基于機(jī)器學(xué)習(xí)的氣象環(huán)境與醫(yī)院冬季供暖能源消耗量的分析與預(yù)測(cè)模型研究

虢詩影

（華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬同濟(jì)醫(yī)院，湖北 武漢 430100）

1 緒論

1.1 研究背景

天然氣是醫(yī)院冬季供暖的主要能源，在日常工作中，我們對(duì)于天然氣消耗量與氣象環(huán)境的關(guān)系，未作出深刻的認(rèn)識(shí)。在值班日志中，僅記錄當(dāng)日天氣一個(gè)維度，而關(guān)于天然氣的消耗量，僅停留在數(shù)值記錄和傳統(tǒng)的歸納統(tǒng)計(jì)法上。

為響應(yīng)國家于2060年前實(shí)現(xiàn)碳中和的目標(biāo)，作為醫(yī)院的后勤部門，完善醫(yī)院的能源管理方案，提升能源利用效率，用現(xiàn)代方法來彌補(bǔ)傳統(tǒng)粗獷管理方案上的不足，是后勤部門一直以來的研究型課題。

1.2 研究意義

在通過現(xiàn)有的統(tǒng)計(jì)學(xué)方法來預(yù)測(cè)天然氣消耗量中，對(duì)于連續(xù)變化的天氣情況暫不能進(jìn)行有效的精細(xì)化預(yù)測(cè)。在一些特殊氣象環(huán)境，例如極端的雨雪大風(fēng)天氣中往往現(xiàn)實(shí)結(jié)果與預(yù)測(cè)結(jié)果有較大出入。后勤人員雖然已經(jīng)記錄了大量的天然氣消耗的數(shù)值記錄和天氣記錄，卻沒有高效和科學(xué)的利用方法，只能依靠自身過往經(jīng)驗(yàn)來預(yù)測(cè)，而這些經(jīng)驗(yàn)推測(cè)，帶有很強(qiáng)的主觀性，既無法面對(duì)復(fù)雜的氣象環(huán)境，也無法作為有效經(jīng)驗(yàn)來推廣。

充分利用現(xiàn)有的記錄數(shù)據(jù)，結(jié)合歷史氣象資料，利用機(jī)器學(xué)習(xí)框架TensorFlow對(duì)氣象環(huán)境與能源消耗量進(jìn)行建模，構(gòu)建具有地方特性氣象環(huán)境與能源消耗量的模型，為后勤工作所保障的區(qū)域提供科學(xué)化的預(yù)測(cè)手段。減少基于個(gè)人經(jīng)驗(yàn)所產(chǎn)生的誤差。

2 基于機(jī)器學(xué)習(xí)的氣象環(huán)境與醫(yī)院冬季供暖能源消耗量的分析與預(yù)測(cè)模型

2.1 機(jī)器學(xué)習(xí)TensorFlow框架簡(jiǎn)介

TensorFlow是機(jī)器學(xué)習(xí)領(lǐng)域，被選擇最多的機(jī)器學(xué)習(xí)框架，其可以在CPU和GPU上以數(shù)據(jù)流的形式進(jìn)行高效的分布式數(shù)值計(jì)算。同時(shí)，TensorFlow具有跨平臺(tái)的特性，不僅可以跑在傳統(tǒng)的Windows上，也可以跑在Linux和Mac OS X上，讓每一個(gè)科研人員都可以便捷的使用。

2.2 Sequential模型

Sequential模型又名順序模型，是函數(shù)式模型的簡(jiǎn)單版本，是最簡(jiǎn)單的線性，無分叉的順序結(jié)構(gòu)，是多個(gè)神經(jīng)網(wǎng)絡(luò)“層”的線性疊加，它的每一層都具有一個(gè)輸入張量和一個(gè)輸出張量。

2.3 分析氣象環(huán)境與能源消耗量

本文數(shù)據(jù)，天氣數(shù)據(jù)部分主要從“中國天氣網(wǎng)”（http://www.weather.com）下載，天然氣消耗量數(shù)據(jù)來自于值班日志。數(shù)據(jù)采樣時(shí)間為2019年1月7日～2020年3月2日，數(shù)據(jù)共163組。由于文章篇幅有限，此處僅列出前6天數(shù)據(jù)。表1為天氣與天然氣數(shù)據(jù)表，Gas為當(dāng)天天然氣的消耗量（m3），Max為最高溫度（℃），Min為最低溫度（℃），Weather為天氣，Wind為風(fēng)向，Levels為風(fēng)級(jí)。

表1 氣象環(huán)境與天然氣消耗量

2.4 模型的構(gòu)建

（1）訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)。通過隨機(jī)取值將數(shù)據(jù)分拆為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，其中訓(xùn)練數(shù)據(jù)占所有數(shù)據(jù)的80%，測(cè)試數(shù)據(jù)占20%。

（2）模型的初始化。本文使用一個(gè)“Sequential”模型，具備兩個(gè)神經(jīng)網(wǎng)絡(luò)“層”，包含4801個(gè)參數(shù)，以及返回單個(gè)、連續(xù)的輸出層。將初始化的模型進(jìn)行500個(gè)周期的訓(xùn)練后，得到一個(gè)預(yù)測(cè)誤差為±540m3的模型結(jié)果。

（3）訓(xùn)練周期和模型“層”數(shù)對(duì)結(jié)果的影響。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)周期和“層”數(shù)對(duì)模型預(yù)測(cè)的準(zhǔn)確度有很大的影響，當(dāng)訓(xùn)練次數(shù)不夠，或者模型“層”不夠時(shí)，訓(xùn)練結(jié)果會(huì)不盡人意，這時(shí)候叫“欠擬合”狀態(tài)，“欠擬合”狀態(tài)代表著神經(jīng)網(wǎng)絡(luò)模型尚未學(xué)習(xí)到訓(xùn)練數(shù)據(jù)集中的相關(guān)特征模式。而太多的訓(xùn)練周期和“層”不僅會(huì)增加訓(xùn)練和預(yù)測(cè)的時(shí)間，而且會(huì)起到相反的效果。當(dāng)模型過度擬合訓(xùn)練數(shù)據(jù)時(shí)，則模型無法泛化于測(cè)試數(shù)據(jù)，導(dǎo)致預(yù)測(cè)結(jié)果精度的下降，這時(shí)候稱為“過擬合”狀態(tài)。

（4）不同組合的實(shí)驗(yàn)結(jié)果。這里僅追求模型預(yù)測(cè)數(shù)據(jù)的準(zhǔn)確性，暫不考慮訓(xùn)練時(shí)間及預(yù)測(cè)時(shí)間的經(jīng)濟(jì)性，進(jìn)行反復(fù)迭代的試驗(yàn)及預(yù)測(cè)。

如表2所示，最終在“層”數(shù)為7時(shí)，訓(xùn)練周期為2000時(shí)，得到了一個(gè)較為準(zhǔn)確的模型，預(yù)測(cè)誤差為±489m3，該模型含有6個(gè)緊密相連的隱藏層和1個(gè)連續(xù)值的輸出層，以及17281個(gè)訓(xùn)練參數(shù)。

表2 模型與誤差

3 總結(jié)與展望

3.1 研究成果

本文通過對(duì)真實(shí)數(shù)據(jù)的歸納，選定了影響天然氣消耗量的氣象與時(shí)空特征8個(gè)（每種特征對(duì)其影響因數(shù)不同，但對(duì)其均產(chǎn)生一定波動(dòng)。），通過TensorFlow機(jī)器學(xué)習(xí)框架進(jìn)行機(jī)器學(xué)習(xí)，在Sequential模型下，模型“層”數(shù)量為7，訓(xùn)練周期為2000時(shí)，該模型有相對(duì)較好的預(yù)測(cè)效果，平均誤差±489m3。

3.2 不足與改進(jìn)

本文在常規(guī)天氣的基數(shù)上，加入了年、月、日、天氣、溫度、風(fēng)向及風(fēng)級(jí)等因素，這有助于提升模型的預(yù)測(cè)精度，但是，劃分粒度較大，而且由于收集的樣本數(shù)據(jù)有限，供暖時(shí)能源消耗量對(duì)人群密度、室內(nèi)溫度設(shè)定等其他因素有關(guān)，因此，想要提高模型的預(yù)測(cè)精度，后期還需要對(duì)這些因素加強(qiáng)更深的研究，也是未來工作努力的方向。

4 結(jié)語

醫(yī)院冬季供暖天然氣取決于多種因素，本文從時(shí)間，天氣等角度出發(fā)，對(duì)能源消耗量做預(yù)報(bào)研究，采取先進(jìn)的機(jī)器學(xué)習(xí)框架TensorFlow來代替?zhèn)鹘y(tǒng)的統(tǒng)計(jì)學(xué)歸納法。該模型的建立為我院后勤在大數(shù)據(jù)人工智能時(shí)代背景下的發(fā)展，提供了新的思路和方案。