基于混合深度學(xué)習(xí)模型的企業(yè)中央空調(diào)蒸汽預(yù)測

王 可,盧煥達(dá),鄭軍紅,何利力

(1.浙江理工大學(xué)信息學(xué)院,浙江 杭州 310018)(2.浙大寧波理工學(xué)院計(jì)算機(jī)與數(shù)據(jù)工程學(xué)院,浙江 寧波 315100)

工業(yè)企業(yè)普遍存在能源利用率偏低、能耗偏高的問題,降低能源工業(yè)消耗比重是企業(yè)首要考慮的問題之一. 中央空調(diào)的蒸汽供應(yīng)模塊作為能源供應(yīng)中的重要一環(huán),與企業(yè)能源消耗結(jié)構(gòu)息息相關(guān). 由于生產(chǎn)工況不穩(wěn)定、多臺(tái)空調(diào)機(jī)組相互作用、系統(tǒng)產(chǎn)生數(shù)據(jù)分析復(fù)雜等問題,傳統(tǒng)的蒸汽能源供應(yīng)策略往往不易獲得最佳效果,致使工業(yè)企業(yè)能耗居高不下[1-3].

目前對蒸汽消耗預(yù)測問題多采用統(tǒng)計(jì)學(xué)方法、傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法. 文獻(xiàn)[4]采用自回歸移動(dòng)平均對造紙廠蒸汽消耗需求進(jìn)行預(yù)測,對未來生產(chǎn)的汽耗需求提供了理論指導(dǎo);文獻(xiàn)[5]提出使用機(jī)器學(xué)習(xí)方法對火力發(fā)電蒸汽量預(yù)測展開研究,實(shí)現(xiàn)了鍋爐運(yùn)行過程模擬,提高了整體工藝水平;文獻(xiàn)[6]通過構(gòu)建梯度提升機(jī)模型,對氣體脫硫過程的蒸汽消耗精準(zhǔn)預(yù)測,減少了電量損耗.

本文對某大型企業(yè)卷包車間空調(diào)蒸汽消耗預(yù)測問題展開研究. 由于蒸汽供應(yīng)策略的實(shí)施與策略生效之間有一定的滯后效應(yīng),因此必須預(yù)測每個(gè)班次中的蒸汽消耗量的變化趨勢,盡快實(shí)施工業(yè)策略消除滯后效應(yīng)對生產(chǎn)造成的影響. 空調(diào)消耗量的動(dòng)態(tài)變化過程中,各種因素之間存在復(fù)雜的相互作用,故需要考慮多種因素特征來構(gòu)建預(yù)測模型. 最后力求達(dá)到根據(jù)預(yù)測結(jié)果系統(tǒng)自動(dòng)調(diào)控多空調(diào)蒸汽消耗量的目的,實(shí)現(xiàn)節(jié)能降耗.

1 蒸汽空調(diào)機(jī)理分析與問題描述

空調(diào)給車間生產(chǎn)提供了良好的環(huán)境條件,不同空調(diào)機(jī)組的運(yùn)作方式直接影響著空調(diào)的蒸汽消耗量. 空調(diào)系統(tǒng)處理空氣的簡易流程如圖1所示. 通過回風(fēng)閥和新風(fēng)閥調(diào)節(jié)支管的風(fēng)量,將新風(fēng)與回風(fēng)混合調(diào)節(jié)送入過濾器中. 表冷器利用冷水通過冷卻盤管使盤管表面呈現(xiàn)低溫狀態(tài),過濾后的空氣通過表冷器盤管達(dá)到降溫效果. 當(dāng)空氣溫度降到露點(diǎn)溫度,水蒸氣分壓大于飽和蒸汽壓,出現(xiàn)結(jié)露,達(dá)到除濕效果. 加熱器是由干蒸汽加熱盤管對過濾后的空氣進(jìn)行加溫,干蒸汽加濕器則對空氣進(jìn)行等溫加濕. 處理好的空氣通過送風(fēng)機(jī)送入生產(chǎn)車間.

圖1 空調(diào)系統(tǒng)處理空氣的簡易流程

全年空氣處理過程如圖2所示,符號(hào)含義如表1所示. 室內(nèi)恒溫恒濕狀態(tài)點(diǎn)N和N1由自控系統(tǒng)自動(dòng)設(shè)置. 過程1和過程2是夏季機(jī)組空氣處理流程,過濾后的空氣通過表冷盤管冷凍除濕降至露點(diǎn),除濕后的低溫空氣經(jīng)過蒸汽加熱升溫,達(dá)到送風(fēng)狀態(tài)點(diǎn),由送風(fēng)機(jī)送到車間,此過程中會(huì)出現(xiàn)冷源與熱源相互抵消的情況. 過程3-6是過渡季節(jié)機(jī)組空氣處理流程,通過降溫加濕或升溫除濕操作達(dá)到送風(fēng)狀態(tài)點(diǎn). 冬季機(jī)組空氣處理流程為過程7和過程8,新回風(fēng)通過過濾器過濾為干凈空氣,經(jīng)蒸汽加熱后,由干蒸汽加濕器等溫加濕后滿足送風(fēng)狀態(tài).

圖2 全年空調(diào)焓濕圖

表1 焓濕圖符號(hào)表示含義

由圖2可知,空調(diào)機(jī)組8種處理方式的蒸汽消耗量都不相同,其原因?yàn)闄C(jī)組工作方式受時(shí)間因素、外部因素和空間因素的共同影響. 時(shí)間因素表現(xiàn)在歷史蒸汽消耗量對預(yù)測蒸汽消耗量的影響. 外部因素包括氣候、生產(chǎn)班次等,其中生產(chǎn)班次分為早中晚班,早班時(shí)間為7:00—15:30,中班時(shí)間為15:30—0:00,晚班時(shí)間為0:00—7:00,每個(gè)班次相應(yīng)的生產(chǎn)計(jì)劃不同. 空間因素是指調(diào)控區(qū)域無間隔,多臺(tái)大型空調(diào)機(jī)組存在動(dòng)態(tài)聯(lián)動(dòng)關(guān)系,共同作用來維持車間生產(chǎn)環(huán)境條件的穩(wěn)定. 本文的目標(biāo)是對未來班次中每分鐘的蒸汽消耗量進(jìn)行準(zhǔn)確預(yù)測,實(shí)現(xiàn)瞬時(shí)動(dòng)態(tài)預(yù)測防止產(chǎn)生滯后效應(yīng),給空調(diào)系統(tǒng)自動(dòng)調(diào)控提供策略依據(jù),實(shí)現(xiàn)節(jié)能降耗. 該問題可用公式(1)描述:

F=f(X,E,I,W),

(1)

式中,F為預(yù)測蒸汽消耗量;f為混合深度學(xué)習(xí)模型;X為歷史蒸汽消耗量輸入;E為外部因素特征輸入;I為空間因素特征輸入;W為學(xué)習(xí)權(quán)重.

2 模型構(gòu)建

該企業(yè)車間具有大面積無隔斷的特點(diǎn),相鄰機(jī)組互相影響,存在一個(gè)生產(chǎn)機(jī)械設(shè)備分布在兩臺(tái)機(jī)組調(diào)控區(qū)域之間的情況,因此每臺(tái)機(jī)組的蒸汽消耗量不能單獨(dú)計(jì)算預(yù)測. 每個(gè)班次的任務(wù)量不同會(huì)導(dǎo)致不同班次的蒸汽消耗量不同,外界環(huán)境條件、廠房溫濕度環(huán)境等外部條件也同樣影響蒸汽消耗量. 目前存在的制造企業(yè)對蒸汽預(yù)測方法不能解決本文中基于復(fù)雜環(huán)境下的空調(diào)蒸汽預(yù)測問題. 文獻(xiàn)[5]利用多元線性回歸、支持向量回歸、樹模型和改進(jìn)模型融合構(gòu)建模型,主要為驗(yàn)證最合理的工藝參數(shù)來提升設(shè)備精度. 文獻(xiàn)[7]使用基于混沌時(shí)間序列的支持向量機(jī)來構(gòu)建預(yù)測模型,只考慮了時(shí)間因素單方面的影響. 本文采用一種混合模型來解決復(fù)雜環(huán)境下的空調(diào)蒸汽預(yù)測問題,從時(shí)間因素、外部因素和空間因素多角度綜合考慮,以提升預(yù)測模型的準(zhǔn)確性并降低企業(yè)能耗.

2.1 模型架構(gòu)

時(shí)間因素、空間因素和外部因素共同作用影響空調(diào)蒸汽消耗量,本文采用不同方法提取3種因素特征,作為預(yù)測模型的輸入:采用平滑過程模式、趨勢性模式和周期性模式結(jié)合門控循環(huán)單元(gate recurrent unit,GRU)捕捉時(shí)間因素特征;采用GRU和兩層全連接網(wǎng)絡(luò)耦合外部因素特征;利用三維卷積(convolutions over volumes)和PredRNN++提取空間因素特征. 最后根據(jù)3個(gè)部分的影響程度采用參數(shù)矩陣方法進(jìn)行融合,計(jì)算公式為:

(2)

圖3 空調(diào)蒸汽消耗量預(yù)測模型整體結(jié)構(gòu)

2.2 基于GRU捕捉3種模式時(shí)間特征、耦合外部因素特征

時(shí)間特征體現(xiàn)的是歷史蒸汽消耗量對預(yù)測蒸汽消耗量的影響. 為提高模型的預(yù)測精度,將時(shí)間特征輸入分為平滑過程模式、趨勢性模式和周期性模式[8-9]. 不同模式的特征結(jié)合可以獲取時(shí)間序列的總體趨勢和局部變化,提取出時(shí)間特征XT. 設(shè)定平滑過程模式的周期為8.5 h,另外兩種模式的周期制定與平滑過程模式輸入數(shù)據(jù)量保持一致. 若預(yù)測某天某班次中某0.5 h的空調(diào)蒸汽量,平滑過程模式輸入預(yù)測班次前8.5 h的蒸汽瞬時(shí)消耗量,趨勢性模式輸入前17天該班次該時(shí)段的蒸汽瞬時(shí)消耗量,周期性模式輸入前17周該天該班次該時(shí)段的蒸汽瞬時(shí)消耗量.

GRU屬于循環(huán)神經(jīng)網(wǎng)絡(luò)的一種,具有參數(shù)少更容易收斂的優(yōu)點(diǎn)[10]. GRU模型簡單,只有一個(gè)重置門和一個(gè)更新門,更新門決定要丟棄的信息和添加的新信息,重置門是另一個(gè)來決定要忘記多少過去的信息門. GRU的工作原理為:

(3)

圖4 GRU內(nèi)部結(jié)構(gòu)圖

外部因素特征包括室內(nèi)溫濕度、室外溫濕度、露點(diǎn)溫度、生產(chǎn)班次、生產(chǎn)日期(工作日與非工作日).通過GRU對溫濕度和露點(diǎn)溫度進(jìn)行時(shí)間序列分析,預(yù)測得到其在待預(yù)測班次的相應(yīng)值,結(jié)合生產(chǎn)安排得到班次和日期信息,將全部特征作為第一層全連接層的輸入,然后鏈接一個(gè)激活函數(shù)ReLU;第二層全連接網(wǎng)絡(luò)用于維度映射,耦合出外部特征XE.

2.3 基于三維卷積與PredRNN++提取多空調(diào)聯(lián)動(dòng)的空間特征

為增加超大空間恒溫恒濕空調(diào)系統(tǒng)的穩(wěn)定性和可靠性,車間環(huán)境采取多臺(tái)大型空調(diào)機(jī)組協(xié)同控制策略. 調(diào)控區(qū)域無間隔且相鄰區(qū)域間相互影響,存在同一生產(chǎn)設(shè)備分布在兩臺(tái)獨(dú)立空調(diào)設(shè)備調(diào)控區(qū)域之間的情況. 因此,對空調(diào)蒸汽消耗量的預(yù)測不能只根據(jù)時(shí)序相關(guān)性進(jìn)行建模,還應(yīng)考慮空調(diào)設(shè)備之間的動(dòng)態(tài)聯(lián)動(dòng)關(guān)系. 車間中空調(diào)設(shè)備和生產(chǎn)設(shè)備的分布如圖5所示.

圖5 生產(chǎn)車間空調(diào)設(shè)備和生產(chǎn)設(shè)備分布圖

為提取影響空調(diào)蒸汽消耗量的空間因素特征,采用基于三維卷積與PredRNN++方法來構(gòu)建神經(jīng)網(wǎng)絡(luò)模型. 首先構(gòu)造一個(gè)三維卷積神經(jīng)網(wǎng)絡(luò)[11-12],將空調(diào)歷史蒸汽消耗量數(shù)據(jù)轉(zhuǎn)化為三維圖像,通過三維卷積來細(xì)化參數(shù)間的影響關(guān)系,并將結(jié)果按第一維度展開作為PredRNN++過程的輸入. PredRNN++能夠自適應(yīng)地捕獲短期和長期相關(guān)性,有強(qiáng)空間相關(guān)性和短期動(dòng)態(tài)的建模能力,還解決了梯度消失問題[13]. 將PredRNN++過程的輸出送至全連接層,得到空間因素特征XS. 提取空間因素特征的模型框架如圖6所示.

圖6 基于三維卷積與PredRNN++的神經(jīng)網(wǎng)絡(luò)模型框架

2.3.1 卷積提取過程

由于空調(diào)蒸汽的消耗量是一個(gè)連續(xù)動(dòng)態(tài)過程,且與同一區(qū)域的其他空調(diào)機(jī)組蒸汽消耗量之間存在復(fù)雜的相互作用,用精確的數(shù)學(xué)模型來描述存在很大困難. 為了得到各參數(shù)之間的不確定關(guān)系,首先將9個(gè)關(guān)聯(lián)空調(diào)機(jī)蒸汽消耗量組成的原始向量乘以其轉(zhuǎn)置得到一個(gè)9×9的單通道矩陣,表達(dá)任意兩個(gè)機(jī)組消耗量的所有組合,9個(gè)原始參數(shù)被細(xì)化為9×9=81個(gè)參數(shù). 假設(shè)S1～S9表示9個(gè)空調(diào)機(jī)組的蒸汽消耗量,設(shè)S=[S1,S2,…,S8,S9]T,則

(4)

再結(jié)合班次數(shù)據(jù)組成一個(gè)510×9×9(深度×長度×寬度)的三維矩陣.

而后采用卷積運(yùn)算來提取特征.連續(xù)卷積過程的目的是為了細(xì)化參數(shù),進(jìn)一步確認(rèn)其間的潛在關(guān)系,因而不需要添加池化層來簡化計(jì)算.3個(gè)連續(xù)的卷積過程如圖7所示.

圖7 連續(xù)卷積過程

第一層卷積使用6個(gè)大小為1×3×3的過濾器,設(shè)置其步幅為1,padding為0.其中,“1”為過濾器的深度,用以表示對9臺(tái)機(jī)組潛在關(guān)系的細(xì)化.以A11為例,第一次卷積的運(yùn)算公式為:

(5)

(6)

(7)

卷積后得到通道數(shù)為6的510×3×3三維矩陣.將三維矩陣以第一維度展開,作為PredRNN++過程的輸入,來進(jìn)一步提取空間特征.

2.3.2 PredRNN++過程

PredRNN++主要組成部分包括Casual LSTM(時(shí)空記憶單元的級(jí)聯(lián)操作)和GHU(梯度高速公路單元). 這兩種單元能夠建立很深的網(wǎng)絡(luò)進(jìn)行學(xué)習(xí),自適應(yīng)地捕捉長期與短期特征. 其內(nèi)部結(jié)構(gòu)如圖8所示.

圖8 PredRNN++主要組成部分的內(nèi)部結(jié)構(gòu)圖

GHU直接通過高速公路相傳,不經(jīng)歷漫長的記憶單元傳播,在反向傳播時(shí)易保留梯度,避免梯度消失. GHU的St命名為Switch Gate,可在轉(zhuǎn)換輸入Pt和隱藏狀態(tài)Zt之間進(jìn)行自適應(yīng)學(xué)習(xí).其計(jì)算公式為:

Pt=tanh(Wpx*Xt+Wpz*Zt-1),St=σ(Wsx*Xt+Wsz*Zt-1),Zt=St⊙Pt+(1-St)⊙Zt-1.

(8)

Casual LSTM可在不增加層的基礎(chǔ)上增加非線性操作,使特征放大并能捕捉到短期動(dòng)態(tài)變化和突發(fā)情況,同時(shí)也增加網(wǎng)絡(luò)從一種狀態(tài)到另一種狀態(tài)的深度.其計(jì)算公式為:

(9)

圖9 基于PredRNN++的多維矩陣處理過程

PredRNN++計(jì)算公式為:

(10)

3 仿真實(shí)驗(yàn)

從中央空調(diào)系統(tǒng)中獲取2019年1月1日零點(diǎn)至2021年6月1日零點(diǎn)生產(chǎn)車間空調(diào)機(jī)組產(chǎn)生的數(shù)據(jù)集. 生產(chǎn)車間共有9臺(tái)空調(diào)機(jī)組,共同維持生產(chǎn)環(huán)境的穩(wěn)定. 蒸汽消耗量采集間隔為1 min,每天共產(chǎn)生 1 440 條數(shù)據(jù),每個(gè)生產(chǎn)班次平均為8.5 h. 模型輸入需統(tǒng)一平滑過程模式、趨勢性模式和周期性模式的數(shù)據(jù)量,若預(yù)測目標(biāo)為周一早班中7:00—07:30蒸汽瞬時(shí)消耗量,平滑過程模式的輸入是前8.5 h的蒸汽消耗量,趨勢性模式的輸入是前17天早班中07:00—07:30的蒸汽瞬時(shí)消耗量,周期性模式的輸入是前17個(gè)周一早班中07:00—07:30的蒸汽瞬時(shí)消耗量. 因此從2019年1月1日開始劃分?jǐn)?shù)據(jù)集,以18周為一個(gè)單位,訓(xùn)練集選自前17周數(shù)據(jù),驗(yàn)證集選自第18周數(shù)據(jù),以此得到空調(diào)蒸汽預(yù)測模型.

3.1 數(shù)據(jù)預(yù)處理與評價(jià)指標(biāo)

在數(shù)據(jù)采集過程中,傳感器故障會(huì)導(dǎo)致某些數(shù)據(jù)存儲(chǔ)失敗,造成單值缺失和連讀多值缺失的情況. 單值缺失采用上下平均值填補(bǔ)法對其進(jìn)行處理;多值缺失中缺失特征較少,故采用樣條插值法進(jìn)行處理.

模型從預(yù)測精度和能源損耗兩方面進(jìn)行綜合評價(jià). 模型預(yù)測精度的評價(jià)指標(biāo)選用均方根誤差(root-mean-square error,RMSE)、平均絕對誤差(mean absolute error,MAE)、平均絕對百分比誤差(mean absolute percentage error,MAPE),計(jì)算公式為:

(11)

車間生產(chǎn)的能源損耗[14-15]主要由用電量、蒸汽消耗、冷量構(gòu)成,其中耗電量=冷量/COP. COP(coefficient of performance)為空調(diào)的性能系數(shù). 電力折標(biāo)煤系數(shù)為0.123,蒸汽折標(biāo)煤系數(shù)為0.094,平均能耗折標(biāo)(average standard energy consumption,ASEC)計(jì)算公式為:

(12)

式中,ASEC為平均折損能耗,其單位為千克標(biāo)準(zhǔn)煤(kgce);Q1為用電量;Q2為冷量的耗電量;S為蒸汽用量;H為空調(diào)運(yùn)行時(shí)長.

3.2 實(shí)驗(yàn)環(huán)境與模型參數(shù)

本文實(shí)驗(yàn)的運(yùn)行環(huán)境為python3.8.3和Matlab,使用python庫keras、scikit-learn、tensorflow來搭建本文模型和部分對比模型. 使用Matlab設(shè)計(jì)工具APP構(gòu)建部分機(jī)器學(xué)習(xí)對比模型. 在空間因素特征提取中. 經(jīng)過三維卷積操作之后,進(jìn)入PredRNN++部分,其中Casual LSTM與GHU中設(shè)置stride=1、padding=same,選取 16/32/128/256調(diào)整batch size,最終確定batch size=32時(shí)有最小損失. 在時(shí)間因素特征提取和外部因素提取中,GRU神經(jīng)元個(gè)數(shù)選取64/128/256/512進(jìn)行調(diào)整,最終確定神經(jīng)元數(shù)分別為512和256. 3種因素由全連接層處理后輸出的神經(jīng)單元個(gè)數(shù)為16. 最后根據(jù)參數(shù)矩陣進(jìn)行特征融合輸出預(yù)測結(jié)果.

3.3 模型對比與結(jié)果分析

本文選用SVM、RNN+GRU、LightGBM、多元線性回歸4種對比模型. 文獻(xiàn)[7]中的SVM模型[16-17]目前在制造企業(yè)中應(yīng)用廣泛,以此對比預(yù)測性能的提升;選用RNN+GRU[18-20]組合模型用以驗(yàn)證提取空間特征的必要性;選取文獻(xiàn)[5]中的機(jī)器學(xué)習(xí)模型[21-25]用以驗(yàn)證本文模型更符合實(shí)際需求. 所有模型的預(yù)測結(jié)果如圖10所示,誤差結(jié)果如表2所示.

圖10 模型預(yù)測結(jié)果

表2 模型誤差結(jié)果

由圖10和表2可知,SVM模型的預(yù)測曲線中存在間隔性“鋸齒”,在該時(shí)刻的預(yù)測結(jié)果與實(shí)際結(jié)果差距很大,存在不穩(wěn)定性. 相較于SVM模型,本文模型RMSE值降低了63.04%、MAE值降低了60.25%、MAPE值降低了56.46%,運(yùn)行時(shí)間也有所縮短,說明本文模型的預(yù)測精度、效率和穩(wěn)定性都優(yōu)于SVM模型. 相較于RNN+GRU模型,本文模型雖運(yùn)行時(shí)間略增,但RMSE值降低了8.05%、MAE值降低了5.76%、MAPE值降低了7.25%,證明空間特征對模型的影響程度是不可忽略的. LightGBM模型雖運(yùn)行時(shí)間有所減少,但其誤差值遠(yuǎn)遠(yuǎn)高于本文模型. 多元線性回歸模型預(yù)測精度和運(yùn)行效率都不及本文模型. 綜上,本文的混合深度學(xué)習(xí)模型更貼合實(shí)際,可實(shí)現(xiàn)在復(fù)雜環(huán)境中對空調(diào)蒸汽的準(zhǔn)確實(shí)時(shí)預(yù)測.

將本文模型應(yīng)用于空調(diào)管控系統(tǒng)中,以此減少空調(diào)的運(yùn)行時(shí)間和電量損耗,并減少不必要的蒸汽消耗. 現(xiàn)用模型(SVM模型)ASEC值為534.48 kgce,本文模型ASEC值為213.33 kgce,本文模型相較于現(xiàn)用模型ASEC降低了60.09%.

4 結(jié)論

為解決企業(yè)生產(chǎn)車間多空調(diào)能耗與生產(chǎn)任務(wù)匹配、氣候環(huán)境匹配的精準(zhǔn)供能問題,實(shí)現(xiàn)多臺(tái)大型空調(diào)機(jī)組的蒸汽預(yù)測,提出了一種基于GRU和3DConv-PredRNN++的混合深度學(xué)習(xí)預(yù)測模型. 首先通過分析空調(diào)機(jī)理得出蒸汽消耗量與機(jī)組的8種工作方式相關(guān),而機(jī)組的工作方式受到時(shí)間因素、空間因素和外部因素影響,因此需要提取3部分特征來構(gòu)建預(yù)測模型. 為進(jìn)一步提升模型的預(yù)測精度,將時(shí)間特征因素和空間特征因素以3種不同模式進(jìn)行輸入,以此獲取蒸汽消耗量序列的總體趨勢和局部變化. 時(shí)間因素特征通過GRU提取,空間因素特征利用三維卷積和PredRNN++提取,通過GRU提取時(shí)間序列外部因素特征,再結(jié)合其余特征輸入全連接層,最后通過參數(shù)矩陣融合構(gòu)建蒸汽消耗模型. 本文模型的RMSE值為107.3 kg,MAE值為80.1 kg,MAPE值為6.4%. 與多種模型對比,驗(yàn)證了本文模型預(yù)測精度的優(yōu)越性,證明了進(jìn)行空間特征提取參與模型預(yù)測的必要性. 與現(xiàn)用SVM模型相比,本文模型的ASEC降低了60.09%.

隨著企業(yè)生產(chǎn)鏈的不斷運(yùn)轉(zhuǎn),中央空調(diào)系統(tǒng)會(huì)繼續(xù)產(chǎn)生大量數(shù)據(jù),需要不斷補(bǔ)充數(shù)據(jù)集對模型進(jìn)行校正,進(jìn)一步提升模型的預(yù)測精度. 后續(xù)將進(jìn)一步對中央空調(diào)開機(jī)臺(tái)數(shù)進(jìn)行預(yù)測,并制定策略控制每臺(tái)空調(diào)的開啟,減少能源浪費(fèi),實(shí)現(xiàn)企業(yè)節(jié)能降耗的目標(biāo).