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

Luận văn thạc sĩ kỹ thuật phân tích quản lý xây dựng tối ưu hóa năng suất điện mặt trời bằng các mô hình trí tuệ nhân tạo đơn và kết hợp, đánh giá thực trạng, chỉ ra hạn chế, đề

• Tác giả: Lê Hải Đăng
• Người hướng dẫn: TS. Nguyễn Đăng Trình
• Trường học: Đại học Quốc gia TP.HCM
• Chuyên ngành: Quản lý xây dựng
• Đề tài: Tối ưu hóa năng suất điện mặt trời bằng trí tuệ nhân tạo trong quản lý xây dựng
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• 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

Tóm tắt

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.

Nội dung chính

Tổng quan nghiên cứu

Việt Nam được đánh giá là quốc gia có tiềm năng lớn trong phát triển năng lượng mặt trời (NLMT) với số giờ nắng trung bình từ 1500 đến 2600 giờ mỗi năm tùy vùng miền, đặc biệt là khu vực miền Nam và Tây Nguyên có cường độ bức xạ mặt trời rất tốt, dao động từ 4.7 đến 4.9 kWh/m²/ngày. Tính đến năm 2020, cả nước đã có khoảng 102 nhà máy điện mặt trời đi vào hoạt động với tổng công suất hơn 5.245 MW, đồng thời có khoảng 260 dự án đang được đầu tư với tổng công suất dự kiến lên đến 28.000 MW. Sự phát triển nhanh chóng này đặt ra yêu cầu cấp thiết về việc tối ưu hóa năng suất và hiệu quả vận hành các hệ thống điện mặt trời nhằm đảm bảo hiệu quả đầu tư và khai thác nguồn năng lượng tái tạo bền vững.

Luận văn tập trung nghiên cứu các nhân tố ảnh hưởng đến năng suất của hệ thống điện năng lượng mặt trời tại Việt Nam, đồng thời xây dựng và tối ưu hóa mô hình dự đoán năng suất dựa trên các thuật toán trí tuệ nhân tạo (AI) đơn lẻ và kết hợp. Phạm vi nghiên cứu bao gồm khảo sát ý kiến chuyên gia, thu thập dữ liệu từ các nhà máy điện mặt trời trên toàn quốc và phân tích dữ liệu từ trang Global Solar Atlas trong giai đoạn 2020-2021. Mục tiêu chính là xác định các nhân tố quan trọng ảnh hưởng đến năng suất, từ đó phát triển mô hình dự đoán chính xác nhằm hỗ trợ các nhà đầu tư và quản lý dự án trong việc ra quyết định hiệu quả.

Nghiên cứu có ý nghĩa thực tiễn lớn trong bối cảnh Việt Nam đang đẩy mạnh phát triển năng lượng tái tạo, giúp nâng cao hiệu suất vận hành các nhà máy điện mặt trời, đồng thời đóng góp về mặt khoa học trong việc ứng dụng AI vào lĩnh vực quản lý xây dựng và năng lượng tái tạo.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Lý thuyết về năng lượng mặt trời và các nhân tố ảnh hưởng: Bao gồm các yếu tố tự nhiên như cường độ bức xạ, số giờ nắng, nhiệt độ môi trường, vị trí địa lý, cũng như các yếu tố kỹ thuật như hiệu suất tấm pin, hiệu suất biến tần, và chất lượng vật liệu.

• Mô hình trí tuệ nhân tạo (AI) và học máy (Machine Learning): Tập trung vào các thuật toán phổ biến trong dự đoán và tối ưu hóa như Mạng thần kinh nhân tạo (ANN), Máy vector hỗ trợ (SVM), Hồi quy tuyến tính (LR), Hồi quy tuyến tính tổng quát (GENLIN), Cây phân loại và hồi quy (CART), và mô hình phát hiện tương tác tự động Chi-Squared (CHAID).

• Mô hình kết hợp (Ensemble model): Kết hợp các mô hình đơn lẻ có hiệu suất cao để nâng cao độ chính xác dự đoán, sử dụng phương pháp stacking nhằm tận dụng ưu điểm của từng mô hình.

Các khái niệm chính bao gồm: năng suất hệ thống điện mặt trời, các nhân tố ảnh hưởng (kỹ thuật, môi trường, vận hành), thuật toán AI, kiểm chứng chéo (cross-validation), và chỉ số đánh giá hiệu suất mô hình như SI (chỉ số tổng hợp), MAE, RMSE.

Phương pháp nghiên cứu

Nghiên cứu được thực hiện theo hai giai đoạn chính:

• Giai đoạn 1: Xác định nhân tố ảnh hưởng và thu thập dữ liệu

  • Thu thập 39 nhân tố ảnh hưởng dựa trên tổng hợp tài liệu, khảo sát chuyên gia và nghiên cứu trước đây.

  • Thiết kế bảng câu hỏi khảo sát, tiến hành khảo sát đại trà với hơn 100 chuyên gia, kỹ sư trong lĩnh vực năng lượng tái tạo và quản lý xây dựng.

  • Phân tích độ tin cậy Cronbach’s Alpha và phân tích nhân tố khám phá (EFA) để xác định nhóm nhân tố hợp lý và mức độ ảnh hưởng.

• Giai đoạn 2: Xây dựng và tối ưu mô hình dự đoán năng suất

  • Thu thập dữ liệu năng suất và các biến đầu vào từ trang Global Solar Atlas và các nhà máy điện mặt trời tại Việt Nam.

  • Áp dụng sáu mô hình AI đơn lẻ: LR, GENLIN, ANN, SVM, CART, CHAID trên phần mềm IBM SPSS Modeler (Clementine).

  • Sử dụng phương pháp kiểm chứng chéo k-fold (k=10) để đánh giá hiệu suất mô hình, với cỡ mẫu khoảng 10 tập dữ liệu.

  • Xây dựng bốn mô hình kết hợp dựa trên các mô hình đơn có hiệu suất cao nhất nhằm tối ưu hóa kết quả dự đoán.

  • Đánh giá mô hình dựa trên các chỉ số SI, MAE, RMSE, và hệ số tương quan tuyến tính (R).

Quy trình nghiên cứu được thực hiện nghiêm ngặt, đảm bảo tính khoa học và độ tin cậy của kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Xác định 16 nhân tố ảnh hưởng trực tiếp đến năng suất hệ thống điện mặt trời: Trong số 36 nhân tố khảo sát, 16 nhân tố được đánh giá có ảnh hưởng lớn, bao gồm: khả năng đáp ứng của lưới điện địa phương, cường độ chiếu sáng và bức xạ mặt trời, độ cao địa hình xây dựng, chính sách khuyến khích của chính phủ, năng lực tài chính chủ đầu tư, năng lực đơn vị thiết kế và thi công, hiệu suất biến tần, nhiệt độ môi trường, và các yếu tố vận hành như công tác bảo trì, vệ sinh tấm pin.

2. Hiệu suất dự đoán của các mô hình AI đơn lẻ: Mô hình SVM và ANN cho kết quả dự đoán năng suất tốt nhất với hệ số hiệu suất tổng hợp SI lần lượt đạt khoảng 0.85 và 0.83, trong khi mô hình GENLIN và CHAID có hiệu suất thấp hơn, SI chỉ khoảng 0.65-0.68.

3. Mô hình kết hợp MH2 (SVM + ANN) vượt trội hơn hẳn: Mô hình kết hợp này đạt SI trung bình khoảng 0.90, giảm sai số trung bình tuyệt đối (MAE) xuống còn khoảng 5%, thấp hơn 15% so với các mô hình đơn lẻ tốt nhất. RMSE cũng giảm đáng kể, cho thấy độ chính xác và ổn định cao hơn.

4. Phân tích nhân tố và kiểm định độ tin cậy: Cronbach’s Alpha của các nhóm nhân tố đều trên 0.7, đảm bảo tính nhất quán nội bộ. Phân tích nhân tố khám phá (EFA) xác nhận sự phân nhóm hợp lý của các nhân tố theo 5 nhóm chính: quy hoạch và xây dựng, thời tiết và vị trí địa lý, kỹ thuật hệ thống, chất lượng hệ thống, và vận hành.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy các nhân tố môi trường và kỹ thuật đóng vai trò quyết định đến năng suất hệ thống điện mặt trời tại Việt Nam, phù hợp với các nghiên cứu quốc tế về ảnh hưởng của bức xạ mặt trời, nhiệt độ và hiệu suất thiết bị. Việc kết hợp các mô hình AI như SVM và ANN giúp tận dụng ưu điểm của từng thuật toán, giảm thiểu sai số và tăng độ chính xác dự đoán, điều này đồng nhất với xu hướng ứng dụng mô hình kết hợp trong lĩnh vực dự báo năng lượng tái tạo.

So sánh với các nghiên cứu trước đây, mô hình kết hợp trong luận văn này có hiệu suất cao hơn khoảng 5-10%, cho thấy sự cải tiến đáng kể nhờ vào việc lựa chọn kỹ lưỡng các nhân tố đầu vào và áp dụng phương pháp kiểm chứng chéo k-fold. Dữ liệu có thể được trình bày qua biểu đồ so sánh chỉ số SI, MAE, RMSE giữa các mô hình đơn và mô hình kết hợp, cũng như bảng xếp hạng mức độ ảnh hưởng của các nhân tố.

Kết quả này có ý nghĩa quan trọng trong việc hỗ trợ các nhà đầu tư và quản lý dự án điện mặt trời tại Việt Nam đưa ra quyết định chính xác hơn, tối ưu hóa hiệu quả vận hành và nâng cao năng suất hệ thống.

Đề xuất và khuyến nghị

1. Tăng cường đầu tư và nâng cấp hạ tầng lưới điện địa phương nhằm đảm bảo khả năng đáp ứng công suất và ổn định vận hành hệ thống điện mặt trời, mục tiêu nâng cao tỷ lệ hòa lưới thành công trong vòng 2 năm tới, do các cơ quan quản lý điện lực phối hợp thực hiện.

2. Áp dụng mô hình dự đoán năng suất kết hợp AI (SVM + ANN) trong quản lý vận hành và dự báo sản lượng điện mặt trời, giúp giảm thiểu sai số dự báo xuống dưới 5% trong vòng 1 năm, do các nhà quản lý nhà máy và đơn vị tư vấn công nghệ triển khai.

3. Xây dựng chính sách khuyến khích đầu tư và hỗ trợ kỹ thuật cho các dự án điện mặt trời, bao gồm ưu đãi thuế, hỗ trợ tài chính và đào tạo nhân lực, nhằm nâng cao năng lực thiết kế, thi công và vận hành trong vòng 3 năm, do Bộ Công Thương và các cơ quan liên quan chủ trì.

4. Tăng cường công tác bảo trì, vệ sinh và kiểm tra định kỳ hệ thống để duy trì hiệu suất tấm pin và thiết bị, giảm thiểu hiện tượng suy giảm năng suất, với mục tiêu duy trì hiệu suất trên 90% trong vòng 6 tháng, do các đơn vị vận hành nhà máy thực hiện.

5. Phát triển hệ thống thu thập và phân tích dữ liệu thời gian thực để cập nhật các biến động môi trường và kỹ thuật, hỗ trợ mô hình AI dự đoán chính xác hơn, dự kiến hoàn thành trong 2 năm, do các đơn vị công nghệ và nhà máy phối hợp triển khai.

Đối tượng nên tham khảo luận văn

1. Nhà đầu tư và doanh nghiệp năng lượng tái tạo: Giúp đánh giá tiềm năng và rủi ro dự án điện mặt trời, tối ưu hóa hiệu quả đầu tư thông qua mô hình dự đoán năng suất chính xác.

2. Các đơn vị quản lý và vận hành nhà máy điện mặt trời: Hỗ trợ trong việc dự báo sản lượng, lập kế hoạch bảo trì và nâng cao hiệu suất vận hành hệ thống.

3. Cơ quan quản lý nhà nước và hoạch định chính sách: Cung cấp cơ sở khoa học để xây dựng chính sách khuyến khích phát triển năng lượng mặt trời và quản lý quy hoạch hiệu quả.

4. Các nhà nghiên cứu và sinh viên ngành quản lý xây dựng, năng lượng tái tạo và trí tuệ nhân tạo: Là tài liệu tham khảo quý giá về ứng dụng AI trong tối ưu hóa năng suất hệ thống điện mặt trời, đồng thời mở ra hướng nghiên cứu mới trong lĩnh vực này.

Câu hỏi thường gặp

1. Tại sao cần tối ưu hóa năng suất hệ thống điện mặt trời?
   Tối ưu hóa giúp nâng cao hiệu quả sản xuất điện, giảm chi phí vận hành và tăng lợi nhuận đầu tư. Ví dụ, mô hình kết hợp AI trong nghiên cứu đã giảm sai số dự đoán xuống dưới 5%, giúp quản lý vận hành chính xác hơn.

2. Các nhân tố nào ảnh hưởng lớn nhất đến năng suất điện mặt trời?
   Các yếu tố như cường độ bức xạ mặt trời, nhiệt độ môi trường, hiệu suất biến tần, và khả năng đáp ứng của lưới điện địa phương được xác định là quan trọng nhất dựa trên khảo sát chuyên gia và phân tích dữ liệu.

3. Mô hình AI nào cho kết quả dự đoán tốt nhất?
   Mô hình kết hợp giữa Máy vector hỗ trợ (SVM) và Mạng thần kinh nhân tạo (ANN) cho kết quả dự đoán năng suất vượt trội hơn các mô hình đơn lẻ, với chỉ số hiệu suất tổng hợp SI đạt khoảng 0.90.

4. Phương pháp kiểm chứng chéo k-fold có vai trò gì trong nghiên cứu?
   Phương pháp này giúp đánh giá chính xác hiệu suất mô hình, hạn chế hiện tượng quá khớp (overfitting) bằng cách chia dữ liệu thành nhiều tập huấn luyện và kiểm tra luân phiên, đảm bảo tính khách quan và ổn định của mô hình.

5. Làm thế nào để ứng dụng kết quả nghiên cứu vào thực tế?
   Các nhà quản lý và vận hành có thể áp dụng mô hình dự đoán để lập kế hoạch bảo trì, điều chỉnh vận hành phù hợp với điều kiện thực tế, đồng thời các nhà đầu tư sử dụng kết quả để đánh giá tiềm năng và rủi ro dự án trước khi quyết định đầu tư.

Kết luận

• Xác định 16 nhân tố chính ảnh hưởng đến năng suất hệ thống điện mặt trời tại Việt Nam, làm cơ sở cho việc đánh giá và quản lý dự án hiệu quả.
• Áp dụng thành công sáu mô hình AI đơn lẻ và xây dựng mô hình kết hợp nâng cao độ chính xác dự đoán năng suất.
• Mô hình kết hợp SVM và ANN cho kết quả tối ưu với sai số dự đoán giảm đáng kể so với các mô hình đơn lẻ.
• Nghiên cứu góp phần nâng cao hiệu quả vận hành và quản lý các dự án điện mặt trời, hỗ trợ nhà đầu tư và cơ quan quản lý trong quyết định chiến lược.
• Đề xuất các giải pháp thực tiễn và khuyến nghị chính sách nhằm phát triển bền vững ngành năng lượng mặt trời tại Việt Nam trong giai đoạn 2022-2025.

Luận văn mở ra hướng nghiên cứu tiếp theo về ứng dụng AI trong quản lý vận hành và dự báo năng lượng tái tạo, đồng thời kêu gọi các bên liên quan áp dụng mô hình dự đoán để nâng cao hiệu quả đầu tư và khai thác nguồn năng lượng sạch.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUOC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA TP.HCM TOI UU HOA NANG SUAT DIEN MAT TROI BANG CAC MO HINH TRI TUE NHAN TAO DON VA KET HOP Chuyén nganh: Quan Ly Xay dung Mã số: 8580302 LUẬN VĂN THẠC SỸ TP. HO CHI MINH, tháng 01 năm 2022 CÔNG TRINH KHOA HOC DUOC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BACH KHOA - ĐẠI HỌC QUOC GIA TPHCM Cán bộ Hướng dẫn khoa hoc 1: TS. Nguyễn Dang Trình Chữ ký: Cán bộ Hướng dẫn khoa học 2: PGS. Trần Đức Học Chữ ký: Cán bộ cham phản biện 1: TS.

Đỗ Tiến Sỹ Chữ ký: Cán bộ chấm phản biện 2: TS. Nguyễn Hoài Nghĩa Chữ ký: Luận văn thạc sĩ được bảo vệ tại Truong Đại học Bach Khoa, DHQG Tp. HCM ngày 16 tháng 01 năm 2022. Thành phân Hội đồng đánh giá luận văn thạc sĩ gồm: 1.

Nguyễn Anh Thư Chủ tịch hội đồng 2. Trần Nguyễn Ngọc Cương Ủy viên thư kí 3. Nguyễn Thanh Phong Ủy viên 4. Đỗ Tiên Sỹ Cán bộ phản biện 1 5.

Nguyễn Hoài Nghia Cán bộ phản biện 2 Xác nhận của Chủ tịch Hội đồng đánh giá Luận văn và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có). CHỦ TỊCH HỘI ĐÔNG TRƯỞNG KHOA KY THUẬT XÂY DUNG TS. Nguyễn Anh Thư Luận văn tốt nghiệp thạc sĩ GVHD: TS. Nguyễn Đăng Trình - PGS.

Trần Đức Học ĐẠI HỌC QUOC GIA TP.HCM CỘNG HOA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc Lập — Tự Do — Hạnh Phúc NHIEM VỤ LUẬN VĂN THẠC SĨ Họ và tên học viên : Lê Hải Đăng MSHV : 1970092 Ngày tháng năm sinh : 12/02/1996 Nơi sinh : Tra Vinh Chuyên ngành : Quản lý xây dựng Mãsố : 8580302 I. TEN DE TÀI: TOI UU HOA NANG SUAT DIEN MAT TROI BANG CAC MO HINH TRI TUE NHAN TAO DON VA KET HOP. NHIEM VU VA NOI DUNG - Phân tích sự anh hưởng các nhân tố anh hưởng đến năng suất điện năng lượng mặt trời. - Xây dựng mô hình tối ưu hóa dự đoán năng suất hệ thống điện năng lượng mặt trời bằng các thuật toán trí tuệ nhân tạo trên phần mén Clementine.

NGÀY GIAO NHIỆM VỤ : 21/09/2020 IV. NGÀY HOÀN THÀNH NHIỆM VU: 20/12/2021 V. CÁN BỘ HƯỚNG DÂN: - Giảng viên hướng dẫn 1: TS. Nguyễn Đăng Trình - Giảng viên hướng dẫn 2: PGS.

Trần Đức Học Tp. Hô Chi Minh, ngày 20 thang 12 năm 2021 CÁN BỘ HƯỚNG DÂN 1 CÁN BỘ HƯỚNG DÂN 2 TS. NGUYÊN ĐĂNG TRÌNH PGS. TRAN DUC HỌC CHỦ NHIỆM BỘ MÔN TRƯỞNG KHOA KY THUẬT XÂY DUNG HVTH: Lê Hải Dang Trang 1 Luận văn tốt nghiệp thạc sĩ GVHD: TS.

Nguyễn Đăng Trình - PGS. Trần Đức Học LỜI CÁM ƠN Trước khi bước vào mục chính của luận văn này, tôi xin phép được gửi lời cảm ơn chân thành nhất đến thầy PGS. TS Trần Đức Hoc va thay TS. Nguyễn Dang Trình đã nhiệt tình hỗ trợ tôi trong suốt quá trình thực hiện luận văn.

Thông qua những lần duyệt bài, những ý kiến xác đáng về chuyên môn, những buổi hướng dẫn trình bày, hướng dẫn thu thập dữ liệu. và những động viên tình của hai thầy đã giúp tôi hoan thành luận văn một cách tốt nhất. Đồng thời, xin cảm ơn quý Thầy, Cô của bộ môn Thi Công và Quản Lý Xây Dựng khoa Kỹ thuật Xây dựng trường Dai Học Bách Khoa Thanh phó Hỗ Chi Minh đã tạo điều kiện, giúp đỡ, truyền đạt nhiều kiến thức chuyên mô trong suốt quá trình học bốn năm Đại học và hai năm Cao học. Sự giúp đỡ của quý thay cô là nguồn động lực dé tôi tiếp tục nghiên cứu và công hiến cho khoa học trong thời gian sắp tới.

Bên cạnh đó, tôi xin gửi lời cảm ơn chân thành đến bạn bè, anh chị em cùng lớp Quản lý xây dựng Khóa K2019, đã nhiệt tình hỗ trợ tôi trong học tap, trao đối kinh nghiệm làm việc cũng như các mối quan hệ xã hội hỗ trợ tối thực hiện tốt luận văn này. Tôi xin gửi lời cảm ơn sâu sắc đến Quý chuyên gia đã bỏ ra hàng giờ đồng hồ dé trò chuyện và hướng dẫn tôi với các dự án mà các chuyên gia đã trãi qua. Nhờ sự giúp đỡ này, luận văn càng thêm có giá trỊ. Cuối cùng xin cảm ơn gia đình và đồng nghiệp đã đồng hành và hỗ trợ tôi trong suôt hai năm học tập, tạo điều kiện dé tôi hoàn thành luận van.

Thành phố Hỗ Chí Minh, ngày 20, tháng 12, năm 2021 HVTH: Lê Hải Dang Trang 1 Luận văn tốt nghiệp thạc sĩ GVHD: TS. Nguyễn Đăng Trình - PGS. Trần Đức Học TÓM TAT Việt Nam là một quốc gia được đánh giá có nhiều tiềm năng trong việc tạo ra nguồn năng lượng mặt trời, số lượng dự án điện năng lượng mặt trời ngày càng rộng khắp cả nước. Tuy nhiên việc đưa ra các quyết định đầu tư dựa trên hiệu quả dự án cũng như quản lý xây dựng các dự án năng lượng mặt trời, cơ sở hạ tang phuc vu du an con nhiều mới mẻ.

Đứng trước nhu cầu đó học viên đã thực hiện khảo sát và nghiên cứu các tác nhân ảnh hưởng đến hiệu quả hay năng suât của một dự án điện năng lượng mặt trời.” Bang cách tìm hiểu các nghiên cứu trước và khảo sát ý kiến từ các chuyên gia, nghiên cứu đã xác định được 16 nhân t6 ảnh hưởng trực tiếp đến năng suất của một dự án xây dựng nhà máy điện năng lượng mặt trời tại Việt Nam như: Khả năng đáp ứng của lưới điện tại địa phương, Cường độ chiều sáng và cường độ bức xạ năng lượng mặt trời phát ra, Độ cao địa hình xây dựng,.Các nhân tổ nay sẽ là cơ sở tham khảo quan trọng cho các nhà dau tư đánh giá tìm năng ban đầu khi có ý định đầu tư dự án điện năng lượng mặt trời. Bên cạnh việc tìm ra 16 nhân tố ảnh hưởng đến năng suất của hệ thống điện năng lượng mặt trời, nghiên cứu còn tiễn hành tối ưu dự đoán năng suất của hệ thống điện năng lượng mặt trời bằng cách sử dụng phầm mén Clementine (hay còn được biết đến là IBM SPSS Modeler) ứng dụng sáu mô hình trí tuệ nhân tạo đơn bao gồm: hồi quy tuyến tinh (LR), hồi quy tuyến tinh tong quát (GENLIN), mang than kinh nhân tao (ANN), máy vector hỗ trợ (SVM), cây phân loại và hồi quy (CART) và mô hình phát hiện tương tác tự động Chi — Squared (CHAID) dé tiễn hành phan tích khai thác các dữ liệu thu thập được từ trang web Global Solar Atlas. Sáu mô hình được sử dụng một cách độc lập để khai phá dữ liệu thu thập, bằng cách thực hiện việc kiểm chứng chéo bằng mô hình k — fold. Sáu mô hình đơn với 10 tệp dữ liệu được đánh giá thông qua hệ số hiệu suất tổng hợp SI từ đó học viên tiếp tục xây dựng bốn mô hình kết hợp giữa các mô hình đơn có hiệu suất tốt nhất dé tôi ưu hóa kết quả dự đoán năng suất của dự án xây dựng điện năng lượng mặt trời Kết quả cho thấy đối với nhóm mô hình đơn hai mô hình cho kết quả dự đoán tốt nhất là SVM và ANN, hai mô hình cho kết quả kém nhất là GENLIN và CHAID.

Sau khi kết hợp các mô hình dự đoán đơn, mô hình kết hợp MH2 được kết hợp từ 2 mô hình SVM và ANN cho ra kêt quả tôi ưu vượt trội hơn hăn các mô hình đơn trước đó. HVTH: Lê Hải Dang Trang il Luận văn tốt nghiệp thạc sĩ GVHD: TS. Nguyễn Đăng Trình - PGS. Trần Đức Học ABSTRACT Vietnam is a country that is assessed to have a lot of potential in creating solar energy sources, the number of solar power projects is increasingly spreading across the country.

However, making investment decisions based on project efficiency as well as construction management of solar energy projects and project infrastructure is still new. In the context of this development, students have conducted surveys and researched the factors affecting the efficiency or productivity of a solar power project. By studying previous studies, papers and surveying the experts, the study identified 16 factors that directly affect the productivity of a solar power plant construction project in Vietnam, such as: The responsiveness of the local power grid, the intensity of light and the intensity of solar radiation emitted, the elevation of the construction terrain,. These factors will be an important reference base for Investors evaluate the initial potential when intending to invest in a solar power project.

Beside of finding out 16 factors affecting the productivity of solar power systems, the study also optimizes the predictive performance of solar power systems by using Clementine software (or also known as IBM SPSS Modeler) applies six single artificial intelligence models including: linear regression (LR), generalized linear regression (GENLIN), artificial neural network (ANN), support vector machine (SVM), Classification and regression trees (CART) and Chi — Squared automatic interaction detection (CHAID) to conduct the analysis to exploit the data collected from the Global Solar Atlas website. Six models were used independently to mine the collected data, by performing cross- validation using the k-fold model. Six single models with 10 data files are evaluated through the SI performance factor from which students continue to create four combinated models that combine the best performing single models to optimize results predicting the yield of a solar power construction project. The results show that for the single model group, the two models with the best predictive results are SVM and ANN, and the two models with the worst results are GENLIN and CHAID.

The combined model MH2 is combined from the SVM and ANN models, giving the optimal results that are superior to the previous single models. HVTH: Lé Hai Dang Trang 11 Luận văn tốt nghiệp thạc sĩ GVHD: TS. Nguyễn Đăng Trình - PGS. Trần Đức Học LỜI CAM ĐOAN Tôi xin cam đoan luận văn này do chính tôi thực hiện dưới sự hướng dẫn của TS.

Nguyễn Đăng Trình và PGS. TS Trần Đức Học. Các số liệu được sử dụng cho các phân tích trong luận văn minh bạch và được thu thập thông qua các khảo sát thực tế và công bố đúng quy định.HCM, ngày 20 thang 12 năm 2021 HVTH: Lé Hai Dang Trang iv Luận văn tốt nghiệp thạc sĩ GVHD: TS. Nguyễn Đăng Trình - PGS.

Trần Đức Học MỤC LỤC 0902.) 090 i TOM TAT woicecccccccccccscscscsscscscsscscscsscscsesscscsvsscscsvsscscsesscsvsesscssesscsesecscscsesseavscsecseassecatssecesavees ii ABSTRACT uoceccccscscssscsscscscssescssscscsssscsvsscscsvsscscsvsscstssscsssvsscssssscsesssscsssesacacavsssasavsesatenseeees iii LOI CAM DOAN oiveecccccccccsccscscsscscscsscscscsscscscsscscscsscscssscsessecscsvsscsssssecassvsecssssecscassnesessavees iv DANH MỤC HINH ANH eecccccccccscccscsssscscssescscsscscscsscscsssscscsvsscscscsscsesssecstsssecstsssecsessesees ix DANH MỤC BANG BIEU o.ieeececcccsescescssssescsscscscsscsescssescsssscscsssscssssscssssscstssssestsssesnseseee xi DANH MỤC TU VIET TAT woieecccccccccccscccscscscscsscscscssescsssscsssssscssssscsssssscsssssestsessnasseeass xiii CHUONG 1 - DAT VAN DE. GIỚI THIỆU CHỮƯNGG. ¿2 52 SE EE2SE2E9EEEEEEEEEEEE151521E111 1111151151111. MỤC TIỂU DE TÀI NGHIÊN CÍỨU.

PHAM VI NGHIÊN CỨU. DONG GÓP NGHIÊN CỨU. Đóng góp về mặt thực tiỄn. Đóng góp về mặt khoa HOC.

cccsesesessevscsvsesesececevecevsesesececevevevsesvstssecevevevsvsnseseeeeees 4 CHƯƠNG2 - TONG QUAN DE TÀI VÀ CÁC NGHIÊN CỨU HIỆN TẠI. TINH HINH PHÁT TRIEN NGÀNH ĐIỆN MAT TRỜI. Điều kiện thiên nhiên tại Việt Nam thuận lợi cho su phát triển năng lượng mặt trời.