陳東海，馬旭，王波，朱曉杰，白文博

（1.國網(wǎng)浙江省電力有限公司寧波供電公司，浙江 寧波 315000；2.國網(wǎng)浙江余姚市供電有限公司，浙江 寧波 315000；3.寧波市電力設(shè)計院有限公司，浙江 寧波 315000）

0 引言

在建筑用電負荷中，空調(diào)負荷通常占據(jù)了一半左右的比重［1-3］，同時，空調(diào)負荷受到人類活動和氣象條件等因素的影響，呈現(xiàn)出較強的不確定性，其變化往往會引起建筑用電負荷的明顯波動［4-7］。因此，準確地分析建筑空調(diào)負荷的變化規(guī)律，對于提升建筑用電負荷預測的準確性，保證區(qū)域配電網(wǎng)的電力供需平衡有著關(guān)鍵性的作用［8-11］。

對于建筑空調(diào)負荷的預測，有部分學者采用統(tǒng)計學方法進行研究。文獻［12］基于改進的季節(jié)性指數(shù)平滑法，利用日平均氣溫對辦公類建筑的空調(diào)負荷進行了預測；文獻［13］采用蒙特卡洛方法分析天氣預報數(shù)據(jù)的不確定性，并將不確定性分析結(jié)果用于建筑空調(diào)負荷預測，從而提高了對空調(diào)負荷的預測準確性；文獻［14］采用多元線性回歸方法對歷史負荷和溫度的逐時數(shù)據(jù)進行分析，以預測每個小時的建筑空調(diào)負荷值。但是，統(tǒng)計學方法在影響因素較多，且影響因素與負荷之間存在非線性相關(guān)的復雜關(guān)系時，負荷預測的準確性和穩(wěn)定性都難以保證［15-18］。

近幾年來，隨著機器學習技術(shù)，尤其是深度學習技術(shù)的發(fā)展，不少研究開始采用人工智能方法進行建筑空調(diào)負荷預測。文獻［19］基于Kmeans聚類和BP（反向傳播）神經(jīng)網(wǎng)絡(luò)算法對辦公建筑的逐時電負荷進行預測，有效提高了建筑總用電和空調(diào)用電負荷的預測精度；文獻［20］采用結(jié)合主成分分析法和LSTM（長短期記憶）神經(jīng)網(wǎng)絡(luò)的方法，在對影響建筑空調(diào)負荷的多元因素進行降維處理的基礎(chǔ)上，得到建筑空調(diào)負荷的預測結(jié)果；文獻［21］通過SVD（奇異值分解）的方法對空調(diào)負荷數(shù)據(jù)進行降噪處理，再結(jié)合溫濕度數(shù)據(jù)集構(gòu)建了基于LSTM神經(jīng)網(wǎng)絡(luò)的高校宿舍空調(diào)負荷預測模型。相比于統(tǒng)計學方法，基于人工智能的神經(jīng)網(wǎng)絡(luò)更能捕捉到建筑空調(diào)負荷與影響因素之間的非線性相關(guān)性。然而，在各種各樣的氣象、時間條件下，不同影響因素類型以及影響因素值的不同采樣時刻，對于建筑空調(diào)負荷預測的重要性都有所差異，而上述模型構(gòu)建時采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)均沒有引入注意力機制，未能充分地區(qū)分不同影響因素和采樣時刻的重要程度，影響了建筑空調(diào)負荷預測的準確性。

除了建筑空調(diào)負荷預測，在電網(wǎng)整體負荷預測問題中，已有相關(guān)研究將注意力機制引入預測模型，如文獻［15］在GRU（門控循環(huán)單元）中使用注意力機制，構(gòu)建短期負荷預測模型；文獻［16］同樣將注意力機制引入GRU，并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)進行負荷預測模型的構(gòu)建；文獻［17］則在LSTM中加入注意力機制，以區(qū)分不同時刻采樣值對電網(wǎng)短期負荷預測的重要程度。然而，這些研究大多只將注意力機制應(yīng)用于時間序列，未對不同影響因素賦予不同的注意力，因而應(yīng)用于建筑空調(diào)的負荷預測時，難以把握各種條件下不同類型影響因素對于建筑空調(diào)負荷預測的重要性差異。

為了同時考慮不同影響因素和采樣時刻對建筑空調(diào)負荷的影響程度差異，本文提出一種基于多階段注意力機制的建筑空調(diào)負荷預測方法。在分析建筑空調(diào)負荷各類影響因素的基礎(chǔ)上，采用影響因素注意力模塊區(qū)分不同影響因素對空調(diào)負荷預測的重要性差異，得到含影響因素注意力的特征矩陣；然后將特征矩陣輸入LSTM神經(jīng)網(wǎng)絡(luò)，并在輸出層加入時間注意力模塊，用于計算輸出向量，以區(qū)分不同采樣時刻的影響因素對于空調(diào)負荷預測的重要性差異；最后將含時間注意力的輸出向量輸入SVR（支持向量回歸）模型，得到建筑空調(diào)負荷的預測結(jié)果。

1 建筑空調(diào)負荷的影響因素

建筑空調(diào)負荷與人類活動和氣象因素都有密切的關(guān)系［20］。人類活動對建筑空調(diào)負荷的影響主要體現(xiàn)在日常作息規(guī)律和空調(diào)使用習慣上，相應(yīng)地可以選擇是否工作日、當日時刻（24 h制）、歷史空調(diào)負荷3個維度作為影響因素。氣象因素對建筑空調(diào)負荷的影響主要體現(xiàn)在對人體感受和空調(diào)制冷功率的影響，根據(jù)文獻［20-22］的分析，可選擇與空調(diào)負荷相關(guān)性較強的溫度、濕度、氣壓3個維度作為影響因素。

上述6個影響因素維度在使用前首先需要進行數(shù)值化。對于某一個采樣時刻t，若該時刻所在當天是工作日，則“是否工作日”維度的值取1，否則取0；“當日時刻”維度表示時刻t處于一天中的哪一個整點時刻，取值范圍為｛0，1，…，23｝；“歷史空調(diào)負荷”“溫度”“氣壓”維度分別以千瓦、攝氏度、百帕為單位取值；“濕度”維度取相對濕度值。

影響因素數(shù)值化后，還需要進行歸一化處理，得到預測模型實際使用的影響因素值。歸一化采用Min-Max標準化方法，假設(shè)某個影響因素x的所有歷史數(shù)據(jù)中最大值為xmax，最小值為xmin，則采樣時刻t的數(shù)值xt歸一化后為：

后續(xù)預測模型采用的均為歸一化的影響因素值。

預測某一時刻的建筑空調(diào)負荷時，考慮其前T小時內(nèi)每個小時的影響因素值，可將上述6個影響因素維度構(gòu)建為一個6行T列的初始影響因素矩陣I，矩陣的第t列（t=1，2，…，T）表示第t個采樣時刻的6個影響因素值。

2 基于多階段注意力的建筑空調(diào)負荷預測模型

2.1 負荷預測模型總體結(jié)構(gòu)

建筑空調(diào)負荷預測模型的總體結(jié)構(gòu)如圖1所示，模型結(jié)構(gòu)主要包括3部分，分別是影響因素注意力模塊、LSTM神經(jīng)網(wǎng)絡(luò)以及時間注意力模塊。其中，影響因素注意力模塊用于區(qū)分不同影響因素對于建筑空調(diào)負荷預測的重要性差異，以對不同的影響因素分配不同的注意力權(quán)重；LSTM神經(jīng)網(wǎng)絡(luò)用于提取每個采樣時刻的影響因素信息，并對影響因素信息進行篩選與融合；時間注意力模塊用于區(qū)分不同采樣時刻對于建筑空調(diào)負荷預測的重要性差異，以對不同采樣時刻的影響因素分配不同的注意力權(quán)重。

圖1 建筑空調(diào)負荷預測模型總體結(jié)構(gòu)Fig.1 General structure of the load prediction model for building air conditioning

預測建筑空調(diào)負荷時，首先將6行T列的初始影響因素矩陣I輸入影響因素注意力模塊。影響因素注意力模塊可以自動學習不同氣象、時間等條件下各個影響因素對建筑空調(diào)負荷的影響程度差異，對輸入矩陣I的元素值進行調(diào)整，得到含影響因素注意力的特征矩陣C，且矩陣C與矩陣I的行數(shù)和列數(shù)均相同。

接著，將含影響因素注意力的特征矩陣C按列拆分為T個特征矩陣列向量ct（t=1，2，…，T），再依次輸入LSTM網(wǎng)絡(luò)的各個LSTM單元中，以提取每個時間步長的影響因素特征信息，提取后每個列向量ct均得到對應(yīng)的l維隱藏層向量ht。

最后，將所有隱藏層向量ht輸入時間注意力模塊，通過時間注意力模塊區(qū)分不同時刻t的隱藏層向量ht對于建筑空調(diào)負荷預測的重要性差異，得到含時間注意力的l維輸出向量h0，再通過SVR模型計算出最終的建筑空調(diào)負荷預測值。

2.2 影響因素注意力模塊

影響因素注意力模塊的作用是通過注意力機制區(qū)分各種條件下不同影響因素對于建筑空調(diào)負荷的影響程度差異。例如，對于居民建筑而言，在凌晨時段，“溫度”維度對于建筑空調(diào)負荷的影響程度通常大于“是否工作日”維度；而在早上或下午時段時，“是否工作日”維度對于建筑空調(diào)負荷的影響程度則更大。影響因素注意力模塊結(jié)構(gòu)如圖2所示。

圖2 影響因素注意力模塊結(jié)構(gòu)Fig.2 Structure of the influencing factor attention module

影響因素注意力模塊的計算過程如下：

1）初始影響因素矩陣I輸入影響因素注意力模塊后，按行拆分為6個影響因素行向量ir（r=1，2，…，6）。為了在影響因素注意力計算時充分考慮影響因素與建筑空調(diào)負荷之間的非線性和非單調(diào)性關(guān)系，本文提出一種簡單高效的卷積層結(jié)構(gòu)，并將每個ir分別輸入一個卷積層進行卷積運算。卷積層結(jié)構(gòu)如圖3所示，由k個單通道的1×1卷積核、激活函數(shù)以及1個k通道的1×1卷積核串接而成，其中激活函數(shù)采用ReLU（修正線性單元）的形式。卷積層結(jié)構(gòu)中，k個單通道的1×1卷積核有利于捕捉影響因素與建筑空調(diào)負荷之間的非單調(diào)性關(guān)系，例如隨著溫度由低溫到高溫變化，建筑空調(diào)負荷通常會呈現(xiàn)先下降后上升的非單調(diào)變化趨勢；激活函數(shù)ReLU有利于更好地擬合影響因素與建筑空調(diào)負荷之間復雜的非線性關(guān)系；1個k通道的1×1卷積核則將k個T維行向量重新融合為1個T維的特征行向量。經(jīng)過卷積層的計算后，每個ir均得到對應(yīng)的特征行向量cr。

圖3 卷積層結(jié)構(gòu)Fig.3 Sturcture of the convolutional layer

2）引入T維的影響因素注意力向量u1，并計算每個特征行向量cr與u1的內(nèi)積，再使用softmax函數(shù)進行歸一化，得到6維的影響因素注意力權(quán)重向量a1，其中向量a1第r維的值a1（r）計算方法為：

3）將每個特征行向量cr與向量a1第r維的值a1（r）相乘，相乘后共得到6個行向量，按行拼接后得到含影響因素注意力的特征矩陣C。

上述計算過程中，卷積層的卷積核參數(shù)以及影響因素注意力向量u1的值均可在模型訓練過程中自動學習得到。

2.3 時間注意力模塊

時間注意力模塊的作用是通過注意力機制區(qū)分不同時刻的影響因素對于建筑空調(diào)負荷預測的影響程度差異。例如，對于“歷史空調(diào)負荷”維度而言，由于建筑空調(diào)負荷變化具有連續(xù)性，往往越接近于當前時刻的采樣時刻，其采樣值對當前的空調(diào)負荷影響越大；而對于“溫度”“濕度”等氣象因素而言，其對建筑空調(diào)負荷的影響往往具有延遲效應(yīng)［23-27］，因此距離當前時刻較遠的采樣時刻，其采樣值也可能對當前的建筑空調(diào)負荷產(chǎn)生較大的影響。時間注意力模塊的結(jié)構(gòu)如圖4所示。

圖4 時間注意力模塊結(jié)構(gòu)Fig.4 Structure of the temporal attention module

時間注意力模塊的計算過程如下：

1）將T個l維的隱藏層向量ht輸入時間注意力模塊后，引入l維的影響因素注意力向量u2，并計算每個隱藏層向量ht與u2的內(nèi)積，再使用softmax函數(shù)進行歸一化，得到T維的影響因素注意力權(quán)重向量a2，其中向量a2第t維的值a2（t）計算方法為：

2）將每個隱藏層向量ht與向量a2第t維的值a2（t）相乘，并對相乘后得到的T個列向量求和，求和后得到含時間注意力的輸出向量h0。

上述計算過程中，時間注意力向量u2的值可在模型訓練過程中自動學習得到。

完成時間注意力模塊的計算后，將含時間注意力的輸出向量h0輸入SVR模型，通過支持向量回歸法計算最終的建筑空調(diào)負荷預測值。SVR模型的參數(shù)可在模型訓練過程中自動學習得到。

3 算例分析

3.1 實驗數(shù)據(jù)集

為了驗證本文所提的基于多階段注意力機制的建筑空調(diào)負荷預測模型的預測效果，采用華東某地區(qū)的1座辦公建筑和1座居民建筑作為實驗對象，采集2座建筑在2018—2021年間的空調(diào)實際用電負荷數(shù)據(jù)，以及是否工作日、當日時刻、歷史空調(diào)負荷、溫度、濕度、氣壓共6類影響因素數(shù)據(jù)進行實驗，數(shù)據(jù)均在整點時刻進行采樣，采樣間隔為1 h。其中，空調(diào)負荷數(shù)據(jù)為暫態(tài)功率數(shù)據(jù)，采集方法是采用半侵入式的智能用電負荷監(jiān)測系統(tǒng)，對所研究建筑的樓層或室內(nèi)配電箱的空調(diào)分支回路電壓、電流數(shù)據(jù)進行實時監(jiān)測與傳輸，從而采集每個配電箱對應(yīng)的空調(diào)有功功率實時數(shù)據(jù)，并進行匯總求和，得到建筑對應(yīng)的總體空調(diào)負荷實時數(shù)據(jù)，再通過整點時刻的采樣得到暫態(tài)功率數(shù)據(jù)。

將2018—2020年的數(shù)據(jù)作為訓練集，用于訓練建筑空調(diào)負荷預測模型的模型參數(shù)；將2021年的數(shù)據(jù)作為測試集，用于測試建筑空調(diào)負荷預測模型的預測效果。模型訓練和測試時，均滾動地利用待預測時刻的前1至T個小時的6個影響因素實際值構(gòu)建初始影響因素矩陣I，并輸入建筑空調(diào)負荷預測模型，通過模型計算后輸出待預測時刻的空調(diào)負荷預測值。

3.2 評價指標

為評估建筑空調(diào)負荷預測的準確性，選取負荷預測常用的MAPE（平均絕對百分比誤差）和RMSE（均方根誤差）作為評價指標。

假設(shè)測試集一共有D個待預測的建筑空調(diào)負荷值，負荷的實際值記為y0（d）（d=1，2，…，D），負荷的預測值記為y（d），則MAPE指標的計算方法為：

RMSE指標的計算方法為：

3.3 實驗?zāi)Ｐ团c參數(shù)設(shè)置

本文采用了多階段的注意力模塊，以區(qū)分不同影響因素和不同采樣時刻對于空調(diào)負荷預測的重要程度差異，故對照模型也針對影響因素注意力模塊和時間注意力模塊進行設(shè)置。

實驗?zāi)Ｐ偷木唧w設(shè)置如表1所示。其中，對照模型1既不使用影響因素注意力模塊（即圖2中直接令特征矩陣C等于初始影響因素矩陣I），也不使用時間注意力模塊（即圖4中直接將各個隱藏層向量ht乘以1/T后求和得到輸出向量h0）；對照模型2僅使用時間注意力模塊，而不使用影響因素注意力模塊；對照模型3僅使用影響因素注意力模塊，而不使用時間注意力模塊；對照模型4雖然同時使用影響因素注意力模塊和時間注意力模塊，但在影響因素注意力模塊中不使用本文所提出的卷積層結(jié)構(gòu)，即圖3中直接令特征行向量cr等于影響因素行向量ir。經(jīng)過預實驗，將輸入模型的采樣時刻數(shù)目T設(shè)定為12，即初始影響因素矩陣I的列數(shù)為12；在影響因素注意力模塊的卷積層結(jié)構(gòu)中，將單通道1×1卷積核的數(shù)量k設(shè)定為4；將隱藏層向量ht和輸出向量h0的維數(shù)l設(shè)定為32。

表1 實驗?zāi)Ｐ驮O(shè)置情況Table 1 Experimental model settings

3.4 實驗結(jié)果分析

本文針對所選取的1座辦公建筑和1座居民建筑的空調(diào)用電負荷分別進行實驗研究。采用空調(diào)負荷訓練集的數(shù)據(jù)對表1的各個實驗?zāi)Ｐ瓦M行訓練后，對空調(diào)負荷測試集的數(shù)據(jù)進行預測，并統(tǒng)計建筑空調(diào)負荷的預測結(jié)果，得到2座建筑的預測結(jié)果如表2所示。

表2 建筑空調(diào)負荷預測結(jié)果Table 2 Results of building air conditioning load prediction

從表2可以看出，無論是對辦公建筑還是居民建筑進行空調(diào)負荷預測，本文模型相比于其他對照模型的預測準確率都有比較顯著地提升。對照模型1未使用注意力模塊，預測時難以區(qū)分不同影響因素、采樣時刻對于空調(diào)負荷變化的重要程度，容易受到次要因素的干擾，因而在辦公建筑和居民建筑的空調(diào)負荷預測中誤差均大于其他模型；對照模型2僅加入時間注意力模塊，無法在初始影響因素矩陣輸入LSTM神經(jīng)網(wǎng)絡(luò)前為各個影響因素分配不同的注意力，因此相對于本文模型的預測誤差仍然較大；類似的，對照模型3僅加入影響因素注意力模塊，無法在LSTM神經(jīng)網(wǎng)絡(luò)輸出隱藏層向量后為不同時刻的向量分配不同的注意力，導致空調(diào)負荷預測的誤差較大；對照模型4雖然同時加入了影響因素注意力模塊和時間注意力模塊，但是在影響因素注意力模塊中省略了圖3所示的卷積層結(jié)構(gòu)，因而在計算影響因素注意力權(quán)重時，無法提前挖掘影響因素與空調(diào)負荷之間的非線性和非單調(diào)性關(guān)系，導致影響因素注意力權(quán)重計算出現(xiàn)一定偏差，影響了最終的建筑空調(diào)負荷預測效果。

通過表2中本文模型與各個對照模型的對比可以看出，無論是影響因素注意力模塊及其包含的卷積層結(jié)構(gòu)，還是時間注意力模塊，對于減小建筑空調(diào)負荷預測模型的預測誤差，提升建筑空調(diào)負荷預測的準確率都有著重要的作用。

為了更直觀地展示多階段注意力模塊對于提高建筑空調(diào)負荷預測準確性的作用，選擇某個夏季工作日24 h的空調(diào)負荷數(shù)據(jù)，繪制僅采用單階段注意力模塊的對照模型2和對照模型3，以及本文的多階段注意力模型對于2座建筑的空調(diào)負荷預測結(jié)果，其中辦公建筑的空調(diào)負荷預測結(jié)果如圖5所示，居民建筑的空調(diào)負荷預測結(jié)果如圖6所示。

圖5 辦公建筑的空調(diào)負荷預測結(jié)果Fig.5 Results of air conditioning load prediction for office buildings

圖6 居民建筑的空調(diào)負荷預測結(jié)果Fig.6 Results of air conditioning load prediction for residential buildings

圖5的辦公建筑在凌晨休息時間僅有資料室、機房等區(qū)域的空調(diào)開啟，負荷較低；07：00—09：00，隨著建筑內(nèi)各個區(qū)域的上班人員陸續(xù)開啟空調(diào)，總體空調(diào)負荷有較為明顯地爬升；隨后，空調(diào)負荷主要受氣象因素影響波動，且在午休時間出現(xiàn)小幅回落；17：00—20：00，隨著人員下班陸續(xù)關(guān)閉空調(diào)，總體空調(diào)負荷有明顯地下降，此后保持在低負荷運行。

圖6的居民建筑在夜間隨著氣溫降低，總體空調(diào)負荷呈現(xiàn)下降趨勢；在上午隨著人員上班離開住所，空調(diào)負荷繼續(xù)降低，但在中午由于午休開啟空調(diào)等原因，負荷出現(xiàn)一個小的波峰；17：00開始，人員陸續(xù)返回住所，空調(diào)負荷出現(xiàn)明顯升高，到晚間接近休息時間時逐漸回落。

從圖5和圖6可以看出，相比于采用單階段注意力模塊的對照模型2和對照模型3，本文的多階段注意力模型不管是在辦公建筑或居民建筑的空調(diào)負荷預測上，都能更好地跟蹤負荷的變化。在空調(diào)負荷波動幅度較大的時間段，如圖5的07：00—11：00、17：00—20：00，圖6的08：00—12：00、18：00—21：00等時間段，本文模型可以對空調(diào)負荷的變化情況進行更好地跟蹤擬合，從而提高建筑空調(diào)負荷預測的準確率。

4 結(jié)語

本文提出一種基于多階段注意力機制的建筑空調(diào)負荷預測方法，通過構(gòu)建影響因素注意力模塊和時間注意力模塊，實現(xiàn)對建筑空調(diào)負荷預測中不同影響因素和采樣時刻的重要性定量計算和區(qū)分，并將注意力模塊與LSTM神經(jīng)網(wǎng)絡(luò)有機結(jié)合，形成了建筑空調(diào)負荷的預測模型。對照實驗的結(jié)果表明，本文所提的建筑空調(diào)負荷預測模型相對于不包含注意力機制的預測模型，以及僅包含單一影響因素注意力模塊或時間注意力模塊的預測模型，預測誤差均有較大幅度地降低，對于提升建筑空調(diào)負荷預測的準確性有較為顯著的作用。