基于词嵌入与卷积神经网络的建筑能耗预测

季天瑶 王挺韶

(华南理工大学 电力学院，广东 广州 510640)

随着“十三五”期间能源消耗总量和强度“双控”政策的出台，节能减排将继续成为我国经济社会发展中追求的目标之一。建筑能耗在能源消耗中所占比重相当大[1]，因此建立精确的建筑能耗回归模型能帮助政府、开发商对建筑进行合理规划；也能协助电网合理分配能源，制定准确的日、月发电计划，达到节约能源的目的。

影响建筑能耗的因素众多，建筑元信息(包括建筑面积、建筑用途、地理位置等)以及时序信息(如气象和时间)都会影响建筑的能耗。传统的能耗预测方法与负荷预测的方法类似，主要包括线性回归(Linear Regression,LR)、支持向量机回归(Support Vector Regression,SVR)、时间序列分析[2]、集成机器学习及神经网络等基于数据驱动的方法。

由于能耗预测的数据特征过多，传统的线性回归模型不能处理大量的特征，因此线性回归模型在大规模数据集上的预测精度很难达到较高的水平。支持向量机回归不能充分利用时序特征，且在大量训练样本中的训练速度过慢。时间序列分析仅仅考虑了建筑能耗的时间特性，而没有考虑到建筑本身的特征，也会影响能耗预测的准确性。如果使用高性能的机器学习模型进行回归，如梯度决策回归树[3]，虽然能利用到两种特征，但形成树的过程需要分裂大量的节点，使得模型训练过程偏慢，回归结果仍有待提升。

神经网络在回归预测中也得到了广泛应用[4]，基于长短时记忆网络(Long Short-Term Memory,LSTM)的回归模型充分利用了数据的时序特性，在时序回归上有较好的效果。……