梁文建 石衛(wèi)兵 韓玉穩(wěn) 戴峰 馬亞文

1.中車青島四方機車車輛股份有限公司 山東 青島 266000

2.云南省機電一體化應用技術重點實驗室 云南 昆明 650031

3.南通市中央創(chuàng)新區(qū)建設投資有限公司 江蘇 南通 226010

4.元始智能科技（南通）有限公司 江蘇 南通 226010

世界范圍內的建筑能耗已超越了工業(yè)、交通等領域，世界各國的建筑能耗普遍約為33%[1]。我國建筑能耗已達到全國總能源消費的三分之一，工業(yè)園區(qū)能耗作為建筑能耗的主要組成部分，園區(qū)能源消耗精準預測對園區(qū)節(jié)能有著重要作用。目前，園區(qū)能耗預測模型方法主要分為兩種，一種是工程模型或正演模型，另一種是基于數(shù)據(jù)驅動模型。技術建模使用物理和熱力學函數(shù)來量化理論過程和系統(tǒng)的能耗。技術模型可提供精確的結果，但也需要詳細的輸入數(shù)據(jù)[2]。

數(shù)據(jù)驅動模型，其目的是能在缺少園區(qū)物理參數(shù)的情況下對園區(qū)能耗進行預測，是通過過去的數(shù)據(jù)以此來建立能耗數(shù)據(jù)驅動模型。當前，廣泛使用的機器學習方法有支持向量回歸（Support Vector Recovery, SVR）[3]、人工神經網絡（ANN）[4]和梯度漸進回歸樹(GBRT)等。然而，大多數(shù)機器學習方法用來降低數(shù)據(jù)的復雜性是需要大量的人為操作進行特征提取。

隨著數(shù)據(jù)規(guī)模的不斷擴大和技術不斷發(fā)展，基于數(shù)據(jù)驅動的模型正逐步從淺層向深層過渡[5]，即在多層網絡中直接從數(shù)據(jù)中進行特征提取。與傳統(tǒng)的機器學習方法相比，深度學習的預測準確率隨訓練樣本數(shù)量的增加而持續(xù)提升[6]。在能源預測領域，循環(huán)神經網絡（RNN）和長短期記憶網絡（LSTM）等模型目前在園區(qū)能耗預測中占主導地位，而卷積神經網絡（CNN）則較少使用，因為CNN更能捕捉局部特征，能有效學習到影響園區(qū)能耗的變量之間的非線性關系。

針對目前園區(qū)能耗預測方法存在的問題和兩種模型各存在的不足和各自的優(yōu)勢，本文提出了一種基于CNN-LSTM聯(lián)合模型的園區(qū)能耗融合預測模型。具體來說，這個聯(lián)合模型是用來對數(shù)據(jù)進行平穩(wěn)分析的，再將數(shù)據(jù)輸入到ARIMA預測模型，得到一組預測值；將經過預處理的數(shù)據(jù)進行特征構造得到處理后的數(shù)據(jù)，然后用CNN-LSTM聯(lián)合模型對其進行擬合，獲得了預測結果。在此基礎上，利用卷積神經網絡的預測精度與ARIMA擬合趨勢的一致性，對預測結果進行加權融合，實現(xiàn)能耗融合預測的目的。為了驗證所提預測模型性能的有效性，本文利用某高鐵制造工業(yè)園區(qū)動力柜輸出用電數(shù)據(jù)進行實驗。實驗結果表明，本文提出的融合預測模型在能耗預測準確率方面均高于ARIMA模型和CNN-LSTM模型。本文的主要貢獻可以概括為：（1）將CNN和LSTM兩種算法結合起來，同時提取局部關聯(lián)特征和時序特征，實現(xiàn)更可靠的園區(qū)能耗預測；（2）采用stacking集成學習的模式，將深度學習預測結果與ARIMA預測結果進行融合；（3）利用深度學習模型預測的準確率和ARIMA擬合趨勢的吻合度進行權重分配。

1 模型原理

整體結構分成四個部分，第一部分是數(shù)據(jù)采集；第二部分是數(shù)據(jù)處理，對采集到的原始數(shù)據(jù)進行處理，該數(shù)據(jù)為本文實驗數(shù)據(jù)；第三部分是模型構建，第四部分給出了本文所建模型的預測結果。

1.1 卷積神經網絡

CNN通過處理輸入數(shù)據(jù)的局部相關性可以避免過多的參數(shù)模型，而卷積操作最重要的特點之一就是權值共享。

通常用全連接層、池化層和卷積層構成CNN。其中，卷積層的主要作用是從輸入數(shù)據(jù)中提取有用的信息，通過卷積核對數(shù)據(jù)進行特征提取，形成特征映射圖。

1.2 長短期記憶網絡

長短期記憶網絡（LSTM）是一種能夠學習并記憶序列長期信息的遞歸模型。LSTM的核心是由三個存儲單元組成，每一次都可以對輸入信息進行編碼。其運算公式如下所示，

其中x表示輸入向量，h表示輸出向量，⊙表示點乘運算符，矩陣表示待訓練參數(shù)。σ(·)表示sigmoid非線性函數(shù)，tanh(·)表示雙曲正切函數(shù)。

差分自回歸移動平均模型

差分自回歸移動平均模型（ARIMA）是時間序列預測常用的一種模型。ARIMA模型將時間序列數(shù)據(jù)默認為一組隨機序列，是非平穩(wěn)的數(shù)據(jù)經過差分后趨于平穩(wěn)，轉換為平穩(wěn)的時間序列，并對以往數(shù)據(jù)間的線性關系構建模型，以預測數(shù)據(jù)未來值。ARIMA(p, d, q)模型的表現(xiàn)形式為：

式(2)中，yt為當前預測值，μ為常數(shù)項，p為自回歸的階數(shù)，q為移動平均的階數(shù)，tε為隨機擾動項序列。

1.3 CNN-LSTM預測模型

針對園區(qū)能耗預測領域，在CNN模型中，可通過卷積核構成高維特征；在LSTM預測模型中，LSTM模型有輸入門it、輸出門ot、和忘記門ft，信息流ct；CNN-LSTM組合模型是混合模型，分為兩層，第一層采用CNN網絡；第二層采用LSTM模型。CNN模型接受訓練數(shù)據(jù)的輸入，提取特征信息，最后輸出預測結果，將預測結果輸入到后端LSTM模型中，LSTM再對輸入進行訓練?？梢蕴嵘W絡的非線性映射能力，同時避免過擬合。

1.4 SCLA融合預測模型

融合預測模型（Stacking CNN-LSTM ARIMA，SCLA）是將ARIMA預測模型和CNN-LSTM預測模型結合起來，在有限的數(shù)據(jù)上，提高模型的預測能力。該模型主要包含基于ARIMA模型預測、CNN-LSTM模型預測以及融合預測三個階段。

圖1 融合預測模型

2 數(shù)據(jù)表示和處理

2.1 數(shù)據(jù)集選擇

本文選擇了某高鐵制造工業(yè)園區(qū)動力柜用電2022年8月9日到2022年8月23日共358個電表讀數(shù)作為數(shù)據(jù)集，來進行訓練和測試。將2022年8月9日到2022年8月22日的數(shù)據(jù)作為訓練集，2022年8月23日的數(shù)據(jù)作為測試集。

2.2 異常值清洗

異常值是指在樣本中明顯偏離其他數(shù)值的樣本點，這些異常值與其他數(shù)據(jù)點相比具有顯著的差異。本文使用箱線圖對異常值進行處理。

2.3 模型評估指標

為了更好地評估模型的預測結果，本文選擇三個性能指標，利用均方誤差（MSE）、平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE），以評估和比較模型的預測能力。MSE是真實值與預測值的差值的平方然后求和平均；MAE揭示誤差絕對值的均值情況；MAPE是統(tǒng)計預測準確性的一種方法。以上三類誤差均實數(shù)值越小表示模型預測效果越好。其方程如下

其中，表示預測值，yi表示真實值。

3 實驗分析

3.1 實驗數(shù)據(jù)處理

本文使用某高鐵制造工業(yè)園區(qū)電表讀數(shù)作為數(shù)據(jù)源，且需要對其進行處理，計算出其每小時的用電量。

3.2 箱線圖異常檢測結果

本文使用箱線圖檢測異常數(shù)據(jù)，其結果如圖2所示。從圖7中可以發(fā)現(xiàn)，數(shù)據(jù)集中各個時間段均存在異常值的情況，對于所檢測出的異常值，采用刪除異常值的方式進行處理。

圖2 異常數(shù)據(jù)檢測

3.3 ARIMA參數(shù)選擇

為了確定ARIMA模型的結束，本文應用AIC準則確定最終模型的階數(shù)。AIC準則是由日本統(tǒng)計學家Akaike提出的，該準則要求選擇使下式最小化的模型：

計算p，q取不同的值得到的ARIMA模型的AIC值，最小AIC值對應的p，q即為最優(yōu)參數(shù)。本文所用ARIMA模型的最優(yōu)階數(shù)是（3，0，4）。

3.4 模型預測效果對比

為了驗證本文所提模型的有效性和可行性，與ARIMA算法和CNN-LSTM算法進行對比分析。幾種模型的評估指標如下表所示：

從表1可知，本文所提SCLA模型的MSE指標、MAE指標和MAPE指標均低于ARIMA算法和CNN-LSTM算法。

表1 模型評估指標

為了更好的對比三種模型的預測效果，三種模型的預測結果的預測結果如圖3所示。

圖3 預測結果對比

由圖3可知，本文所提的融合模型SCLA的預測曲線更加平滑，相較于ARIMA模型和CNN-LSTM模型其預測結果更接近真實值，預測效果更好。

綜上，根據(jù)三個模型的預測結果和評估指標對比可以看出，本文所提SCLA融合模型預測的整體趨勢和真實值更吻合，特別是在峰值處的預測值和真實值十分貼近，預測效果更好。

4 結語

本文建立了基于ARIMA和CNN-LSTM融合模型的園區(qū)能耗預測模型利用高鐵制造工業(yè)園區(qū)能耗實測數(shù)據(jù)進行驗證和分析，并得出以下結論：

（1）利用ARIMA預測模型對數(shù)據(jù)進行平穩(wěn)性檢測，并利用箱線圖檢測并刪除異常值得到了有利于能耗預測的平穩(wěn)、完整的實驗數(shù)據(jù)。

（2）提出了CNN-LSTM組合模型，利用卷積神經網絡對提取局部關聯(lián)特征的能力以及長短期記憶網絡學習時序特征的能力進行能耗預測，以實現(xiàn)深度學習在預測公園能耗方面的重要性。

（3）提出了一種新的改進算法，該算法將ARIMA和CNN-LSTM預測進行了校準，該算法充分利用了周期性趨勢的優(yōu)勢，使之能更好地反映實際的變化趨勢。實驗結果顯示，本文所提模型相較于ARIMA和CNN-LSTM的預測精度都大幅度提高。