殷林飛，劉金元

（廣西大學(xué) 電氣工程學(xué)院，南寧 530004）

0 引言

在世界少排放、低能耗、低環(huán)境污染的“低碳經(jīng)濟(jì)”增長(zhǎng)模式下，電力行業(yè)成為世界環(huán)保減排的重要產(chǎn)業(yè)部分。中國(guó)電力行業(yè)同樣需要責(zé)無(wú)旁貸地通過(guò)各種科技舉措和技術(shù)手段來(lái)減少能耗、提高電能質(zhì)量，進(jìn)而減少環(huán)境污染總量［1］。在這樣的大背景下，以節(jié)約能源、提高效率、減少能源消費(fèi)為核心價(jià)值的智慧電網(wǎng)應(yīng)運(yùn)而生。

傳統(tǒng)家庭能量管理存在多方面問(wèn)題。首先，傳統(tǒng)的家庭能量管理系統(tǒng)通常是固定的，缺乏智能化和個(gè)性化，不能適應(yīng)家庭成員的行為和偏好，導(dǎo)致能源的浪費(fèi)和低效利用［2］。其次，傳統(tǒng)的家庭能量管理系統(tǒng)通常需要通過(guò)安裝傳感器等設(shè)備獲取能源數(shù)據(jù)，但這種方式存在高昂的成本和復(fù)雜的安裝過(guò)程，同時(shí)可能對(duì)家庭成員的隱私造成侵犯［3］。此外，傳統(tǒng)的家庭能量管理系統(tǒng)通常采用基于規(guī)則或經(jīng)驗(yàn)的方法進(jìn)行能源預(yù)測(cè)，但這種方法往往存在誤差和不確定性，難以準(zhǔn)確預(yù)測(cè)家庭能源的使用情況。另外，傳統(tǒng)家庭能量管理系統(tǒng)通常采用人工干預(yù)的方式進(jìn)行能源控制，但這種方式存在局限性和不足，不能實(shí)現(xiàn)智能化和自動(dòng)化的能源控制。最后，傳統(tǒng)家庭能量管理系統(tǒng)的普及率較低，往往只有少數(shù)家庭采用，無(wú)法對(duì)整個(gè)社會(huì)的能源利用產(chǎn)生重大的影響。這些問(wèn)題導(dǎo)致傳統(tǒng)家庭能量管理系統(tǒng)難以有效地控制和利用能源，無(wú)法很好地適應(yīng)人們的生活需求和能源使用情況，對(duì)整個(gè)社會(huì)能源利用的影響相對(duì)較低，難以實(shí)現(xiàn)高效、智能、節(jié)能的目標(biāo)［4］。因此，研究智慧家庭能量管理成為當(dāng)前的研究熱點(diǎn)。

人工情感長(zhǎng)短期記憶（Artificial Emotion Long Short Term Memory，AELSTM）網(wǎng)絡(luò)算法是一種基于深度學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)模型，它能夠在處理時(shí)序數(shù)據(jù)時(shí)有效地提取特征，并能夠建立長(zhǎng)短期記憶（LSTM）模型，用于預(yù)測(cè)未來(lái)的數(shù)據(jù)趨勢(shì)。

該算法在智慧家庭能量管理領(lǐng)域具有較好的應(yīng)用前景，能夠預(yù)測(cè)家庭能耗、優(yōu)化家庭能源使用方案，實(shí)現(xiàn)智能化、高效化、節(jié)能化的能源管理目標(biāo)。因此，研究基于AELSTM 算法的智慧家庭能量管理具有重要的理論意義和實(shí)際應(yīng)用價(jià)值。它不僅能夠提高智慧家庭能源使用效率和節(jié)能效果，還能為智慧家庭的智能化建設(shè)和可持續(xù)發(fā)展做出重要貢獻(xiàn)。

1 人工情感

1.1 人工情感Q學(xué)習(xí)算法

Q學(xué)習(xí)算法的主要思路就是把狀態(tài)（state）與動(dòng)作（action）構(gòu)建成一張Q-table 來(lái)存儲(chǔ)Q值，再通過(guò)根據(jù)Q值來(lái)選取能夠達(dá)到最大化利益的動(dòng)作［5］。本文將Q學(xué)習(xí)算法融入人工情感中獲得由系統(tǒng)調(diào)配的賦予人的情感的智慧家庭能量管理方案，再通過(guò)合理選擇Q值的大小，即可使家庭能量的分配和利用更為優(yōu)化。

智能體（即用戶，agent）、環(huán)境狀況（environment）、獎(jiǎng)賞（即用戶情感值，reward）、動(dòng)作（action）都可以將問(wèn)題抽象成一種馬爾科夫決策流程。每個(gè)用電方案都算是一種狀態(tài)St，π（a/s）在s狀況下采取動(dòng)態(tài)a策略。P（s'|s，a）表示在s狀況下選擇a動(dòng)作轉(zhuǎn)換到下一個(gè)狀況s'的概率。R（s'|s，a）表示在s狀態(tài)下采取a動(dòng)作轉(zhuǎn)移到s'的獎(jiǎng)勵(lì)（reward），Q-learning 算法的目的是求出累計(jì)獎(jiǎng)勵(lì)最大的策略期望［6］

式中：t為時(shí)間；H為達(dá)到最大期望時(shí)的時(shí)間；s和s'分別為當(dāng)前狀態(tài)和下一時(shí)刻狀態(tài)；γ為折扣因子；R(St，At，St+ 1)為環(huán)境中所得獎(jiǎng)勵(lì)值，即用戶的情感值?；谌斯で楦械腝學(xué)習(xí)算法示意如圖1 所示。圖中：s為狀態(tài)；r為獎(jiǎng)勵(lì)；f為情感值；η為情感輸出器的輸出。

圖1 基于人工情感的Q學(xué)習(xí)算法示意Fig.1 Schematic artificial emotion-based Q-learning algorithm

1.2 情感深度神經(jīng)網(wǎng)絡(luò)（EDNN）

深度神經(jīng)網(wǎng)絡(luò)（DNN）的主要作用是通過(guò)多層抽象和表示學(xué)習(xí)，從高維、復(fù)雜的數(shù)據(jù)中提取有意義的特征，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的分類、識(shí)別、回歸等任務(wù)。與傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)相比，深度神經(jīng)網(wǎng)絡(luò)能夠更好地處理復(fù)雜的非線性問(wèn)題［7］，并且在圖像識(shí)別、自然語(yǔ)言處理、語(yǔ)音識(shí)別等領(lǐng)域取得了重大的突破。DNN 是EDNN 結(jié)構(gòu)中的一部分。EDNN 繼承了DNN 很強(qiáng)的學(xué)習(xí)能力。通過(guò)深度學(xué)習(xí)多層的神經(jīng)網(wǎng)絡(luò)，EDNN 可以不斷優(yōu)化數(shù)據(jù)擬合的效果來(lái)解決很復(fù)雜的問(wèn)題。在制定控制策略時(shí)，單一的DNN存在一定的缺陷，所以數(shù)據(jù)很容易出現(xiàn)欠擬合或過(guò)擬合現(xiàn)象［8］。在DNN 模型構(gòu)建的基礎(chǔ)上，EDNN 模型中建立了情感模型優(yōu)化的比例積分微分（PID）控制環(huán)節(jié)，從而保證DNN 可以獲得高質(zhì)量的訓(xùn)練數(shù)據(jù)。EDNN的結(jié)構(gòu)如圖2所示。

圖2 EDNN的結(jié)構(gòu)Fig.2 Structure of EDNN

EDNN 可以通過(guò)對(duì)用戶的情感狀態(tài)和行為進(jìn)行建模和分析，從而預(yù)測(cè)智慧家庭能量控制方面的效果。智慧家庭能源控制是一項(xiàng)重要的任務(wù)，可以通過(guò)控制家庭能源的使用來(lái)減少對(duì)環(huán)境的影響，同時(shí)降低家庭能源使用成本。

EDNN 的多層神經(jīng)網(wǎng)絡(luò)對(duì)輸入的情感狀態(tài)進(jìn)行建模，然后通過(guò)反向傳播算法來(lái)優(yōu)化網(wǎng)絡(luò)參數(shù)［9］，使其能夠更好地預(yù)測(cè)智慧家庭能量控制的效果。這些情感狀態(tài)可來(lái)自于傳感器、用戶交互、社交媒體等多個(gè)方面。EDNN 在預(yù)測(cè)智慧家庭能量管理中的流程如圖3所示。

圖3 EDNN在預(yù)測(cè)智慧家庭能量管理中的流程Fig.3 Process of EDNN applied in smart home energy management and prediction

1.3 AELSTM 算法

目前，所有家用機(jī)器人都是在人的嚴(yán)格控制下工作。家用機(jī)器人在用戶指定的時(shí)刻內(nèi)按照一定的程序完成各種規(guī)定的程序或操作，并沒(méi)有主動(dòng)性和創(chuàng)造力。本文把人的情感因素傳遞給機(jī)器。人工情感因素讓家用機(jī)器人以自己的“價(jià)值目標(biāo)”為行動(dòng)方向，以內(nèi)設(shè)的“感知情意管理系統(tǒng)”為價(jià)值計(jì)量基礎(chǔ)，形成一個(gè)價(jià)值計(jì)量的函數(shù)關(guān)系式或約束方程式。

人工情感（AE）以用戶側(cè)需求作為輸入，可供用戶選擇的模式依據(jù)用戶的日常喜好而定。例如低耗模式、節(jié)能模式、舒適模式。AE 感知到輸入信號(hào)后將所接收到的情感信息進(jìn)行量化處理，并輸出情感量化后的函數(shù)。

情感輸出函數(shù)先在深度神經(jīng)網(wǎng)絡(luò)（DNN）中擬合數(shù)據(jù)，再與實(shí)時(shí)電價(jià)作為新的輸入信息傳送到LSTM 網(wǎng)絡(luò)中。遺忘門(mén)層（forget gate layer）取舍機(jī)制［10］決定情感輸出函數(shù)的哪些結(jié)果被保留下來(lái)。被保留下來(lái)的結(jié)果結(jié)合實(shí)時(shí)電價(jià)信息篩選出的符合用戶當(dāng)前需求的用電模式，再將這一信息通過(guò)LSTM 的輸入門(mén)層（input gate layer）傳遞進(jìn)入細(xì)胞狀態(tài)中。輸入門(mén)層需要對(duì)新的輸入信息進(jìn)行修改和更新。最終的用電方案通過(guò)輸出門(mén)層（output gate layer）作為控制電能指令輸出。本方法通過(guò)對(duì)比用戶選擇同一用電器的不同時(shí)刻所產(chǎn)生的用電費(fèi)用以及建立在用戶所選擇的用電模式下的該用電器的必要性進(jìn)行衡量和分析，有選擇性地開(kāi)斷用電設(shè)備。AELSTM 算法在智慧家庭能量管理中的控制過(guò)程如圖4所示。

圖4 AELSTM 算法在智慧家庭能量管理中的控制過(guò)程Fig.4 Main process of AELSTM algorithm applied in smart home energy management and prediction

在智慧家庭能量管理中，LSTM 算法可以用于能源需求的預(yù)測(cè)和控制，以實(shí)現(xiàn)能源的有效利用和節(jié)約。LSTM 算法的優(yōu)點(diǎn)是可以處理長(zhǎng)序列的數(shù)據(jù)，具有較好的記憶能力，能夠捕捉數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系。此外，LSTM 還能夠處理非線性數(shù)據(jù)，適用于多種場(chǎng)景下的數(shù)據(jù)預(yù)測(cè)和分類問(wèn)題［11］。

在使用LSTM 算法進(jìn)行智慧家庭能量管理預(yù)測(cè)時(shí)，其主要過(guò)程如圖5所示。

圖5 LSTM 算法進(jìn)行智慧家庭能量管理預(yù)測(cè)時(shí)的主要過(guò)程Fig.5 Main process of LSTM algorithm applied in smart home energy management and prediction

2 智慧家庭能量管理優(yōu)化決策

以家庭用戶為例，其中智慧家庭能量管理中各設(shè)備的能量流動(dòng)與電網(wǎng)之間的交互能量關(guān)系如圖6所示。

圖6 各設(shè)備的能量流動(dòng)與電網(wǎng)之間的交互能量關(guān)系Fig.6 Interaction of energy flow between different devices and the power grid

本節(jié)將分別用AELSTM 和EDNN 對(duì)智慧家庭能量管理進(jìn)行優(yōu)化決策。

2.1 以AELSTM 進(jìn)行優(yōu)化決策

當(dāng)使用AELSTM 進(jìn)行預(yù)測(cè)時(shí)，首先需要定義AELSTM 的輸入和輸出。本方法中的輸入是歷史用電數(shù)據(jù)輸入序列x1：T和情感表示向量e，輸出是當(dāng)前時(shí)間步的用電量預(yù)測(cè)值yt。AELSTM 中每個(gè)時(shí)間步的輸入和輸出都是一個(gè)向量，本方法用ht表示AELSTM 的隱藏狀態(tài)向量，ct表示LSTM 的細(xì)胞狀態(tài)向量。

在AELSTM 中，需要計(jì)算當(dāng)前時(shí)間步的隱藏狀態(tài)向量ht和細(xì)胞狀態(tài)向量ct［12］。這 里 采 用 標(biāo) 準(zhǔn)LSTM的公式，其計(jì)算方式如下。

輸入門(mén)it的計(jì)算為

式中：Wi為輸入門(mén)的權(quán)重矩陣；bi為輸入門(mén)的偏置向量；σ為sigmoid函數(shù)；?表示矩陣乘法；[ht-1，xt，e]表示將ht-1，xt和e拼接成一個(gè)向量。

遺忘門(mén)ft的計(jì)算為

式中：Wf為遺忘門(mén)的權(quán)重矩陣；bf為遺忘門(mén)的偏置向量。

細(xì)胞狀態(tài)更新為

式中：Wc為細(xì)胞狀態(tài)更新的權(quán)重矩陣；bc為細(xì)胞狀態(tài)更新的偏置向量；tanh表示雙曲正切函數(shù)。

輸出門(mén)ot的計(jì)算為

式中：Wo為輸出門(mén)的權(quán)重矩陣；bo為輸出門(mén)的偏置向量。

隱藏狀態(tài)更新為

以上算法描述了AELSTM 的計(jì)算過(guò)程，在該方法中用于智慧家庭的能量管理，預(yù)測(cè)用戶用電量。本方法通過(guò)Adam 優(yōu)化算法來(lái)更新AELSTM 的參數(shù)，使得損失函數(shù)［13］最小化，從而實(shí)現(xiàn)更準(zhǔn)確的用電量預(yù)測(cè)。

優(yōu)化算法的目標(biāo)是最小化誤差。本方法將均方誤差（MSE）作為代價(jià)函數(shù)（或損失函數(shù)），用來(lái)指導(dǎo)模型參數(shù)的調(diào)整，并使用梯度下降算法來(lái)求解代價(jià)函數(shù)的最小值，從而得到最優(yōu)的模型參數(shù)。表示誤差的公式算法如下

式中：n為樣本數(shù)量；os為實(shí)際值；ot為預(yù)測(cè)值。本方法將所有樣本的預(yù)測(cè)誤差平方加起來(lái)，再求平均值，得到的就是MSE。

本方法對(duì)預(yù)測(cè)結(jié)果精度，即MSE 進(jìn)行評(píng)估，以提高智慧家庭能量管理中節(jié)能減排的效果和能源利用效率，從而幫助用戶更好地了解自己的用電行為，調(diào)整和優(yōu)化用電策略。

2.2 以EDNN進(jìn)行優(yōu)化決策

本方法以EDNN 對(duì)智慧家庭能量管理進(jìn)行優(yōu)化決策，具體優(yōu)化步驟如下。

（1）對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，本方法將輸入序列x1：T傳入EDNN 進(jìn)行情感分析，得到情感表示向量e，并使用多層感知器（MLP）對(duì)輸入序列進(jìn)行特征提取，得到特征向量v。MLP的具體結(jié)構(gòu)可以表示為

式中：W1和b1為MLP 的參數(shù)；f為激活函數(shù)，這里選擇sigmoid。

（2）設(shè)置情感分類，本方法并將特征向量v送入情感分類器進(jìn)行情感分類，得到情感表示向量e。情感分類器可以是一個(gè)分類器或多個(gè)分類器的組合，表示為

式中：W2和b2為情感分類器的參數(shù)；g為激活函數(shù)，這里選擇選擇sigmoid。

（3）將情感表示向量e和歷史用電數(shù)據(jù)x1：T傳入預(yù)測(cè)模型進(jìn)行用電量預(yù)測(cè)。預(yù)測(cè)模型采用的是卷積神經(jīng)網(wǎng)絡(luò)（CNN）等序列模型。本方法使用CNN模型對(duì)歷史用電數(shù)據(jù)和情感表示向量進(jìn)行建模，并使用卷積層對(duì)輸入序列進(jìn)行特征提取，然后對(duì)輸入序列x1：T進(jìn)行卷積操作，得到特征圖

式中：f為激活函數(shù)；b為偏置項(xiàng)。值得注意的是，卷積操作中，卷積核ω在時(shí)間維度上是滑動(dòng)的，而在其他維度上是不變的。這樣做的目的是提取時(shí)間上的局部模式。

接著，CNN 模型使用池化層對(duì)特征圖進(jìn)行降維處理，從而得到新的特征圖。

式中：pooling 表示池化操作，t：t+ 2h- 2 表示在時(shí)間維度上滑動(dòng)的窗口。CNN 模型對(duì)展開(kāi)后的特征向量進(jìn)行全連接計(jì)算，得到用電量的預(yù)測(cè)結(jié)果。

假設(shè)全連接層的權(quán)重矩陣為Wfc，偏置向量為bfc，那么全連接計(jì)算可表示為

式中：v為展開(kāi)后的特征向量；Wfc和bfc分別為全連接層的權(quán)重矩陣和偏置向量；g表示激活函數(shù)，選擇sigmoid。

最后，CNN 序列模型采用MSE 作為損失函數(shù)，表示預(yù)測(cè)值與真實(shí)值之間的差距［14］。具體為

式中：θ為網(wǎng)絡(luò)參數(shù)；T為時(shí)間步數(shù)；yt為預(yù)測(cè)值；y?t為真實(shí)值。

Adam 是一種自適應(yīng)學(xué)習(xí)率算法，相較于隨機(jī)梯度下降（SGD），前者可以更快地收斂并得到更好的優(yōu)化效果。Adam 算法基于隨機(jī)梯度下降算法，通過(guò)對(duì)梯度的一階矩和二階矩估計(jì)來(lái)自適應(yīng)地調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率，同時(shí)避免了隨機(jī)梯度下降算法中學(xué)習(xí)率需手動(dòng)調(diào)節(jié)的問(wèn)題，從而可以更快地收斂并達(dá)到更好的優(yōu)化效果［15］。Adam 算法的更新公式為

式中：mt和vt分別為梯度的一階矩估計(jì)和二階矩估計(jì)；gt為當(dāng)前梯度；θ?t為更新后的參數(shù)；θt-1為上一次迭代的參數(shù)；η為學(xué)習(xí)率；β1和β2分別為一階矩和二階矩估計(jì)的衰減率，通常設(shè)置為0.9 和0.999；ε為一個(gè)極小數(shù)，通常取10-8，用于避免除數(shù)為0 的情況。

本模型中使用Adam 算法更新網(wǎng)絡(luò)參數(shù)時(shí)，可以通過(guò)設(shè)置不同的學(xué)習(xí)率（η）來(lái)控制每次參數(shù)更新的步長(zhǎng)，以達(dá)到更好的優(yōu)化效果［16］。一般來(lái)說(shuō)，學(xué)習(xí)率較小的時(shí)候，參數(shù)更新的步長(zhǎng)較小，但可以更加精確地優(yōu)化網(wǎng)絡(luò)參數(shù)；學(xué)習(xí)率較大的時(shí)候，參數(shù)更新的步長(zhǎng)較大，但可能會(huì)導(dǎo)致算法在優(yōu)化過(guò)程中無(wú)法收斂或者收斂速度較慢。因此，在智慧家庭能量管理中需要根據(jù)具體情況設(shè)置合適的學(xué)習(xí)率。

在智慧家庭能量管理中，除了需要對(duì)算法進(jìn)行優(yōu)化，本方法還需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理、特征提取等操作，以提高模型的預(yù)測(cè)精度。同時(shí)，需要對(duì)模型進(jìn)行評(píng)估，以確定模型的可靠性和適用性。通?？梢允褂媒徊骝?yàn)證、受試者工作特征曲線（ROC）、混淆矩陣等方法進(jìn)行模型評(píng)估，以便更好地了解模型在不同場(chǎng)景下的表現(xiàn)情況［17］。

3 仿真分析

3.1 AELSTM 模型仿真分析

根據(jù)給定的數(shù)據(jù)集，訓(xùn)練出AELSTM神經(jīng)網(wǎng)絡(luò)，用于預(yù)測(cè)和控制智慧家庭能量管理。

具體來(lái)說(shuō)，AELSTM 模型首先加載數(shù)據(jù)集。然后將數(shù)據(jù)集按照給定的分割點(diǎn)進(jìn)行分割，分成訓(xùn)練集和測(cè)試集。訓(xùn)練集用于訓(xùn)練AELSTM 神經(jīng)網(wǎng)絡(luò)，測(cè)試集用于測(cè)試模型的預(yù)測(cè)能力。

AELSTM 模型對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，以便神經(jīng)網(wǎng)絡(luò)能夠更好地學(xué)習(xí)數(shù)據(jù)的特征。然后，AELSTM 模型準(zhǔn)備好預(yù)測(cè)變量和響應(yīng)。預(yù)測(cè)變量是訓(xùn)練集數(shù)據(jù)的前兩行，即前兩個(gè)時(shí)間步的數(shù)據(jù)。響應(yīng)是訓(xùn)練集數(shù)據(jù)的第3 行，即第3 個(gè)時(shí)間步的數(shù)據(jù)。這樣，神經(jīng)網(wǎng)絡(luò)就可以根據(jù)前兩個(gè)時(shí)間步的數(shù)據(jù)預(yù)測(cè)第3個(gè)時(shí)間步的數(shù)據(jù)。

AELSTM 模型包含1 個(gè)序列輸入層、1 個(gè)LSTM層、1 個(gè)全連接層和1 個(gè)回歸層。AELSTM 模型的輸入特征數(shù)量為3，即每個(gè)時(shí)間步的輸入數(shù)據(jù)包含3個(gè)變量。網(wǎng)絡(luò)的輸出數(shù)量為1，即每個(gè)時(shí)間步的預(yù)測(cè)結(jié)果是一個(gè)數(shù)值。網(wǎng)絡(luò)的隱藏神經(jīng)元數(shù)量為500。本研究采用Adam 優(yōu)化器，并設(shè)置了最大迭代次數(shù)（max epochs）、梯度閾值（gradient threshold）、初始學(xué)習(xí)率（initial learn rate）等參數(shù)。其中，訓(xùn)練選項(xiàng)還指定了學(xué)習(xí)率的調(diào)整方式，即在第500 輪訓(xùn)練后將學(xué)習(xí)率乘以0.5。

AELSTM 模型進(jìn)行預(yù)測(cè)。首先，AELSTM 模型對(duì)測(cè)試集數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，以便神經(jīng)網(wǎng)絡(luò)能夠處理。然后，AELSTM 模型對(duì)訓(xùn)練集數(shù)據(jù)的最后一個(gè)時(shí)間步進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果存儲(chǔ)在訓(xùn)練預(yù)測(cè)變量中。接著，AELSTM 模型對(duì)測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)，同時(shí)更新神經(jīng)網(wǎng)絡(luò)的狀態(tài)。其中，預(yù)測(cè)過(guò)程是通過(guò)循環(huán)實(shí)現(xiàn)的，每個(gè)時(shí)間步依次進(jìn)行預(yù)測(cè)。最后，程序?qū)㈩A(yù)測(cè)結(jié)果反標(biāo)準(zhǔn)化，以便比較真實(shí)值和預(yù)測(cè)值的誤差［18］。

在AELSTM 模型運(yùn)行后輸出預(yù)測(cè)均方根誤差（RMSE），并繪制訓(xùn)練集真實(shí)值和預(yù)測(cè)值、測(cè)試集真實(shí)值和預(yù)測(cè)值的圖形，以便直觀地觀察預(yù)測(cè)效果。AELSTM 預(yù)測(cè)后的RMSE 值和損失值分別如圖7、圖8所示。

圖7 AELSTM 預(yù)測(cè)后的RMSE值Fig.7 RMSE value after AELSTM forecasting

圖8 AELSTM 預(yù)測(cè)后的損失值Fig.8 Loss after AELSTM forecasting

從圖7、圖8中可以看出，隨著訓(xùn)練的進(jìn)行，預(yù)測(cè)誤差和損失函數(shù)逐漸降低，預(yù)測(cè)誤差在可接受的范圍內(nèi)，而損失值也接近于0，這表明AELSTM 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果逐漸提高。其中，預(yù)測(cè)值與實(shí)際值的最大差值為57.89，MSE 為42.58。雖然在數(shù)值上差異較大，但整體變化趨勢(shì)較為一致，說(shuō)明其預(yù)測(cè)結(jié)果比較準(zhǔn)確。在整個(gè)時(shí)間段內(nèi)，AELSTM 模型的預(yù)測(cè)值與實(shí)際值大體上保持同步，AELSTM 模型對(duì)智慧家庭能量管理的預(yù)測(cè)起到了重要作用。通過(guò)對(duì)歷史數(shù)據(jù)的學(xué)習(xí)和分析，該模型能夠?qū)ξ磥?lái)的家庭能量使用情況進(jìn)行預(yù)測(cè)，幫助家庭用戶制定更加有效的能源管理策略。

AELSTM 模型訓(xùn)練集真實(shí)值和預(yù)測(cè)值、測(cè)試集真實(shí)值和預(yù)測(cè)值的情況如圖9和圖10所示。

圖9 訓(xùn)練集真實(shí)值和預(yù)測(cè)值Fig.9 True and predicted values of the training set

圖10 測(cè)試集真實(shí)值和預(yù)測(cè)值Fig.10 True and predicted values of the test set

訓(xùn)練集真實(shí)值和預(yù)測(cè)值、測(cè)試集真實(shí)值和預(yù)測(cè)值的圖像中的橫坐標(biāo)代表時(shí)間步，縱坐標(biāo)代表序列的值。圖9 中縱坐標(biāo)表示序列的值，橫坐標(biāo)表示時(shí)間步，分割點(diǎn)是訓(xùn)練集和測(cè)試集的分割點(diǎn)。圖10中縱坐標(biāo)同樣表示序列的值，橫坐標(biāo)同樣表示時(shí)間步。

根據(jù)訓(xùn)練集和測(cè)試集的運(yùn)行結(jié)可以看出，預(yù)測(cè)值與真實(shí)值都相差較大，但其整體趨勢(shì)比較一致。在訓(xùn)練集上，預(yù)測(cè)值和真實(shí)值的波動(dòng)也比較一致，預(yù)測(cè)值能夠比較準(zhǔn)確地跟隨真實(shí)值的變化。在測(cè)試集上，預(yù)測(cè)值也能夠比較準(zhǔn)確地跟隨真實(shí)值的變化，但是存在一些小的波動(dòng)差異?？傮w上，預(yù)測(cè)模型在這個(gè)時(shí)間序列數(shù)據(jù)上表現(xiàn)得比較好，可以比較準(zhǔn)確地預(yù)測(cè)智慧家庭能量管理的數(shù)據(jù)走向。

3.2 EDNN模型仿真分析

在本方法中，EDNN 模型通過(guò)使用CNN，對(duì)一個(gè)Excel數(shù)據(jù)文件中的數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，并輸出預(yù)測(cè)結(jié)果和誤差。

具體來(lái)說(shuō)，EDNN 讀取Excel 文件中的數(shù)據(jù)，并將數(shù)據(jù)處理成CNN 模型所需的輸入格式。程序中定義了一個(gè)包含多個(gè)層的CNN 模型，這個(gè)模型包括了卷積層、歸一化層、ReLU 激活層、Dropout層、最大池化層和全連接層等。這些層按照一定的順序連接在一起，構(gòu)成了一個(gè)完整的CNN模型。

設(shè)置CNN 模型訓(xùn)練模型的一些參數(shù)，如優(yōu)化器、初始學(xué)習(xí)率、最大迭代次數(shù)。在訓(xùn)練過(guò)程中，程序會(huì)將訓(xùn)練數(shù)據(jù)集的輸入和輸出作為輸入，同時(shí)根據(jù)前面定義的參數(shù)對(duì)模型進(jìn)行優(yōu)化，從而使模型逐漸收斂到最優(yōu)解［19］。

訓(xùn)練完成后，CNN 模型對(duì)測(cè)試數(shù)據(jù)集進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果保存。該模型計(jì)算了預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之間的誤差，并輸出誤差的平均值和MSE。

EDNN 模型用于智慧家庭能量管理預(yù)測(cè)方法中的數(shù)學(xué)描述如下：通過(guò)一系列隱藏層的前向傳播，EDNN 模型將輸入數(shù)據(jù)x1：T經(jīng)過(guò)權(quán)重矩陣W和偏置向量b的線性變換，并經(jīng)過(guò)激活函數(shù)f進(jìn)行非線性映射，得到隱藏層的輸出Hi。最后一個(gè)隱藏層的輸出HL作為輸入傳遞給輸出層，通過(guò)權(quán)重矩陣Wo和偏置向量bo的線性變換，得到最終的預(yù)測(cè)輸出。模型通過(guò)最小化預(yù)測(cè)輸出值與實(shí)際值的差異來(lái)優(yōu)化模型參數(shù)，并使用反向傳播算法來(lái)更新權(quán)重和偏置。該模型的目標(biāo)是提高能量消耗的預(yù)測(cè)準(zhǔn)確性，從而為智慧家庭能量管理提供更精確的預(yù)測(cè)結(jié)果。

EDNN 模型通過(guò)繪圖函數(shù)將預(yù)測(cè)結(jié)果和實(shí)際結(jié)果進(jìn)行可視化，以便對(duì)模型的表現(xiàn)進(jìn)行評(píng)估和比較。EDNN 預(yù)測(cè)后的RMSE 值和損失值分別如圖11和圖12所示。

圖11 EDNN預(yù)測(cè)后的RMSE值Fig.11 RMSE value after EDNN forecasting

圖12 EDNN預(yù)測(cè)后的損失值Fig.12 Loss after EDNN forecasting

EDNN 模型的主要應(yīng)用場(chǎng)景是控制和預(yù)測(cè)智慧家庭能量管理。本方法通過(guò)將情感分析技術(shù)與深度學(xué)習(xí)技術(shù)相結(jié)合，更加精準(zhǔn)地預(yù)測(cè)了家庭能量和情感因素，并對(duì)能量的使用進(jìn)行更加智能化的管理。

EDNN 模型的預(yù)測(cè)性能是通過(guò)觀察預(yù)測(cè)誤差和損失值來(lái)表征的。從圖11 和圖12 可看出該模型在訓(xùn)練集和驗(yàn)證集上的誤差都在逐漸降低，預(yù)測(cè)誤差值在可接受的范圍內(nèi)，而損失值也接近于0，表明EDNN 模型訓(xùn)練的效果較好，沒(méi)有出現(xiàn)嚴(yán)重的過(guò)擬合現(xiàn)象。說(shuō)明該模型在一定程度上可以有效預(yù)測(cè)和控制智慧家庭能量管理。

EDNN 模型輸出的預(yù)測(cè)值和實(shí)際值如圖13 和圖14所示。

圖13 第1個(gè)輸出的預(yù)測(cè)值和實(shí)際值Fig.13 The first predicted output and actual value

圖14 第2個(gè)輸出的預(yù)測(cè)值和實(shí)際值的情況Fig.14 The second predicted output and actual value

在深度學(xué)習(xí)中，多輸出通常是指在1 個(gè)模型需要預(yù)測(cè)多個(gè)相關(guān)的目標(biāo)變量［20］。

EDNN 模型2 個(gè)輸出結(jié)果中的預(yù)測(cè)值和實(shí)際值的最大差值為15.58，MSE 為9.36。雖然輸出結(jié)果肉眼可見(jiàn)的差值較大，但變化趨勢(shì)較為一致，說(shuō)明EDNN 模型可以比較準(zhǔn)確地預(yù)測(cè)智慧家庭能量管理。

4 結(jié)論

本論文提出了一種基于AELSTM算法的智慧家庭能量管理方法，結(jié)合人工情感Q學(xué)習(xí)算法、EDNN和LSTM 算法，以解決智慧家庭能量管理中存在的問(wèn)題。

本文所使用的AELSTM算法對(duì)預(yù)測(cè)智慧家庭能量管理具有重要的意義，它能夠有效地捕捉時(shí)間序列數(shù)據(jù)中的模式和趨勢(shì)，同時(shí)避免傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)中的梯度消失問(wèn)題。這使得它在處理智慧家庭能量管理預(yù)測(cè)問(wèn)題時(shí)能夠更好地捕捉歷史能量消耗的模式，從而提高預(yù)測(cè)準(zhǔn)確性，為用戶提供精確的能量消耗預(yù)測(cè)結(jié)果，并在能源管理和規(guī)劃方面產(chǎn)生積極的影響。具體來(lái)說(shuō)，在數(shù)據(jù)預(yù)處理方面，本論文將歷史用電數(shù)據(jù)和天氣數(shù)據(jù)按照時(shí)間順序拼接成一個(gè)輸入序列。在情感分析方面，使用人工情感Q學(xué)習(xí)算法進(jìn)行情感分析，得到情感表示向量。

在智慧家庭能量管理的預(yù)測(cè)方面，采用了EDNN和LSTM進(jìn)行序列建模，預(yù)測(cè)家庭能量。由于深度學(xué)習(xí)模型的復(fù)雜性和不可解釋性，使得難以準(zhǔn)確理解模型對(duì)于特定輸入的預(yù)測(cè)依據(jù)和可靠性，但經(jīng)過(guò)訓(xùn)練后的AELSTM算法能夠輸出準(zhǔn)確的智慧家庭能量管理的預(yù)測(cè)結(jié)果，從而抵消輸入帶來(lái)的強(qiáng)不確定性問(wèn)題。本論文通過(guò)將情感表示向量與家庭能量的預(yù)測(cè)結(jié)果進(jìn)行融合，以提高預(yù)測(cè)準(zhǔn)確率。同時(shí)，本論文在深度神經(jīng)網(wǎng)絡(luò)中加入了情感因素以進(jìn)行情感分析，旨在更好地挖掘家庭能量數(shù)據(jù)的內(nèi)在特征，從而提高預(yù)測(cè)精度。而LSTM 作為一種序列模型，能夠更好地捕捉時(shí)間序列之間的依賴關(guān)系，提高家庭能量預(yù)測(cè)的準(zhǔn)確性。從仿真試驗(yàn)結(jié)果分析來(lái)看，在人工情感Q學(xué)習(xí)、EDNN 和LSTM 的結(jié)合下，本論文較好的預(yù)測(cè)了智慧家庭能量管理。雖然本研究在情感識(shí)別、能量需求預(yù)測(cè)和能量管理方案優(yōu)化方面取得了一定的成果，但仍存在一些局限性和待完善的方面。例如，本研究采用的是離線模式的數(shù)據(jù)訓(xùn)練，而實(shí)際應(yīng)用中需要考慮在線模式的數(shù)據(jù)更新，以更好地適應(yīng)實(shí)際應(yīng)用場(chǎng)景，且本研究?jī)H考慮了用戶的情感狀態(tài)對(duì)能量管理的影響，而沒(méi)有考慮其他因素如天氣變化、家庭人員變化等對(duì)能量管理的影響，這將是未來(lái)研究需要深入探索的方向。在模型訓(xùn)練過(guò)程中，需要使用一些正則化的方法來(lái)避免過(guò)擬合現(xiàn)象，并提高模型的泛化能力。在未來(lái)的研究中，除了關(guān)注智慧家庭能量管理的效率和性能外，還需要注重用戶隱私保護(hù)和數(shù)據(jù)安全性等方面，以提高用戶對(duì)智慧家庭能量管理的信任度和接受度。