Исследование эффективности гибридной нейросетевой архитектуры в контексте прогностического анализа энергопотребления в зданиях коммерческого назначения

Точное предсказание энергопотребления зданий играет важную роль в оптимизации планирования энергетических систем объектов. Энергопотребление зданий подвержено воздействию различных факторов и характеризуется как нелинейное, так и нестационарное явление. Для максимального использования временных характеристик энергопотребления зданий и повышения точности прогнозирования предлагается гибридная нейронная сетевая модель. Эта модель включает в себя механизм внимания, двунаправленный рекуррентный блок (BiGRU), сверточные нейронные сети (CNN) и остаточные соединения. BiGRU используется для обучения признаков, извлеченных с помощью CNN, в двухстороннем режиме. Механизм внимания выделяет ключевую информацию, а остаточные соединения обеспечивают полное изучение характеристик функций модели.

Ключевые слова: оптимизация планирования, энергетические системы, нелинейное явление, нестационарное явление, временные характеристики, гибридная нейронная сетевая модель.

Энергоэффективность и снижение выбросов окажутся важными вопросами для глобального развития в предстоящие десятилетия, учитывая увеличивающийся мировой спрос на энергию и нарастающие экологические проблемы, такие как изменение климата. В 2022 году строительные работы затрачивали 30 % мирового энергопотребления и были ответственны за 27 % глобальных энергетических выбросов (8 % непосредственно связаны с зданиями, а 19 % — косвенно, из-за производства электроэнергии и тепла для зданий); здания стали главным источником выбросов углекислого газа [1]. Как энергопотребление, так и выбросы увеличились по сравнению с 2019 годом после новых ограничений, введенных из-за пандемии в 2020 году.

На настоящем этапе энергосбережение в зданиях становится неотъемлемым элементом в снижении выбросов углекислого газа. Точное прогнозирование энергопотребления зданий играет важную роль в управлении и оптимизации энергетического режима зданий. За последние десятилетия по всему миру были развернуты крупные платформы мониторинга энергопотребления зданий для анализа характеристик энергопотребления. Эти платформы накопили огромные объемы данных о потреблении энергии в зданиях. Тем не менее, из-за недостаточного управления данными, их низкого качества и сложностей в контроле, основная цель платформ мониторинга энергопотребления зданий в оптимизации эксплуатации и повышении энергоэффективности зданий еще не достигнута. Для полного использования огромного объема энергетических данных, полученных из мониторинга, необходимо преодолеть ограничения существующих моделей, которые ограничивают потенциальную ценность интеллектуального анализа данных. Исследование моделей прогнозирования энергопотребления зданий предоставит основу для реализации различных сценариев применения данных, таких как прогнозирование энергопотребления и управление спросом. [2]

Согласно обзору литературы, в сфере прогнозирования энергетических показателей зданий применяются различные методы, включая физическое моделирование, статистические методы и модели машинного обучения [5]. Физическое моделирование основывается на учете физических характеристик здания и принципов теплопередачи для создания уравнений, предсказывающих его энергопотребление [6]. Для этого используются программные средства, такие как EnergyPlus [7], DOE-2 [8] и DeST [9], применяемые на этапе архитектурного проектирования. Однако точность физических моделей зависит от разнообразия входных параметров [10], включая системы HVAC (отопление, вентиляция и кондиционирование воздуха), физические характеристики, внутренние нагрузки, солнечную радиацию и т. д. Получение таких данных может быть сложной задачей, а упрощенные модели могут недостаточно учитывать сложные внешние факторы, влияющие на потребление энергии, что снижает точность модели [11]. В отличие от этого, ни статистические, ни модели машинного обучения не требуют глубокого понимания физических принципов энергетических систем или внутренних параметров здания, что делает их более простыми в использовании [12]. Статистические модели строятся на основе связи между индексом энергопотребления и влияющими переменными с использованием методов статистической регрессии [13].

Модели, такие как множественная линейная регрессия (MLR) [14], фильтр Калмана (KF) [15] и другие, характеризуются простотой расчетов и высокой вычислительной эффективностью. Например, в работе No и соавт. [16] применена множественная линейная регрессия для прогнозирования коэффициента теплопередачи оконной системы на этапе проектирования. Однако эти модели могут оказаться неэффективными при моделировании энергопотребления с высокой степенью стохастичности. Более того, с развитием искусственного интеллекта модели машинного обучения обеспечивают более точные результаты и постепенно вытесняют статистические методы. В исследовании Park и др. [17] модели MLR и искусственной нейронной сети (ANN) были применены для прогнозирования энергопотребления геотермального теплового насоса почасово, и результаты показали, что ANN имеет более высокую точность прогнозирования по сравнению с MLR. Кроме того, данные об энергопотреблении зданий могут легко быть получены с платформ мониторинга, а моделирование с использованием методов машинного обучения полностью автоматизировано, что обеспечивает их широкое применение.

Заключение

Исследование моделей прогнозирования энергопотребления зданий является актуальным направлением в связи с растущей потребностью в энергоэффективности и сокращении выбросов углекислого газа. В данном контексте рассмотрены различные подходы, включая физические модели, статистические методы и модели машинного обучения.

Физические модели, основанные на принципах теплопередачи и физических характеристиках зданий, могут быть точными, но требуют сложных данных и могут быть недостаточно гибкими для учета разнообразных факторов. Статистические модели, такие как множественная линейная регрессия, характеризуются простотой и высокой вычислительной эффективностью, но могут оказаться недостаточно гибкими для учета сложных временных зависимостей. [16]

Модели машинного обучения, такие как сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), предоставляют возможность эффективного моделирования сложных временных зависимостей и извлечения признаков из данных. Глубокие нейронные сети, такие как LSTM и BiGRU, имеют преимущества в анализе последовательных данных, что делает их подходящими для прогнозирования временных рядов. [18]

Таким образом, разработка и применение гибридных моделей машинного обучения для прогнозирования энергопотребления зданий является перспективным направлением и может способствовать повышению энергоэффективности и сокращению выбросов углекислого газа.

Литература:

1. Kalogirou, Soteris A. «Applications of artificial neural-networks for energy systems». Applied energy 67.1–2 (2000): 17–35.
2. Kalogirou, Soteris A. «Applications of artificial neural networks in energy systems». Energy Conversion and Management 40.10 (1999): 1073–1087.
3. Afram, Abdul, et al. «Artificial neural network (ANN) based model predictive control (MPC) and optimization of HVAC systems: A state of the art review and case study of a residential HVAC system». Energy and Buildings 141 (2017): 96–113.
4. Antsaklis, Panos J. «Neural networks for control systems». IEEE Transactions on Neural Networks 1.2 (1990): 242–244.
5. Mohammadpour, Mohammad, et al. «Energy-efficient motion planning of an autonomous forklift using deep neural networks and kinetic model». Expert Systems with Applications 237 (2024): 121623.
6. Antsaklis, Panos J., Kevin M. Passino, and Shyh Jong Wang. «An introduction to autonomous control systems». IEEE Control Systems Magazine 11.4 (1991): 5–13.
7. Elnour, Mariam, et al. «Neural network-based model predictive control system for optimizing building automation and management systems of sports facilities». Applied Energy 318 (2022): 119153.
8. Chaudhuri, Tanaya, et al. «A feedforward neural network based indoor-climate control framework for thermal comfort and energy saving in buildings». Applied energy 248 (2019): 44–53.
9. Ye, Yujian, et al. «Model-free real-time autonomous control for a residential multi-energy system using deep reinforcement learning». IEEE Transactions on Smart Grid 11.4 (2020): 3068–3082.
10. Behrooz, Farinaz, Abdul Rahman Ramli, and Khairulmizam Samsudin. «A survey on applying different control methods approach in building automation systems to obtain more energy efficiency». International Journal of the Physical Sciences 6.9 (2011): 2308–14.
11. Enami, Neda, et al. «Neural network based energy efficiency in wireless sensor networks: A survey». International Journal of Computer Science & Engineering Survey 1.1 (2010): 39–53.
12. Chatziagorakis, Prodromos, et al. «Enhancement of hybrid renewable energy systems control with neural networks applied to weather forecasting: The case of Olvio». Neural Computing and Applications 27 (2016): 1093–1118.
13. Karabacak, Kerim, and Numan Cetin. «Artificial neural networks for controlling wind–PV power systems: A review». Renewable and Sustainable Energy Reviews 29 (2014): 804–827.
14. Ruiz, Luis Gonzaga Baca, et al. «An application of non-linear autoregressive neural networks to predict energy consumption in public buildings». Energies 9.9 (2016): 684.
15. Merabet, Ghezlane Halhoul, et al. «Intelligent building control systems for thermal comfort and energy-efficiency: A systematic review of artificial intelligence-assisted techniques». Renewable and Sustainable Energy Reviews 144 (2021): 110969.
16. Bateni, Soroush, et al. «Predjoule: A timing-predictable energy optimization framework for deep neural networks». 2018 IEEE Real-Time Systems Symposium (RTSS). IEEE, 2018.
17. Nie, Zifei, and Hooman Farzaneh. «Real-time dynamic predictive cruise control for enhancing eco-driving of electric vehicles, considering traffic constraints and signal phase and timing (SPaT) information, using artificial-neural-network-based energy consumption model». Energy 241 (2022): 122888.
18. Mason, Karl, and Santiago Grijalva. «A review of reinforcement learning for autonomous building energy management». Computers & Electrical Engineering 78 (2019): 300–312.