基于PCA-BP 算法的智慧建筑空调能耗预测

2021-02-04范磊

科技创新与应用 2021年7期

范磊

（上海电力大学电子与信息工程学院，上海 200090）

引言

随着时代的发展和人类需求的改变，建筑逐渐向智能化发展，智慧建筑中的空调能耗预测也成为国内外学者研究的热点。在智慧建筑空调能耗的使用过程中，可以通过人工智能学习采集、分析学习各种外界环境参数和空调运行能耗数据，来预测出下一刻的能耗[1]，优化空调的控制策略，从而达到节能的目的。

本文首先建立了建筑物理模型并对模型进行仿真分析，研究了空调能耗预测的PCA-BP 神经网络融合算法设计，进而预测出智慧建筑的空调能耗值，最后分析和对比 Tree、SVM、Linear Regression、BP、PCA-BP 五种算法，得出PCA-BP 融合算法极大的提高了空调能耗预测的准确度，提高了能源利用率。

1 智慧建筑模型仿真

首先通过 DeST（Designer"s Simulation Toolkit）软件[3-4]采集上海市全年逐时气象参数。DeST 软件主要用于建筑环境的相关研究和建筑环境的模拟预测、性能评估以及建筑设计和HVAC 系统的相关研究和系统的模拟预测、性能优化。本文使用的DeST-h 主要用于住宅建筑热特性的影响因素分析、住宅建筑热特性指标的计算、住宅建筑的全年动态负荷计算、住宅室温计算、末端设备系统经济性分析等领域[2-3]。

DeST 通过全年逐时室外温湿度、太阳直射、太阳散射和房间模型仿真计算出全年逐时室内冷热负荷，其中空调固定设定为冬季21℃和夏季 25℃。智慧绿色建筑空调能耗采集不同时间、室外温湿度、逐时冷热负荷、新风热负荷、房间温度、房间湿度、总辐射、散射辐射、直射辐射11 个因素作为输入层参数，将空调能耗作为输出层。其中1 月份连续4 天空调工作的逐时能耗分布如图1 所示。

图1 连续4 天工作逐时能耗分布图

2 PCA-BP 融合能耗预测算法

PCA（Principal Component Analysis），即主成分分析方法，是一种使用最广泛的数据降维算法。PCA 的主要思想是将n 维特征映射到k 维上，这k 维是全新的正交特征也被称为主成分，是在原有n 维特征的基础上重新构造出来的k 维特征。PCA 的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。

PCA 与BP 神经网络的融合算法，简化了智慧建筑空调能耗管理的原始数据，去除其贡献率低的数据，而且可以利用BP 神经网络的非线性和并行处理的能力，更可以改进BP 神经网络的算法结构提高学习速度，使得融合算法模型有更强的学习能力和更高的稳定性[4-5]。

图2 PCA-BP 算法流程框图

首先，读取智慧建筑的空调能耗管理的数据并通过PCA 对数据进行预处理，再通过计算得到累计贡献率，再从前到后提取低于特征量总数的主成分。通过PCA 获得的主成分数据集带入BP 神经网络的输入层，初始化BP神经网络的权值阈值并确定训练模型的激励函数、学习效率、训练函数等参数的配置，选择其中三分之一的数据作为样本，另外三分之二数据作为测试数据，经过仿真预测输出预测数据并对比预测数据与原始数据评估其预测的准确性[5-7]。融合能耗预测算法流程框图如图2 所示。

3 空调能耗预测的实验分析

PCA-BP 神经网络算法空调能耗逐时预测可以通过均方根误差来反映出预测的精确度，其准确率为0.00056。为了更加直观地观察结果，将单一BP 神经网络算法与PCA-BP 融合算法的空调能耗预测值与真值通过折线图来表现出来，图中实际能耗是最上面的折线，PCA-BP 融合预测的能耗是中间的曲线，PCA-BP 融合预测的能耗误差相对偏低。其中一年中某天逐时仿真值与预测值的点分布如图3 所示。

图3 某天逐时仿真值与预测值的点分布

本文采用 MAE（Mean Absolute Error）、MSE（Mean Square Error）和 RMSE（Root Mean Square Error）3 种评估方法对 Tree、SVM、Linear Regression 和 BP 神经网络算法、PCA-BP 神经网络融合算法五种算法进行预测数据的精度和稳定性评估。MSE 是检测观测值与真值之间的偏差，RMSE 是观测值与真值偏差的平方和与观测次数m 比值的平方根，MAE 是绝对误差的平均值，其中RMSE 一般来说能够很好地反映出测量的精确度[8-9]。

五种算法的MAE、MSE 和RMSE 对比如表1 所示。观察表1，五种算法从左到右在不断变小，误差在不断降低；从第三行MSE 来看，PCA-BP 神经网络算法的MSE值远远小于传统4 种算法，说明PCA-BP 融合算法的精确度最高；第四行可知，PCA-BP 神经网络组合算法的偏差最小，达到0.0056 的准确度。通过不同算法的误差分析得到 PCA-BP 的融合算法比 Tree、SVM、Linear Regression、BP 神经网络四种算法得到预测值比真实值偏差更小，准确度更高。