吳海員，劉永洲

（山東省青島市廣播電視臺(tái) 后勤保衛(wèi)部，山東 青島 266073）

1.研究背景

在當(dāng)今城市建筑體系中，暖通空調(diào)系統(tǒng)是不可或缺的公共設(shè)施之一。隨著生活水平的不斷提高，人們對(duì)于現(xiàn)代化建筑體系的熱舒適環(huán)境要求變得越來(lái)越高。進(jìn)入21世紀(jì)以來(lái)，人們的環(huán)保意識(shí)逐步提高，綠色節(jié)能和可持續(xù)發(fā)展理念被應(yīng)用到現(xiàn)代城市化進(jìn)程中?，F(xiàn)代建筑中暖通空調(diào)的能耗占到30%-55%甚至更高[1]。為了號(hào)召新時(shí)代節(jié)能環(huán)保的理念，因此降低暖通空調(diào)用電消耗量成為一個(gè)需要迫切解決的問(wèn)題。

暖通空調(diào)控制由簡(jiǎn)單控制方案、數(shù)字控制方案和邏輯編程控制方案發(fā)展到目前較為流行的基于神經(jīng)網(wǎng)絡(luò)的控制方案。由于傳統(tǒng)的控制方法無(wú)法同時(shí)兼顧非線性數(shù)據(jù)和數(shù)據(jù)時(shí)序性的特點(diǎn)，當(dāng)某項(xiàng)參數(shù)發(fā)生劇烈變化時(shí)，系統(tǒng)對(duì)暖通空調(diào)的控制作用會(huì)降低，一般只適用于小型暖通空調(diào)的節(jié)能控制。本文利用LSTM 神經(jīng)網(wǎng)絡(luò)建立了一種暖通空調(diào)能耗預(yù)測(cè)模型，首先，進(jìn)行預(yù)處理數(shù)據(jù)，包括處理異常數(shù)值、歸一化輸入數(shù)據(jù)、劃分?jǐn)?shù)據(jù)的訓(xùn)練集和測(cè)試集等；其次，構(gòu)建暖通空調(diào)系統(tǒng)的預(yù)測(cè)模型、調(diào)整LSTM結(jié)構(gòu)參數(shù)、優(yōu)化LSTM模型等；然后，對(duì)暖通空調(diào)系統(tǒng)的能耗進(jìn)行了建模仿真；最后，通過(guò)對(duì)能耗數(shù)據(jù)的預(yù)測(cè)和分析，獲得了更為精準(zhǔn)的預(yù)測(cè)數(shù)據(jù)結(jié)果[2-4]對(duì)暖通空調(diào)的運(yùn)行模式進(jìn)行調(diào)節(jié)，實(shí)現(xiàn)能源調(diào)配和建筑用能優(yōu)化。

2. 暖通空調(diào)模型建立

2.1 LSTM神經(jīng)網(wǎng)絡(luò)理論

圖 1 LSTM 神經(jīng)元結(jié)構(gòu)

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）中包含了一種特殊類(lèi)型的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，可以通過(guò)獲得的信息進(jìn)行長(zhǎng)期的學(xué)習(xí)。LSTM 神經(jīng)網(wǎng)絡(luò)的神經(jīng)元結(jié)構(gòu)如圖1所示，其中包含了3個(gè)門(mén)結(jié)構(gòu)，分別為輸入門(mén)、遺忘門(mén)、輸出門(mén)。在LSTM中，第一步在遺忘門(mén)中決定需要將細(xì)胞當(dāng)中那些信息進(jìn)行丟棄；第二步在輸入門(mén)中確定需要將哪些新信息放入細(xì)胞狀態(tài)中；第三步是確定將通過(guò)輸出門(mén)輸出的數(shù)值。

2.2 數(shù)據(jù)來(lái)源

為了實(shí)現(xiàn)降耗策略，在本系統(tǒng)中實(shí)驗(yàn)數(shù)據(jù)選自青島某樓宇控制系統(tǒng)，采樣數(shù)據(jù)的間隔時(shí)間為10min，機(jī)組數(shù)據(jù)變量如表1所示由2臺(tái)渦旋機(jī)組組成，采用定頻控制，氣象數(shù)據(jù)如表2所示。

表1 輸入數(shù)據(jù)

表2 氣象數(shù)據(jù)

2.3 數(shù)據(jù)處理

為了解決輸入數(shù)據(jù)指標(biāo)之間的可比性，采用最大－最小標(biāo)準(zhǔn)化方法：

其中，MaxA和MinA分別為屬性A的最大值和最小值。

結(jié)果誤差評(píng)價(jià)標(biāo)準(zhǔn)采用均方根誤差（Root Mean Square Error，RMSE）和平均絕對(duì)誤差（Mean Absolute Error，MAE）兩種評(píng)價(jià)標(biāo)準(zhǔn)，數(shù)值越小表示預(yù)測(cè)值與真實(shí)值相差越小。

其中，N表示預(yù)測(cè)實(shí)驗(yàn)的總個(gè)數(shù)；yi表示真實(shí)值；表示預(yù)測(cè)值。

3.預(yù)測(cè)流程設(shè)計(jì)與數(shù)據(jù)分析

3.1 預(yù)測(cè)流程設(shè)計(jì)

根據(jù)LSTM方法，設(shè)計(jì)暖通空調(diào)能耗預(yù)測(cè)流程圖，如圖2所示，對(duì)測(cè)試及數(shù)據(jù)進(jìn)行預(yù)測(cè)。

圖 2 能耗預(yù)測(cè)流程圖

3.2 預(yù)測(cè)結(jié)果分析

經(jīng)仿真得到能耗預(yù)測(cè)結(jié)果以及負(fù)荷預(yù)測(cè)誤差的對(duì)比：

表3 暖通空調(diào)系統(tǒng)的負(fù)荷誤差對(duì)比表

實(shí)驗(yàn)數(shù)據(jù)表明，較傳統(tǒng)的支持向量回歸（SVR）模型，本文所提出的LSTM神經(jīng)網(wǎng)絡(luò)系統(tǒng)所建立的模型的均方根誤差和平均絕對(duì)誤差值都較小，說(shuō)明LSTM神經(jīng)網(wǎng)絡(luò)模型更加符合實(shí)際模型，性能得到大幅提高。

4.結(jié)語(yǔ)

本文基于LSTM神經(jīng)網(wǎng)絡(luò)給出了一種暖通空調(diào)系統(tǒng)的能耗預(yù)測(cè)模型，并與傳統(tǒng)的模型進(jìn)行了對(duì)比，實(shí)驗(yàn)結(jié)果表明，由此模型得到的均方根誤差和平均絕對(duì)誤差值都較小，說(shuō)明本文提出的模型比傳統(tǒng)模型更加準(zhǔn)確，具有一定的應(yīng)用價(jià)值。