基于改進門控循環單元的建筑耗能預測方法

閆宇祺

建筑耗能是我國總耗能中占比最大的一部分，對其進行規律驗證與預測具有非常重要的意義。提出了一種基于門控循環單元(Gated Recurrent Unit, GRU)神經網絡預測建筑耗能的方法，充分挖掘數據中的深層特征關系。將采集到的原始數據輸入到輸入層，對數據進行預處理。利用DGRU層對特征信息進行提取，進而實現序列分析。通過序列信息和回歸層獲得預測結果。為驗證方法的有效性，采用BGD2（Building Data Genome 2）數據集進行仿真驗證，結果證明此方法可以很好地預測建筑耗能。

一、引言

在全球資源緊缺和環境日益惡化的情況下，節約能源對于各個國家顯得非常重要，尤其是我國。我國是全球最大的能源消耗國，其中建筑耗能在我國占據了能源消耗的首位。同時，隨著我國的不斷發展，能源短缺的問題也慢慢凸顯出來，這成為了制約我國經濟發展的重要因素。根據清華大學發布的《中國建筑節能發展研究報告2020》統計顯示，隨著我國居民的生活水平逐漸提升，國民對建筑用能也會變得多樣化。這導致了建筑耗能在總耗能中的比重逐年上漲。為了降低不必要的能耗，進而達到節約能源的目的。對占比最大的建筑耗能進行監測并預測，進而實施合理的決策和措施是一種提高能源效率的重要途徑。

建筑耗能預測是從歷史耗能數據中推斷出未來的耗能情況。根據現有文獻對這種研究方進行統計分析，建筑耗能預測方法主要三種方法：物理模型方法、數據驅動方法以及混合模型方法。物理模型也叫白箱模型，是利用物理形式的方程對建筑能量的變化進行描述，進而實現建筑耗能的表征。數據驅動的方法是利用監測到的歷史數據，并使用時間序列進行統計分析或者通過機器學習的方法進而達到建筑能耗預測的目的，這種方法也被稱為是黑箱模型?；旌夏Ｐ偷姆椒ㄊ墙Y合了數據驅動方法和物理模型方法的優點進而產生的預測方法。因此，也被稱為是灰箱模型。以上三種方法中，由于數據驅動的方法不受一些專業知識的限制受到了研究者的青睞。例如，周芮錦等人利用自回歸移動平均（ARMA）時序模型對上海某辦公建筑進行逐月能耗預測，但是這種方法只能對穩定數據進行預測，導致這種方法的預測誤差較大。Neto等人分析了ANN模型，這種模型都顯示了很高的預測精度，但是，這種方法存在一種缺陷，那就是不易收斂，易陷入局部最優。Zhao和Magoulès利用相關系數和回歸梯度的方法減少了SVM訓練的變量，但這種方法也同時降低了預測精度。目前，LSTM和GRU受到了研究學者的青睞，并被廣泛地應用，尤其是在文本生成、語音合成和語音識別。GRU是LSTM的特殊變體，相比于LSTM來說，它的張量運算更少，因此，運算速度更快。除此之外，GRU有更加靈活的隱藏單元數量以及工作方式，在預測的場景中表現與LSTM不相上下。因此，對比以上研究方法，本文提出一種基于GRU神經網絡預測建筑耗能的方法。

二、網絡預測模型

在前人的研究中，GRU模型被廣泛證明可以學習輸入數據的深層特征并獲得很好的預測效果。本文將GRU模型作為深層網絡結構的基礎構建塊，采用多層堆疊GRU網絡(DGRU)，深層網絡架構具有強大的表示能力，可以在不同的時間尺度上學習原始數據中的隱藏特征和高級表示。本文提出的預測網絡架構如圖1所示。首先，將原始的耗能信息輸入到網絡的輸入層，對數據進行格式定義；然后，連接輸入層與DGRU層，旨在對原始耗能信息進行序列建模分析；最后，將分析出的特征輸入到全連接層，并通過回歸層提供耗能的預測結果，即預測網絡的輸出。

圖1 網絡預測模型

三、實驗與結果分析

1.數據來源

為了驗證本文所提方法對于耗能預測的有效性，本文使用真實耗能數據進行預測實驗。實驗數據來自BGD2數據集，該數據集包括1636棟建筑的眾多時序數據和氣象數據，數據范圍為兩年(2016年和2017年)。這些數據是從北美和歐洲的19個地點采集。本文采用BGD2數據集中的空氣溫度數據進行方法驗證，BGD2數據集中2016年空氣溫度數據如圖2所示，數據集包含了366天＊24小時的空氣溫度。為充分利用該數據來驗證本文提出方法的可靠性。本文將數據的90%作為提出方法的訓練數據，將剩下的10%數據作為網絡的測試數據。

圖2 BGD2空氣溫度數據集

2.網絡參數

絕對平均誤差(MAE)和均方根誤差(RMSE)被常常用作方法預測結果的評價指標。因此，本文利用MAE和RMSE作為預測方法的評估指標。在預測結果中，如果一個模型獲得預測結果的MAE和RMSE值越小，則表示該模型的預測精度越預測高。

在訓練期間，本文采用最小批量4的優化器Adam，通過更新網絡權重和降低損失函數的偏差。在本文所提出的預測方法中，DGRU的隱藏層數和隱藏單元個數是兩個重要的參數。因此，本文利用每天溫度的有效值作為監測數據，對在不同隱藏層層數和不同隱藏層單元個數下的有效值進行預測并計算實際值與預測值的RMSE值，進而通過RMSE值大小尋找出最優的兩個參數。但在這之前需要確定網絡參數，本文確定的網絡參數如表1所示。

表1 網絡參數

為驗證不同隱藏層數和不同單元數對預測結果的影響，本文分別使用單層GRU網絡、二層至五層DGRU網絡進行對比試驗以選擇最適合的網絡層數。本文對每組實驗重復十次，取他們的平均值作為這組預測效果，將不同組的預測出效果進行對比，實驗結果如圖3（a）所示。從圖中可以看出，當DGRU的隱藏層層數為4時，網絡預測結果獲得了最低的RMSE值2.2992，因此，本文選擇4層DGRU作為預測網絡。確定隱藏層層數后，我們重復相同的實驗步驟以確定隱藏層的單元個數，不同隱藏單元的實驗結果如圖3（b）所示，隱藏層的單元數為100時，預測結果獲得了最好的預測結果。因此，本文提出的網絡模型中隱藏層數為4，隱藏層的單元數為100。

圖3 BGD2空氣溫度數據集

3.預測結果

根據實驗部分第二節中的網路配置對數據集進行了多組實驗。實驗選用除測試集外的實驗數據作為訓練集，利用本文提出方法的預測結果如圖4所示。從圖中可以看出，真實值和預測值的升降基本趨勢相同，只有在每個小時空氣溫度相差較大處，預測值與真實值有較小差距，但在其他觀測點處都去得了較好的預測結果。以上分析表明本文所提出的模型可以較準確地預測輸入與輸出之間的非線性關系并獲得良好的預測性能。

圖4 本文提出方法的預測值與觀測值

為了證明本文提出方法的優越性，本文在同樣的實驗條件下，利用LSTM和BiLSTM預測方法對實驗數據進行預測，如圖5和圖6所示。對比圖4和圖5的預測結果可以看出，LSTM預測方法的預測效果僅比本文提出的預測方法效果差一點。但是，在實驗過程中，與本文提出的方法相比，LSTM預測方法卻花費了較長的網絡訓練時間，且收斂速度慢。因此，本文提出的預測方法優于LSTM預測方法。

圖5 LSTM方法的預測值與觀測值

圖6 BiLSTM方法的預測值與觀測值

對比圖4和圖6的預測結果可以看出，圖4的預測的效果在預測效果上遠遠優于圖6的預測效果，且在實驗過程中，BiLSTM預測方法的訓練時間遠長于其他兩種預測方法的訓練時間。綜上所述，本文提出的基于改進門控循環單元的建筑耗能預測方法在運算性能上和預測精度上都優于另外兩種預測方法。

為了進一步說明本文提出方法的優越性，表2給出了三種預測方法的評估指標RMSE值。為確保RMSE值的有效性，實驗中三種方法的預測點數相同，預測數據相同。

表2 不同方法的RMSE值

四、結語

本文為解決建筑能耗預測問題，提出一種基于改進GRU的建筑耗能預測方法，該方法將GRU作為網絡結構的基礎構建塊，采用多層堆疊方式，進而使網絡架構具有強大的表示能力，可以在不同的時間尺度上挖掘原始數據中的隱藏特征。為驗證方法的有效性，本文采用BGD2數據集數據，進行了建筑耗能的預測。實驗結果證明，GRU預測網絡具有較好的準確性和泛化性能，能夠進行建筑耗能的準確預測。