基于門控循環(huán)單元的家庭熱水用量預測模型研究

孫穎楷 陳慶明 鐘益明

（1.廣東萬和新電氣股份有限公司 佛山 528000；2.中山火炬職業(yè)技術學院 中山 528400）

前言

隨著人們生活水平的提高，居住面積的增大，對家用熱水裝置以及熱水系統(tǒng)的舒適性要求也越來越高，如何確保家庭熱水使用及時性和舒適性的同時，制定有效的能源管理策略，降低家庭生活熱水、采暖熱水等方面的能源消耗，對家庭熱水量進行預測研究就具有了一定的實用價值。

研究者一直致力于尋找能夠減少能源浪費的策略，主要應用的方法包括基于統(tǒng)計學的方法和基于機器學習的方法，通過對家庭熱水等使用數(shù)據(jù)的分析，可以得到使用時的規(guī)律、周期、趨勢等信息，同時，還可以通過聚類、關聯(lián)規(guī)則挖掘等技術，發(fā)現(xiàn)使用時的行為模式和相應的影響因素等，從而為制定組合能源管理策略提供參考。基于統(tǒng)計學的方法中，ARIMA 模型和季節(jié)性分解法是比較常用的兩種方法，王平等使用ARIMA 模型來對能源生產(chǎn)和使用進行預測[1]，海文龍等則提出了一種基于ARIMA 與卷積長短時神經(jīng)網(wǎng)絡聯(lián)合使用的燃氣負荷預測模型[2]。

由于家庭用能使用習慣通常具有周期性和季節(jié)性的特征，相比傳統(tǒng)方法，機器學習方法具有端到端學習能力，可以處理非線性關系，以及處理包括多個傳感器、多個變量在內(nèi)的多維數(shù)據(jù)，能更好地挖掘其中的信息。在基于機器學習的方法中，主要包括神經(jīng)網(wǎng)絡、支持向量回歸、隨機森林等算法。支持向量回歸（SVR）模型可以用于建模用能數(shù)據(jù)的非線性關系[3]；隨機森林（RF）模型可以通過對歷史數(shù)據(jù)進行特征選擇和集成學習來提高預測準確性。

近年來，循環(huán)神經(jīng)網(wǎng)絡（RNNs）在家庭用能方面的研究逐漸增多[4,5]，它的主要思想是在網(wǎng)絡的內(nèi)部維護一種稱為“狀態(tài)”的信息，使網(wǎng)絡能夠記憶過去的輸入，進而影響后續(xù)的輸出。由此，RNN 可以在處理用能等時間序列數(shù)據(jù)時保留更多的歷史信息，從而在此類預測任務中具有一定的優(yōu)勢。其中，最常見的RNN 是長短時記憶網(wǎng)絡（Long Short-Term Memory，LSTM）[6]。這種網(wǎng)絡結(jié)構(gòu)通過引入門控機制，可以有效地控制歷史信息的保留和遺忘，那幸儀等基于小波和LSTM 開展城市天然氣負荷方面的研究，結(jié)果表明該模型有較高的準確性[7]。

相比于LSTM 模型，門控循環(huán)單元（Gated Recurrent Unit ,GRU）模型是一種更簡單的RNN 模型[8]，只包含重置門和更新門兩個門。GRU 模型在保持長期依賴能力的同時，減少了模型參數(shù)，提高了模型的訓練速度。因此，本文引入GRU 模型來開展研究，提高家庭熱水量預測方面的準確性，希望提升能源利用效率同時，能夠為家庭用戶提供更加智能和舒適的生活熱水使用方式。

1 家庭熱水用量分析

家庭熱水用量有一定的短、中、長期規(guī)律性。一般來說，熱水使用在一天之中會呈現(xiàn)出早晚高峰的態(tài)勢。例如，早晨人們起床洗漱和晚上洗澡時段的熱水需求較高。熱水用量在四季之間等長期趨勢上也會呈現(xiàn)明顯的差異，如冬季氣溫較低時，熱水使用量會增加等。雖然家庭熱水用量也會具有波動，如家庭成員可能會因為度假、出差或參加聚會等情況可能導致熱水用量的增加或減少，這給預測帶來了相應的難度?？紤]到家庭成員的生活有一定的習慣性，因此本文以家庭成員的熱水用量，并將環(huán)境溫度也作為影響熱水用量預測的主要參數(shù)，在此基礎上建立用水趨勢的預測模型。

熱水用量的大小，與用戶使用的時長，冷水端溫度，出水溫度等有關，本質(zhì)上是熱量消耗問題，因此就可以將家庭熱水用量轉(zhuǎn)化為熱量值來進行表征[9]。一般家庭用熱水量主要會集中在某幾個時間段，其余時間零星用水，本文以儲水式熱水器為研究對象，綜合考慮熱水器加熱功率，選取2 h 為時間間隔進行數(shù)據(jù)聚合，在保持數(shù)據(jù)的整體結(jié)構(gòu)同時，降低計算量，以此建立起時序預測模型。

2 門控循環(huán)單元

門控循環(huán)單元GRU 是一種改進的RNN 結(jié)構(gòu)，其在處理序列數(shù)據(jù)時，可以將前面的輸入與當前的輸入進行聯(lián)合處理，并將上一個時間步的輸出作為下一個時間步的輸入。通過引入門內(nèi)部機制來調(diào)節(jié)信息流，從而使模型能更加穩(wěn)定且能捕捉長期依賴，提高模型的學習效果。

2.1 GRU 模型結(jié)構(gòu)

GRU 主要包括兩個門控單元，更新門（Update Gate）和重置門（Reset Gate）。相較于LSTM，GRU 的張量操作較少，因此，訓練速度要比LSTM 快一些。

2.2 更新門（Update Gate）

更新門負責控制隱藏狀態(tài)的更新程度，通過更新門，GRU 可以學習在不同時間步?jīng)Q定保留或丟棄哪些信息。更新門的計算公式如下：

式中：

zt—更新門的激活值；

σ—Sigmoid 激活函數(shù)，取值范圍為 [0, 1]；

Wz、Uz—權(quán)值矩陣；

xt—輸入序列的當前時間步的輸入；

ht-1—上一個時間步的隱藏狀態(tài)。

當zt接近0 時，表示保留過去的隱藏狀態(tài)；當zt接近1 時，表示更新當前的隱藏狀態(tài)。

2.3 重置門（Reset Gate）

重置門負責控制過去隱藏狀態(tài)對當前隱藏狀態(tài)的影響。通過重置門，GRU 可以在更新隱藏狀態(tài)時，選擇性地保留或丟棄之前的信息。重置門的計算公式如下：

式中：

rt—重置門的激活值；

σ—Sigmoid 激活函數(shù)，取值范圍為 [0, 1]；

Wr、Ur—權(quán)值矩陣；

xt—輸入序列的當前時間步的輸入；

ht-1—上一個時間步的隱藏狀態(tài)。

當rt接近0 時，表示忽略過去的隱藏狀態(tài)；當rt接近1 時，表示保留過去的隱藏狀態(tài)。

2.4 候選隱藏狀態(tài)（Candidate Hidden State）

式中：

tanh—激活函數(shù)，取值范圍為[-1, 1]；

xt—當前輸入；

rt—重置門激活值，用來控制需要保留多少之前的記憶，如果 為0，那么只包含當前的信息；

ht-1—上一個時間步的隱藏狀態(tài)。

2.5 隱藏狀態(tài)更新（Hidden State Update）

最后，GRU 通過結(jié)合更新門激活值、過去隱藏狀態(tài)和候選隱藏狀態(tài)，計算得到當前時間步輸出的隱藏層信息 。計算公式如下：

式中：

ht—當前時間步的隱藏狀態(tài)；

zt—門控制量；

ht-1—上一個時間步的隱藏狀態(tài)；

通過這種方式，GRU 可以根據(jù)序列中的不同信息，靈活地保留或丟棄過去的隱藏狀態(tài)，從而在時間序列預測任務中取得更好的效果。

3 基于GRU 的家庭熱水用量預測模型

3.1 GRU 模型建立

模型的建立，首先需對獲得的熱水用量數(shù)據(jù)進行預處理，為了消除指標的量綱影響，需對數(shù)據(jù)在歸一化/標準化處理的基礎上搭建模型，將預測問題轉(zhuǎn)化為監(jiān)督學習問題，將數(shù)據(jù)集輸入模型進行訓練；最后對模型進行評估，并在評估基礎上對模型參數(shù)進行調(diào)優(yōu)，綜合考慮后固化形成最終預測模型。流程如圖2 所示。

圖1 門控循環(huán)網(wǎng)絡模型及單元結(jié)構(gòu)

圖2 GRU 預測模型流程

1）數(shù)據(jù)預處理

首先，需要收集家庭用能數(shù)據(jù)，為了提高模型的預測能力，需對數(shù)據(jù)進行清洗和異常值處理等操作，并對數(shù)據(jù)集的結(jié)構(gòu)和相關性進行分析，在觀察數(shù)據(jù)的相關性及平穩(wěn)性的基礎上，選擇采樣頻率。然后，可以進行數(shù)據(jù)歸一化處理，以便于模型訓練。

2）模型輸入

將預處理后的數(shù)據(jù)劃分為訓練集和測試集。訓練集用于訓練GRU 模型，測試集用于評估模型的預測結(jié)果。對于預測模型，需要將數(shù)據(jù)轉(zhuǎn)換為適合模型輸入的格式，即將時間序列數(shù)據(jù)轉(zhuǎn)化為樣本序列和目標序列?？梢酝ㄟ^設置滑動窗口，將時間序列數(shù)據(jù)分割成多個樣本和目標序列。

3）模型建立

為了訓練數(shù)據(jù)，首先需定義GRU 模型。

輸入層：用于接收時間序列數(shù)據(jù)，通常包括若干時間步的變量值，本文中將前24 h 的用能數(shù)據(jù)作為輸入層樣本，加上環(huán)境溫度，共計13 個輸入量；

GRU 層：用于提取時間序列數(shù)據(jù)的特征，GRU 層中的門控單元可以有效地處理用能數(shù)據(jù)的依賴關系，可以通過增加層數(shù)和神經(jīng)元數(shù)來增加模型的復雜度和預測能力；

輸出層：用于輸出模型的預測結(jié)果，本文為預測下一個時間節(jié)點的熱水用量。

4）模型訓練

在模型建立后，用訓練集數(shù)據(jù)對模型進行訓練，在訓練過程中，需對模型參數(shù)進行調(diào)整，包括訓練步長、損失函數(shù)等，通過最小化損失函數(shù)來優(yōu)化模型的權(quán)重參數(shù)?？梢酝ㄟ^監(jiān)控模型在訓練集和測試集上的損失函數(shù)值和預測準確度來評估模型的訓練效果，同時可以通過調(diào)整模型參數(shù)和超參數(shù)來進一步提高模型的預測能力，直到訓練數(shù)據(jù)與模型預測數(shù)據(jù)誤差滿足預設要求。

5）數(shù)據(jù)輸出

使用訓練好的GRU 模型對測試集進行預測，并將預測結(jié)果與實際用能數(shù)據(jù)進行比較，以評估模型的預測能力?？梢允褂贸Ｒ姷恼`差指標，本文采用均方根誤差（RMSE）、平均絕對誤差（MAE）和相關系數(shù)R 來評估模型的預測性能。如果預測誤差較小，則表明模型能夠有效地預測熱水用量等家庭用能數(shù)據(jù)。

在完成模型的訓練和調(diào)優(yōu)后，可以將其進行壓縮或裁剪后部署到生產(chǎn)環(huán)境中進行使用。

3.2 預測結(jié)果及分析

為驗證GRU 模型的準確性，以額定功率3 300 W 的萬和某型號智能儲水式電熱水器的連續(xù)183 天的熱水用水研究數(shù)據(jù)，聚合為每天12 個時間序列點，共計2 196個時間序列點作為研究樣本，將前面169 天的熱水量數(shù)據(jù)劃分為訓練集，后面14 天數(shù)據(jù)作為測試集，預測最新2 周（168 個時序點）的熱水用量。

GRU 網(wǎng)絡訓練中，每個時序點的預測都是通過前12個時間序列點和溫度數(shù)值預測出后1 個時間序列點的熱水量值，即GRU 模型的輸入長度為13、輸出長度為1，設置網(wǎng)絡迭代2 000 次，隱含層為1 層，其中神經(jīng)元數(shù)量為100。

作為GRU 效果對比，LSTM 網(wǎng)絡訓練與GRU 網(wǎng)絡訓練的參數(shù)設置完全一樣；而BP 神經(jīng)網(wǎng)絡構(gòu)建中，兼顧訓練時間和效果，設置隱含層1 層、神經(jīng)元數(shù)為80，最大迭代次數(shù)為2 000。經(jīng)過測試，將GRU 模型預測結(jié)果與BP、LSTM 算法模型的預測結(jié)果進行對比，如圖3 所示。

圖3 不同算法預測熱水量比對

為進一步比較算法的優(yōu)劣，將3 種預測模型（BP、LSTM、GRU）預測的RMSE、MAE、R 值、訓練耗時對比如表1 所示。

表1 不同算法預測性能結(jié)果

從圖3 中和表1 中可以看出，三種算法BP、LSTM、GRU 都能較好預測儲水式電熱水器用戶的熱水用量，在性能方面，基于GRU 模型預測結(jié)果的均方根誤差RMSE和平均絕對誤差MAE 更小，相關系數(shù)R 則更高，所需訓練時間對比起來也更短。結(jié)果表明，GRU 預測模型能更好地滿足熱水供應等用能方面的預測需求。

4 結(jié)語

需要指出的是，由于家庭能源使用習慣的復雜性，當前的研究還面臨著一些挑戰(zhàn)?；跈C器學習的預測模型需要充分考慮家庭能源使用的復雜性和不確定性，在多模態(tài)數(shù)據(jù)融合方面，家庭用能數(shù)據(jù)不僅包括電能、燃氣能等能源的使用數(shù)據(jù)，還包括溫度、濕度、氣壓等環(huán)境參數(shù)數(shù)據(jù)，這些數(shù)據(jù)的融合可以更好地提高預測的準確性，因此，需要在未來的研究中進一步探索和完善相應的技術和方法，以及如何對模型進行評估、優(yōu)化及裁剪等。另外，也可以通過對時間序列進行多因素分解處理，并將預處理后的數(shù)據(jù)輸入到深度學習模型中進行進一步的學習和預測，更好地捕捉序列的特征來提高預測性能。