高 揚(yáng)陳 坦胡海濤

（1.上海交通大學(xué)制冷與低溫研究所 上海 200240；2.上海交通大學(xué)機(jī)器人研究所 上海 200240）

基于神經(jīng)網(wǎng)絡(luò)的建筑節(jié)能預(yù)測(cè)方法

高 揚(yáng)1陳 坦2胡海濤1

（1.上海交通大學(xué)制冷與低溫研究所 上海 200240；2.上海交通大學(xué)機(jī)器人研究所 上海 200240）

為了達(dá)到減少建筑能耗的目的，提出一種基于神經(jīng)網(wǎng)絡(luò)的建筑節(jié)能預(yù)測(cè)方法，以較小的代價(jià)精確預(yù)測(cè)建筑的熱環(huán)境變化規(guī)律。研究結(jié)果表明，基于前向神經(jīng)網(wǎng)絡(luò)建立的建筑節(jié)能預(yù)測(cè)方法只需要安裝15個(gè)溫度傳感器便能精確預(yù)測(cè)101個(gè)房間的建筑溫度和熱功率，大幅度地節(jié)省了成本，其預(yù)估的誤差在6%左右，準(zhǔn)確度達(dá)到90%以上，具有潛在的應(yīng)用價(jià)值。后期可以將該技術(shù)應(yīng)用于建筑智能管理系統(tǒng)，向居住者反饋建筑熱環(huán)境信息，培養(yǎng)居住者生態(tài)消費(fèi)習(xí)慣，為可持續(xù)發(fā)展提供支持。

神經(jīng)網(wǎng)絡(luò)；熱仿真模型；節(jié)能預(yù)測(cè)；熱環(huán)境變化；建筑智能管理系統(tǒng)

0 引言

建筑能耗作為耗能大戶，約占到全世界終端能耗總量的35%[1]。而在中國(guó)，隨著人口的快速增長(zhǎng)和城市化進(jìn)程的加快，建筑數(shù)量和建筑的能源需求都在急劇增長(zhǎng)。根據(jù)中國(guó)住房與城鄉(xiāng)建設(shè)部的統(tǒng)計(jì)結(jié)果顯示[2]，2008年中國(guó)的建筑能耗已占到總能耗的27.8%，幾乎是1980年的10%的能耗比例的三倍。而在2013-1014年建筑能耗比重預(yù)計(jì)將上升到30%-40%，從而取代工業(yè)能耗和交通能耗，成為中國(guó)耗能最多的行業(yè)[3]，建筑節(jié)能的工作已經(jīng)刻不容緩。

在過(guò)去的幾十年建筑節(jié)能技術(shù)已經(jīng)成為研究的熱點(diǎn)，并逐漸發(fā)展成兩種研究趨勢(shì)。第一種是建筑的被動(dòng)節(jié)能方法，即對(duì)建筑的圍護(hù)結(jié)構(gòu)（如外墻、外窗、屋面等）進(jìn)行優(yōu)化，通過(guò)材料和結(jié)構(gòu)的改變?cè)鰪?qiáng)熱性能，減少能耗負(fù)荷[4]，建造“低能耗建筑”；第二種是主動(dòng)節(jié)能技術(shù)，如建筑智能管理系統(tǒng)的使用。建筑智能管理系統(tǒng)通過(guò)對(duì)建筑物能量流的實(shí)時(shí)監(jiān)視和優(yōu)化利用，實(shí)現(xiàn)了建筑整體和各分系統(tǒng)（暖氣、通風(fēng)、空調(diào)設(shè)備）的能耗管理[5]，具有較好的應(yīng)用前景，這其中最常用的智能管理手段就是對(duì)建筑的熱環(huán)境進(jìn)行實(shí)時(shí)監(jiān)控和調(diào)節(jié)。在各個(gè)房間安裝溫度傳感器和功率傳感器來(lái)進(jìn)行實(shí)測(cè)是常用的手段，但是對(duì)公共建筑，特別是大型的公共建筑而言，由于建筑體量大房間多，對(duì)所有房間分別進(jìn)行實(shí)測(cè)無(wú)疑耗費(fèi)巨大。

人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用，使得精確預(yù)測(cè)復(fù)雜建筑系統(tǒng)的耗能情況成為可能。二十世紀(jì)中期，已經(jīng)有研究證明人工神經(jīng)網(wǎng)絡(luò)在計(jì)算任何函數(shù)和算術(shù)的可操作性[6]。作為一種仿生結(jié)構(gòu)，它由大量的神經(jīng)元相互連接構(gòu)成，每個(gè)節(jié)點(diǎn)是一個(gè)非線性函數(shù)并且每個(gè)神經(jīng)元之間聯(lián)系的權(quán)重也各不相同[7]。只要外界施以一定量的輸入，通過(guò)內(nèi)部神經(jīng)元間復(fù)雜的處理計(jì)算，它就能給出指定的輸出，預(yù)測(cè)相應(yīng)的結(jié)果，并且保證結(jié)果控制在可接受的誤差范圍內(nèi)。而內(nèi)部神經(jīng)元間如何傳遞及處理信息的這種能力則需要依靠“學(xué)習(xí)”獲得，也就是通過(guò)一些觀測(cè)和樣本數(shù)據(jù)讓它進(jìn)行特別的訓(xùn)練來(lái)自適應(yīng)和自學(xué)習(xí)[8]，從而得到符合樣本行為的內(nèi)部模型算法。一旦負(fù)荷建筑系統(tǒng)行為的模型建立好，它們就可以在提供輸入的條件下被應(yīng)用來(lái)對(duì)需要的數(shù)據(jù)進(jìn)行可靠的預(yù)測(cè)和處理。

為了達(dá)到減少建筑能耗的目的，本文嘗試提出一種基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法，以較小的代價(jià)精確預(yù)測(cè)建筑各個(gè)空間的熱環(huán)境（溫度、負(fù)荷等）變化，實(shí)時(shí)地將預(yù)測(cè)信息反饋給建筑智能管理系統(tǒng)，便于建筑節(jié)能管理和主動(dòng)調(diào)控。

1 研究目的和方法

本文研究思路主要包括建筑熱仿真和神經(jīng)網(wǎng)絡(luò)應(yīng)用兩部分。

通過(guò)收集研究建筑的建造技術(shù)信息，建立了建筑的熱仿真模型，對(duì)其進(jìn)行實(shí)測(cè)標(biāo)定，繼而得到大容量的樣本數(shù)據(jù)庫(kù)。

將數(shù)據(jù)庫(kù)的樣本數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)方法，通過(guò)不斷的迭代優(yōu)化，得到符合該建筑能耗變化規(guī)律的數(shù)學(xué)模型，通過(guò)實(shí)測(cè)驗(yàn)證模型誤差在可接受的范圍內(nèi)。

通過(guò)神經(jīng)網(wǎng)絡(luò)方法得出的數(shù)學(xué)模型，就可以根據(jù)少量傳感器的實(shí)測(cè)數(shù)據(jù)為輸入條件，計(jì)算出建筑物各個(gè)房間精確的溫度和功率變化。

2 建筑熱仿真模型

2.1 建筑熱仿真模型的建立和標(biāo)定

當(dāng)前用于建立建筑熱仿真模型和能耗模擬的軟件有多種，如EnergyPlus，DOE-2，DeST等[9]。本文采用法國(guó)通用的建筑熱仿真軟件Pleiades+Comfie，對(duì)來(lái)自法國(guó)D市的某公共辦公樓進(jìn)行建模和研究。D市緯度在50°左右，在冬令時(shí)中需要采取供暖措施。該建筑共有二層，要求能滿足冬令時(shí)的供暖需求和日常使用的能耗需要（辦公設(shè)備等），目前已使用15年。如圖1所示為建筑實(shí)物圖和3D仿真模型。

圖1 D市某公共辦公樓Fig.1 Office building in Douai

為了便于建立熱模型，該建筑被分割成若干個(gè)區(qū)域，定義為熱域。每個(gè)熱域可以是一個(gè)或是多個(gè)房間，具有相同的熱物性，即溫度相同。各個(gè)熱域通過(guò)建立網(wǎng)格，被賦予不同時(shí)間常數(shù)的方程組，方程組的參數(shù)會(huì)根據(jù)輸入材料和組成的不同改變。一個(gè)熱域某時(shí)刻的輸出溫度會(huì)成為相鄰熱域的輸入條件，以此進(jìn)行迭代。方程組之間進(jìn)行耦合，繼而建立建筑的整體數(shù)學(xué)模型，并根據(jù)時(shí)間步長(zhǎng)進(jìn)行仿真計(jì)算，圖2為建筑各層的熱域劃分圖。

圖2 熱域分布圖Fig.2 Distribution map of thermal zone

熱域建立后，再根據(jù)熱域的分布確定建筑內(nèi)與所有熱域都相連的公共區(qū)域，這些區(qū)域作為參考區(qū)域，將安裝少量的傳感器，用于進(jìn)行模型的驗(yàn)證和神經(jīng)網(wǎng)絡(luò)方法的輸入條件。除此以外，還將有一個(gè)傳感器安裝在室外，用于測(cè)量室外環(huán)境溫度。圖3為第一層的傳感器安裝圖（2層共計(jì)15個(gè)傳感器）。

圖3 第一層的傳感器安裝圖Fig.3 Installation map of sensors in the first floor

熱仿真需要考慮建筑整體的熱耗散，太陽(yáng)能得熱，建筑的熱慣性和當(dāng)?shù)氐沫h(huán)境溫度，同時(shí)應(yīng)根據(jù)實(shí)際情況對(duì)建筑使用者的居住方案，制冷/制熱溫度設(shè)定方案和用電設(shè)備方案等進(jìn)行設(shè)定。設(shè)定完畢后，通過(guò)仿真計(jì)算得出室內(nèi)各個(gè)房間溫度和負(fù)荷變化規(guī)律。

熱仿真模型初步建立后需要通過(guò)溫度實(shí)測(cè)對(duì)其進(jìn)行標(biāo)定，通過(guò)不斷的修正來(lái)減小熱橋等不確定因素造成的誤差[10]。結(jié)果表明，與連續(xù)一個(gè)月的實(shí)測(cè)溫度相比，標(biāo)定后模型計(jì)算結(jié)果的相對(duì)誤差控制在10%以內(nèi)，如圖4所示。

圖4 一個(gè)月的實(shí)測(cè)溫度（300個(gè)實(shí)測(cè)點(diǎn)）和仿真計(jì)算溫度的相對(duì)誤差（℃）Fig.4 Relative errors of measured temperatures and simulated temperatures over one month (300 points)

2.2 樣本數(shù)據(jù)庫(kù)的獲得

建筑熱仿真需要提供一個(gè)盡可能大的樣本數(shù)據(jù)庫(kù)，以滿足神經(jīng)網(wǎng)絡(luò)方法不斷迭代優(yōu)化的要求。為了得到這些數(shù)據(jù)，對(duì)建筑室內(nèi)溫度設(shè)定了一個(gè)變化范圍，即從10℃到30℃，按+1℃遞增，外部溫度仍然取D市的環(huán)境溫度，共有31組對(duì)照組輸入熱仿真模型，經(jīng)過(guò)計(jì)算，總共得到32000個(gè)房間溫度和負(fù)荷的樣本數(shù)據(jù)。

3 神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與構(gòu)建

神經(jīng)網(wǎng)絡(luò)可以用來(lái)得到大樓里各個(gè)房間的溫度和制熱功率，尤其是沒(méi)有安裝溫度傳感器區(qū)域的數(shù)據(jù)。本文研究建筑的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型用前向神經(jīng)網(wǎng)絡(luò)（BP網(wǎng)絡(luò)）來(lái)建立。作為人工神經(jīng)網(wǎng)絡(luò)中的一種模型，前向網(wǎng)絡(luò)算法計(jì)算量小、并行性強(qiáng)，是目前神經(jīng)網(wǎng)絡(luò)訓(xùn)練中使用廣泛并且也是最成熟的訓(xùn)練算法之一，相較于其他模型它能夠更加簡(jiǎn)單直接的通過(guò)數(shù)據(jù)建立有效的模型算法。前向網(wǎng)絡(luò)的模型結(jié)構(gòu)大致如圖5所示。

圖5 前向網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.5 Structure of BP neural network

第一層神經(jīng)元為輸入層，在本論文研究的對(duì)象中，輸入層也就是15個(gè)傳感器的溫度，包括14個(gè)分布在大樓走廊的測(cè)點(diǎn)溫度（Ti表示）以及1個(gè)Douai室外環(huán)境溫度（Te表示）。因此本例中輸入層是15個(gè)神經(jīng)元。

中間層為隱含層，層數(shù)可以單層或多層，并且每一層的神經(jīng)元個(gè)數(shù)也不是一定的。隱含層層數(shù)和各層神經(jīng)元數(shù)目的不同直接影響得到的人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確度，因此建立人工神經(jīng)網(wǎng)絡(luò)可以用多組參數(shù)測(cè)試，然后比較選擇最優(yōu)的模型。

最后一層神經(jīng)元為輸出層，也即需要得到的特性數(shù)據(jù)。本論文研究的對(duì)象中，輸出層是大樓各個(gè)房間的溫度和制熱功率的預(yù)測(cè)值，因此本例中輸出層共202個(gè)神經(jīng)元（包括101個(gè)溫度數(shù)據(jù)τi和101個(gè)制熱功率數(shù)據(jù)Pi）。

如圖6中所示，隱含層中各個(gè)神經(jīng)元的輸出都由上一層各個(gè)神經(jīng)元按一定權(quán)重求和后用非線性函數(shù)計(jì)算得到。

圖6 神經(jīng)元的非線性處理模式Fig.6 Nonlinearity feature of neurons

神經(jīng)元的輸出由下式給出：

這里輸入的加權(quán)和由一個(gè)非線性函數(shù)（激勵(lì)函數(shù)）傳遞，b表示與偏差輸入相關(guān)的權(quán)值，wi表示與第i個(gè)輸入相關(guān)的權(quán)值。在本論文中對(duì)大樓的熱模型用神經(jīng)網(wǎng)絡(luò)建模時(shí)，選用S形的正切函數(shù)作為隱含層神經(jīng)元的激勵(lì)函數(shù)。

BP算法可以看作是求解誤差函數(shù)的最小值，它通常采用非線性規(guī)劃中的最速下降方法來(lái)實(shí)現(xiàn)，即按誤差梯度下降方向修改權(quán)值，為加快尋找最優(yōu)權(quán)值的速度，可以使用動(dòng)量法。其原理是用附加動(dòng)量因子調(diào)節(jié)，如果上一個(gè)權(quán)重積累方向和暗示方向一致，動(dòng)量因子加速這個(gè)改變，反之如果積累方向和暗示方向相反，動(dòng)量因子阻礙權(quán)值往這個(gè)方向的改變。這樣就加速了最優(yōu)權(quán)值的尋找，也減小求最優(yōu)值過(guò)程的震蕩，保證了計(jì)算過(guò)程穩(wěn)定性。

研究建筑采用BP算法的程序流程如圖7所示。

圖7 BP算法流程圖Fig.7 Flow diagram of BP algorithm

圖8 MatLab運(yùn)算過(guò)程和結(jié)果Fig.8 Simulation and result by MatLab

最后，大樓熱模型的神經(jīng)網(wǎng)絡(luò)參數(shù)可以確定如下：輸入層神經(jīng)元15個(gè)（對(duì)應(yīng)D市室外環(huán)境溫度和大樓走廊14個(gè)測(cè)點(diǎn)溫度），單層隱含層，輸出層神經(jīng)元202個(gè)（對(duì)應(yīng)大樓各個(gè)房間的溫度和制熱功率數(shù)據(jù)，即101個(gè)溫度預(yù)測(cè)值和101個(gè)制熱功率預(yù)測(cè)值），隱含層神經(jīng)元采用S形正切激勵(lì)函數(shù)，輸出層神經(jīng)元用線性激勵(lì)函數(shù)，訓(xùn)練步數(shù)設(shè)定為0.01，附加動(dòng)量因子0.9。訓(xùn)練的樣本個(gè)數(shù)為導(dǎo)入總體樣本的70%，剩下的30%樣本用來(lái)校檢網(wǎng)絡(luò)模型準(zhǔn)確度。因此可以通過(guò)MatLab調(diào)用Neural Network Toolbox里的相關(guān)函數(shù)來(lái)求解神經(jīng)網(wǎng)絡(luò)模型，圖8所示為相關(guān)運(yùn)算過(guò)程和結(jié)果。

就本文研究建筑而言，多層隱含層不一定更優(yōu)，例用雙層隱含層（分別有105個(gè)神經(jīng)元和35個(gè)神經(jīng)元）進(jìn)行測(cè)試，得到的模型誤差大約是單層隱含層的兩倍。因此本例神經(jīng)網(wǎng)絡(luò)建模采用單層隱含層。圖9表明隱含層神經(jīng)元數(shù)目的不同對(duì)神經(jīng)網(wǎng)絡(luò)模型誤差的影響（樣本數(shù)量1000）。

圖9 神經(jīng)網(wǎng)絡(luò)求解結(jié)果比較Fig.9 Model errors with different hidden layer neurons number

上圖第一欄是隱含層神經(jīng)元數(shù)目；第二欄表示迭代50輪后神經(jīng)網(wǎng)絡(luò)的誤差，可以觀察到隱含層神經(jīng)元數(shù)目在[85,95]和[115,120]區(qū)間誤差較小；第三欄表示神經(jīng)網(wǎng)絡(luò)測(cè)試準(zhǔn)確度，第四欄表示校驗(yàn)準(zhǔn)確度，第五欄是取前兩個(gè)準(zhǔn)確度的平均值，可以觀察到隱含層神經(jīng)元數(shù)目[85,95]和[115,120]區(qū)間準(zhǔn)確度更高。

為了進(jìn)一步確定更優(yōu)的神經(jīng)網(wǎng)絡(luò)模型，接下來(lái)調(diào)整樣本數(shù)量分別進(jìn)行測(cè)試。多次試驗(yàn)后發(fā)現(xiàn)隱含層神經(jīng)元數(shù)目取95時(shí)，生成的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)綜合表現(xiàn)最優(yōu)，如圖10所示。預(yù)估誤差在6%附近，準(zhǔn)確度可以達(dá)到90%以上。

圖10 調(diào)整樣本數(shù)量神經(jīng)網(wǎng)絡(luò)表現(xiàn)Fig.10 Neural network performance based on different amounts of samples

以上基于MatLab進(jìn)行的神經(jīng)網(wǎng)絡(luò)模型的建立和測(cè)試一方面證明了神經(jīng)網(wǎng)絡(luò)在大樓建筑熱模型的參數(shù)預(yù)估上的準(zhǔn)確度和可操作性，理論上，當(dāng)訓(xùn)練樣本數(shù)目越大，迭代次數(shù)越多，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)準(zhǔn)確度越高，不過(guò)這樣訓(xùn)練的時(shí)間消耗也越長(zhǎng)，因此在調(diào)用樣本進(jìn)行訓(xùn)練時(shí)要綜合考慮；另一方面也可以協(xié)助選擇最優(yōu)的神經(jīng)網(wǎng)絡(luò)參數(shù)，為后期用通用程序語(yǔ)言編寫神經(jīng)網(wǎng)絡(luò)模型做好鋪墊。

4 結(jié)論

本文提出了基于神經(jīng)網(wǎng)絡(luò)的建筑節(jié)能預(yù)測(cè)方法，結(jié)果表明：

（1）基于前向神經(jīng)網(wǎng)絡(luò)建立的建筑節(jié)能預(yù)測(cè)方法只需要安裝15個(gè)溫度傳感器便能精確預(yù)測(cè)101個(gè)房間的建筑溫度和熱功率，大幅度地節(jié)省了成本，其預(yù)估的誤差在6%左右，準(zhǔn)確度達(dá)到90%以上，從而在原理和試驗(yàn)角度論證了神經(jīng)網(wǎng)絡(luò)系統(tǒng)的準(zhǔn)確度和可操作性。

（2）后期可以應(yīng)用該技術(shù)到建筑智能管理系統(tǒng)，將實(shí)時(shí)預(yù)估的溫度功率數(shù)據(jù)存入數(shù)據(jù)庫(kù)，讀取后用網(wǎng)站的形式向大樓用戶實(shí)時(shí)顯示當(dāng)前熱環(huán)境狀況，讓居住者主動(dòng)地參與調(diào)控和節(jié)能管理。在培養(yǎng)居住者良好的生態(tài)消費(fèi)習(xí)慣的同時(shí)，也可以大大減少建筑能源消耗，為可持續(xù)發(fā)展提供有力支持。

[1] International Energy Agency (IEA). World Energy Outlook 2012.

[2] 統(tǒng)計(jì)局.第二次全國(guó)農(nóng)業(yè)普查主要數(shù)據(jù)公報(bào)（第5號(hào)）[J].中國(guó)政府網(wǎng)站,2008:2-27.

[3] 江億.中國(guó)建筑節(jié)能年度發(fā)展研究報(bào)告 2007[D].北京:中國(guó)建筑工業(yè)出版社,2007.

[4] 吳澤玲,龍惟定.上海公共建筑圍護(hù)結(jié)構(gòu)節(jié)能改造與空調(diào)運(yùn)行模式的優(yōu)化分析[J].暖通空調(diào),2008,38(3): 42-45.

[5] Tashtoush B, Molhim M, Al-Rousan M. Dynamic model of an HVAC system for control analysis[J]. Energy, 2005,30(10):1729-1745.

[6] Hagan M T.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[M].戴葵等（譯）.北京:機(jī)械工業(yè)出版社,2002.

[7] 劉冰登.MATLAB神經(jīng)網(wǎng)絡(luò)超級(jí)學(xué)習(xí)手冊(cè)[M].北京:人民郵電出版社,2014.

[8] Samarasinghe.神經(jīng)網(wǎng)絡(luò)在應(yīng)用科學(xué)和工程中的應(yīng)用--從基本原理到復(fù)雜的模式識(shí)別[M].史曉霞等（譯）.北京:機(jī)械工業(yè)出版社,2010.

[9] 潘毅群,左明明,李玉明.建筑能耗模擬-綠色建筑設(shè)計(jì)與建筑節(jié)能改造的支持工具之一基本原理與軟件[J].制冷與空調(diào),2008,22(3):10-16.

[10] 任俊.熱橋的影響區(qū)域[J].暖通空調(diào),2001,31(6): 109-111.

Forecasting Method of Energy-saving Building Based on Artificial Neural Network

Gao Yang1Chen Tan2Hu Haitao1
( 1.Refrigeration and Cryogenics Institute of Shanghai Jiao Tong University, Shanghai, 200240; 2.Robotics Institute of Shanghai Jiao Tong University, Shanghai, 200240 )

In order to reduce energy consumption of building, a forecasting method of energy-saving building based on artificial neural network is proposed to predict the variation of building’s thermal environment with a small cost. The result shows that the forecasting method based on back propagation artificial neutral network is able to predict the temperature and the thermal power of 101 rooms, with only the installation of 15 temperature sensors. It significantly decreased the cost, besides, the estimated error is about 6% and the accuracy is above 90%, which means a value of potential application. In later period, this technique is available for intelligent building management systems, providing the feedback information of thermal environment to occupants, developing their eco-consumption habit and supporting sustainable development.

Artificial Neural Network; Model of thermal simulation; NEnergy-saving forecast; Variation of thermal environment; Intelligent building management systems

TU201.5

A

1671-6612（2017）01-009-05

高 揚(yáng)（1991.10-），男，在讀碩士研究生，E-mail：simon_yanggao@hotmail.com

胡海濤（1978-），男，副教授，E-mail：huhaitao2001@sjtu.edu.cn.

2015-12-13