◎ 魏世輝，韓亞超

（阜陽職業(yè)技術(shù)學(xué)院城鄉(xiāng)建設(shè)學(xué)院，安徽 阜陽 236031）

隨著我國經(jīng)濟(jì)發(fā)展迅速，能源消耗也逐漸增多，相關(guān)數(shù)據(jù)顯示，我國能源消耗約占世界能源消耗總比重的24%。2022 年，我國能源消費(fèi)總量達(dá)到54.1 億t標(biāo)準(zhǔn)煤，其中，約一半的能源為建筑行業(yè)所消耗。在建筑行業(yè)中，根據(jù)建筑使用需求特點(diǎn)，合理分配能源消耗，能有效降低建筑能耗。同時，通過預(yù)測建筑能耗，可以實(shí)現(xiàn)對各具體場景的水、電、氣、熱等多種能源介質(zhì)數(shù)據(jù)的計量、采集，從而實(shí)現(xiàn)能源的合理分配[1]。通過針對行業(yè)優(yōu)化的數(shù)據(jù)分析模型計算后，建筑消耗預(yù)測可以實(shí)現(xiàn)建筑用能監(jiān)測、設(shè)備管理、能效分析和結(jié)構(gòu)優(yōu)化，加深全民能源節(jié)約意識，助力實(shí)現(xiàn)“雙碳”發(fā)展目標(biāo)。

1 建筑能耗與“雙碳”目標(biāo)

1.1 建筑能耗

建筑能耗是指從生產(chǎn)、施工和運(yùn)行的建筑活動全過程發(fā)生的能耗，其中，建筑運(yùn)行能耗主要是采暖、空調(diào)和照明等活動產(chǎn)生的能耗。隨著我國發(fā)展進(jìn)入新階段，建筑行業(yè)發(fā)展也進(jìn)入轉(zhuǎn)型期，房地產(chǎn)市場日趨平穩(wěn)，城市發(fā)展從大規(guī)模建設(shè)，逐漸過渡到以更新維護(hù)為重點(diǎn)，因此，建筑運(yùn)行能耗占建筑能耗的比重不斷增加。此外，公共建筑和城鎮(zhèn)居住建筑的運(yùn)行能耗，是建筑運(yùn)行階段能耗的主要部分，根據(jù)《2022 中國建筑能耗與碳排放研究報告》，2020 年，建筑運(yùn)行階段能耗達(dá)到10.6 億t 標(biāo)準(zhǔn)煤，占建筑總能耗的47%，其中，公共建筑和城鎮(zhèn)居住建筑運(yùn)行能耗占總運(yùn)行能耗的78.3%；建筑運(yùn)行階段碳排放達(dá)到21.6 億t，占建筑碳排放總量的43%，其中，公共建筑和城鎮(zhèn)居住建筑運(yùn)行能耗占總運(yùn)行階段碳排放總量的80%。通過以上數(shù)據(jù)可以看出，預(yù)測和控制公共建筑和城鎮(zhèn)居住建筑的能耗情況，對于實(shí)現(xiàn)建筑行業(yè)的節(jié)能減排，具有重要作用。

1.2 “雙碳”目標(biāo)

為了轉(zhuǎn)變生活方式，降低二氧化碳排放量，走綠色、低碳的可持續(xù)發(fā)展之路，國家于2020 年9 月提出“碳達(dá)峰”和“碳中和”的“雙碳”目標(biāo)。隨后，相關(guān)部門陸續(xù)出臺一系列的政策，將實(shí)現(xiàn)“雙碳”目標(biāo)作為未來的重點(diǎn)工作，切實(shí)推進(jìn)綠色可持續(xù)發(fā)展工作，助力中國式現(xiàn)代化建設(shè)。

建筑行業(yè)是能耗大戶，也是實(shí)現(xiàn)“雙碳”目標(biāo)的關(guān)鍵領(lǐng)域之一[2]。從建筑運(yùn)行期間CO2排放狀況來看，公共建筑是碳排放的“大戶”，碳排放量為48 kg·m-3。以北方公共建筑的供暖為例，如果采取計量方式，能耗可以降低1/3，由此可見，對建筑運(yùn)行階段的能耗進(jìn)行控制，能有效降低建筑物碳排放量，實(shí)現(xiàn)國家“雙碳”目標(biāo)。

1.3 建筑能耗預(yù)測方法

建筑能耗控制研究的重點(diǎn)是在不影響人們對建筑使用基本需求的前提下，最大限度地降低建筑運(yùn)行能耗，從而達(dá)到節(jié)能的目標(biāo)。隨著建筑能耗預(yù)測方法和優(yōu)化算法的不斷成熟，為準(zhǔn)確預(yù)測建筑能耗提供了可能。目前，常用的建筑能耗預(yù)測方法有工程簡化算法、統(tǒng)計學(xué)法（多元回歸法）、人工智能法（人工神經(jīng)網(wǎng)絡(luò)模型）和并行計算法。其中，人工神經(jīng)網(wǎng)絡(luò)模型具有適用性強(qiáng)、預(yù)測精度高等特點(diǎn)，在建筑能耗預(yù)測中應(yīng)用最為廣泛。

2 BP 神經(jīng)網(wǎng)絡(luò)算法

2.1 BP 神經(jīng)網(wǎng)絡(luò)算法原理

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種經(jīng)典的人工神經(jīng)網(wǎng)絡(luò)模型，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，也是當(dāng)前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一[3]。BP 神經(jīng)網(wǎng)絡(luò)算法是基于BP 神經(jīng)網(wǎng)絡(luò)提出的一種算法，其可以通過任意選定一組權(quán)值，利用目標(biāo)輸出建立線性方程求解，再利用輸出值與實(shí)際值的誤差，調(diào)整對權(quán)值，也被稱為逆向傳播算法。其具有很強(qiáng)的非線性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu)，在函數(shù)逼近、模式識別、分類和數(shù)據(jù)壓縮方面有較為成熟的應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)算法模型分為輸入層、單隱含層、輸出層[4-5]，如圖1 所示。

圖1 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測原理圖

BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練方式：首先，通過輸入的信號特征數(shù)據(jù)，依次映射到隱藏層、輸出層，從而得到期望值[6]。其次，將期望輸出值和實(shí)際值比較，計算誤差函數(shù)，利用誤差反向傳播，調(diào)節(jié)權(quán)值和閾值。最后，不斷重復(fù)該過程，直至目標(biāo)實(shí)現(xiàn)，訓(xùn)練停止。

2.2 BP 神經(jīng)網(wǎng)絡(luò)算法步驟

（1）歸一化樣本

輸入和輸出樣本確定后，進(jìn)行歸一化處理，處理輸入和輸出樣本到區(qū)間再到確定輸入樣本和輸出樣本，并對它們進(jìn)行歸一化，將輸入和輸出樣本[0.1，0.9]，歸一化處理采用自編的歸一化函數(shù)premnmx2，其原因在于Matlab 自帶的歸一化函數(shù)premnmx 只能把數(shù)據(jù)處理到[-1，1]的區(qū)間。

（2）創(chuàng)建BP 神經(jīng)網(wǎng)絡(luò)

收集好樣本，確定好輸入和輸出樣本后，下一步采用newff 函數(shù)創(chuàng)建網(wǎng)絡(luò)結(jié)構(gòu)，同時，也可以采用newff 函數(shù)或者Init 函數(shù)對網(wǎng)絡(luò)閾值和權(quán)重進(jìn)行初始化設(shè)置。

算法的主要語句如下：

BPnet ＝newff [樣本范圍輸入，（確定網(wǎng)絡(luò)層神經(jīng)元數(shù)目），（確定網(wǎng)絡(luò)層神經(jīng)元激活函數(shù)），‘確定訓(xùn)練函數(shù)’，‘使用學(xué)習(xí)函數(shù)’，‘使用性能函數(shù)’]

神經(jīng)網(wǎng)絡(luò)算法一般選用網(wǎng)絡(luò)層、輸入層和輸出層3 層，神經(jīng)元的個數(shù)目前沒有統(tǒng)一的確定方式，一般根據(jù)實(shí)際情況來定。

（3）網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置

MaxEpochs——設(shè)置最大訓(xùn)練次數(shù)；

E0——設(shè)置收斂誤差；

lr——學(xué)習(xí)率[7]。

（4）訓(xùn)練BP 網(wǎng)絡(luò)

關(guān)鍵語句為：net=train（net，p，t）

（5）訓(xùn)練成功，相關(guān)結(jié)果輸出。

3 建筑能耗預(yù)測過程

3.1 數(shù)據(jù)整理

先對建筑能耗的內(nèi)容進(jìn)行分析，找出在建筑能耗中占比較大的因子，選取3 個影響建筑能耗的系數(shù)作為輸入，即電耗、天然氣耗量和建筑面積，再將對應(yīng)的全年建筑能耗作為輸出，生物質(zhì)消耗作為隱含層數(shù)據(jù)輸出，用Matlab 進(jìn)行能耗預(yù)測仿真，數(shù)據(jù)集如下。

數(shù)據(jù)集：（注意：數(shù)組就是訓(xùn)練集，數(shù)組中的行數(shù)是輸入神經(jīng)元的個數(shù)，數(shù)組中列是輸入訓(xùn)練集組數(shù)）

%耗電量（單位：萬kW）

% 燃?xì)庀模▎挝唬喝ft）

% 建筑面積（單位：億m2）

% 生物質(zhì)（單位：萬t）

% 建筑總能耗（單位：萬億kWh)

3.2 建筑能耗網(wǎng)絡(luò)

（1）設(shè)計輸入、輸出層

該模型由影響建筑能耗的因素作為輸入，以生物質(zhì)消耗和建筑總能耗作為輸出，本項目中設(shè)置輸入層設(shè)置節(jié)點(diǎn)數(shù)為3，輸出層節(jié)點(diǎn)數(shù)為2。

（2）設(shè)計隱藏層

本文預(yù)測模型采用常用3 層結(jié)構(gòu)模型，該模型基于多輸入單輸出的BP 網(wǎng)絡(luò)建立而成。隱藏層神經(jīng)元選擇個數(shù)參照式如下。

公式中，參數(shù)如下：

n——輸入層神經(jīng)元個數(shù)；

m——輸出層神經(jīng)元個數(shù)；

其中，a取[1，10]之間的常數(shù)。

根據(jù)式（1）計算得隱藏層神經(jīng)元個數(shù)為[3，12]之間，本次設(shè)隱藏層神經(jīng)元為8 個，網(wǎng)絡(luò)結(jié)構(gòu)示意如圖2。

圖2 建筑能耗預(yù)測模型圖

（3）激勵函數(shù)的選取

本次選隱藏層神經(jīng)元的激勵函數(shù)為tansig 函數(shù)。

（4）模型的實(shí)現(xiàn)

本項目采用MATLAB 神經(jīng)網(wǎng)絡(luò)算法，對建筑能耗進(jìn)行訓(xùn)練預(yù)測，具體實(shí)現(xiàn)過程如下：

網(wǎng)絡(luò)輸入歸一化后的訓(xùn)練數(shù)據(jù)，tansig 和logsig 函數(shù)分別作為網(wǎng)絡(luò)隱層和輸出層的激勵函數(shù)，設(shè)置mse為網(wǎng)絡(luò)性能函數(shù)，設(shè)隱藏層神經(jīng)元初值為8。網(wǎng)絡(luò)仿真參數(shù)設(shè)置如下，網(wǎng)絡(luò)最大迭代次數(shù)50 000，期望誤差E0 為0.001，學(xué)習(xí)速率lr 為0.05[8]。該網(wǎng)絡(luò)通過20次重復(fù)學(xué)習(xí)達(dá)到期望誤差后則完成學(xué)習(xí)，運(yùn)行效果如圖3 所示。

圖3 建筑能耗預(yù)測圖

4 結(jié)語

本研究通過歷史數(shù)據(jù)，采用MATLAB 仿真軟件進(jìn)行模擬分析，預(yù)測未來的建筑能耗消耗，旨在根據(jù)模擬分析結(jié)果，實(shí)現(xiàn)能量資源的優(yōu)化配置，從而不斷改進(jìn)降低能耗、提高能源使用效率，達(dá)到能量均衡、綠色低碳的效果，為建筑行業(yè)實(shí)現(xiàn)節(jié)能減排、降低能源消耗提供支持，為國家“雙碳”目標(biāo)實(shí)現(xiàn)提供助力。此外，本預(yù)測也可以用到其他方面，例如，對房價的預(yù)測、對天氣的預(yù)測、對農(nóng)作物價格預(yù)測等，將來學(xué)者會考慮進(jìn)行下一步研究。