蘇 運(yùn) 田英杰 郭乃網(wǎng) 徐東輝 龐 悅 周向東

1(國(guó)網(wǎng)上海市電力公司電力科學(xué)研究院 上海 200437)2(復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院 上海 200433)

0 引 言

建筑用電能耗占全球總體耗能的40%，而且這個(gè)比例還在持續(xù)增加，特別是在發(fā)展中國(guó)家。準(zhǔn)確預(yù)測(cè)建筑物的用電能耗對(duì)于在建筑物運(yùn)營(yíng)期間優(yōu)化能源使用設(shè)備的運(yùn)行至關(guān)重要[1-3]。一旦了解建筑物內(nèi)能源消耗的情況，就可以制定適當(dāng)?shù)墓?jié)能策略。例如，通過(guò)能耗預(yù)測(cè)可以獲得樓宇用戶在一定時(shí)段內(nèi)的用電行為，從而設(shè)置加熱或制冷設(shè)備的使用時(shí)間，對(duì)高峰時(shí)段的需求進(jìn)行合理的分配。

近幾年，越來(lái)越多學(xué)者開(kāi)始重視和研究商業(yè)樓宇負(fù)荷用電預(yù)測(cè)。商業(yè)樓宇的用電消耗與氣候和建筑信息等外部影響因素具有一定的相關(guān)性[4-5]。最近的研究工作表明在這些因素中，由于樓宇中人流量與耗能設(shè)備相互作用，人流數(shù)據(jù)對(duì)能耗預(yù)測(cè)具有較大的影響[6-7]。安裝在樓宇內(nèi)的智能監(jiān)控系統(tǒng)能夠采集獲取人流數(shù)據(jù)，并且已經(jīng)投入到建筑能耗預(yù)測(cè)模型的構(gòu)建中。研究發(fā)現(xiàn)，結(jié)合建筑人流數(shù)據(jù)可以改善建筑能耗預(yù)測(cè)性能，但是現(xiàn)有模型未能充分利用建筑的人流數(shù)據(jù)。

下面我們基于真實(shí)數(shù)據(jù)來(lái)研究電力數(shù)據(jù)和人流數(shù)據(jù)的關(guān)系。考慮到用電量和移動(dòng)數(shù)據(jù)的量綱不同，我們首先對(duì)其分別做歸一化。圖1是某商業(yè)寫字樓的總體負(fù)荷用電量的時(shí)間序列和對(duì)應(yīng)的寫字樓內(nèi)移動(dòng)人數(shù)時(shí)間序列的曲線對(duì)比。

從圖1可知，該建筑的負(fù)荷用電(實(shí)線)和移動(dòng)人員數(shù)據(jù)(虛線)存在一定的正相關(guān)性。隨著時(shí)間推移，當(dāng)寫字樓內(nèi)移動(dòng)人數(shù)增加時(shí)，該建筑的用電量也存在上升現(xiàn)象?？梢越忉尀楫?dāng)建筑內(nèi)的人數(shù)增加，單位空間內(nèi)的能耗隨之升高,表現(xiàn)為用電負(fù)荷的提高。

根據(jù)這種耦合現(xiàn)象，本文提出一種基于移動(dòng)人流數(shù)據(jù)的商業(yè)樓宇負(fù)荷用電預(yù)測(cè)方法LMO(Linear model with occupancy data)。該方法不僅考慮了樓宇的歷史用電數(shù)據(jù)，還同時(shí)考慮時(shí)間、天氣以及移動(dòng)人流數(shù)據(jù)，與傳統(tǒng)方法相比，特別是增加了對(duì)建筑內(nèi)部人員變化因素的利用。實(shí)驗(yàn)結(jié)果表明，我們提出的LMO方法能夠利用過(guò)去時(shí)刻的移動(dòng)人流和電力數(shù)據(jù)的耦合性來(lái)指導(dǎo)對(duì)未來(lái)時(shí)刻的電力時(shí)間序列的預(yù)測(cè)，由于引入更多的先驗(yàn)和耦合信息，減少了問(wèn)題的不確定性。因此，相比于傳統(tǒng)方法，本文提出的預(yù)測(cè)方法具有更高的預(yù)測(cè)精度。

1 相關(guān)工作

針對(duì)商業(yè)樓宇負(fù)荷用電預(yù)測(cè)的問(wèn)題，已經(jīng)有許多學(xué)者提出了各種預(yù)測(cè)模型。研究認(rèn)為樓宇用電能耗除了受到氣溫、降雨量和節(jié)假日等因素的影響，還會(huì)受到與使用者的多少，即內(nèi)部人員等相關(guān)因素的影響[8]。隨著采集設(shè)備的更新?lián)Q代，目前已經(jīng)可以較為容易地獲得樓宇建筑內(nèi)的人員移動(dòng)的情況。因此，通過(guò)這些新的數(shù)據(jù)，可以對(duì)樓宇用戶行為特征進(jìn)行研究，進(jìn)而分析獲得移動(dòng)人流數(shù)據(jù)對(duì)于建筑的能源消耗的影響。

在已知的用電預(yù)測(cè)研究中，氣象、溫度等外部影響用能的因素獲得了高度的關(guān)注，如Kwoket等[9-10]使用了多層感知機(jī)(MLP)作為模型的預(yù)測(cè)框架，將溫度、降雨量和風(fēng)速等多個(gè)外因輸入到人工神經(jīng)網(wǎng)絡(luò)ANN(Artificial neural networks)的輸入層，最后輸出層的數(shù)值作為將來(lái)時(shí)刻的用電能耗。方濤濤等[11]提出的基于BP-Adaboost算法進(jìn)行建筑用電預(yù)測(cè)。 Li等[12]首先采用粒子群優(yōu)化iPSO(Particle swarm optimization)算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)，然后采用主成分分析方法進(jìn)行特征選擇以及簡(jiǎn)化預(yù)測(cè)模式。Sandels等[13]先對(duì)數(shù)據(jù)進(jìn)行相關(guān)性分析對(duì)特征篩選，然后采用逐步回歸函數(shù)進(jìn)行數(shù)據(jù)擬合。Wang等[14]基于蒙特卡羅模擬和馬爾可夫鏈模型來(lái)構(gòu)建室內(nèi)人流數(shù)據(jù)和設(shè)備耗能之間的函數(shù)關(guān)系。

勞倫斯伯克利國(guó)家實(shí)驗(yàn)室模型(LBNL)[15]模型是一種考慮了室外溫度和時(shí)間兩種外因的線性回歸模型，它通過(guò)分段策略從原始數(shù)據(jù)提取出對(duì)應(yīng)的特征表達(dá)。基于LBNL，Liang等[16]提出結(jié)合移動(dòng)數(shù)據(jù)的用電預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明，雖然移動(dòng)數(shù)據(jù)有助于提高樓宇負(fù)荷總體用電預(yù)測(cè)，但未能明顯地提高模型的預(yù)測(cè)能力。雖然建筑內(nèi)部移動(dòng)人員的數(shù)量和負(fù)荷用電數(shù)據(jù)存在一定相關(guān)性，但是不同用戶用電行為的差異性會(huì)降低相關(guān)性。對(duì)此，Song等[17]利用建筑內(nèi)部人員數(shù)據(jù)的多樣性信息來(lái)構(gòu)建出一種新的負(fù)荷預(yù)測(cè)模型，實(shí)驗(yàn)表明新模型僅僅利用少量的歷史數(shù)據(jù)就可以達(dá)到較高的預(yù)測(cè)精度。Wang等[18]提出了一種集成學(xué)習(xí)方法EBT(Ensemble Bagging Tree)，融合了氣象數(shù)據(jù)、樓宇移動(dòng)人流和智能電表數(shù)據(jù)進(jìn)行電力負(fù)荷預(yù)測(cè)，比較傳統(tǒng)方法的預(yù)測(cè)精度提高1.66%，同時(shí)，提高了40%的計(jì)算效率。

本文利用移動(dòng)人流數(shù)據(jù)與電力負(fù)荷數(shù)據(jù)之間的耦合性，結(jié)合移動(dòng)人流因素建立LMO商業(yè)樓宇用電預(yù)測(cè)模型，相較于傳統(tǒng)方法提高了商業(yè)樓宇用電預(yù)測(cè)精度。

2 預(yù)測(cè)模型設(shè)計(jì)

2.1 線性模型

已知某商業(yè)樓宇的n個(gè)時(shí)刻的歷史用電時(shí)間序列X,以及n個(gè)時(shí)刻對(duì)應(yīng)的歷史移動(dòng)人流時(shí)間序列P：

X=(x1,x2,…,xn)∈Rn

(1)

P=(p1,p2,…,pn)∈Rn

(2)

本文研究的問(wèn)題是：給定上述歷史電力時(shí)間序列X和移動(dòng)人流時(shí)間序列P，移動(dòng)人流時(shí)間序列對(duì)預(yù)測(cè)該樓宇未來(lái)一段時(shí)間內(nèi)的電力負(fù)荷時(shí)間序列的影響，其中要預(yù)測(cè)的未來(lái)m個(gè)時(shí)刻的電力值表示為：

Y=(y1,y2,…,ym)∈Rm

(3)

這一問(wèn)題的本質(zhì)是：針對(duì)某個(gè)樓宇，不考慮人流因素，從X到Y(jié)的映射f1:Rn→Rm與結(jié)合移動(dòng)人流因素，從(X,P)到Y(jié)的映射f2:(Rn,Rn)→Rm比較，通過(guò)預(yù)測(cè)精度的評(píng)價(jià)指標(biāo)(例如，均方誤差的偏離系數(shù)CVRMSE、均方根誤差RMSE、平均絕對(duì)百分比誤差MAPE等) 的對(duì)比，研究出移動(dòng)人流因素對(duì)電力負(fù)荷預(yù)測(cè)的影響。

我們采用根據(jù)歷史電力負(fù)荷預(yù)測(cè)未來(lái)電力負(fù)荷值的線性模型作為基準(zhǔn)預(yù)測(cè)模型，在線性模型的基礎(chǔ)上將移動(dòng)人流因素引入后根據(jù)歷史電力負(fù)荷與預(yù)測(cè)時(shí)刻的人流量進(jìn)行電力負(fù)荷預(yù)測(cè)，經(jīng)實(shí)驗(yàn)驗(yàn)證，引入人流因素后的電力預(yù)測(cè)模型具有更高的預(yù)測(cè)準(zhǔn)確度。

線性模型LM(Linear Model)是預(yù)測(cè)模型中常用而有效的基準(zhǔn)預(yù)測(cè)模型。因此采用線性模型作為基礎(chǔ)對(duì)照模型往往具有普遍參考意義。

對(duì)任意t時(shí)刻的預(yù)測(cè)值可表示為：

(4)

式中：T是歷史窗口大小(即考慮歷史點(diǎn)的個(gè)數(shù))，xt-i為歷史負(fù)荷。訓(xùn)練模型學(xué)習(xí)給定歷史窗口T下αi的值進(jìn)而預(yù)測(cè)t時(shí)刻的電力負(fù)荷。訓(xùn)練模型損失函數(shù)是均方根誤差RMSE:

(5)

式中：p是訓(xùn)練時(shí)數(shù)據(jù)樣本數(shù)。

2.2 基于移動(dòng)人流的商業(yè)用電預(yù)測(cè)模型

為驗(yàn)證移動(dòng)人流因素和電力負(fù)荷值存在正相關(guān)性的假設(shè)，我們以圖1所示數(shù)據(jù)為例計(jì)算了移動(dòng)人流時(shí)間序列與電力負(fù)荷時(shí)間序列之間的相關(guān)系數(shù)，計(jì)算結(jié)果為0.88，表明二者之間存在較強(qiáng)的正相關(guān)性。因此本文方法通過(guò)在預(yù)測(cè)模型中考慮移動(dòng)人流數(shù)據(jù)來(lái)提高預(yù)測(cè)能力：我們?cè)诰€性基準(zhǔn)預(yù)測(cè)模型下引入移動(dòng)人流因素進(jìn)行預(yù)測(cè)。預(yù)測(cè)電力值可表示為式(4)中根據(jù)歷史電力值的用電預(yù)測(cè)值與根據(jù)目標(biāo)時(shí)刻移動(dòng)人流的用電預(yù)測(cè)的線性和構(gòu)成。

基于人流因素的電力負(fù)荷預(yù)測(cè)模型如圖2所示。

受到LBNL預(yù)測(cè)模型的啟發(fā)，我們?cè)陬A(yù)測(cè)模型中將移動(dòng)人流量做分段化處理：根據(jù)數(shù)據(jù)集中人流量的最大值與最小值計(jì)算出人流量取值范圍并將其分為N個(gè)等值區(qū)間，記任意一區(qū)間為[Si,flr，Si,up),1≤i≤N。對(duì)某時(shí)刻相應(yīng)的移動(dòng)人流量pt，將其轉(zhuǎn)化為分到N個(gè)等值區(qū)間大小內(nèi)的分量值，由各分量值構(gòu)建人流特征向量[pt,1+pt,2+…+pt,N]，且pt=pt,1+pt,2+…+pt,N。其中任意一段分量值pt,i的計(jì)算方法如下：

(6)

將分段化處理后的移動(dòng)人流因素引入預(yù)測(cè)模型，建立移動(dòng)人流因素預(yù)測(cè)用電分量如下：

(7)

結(jié)合目標(biāo)時(shí)刻基于移動(dòng)人流因素的用電預(yù)測(cè)分量與根據(jù)歷史電力值的用電預(yù)測(cè)分量，本文提出的LMO用電預(yù)測(cè)模型在任意一點(diǎn)的yt預(yù)測(cè)值可表示為：

(8)

訓(xùn)練模型學(xué)習(xí)給定歷史窗口T和分段數(shù)N下各αi和βk的值預(yù)測(cè)t時(shí)刻的電力負(fù)荷并與基準(zhǔn)測(cè)預(yù)測(cè)模型在各項(xiàng)預(yù)測(cè)精度評(píng)價(jià)指標(biāo)上進(jìn)行對(duì)比。訓(xùn)練模型損失函數(shù)同樣是均方根誤差RMSE:

(9)

式中：q是訓(xùn)練時(shí)數(shù)據(jù)樣本數(shù)。

3 實(shí) 驗(yàn)

(1) 實(shí)驗(yàn)數(shù)據(jù) 實(shí)驗(yàn)使用的數(shù)據(jù)集來(lái)自國(guó)家電網(wǎng)電力公司。這一項(xiàng)目旨在研究移動(dòng)人流因素對(duì)電力負(fù)荷預(yù)測(cè)的影響。我們選取了不同類型的商業(yè)樓宇包括辦公寫字樓、綜合商業(yè)樓和酒店樓宇進(jìn)行電力負(fù)荷預(yù)測(cè)。電力時(shí)間序列和移動(dòng)人流時(shí)間序列相關(guān)情況見(jiàn)表1。其中數(shù)據(jù)的采樣率為96點(diǎn)/天，表中序列采樣自2017年12月至2018年4月期間。

(2) 移動(dòng)人流因素對(duì)比實(shí)驗(yàn) 為研究移動(dòng)人流因素對(duì)電力負(fù)荷預(yù)測(cè)的影響，在相同參數(shù)下分別對(duì)不同類型的商業(yè)樓宇使用基準(zhǔn)預(yù)測(cè)模型與引入人流因素后的預(yù)測(cè)模型進(jìn)行對(duì)比實(shí)驗(yàn)。評(píng)價(jià)指標(biāo)綜合了平均絕對(duì)百分誤差MAPE、均方根誤差RMSE、MAE與CVRMSE。

(10)

(11)

(12)

(13)

對(duì)實(shí)驗(yàn)中嘉麒大廈和華寧國(guó)際廣場(chǎng)數(shù)據(jù)集用前76天做訓(xùn)練集，76～83天為驗(yàn)證集，84～91天為測(cè)試集。虹橋萬(wàn)豪酒店用第67～74天為訓(xùn)練集，75～82天為驗(yàn)證集，83～90天預(yù)測(cè)為測(cè)試集，目標(biāo)均為預(yù)測(cè)一周672點(diǎn)電力值。

其各項(xiàng)評(píng)價(jià)指標(biāo)對(duì)比結(jié)果如表2所示。從表2中可以看出，LMO模型在MAPE等各項(xiàng)預(yù)測(cè)精度評(píng)估指標(biāo)中均優(yōu)于LM模型，引入人流因素進(jìn)行預(yù)測(cè)顯著提高了預(yù)測(cè)精度。

表2 引入人流因素前后的預(yù)測(cè)精度對(duì)比

續(xù)表2

圖3至圖5更加直觀地展示了引入移動(dòng)人流因素前后對(duì)電力時(shí)間序列預(yù)測(cè)的影響。其中橫向坐標(biāo)軸為時(shí)刻，縱向坐標(biāo)軸為時(shí)刻所對(duì)應(yīng)的電力值大小。圖中結(jié)果均取自各樓宇實(shí)驗(yàn)的測(cè)試集。

(a) LM(b) LMO圖3 辦公樓實(shí)驗(yàn)對(duì)比

(a) LM(b) LMO圖4 綜合樓實(shí)驗(yàn)對(duì)比

(a) LM(b) LMO圖5 酒店樓實(shí)驗(yàn)對(duì)比

(3) 引入移動(dòng)人流的用電負(fù)荷預(yù)測(cè) 結(jié)合上述圖表可以看出，引入人流后辦公樓的預(yù)測(cè)準(zhǔn)確度提升了9.97%，綜合樓預(yù)測(cè)準(zhǔn)確度提升了6.62%，酒店樓的預(yù)測(cè)準(zhǔn)確度提升了6.27%，引入人流因素后的預(yù)測(cè)模型在各項(xiàng)預(yù)測(cè)精度指標(biāo)上都有提升。實(shí)驗(yàn)結(jié)果表明了移動(dòng)人流因素與電力負(fù)荷值是一種正相關(guān)關(guān)系，并且二者之間的聯(lián)系可以在線性預(yù)測(cè)模型中體現(xiàn)出來(lái)。

4 結(jié) 語(yǔ)

本文提出一種融合移動(dòng)人流數(shù)據(jù)的多維時(shí)間序列預(yù)測(cè)模型，首次將移動(dòng)人流因素引入進(jìn)行耦合性輔助預(yù)測(cè)，在商業(yè)樓宇數(shù)據(jù)集上提升了用電量預(yù)測(cè)的準(zhǔn)確性。根據(jù)移動(dòng)人流數(shù)量為模型引入更多的先驗(yàn)知識(shí)，提高模型的魯棒性。實(shí)驗(yàn)結(jié)果表明，LMO能夠充分利用外部因素來(lái)保證樓宇用電預(yù)測(cè)的準(zhǔn)確性。因此，相比于傳統(tǒng)方法，本文提出的預(yù)測(cè)方法具有更高的預(yù)測(cè)精度。