基于GA改進(jìn)LSTM-BP神經(jīng)網(wǎng)絡(luò)的智慧樓宇用能行為預(yù)測方法

江世雄， 黃鴻標(biāo)， 陳蘇芳， 肖榮洋

(1. 武漢大學(xué) 動力與機械學(xué)院， 武漢 430072； 2. 國網(wǎng)福建省電力有限公司 龍巖供電公司， 福建 龍巖 364000)

隨著人口的持續(xù)增長與經(jīng)濟的飛速發(fā)展，全球能源消耗和環(huán)境問題已逐漸成為研究熱點[1].根據(jù)相關(guān)數(shù)據(jù)顯示，全球約有39%的能源消耗及38%的溫室氣體排放來自于建筑能耗[2-3]，因此有必要對建筑能耗進(jìn)行合理的預(yù)測與控制，以提供更加精準(zhǔn)的能源供應(yīng)，從而緩解能源緊缺態(tài)勢并減少溫室氣體的排放[4].

國內(nèi)外對建筑能耗已有諸多研究，如周璇等[5]針對建筑內(nèi)照明及插座能耗具有隨機性且難以預(yù)測的特征，利用長短時記憶網(wǎng)絡(luò)(LSTM)模型提出了基于深度學(xué)習(xí)的多步預(yù)測建模方法，有效提高了預(yù)測精度，但其對于樓宇能耗的全方位預(yù)測效果仍有待深入研究；李紅蓮等[6]利用歷史氣象和能耗數(shù)據(jù)，采用Morphing法對國內(nèi)典型城市辦公建筑的全年能耗進(jìn)行模擬，預(yù)估了氣候變化下建筑能耗的變化趨勢，為更加精準(zhǔn)的能源供應(yīng)提供了依據(jù)；Damrongsak等[7]研究了商場能耗數(shù)據(jù)，并提出一種多元線性回歸方法深入挖掘了能源消耗與其他環(huán)境參數(shù)的關(guān)系，進(jìn)而有效預(yù)測了建筑物電能消耗；而Kannari等[8]提出了一種結(jié)合物理建模與機器學(xué)習(xí)的新方法，通過人工神經(jīng)網(wǎng)絡(luò)完成對數(shù)據(jù)集參數(shù)的訓(xùn)練和學(xué)習(xí)，其兼顧了預(yù)測模型魯棒性、準(zhǔn)確性及推理速度.

但上述方法對能耗的預(yù)測大多僅針對于電能，故在實際建筑物能耗的預(yù)測中存在一定局限性[9]，因此，本文基于遺傳算法(GA)改進(jìn)LSTM-BP神經(jīng)網(wǎng)絡(luò)，提出了一種智能建筑用能行為的預(yù)測方法.

1 基于聚類算法的用戶用能行為分析

在智慧樓宇用能行為預(yù)測之前，需要明確用能類型，因此所提方法基于K-means聚類算法來劃分樓宇的用能類型，從而提高后續(xù)預(yù)測的準(zhǔn)確性.

1.1 K-means算法

算法將一組N個未標(biāo)記的數(shù)據(jù)量聚類劃分為K個類型，且每個簇的質(zhì)心可計算為同一簇中所有數(shù)據(jù)點的平均值，聚類過程如下：

1) 隨機或根據(jù)一些先驗知識初始化k個數(shù)據(jù)點R=[R1，R2，…，Rk].

2) 計算每個數(shù)據(jù)點x與質(zhì)心之間的距離，并將每個數(shù)據(jù)點指定給最近的質(zhì)心.數(shù)學(xué)公式表述為

xi∈Rwifd(xi，Rw)

(1)

式中，d(xi，Rj)表示數(shù)據(jù)點xi和質(zhì)心Rj之間的距離，且所提方法采用歐幾里德距離.

3) 重新計算每個簇的質(zhì)心，直至收斂，質(zhì)心計算表達(dá)式為

(2)

式中，Nk為數(shù)據(jù)點質(zhì)心的數(shù)量.

1.2 智慧樓宇用能行為特征

智能樓宇使用的能源主要有電能、天然氣、冷能及熱能等[10]，本文通過各自的測量裝置獲取數(shù)據(jù)，并利用K-means聚類算法進(jìn)行分析處理，從而得到樓宇用能行為特征.其中，以某工業(yè)住宅小區(qū)混合樓宇為目標(biāo)，選取常用的電能、熱能與冷能作為能耗研究對象進(jìn)行分析，則該智慧樓宇的電能消耗曲線如圖1所示.

圖1 電能消耗曲線Fig.1 Electric energy consumption curves

由圖1可以看出，用戶用電行為習(xí)慣可分為4種類型，分別表示為EA、EB、EC和ED.EA曲線平行于水平軸，則此類用戶整體功率較低，無明顯波動且功耗小，故可推測其處于空載狀態(tài)，僅有少量線損；EB用戶曲線波動明顯，用電高峰主要出現(xiàn)在早晚時段，且晝夜曲線波動較小，所以其大概率為上班族；EC曲線全天呈現(xiàn)多個功率峰值，且峰值在早期、中期和晚期均有出現(xiàn)，則推測用戶為老年家庭；而ED的能量消耗曲線在一天中呈現(xiàn)多個峰值，但白天為一個小峰值，夜間則是一個遠(yuǎn)高于其他曲線的大峰值，因此該用戶可能是有幾代人的混合家庭.

同樣，以該小區(qū)冬季某一天熱能消耗作為研究對象，獲得的熱能變化曲線如圖2所示.

圖2 熱能消耗曲線Fig.2 Thermal energy consumption curves

從圖2可以看出，熱能消耗行為可分為3類：GA曲線的高峰僅出現(xiàn)在早晚，因此用戶大概率是上班族；GB曲線全天均呈現(xiàn)多個能耗峰值，說明樓宇內(nèi)全天候有人，故此類用戶應(yīng)是幾代人的混合家庭；GC曲線幾乎僅在晚間有高耗能，所以用戶有可能是學(xué)生類型的人群.

對于樓宇冷能消耗，則主要選取夏季某典型高溫天氣作為研究對象，能耗曲線如圖3所示.

圖3 冷能消耗曲線Fig.3 Cold energy consumption curves

由圖3可知，對于冷能的消耗，不同用戶具有不同的表現(xiàn).其中CA表現(xiàn)為非工作時間較為明顯，而上班時間幾乎無冷能消耗，大概率為上班族；CB和CC則與之相反，大部分冷能負(fù)荷為白天工作時間，大概率為工業(yè)或企業(yè)用戶，且在部分時間呈現(xiàn)用能高峰.

2 智慧樓宇用能行為預(yù)測模型

2.1 LSTM-BP神經(jīng)網(wǎng)絡(luò)

LSTM網(wǎng)絡(luò)主要通過輸入門、遺忘門和輸出門來實現(xiàn)信息的保護(hù)與控制.其中遺忘門表示網(wǎng)絡(luò)從單元中丟棄的信息，即通過讀取前一時刻的輸出結(jié)果ht-1和外部輸入xt，以輸出“0”或“1”，“1”表示完全保留，而“0”表示完全接受.LSTM的遺忘門計算表達(dá)式為

f=δ(ωf[ht-1，xt]+bf)

(3)

式中：δ為激活函數(shù)；ω、b分別為網(wǎng)絡(luò)的權(quán)重和偏置量.

(4)

最終輸出門的計算表達(dá)式為

(5)

LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)對其預(yù)測性能具有顯著影響，為此引入反向傳播神經(jīng)網(wǎng)絡(luò)(BP)用于確定各種權(quán)重值與偏差，以提高模型的預(yù)測準(zhǔn)確性.所構(gòu)成的LSTM-BP神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)如圖4所示.

圖4 LSTM-BP神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)Fig.4 Overall structure of LSTM-BP neural network

在LSTM-BP神經(jīng)網(wǎng)絡(luò)中，原始數(shù)據(jù)輸入LSTM網(wǎng)絡(luò)的輸入層，考慮到數(shù)據(jù)過載問題，將遺忘門設(shè)為一層且其神經(jīng)元數(shù)量不超過30個.然后將LSTM網(wǎng)絡(luò)的輸出層數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，經(jīng)過分析處理后得到最終的預(yù)測結(jié)果.其中將BP神經(jīng)網(wǎng)絡(luò)的隱藏層設(shè)為3層，而每層神經(jīng)元的數(shù)量則需根據(jù)實際研究對象進(jìn)行選取.

2.2 基于GA改進(jìn)的LSTM-BP網(wǎng)絡(luò)模型

為了使LSTM-BP神經(jīng)網(wǎng)絡(luò)架構(gòu)具有多維空間，故采用GA優(yōu)化確定LSTM-BP超參數(shù)的最佳值，其包括LSTM及BP網(wǎng)絡(luò)層次數(shù)量[11-12]、每層中神經(jīng)元數(shù)量以及相應(yīng)的丟棄率與學(xué)習(xí)率.

GA算法是一種基于自然選擇理論以及遺傳機制的強大進(jìn)化算法.其將待優(yōu)化參數(shù)組成編碼串，并根據(jù)一定的適應(yīng)度函數(shù)和一系列遺傳操作對每個個體進(jìn)行種群篩選，從而保留具有高適應(yīng)度值的個體，再形成新的群體.新群體中個體的適應(yīng)值不斷提高，直至滿足迭代終止條件，具有最高適應(yīng)值的個體即為優(yōu)化參數(shù)的最優(yōu)解[13].由于GA算法獨特的相似性與生物進(jìn)化的工作原理，使其能在復(fù)雜空間中進(jìn)行全局優(yōu)化搜索，且具有較強的魯棒性[14].

GA算法優(yōu)化LSTM-BP神經(jīng)網(wǎng)絡(luò)的具體步驟如下：

1) 參數(shù)初始化：設(shè)置種群規(guī)模、交叉概率、變異概率、最大迭代次數(shù)及誤差極值等主要參數(shù).

2) 根據(jù)個體適應(yīng)度值的大小進(jìn)行排序，并計算每個個體的評價函數(shù)，其中將預(yù)測模型的平均絕對誤差(MAE)作為適應(yīng)度值[15]，然后對其排序并將計算出的平均適應(yīng)度值作為閾值，再選擇適應(yīng)度大于平均適應(yīng)度的個體組成新的種群.

3) 確定是否達(dá)到所需的種群規(guī)模，若達(dá)到，進(jìn)行交叉、變異遺傳操作等；否則重復(fù)步驟2).

4) 根據(jù)尋優(yōu)得到的最優(yōu)個體作為LSTM-BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值.

5) 使用LSTM-BP神經(jīng)網(wǎng)絡(luò)傳播正信息，計算全局誤差并判斷是否達(dá)到迭代終止條件.若滿足條件，結(jié)束模型學(xué)習(xí)并輸出預(yù)測結(jié)果；否則進(jìn)行LSTM-BP網(wǎng)絡(luò)的反向傳播，修改權(quán)重并返回至步驟4)，重復(fù)模型學(xué)習(xí).

2.3 基于改進(jìn)LSTM-BP的用能行為預(yù)測模型

利用GA優(yōu)化的LSTM-BP神經(jīng)網(wǎng)絡(luò)模型來預(yù)測智慧樓宇的用能行為.將智慧樓宇的電能、天然氣等能源使用量以及當(dāng)?shù)靥鞖鉅顟B(tài)的信息輸入預(yù)測模型，從而實現(xiàn)對用戶用能行為的預(yù)估.所提智慧樓宇用能行為預(yù)測流程如圖5所示，主要流程如下：

圖5 基于改進(jìn)LSTM-BP模型的用能行為預(yù)測流程Fig.5 Prediction process for energy consumption behavior based on improved LSTM-BP model

1) 采集用能數(shù)據(jù)并對其進(jìn)行聚類預(yù)處理，得到樓宇明確的用能類型.同時，將數(shù)據(jù)集劃分為訓(xùn)練集和測試集.

2) 訓(xùn)練LSTM模型并初始化預(yù)測模型參數(shù)，然后將訓(xùn)練集輸入模型，利用GA算法進(jìn)行反復(fù)迭代優(yōu)化，得到MAE最小化的模型參數(shù).

3) 訓(xùn)練BP模型，將LSTM模型輸出值作為BP網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練.同樣，利用GA算法優(yōu)化BP網(wǎng)絡(luò)模型的參數(shù)，當(dāng)達(dá)到預(yù)設(shè)目標(biāo)，則能夠獲得最佳的LSTM-BP網(wǎng)絡(luò)預(yù)測模型.

4) 將測試集數(shù)據(jù)輸入訓(xùn)練好的LSTM-BP模型中，對模型輸出的數(shù)據(jù)進(jìn)行反歸一化處理，并將預(yù)測結(jié)果與實際樣本加以對比，從而得到高精度的用能行為預(yù)測結(jié)果.

3 實驗結(jié)果與分析

基于TensorFlow深度學(xué)習(xí)框架對所提方法進(jìn)行實驗分析.其中，數(shù)據(jù)集選取東部地區(qū)某智慧住宅2020年3月12日至2020年5月20日的用戶耗能相關(guān)數(shù)據(jù).信息采集頻率為30 min，共1.43×107條用戶信息用于智慧樓宇用能行為的分析預(yù)測.

3.1 參數(shù)分析

由于GA算法中選擇、交叉和變異概率的選值對所提方法的預(yù)測性能存在較大影響，故將種群規(guī)模與最大迭代次數(shù)分別設(shè)為20及50.在不同選擇、交叉和變異概率下所提方法的MAE變化如圖6所示.經(jīng)過GA算法改進(jìn)后的模型中LSTM隱藏層為2層，BP神經(jīng)網(wǎng)絡(luò)隱藏層為3層，加上輸出與輸入層，整體模型共有7層.其中LSTM每層28個神經(jīng)元，BP神經(jīng)網(wǎng)絡(luò)每層神經(jīng)元個數(shù)為31個.

圖6 不同選擇、交叉和變異概率下的模型MAE變化曲線Fig.6 MAE variation curves under different selection， crossover and mutation probabilities

由圖6可以看出，優(yōu)化迭代開始時MAE波動較大，迭代次數(shù)超過30后，預(yù)測模型趨于收斂.交叉操作的概率用于判定兩個個體是否進(jìn)行交叉，變異操作的概率表示允許少數(shù)個體存在變異情況，以避免陷入局部最優(yōu)，其取值應(yīng)綜合考慮算法性能.當(dāng)選擇概率取值較小時，算法收斂較慢甚至不收斂.當(dāng)選擇、交叉及變異概率分別為0.8、0.2和0.2時，MAE將達(dá)到最小，且僅為1.85 J.因此在本方法中將GA算法的3種概率值分別設(shè)為0.8、0.2和0.2，以實現(xiàn)最佳的預(yù)測性能.

3.2 用能行為分析

針對智慧樓宇用戶常用的電能、熱能及冷能耗量進(jìn)行預(yù)測分析，采用12 h與48 h的預(yù)測結(jié)果如圖7所示.

圖7 所提方法不同時間范圍的預(yù)測結(jié)果Fig.7 Prediction results obtained by as-proposed method within different time ranges

由圖7可以看出，12 h的預(yù)測值與實際值基本一致，而48 h的預(yù)測值與實際值則仍存在一定偏差.原因是時間范圍越廣，可變因素越多，對模型的預(yù)測性能要求也就越高.從電能耗量曲線中可明顯看出，48 h的預(yù)測值存在明顯的波動，這可能是所提模型出現(xiàn)了過度收斂，且電能受環(huán)境、社會因素影響較大而導(dǎo)致的結(jié)果.但總體而言，本文方法的預(yù)測結(jié)果與真實值基本接近，滿足設(shè)計目標(biāo).

3.3 預(yù)測性能分析

為了論證所提方法的預(yù)測性能，將其與文獻(xiàn)[5]、文獻(xiàn)[7]及文獻(xiàn)[8]的預(yù)測結(jié)果進(jìn)行對比，如圖8所示.

圖8 不同方法的MAE對比結(jié)果Fig.8 MAE comparison results among different methods

由圖8可以看出，相比于其他對比方法，所提方法能實現(xiàn)最快收斂且MAE值最小.由于所提方法在K-means聚類獲得用戶行為類型的基礎(chǔ)上，通過利用LSTM-BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)分析得到預(yù)測結(jié)果，所以能最大程度地保證預(yù)測準(zhǔn)確性.然而文獻(xiàn)[5]使用LSTM網(wǎng)絡(luò)以及文獻(xiàn)[7]僅采用多元線性回歸方法來進(jìn)行預(yù)測，單一模型的處理性能不佳，故二者預(yù)測誤差均較大；而文獻(xiàn)[8]在物理建模的基礎(chǔ)上利用人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)能耗預(yù)測，預(yù)測性能較單一模型有所提升，但缺乏多能源類型的考慮.

4 結(jié) 論

隨著“碳達(dá)峰”、“碳中和”戰(zhàn)略目標(biāo)的實施，對于高耗能的智慧樓宇進(jìn)行節(jié)能減排成為了必然趨勢.本文提出了一種用能行為預(yù)測方法，為能源調(diào)控提供參考.通過引入K-means聚類算法對用戶的用能行為類型進(jìn)行劃分后，將用能數(shù)據(jù)輸入GA改進(jìn)的LSTM-BP模型進(jìn)行預(yù)測分析，以估計智慧樓宇的用能行為.基于TensorFlow框架的實驗結(jié)果表明，當(dāng)選擇、交叉及變異概率分別為0.8、0.2與0.2時，所提方法的性能最佳.算法MAE值約為1.79 J，因此能夠穩(wěn)定、高精度地預(yù)測不同時間的智慧樓宇用能行為.