王 玨

（上海電力大學(xué) 電子與信息工程學(xué)院，上海 200000）

公共建筑面積與能耗逐年增長(zhǎng)，建筑節(jié)能對(duì)全球節(jié)能減排有著重要意義。建筑能耗受到多方面的影響，如室內(nèi)外溫濕度、設(shè)備運(yùn)行情況、人流密度等。基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)模型，需要大量的數(shù)據(jù)作為算法支撐，其中氣象數(shù)據(jù)是多維度且復(fù)雜的，不必要的自變量也會(huì)產(chǎn)生誤差[1]。若僅對(duì)每個(gè)變量分別進(jìn)行分析，會(huì)形成信息孤島，導(dǎo)致預(yù)測(cè)結(jié)果必然存在偏差。對(duì)于波動(dòng)性過(guò)大數(shù)據(jù)，PCA存在丟失有效信息的問(wèn)題，不能做到精準(zhǔn)降維[2]。

由于建筑能耗數(shù)據(jù)具有非線性不穩(wěn)定的特點(diǎn)，近年來(lái)，研究人員主要通過(guò)機(jī)器學(xué)習(xí)（Machine Learning，ML）方法來(lái)對(duì)建筑能耗進(jìn)行預(yù)測(cè)。其中深度學(xué)習(xí)可以從大量無(wú)標(biāo)識(shí)數(shù)據(jù)中自動(dòng)獲取有效特征，比物理模型計(jì)算出的預(yù)測(cè)結(jié)果效率更高[3]。隨著能耗數(shù)據(jù)噪聲增加，單一模型已經(jīng)不能適應(yīng)數(shù)據(jù)特征，混合模型逐漸得到應(yīng)用[4]。

本文以上海市嘉定區(qū)某建筑大樓（下文用A建筑表示）為研究對(duì)象，通過(guò)公共能耗檢測(cè)系統(tǒng)獲得該建筑夏季一周內(nèi)每5 min記錄1次的空調(diào)冷負(fù)荷作為樣本數(shù)據(jù)進(jìn)行訓(xùn)練測(cè)試，提出一種面向建筑能耗短期預(yù)測(cè)的混合模型AE-AdaBoost-BP。本文主要內(nèi)容包括：（1）對(duì)明顯波動(dòng)與非線性的大量數(shù)據(jù)標(biāo)準(zhǔn)化處理后剔除毛刺；（2）使用DAE對(duì)多維氣象參數(shù)精準(zhǔn)降維；（3）對(duì)AdaBoost算法進(jìn)行改進(jìn)，優(yōu)化了迭代過(guò)程；（4）利用改良后的AdaBoost算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值完成對(duì)建筑能耗的預(yù)測(cè)；（5）應(yīng)用DAE-AdaBoost-BP混合模型對(duì)上海某大型建筑能耗進(jìn)行短期預(yù)測(cè)，仿真結(jié)果驗(yàn)證了該模型的可行性。

1 模型原理

1.1 去噪自編碼器

自編碼器（AutoEncode，AE）屬于無(wú)監(jiān)督學(xué)習(xí)，利用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)對(duì)數(shù)據(jù)進(jìn)行降維。自編碼器結(jié)構(gòu)內(nèi)有一個(gè)隱含層，輸入層和輸出層維度相同，隱含層的維度可選擇。該網(wǎng)絡(luò)可由2部分組成，輸入層經(jīng)過(guò)一次編碼得到隱含層，隱含層再經(jīng)過(guò)解碼得到輸出層，通過(guò)訓(xùn)練網(wǎng)絡(luò)中的權(quán)重和偏置，得到輸入層和輸出層誤差最小時(shí)的參數(shù)，自編碼器結(jié)構(gòu)圖如圖1所示。

圖1自編碼器結(jié)構(gòu)圖

圖1 中b1和b2是輸入層和隱含層的偏置，W1和W2是網(wǎng)路各變量的權(quán)重，X和Z分別是輸入層和輸出層，H為中間的隱含層，L（X，Z）為目標(biāo)函數(shù)。當(dāng)目標(biāo)函數(shù)達(dá)到最小值時(shí)的權(quán)重和偏置即為所求，隱含層即降維后的數(shù)據(jù)，使用隱含層的數(shù)據(jù)即可代表原輸入數(shù)據(jù)的主要信息。

去噪自編碼器（DenoisingAutoEncode，DAE）是改良版的自編碼器，并使得特征值具有一定的魯棒性。其原理是以一定的概率分布，是輸入層的部分?jǐn)?shù)據(jù)置為0，即使得部分輸入層數(shù)據(jù)丟失，使用丟失過(guò)后的數(shù)據(jù)去進(jìn)行編碼。破損的輸入層數(shù)據(jù)與原輸入層數(shù)據(jù)相比，丟失的數(shù)據(jù)中也將噪聲一起丟棄，具有一定的去噪功能，這樣得到的特征值魯棒性更高。其基本構(gòu)架如圖2所示。

圖2 去噪自編碼器結(jié)構(gòu)圖

1.2 BP_AdaBoost原理

BP神經(jīng)網(wǎng)絡(luò)作為人工神經(jīng)網(wǎng)絡(luò)中最常見(jiàn)的算法之一，其缺點(diǎn)是很容易陷入局部最小值，對(duì)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化主要在尋找全局最優(yōu)解上面，如遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的結(jié)合，但遺傳算法的優(yōu)化效果并不是絕對(duì)的，沒(méi)有解決全局最優(yōu)解的問(wèn)題。

集成學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)分支，在算法上展現(xiàn)了更高的精度。集成算法和多種基礎(chǔ)算法都可以結(jié)合，并且相對(duì)于基礎(chǔ)算法在精度上有一定的提升[5]。AdaBoost算法屬于Boosting算法中的一種，需要選擇一種基算法并進(jìn)行優(yōu)化，本次實(shí)驗(yàn)將采用BP神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)算法。

算法步驟如下：

（1）數(shù)據(jù)訓(xùn)練集：T＝｛（x1，y1），（x2，y2），…（xm，ym）｝，BP迭代次數(shù)為K，集成學(xué)習(xí)模型為f（x）；

（2）初始化權(quán)重為：D（1）＝（w11，w12，…w1m）；w1i＝i＝1，2…m，對(duì)于k＝1，2…K，具有權(quán)重Dk的訓(xùn)練集樣本得到輸出模型Gk（x）；

（3）計(jì)算訓(xùn)練集上的最大誤差Ek＝max｜yi－Gk（xi）｜i＝1，2…m；

（4）計(jì)算每個(gè)樣本的相對(duì)線性誤差eki＝

（8）若k＜K，則k＝k＋1，返回步驟（3），若達(dá)到最大迭代次數(shù)，得到集成學(xué)習(xí)模型：f（x）＝

2 ADE-AdaBoost-BP預(yù)測(cè)模型建模

2.1 數(shù)據(jù)來(lái)源和處理

數(shù)據(jù)來(lái)源包含1棟樓3層同位置各房間的夏季空調(diào)冷負(fù)荷。氣象數(shù)據(jù)來(lái)自于中國(guó)氣象數(shù)據(jù)網(wǎng)，包含大氣溫度，空氣濕度，輻照度等數(shù)據(jù)。各種數(shù)據(jù)由傳感器測(cè)量得到，故可能存在一定的異常值，對(duì)原始數(shù)據(jù)進(jìn)行歸標(biāo)準(zhǔn)化處理，得到均值為0，方差為1的正態(tài)分布數(shù)據(jù)，再通過(guò)箱線圖檢驗(yàn)數(shù)據(jù)是否存在異常值，如圖3（a）所示。

通過(guò)圖3可以觀察到，輻照度和輻照得熱的數(shù)據(jù)上存在一些異常點(diǎn)，對(duì)異常數(shù)據(jù)點(diǎn)進(jìn)行異常值修改，得到校正后的箱線圖，如圖3（b）所示，經(jīng)過(guò)矯正過(guò)的數(shù)值為后續(xù)算法所使用到的數(shù)據(jù)。

圖3 誤差箱線圖

2.2 預(yù)測(cè)模型建立

AdaBoost算法的核心思想是在每次計(jì)算結(jié)果上進(jìn)行重新權(quán)重調(diào)整，再次進(jìn)行訓(xùn)練，算法流程圖如圖4所示。處理過(guò)后的訓(xùn)練集通過(guò)BP算法得到預(yù)測(cè)模型Gk（x）以其預(yù)測(cè)誤差eki，根據(jù)預(yù)測(cè)誤差再調(diào)整訓(xùn)練集權(quán)重，并作為下一次BP算法的訓(xùn)練集。經(jīng)過(guò)多次循環(huán)得到K個(gè)預(yù)測(cè)模型，再通過(guò)組合方式將這些基礎(chǔ)模型整合為1個(gè)集成模型，作為本篇論文預(yù)測(cè)模型。

圖4 AdaBoost和BP結(jié)合的流程圖

3 案例分析

本次實(shí)驗(yàn)利用matlab2019版本進(jìn)行預(yù)測(cè)仿真測(cè)試，將矯正過(guò)后的氣象數(shù)據(jù)經(jīng)過(guò)DAE分別降維為3維和4維，作為算法的數(shù)據(jù)輸入，輸出為各個(gè)房間冷負(fù)荷的預(yù)測(cè)值，作為BP網(wǎng)絡(luò)的訓(xùn)練輸入和輸出。經(jīng)實(shí)驗(yàn)表明輸入層設(shè)置為3，隱藏層設(shè)置為5，輸出為1層，傳遞函數(shù)分別為tansig，tansig和purelin，訓(xùn)練函數(shù)為trainlm，訓(xùn)練次數(shù)為1 000，訓(xùn)練精度為0.001，學(xué)習(xí)率為0.1 h，得到的預(yù)測(cè)效果最佳。

算法的精度由均方根誤差（RMSE），平均絕對(duì)百分比誤差和（AMPE）決定系數(shù)R2作為評(píng)價(jià)指標(biāo)，公式的計(jì)算過(guò)程如下：

本次實(shí)驗(yàn)1分為2步進(jìn)行，首先按對(duì)遺傳算法和AdaBoost優(yōu)化效率作對(duì)比，接著對(duì)常用回歸算法多元線性回歸（MLR）和BP神經(jīng)網(wǎng)絡(luò)及其優(yōu)化作對(duì)比。

實(shí)驗(yàn)1對(duì)BP算法優(yōu)化作對(duì)比，使用上述3項(xiàng)指標(biāo)作為對(duì)比參數(shù)，對(duì)比效果如圖5所示。實(shí)驗(yàn)分別為BP，GA-BP，AdaBoost-BP，DAE-AdaBoost-BP，由于BP神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練具有一定的不穩(wěn)定性，且選擇的訓(xùn)練次數(shù)較小，每次收斂的結(jié)果都不同，故使用對(duì)應(yīng)程序各訓(xùn)練5次，作為對(duì)應(yīng)預(yù)測(cè)精度對(duì)比參考。

由圖5可知，BP神經(jīng)網(wǎng)絡(luò)的結(jié)果最不穩(wěn)定，魯棒性最差；GA-BP算法在一定程度上進(jìn)行了優(yōu)化，但并不代表每次訓(xùn)練得到的結(jié)果優(yōu)于BP算法；AdaBoost算法均優(yōu)于BP算法和GA-BP算法，具有很好的預(yù)測(cè)結(jié)果；經(jīng)過(guò)DAE處理過(guò)后的AdaBoost算法得到的結(jié)果為最優(yōu)解。

圖5 誤差評(píng)價(jià)

實(shí)驗(yàn)2進(jìn)行算法間的對(duì)比，同時(shí)使用MLR，BP和AdaBoost-BP對(duì)冷負(fù)荷進(jìn)行預(yù)測(cè)，MLR算法調(diào)用python軟件中sklearn程序模塊，預(yù)測(cè)精度見(jiàn)表1。BP及其優(yōu)化算法的精度為多次訓(xùn)練結(jié)果的中位數(shù)。

由表1可以看出，MLR算法實(shí)現(xiàn)雖然簡(jiǎn)單，但是精度較低，BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)多次訓(xùn)練的平均值高于MLR算法的精度，經(jīng)過(guò)AdaBoost模型得到的BP算法在各項(xiàng)指標(biāo)上都有明顯的提升，經(jīng)過(guò)DAE降維的算法能夠得到更好的精度，且收斂數(shù)據(jù)更快。

表1 多種算法預(yù)測(cè)訓(xùn)練結(jié)果

4 結(jié)束語(yǔ)

本文對(duì)上海某棟建筑能耗和氣象數(shù)據(jù)作為研究對(duì)象，提出了通過(guò)DAE對(duì)數(shù)據(jù)降維，再通過(guò)集成學(xué)習(xí)算法AdaBoost與BP網(wǎng)絡(luò)的結(jié)合對(duì)建筑的冷負(fù)荷進(jìn)行了預(yù)測(cè)，結(jié)果表明具有很好的預(yù)測(cè)效果，在均方根誤差，平均誤差百分比和決定系數(shù)3個(gè)方面得到了很大的提升，為管理者提供了良好的數(shù)據(jù)支持。后續(xù)工作將冷負(fù)荷預(yù)測(cè)擴(kuò)大到整棟建筑的能耗預(yù)測(cè)，并將通過(guò)物聯(lián)網(wǎng)架構(gòu)對(duì)整棟建筑進(jìn)行全方位的智能管理，構(gòu)建相應(yīng)的管理架構(gòu)。