基于双向长短期记忆网络的空调负荷预测方法研究

基于双向长短期记忆网络的空调负荷预测方法研究

林波1、 2

1. 湖南大学 土木工程学院，长沙 410082；2. 美的楼宇科技事业部，佛山 528311

摘要：传统空调设计阶段，设计人员必须按照设计要求，结合使用功能和需求进行负荷计算。由于建筑所在地和功能不同，负荷特征多种多样。传统的设计方案很难精准计算建筑负荷，造成了设备选型不准确降低了系统能效。本文提出了基于双向长短记忆网络(Bi-LSTM)的空调负荷预测模型。通过与传统的ANN和CNN神经网络模型进行对比，结果表明Bi-LSTM模型精度显著提高。

0 引言：全球建筑相关能耗总量随着城市化进程的加深而逐年上升，据统计建筑相关的能耗占到总能耗的35%而碳排放量占比则高达38% [1]。我国是全球碳排放量最大的国家,2020年末占比32%，暖通系统能耗占建筑总体能耗的60%以上 [2]。粗放的方案设计使得暖通系统能效降低，增加了建设和运行成本，因此合理的暖通方案设计所带来的碳中和潜力巨大。Qian等人对中国的287000套多联机系统的设计和运行进行了一系列系统性研究，发现所有多联机的平均部分负荷率仅为30%左右 [3] 。同时提出通过多联机选型的优化，使多联机系统运行在最佳能效区间，有助于显著提升多联机系统能效。

建筑负荷计算由于其复杂性，动态性因此对操作人员的技术背景有较高要求。此外由于模型牵涉到建筑及设备系统的众多信息，模型搭建与计算过程通常耗时长达几天甚至数周。对比基于物理模型立的计算方法，数据驱动模型具有操作简单，高自动化，计算速度快等优点。因此本文提出一种基于双向长短记忆网络(Bi-LSTM)的空调全年负荷预测模型，并与传统的ANN神经网络与CNN对比验证精度。

1 Bi-LSTM模型介绍

在使用深度学习处理时序问题时，RNN是最常使用的模型之一。RNN之所以在时序数据上有着优异的表现是因为RNN在 t时间片时会将 t-1时间片的隐节点作为当前时间片的输入。梯度消失和梯度爆炸是困扰RNN模型训练的关键原因之一，产生梯度消失和梯度爆炸是由于RNN的权值矩阵循环相乘导致的，相同函数的多次组合会导致极端的非线性行为。梯度消失和梯度爆炸主要存在RNN中，因为RNN中每个时间片使用相同的权值矩阵。LSTM的全称是Long Short Term Memory，顾名思义，它具有记忆长短期信息的能力的神经网络。LSTM之所以能够解决RNN的长期依赖问题，是因为LSTM引入了门（gate）机制用于控制特征的流通和损失。Bi-LSTM是在LSTM模型的基础上改进，有两个隐藏的LSTM层。从前后两端同时将输出送到激活层进行计算 [4] 。

2 模型建立流程

模型生成流程主要包括了第一步建筑特征和信息选择，第二步通过EnergyPlus生成训练数据集，第三步Bi-LSTM模型训练以及最后模型在云端完成部署。

2.1 建筑特征选择

根据公共建筑节能设计标准和建筑负荷计算机理，共选取19个建筑相关的特征，6个天气相关特征以及4个时间相关的特征。19个与建筑相关的特征如表格1所示，其中体形系数用来简化建筑尺寸的输入，楼层高度也做了特殊的处理，其不作为神经网络模型的直接输入。

表1 建筑相关特征

其他参数包括体型系数，建筑层高，天气相关特征，风向和风速。对建筑负荷做频谱分析可得，负荷的年周期性和日周期性较为明显，故添加日周期性的时间特征和，和年周期性的时间特征和，同时，日周期性和年周期性的时间特征还可以用来模拟太阳角的日周期性和年周期性的变化对负荷的影响。

2.2 训练数据生成

根据特征变量变化空间生成全部特征完全方案的训练数据集会因为样本数太多会带来指数级别的增长。因此我们采用正交实验的方法被用来生成训练数据集。主要用到工具是Eppy，它是一个python用来修改和生成idf文件的脚本，结合python和EnergyPlus可以批量生成和运行idf文件。

2.3 Bi-LSTM模型调参

建立负荷预测的Bi-LSTM模型，其超参包括每一层的神经元数量、批量大小和时间窗口的大小。以中国温和区域制冷负荷为例，利用NNICTL工具以及TPE方法进行调参。误差最小的20个调参结果发现，第一层最好的神经元数为512，第二层最好的神经元数为512和256，较优的时间窗口小于或等于6，较好的批量大小为512和1024。对于制冷负荷模型，误差最小的窗口长度为24，误差最大的窗口长度为4。

2.4 模型测试结果

模型在验证集上的误差如图1所示，验证集的基本都在0.9以上，制冷负荷误差在10%以内。制热负荷小负荷误差较大，图中只统计峰值负荷大于30

的建筑的误差，从图中可以看出，制热负荷的在0.9以上，90%以上的建筑总负荷相对误差小于10%，但是严寒C区和寒冷地区只有70%左右的建筑峰值负荷误差小于10%。

图 1模型制冷和制热训练集和测试集误差

2.5 与ANN和CNN模型结果比较

3个模型的训练误差如下图2所示，ANN的误差和CNN相近，但稍差于CNN，LSTM的误差最小。当前负荷可能只和与其时间相近的特征有关系，但ANN在提取特征时，需要一次性看完所有的特征，因此其效率要高于ANN。而LSTM在提取特征信息时可以保证特征信息传递的方向，时间序列的数据是有序的，所以LSTM的计算机制和时间序列问题适配，因此其误差最小。

图2不同模型的训练误差比较

3 结论与展望

Bi-LSTM模型能够对空调符合进行准确的预测，验证集的基本都在0.9以上，制冷负荷误差在10% 以内。6个最重要特征全测试空间上，99%以上的建筑制冷总负荷和制冷峰值误差小于10%； 95%以上建筑的制热总负荷和峰值负荷误差小于10%，误差随着峰值负荷的减小而增大。与ANN，CNN模型相比，Bi-LSTM模型预测精度更高。未来可以通过更多的实际负荷验证对模型进行验证，测试其在实际数据集上的预测能力。

参考文献

[1] Commercial buildings energy consumption survey (CBECS). US Department of Energy: Washington, DC, USA, 2022. EnergyPlus; Engineering Reference.

[2] 2023中国建筑节能年度发展研究报告, 清华大学建筑节能研究中心，中国建筑工业出版社

[3] Qian, M., Yan, D., Hong, T., & Liu, H. (2021). Operation and performance of VRF systems: Mining a large-scale dataset. Energy and Buildings, 230, 110519

[4] Wang, S., X. Wang, S. Wang, and D. Wang, Bi-directional long short-term memory method based on attention mechanism and rolling update for short-term load forecasting. International Journal of Electrical Power & Energy Systems, 2019. 109: p. 470-479