王潔

（貴州電子信息職業(yè)技術(shù)學(xué)院 貴州凱里 556000）

0 前言

建筑能耗節(jié)約一直是這幾年研究的重點(diǎn)，是目前改善大氣環(huán)境、實(shí)現(xiàn)國民經(jīng)濟(jì)可持續(xù)發(fā)展的重要途經(jīng)。對于建筑節(jié)能的本質(zhì)而言是提高建筑物的能源利用率。如果能做到能耗及時(shí)預(yù)測并根據(jù)預(yù)測數(shù)據(jù)規(guī)劃電網(wǎng)能源運(yùn)行中心的使用，那么就能降低建筑能耗的使用。

國內(nèi)外不少學(xué)者都通過對建筑物電力負(fù)荷進(jìn)行預(yù)測分析建模，提出了相關(guān)的模型和算法來保障電力負(fù)荷預(yù)測的精確度和預(yù)測系統(tǒng)的魯棒性[1]。其中常見的算法有SVR基于支持向量回歸的短時(shí)預(yù)測模型，和基于集合經(jīng)驗(yàn)的模態(tài)分解及粒子群優(yōu)化等超短期預(yù)測方法[2]。另外還有小波函數(shù)協(xié)方差等卡爾曼濾波算法、線性回歸等傳統(tǒng)依靠人工經(jīng)驗(yàn)的的算法模型。隨著IOT及智能電網(wǎng)的迅速發(fā)展，可以通過IOT設(shè)備對電網(wǎng)數(shù)據(jù)進(jìn)行實(shí)時(shí)采集，從而實(shí)現(xiàn)基于IOT的深度學(xué)習(xí)自動(dòng)抓取電網(wǎng)中數(shù)據(jù)特征的低維-高維的算法也應(yīng)運(yùn)而生如文獻(xiàn)[3]中，該算法主要是利用單個(gè)小的數(shù)據(jù)對建筑物用電模式、時(shí)間進(jìn)行對比分析，抓取數(shù)據(jù)特征轉(zhuǎn)化為高維模型，進(jìn)行預(yù)測。

本文根據(jù)上述的文獻(xiàn)當(dāng)中的研究成果，根據(jù)實(shí)際建筑物用電負(fù)荷歷史數(shù)據(jù)進(jìn)行預(yù)處理，使數(shù)據(jù)統(tǒng)一化、對異常值分析處理等為后期數(shù)據(jù)規(guī)范輸入提供保障。使用向量學(xué)習(xí)機(jī)對電力負(fù)荷數(shù)據(jù)的淺層特征進(jìn)行數(shù)學(xué)建模，并根據(jù)短時(shí)記憶網(wǎng)絡(luò)提取學(xué)習(xí)模型，最終通過相關(guān)的線性回歸方程進(jìn)行整合，并同傳統(tǒng)預(yù)測方法進(jìn)行對比，獲得精確的預(yù)測模型。

1 傳統(tǒng)預(yù)測模型與深度學(xué)習(xí)預(yù)測模型理論分析

1.1 傳統(tǒng)預(yù)測模型理論分析

1.1.1 趨勢推測法

趨勢推測法主要是基于電力負(fù)荷相關(guān)的數(shù)學(xué)模型同時(shí)間變化的關(guān)系，來計(jì)算未來負(fù)荷的發(fā)展趨勢，該方法的計(jì)算一般是線性關(guān)系。

1.1.2 時(shí)間序列測定法

時(shí)間序列測定法指對電力負(fù)荷的歷史收集數(shù)據(jù)進(jìn)行分析，通過專業(yè)人員的先驗(yàn)經(jīng)驗(yàn)找出電力負(fù)荷數(shù)據(jù)變化過程中的變化規(guī)律和基本特種，并對未來數(shù)據(jù)進(jìn)行預(yù)判的方法。但存在系統(tǒng)魯棒性隨著時(shí)間推移變長而不穩(wěn)定的特點(diǎn)，同時(shí)對專業(yè)人員的經(jīng)驗(yàn)和采集的歷史數(shù)據(jù)的精度有較高的要求。

1.1.3 回歸分析法

該方法來自于運(yùn)籌學(xué)，建立相關(guān)線性分析模型；分析電力負(fù)荷樣本同相關(guān)環(huán)境參數(shù)之間的關(guān)系，實(shí)現(xiàn)負(fù)荷的預(yù)測。建立的模型一般是多元線性方程組進(jìn)行分析。

1.2 深度學(xué)習(xí)預(yù)測模型理論分析

除了上文中提到的傳統(tǒng)預(yù)測方法以外，目前隨著人工智能發(fā)展，其理論研究持續(xù)深入；特別是人工神經(jīng)網(wǎng)絡(luò)、小波變換等這些由信號(hào)分析領(lǐng)域的預(yù)測方法也能夠應(yīng)用于短時(shí)電力負(fù)荷的預(yù)測。

1.2.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是模仿人類大腦系統(tǒng)的算法，具有自主學(xué)習(xí)、推理、優(yōu)化等能力。目前，運(yùn)用最廣泛的是RBF神經(jīng)網(wǎng)絡(luò)（基于徑向基函數(shù)）和BP神經(jīng)網(wǎng)絡(luò)（誤差反向傳播）。一般來說人工神經(jīng)網(wǎng)絡(luò)包含輸出層、隱層、輸入層，將準(zhǔn)備采集數(shù)據(jù)→預(yù)處理數(shù)據(jù)→樣本訓(xùn)練→輸出數(shù)據(jù)。

1.2.2 小波變換算法

小波變換是一種時(shí)域-頻域得變化算法，主要根據(jù)現(xiàn)場測定數(shù)據(jù)選取適合得小波函數(shù)，按照信號(hào)頻率自動(dòng)調(diào)節(jié)，可以根據(jù)需求提取局部采樣信息；在信號(hào)分析、時(shí)頻分析等領(lǐng)域具有較強(qiáng)的適應(yīng)性。

2 基于深度學(xué)習(xí)的短時(shí)用電負(fù)荷預(yù)測實(shí)驗(yàn)設(shè)計(jì)

2.1 電力負(fù)荷預(yù)測現(xiàn)場模型描述

根據(jù)實(shí)際工況下某地電力負(fù)荷采集建筑物的用電負(fù)荷需求，其中有功功率主要是針對電力照明類設(shè)置，而無功功率主要為建筑物類設(shè)備的正常運(yùn)轉(zhuǎn)所使用，如電力驅(qū)動(dòng)的提水水泵、冷暖空調(diào)設(shè)備等。另外根據(jù)采集的數(shù)據(jù)分析，其中在用電負(fù)荷方面存在相關(guān)的異常情況，如某年某月某日的的氣溫異?；蛘咴O(shè)備停機(jī)檢修等，都需要在考慮進(jìn)模型當(dāng)中。從前期采集的數(shù)據(jù)來看電力負(fù)荷會(huì)出現(xiàn)周期性的漲跌，雖然上述的因素可以作為數(shù)據(jù)采集當(dāng)中的特征描述，但是不能作為主要用電類型的相互依存關(guān)系關(guān)鍵判別。

2.2 電力負(fù)荷預(yù)測算法模型分析

根據(jù)電力負(fù)荷預(yù)測現(xiàn)場模型前述情況來看，眾多因素都同電力負(fù)荷預(yù)測存在關(guān)聯(lián)，同時(shí)存在高度非線性關(guān)系。因此前期數(shù)據(jù)預(yù)處理對相關(guān)特征的抽取極為重要。但目前深度學(xué)習(xí)的淺層神經(jīng)網(wǎng)絡(luò)不能對數(shù)據(jù)特征進(jìn)行很好的提取，需要重新采用更加深層的神經(jīng)網(wǎng)絡(luò)，因此選用SAE為代表的神經(jīng)網(wǎng)絡(luò)更好的對數(shù)據(jù)特征提取，同時(shí)使用自編碼網(wǎng)絡(luò)同極限學(xué)習(xí)機(jī)相融合的方式提取電力負(fù)荷中時(shí)間序列數(shù)據(jù)，最后使用多元線性方程進(jìn)行回歸分析，確定預(yù)測的準(zhǔn)確性。

2.3 集成模型融合步驟

根據(jù)集成模型即AE自編碼器網(wǎng)絡(luò)及學(xué)習(xí)機(jī)方法對電力負(fù)荷時(shí)間序列進(jìn)行數(shù)據(jù)特征提取、分析和預(yù)測。

其步驟為：

（1）通過貪婪分層訓(xùn)練法對數(shù)據(jù)進(jìn)行每一層的預(yù)訓(xùn)練，獲得高階特征。為后續(xù)數(shù)據(jù)特征分析提供支撐。包含兩層及更多層的訓(xùn)練模組。

（2）創(chuàng)建并訓(xùn)練第一個(gè)隱含層 AE1，獲得初始特性給 g（1-n）n-1，然后將數(shù)據(jù)持續(xù)提供給下一個(gè)隱藏層AE2進(jìn)行數(shù)據(jù)梳理，最終獲得第三層AE3的數(shù)據(jù)。

（3）根據(jù)AE3獲得的數(shù)據(jù)，進(jìn)行查看編輯為新的訓(xùn)練數(shù)據(jù)集，同時(shí)針對訓(xùn)練數(shù)據(jù)集輸入到SVR中，構(gòu)造出對應(yīng)的ELM，最終生成輸出數(shù)據(jù)。

2.4 融合算法模型優(yōu)化調(diào)整

根據(jù)實(shí)際情況經(jīng)過反復(fù)計(jì)算確定融合算法模型最優(yōu)結(jié)構(gòu)，其中隱含層神經(jīng)元個(gè)數(shù)為主要研究參考。在實(shí)驗(yàn)中隱含層層數(shù)設(shè)置為2～5層，神經(jīng)元個(gè)數(shù)為：150～800。根據(jù)實(shí)際工況情況進(jìn)行了14個(gè)測試，優(yōu)化神經(jīng)元個(gè)數(shù)并對建筑物已采集的數(shù)據(jù)進(jìn)行整理歸類，獲得建筑物8年的電力負(fù)荷參數(shù)2009-2017年，實(shí)驗(yàn)建筑物電力負(fù)荷數(shù)據(jù)集見表1。

表1 實(shí)驗(yàn)建筑物電力負(fù)荷數(shù)據(jù)集

根據(jù)調(diào)試結(jié)果最終將融合模型中的神經(jīng)數(shù)量設(shè)置為97。其中訓(xùn)練層進(jìn)行源碼編程，平臺(tái)為Python。

之后根據(jù)預(yù)測數(shù)據(jù)，同傳統(tǒng)預(yù)測和淺層神經(jīng)網(wǎng)絡(luò)分析情況進(jìn)行對照，準(zhǔn)確性提高30%，達(dá)到預(yù)測要求，優(yōu)化完成。

2.5 實(shí)驗(yàn)結(jié)果分析比對

通過融合模型同經(jīng)驗(yàn)公式分析的對比之后，選取在建筑物進(jìn)行5d內(nèi)短時(shí)用電負(fù)荷預(yù)測，根據(jù)實(shí)際工況僅做了5d的短時(shí)電力預(yù)測分析。根據(jù)實(shí)驗(yàn)數(shù)據(jù)5d對比情況看與預(yù)測結(jié)果吻合。

3 總結(jié)與展望

本研究將深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行重構(gòu)，提出一種新的融合算法，避免目前淺層神經(jīng)算法出現(xiàn)的數(shù)據(jù)特征提取不足的問題，同時(shí)使用線性回歸進(jìn)行比較綜合分析預(yù)測結(jié)果的準(zhǔn)確性。并將所研究的融合算法應(yīng)用于實(shí)際的建筑物電力負(fù)荷預(yù)測中，進(jìn)行詳細(xì)的實(shí)驗(yàn)以驗(yàn)證模型的優(yōu)越性，實(shí)驗(yàn)結(jié)果顯示在短期電力負(fù)荷預(yù)測中，該融合算法的準(zhǔn)確性較一般的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)要高，展示出該融合算法的優(yōu)越性。

但是該算法仍有許多不足，首先為對電力負(fù)荷同電網(wǎng)盈利性進(jìn)行分析比較，并建立最佳經(jīng)濟(jì)性使用模型，其次采用的是線性分析未對非線性算法進(jìn)行對照，這些問題將在今后的研究中持續(xù)進(jìn)行，進(jìn)一步完善融合算法模型適當(dāng)引入非線性算法進(jìn)一步提高當(dāng)前算法模型的預(yù)測精度。