陳 輝

(合肥學(xué)院城市建設(shè)與交通學(xué)院，安徽 合肥 230000)

0 引 言

能源是人類發(fā)展的基礎(chǔ)條件，是社會(huì)活動(dòng)得以有序進(jìn)行的基礎(chǔ)物質(zhì)保障，隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展，能源消耗也不斷增加，隨之帶來的能源缺乏與日益增長的能源消耗之間的矛盾也更加明顯，能源需求已成為制約社會(huì)經(jīng)濟(jì)發(fā)展的重要因素[1]。在能源消耗的各個(gè)領(lǐng)域當(dāng)中，建筑物耗能占據(jù)較大的比例，大型建筑面積在城鎮(zhèn)建筑總面積中占有較大的比例，其資源消耗量也是普通建筑的數(shù)倍，隨著智能化、自動(dòng)化的不斷發(fā)展，能源消耗量也逐漸上升[2,3]。建筑物能耗仿真評(píng)估是進(jìn)行建筑物節(jié)能設(shè)計(jì)的基礎(chǔ)，對(duì)建筑物耗能進(jìn)行正確的分析和評(píng)估是進(jìn)行建筑物能耗定額分析、能耗管理以及耗能設(shè)備選型的重要依據(jù)，對(duì)于不同氣候條件的建筑物能源有效利用和構(gòu)建可持續(xù)發(fā)展建筑耗能具有重要意義[4-6]。

以夏季炎熱、冬季寒冷地區(qū)的大型建筑物為研究對(duì)象，對(duì)建筑物能耗的影響因素進(jìn)行綜合分析，建立該建筑物能耗仿真評(píng)估模型，并對(duì)該模型進(jìn)行分析，為建筑物能耗的評(píng)估提供依據(jù)。

1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

建筑物耗能評(píng)估仿真郭恒不僅僅與建筑耗能的多少有關(guān)，而是受到各種綜合因素的影響，因此建立建筑物耗能評(píng)估模型的過程是建立建筑耗物能影響因素之間相互影響關(guān)系的過程[7]。建筑物耗能影響因素之間相互耦合，難以使用數(shù)學(xué)關(guān)系描述的方式進(jìn)行表達(dá)，建筑物耗能與建筑物節(jié)能需求之間關(guān)系模糊，在評(píng)估過程中存在較多的不確定性，傳統(tǒng)的建筑物耗能評(píng)估仿真分析方法主要通過專家打分，評(píng)估過程存在較多的不確定因素和人為主觀影響，不利于對(duì)建筑物能耗評(píng)估的科學(xué)性和客觀性[8]。

神經(jīng)網(wǎng)絡(luò)能夠進(jìn)行模糊推理和并行計(jì)算，同時(shí)能夠?qū)崿F(xiàn)信息存儲(chǔ)，在推理過程中可進(jìn)行自適應(yīng)學(xué)習(xí)，基于神經(jīng)網(wǎng)絡(luò)建立建筑耗物能評(píng)估仿真分析模型，利用模型的自適應(yīng)學(xué)習(xí)功能減少評(píng)估過程中的計(jì)算工作量，并對(duì)評(píng)估分析過程中的專家知識(shí)數(shù)據(jù)進(jìn)行積累，減少評(píng)估過程中的人為主觀因素影響，保證建筑物耗能評(píng)估仿真模型運(yùn)行過程中的準(zhǔn)確性和科學(xué)性[9]。如圖1所示為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

2 建筑物耗能評(píng)估仿真模型

科學(xué)的建筑物耗能仿真模型能夠準(zhǔn)確客觀的反應(yīng)建筑物的耗能情況，建筑物耗能的影響因素較多，且各因素之間相互耦合，受氣候條件和建筑物結(jié)構(gòu)的影響，建筑物在不同地區(qū)具有不同的結(jié)構(gòu)和功能，因此其整體耗能情況也相差較大，在相同的氣候條件下，相同結(jié)構(gòu)的建筑物因其功能和使用條件的不同，建筑物能耗也發(fā)生較大的變化，因此無法采用同一個(gè)建筑物耗能仿真模型，對(duì)不同結(jié)構(gòu)的建筑物和相同結(jié)構(gòu)建筑物在不同使用條件下的能耗進(jìn)行仿真評(píng)估[10]。

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

建筑物耗能是一個(gè)復(fù)雜的耗能系統(tǒng)，影響因素較多，且影響因素之間相互作用、相互影響。對(duì)建筑物能耗進(jìn)行評(píng)估分析時(shí)，必須科學(xué)準(zhǔn)確的選取影響因素，并對(duì)影響因素進(jìn)行全面綜合的分析，能耗因素選取過程中要充分考慮影響因素?cái)?shù)量，數(shù)量越多，建筑物耗能系統(tǒng)模型越復(fù)雜，甚至?xí)斐申P(guān)鍵影響因素的分散，造成模型網(wǎng)絡(luò)學(xué)習(xí)時(shí)間長，模型評(píng)估分析過程中甚至出現(xiàn)無法收斂的現(xiàn)象[11]。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，xi表示輸入值，ωij表示網(wǎng)絡(luò)權(quán)值，yi表示神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值，f表示隱含層閾值，則神經(jīng)網(wǎng)絡(luò)隱含層輸出值Hij可表示為式(1)：

(1)

由此可以得出神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出值為式(2)：

(2)

神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出值誤差可表示為式(3)：

ei=yi-Oii=1,2,…,n

(3)

將建筑物耗能影響因素?cái)?shù)據(jù)進(jìn)行訓(xùn)練，并進(jìn)行歸一化處理如式(4)：

(4)

式(4)中，x表示建筑物耗能影響因素樣本數(shù)據(jù)，xmax表示建筑物耗能影響因素樣本數(shù)據(jù)最大值，xmin表示建筑物耗能影響因素樣本數(shù)據(jù)最小值，x'表示歸一化處理后的建筑物耗能影響因素樣本數(shù)據(jù)。

神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層共同構(gòu)成神經(jīng)網(wǎng)絡(luò)空間劃分，輸入空間的線性劃分越小，神經(jīng)網(wǎng)絡(luò)模糊規(guī)則的數(shù)據(jù)也隨之增加，導(dǎo)致神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜[12]。當(dāng)神經(jīng)網(wǎng)絡(luò)事件參數(shù)初始值選擇出現(xiàn)較大偏差時(shí)，會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)運(yùn)行過程中的收斂速度降低，利用聚類分析的方法對(duì)網(wǎng)絡(luò)空間進(jìn)行劃分，獲取神經(jīng)網(wǎng)絡(luò)隸屬度函數(shù)初始值，并結(jié)合神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練過程中的參數(shù)進(jìn)行調(diào)整，減少神經(jīng)網(wǎng)絡(luò)模型的計(jì)算量。

聚類分析中心初始參數(shù)為隨機(jī)選取，會(huì)對(duì)聚類算法的性能產(chǎn)生影響，在進(jìn)行聚類分析目標(biāo)函數(shù)初始化過程中，首先使用聚類減法分析確定聚類初始中心和聚類數(shù)目，加快聚類分析過程中的收斂速度，同時(shí)改善聚類初始值的隨機(jī)性和敏感型，減少分析過程中出現(xiàn)局部最優(yōu)解的可能性。

當(dāng)聚類分析半徑r=0.3時(shí)，神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)能力和模型泛化能力均達(dá)到最優(yōu)值，當(dāng)模型權(quán)重指數(shù)m=2時(shí)，神經(jīng)網(wǎng)絡(luò)模型最大迭代次數(shù)為Tmax=100，系統(tǒng)模型的最大誤差為ε=10-4，聚類分析后可得到32個(gè)聚類中心，因此可以得出每一個(gè)建筑物耗能影響因素將被劃分為32個(gè)模糊影響因素子集。

根據(jù)聚類分析結(jié)果確定建筑物能耗評(píng)估仿真模型的輸入層包含7個(gè)節(jié)點(diǎn)，神經(jīng)網(wǎng)絡(luò)模型第二層對(duì)每個(gè)輸入變量對(duì)應(yīng)的隸屬度進(jìn)行計(jì)算，獲取到224個(gè)節(jié)點(diǎn)值，利用模糊推理層對(duì)每一條神經(jīng)網(wǎng)絡(luò)規(guī)則適用度進(jìn)行推理，可得到32個(gè)節(jié)點(diǎn)，第三層網(wǎng)絡(luò)的輸出值傳輸至神經(jīng)網(wǎng)絡(luò)第四層，并進(jìn)行歸一化操作，響應(yīng)的形成32個(gè)節(jié)點(diǎn)。綜上所述可以得出建筑物耗能評(píng)估仿真模型的后件網(wǎng)絡(luò)第一層節(jié)點(diǎn)數(shù)為8，第二層節(jié)點(diǎn)數(shù)為224，神經(jīng)網(wǎng)絡(luò)輸出層為第三層，建筑物耗能評(píng)估仿真模型的輸出值具有唯一性。

建筑物耗能評(píng)估仿真分析模型的參數(shù)辨識(shí)過程可理解為模型的訓(xùn)練過程，該過程常采用梯度下降法和最小二乘法相結(jié)合的方法。梯度下降的方法對(duì)參數(shù)值進(jìn)行調(diào)整，同時(shí)利用最小二乘法解決辨識(shí)過程中極值點(diǎn)附近收斂較慢的問題，保證模型辨識(shí)過程中的精度等級(jí)[13]。

建立建筑物耗能評(píng)估仿真分析神經(jīng)網(wǎng)絡(luò)后，設(shè)定網(wǎng)絡(luò)最大學(xué)習(xí)次數(shù)為500，設(shè)定模型學(xué)習(xí)速率為0.2，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，如圖2所示為建筑物耗能評(píng)估仿真模型訓(xùn)練誤差曲線。

圖2 模型訓(xùn)練誤差曲線

從誤差曲線可以看出，能耗模型經(jīng)過198次迭代后，誤差達(dá)到穩(wěn)定狀態(tài)，此時(shí)網(wǎng)絡(luò)模型訓(xùn)練結(jié)束。訓(xùn)練之前采用聚類分析對(duì)模型網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行確定，避免了訓(xùn)練過程中的冗余信息，保證模型網(wǎng)絡(luò)學(xué)習(xí)過程相對(duì)簡(jiǎn)潔，且具有較高的收斂速度。

3 模型應(yīng)用分析

利用訓(xùn)練好的建筑物耗能評(píng)估仿真模型對(duì)影響因素?cái)?shù)據(jù)進(jìn)行評(píng)估，檢驗(yàn)耗能模型的泛化能力，評(píng)估過程中選取50個(gè)建筑物耗能影響數(shù)據(jù)。如圖3所示為建筑物耗能模型評(píng)估結(jié)果。如圖4為建筑物耗能評(píng)估結(jié)果誤差曲線。

圖3 建筑物能耗模型評(píng)估結(jié)果

圖4 能耗評(píng)估結(jié)果誤差曲線

建筑物耗能評(píng)估仿真分析模型的輸出值與目標(biāo)期望值之間誤差值小于0.0725，由此說明利用聚類分析的方法對(duì)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)進(jìn)行辨識(shí)并提取初始參數(shù)值，可以有效改善評(píng)估模型的泛化性。

從曲線數(shù)據(jù)可以看出，建筑物能耗等級(jí)評(píng)估結(jié)果準(zhǔn)確率高于90%，表明所建立的建筑物能耗模型數(shù)據(jù)樣本能夠?qū)χ饕绊懸蛩剡M(jìn)行覆蓋，且評(píng)估過程中具有較好的學(xué)習(xí)訓(xùn)練質(zhì)量，建筑物能耗評(píng)估仿真模型的訓(xùn)練結(jié)果能夠滿足評(píng)估誤差需求。

建筑物耗能影響因素輸入樣本數(shù)據(jù)能夠經(jīng)過模型網(wǎng)絡(luò)進(jìn)行準(zhǔn)確映射，得到準(zhǔn)確的輸出樣本數(shù)據(jù)，表明建筑物耗能評(píng)估模型能夠科學(xué)準(zhǔn)確的建立影響因素與建筑物耗能狀況之間的對(duì)應(yīng)關(guān)系，同時(shí)能夠準(zhǔn)確的進(jìn)行樣本識(shí)別，運(yùn)行過程性能穩(wěn)定，能夠?qū)ㄖ锏暮哪艿燃?jí)進(jìn)行自動(dòng)化準(zhǔn)確評(píng)估，避免評(píng)估過程中的人為主觀因素影響。

4 結(jié) 語

建筑物耗能評(píng)估仿真分析模型在實(shí)際應(yīng)用過程中，能夠擺脫耗能評(píng)估專家主觀因素的影響，準(zhǔn)確客觀的對(duì)建筑物耗能進(jìn)行評(píng)估仿真，提高建筑物耗能評(píng)估過程中的智能程度，同時(shí)為建筑物耗能評(píng)估算法的建立和軟件開發(fā)奠定基礎(chǔ)。