基于PCA-BP 算法的智慧建筑空調能耗預測

范 磊

（上海電力大學 電子與信息工程學院，上海 200090）

引言

隨著時代的發展和人類需求的改變，建筑逐漸向智能化發展，智慧建筑中的空調能耗預測也成為國內外學者研究的熱點。在智慧建筑空調能耗的使用過程中，可以通過人工智能學習采集、分析學習各種外界環境參數和空調運行能耗數據，來預測出下一刻的能耗[1]，優化空調的控制策略，從而達到節能的目的。

本文首先建立了建筑物理模型并對模型進行仿真分析，研究了空調能耗預測的PCA-BP 神經網絡融合算法設計，進而預測出智慧建筑的空調能耗值，最后分析和對比 Tree、SVM、Linear Regression、BP、PCA-BP 五種算法，得出PCA-BP 融合算法極大的提高了空調能耗預測的準確度，提高了能源利用率。

1 智慧建筑模型仿真

首先通過 DeST（Designer"s Simulation Toolkit）軟件[3-4]采集上海市全年逐時氣象參數。DeST 軟件主要用于建筑環境的相關研究和建筑環境的模擬預測、性能評估以及建筑設計和HVAC 系統的相關研究和系統的模擬預測、性能優化。本文使用的DeST-h 主要用于住宅建筑熱特性的影響因素分析、住宅建筑熱特性指標的計算、住宅建筑的全年動態負荷計算、住宅室溫計算、末端設備系統經濟性分析等領域[2-3]。

DeST 通過全年逐時室外溫濕度、太陽直射、太陽散射和房間模型仿真計算出全年逐時室內冷熱負荷，其中空調固定設定為冬季21℃和夏季 25℃。智慧綠色建筑空調能耗采集不同時間、室外溫濕度、逐時冷熱負荷、新風熱負荷、房間溫度、房間濕度、總輻射、散射輻射、直射輻射11 個因素作為輸入層參數，將空調能耗作為輸出層。其中1 月份連續4 天空調工作的逐時能耗分布如圖1 所示。

圖1 連續4 天工作逐時能耗分布圖

2 PCA-BP 融合能耗預測算法

PCA（Principal Component Analysis），即主成分分析方法，是一種使用最廣泛的數據降維算法。PCA 的主要思想是將n 維特征映射到k 維上，這k 維是全新的正交特征也被稱為主成分，是在原有n 維特征的基礎上重新構造出來的k 維特征。PCA 的工作就是從原始的空間中順序地找一組相互正交的坐標軸，新的坐標軸的選擇與數據本身是密切相關的。

PCA 與BP 神經網絡的融合算法，簡化了智慧建筑空調能耗管理的原始數據，去除其貢獻率低的數據，而且可以利用BP 神經網絡的非線性和并行處理的能力，更可以改進BP 神經網絡的算法結構提高學習速度，使得融合算法模型有更強的學習能力和更高的穩定性[4-5]。

圖2 PCA-BP 算法流程框圖

首先，讀取智慧建筑的空調能耗管理的數據并通過PCA 對數據進行預處理，再通過計算得到累計貢獻率，再從前到后提取低于特征量總數的主成分。通過PCA 獲得的主成分數據集帶入BP 神經網絡的輸入層，初始化BP神經網絡的權值閾值并確定訓練模型的激勵函數、學習效率、訓練函數等參數的配置，選擇其中三分之一的數據作為樣本，另外三分之二數據作為測試數據，經過仿真預測輸出預測數據并對比預測數據與原始數據評估其預測的準確性[5-7]。融合能耗預測算法流程框圖如圖2 所示。

3 空調能耗預測的實驗分析

PCA-BP 神經網絡算法空調能耗逐時預測可以通過均方根誤差來反映出預測的精確度，其準確率為0.00056。為了更加直觀地觀察結果，將單一BP 神經網絡算法與PCA-BP 融合算法的空調能耗預測值與真值通過折線圖來表現出來，圖中實際能耗是最上面的折線，PCA-BP 融合預測的能耗是中間的曲線，PCA-BP 融合預測的能耗誤差相對偏低。其中一年中某天逐時仿真值與預測值的點分布如圖3 所示。

圖3 某天逐時仿真值與預測值的點分布

本文采用 MAE（Mean Absolute Error）、MSE（Mean Square Error）和 RMSE（Root Mean Square Error）3 種評估方法對 Tree、SVM、Linear Regression 和 BP 神經網絡算法、PCA-BP 神經網絡融合算法五種算法進行預測數據的精度和穩定性評估。MSE 是檢測觀測值與真值之間的偏差，RMSE 是觀測值與真值偏差的平方和與觀測次數m 比值的平方根，MAE 是絕對誤差的平均值，其中RMSE 一般來說能夠很好地反映出測量的精確度[8-9]。

五種算法的MAE、MSE 和RMSE 對比如表1 所示。觀察表1，五種算法從左到右在不斷變小，誤差在不斷降低；從第三行MSE 來看，PCA-BP 神經網絡算法的MSE值遠遠小于傳統4 種算法，說明PCA-BP 融合算法的精確度最高；第四行可知，PCA-BP 神經網絡組合算法的偏差最小，達到0.0056 的準確度。通過不同算法的誤差分析得到 PCA-BP 的融合算法比 Tree、SVM、Linear Regression、BP 神經網絡四種算法得到預測值比真實值偏差更小，準確度更高。

表1 不同算法的誤差分析

4 結束語

目前，我國的智慧建筑空調耗能在建筑總能耗占比較高，空調系統耗能高而現有的能耗管理系統處于初級階段，因此空調系統的控制方法有待優化。本研究基于PCA-BP 神經網絡算法在預測空調溫度上有強大效用，分析現有空調系統的運行數據，進一步優化控制策略，最終實現建筑節能。

本文下一步研究方向是通過LightGBM 和長短期記憶模型循環神經網絡對智慧建筑的空調能耗預測更深的算法學習。其中LightGBM 算法可以進行數據的前向特征選擇從而加強數據預處理，而長短期記憶模型循環神經網絡可以短期精確的預測空調能。