刘 杭，罗 恒，章挺飞

（苏州科技大学 电子与信息工程学院，江苏 苏州 215009；江苏省建筑智慧节能重点实验室，江苏 苏州 215009）

在商业建筑节能工作中，普遍会遇到数据匮乏的场景，它会直接影响能耗预测准确度，进而影响能源使用效率，增加商业能源使用成本[1－3]。如新兴产业中，新建或改建扩建的商业建筑项目，会出现短期能耗数据匮乏的情形[4]。同时，部分能源管理系统的不完善，也会导致能耗数据采集的大量缺失，以至于无法实施可靠性预测[5－6]。

近年来，国内外专业学者在商业建筑能耗预测的数据匮乏场景的探索上涉及很少，大多研究集中在传统场景下的传统机器学习和深度学习方法[7－8]。前者适应力强，能够快速开发，主要有支持向量机（Support Vector Machines，SVM）[9－12]、BP（Back Propagation）神经网络[13－15]、K近邻（K-Nearest Neighbor，KNN）[16]和极端梯度提升（Extreme Gradient Boosting，XGBoost）[17]等，但同时存在模型过分依赖特征、容错率小等弊端。后者学习能力强，如长短期记忆网络（Long Short-Term Memory，LSTM）对能耗序列预测呈现一定的优势[18]，其特有的门控单元的记忆功能，能够捕捉时间序列项之间的依赖关系，具有优秀的预测能力，门控循环单元（Gated Recurrent Unit，GRU）则优化了LSTM结构，收敛较快，能够有效处理复杂的能耗数据[19]，但计算量很大，在数据匮乏时会影响预测结果。因此在这一场景下，可以使用数据增强方法扩充数据，其中生成对抗网络（Generative Adversarial Networks，GAN）是近年来深度学习领域数据增强的重要方法，它通过生成高质量的训练样本补充并扩展真实数据[20]，如文献[21－23]分别应用GAN实现不平衡数据、图像和序列数据的数据增强用以提升准确度预测。……