基于机器学习的气象环境与医院冬季供暖能源消耗量的分析与预测模型研究

虢诗影

（华中科技大学同济医学院附属同济医院，湖北 武汉 430100）

1 绪论

1.1 研究背景

天然气是医院冬季供暖的主要能源，在日常工作中，我们对于天然气消耗量与气象环境的关系，未作出深刻的认识。在值班日志中，仅记录当日天气一个维度，而关于天然气的消耗量，仅停留在数值记录和传统的归纳统计法上。

为响应国家于2060年前实现碳中和的目标，作为医院的后勤部门，完善医院的能源管理方案，提升能源利用效率，用现代方法来弥补传统粗犷管理方案上的不足，是后勤部门一直以来的研究型课题。

1.2 研究意义

在通过现有的统计学方法来预测天然气消耗量中，对于连续变化的天气情况暂不能进行有效的精细化预测。在一些特殊气象环境，例如极端的雨雪大风天气中往往现实结果与预测结果有较大出入。后勤人员虽然已经记录了大量的天然气消耗的数值记录和天气记录，却没有高效和科学的利用方法，只能依靠自身过往经验来预测，而这些经验推测，带有很强的主观性，既无法面对复杂的气象环境，也无法作为有效经验来推广。

充分利用现有的记录数据，结合历史气象资料，利用机器学习框架TensorFlow对气象环境与能源消耗量进行建模，构建具有地方特性气象环境与能源消耗量的模型，为后勤工作所保障的区域提供科学化的预测手段。减少基于个人经验所产生的误差。

2 基于机器学习的气象环境与医院冬季供暖能源消耗量的分析与预测模型

2.1 机器学习TensorFlow框架简介

TensorFlow是机器学习领域，被选择最多的机器学习框架，其可以在CPU和GPU上以数据流的形式进行高效的分布式数值计算。同时，TensorFlow具有跨平台的特性，不仅可以跑在传统的Windows上，也可以跑在Linux和Mac OS X上，让每一个科研人员都可以便捷的使用。

2.2 Sequential模型

Sequential模型又名顺序模型，是函数式模型的简单版本，是最简单的线性，无分叉的顺序结构，是多个神经网络“层”的线性叠加，它的每一层都具有一个输入张量和一个输出张量。

2.3 分析气象环境与能源消耗量

本文数据，天气数据部分主要从“中国天气网”（http://www.weather.com）下载，天然气消耗量数据来自于值班日志。数据采样时间为2019年1月7日～2020年3月2日，数据共163组。由于文章篇幅有限，此处仅列出前6天数据。表1为天气与天然气数据表，Gas为当天天然气的消耗量（m³），Max为最高温度（℃），Min为最低温度（℃），Weather为天气，Wind为风向，Levels为风级。

表1 气象环境与天然气消耗量

2.4 模型的构建

（1）训练数据与测试数据。通过随机取值将数据分拆为训练数据和测试数据，其中训练数据占所有数据的80%，测试数据占20%。

（2）模型的初始化。本文使用一个“Sequential”模型，具备两个神经网络“层”，包含4801个参数，以及返回单个、连续的输出层。将初始化的模型进行500个周期的训练后，得到一个预测误差为±540m³的模型结果。

（3）训练周期和模型“层”数对结果的影响。神经网络的学习周期和“层”数对模型预测的准确度有很大的影响，当训练次数不够，或者模型“层”不够时，训练结果会不尽人意，这时候叫“欠拟合”状态，“欠拟合”状态代表着神经网络模型尚未学习到训练数据集中的相关特征模式。而太多的训练周期和“层”不仅会增加训练和预测的时间，而且会起到相反的效果。当模型过度拟合训练数据时，则模型无法泛化于测试数据，导致预测结果精度的下降，这时候称为“过拟合”状态。

（4）不同组合的实验结果。这里仅追求模型预测数据的准确性，暂不考虑训练时间及预测时间的经济性，进行反复迭代的试验及预测。

如表2所示，最终在“层”数为7时，训练周期为2000时，得到了一个较为准确的模型，预测误差为±489m³，该模型含有6个紧密相连的隐藏层和1个连续值的输出层，以及17281个训练参数。

表2 模型与误差

3 总结与展望

3.1 研究成果

本文通过对真实数据的归纳，选定了影响天然气消耗量的气象与时空特征8个（每种特征对其影响因数不同，但对其均产生一定波动。），通过TensorFlow机器学习框架进行机器学习，在Sequential模型下，模型“层”数量为7，训练周期为2000时，该模型有相对较好的预测效果，平均误差±489m³。

3.2 不足与改进

本文在常规天气的基数上，加入了年、月、日、天气、温度、风向及风级等因素，这有助于提升模型的预测精度，但是，划分粒度较大，而且由于收集的样本数据有限，供暖时能源消耗量对人群密度、室内温度设定等其他因素有关，因此，想要提高模型的预测精度，后期还需要对这些因素加强更深的研究，也是未来工作努力的方向。

4 结语

医院冬季供暖天然气取决于多种因素，本文从时间，天气等角度出发，对能源消耗量做预报研究，采取先进的机器学习框架TensorFlow来代替传统的统计学归纳法。该模型的建立为我院后勤在大数据人工智能时代背景下的发展，提供了新的思路和方案。