閆宇祺

建筑耗能是我國總耗能中占比最大的一部分，對其進行規(guī)律驗證與預測具有非常重要的意義。提出了一種基于門控循環(huán)單元(Gated Recurrent Unit, GRU)神經(jīng)網(wǎng)絡預測建筑耗能的方法，充分挖掘數(shù)據(jù)中的深層特征關系。將采集到的原始數(shù)據(jù)輸入到輸入層，對數(shù)據(jù)進行預處理。利用DGRU層對特征信息進行提取，進而實現(xiàn)序列分析。通過序列信息和回歸層獲得預測結(jié)果。為驗證方法的有效性，采用BGD2（Building Data Genome 2）數(shù)據(jù)集進行仿真驗證，結(jié)果證明此方法可以很好地預測建筑耗能。

一、引言

在全球資源緊缺和環(huán)境日益惡化的情況下，節(jié)約能源對于各個國家顯得非常重要，尤其是我國。我國是全球最大的能源消耗國，其中建筑耗能在我國占據(jù)了能源消耗的首位。同時，隨著我國的不斷發(fā)展，能源短缺的問題也慢慢凸顯出來，這成為了制約我國經(jīng)濟發(fā)展的重要因素。根據(jù)清華大學發(fā)布的《中國建筑節(jié)能發(fā)展研究報告2020》統(tǒng)計顯示，隨著我國居民的生活水平逐漸提升，國民對建筑用能也會變得多樣化。這導致了建筑耗能在總耗能中的比重逐年上漲。為了降低不必要的能耗，進而達到節(jié)約能源的目的。對占比最大的建筑耗能進行監(jiān)測并預測，進而實施合理的決策和措施是一種提高能源效率的重要途徑。

建筑耗能預測是從歷史耗能數(shù)據(jù)中推斷出未來的耗能情況。根據(jù)現(xiàn)有文獻對這種研究方進行統(tǒng)計分析，建筑耗能預測方法主要三種方法：物理模型方法、數(shù)據(jù)驅(qū)動方法以及混合模型方法。物理模型也叫白箱模型，是利用物理形式的方程對建筑能量的變化進行描述，進而實現(xiàn)建筑耗能的表征。數(shù)據(jù)驅(qū)動的方法是利用監(jiān)測到的歷史數(shù)據(jù)，并使用時間序列進行統(tǒng)計分析或者通過機器學習的方法進而達到建筑能耗預測的目的，這種方法也被稱為是黑箱模型?；旌夏Ｐ偷姆椒ㄊ墙Y(jié)合了數(shù)據(jù)驅(qū)動方法和物理模型方法的優(yōu)點進而產(chǎn)生的預測方法。因此，也被稱為是灰箱模型。以上三種方法中，由于數(shù)據(jù)驅(qū)動的方法不受一些專業(yè)知識的限制受到了研究者的青睞。例如，周芮錦等人利用自回歸移動平均（ARMA）時序模型對上海某辦公建筑進行逐月能耗預測，但是這種方法只能對穩(wěn)定數(shù)據(jù)進行預測，導致這種方法的預測誤差較大。Neto等人分析了ANN模型，這種模型都顯示了很高的預測精度，但是，這種方法存在一種缺陷，那就是不易收斂，易陷入局部最優(yōu)。Zhao和Magoulès利用相關系數(shù)和回歸梯度的方法減少了SVM訓練的變量，但這種方法也同時降低了預測精度。目前，LSTM和GRU受到了研究學者的青睞，并被廣泛地應用，尤其是在文本生成、語音合成和語音識別。GRU是LSTM的特殊變體，相比于LSTM來說，它的張量運算更少，因此，運算速度更快。除此之外，GRU有更加靈活的隱藏單元數(shù)量以及工作方式，在預測的場景中表現(xiàn)與LSTM不相上下。因此，對比以上研究方法，本文提出一種基于GRU神經(jīng)網(wǎng)絡預測建筑耗能的方法。

二、網(wǎng)絡預測模型

在前人的研究中，GRU模型被廣泛證明可以學習輸入數(shù)據(jù)的深層特征并獲得很好的預測效果。本文將GRU模型作為深層網(wǎng)絡結(jié)構(gòu)的基礎構(gòu)建塊，采用多層堆疊GRU網(wǎng)絡(DGRU)，深層網(wǎng)絡架構(gòu)具有強大的表示能力，可以在不同的時間尺度上學習原始數(shù)據(jù)中的隱藏特征和高級表示。本文提出的預測網(wǎng)絡架構(gòu)如圖1所示。首先，將原始的耗能信息輸入到網(wǎng)絡的輸入層，對數(shù)據(jù)進行格式定義；然后，連接輸入層與DGRU層，旨在對原始耗能信息進行序列建模分析；最后，將分析出的特征輸入到全連接層，并通過回歸層提供耗能的預測結(jié)果，即預測網(wǎng)絡的輸出。

圖1 網(wǎng)絡預測模型

三、實驗與結(jié)果分析

1.數(shù)據(jù)來源

為了驗證本文所提方法對于耗能預測的有效性，本文使用真實耗能數(shù)據(jù)進行預測實驗。實驗數(shù)據(jù)來自BGD2數(shù)據(jù)集，該數(shù)據(jù)集包括1636棟建筑的眾多時序數(shù)據(jù)和氣象數(shù)據(jù)，數(shù)據(jù)范圍為兩年(2016年和2017年)。這些數(shù)據(jù)是從北美和歐洲的19個地點采集。本文采用BGD2數(shù)據(jù)集中的空氣溫度數(shù)據(jù)進行方法驗證，BGD2數(shù)據(jù)集中2016年空氣溫度數(shù)據(jù)如圖2所示，數(shù)據(jù)集包含了366天＊24小時的空氣溫度。為充分利用該數(shù)據(jù)來驗證本文提出方法的可靠性。本文將數(shù)據(jù)的90%作為提出方法的訓練數(shù)據(jù)，將剩下的10%數(shù)據(jù)作為網(wǎng)絡的測試數(shù)據(jù)。

圖2 BGD2空氣溫度數(shù)據(jù)集

2.網(wǎng)絡參數(shù)

絕對平均誤差(MAE)和均方根誤差(RMSE)被常常用作方法預測結(jié)果的評價指標。因此，本文利用MAE和RMSE作為預測方法的評估指標。在預測結(jié)果中，如果一個模型獲得預測結(jié)果的MAE和RMSE值越小，則表示該模型的預測精度越預測高。

在訓練期間，本文采用最小批量4的優(yōu)化器Adam，通過更新網(wǎng)絡權(quán)重和降低損失函數(shù)的偏差。在本文所提出的預測方法中，DGRU的隱藏層數(shù)和隱藏單元個數(shù)是兩個重要的參數(shù)。因此，本文利用每天溫度的有效值作為監(jiān)測數(shù)據(jù)，對在不同隱藏層層數(shù)和不同隱藏層單元個數(shù)下的有效值進行預測并計算實際值與預測值的RMSE值，進而通過RMSE值大小尋找出最優(yōu)的兩個參數(shù)。但在這之前需要確定網(wǎng)絡參數(shù)，本文確定的網(wǎng)絡參數(shù)如表1所示。

表1 網(wǎng)絡參數(shù)

為驗證不同隱藏層數(shù)和不同單元數(shù)對預測結(jié)果的影響，本文分別使用單層GRU網(wǎng)絡、二層至五層DGRU網(wǎng)絡進行對比試驗以選擇最適合的網(wǎng)絡層數(shù)。本文對每組實驗重復十次，取他們的平均值作為這組預測效果，將不同組的預測出效果進行對比，實驗結(jié)果如圖3（a）所示。從圖中可以看出，當DGRU的隱藏層層數(shù)為4時，網(wǎng)絡預測結(jié)果獲得了最低的RMSE值2.2992，因此，本文選擇4層DGRU作為預測網(wǎng)絡。確定隱藏層層數(shù)后，我們重復相同的實驗步驟以確定隱藏層的單元個數(shù)，不同隱藏單元的實驗結(jié)果如圖3（b）所示，隱藏層的單元數(shù)為100時，預測結(jié)果獲得了最好的預測結(jié)果。因此，本文提出的網(wǎng)絡模型中隱藏層數(shù)為4，隱藏層的單元數(shù)為100。

圖3 BGD2空氣溫度數(shù)據(jù)集

3.預測結(jié)果

根據(jù)實驗部分第二節(jié)中的網(wǎng)路配置對數(shù)據(jù)集進行了多組實驗。實驗選用除測試集外的實驗數(shù)據(jù)作為訓練集，利用本文提出方法的預測結(jié)果如圖4所示。從圖中可以看出，真實值和預測值的升降基本趨勢相同，只有在每個小時空氣溫度相差較大處，預測值與真實值有較小差距，但在其他觀測點處都去得了較好的預測結(jié)果。以上分析表明本文所提出的模型可以較準確地預測輸入與輸出之間的非線性關系并獲得良好的預測性能。

圖4 本文提出方法的預測值與觀測值

為了證明本文提出方法的優(yōu)越性，本文在同樣的實驗條件下，利用LSTM和BiLSTM預測方法對實驗數(shù)據(jù)進行預測，如圖5和圖6所示。對比圖4和圖5的預測結(jié)果可以看出，LSTM預測方法的預測效果僅比本文提出的預測方法效果差一點。但是，在實驗過程中，與本文提出的方法相比，LSTM預測方法卻花費了較長的網(wǎng)絡訓練時間，且收斂速度慢。因此，本文提出的預測方法優(yōu)于LSTM預測方法。

圖5 LSTM方法的預測值與觀測值

圖6 BiLSTM方法的預測值與觀測值

對比圖4和圖6的預測結(jié)果可以看出，圖4的預測的效果在預測效果上遠遠優(yōu)于圖6的預測效果，且在實驗過程中，BiLSTM預測方法的訓練時間遠長于其他兩種預測方法的訓練時間。綜上所述，本文提出的基于改進門控循環(huán)單元的建筑耗能預測方法在運算性能上和預測精度上都優(yōu)于另外兩種預測方法。

為了進一步說明本文提出方法的優(yōu)越性，表2給出了三種預測方法的評估指標RMSE值。為確保RMSE值的有效性，實驗中三種方法的預測點數(shù)相同，預測數(shù)據(jù)相同。

表2 不同方法的RMSE值

四、結(jié)語

本文為解決建筑能耗預測問題，提出一種基于改進GRU的建筑耗能預測方法，該方法將GRU作為網(wǎng)絡結(jié)構(gòu)的基礎構(gòu)建塊，采用多層堆疊方式，進而使網(wǎng)絡架構(gòu)具有強大的表示能力，可以在不同的時間尺度上挖掘原始數(shù)據(jù)中的隱藏特征。為驗證方法的有效性，本文采用BGD2數(shù)據(jù)集數(shù)據(jù)，進行了建筑耗能的預測。實驗結(jié)果證明，GRU預測網(wǎng)絡具有較好的準確性和泛化性能，能夠進行建筑耗能的準確預測。