Bài viết này đề xuất một giải pháp áp dụng mạng nơron dự đoán theo chuỗi thời gian LSTM (Long short-term memory) cho việc dự đoán nhiệt độ trong tòa nhà. Tập dữ liệu của mô hình được thu thập trong thời gian dài thông qua Wemos D1 kết hợp cảm biến nhiệt độ LM35 và được lưu trữ trên Google Sheets. | Hội nghị Quốc gia lần thứ 24 về Điện tử Truyền thông và Công nghệ Thông tin REV-ECIT2021 Nghiên cứu ứng dụng mạng LSTM để dự đoán nhiệt độ cho hệ thống HVAC Võ Thiện Lĩnh1 Lê Mạnh Tuấn1 Lâm Quang Thái1 1 Phân Hiệu tại Thành phố Hồ Chí Minh Trường Đại học Giao thông vận tải 450 Lê Văn Việt Tăng Nhơn Phú A TP. Thủ Đức TP. Hồ Chí Minh Việt Nam Email linhvt_ph@ vtlinh@ lmtuan@ lqthai@ Abstract Các hệ thống điều khiển và giám sát trong thống HVAC được chia thành hai loại phương pháp các tòa nhà hiện đại tiêu thụ rất nhiều năng lượng điện thống kê và phương pháp dựa trên học sâu. Các đặc biệt là hệ thống kiểm soát nhiệt độ độ ẩm và chất phương pháp thống kê bao gồm phương pháp Monte lượng không khí - HVAC Heating-Ventilating-Air Carlo 2 hồi quy tuyến tính 3 và phương pháp hàm Conditioning . Các giải pháp tiết kiệm năng lượng cho mũ 4 hầu hết các phương pháp được sử dụng trong hệ thống HVAC là rất cần thiết và đang nhận được các bài báo trên là đơn giản và tuyến tính đồng thời nhiều sự quan tâm. Do đó việc dự đoán trước chính xác yêu cầu tính chính xác cao của dữ liệu gốc. Do đó khi các thông số nhiệt độ trong tòa nhà sẽ giúp kiểm soát áp dụng các phương pháp trên tính chính xác của dự nhiệt độ ổn định hơn và góp phần giảm năng lượng tiêu đoán không cao là điều khó tránh khỏi trong các tình hao cho hệ thống HVAC. Để điều khiển tối ưu hóa hệ thống HVAC bài báo này đề xuất một giải pháp áp huống phức tạp với lượng dữ liệu lớn. Tuy nhiên các dụng mạng nơron dự đoán theo chuỗi thời gian LSTM phương pháp dựa trên học sâu thì cho thấy độ chính Long short-term memory cho việc dự đoán nhiệt độ xác cao hơn rất nhiều do việc xấp xỉ phi tuyến giữa trong tòa nhà. Tập dữ liệu của mô hình được thu thập nhiệt độ và các thông số khác như thông số thời gian. trong thời gian dài thông qua Wemos D1 kết hợp cảm Các mạng nơron nhân tạo luôn hoạt động tốt hơn các biến nhiệt độ LM35 và được lưu trữ trên Google Sheets. mô hình tuyến tính cả về hiệu
