夏熱冬冷地區辦公類建筑能耗預測模型研究

施劍鋒，楊陽，馬志榮

（安徽省安泰科技股份有限公司，安徽 合肥 230088）

夏熱冬冷地區辦公類建筑能耗預測模型研究

施劍鋒，楊陽，馬志榮

（安徽省安泰科技股份有限公司，安徽 合肥 230088）

辦公類建筑的能耗預測是電力系統負荷管理的重要工作，實現高精度的預測對于電力系統運行的經濟性和安全性具有重要意義。文章通過研究分析夏熱冬冷地區辦公建筑能耗的變化特點，建立神經網絡建筑能耗預測模型，再通過大量數據構造樣本集，運用軟件對優化后的預測模型進行訓練，并投入到某辦公類建筑的預測實例中。結果表明，基于神經網絡的建筑能耗預測模型的學習能力和預測能力較強，能較準確地實現辦公類建筑的能耗預測。

夏熱冬冷地區；神經網絡；辦公樓建筑；能耗預測模型

回歸分析模型主要在大量數據的基礎上，通過擬合獲得對應的曲線，該曲線的外延趨勢即可進行相應數值的預測。回歸分析法的缺點是需要在大量的數據基礎上進行預測分析，短期內較少的數據樣本由于相對波動性較大，無法實現預測的準確性。此外，對于非線性的分析預測，雖然有非線性回歸分析法，但實質上也是通過將非線性轉換為線性關系后再進行的預測分析，所以預測結果往往誤差較大。

彈性系數法作為一種間接性的預測方法，是指在對某個因素發展變化進行預測分析的基礎上，利用彈性系數對另一個因素發展變化做出的分析預測。彈性系數法計算較為方便，且應用較為廣泛。但此方法主要只考慮其中兩個變量之間的關系，未能將其他相關的變量考慮進來，對于建筑類的能耗分析有一定片面性。

神經網絡法是模擬人類思維的一種算法，該方法是基于人類大腦神經網絡認識的基礎上，人工構造的用以實現某種功能的計算方法。人工神經網絡法先將相應數據信息用符號表示，并根據運算按照串行模式發送指令給計算機，進行進一步的邏輯推理。人工神經網絡法具有分布式并行處理的能力，并可以自行開展學習和組織。更重要的是，對于數據樣本較少，或者對象系統較為復雜的情況，該算法的非線性映射能力則能發揮優勢，進行科學合理的分析預測。

Back Propagation神經網絡即反向傳播神經網絡算法，簡稱為BP神經網絡模型。該模型是目前應用廣泛的神經網絡模型，是一種誤差逆向傳播算法進行訓練的多層前饋神經網絡模型[1]。BP神經網絡算法一般至少分為三層，即輸入層、隱含層、輸出層。其中，每層內的神經元互不相連，上下各層之間互相連接。該算法通過學習大量的輸入、輸出映射關系，使用最速下降法通過反向傳播的方式不斷進行網絡閾值及權值的調整。同時，利用輸出的誤差值來推算估計輸出層前導層的誤差值，各層以此類推的反傳并推算下去，從而獲得網絡各層的估算誤差[2]。如下圖1所示，為BP神經網絡的結構示意圖。

圖1 BP神經網絡結構示意圖

輸出隱含層：

輸出輸出層：

誤差函數：

辦公類建筑能耗所受的影響因素較多，根據建筑全壽命期的不同階段，可分為設計階段、建造階段以及運營階段。本文分析辦公類建筑在運營使用過程中的能源消耗情況，且建筑使用過程中的能耗遠遠超出建造階段的能耗[3]，所以主要考慮建筑運營階段的影響因素對于模型的影響。

各因素與建筑能耗的關聯系數［4］ 表1

結合國內外相關能耗模型影響因素的研究成果，根據灰關聯分析建筑能耗與各類因素的關聯程度，可得出各類因素的關聯系數，見表1。根據分析的結構，按照灰關聯度自高到低的順序排列分別為：溫度、濕度、天氣特征、是否工作日、風速。根據相關領域的研究經驗，默認灰關聯度大于0.6的因素為主要影響因素[5]。同時，考慮到預測模型在實際應用中的可操作性，由于濕度暫時無法實現預報，故對于本文中的建筑能耗研究模型影響因素的選取為：最低溫度、最高溫度、天氣特征以及是否工作日。

結合BP神經網絡的模型結構，選擇上述四項主要影響因素作為能耗模型的輸入，建筑能耗作為輸出，如圖2所示。

圖2 辦公類建筑能耗主要影響因素分析方案示意圖

2.3.1 數據的選取

本文選取安徽某辦公樓2014年5月和2015年5月，共計62天的能源監管平臺已獲取的數據作為樣本。其中，隨機選取其中50天的數據樣本作為模型的測試數據，剩余12天的數據作為訓練樣本對模型進行訓練。

2.3.2 歸一化處理

在BP神經網絡的學習訓練過程中，由于各影響因子互不相同，且單位差異較大，使得各數據樣本的向量數量級差別較大。為防止出現神經元達到過飽和狀態，要對數據樣本進行歸一化處理，即將數據歸化至[0,1]內[6]。歸一化方法有很多種，本文采用計算公式如下：

其中：X——歸一化處理后的數據

x——樣本數據

xmin——樣本數據的最小值

xmax——樣本數據的最大值

2.4.1 輸入輸出的確定

在網絡模型中，需以向量的形式進行輸入和輸出。結合上文中能耗因素的選取，將最低溫度、最高溫度、天氣特征以及是否為正常工作日的對應參數以向量的形式作為網絡模型的輸入。同樣，對應的建筑能耗也以向量的形式作為輸出。則改網絡模型中的輸入和輸入項鏈分別為：

其中：A——最低溫度

B——最高溫度

C——天氣特征

D——是否為正常工作日

y——建筑能耗值

p——樣本數量

2.4.2 網絡參數的確定

2.4.2.1 函數的確定

在BP神經網絡的激活函數選擇上，由于該項目的激活函數主要用于函數逼近，應選用線性函數[7]。此外，學習函數選取常用的梯度下降算法函數。

2.4.2.2 學習速率的確定

學校速率η的選取直接決定著收斂速度的快慢。通常選用較小的η進行計算，范圍在0.01～0.7之間[8]，以確保系統的穩定性。本文的η選取0.1進行計算。

結合2016年5月的相關能耗影響參數，運用訓練好的能耗模型，對于該辦公樓2016年5月的能耗進行預測。相關分析結果包括：①預測能耗與實際能耗對比，如圖3；②預測誤差率統計，如圖4；③能耗預測結果統計表，見表2。

圖3 預測能耗與實際能耗對比

圖4 預測誤差率統計

能耗預測結果統計表 表2

通過上述預測能耗與實際能耗的對比結果可得，本文使用的模型預測誤差率最大為9.77%，最小為0.11%，平均誤率為3.92%，BP神經網絡模型對該辦公樓建筑的能耗預測較為精準。

為了進一步驗證BP神經網絡對該辦公樓建筑的能耗預測的準確度，本文同時運用多元回歸分析法進行能耗預測。在運用多元回歸分析法進行建模的過程中，影響因子同樣選取最低溫度、最高溫度、天氣特征以及是否工作日，且使用與BP神經網絡模型相同的樣本值進行分析預測。相關分析結果包括：①預測能耗與實際能耗對比，如圖5；②預測誤差對比，如圖6。

圖5 預測能耗與實際能耗對比

圖6 預測誤差對比

通過上述預測能耗與實際能耗的對比結果可得，多元回歸分析法建立的模型預測誤差率最大為12.04%，最小為0.39%，平均誤率為5.02%，相比較BP神經網絡模型而言，預測誤差較大。

本文依據BP神經網絡法建立安徽某辦公樓的建筑能耗預測模型，根據日建筑能耗的數據樣本對網絡模型開展訓練并進行預測誤差的分析，模型預測值與實際數據的平均誤差率僅為3.92%，具有較高的預測精確度。研究結果證明，BP神經網絡在模型的擬合度以及對辦公建筑的能耗預測方面有較明顯的優勢，其非線性映射關系對變量的處理效果優于多元線性回歸模型的線性關系，研究結果為辦公類建筑以及其他公共建筑的能源管理工作提供了技術支撐和參考依據。

[1]張中昱.基于BP神經網絡和模糊綜合評價的環境分析評價系統[D].天津：天津大學，2006.

[2]何磊.基于BP神經網絡的建筑能耗預測[J].浙江建筑，2008(12)：47-50.

[3]陳振，孫東威.影響我國建筑能耗的因素分析[J].產業與科技論壇，2008(6).

[4]劉長俊.基于遺傳BP神經網絡技術的大型公建能耗分析模型的研究與應用[D].南寧：廣西大學，2012.

[5]張光華，傅志盛，田紅光.造紙濕部因素灰關聯分析法的適宜性研究[J].中國造紙學報，2000(17).

[6]王建國，吳美容.運用BP人工神經網絡設計變形預報模型[J].礦山測量，2010(4)：73-75+4.

[7]聞新，周露，王丹力，熊曉英.MATLAB神經網絡應用設計[M].北京：科學出版社，2000.

[8]閻平凡，張長水.人工神經網絡與模擬進化計算[M].北京：清華大學出版社，2000.

TU201.5

A

1007-7359（2016）05-0056-03

10.16330/j.cnki.1007-7359.2016.05.014

施劍鋒（1976-），男，江蘇海門人，畢業于中國科技大學，學士；工信部高級項目經理，信息系統管理師，IPMP-C國際項目經理。