（1：吉林大學(xué)儀器科學(xué)與電氣工程學(xué)院，吉林 長春；2：國網(wǎng)吉林省電力有限公司德惠市供電公司，吉林 德惠130300）

摘要：建筑行業(yè)作為國民經(jīng)濟(jì)支柱性產(chǎn)業(yè)，在推動社會發(fā)展的同時也消耗了大量的能源，加速建筑行業(yè)的節(jié)能減排，對實現(xiàn)我國2030年CO2排放達(dá)到峰值的節(jié)能減排目標(biāo)具有重要意義。因此，本文針對人員相對集中的高等學(xué)校的建筑能耗進(jìn)行了分析，通過收集校園的大量建筑能耗數(shù)據(jù)，充分挖掘建筑能耗特點，采用遺傳算法優(yōu)化BP和LSTM建筑能耗預(yù)測模型，通過實驗對比選取最符合校園內(nèi)的預(yù)測模型，以此預(yù)測未來校園內(nèi)建筑能耗使用情況，為校園內(nèi)后續(xù)碳排放預(yù)測和節(jié)能措施的制定提供基礎(chǔ)數(shù)據(jù)。通過實驗對比可以發(fā)現(xiàn)，GA-BP模型相比較GA-LSTM模型的平均絕對誤差、均方誤差、均方根誤差、平均絕對百分比誤差分別降低8.83%，4.80%，2.43%，10.2%，GA-BP模型誤差更小，擬合程度更高，對高校建筑能耗的預(yù)測更符合實際，可用于高校能耗預(yù)測。

關(guān)鍵詞：遺傳算法；GA-BP模型；建筑能耗；建筑節(jié)能

中圖分類號：TP183" " " " " 文獻(xiàn)標(biāo)志碼：A" " " " " " "文章編號：

Study on Improved Building Energy Consumption Prediction Models Based on Genetic Algorithm

ZHANG Zhao1，TAN Yong2

（1：School of Instrument Science and Electrical Engineering，Jilin University，Changchun Jilin 130061，

China; 2： State Grid Jilin Electric Power Co.， Ltd. Dehui Power Supply Company， Dehui Jilin 130300， China）

Abstract：As a pillar industry of the national economy，the construction industry consumes a large amount of energy while promoting social development，accelerating the energy conservation and emission reduction in the construction industry is of great significance to realize China's energy conservation and emission reduction target of achieving peak CO2 emissions in 2030.Therefore，this paper analyzes the building energy consumption of universities with relatively concentrated personnel，and through collecting a large number of building energy consumption data on campus，fully excavates the characteristics of building energy consumption，and optimizes the BP and LSTM building energy consumption prediction models with genetic algorithm，through experimental comparison，the most suitable prediction model on campus is selected to predict the future use of building energy consumption on campus，and provide basic data for the subsequent carbon emission prediction and energy saving measures on campus.Through experimental comparison， it can be found that compared with the GA-LSTM model，the GA-BP model has a mean absolute error， mean square error， root mean square error， and mean absolute percentage error reduction of 8.83%，4.80%，2.43%， and 10.2%，respectively.The GA-BP model has smaller errors and higher degree of Fitting，which is more realistic for the prediction of building energy consumption in universities，and can be used for the prediction of energy consumption in universities.

Keywords：genetic algorithm;GA-BP model;building energy consumption;building energy conservation

0 引言

截止2022年12月，我國普通高等學(xué)校數(shù)量達(dá)到3 013所，普通高等學(xué)校在校生數(shù)達(dá)到4 655萬人[1]，由于我國高校人員密集，高校建筑數(shù)量眾多，建設(shè)歷史久遠(yuǎn)等現(xiàn)狀導(dǎo)致建筑內(nèi)用能耗量巨大，據(jù)統(tǒng)計高校年度能耗消耗量近3 000萬t標(biāo)準(zhǔn)煤，水資源消耗量近400萬t，高校建筑能耗占高?？偰芎牡?3.2%，占社會總能耗的8%[2]。近年來由于各高校人數(shù)不斷擴(kuò)招、學(xué)生環(huán)保節(jié)能意識比較薄弱等原因，能源被過度消耗，這嚴(yán)重阻礙了我國2030年前實現(xiàn)“碳達(dá)峰”目標(biāo)的進(jìn)程[3]，因此結(jié)合校園內(nèi)建筑能耗數(shù)據(jù)分析校園內(nèi)能耗存在的問題顯得尤為重要，本文通過構(gòu)建建筑能耗預(yù)測模型，用遺傳算法（Genetic Algorithms，GA）加以優(yōu)化，經(jīng)過GA-BP算法和GA-LSTM算法[4]的檢驗與對比， 選擇出最適合預(yù)測高校建筑能耗的模型，對高校建筑能耗進(jìn)行預(yù)測。

1 基于遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)函數(shù)復(fù)雜、對于初始權(quán)值和閾值比較敏感，在梯度下降時會導(dǎo)致網(wǎng)絡(luò)訓(xùn)練的輸出不穩(wěn)定，且在逼近非線性函數(shù)時會花費較長時間，容易陷入局部最小值，從而影響最終結(jié)果的精準(zhǔn)性。LSTM神經(jīng)網(wǎng)絡(luò)計算復(fù)雜、占用資源較多、處理序列的長度有限，且其構(gòu)建的模型中大量超參數(shù)需要人工進(jìn)行調(diào)整，模型的預(yù)測結(jié)果往往會受到超參數(shù)的制約。而遺傳算法具有很強(qiáng)的自適應(yīng)能力和高度并行的全局搜索能力，可以對初始值和閾值尋優(yōu)，屬于一種全局優(yōu)化算法，同時也可用該算法對超參數(shù)進(jìn)行優(yōu)化，從而提升網(wǎng)絡(luò)的預(yù)測精度和穩(wěn)定性。采用遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)可提高算法的尋優(yōu)能力，克服BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、過擬合等缺陷，而且兩種算法具有明顯的優(yōu)勢互補(bǔ)，故很多研究者都在探索兩種算法的融合方法，以期能提高算法性能、提升算法精度；用遺傳算法改進(jìn)的LSTM神經(jīng)網(wǎng)絡(luò)可通過對超參數(shù)優(yōu)化，演變出適應(yīng)度最優(yōu)結(jié)果的參數(shù)組。因此，采用遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模型預(yù)測，即對GA-BP算法和GA-LSTM算法的性能進(jìn)行對比研究，選擇出最適合高校建筑能耗預(yù)測模型的算法，是本研究的關(guān)鍵。

1.1 遺傳算法原理

1975年John Holland教授在生物進(jìn)化遺傳理論的基礎(chǔ)上首次提出遺傳算法的概念。遺傳算法是受啟發(fā)于自然界中生物對于自然環(huán)境“適者生存”的強(qiáng)大自適應(yīng)能力，通過對生物演化過程進(jìn)行抽象和模擬，構(gòu)建了以自然界生物演變進(jìn)化為邏輯基礎(chǔ)的遺傳算法。遺傳算法包括了自然界生物在演變過程中的主要步驟，即選擇、（基因）變異和（基因）交叉，對應(yīng)著遺傳算法中的三個運算算子。在具體的優(yōu)化問題下，遺傳算法會產(chǎn)生多個問題的可行解作為種群，然后讓種群進(jìn)行模擬意義上生物進(jìn)化中的選擇、變異、交叉等操作。在種群繁衍（迭代）一定次數(shù)之后，通過計算種群的適應(yīng)度，尋找最終種群中的最優(yōu)個體，該個體即代表優(yōu)化問題的近似最優(yōu)解[5]。

1.2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)包括三個部分：①確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)：根據(jù)訓(xùn)練樣本數(shù)據(jù)構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)，由變量確定網(wǎng)絡(luò)的輸入層、隱含層及輸出層層數(shù)和節(jié)點數(shù)，再根據(jù)遺傳算法中個體編碼長度確定需要結(jié)合的BP網(wǎng)絡(luò)參數(shù)個數(shù)；②優(yōu)化權(quán)值和閾值：根據(jù)所設(shè)計的適應(yīng)度函數(shù)計算個體適應(yīng)度值，再通過選擇、交叉和變異等操作確定適應(yīng)度最優(yōu)的個體，該優(yōu)化值由BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果進(jìn)行誤差分析，進(jìn)而修改權(quán)值和閾值，然后將該最優(yōu)權(quán)值和閾值賦給BP模型；③模型的預(yù)測：對新的權(quán)值和閾值進(jìn)行誤差計算判斷，并進(jìn)行相應(yīng)的網(wǎng)絡(luò)訓(xùn)練，最后輸出預(yù)測結(jié)果。

1.3 GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程分析

本實驗數(shù)據(jù)采用東北某高校2021年26棟建筑樓用水?dāng)?shù)據(jù)，訓(xùn)練集與測試集數(shù)據(jù)按照7：3的比例進(jìn)行劃分。GA-BP算法設(shè)置的迭代次數(shù)為120次，訓(xùn)練次數(shù)為1 000次，訓(xùn)練的精度為10-6，學(xué)習(xí)率為0.01，設(shè)種群規(guī)模為10。用水?dāng)?shù)據(jù)預(yù)測結(jié)果對比如圖1所示。

GA-BP模型誤差變化及測試集誤差如圖2所示。

由圖1～圖2可以發(fā)現(xiàn)訓(xùn)練集及測試集的預(yù)測結(jié)果和真實值輸出曲線非常接近，當(dāng)預(yù)測樣本為8時，均方根誤差最小，則擬合效果最好。當(dāng)?shù)螖?shù)為7時，誤差變化最大，迭代次數(shù)達(dá)到70時，模型誤差變化趨于平穩(wěn)，因此最佳迭代次數(shù)選為70。其訓(xùn)練集及測試集的平均絕對誤差、均方誤差、均方根誤差、平均絕對百分比誤差、決定系數(shù)見表1。

2 基于遺傳算法改進(jìn)的LSTM神經(jīng)網(wǎng)絡(luò)

2.1 遺傳算法優(yōu)化LSTM神經(jīng)網(wǎng)絡(luò)

遺傳算法基于進(jìn)化理論屬于一種全局優(yōu)化算法，可用該算法對超參數(shù)進(jìn)行優(yōu)化，通過對種群中個體進(jìn)行選擇、交叉和變異等操作，篩選出適應(yīng)度最優(yōu)的參數(shù)組，進(jìn)而能取得最優(yōu)結(jié)果的參數(shù)組，優(yōu)化流程見圖3。

2.2 GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程分析

本實驗數(shù)據(jù)仍和GA-BP實驗來源相同，迭代次數(shù)為120次，訓(xùn)練次數(shù)為1 000次，訓(xùn)練的精度為10-6，學(xué)習(xí)率為0.01，設(shè)種群規(guī)模為10。用水?dāng)?shù)據(jù)預(yù)測結(jié)果對比見圖4。

由上述實驗可發(fā)現(xiàn)當(dāng)訓(xùn)練次數(shù)達(dá)到100次時，均方根誤差為0.001并趨于穩(wěn)定，訓(xùn)練集曲線擬合度和真實值曲線擬合度相同，測試集的預(yù)測樣本為6時誤差最大。當(dāng)?shù)螖?shù)為78次時，狀態(tài)最佳，誤差變化趨于平穩(wěn)，迭代次數(shù)為6時誤差最大。其訓(xùn)練集及測試集的平均絕對誤差、均方誤差、均方根誤差、平均絕對百分比誤差、決定系數(shù)見表2。

3 GA-BP算法和GA-LSTM算法性能對比

通過對比表1～表2實驗數(shù)據(jù)可以發(fā)現(xiàn)GA-BP模型相比較GA-LSTM模型的平均絕對誤差、均方誤差、均方根誤差、平均絕對百分比誤差分別降低8.83%，4.80%，2.43%，10.2%，結(jié)合兩種算法對比（見圖5）可發(fā)現(xiàn)隨著預(yù)測樣本數(shù)量的增多，兩種算法模型均存在誤差，但GA-BP模型誤差更小，因此說明如果GA-BP模型擬合程度更高，那么預(yù)測效果更好，且GA-BP測試集的決定系數(shù)＞GA-LSTM測試集的決定系數(shù)，更接近于1，說明GA-BP模型精度高，由此可見GA-BP模型優(yōu)于GA-LSTM模型，可用于預(yù)測校園內(nèi)建筑能耗。

4 結(jié)論

本文基于某高校一年內(nèi)建筑用水能耗數(shù)據(jù)，分別用遺傳算法優(yōu)化BP模型和LSTM模型，并將兩種優(yōu)化模型對比分析，主要結(jié)論如下：

1） GA-BP模型和GA-LSTM模型在預(yù)測建筑用水能耗數(shù)據(jù)時，預(yù)測值與真實值總體相符，隨著預(yù)測樣本數(shù)量的增多，均存在一些誤差，但GA-BP模型誤差更小，精度更高。

2） GA-BP模型相比較GA-LSTM模型的平均絕對誤差、均方誤差、均方根誤差、平均絕對百分比誤差分別降低8.83%，4.80%，2.43%，10.2%，擬合程度更高，對高校建筑能耗預(yù)測更符合實際，可以用于高校能耗預(yù)測。

3） GA-BP模型降低了計算的復(fù)雜度，提高了計算的速度。

參考文獻(xiàn)

[1] 中華人民共和國教育部.2022年全國教育事業(yè)發(fā)展統(tǒng)計公報[A/OL].（2023-07-05）[2023-11-07].http：//www.moe.gov.cn.

[2] 楊丹丹.高校既有建筑節(jié)能改造技術(shù)決策分析——以江南大學(xué)教學(xué)樓改造項目為例[J].建筑經(jīng)濟(jì)，2019， 40（6）：105-108.

[3] 胥小龍，孫鵬，時雪燕.碳達(dá)峰碳中和目標(biāo)愿景下建筑節(jié)能低碳發(fā)展路徑構(gòu)思[J].建筑，2022（10）：36-38.

[4] 岑柏霖.改進(jìn)GA-BP算法在電力系統(tǒng)負(fù)荷預(yù)測模型中的應(yīng)用研究[J].自動化與儀器儀表，2023（11）： 53-57.

[5] 程超.基于遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)電力系統(tǒng)負(fù)荷短期預(yù)測研究[D].鄭州：華北水利水電大學(xué)，2020.

" " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " 編輯：劉 巖

基金項目：應(yīng)急管理部安全生產(chǎn)重特大事故防治關(guān)鍵技術(shù)科技項目（jilin-0032-2018AQ）

作者簡介：張" 朝（1991～），男，吉林省長春市人 ，博士研究生。研究方向：地球探測技術(shù)，儀器檢測。