基于生成对抗网络的深度学习能耗预测算法

邹锋 田大伟 王悦 黄泽天 吴少波

摘要：针对公共建筑能耗预测准确率较低的问题，提出一种基于生成对抗网络的深度学习能耗预测算法。该算法通过收集建筑能耗并以时间序列排序，然后利用深度学习算法，通过前几个时刻的建筑能耗预测未来建筑物能耗。同时，引入生成对抗网络，生成可靠的建筑能耗样本用以训练神经网络，解决真实能耗数据不足的问题。实验结果表明，所提出的算法能耗预测准确率较高。

关键词：深度学习;神经网络;能耗预测;建筑能耗;生成对抗网络

中图分类号：TP183        文献标识码：A        文章编号：1009-3044（2019）02-0198-03

Deep Learning Energy Consumption Prediction Algorithms Based on Generative Adversarial Networks

ZOU Feng1，2，3，TIAN Da-wei1，2，3，WANG Yue 1，2，3，HUANG Ze-tian1，2，3，WU Shao-bo1，2，3

（1.Institute of Electronics and Information Engineering， Suzhou University of Science and Technology， Suzhou 215009， China;2.Jiangsu Province Key Laboratory of Intelligent Building Energy Efficiency， Suzhou University of Science and Technology， Suzhou 215009， China;3.Suzhou Key Laboratory of Mobile Networking and Applied Technologies， Suzhou University of Science and Technology， Suzhou 215009， China）

Abstract：With respect to the problem of low accuracy of energy consumption prediction in public buildings， a deep learning energy consumption prediction algorithm based on generative adversarial networks is proposed. This algorithm collects building energy consumption samples and ranks it in time series. Then， it uses deep learning algorithm to predict future building energy consumption. At the same time， the generative adversarial networks is introduced to generate reliable building energy consumption samples to train the neural network to solve the problem of insufficient real energy consumption data. The results show that the proposed algorithm has high accuracy in energy consumption prediction.

Key words： Deep learning; Neural Network; Energy consumption prediction; Building energy consumption; Generative adversarial networks

1引言

大型公共建筑是指建筑面积在2万平方米以上、用于办公、商业、旅游的公共建筑。目前，我国建筑能耗占社会总能耗的30%，而大型公共建筑能耗又占建筑能耗的20%，同时，随着我国城市的发展，近年来，我国将新增约10亿平方米大型公共建筑，大型公共建筑高耗能的问题日益突显出来。因此对大型公共建筑的能耗进行预测是必要的，它能够为大型公建确保用能定额提供科学依据。

影响建筑能耗的因素多，并且与建筑能耗之间存在非线性的关系。所以，针对大型建筑能耗预测准确率较低的问题，Azadenh等人于2008年提出了基于人工神经网络的能耗预测算法，该算法采用人工神经网络用来预测能耗[1]。露阔等人于2014年提出了基于对规则实时学习组合型BP神经网络的城市建筑能耗预测模型，给训练的历史数据能耗加入了一定的规则，以此提高BP神经网络的训练速度[2]。但是，目前神经网络预测算法的改进大多是从改善神经网络的结构出发，并没有从生成能耗数据方面考虑，而生成对抗网络（Generative Adversarial Networks，GAN）可以用于生成建筑物能耗。

本文针对建筑能耗预测准确率较低问题，提出了一种基于生成对抗网络的深度学习能耗预测算法。该算法收集建筑物能耗样本，然后利用GAN生成新的能耗样本，共同为深度神经网络提供训练样本。该算法通过前几个时刻的建筑能耗預测未来建筑物能耗，实验结果表明，能耗预测准确率较高。

2相关理论

2.1 深度学习

深度学习[3]的概念源自人工神经网络，即含有多个隐藏层的多层感知机。通常来讲，深度学习模型由多层的非线性单元组合而成，其中，较高层的输入为较低层的输出，然后通过非线性化传播下去，通过这种方法可以从大量的训练数据中学习到样本的特征表示，并且发现数据的分布特征[3]。深度学习由于有更多的隐藏层，所以深度学习有更好的特征表达能力，但是由于计算机硬件、训练数据的不足，使其一直无法取得突破性进展。直到2006年，Hinton等人提出了预训练的思想，预先训练神经网络的参数，极大降低神经网络的优化难度[4]。此后几年，各种神经网络模型被提出，主要有堆栈式自动编码器、限制波尔曼兹机、深度信念网络、循环神经网络等。

2.2 生成对抗网络

生成对抗网络[5-6]自2014年提出以来，获得众多学者的广泛关注，GAN模型中的博弈双方分别是生成器模型（G）和判别器模型（D）.生成器模型G捕捉样本数据的分布，结合服从某一分布的噪声z生成类似真实训练数据的样本，目的是学习真实的数据分布。

GAN的模型结构如图1所示：生成器模型G与判别器模型D利用可微分函数来表示，两者的输入分别为随机噪声z和真实数据x。G（z）表示由生成器模型G生成的尽量服从真实数据分布Pdata的样本。判别器模型D的目标是对数据来源进行判别：如果判别器模型D判别输入来自真实数据，则标注为1，如果输入来自生成器模型G，则标注为0。在不断优化的过程中，对于生成器模型G而言，其目标是使所生成伪数据G（z）在判别器模型D上的标注D（G（z））和真实数据x在判别器模型D上的标注D（x）一致。生成器模型G和判别器模型D需要不断地进行优化，分别提高相应的生成能力和判别能力，最终达到纳什均衡。

3基于GAN的深度学习能耗预测算法

3.1 算法原理

深度神经网络为标准的三层结构，主要由输入层、隐藏层和输出层构成，具体每个层数的节点视情况而定。本文将建筑物的能耗作为输入层，输出层为预测的建筑能耗，神经网络算法的过程包括正向传播、误差的反向傳播两个部分。当算法正向传播时，如果实际输出与期望输出相同，则结束算法。若不相同，则反向传播更新神经网络参数。

建筑物能耗是以时间序列来表示的，以小时为单位，则前k个小时能耗表示为[[t1，t2，t3...tk]]，定义神经网络的输入为[x=[t1，t2，t3...tk]]，输出[y]为预测的下一时刻建筑物能耗[tk+1]，[y']为真实的下一时刻建筑物能耗，训练神经网络的具体步骤如下：

（1）初始化神经网络两层权重[w1，w2]

（2）前向传播，计算隐藏层以及输出层的输出分别为[f（w1）= δ（w1*x）， y= δ（w2*f（w1））]

（3）计算神经网络的目标函数[J=1ni=1nyi-y'2]

（4）反向传播，更新参数[w1=w1-?J?w1 ，  w2=w2-?J?w2 ]

（5）计算神经网络的目标函数是否达到精度要求。

同时，将建筑物能耗真实样本集表示为[D=[x，y]]，[x]表示神经网络的输入，即前几个时刻的建筑物能耗，[y]表示神经网络的输出值，即预测的下一时刻能耗。

GAN作为生成模型被看作是一个极小极大化的博弈游戏，目的是提高生成器模型[G]的生成能力，同时提高判别器模型的判别能力，以达到纳什均衡。GAN具体的公式如式（1）所示：

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

与建筑物能耗真实样本集一致，利用GAN生成的建筑物能耗样本可以表示为：

[G=[xz，yz]]

[xz]表示生成的上一时刻建筑物能耗，[yz]表示生成的下一时刻预测建筑物能耗。建筑物能耗真实样本集与生成的建筑物能耗样本集共同用于训练神经网络，加快神经网络收敛速度。

最后，通过正则化方法优化GAN模型，进一步提高样本生成建筑能耗样本的质量。当GAN参数不断变化，[xz]和[yz]也会根据真实能耗样本集不断地更新，[V（D，G）]会趋向于一个全局最小值。

3.2 算法在能耗预测中的应用

本文将该算法用于建筑物能耗预测，输入向量为前序几个时刻的能耗序列，输出值为下一时刻预测能耗，主要步骤如下所示：

3.2.1 对数据进行预处理

历史数据是能耗预测的工作基础，然而在数据的采集过程中常常出现数据缺失或数据异常的情况。数据异常的处理方法是采用同一天的同一时刻的能耗数据，如式（2）所示：

[T（d，t）=a1*T（d1，t）+a2*T（d2，t）]                        （2）

式中：[T（d，t）]为第[d]天的[t]时刻的缺失数据，[T（d1，t）]、[T（d2，t）]分别为该日相邻的相同日期的[t]时刻能耗数据，[a1]、[a2] 为各自对应的数值权重。

3.2.2 预测模型样本建立

由于能耗数据具有时序性，预测模型样本包括以下几个部分：

1） [X={（t1，t2，...ti），（t2，t3，...ti+1），...，（tk，tk+1，...tk+i）}]，称为输入样本集，包含k个前i个时刻的能耗数据。

2） [Y={y1，y2，...，yk}]，称为输出样本集，输出值为每个输出样本经过神经网络的输出值，即下一时刻能耗的真实值，与训练样本集中的每个训练样本一一对应。

3.2.3 预测模型准确率计算

为了检验能耗预测模型的预测性能，本文使用平均绝对百分比误差（MAPE）来衡量预测精度，MAPE是预测值的误差与实际值之间的比例，其计算公式如式3所示：

[MAPE=1ni=1n|yi-y'i|yi×100%]                          （3）

其中，n为建筑能耗样本的数量，[yi]为真实能耗值，[y'i]为预测能耗值。

所以，预测模型的预测准确率为[Y=1-MAPE=1-1ni=1n|yi-y'i|yi×100%]。

4 实验结果分析

为了验证基于生成对抗网络的深度学习能耗预测算法，建筑能耗的实验数据采用美国巴尔的摩天燃气与电力公司记载的建筑能耗数据，源数据的值域空间为[10，50]，因此，在此能耗预测模型中，输入值与输出值的值域设为相同的[10，50] ，学习率设为0.99。

图2为能耗实际值、基于生成对抗网络的深度学习能耗预测算法能耗预测值对比实验。横坐标表示时间，纵坐标表示建筑能耗。在实验过程中，每个算法都被独立执行10次，求出平均值。图1中深度学习算法的能耗預测值与实际值偏差较小，预测结果比较符合真实能耗值，预测准确率为93%，这是因为深度学习算法在训练模型的过程中，通过GAN生成更多可靠的建筑能耗数据提供给深度神经网络模型，深度神经网络模型就能获得更多的能耗样本用来学习，深度神经网络的参数更新速度加快，收敛时间减少，所以预测模型的准确率也就越高。综上所述，深度学习能耗预测算法的能耗预测模型性能较优，准确率较高。

5 结束语

本文主要针对能耗预测模型预测准确率较低问题，提出了一种基于生成对抗网络的深度学习能耗预测算法.该算法收集建筑物能耗加入样本池，然后利用深度学习算法训练神经网络，用以预测建筑物能耗。同时引入生成对抗网络，生成建筑能耗样本解决能耗数据不足的问题。实验结果表明，基于生成对抗网络的深度学习能耗预测算法预测准确率较高。

参考文献：

[1] Lo W， Choy Y， Lai T， et al. Modelin g of electricity consumption in the Asian gaming and tourism center-MacaoSAR ， People' s Republic of China[ J]. Energy ，2008（33）：679.

[2] 路阔，钟伯成. 基于LMBP神经网络的建筑能耗短期预测[J].建筑节能，2014（11）：79-81.

[3] PeCun Y， Bengio Y . Deep learning [J]. Nature，2015，521（7553）：436-444.

[4] Hinton G E， Osindero S. A fast learning algorithm for deep belief nets. Neural Computation，2006，18（7）：1527-1554.

[5] Goodfellow I J， Pouget-Abadie J， Mirza M， et al. Generative adversarial nets[C]//Proc of 28th International Conference on Neural Information Processing Systems， Montreal：MIT Press，2014：2672-2680.

[6] Arjovsky M， Chintala S， Bottou L. Wasserstein generative adversarial networks[C]//Proc of the 34th International Conference on Machine Learning， Sydney： ACM，2017：214-223.