建筑能耗預測方法綜述

袁景玉 吳 克 關高慶 高 銓

（河北工業大學，中國 天津 300401）

1 建筑能耗現狀

建筑能耗占總能耗的40%，占CO2總排放量的36%。[1]建造能耗預測對提高建筑的能源性能，達到節能和減少環境影響的目的有很顯著的作用。

精確的能耗預測是很困難的，最近幾年，很多預測方法已經被提出和應用在能耗預測的問題上。其中使用最廣泛的人工智能方法是人工神經網絡和支持向量機。

2 預測方法

2.1 工程方法

工程方法使用物理原理計算熱動力學和整個建筑水平或子組件水平的能源行為。在過去五十年他們已經充分發展了。這些方法大致可以分成兩類，詳細的綜合的方法和簡化的方法。

綜合方法使用非常精細的物理函數或熱動力學，按部就班的準確計算建筑所有組件的能源消耗，輸入建筑和環境信息（比如外部氣候條件、建筑施工，操作，公用事業費率和空調設備）。幾百種軟件工具已經被開發出來用于評估能源效率，例如DOE-2，EnergyPlus，BLAST，ESP-r.有些已經被廣泛應用于提高建筑能耗水平和分析能源消耗和建筑保護措施。

雖然這些精細的仿真工具是有效并且準確的，但是，這些工具是基于物理原理得到準確的仿真結果，他們需要詳細的建筑和環境參數作為輸入數據。這些參數對很多組織來說很難得到，而且運行這些工具需要繁瑣的專家工作，使這個很難執行而且成本效率不高。因此一些研究人員提出了相對簡單的模型作為某些應用程序的代替。

簡化的模型有兩種。一種是度日數法，是單測量法，這種穩定狀態下的模型適用于評估小型建筑的能耗基于維護的能耗占主導位的時候。另一種是bin 數據方法，或者叫逐時溫度方法。可以用于模擬大型建筑，內部產生的負荷占主導地位或者負荷時非線性的根據室內外氣溫的變化而不同。

在簡化模型和精確模型之間沒有明顯的界限。用一些綜合性的工具來進行簡單的模擬也是可能的，例如EnergyPlus。[2]AI-Homoud 建議，如果是為了研究趨勢，對比系統，然后簡化分析方法可能就足夠了。相比之下，對于詳細的建筑能耗分析和子系統和生命周期成本分析，更綜合的工具應該更合適。[3]

2.2 統計方法

統計回歸模型簡單的把與能耗或者能源指數與影響變量相關聯。這些實證模型是從歷史性數據中開發出來的，也就是說訓練模型之前我們需要收集足夠的歷史數據。許多關于回歸模型的研究被提出基于以下問題。

首先是在簡化變量的基礎上預測能量使用率，例如一個或者一些氣象參數。其次是預測有用的能源指數。第三是估計能源使用的重要參數，例如總的熱損失系數，總熱容量，增益因子（在分析建筑或者低層次系統的熱行為上是很有用的）。

Aydinalp-Koksal and Ugursal[4]建議當我們預測國家級別建筑能耗時考慮基于回歸算法的模型叫Conditional Demand Analysis（CDA）需求條件分析。在他們的實驗比較中，CDA 表現出了準確預測能力和神經網絡和工程方法一樣好。但是，更容易開發和使用。然而CDA 的缺點是缺少細節和靈活性而且它需要大量的輸入信息。CDA 同樣應用于分析住宅能耗的早期工作。

2.3 神經網絡

人工神經網絡被廣泛應用于建筑能耗預測應用方面的人工智能模型。這種模型擅長解決非線性問題而且是對這種復雜的應用程序（建筑能耗預測）的有效的解決方法。過去的二十年里，研究人員已經應用ANNs 分析在不同條件下多種建筑類型的能耗。例如熱/冷負荷，用電量，子水平部件運行于優化，使用參數的估計。

神經網絡和其他預測模型的對比，Azadehetal.[5]指出神經網絡對于用電波動較大的制造業的年電力消耗預測優于通過ANOVA 方差分析計算的傳統的非線性回歸模型。Aydinalpetal.[6]指出神經網絡在估計家電，照明和制冷能耗ALC 和社會經濟因素對加拿大住宅市場消費的影響方面比工程模型可以得到更高的預測表現。Neto[7]在建筑能耗預測方面比較了復雜的工程模型和神經網絡模型。兩個模型都表現出了和高的準確率，但是，ANN 在短期預測方面比工程模型稍微好一點。

2.4 支持向量機

支持向量機SVMs 逐漸應用于研究和產業。他是高度有效的模型，在解決非線性問題時甚至需要很少數量的訓練數據。在過去五年里許多在建筑能耗分析上進行了關于這些模型的研究。

Lietal.[8]用SVMs 預測辦公建筑的逐時冷負荷。支持向量回歸的表現比傳統BP 神經網絡要好。Hou and Lian[9]也使用SVMs 預測HVAC系統的冷負荷，結果顯示SVMs 比ARIMA 模型要好。

所有的研究表明SVMs 在預測逐時和逐月建筑能耗方面都很好的表現。

3 討論與展望

通過上述的介紹和分析，明顯表示評估一個建筑能耗系統需要大量的計算。從子系統水平到建筑水平到區域水平或者國家水平。每個模型都有他自己的優點在特定方面的應用上。

工程模型表現了很大的變化。它可以是很復雜的全面的模型可以被用于精確的計算。相反，通過采用一些簡化的戰略，它可以成為一個輕量級的模型，容易開發研制，同時保持準確度。詳細的工程模型的一個被普遍接受的缺點是在實際中很難運行。因為他的高復雜性和缺乏輸入信息。

統計模型相對容易研發，但是它的缺點是很明顯的。缺乏準確性和靈活性。

ANNs 和支持向量機，善于解決非線性問題，使他們適用于建筑能耗預測。只要模型選擇和參數設定的好他們可以給出很高準確度的預測。在很多情況下支持向量機比人工神經網絡表現出了更加優越的性能。在兩種模型的缺點是他們需要足夠多的歷史性能數據和極度復雜性。

4 結論

文章回顧了最近在預測建筑能耗方面的工作。因為建造能量行為的復雜性和影響因素的不確定性，許多模型提出了這個應用程序旨在準確，健壯的和易于使用的預測。研究主要關注于應用這些模型對建筑能耗的預測問題，優化模型參數，簡化這些問題或者模型開發。每個模型被開發而且有他的優點和缺點。然而，人工智能發展很迅速，很多新的和更強大的技術在這個領域開發出來可能在預測建筑能耗方面有突破。

［1］European Parliament and Council.Directive 2010/31/EU of the European Parliament and of the Council of 19 May 2010 on the energy performance of buildings[J].Official Journal of the European Union，2010，L153：13-35.

［2］Crawley DB，Lawrie LK，Winkelmann FC，Buhl WF，Huang YJ，Pedersen CO，et al.EnergyPlus：creating a new-generation building energy simulation program[J].Energy and Buildings，2001，33(4)：319-31.

［3］Al-Homoud MS.Computer-aided building energy analysis techniques[J].Building and Environment，2001，36(4)：421-33.

［4］Aydinalp-Koksal M，Ugursal VI.Comparison of neural network，conditional demand analysis and engineering approaches for modeling end-use energy consumption in the residential sector[J].Applied Energy，2008，85(4)：271-96.

［5］Azadeh A，Ghaderi S，Sohrabkhani S.Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors[J].Energy Conversion and Management，2008，49(8)：2272-8.

［6］Aydinalp M，Ugursal VI，Fung AS.Modeling of the appliance，lighting，and spacecooling energy consumptions in the residential sector using neural networks[J].Applied Energy，2002，71(2)：87-110.

［7］NetoAH，Fiorelli FAS.Comparison between detailed model simulation and artificial neural network for forecasting building energy consumption[J].Energy and Buildings，2008，40(12)：2169-76.

［8］Li Q，Meng QL，Cai JJ，Hiroshi Y，Akashi M.Applying support vector machine to predict hourly cooling load in the building[J].Applied Energy，2009，86(10)：2249-56.

［9］Hou Z，Lian Z.An application of support vector machines in cooling load prediction[J].Proceedings of international workshop on intelligent systems and applications，2009：1-4.