LSTM方法在暖通空調能耗預測中的應用研究

吳海員，劉永洲

（山東省青島市廣播電視臺 后勤保衛部，山東 青島 266073）

1.研究背景

在當今城市建筑體系中，暖通空調系統是不可或缺的公共設施之一。隨著生活水平的不斷提高，人們對于現代化建筑體系的熱舒適環境要求變得越來越高。進入21世紀以來，人們的環保意識逐步提高，綠色節能和可持續發展理念被應用到現代城市化進程中。現代建筑中暖通空調的能耗占到30%-55%甚至更高[1]。為了號召新時代節能環保的理念，因此降低暖通空調用電消耗量成為一個需要迫切解決的問題。

暖通空調控制由簡單控制方案、數字控制方案和邏輯編程控制方案發展到目前較為流行的基于神經網絡的控制方案。由于傳統的控制方法無法同時兼顧非線性數據和數據時序性的特點，當某項參數發生劇烈變化時，系統對暖通空調的控制作用會降低，一般只適用于小型暖通空調的節能控制。本文利用LSTM 神經網絡建立了一種暖通空調能耗預測模型，首先，進行預處理數據，包括處理異常數值、歸一化輸入數據、劃分數據的訓練集和測試集等；其次，構建暖通空調系統的預測模型、調整LSTM結構參數、優化LSTM模型等；然后，對暖通空調系統的能耗進行了建模仿真；最后，通過對能耗數據的預測和分析，獲得了更為精準的預測數據結果[2-4]對暖通空調的運行模式進行調節，實現能源調配和建筑用能優化。

2. 暖通空調模型建立

2.1 LSTM神經網絡理論

圖 1 LSTM 神經元結構

循環神經網絡（Recurrent Neural Network，RNN）中包含了一種特殊類型的長短期記憶神經網絡，可以通過獲得的信息進行長期的學習。LSTM 神經網絡的神經元結構如圖1所示，其中包含了3個門結構，分別為輸入門、遺忘門、輸出門。在LSTM中，第一步在遺忘門中決定需要將細胞當中那些信息進行丟棄；第二步在輸入門中確定需要將哪些新信息放入細胞狀態中；第三步是確定將通過輸出門輸出的數值。

2.2 數據來源

為了實現降耗策略，在本系統中實驗數據選自青島某樓宇控制系統，采樣數據的間隔時間為10min，機組數據變量如表1所示由2臺渦旋機組組成，采用定頻控制，氣象數據如表2所示。

表1 輸入數據

表2 氣象數據

2.3 數據處理

為了解決輸入數據指標之間的可比性，采用最大－最小標準化方法：

其中，MaxA和MinA分別為屬性A的最大值和最小值。

結果誤差評價標準采用均方根誤差（Root Mean Square Error，RMSE）和平均絕對誤差（Mean Absolute Error，MAE）兩種評價標準，數值越小表示預測值與真實值相差越小。

其中，N表示預測實驗的總個數；yi表示真實值；表示預測值。

3.預測流程設計與數據分析

3.1 預測流程設計

根據LSTM方法，設計暖通空調能耗預測流程圖，如圖2所示，對測試及數據進行預測。

圖 2 能耗預測流程圖

3.2 預測結果分析

經仿真得到能耗預測結果以及負荷預測誤差的對比：

表3 暖通空調系統的負荷誤差對比表

實驗數據表明，較傳統的支持向量回歸（SVR）模型，本文所提出的LSTM神經網絡系統所建立的模型的均方根誤差和平均絕對誤差值都較小，說明LSTM神經網絡模型更加符合實際模型，性能得到大幅提高。

4.結語

本文基于LSTM神經網絡給出了一種暖通空調系統的能耗預測模型，并與傳統的模型進行了對比，實驗結果表明，由此模型得到的均方根誤差和平均絕對誤差值都較小，說明本文提出的模型比傳統模型更加準確，具有一定的應用價值。