張 超，封智博，穆洪波，魏子清，肖 冉，翟曉強(qiáng)（.北京金茂綠建科技有限公司， 北京 000; .上海交通大學(xué)制冷與低溫工程研究所， 上海 0040）

我國(guó)建筑運(yùn)行能耗約占能源總量的 30%，其中，一半以上為暖通空調(diào)能耗。挖掘空調(diào)系統(tǒng)的節(jié)能潛力首先要得到準(zhǔn)確的建筑負(fù)荷規(guī)律。傳統(tǒng)物理建模過(guò)程面臨模型復(fù)雜等問(wèn)題，正逐漸被新興的以大數(shù)據(jù)及人工智能為代表的數(shù)據(jù)驅(qū)動(dòng)技術(shù)所代替[1]。

人工智能技術(shù)的開(kāi)發(fā)主要是針對(duì)模型構(gòu)建與特征選擇兩方面。目前，樹(shù)模型、核模型和神經(jīng)網(wǎng)絡(luò)模型在回歸預(yù)測(cè)領(lǐng)域均得到了長(zhǎng)足的發(fā)展，每種模型都有自己的特點(diǎn)與擅長(zhǎng)的數(shù)據(jù)集類型，通過(guò)比較可選擇出適合具體應(yīng)用情景的模型[2-3]。調(diào)參手段的開(kāi)發(fā)又進(jìn)一步提升了模型性能。在特征選擇方面，采用相關(guān)性分析、主成分分析等[4-5]方式可以保證減少多輸入特征數(shù)量與模型性能之間的平衡，使得計(jì)算開(kāi)銷大幅下降，降低了工業(yè)部署的要求。此外，實(shí)現(xiàn)智能預(yù)測(cè)系統(tǒng)的工業(yè)部署，需要整合底層數(shù)據(jù)讀取與網(wǎng)絡(luò)IO 存儲(chǔ)等技術(shù)。

本文提出一種面向集中式空調(diào)住宅負(fù)荷預(yù)測(cè)的系統(tǒng)框架，包括數(shù)據(jù)采集儲(chǔ)存等硬件系統(tǒng)以及相應(yīng)的負(fù)荷預(yù)測(cè)軟件系統(tǒng)，開(kāi)發(fā)了 4 種機(jī)器學(xué)習(xí)算法預(yù)測(cè)系統(tǒng)的逐時(shí)負(fù)荷量。機(jī)器學(xué)習(xí)算法利用了相關(guān)系數(shù)分析與網(wǎng)格搜索進(jìn)行了優(yōu)化，并基于某住宅小區(qū)進(jìn)行了該系統(tǒng)的開(kāi)發(fā)實(shí)踐。

1 系統(tǒng)構(gòu)建

1.1 住宅區(qū)概述

某住宅區(qū)包括 10 棟建筑，總建筑面積為 25 350 m2。該住宅區(qū)內(nèi)空調(diào)冷/熱量由地下機(jī)房?jī)?nèi) 2 臺(tái)地源熱泵機(jī)組（額定制冷量 1 747.0 kW，額定制熱量 1 556.0 kW）和 1 臺(tái)螺桿式制冷機(jī)組（額定制冷量 1 448.2 kW）提供，并通過(guò)循環(huán)管網(wǎng)將冷/熱量輸送至各個(gè)樓棟。

1.2 硬件框架

數(shù)據(jù)采集工作基于物理傳感器與互聯(lián)網(wǎng)通信進(jìn)行。本硬件框架內(nèi)所測(cè)量的數(shù)據(jù)如表1 所示。同時(shí)，為避免對(duì)已運(yùn)行的供能系統(tǒng)造成干擾，傳感器采用了非接觸式傳感器（貼片式溫度傳感器、超聲式流量計(jì)）。所訂閱的傳感器通過(guò) 12 V 模擬信號(hào)接口或者 Modbus 接口將數(shù)據(jù)上傳至上位機(jī)，上位機(jī)之間采用令牌傳遞方式查詢數(shù)據(jù)，頻率設(shè)定為 5 min/次。上位機(jī)通過(guò)互聯(lián)網(wǎng)將數(shù)據(jù)傳輸至指定服務(wù)器，完成全部流程。

表1 傳感器測(cè)量數(shù)據(jù)及位置

2 預(yù)測(cè)模型開(kāi)發(fā)與評(píng)價(jià)

2.1 數(shù)據(jù)預(yù)處理

讀取得到的原始數(shù)據(jù)后，進(jìn)行如下數(shù)據(jù)預(yù)處理工作。

(1)加入負(fù)荷值標(biāo)簽：本項(xiàng)目采用循環(huán)管網(wǎng)供回水溫差與流量的小時(shí)平均值計(jì)算得到每小時(shí)負(fù)荷，同時(shí)將其他數(shù)據(jù)采樣也降到每小時(shí)頻率。

(2)異常值篩查：通過(guò)數(shù)據(jù)分析手段判斷異常值，主要將有悖物理意義的數(shù)值剔除，并采用線性函數(shù)填充替換該異常值。

(3)移動(dòng)平均：移動(dòng)平均可以過(guò)濾掉時(shí)間序列中的高頻擾動(dòng)，保留有用的低頻趨勢(shì)，同時(shí)為了不產(chǎn)生影響模型性能的滯后性，移動(dòng)平均的寬度設(shè)置為 24 h。

2.2 模型構(gòu)建

（1）特征工程。數(shù)據(jù)輸入特征主要分為三類：氣候特征、歷史特征與時(shí)間特征。氣候特征主要包括預(yù)測(cè)時(shí)刻的室外干球溫度、相對(duì)濕度。歷史特征主要包括過(guò)去由硬件框架傳感器采集得到的歷史值，每個(gè)樣本歷史特征維度為 5 040維。時(shí)間特征主要包括全天 24 h 的獨(dú)熱編碼，是否周末的獨(dú)熱編碼以及月份數(shù)的獨(dú)熱編碼等共 26 維。其中，歷史特征由于其龐大的數(shù)據(jù)維度，所以會(huì)導(dǎo)致模型訓(xùn)練效率低下。為此，本項(xiàng)目利用主成分分析對(duì)歷史特征進(jìn)行降維，對(duì)數(shù)據(jù)進(jìn)行比例縮放, 映射到 0 到 1 的區(qū)間進(jìn)行數(shù)據(jù)歸一化處理，采用 Scikit-learn軟件包[6]decomposition.PCA 模塊將數(shù)據(jù)降維至 25 維以加速計(jì)算。

（2）模型選擇與調(diào)優(yōu)。本項(xiàng)目采用 4 種機(jī)器學(xué)習(xí)算法，分別為支持向量回歸（SVR）、多層感知機(jī)（MLP）、隨機(jī)森林（RF）、k 近鄰（KNN）。采用網(wǎng)格搜索方式（Grid Search）對(duì)以上 4 種算法的超參數(shù)進(jìn)行調(diào)優(yōu)。網(wǎng)格搜索調(diào)優(yōu)參數(shù)范圍如表2 所示。采用 5 重 Cross-validation選取各個(gè)模型泛化性能最高的參數(shù)。最終模型輸出值由逆向區(qū)間縮放得到預(yù)測(cè)值。

表2 模型超參數(shù)選擇范圍

2.3 模型性能評(píng)價(jià)

采用 2019 年 11 月至 2020 年 3 月的數(shù)據(jù)為樣本。由于數(shù)據(jù)依靠傳感器獲得，考慮傳感器帶來(lái)的測(cè)量誤差，繪制實(shí)際負(fù)荷值的 95% 置信區(qū)間，如圖1 所示。落在置信區(qū)間內(nèi)的預(yù)測(cè)值認(rèn)為預(yù)測(cè)準(zhǔn)確，其誤差不計(jì)入總誤差計(jì)算[7]。為了合理訓(xùn)練整個(gè)供暖季數(shù)據(jù)，在特征工程結(jié)束后采用隨機(jī)選擇方式選取 80% 的數(shù)據(jù)用于模型訓(xùn)練，剩余 20% 數(shù)據(jù)用于模擬線上預(yù)測(cè)進(jìn)行模型驗(yàn)證。

圖1 逐時(shí)供暖負(fù)荷變化曲線

模型的評(píng)價(jià)采用平均絕對(duì)百分比誤差 MAPE 按式（1）計(jì)算。

式中：n—樣本個(gè)數(shù)；

yi—樣本i真實(shí)值；

i—樣本編號(hào)。

模型性能如表3 所示。由表3 可以看出，訓(xùn)練階段各個(gè)模型 MAPE 均在 10% 以內(nèi)。在訓(xùn)練集表現(xiàn)上，SVR 和 KNN的性能最好，MAPE＜5%。在測(cè)試集上，MLP 與 RF 的模型過(guò)擬合問(wèn)題較為嚴(yán)重，預(yù)測(cè)性能有所下降。由于目前采集的數(shù)據(jù)集樣本數(shù)量較少，而 SVR 模型對(duì)于小數(shù)據(jù)集通常具有較好的性能表現(xiàn)，因此，其擬合性能與預(yù)測(cè)性能均較好。結(jié)合各個(gè)模型的訓(xùn)練時(shí)長(zhǎng)，可以看出針對(duì)該數(shù)據(jù)集 SVR 的綜合表現(xiàn)性能最優(yōu)。

表3 模型性能對(duì)比

進(jìn)一步選取表現(xiàn)最好的 SVR 和 KNN 模型的測(cè)試集數(shù)據(jù)按時(shí)間序列排布，如圖2 所示。通過(guò)分析模型預(yù)測(cè)值落在置信區(qū)間內(nèi)的情況，可以發(fā)現(xiàn) KNN 模型在整個(gè)供熱季的預(yù)測(cè)性能都較為穩(wěn)定，而 SVR 模型在三個(gè)典型空調(diào)供暖月（12月、1 月和 2月 ）的預(yù)測(cè)曲線更為穩(wěn)定。

圖2 SVR 與 KNN 逐時(shí)負(fù)荷預(yù)測(cè)曲線

3 結(jié) 語(yǔ)

（1）本文以某集中式空調(diào)住宅區(qū)為對(duì)象，搭建了從原始數(shù)據(jù)采集到負(fù)荷預(yù)測(cè)的數(shù)字系統(tǒng)框架。

（2）采用支持向量回歸、多層感知機(jī)、隨機(jī)森林、k近鄰等 4 種機(jī)器學(xué)習(xí)算法，結(jié)合主成分分析降維與網(wǎng)格搜索優(yōu)化搭建了負(fù)荷預(yù)測(cè)模型。

（3）支持向量回歸模型的預(yù)測(cè)性能 MAPE 為 4%，模型訓(xùn)練時(shí)間最短，且在典型空調(diào)時(shí)段的預(yù)測(cè)性能穩(wěn)定。綜合考慮為最優(yōu)模型。