彭 誠(chéng)

隨著我國(guó)城鎮(zhèn)化水平的不斷提高，城市用地日趨緊張，為了提升土地利用率，城市中高層建筑數(shù)量急劇增長(zhǎng)［1］.高層建筑中電梯需要長(zhǎng)時(shí)間處于運(yùn)行狀態(tài)，上下運(yùn)行與中間停靠耗電量較大，消耗較多能源［2］.巨大的電梯能耗已經(jīng)成為當(dāng)前人們關(guān)注的重點(diǎn)，為了降低電梯能耗，發(fā)展建筑節(jié)能技術(shù)，需要對(duì)電梯能耗進(jìn)行有效的實(shí)時(shí)監(jiān)測(cè).

雖然現(xiàn)階段全國(guó)建筑能耗監(jiān)測(cè)平臺(tái)已經(jīng)運(yùn)行了較長(zhǎng)的時(shí)間，并獲取了海量的電梯能耗數(shù)據(jù)；國(guó)內(nèi)外相關(guān)領(lǐng)域的研究也取得較為顯著的研究成果，但是目前的監(jiān)管力度仍然不夠深入.為了更好實(shí)現(xiàn)電梯能耗監(jiān)測(cè)，吳城?。?］提出基于Euclid范數(shù)的電梯能耗評(píng)價(jià)新方法，采用二次拋物線函數(shù)擬合電梯運(yùn)行能耗與試驗(yàn)載荷的函數(shù)關(guān)系，對(duì)電梯運(yùn)行工況進(jìn)行分析.雖然該方法能夠?qū)崿F(xiàn)對(duì)電梯能耗的有效預(yù)測(cè)，但是對(duì)電梯能耗監(jiān)測(cè)的精度較低，與實(shí)際能耗有一定誤差.陳繼文等［4］提出基于ARM的綠色建筑電梯能耗遠(yuǎn)程監(jiān)測(cè)方法，實(shí)時(shí)采集電梯運(yùn)行能耗數(shù)據(jù)，通過(guò)無(wú)線傳輸模塊與STM32控制板進(jìn)行實(shí)時(shí)通信，實(shí)現(xiàn)電梯能耗遠(yuǎn)程監(jiān)測(cè).雖然該方法能夠?yàn)殡娞菽芎脑u(píng)估提供可靠的依據(jù)，但是對(duì)于電梯能耗的計(jì)算過(guò)程耗時(shí)較長(zhǎng)，降低了實(shí)際的運(yùn)行耗時(shí).為了解決現(xiàn)有方法的不足，更好地實(shí)現(xiàn)現(xiàn)代建筑中電梯能耗的實(shí)時(shí)監(jiān)測(cè)，本文基于K-means聚類(lèi)算法和BP神經(jīng)網(wǎng)絡(luò)算法，提出一種新的電梯能耗實(shí)時(shí)監(jiān)測(cè)方法.該方法先清洗能耗數(shù)據(jù)，提取影響建筑能耗特征值，然后利用相似系數(shù)法計(jì)算相似度，對(duì)相似電梯能耗數(shù)據(jù)進(jìn)行小波分解，得到高低頻序列.最后針對(duì)低頻部分采用LSSVM-GSA檢測(cè)方法處理，而高頻部分采用均方加權(quán)處理方法，將兩個(gè)結(jié)果重構(gòu)，得到最終監(jiān)測(cè)結(jié)果.仿真實(shí)驗(yàn)結(jié)果表明，所提方法能夠有效提升監(jiān)測(cè)精度，減少監(jiān)測(cè)用時(shí)，同時(shí)能夠保證監(jiān)測(cè)過(guò)程的穩(wěn)定性.

1 基于K-m eans聚類(lèi)和BP神經(jīng)網(wǎng)絡(luò)的電梯能耗實(shí)時(shí)監(jiān)測(cè)方法設(shè)計(jì)

1.1 電梯能耗數(shù)據(jù)清洗

由于電梯能耗數(shù)據(jù)之間關(guān)聯(lián)性較強(qiáng)，所以無(wú)法單純從任何角度出發(fā)證明隨機(jī)一個(gè)能耗數(shù)據(jù)為異常數(shù)據(jù)，需要構(gòu)建各數(shù)據(jù)之間的關(guān)聯(lián)矩陣，對(duì)不同數(shù)據(jù)之間的關(guān)聯(lián)進(jìn)行深入分析.雖然BP神經(jīng)網(wǎng)絡(luò)的整體性能比較好，但是在樣本數(shù)量較多且十分復(fù)雜的條件下，算法會(huì)出現(xiàn)計(jì)算速度慢、計(jì)算誤差較大等問(wèn)題.而K-means聚類(lèi)算法能夠針對(duì)各種不同類(lèi)型的數(shù)據(jù)進(jìn)行模塊化分類(lèi)，將相似度接近的數(shù)據(jù)集進(jìn)行統(tǒng)計(jì).由于數(shù)據(jù)的來(lái)源、種類(lèi)不同，導(dǎo)致數(shù)據(jù)間的差異性也更大.為了進(jìn)一步完善BP神經(jīng)網(wǎng)絡(luò)算法的性能，需在算法中加入K-means聚類(lèi)算法.將聚類(lèi)后的數(shù)據(jù)集作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，使其能夠獲取更加準(zhǔn)確的數(shù)據(jù)清洗結(jié)果，同時(shí)更好實(shí)現(xiàn)數(shù)據(jù)間的映射.研究結(jié)合上述兩種算法對(duì)電梯能耗進(jìn)行清洗，全面提升訓(xùn)練質(zhì)量，其中電梯能耗數(shù)據(jù)清洗的具體操作流程如圖1所示［5-6］.

圖1 電梯能耗數(shù)據(jù)清洗流程圖

優(yōu)先對(duì)不同類(lèi)型的電梯能耗數(shù)據(jù)進(jìn)行分類(lèi)處理，結(jié)合分類(lèi)結(jié)果進(jìn)行閾值設(shè)定，確保最終聚類(lèi)結(jié)果的準(zhǔn)確性.將經(jīng)過(guò)聚類(lèi)處理后的樣本設(shè)定為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，分析不同屬性之間的關(guān)聯(lián)性，構(gòu)建屬性間的映射關(guān)系，進(jìn)而得到網(wǎng)絡(luò)模型；將初始電梯能耗數(shù)據(jù)進(jìn)行聚類(lèi)處理，在對(duì)應(yīng)的子網(wǎng)絡(luò)模型中輸入聚類(lèi)處理后的數(shù)據(jù)，對(duì)其進(jìn)行修正檢測(cè).

將物理或者抽象幾何劃分為相似對(duì)象的過(guò)程稱(chēng)為聚類(lèi)，聚類(lèi)屬于一種無(wú)監(jiān)督方法.Kmeans聚類(lèi)方法主要用來(lái)解決經(jīng)典的非線性劃分問(wèn)題.以下是通過(guò)K-means算法對(duì)樣本進(jìn)行分類(lèi)的具體操作步驟.

式中：n代表樣本的維數(shù)，即樣本歸屬和其相似度最高的集合.

當(dāng)公式（1）成立，則樣本xi所處樣本集為wj，xi∈wj，通過(guò)閾值ε對(duì)樣本集與聚類(lèi)中心之間的相似度進(jìn)行更新：

對(duì)數(shù)據(jù)集的聚類(lèi)中心進(jìn)行更新，則有：

式中：m代表樣本集wj中的樣本數(shù)量.如果滿足公式中的條件，則停止聚類(lèi)操作：

當(dāng)對(duì)電梯能耗數(shù)據(jù)進(jìn)行挖掘時(shí)，會(huì)出現(xiàn)部分性質(zhì)相對(duì)比較特殊的數(shù)據(jù)，同時(shí)這部分?jǐn)?shù)據(jù)的屬性行為也十分不協(xié)調(diào)，會(huì)使數(shù)據(jù)逐漸轉(zhuǎn)換為離群點(diǎn).如果聚類(lèi)算法初始聚類(lèi)的選擇是通過(guò)電梯能耗數(shù)據(jù)完成的，最終獲取的數(shù)據(jù)中心可能會(huì)成為離群點(diǎn)，同時(shí)和實(shí)際聚類(lèi)中心存在較遠(yuǎn)的距離.為此，當(dāng)對(duì)不同類(lèi)型的電梯能耗進(jìn)行聚類(lèi)處理時(shí)，需要優(yōu)先對(duì)各個(gè)數(shù)據(jù)集的離群點(diǎn)進(jìn)行分析.

針對(duì)各個(gè)連續(xù)變量而言，需要優(yōu)先通過(guò)最小二乘法求解最小誤差平方和最佳函數(shù)，同時(shí)進(jìn)行匹配.另外，還需要引用最小二乘法對(duì)未知數(shù)據(jù)進(jìn)行求解，確保最終求解結(jié)果和真實(shí)結(jié)果更加接近.因此采用最小二乘法擬合Sandia最終形成典型的電梯能耗年變化曲線，進(jìn)而獲取能耗的年變化規(guī)律.將兩次獲取的能耗值均方差設(shè)定為閾值，利用閾值對(duì)聚類(lèi)中心的離群點(diǎn)進(jìn)行檢測(cè)，同時(shí)將離群點(diǎn)加入到對(duì)應(yīng)的簇中.設(shè)定坐標(biāo)系的橫軸為時(shí)間，縱軸為能耗，經(jīng)過(guò)繪制得到能耗的分布變化曲線.由于得到的曲線和正態(tài)分布相近，需要借助正態(tài)分布曲線估計(jì)方法進(jìn)行計(jì)算分析，具體的計(jì)算式為：

式中：μ代表平均值；σ代表方差.利用f(x)函數(shù)進(jìn)行對(duì)數(shù)選擇，則能夠獲取式（6）的計(jì)算式：

令F(x)=Inf(x)，則有：

通過(guò)最小二乘法逼近F(x)，獲取式（8）形式的方程組：

式中：a0、a1和a2代表方程組的參數(shù).

其中，計(jì)算能耗的均方誤差能夠表示為：

BP神經(jīng)網(wǎng)絡(luò)是由輸入層、隱藏層和輸出層等組成［7-8］.各個(gè)層通過(guò)神經(jīng)元連接，通過(guò)逐層連接，信息可以從輸入層逐層傳遞到輸出層，形成整個(gè)神經(jīng)網(wǎng)絡(luò)的運(yùn)算過(guò)程.其中，網(wǎng)絡(luò)訓(xùn)練主要?jiǎng)澐譃檎蚝头聪騼蓚€(gè)步驟，具體的操作步驟如下：

①輸入矩陣X進(jìn)行歸一化處理，則有：

式中：Xi代表歸一化處理結(jié)果；min(X)代表輸入矩陣的最小取值范圍.

②誤差正向計(jì)算.

設(shè)定網(wǎng)絡(luò)中含有n個(gè)輸入樣本，第i個(gè)輸入樣本為xi.當(dāng)xi輸入到網(wǎng)絡(luò)中，則輸出的總誤差計(jì)算式為：

式中：yi代表網(wǎng)絡(luò)的實(shí)際輸出；y*i代表網(wǎng)絡(luò)的期望輸出.

③通過(guò)反向傳遞進(jìn)行權(quán)值修正.

設(shè)定隨機(jī)兩個(gè)神經(jīng)元之間的連接權(quán)值為wq，求解總誤差關(guān)于wq的梯度：

式中：W代表誤差平均值.

在上述分析的基礎(chǔ)上，將K-means算法和BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行有效結(jié)合［9-10］，彌補(bǔ)兩種算法的不足，實(shí)現(xiàn)樣本訓(xùn)練，同時(shí)構(gòu)建網(wǎng)絡(luò)模型，獲取不同數(shù)據(jù)源之間的映射關(guān)系，最終完成數(shù)據(jù)清洗.

1.2 電梯能耗實(shí)時(shí)監(jiān)測(cè)

電梯能耗的變化和建筑內(nèi)人員的活動(dòng)存在密切關(guān)聯(lián)，建筑內(nèi)人員的活動(dòng)會(huì)對(duì)電梯的能耗產(chǎn)生影響，使得電梯能耗會(huì)在一定周期內(nèi)出現(xiàn)有規(guī)律的變化.高峰時(shí)段人員進(jìn)出頻繁，電梯的使用次數(shù)增加，從而導(dǎo)致電梯能耗上升；而在低谷時(shí)段，人員活動(dòng)減少，電梯的使用次數(shù)減少，從而導(dǎo)致電梯能耗下降.其中，相似日的選擇能夠劃分為兩個(gè)部分，一部分是將能耗影響通過(guò)已經(jīng)設(shè)計(jì)好的標(biāo)準(zhǔn)映射成對(duì)應(yīng)的特征值，組建特征向量；另外一部分則是通過(guò)預(yù)測(cè)日相似程度確定相似日.設(shè)定存在n個(gè)樣本日，同時(shí)各個(gè)樣本日中都含有m個(gè)主導(dǎo)影響因素，則對(duì)應(yīng)的特征向量能夠表示為：

式中：xi(m)代表第m個(gè)影響因素的特征值.其中，第n個(gè)樣本的特征向量矩陣可以表示為：

將任意兩個(gè)特征的相似度標(biāo)記為rij，則相似度矩陣能夠表示為：

式中：R代表相似度矩陣.

在上述分析的基礎(chǔ)上，構(gòu)建電梯能耗實(shí)時(shí)監(jiān)測(cè)模型［11-12］，具體的操作步驟如下所示：

①通過(guò)電梯能耗影響因素構(gòu)建指標(biāo)映射數(shù)據(jù)庫(kù)，選取各個(gè)指標(biāo)的映射標(biāo)準(zhǔn)值.

②通過(guò)相似度計(jì)算方法獲取歷史日和近似日的相似度，同時(shí)選擇相似日.

③對(duì)步驟②中選取的相似日進(jìn)行小波分解，獲取高低頻部分.

④通過(guò)LSSVM-GSA對(duì)低頻部分進(jìn)行監(jiān)測(cè)，同時(shí)將全部輸入和輸出數(shù)據(jù)進(jìn)行歸一化處理.

⑤高頻部分主要采取均方加權(quán)方法進(jìn)行處理.

⑥將低頻序列監(jiān)測(cè)值和高頻序列監(jiān)測(cè)值進(jìn)行小波重構(gòu)，獲取最終的監(jiān)測(cè)結(jié)果.

2 仿真實(shí)驗(yàn)

為了驗(yàn)證所提電梯能耗實(shí)時(shí)監(jiān)測(cè)方法的有效性，需要進(jìn)行仿真實(shí)驗(yàn)測(cè)試.將文獻(xiàn)［3］提出的基于Euclid范數(shù)的監(jiān)測(cè)方法、文獻(xiàn)［4］所提基于ARM的監(jiān)測(cè)方法作為對(duì)比方法，與本文所提方法共同進(jìn)行測(cè)試，以下為具體實(shí)驗(yàn)分析結(jié)果.

2.1 電梯能耗實(shí)時(shí)監(jiān)測(cè)結(jié)果分析

實(shí)驗(yàn)選H城市的某SOHO區(qū)域作為研究對(duì)象，重點(diǎn)對(duì)2016年至2020年的該區(qū)域的電梯能耗監(jiān)測(cè)結(jié)果進(jìn)行分析研究.利用圖2給出文獻(xiàn)［3］方法、文獻(xiàn)［4］方法和本文所提方法的電梯能耗監(jiān)測(cè)值和實(shí)際值的對(duì)比結(jié)果，圖3給出監(jiān)測(cè)結(jié)果的精度變化情況.

圖2 不同方法的電梯能耗監(jiān)測(cè)結(jié)果對(duì)比

圖3 不同方法的電梯能耗監(jiān)測(cè)精度對(duì)比結(jié)果

分析圖2中的實(shí)驗(yàn)數(shù)據(jù)可知，三種方法的能耗監(jiān)測(cè)值和真實(shí)能耗值存在不同程度的差異，但是相比另外兩種方法，所提方法的電梯能耗監(jiān)測(cè)值和真實(shí)結(jié)果更加接近.圖3中的實(shí)驗(yàn)數(shù)據(jù)也更加全面地證實(shí)了所提方法的優(yōu)越性，能夠獲取較為準(zhǔn)確的監(jiān)測(cè)結(jié)果.

2.2 監(jiān)測(cè)用時(shí)分析

為了進(jìn)一步驗(yàn)證所提方法的性能，在不同條件下，實(shí)驗(yàn)測(cè)試重點(diǎn)對(duì)比文獻(xiàn)［3］方法、文獻(xiàn)［4］方法和本文所提方法的監(jiān)測(cè)用時(shí)，具體實(shí)驗(yàn)結(jié)果見(jiàn)表1.

表1 不同方法的監(jiān)測(cè)用時(shí)對(duì)比結(jié)果

分析表1中的實(shí)驗(yàn)數(shù)據(jù)可知，由于測(cè)試對(duì)象和測(cè)試輸入?yún)?shù)維度的不同，致使各個(gè)方法的監(jiān)測(cè)用時(shí)存在十分明顯的差異.但是相比另外兩種方法，所提方法的監(jiān)測(cè)用時(shí)明顯更低一些，主要是因?yàn)樗岱椒ㄔ趯?shí)際監(jiān)測(cè)的過(guò)程中，增加了數(shù)據(jù)清洗環(huán)節(jié)，有效避免各種冗余數(shù)據(jù)導(dǎo)致監(jiān)測(cè)用時(shí)增加.

2.3 監(jiān)測(cè)穩(wěn)定性分析

為了驗(yàn)證所提方法是否能夠穩(wěn)定運(yùn)行，實(shí)驗(yàn)在均方根誤差和最大相對(duì)誤差絕對(duì)值不同的情況下進(jìn)行穩(wěn)定性測(cè)試，具體實(shí)驗(yàn)結(jié)果見(jiàn)圖4和圖5.

圖4 不同均方根誤差下各個(gè)方法的監(jiān)測(cè)穩(wěn)定性變化情況

圖5 不同最大相對(duì)誤差絕對(duì)值下各個(gè)方法的監(jiān)測(cè)穩(wěn)定性變化情況

分析圖4和圖5中的實(shí)驗(yàn)數(shù)據(jù)可知，隨著均方根誤差和最大相對(duì)誤差絕對(duì)值的增加，各個(gè)方法的監(jiān)測(cè)穩(wěn)定性呈下降趨勢(shì)，但是相比另外兩種方法，所提方法的下降趨勢(shì)更加緩慢，監(jiān)測(cè)穩(wěn)定性更好一些.

3 結(jié)語(yǔ)

為了更好完成能耗監(jiān)測(cè)，提出基于K-means聚類(lèi)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電梯能耗實(shí)時(shí)監(jiān)測(cè)方法，先對(duì)能耗數(shù)據(jù)進(jìn)行清洗，提取影響建筑能耗的特征值.然后使用相似系數(shù)法計(jì)算相似度，并對(duì)相似電梯能耗數(shù)據(jù)進(jìn)行小波分解以獲取高低頻序列，最后分別處理高低頻數(shù)據(jù)，并將兩者結(jié)果重構(gòu)，得到最終的監(jiān)測(cè)結(jié)果.仿真實(shí)驗(yàn)結(jié)果表明，所提方法能夠有效提升監(jiān)測(cè)精度，降低監(jiān)測(cè)用時(shí)，同時(shí)獲取更加穩(wěn)定的監(jiān)測(cè)結(jié)果.但是由于受到人為和外界因素的干擾，致使所提方法仍然存在一定的不足，后續(xù)將對(duì)其進(jìn)行深入研究和完善.