关键词：
建筑能耗预测
深度学习
建筑分类
特征融合
注意力机制
摘要：
近年来,随着经济的发展和居民生活水平的提升,建筑能耗不断增加,其在全球总能耗中的占比已超过30%。准确的建筑能耗预测,有利于更加合理的能源规划,对于加强能源监测系统建设,推进建筑领域的节能减排工作,如期实现国家的碳达峰、碳中和目标,具有重大意义。建筑能耗是一种典型的时间序列数据,其内部存在复杂的非线性时间依赖关系和周期性,同时,独特的应用场景决定了建筑能耗与居住者的行为密切相关,间接表现为温度、降水等气象因素和节假日、工作时间等时间因素对能耗的影响。目前流行的研究大多局限于线性回归、神经网络等经典时间序列数据建模方法的迁移和组合应用上,如何充分提取序列数据中的时间依赖特征,以及如何挖掘各种影响因素与能耗之间的潜在关联特征,从而构建适应能耗序列变化随机性和不确定性的模型,进一步提高预测精度,是建筑能耗预测领域具有挑战性且意义重大的问题。本文基于深度学习算法进行研究,主要工作及成果如下:(1)针对大学校园、住宅区等包含不同建筑的建筑集群,提出了能耗的联合预测框架,旨在通过建筑分类,将建模单位从个体转化为由相似建筑组成的聚合体,构建具有高泛化能力的统一模型。该框架主要由能耗画像和联合建模两个部分组成:首先,基于能耗相关的统计量分析不同建筑的用能规律,并采用K-means聚类算法生成不同的画像,分别代表不同运行方式的建筑类别;然后,设计联合建模方法,通过循环全局监督和局部优化的训练过程,为每个画像分别建立主模型。基于校园14栋建筑的真实电力消耗数据进行实验,结果表明,与为每栋建筑独立建模相比,所提出的框架可以有效减少最终模型的数量,在节省存储空间的同时并不会牺牲预测的性能,对预测算法在社区能源管理系统中的应用部署具有指导意义。(2)针对建筑能耗与时间、气象等影响因素潜在关联的特性,提出了基于深度异构信息融合的建筑能耗预测模型,旨在挖掘多种输入数据之间的交互关系,避免特征差异导致的信息丢失问题。首先,将输入分为主要特征和辅助特征,前者即历史能耗序列,后者包含历史气象因素、历史时间因素和未来时间因素,对它们分别进行特征嵌入;然后,利用融合网络分步汇聚提取的高级特征,并送入全连接层进行计算,生成最终的预测结果。特别的,对于主要特征的嵌入,设计了一种序列变换方法,结合自适应周期将其转化为二维的图像数据,联合多尺度卷积操作和循环神经网络变体进行映射,从而充分捕获其中的空间信息和时序信息。在国外公开数据集上的实验表明,相比传统的数据驱动方法,提出的模型具有更高的预测精度。(3)针对建筑能耗易受居住者行为干涉产生趋向性持续变化的特性,提出了基于时间感知和状态约束的建筑能耗预测模型,旨在探索输入序列内部复杂的时序关系,提升整体的预测性能。首先,设计时间感知注意力模块以提取能耗特征,从全局视角捕获历史能耗序列中成对时间点之间的关联依赖;然后,考虑到时间因素和气象因素中通常包含大量的无关信息,提出一种能耗状态的理念,根据动态阈值生成可以表征序列三种变化趋势(上升、下降和平稳)的伪标签,基于伪标签构建并预训练自适应状态特征提取模块,以将各种影响因素映射为状态特征,降低其中无用信息带来的负面干扰;最后,利用编码器解码器模块融合获得的能耗特征和状态特征,进一步强化其中的时序信息,并输出预测结果。采用两个具有明显能耗分布差异的建筑数据集进行实验,结果表明,提出的模型在建筑能耗预测任务中的性能明显优于其它流行的机器学习和深度学习模型。
欢迎来到三峡大学图书馆！
