【摘要】文章針對(duì)建筑能耗問(wèn)題，采用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行分析與優(yōu)化，旨在提高建筑能耗預(yù)測(cè)的準(zhǔn)確性并實(shí)現(xiàn)節(jié)能目標(biāo)。介紹了人工神經(jīng)網(wǎng)絡(luò)的基本原理及其在能耗預(yù)測(cè)中的應(yīng)用，詳細(xì)闡述了基于AP聚類(lèi)的BP神經(jīng)網(wǎng)絡(luò)算法（AP-BP），通過(guò)AP聚類(lèi)技術(shù)優(yōu)化數(shù)據(jù)特征，提升模型的預(yù)測(cè)精度。研究還探討了改進(jìn)BP算法的具體實(shí)現(xiàn)步驟，包括網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化、自適應(yīng)學(xué)習(xí)率調(diào)整和正則化方法應(yīng)用。通過(guò)實(shí)例分析驗(yàn)證了所提方法的有效性，仿真結(jié)果表明，AP-BP神經(jīng)網(wǎng)絡(luò)算法在能耗預(yù)測(cè)中的應(yīng)用具有顯著優(yōu)勢(shì)，為建筑節(jié)能領(lǐng)域提供了新的技術(shù)路徑和理論支持。

【關(guān)鍵詞】建筑能耗；神經(jīng)網(wǎng)絡(luò)；AP-BP算法；節(jié)能優(yōu)化

【中圖分類(lèi)號(hào)】TU17 【文獻(xiàn)標(biāo)志碼】A 【文章編號(hào)】1673-6028（2025）02-0013-03

0 引言

在全球能源消耗不斷增加的背景下，建筑能耗問(wèn)題成為亟待解決的關(guān)鍵課題之一。傳統(tǒng)的能耗分析方法難以應(yīng)對(duì)建筑復(fù)雜的能耗模式和多變的外部環(huán)境因素，導(dǎo)致預(yù)測(cè)精度不足，優(yōu)化效果有限。人工神經(jīng)網(wǎng)絡(luò)作為一種具有強(qiáng)大非線性映射能力的人工智能技術(shù)，在模式識(shí)別和數(shù)據(jù)預(yù)測(cè)方面表現(xiàn)出色，因此被引入建筑能耗分析領(lǐng)域。本研究旨在通過(guò)構(gòu)建基于AP聚類(lèi)的BP神經(jīng)網(wǎng)絡(luò)模型，提高建筑能耗預(yù)測(cè)的精度，并為節(jié)能優(yōu)化提供科學(xué)依據(jù)。通過(guò)引入AP聚類(lèi)技術(shù)，在數(shù)據(jù)特征優(yōu)化方面取得了突破性進(jìn)展，進(jìn)一步提升了神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)能力和適應(yīng)性，實(shí)現(xiàn)對(duì)建筑能耗的精準(zhǔn)預(yù)測(cè)與優(yōu)化管理。這不僅有助于降低建筑能耗，還能為建筑設(shè)計(jì)和運(yùn)營(yíng)提供重要參考，推動(dòng)綠色建筑技術(shù)的發(fā)展。

1 基于神經(jīng)網(wǎng)絡(luò)的模型建立及能耗預(yù)測(cè)

1.1 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是一種是高度仿照生物神經(jīng)系統(tǒng)運(yùn)作方式制作出來(lái)的計(jì)算模型。這類(lèi)精巧而復(fù)雜的人工神經(jīng)網(wǎng)絡(luò)被應(yīng)用于各種需要處理、識(shí)別以及預(yù)測(cè)復(fù)雜數(shù)據(jù)模式的數(shù)據(jù)密集型領(lǐng)域。在建筑能耗預(yù)測(cè)中，輸入層神經(jīng)元通常包括建筑結(jié)構(gòu)參數(shù)、歷史能耗記錄等關(guān)鍵特征，通過(guò)隱含層神經(jīng)元的多層非線性轉(zhuǎn)換，最終在輸出層生成能耗預(yù)測(cè)結(jié)果。建筑結(jié)構(gòu)參數(shù)如面積、高度等，通常采用最小—最大歸一化法映射到[0，1]區(qū)間。這種方法保持了數(shù)據(jù)的相對(duì)比例關(guān)系，有助于模型更好地理解建筑特征。建筑面積范圍是100～100 000 m2，覆蓋從小型住宅到大型商業(yè)綜合體，建筑高度在3～500 m之間，包括低層住宅到超高層摩天大樓，窗墻比在0.1～0.8之間波動(dòng)，反映不同建筑設(shè)計(jì)理念。

歷史能耗記錄的處理常采用Z-score標(biāo)準(zhǔn)化，將數(shù)據(jù)轉(zhuǎn)換成均值為0、標(biāo)準(zhǔn)差為1的分布。這種方法有效處理了能耗數(shù)據(jù)的波動(dòng)性，使模型能夠更好地捕捉能耗變化趨勢(shì)。能耗數(shù)據(jù)分布在每年5～1 000 kW .h/m2的范圍內(nèi)，反映不同類(lèi)型建筑和使用情況的能耗差異。對(duì)于極端值或長(zhǎng)尾分布數(shù)據(jù)，可考慮使用對(duì)數(shù)變換，有效壓縮數(shù)據(jù)范圍，使分布更加均勻。建筑類(lèi)型、用途等離散特征需要通過(guò)獨(dú)熱編碼轉(zhuǎn)換為數(shù)值形式，便于神經(jīng)網(wǎng)絡(luò)處理。

1.2 人工神經(jīng)網(wǎng)絡(luò)模型建立

在構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型的過(guò)程中，必須考慮到多種因素，以確保模型的有效性與精確度。人工神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的非線性映射能力，能夠捕捉復(fù)雜數(shù)據(jù)中的潛在規(guī)律，廣泛應(yīng)用于圖像識(shí)別、自然語(yǔ)言處理和預(yù)測(cè)分析等領(lǐng)域。建立一個(gè)高效的神經(jīng)網(wǎng)絡(luò)模型首先需要明確目標(biāo)任務(wù)和數(shù)據(jù)特征，這為后續(xù)的網(wǎng)絡(luò)設(shè)計(jì)、訓(xùn)練和優(yōu)化提供了基礎(chǔ)。模型的選擇應(yīng)基于具體應(yīng)用場(chǎng)景，常見(jiàn)的架構(gòu)包括全連接網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)等，適用于不同類(lèi)型的數(shù)據(jù)和處理需求。數(shù)據(jù)預(yù)處理是模型建立的重要環(huán)節(jié)，它決定了訓(xùn)練數(shù)據(jù)的質(zhì)量，高質(zhì)量的數(shù)據(jù)能夠顯著提高模型的學(xué)習(xí)效率和最終性能。

在建立人工神經(jīng)網(wǎng)絡(luò)模型過(guò)程中，模型的設(shè)計(jì)需要考慮輸入層、隱含層和輸出層3個(gè)關(guān)鍵環(huán)節(jié)[1]。其中W1ik為輸入層和隱含層的權(quán)值，W2ik為隱含層和輸出層的權(quán)值。網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

式中：Oj為第j個(gè)神經(jīng)元輸出；Wij為連接第i個(gè)輸入層神經(jīng)元到第j個(gè)隱含層神經(jīng)元的權(quán)重；Xi為第i個(gè)輸入神經(jīng)元的輸入；qj為第j個(gè)神經(jīng)元的偏置值；Yk為第k個(gè)輸出層神經(jīng)元輸出；Tij為第i個(gè)隱含層神經(jīng)元到第j個(gè)輸出層神經(jīng)元的權(quán)重。

1）輸入層的設(shè)計(jì)是能耗預(yù)測(cè)模型的基礎(chǔ)，必須選擇那些會(huì)顯著影響辦公建筑能耗的各項(xiàng)因素作為重要的輸入變量。這些因素包括但不限于氣象數(shù)據(jù)、建筑物的結(jié)構(gòu)參數(shù)、歷史能耗記錄等，輸入層神經(jīng)元的數(shù)量與這些影響因素的數(shù)量一致[2]。

2）隱含層設(shè)計(jì)是構(gòu)建模型的核心。隱含層神經(jīng)元的數(shù)量及其對(duì)應(yīng)的數(shù)學(xué)函數(shù)選擇至關(guān)重要，直接影響模型的預(yù)測(cè)性能。

3）輸出層設(shè)計(jì)決定了模型的預(yù)測(cè)輸出。根據(jù)具體的研究需求，輸出層神經(jīng)元的數(shù)量可以靈活設(shè)置，以滿足不同的預(yù)測(cè)要求。通過(guò)合理的輸入層、隱含層和輸出層設(shè)計(jì)，可以構(gòu)建出高效的人工神經(jīng)網(wǎng)絡(luò)模型，從而實(shí)現(xiàn)辦公建筑能耗的精準(zhǔn)預(yù)測(cè)。

1.3 基于AP聚類(lèi)的BP神經(jīng)網(wǎng)絡(luò)算法

在神經(jīng)網(wǎng)絡(luò)模型建立與能耗預(yù)測(cè)中，基于AP聚類(lèi)的BP神經(jīng)網(wǎng)絡(luò)算法（AP-BP）是一種有效的方法。AP聚類(lèi)算法是一種無(wú)監(jiān)督且自動(dòng)化高度靈活的聚類(lèi)算法，這種獨(dú)特的方法不需要預(yù)先指定復(fù)雜而未知數(shù)量的聚類(lèi)質(zhì)心個(gè)數(shù)，并能夠智能地確定這些質(zhì)心的位置和數(shù)量。

相似度矩陣的構(gòu)建是基于數(shù)據(jù)點(diǎn)之間的距離計(jì)算的，常用的距離度量方法包括歐氏距離、曼哈頓距離等。相似度矩陣中包含對(duì)角線元素，其被稱(chēng)為參考度，這些值表示了每個(gè)數(shù)據(jù)點(diǎn)成為潛在聚類(lèi)中心的傾向性或可能性。通過(guò)設(shè)置合適的參考度，可以控制聚類(lèi)的數(shù)目和質(zhì)量。AP聚類(lèi)得到的聚類(lèi)中心可以作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重配置，優(yōu)化傳統(tǒng)BP算法的初始參數(shù)設(shè)置[3]。

AP-BP算法通過(guò)結(jié)合AP聚類(lèi)和BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，使模型能夠更有效地學(xué)習(xí)輸入數(shù)據(jù)的潛在模式，最終為建筑能耗預(yù)測(cè)提供更為精準(zhǔn)和可靠的結(jié)果，其流程如圖2所示。

2 實(shí)例分析

2.1 數(shù)據(jù)來(lái)源

本研究依賴(lài)于Ecotect軟件生成的一系列模擬建筑物數(shù)據(jù)，這些數(shù)據(jù)涵蓋了多種類(lèi)型建筑及其室內(nèi)外環(huán)境詳盡的信息和參數(shù)，包括墻壁的組成材料、地板的材料及厚度、屋頂材料以及窗戶材料等關(guān)鍵特征[4]。本研究結(jié)合了244條訓(xùn)練數(shù)據(jù)和71條泛化數(shù)據(jù)，用于對(duì)算法模型輸出結(jié)果與期望輸出結(jié)果的擬合效果進(jìn)行計(jì)算，具體輸入數(shù)據(jù)和輸出數(shù)據(jù)如表1所示。

為評(píng)估模型的準(zhǔn)確性和有效性，采用均方根誤差（RMSE）和平均絕對(duì)誤差（ARGE）作為關(guān)鍵指標(biāo)[5]。

2.2 仿真結(jié)果

在進(jìn)行仿真結(jié)果展示時(shí)，通過(guò)運(yùn)用AP聚類(lèi)算法對(duì)大量關(guān)鍵性的建筑輸入數(shù)據(jù)進(jìn)行了分類(lèi)和歸納，從而得到了具體而清晰的聚類(lèi)結(jié)果，如表2所示。試驗(yàn)中，針對(duì)AP聚類(lèi)的BP神經(jīng)網(wǎng)絡(luò)算法模型和經(jīng)典BP神經(jīng)網(wǎng)絡(luò)算法模型進(jìn)行了對(duì)比分析。為了避免訓(xùn)練誤差和泛化誤差之間的差距過(guò)大而導(dǎo)致過(guò)擬合問(wèn)題，泛化誤差成為評(píng)估算法模型優(yōu)劣的重要標(biāo)準(zhǔn)。

可以看出，基于AP聚類(lèi)的BP神經(jīng)網(wǎng)絡(luò)算法模型的誤差值，總體上要低于經(jīng)典BP神經(jīng)網(wǎng)絡(luò)算法模型。本文提出并著重討論了一種基于AP聚類(lèi)技術(shù)的新型BP神經(jīng)網(wǎng)絡(luò)算法模型，該模型在訓(xùn)練與泛化過(guò)程中的均方根誤差（RMSE）和平均絕對(duì)誤差（ARGE）指標(biāo)明顯優(yōu)于傳統(tǒng)經(jīng)典BP神經(jīng)網(wǎng)絡(luò)算法模型。這表明AP聚類(lèi)的BP神經(jīng)網(wǎng)絡(luò)算法模型不僅具有更好的擬合能力，而且在處理新數(shù)據(jù)時(shí)也能保持較高的準(zhǔn)確性和穩(wěn)定性[6]。

2.3 實(shí)例研究

某高層辦公樓采用基于神經(jīng)網(wǎng)絡(luò)的能耗預(yù)測(cè)模型，其預(yù)測(cè)結(jié)果與實(shí)際逐時(shí)能耗數(shù)據(jù)的比較如表3所示。

神經(jīng)網(wǎng)絡(luò)模型在這個(gè)高層辦公樓的能耗預(yù)測(cè)中展現(xiàn)出卓越性能，誤差控制在±2%范圍內(nèi)。模型成功捕捉了能耗隨時(shí)間、溫度、濕度和日照強(qiáng)度變化的復(fù)雜關(guān)系，尤其在中午和下午高峰時(shí)段的預(yù)測(cè)精度尤為突出[7]。值得注意的是，模型在9：00和16：00這兩個(gè)過(guò)渡時(shí)段的預(yù)測(cè)誤差略高，是由于辦公樓啟動(dòng)和關(guān)閉系統(tǒng)時(shí)能耗模式的急劇變化。神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)特性在處理這種非線性關(guān)系時(shí)表現(xiàn)出色，為建筑能源管理提供了可靠的決策依據(jù)。通過(guò)持續(xù)收集和分析實(shí)時(shí)數(shù)據(jù)，模型有望進(jìn)一步提升其預(yù)測(cè)準(zhǔn)確度，特別是在能耗模式快速變化的時(shí)段。

3 結(jié)語(yǔ)

本研究通過(guò)引入人工神經(jīng)網(wǎng)絡(luò)技術(shù)，對(duì)建筑能耗進(jìn)行深入分析與優(yōu)化。基于AP聚類(lèi)的BP神經(jīng)網(wǎng)絡(luò)算法，在預(yù)測(cè)建筑能耗方面展現(xiàn)出較高的準(zhǔn)確性和可靠性。研究結(jié)果表明，AP-BP算法通過(guò)對(duì)數(shù)據(jù)特征進(jìn)行優(yōu)化，顯著提升了模型的預(yù)測(cè)能力，為建筑能耗管理提供了有力支持。改進(jìn)的BP算法在網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化、自適應(yīng)學(xué)習(xí)率調(diào)整和正則化方法應(yīng)用方面也表現(xiàn)出色，進(jìn)一步提高了模型的泛化能力和魯棒性。本研究的實(shí)例分析驗(yàn)證了所提方法的有效性，仿真結(jié)果證明了AP-BP神經(jīng)網(wǎng)絡(luò)算法在實(shí)際應(yīng)用中的巨大潛力。

參考文獻(xiàn)

[1] 賀龍，呂保，馬德宇.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的嚴(yán)寒地區(qū)建筑能耗與舒適度優(yōu)化研究[J].工業(yè)建筑，2023，53（10）：36-43.

[2] 竇嘉銘，馬鴻雁.基于多神經(jīng)網(wǎng)絡(luò)組合的建筑能耗預(yù)測(cè)研究[J].計(jì)算機(jī)仿真，2022，39（5）：438-443.

[3] 金國(guó)輝，尚琪，梁娜飛.基于神經(jīng)網(wǎng)絡(luò)多層感知器的外圍護(hù)結(jié)構(gòu)多目標(biāo)優(yōu)化影響指標(biāo)選取研究[J].工程研究-跨學(xué)科視野中的工程，2019，11（2）：106-112.

[4] 李力，徐勇.基于BP神經(jīng)網(wǎng)絡(luò)的建筑能耗預(yù)測(cè)[J].電腦編程技巧與維護(hù)，2021（4）：10-12.

[5] 李葉紅，黃濤，江向陽(yáng)，等.廣州市民用建筑能耗總量和強(qiáng)度計(jì)算研究與分析[J].建筑節(jié)能，2020，48（11）：116-123.

[6] 張昊沖，王晶晶，錢(qián)怡佳.基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)院建筑公共照明能耗預(yù)測(cè)研究[J].自動(dòng)化技術(shù)與應(yīng)用，2024，43（4）：99-102.

[7] 曾國(guó)治，林曉真，任福康，等.基于卷積神經(jīng)網(wǎng)絡(luò)的建筑能耗預(yù)測(cè)方法及模型性能[J].制冷技術(shù)，2023，43（6）：53-56.

[作者簡(jiǎn)介]王勵(lì)前（1989—）男，遼寧錦州人，本科，工程師，研究方向：電氣工程。