Tối ưu hóa năng suất điện mặt trời bằng trí tuệ nhân tạo trong quản lý xây dựng

LỜI CÁM ƠN

TÓM TẮT

ABSTRACT

LỜI CAM ĐOAN

MỤC LỤC

DANH MỤC HÌNH ẢNH

DANH MỤC BẢNG BIỂU

DANH MỤC TỪ VIẾT TẮT

1. CHƯƠNG 1 - ĐẶT VẤN ĐỀ

1.1. GIỚI THIỆU CHƯƠNG

1.2. MỤC TIÊU ĐỀ TÀI NGHIÊN CỨU

1.3. PHẠM VI NGHIÊN CỨU

1.4. ĐÓNG GÓP NGHIÊN CỨU

1.4.1. Đóng góp về mặt thực tiễn

1.4.2. Đóng góp về mặt khoa học

2. CHƯƠNG 2 - TỔNG QUAN ĐỀ TÀI VÀ CÁC NGHIÊN CỨU HIỆN TẠI

2.1. TÌNH HÌNH PHÁT TRIỂN NGÀNH ĐIỆN MẶT TRỜI

2.1.1. Điều kiện thiên nhiên tại Việt Nam thuận lợi cho sự phát triển năng lượng mặt trời

2.1.2. Tình hình phát triển các dự án điện năng lượng mặt trời tại Việt Nam

2.2. TRÍ TUỆ NHÂN TẠO VÀ HƯỚNG NGHIÊN CỨU ỨNG DỤNG TRONG NGÀNH NĂNG LƯỢNG MẶT TRỜI

2.2.1. Trí tuệ nhân tạo và các ứng dụng

2.2.2. Hướng nghiên cứu ứng dụng trí tuệ nhân tạo trong lĩnh vực năng lượng tái tạo

2.3. MỘT SỐ NGHIÊN CỨU HIỆN TẠI VỀ NĂNG LƯỢNG MẶT TRỜI TẠI VIỆT NAM

2.4. MỘT SỐ NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG LĨNH VỰC NĂNG LƯỢNG MẶT TRỜI

2.5. ĐỀ XUẤT CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN NĂNG SUẤT CỦA HỆ THỐNG ĐIỆN NĂNG LƯỢNG MẶT TRỜI

2.6. TRIỂN VỌNG CỦA HƯỚNG NGHIÊN CỨU

2.7. TỔNG QUAN VỀ TRÍ TUỆ NHÂN TẠO VÀ CÁC THUẬT TOÁN

2.7.1. Khái niệm trí tuệ nhân tạo

2.7.2. Khái niệm học máy (Machine Learning)

2.7.3. Khai phá dữ liệu (Data mining)

2.7.4. Mạng thần kinh nhân tạo ANN

2.7.5. Mô hình máy vector hỗ trợ (Support vector machine - SVM)

2.7.6. Mô hình hồi quy tuyến tính (Linear Regression)

2.7.7. Mô hình hồi quy tuyến tính tổng quát (General Linear Regression - GenLin)

2.7.8. Mô hình cây phân loại và hồi quy (Classification and Regression Tree — CART)

2.7.9. Mô hình tự động phát hiện tương tác Chi — squared (CHAITD)

2.7.10. Mô hình kết hợp (Ensemble model)

2.8. PHƯƠNG PHÁP KIỂM CHỨNG CHÉO (CROSS VALIDATION)

2.8.1. Giới thiệu chung về phương pháp kiểm chứng chéo

2.8.2. Áp dụng kiểm chứng chéo

3. CHƯƠNG 3 - PHƯƠNG PHÁP NGHIÊN CỨU

3.1. QUY TRÌNH NGHIÊN CỨU

3.2. THU THẬP DỮ LIỆU

3.2.1. Thu thập các nhân tố ảnh hưởng đến năng suất ảnh hưởng đến năng suất hệ thống điện

3.2.2. Thiết kế bảng câu hỏi

3.2.3. Khảo sát và thu thập dữ liệu

3.3. THANG ĐO VÀ KIỂM ĐỊNH THANG ĐO

3.3.1. Phân tích độ tin cậy Cronbach's Alpha

3.3.2. Phân tích nhân tố khám phá EEA

3.4. GIỚI THIỆU CÔNG CỤ NGHIÊN CỨU

3.4.1. Phần mềm phân tích thống kê IBM SPSS

3.4.2. Phần mềm khai thác dữ liệu IBM SPSS Modeler — Clementine

4. CHƯƠNG 4 - PHÂN TÍCH DỮ LIỆU

4.1. PHÂN TÍCH ĐẶC ĐIỂM DỮ LIỆU NGHIÊN CỨU

4.1.1. ĐẶC ĐIỂM MẪU NGHIÊN CỨU

4.1.2. Chuyên ngành làm việc của đối tượng tham gia khảo sát

4.1.3. Số năm kinh nghiệm trong lĩnh vực làm việc

4.1.4. Vị trí làm việc của đối tượng tham gia khảo sát

4.1.5. Thời gian làm việc trong lĩnh vực năng lượng tái tạo

4.2. KIỂM ĐỊNH CRONBACH’S ALPHA

4.2.1. Nhóm I - Các nhân tố liên quan đến quy hoạch và xây dựng

4.2.2. Nhóm II — Các nhân tố liên quan đến thời tiết và vị trí địa lý

4.2.3. Nhóm III — Các nhân tố liên quan đến kỹ thuật của hệ thống điện mặt trời

4.2.4. Nhóm IV - Các nhân tố liên quan đến chất lượng của hệ thống điện mặt trời

4.2.5. Nhóm V - Các nhân tố liên quan đến vận hành hệ thống điện mặt trời

4.3. PHÂN TÍCH NHÂN TỐ KHÁM PHÁ EEFA

4.4. XẾP HẠNG MỨC ĐỘ ẢNH HƯỞNG CÁC NHÂN TỐ

5. CHƯƠNG 5 - MÔ HÌNH NGHIÊN CỨU VÀ KẾT QUẢ TỐI ƯU

5.1. XÂY DỰNG MÔ HÌNH NGHIÊN CỨU

5.1.1. Xây dựng mô hình nghiên cứu

5.1.2. Dữ liệu nghiên cứu

5.1.3. Phương pháp đánh giá hiệu suất mô hình huấn luyện

5.2. THỰC HIỆN MÔ HÌNH

5.2.1. Phân chia chia dữ liệu thành 10 — fold

5.2.2. Khai báo các thông số cho các mô hình

5.2.3. Xây dựng mô hình trong Clementine

5.3. KẾT QUẢ TỐI ƯU MÔ HÌNH ĐƠN

5.3.1. Kết quả đánh giá fold 1

5.3.2. Kết quả đánh giá fold 2

5.3.3. Kết quả đánh giá fold 3

5.3.4. Kết quả đánh giá fold 4

5.3.5. Kết quả đánh giá fold 5

5.3.6. Kết quả đánh giá fold 6

5.3.7. Kết quả đánh giá fold 7

5.3.8. Kết quả đánh giá fold 8

5.3.9. Kết quả đánh giá fold 9

5.3.10. Kết quả đánh giá fold 10

5.3.11. Kết quả đánh giá tổng hợp

5.3.12. Kết quả tổng hợp hệ số đánh giá mức độ quan trọng của biến (Variable Importance)

5.4. KẾT QUẢ ĐÁNH GIÁ MÔ HÌNH KẾT HỢP

5.4.1. Xây dựng mô hình kết hợp

5.4.2. Kết quả đánh giá mô hình kết hợp, tập huấn luyện số 1

5.4.3. Kết quả đánh giá mô hình kết hợp, tập huấn luyện số 2

5.4.4. Kết quả đánh giá mô hình kết hợp, tập huấn luyện số 3

5.4.5. Kết quả đánh giá mô hình kết hợp, tập huấn luyện số 4

5.4.6. Kết quả đánh giá mô hình kết hợp, tập huấn luyện 5

5.4.7. Kết quả đánh giá mô hình kết hợp, tập huấn luyện 6

5.4.8. Kết quả đánh giá mô hình kết hợp, tập huấn luyện 7

5.4.9. Kết quả đánh giá mô hình kết hợp, tập huấn luyện số 8

5.4.10. Kết quả đánh giá mô hình kết hợp, tập huấn luyện số 9

5.4.11. Kết quả đánh giá mô hình kết hợp, tập huấn luyện số 10

5.4.12. Kết quả đánh giá tổng hợp các chỉ số của mô hình kết hợp

5.5. SO SÁNH KẾT QUẢ GIỮA MÔ HÌNH ĐƠN VÀ MÔ HÌNH KẾT HỢP

6. CHƯƠNG 6 - KẾT LUẬN

6.1. KIẾN NGHỊ HƯỚNG NGHIÊN CỨU TƯƠNG LAI

DANH MỤC CÔNG TRÌNH ĐÃ CÔNG BỐ

TÀI LIỆU THAM KHẢO

PHỤ LỤC 1 - BẢNG CÂU HỎI KHẢO SÁT CÁC NHÂN TỐ ẢNH HƯỞNG

PHỤ LỤC 2 — KẾT QUẢ KIỂM ĐỊNH CRONBACH’S ALPHA

PHỤ LỤC 3 - KẾT QUẢ PHÂN TÍCH EFA

PHỤ LỤC 4- BỘ DỮ LIỆU SỬ DỤNG CHO NGHIÊN CỨU GIAI ĐOẠN 2

PHỤ LỤC 5 - KẾT QUẢ TỐI ƯU DỰ ĐOÁN NĂNG SUẤT HỆ THỐNG ĐIỆN NĂNG LƯỢNG MẶT TRỜI TỪ CÁC MÔ HÌNH

DANH SÁCH CÁC CHUYÊN GIA THAM GIA KHẢO SÁT

LÝ LỊCH TRÍCH NGANG

I. Giới thiệu

Năng lượng mặt trời là một trong những nguồn năng lượng tái tạo quan trọng nhất hiện nay. Tại Việt Nam, tiềm năng phát triển năng lượng mặt trời rất lớn, tuy nhiên, việc tối ưu hóa năng suất điện mặt trời vẫn còn nhiều thách thức. Luận văn này tập trung vào việc áp dụng trí tuệ nhân tạo để tối ưu hóa năng suất điện mặt trời trong quản lý xây dựng. Các yếu tố ảnh hưởng đến năng suất điện mặt trời được phân tích và mô hình hóa nhằm đưa ra các giải pháp hiệu quả cho các nhà đầu tư và quản lý dự án.

1.1. Tầm quan trọng của năng lượng mặt trời

Năng lượng mặt trời không chỉ giúp giảm thiểu ô nhiễm môi trường mà còn góp phần vào sự phát triển bền vững. Việc tối ưu hóa năng suất điện mặt trời sẽ giúp tăng cường hiệu quả sử dụng nguồn năng lượng này. Theo nghiên cứu, có nhiều yếu tố ảnh hưởng đến năng suất điện mặt trời như cường độ bức xạ, độ cao địa hình và khả năng đáp ứng của lưới điện. Những yếu tố này cần được xem xét kỹ lưỡng trong quá trình đầu tư và xây dựng các dự án năng lượng mặt trời.

II. Phân tích các yếu tố ảnh hưởng đến năng suất điện mặt trời

Luận văn đã xác định 16 yếu tố chính ảnh hưởng đến năng suất điện mặt trời. Các yếu tố này bao gồm: cường độ ánh sáng, độ cao địa hình, và khả năng đáp ứng của lưới điện. Việc phân tích các yếu tố này giúp các nhà đầu tư có cái nhìn tổng quan về tiềm năng của dự án. Nghiên cứu cũng chỉ ra rằng, việc hiểu rõ các yếu tố này sẽ giúp tối ưu hóa quy trình đầu tư và xây dựng, từ đó nâng cao hiệu quả kinh tế cho dự án.

2.1. Các yếu tố kỹ thuật

Các yếu tố kỹ thuật như thiết kế hệ thống, chất lượng thiết bị và công nghệ lắp đặt có ảnh hưởng lớn đến năng suất điện mặt trời. Việc áp dụng công nghệ mới và cải tiến quy trình lắp đặt sẽ giúp tăng cường hiệu suất của hệ thống. Nghiên cứu cho thấy rằng, việc sử dụng các mô hình trí tuệ nhân tạo để dự đoán và tối ưu hóa các yếu tố này có thể mang lại kết quả khả quan cho các dự án năng lượng mặt trời.

III. Ứng dụng trí tuệ nhân tạo trong tối ưu hóa năng suất

Luận văn đã áp dụng các mô hình trí tuệ nhân tạo như hồi quy tuyến tính, mạng nơ-ron nhân tạo và máy vector hỗ trợ để tối ưu hóa dự đoán năng suất điện mặt trời. Các mô hình này được đánh giá thông qua phương pháp kiểm chứng chéo, cho thấy rằng mô hình kết hợp giữa SVM và ANN mang lại kết quả tốt nhất. Việc sử dụng trí tuệ nhân tạo không chỉ giúp dự đoán chính xác hơn mà còn tiết kiệm thời gian và chi phí cho các nhà đầu tư.

3.1. Kết quả và phân tích

Kết quả nghiên cứu cho thấy rằng mô hình kết hợp MH2, được xây dựng từ hai mô hình SVM và ANN, cho ra kết quả tối ưu vượt trội hơn so với các mô hình đơn lẻ. Điều này chứng tỏ rằng việc kết hợp các mô hình trí tuệ nhân tạo có thể nâng cao đáng kể khả năng dự đoán năng suất điện mặt trời. Các nhà đầu tư có thể dựa vào kết quả này để đưa ra quyết định đầu tư chính xác hơn.

IV. Kết luận và khuyến nghị

Luận văn đã chỉ ra rằng việc tối ưu hóa năng suất điện mặt trời bằng trí tuệ nhân tạo là một hướng đi tiềm năng cho ngành năng lượng tái tạo tại Việt Nam. Các nhà đầu tư và quản lý dự án cần chú trọng đến việc áp dụng công nghệ mới và cải tiến quy trình để nâng cao hiệu quả. Nghiên cứu cũng khuyến nghị cần có thêm các nghiên cứu sâu hơn về các yếu tố ảnh hưởng đến năng suất điện mặt trời để có cái nhìn toàn diện hơn.

4.1. Hướng nghiên cứu tương lai

Các nghiên cứu trong tương lai nên tập trung vào việc phát triển các mô hình trí tuệ nhân tạo mới và cải tiến các mô hình hiện tại. Bên cạnh đó, việc thu thập dữ liệu từ thực tế và phân tích sâu hơn về các yếu tố ảnh hưởng sẽ giúp nâng cao độ chính xác của các dự đoán. Điều này không chỉ có lợi cho các dự án năng lượng mặt trời mà còn cho toàn bộ ngành năng lượng tái tạo tại Việt Nam.

Tối ưu hóa năng suất điện mặt trời bằng các mô hình trí tuệ nhân tạo trong quản lý xây dựng