基于PCA-BP 神經(jīng)網(wǎng)絡(luò)的智慧建筑暖通空調(diào)能耗預(yù)測

杜會軍

（中鐵建設(shè)集團(tuán)華北工程有限公司 天津 300000）

0 引言

暖通空調(diào)在提高室內(nèi)空氣品質(zhì)、提高室內(nèi)居住舒適性等諸多功能的同時，也產(chǎn)生了大量能耗問題，制約我國生態(tài)環(huán)境穩(wěn)定發(fā)展。其中一個重要的問題在于，常規(guī)的暖通空調(diào)和監(jiān)測設(shè)備不能及時調(diào)整最佳的送風(fēng)量，以適應(yīng)不斷改變的室內(nèi)環(huán)境的各種參數(shù)，從而造成了空調(diào)的能源消耗過剩。另外，“非均勻非正?！钡母鞣N因素也與暖通設(shè)施的安全風(fēng)險和防治有著很大關(guān)系，比如在火災(zāi)中，煙霧等的擴(kuò)散速率可以高達(dá)3m/s，因此有必要開發(fā)一種新型的監(jiān)測技術(shù)。路凱文等人結(jié)合實(shí)驗(yàn)研究，證明了利用暫態(tài)區(qū)模式進(jìn)行的室內(nèi)熱狀況預(yù)報是可行的，其結(jié)果表明：大氣熱層化和暫態(tài)壁溫的計(jì)算是正確的。但是，多區(qū)模式的建立都是以室內(nèi)空氣的均勻性為基礎(chǔ)，而在快速水力計(jì)算中，忽視了水流的重要影響。結(jié)果表明，這些方法的預(yù)報結(jié)果仍然有很大的偏差，不能達(dá)到工程中對預(yù)報的準(zhǔn)確性要求[1]；曾劍銳等人利用OpenFOAM 軟件建立了一種新的計(jì)算模型，并通過實(shí)驗(yàn)證明了其在房間中的流動特性。但是，由于傳感器的數(shù)量不多，不能很好地描述整體/非均勻分布（或內(nèi)部人群）的環(huán)境參數(shù)，因此不能保證對最好的空氣質(zhì)量進(jìn)行評價。如果進(jìn)行大規(guī)模的監(jiān)控，代價高昂，而且存在信息重復(fù)情況[2]。本文為優(yōu)化空調(diào)控制策略，達(dá)到節(jié)能減排目的，提出了基于PCA-BP 神經(jīng)網(wǎng)絡(luò)的智慧建筑暖通空調(diào)能耗預(yù)測方法。

1 智慧建筑暖通空調(diào)能耗數(shù)據(jù)PCA 降維處理

PCA 是目前應(yīng)用最為普遍的一種降維算法，PCA 的基本思路就是把多個維度的特性映射到一個維度上，這個維度是一個新的正交特性，也就是所謂的主分量，它是在原來多個維度上再構(gòu)建一個維度的特性[3]。PCA 的任務(wù)是從原來的空間中依次找到一套互相垂直的軸系，而這些新的軸線的選取與數(shù)據(jù)自身有著緊密聯(lián)系。

降維的線性建模的主要作用是對基于PCA 的初步預(yù)報數(shù)據(jù)庫進(jìn)行快速地?cái)U(kuò)展和數(shù)據(jù)的降維，從而大大減少了系統(tǒng)建設(shè)費(fèi)用。此方法分為兩種：一種是降維模式，另一種是直線模式[4]。在此基礎(chǔ)上，采用體積平均法對數(shù)據(jù)進(jìn)行了壓縮，達(dá)到了數(shù)據(jù)精確性要求（例如，在實(shí)際應(yīng)用中，該算法的要求不超過10%）。圖1 顯示了降維的基本理論，它采用了基于容積均值的離散和數(shù)據(jù)的降維重建方式。

圖1 能耗數(shù)據(jù)PCA 降維模型原理圖Fig.1 Schematic diagram of the PCA dimension reduction model for energy consumption data

由圖1 可知，線性（標(biāo)量）模式分為線性通風(fēng)模式、溫度模式和濕度模式，它可以將各種不同的環(huán)境指標(biāo)（例如濃度、溫度、濕度）線性疊加，可以迅速地獲得大量資源（如污染源、熱源、濕度源）的影響，從而達(dá)到數(shù)據(jù)庫擴(kuò)展的目的[5,6]。

假設(shè)智慧建筑暖通空調(diào)能耗數(shù)據(jù)中存在m個樣本和n個特征，可表示為：

由于在數(shù)據(jù)降維時會產(chǎn)生映射錯誤，因此需先對特征數(shù)據(jù)進(jìn)行歸一化處理，這樣才能達(dá)到對能耗數(shù)據(jù)降維的目的。在整個過程中，應(yīng)保證每個特性都具有相同的比例，否則會出現(xiàn)特征過大或特征過小的問題，影響整個降維效果[7]。從三維向二維的降維，可以理解為找到兩個向量、，通過這兩個向量分別構(gòu)造出一種新的特征，并將其與原有的采樣點(diǎn)相對應(yīng)[8,9]。將三個特征的采樣點(diǎn)投影到二維平面上會出現(xiàn)一些錯誤，因此必須對每個圖像進(jìn)行精確地測量。錯誤幅度的計(jì)算公式，如下所示：

在獲取降維效果之后，用降維矩陣將該模型映射到低維空間上[10]。降維公式如下所示：

公式（4）中，c表示數(shù)據(jù)降低的維度。c值越大，低維空間上特征矢量也就越多，降維誤差也就越小，保留原來特征特性。

2 基于PCA-BP 神經(jīng)網(wǎng)絡(luò)的能耗預(yù)測

采用PCA 和BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，將空調(diào)節(jié)能控制中的初始數(shù)據(jù)進(jìn)行了精簡，剔除了對其影響較小的部分，同時也充分發(fā)揮了BP 神經(jīng)網(wǎng)絡(luò)的非線性及平行運(yùn)算的特點(diǎn)，進(jìn)一步改進(jìn)了BP神經(jīng)網(wǎng)絡(luò)的算法架構(gòu)，從而使其具有較好的學(xué)習(xí)性能和較好穩(wěn)定性。對于基于PCA-BP 神經(jīng)網(wǎng)絡(luò)的能耗預(yù)測，首先，將空調(diào)節(jié)能控制信息進(jìn)行分析，利用PCA 對其進(jìn)行預(yù)處理，得出累積貢獻(xiàn)度，然后由最開始向后依次抽取出小于特征總量的主成分。將PCA 所得的主成分?jǐn)?shù)據(jù)引入BP 神經(jīng)網(wǎng)絡(luò)的輸入級，初始化BP 神經(jīng)網(wǎng)絡(luò)權(quán)值，獲取精準(zhǔn)預(yù)測結(jié)果。

2.1 能耗數(shù)據(jù)加權(quán)歸一化處理

由于不同負(fù)載比例下能耗數(shù)據(jù)存在數(shù)據(jù)缺失、冗余等問題，對能源消耗的預(yù)測效果產(chǎn)生較大不利影響。針對有問題的能源消耗數(shù)據(jù)，采取有目標(biāo)的方法進(jìn)行處理[11]。能源數(shù)據(jù)加權(quán)平均處理公式，可表示為：

公式（5）中，w表示加權(quán)權(quán)重；d表示日期；t表示時間，利用此方程對能耗數(shù)據(jù)進(jìn)行處理填補(bǔ)。填補(bǔ)完畢后，將PCA 降維模型做標(biāo)準(zhǔn)化處理，獲得的數(shù)據(jù)參量，獲得的所有參量再進(jìn)行訓(xùn)練采樣，將訓(xùn)練采樣結(jié)果與所獲得的參量分別進(jìn)行歸一化處理，由此查找出異常數(shù)據(jù)[12]。計(jì)算公式如下：

公式（6）中，xmax、xmin分別表示待處理能耗數(shù)據(jù)最大和最小值。將能耗變化率上限5%作為臨界點(diǎn)，如果能耗預(yù)測量結(jié)果與實(shí)際測量結(jié)果的偏差大于設(shè)定的臨界點(diǎn)，則表明所預(yù)測到的能量消耗數(shù)據(jù)是異常數(shù)據(jù)。

2.2 累計(jì)貢獻(xiàn)率計(jì)算

根據(jù)線性標(biāo)量假定（參照以上的直線模式原則），可以將內(nèi)部環(huán)境貢獻(xiàn)系數(shù)解釋為各個來源（例如：房間內(nèi)的熱能和濕氣來源）對諸如溫度、濕度等的整體環(huán)境參數(shù)的影響因素[13]。利用熱源或濕氣來源的影響因素（建立在降維線性建?；A(chǔ)上的資料庫），再加上源能強(qiáng)度的改變，可以有效實(shí)現(xiàn)“超實(shí)時”地預(yù)測溫度和濕度。在熱、濕兩個方面，其房間環(huán)境貢獻(xiàn)系數(shù)計(jì)算公式為：

公式（7）中，xs表示濕度、溫度源s的能耗值；Δxs,0表示濕度、溫度源s的濕度和熱量發(fā)生變化后擴(kuò)散到室內(nèi)平均能耗[14]。利用室內(nèi)環(huán)境貢獻(xiàn)系數(shù)來快速地實(shí)現(xiàn)對溫度和濕度能耗的快速預(yù)測，剔除其所占比例小的部分，利用PCA 特征值來描述高維數(shù)據(jù)，盡量保留“距離”，減少各種運(yùn)算過程中所需運(yùn)算量，提高了數(shù)據(jù)提取效率。

2.3 基于BP 神經(jīng)網(wǎng)絡(luò)能耗預(yù)測及誤差修正

在能耗數(shù)據(jù)中會出現(xiàn)與空調(diào)系統(tǒng)歷史工作流程不一致的情況，在相同異常點(diǎn)，由于負(fù)載比例作用，使數(shù)據(jù)噪音加劇，增加了能耗預(yù)測難度。因此，利用歷史數(shù)據(jù)變異規(guī)則，對離群值進(jìn)行垂直處理，并對其進(jìn)行校正。假定預(yù)測空調(diào)系統(tǒng)能耗時，在計(jì)算偏差值大于容許能量偏差值情況下，以能量消耗數(shù)據(jù)為“非正常值”，而在偏差值低于容許能量偏差值情況下，針對非正常能量消耗，調(diào)整能量偏差值，以校正偏差值[15]。若能量消耗值為不正常值，則以下列公式代替：

將能耗數(shù)據(jù)作為不良數(shù)據(jù)時，利用（9）式進(jìn)行了消減，其計(jì)算公式為：

通過上述過程處理后，得到了能源消耗的全面、可信數(shù)據(jù)。采用BP 神經(jīng)網(wǎng)絡(luò)對空調(diào)系統(tǒng)能耗進(jìn)行了預(yù)測?；诖耍瑯?gòu)建的能耗預(yù)測目標(biāo)函數(shù)可描述為：

公式（11）中，Z（·）表示非線性函數(shù)；yt表示BP 神經(jīng)網(wǎng)絡(luò)t時刻輸出值；tv表示t時刻輸入值。四層網(wǎng)絡(luò)的結(jié)論與三層網(wǎng)絡(luò)相比更容易陷入局部最小點(diǎn)，同時網(wǎng)絡(luò)中的網(wǎng)絡(luò)數(shù)量越多，網(wǎng)絡(luò)泛化性能越差，網(wǎng)絡(luò)預(yù)測性能也越差，因此只要有足夠多的網(wǎng)絡(luò)節(jié)點(diǎn)，就能在任意地點(diǎn)逼近非線性函數(shù)，逼近公式可表示為：

公式（12）中，Zi′表示經(jīng)過i次逼近的BP 神經(jīng)網(wǎng)絡(luò)。BP 神經(jīng)網(wǎng)絡(luò)從輸入級節(jié)點(diǎn)開始，由輸入級節(jié)點(diǎn)通過各個隱含層節(jié)點(diǎn)，再由各個節(jié)點(diǎn)向外節(jié)點(diǎn)傳遞，每個節(jié)點(diǎn)的輸出量都會受到節(jié)點(diǎn)的影響。在BP 神經(jīng)網(wǎng)絡(luò)中，利用動態(tài)因素降低了神經(jīng)網(wǎng)絡(luò)的振動傾向，提高了BP 的收斂率，從而得到了更優(yōu)的解，避免陷入局部最優(yōu)解。訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)，使得y′（x）逼近yt，完成BP神經(jīng)網(wǎng)絡(luò)的動態(tài)預(yù)測。

3 實(shí)驗(yàn)研究

為了驗(yàn)證基于PCA-BP 神經(jīng)網(wǎng)絡(luò)的智慧建筑暖通空調(diào)能耗預(yù)測方法的合理性，將其與實(shí)際數(shù)據(jù)、Block-Gebhart 模型、OpenFOAM 預(yù)測方法進(jìn)行對比。

3.1 實(shí)驗(yàn)標(biāo)準(zhǔn)

在制冷、制熱能耗預(yù)測實(shí)驗(yàn)過程中，對一年12 個月空調(diào)系統(tǒng)制冷、制熱進(jìn)行計(jì)算，制冷、制熱原理如圖2 所示。

圖2 制冷、制熱原理Fig.2 Principle of refrigeration and heating

分析制冷、制熱能耗與實(shí)際數(shù)值是否一致，制冷、制熱量計(jì)算公式為：

公式（13）、（14）中，C表示空調(diào)制冷或制熱時水的比熱容；ρ表示空調(diào)制冷或制熱時水密度；V表示空調(diào)制冷或制熱水體積流量；TΔ制冷、TΔ制熱分別表示制冷、制熱進(jìn)出水溫度差。

3.2 測試點(diǎn)布置

在智慧建筑暖通空調(diào)能耗預(yù)測過程中，以某寫字樓建筑1 匹空調(diào)為實(shí)驗(yàn)對象，依據(jù)空調(diào)系統(tǒng)實(shí)際運(yùn)行能效，從空調(diào)系統(tǒng)制冷、制熱量方面進(jìn)行能耗分析。在無特殊情況下，設(shè)置的測試點(diǎn)如圖3 所示。

圖3 實(shí)驗(yàn)測試點(diǎn)布置Fig.3 Arrangement of experimental test points

由圖3 可知，在該測試點(diǎn)布置下，獲取的實(shí)際數(shù)據(jù)如表1 所示。

表1 實(shí)際制冷、制熱能耗kW/月Table 1 Actual cooling and heating energy consumption kW/month

預(yù)測空調(diào)系統(tǒng)制冷、制熱能耗，并將其與表1數(shù)據(jù)對比，分析能耗預(yù)測結(jié)果實(shí)際性能。

（1）畜禽存出欄數(shù)量、畜牧業(yè)產(chǎn)量產(chǎn)值穩(wěn)步增長。據(jù)調(diào)查，2017年末，昌寧縣大牲畜存欄20.6萬頭，出欄8.2萬頭；生豬存欄88.6萬頭，出欄121.2萬頭；羊存欄21.2萬只，出欄7.8萬只；禽存欄156.5萬羽，出欄291.8萬只。完成肉類總產(chǎn)11.13萬t，禽蛋產(chǎn)量2 787 t，實(shí)現(xiàn)產(chǎn)值20.7億元，占農(nóng)業(yè)總產(chǎn)值比重的37.65%。

3.3 實(shí)驗(yàn)結(jié)果與分析

分別使用Block-Gebhart 模型、OpenFOAM 預(yù)測方法與基于PCA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測方法對比分析制冷、制熱能耗預(yù)測結(jié)果，如圖4 所示。

圖4 不同方法能耗預(yù)測結(jié)果對比分析Fig.4 Comparative analysis of the energy consumption prediction results of different methods

由圖4（a）可知，制冷時間主要是4 月份到10 月份，能耗波動范圍是500-2550kW/月；制熱時間主要是去年12 月到今年5 月份，9 月份到12月份，能耗波動范圍分別是500-3400kW/月、500-3750kW/月。

由圖4（b）可知，制冷時間主要是4 月份到10 月份，能耗波動范圍是500-3150kW/月；制熱時間主要是去年12 月到今年5 月份，9 月份到12月份，能耗波動范圍分別是500-2500kW/月、500-2550kW/月。

由圖4（c）可知，制冷主要是在6-9 月份，能耗波動范圍為500-3750kW/月。在4-6 月份、9-10月份，能耗波動范圍分別為500-2650kW/月、900-2350kW/月；制熱主要是在去年12 月到今年3月份、10-12 月份，能耗波動范圍分別為650-3000kW/月、650-3450kW/月，其余月份能耗較小。

通過上述分析結(jié)果可知，使用Block-Gebhart模型、OpenFOAM 預(yù)測方法與表1 數(shù)據(jù)不一致，而使用基于PCA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測方法與表1 數(shù)據(jù)一致，說明使用該方法具有精準(zhǔn)預(yù)測結(jié)果。

4 結(jié)束語

針對目前我國智慧建筑暖通空調(diào)能耗占比高但能耗管理不佳的問題，提出了基于PCA-BP 神經(jīng)網(wǎng)絡(luò)的智慧建筑暖通空調(diào)能耗預(yù)測方法，并得出如下結(jié)論：

（1）利用PCA 主成分分析法對通風(fēng)、溫度、濕度等能量進(jìn)行降維處理，將三維特征樣點(diǎn)投影到二維平面上，并對其進(jìn)行特征標(biāo)準(zhǔn)化，得到了原始特征的低維能量消耗數(shù)據(jù)。

（2）對能量數(shù)據(jù)進(jìn)行加權(quán)平均，解決數(shù)據(jù)缺失、冗余等問題。

（3）采用線性標(biāo)量假定，對PCA 的降維矩陣進(jìn)行規(guī)格化，并去除貢獻(xiàn)率低的數(shù)據(jù)。

（4）采用BP 神經(jīng)網(wǎng)絡(luò)非線性并行處理能力，將能量序列中的異常點(diǎn)數(shù)據(jù)進(jìn)行平滑處理。根據(jù)BP 神經(jīng)網(wǎng)絡(luò)的近似特征，構(gòu)造了能耗預(yù)測目標(biāo)函數(shù)，從而提高了網(wǎng)絡(luò)的收斂性。