Xây dựng một mô hình theo mùa thông minh để dự báo phụ tải cho nhà dân dụng

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

Author

  • Lê Thùy Linh
    Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng
    Trần Ngọc Hoàng
    Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng
    Lưu Duy Vũ
    Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng
    Nguyễn Đức Sỹ
    Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng
    Trương Thị Thu Hà
    Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng
    Trần Lê Nhật Hoàng
    Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng
    Nguyễn Thị Ái Lành
    Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng

Từ khóa:

Phụ tải điện
tiêu thụ năng lượng
dự báo
IOT
máy học

Tóm tắt

Xây dựng là một ngành tiêu thụ năng lượng lớn và chiếm tỉ trọng cao do quá trình đô thị hóa. Dự báo phụ tải tiêu thụ nhằm nâng cao hiệu quả sử dụng năng lượng của các tòa nhà là điều cần thiết để giảm thiểu chi phí năng lượng và tác động tiêu cực đến môi trường. Nghiên cứu này xây dựng mô hình dự báo chuỗi thời gian theo mùa, sau đó tích hợp nó với IoT để tạo ra hệ thống dự đoán năng lượng. Đáng chú ý, mô hình này cho kết quả tích cực với giá trị R2 huấn luyện là 0,814 và R2 thử nghiệm là 0,803, tốt hơn nhiều so với mô hình hồi quy không chỉ ở độ chính xác mà còn cả tính năng chi phí. Hệ thống này sẽ tự động thu thập dữ liệu từ nền tảng IoT, dự đoán và gửi kết quả cho người dùng. Nó có thể giúp người dùng kiểm soát mức tiêu thụ năng lượng và kiểm soát được bất thường về năng lượng tiêu thụ trong nhà theo thời gian thực.

Tài liệu tham khảo

    [1] Costa, M. M. Keane, P. Raftery, and J. O’Donnell, "Key factors methodology—A novel support to the decision making process of the building energy manager in defining optimal operation strategies”, Energy and buildings, vol. 49, 2012, pp. 158-163.
    [2] Allouhi, Y. El Fouih, T. Kousksou, A. Jamil, Y. Zeraouli, and Y. Mourad, "Energy consumption and efficiency in buildings: current status and future trends”, Journal of Cleaner production, vol. 109, 2015, pp. 118-130.
    [3] M. Lee, L. An, F. Liu, R. Horesh, Y. T. Chae, and R. Zhang, "Applying science and mathematics to big data for smarter buildings”, Annals of the NEW YORK Academy of Sciences, vol. 1295, no. 1, 2013, pp. 18-25.
    [4] Pérez-Lombard, J. Ortiz, and C. Pout, "A review on buildings energy consumption information”, Energy and buildings, vol. 40, no. 3, 2008, pp. 394-398.
    [5] Malche and P. Maheshwary, "Internet of Things (IoT) for building smart home system”, in 2017 International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud)(I-SMAC), 2017: IEEE, pp. 65-70.
    [6] M. Candanedo, V. Feldheim, and D. Deramaix, "Data driven prediction models of energy use of appliances in a low-energy house”, Energy and buildings, vol. 140, 2017, pp. 81-97.
    [7] Fathi, R. Srinivasan, A. Fenner, and S. Fathi, "Machine learning applications in urban building energy performance forecasting: A systematic review”, Renewable and Sustainable Energy Reviews, vol. 133, 2020, p. 110287.
    [8] Chang, M. Gao, Y. Wang, and X. Hou, "Seasonal autoregressive integrated moving average model for precipitation time series”, Journal of Mathematics & Statistics, vol. 8, no. 4, 2012, 500-505.
    [9] Poli, J. Kennedy, and T. Blackwell, "Particle swarm optimization”, Swarm intelligence, vol. 1, no. 1, 2007, pp. 33-57.
    [10] -S. Chou and D.-N. Truong, "Multistep energy consumption forecasting by metaheuristic optimization of time-series analysis and machine learning”, vol. 45, no. 3, 2021, pp. 4581-4612.
    [11] S. Chou, D. N. Truong, and T. L. Le, "Interval Forecasting of Financial Time Series by Accelerated Particle Swarm-Optimized Multi-Output Machine Learning System”, IEEE Access, vol. 8, 2020, pp. 14798-14808, doi: 10.1109/ACCESS.2020.2965598.
    [12] Vapnik, The nature of statistical learning theory. Springer science & business media, 1999.
    [13] Su, W. Zhang, and S. Zhao, "Fault prediction for nonlinear system using sliding ARMA combined with online LS-SVR”, Mathematical Problems in Engineering, 2014(3-4), 1-9. DOI:10.1155/2014/692848
    [14] A. Suykens and J. J. N. p. l. Vandewalle, "Least squares support vector machine classifiers”, vol. 9, no. 3, 1999, pp. 293-300.
    [15] -S. Chou and N.-T. Ngo, "Time series analytics using sliding window metaheuristic optimization-based machine learning system for identifying building energy consumption patterns”, Applied Energy, vol. 177, 2016, pp. 751-770.
    [16] J. Kennedy and R. Eberhart, "Particle swarm optimization”, in Proceedings of ICNN'95-international conference on neural networks, vol. 4: IEEE, 1995, pp. 1942-1948.
Xem thêm

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

Đã Xuất bản

Nov 30, 2022
Download
PDF (English)
Cách trích dẫn
Thuy-Linh Le, Tran Ngoc Hoang, Duy Vu Luu, Duc Sy Nguyen, Thi Thu Ha Truong, Le Nhat Hoang Tran, và Thi Ai Lanh Nguyen. “Xây dựng một Mô hình Theo mùa thông Minh để dự báo phụ tải Cho Nhà dân dụng”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 20, số p.h 11.2, Tháng Mười-Một 2022, tr 33-37, https://jst-ud.vn/jst-ud/article/view/8054.

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