nhất. techniques [14] Bộ dữ liệu bao gồm các đặc điểm thiết kế chính của tòa nhà và dự báo mức tiêu thụ năng lượng trung bình thường niên ở giai đoạn phát triển tòa nhà ban đầu. Nghiên cứu này thảo luận An overview of về khả năng học hỏi của machine learning các tòa nhà ở cấp độ hệ Kari Alanne và 6 applications for 2022 thống và trình bày tổng Seppo Sierla smart buildings quan về các ứng dụng học [15] máy tự động đưa ra các quyết định độc lập để 12 quản lý năng lượng tòa nhà.
Nghiên cứu chỉ ra tiềm năng lớn nhất để cải thiện hiệu quả sử dụng năng lượng đạt được bằng cách tích hợp các giải pháp thích ứng ở khoảng thời gian kiểm soát HVAC và tham gia thị trường điện. Nghiên cứu này đề xuất Towards một khung dựa trên AI intelligent kết hợp để dự báo chính Samee Ullah Khan, building energy xác mức tiêu thụ và sản Noman Khan, Fath management: AI- xuất điện năng. U Min Ullah, Min 7 based framework 2023 Một số mô hình kết hợp Je Kim, Mi Young for power đã được phát triển bao Lee và Sung Wook consumption and gồm CNN-GRU, CNN- Baik generation RNN, CNN-LSTM và bộ forecasting [16] mã hóa tự động với BiLSTM. Nhìn chung, kết quả các nghiên cứu cho thấy độ chính xác của mô hình tăng lên khi các đặc điểm đầu vào được sử dụng trong mô hình có hệ số tương quan cao với đầu ra.
Hơn nữa, độ chính xác của kết quả dự đoán được nâng cao khi sử dụng dữ liệu đầu vào được xử lý trước. Bên cạnh đó, kết quả của mô hình dự đoán phụ thuộc vào dữ liệu có sẵn và phương pháp được sử dụng để dự đoán. Trong hầu hết các trường hợp, mô hình dự báo nguồn điện mặt trời được phát triển dựa trên cơ sở dự báo ngắn hạn. Độ chính xác của mô hình dự đoán điện mặt trời thay đổi khi thay đổi khoảng thời gian trong tương lai được dự đoán, ngay cả với các thông số mô hình dự báo giống hệt nhau.
Dự đoán công suất đầu ra thường bao gồm ba bước: (1) 13 trích xuất các đặc tính năng lượng và phân tích các yếu tố ảnh hưởng đến chúng; (2) lựa chọn mô hình dự báo và (3) tối ưu mô hình dự báo. Luận văn đã tổng hợp một số nghiên cứu nước ngoài liên quan đến xây dựng mô hình máy học dự báo công suất phát điện mặt trời áp mái (Bảng 2.2 Một số nghiên cứu nước ngoài xây dựng mô hình máy học dự báo công suất phát điện mặt trời áp mái STT Tên nghiên cứu Tác giả Năm Mô tả Nghiên cứu đề xuất phương pháp ước tính tiềm năng quang điện mặt A machine trời trên mái nhà cho các learning tòa nhà hiện có ở cấp xã methodology for Assouline Dan, (đơn vị hành chính nhỏ estimating roof- Mohajeri Nahid và nhất) ở Thụy Sĩ. 1 2015 top photovoltaic Scartezzini Jean- Nghiên cứu đề xuất một solar energy Louis mô hình dựa trên SVR potential in với 3 nguồn dữ liệu: (i) Switzerland [17] dữ liệu mật độ dân số và tòa nhà, (ii) dữ liệu sử dụng đất và (iii) loại hình tòa nhà. Nghiên cứu này cung cấp Evaluation of các đánh giá hiệu suất Photovoltaic phát điện đơn giản và Power hiệu quả của các thương Generation by 2 Chih-Chiang Wei 2019 hiệu tấm pin mặt trời Using Deep trong giai đoạn lập kế Learning in Solar hoạch lắp đặt các tấm pin Panels Installed này trên mái nhà Nam Đài in Buildings [18] Loan.
14 Nghiên cứu sử dụng mô hình DNN, BPN và LR để dự đoán bức xạ mặt trời bề mặt, kết quả DNN là mô hình hiệu quả hơn. Fast Evaluation Dennis Nghiên cứu xây dựng of Rooftop and Bredemeier, thuật toán máy học để dự Façade PV Carsten Schinke, đoán lượng ánh nắng mặt Potentials Using Timo Gewohn, trời hàng năm cho tất cả 3 2021 Backward Ray Hannes Wagner- các loại bề mặt tòa nhà Tracing and Mohnsen, Raphael độc lập với độ nghiêng và Machine Niepelt và Rolf hướng của chúng tại Learning [19] Brendel thành phố Hanover, Đức. Nghiên cứu này trình bày dự báo năng lượng mặt trời kết hợp với thuật toán dự đoán phía cầu để tối Predictive ưu hóa việc sử dụng các Modeling for nguồn năng lượng mặt Rooftop Solar trời sẵn có và quản lý phía Energy Mahdi Houchati, cầu phù hợp.