增强神经网络算法构建混合模型的建筑能耗短期预测

王 珏

（上海电力大学 电子与信息工程学院，上海 200000）

公共建筑面积与能耗逐年增长，建筑节能对全球节能减排有着重要意义。建筑能耗受到多方面的影响，如室内外温湿度、设备运行情况、人流密度等。基于数据驱动的预测模型，需要大量的数据作为算法支撑，其中气象数据是多维度且复杂的，不必要的自变量也会产生误差[1]。若仅对每个变量分别进行分析，会形成信息孤岛，导致预测结果必然存在偏差。对于波动性过大数据，PCA存在丢失有效信息的问题，不能做到精准降维[2]。

由于建筑能耗数据具有非线性不稳定的特点，近年来，研究人员主要通过机器学习（Machine Learning，ML）方法来对建筑能耗进行预测。其中深度学习可以从大量无标识数据中自动获取有效特征，比物理模型计算出的预测结果效率更高[3]。随着能耗数据噪声增加，单一模型已经不能适应数据特征，混合模型逐渐得到应用[4]。

本文以上海市嘉定区某建筑大楼（下文用A建筑表示）为研究对象，通过公共能耗检测系统获得该建筑夏季一周内每5 min记录1次的空调冷负荷作为样本数据进行训练测试，提出一种面向建筑能耗短期预测的混合模型AE-AdaBoost-BP。本文主要内容包括：（1）对明显波动与非线性的大量数据标准化处理后剔除毛刺；（2）使用DAE对多维气象参数精准降维；（3）对AdaBoost算法进行改进，优化了迭代过程；（4）利用改良后的AdaBoost算法优化BP神经网络的权值与阈值完成对建筑能耗的预测；（5）应用DAE-AdaBoost-BP混合模型对上海某大型建筑能耗进行短期预测，仿真结果验证了该模型的可行性。

1 模型原理

1.1 去噪自编码器

自编码器（AutoEncode，AE）属于无监督学习，利用神经网络的结构对数据进行降维。自编码器结构内有一个隐含层，输入层和输出层维度相同，隐含层的维度可选择。该网络可由2部分组成，输入层经过一次编码得到隐含层，隐含层再经过解码得到输出层，通过训练网络中的权重和偏置，得到输入层和输出层误差最小时的参数，自编码器结构图如图1所示。

图1自编码器结构图

图1 中b1和b2是输入层和隐含层的偏置，W1和W2是网路各变量的权重，X和Z分别是输入层和输出层，H为中间的隐含层，L（X，Z）为目标函数。当目标函数达到最小值时的权重和偏置即为所求，隐含层即降维后的数据，使用隐含层的数据即可代表原输入数据的主要信息。

去噪自编码器（DenoisingAutoEncode，DAE）是改良版的自编码器，并使得特征值具有一定的鲁棒性。其原理是以一定的概率分布，是输入层的部分数据置为0，即使得部分输入层数据丢失，使用丢失过后的数据去进行编码。破损的输入层数据与原输入层数据相比，丢失的数据中也将噪声一起丢弃，具有一定的去噪功能，这样得到的特征值鲁棒性更高。其基本构架如图2所示。

图2 去噪自编码器结构图

1.2 BP_AdaBoost原理

BP神经网络作为人工神经网络中最常见的算法之一，其缺点是很容易陷入局部最小值，对BP神经网络的优化主要在寻找全局最优解上面，如遗传算法和BP神经网络的结合，但遗传算法的优化效果并不是绝对的，没有解决全局最优解的问题。

集成学习作为机器学习的一个分支，在算法上展现了更高的精度。集成算法和多种基础算法都可以结合，并且相对于基础算法在精度上有一定的提升[5]。AdaBoost算法属于Boosting算法中的一种，需要选择一种基算法并进行优化，本次实验将采用BP神经网络作为基础算法。

算法步骤如下：

（1）数据训练集：T＝｛（x1，y1），（x2，y2），…（xm，ym）｝，BP迭代次数为K，集成学习模型为f（x）；

（2）初始化权重为：D（1）＝（w11，w12，…w1m）；w1i＝i＝1，2…m，对于k＝1，2…K，具有权重Dk的训练集样本得到输出模型Gk（x）；

（3）计算训练集上的最大误差Ek＝max｜yi－Gk（xi）｜i＝1，2…m；

（4）计算每个样本的相对线性误差eki＝

（8）若k＜K，则k＝k＋1，返回步骤（3），若达到最大迭代次数，得到集成学习模型：f（x）＝

2 ADE-AdaBoost-BP预测模型建模

2.1 数据来源和处理

数据来源包含1栋楼3层同位置各房间的夏季空调冷负荷。气象数据来自于中国气象数据网，包含大气温度，空气湿度，辐照度等数据。各种数据由传感器测量得到，故可能存在一定的异常值，对原始数据进行归标准化处理，得到均值为0，方差为1的正态分布数据，再通过箱线图检验数据是否存在异常值，如图3（a）所示。

通过图3可以观察到，辐照度和辐照得热的数据上存在一些异常点，对异常数据点进行异常值修改，得到校正后的箱线图，如图3（b）所示，经过矫正过的数值为后续算法所使用到的数据。

图3 误差箱线图

2.2 预测模型建立

AdaBoost算法的核心思想是在每次计算结果上进行重新权重调整，再次进行训练，算法流程图如图4所示。处理过后的训练集通过BP算法得到预测模型Gk（x）以其预测误差eki，根据预测误差再调整训练集权重，并作为下一次BP算法的训练集。经过多次循环得到K个预测模型，再通过组合方式将这些基础模型整合为1个集成模型，作为本篇论文预测模型。

图4 AdaBoost和BP结合的流程图

3 案例分析

本次实验利用matlab2019版本进行预测仿真测试，将矫正过后的气象数据经过DAE分别降维为3维和4维，作为算法的数据输入，输出为各个房间冷负荷的预测值，作为BP网络的训练输入和输出。经实验表明输入层设置为3，隐藏层设置为5，输出为1层，传递函数分别为tansig，tansig和purelin，训练函数为trainlm，训练次数为1 000，训练精度为0.001，学习率为0.1 h，得到的预测效果最佳。

算法的精度由均方根误差（RMSE），平均绝对百分比误差和（AMPE）决定系数R2作为评价指标，公式的计算过程如下：

本次实验1分为2步进行，首先按对遗传算法和AdaBoost优化效率作对比，接着对常用回归算法多元线性回归（MLR）和BP神经网络及其优化作对比。

实验1对BP算法优化作对比，使用上述3项指标作为对比参数，对比效果如图5所示。实验分别为BP，GA-BP，AdaBoost-BP，DAE-AdaBoost-BP，由于BP神经网络的模型训练具有一定的不稳定性，且选择的训练次数较小，每次收敛的结果都不同，故使用对应程序各训练5次，作为对应预测精度对比参考。

由图5可知，BP神经网络的结果最不稳定，鲁棒性最差；GA-BP算法在一定程度上进行了优化，但并不代表每次训练得到的结果优于BP算法；AdaBoost算法均优于BP算法和GA-BP算法，具有很好的预测结果；经过DAE处理过后的AdaBoost算法得到的结果为最优解。

图5 误差评价

实验2进行算法间的对比，同时使用MLR，BP和AdaBoost-BP对冷负荷进行预测，MLR算法调用python软件中sklearn程序模块，预测精度见表1。BP及其优化算法的精度为多次训练结果的中位数。

由表1可以看出，MLR算法实现虽然简单，但是精度较低，BP神经网络经过多次训练的平均值高于MLR算法的精度，经过AdaBoost模型得到的BP算法在各项指标上都有明显的提升，经过DAE降维的算法能够得到更好的精度，且收敛数据更快。

表1 多种算法预测训练结果

4 结束语

本文对上海某栋建筑能耗和气象数据作为研究对象，提出了通过DAE对数据降维，再通过集成学习算法AdaBoost与BP网络的结合对建筑的冷负荷进行了预测，结果表明具有很好的预测效果，在均方根误差，平均误差百分比和决定系数3个方面得到了很大的提升，为管理者提供了良好的数据支持。后续工作将冷负荷预测扩大到整栋建筑的能耗预测，并将通过物联网架构对整栋建筑进行全方位的智能管理，构建相应的管理架构。