基于机器学习的建筑年耗能预测

摘要：建筑行业是一种高耗能、高污染的行业，为了更好推动建筑行业向着绿色环保性产业迈进，需要做好建筑节能减排工作，通过现代化手段加强生产管理、施工管理、运营管理，以此有效完善建筑能耗预测工作。受到技术和方法的局限性，建筑能耗预测工作成效低下，对此需要科学利用机器学习算法来精准预测建筑能耗领域相关信息数据，以此做好模型创建、模型预测、模型评估工作，最终创建基于机器学习的建筑能耗方法体系。

关键词：机器学习;建筑年耗预测

引言：

近几年，我国碳排放已经达到了峰值，为了更好的推动建筑行业的可持续发展，需要采用科学的手段降低建筑行业碳排放值，以此强化节能效果，当前一些建筑单位已经创建了能耗监测平台来计算、评估建筑能耗数据，以此针对性的制定节能目标、方法。随着社会经济的发展，建筑能耗数据也越来越多，为了确保各项节能、数据分析工作有效进行，需要建筑单位采用多种机器学习算法，以此强化建筑年能耗预测效果。

一、相关概述

（一）机器学习算法概述

机器学习涉及多个领域、专业、学科，其主要通过计算机模拟进行学习的一种活动，机器学习以概率统计为基础，依靠计算机来操作，通过计算机算法程序对各种数据进行识别，以此获得各种知识，并通过自我改进不断完善知识体系。在海量化的数据下，使用机器学习算法可以有效实现预测模拟，对于建筑行业而言，因为自身参数、能耗数据、建筑物运行数据、人员数据、环境数据等的复杂性，为建筑能耗预测带来了困难。对此，建筑单位已经重视采用机器学习算法进行能耗预测分析，以此确保数据准确、无误，且一些学者已经加强了该方面的研究。

（二）建筑能耗概述

我国建筑类型丰富，能耗分布范围广、建筑能耗运行规律鲜明、且各建筑之间能耗具有一定的相关性，考虑到各建筑体运行方式、类型特点的不同，建筑能耗也是不同的，比如，办公建筑、商业建筑、医疗建筑等所处地区气候环境差异大，因为在夏季和冬季会使用空调制冷或者制暖。且在日常运行时也会使用照明系统、动力设备、特殊设备等，最终会消耗大量的电能、水能、光等、太阳能等能源，因为人口密集、活动频繁，长时间高功率运行、启动，因此能耗高，对此需要建筑单位加强重视[1]。

二、基于机器学习的建筑年耗能预测

（一）创建建筑能耗预测模型

采用机器学习算法可以创建物理仿真模型，以此有效预测建筑年能耗值，其具体表现为以下几种：第一，支持向量机回归预测模型。该模型是在支持向量机算法理论的基础上创建的，支持向量机是一种基于统计学的数据分析方法，其可以有效对各种数据进行分类、回归，并通过结构风险预测来解决各种样本、线性、过学习问题，应用较为广泛，可以有效完成各种数据预测工作。向量机可以根据相关数据分析要求，通过选择最优分类面，在确保精度达标的基础上，对数据进行线性分类、分解。支持向量机模型可以对各种历史数据传输至建筑参数中进行回归预测，比如对于酒店建筑，可以发现其在夏季第一周总能耗最高，以此作为预测值编写预测模型代码，以此进行时序预测。该算法先将数据进行标准化处理，后将其具体划分，最终通过训练对数据进行拟合，以此形成模型，直接在模型上预测即可。

第二，长时间短期记忆网络神经预测模型。该模型是在循环神经网络的基础上形成，长时间短期记忆神经网络可以有效解决循环神经中梯度模糊的问题，可以对长时间间隔的数据进行预测，其主要由三个结构组成，这三个结构相互作用，以此形成一个完整的神经元，最终有效分析和处理各种历史数据。在神经网络算法桑创建建筑能耗预测模型，将相关能耗数据以此输入，以此可以得出最终的代码，最终强化模型预测效果，利用该模型可以有效对酒店建筑能耗进行过预测。第三，决策树预测模型，该模型算法是可以有效积极传统决策树算法拟合问题，一般需要在模型内输入建筑室总能耗、室外温度和室内湿度、时间等来计算出总能耗。通过以上三种不同的模型可以有效对后期预测效果进行评估，以此针对性的开展建筑节能治理工作[2]。

（二）能耗预测模型评价方法分析

第一，模型准确性评价。通过评价参数来对比预测数值和实际测量值之间的差异，以此检测模型的预测数据准确性;第二，模型时间成本评价。在创建模型或者进行预测的过程中会耗费大量的时间，对此需要计算时间成本，以此选出时间成本最低的模型，因为个人水平的不一，模型创建时间也不同，在整个模型创建和数据分析过程中，数据处理占据时间量最大，对此需要通过优化输入参数确保模型精简易操作，便于后期有效评价时间成本。这需要人们直接通过程序算法来精准计算从开始到结束的时间，以此对建筑能耗预测模型的操作时间成本进行评价。

（三）模拟效果分析

第一，办公室建筑预测效果分析。以办公室历史能耗数据为依据，对三种不同的建筑能耗预测模型进行测试，以此选择夏季、冬季、春季等三个时间短的某一个月，输入能耗时间和气象数据，以此预测该时间段后的建筑总能耗，最终将三种模型预测结果进行对比。对比发现，办公室建筑能耗昼夜差异大、工作日和非工作日差异大，其中支持向量机回归预测模型、长时间短期记忆网络神经预测模型预测精准性不高，决策树预测模型准确性较高。对此，需要选择决策树预测模型，以此确保预测效果达标。第二，商业建筑预测效果分析。以商业建筑历史能耗数据为前提，对三种建筑预测模型进行测试，结果发现昼夜差异大，在夏季时白天能耗率要高于夜间，其中决策树模型因为参数赋值，对此可以有效预测数商业建筑的昼夜运行能耗，其中支持向量机模型无法预测出其昼夜能耗差异。对此，商业建筑可以选择决策树模型以此有效满足预测经精度要求。第三，酒店建筑预测效果分析。酒店建筑和以上建筑类型基本模拟过程一致，因为酒店建筑能耗数据较为稳定，没有工作日和昼夜差异，对此各种模型预测效果无显著差异，对此需要在考虑时间成本、预测准确度的基础上，选择决策树模型以此有效进行各种能耗数据分析。第四，医疗数据预测效果分析，其预测模型模拟过程也和上述建筑类型相似，其和酒店预测模型最终结果一致[3]。

（四）工作流程

从以上分析可以看出，模型预测结果相似的可以进行复制、循环使用，一般只需要调整输入参数、优化参数就可以对不同建筑进行预测，以此确保预测工作流程更加标准，但是在具体应用该模型的过程中，会因为监测、记录等人为操作会导致数据错误、数据不全的问题。对此，在预测初始阶段，就需要先对历史数据进行整合、分析、处理，以此得到最终的建筑能耗特征，最终通过预测特征获得最终的结果。另外，为了有效满足各建筑单位的要求，需要选择最有用算法模型，并制定合理的工作流程，以此确保预测工作稳定完成：历史数据处理、能耗特征分析、算法模型选择、模型参数优化、预测效果分析、完成预测。

三、结束语

总之，对建筑年能耗预测结果进行分析可以更好的对建筑设备运行进行管理，对设备故障进行诊断，以此优化设备运行，最终确保建筑能耗预测更加高效、精准的完成，研究发现，如果各模型预测结果误差值小于相关标准，则可以有效满足预测精准度需求。对此，各建筑单位需要在精准度要求下选择时间成本低的模型开展预测工作，以此降低建筑预测成本，提高预测效果。

参考文献：

[1]赵绍东.基于机器学习的建筑能耗SVM模型降阶分析与研究[J].天津科技大学学报，2021，36（1）：6.

[2]李继伟，徐丽.基于机器学习的建筑能耗研究进展[J].计算机科学与应用，2020，10（5）：7.

[3]彭云，刘华锟，李相达，等.一种基于机器学习的在港船舶能耗预测方法：，CN111369077A[P].2020.

作者简介：赵学浩（1999-2月-21日），汉族，男，山东省济南市，本科，学生，研究方向：基于机器学习的建筑年耗能预测。