基于深度学习方法的建筑能耗预测与分析

吴海员 刘永洲

(山东省青岛市广播电视台 后勤保卫部，山东 青岛266073)

1 概述

我国经济的发展越来越好，也造成工业能耗、交通能耗和建筑能耗等等组成的社会总能耗量持续增长，尤其近10 年来大量的楼宇建筑拔地而起，建筑能耗占据总能耗的比例在不断变大[1]，因此降低建筑能耗对于缓解我国的能源紧张问题非常重要。建筑能耗主要包括空调、暖通、配电等等，目前建筑主要都采用了能耗管理系统比如配电监控系统、中央空调调节系统等，这些系统在运行过程中，产生了海量的运行数据，这些数据中包含了建筑的能耗情况，如何利用海量的数据，从中挖掘出有用的信息，对建筑的能耗进行预测，指导建筑中空调、暖通、配电等监控系统的运行模式，对建筑中的能源进行合理的调度与分配，从而达到降低建筑能耗的目的。传统的方法比如BP 神经网络、多元线性回归、支持向量机等小量数据有较好的分析处理效果，但对建筑能耗中存在的含有噪声、时序性、非线性以及耦合等特性的数据并不具备良好处理能力。而深度学习中的LSTM 方法具有良好的数据处理性能，能够解决建筑能耗数据中的上述各类问题[2]。因此，本文采用深度学习方法来建立建筑能耗的LSTM 网络预测模型，通过挖掘空调、暖通、配电等监控系统中的历史能耗数据，从中获取有价值的信息，更好的实现建筑能源调配和建筑用能优化，实现建筑绿色节能。

2 建筑能耗预测方法

2.1 基本原理

图1 LSTM 网络结构示意图

LSTM 神经网络是一种近年来被广泛应用的代表了长、短期记忆的特殊递归神经网络。它的核心是由遗忘门、输入门和输出门这三种类型的“门”结构和组成细胞状态构成。它的独特的设计结构，使其更加适合于处理和预测时间序列中间隔和延迟非常长的事件，因此有一定的记忆功能，其网络结构图如图1 所示。

其中，各个“门”结构如下：

2.2 数据处理

对建筑能耗中各类不同量纲的数据进行预处理是首要环节，海量的数据中存在压力、温度、电压、电流、流量等各种类型的数据，而且其中数据存在着大量异常，甚至受到各类环境的影响。因此需要对其进行归一化处理，使其不受各类量纲的影响。本文采用最大最小归一化方法[4]，如下式：

其中，Amin和Amax分别是属性A 的最小值和最大值，最大最小归一化是将A 的每一个原始值x 通过线性化的方法变换为区间[0，1]的值xnom。

结果误差评价标准采用平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）作为评价标准，如下式：

2.3 系统模型建立与训练

选取原始数据，完成数据预处理后，将数据作为训练数据用于训练模型，系统训练流程图如图2 所示。

图2 系统训练流程图

2.4 实验数据来源

为了实现降耗策略，在本系统中，实验数据选自2020 年3月2 日北方某城市建筑的能耗系统，从当地时间8 时起，采样数据间隔时间1h，连续采集5 小时作为实验数据，如表1 所示。

2.5 结果数据分析

BP 神经网络算法比较结果见表2。

实验数据表明，与传统的BP 神经网络算法比较，LSTM 神经网络算法的平均绝对百分比误差和最大相对误差都较小，说明LSTM 神经网络预测模型精度较高，预测结果较好。

结束语

针对建筑系统节能降耗的问题，通过对传统模型的分析，结合深度学习控制算法，建立了一种基于LSTM 神经网络的建筑能耗预测模型，经数据训练和验证实验表明，本文提出的LSTM神经网络预测模型的精度比传统BP 神经网络高，可以获得更准确的预测结果。

表1 实验数据

表2 与BP 神经网络算法比较