基于CNN-RNN組合模型的辦公建筑能耗預測

建筑運行階段能耗在中國能源消耗中占比21.7%，是溫室氣體排放的重要來源.隨著經濟發展和人民生活水平的提高，建筑能源消耗比例呈現出不斷上升的趨勢.因此，對建筑能耗進行預測以指導建筑運行模式和節能評估，對建筑節能有著重要意義.目前，建筑能耗預測方法主要可分為基于熱力學規則的物理模型和基于機器學習算法的數據模型.由于物理模型耗時較長且需要詳盡的建筑信息與環境參數(如建筑構造細節、運行時間表、物性參數等)，在實際應用中常因為缺少準確的輸入數據，導致能耗模擬結果不佳.

數據模型能夠根據建筑的歷史能耗數據和建筑業態，在缺少建筑物理參數的情況下快速精準地對建筑能耗進行預測，近年來得到了廣泛的應用.目前，常用的機器學習算法有支持向量回歸(SVR)、人工神經網絡(ANN)以及梯度漸進回歸樹(GBRT)等.然而，這些傳統的機器學習算法仍然需要大量的人工操作來提取數據中的特征，以降低數據的復雜性.

隨著數據量增多以及算力增長，數據模型逐漸由淺層機器學習發展到深度學習.深度學習通過多個網絡層直接從數據中進行特征的提取與學習，有著較強的模型表達能力.相較于傳統機器學習，深度學習模型預測精度隨著訓練數據量增長而不斷提高.目前，應用于建筑能耗預測領域的深度學習算法主要包括自動編碼器(AE)、循環神經網絡(RNN)、長短期記憶網絡(LSTM)、生成對抗網絡(GAN)等……