數(shù)據(jù)匱乏場景下的商業(yè)建筑能耗預(yù)測方法

劉 杭，羅 恒，章挺飛

（蘇州科技大學 電子與信息工程學院，江蘇 蘇州 215009；江蘇省建筑智慧節(jié)能重點實驗室，江蘇 蘇州 215009）

在商業(yè)建筑節(jié)能工作中，普遍會遇到數(shù)據(jù)匱乏的場景，它會直接影響能耗預(yù)測準確度，進而影響能源使用效率，增加商業(yè)能源使用成本[1－3]。如新興產(chǎn)業(yè)中，新建或改建擴建的商業(yè)建筑項目，會出現(xiàn)短期能耗數(shù)據(jù)匱乏的情形[4]。同時，部分能源管理系統(tǒng)的不完善，也會導(dǎo)致能耗數(shù)據(jù)采集的大量缺失，以至于無法實施可靠性預(yù)測[5－6]。

近年來，國內(nèi)外專業(yè)學者在商業(yè)建筑能耗預(yù)測的數(shù)據(jù)匱乏場景的探索上涉及很少，大多研究集中在傳統(tǒng)場景下的傳統(tǒng)機器學習和深度學習方法[7－8]。前者適應(yīng)力強，能夠快速開發(fā)，主要有支持向量機（Support Vector Machines，SVM）[9－12]、BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)[13－15]、K近鄰（K-Nearest Neighbor，KNN）[16]和極端梯度提升（Extreme Gradient Boosting，XGBoost）[17]等，但同時存在模型過分依賴特征、容錯率小等弊端。后者學習能力強，如長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）對能耗序列預(yù)測呈現(xiàn)一定的優(yōu)勢[18]，其特有的門控單元的記憶功能，能夠捕捉時間序列項之間的依賴關(guān)系，具有優(yōu)秀的預(yù)測能力，門控循環(huán)單元（Gated Recurrent Unit，GRU）則優(yōu)化了LSTM結(jié)構(gòu)，收斂較快，能夠有效處理復(fù)雜的能耗數(shù)據(jù)[19]，但計算量很大，在數(shù)據(jù)匱乏時會影響預(yù)測結(jié)果。因此在這一場景下，可以使用數(shù)據(jù)增強方法擴充數(shù)據(jù)，其中生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）是近年來深度學習領(lǐng)域數(shù)據(jù)增強的重要方法，它通過生成高質(zhì)量的訓練樣本補充并擴展真實數(shù)據(jù)[20]，如文獻[21－23]分別應(yīng)用GAN實現(xiàn)不平衡數(shù)據(jù)、圖像和序列數(shù)據(jù)的數(shù)據(jù)增強用以提升準確度預(yù)測。

針對數(shù)據(jù)匱乏場景下的商業(yè)建筑能耗預(yù)測，提出了一種基于GAN-GRU組合模型的預(yù)測方法。文中針對GRU特有的時間序列記憶敏感性，設(shè)計生成對抗網(wǎng)絡(luò)框架結(jié)構(gòu)，生成具有時間關(guān)鍵點的平行信息數(shù)據(jù)并進行擴充，并利用GRU實現(xiàn)復(fù)合數(shù)據(jù)的預(yù)測分析，同時與K近鄰（K-Nearest Neighbor，KNN）、梯度提升樹（Gradient Boosting Decision Tree，GBDT）和嶺回歸（Ridge）等傳統(tǒng)算法對比，最終結(jié)合方差-協(xié)方差預(yù)測結(jié)果的權(quán)重復(fù)合思想，提升預(yù)測結(jié)果的準確性、魯棒性和泛化能力。該研究對于新興產(chǎn)業(yè)數(shù)據(jù)匱乏場景下的商業(yè)建筑節(jié)能具有重大意義。

1 理論與模型構(gòu)建

1.1 生成對抗網(wǎng)絡(luò)

GAN是2014年提出的一種生成模型方法，它吸收了對抗博弈的思想，其通過內(nèi)部的兩種模型結(jié)構(gòu)引導(dǎo)生成數(shù)據(jù)。網(wǎng)絡(luò)模型主要有兩部分構(gòu)成：判別模型D和生成模型G。生成模型主要目的是盡可能生成接近真實數(shù)據(jù)的假數(shù)據(jù)，判別模型則捕獲生成數(shù)據(jù)來自真實訓練數(shù)據(jù)的概率，這種生成對抗的原理使得生成的數(shù)據(jù)更加準確[20]。生成對抗網(wǎng)絡(luò)的主要網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 生成對抗網(wǎng)絡(luò)模型

為了盡可能尋求兩種內(nèi)部結(jié)構(gòu)的平衡，需要在生成數(shù)據(jù)過程中不斷迭代優(yōu)化，生成器被訓練用于最小化值函數(shù)，而判別器則希望最大化這一目標，兩者采用二人零和博弈策略。在上述最大最小優(yōu)化過程中，主要的優(yōu)化目標函數(shù)為

其中，x表示真實能耗序列數(shù)據(jù)，z代表輸入G網(wǎng)絡(luò)的噪聲，G（z）代表G網(wǎng)絡(luò)的生成數(shù)據(jù)，D（x）代表輸入數(shù)據(jù)屬于真實序列數(shù)據(jù)概率的判斷估計，Pdata（x）代表原始序列數(shù)x的分布，P（z）代表輸入噪聲變量的先驗值，E代表求解期望值。

1.2 生成對抗網(wǎng)絡(luò)設(shè)計

GAN的網(wǎng)格模型不需要龐大的計算方法，通過兩種逼近函數(shù)的網(wǎng)絡(luò)，使生成模型和判別模型不斷逼近真實狀態(tài)以獲取最優(yōu)的網(wǎng)絡(luò)參數(shù)，當判別模型D趨于穩(wěn)定，生成器G可獲取最終穩(wěn)定模式下不同網(wǎng)絡(luò)狀態(tài)為

1.2.1 生成器

生成器由編碼器和解碼器組成，針對時間序列信息，GRU用來捕獲時間步信息，獲取前一時刻數(shù)據(jù)特征記憶并傳遞給下一單元信息。

其中，F(xiàn)CR表示全連接層，使用ReLu激活函數(shù)，Wen與Wencoder表示網(wǎng)絡(luò)迭代過程中參數(shù)矩陣表示為t時刻的數(shù)據(jù)輸入。則分別表示中間狀態(tài)，使用門控循環(huán)單元（GRU）捕獲時間記憶信息，實現(xiàn)網(wǎng)絡(luò)參數(shù)快速收斂。設(shè)置隨機噪聲為高斯噪聲的方式，并將其送到解碼器中，再使用多層感知器（MLP）生成平行數(shù)據(jù)。

1.2.2 判別器

設(shè)計判別模型為

其中，Cit表示來自t時刻原始數(shù)據(jù)和生成平行數(shù)據(jù)輸入，Y^表示生成器分類結(jié)果，Wgru與Wmlp表示偏差矩陣。

1.2.3 損失函數(shù)

對于序列生成數(shù)據(jù)，選擇常用的均方誤差（MSE）作為網(wǎng)絡(luò)回歸迭代過程中的損失函數(shù)

1.3 對比結(jié)構(gòu)及組合設(shè)計

為了體現(xiàn)上述GAN結(jié)構(gòu)設(shè)計的優(yōu)勢，設(shè)計了實驗的四個流程，如圖2所示。

圖2 實驗設(shè)計流程

在流程1中，約束判別模型D不變

其中，生成結(jié)構(gòu)保持不變，記為G-GRU，或?qū)⒌?.2.1節(jié)中公式更換為以下三個公式，分別記為G-LSTM、G-RNN和G-Bi-LSTM。

其中，RNN為循環(huán)神經(jīng)網(wǎng)絡(luò)單元，Bi-LSTM為雙向長短期記憶網(wǎng)絡(luò)。流程2則在流程1的基礎(chǔ)上，約束G，即保持第1.2.1節(jié)生成器結(jié)構(gòu)不變。其中，判別模型保持不變，記為D-GRU，或?qū)⒐礁臑橐韵氯齻€公式，分別記為D-LSTM、D-RNN與D-Bi-LSTM。在流程3中，使用GRU為主預(yù)測算法。在流程4中，使用對比的復(fù)合數(shù)據(jù)預(yù)測方法為：GBDT（梯度提升樹）、KNN（K-近鄰算法）、Ridge（嶺回歸）和RF（隨機森林）。

雖然GAN能穩(wěn)定生成平行數(shù)據(jù)信息，但無法保證不同平行數(shù)據(jù)的關(guān)聯(lián)性，因此不具備預(yù)測魯棒性，文中使用組合預(yù)測的方式，利用多次GAN-GRU的預(yù)測結(jié)果，計算每種結(jié)果的權(quán)重。方差-協(xié)方差法能找到最優(yōu)的權(quán)重組合，提高短期能耗預(yù)測的魯棒性和準確度。每種預(yù)測結(jié)果的方差計算為

其中，n為訓練集數(shù)目，e1，e2，…，en分別表示n條數(shù)據(jù)的絕對百分比誤差，eˉ為e1，e2，…，en的均值。文中以日能耗預(yù)測組合為例，定義第m天日能耗序列預(yù)測值ym={ym1，ym2，…，ymn}，ymn表示第n種的訓練。第m+1天的第n種的預(yù)測結(jié)果權(quán)重為wmn=1/[vmn（1/vm1+1/vm2+…+1/vmn）]，最終的第m+1天預(yù)測結(jié)果組合為

2 實驗與結(jié)果分析

2.1 數(shù)據(jù)說明

文中選取了上海正大廣場大型商業(yè)建筑2018年度的能耗序列數(shù)據(jù)。經(jīng)過預(yù)處理，使時間間隔標準化為1 h，其日期準確范圍為2018年1月1日—2018年12月31日，共有8 760條數(shù)據(jù)。定義三種數(shù)據(jù)集結(jié)構(gòu)分別為：原始序列數(shù)據(jù)集、平行序列數(shù)據(jù)集和復(fù)合序列數(shù)據(jù)集。將原始序列中第1-L1天序列段定義為

其中，t表示天數(shù)，n表示一天樣本數(shù)，L1表示原始序列的樣本天數(shù)。

定義GAN生成的平行數(shù)據(jù)結(jié)構(gòu)為

其中，t表示天數(shù)，n表示一天樣本數(shù)，L2表示生成的樣本天數(shù)。

定義復(fù)合后的數(shù)據(jù)結(jié)構(gòu)為

其中，L=L1+L2。

模擬數(shù)據(jù)匱乏場景：該商業(yè)建筑僅有一個月的歷史能耗數(shù)據(jù)，需要預(yù)測下個月能耗數(shù)據(jù)。為了方便訓練，統(tǒng)一每個月數(shù)據(jù)量為672條，即每月取前28 d的數(shù)據(jù)量。使用上海正大廣場2018年度數(shù)據(jù)為訓練和預(yù)測數(shù)據(jù)，總數(shù)據(jù)集定義為{seq1，seq2，…，seq11，seq12}，表示第1-12月份的每月數(shù)據(jù)集序列。根據(jù)模擬數(shù)據(jù)匱乏場景，設(shè)計11組數(shù)據(jù)匱乏場景下的數(shù)據(jù)集的結(jié)構(gòu)為{{seq1，seq2}，{seq2，seq3}，…，{seq11，seq12}}。

2.2 預(yù)測指標

選取指標函數(shù)平均絕對誤差（MAE）、均方根誤差（RMSE）和相對誤差（CV-RMSE）作為評估指標，三種指標的表達式分別為

其中，y^t表示預(yù)測數(shù)據(jù)，yt表示原始數(shù)據(jù)。

2.3 平行數(shù)據(jù)實驗結(jié)果與分析

為了比較第1.2節(jié)中設(shè)計的生成對抗網(wǎng)絡(luò)結(jié)構(gòu)性能，使用10組數(shù)據(jù)匱乏場景能耗數(shù)據(jù)集為{{seq1，seq2}，{seq2，seq3}，…，{seq10，seq11}}。其中，每組的前一個月數(shù)據(jù)用于訓練并拆分訓練集和驗證集的比例為6：1，每組的后一個月數(shù)據(jù)用于預(yù)測。每次實驗迭代次數(shù)設(shè)置為4 000次，需保證生成模型和判別模型的loss趨于穩(wěn)定且收斂，在實驗過程中偶爾出現(xiàn)loss波動明顯，即需要重新迭代。每組生成的平行數(shù)據(jù)則設(shè)置為GRU預(yù)測的訓練集，并拆分訓練集和驗證集的比例為6∶1，使用GRU算法在預(yù)測集上測試。圖3為10組數(shù)據(jù)集的生成平行數(shù)據(jù)使用GRU訓練并預(yù)測后的指標誤差。其中，D-GRU模式在10組數(shù)據(jù)集上MAE、RMSE和CV-RMSE上的指標都相對較小，且最終的誤差均值最低，說明GRU更易收斂，所提模型生成數(shù)據(jù)性能更接近真實數(shù)據(jù)，且符合預(yù)測需求。

圖3 10次生成數(shù)據(jù)實驗的預(yù)測指標對比

2.4 復(fù)合數(shù)據(jù)實驗結(jié)果與分析

在生成平行數(shù)據(jù)后，將每月原始數(shù)據(jù)與平行數(shù)據(jù)按照公式進行數(shù)據(jù)復(fù)合，由此分類成三種數(shù)據(jù)集：平行數(shù)據(jù)、原始數(shù)據(jù)、復(fù)合數(shù)據(jù)。在第2.3節(jié)的基礎(chǔ)上，繼續(xù)使用GRU作原始數(shù)據(jù)與復(fù)合數(shù)據(jù)的預(yù)測性能分析。在同樣的10類數(shù)據(jù)集下，復(fù)合數(shù)據(jù)集的總體指標均值較低，與原始數(shù)據(jù)集三類指標相比，分別提升了13.6%，15.5%和12.01%，見表1。這表明數(shù)據(jù)復(fù)合后，能提高短期能耗的預(yù)測性能。

表1 兩類數(shù)據(jù)集預(yù)測性能對比

2.5 組合預(yù)測實驗結(jié)果與分析

將2.4節(jié)的復(fù)合數(shù)據(jù)同時使用GRU與KNN、GBDT、Ridge、RF四類傳統(tǒng)機器學習方法預(yù)測對比。10類數(shù)據(jù)集的預(yù)測誤差箱型圖，如圖4所示。

圖4 10組預(yù)測方法的預(yù)測指標對比

由圖4可以觀察到傳統(tǒng)的機器學習方法存在誤差較大的情況，這是由于傳統(tǒng)模型簡單并且只適用于快速開發(fā)的情況?？傮w性能而言，文中所提GAN-GRU模型方法，誤差收斂快，準確度高，能適應(yīng)大部分小數(shù)據(jù)下商業(yè)建筑數(shù)據(jù)序列預(yù)測。值得注意的是，對于特征復(fù)雜和無規(guī)律的數(shù)據(jù)集，則不適用文中模型結(jié)構(gòu)，因為復(fù)雜特征會直接影響模型準確度，且不規(guī)律數(shù)據(jù)集不具備代表性，無法生成適當?shù)钠叫袛?shù)據(jù)。

由于生成對抗網(wǎng)絡(luò)每次生成數(shù)據(jù)不同，且存在部分偏差，為了提高預(yù)測的魯棒性，使用第1.3節(jié)所述每日預(yù)測組合預(yù)測模式，采用{seq11，seq12}數(shù)據(jù)集，開展10次平行數(shù)據(jù)實驗，生成10次商業(yè)建筑2018年第11月份不同的數(shù)據(jù)結(jié)構(gòu)，并使用GAN-GRU組合模型預(yù)測商業(yè)廣場2018年度第12月份數(shù)據(jù)。

圖5為原始數(shù)據(jù)、平行數(shù)據(jù)和復(fù)合數(shù)據(jù)的組合模式針對上海正大廣場第12月份預(yù)測結(jié)果的24 h窗口均值的擬合曲線。可以看出最終融入方差－協(xié)方差思想的組合預(yù)測實驗結(jié)果最貼近真實數(shù)據(jù)，相比原始數(shù)據(jù)預(yù)測的MAE、RMSE和CV-RMSE指標分別提升了16.9%、16.7%和18.6%。

圖5 正大廣場12月份24 h窗口能耗預(yù)測結(jié)果

圖6為組合實驗的預(yù)測指標分布圖，hybrid表示融入方差－協(xié)方差思想的組合模型的實驗結(jié)果，其10次實驗中的誤差指標上下波動，且存在誤差較大的情況，證明前面所述的生成數(shù)據(jù)預(yù)測的不穩(wěn)定性，最終的復(fù)合模式則使其保持在一種相對穩(wěn)定且較優(yōu)的預(yù)測狀態(tài)，驗證了理論的實用性并具備一定的推廣性。

圖6 復(fù)合模型的三類實驗指標對比

圖7為實驗中不同預(yù)測結(jié)果計算的權(quán)重，預(yù)測性能決定組合權(quán)重，預(yù)測指標較差的模型，下一日則分配較低的權(quán)重，反之，則分配較高的權(quán)重。最終的實驗結(jié)果表明文中方法大幅度提升了數(shù)據(jù)匱乏場景下商業(yè)建筑能耗短期預(yù)測性能，并且具備一定的預(yù)測魯棒性。

圖7 復(fù)合模型實驗權(quán)重分布

3 結(jié)語

針對數(shù)據(jù)匱乏場景下商業(yè)建筑能耗預(yù)測問題，提出了一種基于GAN-GRU的商業(yè)建筑能耗短期預(yù)測組合模型。通過不同約束條件下的GAN結(jié)構(gòu)生成平行數(shù)據(jù)，在GRU預(yù)測分析下，采用適用度最高的結(jié)構(gòu)的平行數(shù)據(jù)與原始數(shù)據(jù)關(guān)聯(lián)，以生成的復(fù)合數(shù)據(jù)作為訓練數(shù)據(jù)，并將其通過GRU預(yù)測的結(jié)果結(jié)合方差-協(xié)方差權(quán)重組合模式得到最終的預(yù)測結(jié)果。實驗結(jié)果表明，這種組合模型預(yù)測能力遠高于傳統(tǒng)模型，對數(shù)據(jù)匱乏場景下的商業(yè)建筑節(jié)能具有要意義。