LSTM方法在暖通空调能耗预测中的应用研究

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.研究背景

在当今城市建筑体系中，暖通空调系统是不可或缺的公共设施之一。随着生活水平的不断提高，人们对于现代化建筑体系的热舒适环境要求变得越来越高。进入21世纪以来，人们的环保意识逐步提高，绿色节能和可持续发展理念被应用到现代城市化进程中。现代建筑中暖通空调的能耗占到30%-55%甚至更高[1]。为了号召新时代节能环保的理念，因此降低暖通空调用电消耗量成为一个需要迫切解决的问题。

暖通空调控制由简单控制方案、数字控制方案和逻辑编程控制方案发展到目前较为流行的基于神经网络的控制方案。由于传统的控制方法无法同时兼顾非线性数据和数据时序性的特点，当某项参数发生剧烈变化时，系统对暖通空调的控制作用会降低，一般只适用于小型暖通空调的节能控制。本文利用LSTM 神经网络建立了一种暖通空调能耗预测模型，首先，进行预处理数据，包括处理异常数值、归一化输入数据、划分数据的训练集和测试集等；其次，构建暖通空调系统的预测模型、调整LSTM结构参数、优化LSTM模型等；然后，对暖通空调系统的能耗进行了建模仿真；最后，通过对能耗数据的预测和分析，获得了更为精准的预测数据结果[2-4]对暖通空调的运行模式进行调节，实现能源调配和建筑用能优化。

2. 暖通空调模型建立

2.1 LSTM神经网络理论

图 1 LSTM 神经元结构

循环神经网络（Recurrent Neural Network，RNN）中包含了一种特殊类型的长短期记忆神经网络，可以通过获得的信息进行长期的学习。LSTM 神经网络的神经元结构如图1所示，其中包含了3个门结构，分别为输入门、遗忘门、输出门。在LSTM中，第一步在遗忘门中决定需要将细胞当中那些信息进行丢弃；第二步在输入门中确定需要将哪些新信息放入细胞状态中；第三步是确定将通过输出门输出的数值。

2.2 数据来源

为了实现降耗策略，在本系统中实验数据选自青岛某楼宇控制系统，采样数据的间隔时间为10min，机组数据变量如表1所示由2台涡旋机组组成，采用定频控制，气象数据如表2所示。

表1 输入数据

表2 气象数据

2.3 数据处理

为了解决输入数据指标之间的可比性，采用最大－最小标准化方法：

其中，MaxA和MinA分别为属性A的最大值和最小值。

结果误差评价标准采用均方根误差（Root Mean Square Error，RMSE）和平均绝对误差（Mean Absolute Error，MAE）两种评价标准，数值越小表示预测值与真实值相差越小。

其中，N表示预测实验的总个数；yi表示真实值；表示预测值。

3.预测流程设计与数据分析

3.1 预测流程设计

根据LSTM方法，设计暖通空调能耗预测流程图，如图2所示，对测试及数据进行预测。

图 2 能耗预测流程图

3.2 预测结果分析

经仿真得到能耗预测结果以及负荷预测误差的对比：

表3 暖通空调系统的负荷误差对比表

实验数据表明，较传统的支持向量回归（SVR）模型，本文所提出的LSTM神经网络系统所建立的模型的均方根误差和平均绝对误差值都较小，说明LSTM神经网络模型更加符合实际模型，性能得到大幅提高。

4.结语

本文基于LSTM神经网络给出了一种暖通空调系统的能耗预测模型，并与传统的模型进行了对比，实验结果表明，由此模型得到的均方根误差和平均绝对误差值都较小，说明本文提出的模型比传统模型更加准确，具有一定的应用价值。