Nghiên cứu ứng dụng mạng LSTM để dự đoán nhiệt độ cho hệ thống HVAC

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:5

Thêm vào BST

Báo xấu

55
lượt xem 5
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết này đề xuất một giải pháp áp dụng mạng nơron dự đoán theo chuỗi thời gian LSTM (Long short-term memory) cho việc dự đoán nhiệt độ trong tòa nhà. Tập dữ liệu của mô hình được thu thập trong thời gian dài thông qua Wemos D1 kết hợp cảm biến nhiệt độ LM35 và được lưu trữ trên Google Sheets.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Nghiên cứu ứng dụng mạng LSTM để dự đoán nhiệt độ cho hệ thống HVAC

Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) Nghiên cứu ứng dụng mạng LSTM để dự đoán nhiệt độ cho hệ thống HVAC Võ Thiện Lĩnh1, Lê Mạnh Tuấn1, Lâm Quang Thái1 1 Phân Hiệu tại Thành phố Hồ Chí Minh, Trường Đại học Giao thông vận tải, 450 Lê Văn Việt, Tăng Nhơn Phú A, TP. Thủ Đức, TP. Hồ Chí Minh, Việt Nam Email: linhvt_ph@utc.edu.vn, vtlinh@utc2.edu.vn, lmtuan@utc2.edu.vn, lqthai@utc2.edu.vn Abstract— Các hệ thống điều khiển và giám sát trong thống HVAC được chia thành hai loại: phương pháp các tòa nhà hiện đại tiêu thụ rất nhiều năng lượng điện, thống kê và phương pháp dựa trên học sâu. Các đặc biệt là hệ thống kiểm soát nhiệt độ, độ ẩm và chất phương pháp thống kê bao gồm phương pháp Monte lượng không khí - HVAC (Heating-Ventilating-Air Carlo [2], hồi quy tuyến tính [3], và phương pháp hàm Conditioning). Các giải pháp tiết kiệm năng lượng cho mũ [4] hầu hết các phương pháp được sử dụng trong hệ thống HVAC là rất cần thiết và đang nhận được các bài báo trên là đơn giản và tuyến tính, đồng thời nhiều sự quan tâm. Do đó việc dự đoán trước chính xác yêu cầu tính chính xác cao của dữ liệu gốc. Do đó, khi các thông số nhiệt độ trong tòa nhà sẽ giúp kiểm soát áp dụng các phương pháp trên tính chính xác của dự nhiệt độ ổn định hơn và góp phần giảm năng lượng tiêu đoán không cao là điều khó tránh khỏi trong các tình hao cho hệ thống HVAC. Để điều khiển tối ưu hóa hệ thống HVAC, bài báo này đề xuất một giải pháp áp huống phức tạp với lượng dữ liệu lớn. Tuy nhiên, các dụng mạng nơron dự đoán theo chuỗi thời gian LSTM phương pháp dựa trên học sâu thì cho thấy độ chính (Long short-term memory) cho việc dự đoán nhiệt độ xác cao hơn rất nhiều do việc xấp xỉ phi tuyến giữa trong tòa nhà. Tập dữ liệu của mô hình được thu thập nhiệt độ và các thông số khác như thông số thời gian. trong thời gian dài thông qua Wemos D1 kết hợp cảm Các mạng nơron nhân tạo luôn hoạt động tốt hơn các biến nhiệt độ LM35 và được lưu trữ trên Google Sheets. mô hình tuyến tính cả về hiệu suất dự đoán và tổng Kết quả thử nghiệm cho thấy mô hình mạng LSTM dự quát tốt hơn khi được sử dụng để dự đoán nhiệt độ đoán rất hiệu quả các xu hướng thay đổi của nhiệt độ trong tòa nhà [5,6]. Đã có những nghiên cứu cho thấy theo thời gian. Mô hình LSTM là mô hình dự đoán có việc xây dựng mô hình dự đoán nhiệt độ trong tòa nhà độ chính xác rất cao vì vậy hoàn toàn có thể áp dụng dựa trên mạng nơron nhiều lớp (MLP - Multi Layer vào hệ thống HVAC. Perceptron) cho kết quả sai số dự đoán trung bình giữa nhiệt độ trong tòa nhà và nhiệt độ trong nhà đo Keywords- hệ thống HVAC; dự đoán nhiệt độ; mạng được là tương đối cao [7]. Trong hệ thống HVAC, RNN; mạng LSTM. thông số nhiệt độ là thông số có giá trị biến thiên theo thời gian, do đó cần một mô hình áp dụng để nghiên I. GIỚI THIỆU cứu dữ liệu theo chuỗi thời gian. Các mô hình trên Trong các tòa nhà hiện đại ngày nay, hệ thống không thể giải quyết được yêu cầu này. Một mạng HVAC là một thành phần quan trọng và tiêu thụ nơron hồi quy (RNN - Recurrent Neural Network), chiếm phần lớn tổng năng lượng tòa nhà, do đó nếu với việc được áp dụng rộng rãi trong các ứng dụng có giải pháp tối ưu hóa năng lượng cho hệ thống này nhận dạng giọng nói [8,9], xử lý hình ảnh [10,11] và thì có thể giúp tiết kiệm năng lượng điện một cách xử lý ngôn ngữ tự nhiên [12,13],… là một trong các đáng kể [1]. Hệ thống HVAC là một hệ thống kiểm mô hình học sâu có thể sử dụng để dự đoán dữ liệu soát nhiệt độ, độ ẩm và chất lượng không khí trong chuỗi thời gian. Trong đó, mô hình mạng LSTM [14] không gian trong nhà hoặc xe cộ, vì vậy việc điều có những ưu điểm của mạng nơron hồi quy gốc RNN khiển thường không kịp thời do tính chất của nhiệt độ và có nhiều khả năng hơn trong phân tích và nghiên không thể đáp ứng tức thời mà cần phải có một cứu dữ liệu chuỗi thời gian [15-18]. Hiện nay, vẫn khoảng thời gian nhất định. Do đó, cần phải dự đoán chưa có nghiên cứu nào ứng dụng LSTM về dự đoán chính xác nhiệt độ bên trong nhà và cung cấp dữ liệu nhiệt độ của hệ thống HVAC ở Việt Nam. làm tham chiếu để điều chỉnh hệ thống nhằm đạt được Trong bài báo này, nhóm tác giả sử dụng kiến trúc sự kiểm soát nhiệt độ một cách ổn định. Hệ thống mạng LSTM để dự đoán nhiệt độ trong tòa nhà để HVAC là một hệ thống phi tuyến với độ trễ và quán cung cấp dữ liệu cho việc tối ưu hệ thống HVAC. Bố tính lớn. Trong quá trình hệ thống hoạt động, việc mở cục của bài báo được trình bày như sau: Phần 1 giới van khí, lượng nước làm mát lưu thông và các điều thiệu tổng quan về các phương pháp cũng như tầm kiện môi trường ngoài trời ảnh hưởng rất nhiều đến hệ quan trọng của dự đoán nhiệt độ cho hệ thống HVAC thống HVAC. Do đó, rất khó để xây dựng một mô và việc ứng dụng LSTM trong công tác dự đoán nhiệt hình với nhiều tham số và yếu tố nhiễu đầu vào. Hiện độ. Phần 2 trình bày nội dung chính bao gồm: Mô nay, phương pháp dự đoán nhiệt độ trong nhà cho hệ hình hệ thống; Mô hình mạng LSTM; Xây dựng tập ISBN 978-604-80-5958-3 193
Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) dữ liệu; Quá trình xử lý và phân chia dữ liệu mẫu; LSTM được thiết kế để tránh được vấn đề phụ Huấn luyện và dự đoán. Phần 3. Đánh giá kết quả và thuộc xa (long-term dependency). Việc nhớ thông tin Phần 4. Kết luận. trong suốt thời gian dài là đặc tính mặc định mà không cần phải huấn luyện. Tức là kiến trúc của mạng II. NỘI DUNG có thể ghi nhớ được mà không cần bất kì can thiệp nào. Hình 3 mô tả cấu trúc của mạng LSTM. 2.1 Mô hình hệ thống Đọc và Thu Huấn gửi dữ thập Xử lý luyện liệu dữ liệu dữ liệu và dự đoán Hình 1. Sơ đồ khối của hệ thống Các thành phần chính của hệ thống dự đoán nhiệt độ được mô tả như hình 1. Phần cứng của hệ thống dự đoán nhiệt độ bao gồm : Kit Wemos D1 và cảm biến nhiệt độ LM35 được mô tả ở hình 2. Kết nối Kit Hình 3. Mô hình LSTM Wemos D1 với cảm biến LM35 để đọc dữ liệu rồi thông qua kết nối Wifi để cập nhật dữ liệu lên Google Ở trạng thái thứ t của mô hình LSTM: Sheet. Phần mềm của hệ thống để cập nhật dữ liệu, hệ • Đầu ra: Ct, ht ta gọi C là trạng thái tế bào, h là thống sử dụng tiện ích Google Sheets có sẵn trong trạng thái ẩn. Google Drive kết hợp cùng với Google Apps Script • Đầu vào: Ct-1, ht-1, xt. Trong đó xt là đầu vào ở tạo một API để cập nhật dữ liệu từ Wemos D1 thông qua kết nối wifi. Hệ thống sử dụng Google Colab để trạng thái thứ t của mô hình Ct-1, ht−1 là đầu ra của lớp xử lý tính toán dữ liệu và xây dựng mô hình mạng trước. h đóng vai trò gần giống như s ở RNN, trong LSTM cho việc huấn luyện dữ liệu và dự đoán nhiệt khi c là điểm mới của LSTM [14]. độ. LSTM được phát triển từ mạng RNN rất phù hợp với các dự đoán theo chuỗi thời gian, nhưng các mô- đun trong nó có cấu trúc khác với mạng RNN chuẩn. Thay vì chỉ có một tầng mạng nơron, chúng có tới 4 tầng tương tác với nhau một cách rất đặc biệt. Là một dạng đặc biệt của một mạng nơron tuần hoàn đặc biệt (RNN) có những ưu điểm của bộ nhớ động của RNN và có nhiều khả năng hơn trong phân tích chuỗi thời gian, đồng thời LSTM cũng tránh các vấn đề về giá trị đạo hàm quá nhỏ trong RNN. Từ những ưu điểm của mô hình LSTM được so sánh với các mô hình khác ở trên thì việc nghiên cứu áp dụng vào việc dự đoán theo chuỗi thời gian sẽ mang lại hiệu suất dự đoán chính xác rất cao [15-18]. 2.3. Lưu đồ thuật toán Quá trình huấn luyện mô hình được trình bày như Hình 2. Sơ đồ kết nối phần cứng của hệ thống hình 4, cụ thể chi tiết các bước được trình bày lần lượt ở những mục sau: 2.2. Mô hình mạng LSTM 2.3.1 Xây dựng tập dữ liệu LSTM - là một dạng đặc biệt của RNN, nó có khả Tập dữ liệu nhiệt độ sử dụng cho bài báo này được thu thập trong tòa nhà sau mỗi 5 phút và có kích năng học được các phụ thuộc xa. LSTM được giới thước là 5115 giá trị được thu thập từ ngày thiệu bởi Hochreiter & Schmidhuber (1997), và sau 23/05/2021 đến 19/06/2021, gồm có các trường: thứ, đó đã được cải tiến và phổ biến bởi rất nhiều người ngày, giờ và nhiệt độ được thể hiện ở Bảng 1 trong ngành. Chúng hoạt động cực kì hiệu quả trên 2.3.2 Tiền xử lý và chuẩn hóa dữ liệu nhiều bài toán khác nhau nên dần đã trở nên phổ biến Tập dữ liệu gốc là tập hợp thời gian thực có các như hiện nay. vấn đề như dữ liệu không đầy đủ và không nhất quán. Nếu sử dụng dữ liệu gốc để huấn luyện trực tiếp cho ISBN 978-604-80-5958-3 194
Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) mô hình thì kết quả thường không đạt yêu cầu. Do đó, Bảng 1. Bảng dữ liệu nhiệt độ cần phải xử lý dữ liệu trước khi huấn luyện. Các bước xử lý bao gồm: Bước 1. Định dạng lại dữ liệu: “Date-Time”, “TempC”. Bước 2. Kiểm tra lại và quan sát tập dữ liệu: Kết quả như Bảng 2. Bắt đầu Nhậptệp Nhập dữdữ liệu liệu mẫu Bảng 2. Bảng định dạng kiểu dữ datetime cho cột ngày tháng Tiền xử lý và chuẩn hóa dữ liệu Phân chia tập mẫu Bước 3. Lọc nhiễu dữ liệu Dữ liệu sau khi thu thập được biểu diễn như Hình 4a, giá trị thu thập được có sự sai số cao do các Sai nguyên nhân như bị ảnh hưởng bởi nhiễu trong quá Mô hình LSTM trình đọc ADC, bị mất kết nối,… nếu sử dụng dữ liệu này để huấn luyện trực tiếp cho mô hình thì kết quả thường không đạt yêu cầu. Vì vậy cần phải lọc nhiễu trước khi đưa dữ liệu vào quá trình huấn luyện. Hình Đúng 4b là dữ liệu sau khi lọc nhiễu, điều này cho phép mô hình hội tụ với trọng số tốt hơn và kết quả dự đoán Hoàn thành huấn của mô hình sẽ chính xác hơn. luyện Lưu giữ trọng số a) Dữ liệu trước khi lọc nhiễu Kết thúc Hình 4. Lưu đồ huấn luyện mô hình ISBN 978-604-80-5958-3 195
Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) b) Dữ liệu sau khi lọc nhiễu Hình 8. Sai số giữa nhiệt độ dự đoán so với thực tế. Hình 5. Đồ thị mô tả dữ liệu theo thời gian trước khi huấn luyện Bước 4. Phân chia tập huấn luyện và tập kiểm tra Trong mô hình mạng LSTM, nhóm nghiên cứu tiến hành chia dữ liệu thành 2 phần bao gồm 80% dữ liệu sẽ được đưa vào mạng để tiến hành huấn luyện cho mô hình mạng và 20% dữ liệu còn lại sẽ sử dụng để kiểm tra mô hình mạng sau khi quá trình huấn luyện kết thúc. Việc xử lí dữ liệu sau khi phân chia: loại bỏ 20% cuối cùng chỉ lấy 80% để đưa vào mạng tương ứng 4092 mẫu. Xây dựng dữ liệu Train và Test Hình 9. Đồ thị hàm loss dưới dạng Batch_Size thì đầu vào của LSTM có dạng (batch_size, time_steps, feature) như hình 6. Từ kết quả thực nghiệm có thể thấy rằng giá trị hàm loss giảm liên tục trong mỗi lần lặp và cuối cùng gần như hội tụ sau 50 epoch (hình 9). III. ĐÁNH GIÁ KẾT QUẢ Thông qua kết quả dự đoán trên hình 7, có thể thấy đường mô tả dữ liệu về nhiệt độ dự đoán (prediction) so với đường nhiệt độ thực tế (reality) là bám sát với nhau, điều này chứng tỏ mô hình đã được huấn luyện và đưa ra dự đoán gần chính xác. Dựa trên kết quả hiển thị hình 8, có thể thấy sai số nhiệt độ dự đoán so với thực tế rất là thấp, trong đó sai số lớn nhất chỉ khoảng 0.40C. Sau toàn bộ quá trình huấn luyện, theo hình 9, giá trị hàm loss dưới 0,002. Từ các đánh giá trên chứng minh được rằng mô hình mạng LSTM hiệu quả với xu hướng dữ liệu nhiệt độ, mặc dù tập dữ Hình 6. Dạng đầu vào của mạng LSTM liệu thu thập còn hạn chế. 2.3.3 Kết quả huấn luyện và dự đoán Trong thí nghiệm này, mô hình LSTM được huấn IV. KẾT LUẬN luyện bằng cách sử dụng tập huấn luyện mẫu ở trên Dựa trên tập dữ liệu thu thập được từ nhiệt độ và các tham số được xác định bởi hàm tổn thất là sai trong tòa nhà thông qua cảm biến LM35, độ chính xác số giữa nhiệt độ dự đoán và giá trị thực tế. Kết quả dự dự đoán của mô hình LSTM được kiểm chứng giữa đoán và sai số được thể hiện trong các hình 7 và 8. dự đoán và thực tế. Kết quả thực nghiệm cho thấy: Thứ nhất, sự phi tuyến tính của nhiệt độ trong tòa nhà và các thông số khác có thể được khắc phục bằng mô hình LSTM. Thứ hai, so với các phương pháp truyền thống, mô hình dự đoán dựa trên LSTM có thể mô tả tốt hơn các đặc tính của dữ liệu hệ thống HVAC và độ chính xác dự đoán cao hơn. Kết quả dự đoán có độ chính xác khá cao so với giá trị thực tế, sai số dự đoán của mô hình rất thấp hoàn toàn có thể áp dụng vào hệ thống HVAC. Hình 7. Kết quả nhiệt độ dự đoán so với thực tế. ISBN 978-604-80-5958-3 196
Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) TÀI LIỆU THAM KHẢO [18] R Jiao, T Zhang, Y Jiang, and H He, “Short-term non- residential load forecasting based on multiple sequences [1] Wang Weitong, “The Application of Reinforcement LSTM recurrent neural network,” IEEE Access, vol. 6, pp. Learning in HVAC System Operation Optimization,” M.S. 59438-59448, October 2018. Thesis, Sch. of Mechanical Engineering, Tongji Univ., Shanghai, 2018. Accessed on: December, 18, 2019. [2] J Zhao, Y Duan, and X Liu, “Uncertainty analysis of weather forecast data for cooling load forecasting based on the Monte Carlo method,” Energies, vol. 11, pp. 1900-1919, July 2018. [3] MEH Dyson, SD Borgeson, MD Tabone, and DS Callaway, “Using smart meter data to estimate demand response potential, with application to solar energy integration,” Energy Policy, vol. 73, pp. 607-619, October 2014. [4] Da-Si He and Xu Zhang, “Analysis of Air Conditioning Load Prediction by Modified Seasonal Exponential Smoothing Model,” Journal of Tongji University (Natural Science Edition), vol. 33, pp. 1672-1676, December 2005. [5] Primož Potočnik, Boris Vidrih, Andrej Kitanovski, and Edvard Govekar, “Neural network, ARX, and extreme learning machine models for the short-term prediction of temperature in buildings,” Building Simulation, vol. 12, pp. 1077-1093, April 2019. [6] Shuqing Xu, “The Research on Building Heating Indoor Temperature Forecasting and Controlling,” M.S. Thesis, Sch. of Information Science and Technology, Dalian Maritime Univ., Dalian, 2015. Accessed on: February, 25, 2020. [7] PAN Shiying, DING Xin, CUI Yue, LYU Haozheng, WANG Tong, and MA Lezhi, “Application of MLP Neural Network to Prediction of Heating Indoor Temperature,” Gas & Heat, vol. 2019, pp. 40-44, July 2019. [8] Ivan Medennikov and Anna Bulusheva, “LSTM-Based Language Models for Spontaneous Speech Recognition,” International Conference on Speech & Computer, Budapest, 2016, pp. 469-475. [9] A. Graves, A. Mohamed and G. Hinton, "Speech recognition with deep recurrent neural networks," 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, 2013, pp. 6645-6649. [10] Davis Abe, Rubinstein Michael, Wadhwa Neal, Mysore Gautham J., Durand Fredo, and Freeman William T., “The visual microphone: Passive recovery of sound from video,” ACM Trans. Graph, vol. 33, pp. 79:1–79:10, July 2014. [11] Y. Lecun, L. Bottou, Y. Bengio and P. Haffner, "Gradient- based learning applied to document recognition," in Proceedings of the IEEE, vol. 86, pp. 2278-2324, Nov. 1998. [12] Ren Zhihui, Xu Haoyu, Feng Songlin, Zhou Han, and Shi Jun, “Sequence labeling Chinese word segmentation method based on LSTM networks,” Application Research of Computers, vol. 2017, pp. 1321-1324+1341, May 2017. [13] Devlin, J., Zbib, R., Huang, Z., Lamar, T., Schwartz, R., and Makhoul, J, “Fast and robust neural network joint models for statistical machine translation,” In Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics, vol. 1, pp. 1370-1380, June 2014. [14] Hochreiter S and Schmidhuber J, “Long Short-Term Memory,” Neural Computation, vol. 9, pp. 1735-1780, November 1997. [15] Malhotra P, Vig L, Shroff G, and Agarwal P, “Long short term memory networks for anomaly detection in timeseries,” Proceeding of European symposium on artificial neural networks, computational intelligence, and machine learning, Bruges, 2015, pp. 89–94. [16] YANG Hong-fu and JIA Xiao-liang, “Aero Engine Exhaust Gas Temperature Prediction Based on LSTM,” Aeronautical Computing Technique, vol. 48, pp. 65-69, April 2018. [17] Min Cheng, Qian Xu, Jianming Lv, Wenyin Liu, Qing Li, and Jianping Wang, “a Multi-Scale LSTM Model for BGP Anomaly Detection,” 24th IEEE International Conference on Network Protocols(ICNP 2016), Singapore, 2016, pp. 1-6. ISBN 978-604-80-5958-3 197