邢彩盈,張京紅,黃海靜
(1.海南省氣候中心,海南 ???570203;2.南海氣象防災(zāi)減災(zāi)重點(diǎn)實(shí)驗(yàn)室,海南 海口 570203)
?
基于BP神經(jīng)網(wǎng)絡(luò)的??谧≌覂?nèi)氣溫預(yù)測
邢彩盈1,2,張京紅1,2,黃海靜1,2
(1.海南省氣候中心,海南 海口 570203;2.南海氣象防災(zāi)減災(zāi)重點(diǎn)實(shí)驗(yàn)室,海南 海口 570203)
利用2014年1月—2015年12月海南??诰用褡≌覂?nèi)小氣候觀測數(shù)據(jù)和室外氣象要素,基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建??谧≌覂?nèi)氣溫預(yù)測模型,通過與統(tǒng)計回歸模型相比來綜合評估模型的預(yù)測效果。結(jié)果表明:BP模型預(yù)測精度較高,不同季節(jié)預(yù)測精度存在差異,春秋季精度最高、夏季精度最差,其中地溫加入對模型預(yù)測精度有較大改進(jìn)。不同季節(jié)采用地溫的BP模型對室內(nèi)氣溫的預(yù)測值與觀測值的均方根誤差分別為0.25 ℃、0.62 ℃、0.26 ℃和0.52 ℃,平均絕對誤差均小于0.5 ℃,即誤差均在合理范圍內(nèi)。且預(yù)測精度(RMSE)較統(tǒng)計回歸模型分別提高了26.5%、34.7%、56.7%和25.7%。可見該模型可以滿足??诰用褡≌覂?nèi)氣溫的預(yù)測需求,可為室內(nèi)居住環(huán)境、建筑能耗研究提供有效的基礎(chǔ)數(shù)據(jù)。
住宅室內(nèi)氣溫;BP神經(jīng)網(wǎng)絡(luò);逐步回歸;預(yù)測模型
隨著海南城市經(jīng)濟(jì)與社會的發(fā)展,居民生活水平的提高,對居住舒適度的要求大大提高,人們越來越關(guān)注建筑內(nèi)部小氣候狀況。相對于建筑外部環(huán)境而言,建筑內(nèi)部小氣候與人類生活的健康舒適關(guān)系更加緊密,其優(yōu)劣對人的情緒和健康會有直接影響[1-2]。海南地處于熱帶地區(qū),年平均氣溫較高,近幾十年來高溫日數(shù)呈顯著的增長趨勢,極端高溫事件也偏多[3]。在氣候變暖和城市熱島效應(yīng)的雙重影響下,海南城市居民住宅區(qū)內(nèi)的體感舒適度大大降低。因此,有必要對海南城市居民住宅室內(nèi)小氣候進(jìn)行研究,這既能為改善居住環(huán)境質(zhì)量提供有力依據(jù),也進(jìn)一步拓寬氣候服務(wù)的領(lǐng)域。
熟悉建筑室內(nèi)的小氣候特征對建筑工程有著重要的意義。以往研究多集中在農(nóng)業(yè)溫室小氣候方面[4],而對建筑室內(nèi)小氣候要素的研究相對少,且主要集中于對其變化特征的分析[5],在室內(nèi)溫濕度的模擬預(yù)測方面(尤其在熱帶地區(qū))研究較少。由于對建筑室內(nèi)小氣候的研究大多基于臨時觀測,使得在室內(nèi)居住環(huán)境、建筑能耗等方面研究受到限制,可見如何獲取合理的建筑室內(nèi)小氣候預(yù)測數(shù)據(jù)具有重要的切實(shí)意義。目前研究中多采用統(tǒng)計回歸模型。沈鐵元等[6]基于逐步回歸建立起武漢盛夏民宅室內(nèi)溫濕度的預(yù)報方程。李環(huán)姣等[7]利用多元線性回歸構(gòu)建了西安學(xué)生宿舍的室內(nèi)溫濕度預(yù)報方程?,F(xiàn)有日光溫室小氣候預(yù)測模型研究中多次引入BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建預(yù)測模型[8],可見利用神經(jīng)網(wǎng)絡(luò)建立非線性預(yù)測模型是切實(shí)可行的。
因此,本研究基于對住宅區(qū)的室內(nèi)小氣候觀測,利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建居民建筑室內(nèi)氣溫的預(yù)測模型,評估其預(yù)測優(yōu)勢,以期適用于??诘貐^(qū)住宅室內(nèi)氣溫的預(yù)測中,為居民建筑能耗的研究打下基礎(chǔ),也為探討居民建筑物的空調(diào)設(shè)計方面提供有效的基礎(chǔ)數(shù)據(jù)。
2.1 觀測資料
住宅室內(nèi)觀測資料來源于海南省氣象局大院住宅室內(nèi)小氣候觀測試驗(yàn),觀測時間為2014年1月—2015年12月。觀測點(diǎn)為位于2樓的板樓型住宅,東西朝向,室內(nèi)面積約為75 m2,層高3 m左右。
采用HOBO Pendant UA-002-08溫度光照度記錄儀對住宅室內(nèi)進(jìn)行24 h的連續(xù)觀測,數(shù)據(jù)每隔l h自動采集一次,觀測項(xiàng)目為室內(nèi)逐時氣溫、室內(nèi)相對光照強(qiáng)度值。建筑外部的氣象環(huán)境通過建筑影響住宅室內(nèi)的熱環(huán)境,因此選取的室外氣象數(shù)據(jù)是來自距離小氣候觀測地點(diǎn)最近,且與建筑附近氣候條件相似的氣象觀測站,觀測要素有逐時氣溫、相對濕度、云量、日照時數(shù)、風(fēng)速和地表溫度等,并對站點(diǎn)資料進(jìn)行質(zhì)量控制及數(shù)據(jù)處理。
2.2 BP神經(jīng)網(wǎng)絡(luò)模型
BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋人工神經(jīng)網(wǎng)絡(luò),是目前應(yīng)用較廣泛的神經(jīng)網(wǎng)絡(luò)模型之一?;诜蔷€性映射、自學(xué)習(xí)和自適應(yīng)、容錯性等優(yōu)點(diǎn)。本文利用BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建住宅室內(nèi)逐日氣溫的預(yù)測模型,并與線性回歸模型進(jìn)行對比分析。
2.2.1 模型輸入層因子 選取建筑室外各氣象觀測資料作為室內(nèi)氣溫預(yù)測模型構(gòu)建的備選因子。為保證充足的建模樣本數(shù),分季節(jié)進(jìn)行建模,提高預(yù)報精度。常見的對建筑室內(nèi)氣溫影響較大的氣象因子主要有室外日平均氣溫、相對濕度、風(fēng)速、日照時數(shù)、前一日最高氣溫和當(dāng)日最高、最低氣溫等。研究表明,地溫對地上建筑物的熱過程也有很大作用,一定程度上影響著住宅的室內(nèi)溫度,尤其對低樓層影響更為顯著[9]。因此,本文建模中考慮加入地溫因子。
表1給出了??谧≌彝飧鳉庀笠嘏c室內(nèi)日平均氣溫的相關(guān)關(guān)系??煽闯?,室內(nèi)氣溫與建筑室外各個溫度因子相關(guān)性均較大,與日平均風(fēng)速、日照時數(shù)的相關(guān)性相對較差。其中,與不同深度層地溫的相關(guān)性普遍高于其他因子,在夏季和冬季表現(xiàn)尤為明顯。
表1 海口住宅室內(nèi)日平均氣溫與室外氣象因子的相關(guān)關(guān)系
注:**、*分別表示相關(guān)系數(shù)通過0.01、0.05水平的顯著性檢驗(yàn),下同。
為了解決神經(jīng)網(wǎng)絡(luò)輸入變量間單位及數(shù)量級不一致的問題,采用歸一化將樣本數(shù)據(jù)控制在0~1的范圍之間,計算公式為:
(1)
式中,Xio為觀測數(shù)據(jù);Xmax、Xmin分別為觀測值的最大值和最小值。
2.2.2 BP神經(jīng)網(wǎng)絡(luò)模型 模型結(jié)構(gòu)為3層,第1層為神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn),即對應(yīng)模型的輸入變量(表1),春夏秋季模型均采用10個輸入變量,冬季采用8個輸入變量。隱含層節(jié)點(diǎn)根據(jù)多次訓(xùn)練試驗(yàn)獲得,本文中取3。第3層為模型輸出層,采用1個輸出節(jié)點(diǎn),即住宅室內(nèi)日平均氣溫。模型結(jié)構(gòu)圖如圖1所示.
圖1 3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Three layers BP neural network structure
隱含層和輸出層傳遞函數(shù)采用S型函數(shù),即:
(2)
其中,xi為輸入層的神經(jīng)元值,c為常數(shù)(此處取1)。
輸出層神經(jīng)單元的輸出信號為:
(3)
(4)
(5)
2.3 逐步回歸模型
為比較BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的精度,利用逐步回歸構(gòu)建多元線性回歸模型進(jìn)行比較,預(yù)測方程為:
Y=b0+b1X1+b2X2…+bnXn+ε
(6)
其中,b0為常數(shù),Xi為逐步回歸中通過顯著性F檢驗(yàn)引入模型的因子(i為1—n),b1—bn為對應(yīng)的回歸系數(shù),ε為隨機(jī)誤差。參與建模的因子與BP神經(jīng)網(wǎng)絡(luò)模型的輸入層神經(jīng)元一致(表1)。
2.4 模型評估指標(biāo)
利用均方根誤差RMSE和平均絕對誤差MAE對居民建筑室內(nèi)氣溫預(yù)測模型進(jìn)行評估,計算公式如下:
(7)
(8)
為了避免預(yù)測模型的過分?jǐn)M合,需采取獨(dú)立樣本進(jìn)行檢驗(yàn)。即選取不參與建模的獨(dú)立樣本序列作預(yù)報試驗(yàn),這樣能較好評估預(yù)測方法和模型的預(yù)測技巧和穩(wěn)定性。
基于居民住宅室內(nèi)氣溫與室外環(huán)境氣象條件的關(guān)系,利用BP神經(jīng)網(wǎng)絡(luò)對住宅室內(nèi)日平均氣溫進(jìn)行模擬預(yù)測,并與逐步回歸模型進(jìn)行對比,綜合評估模型的預(yù)測效果,為不同季節(jié)室內(nèi)日平均氣溫的預(yù)測提供依據(jù)。
3.1 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果
針對各個季節(jié),選取住宅室內(nèi)外氣象要素作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本(表 2),對其進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練,完成網(wǎng)絡(luò)訓(xùn)練和檢驗(yàn)后得到一組網(wǎng)絡(luò)權(quán)值與閾值,據(jù)此輸入預(yù)測樣本序列(表2)進(jìn)行試預(yù)報檢驗(yàn)。BP模型的相關(guān)參數(shù)配置為:輸入節(jié)點(diǎn)即輸入神經(jīng)元個數(shù),春季、夏季和秋季均為10個,冬季為8個,輸出節(jié)點(diǎn)為1,隱含節(jié)點(diǎn)根據(jù)試驗(yàn)選擇誤差最小的(本文為3),初始學(xué)習(xí)概率為0.01,目標(biāo)誤差為0.000 1。
表2 BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的輸入數(shù)據(jù)和模擬數(shù)據(jù)
圖2給出了BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果(以各季節(jié)某個月份為例),可看出BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型很好地預(yù)測出室內(nèi)氣溫的變化趨勢,預(yù)測精度較高。模型預(yù)測值與觀測值的均方根誤差RMSE分別為0.25 ℃、0.62 ℃、0.26 ℃和0.52 ℃,平均絕對誤差MAE均小于0.5 ℃(表4)。不同季節(jié)模型預(yù)測精度存在差異,春季和秋季預(yù)測精度最高,夏季預(yù)測精度最差。
圖2 2015年3月(a)、8月(b)、9月(c)和12月(d)基于BP神經(jīng)網(wǎng)絡(luò)的住宅室內(nèi)氣溫預(yù)測結(jié)果Fig.2 Daily residential indoor temperature prediction results based on BP neural network in 2015(a.March; b.August; c.September; d.December)
3.2 逐步回歸模型結(jié)果
基于表1中的相關(guān)性分析,利用逐步回歸分析進(jìn)行建模,各個季節(jié)建模序列和獨(dú)立檢驗(yàn)樣本序列的長度選取如表2所示。
從各預(yù)測方程(表3)可看出,每個模型選入的變量存在差異,但建筑室外40 cm地溫常被選作為最佳預(yù)報因子,可見它是影響室內(nèi)日平均氣溫的重要因子。由決定系數(shù)可看出各季節(jié)模型的擬合精度均較高,夏季模擬精度略低些。
表3 基于逐步回歸的??诰用褡≌覂?nèi)日平均氣溫預(yù)測模型
3.3 模型效果對比
為綜合比較上述兩個模型的預(yù)測效果,對預(yù)測檢驗(yàn)時段的所有試預(yù)報結(jié)果進(jìn)行整合(圖3)。整體而言,加入地溫的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測精度最佳。如表4所示,該模型在春季、夏季、秋季和冬季對室內(nèi)氣溫的預(yù)測值與觀測值的均方根誤差RMSE分別比逐步回歸模型提高了26.5%、34.7%、56.7%和25.7%,平均絕對誤差MAE分別提高了23.3%、44.7%、54.0%和15.4%;對于BP神經(jīng)網(wǎng)絡(luò)建模,采用地溫因子的模型比未采用地溫的模型在春季、夏季、秋季和冬季的預(yù)測精度(RMSE)分別提高了51.0%、18.4%、55.2%和29.7%。可見,非線性預(yù)測模型在住宅室內(nèi)氣溫預(yù)測方面具有較大的優(yōu)勢,同時地溫的加入對模型的預(yù)測精度有較大改進(jìn)。
圖3 海口住宅室內(nèi)氣溫BP神經(jīng)網(wǎng)絡(luò)模型(a)與逐步回歸模型(b)的預(yù)測效果比較Fig.3 Comparison of residential indoor temperature prediction results between BP neural network and stepwise regression analysis in Haikou
分季節(jié)來看,對于兩種不同的方法,春季和冬季的預(yù)測精度差異相對較小,而夏季和秋季BP神經(jīng)網(wǎng)絡(luò)模型的精度則明顯高于逐步回歸;對于BP神經(jīng)網(wǎng)絡(luò)模型,夏季模型是否加入地溫對預(yù)測精度的提高影響相對較小,而其他季節(jié)都有了明顯的提升。這一方面可能是由于BP神經(jīng)網(wǎng)絡(luò)方法本身的局限性造成;另一方面可能由于盛夏高溫天氣多,空調(diào)使用造成了一定的干涉,而其他季節(jié)干擾較小。
表4 不同季節(jié)??谧≌覂?nèi)氣溫預(yù)測誤差比較
注:A為未采用地溫,B為采用地溫。
通過對2014—2015年??诰用窠ㄖ覂?nèi)進(jìn)行小氣候觀測,利用室內(nèi)外氣象要素的關(guān)系,基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建不同季節(jié)住宅室內(nèi)氣溫的預(yù)測模型,并綜合評估模型的預(yù)測效果,得到以下結(jié)論:
①利用室外氣象要素作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù),室內(nèi)氣溫作為輸出參數(shù),建立??谧≌覂?nèi)氣溫預(yù)測模型,春季、夏季、秋季和冬季試預(yù)報結(jié)果的平均絕對誤差均小于0.5 ℃,可以滿足??诰用褡≌覂?nèi)氣溫的預(yù)測需求。不同季節(jié)模型的預(yù)測精度存在差異,春秋季精度最高、夏季最差。
②非線性預(yù)測模型在住宅室內(nèi)氣溫預(yù)測方面具有較大的優(yōu)勢,BP模型在不同季節(jié)的均方根誤差均比統(tǒng)計回歸模型有所提高。地溫的加入對模型的預(yù)測精度有較大改進(jìn),采用地溫的BP模型比未采用地溫的預(yù)測精度在不同季節(jié)都有了明顯的提高。
由于本文BP訓(xùn)練數(shù)據(jù)選自特定環(huán)境、特定時間,不具有普遍代表性,模型只限于解決某一時間段、特定環(huán)境的小氣候預(yù)測問題,其廣泛實(shí)用性需進(jìn)一步研究。另外,歸于觀測限制,未能獲取更多室內(nèi)觀測數(shù)據(jù)(濕度、風(fēng)等),有必要增加觀測要素,從而更好為探討海南城市居民建筑的空調(diào)和采光等設(shè)計方面提供參考。
[1] 陳若山.城市區(qū)域小氣候?qū)ㄖO(shè)計的影響[J].南方建筑,2004(4):12-13.
[2] 高建峰,莊大方,何玉琴,等.城市建筑格局對小氣候的影響[J].地球信息科學(xué),2007,9(5):14-19.
[3] 張明潔,張京紅,劉少軍,等.海南島1961—2011年氣候變化特征分析[J].熱帶作物學(xué)報, 2014,35(12): 2488-2495.
[4] 崔建云,董晨娥,左迎之,等.外部氣象條件對溫室內(nèi)溫濕變化的影響[J].氣象,2006,32(3):101-106.
[5] 張一平,李佑榮,王進(jìn)欣,等.低緯高原城市冬季南北朝向室內(nèi)溫濕特征的初步分析[J].熱帶氣象學(xué)報,2001,17(3):265-272.
[6] 沈鐵元,廖移山.武漢市夏季民宅小氣候觀測與分析[J].氣象,2002,28(2):25-28.
[7] 李環(huán)姣,董婕,丁金梅,等.西安市春夏季高校宿舍室內(nèi)小氣候觀測與分析[J].西北師范大學(xué)學(xué)報:自然科學(xué)版,2007,43(3):102-106.
[8] 汪小旵,丁為民,羅衛(wèi)紅,等.利用BP神經(jīng)網(wǎng)絡(luò)對江淮地區(qū)美譽(yù)季節(jié)現(xiàn)代化溫室小氣候的模擬與分析[J].農(nóng)業(yè)工程學(xué)報,2004,20(2):235-238.
[9] 朱穎心.建筑環(huán)境學(xué)(第三版)[M].北京:中國建筑工業(yè)出版社,2010.
Forecast of residential indoor temperature based on BP neural network in Haikou
XING Caiying1,2,ZHANG Jinghong1,2,HUANG Haijing1,2
(1.Hainan Provincial Climate Center, Haikou 570203,China;2.Key Laboratory of South China Sea Meteorological Disaster Prevention and Mitigation of Hainan Province, Haikou 570203,China)
By using indoor microclimate observation data in Haikou residential building and outdoor meteorological elements during the period from January in 2014 to December in 2015, the BP neural network forecast models were developed to predict the seasonal residential indoor temperature in Haikou, then, they were compared with the statistical regression models to evaluate the prediction effects comprehensively. The results show that, the BP models have higher prediction accuracy, there are differences in different seasons, the best result is in spring and autumn, while the worst result is in summer, and addition of ground temperature can improve a lot on the prediction precision. The root mean squared errors between the predicted and the observed residential indoor temperature in the different seasons are 0.25 ℃, 0.62 ℃, 0.26 ℃ and 0.52 ℃, the mean absolute error are both less than 0.5 ℃,that is, errors of the BP neural network forecast models are in reasonable range. What's more, prediction accuracy (RMSE) increases by 26.5%, 34.7%, 56.7% and 25.7% than that of statistical regression models. It is obvious that the BP models can meet the forecast requirements for residential building indoor temperature in Haikou, which can provide effective basic data for the research of indoor living environment and building energy consumption.
residential indoor temperature; BP neural network; stepwise regression analysis; forecast model
1003-6598(2016)05-0038-05
2016-07-05
邢彩盈(1987—),女,工程師,主要從事氣候分析及短期氣候預(yù)測工作, E-mail:18876777858@163.com。
中國氣象局氣候變化專項(xiàng)(CCSF201307);海南省氣象局科技創(chuàng)新項(xiàng)目(HN2013MS11)。
P457.3
B