原创 郝玉珍 高性能建筑

准确预测建筑负荷是实现建筑节能设计与运行的基础，也是设备寻优运行和前馈控制的依据。精准的负荷预测不仅可以帮助建筑管理者制定能源使用计划和定额计划，同时可协助运维人员掌握建筑的各项能源的使用情况，及时发现用能异常和用能浪费行为。高性能智能建筑解决方案——SciAI可为用户提供准确度90%以上的负荷预测功能，通过XGBoost和MLP两种AI算法，结合楼宇用户行为、气象数据和楼宇一个或多个完整运行年的能耗数据，建立能耗预测模型，学习不同工况下的各项能耗值，对楼宇未来小时维度和日维度能耗做出预测。 XGBoost XGBoost (eXtreme Gradient Boosting) 是一种高效的梯度提升决策树算法。它在原有的GBDT (Gradient Boosting Decision Tree) 基础上进行了改进，使得模型效果得到大大提升。作为一种前向加法模型，它的核心是采用集成思想——Boosting思想，将多个弱学习器通过一定的方法整合为一个强学习器。即用多棵树共同决策，并且用每棵树的结果都是目标值与之前所有树的预测结果之差，并将所有的结果累加即得到最终的结果，以此达到整个模型效果的提升。XGBoost是由多颗CART (Classification and Regression Tree)，即分类回归树组成，因此它可以处理分类回归等问题。

图 1 XGBoost模型

XGBoost是一个优化的分布式梯度增强库，旨在实现高效，灵活和便携，力争把速度和效率发挥到极致。XGBoost提供了并行树提升，可以快速准确地解决许多数据科学问题。在数据科学方面，大量的机器学习竞赛中选手选用XGBoost进行数据挖掘比赛，是各大数据科学比赛的必杀武器；在工业界大规模数据方面，XGBoost的分布式版本有广泛的可移植性，支持在Kubernetes、Hadoop、SGE、MPI、Dask等各个分布式环境上运行，使得它可以很好地解决工业界大规模数据的问题。XGBoost利用了核外计算并且能够使数据科学家在一个主机上处理数亿的样本数据。最终将这些技术结合起来，以最少的集群系统来扩展到更大的数据集上。 MLP MLP (Multi-Layer Perceptron) 是指由大量的处理单元（神经元）互相连接而形成的复杂网络结构，是对人脑组织结构和运行机制的某种抽象、简化和模拟。多层感知机（Multi-Layer Perceptron，简称MLP），也叫人工神经网络（Artificial Neural Network，简称ANN），以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。人工神经网络有多层和单层之分，每一层包含若干神经元，各神经元之间用带可变权重的有向弧连接，网络通过对已知信息的反复学习训练，通过逐步调整改变神经元连接权重的方法，达到处理信息、模拟输入输出之间关系的目的。它不需要知道输入输出之间的确切关系，不需大量参数，只需要知道引起输出变化的非恒定因素，即非常量性参数。因此与传统的数据处理方法相比，神经网络技术在处理模糊数据、随机性数据、非线性数据方面具有明显优势，对规模大、结构复杂、信息不明确的系统尤为适用。人工神经网络具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统，可以发展知识，最终超过设计者原有的知识水平。对没有训练过的样本，MLP也有很好的预测能力和控制能力。当存在一些有噪声的样本，MLP网络仍具备很好的预测能力。MLP可以提供很好的非线性映射关系，是一个很好的黑箱模型。在系统很复杂，或者系统未知，系统信息量很少时，建立精确的数学模型很困难时，神经网络的非线性映射能力则表现出优势，因为它不需要对系统进行透彻的了解，但是同时能达到输入与输出的映射关系，可以大大简化数据间关系设计的难度。人工神经网络算法包含输入层、隐含层、输出层，具有完成复杂函数拟合的能力。人工神经网络算法逻辑如下：

图 2 人工神经网络算法

（i=1,2,3,……n）：输入信号（参数），其层级称之为输入层；

（i=1,2,3,……n）：神经元之间的连接权值；

f：激活函数，其所在的层级称之为隐含层。

SciAI平台提供负荷预测全过程数据服务，包括客户需求了解、结合需求选取合适的因变量以表征客户需求、选择和因变量相关的自变量、整合数据对齐时间戳等初步处理以形成原始数据、原始数据数据处理、模型训练、模型上线等一系列全过程数据服务。具体优点：1、准确度高：多种工况对比，结合数据特点，找到准确度最高的模型，准确率可达90%以上。2、功能覆盖范围广泛：可以针对客户重点关心的高耗能类别（如空调能耗）或高能耗设备提供数据服务。

3、时间维度丰富：可细化到小时维度、日维度这样的短期预测，同时支持月维度、年维度等长期预测需求。

图 3 2023年1月某大楼小时维度空调能耗预测结果

4、无须人工干预：每日定时自动完成负荷预测任务，无需人工干预，并发送通知到微信。

图 4 预测任务完成通知页面

5、显示形式丰富：同时在网页首页和能源管理等功能模块区显示，以满足不同需求。

图 5 首页负荷预测功能，支持实时更新当天实测值和两种算法预测值

图 6 能源管理目录下的负荷预测功能，显示更长时间维度的预测结果

6、辅助功能丰富：查询最新数据，判断是否更新到最新时间。未及时更新，发送通知到微信，及时解决问题。

图 7 辅助发现某大楼控制室电脑断电，及时恢复避免了数据丢失

更多AI算法应用将通过高性能智能建筑解决方案专题进行系列分享，下期将为您详解「基于语义分析和专家知识库的故障诊断」，敬请期待！