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 ?？?570203)

?

基于BP神經(jīng)網(wǎng)絡(luò)的?？谧≌覂?nèi)氣溫預(yù)測(cè)

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 ?？?570203；2.南海氣象防災(zāi)減災(zāi)重點(diǎn)實(shí)驗(yàn)室，海南 ?？?570203)

利用2014年1月—2015年12月海南?？诰用褡≌覂?nèi)小氣候觀測(cè)數(shù)據(jù)和室外氣象要素，基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建海口住宅室內(nèi)氣溫預(yù)測(cè)模型，通過與統(tǒng)計(jì)回歸模型相比來綜合評(píng)估模型的預(yù)測(cè)效果。結(jié)果表明：BP模型預(yù)測(cè)精度較高，不同季節(jié)預(yù)測(cè)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(duì)模型預(yù)測(cè)精度有較大改進(jìn)。不同季節(jié)采用地溫的BP模型對(duì)室內(nèi)氣溫的預(yù)測(cè)值與觀測(cè)值的均方根誤差分別為0.25 ℃、0.62 ℃、0.26 ℃和0.52 ℃，平均絕對(duì)誤差均小于0.5 ℃，即誤差均在合理范圍內(nèi)。且預(yù)測(cè)精度(RMSE)較統(tǒng)計(jì)回歸模型分別提高了26.5%、34.7%、56.7%和25.7%?？梢娫撃Ｐ涂梢詽M足?？诰用褡≌覂?nèi)氣溫的預(yù)測(cè)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(cè)模型

1 引言

隨著海南城市經(jīng)濟(jì)與社會(huì)的發(fā)展，居民生活水平的提高，對(duì)居住舒適度的要求大大提高，人們?cè)絹碓疥P(guān)注建筑內(nèi)部小氣候狀況。相對(duì)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(duì)人的情緒和健康會(huì)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(zhǎng)趨勢(shì)，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(duì)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(duì)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(duì)建筑室內(nèi)小氣候要素的研究相對(duì)少，且主要集中于對(duì)其變化特征的分析[5]，在室內(nèi)溫濕度的模擬預(yù)測(cè)方面(尤其在熱帶地區(qū))研究較少。由于對(duì)建筑室內(nèi)小氣候的研究大多基于臨時(shí)觀測(cè)，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(cè)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(jì)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(bào)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(bào)方程。現(xiàn)有日光溫室小氣候預(yù)測(cè)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(cè)模型[8]，可見利用神經(jīng)網(wǎng)絡(luò)建立非線性預(yù)測(cè)模型是切實(shí)可行的。

因此，本研究基于對(duì)住宅區(qū)的室內(nèi)小氣候觀測(cè)，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(cè)模型，評(píng)估其預(yù)測(cè)優(yōu)勢(shì)，以期適用于?？诘貐^(qū)住宅室內(nèi)氣溫的預(yù)測(cè)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(jì)方面提供有效的基礎(chǔ)數(shù)據(jù)。

2 資料與方法

2.1 觀測(cè)資料

住宅室內(nèi)觀測(cè)資料來源于海南省氣象局大院住宅室內(nèi)小氣候觀測(cè)試驗(yàn)，觀測(cè)時(shí)間為2014年1月—2015年12月。觀測(cè)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(duì)住宅室內(nèi)進(jìn)行24 h的連續(xù)觀測(cè)，數(shù)據(jù)每隔l h自動(dòng)采集一次，觀測(cè)項(xiàng)目為室內(nèi)逐時(shí)氣溫、室內(nèi)相對(duì)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(cè)地點(diǎn)最近，且與建筑附近氣候條件相似的氣象觀測(cè)站，觀測(cè)要素有逐時(shí)氣溫、相對(duì)濕度、云量、日照時(shí)數(shù)、風(fēng)速和地表溫度等，并對(duì)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(cuò)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(cè)模型，并與線性回歸模型進(jìn)行對(duì)比分析。

2.2.1 模型輸入層因子 選取建筑室外各氣象觀測(cè)資料作為室內(nèi)氣溫預(yù)測(cè)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(bào)精度。常見的對(duì)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(duì)濕度、風(fēng)速、日照時(shí)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(duì)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(duì)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?？煽闯觯覂?nèi)氣溫與建筑室外各個(gè)溫度因子相關(guān)性均較大，與日平均風(fēng)速、日照時(shí)數(shù)的相關(guān)性相對(duì)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 ?？谧≌覂?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(jí)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(jì)算公式為：

(1)

式中，Xio為觀測(cè)數(shù)據(jù)；Xmax、Xmin分別為觀測(cè)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(duì)應(yīng)模型的輸入變量(表1)，春夏秋季模型均采用10個(gè)輸入變量，冬季采用8個(gè)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(gè)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(hào)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(cè)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(cè)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(duì)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(píng)估指標(biāo)

利用均方根誤差RMSE和平均絕對(duì)誤差MAE對(duì)居民建筑室內(nèi)氣溫預(yù)測(cè)模型進(jìn)行評(píng)估，計(jì)算公式如下：

(7)

(8)

為了避免預(yù)測(cè)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(bào)試驗(yàn)，這樣能較好評(píng)估預(yù)測(cè)方法和模型的預(yù)測(cè)技巧和穩(wěn)定性。

3 結(jié)果分析

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(duì)住宅室內(nèi)日平均氣溫進(jìn)行模擬預(yù)測(cè)，并與逐步回歸模型進(jìn)行對(duì)比，綜合評(píng)估模型的預(yù)測(cè)效果，為不同季節(jié)室內(nèi)日平均氣溫的預(yù)測(cè)提供依據(jù)。

3.1 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果

針對(duì)各個(gè)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(duì)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(cè)樣本序列(表2)進(jìn)行試預(yù)報(bào)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(gè)數(shù)，春季、夏季和秋季均為10個(gè)，冬季為8個(gè)，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(cè)效果(以各季節(jié)某個(gè)月份為例)，可看出BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型很好地預(yù)測(cè)出室內(nèi)氣溫的變化趨勢(shì)，預(yù)測(cè)精度較高。模型預(yù)測(cè)值與觀測(cè)值的均方根誤差RMSE分別為0.25 ℃、0.62 ℃、0.26 ℃和0.52 ℃，平均絕對(duì)誤差MAE均小于0.5 ℃(表4)。不同季節(jié)模型預(yù)測(cè)精度存在差異，春季和秋季預(yù)測(cè)精度最高，夏季預(yù)測(cè)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(cè)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(gè)季節(jié)建模序列和獨(dú)立檢驗(yàn)樣本序列的長(zhǎng)度選取如表2所示。

從各預(yù)測(cè)方程(表3)可看出，每個(gè)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(bào)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 基于逐步回歸的海口居民住宅室內(nèi)日平均氣溫預(yù)測(cè)模型

3.3 模型效果對(duì)比

為綜合比較上述兩個(gè)模型的預(yù)測(cè)效果，對(duì)預(yù)測(cè)檢驗(yàn)時(shí)段的所有試預(yù)報(bào)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(cè)模型的預(yù)測(cè)精度最佳。如表4所示，該模型在春季、夏季、秋季和冬季對(duì)室內(nèi)氣溫的預(yù)測(cè)值與觀測(cè)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(duì)誤差MAE分別提高了23.3%、44.7%、54.0%和15.4%；對(duì)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(cè)精度(RMSE)分別提高了51.0%、18.4%、55.2%和29.7%?？梢?，非線性預(yù)測(cè)模型在住宅室內(nèi)氣溫預(yù)測(cè)方面具有較大的優(yōu)勢(shì)，同時(shí)地溫的加入對(duì)模型的預(yù)測(cè)精度有較大改進(jìn)。

圖3 ?？谧≌覂?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(cè)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(duì)于兩種不同的方法，春季和冬季的預(yù)測(cè)精度差異相對(duì)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(duì)于BP神經(jīng)網(wǎng)絡(luò)模型，夏季模型是否加入地溫對(duì)預(yù)測(cè)精度的提高影響相對(duì)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(cè)誤差比較

注：A為未采用地溫，B為采用地溫。

4 結(jié)論與討論

通過對(duì)2014—2015年?？诰用窠ㄖ覂?nèi)進(jìn)行小氣候觀測(cè)，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(cè)模型，并綜合評(píng)估模型的預(yù)測(cè)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(cè)模型，春季、夏季、秋季和冬季試預(yù)報(bào)結(jié)果的平均絕對(duì)誤差均小于0.5 ℃，可以滿足?？诰用褡≌覂?nèi)氣溫的預(yù)測(cè)需求。不同季節(jié)模型的預(yù)測(cè)精度存在差異，春秋季精度最高、夏季最差。

②非線性預(yù)測(cè)模型在住宅室內(nèi)氣溫預(yù)測(cè)方面具有較大的優(yōu)勢(shì)，BP模型在不同季節(jié)的均方根誤差均比統(tǒng)計(jì)回歸模型有所提高。地溫的加入對(duì)模型的預(yù)測(cè)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(cè)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(shí)間，不具有普遍代表性，模型只限于解決某一時(shí)間段、特定環(huán)境的小氣候預(yù)測(cè)問題，其廣泛實(shí)用性需進(jìn)一步研究。另外，歸于觀測(cè)限制，未能獲取更多室內(nèi)觀測(cè)數(shù)據(jù)(濕度、風(fēng)等)，有必要增加觀測(cè)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(jì)方面提供參考。

[1] 陳若山.城市區(qū)域小氣候?qū)ㄖO(shè)計(jì)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(duì)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(bào), 2014,35(12): 2488-2495.

[4] 崔建云,董晨娥,左迎之,等.外部氣象條件對(duì)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(bào),2001,17(3):265-272.

[6] 沈鐵元,廖移山.武漢市夏季民宅小氣候觀測(cè)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(cè)與分析[J].西北師范大學(xué)學(xué)報(bào):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(duì)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(bào),2004,20(2):235-238.

[9] 朱穎心.建筑環(huán)境學(xué)(第三版)[M].北京:中國(guó)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(cè)工作， E-mail:18876777858@163.com。

中國(guó)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