一种基于生成对抗网络的建筑能耗多步预测方法

摘要：准确地预测建筑能耗数据有利于建筑节能措施的实施。为了进一步提高建筑能耗的预测精度，提出一种基于生成对抗网络的建筑能耗多步预测方法。该方法以长短期记忆神经网络为生成器，以卷积神经网络为判别器，以历史能耗数据作为输入，利用生成器和判别器的博弈对抗思想降低预测误差。以美国某大学实验楼的建筑能耗数据为例进行实验，预测未来24小时的能耗数据。实验结果表明，对比其他模型，提出的模型在平均绝对误差等评价指标上表现更好，预测精度更高。

关键词： 建筑能耗预测; 生成对抗网络; 时间序列多步预测; 长短期记忆神经网络; 卷积神经网络

中图分类号：TP389      文献标识码：A

文章编号：1009-3044（2022）23-0092-03

1 概述

中国提出了力争在2060年前实现碳中和的目标，其中建筑部门作为造成碳排放的主要责任领域之一，建筑运行时的节能减排备受关注[1]。与此同时，随着经济社会的发展，人们对建筑环境的要求日益提高，准确地预测建筑能耗将有助于蓄冷策略规划和可再生能源耦合等一系列建筑节能减排措施的实施[2-3]。

建筑能耗预测方法根据时间步长一般可分为单步预测和多步预测方法[4]。单步预测方法仅预测下一时刻的能耗，但在建筑能耗预测任务中，通常需要预测多个时间步长判断未来的能耗变化趋势，因此许多研究者对建筑能耗多步预测方法进行研究。而在建筑能耗多步预测方法中，深度学习模型是研究的主流方向。Rahman等[5]运用循环神经网络（Recurrent Neural Network， RNN）对商业建筑和住宅建筑能耗进行中长期预测，Zhou等[6]将长短期记忆神经网络（Long Short-Term Memory， LSTM）用于办公室照明插座能耗多步预测，Kim等[7]将LSTM和卷积神经网络（Convolutional Neural Networks， CNN）相结合预测住宅能耗数据。

近年来，生成对抗网络[8]（Generative Adversarial Networks， GAN）能够以其独特的对抗思想，利用反向传播直接修正网络输出的分布，进一步捕捉数据间的深层次非线性关系，在金融[9]、农业[10]相关序列预测研究中均显示了其有效性。为进一步提高建筑能耗多步预测的精度，本文提出了一种基于GAN的建筑能耗多步预测方法，将LSTM作为生成器，CNN作为判别器，利用GAN中生成器和判别器的对抗思想进一步捕捉数据间的深层次非线性关系，降低预测误差。本文以美国某大学实验楼的能耗数据进行实验，直接预测未来24小时的能耗数据，结果验证了本文提出方法的有效性。

2 相关工作

2.1 建筑能耗多步预测方法

根据文献[4]总结，建筑能耗预测方法分为单步预测和多步预测方法。多步预测原理如图1所示，通过输入长度为n的历史能耗序列进入模型，预测出未来m个时刻的能耗序列。

2.2 生成对抗网络原理

生成对抗网络是Goodfellow等[8]基于零和博弈思想提出的模型。如图2所示，模型由两个神经网络：生成器网络和判别器网络组成。生成器网络不断学习真实数据的分布，拟合伪造数据去欺骗判别器网络，而判别器网络则尽力去辨别输入的数据是生成器网络拟合的伪造数据还是真实数据，两者的最终目标是达到纳什平衡，让生成器网络学习到真实的数据分布。其损失函数表达式如式（1）所示：

minGmaxDV（D，G）=Ex～Px[logD（x）]+Ez～Pz[log（1-D（G（z）））]  （1）

式（1）中，Px为真实数据分布，Pz为输入的噪声分布，生成器为了学习真实分布Px，通过输入随机分布的噪声z生成伪造数据G（z），生成器的目标是骗过判别器，使得D（G（z））的值越大。而判别器的目标则是正确判别数据的真伪，使得D（x）值越大，D（G（z））值越小。

3 一种基于GAN的建筑能耗多步预测方法

3.1 预测模型设计

本模型结构如图3所示，给定一段真实历史能耗数据[X=x1，x2，…，xt]，t为时间窗口长度，将序列X输入生成器，生成器输出预测序列[Xf={xt+1，xt+2，...，xt+24}]，其对应的真实序列为[Xr={xt+1，xt+2，...，xt+24}]。接着将预测序列Xf和对应的真实序列Xr横向拼接组成序列Xfake和真实序列Xreal输入判别器，判别器区分输入序列的真伪。之所以拼接成序列的形式输入而不是直接将Xf和Xr输入进判别器，是为了使判别器能够捕获相关的时间序列信息。判别器将判别的结果反馈给生成器，生成器再根据判别器的结果调整自己的输出，再次尝试骗过判别器。两者互相对抗，最终生成器准确预测出建筑能耗数据的未来分布。

本文模型生成器结构为LSTM，LSTM在处理时间序列数据时具有长期记忆的能力，具有较好的预测效果。判别器采用CNN卷积神经网络结构，CNN具有良好的提取深层特征的能力，作为判别器能够有效分辨出输入数据的真伪。通过LSTM和CNN在训练之间互相的对抗博弈，模型能够进一步捕捉数据间的深层次非线性关系，得到更精准的预测结果。

3.2 损失函数

由于原始GAN网络的损失函数在训练过程中存在梯度消失或梯度爆炸的问题，Mao[11]提出最小二乘损失（Least Squares GANs， LSGAN），它可以根据样本与决策边界的距离对样本进行惩罚，从而解决原始GAN训练不稳定的问题。本文引入最小二乘损失作为判别器和生成器的损失函数，判别器损失函数定义为：

同时，为了使生成模型的预测结果更接近真实能耗分布，本文在生成器训练过程中加入[xt+1]和[xt+1]的L1范数作为生成器损失函数的一部分，定义为：

3.3 预测流程

建筑能耗预测的整体算法流程图如图4所示。首先将数据集按 7：3的比例划分为训练集和测试集，对训练集数据归一化到[0，1]之间，测试集数据再根据训练集进行归一化，这样做是为了防止归一化过程中数据泄露的问题。接着利用时间窗口划分数据集，为充分利用训练集进行训练，训练集时间窗口步长设置为1，而测试集时间窗口步长设置为24。运用重构的训练集对建筑能耗预测GAN模型进行训练。通过生成器和判别器的对抗博弈，生成器能够预测出未来的建筑能耗。

4 实验与分析

4.1实验设置及数据集

本实验基于Pytorch框架进行，CPU为AMD2700X，GPU为NVIDIA RTX 2080，选用美国某大学实验楼从2014年12月1日到2015年11月29日总共364天的能耗数据，数据间隔为每小时采样一次，总共8736个数据点，将其按照7：3比例划分为训练集和测试集。每日能耗分布箱型图如图5所示，由图5得出每日的能耗高峰分布在日间（8：00-18：00），而夜间非工作时间能耗较低，与现实情况相符合。

4.2评价指标

为客观评价模型的预测效果，本文采用平均绝对误差（Mean Absolute Error， MAE），均方根误差（Root Mean Squared Error， RMSE）和回归决定系数R2作为本文模型的客观评价指标。以上指标的公式定义如下，式中，[xi]为预测值，[xi]为对应的真实值，n为数据集长度，[xi]为真实数据平均值。

4.3超参数选择

4.3.1 LSTM神经元数目

神经元数目是影响模型性能的因素之一，神经元数目过小或过大都会导致模型性能的降低。本文设置神经元数目为{128，256，512，1024}，预测结果如表1所示。由表1可得神经元数目取512时MSE最低，预测误差最小，因此选择LSTM神经元数目为512。

4.3.2 时间步长

如图6所示为随机选取的两周能耗数据，由图6可知，在工作日（周一～周五）的能耗较高，而在非工作日（即周末）的能耗较低，整体能耗以一周为单位呈现周期性波动，因此设置时间步长为一周（即t=7×24=168）。

4.4实验分析

为了客观验证本文模型的准确性，本文选择了LSTM[6]、CNN-LSTM[7]模型进行对比，预测结果如表2所示，从表2中可以看出，基于GAN的预测模型在MAE和RMSE指标上均为最低，说明相比于其他模型，GAN的预测结果与真实能耗值之间的误差最小。而在R2指标上GAN相比于其他方法更接近1，说明GAN的预测能耗值和真实能耗值之间相关性越强。证明了通过生成器和判别器的对抗训练，能够进一步学习到数据间的深层次非线性关系，得到更精确的结果。

LSTM、CNN-LSTM和GAN模型的预测结果（随机选取两周）如图7～图9所示。由图可得，三种模型都能预测出能耗的大致趋势，但由于非工作日（周六日）与工作日（周一～周五）相比能耗变化幅度较大，因此三种模型在非工作日的预测结果都出现一定的误差，其中LSTM误差较大，而CNN-LSTM和GAN的误差较小。从总体上看，GAN模型的预测曲线与实际曲线的重合度最高，这也与表2的结论相符合。

5 结论

本文提出一种基于生成对抗网络的建筑能耗多步预测方法，以LSTM为生成器，以CNN为判别器，以历史能耗数据作为输入，预测建筑未来24小时的能耗值。实验结果证明，通过生成对抗网络的对抗性训练，能够进一步学习数据间的隐层关系，降低预测模型的误差。通过超参数的调整，本文模型在MAE、RMSE、R2指标上达到了最佳，准确预测出未来的建筑能耗，可为建筑的能源规划、能耗管理和节能减排的优化提供一定的指导。后续工作将考虑天气状况及室内人数等条件因素对建筑能耗的影响，构建更精确的建筑能耗预测模型。

参考文献：

[1] 中国建筑节能发展研究报告 2021[R]. 清华大学建筑节能研究中心，2021.

[2] Mohandes S R，Zhang X Q，Mahdiyar A.A comprehensive review on the application of artificial neural networks in building energy analysis[J].Neurocomputing，2019，340：55-75.

[3] Colmenar-Santos A，Terán de Lober L N，Borge-Diez D，et al.Solutions to reduce energy consumption in the management of large buildings[J].Energy and Buildings，2013，56：66-77.

[4] Sun Y，Haghighat F，Fung B C M.A review of the-state-of-the-art in data-driven approaches for building energy prediction[J].Energy and Buildings，2020，221：110022.[5] Rahman A，Srikumar V，Smith A D.Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks[J].Applied Energy，2018，212：372-385.

[6] 周璇，雷尚鹏，闫军威.基于深度学习的办公建筑照明插座能耗多步预测[J].华南理工大学学报（自然科学版），2020，48（10）：19-29.

[7] Kim T Y，Cho S B.Predicting residential energy consumption using CNN-LSTM neural networks[J].Energy，2019，182：72-81.

[8] Goodfellow I，Pouget-Abadie J，Mirza M，et al.Generative adversarial networks[J].Communications of the ACM，2020，63（11）：139-144.

[9] 王静，邹慧敏，曲东东，等.基于经验模态分解生成对抗网络的金融时间序列预测[J].计算机应用与软件，2020，37（5）：293-297.

[10] 蒋华伟，张磊.基于长短期记忆生成对抗网络的小麦品质多指标预测模型[J].电子与信息学报，2020，42（12）：2865-2872.

[11] Mao X D，Li Q，Xie H R，et al.Least squares generative adversarial networks[C]//2017 IEEE International Conference on Computer Vision.Venice，Italy.IEEE，2017：2813-2821.

【通联编辑：唐一东】

收稿日期：2022-05-15

基金项目：广东省“珠江人才计划”引进领军人才项目（2016LJ06D557）

作者简介：张卓渊（1997—）， 男，广东广州人，硕士，主要研究方向为智慧建筑。