基于循環(huán)特征與深度學(xué)習(xí)算法的建筑能耗預(yù)測(cè)方法研究

盧 巖

(山東聊建現(xiàn)代建設(shè)有限公司，山東 聊城 252000)

新技術(shù)的不斷出現(xiàn)，社會(huì)經(jīng)濟(jì)的不斷提高，使得人們對(duì)于建筑的質(zhì)量提出了越來(lái)越多的要求，不僅僅關(guān)于建筑質(zhì)量問(wèn)題，同時(shí)對(duì)于建筑智慧程度也有更多的要求[1]。隨著越來(lái)越多物聯(lián)網(wǎng)技術(shù)的使用，各種傳感器、監(jiān)控等使用逐漸增多，使得建筑自身的能耗越來(lái)越高[2]。如何在滿(mǎn)足建筑智能、智慧化的同時(shí)，有效控制、預(yù)測(cè)建筑能耗的使用，對(duì)當(dāng)前社會(huì)的經(jīng)濟(jì)發(fā)展，具有重要的意義[3]。

智慧建筑的發(fā)展，更注重用戶(hù)的居住體驗(yàn)、環(huán)境的建立優(yōu)化等方面，通過(guò)大數(shù)據(jù)技術(shù)的發(fā)展，可以有效對(duì)智慧建筑內(nèi)的人員、環(huán)境、設(shè)備、能耗等方面形成海量的數(shù)據(jù)積累[4]。這些數(shù)據(jù)可以幫助人們對(duì)建筑的運(yùn)行狀態(tài)等有更深的了解，有效實(shí)現(xiàn)各類(lèi)數(shù)據(jù)子系統(tǒng)和數(shù)據(jù)島之間的連接，方便研究人員通過(guò)算法來(lái)對(duì)其規(guī)律等進(jìn)行總結(jié)和整理[5]。對(duì)于建筑的運(yùn)維人員來(lái)說(shuō)，準(zhǔn)確預(yù)測(cè)建筑能耗，可以有效降低其運(yùn)行成本，并能積極響應(yīng)國(guó)家電力部門(mén)的號(hào)召，具有重要的市場(chǎng)應(yīng)用價(jià)值[6]。

為了有效提高對(duì)于建筑能耗預(yù)測(cè)的準(zhǔn)確程度，本文提出了一種基于循環(huán)特征和深度學(xué)習(xí)算法的預(yù)測(cè)方法。該方法基于建筑能耗的循環(huán)特征，利用頻譜分析的方法提取建筑日周期特征，并獲得殘余能耗數(shù)據(jù)，通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)模型，進(jìn)行能耗模型預(yù)測(cè)構(gòu)建。最終通過(guò)實(shí)際建筑對(duì)該方法進(jìn)行驗(yàn)證，證明其有效性。

1 基于循環(huán)特征與深度學(xué)習(xí)算法的建筑能耗預(yù)測(cè)模型

1.1 能耗預(yù)測(cè)模型方案

建筑能耗的預(yù)測(cè)方案如圖1所示[7]。

圖1 建筑能耗預(yù)測(cè)方案

整個(gè)預(yù)測(cè)方法的計(jì)算流程如下：

(1)根據(jù)建筑能耗的數(shù)據(jù)，利用頻譜分析技術(shù)，提取其具有循環(huán)特征的數(shù)據(jù)部分，根據(jù)該特征數(shù)據(jù)來(lái)確定整個(gè)建筑能耗中的穩(wěn)定時(shí)間序列部分。

(2)對(duì)原始數(shù)據(jù)進(jìn)行處理，刪除掉其中的穩(wěn)定序列部分?jǐn)?shù)據(jù)，從而提取其能耗殘余數(shù)據(jù)部分，并對(duì)其進(jìn)行數(shù)據(jù)轉(zhuǎn)換，使其成為深度學(xué)習(xí)算法的訓(xùn)練數(shù)據(jù)集。

(3)將步驟2中獲得的訓(xùn)練數(shù)據(jù)集用于構(gòu)建系統(tǒng)集成預(yù)測(cè)模型，從而可以用于建筑殘余能耗部分預(yù)測(cè)。

(4)將預(yù)測(cè)得到的殘余能耗數(shù)據(jù)與循環(huán)特征中的穩(wěn)定數(shù)據(jù)進(jìn)行集合，實(shí)現(xiàn)對(duì)于整個(gè)建筑的能耗預(yù)測(cè)。

1.2 循環(huán)特征提取

建筑能耗數(shù)據(jù)是一維時(shí)間序列數(shù)據(jù)，可以等效為復(fù)雜信號(hào)數(shù)據(jù)的波形數(shù)據(jù)[8]。通過(guò)頻譜分析的方法，可以將其轉(zhuǎn)化成多個(gè)簡(jiǎn)單波形的疊加，并提取其循環(huán)周期特性[9]。利用傅里葉級(jí)數(shù)進(jìn)行數(shù)據(jù)變換，對(duì)其進(jìn)行波形分解，將數(shù)據(jù)中存在的循環(huán)特征部分進(jìn)行提取[10]。

該方法已經(jīng)在多個(gè)領(lǐng)域被證實(shí)有效，尤其是在電力預(yù)測(cè)、信號(hào)交通預(yù)測(cè)、故障檢修等方面，均取得了不錯(cuò)的成績(jī)，從而可以用于建筑能耗信息中的潛在數(shù)據(jù)特征挖掘工作[11]。利用該方法，可以將整個(gè)建筑中的日循環(huán)特征數(shù)據(jù)進(jìn)行提取，具體步驟為：

(1)對(duì)于建筑能耗，設(shè)其為周期為T(mén)的數(shù)據(jù)系列f(t)，通過(guò)傅里葉級(jí)數(shù)變換，可以得到建筑能耗的級(jí)數(shù)表示式為

(1)

將其轉(zhuǎn)換成三角函數(shù)多項(xiàng)式的形式為

(2)

式中:系數(shù)b0，bk，ck表示形式為

(3)

(4)

(5)

為了準(zhǔn)確獲得建筑能耗的周期性特性，需要對(duì)獲得到的能耗數(shù)據(jù)進(jìn)行平均處理，從而可以獲得該建筑的每日的平均能耗情況[12]。其表達(dá)式為

(6)

式中:pt為每天在t時(shí)刻的能耗平均值；vjt代表在第j天的t時(shí)刻時(shí)候的能耗情況；D表示建筑能耗統(tǒng)計(jì)的總天數(shù)。

利用頻譜函數(shù)對(duì)上述日平均消耗情況進(jìn)行處理，提取器日消耗的循環(huán)特性，從而得到前文所需要的穩(wěn)定消耗部分[13]。計(jì)算過(guò)程為

(7)

式中:N為該建筑每天收集到的能耗數(shù)量值。為了進(jìn)一步達(dá)到獲取循環(huán)特征的目的，需要對(duì)于式(7)中的系數(shù)利用最小二乘法進(jìn)行處理，使其可以被化簡(jiǎn)，從而得到整個(gè)能耗的循環(huán)特性。

(2)通過(guò)在原始數(shù)據(jù)中減掉循環(huán)特性部分的數(shù)據(jù)，即可獲得該建筑的能耗殘余情況。從而可以表示為

(8)

式中:xjt為在第j天的t時(shí)刻時(shí)候的能耗殘余特征情況。能耗的殘余特征情況可以有效反映出該建筑的獨(dú)特性和數(shù)據(jù)隨機(jī)性[14]。將能耗殘余數(shù)據(jù)進(jìn)行組合處理，從而可以獲得該數(shù)據(jù)的一維系列{x1，x2，…，xn}，將其進(jìn)一步轉(zhuǎn)換成深度學(xué)習(xí)網(wǎng)絡(luò)的數(shù)據(jù)訓(xùn)練集(X0，y)。

1.3 深度學(xué)習(xí)網(wǎng)絡(luò)模型構(gòu)建

本文采用的深度學(xué)習(xí)的置信網(wǎng)絡(luò)模型(deep belief network and extreme learning machine，簡(jiǎn)稱(chēng)DEEM)含有多個(gè)網(wǎng)絡(luò)層，利用深度置信網(wǎng)絡(luò)的特征提取能力，將各層網(wǎng)絡(luò)中的數(shù)據(jù)提取出多個(gè)特征數(shù)據(jù)[15]。再將其與目標(biāo)能耗有機(jī)結(jié)合，最終形成深度學(xué)習(xí)需要的多個(gè)數(shù)據(jù)訓(xùn)練集，并利用極限學(xué)習(xí)的方法來(lái)生成系統(tǒng)的能耗預(yù)測(cè)模型。

具體的模型建立過(guò)程如下：

(1)將原始數(shù)據(jù)中獲得的殘余能耗訓(xùn)練數(shù)據(jù)輸入到深度置信網(wǎng)絡(luò)模型中，通過(guò)逐層殘余能耗數(shù)據(jù)提取，獲得其數(shù)據(jù)特征，該數(shù)據(jù)與目標(biāo)能耗殘余構(gòu)成新的訓(xùn)練數(shù)據(jù)集。

通過(guò)第i層構(gòu)建的數(shù)據(jù)集為(Xi，y)，其中Xi的表達(dá)式為

Xi=gi(Xi-1,Wi,αi,βi)

(9)

式中:gi為激活函數(shù)；Xi-1為上一層的輸出；Wi，αi，βi為第i層與第i-1層之間的連接關(guān)系。

(10)

式中：f=1,2，…，N；λ為加權(quán)向量。表示為

(11)

(12)

(13)

與傳統(tǒng)的深度學(xué)習(xí)相比，本文采用的模型充分利用了原始能耗數(shù)據(jù)的特征，并多次運(yùn)用深度學(xué)習(xí)模型中的各層提取得到的特征數(shù)據(jù)，使預(yù)測(cè)結(jié)果更準(zhǔn)確。

為了評(píng)估模型的預(yù)測(cè)性能優(yōu)劣，選擇常用的MAE(mean absolute error，表示平均絕對(duì)誤差)、MAPE(mean absolute percentage error，表示平均絕對(duì)百分比誤差)、RMSE(root mean square error，表示均方根誤差)和r(pearson correlation coefficient，表示皮爾遜相關(guān)系數(shù))指標(biāo)作為評(píng)判指標(biāo)。各指標(biāo)的表達(dá)式為

(14)

(15)

(16)

(17)

2 實(shí)驗(yàn)結(jié)果與數(shù)據(jù)分析

2.1 實(shí)驗(yàn)方案

為了驗(yàn)證本文設(shè)計(jì)的建筑能耗預(yù)測(cè)模型的準(zhǔn)確性，選擇真實(shí)建筑作為驗(yàn)證對(duì)象，選擇其能耗數(shù)據(jù)用于實(shí)驗(yàn)預(yù)測(cè)。

選擇的實(shí)驗(yàn)建筑為網(wǎng)絡(luò)上數(shù)據(jù)公開(kāi)的百貨商場(chǎng)，并進(jìn)行能耗情況預(yù)測(cè)。每個(gè)實(shí)驗(yàn)中的能耗數(shù)據(jù)均包括原始數(shù)據(jù)和能耗殘余兩部分，并將其中的70%的數(shù)據(jù)用作樣本訓(xùn)練，剩余的30%作為測(cè)試數(shù)據(jù)。模型數(shù)據(jù)輸入個(gè)數(shù)設(shè)置為10，并將本模型與其他幾種當(dāng)前流行的回歸模型做對(duì)比，主要選擇的對(duì)比模型包括套索回歸、多項(xiàng)式回歸、嶺回歸等。

為了驗(yàn)證頻譜函數(shù)挖掘的循環(huán)特征性能，需要采用貝葉斯準(zhǔn)則(bayesian information criterion，簡(jiǎn)稱(chēng)BIC)來(lái)驗(yàn)證和評(píng)價(jià)該頻譜函數(shù)的表現(xiàn)效果。BIC值越低意味著模型的性能越好，其表示式為

(18)

(19)

整個(gè)模型中，對(duì)于最優(yōu)循環(huán)特征的尋找，通過(guò)不斷增加循環(huán)分量，使得BIC值最低。提取此時(shí)的能耗情況，進(jìn)行特征提取。

選擇幾種主流的學(xué)習(xí)方法作為本文學(xué)習(xí)方法的對(duì)比，主要包括DBN(deep belief networks，表示深度置信網(wǎng)絡(luò))、ELM(extreme machine learning，表示極限學(xué)習(xí)機(jī))、SVR(support vector regression，表示支持向量回歸)等。并進(jìn)一步將本文獲取的循環(huán)特征與上述三種方法結(jié)合，進(jìn)行能耗預(yù)測(cè)，與本文模型進(jìn)行數(shù)據(jù)比較。

2.2 實(shí)驗(yàn)結(jié)果

2.2.1 循環(huán)特征對(duì)比

為了獲得合適的循環(huán)分量，將循環(huán)分量的個(gè)數(shù)從1增加至30，并比較BIC值，取數(shù)值最小的循環(huán)分量，使得循環(huán)特征更明顯，且不存在過(guò)擬合的現(xiàn)象。圖2給出了BIC值與循環(huán)分量的關(guān)系曲線，圖中可以看到，當(dāng)頻譜函數(shù)的循環(huán)分量選擇25時(shí)BIC值最低，因此將循環(huán)分量個(gè)數(shù)設(shè)置為25。

圖2 不同循環(huán)分量個(gè)數(shù)的BIC值

圖3顯示了該建筑的循環(huán)能耗特征，通過(guò)頻譜圖可以看到，該百貨大樓具有24小時(shí)的循環(huán)周期，且能耗每隔3～4 h出現(xiàn)明顯的子能耗。這兩個(gè)循環(huán)周期組合后形成了該建筑的循環(huán)能耗特征分量。

圖3 循環(huán)特征頻譜分析

圖4描述了該商場(chǎng)能耗的500個(gè)原始數(shù)據(jù)，將該能耗中的穩(wěn)定能耗部分從原始數(shù)據(jù)中去除后，可以獲得殘余能耗曲線數(shù)據(jù)情況。該商場(chǎng)的殘余能耗數(shù)據(jù)情況如圖5所示。

圖4 商場(chǎng)能耗的原始數(shù)據(jù)

圖5 商場(chǎng)殘余能耗的原始數(shù)據(jù)

為了比較分析本文模型的優(yōu)勢(shì)，選擇對(duì)比模型的參數(shù)設(shè)置為：

(1)設(shè)置套索回歸模型的懲罰系數(shù)為 1，維數(shù)選擇為26；

(2)設(shè)置嶺回歸模型的懲罰系數(shù)為 0.01，維數(shù)選擇為26；

(3)設(shè)置多項(xiàng)式回歸模型的最高維數(shù)為 10。

使用上述三個(gè)模型進(jìn)行建模，并選擇 ELM模型作為其參與能耗的預(yù)測(cè)模型。

每種方法分別做了10次殘余能耗預(yù)測(cè)實(shí)驗(yàn)，并根據(jù)前文標(biāo)準(zhǔn)進(jìn)行分析比較。計(jì)算結(jié)果如表1所示，給出了不同模型的預(yù)測(cè)評(píng)價(jià)結(jié)果。

表1 不同循環(huán)特征模型的預(yù)測(cè)性能結(jié)果

從表1中可以看到，在循環(huán)特性的數(shù)據(jù)提取上，相對(duì)于對(duì)比模型中的套索回歸、嶺回歸和多項(xiàng)式回歸，本文選擇的頻譜分析方法在性能上有比較大的優(yōu)勢(shì)，所有的評(píng)價(jià)指標(biāo)中MAE指標(biāo)、RMSE指標(biāo)和MAPE指標(biāo)均小于其他模型，證明本文模型的精確程度，同時(shí)在r指標(biāo)上，頻譜分析的模型比其他模型的結(jié)果更大，也同樣可以證明該模型的預(yù)測(cè)精確性。

其他模型在能耗預(yù)測(cè)方面也有較好的性能，但是在這三種模型的對(duì)比方面，多項(xiàng)式回歸模型的性能更好，比其他模型的預(yù)測(cè)精度更高。

2.2.2 學(xué)習(xí)方法對(duì)比

為了表示該模型的優(yōu)越性，利用其他數(shù)據(jù)學(xué)習(xí)方法與本文算法進(jìn)行對(duì)比。

選擇DBN、ELM和SVR三種模型的參數(shù)以使得其獲得最好的性能，參數(shù)選擇為：

(1)選擇DBN的結(jié)構(gòu)中，共含有2個(gè)隱層，每個(gè)隱層中均含有一定數(shù)量的節(jié)點(diǎn)，選擇節(jié)點(diǎn)數(shù)量為650個(gè)，對(duì)于回歸函數(shù)部分，設(shè)置其隱節(jié)點(diǎn)的數(shù)量為35，以獲得更好的預(yù)測(cè)結(jié)果；

(2)對(duì)于ELM，設(shè)定其隱節(jié)點(diǎn)數(shù)量為60；

(3)對(duì)于SVR，選擇RBF函數(shù)為內(nèi)核函數(shù)，設(shè)置懲罰系數(shù)為0.5，內(nèi)核系數(shù)設(shè)置為0.6。

不同模型的預(yù)測(cè)結(jié)果如表2所示，表2中給出不同預(yù)測(cè)模型的評(píng)價(jià)情況(其中，“模型+CF”表示該模型的預(yù)測(cè)是基于循環(huán)特征，CF為利用頻譜分析方法提取建筑能耗的循環(huán)特征)。

表2 不同預(yù)測(cè)模型的預(yù)測(cè)結(jié)果

從表2中可以看到，對(duì)比本文所采用的建筑原始數(shù)據(jù)、能耗混合數(shù)據(jù)以及循環(huán)特征-殘余能耗數(shù)據(jù)，比較基于SVR、ELM、DBN 和本文所采用DEEM模型的能耗預(yù)測(cè)結(jié)果，從而可以證明本文方法的效果。

而且，循環(huán)特征結(jié)合能耗殘余數(shù)據(jù)的預(yù)測(cè)模型，其預(yù)測(cè)結(jié)果也會(huì)由于基于原始數(shù)據(jù)和能耗混合數(shù)據(jù)的預(yù)測(cè)。在本文的預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo)上，DEEM+CF模型準(zhǔn)確率優(yōu)于DEEM模型21.77%，DBN+CF模型準(zhǔn)確率優(yōu)于DBN模型23.32%，ELM+CF模型準(zhǔn)確率優(yōu)于ELM模型25.17%，SVR+CF模型準(zhǔn)確率優(yōu)于SVR模型27.48%。

同時(shí)，對(duì)于循環(huán)特征結(jié)合能耗殘余數(shù)據(jù)預(yù)測(cè)中，本文使用的DEEM+CF方法也優(yōu)于DBN+CF、ELM+CF 和 SVR+CF模型。在本文的預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo)上，DEEM+CF的預(yù)測(cè)精度均是最高，優(yōu)于DBN+CF模型3.48%，優(yōu)于ELM+CF模型6.54%、由于SVR+CF模型10.22%。而且，根據(jù)標(biāo)準(zhǔn)差的對(duì)比情況，本文采用DEEM+CF模型預(yù)測(cè)穩(wěn)定性很高，優(yōu)于DBN、ELM模型。

2.3 實(shí)驗(yàn)分析

根據(jù)前文的實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，對(duì)于智能建筑的能耗問(wèn)題，通過(guò)頻譜分析，確認(rèn)其具有明顯的日循環(huán)特性。經(jīng)過(guò)頻譜分析后，去除周期特征得到的殘余能耗數(shù)據(jù)隨機(jī)性更明顯。

基于循環(huán)特征和深度學(xué)習(xí)算法的建筑能耗預(yù)測(cè)模型比基于原始數(shù)據(jù)的訓(xùn)練模型預(yù)測(cè)準(zhǔn)確度更高，而且預(yù)測(cè)穩(wěn)定性也更高。

相比其他預(yù)測(cè)模型，基于循環(huán)特征和深度學(xué)習(xí)的方法可以精準(zhǔn)的對(duì)于建筑能耗進(jìn)行預(yù)測(cè)，相比于其他模型和數(shù)據(jù)算法等，本文的方法更有效。

3 結(jié) 論

為了有效處理智能建筑的能耗預(yù)測(cè)問(wèn)題，本文提出了基于循環(huán)特征和深度學(xué)習(xí)算法的預(yù)測(cè)模型。利用頻譜分析的方式，得到建筑的殘余能耗，并將其作為訓(xùn)練數(shù)據(jù)，用于能耗的預(yù)測(cè)。將本文的算法與其他算法做比較，無(wú)論是與其他回歸模型進(jìn)行對(duì)比還是與其他學(xué)習(xí)方法進(jìn)行對(duì)比，本文的方法在預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性方面都遠(yuǎn)遠(yuǎn)優(yōu)于其他。可以證明本文算法的有效性，為建筑能耗的預(yù)測(cè)提供了一種新的分析預(yù)測(cè)方法和手段。