基于Seq-GRU的建筑能耗預(yù)測方法研究

摘 要：預(yù)測建筑能耗常用物理模型方法和機(jī)器學(xué)習(xí)方法，針對(duì)這兩種方法存在數(shù)據(jù)獲取難度大與大規(guī)模建筑能耗數(shù)據(jù)下預(yù)測精度不高的問題，提出了一種基于Seq-GRU的建筑能耗預(yù)測方法。通過構(gòu)建Seq-GRU深度學(xué)習(xí)模型，使用歷史建筑能耗數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練，重點(diǎn)研究建筑能耗數(shù)據(jù)不同特征對(duì)預(yù)測結(jié)果的非線性關(guān)系。Seq-GRU使用GRU構(gòu)建Seq2Seq模型，預(yù)測一段時(shí)間內(nèi)的建筑能耗數(shù)據(jù)，并通過引入注意力機(jī)制等方法提高模型的預(yù)測精度和速率。實(shí)驗(yàn)結(jié)果表明，基于Seq-GRU的建筑能耗預(yù)測方法可以獲取較好的建筑能耗數(shù)據(jù)。

關(guān)鍵詞：深度學(xué)習(xí)；建筑能耗預(yù)測；時(shí)間序列；神經(jīng)網(wǎng)絡(luò)；注意力機(jī)制；物聯(lián)網(wǎng)

中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）04-00-06

DOI：10.16667/j.issn.2095-1302.2024.04.014

0 引 言

隨著社會(huì)的快速發(fā)展，我國建筑規(guī)模不斷擴(kuò)大，建筑能耗逐年增加。目前，我國的建筑運(yùn)行階段能耗占全國總能耗的21.7%，建筑碳排放占全社會(huì)總排放的40%，為達(dá)到我國2030年碳達(dá)峰，2060年碳中和的目標(biāo)，建筑是我國實(shí)現(xiàn)節(jié)能減排的關(guān)鍵領(lǐng)域。通過對(duì)建筑能耗進(jìn)行預(yù)測以指導(dǎo)建筑運(yùn)行模式，優(yōu)化運(yùn)行效率，幫助管理者合理控制各類設(shè)備，對(duì)于建筑節(jié)能減排有著重要的意義。

目前，建筑能耗預(yù)測方法主要分為2類，基于物理模型的工程方法和基于歷史能耗數(shù)據(jù)的數(shù)據(jù)驅(qū)動(dòng)方法?；谖锢砟Ｐ偷墓こ谭椒▽⒔ㄖ锏奈锢韰?shù)和環(huán)境參數(shù)作為仿真工具的輸入，許馨尹等[1]針對(duì)氣候變化，根據(jù)建筑物和環(huán)境參數(shù)的信息，對(duì)住宅和辦公建筑進(jìn)行能耗模擬，得出氣候變化與建筑能耗的關(guān)系；Fumo等[2]根據(jù)氣象模型及建筑相關(guān)信息，使用度日法對(duì)建筑能耗進(jìn)行模擬，其準(zhǔn)確率高于其他方法。由于建筑物的物理參數(shù)和環(huán)境參數(shù)獲取難度大，基于物理模型的工程方法常在使用時(shí)因缺少精確的數(shù)據(jù)，導(dǎo)致其預(yù)測結(jié)果不準(zhǔn)確。

基于歷史能耗數(shù)據(jù)的數(shù)據(jù)驅(qū)動(dòng)方法可在缺少建筑物物理參數(shù)的條件下，根據(jù)建筑物的歷史能耗數(shù)據(jù)對(duì)建筑能耗進(jìn)行精準(zhǔn)預(yù)測。數(shù)據(jù)驅(qū)動(dòng)方法包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等。常見的機(jī)器學(xué)習(xí)算法有支持向量機(jī)SVM[3]、人工神經(jīng)網(wǎng)絡(luò)ANN[4]和梯度漸進(jìn)回歸樹GBRT[5]等，這些算法需要人工干預(yù)降低數(shù)據(jù)的復(fù)雜度，從而讀取數(shù)據(jù)間的特征，且當(dāng)數(shù)據(jù)量過大時(shí)，支持向量機(jī)無法獲得精準(zhǔn)的預(yù)測結(jié)果，人工神經(jīng)網(wǎng)絡(luò)會(huì)出現(xiàn)過擬合。

隨著大數(shù)據(jù)和物聯(lián)網(wǎng)時(shí)代的到來，建筑能耗數(shù)據(jù)呈現(xiàn)指數(shù)型增長，常見的機(jī)器學(xué)習(xí)算法難以應(yīng)對(duì)龐大的建筑能耗數(shù)據(jù)，建筑能耗預(yù)測模型逐漸從淺層的機(jī)器學(xué)習(xí)發(fā)展到深度學(xué)習(xí)。深度學(xué)習(xí)[6-7]相比于機(jī)器學(xué)習(xí)，其可通過自身多層的網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)，提取建筑能耗數(shù)據(jù)的特征，學(xué)習(xí)數(shù)據(jù)間的相關(guān)性，快速給出預(yù)測結(jié)果，且隨著訓(xùn)練的能耗數(shù)據(jù)和迭代次數(shù)增多，預(yù)測精度可不斷提升[8]。常見的深度學(xué)習(xí)算法有自動(dòng)編碼器AE[9]、卷積神經(jīng)網(wǎng)絡(luò)CNN[10]、生成對(duì)抗網(wǎng)絡(luò)GAN[11]等。這些深度學(xué)習(xí)算法雖然可以用于能耗數(shù)據(jù)的預(yù)測，但能耗數(shù)據(jù)是建筑物在一段連續(xù)時(shí)間內(nèi)的用能統(tǒng)計(jì)，具有時(shí)間序列性，這些常見的深度學(xué)習(xí)算法網(wǎng)絡(luò)結(jié)構(gòu)不能有效的提取數(shù)據(jù)中的時(shí)序特征，預(yù)測精確度不高。因此有不少學(xué)者研究將循環(huán)神經(jīng)網(wǎng)絡(luò)RNN及其變體應(yīng)用在建筑能耗預(yù)測領(lǐng)域。KIM等[12]通過構(gòu)建CNN-LSTM模型有效預(yù)測建筑能耗數(shù)據(jù)，利用CNN提取能耗數(shù)據(jù)的空間特征，利用LSTM提取能耗數(shù)據(jù)的時(shí)間序列特征，其預(yù)測結(jié)果均優(yōu)于其他方法；MARINO等[13]構(gòu)建了基于LSTM的Seq2Seq深度學(xué)習(xí)模型，經(jīng)實(shí)驗(yàn)，其預(yù)測結(jié)果在不同時(shí)間跨度的數(shù)據(jù)上表現(xiàn)良好。循環(huán)神經(jīng)網(wǎng)絡(luò)RNN及其變體在預(yù)測建筑能耗領(lǐng)域有廣泛的應(yīng)用，但其并未考慮輸入數(shù)據(jù)不同特征對(duì)預(yù)測結(jié)果的

影響。

基于上述研究，本文提出了一種基于Seq-GRU的建筑能耗預(yù)測方法，通過構(gòu)建Seq-GRU深度學(xué)習(xí)模型，對(duì)歷史建筑能耗數(shù)據(jù)進(jìn)行學(xué)習(xí)，重點(diǎn)研究建筑能耗數(shù)據(jù)不同特征對(duì)預(yù)測結(jié)果的非線性關(guān)系。該深度學(xué)習(xí)模型使用GRU構(gòu)建Seq2Seq的編碼和解碼層，提高模型處理時(shí)間序列數(shù)據(jù)的準(zhǔn)確性和快速性，并引入注意力機(jī)制等方法進(jìn)一步研究數(shù)據(jù)不同特征對(duì)預(yù)測結(jié)果的影響，提高模型的預(yù)測精度。

1 相關(guān)理論基礎(chǔ)

1.1 GRU神經(jīng)網(wǎng)絡(luò)

門控循環(huán)單元GRU是循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的一種變體，相比于RNN，GRU可以通過自身特殊的門結(jié)構(gòu)解決RNN的長期依賴問題，保證了信息的遠(yuǎn)距離傳輸。GRU內(nèi)部結(jié)構(gòu)如圖1所示。

（1）

（2）

（3）

（4）

（5）

式中：zt為t時(shí)刻的更新門狀態(tài)；rt為t時(shí)刻的重置門狀態(tài)；gt為t時(shí)刻的候選隱藏狀態(tài)；xt為t時(shí)刻的輸入；ht-1、ht為t-1和t時(shí)刻的記憶；yt為t時(shí)刻的輸出；W為權(quán)重系數(shù)；σ為激活函數(shù)。

1.2 Seq2Seq模型

Seq2Seq為序列到序列模型，內(nèi)部結(jié)構(gòu)如圖2所示。其將輸入和輸出分成兩部分處理，解決了單個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)RNN只能處理序列到序列等長的問題。Seq2Seq編碼層負(fù)責(zé)對(duì)輸入序列進(jìn)行編碼，生成固定長度的中間向量C，解碼層在給定的隱藏狀態(tài)下，將中間向量C變成可變長度的輸出序列。本文利用該特點(diǎn)構(gòu)建的Seq-GRU深度學(xué)習(xí)模型可以輸入任意時(shí)間段內(nèi)的所有建筑能耗數(shù)據(jù)，預(yù)測之后某段時(shí)間內(nèi)所有時(shí)刻的建筑能耗數(shù)據(jù)。

由于Seq2Seq的內(nèi)部神經(jīng)元是循環(huán)神經(jīng)網(wǎng)絡(luò)RNN，容易發(fā)生梯度消失和梯度爆炸，本文對(duì)其進(jìn)行了優(yōu)化，使用GRU構(gòu)建Seq2Seq模型。

1.3 注意力機(jī)制

建筑能耗數(shù)據(jù)各特征對(duì)預(yù)測結(jié)果影響程度不一，而Seq2Seq模型的編碼層將輸入數(shù)據(jù)編碼成固定向量C，對(duì)輸入數(shù)據(jù)的特征沒有區(qū)分，容易忽視一些包含重要信息的特征。本文在Seq2Seq模型中引入注意力機(jī)制，注意力機(jī)制是一種模仿視覺對(duì)全局事物賦予不同注意力的信息處理方式，其可以快速從大量數(shù)據(jù)中選出高價(jià)值數(shù)據(jù)，注意力機(jī)制如圖3

所示。

注意力機(jī)制計(jì)算如式（6）所示：

（6）

式中：n為建筑能耗數(shù)據(jù)的輸入條數(shù)；hi為第i條建筑能耗數(shù)據(jù)特征；ai為第i條建筑能耗數(shù)據(jù)特征的權(quán)值；C為注意力機(jī)制層的輸出向量。通過引入注意力機(jī)制，模型可對(duì)建筑能耗數(shù)據(jù)各特征賦予合理的權(quán)重，提高模型預(yù)測精度。

1.4 teacher forcing

Seq2Seq模型的解碼層前一時(shí)間步的輸出作為下一時(shí)間步的輸入，當(dāng)前一時(shí)間步輸出的結(jié)果錯(cuò)誤時(shí)，會(huì)影響之后時(shí)間步的輸出。本文使用了teacher forcing訓(xùn)練方式，在teacher forcing訓(xùn)練方式中每一時(shí)間步的輸入都是前一時(shí)間步正確的輸出結(jié)果，提高了模型的訓(xùn)練速度和穩(wěn)定性。門控循環(huán)單元teacher forcing訓(xùn)練方式如圖4所示。

2 基于Seq-GRU的建筑能耗預(yù)測方法設(shè)計(jì)

本文提出一種基于Seq-GRU的建筑能耗預(yù)測方法，方法流程如圖5所示。該方法首先對(duì)歷史能耗數(shù)據(jù)進(jìn)行清洗、歸一化處理及特征選取，去掉無關(guān)的影響因素，再對(duì)數(shù)據(jù)進(jìn)行編碼和訓(xùn)練集、測試集劃分，將數(shù)據(jù)輸入到Seq-GRU深度學(xué)習(xí)模型中訓(xùn)練，通過注意力機(jī)制對(duì)各數(shù)據(jù)特征賦權(quán)重，并在訓(xùn)練階段的解碼層輸入預(yù)測時(shí)刻真實(shí)的能耗數(shù)據(jù)，加快模型訓(xùn)練速度，提升模型預(yù)測精度，實(shí)現(xiàn)建筑能耗的預(yù)測。

2.1 數(shù)據(jù)預(yù)處理

2.1.1 數(shù)據(jù)清洗

數(shù)據(jù)清洗是為了減少數(shù)據(jù)中的異常值對(duì)預(yù)測結(jié)果產(chǎn)生的影響。本文使用的數(shù)據(jù)清洗方法為3sigma，如式（7）：

（7）

式中：μ表示均值；σ表示標(biāo)準(zhǔn)差，當(dāng)數(shù)據(jù)超出（μ-3σ，μ+3σ）區(qū)間時(shí)，被認(rèn)定為異常值。刪除異常值后，使用線性插值補(bǔ)全。

2.1.2 歸一化處理

樣本數(shù)據(jù)中各特征由于類型不同，數(shù)據(jù)間的差值很大，直接輸入模型訓(xùn)練會(huì)導(dǎo)致訓(xùn)練速度減緩，預(yù)測精度不高[14]。本文使用歸一化對(duì)樣本數(shù)據(jù)進(jìn)行處理，將數(shù)據(jù)歸到[0，1]范圍，如式（8）所示。模型最終輸出的結(jié)果需要反歸一化，得到實(shí)際值。

（8）

式中：y表示歸一化后的數(shù)據(jù)；x表示原始數(shù)據(jù)；xmin表示原始數(shù)據(jù)的最小值；xmax表示原始數(shù)據(jù)的最大值。

2.1.3 數(shù)據(jù)特征選取

樣本數(shù)據(jù)中包含溫度、濕度、云覆蓋、氣壓、風(fēng)向、風(fēng)速、工作日、紫外線指數(shù)等特征，這些特征對(duì)建筑能耗影響不一，若將數(shù)據(jù)全部輸入到深度學(xué)習(xí)模型中，會(huì)影響模型的訓(xùn)練速度和預(yù)測精度，因此需要?jiǎng)h除數(shù)據(jù)中的冗余特征，優(yōu)化樣本數(shù)據(jù)，提高模型可靠性。由于樣本特征與建筑能耗之間為非線性關(guān)系，且傳統(tǒng)相關(guān)系數(shù)只能處理線性相關(guān)問題，因此本文使用距離相關(guān)系數(shù)[15]檢驗(yàn)樣本特征與建筑能耗之間的相關(guān)性。

計(jì)算樣本數(shù)據(jù)特征M和建筑能耗N的Aop和Bop：

（9）

（10）

（11）

（12）

式中：o， p=1， 2， 3， ...， n。

計(jì)算數(shù)據(jù)特征M和建筑能耗N的樣本協(xié)方差V（M， N）：

（13）

計(jì)算數(shù)據(jù)特征M和建筑能耗N的距離相關(guān)系數(shù)R（M， N）：

（14）

式中：V（M）、V（N）為樣本方差。

樣本特征與建筑能耗之間的距離相關(guān)系數(shù)見表1所列，保留距離相關(guān)系數(shù)較大的特征：溫度、濕度、工作日、紫外線指數(shù)。篩選后的樣本數(shù)據(jù)結(jié)構(gòu)見表2所列。

2.1.4 數(shù)據(jù)編碼處理

Seq-GRU深度學(xué)習(xí)模型輸入需為向量形式，本文將篩選后的二維樣本數(shù)據(jù)映射成三維向量，使用Tensorflow的Embedding函數(shù)進(jìn)行編碼處理。本文構(gòu)建的Seq-GRU深度學(xué)習(xí)模型可以輸入任意時(shí)間段內(nèi)的所有建筑能耗數(shù)據(jù)，預(yù)測之后某段時(shí)間內(nèi)所有時(shí)刻的建筑能耗數(shù)據(jù)，因此本文設(shè)置每次向模型中輸入前一周的歷史建筑能耗數(shù)據(jù)，預(yù)測未來一天所有時(shí)刻的能耗數(shù)據(jù)，數(shù)據(jù)編碼維度變化見表3

所列。

2.2 針對(duì)建筑能耗預(yù)測問題的Seq-GRU深度學(xué)習(xí)模型構(gòu)建

本文針對(duì)建筑能耗預(yù)測問題，提出了基于Seq-GRU的建筑能耗預(yù)測方法，該方法的核心是Seq-GRU深度學(xué)習(xí)模型。本文對(duì)Seq2Seq模型進(jìn)行優(yōu)化，使用GRU構(gòu)建Seq2Seq模型的編碼層和解碼層，引入注意力機(jī)制和teacher forcing訓(xùn)練方法，加強(qiáng)模型的訓(xùn)練速度，提升模型的預(yù)測精度。通過歷史建筑能耗數(shù)據(jù)對(duì)Seq-GRU深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，研究建筑能耗數(shù)據(jù)不同特征對(duì)預(yù)測結(jié)果的非線性關(guān)系，生成能耗數(shù)據(jù)與預(yù)測結(jié)果的映射關(guān)系網(wǎng)絡(luò)，快速輸出預(yù)測結(jié)果。深度學(xué)習(xí)模型結(jié)構(gòu)如圖6所示。

2.3 評(píng)價(jià)指標(biāo)

本文采用平均絕對(duì)誤差MAE、均方誤差MSE、均方根誤差RMSE作為評(píng)價(jià)指標(biāo)，對(duì)本文深度學(xué)習(xí)方法的預(yù)測效果和準(zhǔn)確度進(jìn)行評(píng)估，如式（15）～式（17）所示：

（15）

（16）

（17）

式中：yzi為i時(shí)刻的建筑實(shí)際能耗值；yyi為預(yù)測的i時(shí)刻建筑能耗值；n為樣本數(shù)量；MAE為預(yù)測值和實(shí)際值的差值；MSE為預(yù)測值和實(shí)際值差的平方和均值，體現(xiàn)了數(shù)據(jù)的變化程度；RMSE為預(yù)測值和實(shí)際值差的平方和均值的開方，體現(xiàn)了模型的預(yù)測精度。

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證基于Seq-GRU的建筑能耗預(yù)測方法的有效性，分析深度學(xué)習(xí)模型Seq-GRU在建筑能耗預(yù)測問題上的應(yīng)用效果，本文進(jìn)行了仿真實(shí)驗(yàn)。實(shí)驗(yàn)在同一計(jì)算平臺(tái)下進(jìn)行，深度學(xué)習(xí)模型使用Pycharm和Tensorflow神經(jīng)網(wǎng)絡(luò)框架

構(gòu)建。

3.1 仿真數(shù)據(jù)準(zhǔn)備

本實(shí)驗(yàn)數(shù)據(jù)集來自長沙市某辦公建筑，該建筑具備完善的建筑能耗監(jiān)測系統(tǒng)。通過其能耗監(jiān)測系統(tǒng)獲取了2019年的歷史能耗數(shù)據(jù)及相關(guān)天氣數(shù)據(jù)，能耗曲線如圖7所示，數(shù)據(jù)集的時(shí)間粒度為小時(shí)。將這些實(shí)驗(yàn)數(shù)據(jù)按比例分為訓(xùn)練集和測試集，其中，80%的數(shù)據(jù)作為訓(xùn)練集，用于訓(xùn)練深度學(xué)習(xí)模型，20%的數(shù)據(jù)作為測試集，用來測試模型的實(shí)際效果。將實(shí)驗(yàn)數(shù)據(jù)預(yù)處理后輸入深度學(xué)習(xí)模型中進(jìn)行

訓(xùn)練。

3.2 模型參數(shù)選擇與數(shù)據(jù)維度變化

深度學(xué)習(xí)模型的參數(shù)設(shè)置對(duì)于模型訓(xùn)練效果至關(guān)重要。對(duì)于Seq-GRU深度學(xué)習(xí)模型來說，需要確定的參數(shù)有學(xué)習(xí)率和神經(jīng)元個(gè)數(shù)。本文通過網(wǎng)格搜索算法，對(duì)指定參數(shù)進(jìn)行窮舉法搜索，最終確定當(dāng)神經(jīng)元個(gè)數(shù)為256、學(xué)習(xí)率為0.01時(shí)，模型有最優(yōu)的效果。實(shí)驗(yàn)數(shù)據(jù)在模型中各層的維度變化見

表4所列。

3.3 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證基于Seq-GRU的建筑能耗預(yù)測方法的有效性，本文將Seq-GRU模型與卷積神經(jīng)網(wǎng)絡(luò)CNN、長短期記憶網(wǎng)絡(luò)LSTM、門控循環(huán)單元GRU和加入了注意力機(jī)制的門控循環(huán)單元attention-GRU進(jìn)行對(duì)比。上述模型均取最優(yōu)參數(shù)，模型的評(píng)價(jià)指標(biāo)結(jié)果見表5所列。

從表5可以看出，卷積神經(jīng)網(wǎng)絡(luò)CNN的MAE、MSE、RMSE均大于其他4個(gè)模型，這是由于建筑能耗數(shù)據(jù)具有時(shí)序特征，CNN無法提取數(shù)據(jù)中的時(shí)序特征，導(dǎo)致模型性能不佳。門控循環(huán)單元GRU模型與長短期記憶網(wǎng)絡(luò)LSTM模型對(duì)比，2個(gè)模型的性能差距不大，但GRU所需要的訓(xùn)練時(shí)間大幅減少，這是由于GRU的內(nèi)部結(jié)構(gòu)相比于LSTM更簡單，GRU相比于LSTM少了一個(gè)記憶細(xì)胞，參數(shù)變少，模型處理運(yùn)算時(shí)間也相應(yīng)減少，因此本文使用門控循環(huán)單元GRU構(gòu)建Seq2Seq模型。

將門控循環(huán)單元GRU模型與加入了注意力機(jī)制的門控循環(huán)單元attention-GRU模型進(jìn)行對(duì)比，attention-GRU模型的MAE、MSE、RMSE均低于GRU模型，這表明加入注意力機(jī)制后，GRU模型的預(yù)測效果得到了提升。模型在加入注意力機(jī)制后，對(duì)預(yù)測結(jié)果影響大的數(shù)據(jù)特征增加權(quán)重，模型能更準(zhǔn)確地提取建筑能耗數(shù)據(jù)不同特征與預(yù)測結(jié)果的非線性關(guān)系，使得模型的預(yù)測效果得到了提升，但由于attention-GRU模型多了一個(gè)注意力層，模型的訓(xùn)練時(shí)間相比于GRU大幅度上升。

本文的Seq-GRU模型相較于其他4個(gè)模型，MAE、MSE、RMSE 3個(gè)評(píng)價(jià)指標(biāo)值都是最小，表明Seq-GRU模型可以有效預(yù)測建筑能耗且性能優(yōu)于其他模型，同時(shí)，雖然Seq-GRU模型相比于attention-GRU模型結(jié)構(gòu)更加復(fù)雜，但由于模型使用了teacher forcing訓(xùn)練方式，其訓(xùn)練時(shí)間反而減少。

從全年的數(shù)據(jù)中選取能耗相對(duì)較低的1月、能耗相對(duì)較高的8月作為典型，使用CNN、GRU和Seq-GRU 3個(gè)模型對(duì)上述兩月的前7天進(jìn)行預(yù)測，查看實(shí)際能耗數(shù)據(jù)與預(yù)測數(shù)據(jù)，如圖8、圖9所示。

從圖8、圖9中可以看出，卷積神經(jīng)網(wǎng)絡(luò)CNN對(duì)于預(yù)測建筑能耗存在滯后性且不能準(zhǔn)確預(yù)測能耗峰值時(shí)間段的局部特征，這是由于CNN沒有注意力機(jī)制且不能提取能耗數(shù)據(jù)中的時(shí)序特征，當(dāng)輸入信息過長，無法注意到數(shù)據(jù)中一些重要的特征并會(huì)遺忘部分初始信息。門控循環(huán)單元GRU相比于CNN不存在滯后性，這是由于GRU可以通過自身門結(jié)構(gòu)提取時(shí)序特征，實(shí)現(xiàn)信息的長距離傳輸；在能耗峰值時(shí)間段和能耗變化較大的時(shí)間段，GRU并不能很好地預(yù)測能耗值，這是因?yàn)镚RU缺少注意力機(jī)制，其對(duì)所有的數(shù)據(jù)特征賦予相同的權(quán)重，未注意到數(shù)據(jù)對(duì)預(yù)測結(jié)果影響較大的特征。本文的Seq-GRU模型擬合程度相比于其他2個(gè)模型更好，在能耗變化大的時(shí)間段和能耗峰值時(shí)間段都可以很好地預(yù)測建筑能耗且預(yù)測值與實(shí)際值接近，表明了Seq-GRU模型可以提取建筑能耗數(shù)據(jù)不同特征與預(yù)測結(jié)果的非線性關(guān)系，準(zhǔn)確反映能耗變化的規(guī)律。

本文的深度學(xué)習(xí)模型是由GRU構(gòu)建的Seq2Seq模型，模型內(nèi)部結(jié)構(gòu)相比于CNN和GRU更復(fù)雜，模型的訓(xùn)練時(shí)間更長，但當(dāng)模型訓(xùn)練完后，該模型可以一次預(yù)測一天24小時(shí)的能耗值，相比于CNN和GRU每次只能預(yù)測一小時(shí)，其模型運(yùn)行時(shí)間大幅縮短，且隨著需要預(yù)測的時(shí)間越長，模型的運(yùn)行時(shí)間優(yōu)勢(shì)越明顯，見表6所列。

4 結(jié) 語

本文提出的基于Seq-GRU的建筑能耗預(yù)測方法，通過構(gòu)建Seq-GRU深度學(xué)習(xí)模型，對(duì)歷史建筑能耗數(shù)據(jù)進(jìn)行學(xué)習(xí)，快速給出預(yù)測結(jié)果。Seq-GRU模型使用GRU替代Seq2Seq模型中的RNN，模型解碼層可一次預(yù)測某段時(shí)間內(nèi)的建筑能耗數(shù)據(jù)，并引入注意力機(jī)制提高了模型的預(yù)測精度和速率。最終通過實(shí)驗(yàn)與CNN、GRU等深度學(xué)習(xí)模型進(jìn)行了對(duì)比，驗(yàn)證了所提方法對(duì)于預(yù)測建筑能耗數(shù)據(jù)的有效性和快速性。下一步將對(duì)該模型進(jìn)行擴(kuò)展優(yōu)化，引入到其他更為復(fù)雜的建筑能耗問題上，并將該模型部署到實(shí)際的建筑能耗管理系統(tǒng)中，以測試模型的實(shí)際效果。

參考文獻(xiàn)

[1] FUMO N，MAGO P，LUCK R. Methodology to estimate building energy consumption using energyplus benchmark models [J]. Energy and buildings，2010，42（12）：2331-2337.

[2]許馨尹，李紅蓮，楊柳，等.氣候變化下的建筑能耗預(yù)測[J].太陽能學(xué)報(bào)，2018，39（5）：1359-1366.

[3] FU X，ZENG X J，F(xiàn)ENG P P，et al. Clustering-based short-term load forecasting for residential electricity under the increasing-block pricing tariffs inChina [J]. Energy，2018，165：76-89.

[4] KIM J H，SEONG N C，CHOI W. Forecasting the energy consumption of an actual air handling unit and absorption chiller using ANN models [J]. Energies，2020，13（17）：4361.

[5] ROBINSON C，DILKINA B，HUBBS J，et al. Machine learning approaches for estimating commercial building energy consumption [J]. Applied energy，2017，208：889-904.

[6]朱泓睿，元國軍，姚成吉，等. 分布式深度學(xué)習(xí)訓(xùn)練網(wǎng)絡(luò)綜述[J]. 計(jì)算機(jī)研究與發(fā)展，2021，58（1）：98-115.

[7]陳偉宏，安吉堯，李仁發(fā)，等. 深度學(xué)習(xí)認(rèn)知計(jì)算綜述[J]. 自動(dòng)化學(xué)報(bào)，2017，43（11）：1886-1897.

[8] RAJAGUKGUK R A，RAMADHAN R A A，LEEH J. A review on deep learning models for forecasting time series data of solar irradiance and photovoltaic power [J]. Energies，2020，13（24）：6623.

[9] FANC，SUN Y J，ZHAO Y，et al. Deep learning-based feature engineering methods for improved building energy prediction [J]. Applied energy，2019，240：35-45.

[10] RUNGE J，ZMEUREANU R. A review of deep learning techniques for forecasting energy use in buildings [J]. Energies，2021，14（3）：608.

[11]鄒鋒，田大偉，王悅，等.基于生成對(duì)抗網(wǎng)絡(luò)的深度學(xué)習(xí)能耗預(yù)測算法[J].電腦知識(shí)與技術(shù)，2019，15（2）：198-200.

[12] KIM T Y，CHO S B. Predicting residential energy consumption using CNN-LSTM neural networks [J]. Energy，2019，182（6）：72-81.

[13] MARINO D L，AMARASINGHE K，MANIC M. Building energy load forecasting using deep neural networks [C]// IECON 2016-42nd Annual Conference of the IEEE Industrial Electronics Society，2016：7046-7051.

[14]權(quán)波，楊博辰，胡可奇，等.基于LSTM的船舶航跡預(yù)測模型[J].計(jì)算機(jī)科學(xué)，2018，45（s2）：126-131.

[15] SZEKELY G J，RIZZO M L，BAKIROV N K. Measuring and testing dependence by correlation of distances [J]. The annals of statistics，2008，35（6）：2769-2794.

收稿日期：2023-04-10 修回日期：2023-05-22

作者簡介：黎愷嘉（1997—），男，碩士研究生，助理工程師，研究方向?yàn)樯疃葘W(xué)習(xí)、智慧建筑與建筑節(jié)能研究。

賀 晉（1987—），男，碩士研究生，高級(jí)工程師，研究方向?yàn)樯疃葘W(xué)習(xí)、智慧建筑與建筑節(jié)能研究。