基于BP神經網絡的海口住宅室內氣溫預測

邢彩盈，張京紅，黃海靜

(1.海南省氣候中心，海南 海口 570203；2.南海氣象防災減災重點實驗室，海南 海口 570203)

?

基于BP神經網絡的海口住宅室內氣溫預測

邢彩盈1,2，張京紅1,2，黃海靜1,2

(1.海南省氣候中心，海南 海口 570203；2.南海氣象防災減災重點實驗室，海南 海口 570203)

利用2014年1月—2015年12月海南海口居民住宅室內小氣候觀測數據和室外氣象要素，基于BP神經網絡構建海口住宅室內氣溫預測模型，通過與統計回歸模型相比來綜合評估模型的預測效果。結果表明：BP模型預測精度較高，不同季節預測精度存在差異，春秋季精度最高、夏季精度最差，其中地溫加入對模型預測精度有較大改進。不同季節采用地溫的BP模型對室內氣溫的預測值與觀測值的均方根誤差分別為0.25 ℃、0.62 ℃、0.26 ℃和0.52 ℃，平均絕對誤差均小于0.5 ℃，即誤差均在合理范圍內。且預測精度(RMSE)較統計回歸模型分別提高了26.5%、34.7%、56.7%和25.7%。可見該模型可以滿足海口居民住宅室內氣溫的預測需求，可為室內居住環境、建筑能耗研究提供有效的基礎數據。

住宅室內氣溫；BP神經網絡；逐步回歸；預測模型

1 引言

隨著海南城市經濟與社會的發展，居民生活水平的提高，對居住舒適度的要求大大提高，人們越來越關注建筑內部小氣候狀況。相對于建筑外部環境而言，建筑內部小氣候與人類生活的健康舒適關系更加緊密，其優劣對人的情緒和健康會有直接影響[1-2]。海南地處于熱帶地區，年平均氣溫較高，近幾十年來高溫日數呈顯著的增長趨勢，極端高溫事件也偏多[3]。在氣候變暖和城市熱島效應的雙重影響下，海南城市居民住宅區內的體感舒適度大大降低。因此，有必要對海南城市居民住宅室內小氣候進行研究，這既能為改善居住環境質量提供有力依據，也進一步拓寬氣候服務的領域。

熟悉建筑室內的小氣候特征對建筑工程有著重要的意義。以往研究多集中在農業溫室小氣候方面[4]，而對建筑室內小氣候要素的研究相對少，且主要集中于對其變化特征的分析[5]，在室內溫濕度的模擬預測方面(尤其在熱帶地區)研究較少。由于對建筑室內小氣候的研究大多基于臨時觀測，使得在室內居住環境、建筑能耗等方面研究受到限制，可見如何獲取合理的建筑室內小氣候預測數據具有重要的切實意義。目前研究中多采用統計回歸模型。沈鐵元等[6]基于逐步回歸建立起武漢盛夏民宅室內溫濕度的預報方程。李環姣等[7]利用多元線性回歸構建了西安學生宿舍的室內溫濕度預報方程。現有日光溫室小氣候預測模型研究中多次引入BP神經網絡算法構建預測模型[8]，可見利用神經網絡建立非線性預測模型是切實可行的。

因此，本研究基于對住宅區的室內小氣候觀測，利用BP神經網絡構建居民建筑室內氣溫的預測模型，評估其預測優勢，以期適用于海口地區住宅室內氣溫的預測中，為居民建筑能耗的研究打下基礎，也為探討居民建筑物的空調設計方面提供有效的基礎數據。

2 資料與方法

2.1 觀測資料

住宅室內觀測資料來源于海南省氣象局大院住宅室內小氣候觀測試驗，觀測時間為2014年1月—2015年12月。觀測點為位于2樓的板樓型住宅，東西朝向，室內面積約為75 m2，層高3 m左右。

采用HOBO Pendant UA-002-08溫度光照度記錄儀對住宅室內進行24 h的連續觀測，數據每隔l h自動采集一次，觀測項目為室內逐時氣溫、室內相對光照強度值。建筑外部的氣象環境通過建筑影響住宅室內的熱環境，因此選取的室外氣象數據是來自距離小氣候觀測地點最近，且與建筑附近氣候條件相似的氣象觀測站，觀測要素有逐時氣溫、相對濕度、云量、日照時數、風速和地表溫度等，并對站點資料進行質量控制及數據處理。

2.2 BP神經網絡模型

BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋人工神經網絡，是目前應用較廣泛的神經網絡模型之一。基于非線性映射、自學習和自適應、容錯性等優點。本文利用BP 神經網絡構建住宅室內逐日氣溫的預測模型，并與線性回歸模型進行對比分析。

2.2.1 模型輸入層因子 選取建筑室外各氣象觀測資料作為室內氣溫預測模型構建的備選因子。為保證充足的建模樣本數，分季節進行建模，提高預報精度。常見的對建筑室內氣溫影響較大的氣象因子主要有室外日平均氣溫、相對濕度、風速、日照時數、前一日最高氣溫和當日最高、最低氣溫等。研究表明，地溫對地上建筑物的熱過程也有很大作用，一定程度上影響著住宅的室內溫度，尤其對低樓層影響更為顯著[9]。因此，本文建模中考慮加入地溫因子。

表1給出了海口住宅室外各氣象要素與室內日平均氣溫的相關關系。可看出，室內氣溫與建筑室外各個溫度因子相關性均較大，與日平均風速、日照時數的相關性相對較差。其中，與不同深度層地溫的相關性普遍高于其他因子，在夏季和冬季表現尤為明顯。

表1 海口住宅室內日平均氣溫與室外氣象因子的相關關系

注：**、*分別表示相關系數通過0.01、0.05水平的顯著性檢驗，下同。

為了解決神經網絡輸入變量間單位及數量級不一致的問題，采用歸一化將樣本數據控制在0～1的范圍之間，計算公式為：

(1)

式中，Xio為觀測數據；Xmax、Xmin分別為觀測值的最大值和最小值。

2.2.2 BP神經網絡模型 模型結構為3層，第1層為神經網絡輸入層節點，即對應模型的輸入變量(表1)，春夏秋季模型均采用10個輸入變量，冬季采用8個輸入變量。隱含層節點根據多次訓練試驗獲得，本文中取3。第3層為模型輸出層，采用1個輸出節點，即住宅室內日平均氣溫。模型結構圖如圖1所示.

圖1 3層BP神經網絡結構Fig.1 Three layers BP neural network structure

隱含層和輸出層傳遞函數采用S型函數，即：

(2)

其中，xi為輸入層的神經元值，c為常數(此處取1)。

輸出層神經單元的輸出信號為：

(3)

(4)

(5)

2.3 逐步回歸模型

為比較BP神經網絡預測模型的精度，利用逐步回歸構建多元線性回歸模型進行比較，預測方程為：

Y=b0+b1X1+b2X2…+bnXn+ε

(6)

其中，b0為常數，Xi為逐步回歸中通過顯著性F檢驗引入模型的因子(i為1—n)，b1—bn為對應的回歸系數，ε為隨機誤差。參與建模的因子與BP神經網絡模型的輸入層神經元一致(表1)。

2.4 模型評估指標

利用均方根誤差RMSE和平均絕對誤差MAE對居民建筑室內氣溫預測模型進行評估，計算公式如下：

(7)

(8)

為了避免預測模型的過分擬合，需采取獨立樣本進行檢驗。即選取不參與建模的獨立樣本序列作預報試驗，這樣能較好評估預測方法和模型的預測技巧和穩定性。

3 結果分析

基于居民住宅室內氣溫與室外環境氣象條件的關系，利用BP神經網絡對住宅室內日平均氣溫進行模擬預測，并與逐步回歸模型進行對比，綜合評估模型的預測效果，為不同季節室內日平均氣溫的預測提供依據。

3.1 BP神經網絡模型結果

針對各個季節，選取住宅室內外氣象要素作為BP神經網絡的訓練樣本(表 2)，對其進行BP網絡訓練，完成網絡訓練和檢驗后得到一組網絡權值與閾值，據此輸入預測樣本序列(表2)進行試預報檢驗。BP模型的相關參數配置為：輸入節點即輸入神經元個數，春季、夏季和秋季均為10個，冬季為8個，輸出節點為1，隱含節點根據試驗選擇誤差最小的(本文為3)，初始學習概率為0.01，目標誤差為0.000 1。

表2 BP神經網絡模型訓練的輸入數據和模擬數據

圖2給出了BP神經網絡模型的預測效果(以各季節某個月份為例)，可看出BP神經網絡預測模型很好地預測出室內氣溫的變化趨勢，預測精度較高。模型預測值與觀測值的均方根誤差RMSE分別為0.25 ℃、0.62 ℃、0.26 ℃和0.52 ℃，平均絕對誤差MAE均小于0.5 ℃(表4)。不同季節模型預測精度存在差異，春季和秋季預測精度最高，夏季預測精度最差。

圖2 2015年3月(a)、8月(b)、9月(c)和12月(d)基于BP神經網絡的住宅室內氣溫預測結果Fig.2 Daily residential indoor temperature prediction results based on BP neural network in 2015(a.March; b.August; c.September; d.December)

3.2 逐步回歸模型結果

基于表1中的相關性分析，利用逐步回歸分析進行建模，各個季節建模序列和獨立檢驗樣本序列的長度選取如表2所示。

從各預測方程(表3)可看出，每個模型選入的變量存在差異，但建筑室外40 cm地溫常被選作為最佳預報因子，可見它是影響室內日平均氣溫的重要因子。由決定系數可看出各季節模型的擬合精度均較高，夏季模擬精度略低些。

表3 基于逐步回歸的海口居民住宅室內日平均氣溫預測模型

3.3 模型效果對比

為綜合比較上述兩個模型的預測效果，對預測檢驗時段的所有試預報結果進行整合(圖3)。整體而言，加入地溫的BP神經網絡預測模型的預測精度最佳。如表4所示，該模型在春季、夏季、秋季和冬季對室內氣溫的預測值與觀測值的均方根誤差RMSE分別比逐步回歸模型提高了26.5%、34.7%、56.7%和25.7%，平均絕對誤差MAE分別提高了23.3%、44.7%、54.0%和15.4%；對于BP神經網絡建模，采用地溫因子的模型比未采用地溫的模型在春季、夏季、秋季和冬季的預測精度(RMSE)分別提高了51.0%、18.4%、55.2%和29.7%。可見，非線性預測模型在住宅室內氣溫預測方面具有較大的優勢，同時地溫的加入對模型的預測精度有較大改進。

圖3 海口住宅室內氣溫BP神經網絡模型(a)與逐步回歸模型(b)的預測效果比較Fig.3 Comparison of residential indoor temperature prediction results between BP neural network and stepwise regression analysis in Haikou

分季節來看，對于兩種不同的方法，春季和冬季的預測精度差異相對較小，而夏季和秋季BP神經網絡模型的精度則明顯高于逐步回歸；對于BP神經網絡模型，夏季模型是否加入地溫對預測精度的提高影響相對較小，而其他季節都有了明顯的提升。這一方面可能是由于BP神經網絡方法本身的局限性造成；另一方面可能由于盛夏高溫天氣多，空調使用造成了一定的干涉，而其他季節干擾較小。

表4 不同季節海口住宅室內氣溫預測誤差比較

注：A為未采用地溫，B為采用地溫。

4 結論與討論

通過對2014—2015年海口居民建筑室內進行小氣候觀測，利用室內外氣象要素的關系，基于BP神經網絡構建不同季節住宅室內氣溫的預測模型，并綜合評估模型的預測效果，得到以下結論：

①利用室外氣象要素作為BP神經網絡模型的輸入參數，室內氣溫作為輸出參數，建立海口住宅室內氣溫預測模型，春季、夏季、秋季和冬季試預報結果的平均絕對誤差均小于0.5 ℃，可以滿足海口居民住宅室內氣溫的預測需求。不同季節模型的預測精度存在差異，春秋季精度最高、夏季最差。

②非線性預測模型在住宅室內氣溫預測方面具有較大的優勢，BP模型在不同季節的均方根誤差均比統計回歸模型有所提高。地溫的加入對模型的預測精度有較大改進，采用地溫的BP模型比未采用地溫的預測精度在不同季節都有了明顯的提高。

由于本文BP訓練數據選自特定環境、特定時間，不具有普遍代表性，模型只限于解決某一時間段、特定環境的小氣候預測問題，其廣泛實用性需進一步研究。另外，歸于觀測限制，未能獲取更多室內觀測數據(濕度、風等)，有必要增加觀測要素，從而更好為探討海南城市居民建筑的空調和采光等設計方面提供參考。

[1] 陳若山.城市區域小氣候對建筑設計的影響[J].南方建筑,2004(4):12-13.

[2] 高建峰,莊大方,何玉琴,等.城市建筑格局對小氣候的影響[J].地球信息科學,2007,9(5):14-19.

[3] 張明潔,張京紅,劉少軍,等.海南島1961—2011年氣候變化特征分析[J].熱帶作物學報, 2014,35(12): 2488-2495.

[4] 崔建云,董晨娥,左迎之,等.外部氣象條件對溫室內溫濕變化的影響[J].氣象,2006,32(3):101-106.

[5] 張一平,李佑榮,王進欣,等.低緯高原城市冬季南北朝向室內溫濕特征的初步分析[J].熱帶氣象學報,2001,17(3):265-272.

[6] 沈鐵元,廖移山.武漢市夏季民宅小氣候觀測與分析[J].氣象,2002,28(2):25-28.

[7] 李環姣,董婕,丁金梅,等.西安市春夏季高校宿舍室內小氣候觀測與分析[J].西北師范大學學報:自然科學版,2007,43(3):102-106.

[8] 汪小旵,丁為民,羅衛紅,等.利用BP神經網絡對江淮地區美譽季節現代化溫室小氣候的模擬與分析[J].農業工程學報,2004,20(2):235-238.

[9] 朱穎心.建筑環境學(第三版)[M].北京:中國建筑工業出版社,2010.

Forecast of residential indoor temperature based on BP neural network in Haikou

XING Caiying1,2,ZHANG Jinghong1,2,HUANG Haijing1,2

(1.Hainan Provincial Climate Center, Haikou 570203,China;2.Key Laboratory of South China Sea Meteorological Disaster Prevention and Mitigation of Hainan Province, Haikou 570203,China)

By using indoor microclimate observation data in Haikou residential building and outdoor meteorological elements during the period from January in 2014 to December in 2015, the BP neural network forecast models were developed to predict the seasonal residential indoor temperature in Haikou, then, they were compared with the statistical regression models to evaluate the prediction effects comprehensively. The results show that, the BP models have higher prediction accuracy, there are differences in different seasons, the best result is in spring and autumn, while the worst result is in summer, and addition of ground temperature can improve a lot on the prediction precision. The root mean squared errors between the predicted and the observed residential indoor temperature in the different seasons are 0.25 ℃, 0.62 ℃, 0.26 ℃ and 0.52 ℃, the mean absolute error are both less than 0.5 ℃,that is, errors of the BP neural network forecast models are in reasonable range. What's more, prediction accuracy (RMSE) increases by 26.5%, 34.7%, 56.7% and 25.7% than that of statistical regression models. It is obvious that the BP models can meet the forecast requirements for residential building indoor temperature in Haikou, which can provide effective basic data for the research of indoor living environment and building energy consumption.

residential indoor temperature; BP neural network; stepwise regression analysis; forecast model

1003-6598(2016)05-0038-05

2016-07-05

邢彩盈(1987—)，女，工程師，主要從事氣候分析及短期氣候預測工作， E-mail:18876777858@163.com。

中國氣象局氣候變化專項(CCSF201307)；海南省氣象局科技創新項目(HN2013MS11)。

P457.3

B