原創(chuàng) 郝玉珍 高性能建筑

準(zhǔn)確預(yù)測(cè)建筑負(fù)荷是實(shí)現(xiàn)建筑節(jié)能設(shè)計(jì)與運(yùn)行的基礎(chǔ)，也是設(shè)備尋優(yōu)運(yùn)行和前饋控制的依據(jù)。精準(zhǔn)的負(fù)荷預(yù)測(cè)不僅可以幫助建筑管理者制定能源使用計(jì)劃和定額計(jì)劃，同時(shí)可協(xié)助運(yùn)維人員掌握建筑的各項(xiàng)能源的使用情況，及時(shí)發(fā)現(xiàn)用能異常和用能浪費(fèi)行為。高性能智能建筑解決方案——SciAI可為用戶提供準(zhǔn)確度90%以上的負(fù)荷預(yù)測(cè)功能，通過XGBoost和MLP兩種AI算法，結(jié)合樓宇用戶行為、氣象數(shù)據(jù)和樓宇一個(gè)或多個(gè)完整運(yùn)行年的能耗數(shù)據(jù)，建立能耗預(yù)測(cè)模型，學(xué)習(xí)不同工況下的各項(xiàng)能耗值，對(duì)樓宇未來小時(shí)維度和日維度能耗做出預(yù)測(cè)。??XGBoost??XGBoost (eXtreme Gradient Boosting) 是一種高效的梯度提升決策樹算法。它在原有的GBDT (Gradient Boosting Decision Tree) 基礎(chǔ)上進(jìn)行了改進(jìn)，使得模型效果得到大大提升。作為一種前向加法模型，它的核心是采用集成思想——Boosting思想，將多個(gè)弱學(xué)習(xí)器通過一定的方法整合為一個(gè)強(qiáng)學(xué)習(xí)器。即用多棵樹共同決策，并且用每棵樹的結(jié)果都是目標(biāo)值與之前所有樹的預(yù)測(cè)結(jié)果之差，并將所有的結(jié)果累加即得到最終的結(jié)果，以此達(dá)到整個(gè)模型效果的提升。XGBoost是由多顆CART (Classification and Regression Tree)，即分類回歸樹組成，因此它可以處理分類回歸等問題。

XGBoost是一個(gè)優(yōu)化的分布式梯度增強(qiáng)庫(kù)，旨在實(shí)現(xiàn)高效，靈活和便攜，力爭(zhēng)把速度和效率發(fā)揮到極致。XGBoost提供了并行樹提升，可以快速準(zhǔn)確地解決許多數(shù)據(jù)科學(xué)問題。在數(shù)據(jù)科學(xué)方面，大量的機(jī)器學(xué)習(xí)競(jìng)賽中選手選用XGBoost進(jìn)行數(shù)據(jù)挖掘比賽，是各大數(shù)據(jù)科學(xué)比賽的必殺武器；在工業(yè)界大規(guī)模數(shù)據(jù)方面，XGBoost的分布式版本有廣泛的可移植性，支持在Kubernetes、Hadoop、SGE、MPI、Dask等各個(gè)分布式環(huán)境上運(yùn)行，使得它可以很好地解決工業(yè)界大規(guī)模數(shù)據(jù)的問題。XGBoost利用了核外計(jì)算并且能夠使數(shù)據(jù)科學(xué)家在一個(gè)主機(jī)上處理數(shù)億的樣本數(shù)據(jù)。最終將這些技術(shù)結(jié)合起來，以最少的集群系統(tǒng)來擴(kuò)展到更大的數(shù)據(jù)集上。? MLP??MLP (Multi-Layer Perceptron) 是指由大量的處理單元（神經(jīng)元）互相連接而形成的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，是對(duì)人腦組織結(jié)構(gòu)和運(yùn)行機(jī)制的某種抽象、簡(jiǎn)化和模擬。多層感知機(jī)（Multi-Layer Perceptron，簡(jiǎn)稱MLP），也叫人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡(jiǎn)稱ANN），以數(shù)學(xué)模型模擬神經(jīng)元活動(dòng)，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)有多層和單層之分，每一層包含若干神經(jīng)元，各神經(jīng)元之間用帶可變權(quán)重的有向弧連接，網(wǎng)絡(luò)通過對(duì)已知信息的反復(fù)學(xué)習(xí)訓(xùn)練，通過逐步調(diào)整改變神經(jīng)元連接權(quán)重的方法，達(dá)到處理信息、模擬輸入輸出之間關(guān)系的目的。它不需要知道輸入輸出之間的確切關(guān)系，不需大量參數(shù)，只需要知道引起輸出變化的非恒定因素，即非常量性參數(shù)。因此與傳統(tǒng)的數(shù)據(jù)處理方法相比，神經(jīng)網(wǎng)絡(luò)技術(shù)在處理模糊數(shù)據(jù)、隨機(jī)性數(shù)據(jù)、非線性數(shù)據(jù)方面具有明顯優(yōu)勢(shì)，對(duì)規(guī)模大、結(jié)構(gòu)復(fù)雜、信息不明確的系統(tǒng)尤為適用。人工神經(jīng)網(wǎng)絡(luò)具有初步的自適應(yīng)與自組織能力。在學(xué)習(xí)或訓(xùn)練過程中改變突觸權(quán)重值，以適應(yīng)周圍環(huán)境的要求。同一網(wǎng)絡(luò)因?qū)W習(xí)方式及內(nèi)容不同可具有不同的功能。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)具有學(xué)習(xí)能力的系統(tǒng)，可以發(fā)展知識(shí)，最終超過設(shè)計(jì)者原有的知識(shí)水平。對(duì)沒有訓(xùn)練過的樣本，MLP也有很好的預(yù)測(cè)能力和控制能力。當(dāng)存在一些有噪聲的樣本，MLP網(wǎng)絡(luò)仍具備很好的預(yù)測(cè)能力。MLP可以提供很好的非線性映射關(guān)系，是一個(gè)很好的黑箱模型。在系統(tǒng)很復(fù)雜，或者系統(tǒng)未知，系統(tǒng)信息量很少時(shí)，建立精確的數(shù)學(xué)模型很困難時(shí)，神經(jīng)網(wǎng)絡(luò)的非線性映射能力則表現(xiàn)出優(yōu)勢(shì)，因?yàn)樗恍枰獙?duì)系統(tǒng)進(jìn)行透徹的了解，但是同時(shí)能達(dá)到輸入與輸出的映射關(guān)系，可以大大簡(jiǎn)化數(shù)據(jù)間關(guān)系設(shè)計(jì)的難度。人工神經(jīng)網(wǎng)絡(luò)算法包含輸入層、隱含層、輸出層，具有完成復(fù)雜函數(shù)擬合的能力。人工神經(jīng)網(wǎng)絡(luò)算法邏輯如下：

????（i=1,2,3,……n）：輸入信號(hào)（參數(shù)），其層級(jí)稱之為輸入層；

??????（i=1,2,3,……n）：神經(jīng)元之間的連接權(quán)值；

f：激活函數(shù)，其所在的層級(jí)稱之為隱含層。

? 平臺(tái)功能??

SciAI平臺(tái)提供負(fù)荷預(yù)測(cè)全過程數(shù)據(jù)服務(wù)，包括客戶需求了解、結(jié)合需求選取合適的因變量以表征客戶需求、選擇和因變量相關(guān)的自變量、整合數(shù)據(jù)對(duì)齊時(shí)間戳等初步處理以形成原始數(shù)據(jù)、原始數(shù)據(jù)數(shù)據(jù)處理、模型訓(xùn)練、模型上線等一系列全過程數(shù)據(jù)服務(wù)。具體優(yōu)點(diǎn)：1、準(zhǔn)確度高：多種工況對(duì)比，結(jié)合數(shù)據(jù)特點(diǎn)，找到準(zhǔn)確度最高的模型，準(zhǔn)確率可達(dá)90%以上。2、功能覆蓋范圍廣泛：可以針對(duì)客戶重點(diǎn)關(guān)心的高耗能類別（如空調(diào)能耗）或高能耗設(shè)備提供數(shù)據(jù)服務(wù)。

3、時(shí)間維度豐富：可細(xì)化到小時(shí)維度、日維度這樣的短期預(yù)測(cè)，同時(shí)支持月維度、年維度等長(zhǎng)期預(yù)測(cè)需求。

4、無須人工干預(yù)：每日定時(shí)自動(dòng)完成負(fù)荷預(yù)測(cè)任務(wù)，無需人工干預(yù)，并發(fā)送通知到微信。

5、顯示形式豐富：同時(shí)在網(wǎng)頁(yè)首頁(yè)和能源管理等功能模塊區(qū)顯示，以滿足不同需求。

6、輔助功能豐富：查詢最新數(shù)據(jù)，判斷是否更新到最新時(shí)間。未及時(shí)更新，發(fā)送通知到微信，及時(shí)解決問題。

更多AI算法應(yīng)用將通過高性能智能建筑解決方案專題進(jìn)行系列分享，下期將為您詳解「基于語(yǔ)義分析和專家知識(shí)庫(kù)的故障診斷」，敬請(qǐng)期待！