文摘

建筑能耗预测中扮演一个重要的角色在实现建筑节能控制。受到一些外部因素,如温度、实际应用中存在一些问题,如复杂的操作和预测精度较低。针对贫穷的时机造成的预测精度较低的问题,现有的建筑能耗预测方法,建筑能耗预测和分析方法提出了基于深度学习网络。建立能耗预测模型之前,建筑能源消耗数据预处理和分析来源。然后,基于Keras深度学习框架,一种改进的长短期记忆(ILSTM)预测模型构建来支持整个周期的准确分析预测网络。同时,自适应的时刻(亚当)估计算法是用于更新和优化模型的重量参数实现自适应和快速更新和网络参数的匹配。模拟实验是基于实际收集的数据集在中国西南大学。实验结果表明,该评价指标美和RMSE该方法的0.015和0.109,分别比比较法。仿真实验证明,该方法是可行的。

1。介绍

随着21世纪的到来,中国已正式进入一个经济快速发展的时期。由于人口的持续增长,能源消耗越来越严重的问题1]。目前在中国领域的能源消耗,能源消耗在建筑行业排名第二,仅占30%左右,工业能源消耗。其中,大型公共建筑的建筑面积占总建筑面积的4%,而其电力消耗占22%。

公共建筑的消费逐年增加,它的碳排放起着至关重要的作用2- - - - - -4]。大型公共建筑的能耗在我国,高校公共建筑的能源消耗占据了一个相当大的一部分。高校科学研究和学习的重要场所,但随着越来越多的高校,以及教师和学生数量的增加,高效的建筑能源消耗问题已经吸引了越来越多的关注(5,6]。因此,准确预测高效能源消耗已成为一个热点话题。构建一个可靠、高效的能源优化预测模型可以实现建筑物能源的最优控制和管理。是具有重要意义的改善环境和缓解能源短缺7]。

建筑能耗预测中发挥着重要作用实现建筑节能管理和控制、建筑节能战略制定,和节能潜力量化(8,9]。传统的建筑物能源预测方法主要是基于物理建模。建筑能耗预测模型基于物理模型使用的原则,建筑热物理学预测建筑能源消耗,和其预测结果往往有良好的可解释性。然而,这种方法需要详细的建筑物理参数和环境参数和其他详细信息10,11),也受到一些外部因素如温度。在实际应用过程中,存在问题等复杂的操作和较低的预测精度。

的广泛应用,物联网技术在智能建筑建筑能耗预测提供了新的解决方案,结合建筑的终端异构传感器与楼宇自动化控制平台(12]。质量传感器提供多维和可靠的数据支持自动化平台通过不断分析态势感知的智能建筑13]。自主控制平台是基于深度学习网络完成建筑能耗的有效预测(14- - - - - -16]。目前,一些学者对建筑能耗进行了研究和分析基于深层网络的数据驱动的方法。陈等人。17提高了神经网络和自适应加权粒子群算法引入到预测网络实现建筑能耗的有效预测。傅et al。18)提出了建筑能耗预测方法基于深层神经网络和传输强化学习。堆栈去噪autoencoder介绍来提取深建筑能耗的特点,和隐层结构不同的建筑物能源之间转移公共信息共享问题。黄等。19)集群技术和神经网络相结合,近邻传播聚类算法完成了数据模型建设、和BP神经网络完成能耗分析和预测,以达到有效控制建筑物能源。文献[20.)使用支持向量机模型实现能源消耗分析基于实际收集数据,为施工人员提供有效的帮助。上面的方法采用数据驱动的方法解决困难的问题建模的物理模型分析方法在一定程度上,但还应该指出,当前的数据驱动方法忽略了建筑能源数据是典型的一维时间序列数据21]。然而,当前的方法没有考虑时间相关的时间序列数据,需要人工添加的时间特性。计算复杂度大,很难准确预测和分析在整个周期。

为了应对这一问题,提出了一种新的建筑能量损失预测模型基于ILSTM和亚当优化算法来支持环境资源的可持续发展。摘要模块化隐层节点的传统LSTM基于时钟分布网络模型并完成定向连接模块之间根据时钟频率从高到低,提高快速预测网络的计算能力在不同的处理周期。最后,有效的分析,有效实现建筑的能量损失。

2。时间序列预测问题描述和数据分析

能源消耗模型数据有很强的时差特征。所以,建筑能耗预测和分析,有必要进行相应的分析基于时间特征。建筑能耗的历史数据可以揭示这一事件的法律。

2.1。时间序列预测问题描述

本文选择进行有针对性的高校建筑能耗分析。数据模型具有以下特点:(1)长期方向意味着在总的方向,时间序列数据将显示总体向上或向下或稳定的趋势。例如,通过引入不同的大型机器,学校的时间序列的能源消费将稳步增长进行长期观察。在宿舍区域采取一定的节能措施后,学校的能源消耗的时间序列波动等等。它通常表现为一种趋势的长期衰退,长期停滞,或长期稳定增长。(2)季度变化意味着由于季度变化,时间序列周期性波动,周期会相对固定(22]。例如,由于相对普通宿舍能源消耗时间序列由人民生活习惯,波动周期可能每天,每周,每月,甚至季节。例如,宿舍在上课时的能源消耗相对较低,晚上和能源消耗将达到峰值。这种周期性波动的观察时间窗口是至少一年或更多。(3)循环变化指的是根据一些不稳定波动的时间序列周期,如临时停电或故障。(4)随机变化,也被称为不规则变化,指的是不规则变化不能人为地预测和不能确定,比如一些无序的分子运动。

本文假设历史时间序列数据值的能源消费的价值 ,预测模型是相当于估算值的时间 。

单步的时间序列预测方法和间接多步预测方法对大跨度时间数据预测,逐步迭代所产生的累积误差会增加总体预测误差成倍增长。出于这个原因,本文定义了一个直接多步预测模型,以历史时间序列值向量作为模型的输入,然后执行数据预测时间 ,也就是说,直接多步预测方法: 在哪里是直接多步预测模型的待定系数。

2.2。数据来源和处理

本文使用实际建筑物能源消费数据作为样本数据集进行分析。每小时粒度,多个建筑的能源消耗数据在西南大学校园从10月1日2018年10月1日,2020年,收集,总共100000块的数据。

由于设备故障和人为干扰等问题在数据收集,近1.25%的缺失数据收集的数据集。缺失的数据会影响预测的准确性。因此,培训之前应该首先处理缺失数据。样本均值是用来填补缺失值的数据,以避免相关信息的损失由于缺失值的消除23,24]。

如果你直接使用原始的指标分析,它将突出的角色与更高的价值指标综合分析和削弱作用较低的值。因此,数据需要被标准化根据公式(2),0和1之间的数据映射。不仅可以提高模型的收敛速度,还可以避免不同的数据维度的影响。 在哪里是标准的数据处理;是样本数据前处理;样本数据集的最大价值;是最低的数据样本数据集。

2.3。数据分析

建立时间序列数据分析模型之前,有必要进行全面探索数据的充分理解和便于后续分析的数据。以建筑能耗数据集作为一个例子,分析了建筑能耗数据集,有一个更深入的了解数据的特点和数据集的质量特征。

统计分析是进行能源消耗值的分布,和能源消耗值的分布的直方图,如图1。

从图可以看出1能源消耗值的分布主要集中在20到50之间。此外,它还提供了一个大比例接近0的值,这意味着建筑是在一个情况下能耗很小甚至0多次(例如,在早上凌晨)。

然后,2019年能源消费数据作为一个例子,能耗值除以天每天24小时的能源消费总量计算,和年度能源消耗值统计图如图2是获得。

从图可以看出2,在每年的冬季和夏季假期(即6月和年1 - 2月刊),能源消费将暂时降至低点一段时间由于人们的运动。温度逐渐上升后立即从3月到7月,空调用电量逐渐增加,能源消耗也在迅速增加。这种变化的法律主要取决于温度的变化要求教师和学生的日常使用的电能。从9月到11月,能源消耗水平保持基本稳定,在12月气温下降,建筑的能耗也逐渐减少。上述现象都反映了季节和温度属性有一个可观的对能源消费的影响。因此,当建筑能耗预测模型,这些外部因素对能源消费预测的重要性应该合理分析。

接下来,本文将24小时平均用电量的三种不同类型的建筑:行政办公大楼、学生宿舍和教学楼,如图3。

从图可以看出3教学楼的平均能耗高于行政办公楼和学生宿舍。其主要能源供应主要集中在学校期间从早上8点到22:00,其能源消耗显著降低在清晨。行政建筑的能源消耗主要集中在白天,这显然是不同于宿舍建筑。这种现象反映了不同的建筑类型代表不同的能源使用模式。因此,当建筑能耗预测模型,我们应该深入挖掘隐藏的信息包含在不同的建筑类型。

3所示。能源消费预测方法的基础上,改进LSTM网络模型

LSTM网络模型具有记忆更长时间范围的功能。基于这一特性,本文采用一种改进的LSTM网络模型建造一栋建筑能耗预测和分析网络。

3.1。建立建筑能耗预测模型

传统LSTM网络模型具有更好的预测性能结果比普通神经网络模型(25]。然而,LSTM模式有更多的参数设置,培训将低于普通神经网络模型。因此,本文改进了LSTM模型,提出了一种基于改进的预测分析方法LSTM (ILSTM)模型。拟议中的ILSTM模型如图4,其主要特点如下:(1)隐层中的所有节点分为几个模块,每个模块分配和管理更新的时间独立不同的时钟周期。(2)RNN的隐层连接到对方。虽然内部是完全连接,定向模块。intermodule连接将点从high-clock频率low-clock频率模块。

每次更新重量,LSTM 7权重矩阵,每次需要更新,每个矩阵的长度是隐层节点的数量。本文隐层节点分为不同的模块。操作期间,模块的一部分将被选中参与操作,和模块不参与操作将被设置为0。的权重矩阵类似于其他权重矩阵:

更新公式如下:

其中,模型定义 基于能源消费预测,前馈公式输出门形成机制,和其他类似的公式:

这种机制可以保证节点在第一模块总是参与计算。随着训练时间的增加,参与操作模块的数量将会增加;,时钟频率较高的模块只会参加操作培训期间在稍后的时间。在不同的时间不同的模块的更新将会如图5。红星符号表明该模块将在当前时刻参与操作。

原因是短程的信息经常需要更新,将移交给low-clock频率模块主要处理。远程信息,主要处理由high-clock执行周期模块。在这种机制下,不同模块有不同的功能和部门的劳动,和不同的长和短的距离都可以很好地处理信息。

时间复杂度而言,ILSTM模型相结合的时间复杂度的优点LSTM模型也将低于LSTM模型。这是因为每次更新参数,选择部分更新,而不是所有更新。简而言之,ILSTM模型的训练时间短于LSTM模型,弥补了缺陷的长LSTM模型的训练时间。

与此同时,本文构建一个基于Keras ILSTM分析网络模型框架。Keras深度学习框架基于Python语言,可以在TensorFlow上运行,CNTK或Theano。开源的优势和强大的可伸缩性和开发重点是实现快速实验。ILSTM预测模型的结构如图6。其中,和时间模型的输入和输出,分别。

ILSTM的隐层单元使用150个神经元和定义了输入数据的尺寸。然后,亚当优化算法用于优化和更新模型的参数。辍学层随机关闭一些神经元在每个迭代中,并随着迭代的进行,任何神经元可能被关闭。因此,神经元变得不那么敏感,其他特定神经元的激活。它可以减少复杂的神经元之间相互适应关系,有效地缓解过度拟合的发生,实现正则化在一定程度上的影响。它的各种参数如表所示1。

3.2。优化算法

多层预测网络模型,计算快速、准确地更新网络权重参数,可以有效地提高预测精度和速度的能量消耗模型。

传统的随机梯度下降法(SGD)算法只使用数据集更新网络参数的一个示例。如果样品是噪声或离群值,它将使SGD无法更新全局最优解,这就很容易造成模型不收敛。

亚当是一个学习rate-adaptive优化算法的优点结合动量算法和均方根反向传播算法。它可以自动搜索学习速率和有效的搜索参数空间。它可以取代传统的梯度下降法随机算法权重参数。优化更新。亚当算法具有较高的计算效率和较低的内存需求,这是非常适合大数据或参数的问题。具体优化过程如下:步骤1:设置初始学习速率0.015,一阶矩估计衰减系数0.85,二阶矩估计衰减系数到1.0步骤2:计算梯度的目标函数 其中,目标函数;是网络参数在时间步重量吗 。步骤3:计算一阶矩估计和二阶矩估计 : 步骤4:一阶矩估计和二阶矩估计后计算纠正偏差如下: 步骤5:更新学习速率和网络参数的重量 : 在哪里是一个常数,维持一个稳定的值,值为10⁻⁸。

4所示。实验

Ubuntu16中的仿真实验运行环境(InterCore i7 - 980×3.33 GHz CPU,内存128 GB)。在Python 3.0语言编写,数据预处理是通过执行numpy 1.19.4和熊猫0.20.3,并实现了基于Keras深度学习框架。实验的具体开发环境和硬件配置如表所示2。

4.1。评价指标

在深度学习,评价指标是测量模型的性能的关键。本文根均方误差(RMSE)和平均绝对误差(MAE)指标常用于时间序列预测的任务是用来评估模型的影响。

RMSE是根号的比率之间的偏差的平方和预测值和真值的观测 ,代表模型的预测值和真实值。的定义RMSE方程如下所示:

美是绝对误差的平均值,可以更好地反映实际情况的预测误差值。梅的定义公式如下所示: 在哪里和分别代表模型的预测值和真值。代表样本的数量。

应该注意的是,越小的价值评价指标RMSE和梅,更好的性能的建筑能耗预测分析模型。

4.2。网络参数优化分析

AdaGrad算法,SGD算法,和亚当算法用于比较优化的效果。图7显示了模型试验设置训练误差下降曲线在不同优化算法。

如图7本文中使用,亚当参数优化算法可以实现有效的网络在第四迭代收敛,训练误差为0.00005。AdaGrad算法和SGD算法训练误差收敛于0.00014和0.00027,分别。证明了亚当参数优化方法可以实现能源消费预测网络参数的准确匹配。同时,也注意到算法比亚当慢的算法进行了比较。SGD算法实现参数匹配在八迭代,和AdaGrad算法实现网络调优在14迭代计算。它证明了亚当优化算法具有快速网络状态跟踪能力和可以实现实时更新和建筑能耗预测网络的匹配参数。

4.3。比较预测结果和实际值

同时,引用(17,20.)也作为比较法进行比较试验提出ILSTM能耗预测网络模型。实验分为训练实验和测试实验。100年连续的数据预测结果是随机选择并与实际值比较。比较的结果显示在图8。

图8显示了建筑能耗的预测精度在不同的方法。如图8(一个)提出,由于ILSTM预测网络模型,不同的模块分布在不同的时钟周期,从而确保更好的训练数据曲线完整的周期。在文献[17),虽然粒子群算法实现自适应预测网络参数的更新,它忽略了时间序列的构建状态数据,和很难实现准确的特征提取为训练数据集。文献[20.建立一个能源消耗预测模型基于支持向量机,具有比普通神经网络较强的非线性拟合能力。然而,由于忽略了数据本身的特点,它仍然是不足与该方法的预测分析能力。

图8 (b)显示的预测和分析测试数据集的不同方法,以及该方法的性能优势可以进一步观察。该方法展示优秀的跟踪和预测性能完整的模拟周期期间,虽然其他方法都有很大的跟踪错误和不能实现准确、高效的建筑能耗预测分析。

为了量化评价不同方法的影响,本文选择梅和RMSE作为性能评价指标,100年的平均计算结果进行比较分析。图9显示了不同预测方法的性能评价。

如图9,数值越低的指标预测RMSE美和评价指标,预测网络模型的性能就越好。ILSTM网络模型和亚当的组合优化算法有效地保证了跟踪和分析预测方法的性能。本文提出的方法有一个美0.015和0.029的RMSE指数的指数。因为比较方法忽略了时间序列数据的特点,分析索引值明显高于该方法。它证明了优秀的建筑能耗预测性能的方法。

5。结论

本文提出一种方法来预测和分析基于改进LSTM建筑能源消耗,从而处理好时间序列。预测模型基于Keras深度学习框架可以有效地训练有素的建筑能源消耗数据。拟议中的ILSTM预测模型分配不同的模块在不同的时钟周期,从而确保更好的曲线跟踪全循环和分析需求相匹配的不同的预测时间。实验结果表明,亚当的预测网络优化算法具有较高的准确性和显著提高了完整的跟踪和分析功能的建筑能耗预测网络。

建筑能耗预测的目的是更好地实现建筑物能源的细化管理。目前,大量的研究都集中在建筑能耗预测的问题,但如何设置建筑节能策略,实现最优建筑操作是构建能源优化管理的终极目标。因此,在未来,以用户为中心的建筑的研究和应用将进行能源管理和节能策略,和能源消费预测,节能战略制定,操作和快速分析应用程序将进行连锁分析。

数据可用性

本文中包含的数据是可用的,没有任何限制。

的利益冲突

作者宣称没有利益冲突有关的出版。