Tổng quan nghiên cứu

Tiêu thụ năng lượng trong các tòa nhà chiếm khoảng 40% tổng năng lượng toàn cầu và đóng góp tới 36% lượng khí thải CO2, theo báo cáo của Chương trình Môi trường Liên Hợp Quốc. Tại Việt Nam, mức tiêu thụ năng lượng sơ cấp đã tăng từ khoảng 43 triệu tấn dầu quy đổi năm 1997 lên 75,3 triệu tấn năm 2017, với ngành công nghiệp chiếm 43%, khu dân cư 29,6% và giao thông vận tải 22,7%. Trong đó, hệ thống sưởi ấm, thông gió và điều hòa không khí (HVAC) chiếm gần một nửa mức tiêu thụ năng lượng trong tòa nhà. Việc tối ưu hóa hệ thống HVAC nhằm giảm tiêu thụ năng lượng và nâng cao tiện nghi nhiệt là một thách thức lớn do tính phi tuyến và đa biến của bài toán.

Nghiên cứu này tập trung phát triển phương pháp tối ưu hóa đa mục tiêu cho hệ thống HVAC trong tòa nhà tại Thành phố Hồ Chí Minh, sử dụng sự kết hợp giữa mạng Nơ-ron nhân tạo (ANN) và thuật toán Sói xám (GWO). Mục tiêu cụ thể là giảm thiểu mức tiêu thụ năng lượng hàng năm và tỷ lệ người không hài lòng (PPD) về tiện nghi nhiệt, đồng thời so sánh hiệu quả với các thuật toán tối ưu hóa truyền thống như thuật toán di truyền đa mục tiêu (MOGA). Phạm vi nghiên cứu bao gồm hệ thống làm lạnh VAV và hệ thống không khí ngoài trời DOAS trong các tòa nhà văn phòng và giáo dục, với dữ liệu thực tế và mô phỏng trong khoảng thời gian gần đây.

Việc áp dụng phương pháp GWO-ANN không chỉ góp phần nâng cao hiệu quả vận hành hệ thống HVAC mà còn hỗ trợ các nhà quản lý xây dựng trong việc thiết kế và lựa chọn chiến lược điều khiển phù hợp, góp phần giảm phát thải khí nhà kính và tiết kiệm chi phí năng lượng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết và mô hình chính:

  1. Mạng Nơ-ron nhân tạo (ANN): Là mô hình học máy mô phỏng cấu trúc và chức năng của bộ não con người, ANN được sử dụng để xây dựng mối quan hệ phi tuyến giữa các biến quyết định (như nhiệt độ cài đặt, độ ẩm, mật độ người, thông số cấu trúc tòa nhà) và các hàm mục tiêu (mức tiêu thụ năng lượng và PPD). Mạng perceptron nhiều lớp (MLP) với hàm truyền tiếp tuyến (Tanh) được áp dụng để huấn luyện và dự đoán hiệu suất hệ thống HVAC.

  2. Thuật toán Sói xám (GWO): Thuật toán metaheuristic lấy cảm hứng từ hành vi săn mồi và hệ thống phân cấp xã hội của sói xám, gồm các cấp bậc Alpha, Beta, Delta và Omega. GWO mô phỏng quá trình bao vây, săn bắt và tấn công con mồi để tìm kiếm lời giải tối ưu trong không gian đa chiều. Thuật toán này có ưu điểm là cân bằng tốt giữa khám phá và khai thác, tốc độ hội tụ nhanh và ít tham số điều chỉnh.

Các khái niệm chính bao gồm:

  • PPD (Percentage of People Dissatisfied): Tỷ lệ người không hài lòng về tiện nghi nhiệt, được dự đoán dựa trên chỉ số PMV (Predicted Mean Vote).
  • Tiêu thụ năng lượng hàng năm: Tổng năng lượng tiêu thụ cho hệ thống HVAC trong một năm, được mô phỏng bằng phần mềm IESVE.
  • Biến quyết định: Bao gồm nhiệt độ cài đặt làm lạnh, độ ẩm, mật độ người, hệ số truyền nhiệt của cửa sổ và tường, nhiệt độ cung cấp không khí của hệ thống AHU và DOAS, tải chiếu sáng và thiết bị.

Phương pháp nghiên cứu

Nghiên cứu sử dụng dữ liệu mô phỏng từ phần mềm IESVE với 350 bộ dữ liệu được tạo ra bằng phương pháp lấy mẫu siêu khối Latin, mô phỏng các điều kiện vận hành khác nhau của hệ thống HVAC. Mỗi mô phỏng mất khoảng 20 phút, tổng thời gian hơn 117 giờ cho toàn bộ dữ liệu.

Quy trình nghiên cứu gồm các bước:

  • Thu thập và mô phỏng dữ liệu đầu vào liên quan đến các biến quyết định và kết quả tiêu thụ năng lượng, PPD.
  • Huấn luyện mạng ANN để xây dựng mô hình dự đoán mối quan hệ giữa biến quyết định và hàm mục tiêu.
  • Áp dụng thuật toán GWO để tìm kiếm các biến thiết kế tối ưu nhằm giảm tiêu thụ năng lượng và PPD.
  • So sánh kết quả với các thuật toán tối ưu hóa truyền thống và dữ liệu thực tế từ các case study.

Cỡ mẫu nghiên cứu gồm hai trường hợp:

  • Case study 1: Tòa nhà giáo dục tại Tây Java, Indonesia, diện tích điều hòa 2.088 m², sử dụng hệ thống VAV và DOAS.
  • Case study 2: Tòa nhà văn phòng Lim Tower 3 tại Việt Nam, áp dụng thực tế để đánh giá hiệu quả thuật toán.

Phương pháp phân tích tập trung vào tối ưu hóa đa mục tiêu với hai hàm mục tiêu: mức tiêu thụ năng lượng và PPD, sử dụng kỹ thuật sắp xếp ưu tiên TOPSIS để lựa chọn giải pháp tối ưu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả giảm tiêu thụ năng lượng: Thuật toán GWO-ANN đã giảm mức tiêu thụ năng lượng hàng năm của hệ thống HVAC trong case study 1 xuống còn khoảng 23,7 kWh/m², giảm 10-15% so với thiết kế cơ sở và các thuật toán trước đây như MOGA. Trong case study 2, mức tiêu thụ năng lượng giảm khoảng 12% so với thiết kế thực tế.

  2. Cải thiện tiện nghi nhiệt: Tỷ lệ PPD giảm từ khoảng 35% xuống còn dưới 25% trong cả hai case study, cho thấy sự nâng cao rõ rệt về sự hài lòng của người sử dụng với điều kiện nhiệt độ và độ ẩm trong tòa nhà.

  3. Tốc độ hội tụ và tính ổn định: GWO-ANN đạt hội tụ trong khoảng 100 vòng lặp, nhanh hơn 20-30% so với các thuật toán di truyền đa mục tiêu truyền thống. Độ lệch chuẩn của kết quả thấp, chứng tỏ tính ổn định và khả năng tránh tối ưu cục bộ tốt hơn.

  4. Khả năng ứng dụng thực tế: Kết quả tối ưu hóa trong case study 2 cho thấy thuật toán có thể áp dụng hiệu quả cho các tòa nhà thực tế tại Việt Nam, giúp ban quản lý lựa chọn các thông số vận hành phù hợp để cân bằng giữa tiết kiệm năng lượng và tiện nghi nhiệt.

Thảo luận kết quả

Nguyên nhân của sự cải thiện hiệu quả là do sự kết hợp giữa ANN và GWO tận dụng được khả năng mô hình hóa phi tuyến của ANN và khả năng tìm kiếm toàn cục của GWO. ANN giúp giảm số lần mô phỏng tốn kém bằng cách dự đoán nhanh các hàm mục tiêu, trong khi GWO khai thác hiệu quả không gian tìm kiếm đa chiều.

So với các nghiên cứu trước đây sử dụng thuật toán di truyền hoặc PSO, GWO-ANN cho thấy ưu thế về tốc độ và chất lượng lời giải, phù hợp với các bài toán tối ưu hóa đa mục tiêu phức tạp trong lĩnh vực quản lý xây dựng. Việc sử dụng phần mềm IESVE làm công cụ mô phỏng cũng đảm bảo tính chính xác và thực tiễn của dữ liệu đầu vào.

Dữ liệu có thể được trình bày qua biểu đồ so sánh mức tiêu thụ năng lượng và PPD giữa các thuật toán, cũng như bảng thống kê thời gian chạy và số vòng lặp hội tụ, giúp minh họa rõ ràng hiệu quả của phương pháp đề xuất.

Đề xuất và khuyến nghị

  1. Áp dụng rộng rãi thuật toán GWO-ANN trong quản lý vận hành tòa nhà: Ban quản lý tòa nhà nên triển khai phương pháp này để tối ưu hóa các thông số vận hành HVAC, nhằm giảm tiêu thụ năng lượng ít nhất 10% trong vòng 1 năm.

  2. Đào tạo và nâng cao năng lực cho kỹ sư vận hành: Tổ chức các khóa đào tạo về công nghệ học máy và thuật toán tối ưu hóa cho đội ngũ kỹ thuật, giúp họ hiểu và vận dụng hiệu quả công cụ mới trong 6 tháng tới.

  3. Tích hợp phần mềm mô phỏng và tối ưu hóa vào hệ thống quản lý tòa nhà (BMS): Phát triển hoặc mua sắm các giải pháp tích hợp ANN-GWO với phần mềm mô phỏng như IESVE để tự động điều chỉnh vận hành HVAC theo điều kiện thực tế, dự kiến hoàn thành trong 12 tháng.

  4. Nghiên cứu mở rộng cho các loại tòa nhà khác và điều kiện khí hậu đa dạng: Các nhà nghiên cứu nên áp dụng và điều chỉnh phương pháp cho các công trình dân dụng, thương mại khác nhằm đánh giá tính khả thi và hiệu quả trong các môi trường khác nhau trong vòng 2 năm.

Đối tượng nên tham khảo luận văn

  1. Các nhà quản lý tòa nhà và vận hành hệ thống HVAC: Giúp họ hiểu và áp dụng các phương pháp tối ưu hóa hiện đại để giảm chi phí năng lượng và nâng cao tiện nghi cho người sử dụng.

  2. Kỹ sư và chuyên gia thiết kế hệ thống HVAC: Cung cấp kiến thức về mô hình hóa và thuật toán tối ưu để thiết kế hệ thống hiệu quả hơn, phù hợp với điều kiện khí hậu và yêu cầu sử dụng thực tế.

  3. Nhà nghiên cứu và sinh viên ngành quản lý xây dựng, kỹ thuật môi trường: Là tài liệu tham khảo quý giá về ứng dụng trí tuệ nhân tạo và thuật toán metaheuristic trong lĩnh vực tối ưu hóa năng lượng tòa nhà.

  4. Các nhà hoạch định chính sách năng lượng và môi trường: Cung cấp cơ sở khoa học để xây dựng các chính sách thúc đẩy sử dụng năng lượng hiệu quả và giảm phát thải khí nhà kính trong lĩnh vực xây dựng.

Câu hỏi thường gặp

  1. Phương pháp GWO-ANN có ưu điểm gì so với các thuật toán truyền thống?
    GWO-ANN kết hợp khả năng mô hình hóa phi tuyến của ANN với khả năng tìm kiếm toàn cục của GWO, giúp tăng tốc độ hội tụ, giảm tối ưu cục bộ và cải thiện chất lượng lời giải so với thuật toán di truyền hay PSO.

  2. Dữ liệu đầu vào cho mô hình được thu thập như thế nào?
    Dữ liệu được mô phỏng bằng phần mềm IESVE dựa trên các thông số vận hành thực tế của hệ thống HVAC và đặc điểm cấu trúc tòa nhà, với 350 bộ dữ liệu khác nhau được tạo ra bằng phương pháp lấy mẫu siêu khối Latin.

  3. Phương pháp này có thể áp dụng cho các loại tòa nhà khác không?
    Có, phương pháp có thể điều chỉnh và áp dụng cho nhiều loại tòa nhà khác nhau, tuy nhiên cần hiệu chỉnh mô hình ANN và biến quyết định phù hợp với đặc điểm từng công trình.

  4. Thời gian tính toán của phương pháp này như thế nào?
    Mỗi mô phỏng mất khoảng 20 phút, tổng thời gian cho 350 bộ dữ liệu là hơn 117 giờ. Tuy nhiên, sau khi huấn luyện ANN, việc dự đoán và tối ưu hóa bằng GWO diễn ra nhanh chóng, giúp tiết kiệm thời gian so với phương pháp tối ưu hóa dựa trên mô phỏng thuần túy.

  5. Làm thế nào để đánh giá sự tiện nghi nhiệt trong nghiên cứu?
    Sử dụng chỉ số PPD (Percentage of People Dissatisfied) dựa trên chỉ số PMV, đo lường tỷ lệ người không hài lòng với điều kiện nhiệt độ và độ ẩm trong tòa nhà, giúp cân bằng giữa tiết kiệm năng lượng và sự thoải mái của người sử dụng.

Kết luận

  • Nghiên cứu đã phát triển thành công phương pháp tối ưu hóa đa mục tiêu kết hợp mạng Nơ-ron nhân tạo và thuật toán Sói xám nhằm giảm tiêu thụ năng lượng và nâng cao tiện nghi nhiệt cho hệ thống HVAC trong tòa nhà.
  • Kết quả thực nghiệm trên hai case study cho thấy phương pháp GWO-ANN vượt trội hơn các thuật toán truyền thống về hiệu quả và tốc độ hội tụ.
  • Phương pháp có khả năng ứng dụng thực tế cao, hỗ trợ các nhà quản lý và kỹ sư trong việc vận hành và thiết kế hệ thống HVAC hiệu quả hơn.
  • Đề xuất mở rộng nghiên cứu cho các loại công trình và điều kiện khí hậu khác nhằm tăng tính ứng dụng và đa dạng hóa giải pháp.
  • Khuyến khích các bên liên quan tích hợp công nghệ này vào hệ thống quản lý tòa nhà để đạt được mục tiêu tiết kiệm năng lượng và bảo vệ môi trường.

Hành động tiếp theo là triển khai thử nghiệm phương pháp trong các dự án thực tế tại Việt Nam và đào tạo nhân lực vận hành, đồng thời phát triển phần mềm tích hợp để tự động hóa quá trình tối ưu hóa.