基于長短期記憶神經網絡的暖通空調系統能耗預測

廖文強，王江宇，陳煥新*，丁新磊，尚鵬濤，魏文天，周鎮新

（1-華中科技大學中歐清潔與可再生能源學院，湖北武漢 430074； 2-華中科技大學能源與動力工程學院，湖北武漢430074）

0 引言

近年來我國經濟一直處于高速發展的狀態，同時能源消耗量也在不斷地增長。2017年，我國能源消耗總量為 3,105 Mtoe（Million Tons of Oil Equivalent，百萬噸石油當量），超過美國成為全球頭號能源消耗巨頭，占據著世界能源消耗總量的22%，并且還在不斷地增長，2017年的能源消耗增長率達到2.3%，是2016年能源消耗增長率1.1%的兩倍以上[1]。其中，建筑能耗占據著很重要的一部分，比重可達30%～40%[2-3]，在建筑能耗中，暖通空調系統對能源的消耗量會占據30%～55%不等甚至更高[4-5]。

對于如何降低暖通空調系統能耗的研究一直都在不斷地進行，其中很重要的一部分就是對暖通空調系統能耗的預測研究。周旋等[6]使用基于小波分解和支持向量機的方法對辦公建筑空調負荷進行預測。張夢成等[7]使用基于FCM優化神經網絡的方法對辦公樓空調負荷進行預測。通過對暖通空調系統能耗的預測，分析高低能耗原因，調整系統的運行策略達到節能目的。KAWASHIMA[8]用人工神經網絡（Artificial Neural Network，ANN）將空調負荷預測和控制結合起來，實驗結果是ANN預測控制的耗電量比制冷機正常運行下的耗電量減少了6.9%，運行的費用也降低了13.5%，有顯著降低能耗的效果。CURTISS[9]用ANN預測控制管理中央暖通空調（Heating Ventilation Air Condition，HVAC）系統的能耗，得出結論為在保證舒適度下，ANN系統能夠明顯達到節能效果。`

目前，比較流行的暖通空調系統能耗預測方法主要有：參數回歸法、時間序列預測法、人工神經網絡、支持向量機等[10]。其中參數回歸和時間序列預測法又被歸類為傳統方法，人工神經網絡和支持向量機則被歸類為人工智能方法。周旋等[11]提出一種基于多元非線性回歸法的商場空調負荷預測，在提高預測精度的同時還大大縮短了建模時間。孫靖等[12]提出了一種基于季節性時間序列模型的空調負荷預測的方法，有效解決了冰蓄冷系統優化控制問題。李帆等[13]提出了一種基于運行數據人工神經網絡的空調系統逐時負荷預測方法，獲得了5.20%左右的預測誤差模型，能夠較精確地預測未來24 h內的逐時負荷。王智銳等[14]提出了一種基于支持向量機的建筑物空調負荷預測模型，實現了反向傳播（Back Propagation，BP）神經網絡更佳的負荷預測結果。

由于傳統模型無法同時兼顧負荷數據時序性和非線性的特點，如時間序列法沒有考慮到非線性，一般只適用于空調負荷變化平穩的短期預測，當負荷變化劇烈時，預測跟隨性很差。為了解決以上模型存在的問題，本文使用了一種基于長短期記憶神經網絡（Long Short-term Memory，LSTM）的預測模型對暖通空調能耗進行預測。作為深度學習中非常重要的一種模型，LSTM在各個領域如語言模型[15]、圖像分析[16]、文檔摘要[17]、語音識別[18]、圖像識別[19]、手寫識別[20]、預測[21]等都廣泛關注及運用。LSTM這種模型不僅可以像普通神經網絡一樣學習復雜數據之間的規律，最重要的是LSTM能夠同時兼顧時序性和非線性關系[22]，能夠學習過去一段時間歷史數據中的信息，選擇性地保留有用信息，丟棄無用信息，然后運用于下一階段的預測，使得預測更加的可靠、精確。

本文采用LSTM 建模進行暖通空調系統能耗預測，先進行數據的預處理，這里面包括了對異常值處理，對輸入數據的歸一化，將數據分為訓練集和測試集等；然后是建立模型，調整參數、優化模型等；最后運用模型進行能耗預測，得到了相比支持向量回歸、回歸樹模型更精確的預測結果。在考慮到了空調負荷數據的時序性關系后，得到了更好預測結果。

1 預測模型的建立

1.1 長短期記憶神經網絡

長短期記憶神經網絡是循環神經網絡（Recurrent Neural Network，RNN）中的一種特殊類型，可以學習長期依賴信息。LSTM由HOCHREITER 和SCHMIDHUBER（1997）[23]提出，并被GRAVES[24]進行了改良和推廣。在很多問題上，LSTM都取得了相當大的成功，并得到廣泛運用。本文中LSTM模型都是基于Python 3.6中的Keras和TensorFlow庫實現的，使用的優化器為RMSprop。

如圖1所示LSTM的神經元結構，在這個神經元結構中有3個門結構，分別是輸入門（input gate）、輸出門（output gate）、遺忘門（forget gate）。在LSTM中，第一步通過遺忘門來決定我們會從細胞狀態中丟棄什么信息；第二步在輸入門中確定什么樣的新信息會被放在細胞狀態中；第三步在輸出門中確定要輸出的值。

在LSTM神經元結構中，令X = [x1，x2，x3，…，xt]作為輸入的時序信號值，xt表示t時刻的神經元輸入；令H = [h1，h2，h3，…，ht]作為輸出的目標值，ht表示t時刻的輸出；令C = [c1，c2，c3，…，ct]表示神經元的狀態信息，ct表示t時刻神經元的狀態。

遺忘門：

輸入門：

輸出門：

公式(1)到(6)表示LSTM的全過程，xt為輸入，ht為輸出，it為輸入門的輸出，?t為遺忘門的輸出，ct為t時刻當前細胞的狀態，ot為輸出門的輸出，W為權重矩陣，b為偏差矩陣，tanh、σ為激活函數。

輸入門、遺忘門、輸出門、激活函數之間相互配合工作，實現從歷史數據中篩選有用信息保留下來，丟棄掉無用信息，具有更強的時間序列學習能力，更強大的信息選擇能力，可以很好地應用于暖通空調系統能耗的預測工作。

圖1 LSTM 神經元結構

1.2 傳統對比模型

為了能夠與LSTM預測模型對比，本文還使用了其他兩種預測模型分別為：回歸決策樹、支持向量回歸。回歸決策樹（Regression Tree，RT）是時間序列預測模型的一種，它是以實際例子為基礎的歸納式的一種學習算法，通過將沒有次序、沒有任何規律的事例進行分類，將分類以“樹”的形式表示，自上而下進行遞歸分類，在決策樹的內部節點上進行屬性的選擇，并對決策樹進行剪枝。支持向量回歸（Support Vector Regression，SVR）是在支持向量機（Support Vector Machine，SVM）的基礎上引入不敏感函數得到的，其思想為通過核函數，將輸入變量映射到高維空間，這樣就可以將低維的非線性問題轉化成高維空間中的線性問題來處理、解決。

2 數據來源以及處理

2.1 數據來源

實驗數據來源于北方某地源熱泵系統，時間是一整個供暖季節，數據的采樣間隔為10 min，原始數據大約含有6,000個樣本，機組為2臺型號為HE1200B的渦旋機組，系統為兩臺循環泵運行，均采用定頻控制，運行數據變量如表1所示。采用該地區對應時間的氣象數據作為實驗數據的另一組成部分，氣象數據變量如表2所示。

表1 運行數據

表2 氣象數據

2.2 數據預處理

1）變量選取

本文選取原始數據中的室外溫度、露點溫度、相對濕度、風速、高區二次供水溫度、高區二次回水溫度、高區瞬時質量流量、高區瞬時體積流量、指數加權移動平均（Exponential Weighted Moving Average，EWMA）歷史能耗指標，預測變量為2 h后的采樣間隔累計熱量。

式中：

μ1——采暖季開始時刻的能耗值；

EWMAi——第i時刻的歷史用能指標；

λ——衰減系數，或影響系數，用來衡量前一時刻用能對當前時刻用能的影響水平；

xi——當前時刻的區間累計熱量值。

2）異常值處理

在原始數據里面，能耗值有部分為負值，這是明顯的異常值，為了保護數據的時序性，本文采用零值填充的方法處理。

3）數據的歸一化處理

輸入的數據中，不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到數據分析的結果，為了消除指標之間的量綱影響，需要進行數據標準化處理，以解決數據指標之間的可比性。原始數據經過數據標準化處理后，各指標處于同一數量級，適合進行綜合對比評價。這里采用最大-最小標準化方法：

最大-最小標準化是對原始數據進行線性變換，設MinA和MaxA分別是屬性A的最小值和最大值，將A的每一個原始值x通過最大-最小標準化映射到區間[0,1]的值xnorm，公式如式(8)：

4）訓練、測試集劃分

經過前面的數據處理過程，數據總量為5,613個，取前4,500個作為訓練集，剩余的作為測試集。

5）預測結果誤差評價標準

采用平均絕對誤差（Mean Absolute Error，MAE）和均方根誤差（Root Mean Square Error，RMSE）兩種評價標準，數值越低表示預測值與真實值相差越小。

式中：

N——預測結果的總個數；

yi——真實值；

3 LSTM建模與預測

3.1 訓練建模

1）選取原始數據中的9個變量為輸入變量，對異常值進行處理。

2）對每一個變量數據運用最大-最小標準化方法進行歸一化處理。

3）將輸入數據轉變換成[samples，time_steps，features]的三維形式，改變time_steps即歷史時間序列長度大小，預測未來4 h的能耗負荷值。

4）選取最優的模型，對測試集數據進行預測。

圖2 流程圖

3.2 預測

將測試集數據轉換成[samples, time_steps, features]三維形式，輸入得到LSTM預測模型和相應的能耗預測值，再對其進行反歸一化，與真實能耗值進行對比。

4 預測結果分析

4.1 數據處理

4.1.1 異常值的處理

異常值的處理包括去除穩定不變的異常值和零值填充能耗負值，處理結果如圖2～圖3所示。

圖2 原始數據分析

圖3 異常值處理結果

在原始數據圖2中，灰色柱狀部分代表的是恒定能耗異常值區域，這一部分需要直接剔除。圖中在黑色水平線以下的能耗值表示的是負值，但是能耗值是不會為負值的，所以這些值是不可以使用的。為了不損害數據的時序性，本文對這些負值采取零值填充處理，處理結果如圖3所示。

將數據轉換成能夠輸入進LSTM中的形式也是非常重要的一步，文章以其中的一種形式為例，如圖4所示，LSTM模型的數據輸入形式為Batch_input_shape：（samples，steps，features），samples為一個訓練塊中樣本數量，steps為回溯的歷史時間長度，features為數據的變量數目加上一個訓練目標值，delay為預測未來的時間間隔長度。

4.1.2 數據轉換

4.2 訓練、測試結果

圖5為LSTM模型能耗預測結果。

圖4 模型輸入數據轉換示例

圖5 LSTM模型能耗預測結果

4.3 對比模型結果

圖6為SVR模型能耗預測結果。圖7為回歸樹模型能耗預測結果。

支持向量回歸、回歸樹的結果顯示，這兩種預測模型在預測的初期、前200個預測時刻點，都表現出較高的準確度，與原始數據的偏差較小。但是在之后，支持向量回歸模型開始整體向上偏移，準確度大幅度下降。回歸樹模型在第400個預測時刻點前后開始漂移，完全脫離原始數據的變化特點，基本失去了預測能力。相比之下，LSTM模型整體預測結果與原始數據都有著穩定、準確的擬合，沒有明顯的漂移現象。可以看出，在結合了數據的時序性和相關性之后，模型的預測沒有隨著時間的推移而出現預測精度下降的現象，表現出更加優秀的預測能力。

用前4,500個數據訓練模型，其余數據測試模型，得到3種預測模型的預測誤差如表3所示。其中LSTM模型同時具有最小的MAE值為8.326和最小的RMSE值為11.835，相比傳統模型RT和SVR都有明顯的減小，LSTM模型的預測精度相比RT、SVR都有了很大的提高。在同時考慮數據的時序性和非線性時，LSTM模型可以從歷史數據中提取到更多有效的信息。

圖6 SVR模型能耗預測結果

圖7 回歸樹模型能耗預測結果

表3 負荷預測誤差對比

5 結論

在對某暖通空調系統進行能耗預測中，本文使用改進的循環神經網絡LSTM建立相應的預測模型，同時也采用了傳統模型SVR、RT進行了相同的預測，將3種預測模型結果進行對比。實驗結果證明，基于LSTM的預測模型預測值的平均方差、平均絕對偏差均優于SVR、RT模型，并且隨著預測時間推移，LSTM模型具有良好的預測穩定性。LSTM 模型在同時考慮數據的時序性和非線性前提下，確實可以從歷史數據中獲取到更多的有用的信息，有效地提高了模型預測能力。因此，將LSTM引入到暖通空調系統的能耗負荷預測中，具有顯著的理論意義和實際價值。