鄧翔 陳文景 鄧仕鈞

1 深圳達(dá)實(shí)智能股份有限公司

2 華南理工大學(xué)自動(dòng)化科學(xué)與工程學(xué)院

3 清華大學(xué)建筑學(xué)院

0 前言

中央空調(diào)系統(tǒng)為人們帶來舒適的室內(nèi)環(huán)境同時(shí)也消耗著巨大的電能。由于室外天氣、室內(nèi)得熱量等因素的變化會(huì)使空調(diào)冷負(fù)荷需求也不斷改變。這時(shí)需要通過改變冷水機(jī)組的運(yùn)行策略進(jìn)行，滿足冷負(fù)荷需求同時(shí)保持冷水機(jī)組的高效率運(yùn)行。由于空調(diào)系統(tǒng)的高延遲、大滯后性特點(diǎn)[1]，僅依靠負(fù)反饋調(diào)節(jié)的空調(diào)系統(tǒng)可能無法保證室內(nèi)熱舒適性和冷水機(jī)組節(jié)能運(yùn)行。因此本文旨在研究通過負(fù)荷預(yù)測模型得到下一時(shí)刻的負(fù)荷預(yù)測值，從而幫助空調(diào)冷水機(jī)組實(shí)現(xiàn)預(yù)調(diào)節(jié)。

目前關(guān)于空調(diào)負(fù)荷預(yù)測預(yù)測的方法主要可以分為兩類[2]：

1）基于數(shù)學(xué)統(tǒng)計(jì)分析的方法，如自回歸積分滑動(dòng)平均模型（Autoregressive Moving Average，ARMA）、多元線性回歸（Multiple Linear Regressions，MLR）等。這些方法考慮了數(shù)據(jù)的時(shí)序性關(guān)系，然而對非線性關(guān)系數(shù)據(jù)的預(yù)測精度不足。

2）基于人工智能的算法，如BP 神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林（Random Forest，RF）、支持向量機(jī)（Support Vector Machine，SVM）等。這些方法解決了數(shù)據(jù)的非線性問題然而卻缺少對時(shí)序數(shù)據(jù)時(shí)間相關(guān)性的考慮。

空調(diào)負(fù)荷預(yù)測受很多因素的影響，難以建立直觀地線性預(yù)測模型了，同時(shí)空調(diào)負(fù)荷具有較強(qiáng)的時(shí)序性。因此，為解決空調(diào)負(fù)荷預(yù)測中數(shù)據(jù)非線性和時(shí)序性的問題，本文采用基于深度學(xué)習(xí)LSTM 學(xué)習(xí)模型[3]對短期空調(diào)負(fù)荷進(jìn)行預(yù)測。

1 基于LSTM 方法的短期空調(diào)負(fù)荷模型

長短期記憶網(wǎng)絡(luò)（Long-short Term Memory，LSTM）是基于循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）[4]改進(jìn)的一種算法。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中，所有的輸入（包括輸出）之間是相互獨(dú)立的。與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)不同，RNN 通過周期性地連接隱層節(jié)點(diǎn)，利用在序列數(shù)據(jù)中上一時(shí)刻保存的記錄歷史信息用于當(dāng)前輸出的計(jì)算。一個(gè)典型的RNN 網(wǎng)絡(luò)結(jié)構(gòu)展開后如圖1 所示，x(t)表示t 時(shí)刻的輸入，為t 時(shí)刻的隱藏層狀態(tài)，O(t)是t 時(shí)刻的輸出。

圖1 RNN 結(jié)構(gòu)

由圖1 可知，不同于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，隱藏層的輸入有兩個(gè)，即當(dāng)前時(shí)刻的輸入x(t)和上一個(gè)隱藏層的輸出s(t-1)。W 表示輸入的權(quán)重，U 表示此刻輸入的樣本的權(quán)重，V 表示輸出的樣本權(quán)重。故有：

雖然RNN 解決了輸入信息前后關(guān)聯(lián)的問題，但是當(dāng)先前信息和當(dāng)前任務(wù)之間的時(shí)間間隔不斷增大時(shí)，循環(huán)神經(jīng)網(wǎng)絡(luò)會(huì)喪失學(xué)習(xí)過去較久遠(yuǎn)信息的能力。因此本文計(jì)劃采用基于RNN 改進(jìn)算法，即LSTM神經(jīng)網(wǎng)絡(luò)模型，來解決上述梯度消失的問題。

LSTM 的計(jì)算節(jié)點(diǎn)由輸入門（Input gate）、輸出門（Output gate）、遺忘門（Forget gate）三個(gè)門組成，用以記錄當(dāng)前時(shí)刻狀態(tài)。三個(gè)門是從塊的內(nèi)部與外部接收激勵(lì)的非線性求和單元，并通過乘法（圖2 中的黑色圓點(diǎn)）計(jì)算來控制輸入細(xì)胞狀態(tài)的激勵(lì)。虛線表示從細(xì)胞狀態(tài)到門的加權(quán)連接。輸入和輸出門分別與輸入和輸出相乘，而遺忘門則與細(xì)胞的前一狀態(tài)相乘。遺忘門有激活函數(shù)，使得門的輸出值在[0，1]之間，當(dāng)門輸出不為0 時(shí)，標(biāo)示將保留部分上一狀態(tài)的信息。乘法門允許長短期記憶存儲(chǔ)器單元長時(shí)間存儲(chǔ)和訪問信息，從而減輕梯度消失的問題。

圖2 LSTM 結(jié)構(gòu)

2 算例與結(jié)果分析

本次試驗(yàn)使用的數(shù)據(jù)是某大樓從2017 年到2018年逐時(shí)空調(diào)負(fù)荷數(shù)據(jù)。每組逐時(shí)空調(diào)負(fù)荷數(shù)據(jù)包括時(shí)間、室外氣象參數(shù)（溫度、相對濕度、風(fēng)速、風(fēng)向、降雨）、冷水機(jī)組冷卻水和冷凍水供回水溫度及空調(diào)負(fù)荷（由冷凍水供回水溫差乘以冷凍水流量計(jì)算獲得）。

2.1 數(shù)據(jù)處理

1）數(shù)據(jù)清洗

對數(shù)據(jù)檢查發(fā)現(xiàn)，由于數(shù)據(jù)存儲(chǔ)設(shè)備故障，從2017 年11 月18 日到2018 年6 月8 日空調(diào)系統(tǒng)數(shù)據(jù)庫內(nèi)存在大量無效值，故將此段數(shù)據(jù)剔除數(shù)據(jù)集。并對其他時(shí)間段內(nèi)個(gè)別無效數(shù)據(jù)，異常數(shù)據(jù)和缺失數(shù)據(jù)則進(jìn)行替換或插值填補(bǔ)，最終獲取12170 組數(shù)據(jù)。

2）數(shù)據(jù)標(biāo)準(zhǔn)化

由于不同數(shù)據(jù)（如室外溫度與大氣壓力）之間量綱差距較大會(huì)造成數(shù)值間的差異，在進(jìn)行空間距離計(jì)算時(shí)會(huì)影響結(jié)果的準(zhǔn)確性。本文采用離差標(biāo)準(zhǔn)化法[5]對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理：

式中：Xnorm為標(biāo)準(zhǔn)化后的值，X 為標(biāo)準(zhǔn)化前的值，Xmin為樣本數(shù)據(jù)最小值，Xmax為樣本數(shù)據(jù)最大值。

3）數(shù)據(jù)適配

采用LSTM 模型時(shí)，需要將數(shù)據(jù)集轉(zhuǎn)化為有監(jiān)督學(xué)習(xí)問題，將當(dāng)前時(shí)刻空調(diào)負(fù)荷特征移除，從而利用前n 個(gè)時(shí)刻的空調(diào)數(shù)據(jù)組數(shù)據(jù)預(yù)測了當(dāng)前時(shí)刻的空調(diào)負(fù)荷。

4）數(shù)據(jù)劃分

本次實(shí)驗(yàn)以2017 年數(shù)據(jù)為訓(xùn)練集，共7898 組數(shù)據(jù)。以2018 年數(shù)據(jù)為測試集，共4271 組數(shù)據(jù)。

5）預(yù)測結(jié)果誤差評(píng)估標(biāo)準(zhǔn)

采用均方根誤差（Root Mean Squared Error，RMSE）和平均絕對誤差（Mean Absolute Error，MAE）[6]對模型預(yù)測結(jié)果及精度進(jìn)行評(píng)估。RMSE 與MAE 分別定義為：

2.2 算例參數(shù)選擇

本次實(shí)驗(yàn)采用單層LSTM 網(wǎng)絡(luò)，模型中的損失函數(shù)采用平均絕對誤差（Mean Absolute Error，MAE），優(yōu)化算法采用Adam 算法。在選取batch size 時(shí)，batch size 越大，其確定的下降方向越準(zhǔn)確，處理相同數(shù)據(jù)量的速度越快，引起訓(xùn)練震蕩越小。然而，隨著batch size的增大，處理相同數(shù)據(jù)量的速度越快，但達(dá)到相同精度所需要的epoch 數(shù)量越來越多，最終收斂精度會(huì)陷入局部極值。在不同bath size 和Epoch 下，模型預(yù)測結(jié)果的均方根誤差與平均絕對誤差結(jié)果如表1 所示：

表1 不同Batch size 和Epoch 組合下的模型精度

根據(jù)調(diào)試結(jié)果，模型采用200 個(gè)epoch 并且每個(gè)batch 的大小為800 時(shí)，獲得的最終結(jié)果最為理想（均方根誤差與平均絕對誤差相對較小且計(jì)算速度相對較快）。

2.3 結(jié)果比較

為對模型預(yù)測精度進(jìn)行評(píng)估，本文將所用負(fù)荷預(yù)測模型與現(xiàn)有預(yù)測方法進(jìn)行比較，包括基于數(shù)學(xué)統(tǒng)計(jì)分析的多元線性回歸法（MLR）和基于人工智能的支持向量機(jī)法（SVM）[7]。表2 該出了采用不同預(yù)測方法時(shí)的負(fù)荷預(yù)測結(jié)果誤差情況：

表2 不同預(yù)測方法的預(yù)測結(jié)果誤差對比

基于數(shù)學(xué)統(tǒng)計(jì)分析的MLR 法主要考慮了數(shù)據(jù)的時(shí)序性關(guān)系，而對非線性關(guān)系數(shù)據(jù)的預(yù)測精度不足；相反地，基于人工智能的SVM 法解決了數(shù)據(jù)的非線性問題然而卻缺少對時(shí)序數(shù)據(jù)時(shí)間相關(guān)性的考慮。從表2 的結(jié)果可以看出，基于MLR 方法的負(fù)荷預(yù)測誤差均要高于采用SVM 的方法預(yù)測結(jié)果誤差?？梢酝茰y，相對于數(shù)據(jù)的時(shí)序性關(guān)系，數(shù)據(jù)的非線性關(guān)系對負(fù)荷預(yù)測的結(jié)果的準(zhǔn)確性影響更大。然而，由于兩種預(yù)測方法沒有同時(shí)考慮數(shù)據(jù)時(shí)序性和非線性，因此兩者的誤差結(jié)果均偏大。而采用LSTM 深度學(xué)習(xí)時(shí)由于同時(shí)考慮了數(shù)據(jù)的時(shí)序性和非線性問題，其負(fù)荷預(yù)測結(jié)果誤差要顯著小于其他兩種預(yù)測方法，精度最高。

圖3 進(jìn)一步展示了某一周內(nèi)案例建筑空調(diào)短期負(fù)荷預(yù)測結(jié)果（由于周六周天存在加班人員，空調(diào)也會(huì)開啟，但是空調(diào)冷負(fù)荷明顯小于工作日）。從圖3 中可以看出，采用LSTM 深度學(xué)習(xí)預(yù)測方法整體上能夠比較準(zhǔn)確的預(yù)測空調(diào)負(fù)荷的變化趨勢以及各個(gè)時(shí)刻的負(fù)荷值。值得注意的是，由于空調(diào)晚上并未開啟且建筑未做夜間自然通風(fēng)降溫處理，剛上班時(shí)（7:00AM-8:00AM），室內(nèi)溫度較高，需要空調(diào)短時(shí)間提供大量冷負(fù)荷進(jìn)行降溫。此時(shí)的空調(diào)負(fù)荷需求階躍式變化會(huì)導(dǎo)致預(yù)測結(jié)果會(huì)出現(xiàn)較大誤差。

圖3 基于LSTM 算法的空調(diào)負(fù)荷短期預(yù)測結(jié)果

3 結(jié)束語

空調(diào)負(fù)荷受很多因素的影響，難以建立直觀地線性預(yù)測模型，由于這些影響因素整體會(huì)隨時(shí)間會(huì)發(fā)生規(guī)律性變化，因此空調(diào)負(fù)荷也具有較強(qiáng)的時(shí)序性?？照{(diào)冷負(fù)荷預(yù)測一般會(huì)采用傳統(tǒng)的時(shí)序模型或普通機(jī)器學(xué)習(xí)模型，因而無法兼顧空調(diào)負(fù)荷預(yù)測的這兩個(gè)特點(diǎn)。本文采用某大樓空調(diào)負(fù)荷系統(tǒng)歷史數(shù)據(jù)建立了一個(gè)基于深度學(xué)習(xí)的LSTM 神經(jīng)網(wǎng)絡(luò)，并利用該模型對大樓空調(diào)短期負(fù)荷預(yù)測效果進(jìn)行了測試。試驗(yàn)結(jié)果表明，LSTM 模型相比于其他兩類預(yù)測模型，在預(yù)測準(zhǔn)確度上有明顯得提升。結(jié)果還顯示當(dāng)空調(diào)負(fù)荷需求階躍式變化會(huì)導(dǎo)致預(yù)測結(jié)果會(huì)出現(xiàn)較大誤差，因此在將來的研究中可針對該情況對模型做進(jìn)一步的改進(jìn)。