ĐẠI HỌC ĐÀ NẴNG

TRƯỜNG ĐẠI HỌC BÁCH KHOA

BÁO CÁO PHÂN TÍCH

ĐỀ TÀI KHOA HỌC VÀ CÔNG NGHỆ CẤP ĐẠI HỌC ĐÀ NẴNG

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO ĐỂ DỰ BÁO XU HƯỚNG NĂNG LƯỢNG
TIÊU THỤ TRONG CÔNG TRÌNH XÂY DỰNG

Mã số: B2019-DN02-59

Chủ nhiệm đề tài: ThS. Trương Ngọc Sơn

Đà Nẵng, 8/2021

1
1 Nguồn dữ liệu

Dữ liệu được sử dụng trong nghiên cứu này được lấy từ cơ sở thử nghiệm khu dân
cư năng lượng Net-Zero tại phòng thí nghiệm kỹ thuật của viện tiêu chuẩn và công nghệ
quốc gia (NIST) [40, 41]. Một hệ thống quang điện mặt trời đã được sử dụng trong tòa nhà
này như một nguồn năng lượng tái tạo. Dữ liệu này mở và miễn phí truy cập. Tập dữ liệu
một năm ở độ phân giải hàng giờ được sử dụng để đánh giá mô hình dự đoán được đề xuất
trong nghiên cứu này. Bảng 1 tóm tắt thông tin đầu vào và đầu ra được sử dụng để huấn
luyện và kiểm tra các mô hình AI. Các thuộc tính của tập dữ liệu bao gồm mức tiêu thụ
năng lượng ròng của tòa nhà, nhiệt độ ngoài trời, độ cách nhiệt (insolation), ngày trong
tuần, giờ trong ngày. Tất cả dữ liệu được thu thập hàng giờ. Hình 1 mô tả trực quan nhiệt
độ ngoài trời, mức tiêu thụ năng lượng ròng trong tòa nhà thử nghiệm và cách nhiệt ở độ
phân giải hàng giờ trong một năm. Để cung cấp cho người đọc một cái nhìn rõ ràng, Hình
2 trình bày hồ sơ cách nhiệt hàng giờ và hồ sơ tiêu thụ năng lượng hàng giờ trong tòa nhà
trong một tuần.
Bảng 1. Các thuộc tính của dữ liệu để đánh giá mô hình.

Ký hiệu Thuộc tính Đơn vị Giá trị

Đầu vào
X1 Thứ của tuần (Day of the - Thứ hai, thứ ba, thứ tư, thứ năm,
week) thứ sáu, thứ bảy, chủ nhật
X2 Giờ của ngày (Hour of the - 0, 1, 2, …, 21, 22, 23
day)
X3 Độ cách nhiệt (Insolation) Wh/m2
o
X4 Nhiệt độ ngoài trời (Outdoor C
dry bulb temperature)
Y_quá khứ Năng lượng tiêu thụ quá khứ Wh
(Historical building energy
consumption)
Đầu ra
Y Năng lượng tiêu thụ tương lại Wh
(Future building energy
consumption)

2
Hình 1. Hồ sơ dữ liệu hàng giờ trong một năm: độ cách nhiệt, nhiệt độ, mức tiêu thụ năng
lượng ròng.

3
a. Hồ sơ độ cách nhiệt hằng giờ trong một tuần.

b. Hồ sơ tiêu thụ năng lượng ròng hàng giờ trong tòa nhà trong một tuần.

Hình 2. Hồ sơ dữ liệu hàng giờ về sự cách điện và tiêu thụ năng lượng ròng trong một
tuần.
2. Kết quả và thảo luận
Các mô hình trí tuệ nhân tạo (AI) được đánh giá trong nghiên cứu này bao gồm các
mô hình SVR-PL, SVR-RBF, hồi quy tuyến tính (LR), M5Rules, ANN và AANNs. Hiệu
suất của họ được đánh giá bằng cách sử dụng tập dữ liệu được ghi lại từ một tòa nhà dân
cư sử dụng năng lượng tái tạo. Sau quá trình đánh giá, độ chính xác dự đoán của các mô
hình AI này được thể hiện trong Bảng 2 thông qua các giá trị MAPE, MAE, RMSE và R
liên quan đến bước huấn luyện và bước kiểm tra.
Mô hình SVR-PL sử dụng nhân đa thức đơn giản (simple polynomial kernel) làm hàm
nhân cho dự đoán. Do đó, hiệu suất của nó không tốt về chỉ số độ chính xác, lần lượt là

4
26,18% và 28,60% về MAPE trong giai đoạn huấn luyện và giai đoạn kiểm tra. Tương tự,
các giá trị MAE và RMSE đạt được bởi mô hình SVR-PL tương đối cao, tương ứng lên tới
236,83 Wh và 430,69 Wh, trong dự đoán các xu hướng năng lượng sử dụng trong tòa nhà
dân cư. Kết quả của các chỉ số thống kê này chỉ ra rằng SVR-PL không hiệu quả trong dự
báo sử dụng năng lượng trong các tòa nhà dân cư sử dụng năng lượng tái tạo. Hình 3 cung
cấp hình ảnh trực quan về các giá trị được dự báo và giá trị thực tế của mức tiêu thụ năng
lượng ròng thu được bởi mô hình SVR-PL. Đường chéo trong Hình 3 chỉ ra sự thống nhất
tuyệt đối giữa các giá trị được dự báo và ghi lại. Biểu đồ phân tán trong Hình 3 tiết lộ rằng
mặc dù hầu hết các điểm phân tán đều nằm xung quanh đường chéo màu đen, nhưng nhiều
điểm nằm trong ba đường tròn đỏ gạch nét đứt, khác xa với đường thỏa thuận tuyệt đối.
Điều này có nghĩa là mô hình SVR-PL vẫn còn hạn chế trong việc dự phóng xu hướng sử
dụng năng lượng.
Bảng 2. Độ chính xác dự đoán của các mô hình AI cho tiêu thụ năng lượng của tòa nhà.

Mô hình Các thước đo độ chính xác trong Các thước đo độ chính xác trong bước
AI bước huấn luyện. Dữ liệu huấn kiểm tra. Dữ liệu kiểm tra (N = 835,
luyện 10%)
(N = 7493, 90%)
MAPE MAE RMSE R MAPE MAE RMSE R
(%) (Wh) (Wh) (%) (Wh) (Wh)
SVR-PL 26.18 240.69 438.45 0.653 28.60 236.83 430.69 0.622
SVR- 24.13 226.58 412.98 0.698 26.38 225.06 412.53 0.659
RBF
LR 30.74 265.67 409.80 0.586 36.74 275.68 416.64 0.654
M5Rules 11.96 104.26 172.77 0.953 14.20 112.44 213.43 0.921
ANNs 12.86 106.80 170.28 0.955 14.68 114.91 199.64 0.932
AANNs 12.78 106.88 165.15 0.961 14.04 111.98 188.68 0.940

5
 Hình 3. Kết quả dự đoán bằng mô hình SVR-PL.

Khi hạt nhân RBF được sử dụng làm hàm hạt nhân trong mô hình SVR, hiệu suất của
mô hình SVR được nâng cao một chút trong dự đoán so với mô hình SVR-PL. Mô hình
SVR-RBF có thể mang lại độ chính xác dự đoán ở mức 26,38% trong MAPE và 225,06
Wh trong MAE. Hình 4 trình bày biểu đồ phân tán so sánh mức tiêu thụ năng lượng ròng
được ghi lại trong tòa nhà thử nghiệm và mức tiêu thụ năng lượng ròng được dự đoán bằng
mô hình SVR-RBF. Biểu đồ phân tán trong Hình 4 trình bày rằng mô hình SVR-RBF mức
tiêu thụ năng lượng ước tính thấp hơn trong tòa nhà dân cư, được minh họa tại các điểm
phân tán trong vòng tròn màu đỏ nét đứt nằm phía trên đường thẳng màu đen. Các điểm tán
xạ trong các vòng tròn đỏ gạch ngang nằm bên dưới đường thẳng màu đen được SVR-RBF
mô tả mức tiêu thụ năng lượng vượt quá ước tính. Giá trị R thu được bởi các mô hình SVR-
RBF và SVR-PL thấp hơn 0,7 trong các bước huấn luyện và thử nghiệm. Nói chung, hai
biến thể của mô hình SVR không hoạt động tốt trong việc dự đoán các cấu hình năng lượng
tiêu thụ trong tòa nhà.

6
 Hình 4. Biểu đồ phân tán của các kết quả dự đoán bằng mô hình SVR-RBF.
Hình 5 trình bày kết quả so sánh giữa dữ liệu tiêu thụ năng lượng ròng quan sát được
và mức tiêu thụ năng lượng được dự đoán bởi mô hình ANNs trong giai đoạn kiểm tra. Về
mặt chỉ số MAPE, các mô hình ANNs đạt 12,86% trong giai đoạn huấn luyện và 14,68%
trong giai đoạn kiểm tra. Các phát hiện trong Bảng 2 cũng cho thấy rằng các chỉ số thống
kê của mô hình ANNs là 114,91 Wh về chỉ số MAE trong giai đoạn kiểm tra. Giá trị R đạt
được bởi mô hình ANN là 0,932 trong giai đoạn thử nghiệm, mô tả sự thống nhất tốt giữa
dữ liệu thực tế và dữ liệu dự đoán. Những kết quả dự đoán của mô hình ANNs tốt hơn
những kết quả dự đoán của mô hình SVR-PL và SVR-RBF. Như thể hiện trong Bảng 3, mô
hình M5Rules đạt được độ chính xác tốt. Các chỉ số chính xác của nó lần lượt là 14,2%,
112,44 Wh, 213,43 Wh và 0,921 trong MAPE, MAE, RSME và R. Mô hình LR không hiệu
quả trong việc dự đoán các dạng năng lượng trong các tòa nhà có chỉ số thống kê dự báo
thấp. Đặc tính tuyến tính cố hữu của LR hạn chế khả năng của nó trong việc mô hình hóa
mối quan hệ phi tuyến giữa đầu vào và mức tiêu thụ năng lượng được dự đoán.

7
 Hình 5. Kết quả dự đoán bằng mô hình ANNs.
Bảng 3 cho thấy sự so sánh hiệu suất giữa các mô hình AI được đánh giá. Mô hình đề
xuất AANNs đã đạt được độ chính xác dự đoán tốt, trong đó các phép đo thống kê của nó
là 14,04% về chỉ số MAPE, 111,98 Wh về chỉ số MAE, 188,68 về chỉ số RMSE và 0,940
về chỉ số R để dự đoán mức tiêu thụ năng lượng ròng hàng giờ trong giai đoạn kiểm tra.
Hình 6 trực quan hóa các giá trị dự đoán về mức tiêu thụ năng lượng trong tòa nhà dân cư.
Hầu hết các điểm phân tán đều gần với đường màu đen, có nghĩa là mô hình AANNs có
hiệu quả trong việc dự báo mức tiêu thụ năng lượng ròng hàng giờ trong tòa nhà với nguồn
năng lượng tái tạo. Bên cạnh đó, Hình 7 biểu thị các giá trị thực tế và dự đoán về mức tiêu
thụ năng lượng ròng của AANNs trong giai đoạn kiểm tra theo thời gian.

8
Bảng 3. So sánh hiệu suất giữa các mô hình AI.
Mô hình AI Các thước đo độ chính xác trong Phần trăm cải thiện (%)
bước kiểm tra
MAPE MAE RMSE R MAPE MAE RMSE R
(%) (Wh) (Wh)
SVR-PL 28.60 236.83 430.69 0.622 103.75 111.50 128.26 33.83
SVR-RBF 26.38 225.06 412.53 0.659 87.96 100.98 118.64 29.89
LR 36.74 275.68 416.64 0.654 161.78 146.19 120.82 30.48
M5Rules 14.20 112.44 213.43 0.921 1.14 0.41 13.12 2.00
ANNs 14.68 114.91 199.64 0.932 4.60 2.61 5.81 0.85
AANNs 14.04 111.98 188.68 0.940

Hình 6. Biểu đồ phân tán của mức tiêu thụ năng lượng ròng thực tế và dự đoán trong tòa
nhà trong bước kiểm tra bằng mô hình AANNs.

9
 Hình 7. Mức tiêu thụ năng lượng ròng thực tế và dự đoán của AANN trong giai
đoạn kiểm tra.
So sánh hiệu suất giữa các mô hình ML trong Bảng 3 mô tả rằng mô hình AANNs là
mô hình dự báo hiệu quả nhất xét về tất cả các chỉ số hiệu suất của MAPE, MAE, RMSE
và R. Mô hình AANNs được đề xuất đạt được giá trị MAPE thấp nhất với 14,04%, tiếp
theo là mô hình ANNs với MAPE là 14,68%, SVR-RBF với MAPE là 26,38%. Hình 8 trình
bày biểu đồ lỗi dự đoán được tạo ra bởi mô hình SVR-PL (Hình 8a), mô hình SVR-RBF
(Hình 8b), mô hình ANNs (Hình 8c) và mô hình AANNs được đề xuất (Hình 8d). So với
hiệu suất dự đoán của mô hình SVR-PL, mô hình AANNs có thể cải thiện đáng kể độ chính
xác dự đoán, khoảng 103,75% về chỉ số MAPE, 111,50% về chỉ số MAE và 128,26% về
chỉ số RMSE. Tương tự, AANNs hoạt động tốt hơn đáng kể so với các mô hình SVR-RBF
trong dự đoán mức tiêu thụ năng lượng của các tòa nhà dân cư. Vì mô hình AANNs là phiên
bản nâng cao của ANN nên hiệu suất của nó tốt hơn so với mô hình ANNs. So với mô hình
ANNs, phần trăm cải thiện độ chính xác của mô hình AANNs là 4,6% về chỉ số MAPE,
2,61% về chỉ số MAE và 5,81% về chỉ số RMSE. Các so sánh trong Bảng 3 đã khẳng định
sự vượt trội của các mô hình AANNs so với các mô hình khác.

10
a. Biểu đồ lỗi theo mô hình SVR-PL. b. Biểu đồ lỗi theo mô hình SVR-
RBF.

c. Biểu đồ lỗi theo mô hình ANNs. d. Biểu đồ lỗi theo mô hình AANNs.

Hình 8. Biểu đồ lỗi dự đoán bằng các mô hình dự đoán.

Mô hình AANNs được đề xuất đã đạt được độ chính xác dự đoán tốt, trong đó các
phép đo thống kê của nó là 14,04% về sai số phần trăm tuyệt đối trung bình (MAPE) và
111,98 Watt-giờ về sai số tuyệt đối trung bình (MAE) trong dự đoán mức tiêu thụ năng
lượng ròng hàng giờ. Mô hình AANNs là mô hình dự báo hiệu quả nhất trong số các mô
hình AI được đánh giá. So với hồi quy vectơ hỗ trợ (SVR), mô hình AANNs có thể cải
thiện đáng kể độ chính xác dự đoán khoảng 103,75% về chỉ số MAPE và 111,50% về chỉ
số MAE. Tương tự, so với mô hình ANNs, phần trăm cải thiện độ chính xác của mô hình
AANNs là 4,6% về chỉ số MAPE và 2,61% về chỉ số MAE. Do đó, mô hình AANNs được
khuyến nghị là một mô hình dựa trên AI hiệu quả để dự đoán mức tiêu thụ năng lượng ròng
trong các tòa nhà dân cư có hệ thống năng lượng mặt trời.

11