基于徑向基神經網絡的綠化屋頂節能研究

鄒　罡

(廣東省建筑科學研究院集團股份有限公司　廣東廣州　510500)

?

基于徑向基神經網絡的綠化屋頂節能研究

鄒罡

(廣東省建筑科學研究院集團股份有限公司廣東廣州510500)

運用徑向基神經網絡定量研究了廣州地區綠色、白色及黑色屋頂在夏秋、冬春季節室內空調能耗與氣溫、太陽輻照的關系，結果表明：不同屋頂的室內空調能耗與季節有關，夏秋季節氣溫高，輻照強度大，由于水分蒸發，綠色植物的蒸騰作用，有效降低了屋頂外表面溫度，當輻照強度大于480W/m2、溫度高于31℃時，綠色屋頂室內空調能耗明顯低于白色屋頂和黑色屋頂。

徑向基神經網絡；綠化屋頂；節能

0　引言

屋頂綠化具有多方面生態功能，是節能減排、增強建筑物隔熱保溫效果、凈化空氣、降低噪聲、美化環境、降低城市“熱島效應”的有效方法[1-4]。屋頂綠化在歐洲國家已很盛行，在美國、加拿大等北美國家已成為環境和能源的先鋒項目，亞洲地區日本、新加坡等國更是將屋頂綠化作為建筑設計不可分割的一部分。中國雖然起步較晚，但北京、上海、廣東、重慶、四川、浙江等地區發展迅速[5-6]。近年來，隨著世界屋頂綠化大會在中國南京成功舉辦，有效推進了綠化屋頂的熱工性能和節能效果研究，但目前國內屋頂綠化的節能方面的定量研究較少，一般是選取典型晴熱氣候的一個或幾個時間段，對雨天及冬季研究不足[7]。

徑向基神經網絡在多信息輸入、多信息輸出的復雜系統中有廣泛的應用，采用了前向的三層網絡結構，包含輸入層、隱含層及輸出層[8-10]。輸入層用于接受樣本，隱含層中的隱含節點使用了徑向基核函數，輸出層將訓練好權值的徑向基核函數值累加后得出輸出結果。徑向基神經網絡本質是一種利用以基函數中心附近的所有樣本向量所對應基函數值的累加和來擬合真實輸出值的網絡。在建筑物安全診斷與特征評估、疾病診斷與健康評估、預測與決策以及大數據分析等方面都有廣泛應用。

1　屋頂能耗分析的徑向基神經網絡模型

1.1實驗環境

實驗地點選擇廣州市天河區某大樓頂層的3個房間，朝向、面積、窗墻比和室內布置基本一致，房間面積均為15.2m2。分別將屋頂設置成綠化屋頂、白色屋頂和黑色屋頂，黑色屋頂選用DW-8580涂料，太陽光反射比0.056，半球發射率0.89；白色屋頂選用太空隔熱涂膜，太陽光反射比0.893，半球發射率0.87；綠色屋頂選用翠玲瓏草坪種植模塊(含1.5cm～4.0cm營養土)。3個測試房間均安裝有型號為KFR-35GW/35570Aa-3空調器，夏季設定為26℃，冬季設定為18℃，均能滿足溫控要求；在屋頂距屋面0.75m處的陰涼通風處布置有多個量程為0-C，精度為C的K型熱電偶溫度傳感器；屋頂布置了一個精度小于1%的TBQ-2型太陽總輻射儀；空調能耗采用0-6000W量程，精度為0.5級的HP-9900電力監測儀進行測量；數據采集儀使用的是安捷倫的34970A，精度為0.004%。

1.2數據采集

實驗按每5min鐘采集1組數據，連續采集148d，形成了大量原始數據。部分數據如表1所示。

1.3徑向基神經網絡模型

徑向基神經網絡模型如圖1所示。

輸入層：輸入樣本向量為2維，分別為單位時間內的平均氣溫與太陽輻射強度。

隱含層：由K個徑向基函數組成。

輸出層：輸出層向量為3維，分別為3個房間的能耗值。

=exp是Green函數，是一種多變量高斯函數。其值為第j個隱藏層相對于第i個樣本的輸出。(i=1，2，…，M；j=1，2，…，K)

為第i個樣本輸入向量，為第j個Green函數的中心點。

為第i個樣本到第j個中心點之間的歐氏距離。

為基函數標準差，由=確定，式中dmax為選取的中心之間最大距離，n為隱含節點個數。

=+++…+

=+(式中是第i個樣本在第e個輸出節點的值，e=1，2，3；e=1代表綠化屋頂，e=2代表白色屋頂，e=3代表黑色屋頂)

2　數據處理與網絡學習

2.1數據的平均化處理與樣本選擇

環境溫度、太陽總輻射強度是狀態量，而室內能耗是過程量(功率對時間的積累)，為體現溫度、輻射強度與能耗的映射關系，環境溫度與輻射強度采用某段時間內的平均化處理。

由于屋頂有較大熱容，輻照強度與能耗難以實時對應，延時特性明顯，為了降低屋頂熱容的影響，選取了輻射強度和溫度相對穩定了一定時間的數據作為樣本。對于夏秋季節無雨時采用了下午12:00～4:00的2h平均方法。但夏秋季節有雨和冬季時，由于雨水對能耗有較大影響，且大雨、小雨、陣雨、上午下雨或下午下雨的影響都各不相同，為減小下雨因素的隨機影響，取8:00～18:00平均值(日平均)作為樣本。將屋頂數據樣本分為兩部分，一部分用于訓練(稱訓練樣本)，另一部分用于檢驗(稱檢驗樣本)，部分樣本如表2所示。

表2　夏秋有雨部分樣本

2.2網絡學習

基函數矩陣

為M*(K+1)的矩陣。

為(K+1)*3的矩陣。

徑向基神經網絡輸出矩陣

為M*3的矩陣。

上述矩陣的相互關系：G*□=d

采用偽逆法求權值：□=□+*□

為求偽逆□+，采用矩陣的奇異值分解，由奇異值分解可知：G=U*S*□□

對角矩陣S中主對角線元素為G的奇異值：S=diag(□1,□2,□3,…)

故：□+=V*SI*□□

2.3網絡計算

應用MATLAB建立徑向基神經網絡，將訓練樣本帶入其基函數矩陣并配合輸出矩陣d，由MATLAB計算權值矩陣。當權值矩陣確定后，再應用Y=G*分別在限定溫度和輻照條件下擬合計算出各屋頂能耗。向量Y表示綠化屋頂、白色屋頂、黑色屋頂在不同環境溫度和太陽總輻射下的能耗值。

3　網絡模型檢驗與節能比較分析

為使應用訓練樣本學習過的徑向基神經網絡模型具有可信度，可由檢驗樣本輸入神經網絡得出能耗擬合值，再將網絡模型擬合值與能耗實驗測量值比較來進行檢驗。表3列舉了綠化屋頂、黑色屋頂、白色屋頂的能耗檢驗情況，較小的平均相對誤差(實測值、擬合值之差的絕對值與實測值之比的平均值)說明3種屋面對應的徑向基神經網絡模型均具有良好的擬合效果。

表3　實測值與擬合值平均相對誤差

影響能耗的主要因素有氣溫、輻照強度、季節、雨情等。夏秋季節屋頂溫度較高，與雨水溫差大，雨水帶走的熱量對不同屋頂影響程度不同。下面分夏秋季節有雨、無雨以及冬季分別設計網絡進行研究。

3.1夏秋季節無雨情況

先用夏秋季節無雨對徑向基神經網絡進行訓練，再用樣本對訓練后的網絡進行檢驗，最后用確認后的網絡進行計算。圖2為限定溫度為樣本平均值33℃時，綠色屋頂、白色屋頂、黑色屋頂室內空調能耗隨輻照強度變化的能耗圖。圖3為限定輻照強度為樣本平均值530W/m2時，綠色屋頂、白色屋頂、黑色屋頂室內空調能耗隨溫度變化的能耗圖。

由圖2、圖3分析可知：①3種屋頂室內空調能耗均隨輻照強度和溫度的增加而增加；②總體看，黑色屋頂室內空調能耗明顯高于綠色屋頂與白色屋面的能耗，綠色屋頂比白色屋頂節能但差別并不顯著；③當輻照強度較大(高于480W/m2)、溫度較高(高于31℃)時綠色屋頂比白色屋頂才顯示出節能優勢；④當輻照強度或氣溫大于一定值后能耗曲線斜率明顯變大，表明能耗隨輻照強度和氣溫的增大而加快。

3.2夏秋季節有雨情況

網絡訓練與檢驗方法同上。圖4為限定溫度為樣本平均值28℃時，綠色屋頂、白色屋頂、黑色屋頂室內空調能耗隨輻照強度變化的能耗圖。圖5為限定輻照強度為樣本平均值224W/m2時，綠色屋頂、白色屋頂、黑色屋頂室內空調能耗隨溫度變化的能耗圖。

由圖4、圖5分析可知：①夏秋季節有雨時黑色屋頂室內能耗仍明顯高于其他屋頂，綠色與白色屋頂室內能耗差別并不明顯；②圖4表明由于綠色屋頂熱容較大，雨水對其室內能耗影響明顯弱于其他屋頂的室內能耗；③圖5中能耗曲線斜率隨著氣溫的升高變小，說明雨水與環境溫差加大時帶走更多熱量。

3.3冬季情況

由圖6、圖7分析可知：①兩圖均說明冬季白色屋頂室內能耗仍明顯高于其他屋頂，黑色屋頂室內能耗較小；②3種屋頂室內能耗均隨溫度的增加而減小。

黑色屋頂、白色屋頂、綠色屋頂的室內能耗隨季節而不同，夏秋季節氣溫高、輻照大，由于綠色屋頂水分的蒸發，綠色植物的蒸騰作用、光合作用、隔熱作用，大大降低了屋頂外表面溫度，綠色屋頂節能明顯，冬季黑色屋頂由于吸熱能力強而節能占優。由于廣州地區年平均氣溫較高，高溫、高輻照天氣占比較大，綠色屋頂的室內能耗總體較低，白色屋頂次之，黑色屋頂能耗最大。從2015年9月1日到2016年1月25日區間的監測數據分析，黑色、白色、綠色屋頂的室內累計能耗分別為551.84kW·h、589.62kW·h、649.47kW·h，若綠色屋頂的室內能耗為1，則白色屋頂為1.07、黑色屋頂為1.18。

4　結論

本文通過綠化屋頂、白色屋頂、黑色屋頂能耗的實驗數據運用徑向基神經網絡計算方法，給出了3種不同屋面的節能效果的定量分析比較，得到如下結論：

(1)室內空調能耗隨輻照強度和溫度增加而增加，當輻照強度和溫度高時，選用翠玲瓏草坪種植(含1.5cm～4.0cm營養土)的綠化屋頂節能效果明顯；

(2)空調能耗隨季節不同而發生變化，夏季氣溫高輻照大，當輻照強度大于480W/m2、溫度高于31℃時，由于水分的蒸發，綠色植物的蒸騰作用、光合作用、隔熱作用，有效降低了屋頂外表面溫度，綠色屋頂室內空調能耗明顯低于白色屋頂和黑色屋頂。

[1]唐鳴放，楊真靜，鄭澍奎.屋頂綠化傳熱臨界溫度[J].土木建筑與環境工程，2013，35(2):100-104.

[2]徐振華，劉俊，尹新彥. 我國屋頂綠化研究概述[J].林業科技開發，2010，24(4)：10-13.

[3]馮超意，田國行.屋頂綠化對建筑物內外溫度的影響[J].浙江農業科技，2015，56(4)：502-504.

[4]周林園.綠色屋頂的研究現狀及前景分析[J].潔凈與空調技術，2013(3):49-53.

[5]魏艷，趙慧恩.我國屋頂綠化建設的發展研究—以德國北京為例對比分析[J].林業科學， 2007，43(4)：95-101.

[6]向欣. 廣州地區屋頂綠化模式探討[J].安徽建筑，2012(1)：57-58.

[7]楊真靜，唐鳴放，鄭澍奎.綠化屋頂室內熱環境研究[J].土木建筑與環境工程，2010，32(4):80-84.

[8]高飛. MATLAB智能算法超級學習手冊[M].北京：人民郵電出版社， 2014(5).

[9]Simon Haykin著，申富饒譯.神經網絡與機器學習[M].北京：機械工業出版社，2016(7).

[10]陳明. MATLAB神經網絡原理與實例精解[M].北京：清華大學出版社，2014(3).

Study on Energy Conservation of the Green Roof Based on RBF Neural Network

ZOUGang

(Guangdong provincial academy of building research group Co.，Ltd. Guangzhou 510500)

The research makes use of the RBF neural network model to quantitatively study the rooms with green,white and black roof in Guangzhou respectively in terms of the relations between energy consumption of air conditionings and temperatures as well as solar irradiation. The result indicates that energy consumption of the air-conditionings of different rooms with different roofs are related to seasons. Water evaporation and transpiration of green plants decrease the surface temperature outside roofs effectively due to the higher temperatures and bigger irradiation intensity in summer and autumn. The energy consumption of the air-conditionings in room with green roof is less than that in rooms with white and black roof when irradiation intensity is larger than 480W/m2and temperature higher than 31℃.

RBF neural network; Green roof; Energy-saving

鄒罡(1987.06-)，男。

E-mail:s.c.hust@163.com

2016-06-14

TU201.5

A

1004-6135(2016)07-0028-05