面向功能分區(qū)的大型商場建筑冷負(fù)荷預(yù)測方法

摘要：針對(duì)大型商場面向建筑整體冷負(fù)荷預(yù)測不能為商場各區(qū)域按需供冷提供合理控制策略的問題，通過研究商場不同區(qū)域冷負(fù)荷特點(diǎn)，采用灰色關(guān)聯(lián)度分析法篩選影響商場不同區(qū)域冷負(fù)荷的關(guān)鍵影響因素，針對(duì)實(shí)際情況中各輸入特征對(duì)冷負(fù)荷影響程度的不穩(wěn)定性，提出了基于雙重注意力機(jī)制和 LSTM 的短期分區(qū)冷負(fù)荷預(yù)測模型。LSTM 網(wǎng)絡(luò)充分考慮空調(diào)冷負(fù)荷與相關(guān)特征變量之間的非線性關(guān)系，特征注意力自主分析歷史信息和輸入變量之間的關(guān)系，提取重要特征，時(shí)序注意力選取 LSTM 網(wǎng)絡(luò)關(guān)鍵時(shí)刻的歷史信息，提升較長時(shí)間段預(yù)測效果的穩(wěn)定性。以西安某大型商場建筑的冷負(fù)荷數(shù)據(jù)集為實(shí)驗(yàn)數(shù)據(jù)，實(shí)驗(yàn)結(jié)果表明所提模型相比于 LSTM 模型、CNN -LSTM 模型和 Attention-LSTM 模型，誤差指標(biāo) MAPE和 RMSE 均有顯著降低，R2明顯增加且穩(wěn)定0.99以上，具有較好的泛化能力和較強(qiáng)的穩(wěn)定性。

關(guān)鍵詞：功能分區(qū)；灰色關(guān)聯(lián)度；冷負(fù)荷預(yù)測；注意力機(jī)制；長短記憶神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP391.9文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1000-582X（2023）06-061-15

A cold load prediction method of shopping malls oriented to functional zoning

ZHAOAnjun1a ， YANGHangjie1b ， JINGJing2 ， ZHANGMengzhi1b，JIAOYang1a

（1a . School of Building Services Science and Engineering;1b . School of Information and ControlEngineering，Xi’an University of Architecture and Technology，Xi’an 710055，P. R . China;2. China Northwest Architecture Design and Research Institute，Xi’an 710018，P. R . China）

Abstract： Currentcoolingloadpredictionmethodof overallbuildingsforlarge-scaleshoppingmallscannot provideareasonablecontrolstrategyfordemandsofvariousareasoftheshoppingmall. Bystudyingthe characteristics of cooling load in different areas of shopping malls， the key influencing factors of cooling load in different areasof shopping malls werescreened by usinggrey relational degreeanalysis method . Tosolve the instability of the influence degree of each input variable on cooling load in actual situation， a short-term zoned cooling load prediction model based on double attention mechanismand LSTM was proposed . LSTM network fullyconsidersthenonlinearrelationshipbetweenair-conditioningcoolingloadandrelatedcharacteristic variables . Featureattentionanalyzestherelationshipbetweenhistoricalinformationandinputvariablesautonomously to extract important features . Sequential attention selects historical information at critical moments of LSTMnetwork toimprove thestabilityof long-termpredictioneffects . Theexperimental resultsshowthat comparedwithLSTMmodel，CNN -LSTMmodelandattention-LSTMmodel，theerrorindexesMAPEand RMSE of the proposed model decrease significantly， and its R2 increases significantly and remains stable above 0.99， indicating good generalization ability and strong stability.

Keywords： functional partition; grey relational degree; cooling load prediction; attention mechanism; longshort term memory neural network （LSTM）

隨著中國社會(huì)經(jīng)濟(jì)的快速發(fā)展，能源和環(huán)境問題日益突出，目前建筑運(yùn)行能耗約占全社會(huì)總能耗的30%，單位建筑能耗面積是發(fā)達(dá)國家的2～3倍，已經(jīng)成為限制中國可持續(xù)發(fā)展的主要問題[1]。大型商場因其人流量大，舒適性要求高，空調(diào)系統(tǒng)運(yùn)行時(shí)間長等特點(diǎn)，其空調(diào)系統(tǒng)單位建筑面積能耗為城鎮(zhèn)建筑的5倍[2]。現(xiàn)階段大型商場建筑冷負(fù)荷預(yù)測通常是面向建筑整體[3]，這種整體性冷負(fù)荷預(yù)測往往忽略了實(shí)際冷負(fù)荷需求在空間上的不確定性和不均勻性，造成了輸送過程中能源的浪費(fèi)。因此，面向區(qū)域的冷負(fù)荷預(yù)測是實(shí)現(xiàn)大型商場空調(diào)系統(tǒng)優(yōu)化運(yùn)行，按需分配的必要手段。

從預(yù)測原理上，冷負(fù)荷預(yù)測方法主要分為基于物理模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法[4]。基于物理模型的方法依賴于物理原理和建筑及其系統(tǒng)的詳細(xì)信息來表征建筑熱行為[1]。如 Campana 等[5]利用 BESTEST 軟件針對(duì)巴西商業(yè)建筑研究了一種簡化負(fù)荷模擬的過程，研究中評(píng)估了4座建筑，得出的結(jié)論是，4 座建筑的結(jié)果存在顯著差異，簡化方法不能充分表明建筑的負(fù)荷性能。Abasnezhad等[6]為了確定負(fù)荷計(jì)算的最佳設(shè)計(jì)，考慮了10個(gè)不同設(shè)計(jì)精度的模型，使用 Energy Plus 軟件對(duì)建筑進(jìn)行了分析，得出模型高度依賴于建筑圍護(hù)結(jié)構(gòu)和熱工設(shè)計(jì)相關(guān)參數(shù)的識(shí)別。雖然基于物理模型的方法可以捕捉實(shí)際建筑對(duì)各種影響因素的熱響應(yīng)，但是需要大量建筑本體及相關(guān)設(shè)備詳細(xì)信息，如果不滿足物理原理的假設(shè)，模型性能將會(huì)出現(xiàn)嚴(yán)重偏差。

數(shù)據(jù)驅(qū)動(dòng)法主要依靠建筑運(yùn)行數(shù)據(jù)來發(fā)現(xiàn)建筑冷負(fù)荷與相關(guān)變量（如室外溫度、相對(duì)濕度、室內(nèi)占用率等）之間的關(guān)系[1]。Zhou 等[7]根據(jù)商場空調(diào)冷負(fù)荷混沌和非線性的特點(diǎn)，基于機(jī)器學(xué)習(xí)的混沌支持向量回歸、小波支持向量機(jī)回歸、支持向量回歸和 BP 神經(jīng)網(wǎng)絡(luò)4種預(yù)測算法，以歷史時(shí)間的冷負(fù)荷作為輸入，預(yù)測下一時(shí)刻的負(fù)荷。Fan 等[8]通過蒙特卡洛模擬和隨機(jī)處理對(duì)輸入變量進(jìn)行離線校準(zhǔn)，優(yōu)化模型結(jié)構(gòu)來提高預(yù)測輸出精度，以精準(zhǔn)的冷負(fù)荷預(yù)測提升 HVAC 系統(tǒng)的節(jié)能潛力。Fan 等[9]通過對(duì)變量進(jìn)行敏感性分析，將溫度、濕度、太陽輻射、人員密度和照明密度作為主導(dǎo)變量，利用多元非線性回歸（MNR）模型來準(zhǔn)確預(yù)測短期冷負(fù)荷，預(yù)測結(jié)果為實(shí)際系統(tǒng)中冷水機(jī)組提供一種簡單的控制策略。楊雄等[10]提出了一種改進(jìn)的 PSO -BP 神經(jīng)網(wǎng)絡(luò)算法，采用灰色關(guān)聯(lián)度分析，確定 T -1時(shí)刻的溫度、T 時(shí)刻的溫度、T -1時(shí)刻的太陽輻射、T 時(shí)刻的太陽輻射、T 時(shí)刻的室外溫度和 T -1時(shí)刻的冷負(fù)荷為影響冷負(fù)荷的關(guān)鍵因素，并以此作為預(yù)測模型的輸入變量預(yù)測商場 T 時(shí)刻的冷負(fù)荷。周璇等[11]提出基于多元非線性回歸的空調(diào)冷負(fù)荷預(yù)測，采用實(shí)際用能系數(shù)描述不用時(shí)刻商場空調(diào)的負(fù)荷特性，建立空調(diào)負(fù)荷預(yù)測模型。邵必林等[12]提出了注意力機(jī)制的 LSTM 網(wǎng)絡(luò)模型，在 LSTM 模型的基礎(chǔ)上加入 Attention 機(jī)制，突出關(guān)鍵時(shí)間節(jié)點(diǎn)包含的建筑能耗特征對(duì)預(yù)測結(jié)果的影響。這些預(yù)測的研究是針對(duì)商場建筑整體層面，但是忽視了實(shí)際商場中不同區(qū)域不同時(shí)間段的冷負(fù)荷的變化規(guī)律，存在一定的片面性，導(dǎo)致不能滿足實(shí)際工程輸配系統(tǒng)的優(yōu)化研究。

為了實(shí)現(xiàn)商場空調(diào)輸配系統(tǒng)的節(jié)能潛力，準(zhǔn)確控制冷負(fù)荷按需分配至商場各個(gè)區(qū)域。通過從建筑空間結(jié)構(gòu)、業(yè)態(tài)分布和人員等因素分析商場的特點(diǎn)，提出面向功能分區(qū)的冷負(fù)荷預(yù)測方法，分區(qū)冷負(fù)荷預(yù)測的目的在于使空調(diào)系統(tǒng)能有效地跟蹤負(fù)荷變化，改善室內(nèi)熱環(huán)境和降低空調(diào)能耗。相較于以往的研究，有著如下的貢獻(xiàn)：

1）針對(duì)商場各區(qū)域在不同時(shí)間段冷負(fù)荷非均勻分布問題，提出商場功能分區(qū)理念，根據(jù)商場業(yè)態(tài)功能特點(diǎn)和空間分布情況，將商場劃分為不同供冷區(qū)域，分析不同供冷分區(qū)冷負(fù)荷變化的特點(diǎn)，基于灰色關(guān)聯(lián)度篩選不同分區(qū)空調(diào)冷負(fù)荷關(guān)鍵影響因素。

2）針對(duì)于商場冷負(fù)荷受多因素影響與時(shí)序變化的特點(diǎn)。在 Attention-LSTM 網(wǎng)絡(luò)的基礎(chǔ)上引入特征注意力機(jī)制，利用特征變量的關(guān)聯(lián)性自主增強(qiáng)實(shí)際運(yùn)行中各輸入特征與冷負(fù)荷的關(guān)聯(lián)關(guān)系，同時(shí)結(jié)合 Attention-LSTM 網(wǎng)絡(luò)可以分析關(guān)鍵歷史時(shí)刻對(duì)待預(yù)測時(shí)刻負(fù)荷的重要程度，優(yōu)化模型的輸出，提高模型準(zhǔn)確性。

1 商場建筑分區(qū)冷負(fù)荷特性

通過調(diào)研結(jié)果發(fā)現(xiàn)，各商場既有各自的特點(diǎn)又有一定的共性。以西安某大型商場為研究對(duì)象，該建筑物高20.3 m ，地下2層，地上4層，總建筑面積12.5萬m2，商業(yè)面積10萬m2，建筑空調(diào)面積9.38萬m2。

1.1 功能分區(qū)及冷負(fù)荷特性

商場內(nèi)部空間結(jié)構(gòu)以及功能分區(qū)的復(fù)雜性，導(dǎo)致商場建筑室內(nèi)環(huán)境狀況復(fù)雜。通過對(duì)該商場空間布局、業(yè)態(tài)分布和室內(nèi)環(huán)境等因素進(jìn)行調(diào)研，結(jié)合各區(qū)域人員密度變化規(guī)律，將該商場劃分為5類功能區(qū)：地下超市區(qū)、珠寶區(qū)、服裝區(qū)、餐飲區(qū)和娛樂區(qū)。各功能區(qū)照明密度及設(shè)備功率密度，如表1所示。

由于人員的活動(dòng)不確定性，人員統(tǒng)計(jì)不針對(duì)某個(gè)時(shí)刻，而是統(tǒng)計(jì)某一時(shí)間段該區(qū)域平均滯留人員的數(shù)量，所以在統(tǒng)計(jì)過程中，9 ：00—10：00時(shí)間段的平均人員數(shù)量作為9：00時(shí)刻的人員數(shù)量。通過多元線性回歸進(jìn)行擬合，獲取不同區(qū)域逐時(shí)在室人員密度，各區(qū)域人員密度變化規(guī)律，如圖1所示。各區(qū)域周一到周四人員密度較為一致，周五晚上有較大起伏，而周六周日則出現(xiàn)明顯上升趨勢；不同區(qū)域的人員密度變化隨時(shí)間變化有所差異，這與人員生活作息規(guī)律密切相關(guān)。

各功能分區(qū)逐時(shí)冷負(fù)荷變化規(guī)律各具特點(diǎn)。根據(jù)調(diào)查發(fā)現(xiàn)，一周之中工作日冷負(fù)荷變化具有相似性，和周六周日相比具有差異性。該商場某一工作日和某一周日各功能分區(qū)的冷負(fù)荷變化，如圖2所示。

由圖2冷負(fù)荷變化可知，各功能區(qū)冷負(fù)荷在不同時(shí)間段需求差異性較大。餐飲區(qū)冷負(fù)荷時(shí)段性明顯且波動(dòng)較大，上午冷負(fù)荷較小，就餐期間冷負(fù)荷明顯增大，總體負(fù)荷變化呈現(xiàn)雙峰形。冷負(fù)荷峰值出現(xiàn)在在12：00左右和19：00左右；娛樂區(qū)工作日和周末冷負(fù)荷需求相差數(shù)倍之多，工作日和周末冷負(fù)荷峰值需求的時(shí)段并不相同，工作日冷負(fù)荷峰值出現(xiàn)在18：00—20：00之間，周末冷負(fù)荷峰值出現(xiàn)在16：00左右，相比于工作日，周末冷負(fù)荷波動(dòng)性更大；珠寶區(qū)和服裝區(qū)冷負(fù)荷變化規(guī)律與餐飲區(qū)存在一定互補(bǔ)現(xiàn)象，冷負(fù)荷峰值均出現(xiàn)在下午16：00—18：00時(shí)段。超市區(qū)工作日冷負(fù)荷波動(dòng)較大，冷負(fù)荷峰值出現(xiàn)在晚上20：00左右，周末冷負(fù)荷變化較為平穩(wěn)，冷負(fù)荷峰值出現(xiàn)在下午16：00左右。

1.2 面向功能分區(qū)冷負(fù)荷影響因素分析

大型商場冷負(fù)荷主要由圍護(hù)結(jié)構(gòu)負(fù)荷、人員負(fù)荷、照明負(fù)荷、新風(fēng)負(fù)荷和電器設(shè)備負(fù)荷等構(gòu)成[13]。

該商場超市位于地下一層，圍護(hù)結(jié)構(gòu)形成冷負(fù)荷可以忽略不計(jì)，相比于地上空間，該區(qū)域面臨無天然采光或天然光不足，需要大量照明設(shè)備保證亮度，因此超市區(qū)照明功率密度最高，同時(shí)為了保證地下空氣質(zhì)量需要除去過量的濕氣；珠寶區(qū)和服裝區(qū)內(nèi)擾較為相近，電器設(shè)備功率密度較低，為了顯示商品的特性與美觀，增加局部照明導(dǎo)致照明功率密度偏高；餐飲區(qū)照明功率密度偏低，電器設(shè)備功率密度較高但使用有明顯的時(shí)段性；娛樂區(qū)位于建筑頂層，照明功率密度最低同時(shí)該區(qū)域具有大量且保持常開狀態(tài)的電器設(shè)備，因此電器設(shè)備功率最高。由于空間位置的原因，服裝區(qū)、餐飲區(qū)和娛樂區(qū)通過圍護(hù)結(jié)構(gòu)與室外溫度和太陽輻射直接發(fā)生傳熱，受外界氣象參數(shù)影響較大。

空調(diào)冷負(fù)荷與多變量因素之間存在非線性關(guān)系，灰色關(guān)聯(lián)度分析法（grey relation analysis ， GRA ）是一種多因素統(tǒng)計(jì)分析方法，用來描述輸入因素對(duì)輸出結(jié)果影響的強(qiáng)弱、大小和次序[14]。GRA 法根據(jù)關(guān)聯(lián)度大小判斷各功能分區(qū)空調(diào)冷負(fù)荷與多變量因素相關(guān)性強(qiáng)弱。

采用灰色關(guān)聯(lián)度分析，需要計(jì)算輸入變量與輸出結(jié)果間灰色關(guān)聯(lián)度，具體步驟如下。

Step 1：確定參考序列和比較序列。

空調(diào)冷負(fù)荷（ Yc ）為參考序列，干球溫度（ Xt ）、相對(duì)濕度（ Xh ）、太陽輻射量（ Xr ）、風(fēng)速（ Xw ）人員密度（ Xp ）、照明功率密度（ Xl ）、電器功率密度（ Xe ）設(shè)為比較序列。設(shè)置參考數(shù)列Yc，參考數(shù)列為Yc ={Yc （1） ， Yc （2） ， … ， Yc （ n ）}，比較數(shù)列為 Xi ={Xi （1） ， Xi （2） ， Xi （3） ， … ， Xi （ n ）}，其中 Xi 為比較序列Xt，Xh，Xr，Xp，Xl，Xe ，Xw。

Step 2：求參考數(shù)列與比較數(shù)列的灰色關(guān)聯(lián)度系數(shù)ξi （k ），如式（1）所示。

式中：y （k ）為歸一化負(fù)荷序列；xi （k ）為歸一化的影響因素序列；分辨系數(shù)ρ=0.5。

Step 3：求灰色關(guān)聯(lián)度ri，如式（2）所示。

各功能區(qū)空調(diào)冷負(fù)荷動(dòng)態(tài)預(yù)測模型中不同輸入變量與空調(diào)冷負(fù)荷灰色關(guān)聯(lián)度，見表2。

由上述分析可知，各功能分區(qū)空調(diào)冷負(fù)荷與風(fēng)速關(guān)聯(lián)度極小，這是由于大型商場建筑采用封閉式的外圍護(hù)結(jié)構(gòu)，沒有與外界形成自然通風(fēng)，空調(diào)冷負(fù)荷受風(fēng)速影響較小。照明和電器功率較大的區(qū)域，散熱量較大，直接影響冷負(fù)荷的變化，因此與空調(diào)冷負(fù)荷的關(guān)聯(lián)性較大。各功能分區(qū)由于空間布局和使用功能的差異性，不同功能區(qū)空調(diào)冷負(fù)荷的影響因素有較大的差異性。通過表2灰色關(guān)聯(lián)度的定量分析，確定各功能區(qū)的關(guān)鍵變量因素為表3所示。 T -2時(shí)刻冷負(fù)荷相比于 T -1時(shí)刻的冷負(fù)荷關(guān)聯(lián)度較低，為了降低歷史冷負(fù)荷對(duì)于當(dāng)前時(shí)刻冷負(fù)荷預(yù)測的耦合作用，僅將各功能區(qū)的關(guān)鍵影響因素與 T -1時(shí)刻的區(qū)域歷史冷負(fù)荷數(shù)據(jù)共同構(gòu)成預(yù)測模型的輸入數(shù)據(jù)集。

2 基于注意力機(jī)制的 LSTM 冷負(fù)荷預(yù)測模型

2.1LSTM 神經(jīng)網(wǎng)絡(luò)

通過商場區(qū)域冷負(fù)荷數(shù)據(jù)分析，冷負(fù)荷變化有明顯的周期性規(guī)律，因此需要充分考慮其時(shí)序性問題。相較于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)， LSTM 網(wǎng)絡(luò)模型[15]可以利用時(shí)間序列有效分析時(shí)序性數(shù)據(jù)中的隱含信息，在進(jìn)行商場區(qū)域冷負(fù)荷預(yù)測過程中， LSTM 網(wǎng)絡(luò)能夠充分利用前一時(shí)刻歷史冷負(fù)荷信息處理序列數(shù)據(jù)，并利用該狀態(tài)影響下一時(shí)刻冷負(fù)荷的輸出。

LSTM 網(wǎng)絡(luò)的體系結(jié)構(gòu)圖，如圖3所示。LSTM 神經(jīng)網(wǎng)絡(luò)包含記憶單元、輸入門、輸出門和遺忘門。通過控制3個(gè)門的輸入狀態(tài)，可以減少由于存儲(chǔ)長度的增加而引起的梯度爆炸和梯度消失的影響。輸入變量 X 用式（3）表示。

式中：Xc T -1 為上一時(shí)刻冷負(fù)荷；Xt為干球溫度；Xh為相對(duì)濕度；Xr為太陽輻射量；Xp為人員密度；Xl為照明功率密度。

遺忘門用來決定從神經(jīng)單元狀態(tài)中丟棄的那些信息，此時(shí)細(xì)胞狀態(tài)輸出為：

輸入門是對(duì)細(xì)胞狀態(tài)中的信息進(jìn)行更新并儲(chǔ)存，輸入門的公式如下：

輸出門決定細(xì)胞輸出的信息，其公式如下：

式中：f T 為 LSTM 網(wǎng)絡(luò)舍棄的信息，iT為 LSTM 網(wǎng)絡(luò)更新的信息， C 為中間變量，存儲(chǔ)當(dāng)前 cell 信息， CT 表示新的細(xì)胞狀態(tài)， O T 表示 T 時(shí)刻輸出門的信息， h T +1表示隱藏層節(jié)點(diǎn)輸出值， W 為各個(gè)門的權(quán)重度量， b 為偏差。

2.2 注意力機(jī)制

深度學(xué)習(xí)中的注意力機(jī)制通過模擬人腦注意力的資源分配機(jī)制，在某個(gè)特定時(shí)刻會(huì)將注意力集中在需要重點(diǎn)關(guān)注的區(qū)域，以獲取更多所需要關(guān)注的細(xì)節(jié)信息，抑制其他無用的信息[16]。基于注意力機(jī)制的原理，針對(duì)商場冷負(fù)荷變化受實(shí)時(shí)變化的氣象因素與人員主觀行為的影響，設(shè)計(jì)出特征注意力機(jī)制和時(shí)序注意力機(jī)制，特征注意力機(jī)制用于分析不同輸入變量對(duì)冷負(fù)荷的重要程度，挖掘變量與冷負(fù)荷之間的關(guān)聯(lián)關(guān)系；時(shí)序注意力機(jī)制分析不同歷史時(shí)刻的負(fù)荷對(duì)于預(yù)測時(shí)刻的重要程度，來選擇關(guān)鍵時(shí)間點(diǎn)數(shù)據(jù)，從而提高預(yù)測模型的準(zhǔn)確度。

2.2.1 特征注意力機(jī)制

空調(diào)冷負(fù)荷變化受多因素影響。根據(jù)上文灰色關(guān)聯(lián)度分析，不同區(qū)域影響空調(diào)冷負(fù)荷的關(guān)鍵變量有所差異，且關(guān)鍵變量的影響程度也不盡相同。為了探索相關(guān)因素對(duì)于空調(diào)冷負(fù)荷的關(guān)聯(lián)程度，更好的學(xué)習(xí)輸入特征的信息，引入特征注意力機(jī)制，如圖4所示，采用多重感知機(jī)的方法對(duì)各特征影響力進(jìn)行權(quán)重量化。

根據(jù)特征注意力機(jī)制算法，前一時(shí)刻 LSTM 網(wǎng)絡(luò)的隱藏狀態(tài) h T -1和當(dāng)前時(shí)刻輸入特征 XT（N）作為特征注意力機(jī)制的輸入，通過式（10）對(duì)當(dāng)前時(shí)刻各變量進(jìn)行注意權(quán)重計(jì)算，然后使用式（11）進(jìn)行歸一化處理。最后將當(dāng)前時(shí)刻的權(quán)重與對(duì)應(yīng)特征變量相乘得到特征注意力輸出 X '，自適應(yīng)優(yōu)化相關(guān)特征的影響力。

式中： Ve ∈ RN ×1、 We ∈ RN × q 、Ue∈ RN × N 為多層感知機(jī)需要學(xué)習(xí)的神經(jīng)元權(quán)重，be ∈ RN ×1偏置參數(shù)； q 為 LSTM 網(wǎng)絡(luò)最后一層隱含層神經(jīng)元數(shù)量。

2.2.2 時(shí)序注意力機(jī)制

當(dāng)前時(shí)刻冷負(fù)荷受歷史冷負(fù)荷影響較大且不同時(shí)刻的冷負(fù)荷影響力是不同的，為了研究每一歷史時(shí)刻信息對(duì)當(dāng)前預(yù)測結(jié)果的影響程度，對(duì) LSTM 網(wǎng)絡(luò)輸出結(jié)果引入時(shí)序注意力機(jī)制。通過概率分配的方式對(duì) LSTM 網(wǎng)絡(luò)歷史時(shí)刻進(jìn)行重要性分析，分析各歷史時(shí)刻的負(fù)荷對(duì)于預(yù)測時(shí)刻負(fù)荷的重要程度，從而提高預(yù)測精度。

時(shí)序注意力機(jī)制結(jié)構(gòu)，如圖5 所示。其中， XT （ T ∈[1，n ]）表示 LSTM 網(wǎng)絡(luò)的輸入， h T （ T ∈[1，n ]）對(duì)應(yīng) LSTM 模型隱含層輸出，α （ T ∈[1，n ]）為 attention 機(jī)制對(duì) LSTM 隱含層輸出的注意力概率分布值，y 為引入時(shí)序注意力機(jī)制 LSTM 網(wǎng)絡(luò)的輸出值。

時(shí)序注意力機(jī)制中注意力權(quán)重矩陣α'和特征向量表示v計(jì)算公式如下。

式中： e T'指為歸一化權(quán)重矩陣； w s 、b s 和 us 分別為隨機(jī)初始化的注意力機(jī)制權(quán)重矩陣、偏置量和時(shí)間序列矩陣。

2.3 基于雙重注意力機(jī)制 LSTM 冷負(fù)荷預(yù)測模型

雙重注意力機(jī)制 LSTM 預(yù)測模型，如圖6所示。模型主要由輸入向量、特征注意力層、LSTM 網(wǎng)絡(luò)層、時(shí)序注意力機(jī)制層和全連接輸出層組成。輸入向量結(jié)合前一時(shí)刻 LSTM 網(wǎng)絡(luò)的隱藏狀態(tài)h T -1，通過特征注意力機(jī)制層計(jì)算得到各特征變量當(dāng)前時(shí)刻的權(quán)重并與對(duì)應(yīng)特征變量相乘得到特征注意力輸入 X '，特征變量輸入 X '經(jīng)過 LSTM 網(wǎng)絡(luò)學(xué)習(xí)特征，然后通過時(shí)序注意力機(jī)制層計(jì)算各歷史時(shí)刻輸出冷負(fù)荷信息的影響權(quán)重并得到改進(jìn)后的當(dāng)前時(shí)刻隱含層狀態(tài)輸出，最后輸入到全連接層得到最終預(yù)測結(jié)果。

2.4 評(píng)價(jià)指標(biāo)

預(yù)測模型采用3個(gè)評(píng)價(jià)指標(biāo)（決定系數(shù) R2、平均絕對(duì)百分比誤差 MAPE 、均方根誤差 RMSE）評(píng)價(jià)模型的準(zhǔn)確性。通過估算 R2值來量化某一時(shí)間段內(nèi)冷負(fù)荷預(yù)測模型的擬合精度，R2值越大，表明模型與數(shù)據(jù)的對(duì)應(yīng)時(shí)刻準(zhǔn)確。MAPE 可以用來量化數(shù)據(jù)中的方差。RMSE 反映預(yù)測值和真實(shí)值的誤差大小。這些評(píng)價(jià)

式中： n 為負(fù)荷數(shù)據(jù)總數(shù)，J 為數(shù)據(jù)在時(shí)間上的指數(shù)，Ca，j為實(shí)際冷負(fù)荷，Cp，j為預(yù)測冷負(fù)荷，Ca，mean為實(shí)際冷負(fù)荷數(shù)據(jù)的平均值。

3 案例分析

3.1 數(shù)據(jù)集

為了更好的驗(yàn)證本文所用方法，采用西安某大型商場2020?6?1至2020?8?31的實(shí)際數(shù)據(jù)進(jìn)行預(yù)測模型的學(xué)習(xí)和測試。由于此商場制冷系統(tǒng)采用間歇運(yùn)行方式，每天8：00—22：00空調(diào)保持運(yùn)行。為保證實(shí)驗(yàn)過程中數(shù)據(jù)不重復(fù)使用，特將2020?6?1—2020?7?31的數(shù)據(jù)作為訓(xùn)練集，2020?8?1—2020?8?15的數(shù)據(jù)作為驗(yàn)證集， 2020?8?15—2020?8?31的數(shù)據(jù)作為測試集。原始數(shù)據(jù)集包括： 8：00—22：00冷負(fù)荷數(shù)據(jù)（ kW ），干球溫度（℃），相對(duì)濕度（%），太陽輻射量 （kW/m2），人員密度（kw/m2），照明功率密度（ W/m2），設(shè)備功率密度（ W/m2）。

3.2 實(shí)驗(yàn)設(shè)置

本實(shí)驗(yàn)考慮到商場周內(nèi)和周末變化差異性，擬合出不同星期類型人員逐時(shí)在室密度作為負(fù)荷預(yù)測的輸入，用于表示時(shí)間和星期的影響。利用keras進(jìn)行數(shù)據(jù)處理，輸入時(shí)間步長6，通過滑動(dòng)時(shí)間窗方法使用前6 h 的數(shù)據(jù)預(yù)測下一時(shí)刻的冷負(fù)荷。通過使用網(wǎng)格搜索與交叉驗(yàn)證的方法對(duì) LSTM 網(wǎng)絡(luò)進(jìn)行參數(shù)調(diào)整。通過對(duì)模型相關(guān)參數(shù)進(jìn)行多次調(diào)整最終確定 LSTM 預(yù)測模型的具體參數(shù)，見表4。

3.3 實(shí)驗(yàn)結(jié)果及分析

3.3.1 變量選擇對(duì)實(shí)驗(yàn)結(jié)果的影響

不同功能分區(qū)冷負(fù)荷關(guān)鍵影響因素的不同，為了探究輸入變量對(duì)預(yù)測模型的影響效果，將原始數(shù)據(jù)集分為2類，即使用經(jīng)過灰色關(guān)聯(lián)度選擇的特征變量和不進(jìn)行灰色關(guān)聯(lián)度選擇的原始特征變量，使用 Attention-LSTM 預(yù)測模型分別進(jìn)行預(yù)測，如圖7所示，預(yù)測精度評(píng)價(jià)見表5。

由圖7預(yù)測曲線可知，在對(duì)各功能分區(qū)輸入的特征變量進(jìn)行選擇后，其預(yù)測曲線與真實(shí)曲線貼合度最好，由表5具體評(píng)價(jià)指標(biāo)可知，在對(duì)輸入變量進(jìn)行選擇后， MAPE 減小到4%以下，R2均穩(wěn)定在0.99之上， RMSE 也有顯著減小。實(shí)驗(yàn)結(jié)果表明，當(dāng)同一數(shù)據(jù)集，對(duì)原始變量進(jìn)行選擇后，其誤差要比沒有進(jìn)行變量選擇的低，這說明對(duì)輸入的特征變量進(jìn)行選擇，可以剔除冗余變量和無效變量，增強(qiáng)模型的泛化能力，有效提高模型的預(yù)測速度，展現(xiàn)更好的預(yù)測效果。

3.3.2 不同預(yù)測模型對(duì)實(shí)驗(yàn)結(jié)果的影響

為了驗(yàn)證雙重注意力機(jī)制 LSTM 模型的有效性，在考慮到工作日和周末冷負(fù)荷需求的差別。選取商場8月27日周四作為夏季工作典型日，8 月30日周日作為夏季周末典型日進(jìn)行預(yù)測分析。測試日室外氣象情況，如圖8所示。為了探究雙重注意力機(jī)制 LSTM 模型的預(yù)測效果，將傳統(tǒng) LSTM 預(yù)測模型和 CNN -LSTM 預(yù)測模型以及文獻(xiàn)[13]中提出的 Attention-LSTM 預(yù)測模型的預(yù)測結(jié)果與本文所提出的雙重注意力機(jī)制 LSTM 模型進(jìn)行對(duì)比，各功能分區(qū)使用3個(gè)不同預(yù)測模型預(yù)測值與實(shí)際值的對(duì)比，如圖9～13所示。

在對(duì)工作日各功能區(qū)冷負(fù)荷的預(yù)測中，由圖9～13預(yù)測曲線可知，雙重注意力機(jī)制 LSTM 模型預(yù)測曲線與真實(shí)值貼合最好。具體評(píng)價(jià)指標(biāo)，見表6。對(duì)工作日預(yù)測時(shí)，各功能區(qū)平均絕對(duì)百分誤差 MAPE 分別為3.23%、3.41%、3.41%、3.39%和3.52%，低于其他2種模型；決定系數(shù) R2均大于0.99，高于其他模型； RMSE 小于其他模型，這說明雙重注意力機(jī)制 LSTM 模型的預(yù)測更準(zhǔn)確，展現(xiàn)了更好的預(yù)測效果。

在對(duì)周末各功能區(qū)冷負(fù)荷的預(yù)測中，由圖9～13預(yù)測曲線可知，3 種預(yù)測模型的變化趨勢都接近于真是趨勢，但雙重注意力機(jī)制 LSTM 模型貼合程度最高。具體評(píng)價(jià)指標(biāo)，見表7。周末各功能區(qū)冷負(fù)荷周末平均絕對(duì)百分誤差為3.12%、3.31%、2.34%、3.14%、2.57%，比 LSTM 模型、CNN -LSTM 模型和 Attention- LSTM 模型誤差小，均定系數(shù) R2分別為0.998、0 .990、0 .991、0 .990和0.998，在3個(gè)模型中數(shù)值最高， RMSE 在3個(gè)模型中數(shù)值最小，這說明周末依舊是雙重注意力機(jī)制 LSTM 模型有更好的預(yù)測效果。

綜合工作日和周末冷負(fù)荷預(yù)測分析結(jié)果，雙重注意力機(jī)制和 LSTM 網(wǎng)絡(luò)預(yù)測模型相比較于傳統(tǒng) LSTM 預(yù)測模型、CNN -LSTM 預(yù)測模型和 Attention-LSTM 預(yù)測模型具有更好的預(yù)測性能，其預(yù)測精度更高，穩(wěn)定性更好。這是由于在 LSTM 網(wǎng)絡(luò)模型基礎(chǔ)上增加了兩層注意力機(jī)制，不僅對(duì)多變量的輸入通過特征注意力機(jī)制分析相關(guān)特征的重要性，優(yōu)化輸入特征，同時(shí)還通過時(shí)序注意力機(jī)制結(jié)合歷史冷負(fù)荷信息，優(yōu)化模型的輸出。

4 結(jié)論

針對(duì)大型商場各區(qū)域?qū)嶋H冷負(fù)荷需求問題，提出了基于雙重注意力機(jī)制和 LSTM 網(wǎng)絡(luò)分區(qū)冷負(fù)荷預(yù)測方法。通過對(duì)西安某大型商場的實(shí)際工程數(shù)據(jù)進(jìn)行驗(yàn)證分析，得出以下結(jié)論：

1）大型商場各功能分區(qū)冷負(fù)荷實(shí)際需求的差異性，在進(jìn)行冷負(fù)荷預(yù)測時(shí)，需要對(duì)各功能區(qū)域進(jìn)行區(qū)分，從而為冷負(fù)荷影響因素分析及預(yù)測模型提供支撐。通過灰色關(guān)聯(lián)度分析，影響商場各功能分區(qū)冷負(fù)荷關(guān)鍵因素有所不同，關(guān)鍵因素的確定可以提高冷負(fù)荷預(yù)測的準(zhǔn)確性并提升預(yù)測模型的泛化能力。

2）在 LSTM 網(wǎng)絡(luò)的基礎(chǔ)上引入雙重注意力機(jī)制，利用特征信息的關(guān)聯(lián)性和時(shí)序信息的歷史依賴性提升負(fù)荷預(yù)測準(zhǔn)確度。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的 LSTM 、CNN -LSTM 預(yù)測模型、Attention-LSTM 預(yù)測模型相比，對(duì)各功能區(qū)的工作日和周末均方根誤差 RMSE 和平均絕對(duì)百分比誤差 MAPE 均有明顯降低，決定系數(shù) R2均高于0.99。

3）基于分區(qū)冷負(fù)荷預(yù)測，能夠更為準(zhǔn)確地預(yù)測各功能區(qū)冷負(fù)荷值，為商場末端冷凍水按需供應(yīng)提供了保障，對(duì)輸配管網(wǎng)系統(tǒng)調(diào)節(jié)閥開度的優(yōu)化提供有效參考信息，能夠?qū)崿F(xiàn)商場區(qū)域供冷系統(tǒng)的節(jié)能控制，符合實(shí)際工程的應(yīng)用。

參考文獻(xiàn)

[1] FanC，XiaoF，Zhao Y. Ashort-termbuildingcoolingload predictionmethod usingdeeplearningalgorithms[J]. AppliedEnergy，2017，195：222-233.

[2] 楊福，王衍金，王偉宵.基于eQUEST的某商業(yè)建筑空調(diào)系統(tǒng)節(jié)能分析[J].建筑節(jié)能，2020，48（5）：76-79.

Yang F，Wang Y J，Wang W X . Energy simulation analysis of a commercial building based on eQUEST[J]. Building Energy Efficiency，2020，48（5）：76-79.（in Chinese）

[3] Ahmad T，Chen H X，Guo Y B，et al. A comprehensive overviewon the data driven and large scale based approaches forforecasting of building energy demand： a review[J]. Energy and Buildings，2018，165：301-320.

[4] American Society of Heating，Refrigerating and Air-Conditioning Engineers，Inc .，Atlanta，（United States）GA . Building onthe shoulders of giants . Annual report，July 1，1994-June 30，1995[R]. Office of Scientific and Technical Information （OSTI），1996.

[5] Campana J P，Morini G L . BESTEST and EN ISO 52016 benchmarking of ALMABuild，a new open-source simulink tool fordynamic energy modelling of buildings[J]. Energies，2019，12（15）：2938.

[6] AbasnezhadS ，Soltani N，Markarian E，et al. Impact of building design parameters precision on heatingand cooling loadcalculations[J]. Environmental Progress amp; Sustainable Energy，2019，38（2）：741-749.

[7] Zhou X，F(xiàn)an Z B，Liang L Q，et al. Comparison of four algorithms based on machine learning for cooling load forecasting oflarge-scale shopping mall[J]. Energy Procedia，2017，142：1799-1804.

[8] Fan C L，Ding Y F. Cooling load prediction and optimal operation of HVACsystems using a multiple nonlinear regressionmodel[J]. Energy and Buildings，2019，197：7-17.

[9] FanCL ，LiaoYD ，ZhouG ，etal. ImprovingcoolingloadpredictionreliabilityforHVACsystemusingMonte-Carlosimulation to deal with uncertainties in input variables[J]. Energy and Buildings，2020，226：110372.

[10]楊熊，于軍琪，郭晨露，等.基于改進(jìn) PSO -BP 神經(jīng)網(wǎng)絡(luò)的冰蓄冷空調(diào)冷負(fù)荷動(dòng)態(tài)預(yù)測模型[J].土木與環(huán)境工程學(xué)報(bào)（中英文），2019，41（1）：168-174.

Yang X，Yu J Q，Guo C L，et al. Dynamic load forecasting model of ice storage air conditioning based on improved PSO -BP neural network[J]. Journal of Civil and Environmental Engineering，2019，41（1）：168-174.（in Chinese）

[11]周璇，凡祖兵，劉國強(qiáng)，等.基于多元非線性回歸法的商場空調(diào)負(fù)荷預(yù)測[J].暖通空調(diào)，2018，48（3）：120-125，95.

Zhou X，F(xiàn)an Z B，Liu G Q，et al. Cooling load prediction of shopping mall air conditioning based on multivariate nonlinear regression method[J]. Heating Ventilating amp; Air Conditioning，2018，48（3）：120-125，95.（in Chinese）

[12]邵必林，史洋博，趙煜.融合注意力機(jī)制與 LSTM 的建筑能耗預(yù)測模型研究[J].軟件導(dǎo)刊，2021，20（10）：61-67.

Shao B L，Shi Y B，Zhao Y. Research on building energy consumption prediction model by integrating attention mechanism and LSTM [J]. Software Guide，2021，20（10）：61-67.（in Chinese）

[13]李慧，段培永，劉鳳英.大型商場建筑夏季冷負(fù)荷動(dòng)態(tài)預(yù)測模型[J].土木建筑與環(huán)境工程，2016，38（2）：104-110.

Li H，Duan P Y，Liu F Y. Prediction model of dynamiccoolingloadforshopping mall buildinginsummer[J]. Journal of Civil，Architectural amp; Environmental Engineering，2016，38（2）：104-110.（in Chinese）

[14]解海翔，陳芳芳，劉易，等.基于改進(jìn)灰色關(guān)聯(lián)分析和 CMPSO -LSSVM 算法的短期電力負(fù)荷預(yù)測[J].現(xiàn)代電子技術(shù)，2021，44（8）：177-181.

Xie H X，Chen F F，Liu Y，et al. Short-term power load prediction based on improved grey relational analysis and CMPSO - LSSVM algorithm[J]. Modern Electronics Technique，2021，44（8）：177-181.（in Chinese）

[15] 田浩含，撖奧洋，于立濤，等.基于 GRA -LSTM 神經(jīng)網(wǎng)絡(luò)的區(qū)域綜合能源系統(tǒng)多元負(fù)荷短期預(yù)測模型[J].廣東電力，2020，33（5）：44-51.

Tian H H，Han A Y，Yu L T，et al. Research on multi-load short-term forecasting model of regional integrated energy system based on GRA -LSTM neural network[J]. Guangdong Electric Power，2020，33（5）：44-51.（in Chinese）

[16]周雨佳，竇志成，葛松瑋，等.基于遞歸神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制的動(dòng)態(tài)個(gè)性化搜索算法[J].計(jì)算機(jī)學(xué)報(bào)，2020，43（5）：812-826.

Zhou YJ ，DouZC ，GeSW ，etal. DynamicpersonalizedsearchbasedonRNNwithattentionmechanism[J]. Chinese Journal of Computers，2020，43（5）：812-826.（in Chinese）

（編輯鄭潔）