Học máy trong quản lý năng lượng tòa nhà

##plugins.themes.academic_pro.article.main##

Author

  • Ngô Ngọc Tri, Trương Ngọc Sơn, Trương Thị Thu Hà, Phạm Anh Đức, Huỳnh Nhật Tố

Từ khóa:

Học máy
tiết kiệm năng lượng
quản lý tòa nhà

Tóm tắt

Việc dự báo năng lượng sử dụng trong công trình xây dựng đóng vai trò rất quan trọng trong việc lên kế hoạch, quản lý và tiết kiệm năng lượng. Rất khó để đạt được kết quả dự báo chính xác bởi sự phức tạp của các đặc tính công trình và hành vi của người sử dụng năng lượng trong tòa nhà. Bởi đặc tính học nhanh, nghiên cứu này đề xuất sử dụng mô hình học máy (machine learing – ML) làm phương pháp để dự báo năng lượng tiêu thụ của tòa nhà phi dân cư. Bộ dữ liệu từ các tòa nhà phi dân cư được thu thập để đánh giá hiệu suất dự báo của mô hình mạng Nơ-ron nhân tạo (ANNs) và mô hình hồi quy vecto hỗ trợ (SVR). Với việc đánh giá kết quả đạt được, nghiên cứu đã cho thấy tính hiệu quả của mô hình máy học được đề xuất trong việc dự báo năng lượng sử dụng trong 24 giờ tiếp theo của tòa nhà. Mô hình SVR đạt được giá trị sai số giá trị tuyệt đối trung bình (MAPE) là 11.616%. Kết quả dự đoán cung cáp thông tin giúp quản lý và vận hành trong việc tiết kiệm năng lượng tiêu thụ. Nghiên cứu này góp phần làm nổi bật những lợi thế trong việc ứng dựng mô hình máy học trong lĩnh vực xây dựng.

Tài liệu tham khảo

    [1] D'Agostino D, Cuniberti B, Bertoldi P. Energy consumption and efficiency technology measures in European non-residential buildings. Energy and Buildings. 2017;153:72-86.
    [2] Naji S, Keivani A, Shamshirband S, Alengaram UJ, Jumaat MZ, Mansor Z, et al. Estimating building energy consumption using extreme learning machine method. Energy. 2016;97:506-16.
    [3] Chou J-S, Tran D-S. Forecasting energy consumption time series using machine learning techniques based on usage patterns of residential householders. Energy. 2018;165:709-26.
    [4] Bokalders V, M. B. The whole building handbook-how to design healthy, efficient and sustainable buildings. London: Earthscan; 2010.
    [5] Zhang X-H, Zhu Q-X, He Y-L, Xu Y. Energy modeling using an effective latent variable based functional link learning machine. Energy. 2018;162:883-91.
    [6] Chou JS, Ngo NT, Chong WK, Gibson GE. 16 - Big data analytics and cloud computing for sustainable building energy efficiency. In: Pacheco-Torgal F, Rasmussen E, Granqvist C-G, Ivanov V, Kaklauskas A, Makonin S, editors. Start-Up Creation: Woodhead Publishing; 2016. p. 397-412.
    [7] Zhong H, Wang J, Jia H, Mu Y, Lv S. Vector field-based support vector regression for building energy consumption prediction. Applied Energy. 2019;242:403-14.
    [8] Ferrari S, Zagarella F, Caputo P, D'Amico A. Results of a literature review on methods for estimating buildings energy demand at district level. Energy. 2019;175:1130-7.
    [9] Amasyali K, El-Gohary NM. A review of data-driven building energy consumption prediction studies. Renewable and Sustainable Energy Reviews. 2018;81:1192-205.
    [10] Wei Y, Zhang X, Shi Y, Xia L, Pan S, Wu J, et al. A review of data-driven approaches for prediction and classification of building energy consumption. Renewable and Sustainable Energy Reviews. 2018;82:1027-47.
    [11] Deb C, Zhang F, Yang J, Lee SE, Shah KW. A review on time series forecasting techniques for building energy consumption. Renewable and Sustainable Energy Reviews. 2017;74:902-24.
    [12] Geng Z, Li H, Zhu Q, Han Y. Production prediction and energy-saving model based on Extreme Learning Machine integrated ISM-AHP: Application in complex chemical processes. Energy. 2018;160:898-909.
    [13] Chaudhuri T, Soh YC, Li H, Xie L. A feedforward neural network based indoor-climate control framework for thermal comfort and energy saving in buildings. Applied Energy. 2019;248:44-53.
    [14] Rahman A, Srikumar V, Smith AD. Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks. Applied Energy. 2018;212:372-85.
    [15] Tian C, Li C, Zhang G, Lv Y. Data driven parallel prediction of building energy consumption using generative adversarial nets. Energy and Buildings. 2019;186:230-43.
    [16] Touzani S, Granderson J, Fernandes S. Gradient boosting machine for modeling the energy consumption of commercial buildings. Energy and Buildings. 2018;158:1533-43.
    [17] Gao W, Alsarraf J, Moayedi H, Shahsavar A, Nguyen H. Comprehensive preference learning and feature validity for designing energy-efficient residential buildings using machine learning paradigms. Applied Soft Computing. 2019;84:105748.
    [18] Taslimi Renani E, Elias MFM, Rahim NA. Using data-driven approach for wind power prediction: A comparative study. Energy Conversion and Management. 2016;118:193-203.
    [19] Chou J-S, Truong N-S. Cloud forecasting system for monitoring and alerting of energy use by home appliances. Applied Energy. 2019;249:166-77.
    [20] Ahmad T, Chen H, Huang R, Yabin G, Wang J, Shair J, et al. Supervised based machine learning models for short, medium and long-term energy prediction in distinct building environment. Energy. 2018;158:17-32.
    [21] Herrera GP, Constantino M, Tabak BM, Pistori H, Su J-J, Naranpanawa A. Long-term forecast of energy commodities price using machine learning. Energy. 2019;179:214-21.
    [22] Vapnik VN. The nature of statistical learning theory. New York: Springer-Verlag; 1995.
    [23] Chou J-S, Ngo N-T, Pham A-D. Shear Strength Prediction in Reinforced Concrete Deep Beams Using Nature-Inspired Metaheuristic Support Vector Regression. Journal of Computing in Civil Engineering. 2016, 30.
    [24] Wang H, Hu D. Comparison of SVM and LS-SVM for regression. International Conference on Neural Networks and Brain: IEEE; 2005. p. 279-83.
    [25] Miller C, Meggers F. The Building Data Genome Project: An open, public data set from non-residential building electrical meters. Energy Procedia. 2017;122:439-44.
Xem thêm

##plugins.themes.academic_pro.article.sidebar##

Đã Xuất bản

Apr 30, 2021
Download
PDF (English)
Cách trích dẫn
Ngoc-Tri Ngo, Ngoc-Son Truong, Thi Thu Ha Truong, Anh-Duc Pham, Nhat-To Huynh. “Học máy Trong quản Lý năng lượng tòa Nhà”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 19, số p.h 4.2, Tháng Tư 2021, tr 34-38, https://jst-ud.vn/jst-ud/article/view/7436.

##plugins.themes.academic_pro.article.details##