Khung học máy có khả năng diễn giải để dự báo phát thải carbon vận hành theo giờ của nhà ở với các tham số môi trường trong nhà và ngoài trời

Khung học máy có khả năng diễn giải để dự báo phát thải carbon vận hành theo giờ của nhà ở với các tham số môi trường trong nhà và ngoài trời

An interpretable machine learning framework for residential building hourly operational carbon emission prediction with indoor and outdoor environment

SHARE COMMENTS

1 – GIỚI THIỆU

Phát thải carbon trong giai đoạn vận hành là một thành phần cốt lõi của quản lý phát thải carbon trong lĩnh vực xây dựng. Trong bối cảnh nồng độ CO₂ trong khí quyển toàn cầu gia tăng nhanh chóng do việc sử dụng nhiên liệu hóa thạch, hiệu ứng nhà kính đã trở thành một trong những thách thức môi trường nghiêm trọng nhất, kéo theo các hệ quả như biến đổi khí hậu, băng tan, mực nước biển dâng và gia tăng thiên tai. Trước những tác động này, nhiều quốc gia và khu vực trên thế giới đã ban hành các chiến lược và chính sách nhằm nâng cao hiệu quả sử dụng năng lượng và giảm phát thải carbon, điển hình như mục tiêu trung hòa carbon của Hoa Kỳ vào năm 2050, Thỏa thuận Xanh châu Âu, cũng như các mục tiêu “30–60” của Trung Quốc.

Ngành xây dựng hiện chiếm khoảng 40% tổng lượng phát thải carbon toàn cầu, trong đó phát thải carbon từ giai đoạn vận hành của nhà ở chiếm một tỷ trọng đặc biệt lớn. Phát thải này chủ yếu đến từ các hoạt động sinh hoạt hàng ngày của con người như sử dụng điện, khí đốt, sưởi ấm, làm mát và nước sinh hoạt. Với tốc độ đô thị hóa ngày càng nhanh và tác động của biến đổi khí hậu, phát thải carbon từ nhà ở dự kiến sẽ tiếp tục gia tăng trong tương lai. Do đó, việc phân tích cấu trúc phát thải carbon, làm rõ cơ chế tác động của các yếu tố môi trường trong nhà, môi trường ngoài trời và hành vi người sử dụng, cũng như xây dựng các mô hình tính toán và dự báo phát thải carbon vận hành cho nhà ở có ý nghĩa hết sức quan trọng trong việc thúc đẩy các công trình bền vững, hiệu quả năng lượng và phát thải thấp.

Mặc dù đã có nhiều nghiên cứu áp dụng các phương pháp thống kê, học máy nông, học sâu và mô hình lai để dự báo phát thải carbon, phần lớn các nghiên cứu trước đây chỉ tập trung vào dữ liệu tiêu thụ năng lượng hoặc điều kiện khí tượng ngoài trời. Trong khi đó, phát thải carbon của nhà ở chịu ảnh hưởng rất lớn từ hành vi của người sử dụng, vốn khó đo lường trực tiếp nhưng lại được phản ánh rõ nét thông qua các tham số môi trường trong nhà. Việc thiếu xem xét mối quan hệ động và sự ghép nối phức tạp giữa các yếu tố này đã hạn chế khả năng giải thích và độ chính xác của các mô hình dự báo hiện có. Trước những hạn chế đó, nghiên cứu này đề xuất một phương pháp mới nhằm dự báo phát thải carbon vận hành theo giờ cho nhà ở, kết hợp giữa học sâu dựa trên thời gian, học sâu dựa trên đồ thị và kỹ thuật diễn giải mô hình.

2 – MÔ TẢ HỆ THỐNG

Hệ thống được đề xuất trong nghiên cứu là một khung dự báo phát thải carbon vận hành theo giờ cho nhà ở, được thiết kế nhằm phản ánh đầy đủ tính phức tạp và động học của quá trình phát thải carbon trong điều kiện vận hành thực tế. Khung hệ thống này tích hợp đồng thời dữ liệu tiêu thụ năng lượng, dữ liệu môi trường trong nhà và ngoài trời, cùng với các thuật toán học sâu có khả năng xử lý dữ liệu chuỗi thời gian đa biến và cấu trúc quan hệ phi tuyến giữa các biến.

Ở cấp độ dữ liệu, hệ thống thu thập thông tin từ các công tơ đo năng lượng và các cảm biến môi trường lắp đặt trong và ngoài công trình nhà ở. Dữ liệu năng lượng bao gồm tiêu thụ điện năng, khí đốt tự nhiên và nước sinh hoạt, trong khi dữ liệu môi trường bao gồm các chỉ số phản ánh chất lượng không khí và điều kiện nhiệt ẩm như nhiệt độ, độ ẩm tương đối, nồng độ CO₂ tương đương, hợp chất hữu cơ bay hơi tổng và bụi mịn. Các dữ liệu này được thu thập với tần suất cao, cho phép mô tả chi tiết trạng thái vận hành của công trình theo từng giờ.

Sau giai đoạn thu thập, hệ thống tiến hành tiền xử lý dữ liệu nhằm đảm bảo tính toàn vẹn và độ tin cậy của tập dữ liệu đầu vào. Các vấn đề phổ biến như thiếu dữ liệu, dữ liệu bất thường và sự không đồng bộ thời gian giữa các nguồn đo được xử lý thông qua nội suy tuyến tính, phát hiện ngoại lai bằng chỉ số Z-score và căn chỉnh thời gian. Trên cơ sở dữ liệu đã được chuẩn hóa, phát thải carbon vận hành theo giờ của nhà ở được tính toán thông qua phương pháp hệ số phát thải, phản ánh lượng khí CO₂ tương đương phát sinh từ việc sử dụng các dạng năng lượng khác nhau.

Một đặc điểm then chốt của hệ thống là việc mô hình hóa mối quan hệ động giữa phát thải carbon và các tham số môi trường thông qua đồ thị tương quan động. Trong đồ thị này, mỗi biến môi trường và phát thải carbon được biểu diễn như một nút, trong khi các cạnh thể hiện mức độ tương quan giữa các biến và thay đổi theo thời gian. Đồ thị động này cho phép hệ thống nắm bắt được sự biến thiên liên tục của cấu trúc quan hệ giữa các yếu tố, phản ánh tác động của điều kiện môi trường và hành vi người sử dụng lên phát thải carbon.

Cuối cùng, hệ thống sử dụng mô hình học sâu lai TCN-GCN để thực hiện dự báo phát thải carbon vận hành theo giờ, đồng thời áp dụng phương pháp SHAP nhằm giải thích kết quả dự báo. Cách tiếp cận này không chỉ tập trung vào độ chính xác mà còn hướng tới khả năng diễn giải, đáp ứng yêu cầu thực tiễn trong quản lý và kiểm soát phát thải carbon của nhà ở.

3 – PHƯƠNG PHÁP NGHIÊN CỨU

Phương pháp nghiên cứu được xây dựng dựa trên sự kết hợp giữa phân tích thống kê, học máy và học sâu, với mục tiêu phát triển một mô hình dự báo phát thải carbon vận hành theo giờ vừa chính xác vừa có khả năng giải thích rõ ràng. Trước hết, dữ liệu thô thu thập từ các thiết bị đo được tiền xử lý nhằm loại bỏ nhiễu và sai lệch. Nội suy tuyến tính được sử dụng để ước lượng các giá trị bị thiếu, trong khi phương pháp Z-score cho phép phát hiện và hiệu chỉnh các giá trị ngoại lai, đảm bảo rằng dữ liệu đầu vào phản ánh trung thực trạng thái vận hành của công trình.

Phát thải carbon được tính toán bằng phương pháp hệ số phát thải, trong đó tổng lượng phát thải được xác định bằng cách nhân mức tiêu thụ từng loại năng lượng với hệ số phát thải tương ứng và cộng gộp lại. Phương pháp này cho phép lượng hóa phát thải carbon một cách nhất quán và phù hợp với các tiêu chuẩn đánh giá phát thải hiện hành.

Tiếp theo, nghiên cứu sử dụng hệ số tương quan Pearson để phân tích mối quan hệ tuyến tính giữa phát thải carbon và các tham số môi trường. Kết quả phân tích tương quan được sử dụng để lựa chọn các biến có ảnh hưởng đáng kể, từ đó giảm chiều dữ liệu và tăng hiệu quả tính toán cho mô hình dự báo. Trên cơ sở các biến quan trọng này, đồ thị tương quan động được xây dựng thông qua kỹ thuật cửa sổ trượt theo thời gian. Trong mỗi cửa sổ, ma trận tương quan được tính toán và làm thưa bằng một ngưỡng xác định nhằm loại bỏ các mối quan hệ yếu hoặc không ổn định, giúp đồ thị tập trung vào các tương tác có ý nghĩa.

Mô hình dự báo được phát triển dựa trên sự kết hợp giữa Mạng tích chập theo thời gian (TCN) và Mạng tích chập đồ thị (GCN). TCN chịu trách nhiệm trích xuất các đặc trưng thời gian đa thang, cho phép mô hình nhận diện cả các mẫu ngắn hạn và các phụ thuộc dài hạn trong chuỗi dữ liệu phát thải carbon. Trong khi đó, GCN khai thác cấu trúc đồ thị tương quan động để mô hình hóa các mối quan hệ không gian – quan hệ giữa các biến môi trường và phát thải carbon. Việc sử dụng các kết nối dư và kết nối bỏ qua giúp cải thiện khả năng hội tụ và độ ổn định của mô hình trong quá trình huấn luyện.

Để nâng cao tính minh bạch, phương pháp SHAP được áp dụng nhằm định lượng mức độ đóng góp của từng biến đầu vào đối với kết quả dự báo. Thông qua đó, nghiên cứu không chỉ cung cấp giá trị dự báo mà còn giải thích được nguyên nhân và cơ chế ảnh hưởng của các yếu tố môi trường và hành vi người sử dụng lên phát thải carbon vận hành.

4 – KẾT QUẢ NGHIÊN CỨU

Kết quả nghiên cứu được đánh giá thông qua các thí nghiệm mô phỏng sử dụng bộ dữ liệu thực tế từ dự án Smartline, bao gồm dữ liệu tiêu thụ năng lượng và môi trường của 279 hộ gia đình tại Cornwall, Vương quốc Anh. Bộ dữ liệu được chia thành các tập huấn luyện, xác thực và kiểm tra theo tỷ lệ 70:15:15 nhằm đảm bảo tính khách quan trong đánh giá hiệu suất mô hình.

Kết quả so sánh cho thấy mô hình DCG-TCN-GCN vượt trội hơn so với các mô hình tham chiếu truyền thống và hiện đại trong dự báo phát thải carbon vận hành theo giờ ở nhiều khoảng thời gian khác nhau. Mô hình đạt hệ số tương quan cao, phản ánh mức độ phù hợp chặt chẽ giữa giá trị dự báo và giá trị thực tế, đồng thời duy trì sai số bình phương tương đối thấp. Điều này chứng tỏ khả năng nắm bắt chính xác cả xu hướng tổng thể lẫn biến động ngắn hạn của phát thải carbon.

Phân tích tương quan cho thấy các tham số môi trường trong nhà, đặc biệt là nhiệt độ và độ ẩm, có mức độ ảnh hưởng lớn hơn so với các tham số môi trường ngoài trời. Kết quả này nhấn mạnh vai trò của hành vi người sử dụng trong việc điều chỉnh điều kiện tiện nghi nhiệt và tác động trực tiếp của các hành vi này đến tiêu thụ năng lượng và phát thải carbon.

Phân tích SHAP cung cấp cái nhìn sâu sắc hơn về cơ chế dự báo của mô hình. Các kết quả cho thấy nhiệt độ trong nhà, độ ẩm trong nhà và nhiệt độ ngoài trời là những yếu tố đóng góp lớn nhất vào dự báo phát thải carbon. Các biểu đồ phụ thuộc riêng phần cho thấy mối quan hệ gần tuyến tính giữa các yếu tố này và phát thải carbon, đồng thời chỉ ra các ngưỡng nhiệt độ mà tại đó phát thải carbon có xu hướng gia tăng đáng kể, đặc biệt trong các điều kiện thời tiết lạnh hoặc nóng cực đoan.

5 – KẾT LUẬN

Nghiên cứu đã phát triển thành công một khung học máy có khả năng diễn giải nhằm dự báo phát thải carbon vận hành theo giờ của nhà ở, dựa trên sự kết hợp giữa đồ thị tương quan động, mạng tích chập theo thời gian, mạng tích chập đồ thị và phương pháp SHAP. Cách tiếp cận này cho phép mô hình đồng thời khai thác đặc trưng thời gian, cấu trúc quan hệ giữa các biến và cung cấp khả năng giải thích rõ ràng cho kết quả dự báo.

Các kết quả thực nghiệm chứng minh rằng mô hình được đề xuất không chỉ đạt độ chính xác cao hơn so với các phương pháp dự báo truyền thống và nhiều mô hình học sâu hiện có, mà còn giúp làm rõ vai trò của các yếu tố môi trường và hành vi người sử dụng trong việc hình thành phát thải carbon vận hành. Điều này mang lại giá trị thực tiễn lớn cho công tác quản lý năng lượng và phát thải carbon trong nhà ở, hỗ trợ việc xây dựng các chiến lược vận hành tiết kiệm năng lượng và giảm phát thải.

Về mặt khoa học, nghiên cứu đóng góp một hướng tiếp cận mới trong việc kết hợp học sâu dựa trên thời gian và đồ thị cho bài toán phát thải carbon trong lĩnh vực xây dựng. Về mặt ứng dụng, khung phương pháp này có tiềm năng mở rộng để áp dụng cho các loại công trình khác như văn phòng, thương mại, bệnh viện, cũng như cho các quy mô lớn hơn như cộng đồng, đô thị và quốc gia. Trong tương lai, việc tích hợp thêm dữ liệu hành vi người sử dụng và các kịch bản điều khiển thông minh được kỳ vọng sẽ tiếp tục nâng cao hiệu quả và giá trị ứng dụng của phương pháp này.