張云雷,李子昂,馬驤堯,李冬艷

(1.華北科技學(xué)院 計算機(jī)學(xué)院,北京 東燕郊 065201 2.河北省物聯(lián)網(wǎng)監(jiān)控技術(shù)創(chuàng)新中心,北京 東燕郊 065201)

0 引言

由于高校宿舍的特殊性,其用電安全是高校安全管理工作的關(guān)鍵部分。而空調(diào)用電在高校宿舍用電占比較大。因此,準(zhǔn)確預(yù)測空調(diào)用電量對于用電安全防范、預(yù)防電路過載導(dǎo)致安全隱患變得尤為重要。對于高校宿舍而言,如何短期預(yù)測空調(diào)用電并合理規(guī)劃用電計劃,避免用電安全隱患,具有極為重要的經(jīng)濟(jì)價值。在實際運行中,預(yù)測準(zhǔn)確度和穩(wěn)定性往往是決定預(yù)測方法好壞的重要因素。

隨著深度學(xué)習(xí)的發(fā)展,循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,RNN)[1]在時間序列數(shù)據(jù)預(yù)測方面已經(jīng)展現(xiàn)出卓越的性能。RNN是一類以序列數(shù)據(jù)為輸入,在序列的演進(jìn)方向進(jìn)行遞歸且所有節(jié)點(循環(huán)單元)按鏈?zhǔn)竭B接的神經(jīng)網(wǎng)絡(luò),其在時間維度上進(jìn)行展開,處理的是序列結(jié)構(gòu)信息。RNN處理時序信息,若信息之間的依賴關(guān)系時間跨度過長,則造成學(xué)習(xí)能力下降,從而造成梯度消失或梯度爆炸[2]問題。

為了解決由于信息之間的依賴關(guān)系時間跨度過長造成的梯度消失或梯度爆炸問題,長短時記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)[3]對循環(huán)神經(jīng)網(wǎng)絡(luò)的隱藏層做了改進(jìn),使其能處理長期依賴關(guān)系信息,LSTM在序列預(yù)測任務(wù)中表現(xiàn)出優(yōu)異的效果[4]。該網(wǎng)絡(luò)通過使用門結(jié)構(gòu)控制記憶單元的讀寫操作,可以有效地捕捉時間序列數(shù)據(jù)中的長程依賴關(guān)系,具有良好的建模能力。然而,由于LSTM網(wǎng)絡(luò)結(jié)構(gòu)本身的限制,傳統(tǒng)的單向LSTM網(wǎng)絡(luò)在處理時間序列數(shù)據(jù)時,只能考慮到歷史信息或者未來的信息。因此,單向LSTM網(wǎng)絡(luò)可能會遇到一些問題,例如在預(yù)測時只能考慮到已知歷史數(shù)據(jù),不能很好地預(yù)測未來的數(shù)據(jù)。為了解決上述問題,提出了雙向LSTM網(wǎng)絡(luò)(Bi-directional LSTM,Bi-LSTM)[5]。Bi-LSTM網(wǎng)絡(luò)由兩個單向LSTM網(wǎng)絡(luò)組成,分別從正向和反向處理輸入序列。這樣可以在每個時間步驟上同時考慮歷史和未來的信息,從而提高模型對時間序列數(shù)據(jù)的建模能力。在預(yù)測時,Bi-LSTM網(wǎng)絡(luò)能夠綜合利用歷史和未來信息,使得模型在進(jìn)行特征提取和擬合時具有更強(qiáng)的魯棒性和可解釋性,提高了模型的預(yù)測精度和穩(wěn)定性。該方法能夠有效幫助高校宿舍等公共場所管理部門更準(zhǔn)確地預(yù)測空調(diào)用電量,提高用電計劃的制定效率。同時,該方法還有助于優(yōu)化能源使用結(jié)構(gòu),提高用電安全防范,預(yù)防電路過載導(dǎo)致安全隱患。本文的研究成果對于推動能源智能化和建設(shè)智慧高校具有重要的意義。

本文的主要貢獻(xiàn)在于通過采集高校宿舍空調(diào)用電數(shù)據(jù),建立了一個用于短期用電預(yù)測的數(shù)據(jù)集并使用Bi-LSTM網(wǎng)絡(luò)提取用電量樣本中的時序信息,并在模型中加入正則化避免出現(xiàn)網(wǎng)絡(luò)退化問題。在此基礎(chǔ)上利用該模型對未來一天的用電量進(jìn)行預(yù)測,提高了模型的預(yù)測準(zhǔn)確度和穩(wěn)定性,同時為短期用電預(yù)測提供了一種新的思路和方法。在實際運用中,可以根據(jù)具體場景進(jìn)行模型的參數(shù)調(diào)整和結(jié)構(gòu)優(yōu)化,以進(jìn)一步提高模型的性能表現(xiàn)。

1 數(shù)據(jù)預(yù)處理

本文收集了高校宿舍空調(diào)用電數(shù)據(jù),同時涵蓋了室外環(huán)境因素的測量數(shù)據(jù)。這些測量數(shù)據(jù)包括房間標(biāo)識、當(dāng)日空調(diào)用電量、最高氣溫、最低氣溫、濕度和降水量等,總共收集了24萬條原始數(shù)據(jù)。所有數(shù)據(jù)都是通過空調(diào)用電監(jiān)測傳感器和天氣網(wǎng)接口獲取,記錄頻率為1天。但由于實際采集數(shù)據(jù)中存在噪聲和異常值(見圖1),因此需要進(jìn)行數(shù)據(jù)預(yù)處理和特征提取。本文首先對數(shù)據(jù)進(jìn)行了負(fù)值的剔除,并對數(shù)據(jù)分布進(jìn)行了判斷,清除了存在異常值的數(shù)據(jù)。接著使用聚類算法對宿舍進(jìn)行分類,并為了將數(shù)據(jù)規(guī)范化到相同的范圍內(nèi),對數(shù)據(jù)進(jìn)行了歸一化處理。

圖1 所有宿舍的每日用電量

圖2 負(fù)數(shù)剔除后的用電量數(shù)據(jù)

1.1 剔除負(fù)值

在圖1中可以看到,電量數(shù)據(jù)集中存在負(fù)值。在實際數(shù)據(jù)處理中,這些負(fù)值可能會導(dǎo)致不便或產(chǎn)生錯誤的結(jié)果。因此,一種常見的預(yù)處理方法是剔除負(fù)值并使用0進(jìn)行填充,只考慮數(shù)據(jù)集中的非負(fù)部分。這種方法可以使數(shù)據(jù)處理更加便捷,同時避免錯誤結(jié)果的產(chǎn)生。在本數(shù)據(jù)集中,負(fù)數(shù)代表空調(diào)電費充值,由于充值行為由用戶隨機(jī)發(fā)起,且充值電量遠(yuǎn)遠(yuǎn)大于用電量,這些異常值會影響預(yù)測效果。因此,需要忽略這些數(shù)據(jù),只關(guān)注實際消耗的電量,而不考慮損耗和電費充值。這種處理方法可以提高模型的穩(wěn)定性和可靠性。

1.2 用電量數(shù)據(jù)的分布

宿舍每日用電量情況如圖3所示。通過觀察該圖,可以發(fā)現(xiàn)每日用電量在2度以內(nèi)宿舍數(shù)量最多。進(jìn)一步觀察每日用電量0度至0.5度范圍內(nèi)的宿舍數(shù)量分布直方圖,如圖4所示,可以看到每日用電量小于0.05度宿舍數(shù)量極高,這是由于傳感器計量誤差所導(dǎo)致的。因此,為消除誤差,本文將0.05度內(nèi)的電量視為0度。此外,注意到圖3中每日用電量大于24度的數(shù)據(jù)點分布過于稀疏,本文將其視為異常值,使用0值將其覆蓋。

圖3 宿舍用電量分布直方圖

圖4 宿舍用電量在0度至0.5度的分布直方圖

1.3 用電行為習(xí)慣聚類

即使在相同的氣象條件下,由于不同的課程安排、寢室位置和寢室成員用電行為習(xí)慣的不同,導(dǎo)致不同宿舍的用電量也會有很大的差異。僅當(dāng)模型學(xué)習(xí)到不同寢室的用電行為習(xí)慣時,才能做出較為準(zhǔn)確的預(yù)測。如果直接把宿舍編號輸入模型,模型會難以學(xué)習(xí)寢室號與具體用電行為習(xí)慣的對應(yīng)關(guān)系。因此,本文首先使用聚類算法提取用電行為習(xí)慣,再以one-hot編碼的形式添加到數(shù)據(jù)集中。

聚類算法對無標(biāo)簽的樣本數(shù)據(jù)根據(jù)數(shù)據(jù)及其信息關(guān)系,對數(shù)據(jù)對象進(jìn)行分組[6]。聚類的最終目的是使組內(nèi)的對象之間相似,不同組中的對象之間有區(qū)別[7]。由于不同寢室的用電習(xí)慣各不相同,本文通過將宿舍109天內(nèi)的用電量數(shù)據(jù)視為其用電習(xí)慣高維表示,并利用PCA[8-9]與t-SNE[10]將其從109維降至2維,之后使用KMeans將它們分為8個簇,如圖5所示。

圖5 用電行為習(xí)慣聚類

1.4 Z-Score標(biāo)準(zhǔn)化

數(shù)據(jù)標(biāo)準(zhǔn)化處理是指將數(shù)據(jù)按照一定的比例縮放到某個特定區(qū)間內(nèi),使得不同量級的數(shù)據(jù)能夠具備可比性。這一過程在數(shù)據(jù)處理和機(jī)器學(xué)習(xí)領(lǐng)域中被廣泛應(yīng)用,原因在于數(shù)據(jù)的量綱和范圍差異大會影響到算法的性能,而數(shù)據(jù)標(biāo)準(zhǔn)化可以消除這些影響。

首先,不同特征之間的取值范圍不同會對機(jī)器學(xué)習(xí)算法的訓(xùn)練產(chǎn)生負(fù)面影響。如果特征之間的取值范圍不同,則不同特征對距離計算的貢獻(xiàn)大小也不同,這會導(dǎo)致算法對某些特征過度依賴,從而影響其分類或回歸的準(zhǔn)確性。通過將不同特征的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,可以使得不同特征對算法的影響程度相等,使得算法能夠更好地利用所有特征信息進(jìn)行訓(xùn)練。

其次,數(shù)據(jù)標(biāo)準(zhǔn)化還有助于提高模型的收斂速度和穩(wěn)定性。在模型的訓(xùn)練過程中,模型需要通過梯度下降等優(yōu)化算法不斷更新模型參數(shù),如果特征之間的取值范圍不同,優(yōu)化算法就可能需要進(jìn)行更多的迭代才能找到最優(yōu)解。如果數(shù)據(jù)集中存在異常值或者極端值,這些值可能會對優(yōu)化算法產(chǎn)生過大的影響,從而導(dǎo)致模型不穩(wěn)定。通過將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,可以使得優(yōu)化算法更快速地找到最優(yōu)解,并且減少極端值對模型的影響,從而提高模型的收斂速度和穩(wěn)定性。

由于數(shù)據(jù)集中的特定數(shù)據(jù),如聚類后的類別數(shù)據(jù),標(biāo)準(zhǔn)化會破壞掉原始信息的語義。因此,本文對聚類信息使用One-Hot編碼,并且只對特定數(shù)據(jù),如天氣數(shù)據(jù)以及用電量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。標(biāo)準(zhǔn)化后的數(shù)據(jù)為:

(1)

式中,μ和σ分別是數(shù)據(jù)集的均值和標(biāo)準(zhǔn)差。

1.5 數(shù)據(jù)集以及時間序列構(gòu)建

為了構(gòu)建可用于短期用電預(yù)測的訓(xùn)練數(shù)據(jù)集,我們首先將單條數(shù)據(jù)所對應(yīng)的各項特征拼接成一個向量,再將多條數(shù)據(jù)組成一個時間序列。本文采用時間步長為7的窗口進(jìn)行訓(xùn)練。由于不同寢室的數(shù)據(jù)會相互干擾,因此需要確保在同一時間窗口中只包含同一寢室的數(shù)據(jù)。在每個窗口中,將第7個時間步中的用電量使用0進(jìn)行遮蓋,并將真實值放入訓(xùn)練標(biāo)簽中。此外,本文會檢測在前6天中填充標(biāo)記的數(shù)量,如果數(shù)量大于2,則該窗口被判定為有效信息含量過低,會被剔除出訓(xùn)練數(shù)據(jù)。

經(jīng)過上述的負(fù)值剔除、異常值剔除、聚類以及剔除信息含量較低窗口這些數(shù)據(jù)預(yù)處理步驟后,我們得到了一個包含33551條數(shù)據(jù)的數(shù)據(jù)集。這些數(shù)據(jù)將用于訓(xùn)練和測試后續(xù)模型的效果。為了驗證不同形式的數(shù)據(jù)集對訓(xùn)練效果的影響,我們在原始數(shù)據(jù)集基礎(chǔ)上準(zhǔn)備了四種變體,分別命名為數(shù)據(jù)集1、數(shù)據(jù)集2、數(shù)據(jù)集3和數(shù)據(jù)集4(詳情見表1),并使用Bi-LSTM模型進(jìn)行對比試驗。

表1 四種數(shù)據(jù)集的結(jié)構(gòu)

本文將每個數(shù)據(jù)集根據(jù)寢室進(jìn)行劃分,其中90%的數(shù)據(jù)用作訓(xùn)練集,剩余10%的數(shù)據(jù)則用作測試集。在訓(xùn)練過程中,采用時間滑動窗口進(jìn)行訓(xùn)練,每個批次使用128個樣本數(shù)據(jù)。

2 模型構(gòu)建與訓(xùn)練

本文首先構(gòu)建了Bi-LSTM模型并進(jìn)行訓(xùn)練,使用Adam優(yōu)化器和均方誤差損失函數(shù)(MSE)對每個模型進(jìn)行了80個輪次的訓(xùn)練。隨后使用基于平均絕對誤差(MAE)和MSE以及均方根誤差(RMSE)的評估指標(biāo),評估了模型在測試集上的性能,并與其他模型進(jìn)行了比較。計算式如下:

(2)

(3)

(4)

2.1 LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)

在圖6中,xt為當(dāng)前時刻t的輸入,xt-1為前一個時刻的輸入,ht和Ct都為隱藏層狀態(tài),其中Ct一般被稱為細(xì)胞狀態(tài)。LSTM隱藏層的三種門控結(jié)構(gòu)可以幫助LSTM模型解決梯度消失問題,即遺忘門、輸入門、輸出門[11]。

圖6 LSTM模型結(jié)構(gòu)

(1) 遺忘門

遺忘門以一定的概率選擇是否將先前的細(xì)胞狀態(tài)遺忘,圖6中遺忘門的輸入為時刻t-1的隱藏狀態(tài)ht-1和時刻t的輸入xt,輸出ft為遺忘上一個時刻細(xì)胞狀態(tài)的概率。公式表示見式(5)。

ft=σ(Wf·[ht-1,xt]+bf)

(5)

(2) 輸入門

it=σ(Wi·[ht-1,xt]+bi)

(6)

(7)

(8)

(3)輸出門

輸出門確定時刻t需要輸出的值,圖6中Ot可選擇細(xì)胞狀態(tài)的輸出信息,ht則為輸出門的輸出。其公式表示見式(9)、式(10)。

Ot=σ(Wt·[ht-1,xt]+b0)

(9)

ht=Ot·tanh(ct)

(10)

2.2 Bi-LSTM

Bi-LSTM模型不僅關(guān)注數(shù)據(jù)的正向特性,還考慮了數(shù)據(jù)的反向特性,因為用電數(shù)據(jù)具有非常明顯的周期性和季節(jié)性。該模型由正向LSTM和反向LSTM組成,如圖7所示。

圖7 Bi-LSTM模型結(jié)構(gòu)

Bi-LSTM的預(yù)測結(jié)果由兩個LSTM的預(yù)測結(jié)果共同決定,正向LSTM從t時刻到t+n時刻正向計算一遍,并保存正向LSTM每個隱藏層的輸出,反向LSTM從t+n時刻到t時刻反向計算一遍,并保存反向LSTM每個隱藏層的輸出,Bi-LSTM模型的輸出結(jié)合正向LSTM和反向LSTM相應(yīng)時刻的輸出得到最終的輸出結(jié)果。

2.3 使用ReLU激活函數(shù)

在進(jìn)行用電量預(yù)測時,數(shù)據(jù)之間可能存在非線性關(guān)系,同時預(yù)測結(jié)果需要保證為正值?？紤]這兩個限制條件,本文使用ReLU(Rectified Linear Unit)作為最后一層的激活函數(shù),參見式(11)。

ReLU激活函數(shù)的優(yōu)點在于它簡單高效。相較于Sigmoid和Tanh等其他激活函數(shù),ReLU能夠更快地計算和收斂,從而更好地擬合非線性數(shù)據(jù),提高預(yù)測的準(zhǔn)確性。在電力需求預(yù)測任務(wù)中,ReLU截取輸入信號的負(fù)值記為零,只保留正值,符合預(yù)測結(jié)果必須為正的要求。

(11)

2.4 尋找最佳數(shù)據(jù)集和最優(yōu)Bi-LSTM模型

為了找到最佳的數(shù)據(jù)集和相應(yīng)的最優(yōu)Bi-LSTM模型,本文預(yù)先定義了模型超參數(shù)的搜索空間,見表2。為了確保模型的表示能力逐層遞增,本文規(guī)定每一層的隱藏單元數(shù)量不得少于下一層的隱藏單元數(shù)。這樣做能夠避免網(wǎng)絡(luò)中信息流動時產(chǎn)生較大噪聲,同時使搜索空間更加合理,并減少不必要的模型超參數(shù)組合的數(shù)量,從而避免了不必要的超參數(shù)搜索。

表2 Bi-LSTM模型的超參數(shù)搜索空間

超參數(shù)搜索空間各自組合成唯一的模型架構(gòu),模型的其他參數(shù)見表3。

表3 模型其他參數(shù)/環(huán)境

在數(shù)據(jù)集1、2、3和4上,對上述模型分別訓(xùn)練80輪次,并測量每一種模型的測試最小MSE、最小MAE和最小RMSE。圖8、圖9和圖10展示了不同數(shù)據(jù)集對于不同模型的測試最小MSE、最小MAE和最小RMSE的變化趨勢。

圖8 四種數(shù)據(jù)集在不同模型上的最小MSE變化趨勢圖

圖9 四種數(shù)據(jù)集在不同模型上的最小MAE變化趨勢圖

可以觀察到,在所研究的四個數(shù)據(jù)集中,數(shù)據(jù)集2和數(shù)據(jù)集4與數(shù)據(jù)集1和數(shù)據(jù)集3之間差異明顯,表明當(dāng)日用電量為零時將當(dāng)日天氣因素全部置零可以使模型抽取到更多的信息,從而降低模型損失。而數(shù)據(jù)集2與數(shù)據(jù)集4之間差異顯著,這表明當(dāng)日用電量為零時增加填充可以使模型學(xué)習(xí)到更多的信息。

數(shù)據(jù)集1與數(shù)據(jù)集3之間的差別較小,但數(shù)據(jù)集3相較于數(shù)據(jù)集1表現(xiàn)出更低的最小MSE、最小MAE和最小RMSE指標(biāo)。這表明模型在當(dāng)日用電量為零時將當(dāng)日天氣因素全部置零并增加填充標(biāo)志的數(shù)據(jù)集3上整體具有更好的預(yù)測性能。

在數(shù)據(jù)集3中,表4所示模型在最小MSE、最小MAE和最小RMSE方面表現(xiàn)最優(yōu)。該Bi-LSTM模型共包含3層網(wǎng)絡(luò),其中包括2層Bi-LSTM和1層Dense,Bi-LSTM分別包含了128個和64個Cell單元。樣本從輸入層進(jìn)入網(wǎng)絡(luò)后,通過2層Bi-LSTM和1層Dense后得到樣本的回歸值。為了防止過擬合,在每個Bi-LSTM中都設(shè)計了Dropout層,并以0.2的概率隨機(jī)對權(quán)值進(jìn)行丟棄。

表4 最優(yōu)Bi-LSTM模型架構(gòu)

尋找到合適的數(shù)據(jù)集以及模型后,接下來將使用最佳數(shù)據(jù)集3和最優(yōu)模型(表4)進(jìn)行模型訓(xùn)練、消融實驗以及多模型對比。

2.5 模型訓(xùn)練

使用最優(yōu)模型對最佳數(shù)據(jù)集3進(jìn)行80個輪次的迭代訓(xùn)練后,圖11展示了訓(xùn)練損失和測試損失的結(jié)果。在50個輪次的訓(xùn)練之后,測試集上的平均平方誤差MSE下降至2.14,平均絕對值誤差MAE下降至0.79,均方根誤差RMSE下降至1.46。與此相比,本文通過使用前一日結(jié)果作為預(yù)測值的基準(zhǔn)線得到的MSE為16.5,MAE為2.22,RMSE為4.06。

圖11 使用最優(yōu)Bi-LSTM模型在數(shù)據(jù)集3上各損失曲線

經(jīng)過測試,發(fā)現(xiàn)該模型相比基準(zhǔn)值,MSE下降了87%,MAE下降了64.4%,RMSE下降了64%。這表明該模型具有較強(qiáng)的泛化能力,能夠有效地預(yù)測宿舍的能耗情況。

2.6 消融實驗

消融實驗?zāi)康氖峭ㄟ^針對某個研究變量或因素進(jìn)行系統(tǒng)性排除或削減,從而驗證其對實驗結(jié)果的貢獻(xiàn)或作用。為此,本文采用與表4所示架構(gòu)相同的Bi-LSTM模型進(jìn)行訓(xùn)練。

本文準(zhǔn)備三組消融實驗:①組1將使用去除天氣因素(最高溫、最低溫、降水、濕度)后的數(shù)據(jù)集進(jìn)行訓(xùn)練;②組2將使用去除聚類類別數(shù)據(jù)后的數(shù)據(jù)集進(jìn)行訓(xùn)練;③組3將使用1.4節(jié)的數(shù)據(jù)標(biāo)準(zhǔn)化流程來處理數(shù)據(jù)集進(jìn)行訓(xùn)練。并將三組消融實驗的模型與使用正常數(shù)據(jù)集進(jìn)行訓(xùn)練的模型進(jìn)行對比。其中MSE、MAE與RMSE如圖12、圖13、圖14所示。

圖12 消融實驗測試MSE對比

圖13 消融實驗測試MAE對比

圖14 消融實驗測試RMSE對比

結(jié)果顯示,在對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化之后最小損失相對正常數(shù)據(jù)集變化較小,且仍不如正常數(shù)據(jù)集。這是因為該數(shù)據(jù)集并非正態(tài)分布,使用Z-Score后并沒有帶來更好的效果。去除天氣因素和聚類類別因素后,效果變差的程度比較明顯。這表明天氣因素和類別因素在該研究中對實驗結(jié)果有顯著的影響,而聚類因素對實驗結(jié)果的影響更大,比天氣因素更加顯著。

消除天氣因素后,實驗結(jié)果變差可能是由于天氣對空調(diào)電量的影響很大。人們會根據(jù)氣溫變化使用空調(diào),這會對實驗結(jié)果產(chǎn)生重要的解釋作用,因此不能忽略它的影響。同時,去除聚類類別因素后,實驗結(jié)果變差也許是由于該因素對實驗結(jié)果有明顯的影響,去除后可能會導(dǎo)致實驗結(jié)果誤差增加。因此,在數(shù)據(jù)預(yù)處理中加入天氣因素并進(jìn)行用電聚類,會大大保證預(yù)測結(jié)果的準(zhǔn)確性和可靠性。

2.7 多模型對比

除此之外本文還訓(xùn)練了決策樹回歸預(yù)測模型[13]、XGBoost樹模型[14]、GRU模型[15]、SimpleRNN[16]模型、單向LSTM模型、全連接網(wǎng)絡(luò)模型以及Transformer模型[17]。其中,GRU模型、SimpleRNN模型、單向LSTM模型以及全連接網(wǎng)絡(luò)模型,都采用了與上文中尋找最優(yōu)Bi-LSTM模型相同的方法和搜索空間分別進(jìn)行最優(yōu)架構(gòu)搜索。Transformer模型則是使用逐參數(shù)搜索來尋找最優(yōu)架構(gòu),并根據(jù)訓(xùn)練經(jīng)驗確定搜索空間,以模型的訓(xùn)練代價為準(zhǔn)則確定超參數(shù)搜索順序,具體搜索空間見表5。

表5 Transformer模型的超參數(shù)搜索空間

所有模型對比效果如圖15所示。圖15中Bi-LSTM即本文選用的和表4架構(gòu)相同的模型。觀察結(jié)果表明,通過Bi-LSTM模型進(jìn)行預(yù)測所得到的損失值最低,且該模型的泛化能力最強(qiáng)。圖16 展示了使用最優(yōu)模型——Bi-LSTM進(jìn)行的一次宿舍電量預(yù)測。從圖中可以看到,模型的預(yù)測和真實用電趨勢基本相同,兩者的精度相差不大。因此,該模型表現(xiàn)良好。

圖15 多種模型對比

圖16 用電量預(yù)測示意圖

3 結(jié)論

(1) 通過對高校空調(diào)用電的數(shù)據(jù)進(jìn)行預(yù)處理和特征提取,進(jìn)一步使用Bi-LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和預(yù)測,該方法在預(yù)測準(zhǔn)確度和穩(wěn)定性方面都表現(xiàn)出顯著的提升。在實際應(yīng)用中,該方法可以幫助高校宿舍管理部門更精確地預(yù)測未來一天的空調(diào)用電量,進(jìn)而有效管理用電計劃和設(shè)備狀態(tài),實現(xiàn)安全管理和優(yōu)化設(shè)備使用效率的目標(biāo)。

(2) 本文提出的數(shù)據(jù)預(yù)處理方法和模型在預(yù)測高校宿舍能源消耗方面具有強(qiáng)大的能力,即使在數(shù)據(jù)較為有限的前提下也表現(xiàn)出了良好的效果,充分證明了該方法在實際應(yīng)用中可行可靠,并具有廣泛的應(yīng)用前景。未來將進(jìn)一步研究:如何將該模型方法應(yīng)用于更廣泛的場景,并結(jié)合其他方法進(jìn)行更準(zhǔn)確的電力預(yù)測;擴(kuò)大數(shù)據(jù)集規(guī)模并優(yōu)化模型參數(shù)和結(jié)構(gòu),以提高模型的預(yù)測能力和性能。