基于機器學習的氣象環境與醫院冬季供暖能源消耗量的分析與預測模型研究

虢詩影

（華中科技大學同濟醫學院附屬同濟醫院，湖北 武漢 430100）

1 緒論

1.1 研究背景

天然氣是醫院冬季供暖的主要能源，在日常工作中，我們對于天然氣消耗量與氣象環境的關系，未作出深刻的認識。在值班日志中，僅記錄當日天氣一個維度，而關于天然氣的消耗量，僅停留在數值記錄和傳統的歸納統計法上。

為響應國家于2060年前實現碳中和的目標，作為醫院的后勤部門，完善醫院的能源管理方案，提升能源利用效率，用現代方法來彌補傳統粗獷管理方案上的不足，是后勤部門一直以來的研究型課題。

1.2 研究意義

在通過現有的統計學方法來預測天然氣消耗量中，對于連續變化的天氣情況暫不能進行有效的精細化預測。在一些特殊氣象環境，例如極端的雨雪大風天氣中往往現實結果與預測結果有較大出入。后勤人員雖然已經記錄了大量的天然氣消耗的數值記錄和天氣記錄，卻沒有高效和科學的利用方法，只能依靠自身過往經驗來預測，而這些經驗推測，帶有很強的主觀性，既無法面對復雜的氣象環境，也無法作為有效經驗來推廣。

充分利用現有的記錄數據，結合歷史氣象資料，利用機器學習框架TensorFlow對氣象環境與能源消耗量進行建模，構建具有地方特性氣象環境與能源消耗量的模型，為后勤工作所保障的區域提供科學化的預測手段。減少基于個人經驗所產生的誤差。

2 基于機器學習的氣象環境與醫院冬季供暖能源消耗量的分析與預測模型

2.1 機器學習TensorFlow框架簡介

TensorFlow是機器學習領域，被選擇最多的機器學習框架，其可以在CPU和GPU上以數據流的形式進行高效的分布式數值計算。同時，TensorFlow具有跨平臺的特性，不僅可以跑在傳統的Windows上，也可以跑在Linux和Mac OS X上，讓每一個科研人員都可以便捷的使用。

2.2 Sequential模型

Sequential模型又名順序模型，是函數式模型的簡單版本，是最簡單的線性，無分叉的順序結構，是多個神經網絡“層”的線性疊加，它的每一層都具有一個輸入張量和一個輸出張量。

2.3 分析氣象環境與能源消耗量

本文數據，天氣數據部分主要從“中國天氣網”（http://www.weather.com）下載，天然氣消耗量數據來自于值班日志。數據采樣時間為2019年1月7日～2020年3月2日，數據共163組。由于文章篇幅有限，此處僅列出前6天數據。表1為天氣與天然氣數據表，Gas為當天天然氣的消耗量（m3），Max為最高溫度（℃），Min為最低溫度（℃），Weather為天氣，Wind為風向，Levels為風級。

表1 氣象環境與天然氣消耗量

2.4 模型的構建

（1）訓練數據與測試數據。通過隨機取值將數據分拆為訓練數據和測試數據，其中訓練數據占所有數據的80%，測試數據占20%。

（2）模型的初始化。本文使用一個“Sequential”模型，具備兩個神經網絡“層”，包含4801個參數，以及返回單個、連續的輸出層。將初始化的模型進行500個周期的訓練后，得到一個預測誤差為±540m3的模型結果。

（3）訓練周期和模型“層”數對結果的影響。神經網絡的學習周期和“層”數對模型預測的準確度有很大的影響，當訓練次數不夠，或者模型“層”不夠時，訓練結果會不盡人意，這時候叫“欠擬合”狀態，“欠擬合”狀態代表著神經網絡模型尚未學習到訓練數據集中的相關特征模式。而太多的訓練周期和“層”不僅會增加訓練和預測的時間，而且會起到相反的效果。當模型過度擬合訓練數據時，則模型無法泛化于測試數據，導致預測結果精度的下降，這時候稱為“過擬合”狀態。

（4）不同組合的實驗結果。這里僅追求模型預測數據的準確性，暫不考慮訓練時間及預測時間的經濟性，進行反復迭代的試驗及預測。

如表2所示，最終在“層”數為7時，訓練周期為2000時，得到了一個較為準確的模型，預測誤差為±489m3，該模型含有6個緊密相連的隱藏層和1個連續值的輸出層，以及17281個訓練參數。

表2 模型與誤差

3 總結與展望

3.1 研究成果

本文通過對真實數據的歸納，選定了影響天然氣消耗量的氣象與時空特征8個（每種特征對其影響因數不同，但對其均產生一定波動。），通過TensorFlow機器學習框架進行機器學習，在Sequential模型下，模型“層”數量為7，訓練周期為2000時，該模型有相對較好的預測效果，平均誤差±489m3。

3.2 不足與改進

本文在常規天氣的基數上，加入了年、月、日、天氣、溫度、風向及風級等因素，這有助于提升模型的預測精度，但是，劃分粒度較大，而且由于收集的樣本數據有限，供暖時能源消耗量對人群密度、室內溫度設定等其他因素有關，因此，想要提高模型的預測精度，后期還需要對這些因素加強更深的研究，也是未來工作努力的方向。

4 結語

醫院冬季供暖天然氣取決于多種因素，本文從時間，天氣等角度出發，對能源消耗量做預報研究，采取先進的機器學習框架TensorFlow來代替傳統的統計學歸納法。該模型的建立為我院后勤在大數據人工智能時代背景下的發展，提供了新的思路和方案。