增強神經網絡算法構建混合模型的建筑能耗短期預測

王 玨

（上海電力大學 電子與信息工程學院，上海 200000）

公共建筑面積與能耗逐年增長，建筑節能對全球節能減排有著重要意義。建筑能耗受到多方面的影響，如室內外溫濕度、設備運行情況、人流密度等?；跀祿寗拥念A測模型，需要大量的數據作為算法支撐，其中氣象數據是多維度且復雜的，不必要的自變量也會產生誤差[1]。若僅對每個變量分別進行分析，會形成信息孤島，導致預測結果必然存在偏差。對于波動性過大數據，PCA存在丟失有效信息的問題，不能做到精準降維[2]。

由于建筑能耗數據具有非線性不穩定的特點，近年來，研究人員主要通過機器學習（Machine Learning，ML）方法來對建筑能耗進行預測。其中深度學習可以從大量無標識數據中自動獲取有效特征，比物理模型計算出的預測結果效率更高[3]。隨著能耗數據噪聲增加，單一模型已經不能適應數據特征，混合模型逐漸得到應用[4]。

本文以上海市嘉定區某建筑大樓（下文用A建筑表示）為研究對象，通過公共能耗檢測系統獲得該建筑夏季一周內每5 min記錄1次的空調冷負荷作為樣本數據進行訓練測試，提出一種面向建筑能耗短期預測的混合模型AE-AdaBoost-BP。本文主要內容包括：（1）對明顯波動與非線性的大量數據標準化處理后剔除毛刺；（2）使用DAE對多維氣象參數精準降維；（3）對AdaBoost算法進行改進，優化了迭代過程；（4）利用改良后的AdaBoost算法優化BP神經網絡的權值與閾值完成對建筑能耗的預測；（5）應用DAE-AdaBoost-BP混合模型對上海某大型建筑能耗進行短期預測，仿真結果驗證了該模型的可行性。

1 模型原理

1.1 去噪自編碼器

自編碼器（AutoEncode，AE）屬于無監督學習，利用神經網絡的結構對數據進行降維。自編碼器結構內有一個隱含層，輸入層和輸出層維度相同，隱含層的維度可選擇。該網絡可由2部分組成，輸入層經過一次編碼得到隱含層，隱含層再經過解碼得到輸出層，通過訓練網絡中的權重和偏置，得到輸入層和輸出層誤差最小時的參數，自編碼器結構圖如圖1所示。

圖1自編碼器結構圖

圖1 中b1和b2是輸入層和隱含層的偏置，W1和W2是網路各變量的權重，X和Z分別是輸入層和輸出層，H為中間的隱含層，L（X，Z）為目標函數。當目標函數達到最小值時的權重和偏置即為所求，隱含層即降維后的數據，使用隱含層的數據即可代表原輸入數據的主要信息。

去噪自編碼器（DenoisingAutoEncode，DAE）是改良版的自編碼器，并使得特征值具有一定的魯棒性。其原理是以一定的概率分布，是輸入層的部分數據置為0，即使得部分輸入層數據丟失，使用丟失過后的數據去進行編碼。破損的輸入層數據與原輸入層數據相比，丟失的數據中也將噪聲一起丟棄，具有一定的去噪功能，這樣得到的特征值魯棒性更高。其基本構架如圖2所示。

圖2 去噪自編碼器結構圖

1.2 BP_AdaBoost原理

BP神經網絡作為人工神經網絡中最常見的算法之一，其缺點是很容易陷入局部最小值，對BP神經網絡的優化主要在尋找全局最優解上面，如遺傳算法和BP神經網絡的結合，但遺傳算法的優化效果并不是絕對的，沒有解決全局最優解的問題。

集成學習作為機器學習的一個分支，在算法上展現了更高的精度。集成算法和多種基礎算法都可以結合，并且相對于基礎算法在精度上有一定的提升[5]。AdaBoost算法屬于Boosting算法中的一種，需要選擇一種基算法并進行優化，本次實驗將采用BP神經網絡作為基礎算法。

算法步驟如下：

（1）數據訓練集：T＝｛（x1，y1），（x2，y2），…（xm，ym）｝，BP迭代次數為K，集成學習模型為f（x）；

（2）初始化權重為：D（1）＝（w11，w12，…w1m）；w1i＝i＝1，2…m，對于k＝1，2…K，具有權重Dk的訓練集樣本得到輸出模型Gk（x）；

（3）計算訓練集上的最大誤差Ek＝max｜yi－Gk（xi）｜i＝1，2…m；

（4）計算每個樣本的相對線性誤差eki＝

（8）若k＜K，則k＝k＋1，返回步驟（3），若達到最大迭代次數，得到集成學習模型：f（x）＝

2 ADE-AdaBoost-BP預測模型建模

2.1 數據來源和處理

數據來源包含1棟樓3層同位置各房間的夏季空調冷負荷。氣象數據來自于中國氣象數據網，包含大氣溫度，空氣濕度，輻照度等數據。各種數據由傳感器測量得到，故可能存在一定的異常值，對原始數據進行歸標準化處理，得到均值為0，方差為1的正態分布數據，再通過箱線圖檢驗數據是否存在異常值，如圖3（a）所示。

通過圖3可以觀察到，輻照度和輻照得熱的數據上存在一些異常點，對異常數據點進行異常值修改，得到校正后的箱線圖，如圖3（b）所示，經過矯正過的數值為后續算法所使用到的數據。

圖3 誤差箱線圖

2.2 預測模型建立

AdaBoost算法的核心思想是在每次計算結果上進行重新權重調整，再次進行訓練，算法流程圖如圖4所示。處理過后的訓練集通過BP算法得到預測模型Gk（x）以其預測誤差eki，根據預測誤差再調整訓練集權重，并作為下一次BP算法的訓練集。經過多次循環得到K個預測模型，再通過組合方式將這些基礎模型整合為1個集成模型，作為本篇論文預測模型。

圖4 AdaBoost和BP結合的流程圖

3 案例分析

本次實驗利用matlab2019版本進行預測仿真測試，將矯正過后的氣象數據經過DAE分別降維為3維和4維，作為算法的數據輸入，輸出為各個房間冷負荷的預測值，作為BP網絡的訓練輸入和輸出。經實驗表明輸入層設置為3，隱藏層設置為5，輸出為1層，傳遞函數分別為tansig，tansig和purelin，訓練函數為trainlm，訓練次數為1 000，訓練精度為0.001，學習率為0.1 h，得到的預測效果最佳。

算法的精度由均方根誤差（RMSE），平均絕對百分比誤差和（AMPE）決定系數R2作為評價指標，公式的計算過程如下：

本次實驗1分為2步進行，首先按對遺傳算法和AdaBoost優化效率作對比，接著對常用回歸算法多元線性回歸（MLR）和BP神經網絡及其優化作對比。

實驗1對BP算法優化作對比，使用上述3項指標作為對比參數，對比效果如圖5所示。實驗分別為BP，GA-BP，AdaBoost-BP，DAE-AdaBoost-BP，由于BP神經網絡的模型訓練具有一定的不穩定性，且選擇的訓練次數較小，每次收斂的結果都不同，故使用對應程序各訓練5次，作為對應預測精度對比參考。

由圖5可知，BP神經網絡的結果最不穩定，魯棒性最差；GA-BP算法在一定程度上進行了優化，但并不代表每次訓練得到的結果優于BP算法；AdaBoost算法均優于BP算法和GA-BP算法，具有很好的預測結果；經過DAE處理過后的AdaBoost算法得到的結果為最優解。

圖5 誤差評價

實驗2進行算法間的對比，同時使用MLR，BP和AdaBoost-BP對冷負荷進行預測，MLR算法調用python軟件中sklearn程序模塊，預測精度見表1。BP及其優化算法的精度為多次訓練結果的中位數。

由表1可以看出，MLR算法實現雖然簡單，但是精度較低，BP神經網絡經過多次訓練的平均值高于MLR算法的精度，經過AdaBoost模型得到的BP算法在各項指標上都有明顯的提升，經過DAE降維的算法能夠得到更好的精度，且收斂數據更快。

表1 多種算法預測訓練結果

4 結束語

本文對上海某棟建筑能耗和氣象數據作為研究對象，提出了通過DAE對數據降維，再通過集成學習算法AdaBoost與BP網絡的結合對建筑的冷負荷進行了預測，結果表明具有很好的預測效果，在均方根誤差，平均誤差百分比和決定系數3個方面得到了很大的提升，為管理者提供了良好的數據支持。后續工作將冷負荷預測擴大到整棟建筑的能耗預測，并將通過物聯網架構對整棟建筑進行全方位的智能管理，構建相應的管理架構。