張 濤，王雯翡，成雄蕾，王沨楓

（中國建筑科學研究院有限公司，北京 100013）

1 引言

建筑用能占全球能源消費的30%，約1/3 的二氧化碳排放與其相關(guān)[1]。顯然，建筑節(jié)能已成為建筑可持續(xù)發(fā)展的熱點，開展建筑節(jié)能工作十分必要[2]。建筑能耗模擬涉及到機理復(fù)雜的熱濕傳遞過程，是一個復(fù)雜非線性、多擾動系統(tǒng)，針對建筑能耗預(yù)測問題相關(guān)學者提出了多種預(yù)測方法，如圖1 所示，包括物理模型法、基于統(tǒng)計學的方法。

圖1 建筑能耗建模與預(yù)測方法的匯總分類

基于統(tǒng)計的方法包括回歸法和數(shù)據(jù)驅(qū)動法，多元線性回歸法建立顯式的數(shù)學表達式模型來預(yù)測建筑能耗，其優(yōu)點是模型結(jié)構(gòu)簡潔，缺點是預(yù)測精度較差，可移植性不強[3-4]。數(shù)據(jù)驅(qū)動法包括支持向量機法（Support Vector Machine,SVM）、人工神經(jīng)網(wǎng)絡(luò)法（Artificial Neural Network，ANN）、遺傳算法（Genetic Algorithm，GA）、決策樹（Decision Tree，DT）等。

本文首先針對傳統(tǒng)建筑能耗建模方法進行回顧，分析不同模擬軟件的優(yōu)缺點和適應(yīng)性。然后針對近年來出現(xiàn)的數(shù)據(jù)驅(qū)動建筑能耗模型方法進行分析，重點考慮輸入數(shù)據(jù)特性和數(shù)據(jù)預(yù)處理對算法精確度的影響。最后分析數(shù)據(jù)驅(qū)動方法的局限性和未來發(fā)展方向。

2 建筑能耗模擬分析軟件

一般認為DEST、EnergyPlus 等在建筑負荷計算表現(xiàn)優(yōu)良，EQUEST、TRNSYS 等更適合系統(tǒng)模擬[5]。而對于有明顯的溫度分層和對流傳熱的高大空間建筑，一般通過引入新的傳熱推導(dǎo)理論和數(shù)學方法進行分析研究，如考慮高大空間氣流和溫度分布，再結(jié)合模擬軟件分析獲得能耗參數(shù)。以EnergyPlus 軟件為例，允許用戶實現(xiàn)建筑的幾何建模、材料參數(shù)設(shè)置和其內(nèi)暖通空調(diào)系統(tǒng)特性設(shè)置，允許用戶設(shè)置設(shè)計日和年度模擬，對于設(shè)計日的模擬，用戶需設(shè)置如最大值和最小值干球溫度、濕球溫度等典型日的參數(shù)。對于年度的模擬需要提供如干/濕球溫度、太陽輻射、風速/風向等天氣參數(shù)。軟件計算結(jié)果包括區(qū)域溫度、建筑能源消費、冷/熱負荷等[6]。建筑能耗模擬預(yù)測模型框架如圖2 所示。

圖2 建筑能耗模擬預(yù)測模型框架

3 數(shù)據(jù)驅(qū)動技術(shù)

3.1 回歸分析預(yù)測法

回歸分析預(yù)測法是通過對兩上或兩個以上的自變量與一個因變量的相關(guān)分析，建立預(yù)測模型進行預(yù)測的方法。當自變量與因變量之間存在線性關(guān)系時，稱為多元線性回歸分析。多元線性回歸預(yù)測方法建立顯式的數(shù)學表達式模型來預(yù)測建筑能耗，其優(yōu)點在于模型結(jié)構(gòu)簡潔，易于建立；不足之處在于對非線性系統(tǒng)需要人為確定部分模型參數(shù)，預(yù)測精度較差，可移植性不強。多重共線性指在多元線性回歸方程中，自變量之間有較強的線性關(guān)系，這種關(guān)系若超過了因變量與自變量的線性關(guān)系，則回歸模型的穩(wěn)定性受到破壞，回歸系數(shù)估計不準確。

3.2 機器學習方法

機器學習預(yù)測建筑能耗需要基于建筑歷史數(shù)據(jù)的訓練，可較好反映建筑實際運行能耗特征。K-nearest neighbors（KNN）是一種模式聚類技術(shù)，該方法給定一組歷史觀測值（能源消費和其他變量)，首先創(chuàng)建集群，針對用戶定義的特性構(gòu)造峰值負載、平均值、日負荷變化的大小、日消耗（積分）等。計算每個時間序列的特征后進行分類。使用簡單的歐幾里德距離表征能源消耗的差異，通過觀測數(shù)據(jù)與集群進行比較，確定兩個標準的親密程度，進而進行預(yù)測。該方法預(yù)測精度高，且適用于具有小時時間步長的短期預(yù)測。如文獻[7]基于機器學習的K-means 和KNN 算法，對上海某酒店建立記憶網(wǎng)絡(luò)模型，利用處理后的能耗數(shù)據(jù)預(yù)測逐時能耗數(shù)據(jù)。預(yù)測結(jié)果表明，能耗異常數(shù)據(jù)識別與修復(fù)方法能準確識別并修復(fù)建筑能耗異常數(shù)據(jù)，提高能耗預(yù)測效果。

建筑能源模型分為短期、中期和長期能源預(yù)測，影響結(jié)果的相關(guān)因素包括人為因素、社會因素和環(huán)境氣候等，預(yù)測十分困難。機器學習模型能基于先前記錄的數(shù)據(jù)準確地預(yù)測能耗，目前使用最為廣泛的智能模型大多是基于人工神經(jīng)的網(wǎng)絡(luò)（ANN）發(fā)展而來[8]。SVM 是一種廣泛應(yīng)用于信號處理、最優(yōu)控制和系統(tǒng)中建模的統(tǒng)計學習方法，適用于有限樣本回歸，具有良好的回歸泛化能力。SVM 的思想是選擇適當?shù)姆蔷€性映射函數(shù)，映射輸入變量的低維空間到高維特征空間。

4 建筑能耗輸入數(shù)據(jù)影響

輸入數(shù)據(jù)集具有的不同的特性，直接影響建模和預(yù)測精度?；谖墨I調(diào)研，數(shù)據(jù)來源主要分為三大類：真實的數(shù)據(jù)、模擬的數(shù)據(jù)、基準數(shù)據(jù)，分別占所研究數(shù)據(jù)的64%、20%和16%。實際數(shù)據(jù)直接從調(diào)控中心進行讀取或現(xiàn)場調(diào)查，模擬數(shù)據(jù)是基于物理的模型計算而得，例如使用EnergyPlus、TRNSYS 等工具獲得?；鶞蕯?shù)據(jù)來自公開提供的數(shù)據(jù)集。建筑能耗輸入數(shù)據(jù)集中的特征可分為四大類：天氣數(shù)據(jù)等所有與室外條件有關(guān)的數(shù)據(jù)，建筑物的描述和室內(nèi)條件環(huán)境，居住者行為，時間序列的建筑物運行數(shù)據(jù)。

5 結(jié)論

本文分析了主要建筑能耗建模和預(yù)測技術(shù)，從傳統(tǒng)的建筑模擬程序，到回歸模型、統(tǒng)計回歸模型、KNN、決策樹、支持向量機、人工神經(jīng)網(wǎng)絡(luò)等方法。分析不同方法的優(yōu)缺點，盡管數(shù)據(jù)驅(qū)動方法提供了非常廣泛的工具來建模，且預(yù)測模型能適應(yīng)許多不同情況的能源消耗，但是針對不同建筑物的類型、可用數(shù)據(jù)等，均需具體問題具體分析，利用不同方法求解。目前針對具體不同類型的建筑，采用特定預(yù)測方法開展預(yù)測研究較多。而通過將數(shù)據(jù)驅(qū)動能耗預(yù)測模型嵌入到建筑能效管理平臺中，進一步節(jié)約資源、提高能源效率的研究并不多見，未來這方面的研究具有重要意義。