劉 楠

（北京市設(shè)備安裝工程集團(tuán)有限公司，北京 100045）

0 引言

在全球能源緊缺的背景下，建筑能源消耗已成為各國關(guān)注的重大熱點(diǎn)問題。一方面，目前國際沖突導(dǎo)致能源價(jià)格上漲，以俄羅斯為代表的能源國家限制天然氣出口，使歐洲國家意識(shí)到能源短缺將成為現(xiàn)階段乃至未來一段時(shí)間不得不解決的問題。另一方面，在全球的能源消耗中，40%的能源用于建筑修建過程和使用階段的通風(fēng)空調(diào)、動(dòng)力照明等[1]。因此，建筑節(jié)能成為解決能源消耗量大和能源短缺問題的有效途徑之一[2]。建筑能源的消耗是以居住者的舒適度為尺度的，為解決建筑暖通空調(diào)使用過程中的能源消耗問題，同時(shí)為建筑空間使用者提供一個(gè)健康舒適的居住環(huán)境，研究建筑物暖通空調(diào)的熱舒適度和智能化的節(jié)能控制成為目前的研究重點(diǎn)。

1 工程背景

北京市某房地產(chǎn)項(xiàng)目為重大民生工程，位于成都市東南角，規(guī)劃用地面積約120735m2。按照施工圖設(shè)計(jì)，用地范圍內(nèi)提供高層民用住宅、多層民用住宅和商業(yè)零售辦公用房的一體化城市生活、零售解決方案，總建筑面積達(dá)352398.85m2。其中高層民用住宅一共26 棟，單棟18 層，底層高度為4.5m，其余17 層高度均為3.1m，建筑面積達(dá)291337.00m2；多層住宅一共7 棟，單棟8層，樓層高度均為3.1m，建筑面積達(dá)64092m2；商用零售辦公用房2 棟，建筑面積15504.66m2，其他為配備服務(wù)用房面積。高層住宅樓的結(jié)構(gòu)形式均為框架-剪力墻結(jié)構(gòu)，混凝土強(qiáng)度等級(jí)為C35。計(jì)劃工期為2019 年6 月30 日至2022 年12 月31 日。高層住宅樓建筑平面呈矩形，長(zhǎng)度方向?yàn)?8.4m，寬度方向?yàn)?2.10m；剪力墻厚度為400mm；框架柱為正方形截面，長(zhǎng)寬均為700mm；框架梁截面為矩形，寬為350mm，高為800mm；連梁截面為矩形，梁寬為350mm，梁高為600mm，跨度為2500mm。

2 建筑暖通空調(diào)熱舒適度及能耗預(yù)測(cè)的人工神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)

人工神經(jīng)網(wǎng)絡(luò)是一種模仿人腦記憶過程和辨識(shí)能力的數(shù)學(xué)模型，其典型的計(jì)算結(jié)構(gòu)如圖1 所示。圖1 中的中間層可以有多層。目前，人工神經(jīng)網(wǎng)絡(luò)發(fā)展出了3 種應(yīng)用較為廣泛的算法，分別是BP 神經(jīng)網(wǎng)絡(luò)法、RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)法和LSTM 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)法[3-4]。

圖1 人工神經(jīng)網(wǎng)絡(luò)典型計(jì)算結(jié)構(gòu)

2.1 BP 神經(jīng)網(wǎng)絡(luò)算法的計(jì)算實(shí)現(xiàn)

BP 神經(jīng)網(wǎng)絡(luò)算法是每個(gè)神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)有n個(gè)輸入值，對(duì)每個(gè)輸入值xi賦予權(quán)重和偏值后，僅有1 個(gè)中間輸出結(jié)果z。每個(gè)中間輸出結(jié)果z 通過Sigmoid 激活得到每個(gè)神經(jīng)元的輸出f（x），計(jì)算方法如公式（1）和公式（2）所示[4-5]。

式中：wi為每個(gè)輸入值的權(quán)重；b為偏值。

對(duì)BP 神經(jīng)網(wǎng)絡(luò)法的輸出結(jié)果，一般采用損失函數(shù)（如均方誤差）進(jìn)行樣本訓(xùn)練效果的評(píng)價(jià)，通過求得損失函數(shù)的最小極值達(dá)到訓(xùn)練過程的收斂。該求解過程的實(shí)現(xiàn)主要通過反向傳播迭代完成。按照梯度下降法迭代得到建筑暖通空調(diào)熱舒適度和能源消耗的最優(yōu)解，如公式（3）和公式（4）所示[6]。

式中：l為神經(jīng)網(wǎng)絡(luò)的第l層；J（w，b，x，y）為損失函數(shù)；a為第l層神經(jīng)元的輸出。

2.2 RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)算法的計(jì)算實(shí)現(xiàn)

RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)算法對(duì)序列性數(shù)據(jù)具有良好的適用性，可以實(shí)現(xiàn)正反向傳播和遞歸式運(yùn)算，使網(wǎng)絡(luò)算法具備了記憶能力。同樣地，可以構(gòu)建RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)的損失函數(shù)L，如公式（5）~公式（9）所示。

式中：δ為RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)的激活函數(shù)；h為時(shí)間系列的隱藏狀態(tài)。

2.3 LSTM 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)算法的計(jì)算實(shí)現(xiàn)

解決建筑空調(diào)熱舒適度及能源消耗預(yù)測(cè)問題時(shí)，為避免BP 神經(jīng)網(wǎng)絡(luò)法和RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)法無自主控制閾值的問題，計(jì)算過程沒有類人腦的記憶功能。LSTM 長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)算法通過在隱藏層中引入3 個(gè)門控單元和細(xì)胞狀態(tài)實(shí)現(xiàn)網(wǎng)絡(luò)的長(zhǎng)期記憶，門控單位元分別是遺忘門、更新門和輸出門[7-8]。

3 建筑暖通空調(diào)舒適性的計(jì)算

在建筑的暖通空調(diào)設(shè)計(jì)中，影響室內(nèi)環(huán)境的舒適度因素眾多，不僅包括室內(nèi)的溫度、濕度、空氣風(fēng)速和太陽輻射等因素，還與人體的心理、生理機(jī)能、服裝熱阻和空氣流動(dòng)性等因素有關(guān)。在實(shí)際工程中，人體感受到的熱量是環(huán)境溫度高于或低于人體溫度時(shí)人體產(chǎn)生的生理反應(yīng)，因此建筑熱舒適是一個(gè)多學(xué)科交叉的領(lǐng)域，涉及生理學(xué)、建筑物理學(xué)和心理學(xué)等，因此發(fā)展出了眾多的熱舒適度指標(biāo)。目前應(yīng)用最廣泛的是預(yù)測(cè)平均投票數(shù)PMV指標(biāo)，根據(jù)人體處在熱平衡條件下推導(dǎo)出來的PMV指標(biāo)值，定義PMV指標(biāo)值為-3 時(shí)，熱舒適度為非常涼快；PMV指標(biāo)值為-2時(shí)，熱舒適度為很涼；PMV值為-1 時(shí)，熱舒適度為稍涼；PMV值為0 時(shí)，熱舒適度為舒適；PMV值為+1 時(shí)，熱舒適度為稍熱；PMV值為+2 時(shí)，熱舒適度為很熱；PMV值為+3 時(shí)，熱舒適度為非常熱。

4 基于神經(jīng)網(wǎng)絡(luò)的建筑暖通空調(diào)熱舒適度及能耗預(yù)測(cè)結(jié)果分析

該文將神經(jīng)網(wǎng)絡(luò)的輸入層設(shè)置為6 個(gè)，包括空氣溫度、空氣相對(duì)濕度、空氣風(fēng)速、平均輻射溫度、衣服熱阻和人體代謝，輸出值設(shè)置為1 個(gè)，為熱舒適度值PMV。訓(xùn)練數(shù)據(jù)來源于北京市23 個(gè)小區(qū)160 棟住宅樓房的熱舒適數(shù)據(jù)，共取得1000 組樣本數(shù)據(jù)，應(yīng)用其中的800 組數(shù)據(jù)作為馴良樣本，不斷優(yōu)化人工神經(jīng)網(wǎng)絡(luò)的中間權(quán)重值，再以100 組數(shù)據(jù)為網(wǎng)絡(luò)驗(yàn)證集，剩下的100 組數(shù)據(jù)為網(wǎng)絡(luò)預(yù)測(cè)效果的測(cè)試數(shù)據(jù)。1000 組樣本數(shù)據(jù)中包括MET值、INSUL值、TAAV值、TRAV值、VELAV值、RH值和PMV值，見表1。

表1 建筑暖通空調(diào)熱舒適度與能源消耗人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本

不同訓(xùn)練樣本下，3 種不同神經(jīng)網(wǎng)絡(luò)算法的建筑暖通空調(diào)熱舒適度與能源消耗求解效率對(duì)比如圖2 所示。從圖2 可以看出，3 種不同神經(jīng)網(wǎng)絡(luò)算法的尋優(yōu)效率均與訓(xùn)練樣本數(shù)沒有明顯關(guān)系，其訓(xùn)練時(shí)間呈現(xiàn)不同程度的波動(dòng)，但3 種不同神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練時(shí)間均較小，集中于2s~7s。

圖2 3 種不同神經(jīng)網(wǎng)絡(luò)算法的求解效率對(duì)比

不同訓(xùn)練樣本下，3 種不同神經(jīng)網(wǎng)絡(luò)算法的建筑暖通空調(diào)熱舒適度與能源消耗結(jié)果準(zhǔn)確率對(duì)比如圖3 所示。從圖3 可以看出，隨著訓(xùn)練樣本的增加，預(yù)測(cè)結(jié)果準(zhǔn)確率不斷增加。在相同的訓(xùn)練樣本條件下，RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)結(jié)果準(zhǔn)確率最小。為小樣本時(shí)（＜500），LSTM長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)法的預(yù)測(cè)結(jié)果準(zhǔn)確率比BP 神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)結(jié)果準(zhǔn)確率大；而為大樣本時(shí)（≥500），LSTM長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)法的預(yù)測(cè)結(jié)果準(zhǔn)確率比BP 神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)結(jié)果準(zhǔn)確率小。

圖3 3 種不同神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)結(jié)果準(zhǔn)確率對(duì)比

該文的訓(xùn)練樣本數(shù)較大，綜合前文分析，選擇BP 神經(jīng)網(wǎng)絡(luò)法進(jìn)行智能預(yù)測(cè)。建筑暖通空調(diào)熱舒適度PMV 值預(yù)測(cè)值與實(shí)測(cè)值對(duì)比如圖4 所示。從圖4 可以看出，不同的樣本得到的PMV 值預(yù)測(cè)值和實(shí)測(cè)值均呈現(xiàn)劇烈波動(dòng)，但2條曲線值十分接近，表明基于BP 神經(jīng)網(wǎng)絡(luò)法得到的預(yù)測(cè)值精度較高。進(jìn)一步地，對(duì)建筑暖通空調(diào)的熱舒適度PMV值預(yù)測(cè)誤差進(jìn)行計(jì)算，可以得到除個(gè)別預(yù)測(cè)誤差值偏差較大外，98%的預(yù)測(cè)值誤差均在1%~3%，表明BP 神經(jīng)網(wǎng)絡(luò)對(duì)建筑暖通空調(diào)熱舒適度的預(yù)測(cè)效果較好，達(dá)到了節(jié)能優(yōu)化的控制目的。

圖4 建筑暖通空調(diào)熱舒適度PMV 值預(yù)測(cè)值與實(shí)測(cè)值對(duì)比

5 結(jié)論

該文以北京市某房地產(chǎn)項(xiàng)目高層建筑物暖通空調(diào)為研究對(duì)象，運(yùn)用3 種不同的人工神經(jīng)網(wǎng)絡(luò)智能算法對(duì)建筑暖通空調(diào)使用過程中的PMV值和能源消耗量進(jìn)行求解，得出如下結(jié)論。1）3 種不同神經(jīng)網(wǎng)絡(luò)算法的尋優(yōu)效率均與訓(xùn)練樣本數(shù)沒有明顯關(guān)系，其訓(xùn)練時(shí)間呈現(xiàn)不同程度的波動(dòng)，但3 種不同神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練時(shí)間均較短，集中于2s~7s。2）在相同的訓(xùn)練樣本條件下，RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)結(jié)果準(zhǔn)確率最小。為小樣本時(shí)（＜500），LSTM長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)法的預(yù)測(cè)結(jié)果準(zhǔn)確率比BP 神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)結(jié)果準(zhǔn)確率大；而為大樣本時(shí)（≥500），LSTM長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)法的預(yù)測(cè)結(jié)果準(zhǔn)確率比BP 神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)結(jié)果準(zhǔn)確率小。3）基于BP 神經(jīng)網(wǎng)絡(luò)法的建筑暖通空調(diào)熱舒適度預(yù)測(cè)結(jié)果表明，除個(gè)別預(yù)測(cè)誤差值偏差較大外，98%的預(yù)測(cè)值誤差均在1%~3%，表明BP 神經(jīng)網(wǎng)絡(luò)對(duì)建筑暖通空調(diào)熱舒適度的預(yù)測(cè)效果較好，達(dá)到了節(jié)能優(yōu)化的控制目的。