基于改進(jìn)門(mén)控循環(huán)單元的建筑耗能預(yù)測(cè)方法

閆宇祺

建筑耗能是我國(guó)總耗能中占比最大的一部分，對(duì)其進(jìn)行規(guī)律驗(yàn)證與預(yù)測(cè)具有非常重要的意義。提出了一種基于門(mén)控循環(huán)單元(Gated Recurrent Unit, GRU)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)建筑耗能的方法，充分挖掘數(shù)據(jù)中的深層特征關(guān)系。將采集到的原始數(shù)據(jù)輸入到輸入層，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。利用DGRU層對(duì)特征信息進(jìn)行提取，進(jìn)而實(shí)現(xiàn)序列分析。通過(guò)序列信息和回歸層獲得預(yù)測(cè)結(jié)果。為驗(yàn)證方法的有效性，采用BGD2（Building Data Genome 2）數(shù)據(jù)集進(jìn)行仿真驗(yàn)證，結(jié)果證明此方法可以很好地預(yù)測(cè)建筑耗能。

一、引言

在全球資源緊缺和環(huán)境日益惡化的情況下，節(jié)約能源對(duì)于各個(gè)國(guó)家顯得非常重要，尤其是我國(guó)。我國(guó)是全球最大的能源消耗國(guó)，其中建筑耗能在我國(guó)占據(jù)了能源消耗的首位。同時(shí)，隨著我國(guó)的不斷發(fā)展，能源短缺的問(wèn)題也慢慢凸顯出來(lái)，這成為了制約我國(guó)經(jīng)濟(jì)發(fā)展的重要因素。根據(jù)清華大學(xué)發(fā)布的《中國(guó)建筑節(jié)能發(fā)展研究報(bào)告2020》統(tǒng)計(jì)顯示，隨著我國(guó)居民的生活水平逐漸提升，國(guó)民對(duì)建筑用能也會(huì)變得多樣化。這導(dǎo)致了建筑耗能在總耗能中的比重逐年上漲。為了降低不必要的能耗，進(jìn)而達(dá)到節(jié)約能源的目的。對(duì)占比最大的建筑耗能進(jìn)行監(jiān)測(cè)并預(yù)測(cè)，進(jìn)而實(shí)施合理的決策和措施是一種提高能源效率的重要途徑。

建筑耗能預(yù)測(cè)是從歷史耗能數(shù)據(jù)中推斷出未來(lái)的耗能情況。根據(jù)現(xiàn)有文獻(xiàn)對(duì)這種研究方進(jìn)行統(tǒng)計(jì)分析，建筑耗能預(yù)測(cè)方法主要三種方法：物理模型方法、數(shù)據(jù)驅(qū)動(dòng)方法以及混合模型方法。物理模型也叫白箱模型，是利用物理形式的方程對(duì)建筑能量的變化進(jìn)行描述，進(jìn)而實(shí)現(xiàn)建筑耗能的表征。數(shù)據(jù)驅(qū)動(dòng)的方法是利用監(jiān)測(cè)到的歷史數(shù)據(jù)，并使用時(shí)間序列進(jìn)行統(tǒng)計(jì)分析或者通過(guò)機(jī)器學(xué)習(xí)的方法進(jìn)而達(dá)到建筑能耗預(yù)測(cè)的目的，這種方法也被稱(chēng)為是黑箱模型。混合模型的方法是結(jié)合了數(shù)據(jù)驅(qū)動(dòng)方法和物理模型方法的優(yōu)點(diǎn)進(jìn)而產(chǎn)生的預(yù)測(cè)方法。因此，也被稱(chēng)為是灰箱模型。以上三種方法中，由于數(shù)據(jù)驅(qū)動(dòng)的方法不受一些專(zhuān)業(yè)知識(shí)的限制受到了研究者的青睞。例如，周芮錦等人利用自回歸移動(dòng)平均（ARMA）時(shí)序模型對(duì)上海某辦公建筑進(jìn)行逐月能耗預(yù)測(cè)，但是這種方法只能對(duì)穩(wěn)定數(shù)據(jù)進(jìn)行預(yù)測(cè)，導(dǎo)致這種方法的預(yù)測(cè)誤差較大。Neto等人分析了ANN模型，這種模型都顯示了很高的預(yù)測(cè)精度，但是，這種方法存在一種缺陷，那就是不易收斂，易陷入局部最優(yōu)。Zhao和Magoulès利用相關(guān)系數(shù)和回歸梯度的方法減少了SVM訓(xùn)練的變量，但這種方法也同時(shí)降低了預(yù)測(cè)精度。目前，LSTM和GRU受到了研究學(xué)者的青睞，并被廣泛地應(yīng)用，尤其是在文本生成、語(yǔ)音合成和語(yǔ)音識(shí)別。GRU是LSTM的特殊變體，相比于LSTM來(lái)說(shuō)，它的張量運(yùn)算更少，因此，運(yùn)算速度更快。除此之外，GRU有更加靈活的隱藏單元數(shù)量以及工作方式，在預(yù)測(cè)的場(chǎng)景中表現(xiàn)與LSTM不相上下。因此，對(duì)比以上研究方法，本文提出一種基于GRU神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)建筑耗能的方法。

二、網(wǎng)絡(luò)預(yù)測(cè)模型

在前人的研究中，GRU模型被廣泛證明可以學(xué)習(xí)輸入數(shù)據(jù)的深層特征并獲得很好的預(yù)測(cè)效果。本文將GRU模型作為深層網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)構(gòu)建塊，采用多層堆疊GRU網(wǎng)絡(luò)(DGRU)，深層網(wǎng)絡(luò)架構(gòu)具有強(qiáng)大的表示能力，可以在不同的時(shí)間尺度上學(xué)習(xí)原始數(shù)據(jù)中的隱藏特征和高級(jí)表示。本文提出的預(yù)測(cè)網(wǎng)絡(luò)架構(gòu)如圖1所示。首先，將原始的耗能信息輸入到網(wǎng)絡(luò)的輸入層，對(duì)數(shù)據(jù)進(jìn)行格式定義；然后，連接輸入層與DGRU層，旨在對(duì)原始耗能信息進(jìn)行序列建模分析；最后，將分析出的特征輸入到全連接層，并通過(guò)回歸層提供耗能的預(yù)測(cè)結(jié)果，即預(yù)測(cè)網(wǎng)絡(luò)的輸出。

圖1 網(wǎng)絡(luò)預(yù)測(cè)模型

三、實(shí)驗(yàn)與結(jié)果分析

1.數(shù)據(jù)來(lái)源

為了驗(yàn)證本文所提方法對(duì)于耗能預(yù)測(cè)的有效性，本文使用真實(shí)耗能數(shù)據(jù)進(jìn)行預(yù)測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)來(lái)自BGD2數(shù)據(jù)集，該數(shù)據(jù)集包括1636棟建筑的眾多時(shí)序數(shù)據(jù)和氣象數(shù)據(jù)，數(shù)據(jù)范圍為兩年(2016年和2017年)。這些數(shù)據(jù)是從北美和歐洲的19個(gè)地點(diǎn)采集。本文采用BGD2數(shù)據(jù)集中的空氣溫度數(shù)據(jù)進(jìn)行方法驗(yàn)證，BGD2數(shù)據(jù)集中2016年空氣溫度數(shù)據(jù)如圖2所示，數(shù)據(jù)集包含了366天＊24小時(shí)的空氣溫度。為充分利用該數(shù)據(jù)來(lái)驗(yàn)證本文提出方法的可靠性。本文將數(shù)據(jù)的90%作為提出方法的訓(xùn)練數(shù)據(jù)，將剩下的10%數(shù)據(jù)作為網(wǎng)絡(luò)的測(cè)試數(shù)據(jù)。

圖2 BGD2空氣溫度數(shù)據(jù)集

2.網(wǎng)絡(luò)參數(shù)

絕對(duì)平均誤差(MAE)和均方根誤差(RMSE)被常常用作方法預(yù)測(cè)結(jié)果的評(píng)價(jià)指標(biāo)。因此，本文利用MAE和RMSE作為預(yù)測(cè)方法的評(píng)估指標(biāo)。在預(yù)測(cè)結(jié)果中，如果一個(gè)模型獲得預(yù)測(cè)結(jié)果的MAE和RMSE值越小，則表示該模型的預(yù)測(cè)精度越預(yù)測(cè)高。

在訓(xùn)練期間，本文采用最小批量4的優(yōu)化器Adam，通過(guò)更新網(wǎng)絡(luò)權(quán)重和降低損失函數(shù)的偏差。在本文所提出的預(yù)測(cè)方法中，DGRU的隱藏層數(shù)和隱藏單元個(gè)數(shù)是兩個(gè)重要的參數(shù)。因此，本文利用每天溫度的有效值作為監(jiān)測(cè)數(shù)據(jù)，對(duì)在不同隱藏層層數(shù)和不同隱藏層單元個(gè)數(shù)下的有效值進(jìn)行預(yù)測(cè)并計(jì)算實(shí)際值與預(yù)測(cè)值的RMSE值，進(jìn)而通過(guò)RMSE值大小尋找出最優(yōu)的兩個(gè)參數(shù)。但在這之前需要確定網(wǎng)絡(luò)參數(shù)，本文確定的網(wǎng)絡(luò)參數(shù)如表1所示。

表1 網(wǎng)絡(luò)參數(shù)

為驗(yàn)證不同隱藏層數(shù)和不同單元數(shù)對(duì)預(yù)測(cè)結(jié)果的影響，本文分別使用單層GRU網(wǎng)絡(luò)、二層至五層DGRU網(wǎng)絡(luò)進(jìn)行對(duì)比試驗(yàn)以選擇最適合的網(wǎng)絡(luò)層數(shù)。本文對(duì)每組實(shí)驗(yàn)重復(fù)十次，取他們的平均值作為這組預(yù)測(cè)效果，將不同組的預(yù)測(cè)出效果進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如圖3（a）所示。從圖中可以看出，當(dāng)DGRU的隱藏層層數(shù)為4時(shí)，網(wǎng)絡(luò)預(yù)測(cè)結(jié)果獲得了最低的RMSE值2.2992，因此，本文選擇4層DGRU作為預(yù)測(cè)網(wǎng)絡(luò)。確定隱藏層層數(shù)后，我們重復(fù)相同的實(shí)驗(yàn)步驟以確定隱藏層的單元個(gè)數(shù)，不同隱藏單元的實(shí)驗(yàn)結(jié)果如圖3（b）所示，隱藏層的單元數(shù)為100時(shí)，預(yù)測(cè)結(jié)果獲得了最好的預(yù)測(cè)結(jié)果。因此，本文提出的網(wǎng)絡(luò)模型中隱藏層數(shù)為4，隱藏層的單元數(shù)為100。

圖3 BGD2空氣溫度數(shù)據(jù)集

3.預(yù)測(cè)結(jié)果

根據(jù)實(shí)驗(yàn)部分第二節(jié)中的網(wǎng)路配置對(duì)數(shù)據(jù)集進(jìn)行了多組實(shí)驗(yàn)。實(shí)驗(yàn)選用除測(cè)試集外的實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練集，利用本文提出方法的預(yù)測(cè)結(jié)果如圖4所示。從圖中可以看出，真實(shí)值和預(yù)測(cè)值的升降基本趨勢(shì)相同，只有在每個(gè)小時(shí)空氣溫度相差較大處，預(yù)測(cè)值與真實(shí)值有較小差距，但在其他觀(guān)測(cè)點(diǎn)處都去得了較好的預(yù)測(cè)結(jié)果。以上分析表明本文所提出的模型可以較準(zhǔn)確地預(yù)測(cè)輸入與輸出之間的非線(xiàn)性關(guān)系并獲得良好的預(yù)測(cè)性能。

圖4 本文提出方法的預(yù)測(cè)值與觀(guān)測(cè)值

為了證明本文提出方法的優(yōu)越性，本文在同樣的實(shí)驗(yàn)條件下，利用LSTM和BiLSTM預(yù)測(cè)方法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)測(cè)，如圖5和圖6所示。對(duì)比圖4和圖5的預(yù)測(cè)結(jié)果可以看出，LSTM預(yù)測(cè)方法的預(yù)測(cè)效果僅比本文提出的預(yù)測(cè)方法效果差一點(diǎn)。但是，在實(shí)驗(yàn)過(guò)程中，與本文提出的方法相比，LSTM預(yù)測(cè)方法卻花費(fèi)了較長(zhǎng)的網(wǎng)絡(luò)訓(xùn)練時(shí)間，且收斂速度慢。因此，本文提出的預(yù)測(cè)方法優(yōu)于LSTM預(yù)測(cè)方法。

圖5 LSTM方法的預(yù)測(cè)值與觀(guān)測(cè)值

圖6 BiLSTM方法的預(yù)測(cè)值與觀(guān)測(cè)值

對(duì)比圖4和圖6的預(yù)測(cè)結(jié)果可以看出，圖4的預(yù)測(cè)的效果在預(yù)測(cè)效果上遠(yuǎn)遠(yuǎn)優(yōu)于圖6的預(yù)測(cè)效果，且在實(shí)驗(yàn)過(guò)程中，BiLSTM預(yù)測(cè)方法的訓(xùn)練時(shí)間遠(yuǎn)長(zhǎng)于其他兩種預(yù)測(cè)方法的訓(xùn)練時(shí)間。綜上所述，本文提出的基于改進(jìn)門(mén)控循環(huán)單元的建筑耗能預(yù)測(cè)方法在運(yùn)算性能上和預(yù)測(cè)精度上都優(yōu)于另外兩種預(yù)測(cè)方法。

為了進(jìn)一步說(shuō)明本文提出方法的優(yōu)越性，表2給出了三種預(yù)測(cè)方法的評(píng)估指標(biāo)RMSE值。為確保RMSE值的有效性，實(shí)驗(yàn)中三種方法的預(yù)測(cè)點(diǎn)數(shù)相同，預(yù)測(cè)數(shù)據(jù)相同。

表2 不同方法的RMSE值

四、結(jié)語(yǔ)

本文為解決建筑能耗預(yù)測(cè)問(wèn)題，提出一種基于改進(jìn)GRU的建筑耗能預(yù)測(cè)方法，該方法將GRU作為網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)構(gòu)建塊，采用多層堆疊方式，進(jìn)而使網(wǎng)絡(luò)架構(gòu)具有強(qiáng)大的表示能力，可以在不同的時(shí)間尺度上挖掘原始數(shù)據(jù)中的隱藏特征。為驗(yàn)證方法的有效性，本文采用BGD2數(shù)據(jù)集數(shù)據(jù)，進(jìn)行了建筑耗能的預(yù)測(cè)。實(shí)驗(yàn)結(jié)果證明，GRU預(yù)測(cè)網(wǎng)絡(luò)具有較好的準(zhǔn)確性和泛化性能，能夠進(jìn)行建筑耗能的準(zhǔn)確預(yù)測(cè)。