面向办公建筑的短期负荷预测：一种结合了使用者行为模型的深度学习方法

《ENERGY CONVERSION AND MANAGEMENT》：Towards short-term load forecasting for office buildings: A deep learning approach combined with occupant behavior model

建筑短期负荷预测中融合人行为模型与时空注意力机制的LSTM混合框架研究，提出基于Markov运动模型和Weibull行动模型的详细人行为模型，结合时空注意力机制优化LSTM架构，在九个办公室房间和整体建筑层面验证，MAE和RMSE分别降低13.25%和5.52%（房间级），56.39%和46.79%（建筑级）。

　　

郑瑞帆|杨东方|顾磊|沈仁东|安青松|赵军|吴嘉辉

天津大学机械工程学院，中国天津300350

摘要

准确的短期负荷预测（STLF）对于建筑能源系统的有效运行至关重要，但由于居住者行为（OB）的随机性，这一任务仍然具有挑战性。本研究提出了一个详细的OB模型，该模型将基于马尔可夫的运动模型和基于韦伯尔的动作模型得出的每小时占用率和空调调度纳入预测模型中，丰富了输入空间，同时准确捕捉了人类行为和运动的随机性。为了进一步提高特征学习能力，将时间注意力机制（TAM）嵌入到优化的长短期记忆（LSTM）架构中，形成了一个名为OB-TAM-LSTM的混合预测框架。对九个办公室房间和整个建筑进行的案例研究表明，所提出的模型始终优于十个基准预测模型。与标准基线相比，在房间层面，平均绝对误差（MAE）和均方根误差（RMSE）分别降低了13.25%和5.52%；在整个建筑层面，分别降低了56.39%和46.79%。这些结果突显了结合OB和TAM在提高STLF准确性以及实现智能建筑控制和能源管理方面的有效性。

引言

目前，建筑行业占全球能源消耗的约33%和温室气体排放的37%[1]，[2]。这些数字的持续上升趋势迫切需要人们关注节能和减排[3]。准确的建筑负荷预测对于减少能源消耗和二氧化碳排放至关重要，因为它支持合理的能源调度和建筑能源系统（BES）的优化运行[4]，[5]。

负荷预测方法通常可以分为传统的模型驱动方法和数据驱动方法[6]。模型驱动方法依赖于先验知识和物理原理，利用天气条件、建筑特性以及供暖、通风和空调（HVAC）系统配置等详细信息来估计建筑负荷[7]，[8]。然而，这些方法需要高质量的数据，并且容易受到参数不确定性造成的重大误差的影响。

数据驱动方法主要包括统计方法和人工智能（AI）方法。统计方法利用历史能源消耗、日历信息和天气数据，通过回归分析建立影响因素与实际负荷之间的相关性，从而生成预测方程[9]。然而，它们的性能在很大程度上取决于数据的完整性和准确性，并且在处理复杂的非线性关系时能力有限[10]。在基于AI的方法中，传统的人工神经网络（ANN）和支持向量机等机器学习算法已被广泛用于短期负荷预测（STLF）[11]。随着大数据的普及，深度学习（DL）因其在提取非线性关系和处理大规模数据集方面的优越能力而受到越来越多的关注[12]。

由于DL方法在数据驱动预测中表现出强大的优势，许多研究探索了它们在短期负荷预测中的潜力。经典的基于神经网络的模型，如反向传播（BP）、循环神经网络（RNN）和卷积神经网络（CNN），已被广泛应用于STLF。Pan等人[13]使用BP算法开发了一个用于预测中央空调冷却负荷的模型。Alanazi等人[14]创新地将分层回声状态与CNN结合，以捕捉负荷预测数据中的时间和空间依赖性。Zhang等人[15]提出了一种基于长短期记忆（LSTM）的数据驱动方法，以优化基于物理原理的建筑负荷预测算法。Nguyen等人[16]提出了一种优化的K均值径向基函数神经网络，能够准确预测10分钟、20分钟和30分钟的负荷，同时提高了收敛速度和稳定性。在此基础上，后来开发了一种改进的LSTM模型，用于每小时负荷预测，并被证明对智能太阳能微电网能源管理有效[17]。

以往的研究通过各种DL技术为STLF提供了宝贵的见解。然而，每种方法都有其固有的局限性。BP算法简单灵活，但容易陷入局部最优解，限制了其泛化能力。CNN能够学习空间特征，但在学习序列相关性时可能会遇到困难。RNN专用于序列建模，但在长数据序列中经常遇到梯度消失或爆炸的问题。LSTM克服了与梯度相关的问题，在序列建模中表现出强大的性能，但在完全捕捉复杂的时间依赖性方面仍面临挑战[18]。

注意力机制（AM）以其大规模并行处理、自组织和自学习能力而闻名[19]，为强调序列数据中的关键特征提供了一种有效手段。因此，研究人员越来越多地将AM与DL模型集成，以利用其特征选择优势。Li等人[20]开发了一种基于RNN的模型，并增强了AM，用于24小时提前的建筑冷却负荷预测，与没有AM的模型相比，实现了更高的预测准确性和更好的模型可解释性。Ding等人[21]提出了一种多分支的You Only Look Once Version模型，结合AM用于遥感图像中的城市建筑检测，性能提高了12%。然而，基本的AM通常在所有输入位置分配权重，而不明确编码时间顺序，这可能限制了它们捕捉动态序列模式的能力。为了解决这个问题，Shih等人[22]提出了一种时间注意力机制（TAM），增强了连续时间序列预测中的长期依赖性建模。Zong等人[23]将TAM应用于短期交通流量预测，证明TAM能够有效捕捉动态时间依赖性，从而提高了预测准确性。Wu等人[24]将TAM应用于动作识别，与现有算法相比，实现了更好的性能和准确性，同时保持了轻量级。因此，本研究尝试将LSTM与TAM集成用于STLF，以减轻无关因素的影响。

尽管算法不断进步，但由于季节变化、天气条件和居住者行为（OB）等多种因素的影响，实现准确的STLF仍然具有挑战性[25]。其中，OB是一个特别关键的因素[26]。室内活动释放显热和潜热，这些热量改变了环境条件，从而影响电气设备的运行。此外，打开和关闭窗户或门、调整窗帘以及插拔电器等随机行为引入了额外的负荷波动[27]。鉴于个人几乎90%的时间都在室内度过[28]，OB对负荷曲线的影响是相当大的。因此，有效地建模和结合这些行为特征对于提高STLF的准确性是必要的。

历史上，OB的随机性导致许多研究人员忽视或简化了其建模[30]。然而，近年来，人们越来越认识到其影响，越来越多的学者将其纳入他们的分析中。Li等人[31]提出了一种新颖的非均匀马尔可夫模型，用于预测住宅建筑的占用情况，根据占用情况的变化预测建筑的未来能源消耗。Zhao等人[32]考虑了寒冷地区大学教学建筑的居住者数量对负荷预测的影响。Hu等人[33]使用二进制变量（0或1）表示房间占用状态，从而在热负荷预测中表示居住者的存在与否。表1总结了其他相关研究。当前关于OB的研究主要集中在占用状态或居住者数量上，对个体行为的随机性和动态方面（如电器使用和移动模式）的关注不足。这一限制降低了现有OB模型有效提高负荷预测准确性的能力。因此，开发更全面的OB模型以更好地捕捉它们对STLF的影响是必要的。传统负荷预测方法与基于OB模型的新方法之间的区别如图1所示。

总之，本研究旨在解决STLF中的常见挑战，特别是由于忽略或简化人类行为信息而导致的不准确性。一方面，基于DeST开发了一个更详细的OB模型，以准确反映OB的随机特性，考虑了不同人群、时间段和环境条件下的变化。另一方面，将该OB模型与DL集成，开发了一种名为OB-TAM-LSTM的预测方法，在该方法中，OB特征捕捉了人类行为对能源使用的随机影响，LSTM提取了序列数据中的长期依赖性，TAM强调了输入特征的时间重要性。这些组件共同提高了准确性和可解释性。通过对9个不同房间和整个建筑的比较验证表明，OB-TAM-LSTM实现了更高的准确性，有效地结合了OB、TAM和LSTM的互补优势，同时克服了以往研究中的局限性。通过相关性分析和可解释性分析验证了OB特征在预测中的重要性，这提供了现有研究中基本缺失的统计可解释性。主要贡献如下：

(1)

模型设计：开发了一个全面的OB模型，其中包含了房间级别的居住者数量、移动模式和能源使用习惯。该模型比现有的简化方法更全面地捕捉了人类行为的随机性。

(2)

特征开发：优化了模型的输入参数。除了传统的预测参数外，还纳入了特定的每小时占用率和空调调度作为输入参数。这些与行为相关的输入显著增强了人类驱动负荷变化的表示。

(3)

算法改进：基于OB模型和时间注意力机制，提出了一种混合负荷预测模型OB-TAM-LSTM。在房间级别和整个建筑层面上进行的广泛跨场景验证证实了所提出方法的方法论和实际优势。

第2节详细说明了方法论和计算模型，第3节介绍了建筑模型的案例研究。第4节详细介绍了结果并提供了分析。第5节总结了结论性意见。

部分摘录

传统方法

传统负荷预测模型的输入参数包括室外温度、湿度、太阳辐射强度、历史负荷和OB的简化表示。具体来说，历史负荷指的是当前时间前一小时和两小时的负荷。在传统方法中，使用固定的开/关状态指示符表示居住者调度，其中“1”表示在岗状态，“0”表示离岗状态。

案例研究

在本研究中，采用了所提出的方法来实现STLF，如图6所示。首先，基于DeST构建了天津一座办公楼的仿真模型。其次，使用传统方法和本文提出的OB方法模拟了室内热环境变化，从中获得了负荷预测模型所需的运行数据。第三，采用数据驱动的建模框架来确定表现最佳的模型

结果与讨论

本节详细描述了实验研究，包括OB模型的性能评估、TAM的引入、模型可解释性的分析以及所提出模型的其他相关方面的讨论。

结论

准确的建筑负荷预测对于优化建筑能源系统的运行至关重要。然而，传统方法往往简化了人类行为建模，并且在捕捉时间信息方面的能力有限，导致预测准确性降低。为了解决上述挑战，本文提出了一种OB-TAM-LSTM框架，该框架将精细化的居住者行为模型与增强时间注意力的LSTM架构相结合。该架构设计

CRediT作者贡献声明

郑瑞帆：撰写——原始草稿，调查，正式分析。杨东方：撰写——原始草稿，数据整理。顾磊：监督。沈仁东：概念化。安青松：撰写——审阅与编辑。赵军：验证。吴嘉辉：监督。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本研究得到了ZJWEU的Nanxun青年学者计划（RC2024021452）的支持。