基于深度學習方法的建筑能耗預測與分析

吳海員 劉永洲

(山東省青島市廣播電視臺 后勤保衛部，山東 青島266073)

1 概述

我國經濟的發展越來越好，也造成工業能耗、交通能耗和建筑能耗等等組成的社會總能耗量持續增長，尤其近10 年來大量的樓宇建筑拔地而起，建筑能耗占據總能耗的比例在不斷變大[1]，因此降低建筑能耗對于緩解我國的能源緊張問題非常重要。建筑能耗主要包括空調、暖通、配電等等，目前建筑主要都采用了能耗管理系統比如配電監控系統、中央空調調節系統等，這些系統在運行過程中，產生了海量的運行數據，這些數據中包含了建筑的能耗情況，如何利用海量的數據，從中挖掘出有用的信息，對建筑的能耗進行預測，指導建筑中空調、暖通、配電等監控系統的運行模式，對建筑中的能源進行合理的調度與分配，從而達到降低建筑能耗的目的。傳統的方法比如BP 神經網絡、多元線性回歸、支持向量機等小量數據有較好的分析處理效果，但對建筑能耗中存在的含有噪聲、時序性、非線性以及耦合等特性的數據并不具備良好處理能力。而深度學習中的LSTM 方法具有良好的數據處理性能，能夠解決建筑能耗數據中的上述各類問題[2]。因此，本文采用深度學習方法來建立建筑能耗的LSTM 網絡預測模型，通過挖掘空調、暖通、配電等監控系統中的歷史能耗數據，從中獲取有價值的信息，更好的實現建筑能源調配和建筑用能優化，實現建筑綠色節能。

2 建筑能耗預測方法

2.1 基本原理

圖1 LSTM 網絡結構示意圖

LSTM 神經網絡是一種近年來被廣泛應用的代表了長、短期記憶的特殊遞歸神經網絡。它的核心是由遺忘門、輸入門和輸出門這三種類型的“門”結構和組成細胞狀態構成。它的獨特的設計結構，使其更加適合于處理和預測時間序列中間隔和延遲非常長的事件，因此有一定的記憶功能，其網絡結構圖如圖1 所示。

其中，各個“門”結構如下：

2.2 數據處理

對建筑能耗中各類不同量綱的數據進行預處理是首要環節，海量的數據中存在壓力、溫度、電壓、電流、流量等各種類型的數據，而且其中數據存在著大量異常，甚至受到各類環境的影響。因此需要對其進行歸一化處理，使其不受各類量綱的影響。本文采用最大最小歸一化方法[4]，如下式：

其中，Amin和Amax分別是屬性A 的最小值和最大值，最大最小歸一化是將A 的每一個原始值x 通過線性化的方法變換為區間[0，1]的值xnom。

結果誤差評價標準采用平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）作為評價標準，如下式：

2.3 系統模型建立與訓練

選取原始數據，完成數據預處理后，將數據作為訓練數據用于訓練模型，系統訓練流程圖如圖2 所示。

圖2 系統訓練流程圖

2.4 實驗數據來源

為了實現降耗策略，在本系統中，實驗數據選自2020 年3月2 日北方某城市建筑的能耗系統，從當地時間8 時起，采樣數據間隔時間1h，連續采集5 小時作為實驗數據，如表1 所示。

2.5 結果數據分析

BP 神經網絡算法比較結果見表2。

實驗數據表明，與傳統的BP 神經網絡算法比較，LSTM 神經網絡算法的平均絕對百分比誤差和最大相對誤差都較小，說明LSTM 神經網絡預測模型精度較高，預測結果較好。

結束語

針對建筑系統節能降耗的問題，通過對傳統模型的分析，結合深度學習控制算法，建立了一種基于LSTM 神經網絡的建筑能耗預測模型，經數據訓練和驗證實驗表明，本文提出的LSTM神經網絡預測模型的精度比傳統BP 神經網絡高，可以獲得更準確的預測結果。

表1 實驗數據

表2 與BP 神經網絡算法比較