zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Kỹ Thuật - Công Nghệ

» Kiến trúc - Xây dựng

Nghiên cứu và ứng dụng học máy để dự đoán năng lượng tiêu thụ trong tòa nhà

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

Báo xấu

11
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Nghiên cứu và ứng dụng học máy để dự đoán năng lượng tiêu thụ trong tòa nhà dự đoán năng lượng tiêu thụ trong một tháng với tính chính xác cao bằng phương pháp sử dụng máy hỗ trợ vector (SVM) và cây quyết định ngẫu nhiên (random forest) trong lĩnh vực học máy. Kết quả của mô hình dự báo được kiểm tra bằng các phương pháp thống kê tiêu chuẩn.

Chủ đề:

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

Lưu

Nội dung Text: Nghiên cứu và ứng dụng học máy để dự đoán năng lượng tiêu thụ trong tòa nhà

Tuyển tập Hội nghị Khoa học thường niên năm 2022. ISBN: 978-604-82-7001-8 NGHIÊN CỨU VÀ ỨNG DỤNG HỌC MÁY ĐỂ DỰ ĐOÁN NĂNG LƯỢNG TIÊU THỤ TRONG TÒA NHÀ Lê Thị Hương Trường Đại học Thủy lợi 1. GIỚI THIỆU CHUNG Schneider Electric cho một tòa nhà được sử dụng cho nghiên cứu bao gồm: Năng lượng tiêu thụ ngày càng tăng lên do Dữ liệu thời tiết trong 3 năm. thay đổi thời tiết, tuổi thọ của các thiết bị trong Năng lượng điện tiêu thụ trong 3 năm từ tòa nhà, tăng trưởng kinh tế.Trong chỉ thị về năm 2016 đến năm 2018. Tính năng năng lượng đối với các tòa nhà Dùng hàm describe() trong python hiển thị (Energy Performance of Buildings Directive - các thông số của năng lượng và thời tiết: EPBD) của Liên Minh Châu Âu (EU) yêu cầu tăng tiết kiệm năng lượng đối với các tòa nhà thương mại lên 30% vào năm 2030. Việt Nam không thể nằm ngoài xu thế chung của thế giới. Ngày nay, nhờ hệ thống quản lý tòa nhà chúng ta đã có thể thu thập được dữ liệu tiêu thụ năng lượng thời gian thực, giám sát và điều khiển từ xa các thiết bị trong tòa nhà để cắt giảm tiêu thụ năng lượng gây lãng phí. Điều này cũng mở ra cơ hội cho khả năng mới đó là trực quan hóa dữ liệu, phân tích chuyên sâu để giúp người vận hành đưa ra quyết định, điều khiển các thiết bị dựa trên mô phỏng. Có nhiều kỹ thuật được sử dụng nhưng ứng dụng dữ liệu lớn với tính chính xác cao đang là xu hướng được nghiên cứu. Mục đích chính của bài báo này dự đoán năng lượng tiêu thụ trong một tháng với tính chính xác cao bằng phương pháp sử dụng máy hỗ trợ vector (SVM) và cây quyết định ngẫu nhiên (random forest) trong lĩnh vực học máy. Hình 1. Biểu đồ kiểm tra tính khả dụng Kết quả của mô hình dự báo được kiểm tra của dữ liệu bằng các phương pháp thống kê tiêu chuẩn. Dựa vào đồ thị ta thấy không có dữ liệu bỏ 2. PHƯƠNG PHÁP NGHIÊN CỨU sót. Sử dụng hệ số tương quan Person để đo 2.1 Dữ liệu sử dụng và lựa chọn thông số tương quan giữa các biến số. Từ Hình 2, ta đầu vào thấy nhiệt độ (Temp) tương quan dương với Trong nghiên cứu này, dữ liệu được chiết điện năng sử dụng trong tòa nhà. Độ ẩm tương suất từ hệ thống lưu trữ dữ liệu của phần đối (U) và tổng lượng mưa hàng giờ (RH) là mềm Remote Energy System của Tập đoàn hai đặc điểm có tương quan âm cao nhất. 244
Tuyển tập Hội nghị Khoa học thường niên năm 2022. ISBN: 978-604-82-7001-8 Ngoài ra cả hai đại lượng này cũng đa cộng ranh giới tối đa. Trong nghiên cứu này, tác tuyến tính nên ta có thể sử dụng một trong hai giả xác định các giá trị cho các tham số SVR đại lượng để dự đoán nhu cầu điện năng. thông qua quá trình thử - lỗi. Dữ liệu học được đưa vào dạng [(x1, t1), … (xn, tn)]⸦ RxR, trong đó n biểu thị không gian của các mẫu đầu vào. Dựa vào quan hệ giữa ԑ  SVR, mục tiêu là tìm được hàm fx có độ lệch ԑ với mục tiêu tj cho tất cả tập dữ liệu huấn luyện và đồng thời càng phẳng càng tốt. Hàm hồi quy có dạng: y = fx = wTΦ(x) +b. Trong đó: wR là hằng số: xRn là vector đầu vào; Φ(x) Rm là vector đặc trưng. Φ là Hình 2. Heat map thể hiện mức độ tương hàm ánh xạ từ không gian đầu vào sang quan giữa các biến nghiên cứu không gian đặc trưng. Như vậy để tìm w và b 2.2. Xây dựng và đánh giá mô hình ta phải tối thiểu hàm lỗi chuẩn hóa. 1 N  2 Công cụ và phương pháp sử dụng:  2 1 {yn  tn }  w 2 (1) Thuật toán Support Vector Regression (SVR): Support Vector Regression (SVR) là với λ là hằng số chuẩn hóa. một thuận toán nằm trong bộ thuật toán SVM Thuật toán Random Forest (RF): Bộ dữ liệu dùng để giải quyết các vấn đề hồi quy[1]. có n dữ liệu (sample) và mỗi dữ liệu có d thuộc Thay vì giảm thiểu lỗi trong quá trình huấn tính (feature). Để xây dựng mỗi cây quyết luyện, SVR cố gắng giảm thiểu lỗi tổng quát định: 1. Lấy ngẫu nhiên n dữ liệu từ bộ dữ liệu bị ràng buộc để đạt được hiệu xuất tổng thể. 2. Sau khi sample được n dữ liệu thì chọn ngẫu Ý tưởng về SVR dựa trên tính toán của hàm nhiên ở k thuộc tính (k
Tuyển tập Hội nghị Khoa học thường niên năm 2022. ISBN: 978-604-82-7001-8 Xây dựng mô hình: Ba bước xây dựng Bảng 1. So sánh hiệu suất các mô hình mô hình (1) Chuẩn bị và tiền xử lý dữ liệu, STT Mô hình RMSE R2 loại bỏ nhiễu,(2) Bỏ bớt các biến số không 1 SVR 5,45 0,87 tương quan với biến đầu ra Y; (3) Tiến hành học máy và dự đoán, đánh giá hiệu 2 RF 3,91 0,90 suất của mô hình dựa vào các tiêu chí. Có 7 Kết quả đánh giá độ chính xác mô hình dự biến số thông số thời tiết làm đầu vào tương báo đã sử dụng RMSE, R2 đều cho kết quả ứng tập dữ liệu 26303 mẫu cho năng lượng tốt, chứng tỏ độ tin cậy cao khi dự báo công tiêu thụ của tòa nhà trong 3 năm chia thành suất tiêu thụ của tòa nhà. Mô hình SF có độ 80% mẫu huấn luyện, 20% mẫu kiểm tra. chính xác cao hơn so với mô hình SVR. Mô hình dự đoán năng lượng tiêu thụ được lập trình trên Python của Google Colab. 2.3. Đánh giá hiệu suất của mô hình Một mô hình được đánh giá tốt khi sử dụng các biến đầu vào Xi cho ra các giá trị dự báo Ypred sát với giá trị của Ytest thực tế đã xác định. Để đánh giá hiệu suất của các mô hình học máy, tác giả sử dụng các thông số Hình 4. Giá trị tiêu thụ năng lượng dự đoán Root Mean Square Error (RMSE), và giá trị thật sử dụng mô hình SVR. Coefficient of Determin (R2). RMSE thể hiện độ lệch tiêu chuẩn các sai số của mô hình dự đoán xác định thông qua công thức: 1 m RMSE = m  1 ( ytest ,i  y pred ,i )2 (2) Trong đó: m là số lượng mẫu kiểm tra, ytest là giá trị đúng đã xác định của y, ypred là giá trị do mô hình dự đoán. Hệ số xác định R2 là một thông số biến đổi từ 0 đến 1 nhằm thể hiện hiệu suất của mô hình dự đoán. Nó có thể xác định thông qua Hình 5. Giá trị tiêu thụ năng lượng dự đoán công thức: và giá trị thật sử dụng mô hình RF  m 2 (y i 1 test ,i  y pred ,i )2 4. KẾT LUẬN R = 1 (3)  i1( ytest,i  ytest )2 m Hai mô hình dự báo SVR, RF thuộc kỹ Trong đó: m là số lượng mẫu kiểm tra, ytest thuật học máy hoàn toàn có thể sử dụng để là giá trị đúng đã xác định của y, ypred là giá dự báo tốt công suất tiêu thụ của tòa nhà. Mô trị do mô hình dự đoán, y test là giá trị trung hình dự báo RF cho kết quả dự báo chính xác hơn. Ứng dụng của nghiên cứu này có thể bình của các mẫu kiểm tra. được tích hợp trong hệ thống quản lý năng 3. KẾT QUẢ NGHIÊN CỨU lượng hiện tại giúp người vận hành đưa ra quyết định trong việc sử dụng năng lượng. Sử dụng 2 mô hình SVR, RF như đã nêu trên với bộ số liệu sau chuẩn hóa và tiến hành 5. TÀI LIỆU THAM KHẢO dự báo theo sơ đồ mô hình học máy đã xây [1] Vũ Hữu Tiệp. 2020. Machine learning cơ dựng ở Hình 4 và Hình 5. bản. Nhà sản xuất khoa học kỹ thuật. 246

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.15: Bộ Đồ Án Tốt Nghiệp Chuyên Ngành Cơ Khí

65 tài liệu

2431 lượt tải

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.