基于SVR 模型的建筑空調(diào)系統(tǒng)能耗預(yù)測方法

丁偉翔 倪岳通 張鶯

浙江正泰能效科技有限公司

0 引言

隨著建筑全生命期中的用能占社會總能耗的比率不斷增加[1]，對建筑能耗進(jìn)行分析，預(yù)測為建筑低能耗的實現(xiàn)提供理論指導(dǎo)和評估依據(jù)，對提高建筑能源利用率具有重要意義。作為建筑能耗中占比最大的HVAC 能耗，其受到諸多因素的影響：氣象、環(huán)境、圍護(hù)結(jié)構(gòu)、居住者行為、設(shè)備性能、控制策略等，是一種多因素、非線性交互耦合影響的結(jié)果[2]，如式（1）所示，其復(fù)雜性使得難以準(zhǔn)確預(yù)測。

選用合適的模型分析能源情況是值得研究的課題，一個有效且高效的模型一直是工程界尋求的目標(biāo)?；谌斯ぶ悄艿哪Ｐ驮诮鉀Q包括大量獨立參數(shù)和非線性關(guān)系的復(fù)雜環(huán)境應(yīng)用問題時具有很大的潛力，可以為建筑能耗預(yù)測帶來創(chuàng)新性的技術(shù)[3-5]。與預(yù)測相關(guān)的使用最廣泛的人工智能方法與高能力人工智能模型是支持向量機(jī)（SVM，Support Vector Machine）。SVM 模型是從歷史統(tǒng)計數(shù)據(jù)中提取模型的一組方法，它們通常用于為輸入與輸出之間的復(fù)雜關(guān)系進(jìn)行建?；虬l(fā)現(xiàn)數(shù)據(jù)中的模式。通過對模型進(jìn)行訓(xùn)練和測試，挖掘數(shù)據(jù)中的有效信息，使模型具有高預(yù)測精度，是解決分類，回歸問題最好的監(jiān)督學(xué)習(xí)算法[6]。顯然，對于建筑空調(diào)能耗而言，是一組隨時間連續(xù)變化的值，預(yù)測能耗涉及到回歸的問題。

支持向量回歸SVR（Support Vector Regression）是支持向量在函數(shù)回歸領(lǐng)域的應(yīng)用。本文探究人工智能模型與建筑空調(diào)能耗預(yù)測，能源工程領(lǐng)域相結(jié)合的可行性。通過對歷史能耗數(shù)據(jù)的挖掘與學(xué)習(xí)，訓(xùn)練并測試出相應(yīng)的SVR 模型，用以預(yù)測該建筑未來的能耗，為人工智能在建筑節(jié)能領(lǐng)域中的應(yīng)用提供參考。

1 SVR 模型建立過程

圖1 展示了SVR 模型的學(xué)習(xí)過程：將所采集的歷史統(tǒng)計數(shù)據(jù)分為訓(xùn)練集和測試集，統(tǒng)稱為數(shù)據(jù)樣本。兩種樣本均由目標(biāo)值（逐時能耗值）與特征值（影響能耗值的變量因素）組成，即用以訓(xùn)練/測試模型的數(shù)據(jù)樣本應(yīng)有目標(biāo)值和特征值的完整描述。在能耗預(yù)測模型中，所篩選的特征數(shù)應(yīng)與能耗有較大的相關(guān)程度。具體步驟如下[7]：

1）首先，運用訓(xùn)練集，設(shè)置相關(guān)參數(shù)，完成對數(shù)據(jù)的學(xué)習(xí)，生成SVR 模型。

2）其次，將測試集中的特征值輸入所生成的SVR模型中，輸出通過該模型所得到的預(yù)測目標(biāo)值。

3）再次，將預(yù)測目標(biāo)值與測試集目標(biāo)值（真實值）進(jìn)行對比，評價該模型的性能。

4）最后，若所獲得的模型通過評價達(dá)到合格，則可將該模型應(yīng)用于實際。否則，調(diào)整優(yōu)化模型參數(shù)設(shè)置，重新訓(xùn)練模型。

圖1 SVR 模型開發(fā)及應(yīng)用流程圖

顯然，擁有充足的樣本數(shù)有助于訓(xùn)練模型精度的提升，充分和準(zhǔn)確的能耗數(shù)據(jù)對模型的評價十分重要。因此，在訓(xùn)練模型之前，如何收集足夠多的數(shù)據(jù)樣本是模型開發(fā)的首要問題。通常的收集方法是通過安裝于現(xiàn)場實地的傳感器監(jiān)測采集歷史數(shù)據(jù)。然而，由于影響能耗值的因素較多，實際測量難以獲取每個變量的逐時時間序列，造成數(shù)據(jù)顆粒度不足，且測量耗時長，可能出現(xiàn)測量誤差。本文的主要目的是探究人工智能模型在能耗預(yù)測中的可行性，通過合理地設(shè)置與校準(zhǔn)仿真軟件，采用模擬的方法可以產(chǎn)生與實際很接近的數(shù)據(jù)[8]。此處采用DeST 能耗模擬軟件，建立了一個虛擬的三維建筑模型，設(shè)置相關(guān)的邊界條件，輸出建筑內(nèi)空調(diào)系統(tǒng)的逐時能耗及各個影響因素的瞬時值作為歷史數(shù)據(jù)樣本，即認(rèn)為此時能耗模擬的數(shù)據(jù)就是真實數(shù)據(jù)。

2 建筑模型假設(shè)

現(xiàn)建立一個簡易模型，為一棟位于杭州地區(qū)的三層辦公樓（圖2、3 為該建筑標(biāo)準(zhǔn)層平面圖及三維建筑模型），圍護(hù)結(jié)構(gòu)熱工性能均滿足國家標(biāo)準(zhǔn)GB50189-2015《公共建筑節(jié)能設(shè)計標(biāo)準(zhǔn)》[9]。夏季室內(nèi)制冷的空調(diào)系統(tǒng)采用風(fēng)機(jī)盤管+新風(fēng)的半集中形式，冷源為冷水機(jī)組，機(jī)組恒溫出水（7 ℃），一次泵定流量運行。室內(nèi)設(shè)計溫度為26 ℃，空調(diào)開啟時間為每日8:00-17:00。以8 月份整個月份的逐時能耗（此處的能耗為整個空調(diào)系統(tǒng)，包括了冷水機(jī)組+水泵+風(fēng)機(jī)盤管+新風(fēng)機(jī)組）作為研究對象——其中，1 日至25 日的能耗數(shù)據(jù)作為訓(xùn)練集（10×25=250 個樣本）進(jìn)行模型的學(xué)習(xí)，26 日至31 日的能耗數(shù)據(jù)作為測試集（10×6=60 個樣本）以判斷預(yù)測模型的精確度。

圖2 標(biāo)準(zhǔn)層平面圖

圖3 三維建筑模型

DeST 能耗模擬軟件對整個建筑及系統(tǒng)有完整的描述，如表1 所示。

表1 杭州某辦公樓熱環(huán)境外擾/內(nèi)擾條件

仿真的過程如圖4 所示。

圖4 建筑能耗模擬過程

特征數(shù)作為變量是影響能耗的重要因素。特征數(shù)的選取極大地影響模型的性能，對于模型的開發(fā)而言是重要的。一般而言，所選取的特征數(shù)與目標(biāo)值相關(guān)程度越高，預(yù)測就越準(zhǔn)確。然而，并非特征數(shù)的數(shù)量越多越好，盲目追求提高預(yù)測精度會引發(fā)“維數(shù)災(zāi)難”（隨著特征數(shù)的增加，計算量呈指數(shù)倍增長的一種現(xiàn)象）。合理地篩選最契合目標(biāo)值的特征數(shù)，可以對模型進(jìn)行簡化，起到減少訓(xùn)練時間的作用[10]。此處給定了六個影響能耗的特征數(shù)，認(rèn)為它們與能耗大小的相關(guān)程度較高，包括：室外溫度、太陽輻射量、新風(fēng)負(fù)荷、室內(nèi)人員數(shù)、冷水機(jī)組回水溫度、冷水機(jī)組COP，即這六個特征數(shù)構(gòu)成了預(yù)測模型的支持向量（SV，Support Vector）。因此，建立SVR 模型過程的拓?fù)鋱D如圖5 所示。

圖5 支持向量拓?fù)鋱D

表2、3 為通過能耗模擬所得出的用作訓(xùn)練與測試的數(shù)據(jù)樣本。數(shù)據(jù)集的每個樣本都是以單位小時為時間序列的數(shù)值?；谟?xùn)練集來表示目標(biāo)對特征的依賴關(guān)系，產(chǎn)生高預(yù)測精度的高性能模型，而通過測試集來評價模型的預(yù)測性能。

表2 訓(xùn)練集樣本

表3 測試集樣本

進(jìn)一步地設(shè)置相應(yīng)的參數(shù)建立SVR 模型：支持向量機(jī)的類型選取ε-SVR。核函數(shù)的類型選取RBF 徑向基函數(shù)，其易于使用且很好地解決了非線性問題。最好的模型參數(shù)應(yīng)該具有很好的預(yù)測未知數(shù)據(jù)的能力而不會引起過擬合問題，由“循環(huán)遍歷算法”計算所得的懲罰因子（表征對離群點的重視程度）C=10000，參數(shù)gamma=0.025。

3 預(yù)測結(jié)果分析評價

將測試集中的目標(biāo)值（真實值，圖中的藍(lán)線）與訓(xùn)練出的SVR 模型所得出的預(yù)測值（圖中的紅線）繪制于同一曲線圖中進(jìn)行對比，數(shù)據(jù)樣本是8 月26 日8 時至 8 月 31 日 17 時的總計 60 個樣本（No.251～No.310）。采用式（2）“均方誤差（MSE，Mean Square Error）（圖中的綠線）”作為評價指標(biāo)[11]，判斷經(jīng)訓(xùn)練后的模型的準(zhǔn)確性。

式中：ytrue為真實值，yprediction為預(yù)測值。

從圖6 中可以看出，基于歷史數(shù)據(jù)擬合出來的SVR 模型的預(yù)測性能非常好，測試集中的目標(biāo)值與預(yù)測值十分接近。兩者總體的均方誤差MSE=0.015。此時，可認(rèn)為所建立的SVR 模型合理，精確度達(dá)標(biāo)。分析擬合程度如此高的原因：一方面，能耗值（目標(biāo)值）與影響因素（特征值）之間的規(guī)律性極強(qiáng)，能耗對所選擇的6 個特征數(shù)展示出很好的依賴性。另一方面，SVR 模型在數(shù)據(jù)挖掘方面的性能良好，泛化能力強(qiáng)，適用于能耗數(shù)據(jù)的回歸擬合。

圖6 真實值與SVR 模型預(yù)測值的對比結(jié)果

既然依據(jù)上述步驟，通過歷史數(shù)據(jù)的訓(xùn)練集訓(xùn)練出了SVR 模型，又通過測試集驗證了模型的精確性及可靠性。那么，此模型便可用以分析未來的某一特定條件下的能耗值。任意給定上述特征數(shù)的具體數(shù)值，便可以計算出在此種邊界條件的描述下建筑空調(diào)的能耗。例如，現(xiàn)任意給定一組特征數(shù)——室外溫度35 ℃，太陽輻射量200 W/m2，新風(fēng)負(fù)荷100 kW，室內(nèi)人員數(shù)100 人，冷水機(jī)組回水溫度10 ℃，冷水機(jī)組COP 值5，則通過該模型預(yù)測的空調(diào)系統(tǒng)能耗為35.0876 kW·h。

4 結(jié)論

本文闡述了人工智能模型與建筑能耗預(yù)測兩者相結(jié)合的可行性。針對模擬搭建的一棟位于杭州的辦公建筑，通過模型的介紹，能耗的仿真，參數(shù)的設(shè)置，特征數(shù)的選取以及預(yù)測性能的評價等步驟，建立了關(guān)于該棟建筑空調(diào)系統(tǒng)能耗預(yù)測的SVR 模型，得出的結(jié)論如下：基于歷史數(shù)據(jù)集訓(xùn)練得出的SVR 模型，挖掘了數(shù)據(jù)中的潛在信息。經(jīng)測試后，其預(yù)測值與真實值的總體方均誤差僅為0.015，模型的精確性合格，能夠用于預(yù)測未知未來的能耗。可見，支持向量回歸模型SVR 可以用來解決非線性、多影響因素的回歸問題，即使少量的數(shù)據(jù)樣本，只要模型選擇和參數(shù)設(shè)置合理，可以提供非常準(zhǔn)確的預(yù)測，為建筑能耗的預(yù)測與分析提供了一種方法與參考。