吳海員 劉永洲

(山東省青島市廣播電視臺 后勤保衛(wèi)部，山東 青島266073)

1 概述

我國經(jīng)濟的發(fā)展越來越好，也造成工業(yè)能耗、交通能耗和建筑能耗等等組成的社會總能耗量持續(xù)增長，尤其近10 年來大量的樓宇建筑拔地而起，建筑能耗占據(jù)總能耗的比例在不斷變大[1]，因此降低建筑能耗對于緩解我國的能源緊張問題非常重要。建筑能耗主要包括空調(diào)、暖通、配電等等，目前建筑主要都采用了能耗管理系統(tǒng)比如配電監(jiān)控系統(tǒng)、中央空調(diào)調(diào)節(jié)系統(tǒng)等，這些系統(tǒng)在運行過程中，產(chǎn)生了海量的運行數(shù)據(jù)，這些數(shù)據(jù)中包含了建筑的能耗情況，如何利用海量的數(shù)據(jù)，從中挖掘出有用的信息，對建筑的能耗進行預(yù)測，指導(dǎo)建筑中空調(diào)、暖通、配電等監(jiān)控系統(tǒng)的運行模式，對建筑中的能源進行合理的調(diào)度與分配，從而達(dá)到降低建筑能耗的目的。傳統(tǒng)的方法比如BP 神經(jīng)網(wǎng)絡(luò)、多元線性回歸、支持向量機等小量數(shù)據(jù)有較好的分析處理效果，但對建筑能耗中存在的含有噪聲、時序性、非線性以及耦合等特性的數(shù)據(jù)并不具備良好處理能力。而深度學(xué)習(xí)中的LSTM 方法具有良好的數(shù)據(jù)處理性能，能夠解決建筑能耗數(shù)據(jù)中的上述各類問題[2]。因此，本文采用深度學(xué)習(xí)方法來建立建筑能耗的LSTM 網(wǎng)絡(luò)預(yù)測模型，通過挖掘空調(diào)、暖通、配電等監(jiān)控系統(tǒng)中的歷史能耗數(shù)據(jù)，從中獲取有價值的信息，更好的實現(xiàn)建筑能源調(diào)配和建筑用能優(yōu)化，實現(xiàn)建筑綠色節(jié)能。

2 建筑能耗預(yù)測方法

2.1 基本原理

圖1 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)示意圖

LSTM 神經(jīng)網(wǎng)絡(luò)是一種近年來被廣泛應(yīng)用的代表了長、短期記憶的特殊遞歸神經(jīng)網(wǎng)絡(luò)。它的核心是由遺忘門、輸入門和輸出門這三種類型的“門”結(jié)構(gòu)和組成細(xì)胞狀態(tài)構(gòu)成。它的獨特的設(shè)計結(jié)構(gòu)，使其更加適合于處理和預(yù)測時間序列中間隔和延遲非常長的事件，因此有一定的記憶功能，其網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1 所示。

其中，各個“門”結(jié)構(gòu)如下：

2.2 數(shù)據(jù)處理

對建筑能耗中各類不同量綱的數(shù)據(jù)進行預(yù)處理是首要環(huán)節(jié)，海量的數(shù)據(jù)中存在壓力、溫度、電壓、電流、流量等各種類型的數(shù)據(jù)，而且其中數(shù)據(jù)存在著大量異常，甚至受到各類環(huán)境的影響。因此需要對其進行歸一化處理，使其不受各類量綱的影響。本文采用最大最小歸一化方法[4]，如下式：

其中，Amin和Amax分別是屬性A 的最小值和最大值，最大最小歸一化是將A 的每一個原始值x 通過線性化的方法變換為區(qū)間[0，1]的值xnom。

結(jié)果誤差評價標(biāo)準(zhǔn)采用平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）作為評價標(biāo)準(zhǔn)，如下式：

2.3 系統(tǒng)模型建立與訓(xùn)練

選取原始數(shù)據(jù)，完成數(shù)據(jù)預(yù)處理后，將數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)用于訓(xùn)練模型，系統(tǒng)訓(xùn)練流程圖如圖2 所示。

圖2 系統(tǒng)訓(xùn)練流程圖

2.4 實驗數(shù)據(jù)來源

為了實現(xiàn)降耗策略，在本系統(tǒng)中，實驗數(shù)據(jù)選自2020 年3月2 日北方某城市建筑的能耗系統(tǒng)，從當(dāng)?shù)貢r間8 時起，采樣數(shù)據(jù)間隔時間1h，連續(xù)采集5 小時作為實驗數(shù)據(jù)，如表1 所示。

2.5 結(jié)果數(shù)據(jù)分析

BP 神經(jīng)網(wǎng)絡(luò)算法比較結(jié)果見表2。

實驗數(shù)據(jù)表明，與傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)算法比較，LSTM 神經(jīng)網(wǎng)絡(luò)算法的平均絕對百分比誤差和最大相對誤差都較小，說明LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測模型精度較高，預(yù)測結(jié)果較好。

結(jié)束語

針對建筑系統(tǒng)節(jié)能降耗的問題，通過對傳統(tǒng)模型的分析，結(jié)合深度學(xué)習(xí)控制算法，建立了一種基于LSTM 神經(jīng)網(wǎng)絡(luò)的建筑能耗預(yù)測模型，經(jīng)數(shù)據(jù)訓(xùn)練和驗證實驗表明，本文提出的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型的精度比傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)高，可以獲得更準(zhǔn)確的預(yù)測結(jié)果。

表1 實驗數(shù)據(jù)

表2 與BP 神經(jīng)網(wǎng)絡(luò)算法比較