建筑運行階段能耗在中國能源消耗中占比21.7%，是溫室氣體排放的重要來源.隨著經(jīng)濟發(fā)展和人民生活水平的提高，建筑能源消耗比例呈現(xiàn)出不斷上升的趨勢.因此，對建筑能耗進(jìn)行預(yù)測以指導(dǎo)建筑運行模式和節(jié)能評估，對建筑節(jié)能有著重要意義.目前，建筑能耗預(yù)測方法主要可分為基于熱力學(xué)規(guī)則的物理模型和基于機器學(xué)習(xí)算法的數(shù)據(jù)模型.由于物理模型耗時較長且需要詳盡的建筑信息與環(huán)境參數(shù)(如建筑構(gòu)造細(xì)節(jié)、運行時間表、物性參數(shù)等)，在實際應(yīng)用中常因為缺少準(zhǔn)確的輸入數(shù)據(jù)，導(dǎo)致能耗模擬結(jié)果不佳.

數(shù)據(jù)模型能夠根據(jù)建筑的歷史能耗數(shù)據(jù)和建筑業(yè)態(tài)，在缺少建筑物理參數(shù)的情況下快速精準(zhǔn)地對建筑能耗進(jìn)行預(yù)測，近年來得到了廣泛的應(yīng)用.目前，常用的機器學(xué)習(xí)算法有支持向量回歸(SVR)、人工神經(jīng)網(wǎng)絡(luò)(ANN)以及梯度漸進(jìn)回歸樹(GBRT)等.然而，這些傳統(tǒng)的機器學(xué)習(xí)算法仍然需要大量的人工操作來提取數(shù)據(jù)中的特征，以降低數(shù)據(jù)的復(fù)雜性.

隨著數(shù)據(jù)量增多以及算力增長，數(shù)據(jù)模型逐漸由淺層機器學(xué)習(xí)發(fā)展到深度學(xué)習(xí).深度學(xué)習(xí)通過多個網(wǎng)絡(luò)層直接從數(shù)據(jù)中進(jìn)行特征的提取與學(xué)習(xí)，有著較強的模型表達(dá)能力.相較于傳統(tǒng)機器學(xué)習(xí)，深度學(xué)習(xí)模型預(yù)測精度隨著訓(xùn)練數(shù)據(jù)量增長而不斷提高.目前，應(yīng)用于建筑能耗預(yù)測領(lǐng)域的深度學(xué)習(xí)算法主要包括自動編碼器(AE)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、長短期記憶網(wǎng)絡(luò)(LSTM)、生成對抗網(wǎng)絡(luò)(GAN)等模型，而卷積神經(jīng)網(wǎng)絡(luò)(CNN)目前應(yīng)用較少，CNN網(wǎng)絡(luò)具有極強的局部特征捕捉能力，應(yīng)用到建筑能耗預(yù)測領(lǐng)域中能夠通過構(gòu)建高維特征，有效地學(xué)習(xí)到影響能耗的變量之間的非線性相互作用關(guān)系.此外，基于深度學(xué)習(xí)的組合模型在建筑能耗預(yù)測中的應(yīng)用也鮮有報道.

本文利用卷積神經(jīng)網(wǎng)絡(luò)良好的特征提取能力與循環(huán)神經(jīng)網(wǎng)絡(luò)良好的時序?qū)W習(xí)能力，提出用于預(yù)測辦公建筑能耗的CNN-RNN組合模型，在辦公建筑數(shù)據(jù)集下驗證模型性能，并與簡單循環(huán)神經(jīng)網(wǎng)絡(luò)(SRNN)和LSTM模型進(jìn)行綜合比較.該研究可為數(shù)據(jù)驅(qū)動的建筑能耗預(yù)測建模提供理論指導(dǎo)，準(zhǔn)確預(yù)測結(jié)果可為辦公建筑的運行優(yōu)化和節(jié)能管理提供數(shù)據(jù)支持.

水利材料和設(shè)備的精密度對水利工程的施工質(zhì)量起著決定性作用，同時影響著質(zhì)量的檢測結(jié)果。若工程中進(jìn)購的材料不符合標(biāo)準(zhǔn)，則水利工程質(zhì)量是難以保障的，甚至?xí)苯佑绊懞笃谒飪?nèi)的居住人員的安全。為確保水利工程施工的質(zhì)量及安全，在對施工材料進(jìn)行檢測時就必須嚴(yán)格把關(guān)，對每批采購的材料樣品和數(shù)量都取樣檢測，以保證工程施工過程中及后期使用的質(zhì)量安全。

1 模型原理

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)通過處理輸入數(shù)據(jù)的局部關(guān)聯(lián)，避免因為輸入數(shù)據(jù)維度過大而導(dǎo)致的模型參數(shù)過多.卷積運算的關(guān)鍵特征是權(quán)值共享，當(dāng)卷積核掃描提取數(shù)據(jù)中的局部特征時，該卷積核移動一定步長后提取局部特征的模式不變，通過不斷移動卷積核，完成對數(shù)據(jù)的掃描并得到較少的參數(shù).卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，其中：，，…，為輸入變量；+1，，…，-47為時間序列，+1表示時刻后1時刻，-1表示時刻前1時刻

為了對數(shù)據(jù)異常值進(jìn)行篩選，以能耗值95%分位點作為基準(zhǔn)值，以基準(zhǔn)值的2倍作為合理能耗區(qū)間，區(qū)間外的數(shù)據(jù)認(rèn)定為是異常值.刪除異常值后使用線性插值進(jìn)行補全，然后采用Min-Max方法對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，以消除不同量綱及量綱單位對預(yù)測性能的影響，如下式所示：

1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)

作為與教材配套的微課，具體到每一節(jié)課，還需要教師在應(yīng)用前仔細(xì)觀看，分清類型，明確使用目標(biāo)。換句話說，就是選擇什么樣的微課要與目標(biāo)、內(nèi)容相匹配。例如，對概念的理解，就需選擇創(chuàng)造情景的微課；技能應(yīng)用，需要提供示范性微課；探究性問題的引入，媒體要提供某種現(xiàn)象的微課，讓學(xué)生提出問題和疑點，然后得出結(jié)論。所以，教師要事先觀摩微課，熟知每一節(jié)微課的內(nèi)容、功能、時間長短，精心設(shè)計教學(xué)活動，明確微課在課堂上應(yīng)用的目的、環(huán)節(jié)及具體時間和順序，讓微課真正融入課堂，發(fā)揮作用。

1.3 CNN-RNN模型結(jié)構(gòu)

現(xiàn)代學(xué)徒制之所以被職業(yè)院校所推崇，主要原因是可以將教師在實踐工作的經(jīng)驗和做法直接教給學(xué)生，每一位教師多年來都積累了一定的工作經(jīng)驗，在技術(shù)運用和技術(shù)創(chuàng)新中都會有自己獨到的理解，通過現(xiàn)代學(xué)徒制可以手把手教給學(xué)生，讓學(xué)生在學(xué)習(xí)中真正得到老師的“真?zhèn)鳌?，也讓人類社會的技術(shù)能夠代代傳承，這也是傳承工匠精神的真諦。

除了模型中間層，還需要設(shè)置模型輸入、輸出層.其中，模型輸入層維度與輸入數(shù)據(jù)維度相同，輸出層為僅有一個神經(jīng)元的全連接層，使模型最終能夠輸出預(yù)測能耗值.同時為提升模型泛化能力，在第一層全連接層后加入隨機失活層，減少中間特征的數(shù)量，從而減少冗余.

2 模型性能分析及模型驗證

2.1 數(shù)據(jù)分析

CNN-RNN組合模型整體能耗預(yù)測曲線較為平滑，相較于SRNN與LSTM模型，該組合模型能夠較好地學(xué)習(xí)到辦公建筑中相對穩(wěn)定的能耗變化規(guī)律.組合模型在1月與7月的預(yù)測結(jié)果與SRNN模型接近，均能較好地反映辦公建筑運行規(guī)律；而在4月的預(yù)測曲線擬合度明顯優(yōu)于SRNN與LSTM模型，表明經(jīng)過CNN層提取特征后，不僅降低了數(shù)據(jù)復(fù)雜度，縮短模型訓(xùn)練時間，同時將提取后的特征作為RNN層輸入，有效降低了過渡季時序性不足對預(yù)測結(jié)果的干擾，有助于模型學(xué)習(xí)到能耗變化規(guī)律，從而驗證了該組合模型能有效提高辦公建筑能耗的整體預(yù)測效果.

針對建筑能耗預(yù)測領(lǐng)域，在CNN模型中，R-CNN可以提取建筑能耗數(shù)據(jù)中同一時刻不同特征之間的非線性關(guān)系，通過卷積核構(gòu)成高維特征；在RNN模型中，SRNN在時域上對建筑能耗變化趨勢的預(yù)測更加精準(zhǔn)，能夠準(zhǔn)確地表達(dá)建筑能耗的非線性特征.利用SRNN層從R-CNN層的輸出信息中提取高維抽象特征，構(gòu)成CNN-RNN組合模型，對于建筑能耗數(shù)據(jù)具有良好的適應(yīng)性，模型順序構(gòu)成如表1所示.通過一維卷積核(Conv_1D)提取同時刻數(shù)據(jù)的組合特征之后，再使用SRNN層學(xué)習(xí)數(shù)據(jù)的時序特性，最后通過全連接層(Dense層)實現(xiàn)回歸預(yù)測.R-CNN層與全連接層選用深度學(xué)習(xí)中常用的ReLU激活函數(shù)，對小于0的值全部抑制為0，對于正數(shù)則直接輸出；而在SRNN層中，為了防止其出現(xiàn)梯度消失等問題，其激活函數(shù)采用ELU，對于小于0的值可以取負(fù)值，使單元激活均值接近于0.

卷積神經(jīng)網(wǎng)絡(luò)一般包含卷積層、激活層、池化層和全連接層.卷積層從輸入的數(shù)據(jù)中獲取信息，根據(jù)沿輸入特征掃描方向的不同，可以分為逐行掃描(R-CNN) 和逐列掃描(C-CNN).R-CNN是先通過卷積神經(jīng)網(wǎng)絡(luò)逐行掃描，將所有單個時刻點的輸入特征進(jìn)行組合，之后對時序上的所有組合特征進(jìn)行學(xué)習(xí).在輸入數(shù)據(jù)訓(xùn)練模型時，通過轉(zhuǎn)置二維的輸入數(shù)據(jù)，可實現(xiàn)C-CNN對列方向的掃描.卷積層利用卷積核從數(shù)據(jù)中提取特征形成特征映射圖.這些特征通過一個非線性激活函數(shù)傳遞，該激活函數(shù)加速CNN理解數(shù)據(jù)間的復(fù)雜關(guān)系.

循環(huán)神經(jīng)網(wǎng)絡(luò)是一種用于從時間序列數(shù)據(jù)中捕獲信息的網(wǎng)絡(luò).與只建立層與層之間權(quán)重聯(lián)系的基本神經(jīng)網(wǎng)絡(luò)相比，RNN最顯著的特征在于層內(nèi)的神經(jīng)元之間也建立了權(quán)連接.作為最基本的循環(huán)神經(jīng)網(wǎng)絡(luò)，簡單循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.其中：為時刻輸入；為時刻隱層單元；為時刻輸出；為權(quán)重矩陣；為輸入變換矩陣；為輸出變換矩陣，與在序列的不同時間點上共享，可以視為學(xué)習(xí)序列中固定的狀態(tài)轉(zhuǎn)移矩陣.長短期記憶網(wǎng)絡(luò)是一種改良的循環(huán)神經(jīng)網(wǎng)絡(luò)，通過在每個神經(jīng)元內(nèi)提供反饋，在一定程度上解決了梯度消失的問題.SRNN在每次誤差反饋過程中都會丟失部分信息，LSTM通過控制新信息對神經(jīng)元存儲信息的干擾程度，提取信號特征中的長期相關(guān)性，以提高識別精度.

(1)

式中：為歸一化后的變量值；為輸入變量的當(dāng)前值；為輸入變量的最大值；為輸入變量的最小值.

..輸入數(shù)據(jù)結(jié)構(gòu) 傳統(tǒng)機器學(xué)習(xí)模型中輸入數(shù)據(jù)按照一維向量格式進(jìn)行保存，隨著深度學(xué)習(xí)對數(shù)據(jù)量需求的增加，一維向量結(jié)構(gòu)作為輸入無法體現(xiàn)數(shù)據(jù)特征的特性差異，不利于深度學(xué)習(xí)模型自動提取數(shù)據(jù)特征.為此，本文提出適用于深度學(xué)習(xí)的數(shù)據(jù)結(jié)構(gòu)，如表2所示. 其中：為室外氣溫；為相對濕度；為工作日與否；為24 h時刻; 考慮到建筑運行的周期性，加入前48 h的歷史輸入數(shù)據(jù)，使模型可以學(xué)習(xí)更為長期的趨勢，獲得更精準(zhǔn)的預(yù)測值.相比于一維向量數(shù)據(jù)結(jié)構(gòu)，增添了所有變量的歷史數(shù)據(jù)，將輸入數(shù)據(jù)重組為二維矩陣.對于表2所示結(jié)構(gòu)，組合模型可以通過橫向掃描對單個時刻的輸入進(jìn)行組合，同時可以對時序上的所有組合特征進(jìn)行學(xué)習(xí)，充分發(fā)揮了深度學(xué)習(xí)的特征提取能力.

2.2 模型計算效率分析

計算效率是評價模型的重要指標(biāo)之一.以GTX1050作為訓(xùn)練模型的GPU，對深度學(xué)習(xí)模型可訓(xùn)練參數(shù)的數(shù)目與模型訓(xùn)練時間進(jìn)行統(tǒng)計，如表3所示.SRNN可訓(xùn)練參數(shù)為 17 596，訓(xùn)練耗時為 1 193 s.LSTM模型由于加入了記憶門、遺忘門，可訓(xùn)練參數(shù)達(dá)到 65 089，訓(xùn)練耗時增長到 1 745 s.訓(xùn)練耗時主要與模型結(jié)構(gòu)有關(guān)，表明LSTM模型結(jié)構(gòu)比SRNN模型更加復(fù)雜.對于本文所提出的 CNN-RNN組合模型，使用CNN層對特征進(jìn)行提取后，RNN層輸入張量減??；盡管層數(shù)增加，模型復(fù)雜度并沒有大幅度提升.模型初始化后可訓(xùn)練參數(shù)個數(shù)為 17 633，訓(xùn)練耗時848 s，訓(xùn)練耗時相較于SRNN與LSTM模型分別減少了28.9%和51.4%.

2.3 模型驗證及預(yù)測性能分析

本文采用了平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)和擬合優(yōu)度()作為評價指標(biāo).一般而言，較小的平均絕對誤差和平均絕對百分比誤差以及較大的擬合優(yōu)度表明模型具有較高的預(yù)測精度.評價指標(biāo)如下式所示：

(2)

(3)

(4)

從全年數(shù)據(jù)中，分別選取供暖季1月、過渡季4月和供冷季7月的前8天作為典型，查看歷史能耗數(shù)據(jù)與預(yù)測數(shù)據(jù)，結(jié)果如圖4～6所示.

將全年數(shù)據(jù)集按照比例隨機劃分為訓(xùn)練集與測試集，其中，80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測試集，各模型訓(xùn)練集與測試集的評價指標(biāo)如表4所示.SRNN與LSTM模型的MAPE指標(biāo)均高于15%，其中LSTM模型的性能指標(biāo)出現(xiàn)了較大幅度下降，表明模型對數(shù)據(jù)中隱含規(guī)律的學(xué)習(xí)能力較差.相比與SRNN與LSTM模型，CNN-RNN組合模型在測試集上的MAPE指標(biāo)分別降低了13.8%和48.3%，表明在經(jīng)過CNN層提取特征之后，組合模型的RNN層學(xué)習(xí)能力明顯提升.組合模型在訓(xùn)練集與測試集上的MAPE指標(biāo)接近，表明模型對新數(shù)據(jù)擬合能力強，模型泛化性好.

SRNN模型在1月供暖季和7月供冷季均取得了較好的預(yù)測表現(xiàn)，而在4月過渡季表現(xiàn)較差.LSTM模型僅在7月具有較好的預(yù)測性能，另外兩個工況精度均較差，未能有效學(xué)習(xí)到建筑全部的運行能耗變化規(guī)律.表明過渡季的換季特性導(dǎo)致辦公建筑運行規(guī)律不穩(wěn)定，使得SRNN模型與LSTM模型預(yù)測出現(xiàn)異常結(jié)果.且盡管LSTM模型具有更多的訓(xùn)練參數(shù)，但模型結(jié)構(gòu)過于復(fù)雜，在基于當(dāng)前的能耗數(shù)據(jù)訓(xùn)練時，容易出現(xiàn)訓(xùn)練不充分現(xiàn)象.

..數(shù)據(jù)獲取及預(yù)處理 選取上海市某辦公建筑作為研究對象，該建筑總面積1.9×10m.通過能耗監(jiān)測系統(tǒng)獲得了2018年的歷史逐時能耗數(shù)據(jù)()，能耗曲線如圖3所示.由圖3可以看出，辦公建筑能耗與季節(jié)和建筑運營規(guī)律有著明顯的相關(guān)性.因此，模型的輸入?yún)?shù)包括兩大類：① 時間變量，包括月、日、時、分、工作日與否；② 室外變量，包括室外氣溫(OAT)、相對濕度(ORH).氣象數(shù)據(jù)由Iowa Environmental Mesonet的ASOS數(shù)據(jù)庫獲得.

本屆蘭心獎承辦方之一、古船米業(yè)董事長劉亞洲先生在頒獎致辭中表示，雇主請阿姨，首先要求的是要“放心”。在“放心”這點上，古船和蘭心獎提倡的理念高度契合。希望通過蘭心獎的影響，能夠激勵更多的阿姨珍惜自己的職業(yè)，出現(xiàn)更多讓雇主放心的好阿姨。

3 結(jié)論

本文建立了CNN-RNN組合模型實現(xiàn)建筑能耗預(yù)測，并利用辦公建筑能耗實測數(shù)據(jù)進(jìn)行驗證與分析，得到的主要結(jié)論如下：

(1) 基于CNN算法對局部關(guān)聯(lián)特征的提取能力與RNN算法對時序特性的學(xué)習(xí)能力，提出了CNN-RNN組合模型，實現(xiàn)深度學(xué)習(xí)在建筑能耗預(yù)測領(lǐng)域的有效利用.

這個不用充電的家用應(yīng)急燈經(jīng)過半年多的實際使用檢驗，效果好，而且很安全。它不用充電，停電的時候就可以用來照明，非常適合記憶力不太好的老年人使用；也可用來做日常照明。

2.1 兩組臨床療效比較 觀察組臨床治療有效率優(yōu)于對照組，差異有統(tǒng)計學(xué)意義(χ2=5.455，P=0.020)。見表1。

(2) 基于CNN和RNN兩類神經(jīng)網(wǎng)絡(luò)層特性，提出了適用于深度學(xué)習(xí)的二維矩陣輸入數(shù)據(jù)結(jié)構(gòu).通過增加各變量的歷史數(shù)據(jù)，構(gòu)成新的維度，使得輸入數(shù)據(jù)結(jié)構(gòu)同時包含了變量的同時刻特征與歷史規(guī)律，充分發(fā)揮了深度學(xué)習(xí)算法的特征提取能力.

黃河三角洲埕島海區(qū)蘊藏著豐富的油氣資源，是勝利油田開發(fā)的主力區(qū)塊。勝利九號平臺正在此地緊張施工。雖然忙得顧不上多喝一口水，但泥漿工周敬國仍認(rèn)真地將含油井段的巖屑回收到專用的回收箱中。

(3) 分析結(jié)果表明，相較于簡單循環(huán)神經(jīng)網(wǎng)絡(luò)模型，CNN-RNN組合模型預(yù)測曲線更為平滑，在擬合優(yōu)度相近的情況下，計算效率取得了顯著提升，計算時間和MAPE分別下降了28.9%和13.8%.