基于生成對抗網絡的深度學習能耗預測算法

鄒鋒 田大偉 王悅 黃澤天 吳少波

摘要：針對公共建筑能耗預測準確率較低的問題，提出一種基于生成對抗網絡的深度學習能耗預測算法。該算法通過收集建筑能耗并以時間序列排序，然后利用深度學習算法，通過前幾個時刻的建筑能耗預測未來建筑物能耗。同時，引入生成對抗網絡，生成可靠的建筑能耗樣本用以訓練神經網絡，解決真實能耗數據不足的問題。實驗結果表明，所提出的算法能耗預測準確率較高。

關鍵詞：深度學習;神經網絡;能耗預測;建筑能耗;生成對抗網絡

中圖分類號：TP183? ? ? ? 文獻標識碼：A? ? ? ? 文章編號：1009-3044（2019）02-0198-03

Deep Learning Energy Consumption Prediction Algorithms Based on Generative Adversarial Networks

ZOU Feng1，2，3，TIAN Da-wei1，2，3，WANG Yue 1，2，3，HUANG Ze-tian1，2，3，WU Shao-bo1，2，3

（1.Institute of Electronics and Information Engineering， Suzhou University of Science and Technology， Suzhou 215009， China;2.Jiangsu Province Key Laboratory of Intelligent Building Energy Efficiency， Suzhou University of Science and Technology， Suzhou 215009， China;3.Suzhou Key Laboratory of Mobile Networking and Applied Technologies， Suzhou University of Science and Technology， Suzhou 215009， China）

Abstract：With respect to the problem of low accuracy of energy consumption prediction in public buildings， a deep learning energy consumption prediction algorithm based on generative adversarial networks is proposed. This algorithm collects building energy consumption samples and ranks it in time series. Then， it uses deep learning algorithm to predict future building energy consumption. At the same time， the generative adversarial networks is introduced to generate reliable building energy consumption samples to train the neural network to solve the problem of insufficient real energy consumption data. The results show that the proposed algorithm has high accuracy in energy consumption prediction.

Key words： Deep learning; Neural Network; Energy consumption prediction; Building energy consumption; Generative adversarial networks

1引言

大型公共建筑是指建筑面積在2萬平方米以上、用于辦公、商業、旅游的公共建筑。目前，我國建筑能耗占社會總能耗的30%，而大型公共建筑能耗又占建筑能耗的20%，同時，隨著我國城市的發展，近年來，我國將新增約10億平方米大型公共建筑，大型公共建筑高耗能的問題日益突顯出來。因此對大型公共建筑的能耗進行預測是必要的，它能夠為大型公建確保用能定額提供科學依據。

影響建筑能耗的因素多，并且與建筑能耗之間存在非線性的關系。所以，針對大型建筑能耗預測準確率較低的問題，Azadenh等人于2008年提出了基于人工神經網絡的能耗預測算法，該算法采用人工神經網絡用來預測能耗[1]。露闊等人于2014年提出了基于對規則實時學習組合型BP神經網絡的城市建筑能耗預測模型，給訓練的歷史數據能耗加入了一定的規則，以此提高BP神經網絡的訓練速度[2]。但是，目前神經網絡預測算法的改進大多是從改善神經網絡的結構出發，并沒有從生成能耗數據方面考慮，而生成對抗網絡（Generative Adversarial Networks，GAN）可以用于生成建筑物能耗。

本文針對建筑能耗預測準確率較低問題，提出了一種基于生成對抗網絡的深度學習能耗預測算法。該算法收集建筑物能耗樣本，然后利用GAN生成新的能耗樣本，共同為深度神經網絡提供訓練樣本。該算法通過前幾個時刻的建筑能耗預測未來建筑物能耗，實驗結果表明，能耗預測準確率較高。

2相關理論

2.1 深度學習

深度學習[3]的概念源自人工神經網絡，即含有多個隱藏層的多層感知機。通常來講，深度學習模型由多層的非線性單元組合而成，其中，較高層的輸入為較低層的輸出，然后通過非線性化傳播下去，通過這種方法可以從大量的訓練數據中學習到樣本的特征表示，并且發現數據的分布特征[3]。深度學習由于有更多的隱藏層，所以深度學習有更好的特征表達能力，但是由于計算機硬件、訓練數據的不足，使其一直無法取得突破性進展。直到2006年，Hinton等人提出了預訓練的思想，預先訓練神經網絡的參數，極大降低神經網絡的優化難度[4]。此后幾年，各種神經網絡模型被提出，主要有堆棧式自動編碼器、限制波爾曼茲機、深度信念網絡、循環神經網絡等。

2.2 生成對抗網絡

生成對抗網絡[5-6]自2014年提出以來，獲得眾多學者的廣泛關注，GAN模型中的博弈雙方分別是生成器模型（G）和判別器模型（D）.生成器模型G捕捉樣本數據的分布，結合服從某一分布的噪聲z生成類似真實訓練數據的樣本，目的是學習真實的數據分布。

GAN的模型結構如圖1所示：生成器模型G與判別器模型D利用可微分函數來表示，兩者的輸入分別為隨機噪聲z和真實數據x。G（z）表示由生成器模型G生成的盡量服從真實數據分布Pdata的樣本。判別器模型D的目標是對數據來源進行判別：如果判別器模型D判別輸入來自真實數據，則標注為1，如果輸入來自生成器模型G，則標注為0。在不斷優化的過程中，對于生成器模型G而言，其目標是使所生成偽數據G（z）在判別器模型D上的標注D（G（z））和真實數據x在判別器模型D上的標注D（x）一致。生成器模型G和判別器模型D需要不斷地進行優化，分別提高相應的生成能力和判別能力，最終達到納什均衡。

3基于GAN的深度學習能耗預測算法

3.1 算法原理

深度神經網絡為標準的三層結構，主要由輸入層、隱藏層和輸出層構成，具體每個層數的節點視情況而定。本文將建筑物的能耗作為輸入層，輸出層為預測的建筑能耗，神經網絡算法的過程包括正向傳播、誤差的反向傳播兩個部分。當算法正向傳播時，如果實際輸出與期望輸出相同，則結束算法。若不相同，則反向傳播更新神經網絡參數。

建筑物能耗是以時間序列來表示的，以小時為單位，則前k個小時能耗表示為[[t1，t2，t3...tk]]，定義神經網絡的輸入為[x=[t1，t2，t3...tk]]，輸出[y]為預測的下一時刻建筑物能耗[tk+1]，[y']為真實的下一時刻建筑物能耗，訓練神經網絡的具體步驟如下：

（1）初始化神經網絡兩層權重[w1，w2]

（2）前向傳播，計算隱藏層以及輸出層的輸出分別為[f（w1）= δ（w1*x）， y= δ（w2*f（w1））]

（3）計算神經網絡的目標函數[J=1ni=1nyi-y'2]

（4）反向傳播，更新參數[w1=w1-?J?w1 ，? w2=w2-?J?w2 ]

（5）計算神經網絡的目標函數是否達到精度要求。

同時，將建筑物能耗真實樣本集表示為[D=[x，y]]，[x]表示神經網絡的輸入，即前幾個時刻的建筑物能耗，[y]表示神經網絡的輸出值，即預測的下一時刻能耗。

GAN作為生成模型被看作是一個極小極大化的博弈游戲，目的是提高生成器模型[G]的生成能力，同時提高判別器模型的判別能力，以達到納什均衡。GAN具體的公式如式（1）所示：

[minGmaxDV（D，G）=Ex～pdata（x）[logD（x）]+Ez～pz（z）[log（1-D（G（z）））]]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

與建筑物能耗真實樣本集一致，利用GAN生成的建筑物能耗樣本可以表示為：

[G=[xz，yz]]

[xz]表示生成的上一時刻建筑物能耗，[yz]表示生成的下一時刻預測建筑物能耗。建筑物能耗真實樣本集與生成的建筑物能耗樣本集共同用于訓練神經網絡，加快神經網絡收斂速度。

最后，通過正則化方法優化GAN模型，進一步提高樣本生成建筑能耗樣本的質量。當GAN參數不斷變化，[xz]和[yz]也會根據真實能耗樣本集不斷地更新，[V（D，G）]會趨向于一個全局最小值。

3.2 算法在能耗預測中的應用

本文將該算法用于建筑物能耗預測，輸入向量為前序幾個時刻的能耗序列，輸出值為下一時刻預測能耗，主要步驟如下所示：

3.2.1 對數據進行預處理

歷史數據是能耗預測的工作基礎，然而在數據的采集過程中常常出現數據缺失或數據異常的情況。數據異常的處理方法是采用同一天的同一時刻的能耗數據，如式（2）所示：

[T（d，t）=a1*T（d1，t）+a2*T（d2，t）]? ? ? ? ? ? ? ? ? ? ? ? （2）

式中：[T（d，t）]為第[d]天的[t]時刻的缺失數據，[T（d1，t）]、[T（d2，t）]分別為該日相鄰的相同日期的[t]時刻能耗數據，[a1]、[a2] 為各自對應的數值權重。

3.2.2 預測模型樣本建立

由于能耗數據具有時序性，預測模型樣本包括以下幾個部分：

1） [X={（t1，t2，...ti），（t2，t3，...ti+1），...，（tk，tk+1，...tk+i）}]，稱為輸入樣本集，包含k個前i個時刻的能耗數據。

2） [Y={y1，y2，...，yk}]，稱為輸出樣本集，輸出值為每個輸出樣本經過神經網絡的輸出值，即下一時刻能耗的真實值，與訓練樣本集中的每個訓練樣本一一對應。

3.2.3 預測模型準確率計算

為了檢驗能耗預測模型的預測性能，本文使用平均絕對百分比誤差（MAPE）來衡量預測精度，MAPE是預測值的誤差與實際值之間的比例，其計算公式如式3所示：

[MAPE=1ni=1n|yi-y'i|yi×100%]? ? ? ? ? ? ? ? ? ? ? ? ? （3）

其中，n為建筑能耗樣本的數量，[yi]為真實能耗值，[y'i]為預測能耗值。

所以，預測模型的預測準確率為[Y=1-MAPE=1-1ni=1n|yi-y'i|yi×100%]。

4 實驗結果分析

為了驗證基于生成對抗網絡的深度學習能耗預測算法，建筑能耗的實驗數據采用美國巴爾的摩天燃氣與電力公司記載的建筑能耗數據，源數據的值域空間為[10，50]，因此，在此能耗預測模型中，輸入值與輸出值的值域設為相同的[10，50] ，學習率設為0.99。

圖2為能耗實際值、基于生成對抗網絡的深度學習能耗預測算法能耗預測值對比實驗。橫坐標表示時間，縱坐標表示建筑能耗。在實驗過程中，每個算法都被獨立執行10次，求出平均值。圖1中深度學習算法的能耗預測值與實際值偏差較小，預測結果比較符合真實能耗值，預測準確率為93%，這是因為深度學習算法在訓練模型的過程中，通過GAN生成更多可靠的建筑能耗數據提供給深度神經網絡模型，深度神經網絡模型就能獲得更多的能耗樣本用來學習，深度神經網絡的參數更新速度加快，收斂時間減少，所以預測模型的準確率也就越高。綜上所述，深度學習能耗預測算法的能耗預測模型性能較優，準確率較高。

5 結束語

本文主要針對能耗預測模型預測準確率較低問題，提出了一種基于生成對抗網絡的深度學習能耗預測算法.該算法收集建筑物能耗加入樣本池，然后利用深度學習算法訓練神經網絡，用以預測建筑物能耗。同時引入生成對抗網絡，生成建筑能耗樣本解決能耗數據不足的問題。實驗結果表明，基于生成對抗網絡的深度學習能耗預測算法預測準確率較高。

參考文獻：

[1] Lo W， Choy Y， Lai T， et al. Modelin g of electricity consumption in the Asian gaming and tourism center-MacaoSAR ， People' s Republic of China[ J]. Energy ，2008（33）：679.

[2] 路闊，鐘伯成. 基于LMBP神經網絡的建筑能耗短期預測[J].建筑節能，2014（11）：79-81.

[3] PeCun Y， Bengio Y . Deep learning [J]. Nature，2015，521（7553）：436-444.

[4] Hinton G E， Osindero S. A fast learning algorithm for deep belief nets. Neural Computation，2006，18（7）：1527-1554.

[5] Goodfellow I J， Pouget-Abadie J， Mirza M， et al. Generative adversarial nets[C]//Proc of 28th International Conference on Neural Information Processing Systems， Montreal：MIT Press，2014：2672-2680.

[6] Arjovsky M， Chintala S， Bottou L. Wasserstein generative adversarial networks[C]//Proc of the 34th International Conference on Machine Learning， Sydney： ACM，2017：214-223.