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)
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。
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。
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)
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。
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
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。
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。