基于長短期記憶網絡的工業空調啟動時間預測

楊建軍 何利力

摘要：為了降低企業生產車間空調能耗，基于長短期記憶（LSTM）網絡構建了一種工業空調啟動時間預測模型。使用該模型對車間空調提前啟動時間進行預測，并將預測結果應用于車間空調系統的啟動控制，以達到節能目的;采用平均絕對百分誤差（MAPE）對預測模型進行整體誤差評估，實驗結果表明：LSTM較好地解決了生產車間空調系統啟動時間預測問題，相較于傳統預測方法有著更小的MAPE。優化控制后的空調系統能夠在保證車間生產環境達標的同時，降低空調系統約27.9%的能耗。

關鍵詞：長短期記憶神經網絡;空調啟動時間;平均絕對百分誤差;預測模型

DOI：10.11907/rjdk.192062 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP301文獻標識碼：A 文章編號：1672-7800（2020）006-0048-05

0 引言

我國能源消耗占據世界能源消耗總量的23%，并且還在不斷增長。國家對環境保護的要求愈來愈嚴格，能源價格的持續上漲導致生產成本不斷提高，節能問題成為企業生產首先要考慮的問題。

隨著人工智能浪潮的到來，許多學者將神經網絡應用在節能預測領域。如Akanit等使用人工神經網絡（Artificial Neural Network，ANN）預測基于自然災害期間電能消耗的經濟趨勢，通過交叉檢查的方法提高了預測模型的精度和性能;Rahman等提出以循環神經網絡（Recurrent Neural Network，RNN）預測商業和住宅建筑的電力消耗，證明RNN模型在能耗預測方面潛力很大。

空調節能的優化控制問題一直是研究重點。現階段比較流行的空調啟動時間預測方法有回歸分析預測法、時間序列預測法、神經網絡預測法等。在這幾種方法中，時間序列預測法和回歸分析預測法被歸為傳統方法，神經網絡預測法則被歸為人工智能方法。陸景等提出一種空調系統提前關機時間的多元線性回歸模型，對空調關機時間預測有著較高的精度;時斌等提出了一種空調器及其溫度調節時間預測系統和方法，可以準確客觀地預測出室內環境溫度達到預設溫度時空調的運行時間;范波等通過BPNN預測模型預測空調機組最佳啟動時間，實驗結果表明優化策略可以減少空調系統運行能耗。

傳統預測方法在數據時序性和非線性方面不具備統籌兼顧能力，大多只應用于數據較為平穩的短期預測，如果數據波動性較大則模型預測性能很差。因此，本文采用長短期記憶神經網絡（Long Short-Term Memory）建立預測模型，以解決隨著學習層數的增加而造成的長期依賴問題。長短期記憶神經網絡屬于深度學習中的一種時間遞歸神經網絡，它在處理未知時長延遲的時間序列方面有著較優秀的性能，適于分析和處理時間序列數據的內在聯系。

1基于LsTn的空調啟動時間預測模型

1.1 LSTM模型基本結構

LSTM是RNN中的一種特殊形式，1997年由Hochreiter&Schmidhuber等提出，目前在語言情感分類、圖像分割、文本分類等領域得到廣泛應用。

如圖l所示，每一條帶箭頭的實線表示向量傳輸，實線的分合表示向量的復制與連接;加號和乘號表示Element-wise;σ和tanh分別表示Sigmoid函數與雙曲正切函數。

LSTM共有3種門結構，分別為忘記門（forget gate）、輸入門（input gate）和輸出門（output gate）。在LSTM神經元結構中，令X_t=[x₁，x₂，x₃，…，x_t]，其中x_t為t時刻的神經元信號輸入值;令H_t=[h₁，h₂，h₃，…，h_t]，其中h_t為t時刻輸出值;令C_t=[c₁，c₂，c₃，…，c_t]，其中c_t為t時刻神經元狀態。

如圖2所示，LSTM結構頂部是一條記憶管道。在這條管道內，上個時刻神經元的細胞狀態C_t-1與忘記門的輸出進行數組元素依次相乘（Element-wise multiplication），該運算控制了C_t-1忘記記憶的多少。若忘記門的輸出是一個接近于0的向量，則相乘后的結果會忘記部分以前的記憶。反之，若忘記門的輸出是接近1的向量，則會保留大部分記憶。C_t-1與輸入門的輸出進行數組元素依次相加（Element-wise Summation），此操作會將舊記憶和新記憶合并。上述兩步操作完成后，C_t-1會更新為新的細胞狀態C_t-1。

1.1.1 忘記門

忘記門由簡單的單層神經網絡控制，決定了細胞狀態應丟棄什么信息，圖3為忘記門結構。此門的輸人數據J.為當前LSTM塊的輸入，h_t-1為上一個LSTM塊的輸出，b₀為偏置向量。輸人參數通過激活函數σ將此層的輸出控制在[0，1]之間。

該過程計算公式如下：

f_t=（W_f·[h_t-1，x_t]+b₀）（1）

1.1.2 輸入門

1.1.3 輸出門

如圖6所示，輸出門同樣具有與前兩個門單元相似的輸人參數X_t和h_t-1，這兩個參數經過σ激活后的結果O_t，與經過激活函數tanh的C_t進行乘運算，得到整個模型最終的輸出值丸h_t。該過程計算公式如下：

LSTM在RNN的基礎上增加了忘記門、輸人門和輸出門，以保證記住長期的狀態。隨著數據的輸人，LSTM中的細胞會對輸人信息進行判斷，遺忘不符合規則的信息，保留符合規則的信息。依據此原理，LSTM可以解決長序列依賴問題，更好地對歷史數據進行篩選，丟棄干擾無用的信息，從而更好地應用于工業空調的啟動時間預測。

1.2 LSTM模型訓練算法

LSTM的輸人為：上一時刻網絡的輸出值H_t-1、前一時刻記憶細胞的狀態C_t-1、當前時刻網絡的輸入值x_t;LSTM的輸出為：當前時刻網絡的輸出值h_t、當前時刻記憶細胞的狀態C_t。LSTM模型的訓練采用基于時間展開的反向傳播算法進行。LSTM的反向傳播過程分為代價函數計算和誤差反傳兩部分。LSTM計算每次訓練的結果代價函數，并判斷代價函數是否滿足預先設定的要求，對于不滿足要求的訓練結果進行誤差反傳更新。

1.3 對比模型選取

選取隨機森林（Random Forest，RF）和支持向量回歸（Support Vector Regression，SVR）比較LSTM與這兩種預測模型的差異。RF是決策樹的集成算法，它通過將每棵決策樹的結果集中起來決定最后預測的結果，在一定程度上減少了預測方差。在不進行降維的情況下，能夠進行高維特征的輸入樣本處理。SVR是支持向量機（Support Vector Machine，SVM）在非線性系統回歸估計問題上的應用模型，SVR主要通過核函數在高維空間中構造線性決策函數實現線性回歸。

2 實驗數據與預測性能指標

2.1 數據獲取

本文實驗數據來源為某企業動力能源管理系統，實驗收集了N工廠某車間2014年1月至2019年1月這段時間工作日內的天氣數據和系統運行數據，數據采集間隔為1日，原始數據約為1500條。以1300條樣本為訓練集，另外200條樣本用作測試集，主要包含日期T_d、生產任務量N_p、每日預冷（熱）時間T_p、車間人員密度P_d、空調制冷量W_r、室外溫度O_t、相對濕度O_h、風速O_w、露點O_d、天氣情況O_r等，數據樣例見表1。

2.2 數據預處理

2.2.1 輸入輸出量確定

本文選取日期T_d空調制冷量W_r、當日室外溫度O_t、相對濕度O_h、風速O_w、露點O_d、天氣O_r作為輸入變量，以空調開機至溫度達標所需時間（預冷/熱時間T_p）為模型計算最終輸出。

2.2.2 數據缺失處理

在數據采集過程中，由于存在許多不確定因素，數據缺失問題不可避免。如果采用不恰當的處理方式，相當于引入了大量噪聲，會對數據造成污染。本文針對數據缺失的不同情形對應不同的處理方式：對于數據在連續3次及3次以內的缺失情況，采用3次樣條插值法（cubic spline interpolation）進行缺失數據插值;對于數據在連續3次以上的缺失情況，采用直接刪除這條數據，以減少模型訓練過程中的噪聲干擾。

3次樣條插值原理如下：

對于給定n+1個數據點（x_i，y_i）（i=0，1，2，…，n），其中a=x₀12<…n=b，共有n個子區間，樣條曲線S（x）在每段區間內滿足下列條件：①在每段分區間[x_i，x_i+1]（i=0，1，2，…，n-1），S（x）=S（x）都是一個3次多項式;②滿足S（x_i）=y（i=0，1，2，…，n）;③在整個區間[a，b]上，函數S（x）的一階導數S'（x）和二階導數S''（x）都必須連續，也就是說S（x）曲線光滑。

例如在采集數據過程中，對于某一個時間片段x_i=[9，10，14，15，16]，獲取對應的空調預冷時間y_i=[28.2，31.10，39.21，33.12，43.14]，在時間節點11，12，13處對應的空調制冷量連續缺失，利于上述方法進行3次樣條插值。圖7表示3次樣條插值的插值效果。根據函數曲線便可獲得缺失的數據，即圖7中虛線對應的空調制冷量。

2.2.3 數據異常值處理

在數據收集過程中，發現某些傳感器采集的數據明顯存在問題，如預冷（熱）時間存在負值情況。通過現場調研發現，這部分數據出現可能是個別溫度傳感器損壞所導致的。本文直接舍棄這部分數據，避免其對整體預測結果產生影響。

2.2.4 數據規范化處理

由于不同變量有著不同的評價指標，導致數據經常擁有不同的量綱和數量級，這種情況下，若直接采用原數據進行分析，則會放大高數值指標在整體預測中的影響。將數據進行規范化處理以解決數據間因量綱不同產生的影響，去除數據的量綱限制，把數據轉化為無量綱的純數值，以便于不同量級的數據能夠進行比較。本文使用離差標準化（Min-max normalization又稱Min-Max標準化）對數據進行處理。

Min-Max標準化是對原始數據x_i={x₁，x₂，…，x_n}的線性變換，使結果少，落到[0，1]區間。公式如下：

新序列為y₁，y₂，…，y_n∈[0，1]且無量綱。

2.3 預測性能評估

回歸預測評估指標眾多，本文在模型訓練階段選取平均絕對離差（Mean Absolute Error，MAE）和標準誤差（RootMean Squared Error，RMSE）兩種評價標準，公式如下：

式中，m為樣本個數，h（x_i）為i時刻的實際值，y_i為i時刻的預測值。

3 預測模型建立及空調啟動策略

3.1 預測模型建立

模型建立過程：①選取2.2.1節確定的輸入變量對數據進行預處理;②對經過預處理后的數據進行劃分，構造輸入樣本集;③初始化模型參數，進行模型訓練，判斷代價函數是否滿足要求，若不滿足則進行誤差反向傳播更新，反復迭代到滿足要求，輸出LSTM模型;④對步驟③中輸出的模型進行測試，輸出預測結果并對結果進行分析。

LSTM預測流程如圖8所示。

3.2 空調啟動控制策略

傳統空調啟動策略采用固定的預冷（熱）時間，各個班組依靠自身經驗和當日天氣環境設定空調提前啟動時間，沒有統一的標準。這樣雖然滿足了生產要求，但提前開啟空調時間過長會造成能源浪費。

結合空調啟動時間預測模型，提出一種基于LSTM的空調啟動策略。首先根據預冷（熱）時間T_p的歷史數據找出最長預冷（熱）時間t_i，作為Z車間下一生產日空調提前開啟時間的初始值;其次將初始值t_i與LSTM模型的預測值t_p進行比較，若t_p≤t_i，則提前t_p分鐘開啟Z車間空調，否則再次進行迭代預測。

4 實驗結果與分析

4.1 實驗環境

本文實驗硬件環境為：CPU i5-8400@2.80GHz，RAM16G;軟件環境為：Microsoft Windows 10操作系統，Python版本為v3.6，采用Pycharm編寫;選取ELU函數作為LSTM網絡激活函數，選取Keras作為人工神經網絡庫。

4.2 實驗結果與對比分析

選取1.3節兩種模型作為對比對象，以空調開機到溫度達標所用時間為度量，選取測試集中連續7天數據作為測試數據，對比3種模型的預測結果，如圖9所示。在圖9中，黑色點線為真實預冷時間;支持向量回歸SVR預測結果為三角形標注的曲線;隨機森林回歸預測結果為正方形標注曲線;LSTM預測結果為菱形標注的曲線。

由圖9可以看出，SVR和RF兩種模型在前3個數據點的預測中都表現出較好的精度，與原始值相差較小。但隨著時間的推移，SVR預測模型開始出現預測數據整體大于真實數據的情況，預測準確率下降。而RF預測模型相較于SVR有著更高的精度，但是在第6個數據點附近開始出現預測數據向下偏移的情況。相對于上述兩種模型，LSTM整體上和原始數據有著較高的擬合準確度，沒有較大的數據偏差。通過對比可以發現，隨著時間序列的推移，LSTM模型的預測精度明顯優于其它兩種模型，預測能力較強，原因是因為LSTM預測模型引入了時間序列概念，在一定程度上解決了梯度消失問題。

分別計算3種模型的預測誤差，詳見表2。誤差分析表明，LSTM在3種誤差評測方式中都有最小的值，MAE為1.09、RMSE為1.88，MAPE為1.41，相交于傳統的RF和SVR明顯減小。

4.3 優化控制前后能耗對比

針對上述模型預測結果，結合當日空調運行數據，計算出該日空調系統使用LSTM模型進行優化控制后的各部分能耗值，并與傳統空調啟動控制策略下的能耗值進行對比，結果如圖10所示。

由圖10可以看出，采用LSTM預測模型預測空調啟動時間后，空調主要部分能耗都有顯著降低，優化后的總能耗比之前減少了約27.9%。

5 結語

本文通過對某企業生產車間空調的運行數據進行采集，使用長短時記憶循環神經網絡建立空調啟動時間預測模型，與隨機森林、支持向量回歸建立的預測模型進行比較分析，并對比使用預測算法控制前后的能耗情況。通過實驗可知，基于長短期記憶網絡建立的預測模型預測值在MAE、RMSE和MAPE三個方面都優于隨機森林和支持向量回歸，隨著時間序列的增大，LSTM模型表現出明顯優于另外兩者的穩定性，并且經過優化控制的空調能耗顯著降低，LSTM模型相比于傳統模型有著更高的預測精度。將LSTM用于工業生產空調啟動時間預測，有助于企業完成能源智能管控，達成節能目標。下一步將探尋LSTM網絡參數優化，以進一步提升模型預測精度。