高曉佳，王宏志

(1. 吉林建筑科技學(xué)院計(jì)算機(jī)科學(xué)與工程學(xué)院，吉林 長(zhǎng)春 130000；2. 長(zhǎng)春工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，吉林 長(zhǎng)春 130000)

1 引言

可持續(xù)發(fā)展戰(zhàn)略[1]的提出，在一定程度上加大了節(jié)能減排措施落實(shí)的力度，與此同時(shí)意味著對(duì)用電能耗精準(zhǔn)預(yù)測(cè)的需求越來(lái)越高，現(xiàn)已演變成現(xiàn)代化電力領(lǐng)域的主要研究課題，特別是能耗的短期預(yù)測(cè)，更是在電力企業(yè)的生產(chǎn)與運(yùn)行過(guò)程中具有重要的指導(dǎo)價(jià)值。例如：文獻(xiàn)[2]針對(duì)配電臺(tái)區(qū)的日負(fù)荷情況，利用VMD(Variational mode decomposition，變分模態(tài)分解)分解各頻率尺度序列，根據(jù)環(huán)境因素，通過(guò)LSSVM(Least Square of Support Vector Machine，最小二乘支持向量機(jī))來(lái)預(yù)測(cè)負(fù)荷；文獻(xiàn)[3]基于Copula理論，利用KPCA(Kernel Principal Component Analysis，核主成分分析)降維解耦負(fù)荷數(shù)據(jù)，采用GRNN(Generalized Regression Neural Network，廣義歸回神經(jīng)網(wǎng)絡(luò))模型完成多元負(fù)荷預(yù)測(cè)。

在城市化的發(fā)展進(jìn)程中，各類建筑鱗次櫛比，并逐漸成為能耗節(jié)約規(guī)劃的重中之重，因此，本文面向公共建筑，構(gòu)建一種基于數(shù)據(jù)驅(qū)動(dòng)的用電能耗短期預(yù)測(cè)策略。隨著物聯(lián)網(wǎng)技術(shù)的進(jìn)步，電力數(shù)據(jù)規(guī)模日益增加，數(shù)據(jù)驅(qū)動(dòng)策略能夠?yàn)橛秒娔芎亩唐陬A(yù)測(cè)奠定夯實(shí)數(shù)據(jù)的基礎(chǔ)；數(shù)據(jù)預(yù)處理階段，有助于降低噪聲、去除無(wú)效數(shù)據(jù)、排除異常數(shù)據(jù)以及規(guī)避因多量綱造成的建模紊亂等問(wèn)題；利用模糊C均值聚類算法，減小輸入空間維度；通過(guò)不斷修正神經(jīng)網(wǎng)絡(luò)的權(quán)重與閾值，提升預(yù)測(cè)結(jié)果的精準(zhǔn)度。

2 公共建筑用電能耗數(shù)據(jù)處理與降維

對(duì)比人工記錄來(lái)講，智能電表在采集用電能耗數(shù)據(jù)時(shí)具有高效的實(shí)時(shí)性，但以短期預(yù)測(cè)為目標(biāo)的動(dòng)態(tài)采集過(guò)程中，各類因素均將對(duì)初始能耗數(shù)據(jù)產(chǎn)生干擾，導(dǎo)致部分初始數(shù)據(jù)的遺漏，因此，需利用一系列預(yù)處理手段與特征降維策略，為用電能耗短期預(yù)測(cè)提供高質(zhì)量的電能數(shù)據(jù)。

2.1 公共建筑用電能耗數(shù)據(jù)預(yù)處理

針對(duì)公共建筑用電能耗初始數(shù)據(jù)，分別采取異常濾除、遺漏補(bǔ)償以及歸一化等方法，完成電能數(shù)據(jù)的預(yù)處理，各處理階段具體描述如下：

1)異常濾除：當(dāng)公共建筑用電能耗被某些突發(fā)因素或特殊事件所影響時(shí)，就會(huì)形成一部分異常數(shù)據(jù)，只有合理將其濾除，才能確保用電能耗預(yù)測(cè)結(jié)果足夠精準(zhǔn)。因此，基于公共建筑用電能耗的時(shí)序性[4]與連續(xù)波動(dòng)情況下，根據(jù)能耗曲線挖掘出遺漏、異常的電能數(shù)據(jù)。通常，異常數(shù)據(jù)會(huì)出現(xiàn)在歷史能耗曲線的尖峰區(qū)域，濾除方法是：已知閾值e，假設(shè)與采樣時(shí)間t相對(duì)應(yīng)的能耗值是Pt，其前一時(shí)刻與后一時(shí)刻的對(duì)應(yīng)能耗值分別為Pt-1、Pt+1，若能耗值Pt、Pt-1、Pt+1與閾值e之間滿足下列不等式條件，則t時(shí)刻的能耗值Pt可替換為前后時(shí)刻能耗值Pt-1與Pt+1的均值，表達(dá)式如式(2)所示

max[|Pt-Pt-1|，|Pt-Pt+1|]>e

(1)

(2)

2)遺漏補(bǔ)償：針對(duì)用電能耗周期性[5]，采用表達(dá)式(2)(即遺漏數(shù)據(jù)前后時(shí)刻的能耗值均值)來(lái)補(bǔ)償缺失數(shù)據(jù)；

3)歸一化：假定初始變量數(shù)據(jù)為P，通過(guò)下列表達(dá)式在-1到1的范圍區(qū)間，完成公共建筑的全部用電能耗數(shù)據(jù)轉(zhuǎn)換，確保每個(gè)電能數(shù)據(jù)均處于相同維度中，實(shí)現(xiàn)能耗數(shù)據(jù)的歸一化處理，規(guī)避因多量綱造成的建模紊亂問(wèn)題

(3)

式中，經(jīng)過(guò)歸一化處理的電能數(shù)據(jù)是Y。

2.2 公共建筑用電能耗數(shù)據(jù)特征降維

引用PCA(Principal Component Analysis，主成分分析)方法[6]，把初始多維能耗數(shù)據(jù)線性轉(zhuǎn)移至多個(gè)正交坐標(biāo)系內(nèi)，得到一組每個(gè)維度都呈現(xiàn)出線性不相關(guān)關(guān)系的數(shù)據(jù)后，獲得關(guān)鍵特征分量。

假設(shè)正交主成分向量分別為c1，c2，…，cm，標(biāo)準(zhǔn)正交線性組合系數(shù)值各是t1，t2，…，tm，則各能耗數(shù)據(jù)均可用矩陣Yn*m描述，如下所示

(4)

若特征向量ti的特征值為λi，對(duì)于剩下的幾個(gè)能耗數(shù)據(jù)保持忽略態(tài)度，則針對(duì)前k個(gè)主成分，利用下列表達(dá)式求解用電能耗數(shù)據(jù)的方差貢獻(xiàn)率ηi

(5)

通過(guò)對(duì)主成分分析不僅可以根據(jù)方差貢獻(xiàn)率取得數(shù)據(jù)主成分，而且能夠?qū)崿F(xiàn)初始變量數(shù)據(jù)的非線性不相關(guān)關(guān)系表征，發(fā)現(xiàn)特征向量對(duì)初始數(shù)據(jù)的包含能力。

3 基于數(shù)據(jù)驅(qū)動(dòng)的公共建筑用電能耗短期預(yù)測(cè)

3.1 用電能耗短期預(yù)測(cè)模型構(gòu)建

將類似人腦的神經(jīng)元結(jié)構(gòu)作為處理器，采用加權(quán)鏈接形式[7]并行連接所有處理器，在各個(gè)單元中間傳輸信號(hào)，通過(guò)協(xié)調(diào)合作完成任務(wù)。用神經(jīng)元組建的計(jì)算系統(tǒng)即為兼具分布式與并行性的神經(jīng)網(wǎng)絡(luò)。輸入層的神經(jīng)元節(jié)點(diǎn)負(fù)責(zé)采集、整理數(shù)據(jù)，隱藏層神經(jīng)元經(jīng)過(guò)激活，把整理后的數(shù)據(jù)發(fā)送至輸出層神經(jīng)元上。

假設(shè)三層前饋神經(jīng)網(wǎng)絡(luò)(見(jiàn)圖1)的非線性傳輸函數(shù)是f(·)，隱藏層非線性激勵(lì)函數(shù)是h(·)，輸入項(xiàng)與輸出項(xiàng)分別是pi、Y′，輸入層與隱藏層之間的權(quán)重與閾值各為wij、ψj，隱藏層與輸出層之間的權(quán)重與閾值各為bj、b0，則三層前饋神經(jīng)網(wǎng)絡(luò)的映射函數(shù)表達(dá)式如下所示

(6)

圖1 三層前饋神經(jīng)網(wǎng)絡(luò)示意圖

三層神經(jīng)網(wǎng)絡(luò)在面向高維數(shù)據(jù)時(shí)處理過(guò)程較為復(fù)雜，因此，通過(guò)FCM(Fuzzy C-means，模糊C均值)聚類算法[8]減小輸入空間維度，構(gòu)建一種IHCMAC神經(jīng)網(wǎng)絡(luò)。具體過(guò)程描述如下

1)經(jīng)過(guò)歸一化處理輸入項(xiàng)，令輸入空間為m維，表達(dá)式如下所示

(7)

(8)

上式里，高斯基函數(shù)是bi，當(dāng)節(jié)點(diǎn)不處于激活狀態(tài)時(shí)，值為0；高斯基函數(shù)參數(shù)是σi，疊合部分系數(shù)用δ表示；權(quán)系數(shù)挑選的矢量是Sk=[SK，L]L*I，同高斯基函數(shù)，當(dāng)節(jié)點(diǎn)不處于激活狀態(tài)時(shí)，值為0；權(quán)系數(shù)矢量為q，對(duì)應(yīng)于簇中心的權(quán)重是qi；基函數(shù)矩陣為B(xk)，其與高斯基函數(shù)、高斯基函數(shù)參數(shù)的表達(dá)式分別如下所示

B(xk)=diag[b1(xk)，b2(xk)，…，bL(xk)]

(9)

(10)

(11)

將IHCMAC神經(jīng)網(wǎng)絡(luò)運(yùn)行階段分為學(xué)習(xí)與訓(xùn)練兩部分。其中，訓(xùn)練是根據(jù)期望數(shù)據(jù)與輸出數(shù)據(jù)的偏差，不斷修正神經(jīng)網(wǎng)絡(luò)的權(quán)重與閾值，以獲得更精準(zhǔn)的預(yù)測(cè)結(jié)果。

將估算偏差設(shè)成ek-1，利用下列表達(dá)式訓(xùn)練IHCMAC神經(jīng)網(wǎng)絡(luò)權(quán)重

(12)

式中，α、β表示任意常數(shù)。當(dāng)兩個(gè)常數(shù)滿足下列不等式組時(shí)，算法收斂，權(quán)重訓(xùn)練完成

(13)

3.2 公共建筑用電能耗短期預(yù)測(cè)流程

公共建筑用電能耗短期預(yù)測(cè)即利用相對(duì)于預(yù)測(cè)時(shí)前幾個(gè)時(shí)刻的溫度、濕度以及用電能耗等歷史數(shù)據(jù)，組建一個(gè)多維的輸入空間，估計(jì)出下一時(shí)刻的能耗值。

已知預(yù)測(cè)時(shí)前兩個(gè)時(shí)刻的建筑溫度是Tt-2、Tt-1，濕度是Wt-2、Wt-1，用電能耗是Pt-2、Pt-1，則由這些歷史數(shù)據(jù)得到的六維輸入空間如下所示

(14)

Pt=F(Pt-2，Pt-1，Tt-2，Tt-1，Wt-2，Wt-1)

(15)

基于數(shù)據(jù)驅(qū)動(dòng)的公共建筑用電能耗短期預(yù)測(cè)流程如圖2所示。采集建筑用電能耗數(shù)據(jù)，利用異常濾除、遺漏補(bǔ)償以及歸一化等策略，預(yù)處理收集到的能耗數(shù)據(jù)，提高數(shù)據(jù)有效性；通過(guò)主成分分析方法，降維處理初始的多維能耗數(shù)據(jù)，取得關(guān)鍵特征分量；經(jīng)模糊C均值聚類算法，明確輸入空間簇中心；采用經(jīng)過(guò)訓(xùn)練的IHCMAC神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，結(jié)合溫度、濕度以及用電能耗等歷史數(shù)據(jù)，得到目標(biāo)建筑的用電能耗預(yù)測(cè)結(jié)果。

圖2 用電能耗短期預(yù)測(cè)流程示意圖

4 公共建筑用電能耗短期預(yù)測(cè)仿真

4.1 實(shí)驗(yàn)準(zhǔn)備階段

選取一棟三層的凹型圖書館(見(jiàn)圖3)作為研究目標(biāo)，在建筑內(nèi)暖通空調(diào)、插座以及照明等各位置附近，放置溫度傳感器[9]、智能電力計(jì)量?jī)x表[10]等多個(gè)計(jì)量設(shè)備，采集圖書館內(nèi)不同系統(tǒng)的能耗數(shù)據(jù)，并在某能耗監(jiān)測(cè)平臺(tái)上，模擬本文模型對(duì)所選公共建筑的用電能耗短期預(yù)測(cè)。

圖3 待預(yù)測(cè)公共建筑示意圖

該圖書館的開(kāi)放時(shí)長(zhǎng)為12個(gè)小時(shí)，圖4所示為各計(jì)量設(shè)備采集到的單位用電能耗數(shù)據(jù)。將10天內(nèi)采集到的120組以小時(shí)為單位的能耗數(shù)據(jù)劃分成訓(xùn)練集與測(cè)試集，設(shè)定訓(xùn)練集是前100組數(shù)據(jù)，測(cè)試集是余下20組能耗數(shù)據(jù)。

圖4 采集階段單位用電能耗數(shù)據(jù)示意圖

為檢驗(yàn)預(yù)測(cè)模型的精準(zhǔn)性與有效性，從CV(Coefficient of Variation，變異系數(shù))、RMSE(Root Mean Square Error，均方根誤差)以及最大相對(duì)誤差等角度，多方面評(píng)估本文模型的預(yù)測(cè)結(jié)果。其中，最大相對(duì)誤差指標(biāo)反映的是最大的預(yù)測(cè)偏差程度，均方根誤差與變異系數(shù)兩指標(biāo)則主要用于描述實(shí)際能耗值與預(yù)測(cè)能耗值的離散程度。各指標(biāo)計(jì)算公式分別如下所示

(16)

(17)

(18)

針對(duì)本文構(gòu)建的IHCMAC神經(jīng)網(wǎng)絡(luò)短期預(yù)測(cè)模型，經(jīng)不斷修正參數(shù)與閾值，得到如表1所示的模型參數(shù)。

表1 預(yù)測(cè)模型相關(guān)參數(shù)

4.2 公共建筑用電能耗短期預(yù)測(cè)誤差度分析

采用本文模型預(yù)測(cè)采集階段后10天的用電能耗，經(jīng)整理得到表2。

表2 圖書館10天內(nèi)用電能耗結(jié)果比對(duì)表(單位：kW·h)

根據(jù)表2中能耗的實(shí)際值與預(yù)測(cè)值，利用Proteus仿真軟件繪制最大相對(duì)誤差，得到圖5。

圖5 預(yù)測(cè)能耗值最大相對(duì)誤差示意圖

結(jié)合上列圖表可以看出，本文模型最大誤差絕對(duì)值是152.2kW·h，最大相對(duì)誤差Emax僅有0.026，且每一天的能耗預(yù)測(cè)相對(duì)誤差均未超出0.03，這是因?yàn)楸疚睦靡幌盗蓄A(yù)處理手段與特征降維策略，為用電能耗短期預(yù)測(cè)提供了較高質(zhì)量的電能數(shù)據(jù)，在三層前饋神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，引入模糊C均值聚類算法，構(gòu)建了IHCMAC神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，結(jié)合由溫度、濕度以及用電能耗等歷史數(shù)據(jù)組成的多維輸入空間，精準(zhǔn)獲得了下一時(shí)刻的用電能耗值。

4.3 公共建筑用電能耗短期預(yù)測(cè)離散度分析

圖6所示為預(yù)測(cè)模型的變異系數(shù)與均方根誤差指標(biāo)的走勢(shì)，由兩指標(biāo)分布形式可知，該模型因異常濾除、遺漏補(bǔ)償以及歸一化等預(yù)處理，得到了有效能耗數(shù)據(jù)，利用主成分分析方法完成初始多維能耗數(shù)據(jù)與多個(gè)正交坐標(biāo)系的線性轉(zhuǎn)變后，獲得了關(guān)鍵特征分量，通過(guò)模糊C均值聚類算法，減小輸入空間維度，經(jīng)不斷修正神經(jīng)網(wǎng)絡(luò)的權(quán)重與閾值，大幅度降低了能耗實(shí)際值與預(yù)測(cè)值的離散程度，預(yù)測(cè)精度較為理想，具備投入實(shí)際應(yīng)用的必要條件。

圖6 變異系數(shù)與均方根誤差指標(biāo)示意圖

5 結(jié)論

國(guó)民經(jīng)濟(jì)飛速增長(zhǎng)，公共建筑不斷增多，在可持續(xù)發(fā)展的戰(zhàn)略指導(dǎo)下，隨著電力供應(yīng)壓力的加劇，我國(guó)對(duì)公共建筑用電能耗的關(guān)注度越來(lái)越高，因此，降低建筑用電能耗已成為節(jié)能減排計(jì)劃的主要實(shí)施對(duì)象。為有效落實(shí)節(jié)能減排措施，在數(shù)據(jù)驅(qū)動(dòng)下，設(shè)計(jì)出一種公共建筑用電能耗短期預(yù)測(cè)方法。雖然本文研究成果對(duì)電力發(fā)展起到了一定的促進(jìn)作用，但仍需在以下幾個(gè)方面加以優(yōu)化：應(yīng)嘗試將預(yù)測(cè)模型的批量訓(xùn)練模式轉(zhuǎn)換為流處理模式，減小數(shù)據(jù)訓(xùn)練時(shí)延與誤差；根據(jù)用電能耗預(yù)測(cè)特點(diǎn)，不斷與分布式處理等新型技術(shù)相結(jié)合，從全方位完善預(yù)測(cè)性能；下一階段應(yīng)針對(duì)天氣異常、工作日與節(jié)假日等特殊情況，獲取更全面的電力數(shù)據(jù)，從根本上提升預(yù)測(cè)精準(zhǔn)度；實(shí)驗(yàn)部分預(yù)測(cè)時(shí)長(zhǎng)較短，不排除后期會(huì)出現(xiàn)個(gè)別的高誤差情況，今后需就此問(wèn)題對(duì)體育場(chǎng)等其它類型的公共建筑做進(jìn)一步研究，探究預(yù)測(cè)方法的適用性。