基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的冷水機(jī)組能耗預(yù)測(cè)

徐 麟 周傳輝 胡云鵬 李冠男 方 曦

基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的冷水機(jī)組能耗預(yù)測(cè)

徐 麟1周傳輝1胡云鵬2李冠男1方 曦1

（1.武漢科技大學(xué) 武漢 430081；2.武漢商學(xué)院 武漢 430056）

空調(diào)系統(tǒng)中冷水機(jī)組是主要的耗能部件，節(jié)能潛力較大。由于空調(diào)系統(tǒng)的末端需求的變化性，準(zhǔn)確開(kāi)展冷水機(jī)組的能耗預(yù)測(cè)能有效的為機(jī)組的優(yōu)化控制提供參考。因此，引入長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM，Long Short-Term Memory）對(duì)冷水機(jī)組能耗進(jìn)行預(yù)測(cè)，并結(jié)合EnergyPlus仿真模型數(shù)據(jù)和實(shí)際辦公建筑數(shù)據(jù)驗(yàn)證LSTM能耗預(yù)測(cè)模型的預(yù)測(cè)效果。建立并優(yōu)化LSTM冷水機(jī)組能耗預(yù)測(cè)模型。結(jié)果顯示，相比于反向傳播神經(jīng)網(wǎng)絡(luò)和多元線性回歸模型，LSTM模型的計(jì)算時(shí)間有所增加，但LSTM模型的預(yù)測(cè)精度在三個(gè)模型中最高，LSTM能夠更準(zhǔn)確的預(yù)測(cè)冷水機(jī)組的能耗。

冷水機(jī)組；能耗預(yù)測(cè)；長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)；時(shí)間序列

0 引言

隨著空調(diào)系統(tǒng)在建筑中的應(yīng)用越來(lái)越廣泛，建筑能耗顯著增長(zhǎng)。空調(diào)系統(tǒng)的運(yùn)行能耗在建筑總運(yùn)行能耗中占較大比例，約三成以上[1]。冷水機(jī)組作為空調(diào)系統(tǒng)的主要耗能部件，占空調(diào)系統(tǒng)總能耗的40%以上[2]，其節(jié)能潛力巨大。空調(diào)系統(tǒng)的能耗預(yù)測(cè)作為空調(diào)節(jié)能研究的重要部分，能為未來(lái)短期的系統(tǒng)能耗進(jìn)行預(yù)測(cè)和評(píng)估，從而指導(dǎo)空調(diào)系統(tǒng)的優(yōu)化管理以達(dá)到節(jié)能的目的[3]。隨著大數(shù)據(jù)時(shí)代的到來(lái)，多種基于數(shù)據(jù)挖掘的能耗預(yù)測(cè)方法被應(yīng)用于能耗預(yù)測(cè)領(lǐng)域之中。由于數(shù)據(jù)挖掘方法可以在大量數(shù)據(jù)中發(fā)現(xiàn)隱含的信息，目前已成為比較流行的能耗預(yù)測(cè)方法[4-6]。

周峰等[7]運(yùn)用支持向量機(jī)模型對(duì)辦公建筑的空調(diào)系統(tǒng)能耗進(jìn)行預(yù)測(cè)，通過(guò)將預(yù)測(cè)值與實(shí)際值對(duì)比找到運(yùn)行不合理的現(xiàn)象。任律[8]運(yùn)用建筑監(jiān)測(cè)系統(tǒng)數(shù)據(jù)，結(jié)合神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了制冷機(jī)組的能效預(yù)測(cè)和自動(dòng)診斷系統(tǒng)。嚴(yán)中俊等[9]運(yùn)用某酒店的歷史數(shù)據(jù)進(jìn)行訓(xùn)練，建立了基于BP神經(jīng)網(wǎng)絡(luò)的冷水機(jī)組能效預(yù)測(cè)模型并取得了良好的預(yù)測(cè)效果。但關(guān)于空調(diào)系統(tǒng)中冷水機(jī)組的能耗預(yù)測(cè)研究相對(duì)較少。

神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法具有很強(qiáng)的非線性映射能力、很強(qiáng)的魯棒性以及強(qiáng)大的自學(xué)習(xí)能力，在能耗預(yù)測(cè)領(lǐng)域同樣得到了廣泛的應(yīng)用。高揚(yáng)等[10]基于前向神經(jīng)網(wǎng)絡(luò)，精確的預(yù)測(cè)了建筑房間中的溫度和熱功率。Chang Yungchung[11]利用反向傳播神經(jīng)網(wǎng)絡(luò)建立了水冷式冷水機(jī)組的能耗預(yù)測(cè)模型，通過(guò)冷凍水供回水溫度與冷卻水進(jìn)水溫度預(yù)測(cè)機(jī)組的能耗。這些神經(jīng)網(wǎng)絡(luò)模型都是非時(shí)序性的，即當(dāng)前時(shí)刻的能耗值只與此時(shí)刻的輸入變量有關(guān)而與變量的歷史值無(wú)關(guān)。但是特定功能建筑物的使用計(jì)劃通常是固定的，時(shí)間信息往往反映了建筑的占用狀況和設(shè)備使用狀況[12,13]。數(shù)據(jù)的時(shí)序性往往對(duì)建筑能耗和冷水機(jī)組能耗有一定影響。

為了發(fā)揮神經(jīng)網(wǎng)絡(luò)在能耗預(yù)測(cè)領(lǐng)域的優(yōu)勢(shì)，同時(shí)使預(yù)測(cè)模型能夠處理時(shí)序性的數(shù)據(jù)。本文引入長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM，Long Short-Term Memory）能耗預(yù)測(cè)模型對(duì)冷水機(jī)組能耗進(jìn)行預(yù)測(cè)。Hochreiter S等[14]在1997年提出的LSTM模型是循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network, RNN）的一種特殊形式，LSTM可以學(xué)習(xí)前面時(shí)間的信息并用于當(dāng)前時(shí)刻的輸出。由于梯度消失問(wèn)題的存在，RNN只對(duì)短期信息比較敏感。與RNN相比，LSTM增加了一個(gè)單元狀態(tài)負(fù)責(zé)承載長(zhǎng)期狀態(tài)信息，彌補(bǔ)RNN對(duì)長(zhǎng)期信息不敏感的缺點(diǎn)，使得LSTM能夠自動(dòng)學(xué)習(xí)過(guò)去一段時(shí)間內(nèi)的數(shù)據(jù)信息。篩選無(wú)用信息，保留有用信息，用來(lái)進(jìn)行這一時(shí)刻的預(yù)測(cè)，使得預(yù)測(cè)模型更加精準(zhǔn)。

本文采用LSTM方法建立冷水機(jī)組能耗預(yù)測(cè)模型，并運(yùn)用EnergyPlus仿真數(shù)據(jù)驗(yàn)證模型的預(yù)測(cè)效果。建立好LSTM模型后，進(jìn)行輸入變量的相關(guān)性分析。本文著重于LSTM預(yù)測(cè)模型的優(yōu)化，即根據(jù)預(yù)測(cè)結(jié)果優(yōu)選模型輸入變量組成、滯后數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練次數(shù)。并將LSTM模型與反向傳播神經(jīng)網(wǎng)絡(luò)模型和多元線性回歸模型的預(yù)測(cè)結(jié)果對(duì)比。結(jié)果表明基于LSTM時(shí)間序列的冷水機(jī)組能耗預(yù)測(cè)模型具有較高的預(yù)測(cè)精度。

1 LSTM原理

圖1 LSTM結(jié)構(gòu)示意圖

三個(gè)門各自的作用和計(jì)算過(guò)程如下：

輸出門：決定當(dāng)前模塊的輸出值。

LSTM的訓(xùn)練計(jì)算過(guò)程采用的是反向傳播算法類似的基于時(shí)間的反向傳播算法（Back Propagation Trough Time，BPTT）。LSTM的訓(xùn)練過(guò)程主要分為四個(gè)步驟[15]：①按照公式（1）～（6）進(jìn)行前向計(jì)算過(guò)程，得出每一個(gè)模塊的輸出值；②分別在時(shí)間和網(wǎng)絡(luò)層級(jí)兩個(gè)傳播方向計(jì)算每一個(gè)模塊的誤差項(xiàng)；③根據(jù)誤差項(xiàng)計(jì)算各個(gè)權(quán)重的梯度；④運(yùn)用梯度優(yōu)化算法更新權(quán)值。訓(xùn)練結(jié)束后，使得時(shí)間序列上的信息形成一個(gè)平衡的長(zhǎng)短期依賴。能夠運(yùn)用LSTM進(jìn)行冷水機(jī)組能耗預(yù)測(cè)工作。

2 數(shù)據(jù)來(lái)源和預(yù)測(cè)結(jié)果評(píng)價(jià)

2.1 數(shù)據(jù)來(lái)源

本研究采用EnergyPlus軟件構(gòu)建了武漢某辦公大樓的空調(diào)系統(tǒng)仿真模型。夏季工況下，采用冷水機(jī)組和冷卻塔組合的常規(guī)一次回風(fēng)集中空調(diào)系統(tǒng)。該系統(tǒng)包括冷凍水循環(huán)系統(tǒng)、冷卻水循環(huán)系統(tǒng)、空氣處理系統(tǒng)。仿真輸出得到正常工況下夏季制冷的完整運(yùn)行數(shù)據(jù)集，輸出的變量為：日期（d），時(shí)間（，h），室外干球溫度（，℃），室外相對(duì)濕度（，%），太陽(yáng)輻射強(qiáng)度（，W/m2），冷水機(jī)組能耗（Q，GJ）。數(shù)據(jù)在6月2號(hào)～8月29號(hào)之間采集。每一小時(shí)記錄一組數(shù)據(jù),共581組數(shù)據(jù)。

2.2 預(yù)測(cè)結(jié)果評(píng)價(jià)

預(yù)測(cè)結(jié)果精度評(píng)價(jià)指標(biāo)采用：平均絕對(duì)誤差（Mean Absolute Error, MAE）用來(lái)表示預(yù)測(cè)值和真實(shí)值之間絕對(duì)誤差的平均值，均方根誤差（Root Mean Square Error, RMSE）來(lái)反映預(yù)測(cè)結(jié)果和真實(shí)值之間的偏差。MAE和RMSE的值越小，預(yù)測(cè)結(jié)果的精度越高。

3 LSTM能耗預(yù)測(cè)模型的建立

3.1 數(shù)據(jù)處理

為去除不同變量的不同量綱和單位的影響，需要將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，以實(shí)現(xiàn)數(shù)據(jù)之間的可比性。采用z-score標(biāo)準(zhǔn)化方法，公式如下：

本文按照7:3的比例劃分訓(xùn)練集和測(cè)試集，訓(xùn)練集為前405組（45d），測(cè)試集為后176組（20d）。

3.2 輸入變量和滯后數(shù)

選取模型的輸入變量分為三類：時(shí)間信息、室外氣象參數(shù)和冷水機(jī)組能耗歷史值（Q）。為了使能耗預(yù)測(cè)模型獲得較好的預(yù)測(cè)效果，本文從三類變量中選取合適的變量組合來(lái)預(yù)測(cè)冷水機(jī)組的能耗。不同輸入變量的組合方式如表1所示。

表1 不同輸入變量組合

圖2 不同輸入變量組合和滯后數(shù)下預(yù)測(cè)結(jié)果

LSTM的滯后數(shù)是LSTM隱含層包含前后連接的同構(gòu)模塊的個(gè)數(shù)，即時(shí)刻數(shù)在-到范圍內(nèi)的時(shí)序數(shù)據(jù)參與了時(shí)刻的LSTM模型的建模。滯后數(shù)決定了當(dāng)前時(shí)刻的LSTM單元中可以存儲(chǔ)多少歷史時(shí)刻的信息。滯后數(shù)的選取對(duì)LSTM模型的預(yù)測(cè)效果有著一定的影響。給定滯后數(shù)的取值范圍為1～7，結(jié)合不同輸入變量組合對(duì)能耗進(jìn)行預(yù)測(cè)，尋找誤差最小的滯后數(shù)和輸入變量組合方式。如圖2所示，選取預(yù)測(cè)誤差最小時(shí)的輸入變量組合方式4：、、、、Q，滯后數(shù)為4建立LSTM預(yù)測(cè)模型。由圖2可知，輸入變量加入日期后，組合5較組合4的預(yù)測(cè)效果有所降低，說(shuō)明本模型中冷水機(jī)組的逐時(shí)能耗與日期的相關(guān)性不大。

3.3 網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)往往對(duì)神經(jīng)網(wǎng)絡(luò)的性能有著較大的影響。一般來(lái)說(shuō)，隱含層的層數(shù)越多，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的精度越高，但會(huì)使網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜，增加計(jì)算時(shí)間。本模型選取隱含層層數(shù)的取值范圍為1-4。

隱含層的神經(jīng)元個(gè)數(shù)的確定沒(méi)有明確的理論指導(dǎo)。一般以式（10）進(jìn)行選?。?/p>

式中，為神經(jīng)元個(gè)數(shù)；為輸入節(jié)點(diǎn)數(shù)；為輸出節(jié)點(diǎn)數(shù)；為取值范圍1-10的常數(shù)。

本文的輸入節(jié)點(diǎn)個(gè)數(shù)為5，輸出節(jié)點(diǎn)個(gè)數(shù)為1，根據(jù)式（10）計(jì)算出神經(jīng)元個(gè)數(shù)的取值范圍為4-13。計(jì)算不同網(wǎng)絡(luò)結(jié)構(gòu)（不同神經(jīng)元個(gè)數(shù)、隱含層層數(shù)）下的預(yù)測(cè)精度，選取最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。得到的結(jié)果如圖3所示，選取隱含層層數(shù)為3，神經(jīng)元個(gè)數(shù)13確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖3 不同神經(jīng)元個(gè)數(shù)和隱含層層數(shù)下模型預(yù)測(cè)結(jié)果

3.4 訓(xùn)練次數(shù)

訓(xùn)練次數(shù)對(duì)LSTM的預(yù)測(cè)精度有著較大的影響。通過(guò)計(jì)算訓(xùn)練次數(shù)對(duì)預(yù)測(cè)精度和計(jì)算時(shí)間的影響，綜合考慮以選取合適的訓(xùn)練次數(shù)。

由圖4可知：隨著訓(xùn)練次數(shù)的增加，模型計(jì)算的時(shí)間基本上呈線性增加的趨勢(shì)。RMSE隨著訓(xùn)練次數(shù)的增大，先逐漸降低后趨于穩(wěn)定，預(yù)測(cè)精度先逐漸增大后趨于穩(wěn)定。當(dāng)訓(xùn)練次數(shù)超過(guò)150次時(shí)，模型精度雖有提高，但幾乎可以忽略，反而計(jì)算時(shí)間會(huì)有一定的增加。故選定訓(xùn)練次數(shù)為150次。

圖4 訓(xùn)練次數(shù)對(duì)預(yù)測(cè)精度和和時(shí)間的影響

4 結(jié)果分析

綜上分析，根據(jù)LSTM的預(yù)測(cè)結(jié)果對(duì)模型的參數(shù)進(jìn)行優(yōu)選后確定LSTM能耗預(yù)測(cè)模型。本LSTM能耗預(yù)測(cè)模型的輸入變量為：時(shí)間（）、溫度（）、相對(duì)濕度（）、太陽(yáng)輻射（）和冷水機(jī)組歷史能耗（Q），滯后數(shù)為4，神經(jīng)網(wǎng)絡(luò)隱含層層數(shù)為3層，每層所含神經(jīng)元個(gè)數(shù)為13，訓(xùn)練次數(shù)為150次。實(shí)驗(yàn)所用計(jì)算機(jī)配置如下：CPU:英特爾酷睿i7-6700k,4.0GHz；內(nèi)存32GB。

為了驗(yàn)證LSTM在冷水機(jī)組能耗預(yù)測(cè)中的優(yōu)勢(shì)，在同一實(shí)驗(yàn)環(huán)境中引入一種非線性的反向傳播神經(jīng)網(wǎng)絡(luò)（BackPropagationNeural Networks,BPNN）模型和一種線性的多元線性回歸（Multiple Linear Regression, MLR）模型。BPNN是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，具有較強(qiáng)的非線性映射能力。訓(xùn)練后的BPNN能夠?qū)W習(xí)和存貯輸入和輸出之間的映射關(guān)系，用于預(yù)測(cè)模型的建立。MLR可以研究一個(gè)因變量依賴多個(gè)自變量的變化關(guān)系，根據(jù)數(shù)據(jù)建立能耗預(yù)測(cè)回歸模型。選用相同的數(shù)據(jù)集建立BPNN和MLR能耗預(yù)測(cè)模型，對(duì)比分析LSTM、BPNN和MLR模型能耗預(yù)測(cè)的結(jié)果，如圖5所示。

圖5 三個(gè)模型對(duì)后20天逐時(shí)能耗值的預(yù)測(cè)結(jié)果

可以從圖5看出，三個(gè)模型的能耗預(yù)測(cè)值和真實(shí)值的變化趨勢(shì)基本相似，預(yù)測(cè)值和真實(shí)值總體上都比較接近，LSTM的預(yù)測(cè)值較BPNN和MLR更接近真實(shí)值。時(shí)刻63、72和81等是每一天上午冷水機(jī)組開(kāi)機(jī)后所記錄的第一組數(shù)據(jù)，因?yàn)闄C(jī)組剛開(kāi)機(jī)時(shí)，房間溫度較高，所需的制冷量較大，導(dǎo)致機(jī)組能耗較大，在圖中反映為出現(xiàn)峰值。此時(shí)，LSTM的預(yù)測(cè)值與真實(shí)值較為接近，而BPNN、MLR的預(yù)測(cè)值和真實(shí)值相差較大。說(shuō)明當(dāng)能耗突然增大時(shí)，LSTM的預(yù)測(cè)能力比BPNN、MLR強(qiáng)。

運(yùn)用3.2節(jié)中提出的預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo)對(duì)3種能耗預(yù)測(cè)模型進(jìn)行評(píng)價(jià)，結(jié)果如表2所示。

表2 兩種模型預(yù)測(cè)結(jié)果評(píng)價(jià)

為驗(yàn)證LSTM在實(shí)際建筑中的冷水機(jī)組能耗預(yù)測(cè)的效果，引入Kaggle平臺(tái)上ASHRAE舉辦的建筑能耗預(yù)測(cè)大賽[16]所提供的實(shí)際建筑數(shù)據(jù)，從中選出五個(gè)實(shí)際建筑的運(yùn)行數(shù)據(jù)集進(jìn)行驗(yàn)算（LSTM預(yù)測(cè)模型的建模過(guò)程與第三節(jié)所述相同），結(jié)果如表3所示。

表3 實(shí)際建筑能耗預(yù)測(cè)結(jié)果

綜合來(lái)看，針對(duì)模擬和實(shí)際建筑冷水機(jī)組的能耗預(yù)測(cè)。LSTM模型的預(yù)測(cè)結(jié)果的RMSE和MAE的值是三種模型中最低的，預(yù)測(cè)精度較BPNN和MLR大大提高，LSTM能夠很好的預(yù)測(cè)冷水機(jī)組的能耗。LSTM模型的計(jì)算時(shí)間較BPNN、MLR有所增加，但如果計(jì)算過(guò)程在云平臺(tái)上進(jìn)行，計(jì)算時(shí)間能極大縮短，LSTM較BPNN、MLR多出的計(jì)算時(shí)間可忽略不計(jì)。

5 結(jié)論

本文提出了基于LSTM的冷水機(jī)組能耗預(yù)測(cè)方法，優(yōu)選輸入變量組成、滯后數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練次數(shù)后建立LSTM能耗預(yù)測(cè)模型。對(duì)模擬建筑和實(shí)際建筑中的冷水機(jī)組能耗進(jìn)行預(yù)測(cè)，引入BPNN和MLR模型進(jìn)行預(yù)測(cè)結(jié)果對(duì)比分析。得到以下結(jié)論：

（1）針對(duì)模擬建筑數(shù)據(jù)集，根據(jù)預(yù)測(cè)結(jié)果對(duì)LSTM能耗預(yù)測(cè)模型的參數(shù)進(jìn)行優(yōu)選得到：模型的輸入變量為：時(shí)間（）、溫度（）、相對(duì)濕度（）、太陽(yáng)輻射（）和冷水機(jī)組歷史能耗（Q），滯后數(shù)為4，神經(jīng)網(wǎng)絡(luò)隱含層層數(shù)為3層，每層所含神經(jīng)元個(gè)數(shù)為13，訓(xùn)練次數(shù)為150次。這種優(yōu)化模型的方法也為后續(xù)的提高模型預(yù)測(cè)精度提供思路。

（2）針對(duì)模擬建筑和五個(gè)實(shí)際建筑的冷水機(jī)組運(yùn)行能耗進(jìn)行預(yù)測(cè)。LSTM模型的計(jì)算時(shí)間較BPNN、MLR有所增加，但LSTM模型的預(yù)測(cè)結(jié)果的RMSE和MAE的值是三種模型中最低的，預(yù)測(cè)精度較BPNN和MLR大大提高，LSTM能夠更準(zhǔn)確的預(yù)測(cè)冷水機(jī)組的能耗。

（3）LSTM能耗預(yù)測(cè)模型相比于傳統(tǒng)的能耗預(yù)測(cè)模型，發(fā)揮了其能兼顧時(shí)序性和非線性問(wèn)題的優(yōu)勢(shì)，在冷水機(jī)組能耗預(yù)測(cè)中取得了更好的效果，有利于更好的支持空調(diào)系統(tǒng)節(jié)能工作。

致謝

感謝國(guó)家自然科學(xué)基金青年項(xiàng)目（51906181），湖北省高等學(xué)校優(yōu)秀中青年科技創(chuàng)新團(tuán)隊(duì)項(xiàng)目（T201829），湖北省教育廳科學(xué)研究計(jì)劃青年人才項(xiàng)目（Q20181110）資助。

[1] Fan C, Xiao F, Li Z, et al. Unsupervised data analytics in mining big building operational data for energy efficiency enhancement: A review[J]. Energy and Buildings, 2018,159:296-308.

[2] 胡云鵬,陳煥新,周誠(chéng),等.基于主元分析法的冷水機(jī)組傳感器故障檢測(cè)效率分析[J].化工學(xué)報(bào),2012,63(S2): 85-88.

[3] 劉江巖,陳煥新,王江宇,等.基于數(shù)據(jù)挖掘算法的地鐵站內(nèi)溫度時(shí)序預(yù)測(cè)方法[J].工程熱物理學(xué)報(bào),2018, 39(6):1316-1321.

[4] 李紫微,林波榮,陳洪鐘.建筑方案能耗快速預(yù)測(cè)方法研究綜述[J].暖通空調(diào),2018,48(5):1-8.

[5] Kadir Amasyali, Nora M. El-Gohary. A review of data-driven building energy consumption prediction studies[J]. Renewable and Sustainable Energy Reviews, 2018,81(1):1192-1205.

[6] 陳煥新,孫劭波,劉江巖,等.數(shù)據(jù)挖掘技術(shù)在制冷空調(diào)行業(yè)的應(yīng)用[J].暖通空調(diào),2016,46(3):20-26.

[7] 周峰,張立茂,秦文威.基于SVM的大型公共建筑能耗預(yù)測(cè)模型與異常診斷[J].土木工程與管理學(xué)報(bào),2017, 34(6):80-86.

[8] 任律.基于大數(shù)據(jù)的制冷機(jī)房能效自動(dòng)診斷[J].制冷與空調(diào),2019,33(5):494-496.

[9] 嚴(yán)中俊,閆軍威.基于BP神經(jīng)網(wǎng)絡(luò)的冷水機(jī)組能效預(yù)測(cè)方法[J].制冷與空調(diào),2013,27(5):443-446.

[10] 高揚(yáng),陳坦,胡海濤.基于神經(jīng)網(wǎng)絡(luò)的建筑節(jié)能預(yù)測(cè)方法[J].制冷與空調(diào),2017,31(1):9-13,63.

[11] Chang Yungchung. Sequencing of chillers by estimating chiller power consumption using artificial neural networks[J]. Building and Environment, 2007,42(1): 180-188.

[12] Fan C, Xiao F, Zhao Y. A short-term building cooling load prediction method using deep learning algorithms[J]. Applied Energy, 2017,195:222-233.

[13] 杜前洲,姜梅,剛文杰,等.基于實(shí)測(cè)數(shù)據(jù)的夏熱冬暖地區(qū)校園建筑負(fù)荷分析[J].制冷與空調(diào),2019,33(2):135- 142.

[14] Hochreiter S，Schmidhuber J. Long short-term memory[M]. Supervised sequence labelling with recurrent neural networks, Berlin, Heidelberg: Springer, 1997:1735-1780.

[15] 王鑫,吳際,劉超,等.基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時(shí)間序列預(yù)測(cè)[J].北京航空航天大學(xué)學(xué)報(bào),2018,44(4): 772-784.

[16] ASHRAE-Great Energy Predictor Ⅲ. (2019-10-30) https://www.kaggle.com/c/ashrae-energy-prediction/overview.

Energy Consumption Prediction of Chiller Based on Long Short-Term Memory

Xu Lin1Zhou Chuanhui1Hu Yunpeng2Li Guannan1Fang Xi1

( 1.Wuhan University of science and technology, Wuhan, 430081; 2.Wuhan business school, Wuhan, 430056 )

The chiller is the main energy consuming part in the air conditioning system, which has great energy saving potential. Due to the change of terminal demand of air conditioning system, accurate prediction of energy consumption of water chiller can effectively provide reference for optimal control of the unit. Therefore, this paper introduces long short term memory (LSTM) to predict the energy consumption of water chillers, and validates the prediction effect of LSTM combined with the data of EnergyPlus simulation model and actual office building data. After the data is divided into training set and test set, the data is standardized. The energy consumption prediction model of LSTM chiller is established and optimized. The results show that compared with the back propagation neural network model and the multiple linear regression model, the calculation time of the LSTM model is increased, but the prediction accuracy of the LSTM model is the highest among the three models, and the LSTM can predict the energy consumption of the chiller more accurately.

Chiller; Energy consumption prediction; LSTM; Time series

1671-6612（2020）06-664-06

TU83

A

國(guó)家自然科學(xué)基金資助項(xiàng)目（編號(hào)：51906181）

徐 麟（1996.03-），男，在讀碩士研究生，E-mail：1085318635@qq.com

李冠男（1988-），男，講師，E-mail：leegna@163.com

2020-04-17