基于CNN-RNN組合模型的辦公建筑能耗預測

建筑運行階段能耗在中國能源消耗中占比21.7%，是溫室氣體排放的重要來源.隨著經濟發展和人民生活水平的提高，建筑能源消耗比例呈現出不斷上升的趨勢.因此，對建筑能耗進行預測以指導建筑運行模式和節能評估，對建筑節能有著重要意義.目前，建筑能耗預測方法主要可分為基于熱力學規則的物理模型和基于機器學習算法的數據模型.由于物理模型耗時較長且需要詳盡的建筑信息與環境參數(如建筑構造細節、運行時間表、物性參數等)，在實際應用中常因為缺少準確的輸入數據，導致能耗模擬結果不佳.

數據模型能夠根據建筑的歷史能耗數據和建筑業態，在缺少建筑物理參數的情況下快速精準地對建筑能耗進行預測，近年來得到了廣泛的應用.目前，常用的機器學習算法有支持向量回歸(SVR)、人工神經網絡(ANN)以及梯度漸進回歸樹(GBRT)等.然而，這些傳統的機器學習算法仍然需要大量的人工操作來提取數據中的特征，以降低數據的復雜性.

隨著數據量增多以及算力增長，數據模型逐漸由淺層機器學習發展到深度學習.深度學習通過多個網絡層直接從數據中進行特征的提取與學習，有著較強的模型表達能力.相較于傳統機器學習，深度學習模型預測精度隨著訓練數據量增長而不斷提高.目前，應用于建筑能耗預測領域的深度學習算法主要包括自動編碼器(AE)、循環神經網絡(RNN)、長短期記憶網絡(LSTM)、生成對抗網絡(GAN)等模型，而卷積神經網絡(CNN)目前應用較少，CNN網絡具有極強的局部特征捕捉能力，應用到建筑能耗預測領域中能夠通過構建高維特征，有效地學習到影響能耗的變量之間的非線性相互作用關系.此外，基于深度學習的組合模型在建筑能耗預測中的應用也鮮有報道.

本文利用卷積神經網絡良好的特征提取能力與循環神經網絡良好的時序學習能力，提出用于預測辦公建筑能耗的CNN-RNN組合模型，在辦公建筑數據集下驗證模型性能，并與簡單循環神經網絡(SRNN)和LSTM模型進行綜合比較.該研究可為數據驅動的建筑能耗預測建模提供理論指導，準確預測結果可為辦公建筑的運行優化和節能管理提供數據支持.

水利材料和設備的精密度對水利工程的施工質量起著決定性作用，同時影響著質量的檢測結果。若工程中進購的材料不符合標準，則水利工程質量是難以保障的，甚至會直接影響后期水利物內的居住人員的安全。為確保水利工程施工的質量及安全，在對施工材料進行檢測時就必須嚴格把關，對每批采購的材料樣品和數量都取樣檢測，以保證工程施工過程中及后期使用的質量安全。

1 模型原理

1.1 卷積神經網絡

卷積神經網絡通過處理輸入數據的局部關聯，避免因為輸入數據維度過大而導致的模型參數過多.卷積運算的關鍵特征是權值共享，當卷積核掃描提取數據中的局部特征時，該卷積核移動一定步長后提取局部特征的模式不變，通過不斷移動卷積核，完成對數據的掃描并得到較少的參數.卷積神經網絡結構如圖1所示，其中：，，…，為輸入變量；+1，，…，-47為時間序列，+1表示時刻后1時刻，-1表示時刻前1時刻

為了對數據異常值進行篩選，以能耗值95%分位點作為基準值，以基準值的2倍作為合理能耗區間，區間外的數據認定為是異常值.刪除異常值后使用線性插值進行補全，然后采用Min-Max方法對數據進行標準化處理，以消除不同量綱及量綱單位對預測性能的影響，如下式所示：

1.2 循環神經網絡

作為與教材配套的微課，具體到每一節課，還需要教師在應用前仔細觀看，分清類型，明確使用目標。換句話說，就是選擇什么樣的微課要與目標、內容相匹配。例如，對概念的理解，就需選擇創造情景的微課；技能應用，需要提供示范性微課；探究性問題的引入，媒體要提供某種現象的微課，讓學生提出問題和疑點，然后得出結論。所以，教師要事先觀摩微課，熟知每一節微課的內容、功能、時間長短，精心設計教學活動，明確微課在課堂上應用的目的、環節及具體時間和順序，讓微課真正融入課堂，發揮作用。

1.3 CNN-RNN模型結構

現代學徒制之所以被職業院校所推崇，主要原因是可以將教師在實踐工作的經驗和做法直接教給學生，每一位教師多年來都積累了一定的工作經驗，在技術運用和技術創新中都會有自己獨到的理解，通過現代學徒制可以手把手教給學生，讓學生在學習中真正得到老師的“真傳”，也讓人類社會的技術能夠代代傳承，這也是傳承工匠精神的真諦。

除了模型中間層，還需要設置模型輸入、輸出層.其中，模型輸入層維度與輸入數據維度相同，輸出層為僅有一個神經元的全連接層，使模型最終能夠輸出預測能耗值.同時為提升模型泛化能力，在第一層全連接層后加入隨機失活層，減少中間特征的數量，從而減少冗余.

2 模型性能分析及模型驗證

2.1 數據分析

CNN-RNN組合模型整體能耗預測曲線較為平滑，相較于SRNN與LSTM模型，該組合模型能夠較好地學習到辦公建筑中相對穩定的能耗變化規律.組合模型在1月與7月的預測結果與SRNN模型接近，均能較好地反映辦公建筑運行規律；而在4月的預測曲線擬合度明顯優于SRNN與LSTM模型，表明經過CNN層提取特征后，不僅降低了數據復雜度，縮短模型訓練時間，同時將提取后的特征作為RNN層輸入，有效降低了過渡季時序性不足對預測結果的干擾，有助于模型學習到能耗變化規律，從而驗證了該組合模型能有效提高辦公建筑能耗的整體預測效果.

針對建筑能耗預測領域，在CNN模型中，R-CNN可以提取建筑能耗數據中同一時刻不同特征之間的非線性關系，通過卷積核構成高維特征；在RNN模型中，SRNN在時域上對建筑能耗變化趨勢的預測更加精準，能夠準確地表達建筑能耗的非線性特征.利用SRNN層從R-CNN層的輸出信息中提取高維抽象特征，構成CNN-RNN組合模型，對于建筑能耗數據具有良好的適應性，模型順序構成如表1所示.通過一維卷積核(Conv_1D)提取同時刻數據的組合特征之后，再使用SRNN層學習數據的時序特性，最后通過全連接層(Dense層)實現回歸預測.R-CNN層與全連接層選用深度學習中常用的ReLU激活函數，對小于0的值全部抑制為0，對于正數則直接輸出；而在SRNN層中，為了防止其出現梯度消失等問題，其激活函數采用ELU，對于小于0的值可以取負值，使單元激活均值接近于0.

卷積神經網絡一般包含卷積層、激活層、池化層和全連接層.卷積層從輸入的數據中獲取信息，根據沿輸入特征掃描方向的不同，可以分為逐行掃描(R-CNN) 和逐列掃描(C-CNN).R-CNN是先通過卷積神經網絡逐行掃描，將所有單個時刻點的輸入特征進行組合，之后對時序上的所有組合特征進行學習.在輸入數據訓練模型時，通過轉置二維的輸入數據，可實現C-CNN對列方向的掃描.卷積層利用卷積核從數據中提取特征形成特征映射圖.這些特征通過一個非線性激活函數傳遞，該激活函數加速CNN理解數據間的復雜關系.

循環神經網絡是一種用于從時間序列數據中捕獲信息的網絡.與只建立層與層之間權重聯系的基本神經網絡相比，RNN最顯著的特征在于層內的神經元之間也建立了權連接.作為最基本的循環神經網絡，簡單循環神經網絡結構如圖2所示.其中：為時刻輸入；為時刻隱層單元；為時刻輸出；為權重矩陣；為輸入變換矩陣；為輸出變換矩陣，與在序列的不同時間點上共享，可以視為學習序列中固定的狀態轉移矩陣.長短期記憶網絡是一種改良的循環神經網絡，通過在每個神經元內提供反饋，在一定程度上解決了梯度消失的問題.SRNN在每次誤差反饋過程中都會丟失部分信息，LSTM通過控制新信息對神經元存儲信息的干擾程度，提取信號特征中的長期相關性，以提高識別精度.

(1)

式中：為歸一化后的變量值；為輸入變量的當前值；為輸入變量的最大值；為輸入變量的最小值.

..輸入數據結構 傳統機器學習模型中輸入數據按照一維向量格式進行保存，隨著深度學習對數據量需求的增加，一維向量結構作為輸入無法體現數據特征的特性差異，不利于深度學習模型自動提取數據特征.為此，本文提出適用于深度學習的數據結構，如表2所示. 其中：為室外氣溫；為相對濕度；為工作日與否；為24 h時刻; 考慮到建筑運行的周期性，加入前48 h的歷史輸入數據，使模型可以學習更為長期的趨勢，獲得更精準的預測值.相比于一維向量數據結構，增添了所有變量的歷史數據，將輸入數據重組為二維矩陣.對于表2所示結構，組合模型可以通過橫向掃描對單個時刻的輸入進行組合，同時可以對時序上的所有組合特征進行學習，充分發揮了深度學習的特征提取能力.

2.2 模型計算效率分析

計算效率是評價模型的重要指標之一.以GTX1050作為訓練模型的GPU，對深度學習模型可訓練參數的數目與模型訓練時間進行統計，如表3所示.SRNN可訓練參數為 17 596，訓練耗時為 1 193 s.LSTM模型由于加入了記憶門、遺忘門，可訓練參數達到 65 089，訓練耗時增長到 1 745 s.訓練耗時主要與模型結構有關，表明LSTM模型結構比SRNN模型更加復雜.對于本文所提出的 CNN-RNN組合模型，使用CNN層對特征進行提取后，RNN層輸入張量減小；盡管層數增加，模型復雜度并沒有大幅度提升.模型初始化后可訓練參數個數為 17 633，訓練耗時848 s，訓練耗時相較于SRNN與LSTM模型分別減少了28.9%和51.4%.

2.3 模型驗證及預測性能分析

本文采用了平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)和擬合優度()作為評價指標.一般而言，較小的平均絕對誤差和平均絕對百分比誤差以及較大的擬合優度表明模型具有較高的預測精度.評價指標如下式所示：

(2)

(3)

(4)

從全年數據中，分別選取供暖季1月、過渡季4月和供冷季7月的前8天作為典型，查看歷史能耗數據與預測數據，結果如圖4～6所示.

將全年數據集按照比例隨機劃分為訓練集與測試集，其中，80%的數據作為訓練集，20%的數據作為測試集，各模型訓練集與測試集的評價指標如表4所示.SRNN與LSTM模型的MAPE指標均高于15%，其中LSTM模型的性能指標出現了較大幅度下降，表明模型對數據中隱含規律的學習能力較差.相比與SRNN與LSTM模型，CNN-RNN組合模型在測試集上的MAPE指標分別降低了13.8%和48.3%，表明在經過CNN層提取特征之后，組合模型的RNN層學習能力明顯提升.組合模型在訓練集與測試集上的MAPE指標接近，表明模型對新數據擬合能力強，模型泛化性好.

SRNN模型在1月供暖季和7月供冷季均取得了較好的預測表現，而在4月過渡季表現較差.LSTM模型僅在7月具有較好的預測性能，另外兩個工況精度均較差，未能有效學習到建筑全部的運行能耗變化規律.表明過渡季的換季特性導致辦公建筑運行規律不穩定，使得SRNN模型與LSTM模型預測出現異常結果.且盡管LSTM模型具有更多的訓練參數，但模型結構過于復雜，在基于當前的能耗數據訓練時，容易出現訓練不充分現象.

..數據獲取及預處理 選取上海市某辦公建筑作為研究對象，該建筑總面積1.9×10m.通過能耗監測系統獲得了2018年的歷史逐時能耗數據()，能耗曲線如圖3所示.由圖3可以看出，辦公建筑能耗與季節和建筑運營規律有著明顯的相關性.因此，模型的輸入參數包括兩大類：① 時間變量，包括月、日、時、分、工作日與否；② 室外變量，包括室外氣溫(OAT)、相對濕度(ORH).氣象數據由Iowa Environmental Mesonet的ASOS數據庫獲得.

本屆蘭心獎承辦方之一、古船米業董事長劉亞洲先生在頒獎致辭中表示，雇主請阿姨，首先要求的是要“放心”。在“放心”這點上，古船和蘭心獎提倡的理念高度契合。希望通過蘭心獎的影響，能夠激勵更多的阿姨珍惜自己的職業，出現更多讓雇主放心的好阿姨。

3 結論

本文建立了CNN-RNN組合模型實現建筑能耗預測，并利用辦公建筑能耗實測數據進行驗證與分析，得到的主要結論如下：

(1) 基于CNN算法對局部關聯特征的提取能力與RNN算法對時序特性的學習能力，提出了CNN-RNN組合模型，實現深度學習在建筑能耗預測領域的有效利用.

這個不用充電的家用應急燈經過半年多的實際使用檢驗，效果好，而且很安全。它不用充電，停電的時候就可以用來照明，非常適合記憶力不太好的老年人使用；也可用來做日常照明。

2.1 兩組臨床療效比較 觀察組臨床治療有效率優于對照組，差異有統計學意義(χ2=5.455，P=0.020)。見表1。

(2) 基于CNN和RNN兩類神經網絡層特性，提出了適用于深度學習的二維矩陣輸入數據結構.通過增加各變量的歷史數據，構成新的維度，使得輸入數據結構同時包含了變量的同時刻特征與歷史規律，充分發揮了深度學習算法的特征提取能力.

黃河三角洲埕島海區蘊藏著豐富的油氣資源，是勝利油田開發的主力區塊。勝利九號平臺正在此地緊張施工。雖然忙得顧不上多喝一口水，但泥漿工周敬國仍認真地將含油井段的巖屑回收到專用的回收箱中。

(3) 分析結果表明，相較于簡單循環神經網絡模型，CNN-RNN組合模型預測曲線更為平滑，在擬合優度相近的情況下，計算效率取得了顯著提升，計算時間和MAPE分別下降了28.9%和13.8%.