基于移動人流數據的商業樓宇負荷用電預測

蘇 運 田英杰 郭乃網 徐東輝 龐 悅 周向東

1(國網上海市電力公司電力科學研究院 上海 200437)2(復旦大學計算機科學技術學院 上海 200433)

0 引 言

建筑用電能耗占全球總體耗能的40%，而且這個比例還在持續增加，特別是在發展中國家。準確預測建筑物的用電能耗對于在建筑物運營期間優化能源使用設備的運行至關重要[1-3]。一旦了解建筑物內能源消耗的情況，就可以制定適當的節能策略。例如，通過能耗預測可以獲得樓宇用戶在一定時段內的用電行為，從而設置加熱或制冷設備的使用時間，對高峰時段的需求進行合理的分配。

近幾年，越來越多學者開始重視和研究商業樓宇負荷用電預測。商業樓宇的用電消耗與氣候和建筑信息等外部影響因素具有一定的相關性[4-5]。最近的研究工作表明在這些因素中，由于樓宇中人流量與耗能設備相互作用，人流數據對能耗預測具有較大的影響[6-7]。安裝在樓宇內的智能監控系統能夠采集獲取人流數據，并且已經投入到建筑能耗預測模型的構建中。研究發現，結合建筑人流數據可以改善建筑能耗預測性能，但是現有模型未能充分利用建筑的人流數據。

下面我們基于真實數據來研究電力數據和人流數據的關系。考慮到用電量和移動數據的量綱不同，我們首先對其分別做歸一化。圖1是某商業寫字樓的總體負荷用電量的時間序列和對應的寫字樓內移動人數時間序列的曲線對比。

從圖1可知，該建筑的負荷用電(實線)和移動人員數據(虛線)存在一定的正相關性。隨著時間推移，當寫字樓內移動人數增加時，該建筑的用電量也存在上升現象。可以解釋為當建筑內的人數增加，單位空間內的能耗隨之升高,表現為用電負荷的提高。

根據這種耦合現象，本文提出一種基于移動人流數據的商業樓宇負荷用電預測方法LMO(Linear model with occupancy data)。該方法不僅考慮了樓宇的歷史用電數據，還同時考慮時間、天氣以及移動人流數據，與傳統方法相比，特別是增加了對建筑內部人員變化因素的利用。實驗結果表明，我們提出的LMO方法能夠利用過去時刻的移動人流和電力數據的耦合性來指導對未來時刻的電力時間序列的預測，由于引入更多的先驗和耦合信息，減少了問題的不確定性。因此，相比于傳統方法，本文提出的預測方法具有更高的預測精度。

1 相關工作

針對商業樓宇負荷用電預測的問題，已經有許多學者提出了各種預測模型。研究認為樓宇用電能耗除了受到氣溫、降雨量和節假日等因素的影響，還會受到與使用者的多少，即內部人員等相關因素的影響[8]。隨著采集設備的更新換代，目前已經可以較為容易地獲得樓宇建筑內的人員移動的情況。因此，通過這些新的數據，可以對樓宇用戶行為特征進行研究，進而分析獲得移動人流數據對于建筑的能源消耗的影響。

在已知的用電預測研究中，氣象、溫度等外部影響用能的因素獲得了高度的關注，如Kwoket等[9-10]使用了多層感知機(MLP)作為模型的預測框架，將溫度、降雨量和風速等多個外因輸入到人工神經網絡ANN(Artificial neural networks)的輸入層，最后輸出層的數值作為將來時刻的用電能耗。方濤濤等[11]提出的基于BP-Adaboost算法進行建筑用電預測。 Li等[12]首先采用粒子群優化iPSO(Particle swarm optimization)算法來優化神經網絡的參數，然后采用主成分分析方法進行特征選擇以及簡化預測模式。Sandels等[13]先對數據進行相關性分析對特征篩選，然后采用逐步回歸函數進行數據擬合。Wang等[14]基于蒙特卡羅模擬和馬爾可夫鏈模型來構建室內人流數據和設備耗能之間的函數關系。

勞倫斯伯克利國家實驗室模型(LBNL)[15]模型是一種考慮了室外溫度和時間兩種外因的線性回歸模型，它通過分段策略從原始數據提取出對應的特征表達。基于LBNL，Liang等[16]提出結合移動數據的用電預測模型。實驗結果表明，雖然移動數據有助于提高樓宇負荷總體用電預測，但未能明顯地提高模型的預測能力。雖然建筑內部移動人員的數量和負荷用電數據存在一定相關性，但是不同用戶用電行為的差異性會降低相關性。對此，Song等[17]利用建筑內部人員數據的多樣性信息來構建出一種新的負荷預測模型，實驗表明新模型僅僅利用少量的歷史數據就可以達到較高的預測精度。Wang等[18]提出了一種集成學習方法EBT(Ensemble Bagging Tree)，融合了氣象數據、樓宇移動人流和智能電表數據進行電力負荷預測，比較傳統方法的預測精度提高1.66%，同時，提高了40%的計算效率。

本文利用移動人流數據與電力負荷數據之間的耦合性，結合移動人流因素建立LMO商業樓宇用電預測模型，相較于傳統方法提高了商業樓宇用電預測精度。

2 預測模型設計

2.1 線性模型

已知某商業樓宇的n個時刻的歷史用電時間序列X,以及n個時刻對應的歷史移動人流時間序列P：

X=(x1,x2,…,xn)∈Rn

(1)

P=(p1,p2,…,pn)∈Rn

(2)

本文研究的問題是：給定上述歷史電力時間序列X和移動人流時間序列P，移動人流時間序列對預測該樓宇未來一段時間內的電力負荷時間序列的影響，其中要預測的未來m個時刻的電力值表示為：

Y=(y1,y2,…,ym)∈Rm

(3)

這一問題的本質是：針對某個樓宇，不考慮人流因素，從X到Y的映射f1:Rn→Rm與結合移動人流因素，從(X,P)到Y的映射f2:(Rn,Rn)→Rm比較，通過預測精度的評價指標(例如，均方誤差的偏離系數CVRMSE、均方根誤差RMSE、平均絕對百分比誤差MAPE等) 的對比，研究出移動人流因素對電力負荷預測的影響。

我們采用根據歷史電力負荷預測未來電力負荷值的線性模型作為基準預測模型，在線性模型的基礎上將移動人流因素引入后根據歷史電力負荷與預測時刻的人流量進行電力負荷預測，經實驗驗證，引入人流因素后的電力預測模型具有更高的預測準確度。

線性模型LM(Linear Model)是預測模型中常用而有效的基準預測模型。因此采用線性模型作為基礎對照模型往往具有普遍參考意義。

對任意t時刻的預測值可表示為：

(4)

式中：T是歷史窗口大小(即考慮歷史點的個數)，xt-i為歷史負荷。訓練模型學習給定歷史窗口T下αi的值進而預測t時刻的電力負荷。訓練模型損失函數是均方根誤差RMSE:

(5)

式中：p是訓練時數據樣本數。

2.2 基于移動人流的商業用電預測模型

為驗證移動人流因素和電力負荷值存在正相關性的假設，我們以圖1所示數據為例計算了移動人流時間序列與電力負荷時間序列之間的相關系數，計算結果為0.88，表明二者之間存在較強的正相關性。因此本文方法通過在預測模型中考慮移動人流數據來提高預測能力：我們在線性基準預測模型下引入移動人流因素進行預測。預測電力值可表示為式(4)中根據歷史電力值的用電預測值與根據目標時刻移動人流的用電預測的線性和構成。

基于人流因素的電力負荷預測模型如圖2所示。

受到LBNL預測模型的啟發，我們在預測模型中將移動人流量做分段化處理：根據數據集中人流量的最大值與最小值計算出人流量取值范圍并將其分為N個等值區間，記任意一區間為[Si,flr，Si,up),1≤i≤N。對某時刻相應的移動人流量pt，將其轉化為分到N個等值區間大小內的分量值，由各分量值構建人流特征向量[pt,1+pt,2+…+pt,N]，且pt=pt,1+pt,2+…+pt,N。其中任意一段分量值pt,i的計算方法如下：

(6)

將分段化處理后的移動人流因素引入預測模型，建立移動人流因素預測用電分量如下：

(7)

結合目標時刻基于移動人流因素的用電預測分量與根據歷史電力值的用電預測分量，本文提出的LMO用電預測模型在任意一點的yt預測值可表示為：

(8)

訓練模型學習給定歷史窗口T和分段數N下各αi和βk的值預測t時刻的電力負荷并與基準測預測模型在各項預測精度評價指標上進行對比。訓練模型損失函數同樣是均方根誤差RMSE:

(9)

式中：q是訓練時數據樣本數。

3 實 驗

(1) 實驗數據 實驗使用的數據集來自國家電網電力公司。這一項目旨在研究移動人流因素對電力負荷預測的影響。我們選取了不同類型的商業樓宇包括辦公寫字樓、綜合商業樓和酒店樓宇進行電力負荷預測。電力時間序列和移動人流時間序列相關情況見表1。其中數據的采樣率為96點/天，表中序列采樣自2017年12月至2018年4月期間。

(2) 移動人流因素對比實驗 為研究移動人流因素對電力負荷預測的影響，在相同參數下分別對不同類型的商業樓宇使用基準預測模型與引入人流因素后的預測模型進行對比實驗。評價指標綜合了平均絕對百分誤差MAPE、均方根誤差RMSE、MAE與CVRMSE。

(10)

(11)

(12)

(13)

對實驗中嘉麒大廈和華寧國際廣場數據集用前76天做訓練集，76～83天為驗證集，84～91天為測試集。虹橋萬豪酒店用第67～74天為訓練集，75～82天為驗證集，83～90天預測為測試集，目標均為預測一周672點電力值。

其各項評價指標對比結果如表2所示。從表2中可以看出，LMO模型在MAPE等各項預測精度評估指標中均優于LM模型，引入人流因素進行預測顯著提高了預測精度。

表2 引入人流因素前后的預測精度對比

續表2

圖3至圖5更加直觀地展示了引入移動人流因素前后對電力時間序列預測的影響。其中橫向坐標軸為時刻，縱向坐標軸為時刻所對應的電力值大小。圖中結果均取自各樓宇實驗的測試集。

(a) LM(b) LMO圖3 辦公樓實驗對比

(a) LM(b) LMO圖4 綜合樓實驗對比

(a) LM(b) LMO圖5 酒店樓實驗對比

(3) 引入移動人流的用電負荷預測 結合上述圖表可以看出，引入人流后辦公樓的預測準確度提升了9.97%，綜合樓預測準確度提升了6.62%，酒店樓的預測準確度提升了6.27%，引入人流因素后的預測模型在各項預測精度指標上都有提升。實驗結果表明了移動人流因素與電力負荷值是一種正相關關系，并且二者之間的聯系可以在線性預測模型中體現出來。

4 結 語

本文提出一種融合移動人流數據的多維時間序列預測模型，首次將移動人流因素引入進行耦合性輔助預測，在商業樓宇數據集上提升了用電量預測的準確性。根據移動人流數量為模型引入更多的先驗知識，提高模型的魯棒性。實驗結果表明，LMO能夠充分利用外部因素來保證樓宇用電預測的準確性。因此，相比于傳統方法，本文提出的預測方法具有更高的預測精度。