Khi Philadelphia cố gắng đáp ứng các mục tiêu phát thải khí nhà kính được thiết lập trong Kế hoạch 2050, việc hiểu rõ hơn về vai trò của việc phân vùng trong việc quản lý sử dụng năng lượng tòa nhà có thể giúp thành phố đạt được thành công. Các nhà nghiên cứu tại Đại học Kỹ thuật Drexel đang hy vọng một mô hình máy học mà họ đã phát triển có thể hỗ trợ những nỗ lực này bằng cách giúp dự đoán mức tiêu thụ năng lượng sẽ thay đổi như thế nào khi các khu dân cư phát triển.
Năm 2017, thành phố đặt mục tiêu trở thành trung hòa carbon vào năm 2050, dẫn đầu phần lớn là giảm phát thải khí nhà kính từ việc sử dụng năng lượng tòa nhà—chiếm gần 3/4 lượng khí thải carbon của Philadelphia vào thời điểm đó. Nhưng chìa khóa để đạt được mục tiêu này không chỉ nằm ở việc thiết lập các hoạt động sử dụng năng lượng bền vững cho các tòa nhà hiện tại, mà còn kết hợp các dự báo sử dụng năng lượng vào các quyết định phân vùng sẽ định hướng sự phát triển trong tương lai.
Và thách thức đối với Philadelphia, một trong những thành phố lâu đời nhất trong cả nước, là các loại tòa nhà rất khác nhau—cũng như việc sử dụng năng lượng của chúng. Vì vậy, lập kế hoạch sử dụng năng lượng hiệu quả hơn ở cấp Thành phố không phải là vấn đề với giải pháp một kích cỡ phù hợp với tất cả.
"Đặc biệt đối với Philadelphia, các khu dân cư khác nhau rất nhiều từ nơi này sang nơi khác về mức độ phổ biến của một số đặc điểm nhà ở và các loại phân vùng, điều quan trọng là phải tùy chỉnh các chương trình năng lượng cho từng khu phố, thay vì cố gắng ban hành các chính sách chung để giảm carbon trên toàn thành phố hoặc quận ", Simi Hoque, Tiến sĩ, giáo sư tại Đại học Kỹ thuật, người dẫn đầu nghiên cứu sử dụng máy học cho mô hình sử dụng năng lượng chi tiết được xuất bản gần đây trên tạp chí Năng lượng và Tòa nhà .
Nhóm của Hoque tin rằng các chương trình học máy hiện có, nếu được triển khai đúng cách, có thể cung cấp một số thông tin rõ ràng về cách các quyết định phân vùng có thể ảnh hưởng đến lượng khí thải nhà kính trong tương lai từ các tòa nhà.
"Ngay bây giờ có một khối lượng lớn dữ liệu sử dụng năng lượng, nhưng nó thường quá mâu thuẫn và lộn xộn để đưa vào sử dụng một cách hợp lý. Ví dụ: một bộ dữ liệu tương ứng với các đặc điểm nhà ở nhất định có thể có các ước tính về năng lượng sử dụng được, nhưng một bộ dữ liệu khác tương ứng với các đặc điểm kinh tế xã hội các tính năng thiếu quá nhiều giá trị để có thể sử dụng được," cô nói.
"Máy học được trang bị tốt để xử lý thách thức này vì chúng có thể học lặp đi lặp lại và cải thiện thông qua quá trình đào tạo để giảm sai lệch và phương sai bất chấp những hạn chế về dữ liệu này."
Để thu thập thông tin từ dữ liệu rời rạc, nhóm đã phát triển một quy trình sử dụng hai chương trình máy học—một chương trình có thể tách ra các mẫu từ các đợt dữ liệu khổng lồ và sử dụng chúng để đưa ra các dự đoán về năng lượng trong tương lai và chương trình thứ hai có thể xác định chính xác các chi tiết trong mô hình điều đó có khả năng có ảnh hưởng lớn nhất đến việc thay đổi các dự đoán.
Trước tiên, họ đã đào tạo một chương trình học sâu, được gọi là Extreme Gradient Boosting (XGBoost), với khối lượng dữ liệu sử dụng năng lượng thương mại và dân dụng cho Philadelphia từ Khảo sát mức tiêu thụ năng lượng dân cư và Khảo sát mức tiêu thụ năng lượng của các tòa nhà thương mại năm 2015 của Cơ quan Thông tin Năng lượng Hoa Kỳ, cũng như dữ liệu nhân khẩu học và kinh tế xã hội của thành phố từ Khảo sát cộng đồng người Mỹ của Cục điều tra dân số Hoa Kỳ trong khoảng thời gian đó.
Chương trình đã học được đủ từ dữ liệu để có thể rút ra mối tương quan giữa danh sách các biến giặt là, chẳng hạn như mật độ tòa nhà, dân số của một khu vực nhất định, diện tích xây dựng, số người cư trú, số ngày sử dụng hệ thống sưởi hoặc điều hòa không khí và sử dụng năng lượng cho mỗi ngôi nhà hoặc tòa nhà.
Mặc dù các mô hình học sâu như XGBoost rất hữu ích để đưa ra dự báo sáng suốt, với một tập hợp dữ liệu lớn và không nhất quán, nhưng các phương pháp của chúng có thể bị che khuất bởi sự phức tạp của các hoạt động mà chúng thực hiện. Nhưng để trở thành một công cụ hữu ích cho việc hướng dẫn các nhà lập kế hoạch, nhóm cần giải nén cái gọi là chương trình "hộp đen" đủ để biến các dự đoán của nó thành các khuyến nghị.
Để làm được điều đó, họ đã sử dụng phân tích giải thích cộng Shapley, một đánh giá được sử dụng trong lý thuyết trò chơi để phân phối tín dụng giữa các yếu tố góp phần tạo nên kết quả. Điều này cho phép họ tính toán mức độ thay đổi về mật độ xây dựng hoặc diện tích mét vuông, chẳng hạn, được tính vào dự báo của chương trình.
"Các mô hình máy học như XGBoost học cách lướt qua các bộ dữ liệu để hoàn thành một nhiệm vụ cụ thể—chẳng hạn như tạo ra dự báo đáng tin cậy về một hệ thống—nhưng chúng không tuyên bố là thực sự hiểu hoặc đại diện cho các mối quan hệ thực tế làm nền tảng cho một hiện tượng," Hoque nói. "Và mặc dù phân tích Shapley không thể cho chúng tôi biết tính năng nào có tác động lớn nhất đến việc sử dụng năng lượng, nhưng nó có thể giải thích tính năng nào có tác động lớn nhất đến dự đoán sử dụng năng lượng của mô hình, đây vẫn là một thông tin khá hữu ích."
Sau đó, nhóm đưa mô hình vào thử nghiệm bằng cách cung cấp dữ liệu đầu vào từ một kịch bản giả định do Ủy ban Quy hoạch Khu vực Thung lũng Delaware đề xuất, ước tính sự phát triển kinh tế liên tục ở Philadelphia cho đến năm 2045. Kịch bản đề xuất mức tăng dân số 17% tương ứng với mức tăng dân số hộ gia đình, và nó thể hiện một số khả năng khác nhau về việc làm và thu nhập theo khu vực trong toàn thành phố.
Đối với mỗi kịch bản, mô hình dự đoán cách phát triển khu dân cư và thương mại mới sẽ thay đổi lượng khí thải nhà kính từ việc sử dụng năng lượng tòa nhà trên khắp 11 khu vực khác nhau của thành phố và những biến số nào đóng vai trò nổi bật trong việc đưa ra các dự báo.
Xem xét cụ thể việc sử dụng năng lượng của khu dân cư cho kịch bản năm 2045, chương trình gợi ý rằng sáu trong số 11 khu vực sẽ giảm mức sử dụng năng lượng của họ—chủ yếu là các khu vực có thu nhập thấp hơn. Trong khi các khu vực có thu nhập hỗn hợp, như phần cực bắc của thành phố, bao gồm Oak Lane, có thể sẽ thấy mức sử dụng năng lượng tăng lên.
Theo phân tích của Shapley, sự hiện diện của nhà ở gắn liền với một gia đình (sử dụng năng lượng thấp hơn) so với nhà ở riêng lẻ (sử dụng năng lượng cao hơn) đóng một vai trò quan trọng trong các dự báo, với chi phí điện hàng tháng cao, diện tích lô đất dưới một mẫu Anh và thấp hơn. số phòng trên mỗi tòa nhà, tất cả đều góp phần làm giảm dự báo sử dụng năng lượng.
"Nhìn chung, mô hình dự đoán năng lượng dân cư phát hiện ra rằng các đặc điểm liên quan đến cường độ xây dựng thấp hơn liên quan đến ước tính mức tiêu thụ năng lượng thấp hơn trong mô hình, ví dụ như diện tích lô đất thấp hơn, số lượng phòng trên mỗi đơn vị thấp hơn," họ viết. "Những kết quả này đưa ra lý do để tái đầu tư tác động của các chính sách nâng cấp, thường được coi là giải pháp nhà ở giá rẻ ở Philadelphia và các thành phố khác trên khắp Hoa Kỳ, và những thay đổi tiếp theo trong việc sử dụng năng lượng cho các khu vực này."
Về khía cạnh thương mại của kịch bản, mô hình học máy không dự báo nhiều thay đổi trong việc sử dụng năng lượng trong điều kiện năm 2045—mức sử dụng năng lượng cho các tòa nhà thương mại lớn nhất vẫn ở mức cao. Và mặc dù nó bị giới hạn chỉ xem xét sáu biến số—mét vuông, số nhân viên, số tầng, ngày có mức độ sưởi ấm, ngày có mức độ làm mát và hoạt động chính của tòa nhà—do dữ liệu có sẵn trong tập huấn luyện, Phân tích của Shapley chỉ ra diện tích xây dựng và số lượng nhân viên là những yếu tố dự báo quan trọng nhất về việc sử dụng năng lượng cho hầu hết các loại tòa nhà thương mại.
Các tác giả viết: “Đối với lĩnh vực thương mại, nghiên cứu cho thấy rằng các tòa nhà thương mại có diện tích hàng đầu và số lượng nhân viên nên là mục tiêu chính cho các chương trình giảm năng lượng”. "Nghiên cứu đặt ra ngưỡng xấp xỉ 10.000 feet vuông của tổng diện tích tòa nhà, với các tòa nhà trên điểm đánh dấu đó được ưu tiên do ảnh hưởng không cân xứng của chúng đối với dự đoán năng lượng của mô hình."
Mặc dù các nhà nghiên cứu thận trọng chống lại giả định về mối liên hệ trực tiếp giữa các biến số và thay đổi sử dụng năng lượng trong mô hình, nhưng họ cho rằng mô hình này vẫn khá hữu ích vì khả năng cung cấp cho các nhà quy hoạch một cái nhìn tổng quát và chi tiết về tác động lẫn nhau của các quyết định phân vùng và phát triển. và ảnh hưởng của chúng đối với việc sử dụng năng lượng.
"Tôi thấy rất nhiều tiềm năng trong việc sử dụng các mô hình máy học như XGBoost để dự báo mức tăng hoặc giảm sử dụng năng lượng do các dự án xây dựng mới hoặc thay đổi chính sách," Hoque nói. "Ví dụ, việc xây dựng một tuyến đường sắt mới trong một vùng lân cận có thể thay đổi nhân khẩu học và việc làm của một vùng lân cận, và các phương pháp của chúng tôi sẽ là lý tưởng để kết hợp thông tin đó trong bối cảnh mô hình dự đoán năng lượng."
Nhóm thừa nhận rằng cần phải thử nghiệm thêm và chương trình sẽ chỉ cải thiện khi được cung cấp thêm dữ liệu. Họ gợi ý rằng bước tiếp theo của nghiên cứu sẽ là tập trung vào các khu vực của thành phố có mức sử dụng năng lượng cao đã biết và thực hiện phân tích Shapely để phân biệt một số yếu tố có thể góp phần vào việc đó.
"Chúng tôi hy vọng điều này sẽ cung cấp tài nguyên cho các nhà nghiên cứu và hoạch định chính sách trong tương lai để họ không phải tìm kiếm phạm vi toàn thành phố Philadelphia mà có thể tập trung vào các khu vực lân cận và các biến số mà chúng tôi đã đánh dấu là các lĩnh vực có tầm quan trọng tiềm năng," Hoque nói . "Lý tưởng nhất là các nghiên cứu trong tương lai sẽ sử dụng các phương pháp dễ hiểu hơn để kiểm tra xem các tính năng này có thực sự tương ứng với ước tính năng lượng cao hơn hay thấp hơn trong một khu vực nhất định hay không."
