尹鵬飛 李晉宏

（北方工業(yè)大學(xué)計(jì)算機(jī)學(xué)院知識(shí)工程研究所 北京 100144）

1 引言

隨著時(shí)代的飛速發(fā)展，世界各國(guó)經(jīng)濟(jì)實(shí)力不斷增強(qiáng)，越來(lái)越多的摩天高樓如雨后春筍般拔地而起，隨之而來(lái)的是樓宇的供能問(wèn)題。據(jù)研究調(diào)查顯示，在美國(guó)，商業(yè)和住宅建筑占其總能源使用量的40%［1］，而暖通空調(diào)所消耗的能量占整棟樓宇的50%。所以如何節(jié)能成為了各國(guó)都急需解決的問(wèn)題［2］。很多國(guó)內(nèi)外的機(jī)構(gòu)都開(kāi)始致力于節(jié)能控制的研究，國(guó)內(nèi)許琪［3］等在研究樓宇的自動(dòng)控制系統(tǒng)，還有馬漢曠［4］在研究樓宇空調(diào)的混合控制系統(tǒng)。國(guó)外的專家們也在進(jìn)行著節(jié)約能量和優(yōu)化控制策略的研究，Kelvin K.L.Wong［5］等基于一棟醫(yī)院大樓住院廳空氣流量的測(cè)量，在滿足室內(nèi)熱舒適性（溫度和風(fēng)速等）前提下提出了使用分層空調(diào)的設(shè)計(jì)理念。國(guó)外一個(gè)研究機(jī)構(gòu)做了一個(gè)調(diào)查［6］，探究室內(nèi)用戶的活動(dòng)和行為對(duì)節(jié)能潛力的影響，討論適當(dāng)?shù)幕顒?dòng)識(shí)別技術(shù)和方法，從而根據(jù)用戶活動(dòng)對(duì)節(jié)能建筑做出指導(dǎo)。

在此之前的關(guān)于樓宇空調(diào)的運(yùn)行方案都是偏向于控制的［7］，或是研究能耗的模型［8］，解釋模型中空調(diào)負(fù)荷與能耗估值之間的關(guān)聯(lián)，或是在能量管理方面去實(shí)時(shí)優(yōu)化控制系統(tǒng)，晉欣橋等基于系統(tǒng)的運(yùn)行特性、室內(nèi)熱舒適性和室內(nèi)空氣品質(zhì)，提出了一個(gè)系統(tǒng)的在線能量?jī)?yōu)化管理和控制方案［9］，采用了基于物理模型的在線仿真器來(lái)預(yù)測(cè)系統(tǒng)的響應(yīng)變化，以基因遺傳算法來(lái)優(yōu)化下位控制器的參數(shù)值，從而優(yōu)化系統(tǒng)控制。這些研究都是在探索怎么去控制一些設(shè)備，具體到某些水泵、開(kāi)關(guān)、機(jī)組、控制器等等，而本文將利用數(shù)據(jù)挖掘技術(shù)來(lái)對(duì)這些控制數(shù)據(jù)進(jìn)行處理分析，從數(shù)據(jù)本身出發(fā)，通過(guò)建模挖掘出數(shù)據(jù)的規(guī)律，得到最佳參考日和主要的控制參數(shù)，不涉及操作設(shè)備。

2 相關(guān)工作

2.1 最佳參考日

參考日，最簡(jiǎn)單的方法就是找歷史上情況最相近的一天，對(duì)于樓宇空調(diào)數(shù)據(jù)來(lái)說(shuō)，最相近的狀況就是天氣狀況相同的時(shí)候，天氣狀況相似才有可能產(chǎn)生類似的空調(diào)數(shù)據(jù)。歷史數(shù)據(jù)中天氣狀況都有記錄，而對(duì)于未來(lái)的某天想要求得參考日的話，本身只能提供當(dāng)天的天氣預(yù)報(bào)參數(shù)?？紤]通過(guò)計(jì)算距離來(lái)判斷歷史數(shù)據(jù)和待選日的相近程度，距離小，則表示這兩天的天氣狀況相似，反之，則不同。

首先，可以把歷史天氣狀況處理成一個(gè)能反應(yīng)當(dāng)天天氣狀況的向量，如：

（t（溫度），h（濕度），s（風(fēng)速），d（風(fēng)向），i（光照），r（輻射））

天氣預(yù)報(bào)的參數(shù)只有最高溫度、最低溫度、風(fēng)力、風(fēng)向、天氣現(xiàn)象這些值，也處理成一個(gè)向量，如：

（t_max（最高溫），t_min（最低溫），s（風(fēng)速），d（風(fēng)向），a（天氣現(xiàn)象））

這樣就生成了一種方案：通過(guò)計(jì)算天氣預(yù)報(bào)向量和各歷史天氣向量的距離，選出距離最小的歷史某天作為參考日。

距離計(jì)算方法最為經(jīng)典的就是K-means 聚類算法［10～11］，應(yīng)用廣泛，算法簡(jiǎn)單，直接計(jì)算距離來(lái)判定當(dāng)前點(diǎn)跟周圍點(diǎn)的相近程度。

還有一個(gè)也是基于距離計(jì)算分類的，經(jīng)典的KNN 算法，通過(guò)測(cè)量不同特征值之間的距離進(jìn)行分類，KNN應(yīng)用也很廣泛［12～13］。

基本思想：如果一個(gè)樣本在特征空間中的k 個(gè)最相似的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別。

K 通常是不大于20 的整數(shù)，在KNN 算法中，所選擇的鄰居都是已經(jīng)正確分類的對(duì)象，而此算法的結(jié)果很大程度取決于k的選擇。

在KNN 中，通過(guò)計(jì)算對(duì)象間距離來(lái)作為各個(gè)對(duì)象之間的非相似性指標(biāo)，一般使用歐式距離或曼哈頓距離。

2.2 控制參數(shù)

樓宇空調(diào)的調(diào)控要落實(shí)到調(diào)控?cái)?shù)據(jù)上，影響特征也比較多。因?yàn)榭刂茀?shù)具有時(shí)間序列特性，即當(dāng)前的運(yùn)行狀況受前一段時(shí)間控制情況的影響，所以應(yīng)建立時(shí)間序列模型。通過(guò)對(duì)某公司的暖通空調(diào)機(jī)房實(shí)地考察、試驗(yàn)，得到機(jī)房中最為重要的控制參數(shù)。

基于深度學(xué)習(xí)的RNN 模型，是一個(gè)隱層神經(jīng)單元循環(huán)鏈接的深度神經(jīng)網(wǎng)絡(luò)，其內(nèi)部的狀態(tài)可以很好的對(duì)動(dòng)態(tài)時(shí)序行為建模。RNN 應(yīng)用范圍很廣，有基于其時(shí)間序列特性的預(yù)測(cè)［14］，也有在語(yǔ)音識(shí)別方面的應(yīng)用［15］等等。

RNN 中，神經(jīng)元的輸出可以在下一個(gè)時(shí)間戳直接作用到自身，即第i層神經(jīng)元在m時(shí)刻的輸入，不僅有（i-1）層神經(jīng)元在該時(shí)刻的輸出外，還包括其自身在（m-1）時(shí)刻的輸出。將RNN 在時(shí)間上展開(kāi)，得到如圖1的結(jié)構(gòu)。

圖1 RNN展開(kāi)結(jié)構(gòu)

假設(shè)當(dāng)前時(shí)刻為t 時(shí)，輸入為xt，隱層狀態(tài)為st，st不僅和當(dāng)前時(shí)刻的輸入有關(guān)，也和上一個(gè)時(shí)刻的隱層狀態(tài)相關(guān)。一般使用函數(shù)為

其中f 為非線性函數(shù)，一般為logistic 或tanh，U 為輸入和隱含層之間的權(quán)值矩陣，W 為上一時(shí)刻隱含層和當(dāng)前時(shí)刻隱含層之間的權(quán)值矩陣，b 為偏置向量。

3 模型設(shè)計(jì)

3.1 最佳參考日模型

設(shè)計(jì)最佳參考日模型，但只基于天氣狀況找參考日，雖然考慮了最重要的天氣狀況，但是天氣是實(shí)時(shí)變化的，選出來(lái)的參考日有局限性，并不滿足實(shí)際的情況。

結(jié)合歷史的機(jī)房數(shù)據(jù)變化情況，可以對(duì)每天的機(jī)房運(yùn)行參數(shù)做一個(gè)評(píng)分排序，因?yàn)榫退闾鞖鉅顩r相同，但每天的具體運(yùn)行情況還是不一樣的。不能預(yù)測(cè)突變的狀況，所以應(yīng)考慮其是否在平穩(wěn)運(yùn)行，用方差來(lái)判定其運(yùn)行狀況。

最佳參考日模型設(shè)計(jì)步驟：

1）首先把歷史數(shù)據(jù)的氣象站數(shù)據(jù)處理成一個(gè)向量（t（溫度），h（濕度），s（風(fēng)速），d（風(fēng)向），i（光照），r（輻射））；

2）再把這個(gè)向量作為距離的度量進(jìn)行K-means 聚類，K-means 聚類方法也常用于處理用電數(shù)據(jù)分析［16］；

3）接著把要預(yù)測(cè)的未來(lái)天氣狀況也處理成一個(gè)向量（t_max（最高溫），t_min（最低溫），s（風(fēng)速），d（風(fēng)向），a（天氣現(xiàn)象））；

4）對(duì)天氣預(yù)報(bào)向量使用KNN 分類算法，看其屬于哪個(gè)聚類簇；

5）把該聚類簇中的所有歷史數(shù)據(jù)全部取出來(lái)，計(jì)算其機(jī)房各個(gè)參數(shù)的方差，同時(shí)給重要的控制參數(shù)分配較大的權(quán)重（供水溫度、回水溫度、瞬時(shí)流量、瞬時(shí)熱量、機(jī)組開(kāi)啟臺(tái)數(shù)、功率值），該天的評(píng)分值為各個(gè)機(jī)房參數(shù)得分之和；

6）根據(jù)評(píng)分倒序排序，最小得分的說(shuō)明其運(yùn)行狀況比較平穩(wěn)，取其最小得分的那天即為最佳參考日。

3.2 深度學(xué)習(xí)預(yù)測(cè)模型

選用基于深度學(xué)習(xí)的RNN 預(yù)測(cè)模型，RNN 由于其特性，所以應(yīng)用也很廣泛，如應(yīng)用于氣象數(shù)據(jù)預(yù)測(cè)［17］，當(dāng)然也有其應(yīng)用最廣的語(yǔ)音識(shí)別研究等［18］。

預(yù)測(cè)模型設(shè)計(jì)步驟：

1）由于特征較多，采用PCA 降維，將一些不重要的特征省去；

2）將歷史的機(jī)房數(shù)據(jù)、氣象數(shù)據(jù)、室內(nèi)數(shù)據(jù)處理成時(shí)序向量；

3）將歷史數(shù)據(jù)的3/5 進(jìn)行RNN 建模訓(xùn)練，1/5用作交叉驗(yàn)證集，1/5 用作測(cè)試集，輸入數(shù)據(jù)為機(jī)房、氣象、室內(nèi)三類向量，輸出為相對(duì)應(yīng)時(shí)刻的后20min的機(jī)房調(diào)控?cái)?shù)據(jù)；

4）實(shí)際訓(xùn)練模型中有可能存在過(guò)擬合問(wèn)題，采用Dropout 方法來(lái)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行正則化，隨機(jī)隱去隱層中某些神經(jīng)元及其權(quán)重鏈接，限制模型的更新，本文Dropout定為0.1；

5）測(cè)試時(shí)，輸入前一個(gè)時(shí)間段的機(jī)房、氣象、室內(nèi)向量，輸出為接下來(lái)20min 的機(jī)房控制參數(shù)，用RMSE和MAE評(píng)價(jià)預(yù)測(cè)結(jié)果。

4 實(shí)驗(yàn)分析

數(shù)據(jù)集選用的是某公司的站點(diǎn)數(shù)據(jù)，數(shù)據(jù)來(lái)源是某地的樓宇空調(diào)運(yùn)行數(shù)據(jù)。數(shù)據(jù)包括氣象站數(shù)據(jù)、室內(nèi)溫度數(shù)據(jù)、機(jī)房數(shù)據(jù)，數(shù)據(jù)均是每五分鐘采集一次，從2016年7月1日至2016年9月30日。

原始數(shù)據(jù)如表1～3所示（部分）。

表1 氣象站數(shù)據(jù)

表2 室內(nèi)溫度數(shù)據(jù)

表3 機(jī)房數(shù)據(jù)

最佳參考日模型預(yù)測(cè)結(jié)果展示：

如天氣預(yù)報(bào)向量為F（32，22，1，5（風(fēng)向），12（表示一種天氣現(xiàn)象）），通過(guò)K-means 聚類后再KNN 分類，這個(gè)天氣預(yù)報(bào)向量屬于第6 類，共包含23 個(gè)歷史天氣數(shù)據(jù)點(diǎn)，對(duì)其機(jī)房數(shù)據(jù)進(jìn)行評(píng)分，按評(píng)分從低到高排序（分值越低說(shuō)明越穩(wěn)定），如圖2。

圖2 評(píng)分排序表

由上圖可以得出，對(duì)于天氣預(yù)報(bào)向量F 來(lái)說(shuō)，最佳參考日為8 月15 日，當(dāng)天的天氣狀況為小雨，機(jī)房的運(yùn)行狀況比較平穩(wěn)，可以把當(dāng)天的運(yùn)行參數(shù)作為最佳的參考數(shù)值。

深度學(xué)習(xí)預(yù)測(cè)模型評(píng)價(jià)指標(biāo)：因研究的是回歸類的問(wèn)題（預(yù)測(cè)下一個(gè)時(shí)間段的控制參數(shù)實(shí)數(shù)值），所以評(píng)價(jià)指標(biāo)使用RMSE、MAE，RMSE 和MAE 的計(jì)算公式如下：

預(yù)測(cè)結(jié)果真實(shí)控制數(shù)據(jù)和預(yù)測(cè)控制數(shù)據(jù)對(duì)比如圖3。

圖3 預(yù)測(cè)參數(shù)的對(duì)比

第一組是供水溫度，第二組是回水溫度，第三組是瞬時(shí)熱量，第四組是瞬時(shí)流量，第五組是功率，第六組是機(jī)組運(yùn)行數(shù)量。由上圖可以看出，模型預(yù)測(cè)的參數(shù)與真實(shí)值相差較小，說(shuō)明模型構(gòu)建的較好，可以更加精確地預(yù)測(cè)未來(lái)某段時(shí)間的重要控制參數(shù)。

5 結(jié)語(yǔ)

本文構(gòu)建了基于距離的最佳參考日模型和基于深度學(xué)習(xí)的控制參數(shù)預(yù)測(cè)模型，最佳參考日模型通過(guò)對(duì)一類中的待選參考日進(jìn)行評(píng)分排序，得到了更加接近實(shí)際狀況的參考日，對(duì)未來(lái)的運(yùn)行情況有一個(gè)更好的參照標(biāo)準(zhǔn)；基于深度學(xué)習(xí)的控制參數(shù)預(yù)測(cè)模型通過(guò)對(duì)歷史數(shù)據(jù)使用RNN 建模，能夠較精確地得到接下來(lái)某個(gè)時(shí)間段的主要控制參數(shù)，對(duì)未來(lái)的運(yùn)行狀況能夠提供決策作用，通過(guò)與實(shí)際的運(yùn)行參數(shù)相比較，證明預(yù)測(cè)得到的運(yùn)行參數(shù)與真實(shí)狀況相近，這樣，既能得到整天的宏觀參考日，又能得到某個(gè)時(shí)間段的微觀控制參數(shù)，對(duì)樓宇空調(diào)有重要的決策意義。