Luận văn thạc sĩ: Dự báo mức tiêu thụ năng lượng trong căn hộ sử dụng trí tuệ nhân tạo

Luận văn thạc sĩ kỹ thuật phân tích quản lý xây dựng dự báo mức tiêu thụ năng lượng trong căn hộ sử dụng mô hình tiến hóa trí tuệ nhân, đánh giá thực trạng, chỉ ra hạn chế, đề

• Người hướng dẫn: TS. Trần Hữu Trang
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Quản lý xây dựng
• Đề tài: Dự báo tiêu thụ năng lượng căn hộ bằng trí tuệ nhân tạo trong quản lý xây dựng
• Loại tài liệu: luận văn
• Năm xuất bản: 2020
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG
• 1.1. Mục tiêu nghiên cứu
• 1.2. Phạm vi nghiên cứu
• 1.3. Cấu trúc luận văn
• 2. CHƯƠNG 2: TỔNG QUAN TÀI LIỆU
• 2.1. Tổng quan sử dụng năng lượng trong căn hộ
• 2.2. Các mô hình dự báo tiêu thụ điện năng
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Thiết kế nghiên cứu
• 3.2. Thu thập và xử lý dữ liệu
• 4. CHƯƠNG 4: XÂY DỰNG MÔ HÌNH DỰ BÁO
• 4.1. Mô hình hồi quy tuyến tính (LR)
• 4.2. Mô hình mạng thần kinh nhân tạo (ANN)
• 4.3. Mô hình Support Vector Regression (SVR)
• 4.4. Mô hình cây phân loại và hồi quy (CART)
• 4.5. Mô hình ensemble và weighted
• 5. CHƯƠNG 5: ĐÁNH GIÁ VÀ PHÂN TÍCH KẾT QUẢ
• 5.1. Đánh giá hiệu suất các mô hình
• 5.2. So sánh và lựa chọn mô hình tốt nhất
• PHỤ LỤC
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu

Trong bối cảnh giá điện tăng cao và nhu cầu sử dụng năng lượng ngày càng lớn, việc dự báo tiêu thụ năng lượng trong các căn hộ trở thành một vấn đề cấp bách. Nghiên cứu này tập trung vào việc sử dụng trí tuệ nhân tạo để phân tích và dự đoán mức tiêu thụ năng lượng trong các căn hộ thông minh. Các yếu tố ảnh hưởng đến tiêu thụ năng lượng như đặc điểm căn hộ, thiết bị sử dụng, và thói quen của cư dân sẽ được xem xét. Thông qua việc thu thập dữ liệu và ý kiến từ các chuyên gia trong ngành xây dựng và năng lượng, nghiên cứu sẽ xây dựng các mô hình dự đoán nhằm tối ưu hóa việc sử dụng năng lượng.

1.1. Tình hình tiêu thụ năng lượng tại Việt Nam

Việt Nam đang trải qua giai đoạn phát triển nhanh chóng, kéo theo nhu cầu sử dụng năng lượng tăng cao. Theo báo cáo của BP Statistical Review of World Energy 2018, năng lượng tiêu thụ tại Việt Nam chủ yếu đến từ các nguồn như than, khí tự nhiên và điện. Tuy nhiên, việc sử dụng năng lượng trong các căn hộ vẫn còn nhiều hạn chế và lãng phí. Do đó, việc dự báo năng lượng và áp dụng các công nghệ tiên tiến như trí tuệ nhân tạo là cần thiết để cải thiện hiệu suất sử dụng năng lượng, giảm thiểu lãng phí và góp phần bảo vệ môi trường.

II. Phương pháp nghiên cứu

Nghiên cứu sử dụng các mô hình học máy như LR (Hồi quy tuyến tính), SVM (Máy vector hỗ trợ), ANN (Mạng nơ-ron nhân tạo) và CART (Cây quyết định) để dự đoán tiêu thụ năng lượng. Mỗi mô hình sẽ được xây dựng và đánh giá dựa trên hiệu suất dự đoán, từ đó lựa chọn mô hình tốt nhất cho việc dự báo tiêu thụ năng lượng trong các căn hộ. Việc sử dụng các mô hình tập hợp (ensemble models) cũng sẽ được xem xét nhằm tăng cường độ chính xác của dự đoán.

2.1. Xây dựng mô hình dự đoán

Đặc biệt, việc sử dụng mô hình tối ưu hóa năng lượng sẽ giúp xác định các giải pháp tiết kiệm năng lượng hiệu quả, góp phần giảm thiểu chi phí cho cư dân và bảo vệ môi trường. Nghiên cứu cũng sẽ phân tích hiệu suất của từng mô hình để đưa ra các khuyến nghị cho việc áp dụng thực tiễn.

III. Kết quả và thảo luận

Kết quả từ mô hình dự đoán cho thấy sự khác biệt rõ rệt giữa các phương pháp, với mô hình SVM cho kết quả chính xác nhất trong việc dự báo năng lượng tiêu thụ. Các yếu tố như diện tích căn hộ, số lượng thiết bị điện tử, và thói quen sử dụng của cư dân đều có ảnh hưởng lớn đến kết quả dự đoán. Việc áp dụng trí tuệ nhân tạo trong quản lý tiêu thụ năng lượng không chỉ giúp tối ưu hóa việc sử dụng năng lượng mà còn tạo ra các giải pháp bền vững cho tương lai.

3.1. Ý nghĩa thực tiễn

Nghiên cứu này không chỉ có giá trị lý thuyết mà còn mang lại nhiều ứng dụng thực tiễn. Các mô hình dự đoán có thể được sử dụng để phát triển các hệ thống quản lý năng lượng thông minh, giúp cư dân tiết kiệm chi phí và giảm thiểu tác động đến môi trường. Bên cạnh đó, thông qua việc phân tích dữ liệu, các nhà quản lý có thể đưa ra các chính sách phù hợp nhằm nâng cao hiệu quả sử dụng năng lượng trong các căn hộ, góp phần vào sự phát triển bền vững của đô thị.

Nội dung chính

Tổng quan nghiên cứu

Việc sử dụng năng lượng điện trong các căn hộ tại Việt Nam đang trở thành vấn đề cấp thiết trong bối cảnh giá điện tăng cao và biến đổi khí hậu ngày càng nghiêm trọng. Theo ước tính, ngành xây dựng chiếm khoảng 36% tổng tiêu thụ năng lượng quốc gia, trong đó các công trình dân dụng chiếm tới 88% lượng tiêu thụ điện năng. Nhu cầu sử dụng điện trong căn hộ phụ thuộc vào nhiều yếu tố như đặc điểm căn hộ, thiết bị sử dụng và thói quen cư dân. Mục tiêu nghiên cứu là xác định các nhân tố ảnh hưởng đến việc sử dụng điện trong căn hộ, đồng thời xây dựng mô hình dự báo tiêu thụ điện bằng các thuật toán trí tuệ nhân tạo và học máy. Nghiên cứu được thực hiện tại thành phố Hồ Chí Minh trong năm 2019-2020, với phạm vi khảo sát các chuyên gia và người có kinh nghiệm trong lĩnh vực kiến trúc, xây dựng và năng lượng. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ quản lý năng lượng, tiết kiệm chi phí và giảm thiểu tác động môi trường, góp phần phát triển bền vững ngành xây dựng đô thị.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai khung lý thuyết chính: phát triển bền vững và trí tuệ nhân tạo trong dự báo năng lượng. Phát triển bền vững được hiểu là sự phát triển đáp ứng nhu cầu hiện tại mà không làm tổn hại khả năng đáp ứng nhu cầu của các thế hệ tương lai, bao gồm các yếu tố kinh tế, xã hội và môi trường. Trí tuệ nhân tạo (AI) và học máy (Machine Learning) được ứng dụng để xây dựng các mô hình dự báo tiêu thụ điện năng, bao gồm các thuật toán như Hồi quy tuyến tính (LR), Máy vector hỗ trợ (SVM/SVR), Mạng thần kinh nhân tạo (ANN), Cây phân loại và hồi quy (CART) và các mô hình kết hợp (ensemble) như Voting, Bagging, Stacking. Các khái niệm chính bao gồm: nhân tố ảnh hưởng đến tiêu thụ điện, mô hình dự báo, hiệu suất mô hình (MAPE, MAE, RMSE, SI), và phân tích nhân tố chính (EFA).

Phương pháp nghiên cứu

Nguồn dữ liệu chính là khảo sát ý kiến của 200 chuyên gia và người có kinh nghiệm trong lĩnh vực kiến trúc, xây dựng, phát triển bền vững tại TP. Hồ Chí Minh. Mẫu được chọn theo phương pháp thuận tiện và có kinh nghiệm thực tiễn. Dữ liệu thu thập qua bảng câu hỏi được xử lý bằng phần mềm IBM SPSS Statistics 20 để phân tích thống kê mô tả, kiểm định độ tin cậy Cronbach’s Alpha và phân tích nhân tố chính (EFA) nhằm xác định các nhóm nhân tố ảnh hưởng. Tiếp đó, dữ liệu được đưa vào phần mềm RapidMiner Studio để xây dựng và đánh giá các mô hình dự báo tiêu thụ điện bằng các thuật toán AI. Quá trình nghiên cứu diễn ra từ tháng 12/2019 đến tháng 6/2020, bao gồm thu thập dữ liệu, xử lý, xây dựng mô hình và đánh giá hiệu quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Xác định 33 nhân tố ảnh hưởng đến tiêu thụ điện trong căn hộ, được phân thành 5 nhóm chính: nhóm điều kiện khí hậu (4 nhân tố), nhóm thiết bị sử dụng (11 nhân tố), nhóm đặc điểm tòa nhà (11 nhân tố), nhóm nhận thức tiết kiệm điện (7 nhân tố) và nhóm khác (4 nhân tố). Các nhân tố này đều có hệ số Cronbach’s Alpha trên 0.7, đảm bảo độ tin cậy cao.

2. Hiệu suất các mô hình dự báo: Mô hình Stacking kết hợp LR, ANN và CART đạt hiệu suất tốt nhất với chỉ số SI gần 0.95, MAPE dưới 5%, MAE và RMSE thấp hơn so với các mô hình đơn lẻ như LR, SVM hay ANN riêng lẻ.

3. So sánh các mô hình ensemble: Voting và Bagging cũng cho kết quả dự báo chính xác hơn các mô hình đơn lẻ, với MAPE giảm khoảng 10-15% so với mô hình LR truyền thống.

4. Ảnh hưởng của các nhóm nhân tố: Nhóm thiết bị sử dụng và đặc điểm tòa nhà có ảnh hưởng lớn nhất đến tiêu thụ điện, chiếm tỷ trọng ảnh hưởng khoảng 60%, trong khi nhóm nhận thức tiết kiệm điện có ảnh hưởng khoảng 20%.

Thảo luận kết quả

Nguyên nhân các nhóm nhân tố thiết bị và đặc điểm tòa nhà chiếm ưu thế là do các thiết bị điện chiếm phần lớn công suất tiêu thụ, đồng thời kiến trúc và vật liệu xây dựng ảnh hưởng đến việc giữ nhiệt và thông gió, từ đó tác động đến nhu cầu làm mát và chiếu sáng. Kết quả phù hợp với các nghiên cứu quốc tế về tiêu thụ năng lượng trong nhà ở tại các vùng khí hậu nhiệt đới. Việc áp dụng các mô hình ensemble giúp cải thiện độ chính xác dự báo nhờ tận dụng ưu điểm của từng mô hình con, giảm thiểu sai số và tăng tính ổn định. Dữ liệu có thể được trình bày qua biểu đồ so sánh MAPE, MAE của các mô hình và bảng phân tích nhân tố với hệ số tải nhân tố (factor loading) để minh họa mức độ ảnh hưởng của từng nhân tố.

Đề xuất và khuyến nghị

1. Tăng cường sử dụng vật liệu và thiết kế kiến trúc tiết kiệm năng lượng: Áp dụng các giải pháp kiến trúc xanh, tận dụng ánh sáng tự nhiên và thông gió tự nhiên nhằm giảm nhu cầu sử dụng thiết bị làm mát, mục tiêu giảm 15% tiêu thụ điện trong vòng 3 năm, chủ thể là các nhà phát triển dự án và cơ quan quản lý xây dựng.

2. Khuyến khích sử dụng thiết bị điện hiệu suất cao và tiết kiệm năng lượng: Thúc đẩy chính sách ưu đãi cho các thiết bị đạt chuẩn tiết kiệm năng lượng, giảm 10% tiêu thụ điện thiết bị trong 2 năm, chủ thể là người dân và doanh nghiệp cung cấp thiết bị.

3. Nâng cao nhận thức và thói quen tiết kiệm điện của cư dân: Triển khai các chương trình đào tạo, truyền thông về tiết kiệm điện trong căn hộ, hướng tới giảm 5-7% tiêu thụ điện do thói quen sử dụng trong 1 năm, chủ thể là các tổ chức xã hội và ban quản lý tòa nhà.

4. Ứng dụng mô hình dự báo tiêu thụ điện thông minh trong quản lý tòa nhà: Áp dụng các mô hình AI để dự báo và điều chỉnh tiêu thụ điện theo thời gian thực, giúp tối ưu hóa chi phí và giảm lãng phí, triển khai trong 1-2 năm, chủ thể là các công ty quản lý tòa nhà và đơn vị cung cấp giải pháp công nghệ.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý và hoạch định chính sách năng lượng: Sử dụng kết quả nghiên cứu để xây dựng các chính sách hỗ trợ tiết kiệm năng lượng trong lĩnh vực nhà ở và đô thị.

2. Chuyên gia và kỹ sư trong lĩnh vực kiến trúc và xây dựng: Áp dụng các nhân tố ảnh hưởng và mô hình dự báo để thiết kế các công trình tiết kiệm năng lượng hiệu quả hơn.

3. Doanh nghiệp cung cấp thiết bị điện và giải pháp công nghệ: Tham khảo mô hình dự báo để phát triển sản phẩm phù hợp với nhu cầu sử dụng thực tế và xu hướng tiết kiệm năng lượng.

4. Cư dân và ban quản lý tòa nhà: Nâng cao nhận thức và áp dụng các giải pháp tiết kiệm điện dựa trên các nhân tố ảnh hưởng được xác định trong nghiên cứu.

Câu hỏi thường gặp

1. Nghiên cứu này tập trung vào loại công trình nào?
   Nghiên cứu chủ yếu tập trung vào các công trình dân dụng tại TP. Hồ Chí Minh, chiếm khoảng 88% tổng số công trình khảo sát, phù hợp với mục tiêu phân tích tiêu thụ điện trong căn hộ.

2. Các nhân tố ảnh hưởng đến tiêu thụ điện được xác định như thế nào?
   Thông qua khảo sát ý kiến chuyên gia và phân tích nhân tố chính (EFA), 33 nhân tố được nhóm thành 5 nhóm chính, đảm bảo độ tin cậy với hệ số Cronbach’s Alpha trên 0.7.

3. Mô hình dự báo nào cho kết quả tốt nhất?
   Mô hình Stacking kết hợp LR, ANN và CART cho hiệu suất dự báo cao nhất với chỉ số SI gần 0.95 và MAPE dưới 5%, vượt trội so với các mô hình đơn lẻ.

4. Làm thế nào để áp dụng kết quả nghiên cứu vào thực tế?
   Các nhà quản lý và doanh nghiệp có thể sử dụng mô hình dự báo để tối ưu hóa quản lý năng lượng, đồng thời triển khai các giải pháp kiến trúc và thiết bị tiết kiệm điện dựa trên các nhân tố ảnh hưởng được xác định.

5. Nghiên cứu có giới hạn nào không?
   Nghiên cứu giới hạn ở phạm vi TP. Hồ Chí Minh và các công trình dân dụng, do đó kết quả có thể cần điều chỉnh khi áp dụng cho các vùng miền hoặc loại công trình khác.

Kết luận

• Xác định được 33 nhân tố ảnh hưởng chính đến tiêu thụ điện trong căn hộ, phân thành 5 nhóm có độ tin cậy cao.
• Xây dựng và đánh giá thành công các mô hình dự báo tiêu thụ điện bằng AI, trong đó mô hình Stacking đạt hiệu quả tốt nhất.
• Nhóm thiết bị sử dụng và đặc điểm tòa nhà là hai nhóm nhân tố ảnh hưởng lớn nhất đến tiêu thụ điện.
• Đề xuất các giải pháp kiến trúc, thiết bị, nhận thức và ứng dụng công nghệ nhằm giảm tiêu thụ điện hiệu quả.
• Nghiên cứu cung cấp cơ sở khoa học cho quản lý năng lượng và phát triển bền vững trong lĩnh vực xây dựng đô thị.

Next steps: Triển khai áp dụng mô hình dự báo trong quản lý tòa nhà thực tế, mở rộng khảo sát tại các vùng miền khác và loại công trình khác để hoàn thiện mô hình.

Các nhà quản lý, chuyên gia và doanh nghiệp nên phối hợp ứng dụng kết quả nghiên cứu để nâng cao hiệu quả sử dụng năng lượng và phát triển bền vững.

Trích đoạn nội dung tài liệu

ĈҥL+ӑF4XӕF*LD73+ӗ&Kt0LQK 75ѬӠ1*ĈҤ,+Ӑ&%È&+.+2$ ---------------- ĈӚ7581*+Ұ8 'Ӵ%È20Ӭ&7,Ç87+Ө1Ă1*/ѬӦ1*7521*&Ă1+Ӝ 6Ӱ 'Ө1*0Ð+Î1+7,ӂ1+Ï$75Ë78ӊ1+Æ17Ҥ2 &KX\rQQJjQK48Ҧ1/é;Æ<'Ӵ1* 0mVӕQJành : 60580302 /8Ұ19Ă17+Ҥ&6Ƭ 73+Ӗ&+Ë0,1+WKiQJ12 TP. QăP9 HỒ CHÍ MINH, tháng 01 năm 2020 &Ð1*75Î1+.+2$ ĈҤ,+Ӑ&48Ӕ&*,$7+¬1+3+Ӕ+Ӗ&+Ë0,1+ &iQEӝ+ѭӟQJGүQNKRDKӑFTS. 7UҫQ ĈӭF+ӑF ««««««««««««««««««««««««««««««««« ««««««««««««««««««««««««««««««««« &iQEӝFKҩPSKҧQELӋQ 3*6763KҥP+ӗQJ/XkQ ««««««««««««««««««««««««««««««««« ««««««««««««««««««««««««««««««««« &iQEӝFKҩPSKҧQELӋQ761JX\ӉQ7KDQK9LӋW ««««««««««««««««««««««««««««««««« ««««««««««««««««««««««««««««««««« /XұQ9ăQ7KҥF6ƭÿѭӧFEҧRYӋWҥL+ӝLÿӗQJFKҩPEҧRYӋ/XұQYăQ7KҥFVƭ7UѭӡQJ ĈҥLKӑF%iFK.KRDWKjQKSKӕ+ӗ&Kt0LQK Tp.HCM, ngày 10 tháng 01 QăP 7KjQKSKҫQ+ӝLÿӗQJÿiQKJLiOXұQYăQWKҥFVƭJӗP *KLU}KӑWrQKӑFKjPKӑFYӏFӫD+ӝLÿӗQJFKҩPEҧRYӋOXұQYăQWKҥFVƭ  1. 761JX\ӉQ$QK7Kѭ ;iFQKұQFӫD&KӫWӏFK+ӝLÿӗQJÿiQKJLiOXұQYăQYj7UѭӣQJ.KRDTXҧQOêFKX\rQ ngành VDXNKLOXұQYăQÿmÿѭӧFVӱDFKӳD QӃXFy  &+Ӫ7ӎ&++Ӝ,ĈӖ1* 75ѬӢ1*.+2$ĈӝFOұS- 7ӵGR- +ҥQKSK~F 1+,ӊ09Ө/8Ұ19Ă17+Ҥ&6Ƭ +ӑWrQKӑFYLrQĈӚ7581*+Ұ8 MSHV:1770646 Ngày, tháng, QăPVLQK07 ± 12 - 1994 1ѫLVLQKPhú Yên Chuyên ngành: 4XҧQ/ê;k\'ӵQJ 0mVӕ I. 1+,ӊ09Ө9¬1Ӝ,'81*: - ;iFÿӏQKÿѭӧFQKӳQJQKkQWӕҧQKKѭӣQJÿӃQQKXFҫXWLrXWKөQăQJOѭӧQJFӫD FăQKӝWURQJFiFWzDFKXQJ FѭWҥL73+ӗ&Kt0LQK - ĈѭDUDQKӳQJQKkQWӕFyPӭFÿӝҧQKKѭӣQJQKLӅXÿӃQQKXFҫXWLêXWKөQăQJ OѭӧQJEҵQJYLӋFNKҧRViWÿiQKJLi[ӃSKҥQJFiFQKkQWӕ - ;k\GӵQJP{KuQKGӵEiRPӭF WLrXWKөQăQJOѭӧQJEҵQJFiFKVӱGөQJFiFWKXұW toán WUtWXӋQKkQWҥRYjNӃWKӧSWӕLѭXFiFWKXұWWRiQĈѭDUDPӝWP{KuQKGӵ EiRWӕLѭX III. HCM, ngày WKiQJQăP &+Ӫ1+,ӊ0%Ӝ0Ð1 &È1%Ӝ+ѬӞ1*'Ү1 48Ҧ1/é&+8<Ç11*¬1+ TS.Ӻ7+8Ұ7;Æ<'Ӵ1* /Ӡ,&Ҧ0Ѫ1 7UѭӟFWLrQ, tôi xiQFKkQWKjQKFҧPѫQFKkQWKjQKQKҩWÿӃQ 767UҫQĈӭF+ӑF, 7Kҫ\ ÿm KѭӟQJ GүQ WұQ WuQK KѭӟQJ và góp ê QKLӅX NLӃQ WKӭF TXê EiX WURQJ VXӕW WKӡL gian W{LWKӵFKLӋQOXұQYăQ1KӳQJKѭӟQJGүQYjJySêQj\OjUҩWTXDQWUӑQJcho thành F{QJFӫDOXұQYăQQj\ ;LQFKkQWKjQKFҧPѫQTXê7Kҫ\&{.ӻ7KXұW;k\'ӵQJ ± EӝP{Q7KL &{QJYj4XҧQOê;k\GӵQJÿmWUX\ӅQÿҥWQKӳQJNLӃQWKӭFEәtFKWURQJVXӕWWKӡLJLan tôi KӑFFKѭѫQJWUuQKFDRKӑF ;LQFҧPѫQJLDÿuQKFiFDQKFKӏEҥQEqFQJOӟS FDRKӑF khóa 2017 YjQKӳQJ QJѭӡLEҥQDQKFKӏHPÿӗQJQJKLӋSÿm ÿӝQJYLrQJL~Sÿӥ FKLDVҿNLQKQJKLӋPYjGjQK WKӡLJLDQKӛWUӧW{LWKӵFKLӋQWӕWJLDLÿRҥQNKҧRViWGӳOLӋXWUѭӟFNKLWLӃQKjQKQJKLrQ FӭX CXӕLFQJW{L[LQÿһFELӋWFҧPѫQÿӃQDQKFKӏFKX\rQJLDQJѭӡLFyNLQKQJKLӋP OLrQTXDQÿӃQNKҧRViW WURQJOXұQYăQQKӳQJDQKFKӏFѭGkQWURQJFiFFKXQJFѭÿmEӓ FK~WWKӡLJLDQWKDPJLDJL~SÿӥW{LWKӵFKLӋn NKҧRViWQj\6ӵJL~SÿӥFӫDFiFDQKFKӏOj Vӵ ÿyQJJySWROӟQYjRVӵWKjQKF{QJFӫDOXұQYăQ Tp. HCM, ngày 8 tháng 12 QăP9 Ĉӛ7UXQJ+ұX 7Ï07Ҳ7 9LӋFVӱGөQJQăQJOѭӧQJÿLӋQQyLFKXQJYjVӱGөQJQăQJOѭӧQJÿLӋQWURQJFăQ KӝQyLULrQJӣ9LӋW1DPOjYҩQÿӅÿDQJÿѭӧFTXDQ WkPQKLӅXWURQJEӕLFҧQKJLiÿLӋQ WăQJFQJYӟLQKLӋWÿӝWăQJNKtKұXNKҳFQJKLӋW± KӋTXҧFӫDKLӋXӭQJQKjNtQK0ӭF VӱGөQJÿLӋQWURQJFăQKӝSKөWKXӝFYjRÿһFÿLӇPFăQKӝWKLӃWEӏWURQJFăQKӝYjFҧ QJѭӡLVӱGөQJ/XұQYăQQj\ÿѭDUDQKӳQJQKkQWӕYj PӭFÿӝҧQKKѭӣQJFӫDFK~QJÿӃQ YLӋFVӱGөQJQăQJOѭӧQJÿLӋQWURQJFăQKӝEҵQJFiFKWәQJKӧSQKӳQJQKkQWӕWӯQKLӅX QJXӗQ WjL OLӋX NKҧR ViW FiF ê NLӃQ FKX\rQ JLD Yj WK{QJ TXD NKҧR ViW QKӳQJ QJѭӡL Fy OLrQTXDQWURQJOƭQKYӵFNLӃQWU~F[k\GӵQJQăQJOѭӧQJ. &QJYӟLÿyÿӇWKӵFKLӋQGӵEiRPӭFWLrXWKөQăQJOѭӧQJWURQJFăQKӝFөWKӇOj ÿLӋQ QăQJ OXұQ YăQ ÿm [k\ GӵQJ FiF P{ KuQK Gӵ ÿRiQ Vӱ GөQJ FiF WKXұW WRiQ WUt WXӋ QKkQWҥRKӑFPi\EҵQJYLӋF[k\GӵQJFiFP{KuQKÿѫQYjP{KuQKNӃWKӧS &өWKӇOj mô hình LR, SVM (SVR)$11&$57FiFP{KuQKNӃWKӧSHQVHPEOHYjNӃWKӧSKDL P{KuQKEҵQJWUӑQJVӕ 6DXNKLÿiQKJLiYjSKkQWtFKKLӋXVXҩWJLӳDFiFP{KuQKOXұQ YăQÿӅ[XҩWP{KuQKFyKLӋXVXҩWGӵEiRWӕWQKҩW ABSTRACT The use of electrical energy in general and the use of electrical energy in apartments in particular in Vietnam is a concerning problem in the context of rising electricity prices, rising temperatures, harsh climates- the results of greenhouse effect. Electricity usage in apartments depends on characteristics of apartments, equipment and residents ± who use electrical energy. This thesis defines the factors and their influence on the use of electrical energy in apartments by summarizing factors from various sources, surveying expert opinions and people involved in the fields of architecture, construction and energy. Besides that, to make the forecast of energy consumption in the apartment, particularly electricity, the thesis has built predictive models using artificial intelligence algorithms, machine learning by building single models and ensemble models. Specifically, they are LR, SVM (SVR), ANN, CART models, ensemble models and weighted models. After evaluating and analyzing performance among models, the prediction model with the best performance is given. /Ӡ,&$0Ĉ2$1 7{L[LQFDPÿRDQOXұQYăQQj\OjF{QJWUuQKQJKLrQFӭXFӫDFiQKkQW{LÿѭӧFWKӵF KLӋQGѭӟLVӵKѭӟQJGүQNKRDKӑFFӫD767UҫQĈӭF+ӑF&iFVӕOLӋXQKӳQJNӃWOXұQ QJKLrQFӭXÿѭӧFWUuQKEj\WURQJOXұQYăQQj\KRjQWRjQWUXQJWKӵFYjFKѭDÿѭӧFF{QJ EӕWUѭӟFÿk\ 1JRjLUDOXұQYăQFzQFyVӱGөQJFiFQKұQ[pWYjNӃWTXҧFӫDFiFWiFJLҧWәFKӭF WURQJYjQJRjLQѭӟFÿӅXFyWUtFKGүQ QJXӗQJӕFU}UjQJ.HCM, ngày 8 tháng 12 QăP9 Ĉӛ7UXQJ+ұX LuұQYăQWӕt nghiӋp GVHD: TS.2 XiFÿӏQKYҩQÿӅQJKLrQFӭX . 7 &iFPөFWLrXQJKLrQFӭX . 9 ĈyQJJySQJKLrQFӭX . 11 &iFNKiLQLӋP . 11 1ăQJOѭӧQJVӱGөQJWURQJFăQKӝ . 11 3KiWWULӇQEӅQYӳQJ . 11 7UtWXӋQKkQWҥRYjP{KuQKWKXұWWRiQWUtWXӋQKkQWҥR . 12 &iFWKXұWWRiQSKәELӃQHQVHPEOH . 14 7uQKKuQKQJKLrQFӭX. 26 7KXWKұSGӳOLӋXYjSKkQWtFK . 28 ;iFÿӏQKFiFQKkQWӕҧQKKѭӣQJÿӃQYLӋFVӱGөQJÿLӋQWURQJFăQKӝFKXQJFѭ . 28 7KLӃWNӃEҧQJFkXKӓLWKXWKұSGӳOLӋX .LӇPWUDÿӝWLQFұ\WKDQJÿRYjSKkQWtFKQKkQWӕ . 32 0{KuQKWUtWXӋQKkQWҥR . 34 ĈiQKJLiKLӋXVXҩWFiFP{KuQK . 35 3KҫQPӅPWKӕQJNrYjP{SKӓQJ . 37 7KXWKұSGӳOLӋXJLDLÿRҥQYjNӃWTXҧSKkQWtFKWKӕQJNr .LӇPÿӏQK&URQEDFK¶VDOSKD . 40 ;ӃSKҥQJPӭFÿӝҧQKKѭӣQJFiFQKkQWӕ . 44 7KXWKұSGӳOLӋXYjNӃWTXҧFiFP{KuQKGӵEiR . 46 7KXWKұSGӳOLӋX. 46 0{KuQKFiFWKXұWWRiQ . 48 0{KuQKNӃWKӧS HQVHPEOHPRGHO .ӃWKӧSFiFP{KuQKFyKLӋXVXҩWWӕWEҵQJWUӑQJVӕ . 57 ÈSGөQJP{KuQKYӟLWUѭӡQJKӧSWKӵFWKӃ . 67 +ѭӟQJQJKLrQFӭXWLӃSWKHR . 68 +97+Ĉӛ Trung Hұu Trang 1 LuұQYăQWӕt nghiӋp GVHD: TS. 85 +97+Ĉӛ Trung Hұu Trang 2 LuұQYăQWӕt nghiӋp GVHD: TS. TrҫQĈӭc Hӑc DANH MӨC BҦNG BIӆU Bҧng 2.1 Tóm tҳt tình hình nghiên cӭu các tác giҧ liên quan .1 Các nhân tӕ ҧQKKѭӣQJÿӃn mӭc tiêu thө ÿLӋQWURQJFăQKӝ FKXQJFѭ. 28 BҧQJ7KDQJÿLӇPÿiQKJLiPӭFÿӝ ҧQKKѭӣng các nhân tӕ .3 Các nhóm nhân tӕ ҧQKKѭӣng sӱ dөng trong bҧng câu hӓi .4 Các nhân tӕ sӱ dөng cho khҧRViWÿӏQKOѭӧng .5 HӋ sӕ factor loading trong phân tích EFA dӵa theo sӕ Oѭӧng mүu .1 Thӕng kê yӃu tӕ sӕ QăPNLQKQJKLӋm cӫDÿӕLWѭӧng khҧo sát.2 ThӕQJNrFKX\rQQJjQKOƭQKYӵc làm viӋFÿӕLWѭӧng khҧo sát .3 LoҥLF{QJWUuQKQKyPÿӕLWѭӧng khҧRViWÿmWKDPJLD .4 HӋ sӕ &URQEDFK¶VDOSKDFKRWӯng nhóm nhân tӕ .5 HӋ sӕ &URQEDFK¶VDOSKDQKyPQKkQWӕ OLrQTXDQÿӃn khí hұu .6 HӋ sӕ &URQEDFK¶VDOSKDQKyPQKkQWӕ OLrQTXDQÿӃn thiӃt bӏ sӱ dөQJÿLӋn .7 HӋ sӕ &URQEDFK¶VDOSKDQKyPQKkQWӕ OLrQTXDQÿӃQÿһFÿLӇm tòa nhà .8 HӋ sӕ &URQEDFK¶VDOSKDQKyPQKkQWӕ OLrQTXDQÿӃQÿһFÿLӇPFăQKӝ .9 HӋ sӕ &URQEDFK¶VDOSKDQKyPQKkQWӕ khác .11 Các nhân tӕ ҧQKKѭӣng nhiӅXÿӃn khҧ QăQJWLrXWKө ÿLӋQWURQJFăQKӝ .12 Các nhân tӕ và kiӇu dӳ liӋXÿѭӧc chӑQÿӇ khҧo sát .13 Mã hóa và gӑi tên biӃn các nhân tӕ .14 ThiӃt lұp các thông sӕ EDQÿҫXFKRFiFP{KuQKÿѫQ .15 KӃt quҧ hiӋu suҩWFiFP{KuQKÿѫQ .16 Các thông sӕ sau khi tӕLѭXFӫa các mô hình .17 KӃt quҧ hiӋu suҩWFiFP{KuQKÿѫQVDXNKLWӕLѭXFiFWKDPVӕ .18: HiӋu suҩt các mô hình kӃt hӧp bҵQJSKѭѫQJSKiSYRWLQJ .19 HiӋu suҩt các mô hình kӃt hӧp bҵQJSKѭѫQJSKiS%DJJLQJ .20 HiӋu suҩt các mô hình kӃt hӧp bҵQJSKѭѫQJSKiS6WDFNLQJ .21 HiӋu suҩt giӳa các mô hình kӃt hӧSYjFiFP{KuQKÿѫQ .23 So sánh hiӋu suҩt các mô hình sau khi kӃt hӧp.24 Sӕ liӋu khҧo sát mӟi tháng 12/2019 . 63 BҧQJ*LiÿLӋn áp dөng tháng 12/2019 .26 BҧQJPmKyDYjTX\ÿәi tӯ JLiÿLӋQVDQJN:KÿLӋn .27 Tәng hӧp kӃt quҧ dӵ báo cӫa mô hình so vӟi thӵc tӃ . 66 +97+Ĉӛ Trung Hұu Trang 3 LuұQYăQWӕt nghiӋp GVHD: TS. TrҫQĈӭc Hӑc DANH MӨC HÌNH ҦNH Hình 1.1 TӍ lӋ sҧQOѭӧQJQăQJOѭӧng theo nguӗn nhiên liӋu ӣ ViӋW1DPQăP .1 Minh hӑa Support Vector Regression [16] .2 Cҩu trúc mô hình cây phân loҥi [20] .1 Quy trình nghiên cӭu.2 Khung làm viӋc cӫa mô hình các thuұt toán .1 BiӇXÿӗ phҫQWUăPVӕ QăPkinh nghiӋm .2 BiӇXÿӗ phҫQWUăPFKX\rQQJjQKQKyPÿӕLWѭӧng khҧo sát . 39 +uQK/ѭXÿӗ FiFP{KuQKÿѫQ . 49 +uQK3KѭѫQJSKiS[iFWKӵc chéo 10 lҫn . 50 +uQK/ѭXÿӗ mô hình voting ensemble . 54 +uQK/ѭXÿӗ mô hình Bagging ensemble . 55 +uQK/ѭXÿӗ mô hình Stacking ensemble.8 BiӇXÿӗ hӋ sӕ WѭѫQJTXDQ5Fӫa các mô hình .9 BiӇXÿӗ phҫQWUăPVDLVӕ trung bình MAPE cӫa các mô hình .10 BiӇXÿӗ sai sӕ trung bình tuyӋWÿӕi MAE cӫa các mô hình .11 BiӇXÿӗ sai sӕ WRjQSKѭѫQJWUXQJEuQK506(Fӫa các mô hình . 59 +uQK/ѭXÿӗ tính toán hӋ sӕ a, b kӃt hӧp hai mô hình .13 Áp dөng vào mô hình dӵ báo .14 KӃt quҧ mô hình dӵ báo thӵc tӃ Stacking (LR + ANN, CART) .15 KӃt quҧ mô hình dӵ báo thӵc tӃ Bagging ANN . 65 +97+Ĉӛ Trung Hұu Trang 4 LuұQYăQWӕt nghiӋp GVHD: TS. TrҫQĈӭc Hӑc DANH MӨC CÁC TӮ VIӂT TҲT LR: Hӗi quy tuyӃn tính (Linear Regression) ANN: Mҥng thҫn kinh nhân tҥo (Artificial neural network) SVM: Vector hӛ trӧ (Support Vector Machine) SVR: Vector hӛ trӧ hӗi quy (Support Vector fRegresstion) CART: Cây phân loҥi và hӗi quy (Classification and regression trees) EFA: Phân tích nhân tӕ chính (Exploratory Factor Analysic) NL tái tҥRQăQJOѭӧng tái tҥo Khí TN: khí tӵ nhiên AI: Trí tuӋ nhân tҥo (Artificial Intelligence) SI: ChӍ sӕ tәng hӧp R: HӋ sӕ WѭѫQJTXDQWX\Ӄn tính MPAE: PhҫQWUăPVDLVӕ trung bình tuyӋWÿӕi MAE: Sai sӕ trung bình tuyӋWÿӕi RMSE: Sai sӕ WRjQSKѭѫQJWUXQJEuQK +97+Ĉӛ Trung Hұu Trang 5 LuұQYăQWӕt nghiӋp GVHD: TS.1 Giӟi thiӋu chung: 7KHRWUDQJWK{QJWLQÿLӋn tӱ cӫa tҥSFKt QăQJOѭӧng ViӋt Nam [1]: trong nhӳQJ QăP qua, ViӋt Nam là mӝt trong nhӳng nӅn kinh tӃ phát triӇQQăQJÿӝng, vӟi nhӏSÿӝ phát triӇn khá cao so vӟLFiFQѭӟc trong khu vӵc và trên thӃ giӟL1JjQKQăQJOѭӧQJÿyQJYDLWUzWKHQFKӕt trong viӋF WK~F ÿҭy phát triӇn kinh tӃ - xã hӝi cӫD ÿҩW Qѭӟc. Tuy nhiên, quá trình phát triӇn QăQJOѭӧQJÿmEӝc lӝ nhӳng yӃu kém, bҩt cұp trong viӋc cung cҩp và sӱ dөQJQăQJOѭӧQJÿһc biӋt là sӱ dөQJÿLӋn kém hiӋu quҧ, lãng phí. Theo BP Statistical Review of World Energy 2018 [2], tӍ lӋ sҧQOѭӧQJQăQJOѭӧng theo các nguӗn nhiên liӋu ӣ ViӋW1DPQăPFKLӃm phҫn lӟn ӣ thӫ\ÿLӋn, than và khí tӵ nhiên.1 T͑ l͏ s̫QO˱ͫQJQăQJO˱ͫng theo ngu͛n nhiên li͏u ͧ Vi͏W1DPQăP ĈLӋn QăQJOjGҥQJQăQJOѭӧQJÿѭӧc sӱ dөng rӝng rãi. Tình hình sӱ dөQJÿLӋn ӣ Qѭӟc ta hiӋQQD\ÿDQJӣ mӭFFDRÿӍQKÿLӇm [3] (tháng 05/2019), cùng vӟLÿyOjQJX\FѫWKLӃu hөWÿLӋn [4] ÿһt ra mӝt vҩQÿӅ lӟn trong viӋc tiӃt kiӋPQăQJOѭӧQJÿLӋQFNJQJQKѭVӱ dөQJQăQJOѭӧng ÿLӋn mӝt cách hiӋu quҧ. ViӋc tiӃt kiӋPÿLӋn góp phҫn giҧm áp lӵFOrQQJjQKQăQJOѭӧQJQѭӟc QKjÿӗng thӡLFNJQJJySSKҫn giҧm thiӇu sӱ dөng các nguӗn nhiên liӋu hóa thҥch làm chҩWÿӕt tҥRUDÿLӋQQăQJQKѭWKDQÿiNKtWӵ QKLrQ«Wӯ ÿyOjPJLҧm ô nhiӉPP{LWUѭӡng, giҧm hiӋu ӭQJQKjNtQKĈLӋQQăQJFyYDLWUzWKHQFKӕt trong viӋFWK~Fÿҭy kinh tӃ - xã hӝi, có vai trò quan trӑQJWURQJÿӡi sӕQJFRQQJѭӡi, phөc vө cho các nhu cҫu thiӃt yӃXWURQJÿӡi sӕng, sҧn xuҩt. +97+Ĉӛ Trung Hұu Trang 6 LuұQYăQWӕt nghiӋp GVHD: TS. TrҫQĈӭc Hӑc 7KiQJ  QăP  JLi ÿLӋQ WăQJ KѫQ  [5] ҧQK Kѭӣng nhiӅX ÿӃn sҧn xuҩW Yj ÿӡi sӕng. Ngày mӝt nhiӅXQJѭӡi chú trӑQJKѫQÿӃQOѭӧQJÿLӋn sӱ dөng và nhӳng nguyên nhân dүn ÿӃn viӋFWLrXKDRÿLӋn. Vì vұy, viӋc tiӃt kiӋPÿLӋQOjÿLӅu luôn cҫn thiӃW1yÿӗQJQJKƭDYӟi viӋc tiӃt kiӋm mӝt khoҧn chi phí phҧi trҧ cho viӋc sӱ dөQJÿLӋn, góp phҫn giҧm bӟt áp lӵc cung cҩp tӯ QJjQKÿLӋn. Ӣ các thành phӕ lӟn vӟi tӕFÿӝ ÿ{WKӏ KyDFDRQKѭ+j1ӝi và thành phӕ Hӗ Chí Minh, nhu cҫu nhà ӣ FKXQJFѭUҩt lӟn [6], nhiӅXF{QJWUuQKFKXQJFѭFDRWҫQJÿѭӧc xây dӵng, kéo theo nhu cҫu sӱ dөQJQăQJOѭӧng ngày mӝWWăQJ Ngành xây dӵng có mӭFWăQJWUѭӣng trong nhӳQJQăPJҫQÿk\ÿҥt 12% và tӕFÿӝ ÿ{ thӏ KyDOjQăPGӵ kiӃQÿҥWQJѭӥQJYjRQăP&QJYӟLÿyPӭc tiêu thө QăQJ Oѭӧng trong khoҧng thӡi gian này có tӕF ÿӝ WăQJ WUѭӣQJ EuQK TXkQ FDR KѫQ Fҧ GDP QăP &iFF{QJWUuQK[k\Gӵng tҥi ViӋW1DPÿDQJVӱ dөng khoҧng 36% tәQJQăQJOѭӧng tiêu thө cҧ QѭӟFWURQJÿyÿLӋQQăQJFKLӃm 33%, và gây ra hiӋu ӭng khí thҧi nhà kính chiӃm tӍ trӑng 25% vӟi mӝt phҫn ba là CO2, tác nhân gây ra biӃQÿәi khí hұu [7]. Thӏ WUѭӡng xây dӵQJQѭӟFWDÿѭӧc dӵ EiRÿҥt 14 tӹ 86'QăPYӟi phân khúc nhà ӣ mұWÿӝ xây dӵQJ FKXQJFѭFDRWҫQJ FDRJLDWăQJ9ӟi sӵ WăQJWUѭӣng nhanh chóng cӫa nӅn kinh tӃ và tӕFÿӝ xây dӵQJÿ{WKӏ KyDFDRQKѭWUrQ9LӋt Nam sӁ FzQÿӕi mһt vӟi nhiӅu sӵ ҧnh Kѭӣng tiêu cӵFÿӃn nӅn sinh thái và kinh tӃ trӯ khi không có giҧi pháp giҧi quyӃt hiӋu quҧ vӅ QăQJOѭӧng công trình [8]ĈӇ giҧi quyӃWÿѭӧc vҩQÿӅ Qj\[XKѭӟQJF{QJWUuQK[DQKÿmÿѭӧc nhiӅXQѭӟc áp dөng trên thӃ giӟi. ViӋW1DPFNJQg bҳWÿҫu áp dөng tӯ QăPYjÿѭӧc sӵ ӫng hӝ cӫa chính phӫ và các tә chӭFWѭQKkQ[8]. Công trình xanh mang lҥi nhiӅu lӧLtFKÿһc biӋt là cách tiӃp cұn thông mình vӅ QăQJOѭӧng. Công trình xanh khuyӃn khích viӋc lұp kӃ hoҥch và mөc tiêu vӅ sӱ dөQJQăQJOѭӧng ngay tӯ khi khӣLÿҫu dӵ án, tұn dөng nhӳng thӃ mҥnh cӫa khu vӵFF{QJWUuQKYjÿLӅu kiӋn khí hұu nhҵm giҧm thiӇu nhu cҫXVѭӣi ҩm, làm mát và chiӃu sáng; kӃt hӧp thiӃt kӃ cҧnh quan trong chҳn nҳng, chҳn gió; khuyӃn khích sӱ dөQJSKѭѫQJWLӋn giao thông công cӝng; tích hӧp giҧi pháp sӱ dөQJQăQJOѭӧng tái tҥo [9].2 ;iFÿӏnh vҩQÿӅ nghiên cӭu: Vӟi tӕF ÿӝ ÿ{ WKӏ hóa ngày mӝW WăQJ Vӵ phát triӇn cӫD FiF FKXQJ Fѭ FDR Wҫng ӣ các thành phӕ lӟn trӣ nên mҥnh mӁ ÿӇ ÿiSӭng nhu cҫu nhà ӣ. Tҥi thành phӕ Hӗ &Kt0LQKQăP ÿmFҩp 60.000 giҩy phép xây dӵQJWURQJÿyOjJLҩ\SKpS[k\FKXQJFѭ7Kӏ WUѭӡng +97+Ĉӛ Trung Hұu Trang 7 LuұQYăQWӕt nghiӋp GVHD: TS. TrҫQĈӭc Hӑc QăPFyNKRҧQJFăQKӝ và dӵ kiӃQWăQJWURQJQăPWӟi [10]. Tuy nhiên, các công trình xây dӵng tҥi ViӋW1DPÿDQJVӱ dөng khoҧng 36% tәQJQăQJOѭӧng tiêu thө cҧ Qѭӟc, WURQJÿyÿLӋQQăQJFKLӃm 33%, và gây ra hiӋu ӭng khí thҧi nhà kính chiӃm tӍ trӑng 25% vӟi mӝt phҫn ba là CO2, tác nhân gây ra biӃQÿәi khí hұu [7]. 1Jj\QD\F{QJWUuQK[DQKÿѭӧc biӃWÿӃQYjFNJQJÿѭӧc áp dөng ӣ ViӋt Nam. Mӝt trong KDL [X Kѭӟng phát triӇQ F{QJ WUuQK [DQK Oj [X Kѭӟng kiӃn trúc tұp trung vào nhұn thӭc môi WUѭӡng, thiӃt kӃ tích hӧp, hiӋu quҧ và sáng tҥo [9]1KѭYұy, thiӃt kӃ kiӃQWU~FÿiSӭQJÿѭӧc hiӋu quҧ QăQJOѭӧng sӁ góp phҫn giҧm thiӇu viӋc tiêu thө QăQJOѭӧng trong tòa nhà. KiӃn trúc ÿҥt hiӋu quҧ QăQJOѭӧng khi tiӃt kӃ ÿѭӧc hӧp lý, tӕLѭXYӅ QăQJOѭӧng kӃt hӧp vӟi tӯng thiӃt bӏ tiêu thө QăQJOѭӧng. HiӋu quҧ QăQJOѭӧng phө thuӝFÿӃn ý thӭc tiӃt kiӋm cӫa QJѭӡi sӱ dөng ÿѭӧc xây dӵng thành thói quen và có sӵ ÿyQJJySFӫa công nghӋ QăQJOѭӧng. HiӋu quҧ QăQJ Oѭӧng sӁ càng cao nӃu có sӵ kӃt hӧSÿӗng bӝ cӫa tҩt cҧ các giҧi pháp [11]. Các giҧi pháp tiӃt kiӋPQăQJOѭӧng trong công trình [11]: x Giҧi pháp quy hoҥch: vӏ WUtKѭӟng công trình. x Giҧi pháp kiӃn trúc: tұn dөng các yӃu tӕ có lӧi vӅ khí hұXYjQăQJOѭӧQJÿӇ bӕ trí không gian kiӃn trúc; cҩu tҥo lӟp vӓ bao che. x Giҧi pháp thiӃt kӃ khác hӛ trӧ: giҧi pháp hình khӕi, giҧi pháp bӅ mһt, giҧi pháp chҳn nҳng, bӕ trí cӱa sә, cҧnh quan,« Vӟi tӕFÿӝ phát triӇQFKXQJFѭQKDQKFKyQJFQJYӟi thӵc trҥng vӅ QăQJOѭӧng, mӝt trong nhӳQJÿLӅXPjQJѭӡi ӣ FKXQJFѭKRһFÿDQJFyêÿӏnh ӣ FKXQJFѭÿDQJTXDQWkPOjPӭc sӱ dөQJQăQJOѭӧng, ӣ ÿk\OjÿLӋQQăQJTrong bӕi cҧQKJLiÿLӋQWăQJ[5], thӡi tiӃt nóng bӭc mùa hè ӣ ViӋt Nam, thì viӋc tiӃt kiӋPÿLӋQQăQJVӱ dөQJÿӗQJQJKƭDYӟi viӋc tiӃt kiӋm mӝt khoҧn chi phí phҧi trҧ cho viӋc sӱ dөng, ÿӗng thӡi góp phҫn giҧm bӟt áp lӵc cung cҩp tӯ ngành ÿLӋn ӣ Qѭӟc ta.