基于數(shù)據(jù)挖掘的冷藏陳列柜的負荷預測研究

袁 培，雷正霖，曾慶輝，武宜霄，呂彥力，胡朝龍

（1.鄭州輕工業(yè)大學，鄭州 450000；2.山東小鴨冷鏈有限公司，濟南 250000）

0 引言

目前食品冷藏陳列柜的電能消耗約占超市總電能消耗的50%～60%［1-2］，特別是敞開式冷藏陳列柜，由于其直接與環(huán)境接觸，產(chǎn)生高耗能和柜內溫度波動等現(xiàn)象。所以，在保證食品品質的前提下，如何降低食品冷藏陳列柜的能耗是一個研究熱點。食品冷藏陳列柜的能耗與負荷有關，如何對食品冷藏陳列柜負荷進行準確預測，是實現(xiàn)科學運行的前提，是節(jié)能降耗的基礎工作。

陸繼翔等［3］采用CNN-LSTM混合神經(jīng)網(wǎng)絡模型對電力系統(tǒng)的短期負荷進行預測，并與ARIMA、隨機森林、LSTM模型進行比較。結果表明：相同條件下，CNN-LSTM混合神經(jīng)網(wǎng)絡模型的LSTM模型層數(shù)為4、訓練次數(shù)為500，模型的絕對百分比誤差在0.35%至2.81%，預測準確度最高。李晨亮［4］采用EEMD-LSTM模型對滬深300指數(shù)進行預測研究。結果表明：對比BP、EEMD-BP、LSTM模型，EEMD-LSTM預測性能最優(yōu)，模型的絕對百分比誤差為0.294%，指數(shù)方向的預測準確性達到63.93%。WANG等［5］采用LSTM模型對搭建的制冷系統(tǒng)平臺進行能耗預測。結果表明：相比傳統(tǒng)預測方法，LSTM模型具備更好的預測精度，LSTM的根均方誤差比BPNN低19.7%，比ARMA低54.85%，比ARFIMA低64.59%，LSTM模型能很好的預測能耗。

食品冷藏陳列柜的負荷與環(huán)境溫度、濕度、人流量、結霜融霜、壓縮機功耗、制冷劑等多種獨立因素相關，準確計算較為困難。這些獨立因素具備時間序列性和非線性的特點，數(shù)據(jù)挖掘在處理這類數(shù)據(jù)具備獨特優(yōu)勢。本研究引入LSTM神經(jīng)網(wǎng)絡模型，將制冷劑質量流速、膨脹閥功率、制冷劑氣液壓力、蒸發(fā)器進出口溫度、制冷劑氣液焓值、測試時間作為輸入數(shù)據(jù)，通過對數(shù)據(jù)預處理、訓練數(shù)據(jù)確定LSTM模型層數(shù)和訓練次數(shù)、導入模型中進行預測，最終與實際負荷進行對比，實現(xiàn)對冷藏陳列柜負荷的預測目的。

1 研究方案

1.1 試驗樣本點獲取

本研究采集的樣本點來自某公司提供的立式冷藏陳列柜測試數(shù)據(jù)，所采集的樣本點包括（制冷劑質量流速、膨脹閥功率、制冷劑氣液壓力、蒸發(fā)器進出口溫度、制冷劑氣液焓值、測試時間），測試時間為2019年11月18日8：00：03～2019年11 月 19 日 8：00：03，時間步長為 10 s，共計 8 641組樣本點，80%的樣本點數(shù)據(jù)劃分為訓練集，20%的樣本點數(shù)據(jù)劃分為測試集。

1.2 預測數(shù)據(jù)處理

1.2.1 異常值處理

由于采集數(shù)據(jù)過程中可能出現(xiàn)問題，采集的數(shù)據(jù)難免會出現(xiàn)缺失、異常等情況，影響模型預測精度，首先要用python中pandas和numpy模塊采用過濾缺失值、補全缺失值、數(shù)據(jù)轉換等操作。

1.2.2 數(shù)據(jù)歸一化

本研究采用的模型對輸入數(shù)據(jù)有一定的要求，需要將輸入數(shù)據(jù)進行歸一化處理，將不同范圍的數(shù)據(jù)特征統(tǒng)一規(guī)范，統(tǒng)一到［0，1］。

式中 xmormalization——歸一化后的輸入數(shù)據(jù)；

x ——輸入數(shù)據(jù)；

xMin——輸入數(shù)據(jù)的最小值；

xMax——輸入數(shù)據(jù)的最大值。

1.3 LSTM神經(jīng)網(wǎng)絡

相較于傳統(tǒng)的預測方法，LSTM網(wǎng)絡模型對非線性和時間序列的數(shù)據(jù)具備較好的逼近能力，負荷這類數(shù)據(jù)具備非線性和時間相關性的特點，因此針對負荷這類時間序列數(shù)據(jù)LSTM模型具備較好的預測適應性。LSTM由Hochreiter &Schmidhuber（1997）提出［6］，是一種特殊的遞歸神經(jīng)網(wǎng)絡（RNN）。LSTM網(wǎng)絡包含三個門（遺忘門、輸入門、輸出門），其網(wǎng)絡基本單元如圖1所示［7］。三個門的功能如下：輸入門控制流入存儲單元的當前信息量；輸出門控制流入網(wǎng)絡其余部分的當前信息量；遺忘門選擇前一時刻的單元狀態(tài)，并自適應地將部分信息保留到當前時刻。

圖1 LSTM基本單元結構Fig.1 LSTM basic unit structure

遺忘門通過sigmoid層決定什么信息通過記憶單元，會根據(jù)上一時刻輸出值ht-1和當前輸入值xt產(chǎn)生一個0-1的ft值，來決定上一時刻學到的信息Ct-1通過或部分通過，數(shù)字1保留信息，數(shù)字0舍棄信息；輸入門中的xt通過sigmoid和tanh函數(shù)產(chǎn)生候選值、it，二者作用產(chǎn)生中間值 Ct；輸出門通過sigmoid層來得到一個初始輸出ot，tanh函數(shù)將 Ct縮放，并與 ot相乘得到輸出 ht［8-10］。

本研究在深度學習工具TensorFlow基礎上［11］，利用 python 中 pandas、Keras、Numpy、matplotlib 等模塊來構建LSTM模型，并通過讀取數(shù)據(jù)、數(shù)據(jù)預處理、訓練數(shù)據(jù)、測試數(shù)據(jù)和數(shù)據(jù)可視化等操作完成負荷的預測。LSTM神經(jīng)網(wǎng)絡模型將時間序列數(shù)據(jù)作為輸入數(shù)據(jù)，其中蒸發(fā)器進出口溫度、壓力、焓值、流量、膨脹閥功率都是相互獨立的時間序列數(shù)據(jù)，為了耦合影響冷藏陳列柜負荷的影響因素，需要將所有的因素聚合到一起并轉換成數(shù)組類型的數(shù)據(jù)，并將數(shù)據(jù)設置成以時間序列索引，以此形成了一個以時間序列為索引的新的時間序列數(shù)據(jù)，每個影響因素和負荷組成特征值，方便模型導入數(shù)據(jù)和快速計算。

2 結果與討論

2.1 評價指標

為了驗證LSTM神經(jīng)網(wǎng)絡的預測效果，采用三大評價指標均方誤差（MSE）、平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）［12］。

式中 n ——數(shù)據(jù)樣本點數(shù)量；

actual（t）——t時刻的真實負荷值；

forecast（t）——t時刻的預測負荷值；

MAE ——平均絕對誤差；

MSE ——均方根誤差；

MAPE ——平均絕對百分比誤差。

平均絕對誤差MAE范圍［0，∞］，當預測值與真實值完全吻合時為0，即完美模型，誤差越大，該值越大；MSE均方根誤差，又稱為平均損失，本研究采用MAE評價損失函數(shù)和MAPE作為模型性能評價指標，MAE在數(shù)據(jù)上比較直觀；MAPE平均絕對百分比誤差，表明模型的誤差百分比。

2.2 結果分析

本研究將樣本點80%數(shù)據(jù)8用于訓練集，20%用于測試集，并將數(shù)據(jù)設置成按時間索引。本研究通過采用控制變量法來逐步調整模型的精度。通過控制設定LSTM模型的層數(shù)，通過改變訓練次數(shù)來逐漸提高模型預測精準度，達到不斷優(yōu)化模型的效果。本研究采用平均絕對誤差MAE作為損失函數(shù)來衡量模型的精確度，損失函數(shù)是可以很好得反映模型與實際數(shù)據(jù)差距的工具。首先固定LSTM模型的層數(shù)，逐步增加訓練次數(shù)，接著固定訓練次數(shù)，逐步增加LSTM模型的層數(shù)，來驗證LSTM模型的層數(shù)和訓練次數(shù)對預測精度的影響。表1給出了不同LSTM層數(shù)和訓練次數(shù)對應的訓練集和測試集的損失函數(shù)和平均絕對百分比誤差。由圖2（a）～（f）可以看出，損失函數(shù)隨著訓練次數(shù)的升高呈下降趨勢，所以訓練集和測試集的損失函數(shù)最大差距在開始處，訓練集和損失集最開始的損失函數(shù)差值從圖2（a）～（d）是減小，從圖2（e）～（f）是增大。由表1可以看出，6組對照實驗訓練集的最終的平均絕對誤差MAE分別為 0.207 9，0.190 1，0.176 7，0.181 1，0.193 2，0.204 6，MAE隨著訓練次數(shù)的增加逐漸減小，從訓練次數(shù)為250時開始逐漸增加，測試集MAE變化趨勢和訓練集一致。網(wǎng)絡層數(shù)一定時，增加訓練次數(shù)可以降低損失函數(shù)，當訓練次數(shù)超過200時，出現(xiàn)測試集損失函數(shù)的誤差增大的現(xiàn)象；再結合表1可以看出在保持LSTM模型的訓練次數(shù)不變，增加模型層數(shù)能有效提高模型預測精度，但層數(shù)過高會出現(xiàn)過擬合的現(xiàn)象，如表中層數(shù)為5是MAE和VAL_MAE反而出現(xiàn)提高的現(xiàn)象。

表1 模型結構優(yōu)化試驗結果Tab.1 Model structure optimization test results

圖2 訓練次數(shù)100～350的損失函數(shù)Fig.2 Loss function with training times 100～350

經(jīng)過上述試驗，可以確定LSTM模型的層數(shù)為4及200訓練次數(shù)，將訓練好的訓練集和測試集導入模型，輸出預測結果并與實際結果對比來具體顯現(xiàn)模型預測的精度，圖3所示為實際數(shù)據(jù)和預測數(shù)據(jù)的折線圖，圖4是2019年11月18日20：00：03前后的預測數(shù)據(jù)放大圖。圖3，4中豎直黑線是區(qū)分訓練集和測試集的分割線。

圖3 制冷負荷預測曲線和實際曲線的對比Fig.3 Comparison of cooling load forecast curve and actual curve

圖4 2019/11/19 04：00：03前后的預測數(shù)據(jù)放大圖Fig.4 An enlarged view of the forecast data before and after 2019/11/19 04：00：03

可以看出絕大部分的預測數(shù)據(jù)基本上與實際數(shù)據(jù)一致，但是在融霜階段和融霜后負荷大幅上升階段預測值和實際值出現(xiàn)較大的偏差，預測值和實際值的最大差值為4.447 7 kW·h，占比為10.27%，最小差值為5.4×10-5；雖然個別的數(shù)據(jù)點上出現(xiàn)較大但是總體上預測效果還是不錯的，預測的數(shù)據(jù)變化趨勢是與實際數(shù)據(jù)是一致的，模型在訓練集的絕對百分比誤差為1.836 2%，測試集的絕對百分比誤差為1.982 7%，測試集的絕對百分比誤差略微提高，是因為測試集在訓練集基礎上預測負荷，誤差積累導致測試集的絕對百分比誤差提高。

3 結論

（1）LSTM模型層數(shù)為2，訓練次數(shù)分別為100，150，200，250，300，350的平均絕對誤差分別為0.207 9，0.190 1，0.176 7，0.181 1，0.193 2，0.204 6，經(jīng)過對比測試，最終確定LSTM模型層數(shù)為4，訓練次數(shù)為200，MAE為0.162 7，VAL_MAE為0.182 3，整個模型平均的MAPE為1.909 4%，為最優(yōu)模型。

（2）將數(shù)據(jù)導入訓練好的模型，得到模型在訓練集的平均絕對百分比誤差達到1.836 2%，測試集的平均絕對百分比誤差達到1.982 7%，預測值在融霜階段和融霜后的短期內出現(xiàn)較大的誤差，預測值和實際值的最大差值為4.447 7 kW·h，占比為10.27%，最小差值為5.4×10-5kW·h。

下一步本研究準備采集超市等場所的實際狀況，引入人流量、商品數(shù)量等影響因素，結合調整的LSTM模型更加貼近實際生活的預測負荷，為下一步為冷藏陳列柜的科學運行和節(jié)能打好基礎。