李嘉玲 蔣艷

摘 要：數(shù)據(jù)挖掘技術(shù)與建筑工程之間的知識跨度較大，將兩者完美融合起來存在一定難度，實(shí)際工程中也缺乏相關(guān)案例，因此在建筑工程中應(yīng)用數(shù)據(jù)挖掘技術(shù)挖掘相關(guān)信息，為大型公共建筑用電能耗預(yù)測提供參考依據(jù)，是建筑領(lǐng)域一種新的發(fā)展趨勢?；趯步ㄖ秒娔芎奶匦缘姆治?，可利用Python構(gòu)建BP神經(jīng)網(wǎng)絡(luò)建筑能耗預(yù)測模型，再將某公共建筑作為研究對象，確定影響建筑用電能耗的關(guān)鍵因素，并將其作為網(wǎng)絡(luò)的輸入?yún)?shù)進(jìn)行學(xué)習(xí)訓(xùn)練得出預(yù)測值。研究結(jié)果表明：預(yù)測模型在不同參數(shù)下，當(dāng)隱含層個數(shù)為8時，誤差平方和最小，為0.000 139 6，此時BP神經(jīng)網(wǎng)絡(luò)能夠較精確地預(yù)測公共建筑用電能耗值。

關(guān)鍵詞：建筑能耗;BP神經(jīng)網(wǎng)絡(luò);Python;預(yù)測模型

DOI：10. 11907/rjdk. 182553 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP302文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2019）007-0049-04

Research on Prediction of Electricity Consumption of

Public Buildings Based on BP Neural Network

LI Jia-ling， JIANG Yan

（School of Management， University of Shanghai for Science and Technology， Shanghai 200093，China）

Abstract： The knowledge span between data mining technology and construction engineering is large. It is difficult to integrate the two perfectly. There is no relevant case in actual engineering. Therefore， using data mining technology to mine relevant information in construction engineering is used for large public buildings. The reference for electric energy consumption prediction is a new development trend in the construction field. Based on the research and analysis of the energy consumption characteristics of public buildings， we use Python to construct the BP neural network building energy consumption prediction model， and then a public building is taken as the research object to determine the key factors affecting the building energy consumption， and learning training is performed as an input parameter to the network. The results show that under the different parameters， when the number of hidden layers is 8， the sum of squared errors is the smallest， which is 0.000 139 6. At this time， the BP neural network can accurately predict the energy consumption value of public buildings.

Key Words： building energy consumption; BP neural network; python; prediction model

作者簡介：李嘉玲（1994-），女，上海理工大學(xué)管理學(xué)院碩士研究生，研究方向?yàn)閿?shù)據(jù)挖掘;蔣艷（1962-），女，博士，上海理工大學(xué)管理學(xué)院副教授、碩士生導(dǎo)師，研究方向?yàn)槎嗄繕?biāo)決策理論、方法與應(yīng)用。

0 引言

近年來，隨著城市化進(jìn)程加快和人民生活質(zhì)量提高，我國建筑能耗占比上升至35%左右，其中大型公共建筑電能消耗最為嚴(yán)重[1]。雖然我國總體資源相對比較豐富，但是人口數(shù)量非常龐大，人均能源消耗量很大。由于公共建筑電力消耗嚴(yán)重，建筑節(jié)能無疑成為首要考慮的節(jié)能問題，已引起各級政府及相關(guān)行業(yè)人員的極大關(guān)注。盡可能充分挖掘出大型公共建筑用電能耗的影響因素，并建立相應(yīng)預(yù)測模型對其進(jìn)行預(yù)測，將有利于綜合分析和評估大型公共建筑用電能耗現(xiàn)狀及其發(fā)展變化，為大型公共建筑實(shí)施節(jié)能改造計(jì)劃提供有效依據(jù)。

目前，能源浪費(fèi)問題已經(jīng)演變成全球性問題，各國對能耗管理高度關(guān)注。國內(nèi)外不少學(xué)者將數(shù)據(jù)挖掘相關(guān)知識運(yùn)用于建筑能耗預(yù)測分析中，取得了一定研究成果[2]。在國際上，Melek[3]研究了如何應(yīng)用神經(jīng)網(wǎng)絡(luò)建立模型進(jìn)行能耗預(yù)測和評價，并得出可行方法;Geoffrey & Kelvin[4]從預(yù)測建筑能耗值的角度出發(fā)，以住宅建筑為研究對象，分夏季和冬季兩個時期，應(yīng)用決策樹、逐步回歸和人工神經(jīng)網(wǎng)絡(luò)，分別建立3個預(yù)測模型進(jìn)行預(yù)測，研究結(jié)果證明人工神經(jīng)網(wǎng)絡(luò)預(yù)測精度更高;Yang等[5]在輸入變量不變的情況下，研究了人工神經(jīng)網(wǎng)絡(luò)的適用性，使人工神經(jīng)網(wǎng)絡(luò)預(yù)測建筑能耗的能力得到提高;Olofson等[6]利用人工神經(jīng)網(wǎng)絡(luò)在短期測試數(shù)據(jù)基礎(chǔ)上建立了建筑能耗預(yù)測模型，實(shí)驗(yàn)取得了90%～95%的較高準(zhǔn)確率。國內(nèi)，何磊[7]、姚健等[8]在已知建筑物各種參數(shù)數(shù)據(jù)的基礎(chǔ)上應(yīng)用神經(jīng)網(wǎng)絡(luò)預(yù)測建筑能耗，所得預(yù)測值接近實(shí)際值，這一研究成果可以在建筑設(shè)計(jì)初期指導(dǎo)整棟建筑的節(jié)能設(shè)計(jì)，以減少建成后的能源消耗[9];方濤濤等[10]通過將BP神經(jīng)網(wǎng)絡(luò)與Adaboost算法相結(jié)合，充分考慮BP神經(jīng)網(wǎng)絡(luò)良好的學(xué)習(xí)能力和Adaboost算法預(yù)測精度高的優(yōu)點(diǎn)，對建筑能耗進(jìn)行預(yù)測，通過實(shí)驗(yàn)數(shù)據(jù)仿真分析，驗(yàn)證了該方法的可行性。

由于建筑多樣性、使用情況多變性等因素給建筑能耗預(yù)測增添了不少困難，而神經(jīng)網(wǎng)絡(luò)為建立預(yù)測模型提供了可能[11]。本文采取的主要研究方法是，利用Python構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，并通過改變隱藏層個數(shù)從而觀察在不同參數(shù)下誤差平方和的變化情況。實(shí)驗(yàn)結(jié)果表明：當(dāng)隱含層個數(shù)為8時，大型公共建筑用電能耗預(yù)測模型的誤差平方和達(dá)到最小值，即模型預(yù)測結(jié)果精確度最高，預(yù)測值最接近于實(shí)際值。

1 神經(jīng)網(wǎng)絡(luò)及其基本原理

1.1 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡稱ANN），是20世紀(jì)80年代以來人工智能領(lǐng)域興起的研究熱點(diǎn)，是以生物學(xué)中一種神經(jīng)網(wǎng)絡(luò)為基理，模擬人腦神經(jīng)系統(tǒng)處理復(fù)雜信息的數(shù)學(xué)模型。人工神經(jīng)網(wǎng)絡(luò)可以通過學(xué)習(xí)模仿人類的學(xué)習(xí)過程，學(xué)習(xí)方式可分為3種：有導(dǎo)師學(xué)習(xí)、無導(dǎo)師學(xué)習(xí)和強(qiáng)化學(xué)習(xí) [12]。Back-Propagation（簡稱BP）神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)中應(yīng)用最為廣泛的模型之一[13]。圖1所示為其典型的3層拓?fù)浣Y(jié)構(gòu)，包括輸入層、中間層和輸出層[14]。

圖1 3層神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)

1.2 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)也稱反向傳播網(wǎng)絡(luò)，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，其算法稱為BP算法[15]。BP神經(jīng)網(wǎng)絡(luò)的思想是利用輸出層第N層輸出后的誤差，估計(jì)輸出層前第N-1層的誤差，再用其估計(jì)第N-2層的誤差，以此獲取所有層誤差估計(jì)，并根據(jù)誤差估計(jì)調(diào)整各層的連接權(quán)值，最后用調(diào)整后的連接權(quán)值重新計(jì)算輸出誤差，直到輸出的均方誤差達(dá)到符合要求或者迭代次數(shù)溢出設(shè)定值。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則使用最速下降法，通過反向傳播不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，最終使得全局誤差系數(shù)達(dá)到最小值，其學(xué)習(xí)本質(zhì)就是對各連接權(quán)值進(jìn)行動態(tài)調(diào)整[14]。

網(wǎng)絡(luò)初始化是BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的第一階段，定義為初始化輸入層、隱含層和輸出層的節(jié)點(diǎn)個數(shù)[16]，即初始化輸入層與輸出層的閾值a、b以及初始化輸入層與隱含層、隱含層與輸出層之間的連接權(quán)值Wij、Wjk，Wij表示第i個輸入節(jié)點(diǎn)到節(jié)點(diǎn)j的權(quán)值，Wjk表示節(jié)點(diǎn)j到輸出節(jié)點(diǎn)k的權(quán)值;計(jì)算隱含層Hj是網(wǎng)絡(luò)訓(xùn)練的第二階段;計(jì)算輸出層Ok是網(wǎng)絡(luò)訓(xùn)練的第三階段;計(jì)算期望輸出與實(shí)際輸出之間的誤差ek是網(wǎng)絡(luò)訓(xùn)練的第四階段;更新權(quán)值和閾值分別是網(wǎng)絡(luò)訓(xùn)練的第五、第六階段;計(jì)算全局誤差E是網(wǎng)絡(luò)訓(xùn)練的第七階段，同時判斷誤差是否滿足要求或達(dá)到最大迭代次數(shù)，若不滿足要求或并未達(dá)到最大迭代次數(shù)，則返回第二步。

2 建筑物能耗BP神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

大量實(shí)驗(yàn)證明，將BP神經(jīng)網(wǎng)絡(luò)運(yùn)用于能耗預(yù)測以及能耗指標(biāo)評價等領(lǐng)域具有一定可行性，建筑能耗系統(tǒng)本身可看作關(guān)于時間序列的一個高度非線性系統(tǒng)，故可用一個多層BP網(wǎng)絡(luò)對建筑能耗進(jìn)行模擬[17]。在確定如何建立可行有效的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型時，需要充分考慮影響大型公共建筑物用電能耗各方面的變量因素。本文調(diào)研了江蘇省南通市崇川區(qū)多個大型公共建筑用電能耗情況。江蘇省南通市在我國東南部地區(qū)，氣候一般是冬冷夏熱，所調(diào)研公共建筑都滿足夏季適當(dāng)防熱、冬季適當(dāng)保溫的要求。通過調(diào)研發(fā)現(xiàn)，對大型公共建筑用電能耗產(chǎn)生影響的變量因素有很多方面，比如室外氣候條件、室內(nèi)溫度設(shè)定、建筑物地理位置、建筑物墻體材料、內(nèi)外墻裝飾材料、門窗數(shù)量及其材料類型、建筑高度、建筑面積、室內(nèi)平均人流量以及人們的活動規(guī)律等，均會對公共建筑物用電能耗產(chǎn)生一定影響。如果在確定預(yù)測模型結(jié)構(gòu)時考慮各方面因素，系統(tǒng)將會過于復(fù)雜和龐大，網(wǎng)絡(luò)學(xué)習(xí)時間過長，且極易陷入局部最小，無法達(dá)到滿意效果[18]。因此，本文根據(jù)實(shí)際情況以建筑面積及電耗作為影響因素，根據(jù)歷史記錄對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練好的網(wǎng)絡(luò)再通過已知數(shù)據(jù)進(jìn)行檢驗(yàn)[17]。

2.1 數(shù)據(jù)處理

通過實(shí)地調(diào)研，本文獲取了江蘇省南通市崇川區(qū)文化廣場附近某大型公共建筑2016年前10個月用電能耗數(shù)據(jù)，并將其作為統(tǒng)計(jì)樣本。為了減小奇異樣本對神經(jīng)網(wǎng)絡(luò)性能的影響，需要對輸入?yún)?shù)和輸出參數(shù)進(jìn)行歸一化處里，即將數(shù)據(jù)處理成[0，1]之間的小數(shù)[19]。

設(shè)x為樣本參數(shù)，y為某項(xiàng)樣本參數(shù)x的歸一化輸出，xmin為x中最小值，xmax為x中最大值，則歸一化公式如式（1）所示[19]。

[y=x-xminxmax-xmin]? ? ? ? ? ? ? ? ? ? ?（1）

采用式（1）處理后的數(shù)據(jù)在[0，1]區(qū)間之內(nèi)[19]。

2.2 模型設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)具有高效非線性數(shù)據(jù)函數(shù)映射逼近功能，利用BP神經(jīng)網(wǎng)絡(luò)模型可以較好地預(yù)測建筑能耗值，為提高建筑能效提供理論依據(jù)[20]。本文利用Python構(gòu)建BP神經(jīng)網(wǎng)絡(luò)公共建筑用電能耗預(yù)測模型，并選取樣本中的6組數(shù)據(jù)作為訓(xùn)練樣本集，對預(yù)測模型進(jìn)行學(xué)習(xí)訓(xùn)練，另選取3組數(shù)據(jù)作為測試樣本集，用于檢測預(yù)測模型的準(zhǔn)確性。

選取樣本中的實(shí)際建筑面積以及1-6月用電量作為預(yù)測模型的輸入變量x，7-10月用電量的預(yù)測值作為模型的輸出變量y，即建立的3層BP神經(jīng)網(wǎng)絡(luò)能耗預(yù)測模型具有7個輸入向量、4個輸出向量。網(wǎng)絡(luò)輸入層到輸出層的激活函數(shù)采用tanh雙曲正切函數(shù);中間層到輸出層的傳遞函數(shù)采用logsig對數(shù)函數(shù)。數(shù)據(jù)如表1、表2所示，分別為原始數(shù)據(jù)表以及標(biāo)準(zhǔn)化后的數(shù)據(jù)表。

表1 原始數(shù)據(jù)表? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?[104]kWh

表2 標(biāo)準(zhǔn)化后數(shù)據(jù)表

2.3 模型工作機(jī)理及訓(xùn)練過程

[2] 宋蒙. 大型公共建筑用電能耗預(yù)測模型及預(yù)測數(shù)據(jù)分析[D]. 西安：長安大學(xué)，2017.

[3] YALCINTAS M. An energy benchmarking model based on artificial neural network method with a case example for tropical climates[J].? International Journal of Energy Research，2006（30）：1158-1174.

[4] TSO G K F，YAU K K W. Predicting electricity energy consumption - a comparison of regression analysis， decision tree and neural network[J]. Energy，2007（32）：1761-1768.

[5] YANG J，RIVARD H，ZMEUREANU R. On-line building energy prediction using adaptive artificial neural networks[J]. Energy and Buildings，2005，37（12）：1250-1259.

[6] OLOFSON T，ANERSSON S. Long-term energy demand predictions based on short-term measured data[J]. Energy and Buildings， 2001，32（2）： 85-91.

[7] 何磊. 基于BP神經(jīng)網(wǎng)絡(luò)的建筑能耗預(yù)測[J]. 浙江建筑，2008（12）：47-50.

[8] 姚健，閆成文，葉晶晶，等. 基于神經(jīng)網(wǎng)絡(luò)的建筑能耗預(yù)測[J]. 門窗，2007（10）：31-33.

[9] 肖丹. 公共建筑能耗分析的數(shù)據(jù)挖掘方法研究與系統(tǒng)開發(fā)[D]. 重慶：重慶大學(xué)，2012.

[10] 方濤濤，馬小軍，陳沖. 基于BP-Adadoost算法的建筑能耗預(yù)測研究[J]. 科技通報(bào)，2017（7）：162-166.

[11] 季文娟，顧永松. 基于POS-RBF建筑能耗預(yù)測模型研究[J]. 建筑節(jié)能，2015（11）：109-112.

[12] 高振祥. 基于BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測方法探析[J]. 科學(xué)與信息化，2017（2）：54-55.

[13] 張喆，吳知非，禹建麗. 電力電量預(yù)測的神經(jīng)網(wǎng)絡(luò)方法[J]. 知識叢林，2008（4）：156-157.

[14] 李璐，于軍琪，楊益. 基于GA-BP神經(jīng)網(wǎng)絡(luò)的大型公共建筑能耗預(yù)測研究[J]. 中外建筑，2014（3）：112-114.

[15] 王雅楠，孟曉景. 基于動量BP算法的神經(jīng)網(wǎng)絡(luò)房價預(yù)測研究[J]. 軟件導(dǎo)刊，2015，14（2）：59-61.

[16] 胡程磊. 數(shù)據(jù)驅(qū)動的建筑電能耗預(yù)測方法研究[D]. 江蘇：江蘇大學(xué)，2016.

[17] 李然然，張永堅(jiān)，劉暢，等. 基于BP神經(jīng)網(wǎng)絡(luò)的建筑物用電能耗預(yù)測[J]. 山東建筑大學(xué)學(xué)報(bào)，2014（2）：162-165.

[18] 鄢濤. 深圳市公共建筑能耗與節(jié)能分析[D]. 重慶：重慶大學(xué)，2005.

[19] 胡伍生. 神經(jīng)網(wǎng)絡(luò)理論及其工程應(yīng)用[M]. 北京：測繪出版社，2006.

[20] 崔沖. 基于數(shù)據(jù)挖掘的公共建筑能耗預(yù)測與能效管理[D]. 山東：山東建筑大學(xué)，2017.

[21] 許慧，黃世澤，郭其一，等. 基于改進(jìn)BP網(wǎng)絡(luò)的建筑用電量預(yù)測[J]. 電器與能效管理技術(shù)，2014（18）：54-58.

（責(zé)任編輯：何 麗）