李永安王德曄張露楚廣明劉學(xué)來

(1.山東建筑大學(xué) 熱能工程學(xué)院，山東 濟(jì)南250101；2.濟(jì)南中建建筑設(shè)計院有限公司，山東 濟(jì)南250101)

0 引言

建筑作為能源消耗的三大領(lǐng)域之一，其節(jié)能減排成效將直接關(guān)系到我國能源消費總量控制目標(biāo)和減排目標(biāo)的實現(xiàn)。因此，對各類建筑的能源消耗情況進(jìn)行統(tǒng)計分析是提高建筑能源使用效率、降低建筑碳排放的基礎(chǔ)。然而，傳統(tǒng)的建筑能耗統(tǒng)計工作存在數(shù)據(jù)收集時間較長、數(shù)據(jù)準(zhǔn)確程度低等問題。因此，構(gòu)建一種快速準(zhǔn)確預(yù)測建筑能源消耗情況的方法是未來建筑節(jié)能研究的重要方向。

目前國內(nèi)外學(xué)者對于建筑能耗預(yù)測方法展開了較多的相關(guān)研究，主要集中在工程物理原理簡化方法、多元統(tǒng)計回歸法以及智能模型方法等[1-5]。建筑能耗的精準(zhǔn)預(yù)測依賴于其顯著影響因素的選取，但建筑的能源消耗情況受較多因素的影響，如氣象條件、建筑結(jié)構(gòu)熱特性、使用者及其行為以及耗能系統(tǒng)的運行等。這些因素之間存在著不同程度的交互作用，這不僅給能耗問題分析帶來困難，甚至影響模型預(yù)測結(jié)果的準(zhǔn)確程度，而神經(jīng)網(wǎng)絡(luò)ANN(Artificial Neutral Network)模型正是解決上述問題的一種方法。

ANN是人腦及其活動的理論數(shù)學(xué)模型，旨在模仿人類大腦的結(jié)構(gòu)及其功能。目前已在信息、交通、心理學(xué)等領(lǐng)域得到廣泛應(yīng)用[6-12]。反向傳播BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是ANN模型中常用方法之一，在解決包括大量獨立參數(shù)和非線性關(guān)系的復(fù)雜環(huán)境應(yīng)用問題中具有較大的潛力。為此，在抽樣調(diào)研寒冷地區(qū)辦公建筑能耗情況的基礎(chǔ)上[13-16]，文章通過建筑熱環(huán)境設(shè)計模擬工具包DeST(Designer’s Simulation Toolkit)建立典型辦公建筑模型以獲取建筑能耗樣本集，使用建筑能耗訓(xùn)練集進(jìn)行BP神經(jīng)網(wǎng)絡(luò)能耗預(yù)測模型的訓(xùn)練，并將能耗測試集的樣本帶入訓(xùn)練完成后的能耗模型中進(jìn)行檢驗，對比分析其預(yù)測值與軟件模擬值，以期為建筑能耗提供良好的預(yù)測工具。

1 神經(jīng)網(wǎng)絡(luò)能耗預(yù)測模型的構(gòu)建

1.1 神經(jīng)網(wǎng)絡(luò)概述

ANN是一種類似于人類神經(jīng)系統(tǒng)的信息處理技術(shù)，由大量稱為神經(jīng)處理單元的自律要素相互連接進(jìn)行計算，根據(jù)外界信息改變自身的結(jié)構(gòu)，通常用于為輸入與輸出之間的復(fù)雜關(guān)系建?；虬l(fā)現(xiàn)數(shù)據(jù)中的模式[17-19]。為了形式化地描述神經(jīng)網(wǎng)絡(luò)，需要構(gòu)造神經(jīng)網(wǎng)絡(luò)的基本單元，如圖1所示。X1、X2、…、Xn為神經(jīng)元的輸入，Σ為神經(jīng)元o的閾值，W1、W2、…、Wn分別為神經(jīng)元對X1、X2、…、Xn的權(quán)系數(shù)，f(·)為激發(fā)函數(shù)。目前，神經(jīng)網(wǎng)絡(luò)技術(shù)在解決諸如預(yù)測、分類、偏差檢測、響應(yīng)建模以及時間序列分析等問題方面是強有力的工具。在經(jīng)濟(jì)財務(wù)分析中，可用于確定貸款申請人的信用風(fēng)險好壞等；在醫(yī)療行業(yè)中，可應(yīng)用于心肺診斷方面、醫(yī)療現(xiàn)象的檢測和評估等；在工業(yè)領(lǐng)域中，可用于過程控制、質(zhì)量控制、溫度和壓力的預(yù)測等；在能源領(lǐng)域中，可用于電力負(fù)荷的預(yù)測、能源需求的預(yù)測、功率控制系統(tǒng)和水壩監(jiān)控等。

BP神經(jīng)網(wǎng)絡(luò)是一種以誤差反向傳播為基礎(chǔ)的前饋網(wǎng)絡(luò)，各層神經(jīng)元分層排列，具有較強的非線性映射能力。由于其復(fù)雜性在網(wǎng)絡(luò)的突觸權(quán)值處是線性的，所以BP神經(jīng)網(wǎng)絡(luò)算法易實現(xiàn)且計算效率高，故選擇BP神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行能耗預(yù)測研究。

圖1 神經(jīng)網(wǎng)絡(luò)的基本計算單元圖

1.2 建筑能耗神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立

在已有研究[20-22]的基礎(chǔ)上，結(jié)合建筑能源消耗的實際情況，從圍護(hù)結(jié)構(gòu)熱工特性、室內(nèi)熱擾強度以及建筑的房間使用功能等方面初步篩選出16個影響建筑能耗的因素，具體表示如下:外墻傳熱系數(shù)、外窗傳熱系數(shù)、屋面?zhèn)鳠嵯禂?shù)、外窗遮陽系數(shù)、窗墻面積比、辦公室人員密度、會議室人員密度、走廊人員密度分別設(shè)為x1、x2、x3、x4、x5、x6、x7、x8，其他功能性房間人員密度設(shè)為x9；將辦公室、會議室、走廊的照明強度分別設(shè)為x10、x11、x12，其他功能性房間照明強度設(shè)為x13；辦公室、會議室的設(shè)備熱擾強度分別設(shè)為x14、x15，其他功能性房間的設(shè)備熱擾強度設(shè)為x16。

在訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型時，模型內(nèi)各層神經(jīng)元的個數(shù)設(shè)計是較為重要的。通常模型輸入層神經(jīng)元的個數(shù)與影響因子數(shù)相關(guān)，結(jié)合上面初步篩選的影響因素個數(shù)，將其數(shù)目設(shè)定為16；模型輸出層神經(jīng)元的個數(shù)與所求問題的類別數(shù)有關(guān)，故采用單位建筑面積能耗指標(biāo)進(jìn)行系統(tǒng)分析，輸出層的個數(shù)設(shè)定為1。除了輸入層和輸出層，必須著重考慮隱含層的設(shè)計。隱層神經(jīng)元的個數(shù)太少將出現(xiàn)模型欠擬合的現(xiàn)象，進(jìn)一步導(dǎo)致模型對復(fù)雜數(shù)據(jù)集的信號檢測不足。相反，隱層神經(jīng)元的個數(shù)太多也會出現(xiàn)兩個問題:(1)可能引起過擬合問題，這將降低測試數(shù)據(jù)集的泛化能力；(2)由于拓?fù)浣Y(jié)構(gòu)的復(fù)雜性提高，會使得訓(xùn)練時間增加。利用學(xué)者已驗證過的經(jīng)驗公式(其中:N、n、m分別為隱含層、輸入層和輸出層神經(jīng)元的個數(shù))，將隱含層神經(jīng)元的數(shù)目設(shè)定為4。BP神經(jīng)網(wǎng)絡(luò)能耗模型3層構(gòu)造如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)能耗模型3層構(gòu)造圖

1.3 建筑能耗神經(jīng)網(wǎng)絡(luò)預(yù)測模型的軟件實現(xiàn)

利用MATLAB軟件構(gòu)建BP神經(jīng)網(wǎng)絡(luò)建筑能耗預(yù)測模型。具體構(gòu)建過程如下:

(1)通過DeST軟件建立典型辦公建筑模型以獲取建筑能耗樣本集 為了方便評價模型，數(shù)據(jù)集被分為訓(xùn)練集和測試集。在訓(xùn)練步驟中，基于數(shù)據(jù)集獲得預(yù)測模型來表示目標(biāo)對特征的依賴關(guān)系；在預(yù)測步驟中，得到的模型應(yīng)用于測試集來預(yù)測關(guān)于新特征的目標(biāo)值?？紤]到訓(xùn)練數(shù)據(jù)集的大小對模型性能具有一定的影響，將基礎(chǔ)數(shù)組中75%的數(shù)據(jù)作為訓(xùn)練樣本集，剩余的25%的數(shù)據(jù)用作測試數(shù)據(jù)，用于驗證網(wǎng)絡(luò)模型的推廣能力。

(2)樣本數(shù)據(jù)歸一化 通過MATLAB中的premnmx函數(shù)對輸入的能耗樣本集進(jìn)行歸一化處理。

(3)創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)并設(shè)定網(wǎng)絡(luò)參數(shù) 采用newff函數(shù)創(chuàng)建神經(jīng)網(wǎng)絡(luò)，隱含層節(jié)點個數(shù)及傳遞函數(shù)均采用默認(rèn)值，訓(xùn)練函數(shù)采用默認(rèn)的trainlm函數(shù)，設(shè)定最大迭代次數(shù)為5 000次，其它屬性為默認(rèn)值。

(4)參數(shù)設(shè)定完成后，調(diào)用train函數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，直到其達(dá)到最佳狀態(tài)。

(5)網(wǎng)絡(luò)完成訓(xùn)練后，將測試組數(shù)據(jù)帶入神經(jīng)網(wǎng)絡(luò)模型中以檢驗?zāi)Ｐ偷姆夯芰?此過程中，需要利用premnmx函數(shù)對輸入值進(jìn)行歸一化處理，網(wǎng)絡(luò)讀取完成后，待神經(jīng)網(wǎng)絡(luò)模型讀取完成后，再利用postmnmx函數(shù)對能耗預(yù)測結(jié)果進(jìn)行反歸一化處理，最終得到建筑預(yù)測能耗值。

2 基于ANN的寒冷地區(qū)建筑能耗預(yù)測與結(jié)果分析

2.1 典型建筑模型的構(gòu)建

為確保構(gòu)建的模型具有良好的實用性及推廣能力，在充分調(diào)研寒冷地區(qū)1 388棟辦公建筑能耗情況的基礎(chǔ)上，綜合考慮辦公建筑的特性，建立了用于驗證構(gòu)建的神經(jīng)神經(jīng)網(wǎng)絡(luò)預(yù)測模型的典型建筑。辦公建筑為濟(jì)南市某辦公樓，其建筑面積為3 750 m2，共15層。建筑模型首層結(jié)構(gòu)與標(biāo)準(zhǔn)層不同，3～15層為模型建筑的標(biāo)準(zhǔn)層，具體布局如圖3所示。

不敢說什么心得，說一點我個人的寫作習(xí)慣吧。在寫一個人物的時候，我總是習(xí)慣把這個人的方方面面都設(shè)想好，這才動筆。譬如說，這個人從小是怎么長大的，老師是怎樣，父母是怎樣，他會喜歡吃什么樣的東西，喝什么樣的茶，喜歡哪種類型的女孩子，為什么喜歡，等等等等。

圖3 建筑模型3～15層平面圖

2.2 樣本集分析

收集足夠多的無噪聲數(shù)據(jù)是準(zhǔn)確地進(jìn)行統(tǒng)計分析和預(yù)測模型建立的重要基礎(chǔ)，通常解決這種問題有問卷調(diào)查、實地測量和軟件仿真等方法?？紤]到前兩種方法的數(shù)據(jù)采集效率和數(shù)據(jù)完整性等問題，利用DeST軟件仿真方法可以獲取建筑能耗數(shù)據(jù)集。為確保建筑模擬數(shù)據(jù)的代表性，通過改變建筑熱物性參數(shù)的方式，利用DeST軟件公共建筑模塊得到了40組能耗模擬基礎(chǔ)數(shù)據(jù)，以單位建筑面積能耗的方式輸出。建筑樣本數(shù)組的單位建筑面積能耗變化范圍為85.19～92.67 kWh/m2。

為了使模擬數(shù)據(jù)盡可能反映當(dāng)?shù)亟ㄖ嶋H能耗情況，需要對利用軟件方法所得到的能耗模擬值進(jìn)行校準(zhǔn)分析。校準(zhǔn)就是比較仿真結(jié)果與規(guī)范標(biāo)準(zhǔn)中的限額值，調(diào)整仿真參數(shù)直到結(jié)果接近實際的消耗數(shù)據(jù)。將軟件模擬得到的能耗基礎(chǔ)數(shù)組與山東省DB37/T 5077—2016《機(jī)關(guān)辦公建筑能耗限額標(biāo)準(zhǔn)》[23]中的濟(jì)南市機(jī)關(guān)辦公建筑能耗限額指標(biāo)進(jìn)行對比分析，結(jié)果顯示:建筑能耗值＞90 kWh/m2的樣本量占比為15%，建筑能耗值87～90 kWh/m2的樣本量占比為30%，而建筑能耗值＜86 kWh/m2且稍微＞86 kWh/m2的樣本量占比為55%。分析結(jié)果表明，軟件模擬得出的建筑能耗值絕大部分在濟(jì)南市機(jī)關(guān)辦公建筑的能耗約束指標(biāo)值附近變化，與其能耗先進(jìn)指標(biāo)值相比仍有一定的差距，但能耗模擬結(jié)果整體上較為符合濟(jì)南市辦公建筑能源消耗的實際情況，具有一定的代表性。

將DeST軟件模擬得到的能耗基礎(chǔ)數(shù)組分為訓(xùn)練樣本和驗證樣本。訓(xùn)練樣本用于訓(xùn)練網(wǎng)絡(luò)，網(wǎng)絡(luò)根據(jù)訓(xùn)練樣本的誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閥值，驗證樣本用于驗證神經(jīng)網(wǎng)絡(luò)能耗模型的泛化能力。當(dāng)泛化能力停止提高時，表明模型已達(dá)到最優(yōu)狀態(tài)，此時網(wǎng)絡(luò)停止訓(xùn)練。默認(rèn)隨機(jī)地將75%的數(shù)據(jù)劃分為訓(xùn)練樣本集合，25%的數(shù)據(jù)劃分為驗證樣本，用于驗證目標(biāo)輸出與實際輸出之間的吻合度。為進(jìn)一步測試所構(gòu)建的神經(jīng)網(wǎng)絡(luò)能耗預(yù)測模型的網(wǎng)絡(luò)性能，利用10棟實際調(diào)研的辦公建筑進(jìn)行能耗預(yù)測分析，以期檢驗神經(jīng)網(wǎng)絡(luò)在建筑能耗預(yù)測方面的可行性。

2.3 模型評價指標(biāo)

為有效評估所建立的神經(jīng)網(wǎng)絡(luò)能耗預(yù)測模型的實用性，選取絕對誤差和相對誤差兩個評價指標(biāo)分析神經(jīng)網(wǎng)絡(luò)模型能耗預(yù)測結(jié)果的預(yù)測精度和波動幅度。兩評價指標(biāo)取值越小，表明能耗預(yù)測模型的泛化能力和穩(wěn)定程度越高，得到的能耗預(yù)測模型具有較強的實用性能。絕對誤差Δ和相對誤差ψ分別由式(1)和(2)表示為

式中Epredicted為神經(jīng)網(wǎng)絡(luò)模型建筑能耗預(yù)測值，kWh/m2；Esimulation為模擬軟件建筑能耗計算值，kWh/m2。

2.4 模型訓(xùn)練分析

從DeST軟件模擬得到的建筑能耗基礎(chǔ)數(shù)組中選取25%的數(shù)據(jù)用作模型的驗證數(shù)據(jù)，共計10組，將其帶入已訓(xùn)練完成的能耗預(yù)測模型中進(jìn)行驗證分析。驗證樣本集的能耗預(yù)測值分別為86.85、87.85、84.85、85.85、84.88、87.85、87.95、91.01、86.83和84.81 kWh/m2。將上述通過反歸一化處理得到的建筑能耗預(yù)測值與DeST軟件模擬能耗值進(jìn)行對比分析，具體誤差分析結(jié)果見表1?？梢钥闯?，目標(biāo)輸出值與實際輸出值基本吻合，滿足精度的要求。

表1 軟件模擬計算值與預(yù)測能耗值的評估結(jié)果表

2.5 建筑能耗預(yù)測模型實證分析

建立基于BP神經(jīng)網(wǎng)絡(luò)的建筑能耗預(yù)測模型時，所用建筑樣本集的建筑類型為機(jī)關(guān)辦公建筑，為使建筑預(yù)測對象更加符合BP神經(jīng)網(wǎng)絡(luò)能耗預(yù)測模型的適用要求，在對建筑能耗預(yù)測模型進(jìn)行實證分析前，選取機(jī)關(guān)辦公建筑進(jìn)行能耗預(yù)測，以此進(jìn)一步驗證神經(jīng)網(wǎng)絡(luò)算法在建筑能耗預(yù)測方面的應(yīng)用性。

選定的10棟辦公建筑能耗數(shù)據(jù)是經(jīng)過實際調(diào)研所獲得，調(diào)查的辦公建筑對象包括廣電中心、稅務(wù)局、勞動局及政務(wù)中心等辦公樓，建筑概貌詳情見表2。將所調(diào)研的辦公建筑2016年全年能耗數(shù)據(jù)進(jìn)行預(yù)處理，以單位建筑面積能耗的方式輸出。

表2 10棟實際調(diào)研的辦公建筑概貌詳情表

實際建筑能耗監(jiān)測值與神經(jīng)網(wǎng)絡(luò)能耗模型預(yù)測值的誤差分析結(jié)果見表3。可以看出，所選擇的10棟辦公建筑的能耗預(yù)測值分別為98.45、88.42、100.43、90.45、78.99、88.45、86.43、88.43、98.41和85.39 kWh/m2，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值與真實值的擬合程度較高。從相對誤差的角度來看，神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果的平均絕對誤差為8.89 kWh/m2，相對誤差約為10%，表明BP神經(jīng)網(wǎng)絡(luò)模型對辦公建筑能源消耗情況有較好的預(yù)測能力。與軟件模擬計算值和預(yù)測能耗值之間的擬合程度相比，實例能耗的預(yù)測誤差偏大。原因可能由神經(jīng)網(wǎng)絡(luò)訓(xùn)練基礎(chǔ)數(shù)組的體量不足造成的，也可能是由DeST軟件在進(jìn)行建筑能耗模擬計算時自身的偏差引起的，或是由能耗模擬計算值與實際建筑能耗監(jiān)測值之間的差異性造成。因此，在使用神經(jīng)網(wǎng)絡(luò)進(jìn)行建筑能耗預(yù)測時，應(yīng)盡可能地收集足夠多數(shù)量的無噪聲建筑樣本，并對預(yù)測結(jié)果進(jìn)行科學(xué)分析。

表3 能耗預(yù)測值與實際能耗監(jiān)測值分析結(jié)果表

3 結(jié)論

針對傳統(tǒng)方法預(yù)測建筑能耗時存在結(jié)果精度不高的問題，文章以寒冷地區(qū)辦公建筑實際能源消耗情況為基礎(chǔ)，利用DeST軟件建立典型辦公建筑模型并進(jìn)行能耗模擬，利用MATLAB軟件實現(xiàn)建筑能耗神經(jīng)網(wǎng)絡(luò)預(yù)測模型的構(gòu)建，主要結(jié)論如下:

(1)神經(jīng)網(wǎng)絡(luò)能耗預(yù)測結(jié)果與DeST軟件模擬結(jié)果的誤差最小值和最大值分別為0.4%、4.4%，平均誤差為1.4%，預(yù)測能耗值與模擬能耗值吻合程度較高，從理論上驗證了神經(jīng)網(wǎng)絡(luò)在建筑能耗預(yù)測方面的可行性；

(2)利用所構(gòu)建的能耗神經(jīng)網(wǎng)絡(luò)預(yù)測模型對10棟實際調(diào)研的建筑進(jìn)能耗預(yù)測，其模型預(yù)測值與建筑能耗實際監(jiān)測值的相對誤差約為10%，吻合較好，說明構(gòu)建的模型能夠應(yīng)用于實際工程。