貧乏信息下基于深度遷移學(xué)習(xí)的智慧建筑負(fù)荷預(yù)測(cè)方法

江晶晶 竇真蘭 楊海濤 趙 敏

貧乏信息下基于深度遷移學(xué)習(xí)的智慧建筑負(fù)荷預(yù)測(cè)方法

江晶晶1竇真蘭2楊海濤1趙 敏1

（1. 國(guó)網(wǎng)上海市電力公司市北供電公司，上海 200070； 2. 國(guó)網(wǎng)上海綜合能源服務(wù)有限公司，上海 200235）

精確的負(fù)荷預(yù)測(cè)可以顯著優(yōu)化建筑設(shè)備運(yùn)行策略，釋放建筑節(jié)能潛力，其中基于數(shù)據(jù)驅(qū)動(dòng)的負(fù)荷預(yù)測(cè)模型得到了廣泛關(guān)注。然而，一些具有新建數(shù)據(jù)平臺(tái)的建筑能夠?yàn)槟Ｐ吞峁┑臄?shù)據(jù)非常有限。為了提高在貧乏信息狀態(tài)下的預(yù)測(cè)性能，本文建立一種基于因果卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的深度遷移學(xué)習(xí)負(fù)荷預(yù)測(cè)模型。首先，引入遷移學(xué)習(xí)機(jī)制，將與目標(biāo)建筑類型一致的建筑作為源域建筑為模型提供數(shù)據(jù)；其次，引入全卷積神經(jīng)網(wǎng)絡(luò)和因果邏輯約束增強(qiáng)時(shí)間序列特征表達(dá)，以增加輸出神經(jīng)元的接受域并提升預(yù)測(cè)精度；最后，以實(shí)際工程中的辦公建筑為例，對(duì)所提出的方法和所建模型進(jìn)行驗(yàn)證，并將預(yù)測(cè)結(jié)果與長(zhǎng)短期記憶網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果相比。結(jié)果顯示，本文所建模型將預(yù)測(cè)值與實(shí)際值的平均絕對(duì)百分比誤差和方均根誤差系數(shù)分別平均降低了22.88%和0.372 0。

負(fù)荷預(yù)測(cè)；遷移學(xué)習(xí)；深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)（CNN）

0 引言

從世界范圍來(lái)看，建筑負(fù)荷目前約占總負(fù)荷的40%，由此可見，優(yōu)化建筑運(yùn)行性能至關(guān)重要[1]。中國(guó)已成為僅次于美國(guó)的第二大能源消費(fèi)國(guó)，建筑負(fù)荷約占全國(guó)總負(fù)荷的30%[2]。因此，建筑具有相當(dāng)大的節(jié)能潛力。為達(dá)到節(jié)能環(huán)保的運(yùn)行目標(biāo)，需要精確預(yù)測(cè)建筑負(fù)荷，因?yàn)樨?fù)荷預(yù)測(cè)的準(zhǔn)確性直接影響建筑能源設(shè)備的控制策略，從而影響建筑的節(jié)能潛力。例如，減少高峰電力需求能夠取得一定的經(jīng)濟(jì)和環(huán)境效益[3]，因?yàn)楦叻逍枨笫悄茉聪到y(tǒng)基礎(chǔ)設(shè)施投資增長(zhǎng)的主要因素[4]。因此，準(zhǔn)確的建筑負(fù)荷預(yù)測(cè)可使電網(wǎng)和終端用戶受益[5]，從而降低系統(tǒng)的運(yùn)營(yíng)風(fēng)險(xiǎn)[6]。

預(yù)測(cè)建筑負(fù)荷的方法可分為兩種：物理建模方法和數(shù)據(jù)驅(qū)動(dòng)方法[7]。物理建模方法考慮與建筑本身特性相關(guān)的參數(shù)，并通過(guò)明確的供能機(jī)制獲得建筑負(fù)荷數(shù)據(jù)。但構(gòu)建建筑物理模型需要大量與建筑運(yùn)行相關(guān)的參數(shù)（建筑熱物理參數(shù)、能源設(shè)備參數(shù)等）和詳細(xì)的系統(tǒng)設(shè)置（人員活動(dòng)時(shí)間表、空調(diào)分區(qū)等），而這些數(shù)據(jù)一般很難獲得。數(shù)據(jù)驅(qū)動(dòng)方法可以依靠大量歷史數(shù)據(jù)來(lái)預(yù)測(cè)建筑負(fù)荷而不需要建立復(fù)雜的物理模型。已有大量的文獻(xiàn)驗(yàn)證了數(shù)據(jù)驅(qū)動(dòng)方法在負(fù)荷預(yù)測(cè)中的有效性。例如，文獻(xiàn)[8]使用回歸卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）提取輸入數(shù)據(jù)的隱含信息并用支持向量回歸模型來(lái)預(yù)測(cè)短期電、熱負(fù)荷；文獻(xiàn)[9]總結(jié)了五個(gè)深度學(xué)習(xí)模型在負(fù)荷及新能源功率預(yù)測(cè)、電力系統(tǒng)故障診斷、暫態(tài)穩(wěn)定性分析等方面的應(yīng)用現(xiàn)狀，這五個(gè)模型分別是：生成式對(duì)抗網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、堆疊自動(dòng)編碼器和深度信念網(wǎng)絡(luò)。

近年來(lái)，隨著建筑負(fù)荷數(shù)據(jù)維數(shù)的不斷提高，深度學(xué)習(xí)以其處理高維數(shù)據(jù)的優(yōu)越性能得到越來(lái)越多的應(yīng)用[10-11]。文獻(xiàn)[12]回顧了負(fù)荷預(yù)測(cè)中的傳統(tǒng)模型和基于深度學(xué)習(xí)的模型，并從預(yù)測(cè)范圍、應(yīng)用領(lǐng)域、模型類型和預(yù)測(cè)精度等方面對(duì)模型進(jìn)行了討論；文獻(xiàn)[13]證明了簡(jiǎn)單稠密深度學(xué)習(xí)模型相比隨機(jī)森林或梯度增強(qiáng)模型能獲得更好的精度。然而，數(shù)據(jù)驅(qū)動(dòng)模型都需要大量的歷史數(shù)據(jù)，這一要求在一些新建建筑或具有新建能源監(jiān)控平臺(tái)的建筑中很難滿足。因此，本文在使用數(shù)據(jù)驅(qū)動(dòng)方法進(jìn)行負(fù)荷預(yù)測(cè)時(shí)，使用遷移學(xué)習(xí)來(lái)解決歷史數(shù)據(jù)貧乏的問(wèn)題。遷移學(xué)習(xí)可以在許多領(lǐng)域中解決現(xiàn)實(shí)世界的問(wèn)題，例如自然語(yǔ)言處理[14-15]、人臉識(shí)別[16]和視覺(jué)跟蹤[17]等。在能源和建筑領(lǐng)域，文獻(xiàn)[18]使用在線遷移學(xué)習(xí)預(yù)測(cè)住宅建筑中的溫度，文獻(xiàn)[19]使用具有強(qiáng)化學(xué)習(xí)的深度置信網(wǎng)絡(luò)構(gòu)建在線跨建筑遷移學(xué)習(xí)模型。在目前關(guān)于深度學(xué)習(xí)的研究中，卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶（long short-term memory, LSTM）網(wǎng)絡(luò)被廣泛應(yīng)用，尤其是在計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理當(dāng)中[20]。

相較于K均值聚類算法[21]、主成分分析法[22]、支持向量機(jī)[23]、極限學(xué)習(xí)機(jī)等[24]算法，以及多尺度時(shí)序分析[25-26]方法，CNN模型在特征提取方面具有平移不變性和特征提取結(jié)果準(zhǔn)確的優(yōu)勢(shì)，所以，本文選用CNN模型從數(shù)據(jù)中提取高維特征。長(zhǎng)短期記憶網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)常被用來(lái)處理時(shí)間序列數(shù)據(jù)，因此，本文使用一個(gè)典型LSTM模型作為對(duì)照。同時(shí)，為保證遷移學(xué)習(xí)中源域數(shù)據(jù)的有效性，本文采用動(dòng)態(tài)時(shí)間規(guī)整（dynamic time warping, DTW）和JS（Jensen-Shannon）散度對(duì)源域建筑數(shù)據(jù)與目標(biāo)域建筑數(shù)據(jù)的相關(guān)性進(jìn)行評(píng)價(jià)，作為選擇源域數(shù)據(jù)集的依據(jù)。

1 基于深度遷移學(xué)習(xí)的負(fù)荷預(yù)測(cè)

1.1 選擇源域數(shù)據(jù)集

合理的源域數(shù)據(jù)在遷移學(xué)習(xí)中起著至關(guān)重要的作用，與目標(biāo)建筑具有不同特征分布的源域數(shù)據(jù)可能會(huì)嚴(yán)重影響負(fù)荷預(yù)測(cè)模型的性能。因此，本文使用DTW和JS散度來(lái)計(jì)算不同負(fù)荷數(shù)據(jù)集之間的相關(guān)性。

DTW的數(shù)學(xué)公式為

作為基于距離的方法，DTW著重比較時(shí)間序列的形狀相似度，而相對(duì)忽略時(shí)間序列之間的內(nèi)部特征分布。因此，使用JS散度進(jìn)一步計(jì)算兩個(gè)序列之間的內(nèi)部特征分布的相似度。

JS散度是KL散度的函數(shù)，有

綜上所述，DTW和JS散度的綜合應(yīng)用考慮了不同序列之間的形狀和內(nèi)部特征分布，從而可以評(píng)估時(shí)間序列之間的相似性并指導(dǎo)目標(biāo)建筑負(fù)荷預(yù)測(cè)的源域數(shù)據(jù)集的選擇。

1.2 預(yù)訓(xùn)練模型

負(fù)荷預(yù)測(cè)模型的輸入是一組一維時(shí)間序列，任務(wù)是根據(jù)歷史數(shù)據(jù)預(yù)測(cè)1的值。由于時(shí)間序列的固有局限性，負(fù)荷預(yù)測(cè)結(jié)果只受其先前的觀測(cè)值影響，而不受任何未來(lái)值的影響。因此，選用因果卷積網(wǎng)絡(luò)作為深度遷移學(xué)習(xí)模型的框架。因果卷積網(wǎng)絡(luò)可以等效地通過(guò)在輸入時(shí)間序列之前填充一組零，然后輸入層1維卷積層來(lái)實(shí)現(xiàn)。除了最后一層之外，每一層都采用線性整流函數(shù)（rectified linear unit, ReLU）作為激活函數(shù)，第層采用線性激活函數(shù)。最后經(jīng)過(guò)一個(gè)1×1維卷積層產(chǎn)生一維輸出。

首先要在源域上訓(xùn)練模型，然后將學(xué)習(xí)到的知識(shí)遷移到目標(biāo)域上的因果卷積神經(jīng)網(wǎng)絡(luò)中。在預(yù)訓(xùn)練模型階段，首先基于上述選擇源域數(shù)據(jù)集的方法篩選合適的源域數(shù)據(jù)集，然后將篩選得到的源域數(shù)據(jù)集作為預(yù)訓(xùn)練的數(shù)據(jù)庫(kù)，采用文獻(xiàn)[27]中提出的卷積神經(jīng)網(wǎng)絡(luò)回歸模型訓(xùn)練方法，使用前向傳播算法得到預(yù)測(cè)值后，再用反向傳播算法鏈?zhǔn)角髮?dǎo)，計(jì)算損失函數(shù)對(duì)每個(gè)權(quán)重的偏導(dǎo)數(shù)，再使用梯度下降法對(duì)權(quán)重進(jìn)行更新。所得權(quán)重即為預(yù)測(cè)模型在預(yù)訓(xùn)練階段所得知識(shí)，需要后續(xù)利用目標(biāo)域的數(shù)據(jù)對(duì)該模型進(jìn)行微調(diào)，使其滿足新建建筑的預(yù)測(cè)需求。

1.3 微調(diào)

微調(diào)階段的損失函數(shù)是為使源域和目標(biāo)域的特征分布統(tǒng)一而設(shè)計(jì)的，詳細(xì)說(shuō)明如下。

本文采用隨機(jī)梯度下降法（stochastic gradient descent, SGD）來(lái)求解式（3）中的優(yōu)化問(wèn)題。梯度的計(jì)算方法為

負(fù)荷預(yù)測(cè)模型訓(xùn)練流程如圖1所示，可以將貧乏信息下建筑負(fù)荷預(yù)測(cè)模型的構(gòu)建分為兩個(gè)階段，即模型預(yù)訓(xùn)練階段和微調(diào)階段。在模型預(yù)訓(xùn)練階段，基于源域和目標(biāo)域的建筑負(fù)荷數(shù)據(jù)訓(xùn)練參數(shù)，獲得的參數(shù)是全局參數(shù)。在微調(diào)階段，將針對(duì)目標(biāo)建筑的負(fù)荷時(shí)間序列專門訓(xùn)練參數(shù)，即微調(diào)階段學(xué)習(xí)到的參數(shù)是局部參數(shù)。因此，本文建立的模型可以看作是具有全局參數(shù)和局部參數(shù)的混合模型。

2 案例分析

本節(jié)將使用實(shí)測(cè)數(shù)據(jù)對(duì)本文所建立的基于深度遷移學(xué)習(xí)的負(fù)荷預(yù)測(cè)模型進(jìn)行分析和比較，以驗(yàn)證該模型在貧乏信息情況下進(jìn)行建筑負(fù)荷預(yù)測(cè)的有 效性。

圖1 負(fù)荷預(yù)測(cè)模型訓(xùn)練流程

2.1 基礎(chǔ)數(shù)據(jù)

本文對(duì)上海世博園區(qū)B片區(qū)內(nèi)的三棟辦公建筑進(jìn)行研究分析，分別將三棟建筑的其中一棟作為目標(biāo)建筑進(jìn)行三組對(duì)照實(shí)驗(yàn)，即將建筑A作為目標(biāo)建筑，建筑B和建筑C作為源域建筑，之后將建筑B作為目標(biāo)建筑，另外兩棟建筑作為源域建筑，以此類推共構(gòu)建三組不同的實(shí)驗(yàn)用以驗(yàn)證模型和方法。由于三棟建筑的距離相近，因而三棟建筑所處地區(qū)的天氣狀態(tài)和氣象參數(shù)都比較接近。此外，由于三棟建筑都屬于辦公建筑，其每日運(yùn)行時(shí)間和每年的節(jié)假日、公休日時(shí)間都是一致的，即這三棟建筑處于同樣的運(yùn)行時(shí)間表中，可以說(shuō)這三棟建筑是統(tǒng)一類型的建筑。

本文對(duì)目標(biāo)建筑一年的冷、熱、電負(fù)荷進(jìn)行預(yù)測(cè)，即將目標(biāo)建筑一年12個(gè)月的負(fù)荷分別進(jìn)行12次預(yù)測(cè)并將結(jié)果匯總為一年的數(shù)據(jù)。表1為不同實(shí)驗(yàn)中源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)的構(gòu)成，每個(gè)目標(biāo)域包含目標(biāo)建筑前一年12個(gè)月的負(fù)荷數(shù)據(jù)，每個(gè)源域都包括其他兩棟建筑24個(gè)月的數(shù)據(jù)，在整個(gè)訓(xùn)練的過(guò)程中，數(shù)據(jù)按照不同建筑和不同年份按順序排列。

表1 不同實(shí)驗(yàn)中源域和目標(biāo)域的數(shù)據(jù)構(gòu)成

為了在每個(gè)實(shí)驗(yàn)中驗(yàn)證所提模型的有效性，本文在每個(gè)實(shí)驗(yàn)中又設(shè)定了三種不同的模型。

模型1：使用典型的LSTM層和一層全連接層構(gòu)建模型，在預(yù)測(cè)過(guò)程中僅使用目標(biāo)建筑前2個(gè)月的負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)。

模型2：模型2為本文建立的負(fù)荷預(yù)測(cè)模型，即基于因果卷積神經(jīng)網(wǎng)絡(luò)的深度遷移學(xué)習(xí)模型，訓(xùn)練集中包含了目標(biāo)建筑2年的完整數(shù)據(jù)。

模型3：模型3同樣為本文建立的基于深度遷移學(xué)習(xí)的負(fù)荷預(yù)測(cè)模型，但在預(yù)測(cè)過(guò)程中僅使用目標(biāo)建筑前2個(gè)月的負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)。

2.2 結(jié)果分析及比較

由于案例中的三棟建筑面積差異較大，其建筑能耗的數(shù)值也會(huì)處在不同的量級(jí)上。因此傳統(tǒng)的方均根誤差（root mean square error, RMSE）不適合用來(lái)比較不同建筑的預(yù)測(cè)精度。在本文的遷移學(xué)習(xí)案例研究中，選擇平均絕對(duì)百分比誤差（mean absolute percentage error, MAPE）和方均根誤差系數(shù)（coefficient of variation of root mean square error, CV-RMSE）衡量模型的預(yù)測(cè)性能。

MAPE和CV-RMSE的計(jì)算式為

表2為不同建筑的實(shí)驗(yàn)結(jié)果，包含每個(gè)實(shí)驗(yàn)中三種負(fù)荷預(yù)測(cè)數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)的MAPE平均值和CV-RMSE平均值。

表2 不同建筑的實(shí)驗(yàn)結(jié)果

比較三組模型的預(yù)測(cè)結(jié)果可以看出，模型1在不同建筑的實(shí)驗(yàn)中都取得了最差的MAPE結(jié)果，在建筑B中取得了最差的CV-RMSE結(jié)果，在其他建筑的實(shí)驗(yàn)中得到的CV-RMSE結(jié)果也較差。這是因?yàn)槟Ｐ?的目的是用于模擬我國(guó)當(dāng)前建筑負(fù)荷信息相對(duì)貧乏情況下的預(yù)測(cè)精度，在整個(gè)模型訓(xùn)練的過(guò)程中僅使用了目標(biāo)建筑2個(gè)月的數(shù)據(jù)用于訓(xùn)練并預(yù)測(cè)目標(biāo)建筑下一個(gè)月的能耗。這樣的預(yù)測(cè)結(jié)果也更說(shuō)明了建筑負(fù)荷信息的貧乏會(huì)很大程度地影響負(fù)荷預(yù)測(cè)的精度。對(duì)比每一個(gè)實(shí)驗(yàn)中模型1和模型2、模型3的差值可以看出，在建筑B作為目標(biāo)建筑的實(shí)驗(yàn)中，遷移學(xué)習(xí)模型取得的精度提升是最明顯的。相比于模型1的精度，模型2將MAPE降低了22.95%，將CV-RMSE降低了0.355 4，可見通過(guò)模型2的遷移學(xué)習(xí)可以有效提升建筑B的能耗預(yù)測(cè)精度。模型3將MAPE降低了22.81%，將CV-RMSE降低了0.388 5。模型3對(duì)于CV-RMSE的提升效果比模型2要更明顯一些，而MAPE則稍弱一些，但總體的差距并不是很大，這說(shuō)明模型3對(duì)于建筑B的遷移學(xué)習(xí)也有很好的效果，預(yù)測(cè)的精度也比較好，可以滿足工程實(shí)際中的應(yīng)用要求。

在上述比較當(dāng)中，建筑A在貧乏信息下的負(fù)荷預(yù)測(cè)精度最好，因此本文以建筑A為例，對(duì)上海世博B片區(qū)綜合能源站的冷、熱、電負(fù)荷的預(yù)測(cè)結(jié)果分別進(jìn)行分析。冷、熱、電負(fù)荷預(yù)測(cè)結(jié)果分別如圖2～圖4所示，負(fù)荷預(yù)測(cè)評(píng)價(jià)結(jié)果見表3。

從建筑A的預(yù)測(cè)結(jié)果可以看出，全年冷負(fù)荷的預(yù)測(cè)精度最差，MAPE高達(dá)14.80%，CV-RMSE也為三種負(fù)荷的最大值，這可能是由于建筑冷負(fù)荷的復(fù)雜特性和用能行為導(dǎo)致的。熱負(fù)荷和電負(fù)荷的MAPE都低于10%，分別為6.80%和5.61%，這是因?yàn)椋啾扔诶湄?fù)荷，供熱設(shè)備的起停和管理通常由建筑調(diào)度中心整體調(diào)控，因此建筑的供熱需求在供熱季會(huì)較為固定，對(duì)熱負(fù)荷的預(yù)測(cè)也較為容易。相比于熱負(fù)荷，電負(fù)荷的CV-RMSE更低，這是由于電負(fù)荷的大小往往和各種用電設(shè)備有密切的關(guān)系，而這部分設(shè)備的使用往往由于工作時(shí)間的規(guī)定而較為固定，導(dǎo)致電負(fù)荷在全年的變化往往服從一個(gè)規(guī)律的工作日變化。

圖2 冷負(fù)荷預(yù)測(cè)結(jié)果

圖3 熱負(fù)荷預(yù)測(cè)結(jié)果

圖4 電負(fù)荷預(yù)測(cè)結(jié)果

表3 負(fù)荷預(yù)測(cè)評(píng)價(jià)結(jié)果

3 結(jié)論

本文建立了一種基于深度遷移學(xué)習(xí)的負(fù)荷預(yù)測(cè)模型，該模型可以從其他類似建筑的歷史數(shù)據(jù)中提取有效信息和知識(shí)并使原始數(shù)據(jù)貧乏的目標(biāo)建筑獲得較為理想的負(fù)荷預(yù)測(cè)結(jié)果。

為驗(yàn)證模型的有效性，以上海三座政府辦公樓為例，分別設(shè)置了多組對(duì)照案例進(jìn)行研究。與同樣模擬貧乏信息情況的LSTM模型結(jié)果相比，本文所建立的基于因果卷積神經(jīng)網(wǎng)絡(luò)和深度遷移學(xué)習(xí)的負(fù)荷預(yù)測(cè)模型將負(fù)荷的預(yù)測(cè)值與實(shí)測(cè)值的平均絕對(duì)百分比誤差平均降低了22.88%，方均根誤差系數(shù)平均降低了0.372 0。在對(duì)建筑A的全年冷、熱、電負(fù)荷預(yù)測(cè)結(jié)果的分析中，各類負(fù)荷的預(yù)測(cè)值均接近目標(biāo)建筑本身的實(shí)際值，但冷負(fù)荷的預(yù)測(cè)精度相對(duì)較差，預(yù)測(cè)值與實(shí)際值的方均根誤差系數(shù)和平均絕對(duì)百分比誤差分別為0.165 3和14.80%；電、熱負(fù)荷的預(yù)測(cè)精度相對(duì)較好，預(yù)測(cè)值與實(shí)際值的平均絕對(duì)百分比誤差均在10%以下。

[1] 王健, 阮應(yīng)君. 建筑分布式能源系統(tǒng)設(shè)計(jì)與優(yōu)化[M].上海: 同濟(jì)大學(xué)出版社, 2018.

[2] JRADI M, RIFFAT S. Tri-generation systems: energy- policies, prime movers, cooling technologies, configu- reations and operation strategies[J]. Renewable & Sustainable Energy Reviews, 2014, 32: 396-415.

[3] 廖麗娜. 面向建筑的天然氣三聯(lián)供與可再生能源的耦合優(yōu)化設(shè)計(jì)[D]. 上海: 上海電力學(xué)院, 2015.

[4] 潘毅群, 郁叢, 龍惟定, 等. 區(qū)域建筑負(fù)荷與能耗預(yù)測(cè)研究綜述[J]. 暖通空調(diào), 2015, 45(3): 33-40.

[5] KAVGIC M, MAVROGIANNI A, MUMOVIC D, et al. A review of bottom-up building stock models for energy consumption in the residential sector[J]. Building and Environment, 2010, 45(7): 1683-1697.

[6] KONTOKOSTA C E, TULL C. A data-driven predi- ctive model of city-scale energy use in buildings[J]. Applied Energy, 2017, 197: 303-317.

[7] 燕達(dá), 陳友明, 潘毅群, 等. 我國(guó)建筑能耗模擬的研究現(xiàn)狀與發(fā)展[J]. 建筑科學(xué), 2018, 34(10): 130-137.

[8] 羅鳳章, 張旭, 楊欣, 等. 基于深度學(xué)習(xí)的綜合能源配電系統(tǒng)負(fù)荷分析預(yù)測(cè)[J]. 高電壓技術(shù), 2021, 47(1): 23-32.

[9] 周念成, 廖建權(quán), 王強(qiáng)鋼, 等. 深度學(xué)習(xí)在智能電網(wǎng)中的應(yīng)用現(xiàn)狀分析與展望[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(4): 180-191.

[10] HAN Fujia, PU Tianjiao, LI Maozhen, et al. Short- term forecasting of individual residential load based on deep learning and K-means clustering[J]. CSEE Journal of Power and Energy Systems, 2021, 7(2): 261-269.

[11] RUNGE J, ZMEUREANU R. A review of deep learning techniques for forecasting energy use in buildings[J]. Energies, 2021, 14(3): 1-26.

[12] WEI Nan, LI Changjun, PENG Xiaolong, et al. Conventional models and artificial intelligence-based models for energy consumption forecasting: a review[J]. Journal of Petroleum Science and Engineering, 2019, 181: 106187.

[13] RUAN Yingjun, LIU Qingrong, LI Zhengwei, et al. Optimization and analysis of building combined cooling, heating and power (BCHP) plants with chilled ice thermal storage system[J]. Applied Energy, 2016, 179: 738-754.

[14] 徐萍, 吳超, 胡峰俊, 等. 基于遷移學(xué)習(xí)的個(gè)性化循環(huán)神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型[J]. 南京理工大學(xué)學(xué)報(bào), 2018, 42(4): 401-408.

[15] YU Chongchong, CHEN Yunbing, LI Yueqiao, et al. Cross-language end-to-end speech recognition research based on transfer learning for the low-resource Tujia language[J]. Symmetry, 2019, 11(2): 179.

[16] 亢潔, 李佳偉, 楊思力. 基于域適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別[J]. 計(jì)算機(jī)工程, 2019, 45(12): 201- 206.

[17] WANG Shanshan, ZHANG Lei, ZUO Wangmeng, et al. Class-specific reconstruction tansfer learning for visual recognition across domains[J]. IEEE Transa- ctions on Image Processing, 2020, 29: 2424-2438.

[18] GUO Li, LIU Wenjian, CAI Jiejin, et al. A two-stage optimal planning and design method for combined cooling, heat and power micro-grid system[J]. Energy Conversion and Management, 2013, 74: 433-445.

[19] 曾競(jìng). 區(qū)域供冷供熱管網(wǎng)系統(tǒng)優(yōu)化設(shè)計(jì)研究[D]. 長(zhǎng)沙: 湖南大學(xué), 2017.

[20] FANG Tingting, LAHDELMA R. Genetic optimization of multi-plant heat production in district heating networks[J]. Applied Energy. 2015, 159: 610-619.

[21] 陳振祥, 林培杰, 程樹英, 等. 基于K-means++和混合深度學(xué)習(xí)的光伏功率預(yù)測(cè)[J]. 電氣技術(shù), 2021, 22(9): 7-13, 33.

[22] 洪華偉, 王峰, 鄭鵬, 等. 基于模糊綜合評(píng)價(jià)與主成分分析的客戶用電能效研究[J]. 電氣技術(shù), 2020, 21(10): 29-34, 40.

[23] 王東, 史曉霞, 尹交英. 不同核函數(shù)的支持向量機(jī)用于空調(diào)負(fù)荷預(yù)測(cè)的對(duì)比研究[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(增刊1): 531-535.

[24] 劉念, 張清鑫, 劉海濤. 基于核函數(shù)極限學(xué)習(xí)機(jī)的微電網(wǎng)短期負(fù)荷預(yù)測(cè)方法[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(8): 218-224.

[25] 張帥, 楊晶顯, 劉繼春, 等. 基于多尺度時(shí)序建模與估計(jì)的電力負(fù)荷數(shù)據(jù)恢復(fù)[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(13): 2736-2746.

[26] 儲(chǔ)晨陽(yáng), 秦川, 鞠平, 等. 基于優(yōu)化稀疏編碼的超短期負(fù)荷滾動(dòng)多步預(yù)測(cè)[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(19): 4050-4059.

[27] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. Imagenet classification with deep convolutional neural networks[J]. Communicatios of the ACM, 2017, 60(6): 84-90.

Load forecasting method of smart building based on deep transfer learning under poor information

JIANG Jingjing1DOU Zhenlan2YANG Haitao1ZHAO Min1

(1. Shibei Electricity Supply Company of State Grid Shanghai Municipal Electric Power Company, Shanghai 200070; 2. State Grid Shanghai Comprehensive Energy Service Co., Ltd, Shanghai 200235)

Accurate load forecasting can significantly optimize the operation strategy of equipment and release the energy-saving potential of buildings. With the advancement of computer science and smart meters, data-driven load forecasting models have become popular because of good forecasting accuracy. To improve the forecasting performance under poor information, this paper proposes a deep-transfer-learning predictive method based on the causal convolutional neural network. Taking three office buildings of the same type as an example, one of them is set as the target building and the other two are set as the source building. The proposed method and the built model are verified, and the forecasting results are compared with the long short-term memory network model. The forecasting results show that the model built in this paper reduces the average percentage error and the root mean square error coefficient of the predicted value and the actual value by 22.81% and 38.85%, respectively. Finally, this paper selects a building with better forecasting accuracy and compares and analyzes its annual cold, heat, and electrical load forecast results. The results show that the forecast accuracy of electricity and heat load is better than that of cooling load.

load forecasting; transfer learning; deep learning; convolutional neural network (CNN)

2021-09-29

2021-11-22

江晶晶（1982—），女，浙江省寧波市人，碩士，工程師，主要從事電能計(jì)量裝置安裝與故障處理方面的研究工作。

國(guó)家電網(wǎng)公司總部科技項(xiàng)目（5400-202017201A-0-0-00）