面向功能分區(qū)的大型商場建筑冷負荷預測方法

摘要：針對大型商場面向建筑整體冷負荷預測不能為商場各區(qū)域按需供冷提供合理控制策略的問題，通過研究商場不同區(qū)域冷負荷特點，采用灰色關(guān)聯(lián)度分析法篩選影響商場不同區(qū)域冷負荷的關(guān)鍵影響因素，針對實際情況中各輸入特征對冷負荷影響程度的不穩(wěn)定性，提出了基于雙重注意力機制和 LSTM 的短期分區(qū)冷負荷預測模型。LSTM 網(wǎng)絡充分考慮空調(diào)冷負荷與相關(guān)特征變量之間的非線性關(guān)系，特征注意力自主分析歷史信息和輸入變量之間的關(guān)系，提取重要特征，時序注意力選取 LSTM 網(wǎng)絡關(guān)鍵時刻的歷史信息，提升較長時間段預測效果的穩(wěn)定性。以西安某大型商場建筑的冷負荷數(shù)據(jù)集為實驗數(shù)據(jù)，實驗結(jié)果表明所提模型相比于 LSTM 模型、CNN -LSTM 模型和 Attention-LSTM 模型，誤差指標 MAPE和 RMSE 均有顯著降低，R2明顯增加且穩(wěn)定0.99以上，具有較好的泛化能力和較強的穩(wěn)定性。

關(guān)鍵詞：功能分區(qū)；灰色關(guān)聯(lián)度；冷負荷預測；注意力機制；長短記憶神經(jīng)網(wǎng)絡

中圖分類號：TP391.9文獻標志碼：A文章編號：1000-582X（2023）06-061-15

A cold load prediction method of shopping malls oriented to functional zoning

ZHAOAnjun1a ， YANGHangjie1b ， JINGJing2 ， ZHANGMengzhi1b，JIAOYang1a

（1a . School of Building Services Science and Engineering;1b . School of Information and ControlEngineering，Xi’an University of Architecture and Technology，Xi’an 710055，P. R . China;2. China Northwest Architecture Design and Research Institute，Xi’an 710018，P. R . China）

Abstract： Currentcoolingloadpredictionmethodof overallbuildingsforlarge-scaleshoppingmallscannot provideareasonablecontrolstrategyfordemandsofvariousareasoftheshoppingmall. Bystudyingthe characteristics of cooling load in different areas of shopping malls， the key influencing factors of cooling load in different areasof shopping malls werescreened by usinggrey relational degreeanalysis method . Tosolve the instability of the influence degree of each input variable on cooling load in actual situation， a short-term zoned cooling load prediction model based on double attention mechanismand LSTM was proposed . LSTM network fullyconsidersthenonlinearrelationshipbetweenair-conditioningcoolingloadandrelatedcharacteristic variables . Featureattentionanalyzestherelationshipbetweenhistoricalinformationandinputvariablesautonomously to extract important features . Sequential attention selects historical information at critical moments of LSTMnetwork toimprove thestabilityof long-termpredictioneffects . Theexperimental resultsshowthat comparedwithLSTMmodel，CNN -LSTMmodelandattention-LSTMmodel，theerrorindexesMAPEand RMSE of the proposed model decrease significantly， and its R2 increases significantly and remains stable above 0.99， indicating good generalization ability and strong stability.

Keywords： functional partition; grey relational degree; cooling load prediction; attention mechanism; longshort term memory neural network （LSTM）

隨著中國社會經(jīng)濟的快速發(fā)展，能源和環(huán)境問題日益突出，目前建筑運行能耗約占全社會總能耗的30%，單位建筑能耗面積是發(fā)達國家的2～3倍，已經(jīng)成為限制中國可持續(xù)發(fā)展的主要問題[1]。大型商場因其人流量大，舒適性要求高，空調(diào)系統(tǒng)運行時間長等特點，其空調(diào)系統(tǒng)單位建筑面積能耗為城鎮(zhèn)建筑的5倍[2]。現(xiàn)階段大型商場建筑冷負荷預測通常是面向建筑整體[3]，這種整體性冷負荷預測往往忽略了實際冷負荷需求在空間上的不確定性和不均勻性，造成了輸送過程中能源的浪費。因此，面向區(qū)域的冷負荷預測是實現(xiàn)大型商場空調(diào)系統(tǒng)優(yōu)化運行，按需分配的必要手段。

從預測原理上，冷負荷預測方法主要分為基于物理模型的方法和基于數(shù)據(jù)驅(qū)動的方法[4]。基于物理模型的方法依賴于物理原理和建筑及其系統(tǒng)的詳細信息來表征建筑熱行為[1]。如 Campana 等[5]利用 BESTEST 軟件針對巴西商業(yè)建筑研究了一種簡化負荷模擬的過程，研究中評估了4座建筑，得出的結(jié)論是，4 座建筑的結(jié)果存在顯著差異，簡化方法不能充分表明建筑的負荷性能。Abasnezhad等[6]為了確定負荷計算的最佳設(shè)計，考慮了10個不同設(shè)計精度的模型，使用 Energy Plus 軟件對建筑進行了分析，得出模型高度依賴于建筑圍護結(jié)構(gòu)和熱工設(shè)計相關(guān)參數(shù)的識別。雖然基于物理模型的方法可以捕捉實際建筑對各種影響因素的熱響應，但是需要大量建筑本體及相關(guān)設(shè)備詳細信息，如果不滿足物理原理的假設(shè)，模型性能將會出現(xiàn)嚴重偏差。

數(shù)據(jù)驅(qū)動法主要依靠建筑運行數(shù)據(jù)來發(fā)現(xiàn)建筑冷負荷與相關(guān)變量（如室外溫度、相對濕度、室內(nèi)占用率等）之間的關(guān)系[1]。Zhou 等[7]根據(jù)商場空調(diào)冷負荷混沌和非線性的特點，基于機器學習的混沌支持向量回歸、小波支持向量機回歸、支持向量回歸和 BP 神經(jīng)網(wǎng)絡4種預測算法，以歷史時間的冷負荷作為輸入，預測下一時刻的負荷。Fan 等[8]通過蒙特卡洛模擬和隨機處理對輸入變量進行離線校準，優(yōu)化模型結(jié)構(gòu)來提高預測輸出精度，以精準的冷負荷預測提升 HVAC 系統(tǒng)的節(jié)能潛力。Fan 等[9]通過對變量進行敏感性分析，將溫度、濕度、太陽輻射、人員密度和照明密度作為主導變量，利用多元非線性回歸（MNR）模型來準確預測短期冷負荷，預測結(jié)果為實際系統(tǒng)中冷水機組提供一種簡單的控制策略。楊雄等[10]提出了一種改進的 PSO -BP 神經(jīng)網(wǎng)絡算法，采用灰色關(guān)聯(lián)度分析，確定 T -1時刻的溫度、T 時刻的溫度、T -1時刻的太陽輻射、T 時刻的太陽輻射、T 時刻的室外溫度和 T -1時刻的冷負荷為影響冷負荷的關(guān)鍵因素，并以此作為預測模型的輸入變量預測商場 T 時刻的冷負荷。周璇等[11]提出基于多元非線性回歸的空調(diào)冷負荷預測，采用實際用能系數(shù)描述不用時刻商場空調(diào)的負荷特性，建立空調(diào)負荷預測模型。邵必林等[12]提出了注意力機制的 LSTM 網(wǎng)絡模型，在 LSTM 模型的基礎(chǔ)上加入 Attention 機制，突出關(guān)鍵時間節(jié)點包含的建筑能耗特征對預測結(jié)果的影響。這些預測的研究是針對商場建筑整體層面，但是忽視了實際商場中不同區(qū)域不同時間段的冷負荷的變化規(guī)律，存在一定的片面性，導致不能滿足實際工程輸配系統(tǒng)的優(yōu)化研究。

為了實現(xiàn)商場空調(diào)輸配系統(tǒng)的節(jié)能潛力，準確控制冷負荷按需分配至商場各個區(qū)域。通過從建筑空間結(jié)構(gòu)、業(yè)態(tài)分布和人員等因素分析商場的特點，提出面向功能分區(qū)的冷負荷預測方法，分區(qū)冷負荷預測的目的在于使空調(diào)系統(tǒng)能有效地跟蹤負荷變化，改善室內(nèi)熱環(huán)境和降低空調(diào)能耗。相較于以往的研究，有著如下的貢獻：

1）針對商場各區(qū)域在不同時間段冷負荷非均勻分布問題，提出商場功能分區(qū)理念，根據(jù)商場業(yè)態(tài)功能特點和空間分布情況，將商場劃分為不同供冷區(qū)域，分析不同供冷分區(qū)冷負荷變化的特點，基于灰色關(guān)聯(lián)度篩選不同分區(qū)空調(diào)冷負荷關(guān)鍵影響因素。

2）針對于商場冷負荷受多因素影響與時序變化的特點。在 Attention-LSTM 網(wǎng)絡的基礎(chǔ)上引入特征注意力機制，利用特征變量的關(guān)聯(lián)性自主增強實際運行中各輸入特征與冷負荷的關(guān)聯(lián)關(guān)系，同時結(jié)合 Attention-LSTM 網(wǎng)絡可以分析關(guān)鍵歷史時刻對待預測時刻負荷的重要程度，優(yōu)化模型的輸出，提高模型準確性。

1 商場建筑分區(qū)冷負荷特性

通過調(diào)研結(jié)果發(fā)現(xiàn)，各商場既有各自的特點又有一定的共性。以西安某大型商場為研究對象，該建筑物高20.3 m ，地下2層，地上4層，總建筑面積12.5萬m2，商業(yè)面積10萬m2，建筑空調(diào)面積9.38萬m2。

1.1 功能分區(qū)及冷負荷特性

商場內(nèi)部空間結(jié)構(gòu)以及功能分區(qū)的復雜性，導致商場建筑室內(nèi)環(huán)境狀況復雜。通過對該商場空間布局、業(yè)態(tài)分布和室內(nèi)環(huán)境等因素進行調(diào)研，結(jié)合各區(qū)域人員密度變化規(guī)律，將該商場劃分為5類功能區(qū)：地下超市區(qū)、珠寶區(qū)、服裝區(qū)、餐飲區(qū)和娛樂區(qū)。各功能區(qū)照明密度及設(shè)備功率密度，如表1所示。

由于人員的活動不確定性，人員統(tǒng)計不針對某個時刻，而是統(tǒng)計某一時間段該區(qū)域平均滯留人員的數(shù)量，所以在統(tǒng)計過程中，9 ：00—10：00時間段的平均人員數(shù)量作為9：00時刻的人員數(shù)量。通過多元線性回歸進行擬合，獲取不同區(qū)域逐時在室人員密度，各區(qū)域人員密度變化規(guī)律，如圖1所示。各區(qū)域周一到周四人員密度較為一致，周五晚上有較大起伏，而周六周日則出現(xiàn)明顯上升趨勢；不同區(qū)域的人員密度變化隨時間變化有所差異，這與人員生活作息規(guī)律密切相關(guān)。

各功能分區(qū)逐時冷負荷變化規(guī)律各具特點。根據(jù)調(diào)查發(fā)現(xiàn)，一周之中工作日冷負荷變化具有相似性，和周六周日相比具有差異性。該商場某一工作日和某一周日各功能分區(qū)的冷負荷變化，如圖2所示。

由圖2冷負荷變化可知，各功能區(qū)冷負荷在不同時間段需求差異性較大。餐飲區(qū)冷負荷時段性明顯且波動較大，上午冷負荷較小，就餐期間冷負荷明顯增大，總體負荷變化呈現(xiàn)雙峰形。冷負荷峰值出現(xiàn)在在12：00左右和19：00左右；娛樂區(qū)工作日和周末冷負荷需求相差數(shù)倍之多，工作日和周末冷負荷峰值需求的時段并不相同，工作日冷負荷峰值出現(xiàn)在18：00—20：00之間，周末冷負荷峰值出現(xiàn)在16：00左右，相比于工作日，周末冷負荷波動性更大；珠寶區(qū)和服裝區(qū)冷負荷變化規(guī)律與餐飲區(qū)存在一定互補現(xiàn)象，冷負荷峰值均出現(xiàn)在下午16：00—18：00時段。超市區(qū)工作日冷負荷波動較大，冷負荷峰值出現(xiàn)在晚上20：00左右，周末冷負荷變化較為平穩(wěn)，冷負荷峰值出現(xiàn)在下午16：00左右。

1.2 面向功能分區(qū)冷負荷影響因素分析

大型商場冷負荷主要由圍護結(jié)構(gòu)負荷、人員負荷、照明負荷、新風負荷和電器設(shè)備負荷等構(gòu)成[13]。

該商場超市位于地下一層，圍護結(jié)構(gòu)形成冷負荷可以忽略不計，相比于地上空間，該區(qū)域面臨無天然采光或天然光不足，需要大量照明設(shè)備保證亮度，因此超市區(qū)照明功率密度最高，同時為了保證地下空氣質(zhì)量需要除去過量的濕氣；珠寶區(qū)和服裝區(qū)內(nèi)擾較為相近，電器設(shè)備功率密度較低，為了顯示商品的特性與美觀，增加局部照明導致照明功率密度偏高；餐飲區(qū)照明功率密度偏低，電器設(shè)備功率密度較高但使用有明顯的時段性；娛樂區(qū)位于建筑頂層，照明功率密度最低同時該區(qū)域具有大量且保持常開狀態(tài)的電器設(shè)備，因此電器設(shè)備功率最高。由于空間位置的原因，服裝區(qū)、餐飲區(qū)和娛樂區(qū)通過圍護結(jié)構(gòu)與室外溫度和太陽輻射直接發(fā)生傳熱，受外界氣象參數(shù)影響較大。

空調(diào)冷負荷與多變量因素之間存在非線性關(guān)系，灰色關(guān)聯(lián)度分析法（grey relation analysis ， GRA ）是一種多因素統(tǒng)計分析方法，用來描述輸入因素對輸出結(jié)果影響的強弱、大小和次序[14]。GRA 法根據(jù)關(guān)聯(lián)度大小判斷各功能分區(qū)空調(diào)冷負荷與多變量因素相關(guān)性強弱。

采用灰色關(guān)聯(lián)度分析，需要計算輸入變量與輸出結(jié)果間灰色關(guān)聯(lián)度，具體步驟如下。

Step 1：確定參考序列和比較序列。

空調(diào)冷負荷（ Yc ）為參考序列，干球溫度（ Xt ）、相對濕度（ Xh ）、太陽輻射量（ Xr ）、風速（ Xw ）人員密度（ Xp ）、照明功率密度（ Xl ）、電器功率密度（ Xe ）設(shè)為比較序列。設(shè)置參考數(shù)列Yc，參考數(shù)列為Yc ={Yc （1） ， Yc （2） ， … ， Yc （ n ）}，比較數(shù)列為 Xi ={Xi （1） ， Xi （2） ， Xi （3） ， … ， Xi （ n ）}，其中 Xi 為比較序列Xt，Xh，Xr，Xp，Xl，Xe ，Xw。

Step 2：求參考數(shù)列與比較數(shù)列的灰色關(guān)聯(lián)度系數(shù)ξi （k ），如式（1）所示。

式中：y （k ）為歸一化負荷序列；xi （k ）為歸一化的影響因素序列；分辨系數(shù)ρ=0.5。

Step 3：求灰色關(guān)聯(lián)度ri，如式（2）所示。

各功能區(qū)空調(diào)冷負荷動態(tài)預測模型中不同輸入變量與空調(diào)冷負荷灰色關(guān)聯(lián)度，見表2。

由上述分析可知，各功能分區(qū)空調(diào)冷負荷與風速關(guān)聯(lián)度極小，這是由于大型商場建筑采用封閉式的外圍護結(jié)構(gòu)，沒有與外界形成自然通風，空調(diào)冷負荷受風速影響較小。照明和電器功率較大的區(qū)域，散熱量較大，直接影響冷負荷的變化，因此與空調(diào)冷負荷的關(guān)聯(lián)性較大。各功能分區(qū)由于空間布局和使用功能的差異性，不同功能區(qū)空調(diào)冷負荷的影響因素有較大的差異性。通過表2灰色關(guān)聯(lián)度的定量分析，確定各功能區(qū)的關(guān)鍵變量因素為表3所示。 T -2時刻冷負荷相比于 T -1時刻的冷負荷關(guān)聯(lián)度較低，為了降低歷史冷負荷對于當前時刻冷負荷預測的耦合作用，僅將各功能區(qū)的關(guān)鍵影響因素與 T -1時刻的區(qū)域歷史冷負荷數(shù)據(jù)共同構(gòu)成預測模型的輸入數(shù)據(jù)集。

2 基于注意力機制的 LSTM 冷負荷預測模型

2.1LSTM 神經(jīng)網(wǎng)絡

通過商場區(qū)域冷負荷數(shù)據(jù)分析，冷負荷變化有明顯的周期性規(guī)律，因此需要充分考慮其時序性問題。相較于傳統(tǒng)的神經(jīng)網(wǎng)絡， LSTM 網(wǎng)絡模型[15]可以利用時間序列有效分析時序性數(shù)據(jù)中的隱含信息，在進行商場區(qū)域冷負荷預測過程中， LSTM 網(wǎng)絡能夠充分利用前一時刻歷史冷負荷信息處理序列數(shù)據(jù)，并利用該狀態(tài)影響下一時刻冷負荷的輸出。

LSTM 網(wǎng)絡的體系結(jié)構(gòu)圖，如圖3所示。LSTM 神經(jīng)網(wǎng)絡包含記憶單元、輸入門、輸出門和遺忘門。通過控制3個門的輸入狀態(tài)，可以減少由于存儲長度的增加而引起的梯度爆炸和梯度消失的影響。輸入變量 X 用式（3）表示。

式中：Xc T -1 為上一時刻冷負荷；Xt為干球溫度；Xh為相對濕度；Xr為太陽輻射量；Xp為人員密度；Xl為照明功率密度。

遺忘門用來決定從神經(jīng)單元狀態(tài)中丟棄的那些信息，此時細胞狀態(tài)輸出為：

輸入門是對細胞狀態(tài)中的信息進行更新并儲存，輸入門的公式如下：

輸出門決定細胞輸出的信息，其公式如下：

式中：f T 為 LSTM 網(wǎng)絡舍棄的信息，iT為 LSTM 網(wǎng)絡更新的信息， C 為中間變量，存儲當前 cell 信息， CT 表示新的細胞狀態(tài)， O T 表示 T 時刻輸出門的信息， h T +1表示隱藏層節(jié)點輸出值， W 為各個門的權(quán)重度量， b 為偏差。

2.2 注意力機制

深度學習中的注意力機制通過模擬人腦注意力的資源分配機制，在某個特定時刻會將注意力集中在需要重點關(guān)注的區(qū)域，以獲取更多所需要關(guān)注的細節(jié)信息，抑制其他無用的信息[16]。基于注意力機制的原理，針對商場冷負荷變化受實時變化的氣象因素與人員主觀行為的影響，設(shè)計出特征注意力機制和時序注意力機制，特征注意力機制用于分析不同輸入變量對冷負荷的重要程度，挖掘變量與冷負荷之間的關(guān)聯(lián)關(guān)系；時序注意力機制分析不同歷史時刻的負荷對于預測時刻的重要程度，來選擇關(guān)鍵時間點數(shù)據(jù)，從而提高預測模型的準確度。

2.2.1 特征注意力機制

空調(diào)冷負荷變化受多因素影響。根據(jù)上文灰色關(guān)聯(lián)度分析，不同區(qū)域影響空調(diào)冷負荷的關(guān)鍵變量有所差異，且關(guān)鍵變量的影響程度也不盡相同。為了探索相關(guān)因素對于空調(diào)冷負荷的關(guān)聯(lián)程度，更好的學習輸入特征的信息，引入特征注意力機制，如圖4所示，采用多重感知機的方法對各特征影響力進行權(quán)重量化。

根據(jù)特征注意力機制算法，前一時刻 LSTM 網(wǎng)絡的隱藏狀態(tài) h T -1和當前時刻輸入特征 XT（N）作為特征注意力機制的輸入，通過式（10）對當前時刻各變量進行注意權(quán)重計算，然后使用式（11）進行歸一化處理。最后將當前時刻的權(quán)重與對應特征變量相乘得到特征注意力輸出 X '，自適應優(yōu)化相關(guān)特征的影響力。

式中： Ve ∈ RN ×1、 We ∈ RN × q 、Ue∈ RN × N 為多層感知機需要學習的神經(jīng)元權(quán)重，be ∈ RN ×1偏置參數(shù)； q 為 LSTM 網(wǎng)絡最后一層隱含層神經(jīng)元數(shù)量。

2.2.2 時序注意力機制

當前時刻冷負荷受歷史冷負荷影響較大且不同時刻的冷負荷影響力是不同的，為了研究每一歷史時刻信息對當前預測結(jié)果的影響程度，對 LSTM 網(wǎng)絡輸出結(jié)果引入時序注意力機制。通過概率分配的方式對 LSTM 網(wǎng)絡歷史時刻進行重要性分析，分析各歷史時刻的負荷對于預測時刻負荷的重要程度，從而提高預測精度。

時序注意力機制結(jié)構(gòu)，如圖5 所示。其中， XT （ T ∈[1，n ]）表示 LSTM 網(wǎng)絡的輸入， h T （ T ∈[1，n ]）對應 LSTM 模型隱含層輸出，α （ T ∈[1，n ]）為 attention 機制對 LSTM 隱含層輸出的注意力概率分布值，y 為引入時序注意力機制 LSTM 網(wǎng)絡的輸出值。

時序注意力機制中注意力權(quán)重矩陣α'和特征向量表示v計算公式如下。

式中： e T'指為歸一化權(quán)重矩陣； w s 、b s 和 us 分別為隨機初始化的注意力機制權(quán)重矩陣、偏置量和時間序列矩陣。

2.3 基于雙重注意力機制 LSTM 冷負荷預測模型

雙重注意力機制 LSTM 預測模型，如圖6所示。模型主要由輸入向量、特征注意力層、LSTM 網(wǎng)絡層、時序注意力機制層和全連接輸出層組成。輸入向量結(jié)合前一時刻 LSTM 網(wǎng)絡的隱藏狀態(tài)h T -1，通過特征注意力機制層計算得到各特征變量當前時刻的權(quán)重并與對應特征變量相乘得到特征注意力輸入 X '，特征變量輸入 X '經(jīng)過 LSTM 網(wǎng)絡學習特征，然后通過時序注意力機制層計算各歷史時刻輸出冷負荷信息的影響權(quán)重并得到改進后的當前時刻隱含層狀態(tài)輸出，最后輸入到全連接層得到最終預測結(jié)果。

2.4 評價指標

預測模型采用3個評價指標（決定系數(shù) R2、平均絕對百分比誤差 MAPE 、均方根誤差 RMSE）評價模型的準確性。通過估算 R2值來量化某一時間段內(nèi)冷負荷預測模型的擬合精度，R2值越大，表明模型與數(shù)據(jù)的對應時刻準確。MAPE 可以用來量化數(shù)據(jù)中的方差。RMSE 反映預測值和真實值的誤差大小。這些評價

式中： n 為負荷數(shù)據(jù)總數(shù)，J 為數(shù)據(jù)在時間上的指數(shù)，Ca，j為實際冷負荷，Cp，j為預測冷負荷，Ca，mean為實際冷負荷數(shù)據(jù)的平均值。

3 案例分析

3.1 數(shù)據(jù)集

為了更好的驗證本文所用方法，采用西安某大型商場2020?6?1至2020?8?31的實際數(shù)據(jù)進行預測模型的學習和測試。由于此商場制冷系統(tǒng)采用間歇運行方式，每天8：00—22：00空調(diào)保持運行。為保證實驗過程中數(shù)據(jù)不重復使用，特將2020?6?1—2020?7?31的數(shù)據(jù)作為訓練集，2020?8?1—2020?8?15的數(shù)據(jù)作為驗證集， 2020?8?15—2020?8?31的數(shù)據(jù)作為測試集。原始數(shù)據(jù)集包括： 8：00—22：00冷負荷數(shù)據(jù)（ kW ），干球溫度（℃），相對濕度（%），太陽輻射量 （kW/m2），人員密度（kw/m2），照明功率密度（ W/m2），設(shè)備功率密度（ W/m2）。

3.2 實驗設(shè)置

本實驗考慮到商場周內(nèi)和周末變化差異性，擬合出不同星期類型人員逐時在室密度作為負荷預測的輸入，用于表示時間和星期的影響。利用keras進行數(shù)據(jù)處理，輸入時間步長6，通過滑動時間窗方法使用前6 h 的數(shù)據(jù)預測下一時刻的冷負荷。通過使用網(wǎng)格搜索與交叉驗證的方法對 LSTM 網(wǎng)絡進行參數(shù)調(diào)整。通過對模型相關(guān)參數(shù)進行多次調(diào)整最終確定 LSTM 預測模型的具體參數(shù)，見表4。

3.3 實驗結(jié)果及分析

3.3.1 變量選擇對實驗結(jié)果的影響

不同功能分區(qū)冷負荷關(guān)鍵影響因素的不同，為了探究輸入變量對預測模型的影響效果，將原始數(shù)據(jù)集分為2類，即使用經(jīng)過灰色關(guān)聯(lián)度選擇的特征變量和不進行灰色關(guān)聯(lián)度選擇的原始特征變量，使用 Attention-LSTM 預測模型分別進行預測，如圖7所示，預測精度評價見表5。

由圖7預測曲線可知，在對各功能分區(qū)輸入的特征變量進行選擇后，其預測曲線與真實曲線貼合度最好，由表5具體評價指標可知，在對輸入變量進行選擇后， MAPE 減小到4%以下，R2均穩(wěn)定在0.99之上， RMSE 也有顯著減小。實驗結(jié)果表明，當同一數(shù)據(jù)集，對原始變量進行選擇后，其誤差要比沒有進行變量選擇的低，這說明對輸入的特征變量進行選擇，可以剔除冗余變量和無效變量，增強模型的泛化能力，有效提高模型的預測速度，展現(xiàn)更好的預測效果。

3.3.2 不同預測模型對實驗結(jié)果的影響

為了驗證雙重注意力機制 LSTM 模型的有效性，在考慮到工作日和周末冷負荷需求的差別。選取商場8月27日周四作為夏季工作典型日，8 月30日周日作為夏季周末典型日進行預測分析。測試日室外氣象情況，如圖8所示。為了探究雙重注意力機制 LSTM 模型的預測效果，將傳統(tǒng) LSTM 預測模型和 CNN -LSTM 預測模型以及文獻[13]中提出的 Attention-LSTM 預測模型的預測結(jié)果與本文所提出的雙重注意力機制 LSTM 模型進行對比，各功能分區(qū)使用3個不同預測模型預測值與實際值的對比，如圖9～13所示。

在對工作日各功能區(qū)冷負荷的預測中，由圖9～13預測曲線可知，雙重注意力機制 LSTM 模型預測曲線與真實值貼合最好。具體評價指標，見表6。對工作日預測時，各功能區(qū)平均絕對百分誤差 MAPE 分別為3.23%、3.41%、3.41%、3.39%和3.52%，低于其他2種模型；決定系數(shù) R2均大于0.99，高于其他模型； RMSE 小于其他模型，這說明雙重注意力機制 LSTM 模型的預測更準確，展現(xiàn)了更好的預測效果。

在對周末各功能區(qū)冷負荷的預測中，由圖9～13預測曲線可知，3 種預測模型的變化趨勢都接近于真是趨勢，但雙重注意力機制 LSTM 模型貼合程度最高。具體評價指標，見表7。周末各功能區(qū)冷負荷周末平均絕對百分誤差為3.12%、3.31%、2.34%、3.14%、2.57%，比 LSTM 模型、CNN -LSTM 模型和 Attention- LSTM 模型誤差小，均定系數(shù) R2分別為0.998、0 .990、0 .991、0 .990和0.998，在3個模型中數(shù)值最高， RMSE 在3個模型中數(shù)值最小，這說明周末依舊是雙重注意力機制 LSTM 模型有更好的預測效果。

綜合工作日和周末冷負荷預測分析結(jié)果，雙重注意力機制和 LSTM 網(wǎng)絡預測模型相比較于傳統(tǒng) LSTM 預測模型、CNN -LSTM 預測模型和 Attention-LSTM 預測模型具有更好的預測性能，其預測精度更高，穩(wěn)定性更好。這是由于在 LSTM 網(wǎng)絡模型基礎(chǔ)上增加了兩層注意力機制，不僅對多變量的輸入通過特征注意力機制分析相關(guān)特征的重要性，優(yōu)化輸入特征，同時還通過時序注意力機制結(jié)合歷史冷負荷信息，優(yōu)化模型的輸出。

4 結(jié)論

針對大型商場各區(qū)域?qū)嶋H冷負荷需求問題，提出了基于雙重注意力機制和 LSTM 網(wǎng)絡分區(qū)冷負荷預測方法。通過對西安某大型商場的實際工程數(shù)據(jù)進行驗證分析，得出以下結(jié)論：

1）大型商場各功能分區(qū)冷負荷實際需求的差異性，在進行冷負荷預測時，需要對各功能區(qū)域進行區(qū)分，從而為冷負荷影響因素分析及預測模型提供支撐。通過灰色關(guān)聯(lián)度分析，影響商場各功能分區(qū)冷負荷關(guān)鍵因素有所不同，關(guān)鍵因素的確定可以提高冷負荷預測的準確性并提升預測模型的泛化能力。

2）在 LSTM 網(wǎng)絡的基礎(chǔ)上引入雙重注意力機制，利用特征信息的關(guān)聯(lián)性和時序信息的歷史依賴性提升負荷預測準確度。實驗結(jié)果表明，與傳統(tǒng)的 LSTM 、CNN -LSTM 預測模型、Attention-LSTM 預測模型相比，對各功能區(qū)的工作日和周末均方根誤差 RMSE 和平均絕對百分比誤差 MAPE 均有明顯降低，決定系數(shù) R2均高于0.99。

3）基于分區(qū)冷負荷預測，能夠更為準確地預測各功能區(qū)冷負荷值，為商場末端冷凍水按需供應提供了保障，對輸配管網(wǎng)系統(tǒng)調(diào)節(jié)閥開度的優(yōu)化提供有效參考信息，能夠?qū)崿F(xiàn)商場區(qū)域供冷系統(tǒng)的節(jié)能控制，符合實際工程的應用。

參考文獻

[1] FanC，XiaoF，Zhao Y. Ashort-termbuildingcoolingload predictionmethod usingdeeplearningalgorithms[J]. AppliedEnergy，2017，195：222-233.

[2] 楊福，王衍金，王偉宵.基于eQUEST的某商業(yè)建筑空調(diào)系統(tǒng)節(jié)能分析[J].建筑節(jié)能，2020，48（5）：76-79.

Yang F，Wang Y J，Wang W X . Energy simulation analysis of a commercial building based on eQUEST[J]. Building Energy Efficiency，2020，48（5）：76-79.（in Chinese）

[3] Ahmad T，Chen H X，Guo Y B，et al. A comprehensive overviewon the data driven and large scale based approaches forforecasting of building energy demand： a review[J]. Energy and Buildings，2018，165：301-320.

[4] American Society of Heating，Refrigerating and Air-Conditioning Engineers，Inc .，Atlanta，（United States）GA . Building onthe shoulders of giants . Annual report，July 1，1994-June 30，1995[R]. Office of Scientific and Technical Information （OSTI），1996.

[5] Campana J P，Morini G L . BESTEST and EN ISO 52016 benchmarking of ALMABuild，a new open-source simulink tool fordynamic energy modelling of buildings[J]. Energies，2019，12（15）：2938.

[6] AbasnezhadS ，Soltani N，Markarian E，et al. Impact of building design parameters precision on heatingand cooling loadcalculations[J]. Environmental Progress amp; Sustainable Energy，2019，38（2）：741-749.

[7] Zhou X，F(xiàn)an Z B，Liang L Q，et al. Comparison of four algorithms based on machine learning for cooling load forecasting oflarge-scale shopping mall[J]. Energy Procedia，2017，142：1799-1804.

[8] Fan C L，Ding Y F. Cooling load prediction and optimal operation of HVACsystems using a multiple nonlinear regressionmodel[J]. Energy and Buildings，2019，197：7-17.

[9] FanCL ，LiaoYD ，ZhouG ，etal. ImprovingcoolingloadpredictionreliabilityforHVACsystemusingMonte-Carlosimulation to deal with uncertainties in input variables[J]. Energy and Buildings，2020，226：110372.

[10]楊熊，于軍琪，郭晨露，等.基于改進 PSO -BP 神經(jīng)網(wǎng)絡的冰蓄冷空調(diào)冷負荷動態(tài)預測模型[J].土木與環(huán)境工程學報（中英文），2019，41（1）：168-174.

Yang X，Yu J Q，Guo C L，et al. Dynamic load forecasting model of ice storage air conditioning based on improved PSO -BP neural network[J]. Journal of Civil and Environmental Engineering，2019，41（1）：168-174.（in Chinese）

[11]周璇，凡祖兵，劉國強，等.基于多元非線性回歸法的商場空調(diào)負荷預測[J].暖通空調(diào)，2018，48（3）：120-125，95.

Zhou X，F(xiàn)an Z B，Liu G Q，et al. Cooling load prediction of shopping mall air conditioning based on multivariate nonlinear regression method[J]. Heating Ventilating amp; Air Conditioning，2018，48（3）：120-125，95.（in Chinese）

[12]邵必林，史洋博，趙煜.融合注意力機制與 LSTM 的建筑能耗預測模型研究[J].軟件導刊，2021，20（10）：61-67.

Shao B L，Shi Y B，Zhao Y. Research on building energy consumption prediction model by integrating attention mechanism and LSTM [J]. Software Guide，2021，20（10）：61-67.（in Chinese）

[13]李慧，段培永，劉鳳英.大型商場建筑夏季冷負荷動態(tài)預測模型[J].土木建筑與環(huán)境工程，2016，38（2）：104-110.

Li H，Duan P Y，Liu F Y. Prediction model of dynamiccoolingloadforshopping mall buildinginsummer[J]. Journal of Civil，Architectural amp; Environmental Engineering，2016，38（2）：104-110.（in Chinese）

[14]解海翔，陳芳芳，劉易，等.基于改進灰色關(guān)聯(lián)分析和 CMPSO -LSSVM 算法的短期電力負荷預測[J].現(xiàn)代電子技術(shù)，2021，44（8）：177-181.

Xie H X，Chen F F，Liu Y，et al. Short-term power load prediction based on improved grey relational analysis and CMPSO - LSSVM algorithm[J]. Modern Electronics Technique，2021，44（8）：177-181.（in Chinese）

[15] 田浩含，撖奧洋，于立濤，等.基于 GRA -LSTM 神經(jīng)網(wǎng)絡的區(qū)域綜合能源系統(tǒng)多元負荷短期預測模型[J].廣東電力，2020，33（5）：44-51.

Tian H H，Han A Y，Yu L T，et al. Research on multi-load short-term forecasting model of regional integrated energy system based on GRA -LSTM neural network[J]. Guangdong Electric Power，2020，33（5）：44-51.（in Chinese）

[16]周雨佳，竇志成，葛松瑋，等.基于遞歸神經(jīng)網(wǎng)絡與注意力機制的動態(tài)個性化搜索算法[J].計算機學報，2020，43（5）：812-826.

Zhou YJ ，DouZC ，GeSW ，etal. DynamicpersonalizedsearchbasedonRNNwithattentionmechanism[J]. Chinese Journal of Computers，2020，43（5）：812-826.（in Chinese）

（編輯鄭潔）