HỆ THỐNG THÔNG TIN QUỐC GIA VỀ KHOA HỌC, CÔNG NGHỆ VÀ ĐỔI MỚI SÁNG TẠO
Lọc theo danh mục
liên kết website
Lượt truy cập
Lượt truy cập :
45,730,737
- Công bố khoa học và công nghệ Việt Nam
44
1020115 - Thuật toán di truyền
BB
Thi Phuong Quyen Nguyen, Thi My Ha Nguyen, Thi Cuc Nguyen, Nguyen Phuong Thao Nguyen
Dự đoán mức tiêu thụ năng lượng trong các nhà máy thông minh bằng cách sử dụng các mô hình học sâu dựa trên dữ liệu
Energy Consumption Prediction in Smart Factories Using Data-Driven Deep Learning Models
Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng
2026
3
25-30
1959-1531
Nghiên cứu này tập trung vào việc phát triển một khung làm việc dựa trên dữ liệu sử dụng các mô hình học sâu (DL) để dự báo tiêu thụ năng lượng ngắn hạn trong các nhà máy thông minh. Mục tiêu chính là nâng cao hiệu quả và tính bền vững thông qua việc dự đoán chính xác mức tiêu thụ năng lượng, dựa trên dữ liệu cảm biến chuỗi thời gian đa biến. Để đạt được điều này, ba mô hình DL chính đã được triển khai: Mạng nơ-ron tích chập (CNN), Bộ nhớ dài-ngắn hạn (LSTM) và Mạng nơ-ron hồi quy sâu (DRNN). Một điểm nổi bật trong phương pháp luận là việc tích hợp Thuật toán di truyền (GA) để tối ưu hóa các siêu tham số quan trọng liên quan đến sự phụ thuộc thời gian, cấu hình mạng và chiến lược huấn luyện, nhằm cải thiện hiệu suất của các mô hình DL. Kết quả thực nghiệm được thực hiện trên một bộ dữ liệu sản xuất thông minh thực tế đã chứng minh rằng các mô hình DL được tối ưu hóa bằng GA luôn vượt trội so với các phiên bản không được tối ưu hóa. Cụ thể, các mô hình được tối ưu hóa bằng GA đã đạt được mức giảm trung bình khoảng 8–15% trong Sai số phần trăm tuyệt đối trung bình (MAPE) trên tập kiểm tra. Trong số các mô hình được thử nghiệm, mô hình GA-CNN đã thể hiện hiệu suất tổng thể tốt nhất. Những phát hiện này khẳng định tính hiệu quả của việc kết hợp tối ưu hóa tiến hóa với học sâu để đạt được khả năng dự báo tiêu thụ năng lượng mạnh mẽ và chính xác trong môi trường nhà máy thông minh
Accurate energy consumption prediction plays a critical role in improving efficiency and sustainability in smart factories. This study develops a data-driven framework based on deep learning (DL) models for short-term energy consumption forecasting using multivariate time-series sensor data. Three DL models are employed: Convolutional Neural Networks (CNNs), Long Short-Term Memory (LSTM), and Deep Recurrent Neural Networks (DRNNs). To enhance model performance, Genetic Algorithm (GA) is integrated to optimize key hyperparameters related to temporal dependency, network configuration, and training strategy. Experimental results on a real-world smart manufacturing dataset demonstrate that GA-based DL models consistently outperform their non-optimized counterparts. GA-optimized models achieve an average reduction of approximately 8–15% in Mean Absolute Percentage Error (MAPE) on the test set, with the GA-CNN model demonstrating the best overall performance. These results confirm the effectiveness of combining evolutionary optimization with DL for robust and accurate energy consumption prediction in smart factory environments
TTKHCNQG, CVv 465
Xem toàn văn