随着人口和经济的增长，越来越多的能源被消耗。作为能耗的一个方面，建筑能耗占相当大的比例。例如，在中国，统计数据显示，建筑能耗占2011年总能耗的28%，到2020年将达到35%；在美国，建筑能耗接近总能耗的39%。因此，有必要提出一些有效的策略来提高建筑能耗。建筑能耗预测可以帮助建筑管理者做出更好的决策，从而合理地控制各种设备。是减少建筑能耗并提高能源利用率的有效途径。

在过去的几十年中，已经提出了许多用于建筑物能耗预测的预测方法，其中多数依赖于历史能源消耗时间序列数据来构建预测模型。当前的建筑能耗预测方法的估算方法可分为两类：数理统计方法和人工智能方法。总体来说，人工智能方法在大多数实际应用中都能获得更准确的预测结果，并已广泛应用于建筑能耗预测。虽然统计方法和现有的人工智能方法都能给出令人满意的结果，但由于受天气、工作时间、人员分布和建筑物内设备等因素的影响，要获得准确的预测结果仍然是一项具有挑战性的任务。近年来出现的深度学习技术可实现更好的建模和预测性能，为建筑能耗预测提供了一条新出路。

本文基于极限GAP深度学习方法，利用变体GRU(Gated Recurrent Unit，GRU)结合Attention注意力机制，提出一种建筑能耗预测方法。分析表明，基于GRU网络的建筑能耗预测方法具有良好的预测性能。通过精准的预测能耗，可以更有效地对建筑设施进行节能操作。

建筑能耗的精确预测，设备的智能化使用起到关键作用。针对能耗情况，可以有针对性的对相关能源设备实施智能升级的方案，能源的有效检测可以对能源的全方位进行管理，进而实时的获取数据，达到对节能举措及时完善更新的目标。进一步采取科学配额，分析能耗成本，为后台能源数据的更新和优化提供精确方向，管理者通过实时的数据和策略可以极大的减少建筑能源成本的支出，做到成本管理可控外，在很大程度上也减少安全事故的发生，实现建筑安全高效稳定用电，促进企业高效、健康、平稳的发展。此外，对建筑的各部门通过此种能耗监测也有着十分重要的意义，以下为具体的价值优势方面。

精确的建筑能耗预测，达到对能源进行针对性用能结构、成本、质量的全面分析，能源的消耗情况可通过互联网，大数据等传输到大数据平台，可视化的图表更清晰直观的展现出来，决策层可以实时监测用能情况，可以精确定位至各区域，各部门，各设备甚至是个人的能耗情况，为制定决策提供数据支持，决策者可以根据数据进行考核管理，实时发现并更新管理缺失，效率得以保障。

设备状态在线监测、管理、维修、保养等是后勤部门比较关注的焦点，通过能耗预测实时更新数据设备可以进行状态异常进行报警，远程值班，远程预警，APP远程互联等，提升管理效率及时处理异常状况节省人力财力，规避设备风险。对后勤管理人员来说：设备的智能化应用，可以使工作更加轻量化，通过实时直观的数据显示，即使不是专业的人才，也可以非常简易的了解把控设备的状态。

首先，对能耗的数据采集来对比、分析，可以了解各部门的用能状况，根据采集信息自动形成报表，可以一定程度上减少统计部门的日常数据统计工作，数据的准确性高，达到对部分绩效的有效管理。其次，结合智能终端，对建筑的车间设备、风机、水泵、照明、空调以及办公区域、公共区域的照明、空调等用能设备进行智能管控和分析，部分设备可以做到人来开、人走停的状态，实现智能自动预测切断，最终实现节能与智慧管理的目标。

综上，精准预测建筑能耗，可对能源设备实施智能管理，可以实时改进建筑环境；也让管理者全方位的了解能源利用与使用状况，得出生产和设备下一步需改进的节能空间，实现持续提高能源使用效率；区域能源消耗数据实时、准确的监测，实现了科学分析、预测和预警功能，为决策者多方位、可视化的数据信息查询和决策，实现科学用能、科学管理的目的。

为了预测建筑能耗，提出一种名为极限GAP的深度学习方法，即将GRU神经网络与Attention注意力机制进行联结。然后将数据集录入到网络模型中进行训练，训练成完备的神经网络模型，该模型即可对能耗进行针对性的预测，具体过程如图1所示。在本过程中，当数据出现空值或者不合理值(即离群值)时，采用平均值填充解决此类问题，可在一定程度上避免因删除异常值而破坏时间连续性造成预测结果不准确的损失。

门控循环单元(GRU)，其作为GRU网络的相应变体，具有相对较好的效果，相比GRU网络所具有的结构而言，GRU具有相对更为简单的结构，同时能够获得更好的效果，故得到广泛应用。除此之外，GRU能够将RNN网络中所存在的长依赖问题有效解决。将输入门、遗忘门和输出门等三个不同的门函数引入至GRU。通过它们实现对输入值、记忆值以及输出值的有效控制。针对GRU模型而言，其仅含更新门以及重置门这两个门，图2是GRU结构示意图。

图2中，Z_t为GRU的更新门，R_t为GRU的重置门。Z_t能够对前一时刻相应状态信息被带入至当前状态中的具体程度进行有效控制，Z_t值数值越大，表明被带入至当前状态中的前一时刻状态信息量越大，反之越小。R_t能够对忽略前一时刻相应状态信息的具体程度进行有效控制，Z_t值数值越小，表明越多的就表明被忽略，反之越少。

Attention机制一般在seq2seq模型中得到较为广泛的应用，传统seq2seq如图3所示，把f输入序列在模型中输出，由于GRU门控机制对各个不同的输入输出词y产生影响的相应权重存在一定差异，通过Attention计算得到它们各自的权重，故能够将Attention机制视为注意力分配系数，以此能够计算得到每项输入分别会对相应输出权重所产生的具体影响程度。

如图3所示，可将Attention机制所对应的具体实现过程划分成五个不同的部分，具体步骤见下。

(1)双向GRU结构获取隐层状态{h₁，h₂，…，h_n}。

(2)现阶段解码至隐层s_t-1，然后对各输入位置h_j会对当前位置i产生的相应影响进行计算特征向量：

e_ij=a(s_i-1，h_j) (1)

(3)借助softmax函数正则化处理特征向量e_ij，便能够获取注意力机制的权重分布：

(4)借助权重α_ij加权求和获取特征向量：

(5)对机制的最终输出利用式(4)进行计算，得到预测结果。

本文的数据集来自某零售大楼，每15分钟收集一次。在通过均值滤波方法对初始数据集中的缺失数据进行预处理之后，获得建筑能耗时间序列中的34939个样本。然后，将收集的数据按60分钟的间隔进行预测，时间序列共有8734个数据点。采用本方方法同堆叠式自编码极限(Stacked AutoencoderAxtreme，SAE)、支持向量回归(Support Vector Regression，SVR)、反向传播神经网络(Backward Propagation Neural Network，BPNN)、长短时记忆网络(Long Short Term Memory Network，LSTM)等方法进行对比分析。

60分钟预测实验中五种预测模型的预测结果如图4所示。从图4中可明显看出，本文方法的实际预测曲线最接近实际能耗的结果，鲁棒性较高。

如表1所示为本文方法与其他四种能耗预测方法的预测结果对比。从测试性能来看，本文方法对建筑能耗预测的预测误差最小、精度最好。对于测试数据，在60分钟预测实验中，与其他四种预测方法相比，平均绝对误差(Mean Absolute Arror，MAE)分别降低了28.8%、1.1%、36.5%、9.4%；平均相对误差(Mean Relative Error，MRE)分别降低了2.3%、1.1%、1.4%、2.3%；均方根误差(Root-Mean-Square Error，RMSE)分别降低了29.89%、7.59%、25.8%、18.9%。可以得出，本文方法的稳定性更好，在建筑能耗预测方面具有明显优势。

为提高建筑能耗预测精度，采用深度学习中的GRU模型，将时间序列问题转换为监督学习问题。实验表明，相比于传统的神经网络方法，基于深度学习的建筑能耗预测方法能够从特征数据中获取到更多的有用信息，获得更高的预测精度。通过精准的预测建筑能耗可以成为减少能源使用和改善整体能源管理的效率，为后续的建筑设备智能化提供优势条件。