王学新
玖鼎印象（天津）建筑装饰工程有限公司，天津 300000
摘要：众所周知，云计算平台的能耗测量过于不准确和精确。该研究基于虚拟机管理程序直接查询虚拟机的运行状态参数，以便能够细化到虚拟机，并在粒度级别查询虚拟机管理程序监控参数，以提高能量模型精度。考虑到虚拟机运行状态参数的时间特性，研究了利用循环神经LSM网络建立虚拟机能耗模型，建立了一个具有一定精度和准确性的云计算平台能耗模型。
关键词：暖通空调；能耗预测；长短期记忆神经网络；深度学习
引言
中国建筑能耗报告(2018年)显示，我国2016年总能耗约为45亿吨普通煤，建筑能耗约为20.6%。循环比的结果表明，这一比例每年都在增加。在这方面，各国在《2014-2015年节能减排行动计划》中明确提出了针对建筑业、建筑业转型和积极促进绿色环保应用的目标明确的方针。因此，能源结构改革、减少能源消耗是国家节能、环境保护和可持续发展的政策。随着公共建筑能耗数据的大时代呈指数级增长，许多省市建立了公共建筑能耗监测平台，通过分析建筑能耗数据的特点，挖掘能源潜力，合理分配能源，实现建筑节能。
1研究背景
当今城市建筑系统中，供暖和制冷系统是最重要的公共设施之一。随着生活水平的提高，现代建筑系统对热条件的需求也在增加。21世纪以来，环境意识有所提高，绿色能源和可持续发展的思想被纳入现代城市化进程。现代建筑中的暖气消耗高达30-55%或更多[1]。降低供暖、通风和空调系统的能耗是推动新时代环保观念的迫切需要。hat控制已从简单的数字控制程序控制和逻辑编程策略发展为当今最受欢迎的网络控制解决方案。由于传统的控制方法无法同时连接非线性数据和基于时间的数据，因此当参数发生重大变化时，HVAC控制会降低。这通常仅适用于小型供暖和空调系统的节能控制。本文利用LSM神经网络开发了一个HVAC能耗预测模型，其中包含处理异常值前的数据、标准化输入数据、培训集和测试集。接下来，创建热空气系统的预测模型，调整LSM竖井参数，优化LSM模型等。然后模拟HVAC系统的能源消耗。最后，通过预测和分析能源数据，您可以获得更准确的预测结果，这些结果将控制建筑节能的HVAC运行模型和最佳利用。
2.暖通空调模型建立
2.1基本原理
LSTM神经网络是一种近年来被广泛应用的代表了长、短期记忆的特殊递归神经网络。它的核心是由遗忘门、输入门和输出门这三种类型的“门”结构和组成细胞状态构成。它的独特的设计结构，使其更加适合于处理和预测时间序列中间隔和延迟非常长的事件，因此有一定的记忆功能，其网络结构图如图1所示
.png)
其中ft代表前门，it代表被遗忘的门，ot代表出口门，sigmoid *代表点复制，w和b代表参数矩阵，Ct代表当前单元状态，新信息来自当前输入。忘记门、前门、出口门、激活功能，从历史数据中筛选数据，留下有用的信息，丢弃这些信息，并提供必要的学习和选择。
2.2建模方法
在研究建筑的能量预测时，需要预处理原始数据集的数据，包括异常值处理和规范化。一方面，数据，例如例如，null值和非法值(d。也就是说，未分组的值)，用平均值填充，以避免由于删除异常值而影响时间连续性的问题。要消除度量在指标之间的影响，必须合并数据，并且原始数据规范化后，所有指标的大小都相同，无论度量大小如何，都适合进行集成比较评估。规范化方法主要由最大值、平均值和非线性规范化组成。这是最大正常化。Amin或设置。Amax为最小值或。属性a的最大值，最大规范化是xnorm值，它将每个原始值从a线性转换为范围[0，1]中的值。以下示例说明了这一点:
.png)
完成数据预处理，并将数据转换为数据帧以监控学习问题。输入小时t-1的变数X=[var1(t-1)、var2(t-1)、var3(t-1)、…、var5(t-1)]做为输出Y=var1(t)。这同样适用于收集所有范例资料，然后将这些资料分成训练资料与预测资料，作为模型的输入。培训数据首先使用LSM网络模型进行培训。经过几次练习后，将选取训练误差最小的参数作为预测模型的参数。然后，使用LSM预测数据模型来确定第一天的预计能量需求。
2.3与BP神经网络算法比较
基于LSM网络的预测模型的MAPE值为BP神经网络的3.86%，低于6.79%。11.64%的最大相对误差也低于BP神经网络的15.68%，表明LSM预测方法比传统BP神经网络预测具有更高的精度和更好的预测。一方面，LSM网络可以实现串行数据的长期依赖分析，这种分析比BP神经网络算法更适合预测建筑能耗。另一方面，建筑物的电气习惯在短期内通常变化不大，选择天气信息、建筑物员工人数和节假日作为特征是有意义的。这可让您建立建筑能源预测的精确模型。
2.4虚拟机运行参数选择
请参阅该文档，了解如何将测试计算机分为计算密集型(WordCount)和I/o密集型(Sort)执行。区分任务状态后，对虚拟机管理程序运行状态参数进行抽样测试，并使用性能指标确定物理虚拟机运行状态的流量。超过0.6阈值的虚拟机的运行状态参数包括CPU占用率、CPU频率磁盘读取和写入的字节总数以及内存读取和写入的字节总数(如上一节中灰色关联分析所示)。2 .测试使用tensorflow作为平台，将配备GTX1080Ti显卡和32G内存的硬件配置为0. 0009，学习曲线配置为2000次。
3结果数据分析
BP神经网络算法比较结果见表2。实验数据表明，与传统的BP神经网络算法比较，LSTM神经网络算法的平均绝对百分比误差和最大相对误差都较小，说明LSTM神经网络预测模型精度较高，预测结果较好。
结束语
本文基于LSTM神经网络给出了一种暖通空调系统的能耗预测模型，并与传统的模型进行了对比，实验结果表明，由此模型得到的均方根误差和平均绝对误差值都较小，说明本文提出的模型比传统模型更加准确，具有一定的应用价值。
参考文献
[1]廖文强,王江宇,陈焕新,丁新磊.基于深度学习的建筑能耗短期预测方法研究[C].中国家用电器协会.2019年中国家用电器技术大会论文集.中国家用电器协会:《电》杂志社,2019:1194-1199.
[2]刘家学,沈贵宾.基于LSTM的航空公司能耗序列预测[J].计算机应用与软件,2019,36(10):60-65.
[3]陈珊珊.基于增量聚类的LSTM轮毂单品能耗预测方法研究[D].河北工业大学,2019.
[4]周钰.基于流量感知的虚拟网络功能智能编排算法研究[D].重庆邮电大学,2019.
[5]王雪永.基于AI的写字楼能耗分析及控制系统[D].杭州电子科技大学,2019.