基于GA改進LSTM-BP神經網絡的智慧樓宇用能行為預測方法

江世雄， 黃鴻標， 陳蘇芳， 肖榮洋

(1. 武漢大學 動力與機械學院， 武漢 430072； 2. 國網福建省電力有限公司 龍巖供電公司， 福建 龍巖 364000)

隨著人口的持續增長與經濟的飛速發展，全球能源消耗和環境問題已逐漸成為研究熱點[1].根據相關數據顯示，全球約有39%的能源消耗及38%的溫室氣體排放來自于建筑能耗[2-3]，因此有必要對建筑能耗進行合理的預測與控制，以提供更加精準的能源供應，從而緩解能源緊缺態勢并減少溫室氣體的排放[4].

國內外對建筑能耗已有諸多研究，如周璇等[5]針對建筑內照明及插座能耗具有隨機性且難以預測的特征，利用長短時記憶網絡(LSTM)模型提出了基于深度學習的多步預測建模方法，有效提高了預測精度，但其對于樓宇能耗的全方位預測效果仍有待深入研究；李紅蓮等[6]利用歷史氣象和能耗數據，采用Morphing法對國內典型城市辦公建筑的全年能耗進行模擬，預估了氣候變化下建筑能耗的變化趨勢，為更加精準的能源供應提供了依據；Damrongsak等[7]研究了商場能耗數據，并提出一種多元線性回歸方法深入挖掘了能源消耗與其他環境參數的關系，進而有效預測了建筑物電能消耗；而Kannari等[8]提出了一種結合物理建模與機器學習的新方法，通過人工神經網絡完成對數據集參數的訓練和學習，其兼顧了預測模型魯棒性、準確性及推理速度.

但上述方法對能耗的預測大多僅針對于電能，故在實際建筑物能耗的預測中存在一定局限性[9]，因此，本文基于遺傳算法(GA)改進LSTM-BP神經網絡，提出了一種智能建筑用能行為的預測方法.

1 基于聚類算法的用戶用能行為分析

在智慧樓宇用能行為預測之前，需要明確用能類型，因此所提方法基于K-means聚類算法來劃分樓宇的用能類型，從而提高后續預測的準確性.

1.1 K-means算法

算法將一組N個未標記的數據量聚類劃分為K個類型，且每個簇的質心可計算為同一簇中所有數據點的平均值，聚類過程如下：

1) 隨機或根據一些先驗知識初始化k個數據點R=[R1，R2，…，Rk].

2) 計算每個數據點x與質心之間的距離，并將每個數據點指定給最近的質心.數學公式表述為

xi∈Rwifd(xi，Rw)

(1)

式中，d(xi，Rj)表示數據點xi和質心Rj之間的距離，且所提方法采用歐幾里德距離.

3) 重新計算每個簇的質心，直至收斂，質心計算表達式為

(2)

式中，Nk為數據點質心的數量.

1.2 智慧樓宇用能行為特征

智能樓宇使用的能源主要有電能、天然氣、冷能及熱能等[10]，本文通過各自的測量裝置獲取數據，并利用K-means聚類算法進行分析處理，從而得到樓宇用能行為特征.其中，以某工業住宅小區混合樓宇為目標，選取常用的電能、熱能與冷能作為能耗研究對象進行分析，則該智慧樓宇的電能消耗曲線如圖1所示.

圖1 電能消耗曲線Fig.1 Electric energy consumption curves

由圖1可以看出，用戶用電行為習慣可分為4種類型，分別表示為EA、EB、EC和ED.EA曲線平行于水平軸，則此類用戶整體功率較低，無明顯波動且功耗小，故可推測其處于空載狀態，僅有少量線損；EB用戶曲線波動明顯，用電高峰主要出現在早晚時段，且晝夜曲線波動較小，所以其大概率為上班族；EC曲線全天呈現多個功率峰值，且峰值在早期、中期和晚期均有出現，則推測用戶為老年家庭；而ED的能量消耗曲線在一天中呈現多個峰值，但白天為一個小峰值，夜間則是一個遠高于其他曲線的大峰值，因此該用戶可能是有幾代人的混合家庭.

同樣，以該小區冬季某一天熱能消耗作為研究對象，獲得的熱能變化曲線如圖2所示.

圖2 熱能消耗曲線Fig.2 Thermal energy consumption curves

從圖2可以看出，熱能消耗行為可分為3類：GA曲線的高峰僅出現在早晚，因此用戶大概率是上班族；GB曲線全天均呈現多個能耗峰值，說明樓宇內全天候有人，故此類用戶應是幾代人的混合家庭；GC曲線幾乎僅在晚間有高耗能，所以用戶有可能是學生類型的人群.

對于樓宇冷能消耗，則主要選取夏季某典型高溫天氣作為研究對象，能耗曲線如圖3所示.

圖3 冷能消耗曲線Fig.3 Cold energy consumption curves

由圖3可知，對于冷能的消耗，不同用戶具有不同的表現.其中CA表現為非工作時間較為明顯，而上班時間幾乎無冷能消耗，大概率為上班族；CB和CC則與之相反，大部分冷能負荷為白天工作時間，大概率為工業或企業用戶，且在部分時間呈現用能高峰.

2 智慧樓宇用能行為預測模型

2.1 LSTM-BP神經網絡

LSTM網絡主要通過輸入門、遺忘門和輸出門來實現信息的保護與控制.其中遺忘門表示網絡從單元中丟棄的信息，即通過讀取前一時刻的輸出結果ht-1和外部輸入xt，以輸出“0”或“1”，“1”表示完全保留，而“0”表示完全接受.LSTM的遺忘門計算表達式為

f=δ(ωf[ht-1，xt]+bf)

(3)

式中：δ為激活函數；ω、b分別為網絡的權重和偏置量.

(4)

最終輸出門的計算表達式為

(5)

LSTM神經網絡的結構對其預測性能具有顯著影響，為此引入反向傳播神經網絡(BP)用于確定各種權重值與偏差，以提高模型的預測準確性.所構成的LSTM-BP神經網絡的整體結構如圖4所示.

圖4 LSTM-BP神經網絡的整體結構Fig.4 Overall structure of LSTM-BP neural network

在LSTM-BP神經網絡中，原始數據輸入LSTM網絡的輸入層，考慮到數據過載問題，將遺忘門設為一層且其神經元數量不超過30個.然后將LSTM網絡的輸出層數據作為BP神經網絡的輸入，經過分析處理后得到最終的預測結果.其中將BP神經網絡的隱藏層設為3層，而每層神經元的數量則需根據實際研究對象進行選取.

2.2 基于GA改進的LSTM-BP網絡模型

為了使LSTM-BP神經網絡架構具有多維空間，故采用GA優化確定LSTM-BP超參數的最佳值，其包括LSTM及BP網絡層次數量[11-12]、每層中神經元數量以及相應的丟棄率與學習率.

GA算法是一種基于自然選擇理論以及遺傳機制的強大進化算法.其將待優化參數組成編碼串，并根據一定的適應度函數和一系列遺傳操作對每個個體進行種群篩選，從而保留具有高適應度值的個體，再形成新的群體.新群體中個體的適應值不斷提高，直至滿足迭代終止條件，具有最高適應值的個體即為優化參數的最優解[13].由于GA算法獨特的相似性與生物進化的工作原理，使其能在復雜空間中進行全局優化搜索，且具有較強的魯棒性[14].

GA算法優化LSTM-BP神經網絡的具體步驟如下：

1) 參數初始化：設置種群規模、交叉概率、變異概率、最大迭代次數及誤差極值等主要參數.

2) 根據個體適應度值的大小進行排序，并計算每個個體的評價函數，其中將預測模型的平均絕對誤差(MAE)作為適應度值[15]，然后對其排序并將計算出的平均適應度值作為閾值，再選擇適應度大于平均適應度的個體組成新的種群.

3) 確定是否達到所需的種群規模，若達到，進行交叉、變異遺傳操作等；否則重復步驟2).

4) 根據尋優得到的最優個體作為LSTM-BP神經網絡的權值和閾值.

5) 使用LSTM-BP神經網絡傳播正信息，計算全局誤差并判斷是否達到迭代終止條件.若滿足條件，結束模型學習并輸出預測結果；否則進行LSTM-BP網絡的反向傳播，修改權重并返回至步驟4)，重復模型學習.

2.3 基于改進LSTM-BP的用能行為預測模型

利用GA優化的LSTM-BP神經網絡模型來預測智慧樓宇的用能行為.將智慧樓宇的電能、天然氣等能源使用量以及當地天氣狀態的信息輸入預測模型，從而實現對用戶用能行為的預估.所提智慧樓宇用能行為預測流程如圖5所示，主要流程如下：

圖5 基于改進LSTM-BP模型的用能行為預測流程Fig.5 Prediction process for energy consumption behavior based on improved LSTM-BP model

1) 采集用能數據并對其進行聚類預處理，得到樓宇明確的用能類型.同時，將數據集劃分為訓練集和測試集.

2) 訓練LSTM模型并初始化預測模型參數，然后將訓練集輸入模型，利用GA算法進行反復迭代優化，得到MAE最小化的模型參數.

3) 訓練BP模型，將LSTM模型輸出值作為BP網絡的輸入進行訓練.同樣，利用GA算法優化BP網絡模型的參數，當達到預設目標，則能夠獲得最佳的LSTM-BP網絡預測模型.

4) 將測試集數據輸入訓練好的LSTM-BP模型中，對模型輸出的數據進行反歸一化處理，并將預測結果與實際樣本加以對比，從而得到高精度的用能行為預測結果.

3 實驗結果與分析

基于TensorFlow深度學習框架對所提方法進行實驗分析.其中，數據集選取東部地區某智慧住宅2020年3月12日至2020年5月20日的用戶耗能相關數據.信息采集頻率為30 min，共1.43×107條用戶信息用于智慧樓宇用能行為的分析預測.

3.1 參數分析

由于GA算法中選擇、交叉和變異概率的選值對所提方法的預測性能存在較大影響，故將種群規模與最大迭代次數分別設為20及50.在不同選擇、交叉和變異概率下所提方法的MAE變化如圖6所示.經過GA算法改進后的模型中LSTM隱藏層為2層，BP神經網絡隱藏層為3層，加上輸出與輸入層，整體模型共有7層.其中LSTM每層28個神經元，BP神經網絡每層神經元個數為31個.

圖6 不同選擇、交叉和變異概率下的模型MAE變化曲線Fig.6 MAE variation curves under different selection， crossover and mutation probabilities

由圖6可以看出，優化迭代開始時MAE波動較大，迭代次數超過30后，預測模型趨于收斂.交叉操作的概率用于判定兩個個體是否進行交叉，變異操作的概率表示允許少數個體存在變異情況，以避免陷入局部最優，其取值應綜合考慮算法性能.當選擇概率取值較小時，算法收斂較慢甚至不收斂.當選擇、交叉及變異概率分別為0.8、0.2和0.2時，MAE將達到最小，且僅為1.85 J.因此在本方法中將GA算法的3種概率值分別設為0.8、0.2和0.2，以實現最佳的預測性能.

3.2 用能行為分析

針對智慧樓宇用戶常用的電能、熱能及冷能耗量進行預測分析，采用12 h與48 h的預測結果如圖7所示.

圖7 所提方法不同時間范圍的預測結果Fig.7 Prediction results obtained by as-proposed method within different time ranges

由圖7可以看出，12 h的預測值與實際值基本一致，而48 h的預測值與實際值則仍存在一定偏差.原因是時間范圍越廣，可變因素越多，對模型的預測性能要求也就越高.從電能耗量曲線中可明顯看出，48 h的預測值存在明顯的波動，這可能是所提模型出現了過度收斂，且電能受環境、社會因素影響較大而導致的結果.但總體而言，本文方法的預測結果與真實值基本接近，滿足設計目標.

3.3 預測性能分析

為了論證所提方法的預測性能，將其與文獻[5]、文獻[7]及文獻[8]的預測結果進行對比，如圖8所示.

圖8 不同方法的MAE對比結果Fig.8 MAE comparison results among different methods

由圖8可以看出，相比于其他對比方法，所提方法能實現最快收斂且MAE值最小.由于所提方法在K-means聚類獲得用戶行為類型的基礎上，通過利用LSTM-BP神經網絡學習分析得到預測結果，所以能最大程度地保證預測準確性.然而文獻[5]使用LSTM網絡以及文獻[7]僅采用多元線性回歸方法來進行預測，單一模型的處理性能不佳，故二者預測誤差均較大；而文獻[8]在物理建模的基礎上利用人工神經網絡實現能耗預測，預測性能較單一模型有所提升，但缺乏多能源類型的考慮.

4 結 論

隨著“碳達峰”、“碳中和”戰略目標的實施，對于高耗能的智慧樓宇進行節能減排成為了必然趨勢.本文提出了一種用能行為預測方法，為能源調控提供參考.通過引入K-means聚類算法對用戶的用能行為類型進行劃分后，將用能數據輸入GA改進的LSTM-BP模型進行預測分析，以估計智慧樓宇的用能行為.基于TensorFlow框架的實驗結果表明，當選擇、交叉及變異概率分別為0.8、0.2與0.2時，所提方法的性能最佳.算法MAE值約為1.79 J，因此能夠穩定、高精度地預測不同時間的智慧樓宇用能行為.