基于PCA-BP 算法的智慧建筑空調(diào)能耗預(yù)測(cè)

范 磊

（上海電力大學(xué) 電子與信息工程學(xué)院，上海 200090）

引言

隨著時(shí)代的發(fā)展和人類需求的改變，建筑逐漸向智能化發(fā)展，智慧建筑中的空調(diào)能耗預(yù)測(cè)也成為國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)。在智慧建筑空調(diào)能耗的使用過程中，可以通過人工智能學(xué)習(xí)采集、分析學(xué)習(xí)各種外界環(huán)境參數(shù)和空調(diào)運(yùn)行能耗數(shù)據(jù)，來預(yù)測(cè)出下一刻的能耗[1]，優(yōu)化空調(diào)的控制策略，從而達(dá)到節(jié)能的目的。

本文首先建立了建筑物理模型并對(duì)模型進(jìn)行仿真分析，研究了空調(diào)能耗預(yù)測(cè)的PCA-BP 神經(jīng)網(wǎng)絡(luò)融合算法設(shè)計(jì)，進(jìn)而預(yù)測(cè)出智慧建筑的空調(diào)能耗值，最后分析和對(duì)比 Tree、SVM、Linear Regression、BP、PCA-BP 五種算法，得出PCA-BP 融合算法極大的提高了空調(diào)能耗預(yù)測(cè)的準(zhǔn)確度，提高了能源利用率。

1 智慧建筑模型仿真

首先通過 DeST（Designer"s Simulation Toolkit）軟件[3-4]采集上海市全年逐時(shí)氣象參數(shù)。DeST 軟件主要用于建筑環(huán)境的相關(guān)研究和建筑環(huán)境的模擬預(yù)測(cè)、性能評(píng)估以及建筑設(shè)計(jì)和HVAC 系統(tǒng)的相關(guān)研究和系統(tǒng)的模擬預(yù)測(cè)、性能優(yōu)化。本文使用的DeST-h 主要用于住宅建筑熱特性的影響因素分析、住宅建筑熱特性指標(biāo)的計(jì)算、住宅建筑的全年動(dòng)態(tài)負(fù)荷計(jì)算、住宅室溫計(jì)算、末端設(shè)備系統(tǒng)經(jīng)濟(jì)性分析等領(lǐng)域[2-3]。

DeST 通過全年逐時(shí)室外溫濕度、太陽直射、太陽散射和房間模型仿真計(jì)算出全年逐時(shí)室內(nèi)冷熱負(fù)荷，其中空調(diào)固定設(shè)定為冬季21℃和夏季 25℃。智慧綠色建筑空調(diào)能耗采集不同時(shí)間、室外溫濕度、逐時(shí)冷熱負(fù)荷、新風(fēng)熱負(fù)荷、房間溫度、房間濕度、總輻射、散射輻射、直射輻射11 個(gè)因素作為輸入層參數(shù)，將空調(diào)能耗作為輸出層。其中1 月份連續(xù)4 天空調(diào)工作的逐時(shí)能耗分布如圖1 所示。

圖1 連續(xù)4 天工作逐時(shí)能耗分布圖

2 PCA-BP 融合能耗預(yù)測(cè)算法

PCA（Principal Component Analysis），即主成分分析方法，是一種使用最廣泛的數(shù)據(jù)降維算法。PCA 的主要思想是將n 維特征映射到k 維上，這k 維是全新的正交特征也被稱為主成分，是在原有n 維特征的基礎(chǔ)上重新構(gòu)造出來的k 維特征。PCA 的工作就是從原始的空間中順序地找一組相互正交的坐標(biāo)軸，新的坐標(biāo)軸的選擇與數(shù)據(jù)本身是密切相關(guān)的。

PCA 與BP 神經(jīng)網(wǎng)絡(luò)的融合算法，簡(jiǎn)化了智慧建筑空調(diào)能耗管理的原始數(shù)據(jù)，去除其貢獻(xiàn)率低的數(shù)據(jù)，而且可以利用BP 神經(jīng)網(wǎng)絡(luò)的非線性和并行處理的能力，更可以改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)的算法結(jié)構(gòu)提高學(xué)習(xí)速度，使得融合算法模型有更強(qiáng)的學(xué)習(xí)能力和更高的穩(wěn)定性[4-5]。

圖2 PCA-BP 算法流程框圖

首先，讀取智慧建筑的空調(diào)能耗管理的數(shù)據(jù)并通過PCA 對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，再通過計(jì)算得到累計(jì)貢獻(xiàn)率，再?gòu)那暗胶筇崛〉陀谔卣髁靠倲?shù)的主成分。通過PCA 獲得的主成分?jǐn)?shù)據(jù)集帶入BP 神經(jīng)網(wǎng)絡(luò)的輸入層，初始化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值并確定訓(xùn)練模型的激勵(lì)函數(shù)、學(xué)習(xí)效率、訓(xùn)練函數(shù)等參數(shù)的配置，選擇其中三分之一的數(shù)據(jù)作為樣本，另外三分之二數(shù)據(jù)作為測(cè)試數(shù)據(jù)，經(jīng)過仿真預(yù)測(cè)輸出預(yù)測(cè)數(shù)據(jù)并對(duì)比預(yù)測(cè)數(shù)據(jù)與原始數(shù)據(jù)評(píng)估其預(yù)測(cè)的準(zhǔn)確性[5-7]。融合能耗預(yù)測(cè)算法流程框圖如圖2 所示。

3 空調(diào)能耗預(yù)測(cè)的實(shí)驗(yàn)分析

PCA-BP 神經(jīng)網(wǎng)絡(luò)算法空調(diào)能耗逐時(shí)預(yù)測(cè)可以通過均方根誤差來反映出預(yù)測(cè)的精確度，其準(zhǔn)確率為0.00056。為了更加直觀地觀察結(jié)果，將單一BP 神經(jīng)網(wǎng)絡(luò)算法與PCA-BP 融合算法的空調(diào)能耗預(yù)測(cè)值與真值通過折線圖來表現(xiàn)出來，圖中實(shí)際能耗是最上面的折線，PCA-BP 融合預(yù)測(cè)的能耗是中間的曲線，PCA-BP 融合預(yù)測(cè)的能耗誤差相對(duì)偏低。其中一年中某天逐時(shí)仿真值與預(yù)測(cè)值的點(diǎn)分布如圖3 所示。

圖3 某天逐時(shí)仿真值與預(yù)測(cè)值的點(diǎn)分布

本文采用 MAE（Mean Absolute Error）、MSE（Mean Square Error）和 RMSE（Root Mean Square Error）3 種評(píng)估方法對(duì) Tree、SVM、Linear Regression 和 BP 神經(jīng)網(wǎng)絡(luò)算法、PCA-BP 神經(jīng)網(wǎng)絡(luò)融合算法五種算法進(jìn)行預(yù)測(cè)數(shù)據(jù)的精度和穩(wěn)定性評(píng)估。MSE 是檢測(cè)觀測(cè)值與真值之間的偏差，RMSE 是觀測(cè)值與真值偏差的平方和與觀測(cè)次數(shù)m 比值的平方根，MAE 是絕對(duì)誤差的平均值，其中RMSE 一般來說能夠很好地反映出測(cè)量的精確度[8-9]。

五種算法的MAE、MSE 和RMSE 對(duì)比如表1 所示。觀察表1，五種算法從左到右在不斷變小，誤差在不斷降低；從第三行MSE 來看，PCA-BP 神經(jīng)網(wǎng)絡(luò)算法的MSE值遠(yuǎn)遠(yuǎn)小于傳統(tǒng)4 種算法，說明PCA-BP 融合算法的精確度最高；第四行可知，PCA-BP 神經(jīng)網(wǎng)絡(luò)組合算法的偏差最小，達(dá)到0.0056 的準(zhǔn)確度。通過不同算法的誤差分析得到 PCA-BP 的融合算法比 Tree、SVM、Linear Regression、BP 神經(jīng)網(wǎng)絡(luò)四種算法得到預(yù)測(cè)值比真實(shí)值偏差更小，準(zhǔn)確度更高。

表1 不同算法的誤差分析

4 結(jié)束語

目前，我國(guó)的智慧建筑空調(diào)耗能在建筑總能耗占比較高，空調(diào)系統(tǒng)耗能高而現(xiàn)有的能耗管理系統(tǒng)處于初級(jí)階段，因此空調(diào)系統(tǒng)的控制方法有待優(yōu)化。本研究基于PCA-BP 神經(jīng)網(wǎng)絡(luò)算法在預(yù)測(cè)空調(diào)溫度上有強(qiáng)大效用，分析現(xiàn)有空調(diào)系統(tǒng)的運(yùn)行數(shù)據(jù)，進(jìn)一步優(yōu)化控制策略，最終實(shí)現(xiàn)建筑節(jié)能。

本文下一步研究方向是通過LightGBM 和長(zhǎng)短期記憶模型循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)智慧建筑的空調(diào)能耗預(yù)測(cè)更深的算法學(xué)習(xí)。其中LightGBM 算法可以進(jìn)行數(shù)據(jù)的前向特征選擇從而加強(qiáng)數(shù)據(jù)預(yù)處理，而長(zhǎng)短期記憶模型循環(huán)神經(jīng)網(wǎng)絡(luò)可以短期精確的預(yù)測(cè)空調(diào)能。