摘要
全球碳排放一直是国际热门话题。在国内，每年的建筑能耗约占据全国能源消费总量的1/5。在国外，发达经济体在建筑能源消耗上节能减排，实现在能源相关的碳排放总量上降低了3.2％。因此，建筑能源消耗的比重较大且具备节约能源的潜力。面对碳排放以及气候问题，2021年全国两会明确指出“碳达峰碳中和”的重要性和意义，并且将其首次写入政府工作报告同时列为2021年重点工作之一。而在十四五规划中指出，国家需要加快推动“绿色低碳”的发展，其中绿色建筑是绿色低碳的计划之一。建筑在投入使用期间，由于供暖、制冷、照明等需求开启用电器会产生能源消耗，研究建筑能耗预测的任务，能够对特定的建筑物做出较为准确的能源消耗情况的预测，是发展绿色建筑的重要前提。对于建筑能耗用电模式来说，存在较为复杂的尺度敏感性，因此单一粒度的预测模型难以达到理想的预测效果。因此，本文提出了一种基于多粒度的预测模型。 本文对数据集数据异常值检测，利用LOF异常值检测算法检测数据集中存在的异常值，又因数据集中存在正常用电高峰的高峰能耗值，手动标记处于用电高峰时段且LOF得分较高的异常值节点组成高峰用电非异常值列表，潜在异常值节点通过和高峰用电非异常值列表中节点的特征向量计算平均欧氏距离，该距离超过阈值则判断为非高峰时段异常值，若没有超过阈值则判定为高峰用电时段的非异常值，实现将高峰能耗值排除在异常值之列。 本文建立建筑能耗预测模型，多粒度特征提取模块中的粒度划分、反馈机制以及并行卷积模块可以捕捉多短时尺度敏感性依赖;长时依赖捕捉模块的混合注意力机制和长短时记忆层可以捕捉到长时时间相关性依赖。建筑能耗用电模式存在着不同的尺度敏感性，在本文使用到的建筑能耗数据集上，构建了基线深度学习模型进行了对比实验。实验结果显示，在IHEPC数据集上，基于MgHa-LSTM的建筑能耗预测模型的MSE为0.2813，是MSC-LSTM模型的93.21％;在EERE数据集上，基于MgHa-LSTM的建筑能耗预测模型MSE为0.0161，是LSTM的49.08％。因此，相对于其他深度学习预测模型，基于多粒度的建筑能耗预测模型预测结果更为精确。
NETL