基于大數(shù)據(jù)的我國(guó)公共建筑空調(diào)負(fù)荷預(yù)測(cè)的研究進(jìn)展

彭獻(xiàn)永，王波波，張騫

(1.艾默生過(guò)程控制有限公司，上海 201206；2.華電內(nèi)蒙古能源有限公司土默特發(fā)電分公司，內(nèi)蒙古 包頭 014100；3.江森自控日立空調(diào)科技（無(wú)錫）有限公司，江蘇 無(wú)錫 214000)

1 概述

2008年修訂的我國(guó)《節(jié)約能源法》新增對(duì)公共機(jī)構(gòu)節(jié)能管理要求。隨著《公共機(jī)構(gòu)節(jié)能條例》2008年10月1日施行，公共機(jī)構(gòu)節(jié)能需要在政府機(jī)關(guān)的積極推動(dòng)下走在全社會(huì)前列，從大量的基礎(chǔ)性、示范性的能耗統(tǒng)計(jì)、審計(jì)工作和約束性的節(jié)能管理[1-3]，轉(zhuǎn)軌到法制化的剛性管理上來(lái)。國(guó)家機(jī)關(guān)辦公建筑及大型公共建筑節(jié)能工作進(jìn)入了快速發(fā)展的新階段，各省市機(jī)關(guān)辦公建筑和大型公共建筑相繼安裝分項(xiàng)計(jì)量系統(tǒng)，搭建公共建筑能耗監(jiān)測(cè)平臺(tái)。從2010年起，深圳市、上海市、江蘇省等開(kāi)始逐步建立城市級(jí)公共建筑能耗監(jiān)測(cè)平臺(tái)。這些公共建筑能耗監(jiān)管平臺(tái)在運(yùn)營(yíng)過(guò)程中積累了大量數(shù)據(jù)，既便于公共建筑節(jié)能管理工作的開(kāi)展，也為公共機(jī)構(gòu)節(jié)能的科學(xué)研究和政府制定政策提供數(shù)據(jù)支持。同時(shí)，公共建筑能耗監(jiān)測(cè)平臺(tái)中的分項(xiàng)計(jì)量不僅提供了建筑設(shè)備詳盡的用能數(shù)據(jù)，而且建筑自控系統(tǒng)記錄的運(yùn)行數(shù)據(jù)可以真實(shí)反映建筑的運(yùn)行狀況。目前已有較多應(yīng)用分項(xiàng)計(jì)量數(shù)據(jù)與系統(tǒng)運(yùn)行數(shù)據(jù)都已表明，建筑暖通空調(diào)的能耗占建筑物總能耗的50%～60%以上，而建筑空調(diào)能耗中的55%又是冷熱源系統(tǒng)能耗。因此，從微觀層面看，建筑空調(diào)系統(tǒng)節(jié)能運(yùn)行優(yōu)化以及控制策略及時(shí)有效實(shí)現(xiàn)，都需要對(duì)空調(diào)負(fù)荷進(jìn)行提前預(yù)測(cè)；從宏觀層面看，加強(qiáng)建筑負(fù)荷預(yù)測(cè)對(duì)于推進(jìn)公共建筑能源管理和參與到電力需求側(cè)的需求響應(yīng)管理，優(yōu)化電網(wǎng)對(duì)公共建筑電力資源配置，具有重要意義。

基于大數(shù)據(jù)的建筑冷（熱）負(fù)荷預(yù)測(cè)，從研究方向上可以歸納為2個(gè)方面，即數(shù)據(jù)預(yù)處理、負(fù)荷預(yù)測(cè)算法的應(yīng)用。本文圍繞這2個(gè)方面，對(duì)現(xiàn)有的大數(shù)據(jù)技術(shù)在建筑冷（熱）負(fù)荷預(yù)測(cè)的研究進(jìn)展進(jìn)行考察和總結(jié)，對(duì)已有的不同預(yù)測(cè)技術(shù)進(jìn)行分析，同時(shí)也對(duì)大數(shù)據(jù)技術(shù)在大型公共建筑冷（熱）負(fù)荷預(yù)測(cè)領(lǐng)域未來(lái)發(fā)展做出展望。

2 建筑能源大數(shù)據(jù)的預(yù)處理

針對(duì)建筑能源數(shù)據(jù)的特點(diǎn)，如建筑數(shù)據(jù)量大、數(shù)據(jù)質(zhì)量不高，需要有針對(duì)性的數(shù)據(jù)預(yù)處理方法。數(shù)據(jù)質(zhì)量主要體現(xiàn)在部分?jǐn)?shù)據(jù)缺失、異常值等方面。在其他方面，對(duì)于缺失數(shù)據(jù)、異常數(shù)據(jù)經(jīng)常采用刪除整條數(shù)據(jù)（所有數(shù)據(jù)屬性），或者以均值、中位值和眾值等簡(jiǎn)單統(tǒng)計(jì)量填充替換的方法。顯然，從保持?jǐn)?shù)據(jù)多樣性、充分利用數(shù)據(jù)中的其它可用屬性角度考慮，直接刪除和簡(jiǎn)單填充數(shù)據(jù)的方法大多時(shí)候都不能適用于建筑能耗監(jiān)測(cè)大數(shù)據(jù)的數(shù)據(jù)預(yù)處理。

文獻(xiàn)[4-6]應(yīng)用小波分析算法對(duì)數(shù)據(jù)進(jìn)行篩選。小波分析方法在處理大數(shù)據(jù)中的噪聲數(shù)據(jù)具有很好的適用性和很高的效率。文獻(xiàn)[7-8]應(yīng)用數(shù)據(jù)挖掘的算法對(duì)建筑能耗監(jiān)測(cè)數(shù)據(jù)中的異常值進(jìn)行識(shí)別與修復(fù)，采用基于KNN算法的缺失數(shù)據(jù)填充、K-Means聚類(lèi)的數(shù)據(jù)異常值和噪聲值識(shí)別（數(shù)據(jù)質(zhì)量判斷）與基于PCA算法的多維度數(shù)據(jù)降維。

值得指出，上述研究多是具體場(chǎng)景下某些數(shù)據(jù)集合下的數(shù)據(jù)預(yù)處理，缺少對(duì)數(shù)據(jù)預(yù)處理方法的普遍適用性等問(wèn)題的深入研究。例如對(duì)于常見(jiàn)的異常數(shù)據(jù)的識(shí)別與清洗算法：（K-Means算法）在數(shù)據(jù)預(yù)處理過(guò)程中易受異常值的影響；KNN算法對(duì)計(jì)算性能要求較高；而小波算法的耗時(shí)較長(zhǎng)、效率較低。以上算法都有自身的適用性和局限性，如何改進(jìn)這些算法在處理大數(shù)據(jù)的性能和適用性是將來(lái)進(jìn)一步的研究?jī)?nèi)容。

3 建筑冷（熱）負(fù)荷預(yù)測(cè)技術(shù)

建筑運(yùn)行階段空調(diào)負(fù)荷是指制冷（或采暖）設(shè)備為滿(mǎn)足空調(diào)系統(tǒng)運(yùn)行所提供的冷（熱）量，它比理論的空調(diào)房間冷（熱）負(fù)荷更為復(fù)雜，不僅受室外氣象、圍護(hù)結(jié)構(gòu)、建筑使用狀況的影響，還受到空調(diào)系統(tǒng)的容量、控制調(diào)節(jié)等因素影響。建筑運(yùn)行階段空調(diào)負(fù)荷預(yù)測(cè)的主要目的是為了預(yù)測(cè)建筑物的冷（熱）負(fù)荷求及用電量，是空調(diào)系統(tǒng)節(jié)能優(yōu)化控制的基礎(chǔ)，是隨著空調(diào)系統(tǒng)復(fù)雜化和節(jié)能減排的需求發(fā)展起來(lái)的，將會(huì)給空調(diào)系統(tǒng)節(jié)能運(yùn)行帶來(lái)明顯效益。由于建筑空調(diào)系統(tǒng)運(yùn)行負(fù)荷的復(fù)雜性，空調(diào)負(fù)荷數(shù)據(jù)序列始終表現(xiàn)出非線性和動(dòng)態(tài)特征，因此負(fù)荷預(yù)測(cè)一直是國(guó)內(nèi)研究的難題和熱點(diǎn)。

目前國(guó)內(nèi)建筑負(fù)荷預(yù)測(cè)研究主要集中在模型輸入變量和建模方法兩方面。以建筑冷負(fù)荷為例，在影響冷負(fù)荷預(yù)測(cè)的輸入變量上，對(duì)氣象參數(shù)、時(shí)間特征數(shù)、建筑使用狀況、冷凍水溫度等影響因素的選擇進(jìn)行定量研究。在建模方法方面，主要?dú)w納為三大類(lèi)：①統(tǒng)計(jì)多元回歸模型，代表性的有ARMA，GARCH等，它們主要應(yīng)用于線性回歸場(chǎng)合；②淺層網(wǎng)絡(luò)模型，代表性的有人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)(SVM)、高斯過(guò)程（GP）模型等，它們既可用于線性回歸，也可用于非線性回歸，而且基于核技術(shù)的支持向量機(jī)和高斯過(guò)程在回歸領(lǐng)域得到了廣泛應(yīng)用；③深度多層網(wǎng)絡(luò)模型，代表性的有深度自編碼網(wǎng)絡(luò)（DAEN）、深度信念網(wǎng)絡(luò)（DBN）等，它們對(duì)回歸影響因素進(jìn)行學(xué)習(xí)，得到稀疏化的影響因子集，這樣可提高在線回歸速度。

3.1 統(tǒng)計(jì)多元回歸線性模型

考慮多維多變量影響的統(tǒng)計(jì)方法試圖通過(guò)回歸分析建立歷史數(shù)據(jù)樣本與未來(lái)建筑冷負(fù)荷之間的關(guān)系。迄今為止，多元線性回歸（MLR），自回歸積分移動(dòng)平均（ARIMA）模型[9]都常用于建筑冷負(fù)荷預(yù)測(cè)。MLR通過(guò)模擬冷負(fù)荷和天氣條件之間的相關(guān)性來(lái)預(yù)測(cè)建筑冷負(fù)荷。文獻(xiàn)[10]應(yīng)用層次分析法對(duì)最佳調(diào)整各個(gè)預(yù)報(bào)員的權(quán)重進(jìn)行調(diào)整，從而改善冷負(fù)荷預(yù)測(cè)。文獻(xiàn)[11]開(kāi)發(fā)了一個(gè)啟發(fā)多元線性回歸的主成分分析，以實(shí)現(xiàn)冷負(fù)荷預(yù)測(cè)任務(wù)。然而，盡管統(tǒng)計(jì)回歸模型通常需要更少的計(jì)算資源，但發(fā)現(xiàn)它們?cè)诜蔷€性建模中的應(yīng)用非常有限。

3.2 淺層網(wǎng)絡(luò)模型

3.2.1 人工神經(jīng)網(wǎng)絡(luò)

基于人工神經(jīng)網(wǎng)絡(luò)的建筑冷（熱）負(fù)荷預(yù)測(cè)，通常由影響負(fù)荷的因素構(gòu)成輸入單元，以能耗或負(fù)荷作為輸出單元。文獻(xiàn)[12]介紹了利用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行負(fù)荷預(yù)測(cè)的基本理論和方法。文獻(xiàn)[13]應(yīng)用徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)建筑物冷負(fù)荷仿真軟件的夏季不同月份的逐時(shí)冷負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)，仿真表明RBF神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測(cè)精度及更好的泛化能力。文獻(xiàn)[14]以某地源熱泵空調(diào)系統(tǒng)為實(shí)測(cè)對(duì)象，根據(jù)實(shí)測(cè)的逐時(shí)負(fù)荷數(shù)據(jù)建立了人工神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型，并預(yù)測(cè)了一個(gè)未來(lái)24小時(shí)逐時(shí)負(fù)荷。

3.2.2 支持向量機(jī)

支持向量機(jī)（SVM）算法的預(yù)測(cè)方法具有強(qiáng)大的非線性映射特性，近年來(lái)在空調(diào)負(fù)荷預(yù)測(cè)領(lǐng)域應(yīng)用較廣泛。文獻(xiàn)[15-16]應(yīng)用支持向量機(jī)算法對(duì)建筑能耗和空調(diào)系統(tǒng)負(fù)荷預(yù)測(cè)，得到相應(yīng)的建筑能耗模型和負(fù)荷預(yù)測(cè)模型；研究顯示在特定的場(chǎng)景，支持向量機(jī)的預(yù)測(cè)效果要優(yōu)于人工神經(jīng)網(wǎng)絡(luò)。

支持向量機(jī)可以避免神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇和局部極小點(diǎn)問(wèn)題，有較高的泛化能力和學(xué)習(xí)能力，對(duì)小樣本預(yù)測(cè)效果明顯；但是對(duì)缺失數(shù)據(jù)較為敏感，對(duì)大規(guī)模樣本的學(xué)習(xí)速度慢。

3.2.3 高斯過(guò)程

短期負(fù)荷預(yù)測(cè)具有不確定性、隨機(jī)性等特點(diǎn)。概率式預(yù)測(cè)法中，基于貝葉斯概率論的預(yù)測(cè)方法，高斯過(guò)程回歸（Gaussian Process Regression,GPR）參數(shù)少，自適應(yīng)確定超參數(shù)，非參數(shù)推斷靈活。與預(yù)測(cè)誤差分布特性的統(tǒng)計(jì)法相比，高斯過(guò)程提供一種置信度較高的解空間范圍解釋?zhuān)A(yù)測(cè)結(jié)果有概率意義，而不需要統(tǒng)計(jì)歷史預(yù)測(cè)誤差。與基于分位數(shù)回歸的概率密度預(yù)測(cè)法相比，高斯過(guò)程不需要對(duì)每個(gè)分位點(diǎn)進(jìn)行建模，模型結(jié)構(gòu)更簡(jiǎn)單。文獻(xiàn)[17]提出高斯回歸過(guò)程的兩種變體：緊湊回歸高斯過(guò)程、逐步高斯過(guò)程，對(duì)未來(lái)的預(yù)期能源需求進(jìn)行建模研究，并與決策樹(shù)、人工神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比研究，高斯過(guò)程顯示出一定的優(yōu)勢(shì)?；靖咚惯^(guò)程對(duì)大的樣本集的處理會(huì)造成較大的運(yùn)行時(shí)間與運(yùn)算空間。針對(duì)大量數(shù)據(jù)樣本處理效果不明顯，出現(xiàn)稀疏高斯過(guò)程回歸算法。

3.2.4 算法改進(jìn)與融合

從算法的本身角度看，每個(gè)算法都有其自身的特點(diǎn)及適用性，單一的算法通用性較弱，預(yù)測(cè)精度也有限。多種預(yù)測(cè)算法融合是今后的一大發(fā)展方向，目的是充分發(fā)揮各個(gè)算法的優(yōu)點(diǎn)，形成混合模型來(lái)提升算法性能。

文獻(xiàn)[18]以空調(diào)運(yùn)行負(fù)荷實(shí)測(cè)數(shù)據(jù)為基礎(chǔ)，利用廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)建立混沌預(yù)測(cè)模型，對(duì)提前1小時(shí)和提前24小時(shí)的短期預(yù)測(cè)效果進(jìn)行驗(yàn)證。研究結(jié)果表明空調(diào)運(yùn)行負(fù)荷可以利用混沌方法對(duì)負(fù)荷進(jìn)行預(yù)測(cè)的模型簡(jiǎn)單、魯棒性好的優(yōu)點(diǎn)。文獻(xiàn)[19]提出了一種集成算法對(duì)建筑能耗和空調(diào)負(fù)荷進(jìn)行預(yù)測(cè)，該集成算法融合了8種基本數(shù)據(jù)挖掘算法，其預(yù)測(cè)精度明顯優(yōu)于單個(gè)基本算法模型。文獻(xiàn)[20]提出了一種iPSO-ANN的建筑用電量小時(shí)預(yù)測(cè)模型。應(yīng)用改進(jìn)的粒子群優(yōu)化算法（iPSO）來(lái)調(diào)整ANN結(jié)構(gòu)的權(quán)重和閾值，而主成分分析（PCA）用于選擇重要的建模輸入并簡(jiǎn)化模型結(jié)構(gòu)。比較結(jié)果表明，iPSO-ANN和GA-ANN模型的精度均高于ANN模型。從耗時(shí)的角度看，iPSO-ANN模型比GA-ANN方法具有更短的建模時(shí)間。文獻(xiàn)[21]建立了模糊C均值算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)復(fù)合模型。該模型先采用FCM算法對(duì)輸入?yún)?shù)進(jìn)行聚類(lèi)，針對(duì)不同類(lèi)建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，將待測(cè)樣本分類(lèi)后進(jìn)行預(yù)測(cè)，最后使用決策樹(shù)算法篩選預(yù)測(cè)結(jié)果中聚類(lèi)不佳的部分進(jìn)行加權(quán)優(yōu)化。結(jié)果表明，神經(jīng)網(wǎng)絡(luò)復(fù)合模型的性能明顯優(yōu)于不聚類(lèi)神經(jīng)網(wǎng)絡(luò)。文獻(xiàn)[22]提出了一種基于混沌分析和支持向量回歸機(jī)的短期空調(diào)負(fù)荷預(yù)測(cè)建模方法。通過(guò)研究實(shí)際空調(diào)負(fù)荷序列的混沌特性，確定其混沌特征參數(shù)并選取支持向量回歸機(jī)進(jìn)行預(yù)測(cè)；支持向量機(jī)建模過(guò)程使用粒子群算法進(jìn)行參數(shù)尋優(yōu)。仿真結(jié)果表明，空調(diào)負(fù)荷序列具有一定的混沌特性，使用混沌支持向量機(jī)方法的預(yù)測(cè)精度比單一支持向量機(jī)法預(yù)測(cè)結(jié)果的精度有了明顯提升。文獻(xiàn)[23]提出了一種基于人工智能和回歸分析的辦公建筑負(fù)荷預(yù)測(cè)方法，包括小波變換、支持向量機(jī)（SVM）和偏最小二乘回歸（PLS）。比較結(jié)果表明，該方法能夠在不同的時(shí)間范圍內(nèi)實(shí)現(xiàn)高精度的動(dòng)態(tài)負(fù)荷預(yù)測(cè)。以上的國(guó)內(nèi)研究結(jié)果都表明，多種算法改進(jìn)和融合有利于提高預(yù)測(cè)精度。

3.3 深度多層網(wǎng)絡(luò)模型

深度學(xué)習(xí)是指一系列機(jī)器學(xué)習(xí)算法，它們能在大數(shù)據(jù)中顯示非線性和復(fù)雜模式，且可以對(duì)狀態(tài)因素的潛在特征進(jìn)一步學(xué)習(xí)。深度多層網(wǎng)絡(luò)代表性的模型有深度自編碼網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)等。深度學(xué)習(xí)既可以以監(jiān)督方式建立具有給定輸入和輸出（即冷負(fù)荷）的預(yù)測(cè)模型，也可以用無(wú)監(jiān)督方式從原始數(shù)據(jù)中提取有意義的特征作為模型輸入。

文獻(xiàn)[24]采用深度學(xué)習(xí)預(yù)測(cè)24小時(shí)建筑冷負(fù)荷曲線。分別以半監(jiān)督和無(wú)監(jiān)督兩種方式利用深度學(xué)習(xí)將其在冷負(fù)荷預(yù)測(cè)中的表現(xiàn)與典型的特征提取方法和建筑領(lǐng)域的流行預(yù)測(cè)技術(shù)進(jìn)行比較。結(jié)果表明，深度學(xué)習(xí)可以增強(qiáng)建立冷負(fù)荷預(yù)測(cè)的性能，特別是當(dāng)以無(wú)人監(jiān)督的方式用于構(gòu)建高級(jí)特征作為模型輸入時(shí)。使用由無(wú)監(jiān)督深度學(xué)習(xí)提取的特征作為冷負(fù)荷預(yù)測(cè)的輸入可以明顯增強(qiáng)預(yù)測(cè)性能。這些發(fā)現(xiàn)具有啟發(fā)意義，可為建筑能源預(yù)測(cè)帶來(lái)更靈活有效的解決方案。文獻(xiàn)[25]提出了一種新的基于深度學(xué)習(xí)的預(yù)測(cè)模型，用于高精度的確定性冷負(fù)荷預(yù)測(cè)。該模型結(jié)合了經(jīng)驗(yàn)?zāi)Ｊ椒纸?、深度信念網(wǎng)絡(luò)和集成技術(shù)。經(jīng)驗(yàn)?zāi)Ｊ椒纸庥糜趯⒃祭湄?fù)荷數(shù)據(jù)序列分解為若干個(gè)具有更好的離群點(diǎn)和特性的數(shù)據(jù)子集。通過(guò)基于深度信念網(wǎng)絡(luò)的分層預(yù)訓(xùn)練，有效地提取數(shù)據(jù)中隱藏的非線性特征和高水平的不變結(jié)構(gòu)。此外，引入了集成技術(shù)并進(jìn)行了適當(dāng)設(shè)計(jì)，以減輕不確定性（即模型不確定性和數(shù)據(jù)噪聲）對(duì)預(yù)測(cè)精度的影響。仿真結(jié)果表明，與BP神經(jīng)網(wǎng)絡(luò)、SVM預(yù)測(cè)算法相比，所提出的基于深度信念網(wǎng)絡(luò)的預(yù)測(cè)方法表現(xiàn)出很強(qiáng)的性能。深度學(xué)習(xí)方法應(yīng)用于建筑物空調(diào)負(fù)荷預(yù)測(cè)，具有提高公共建筑能源系統(tǒng)運(yùn)行性能的巨大潛力。文獻(xiàn)[26]提出了基于遞歸神經(jīng)網(wǎng)絡(luò)的建筑能量預(yù)測(cè)策略。在模型中，每種策略都有兩個(gè)層面的獨(dú)特特征：①在高級(jí)別層，三種推理方法用于生成短期預(yù)測(cè)，包括遞歸方法、直接方法和多輸入多輸出（MIMO）方法；②在較低級(jí)別，最先進(jìn)的技術(shù)被用于循環(huán)模型開(kāi)發(fā)，例如使用一維卷積操作，雙向操作和不同類(lèi)型的循環(huán)單元。研究結(jié)果用于短期建筑能量預(yù)測(cè)的深度遞歸模型，有助于彌合建筑專(zhuān)業(yè)人員與先進(jìn)大數(shù)據(jù)分析之間的知識(shí)差距。

4 研究展望

在公共機(jī)構(gòu)監(jiān)管平臺(tái)和大型公共建筑分項(xiàng)計(jì)量監(jiān)測(cè)系統(tǒng)出現(xiàn)之前，建筑負(fù)荷預(yù)測(cè)的研究手段主要為基于理論、模擬、實(shí)驗(yàn)等方法，存在著一定的局限性。近年來(lái)，在公共機(jī)構(gòu)建筑能源監(jiān)測(cè)平臺(tái)、大型公共建筑監(jiān)測(cè)系統(tǒng)積累了大量的運(yùn)行數(shù)據(jù)，為大數(shù)據(jù)技術(shù)的應(yīng)用提供了很好的應(yīng)用場(chǎng)景；另一方面，大數(shù)據(jù)技術(shù)的發(fā)展為建筑能源監(jiān)測(cè)管理提供了優(yōu)良的數(shù)據(jù)處理手段。建筑能源數(shù)據(jù)預(yù)處理有助于提高預(yù)測(cè)結(jié)果準(zhǔn)確性，因此，建筑能耗數(shù)據(jù)針對(duì)性的預(yù)處理將會(huì)是今后一個(gè)重要的研究方向。

從目前研究來(lái)看，雖然基于大數(shù)據(jù)的建筑負(fù)荷預(yù)測(cè)的方法較多，在相關(guān)的研究中也取得了較好的效果，但是在實(shí)際工程應(yīng)用中缺乏很好地驗(yàn)證。目前的預(yù)測(cè)方法是否適合于實(shí)際工程，需要后續(xù)深入工程實(shí)踐。深度學(xué)習(xí)在建筑空調(diào)負(fù)荷預(yù)測(cè)的研究表現(xiàn)出巨大的潛力，有望為建筑能源預(yù)測(cè)帶來(lái)更加靈活有效的解決方案。

5 結(jié)語(yǔ)

①建筑能源大數(shù)據(jù)的預(yù)處理需要從缺失數(shù)據(jù)的填充、異常數(shù)據(jù)的識(shí)別清洗以及數(shù)據(jù)的降維三個(gè)方面進(jìn)行處理，為后續(xù)基于數(shù)據(jù)的建筑空調(diào)負(fù)荷預(yù)測(cè)奠定基礎(chǔ)。

②多種算法融合的混合模型是建筑空調(diào)負(fù)荷預(yù)測(cè)的主要研究方向；深度多層網(wǎng)絡(luò)及其改進(jìn)，有望成為在建筑空調(diào)負(fù)荷預(yù)測(cè)領(lǐng)域里的一個(gè)很有發(fā)展前景的新興建模方法。

建筑空調(diào)負(fù)荷數(shù)據(jù)序列始終表現(xiàn)出非線性和動(dòng)態(tài)特征，難以準(zhǔn)確預(yù)測(cè)。充分發(fā)揮各算法的優(yōu)點(diǎn)，多種算法融合建模是解決建筑空調(diào)負(fù)荷預(yù)測(cè)的主要手段。人工智能、大數(shù)據(jù)技術(shù)的發(fā)展為建筑空調(diào)負(fù)荷預(yù)測(cè)技術(shù)提供助力，深度多層網(wǎng)絡(luò)是一種具有巨大潛力的建筑空調(diào)負(fù)荷預(yù)測(cè)解決方法。