Chiến lược học chuyển giao sâu dựa trên TimesBlock-CDAN để dự đoán môi trường nhiệt và tiêu thụ năng lượng của máy điều hòa không khí trong các tòa nhà dân cư

Chiến lược học chuyển giao sâu dựa trên TimesBlock-CDAN để dự đoán môi trường nhiệt và tiêu thụ năng lượng của máy điều hòa không khí trong các tòa nhà dân cư

Deep transfer learning strategy based on TimesBlock-CDAN for predicting thermal environment and air conditioner energy consumption in residential buildings

SHARE COMMENTS

1 – GIỚI THIỆU

Việc triển khai các mô hình hộp đen học sâu dựa trên dữ liệu để mô hình hóa môi trường nhiệt và tiêu thụ năng lượng của máy điều hòa không khí trong các tòa nhà dân cư đã trở nên phổ biến nhờ vào độ chính xác cao của chúng. Tuy nhiên, việc thu thập dữ liệu quy mô lớn trong các môi trường dân cư thực tế là tốn thời gian và chi phí cao, gây khó khăn cho việc phát triển các mô hình này. Mặc dù các phương pháp học chuyển giao truyền thống với thích ứng miền cho phép chuyển giao học tập với dữ liệu tối thiểu từ các tòa nhà mục tiêu, sự khác biệt đáng kể về hiệu suất cách nhiệt, dung tích nhiệt và loại máy điều hòa không khí giữa các tòa nhà khác nhau dẫn đến sự dịch chuyển nhãn đáng kể giữa các miền nguồn và miền đích. Trong nghiên cứu này, một chiến lược thích ứng miền dựa trên phương pháp TimesBlock-CDAN được đề xuất. Phương pháp này tích hợp các đặc trưng điều kiện, bao gồm đầu vào nhiệt của máy điều hòa không khí và các biến đổi tương ứng về nhiệt độ, độ ẩm và tiêu thụ năng lượng vào quá trình thích ứng miền đối kháng, giúp giảm thiểu sự dịch chuyển miền và tăng cường hiệu quả, độ chính xác của học chuyển giao. Hai nhiệm vụ thực tế được thiết kế: học chuyển giao giữa các nhiệt độ cài đặt khác nhau trong cùng một tòa nhà và học chuyển giao giữa các tòa nhà khác nhau. Kết quả phân tích so sánh cho thấy phương pháp này cải thiện độ chính xác dự đoán lên tới 20% so với các mô hình chỉ được huấn luyện trên dữ liệu của tòa nhà mục tiêu.

2 – MÔ TẢ HỆ THỐNG

Hệ thống được đề xuất là một mô hình học chuyển giao sâu dựa trên phương pháp TimesBlock-CDAN. Phương pháp này kết hợp hai thành phần chính: TimesBlock và Mạng thích ứng miền đối kháng có điều kiện (CDAN). TimesBlock là một khối trích xuất đặc trưng từ dữ liệu chuỗi thời gian bằng cách chuyển đổi chúng thành dạng tensor 2D, giúp mô hình nắm bắt được các biến đổi trong cả giai đoạn ngắn hạn và dài hạn. Trong khi đó, CDAN sử dụng các đặc trưng điều kiện, bao gồm đầu vào nhiệt của máy điều hòa không khí và sự thay đổi nhiệt độ, độ ẩm và tiêu thụ năng lượng để giảm sự khác biệt giữa miền nguồn và miền đích, giúp cải thiện độ chính xác của học chuyển giao.

3 – PHƯƠNG PHÁP NGHIÊN CỨU

Phương pháp nghiên cứu được triển khai thông qua hai nhiệm vụ học chuyển giao. Nhiệm vụ 1 liên quan đến việc học chuyển giao giữa các nhiệt độ cài đặt khác nhau trong cùng một tòa nhà, trong khi Nhiệm vụ 2 liên quan đến việc học chuyển giao giữa các tòa nhà khác nhau. Dữ liệu được thu thập từ các thiết bị đo đạc, bao gồm nhiệt độ, độ ẩm, tốc độ quạt của máy điều hòa và tiêu thụ năng lượng, với bước thời gian dự báo là 10 phút. Mô hình được huấn luyện bằng phương pháp học chuyển giao đối kháng, trong đó TimesBlock được sử dụng làm bộ trích xuất đặc trưng và CDAN để giảm thiểu sự khác biệt miền giữa dữ liệu nguồn và dữ liệu mục tiêu.

4 – KẾT QUẢ NGHIÊN CỨU

Phương pháp TimesBlock-CDAN được đánh giá trong hai nhiệm vụ học chuyển giao và cho thấy hiệu suất vượt trội so với các phương pháp khác. Trong Nhiệm vụ 1, phương pháp này giúp giảm sai số dự đoán về nhiệt độ, độ ẩm và tiêu thụ năng lượng lần lượt là 6%, 38% và 15%. Trong Nhiệm vụ 2, phương pháp TimesBlock-CDAN cải thiện độ chính xác của dự đoán nhiệt độ, độ ẩm và tiêu thụ năng lượng lần lượt là 18%, 25% và 17% so với các phương pháp học chuyển giao truyền thống. Ngoài ra, phương pháp này cũng chứng minh được khả năng giảm sự dịch chuyển miền và tăng cường tính ổn định của mô hình trong các bài toán học chuyển giao phức tạp.

5 – KẾT LUẬN

Nghiên cứu đã đề xuất một phương pháp học chuyển giao đối kháng miền có điều kiện (CDAN) dựa trên TimesBlock để dự đoán môi trường nhiệt và tiêu thụ năng lượng của máy điều hòa không khí trong các tòa nhà dân cư. Phương pháp này đã chứng minh khả năng nâng cao độ chính xác dự báo trong các bài toán học chuyển giao phức tạp nhờ vào việc sử dụng đặc trưng điều kiện và khả năng trích xuất đặc trưng mạnh mẽ của TimesBlock. Kết quả thử nghiệm cho thấy phương pháp này cải thiện độ chính xác dự báo lên tới 20% so với các phương pháp truyền thống, đặc biệt là trong các môi trường với sự khác biệt miền lớn giữa nguồn và đích. Phương pháp này có tiềm năng ứng dụng rộng rãi trong các hệ thống năng lượng dân cư, đặc biệt là các hệ thống với dữ liệu hạn chế.