東北嚴(yán)寒地區(qū)農(nóng)村住宅耦合環(huán)境設(shè)計研究

甄 蒙，孫 澄，賈永恒

(哈爾濱工業(yè)大學(xué)建筑學(xué)院，黑龍江 哈爾濱 150006)

?

東北嚴(yán)寒地區(qū)農(nóng)村住宅耦合環(huán)境設(shè)計研究

甄 蒙，孫 澄，賈永恒

(哈爾濱工業(yè)大學(xué)建筑學(xué)院，黑龍江 哈爾濱 150006)

在實際氣候環(huán)境中，農(nóng)宅同時受到熱環(huán)境、光環(huán)境等多環(huán)境因素的共同作用，這就需要考慮多環(huán)境因素之間的交互作用，實現(xiàn)各參數(shù)的綜合優(yōu)化，達(dá)到節(jié)能的目的。通過對寒地農(nóng)宅熱環(huán)境、光環(huán)境的實際調(diào)研和模擬分析，確定農(nóng)宅光熱耦合環(huán)境的影響因素，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建構(gòu)農(nóng)宅采暖能耗及天然采光照度的預(yù)測模型，為建筑師及農(nóng)村居民在設(shè)計建造農(nóng)宅時同時掌握采暖季能耗及天然采光照度情況提供指導(dǎo)，從而提高室內(nèi)環(huán)境品質(zhì)，降低農(nóng)宅能耗水平。

東北嚴(yán)寒地區(qū)；農(nóng)村住宅；耦合環(huán)境；BP神經(jīng)網(wǎng)絡(luò)

引言

在實際氣候環(huán)境中，農(nóng)宅往往同時受到熱環(huán)境、光環(huán)境等多環(huán)境因素的共同作用，單一考慮某一環(huán)境因素不能滿足農(nóng)宅對于多環(huán)境要素的需求，這就需要綜合考慮多環(huán)境要素的促進作用與制約關(guān)系，確定耦合作用下的環(huán)境參數(shù)優(yōu)化設(shè)計區(qū)間，提出多環(huán)境耦合設(shè)計策略，從而提高室內(nèi)天然采光照度，降低農(nóng)宅能耗水平。

國內(nèi)外學(xué)者對耦合節(jié)能設(shè)計進行了廣泛的研究。從研究視角來看，Hien W N等學(xué)者從自然通風(fēng)和建筑遮陽的角度對熱帶地區(qū)的辦公建筑、住宅建筑的節(jié)能和熱舒適進行了實際測試和模擬分析[1-7]，Ahlawat A S等人從耦合優(yōu)化設(shè)計的角度研究了如何降低建筑的整體費用特別是能耗費用[8]，Zhai Z J等學(xué)者應(yīng)用ES和CFD對不同耦合環(huán)境下的建筑能耗和通風(fēng)進行了聯(lián)合模擬，該研究能夠預(yù)測建筑制冷能耗[9]。從應(yīng)用ANN研究方法來看，Jian Y等學(xué)者應(yīng)用ANN對中國不同氣候區(qū)的建筑能耗進行了預(yù)測研究[10]，Ahmad A S等學(xué)者對應(yīng)用SVM和ANN進行建筑電力能耗預(yù)測的文章進行了綜述[11]，Turhan C等學(xué)者應(yīng)用KEP-IYTE-ESS和ANN對建筑熱負(fù)荷進行了對比研究[12]，Neto A H等學(xué)者應(yīng)用EnergyPlus和ANN對建筑能耗預(yù)測進行了對比研究[13]，Kalogirou S A等學(xué)者應(yīng)用ANN對被動式太陽能建筑能耗進行了預(yù)測，其多重確定系數(shù)為0.9991，預(yù)測速率與準(zhǔn)確率均高于動態(tài)模擬程序[14]，Kalogirou S A等學(xué)者還對ANN在可再生能源系統(tǒng)的應(yīng)用進行了文獻(xiàn)綜述[15]。

本文在前人的研究基礎(chǔ)上，應(yīng)用ANN對熱環(huán)境和光環(huán)境共同作用下的寒地農(nóng)宅熱負(fù)荷及天然采光照度進行了研究。

1 研究方法

人工神經(jīng)網(wǎng)絡(luò)的概念來源于生物學(xué)啟示，人腦由約1011個高度互聯(lián)的單元組成，每個單元約有104個連接，這些單元被稱為神經(jīng)元，主要由樹突、細(xì)胞體、軸突三部分組成(如圖1所示)。人工神經(jīng)網(wǎng)絡(luò)(artificial neural network)是一種模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計算模型。神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進行計算。大多數(shù)情況下人工神經(jīng)網(wǎng)絡(luò)能在外界信息的基礎(chǔ)上改變內(nèi)部結(jié)構(gòu)，是一種自適應(yīng)系統(tǒng)。現(xiàn)代神經(jīng)網(wǎng)絡(luò)是一種非線性統(tǒng)計性數(shù)據(jù)建模工具，常用來對輸入和輸出間復(fù)雜的關(guān)系進行建模，或用來探索數(shù)據(jù)的模式[16]。人工神經(jīng)網(wǎng)絡(luò)的信息傳遞一般為多輸入、單輸出的非線性模式，通用的結(jié)構(gòu)模型如圖2所示。

人工神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元互聯(lián)而構(gòu)成的網(wǎng)絡(luò)。根據(jù)網(wǎng)絡(luò)中神經(jīng)元的互聯(lián)方式，常見網(wǎng)絡(luò)結(jié)構(gòu)主要可以分為前饋神經(jīng)網(wǎng)絡(luò)(Feedforward Neural Networks)、反饋神經(jīng)網(wǎng)絡(luò)(Feedback Neural Networks)和自組織網(wǎng)絡(luò)(Self-Organizing Neural Networks)3類。BP(Back Propagation)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存儲大量的輸入/輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層(input)、隱藏層(hide layer)和輸出層(output layer)。BP神經(jīng)網(wǎng)絡(luò)與其他神經(jīng)網(wǎng)絡(luò)模型的不同點是BP神經(jīng)元的傳輸函數(shù)為非線性函數(shù)(感知機中為階躍函數(shù)，在線性神經(jīng)網(wǎng)絡(luò)中為線性函數(shù))，最常用的是log-sigmoid函數(shù)或tan-sigmoid函數(shù)(如圖3所示)。BP神經(jīng)網(wǎng)絡(luò)一般為多層神經(jīng)網(wǎng)絡(luò)，隱層可以有多層，輸出層的傳輸函數(shù)為線性函數(shù)或非線性函數(shù)，其中線性函數(shù)的輸出結(jié)果取值范圍較大，非線性函數(shù)取值范圍較小，如logsig函數(shù)輸出取值在(0,1)區(qū)間。

圖1 生物神經(jīng)元簡圖[17]Fig.1 Biological neurons diagram

圖2 人工神經(jīng)元示意圖[18]Fig.2 Artificial neuron diagram

圖3 典型的BP神經(jīng)網(wǎng)絡(luò)模型[19]Fig.3 The structure chart of typical neural network

本文以農(nóng)宅采暖季熱負(fù)荷及天然采光照度調(diào)研數(shù)據(jù)和模擬數(shù)據(jù)為基礎(chǔ)，以SPSS17.0為軟件平臺，應(yīng)用多層感知器(MLP)建立能耗及天然采光照度BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

2 研究過程

2.1 數(shù)據(jù)預(yù)處理

神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)處理對網(wǎng)絡(luò)質(zhì)量有著重要的作用，它直接影響網(wǎng)絡(luò)的學(xué)習(xí)速度和精度。本節(jié)數(shù)據(jù)預(yù)處理包括輸入數(shù)據(jù)、輸出數(shù)據(jù)和抽取訓(xùn)練樣本三部分。

2.1.1 輸入數(shù)據(jù)預(yù)處理

將熱環(huán)境的影響因素與光環(huán)境的影響因素進行分類整理，篩選光熱耦合環(huán)境下的影響因素(如表1所示)。

表1 耦合環(huán)境影響因素研究表Table 1 Influence factors of coupling environment

由表1可以看出，影響光熱環(huán)境的因素有很多，在以上16種因素中可以對部分因素進行合并處理。氣候子區(qū)與光氣候區(qū)合并，以城市名稱表達(dá)；體形系數(shù)可以和房間長寬比、房間室內(nèi)凈高合并，以體形系數(shù)表達(dá)。因此，耦合環(huán)境輸入因子確定為7項因素，分別為城市名稱、體形系數(shù)、窗墻面積比、非透明圍護結(jié)構(gòu)傳熱系數(shù)、透明圍護結(jié)構(gòu)傳熱系數(shù)、非透明圍護結(jié)構(gòu)吸收系數(shù)、窗戶總透射比。

原始數(shù)據(jù)樣本不能直接用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練，而是需要對原始數(shù)據(jù)進行歸一化處理。原因是當(dāng)輸入變量很大時，訓(xùn)練函數(shù)的斜率會趨近0，這導(dǎo)致在訓(xùn)練神經(jīng)網(wǎng)絡(luò)過程中會出現(xiàn)梯度下降，當(dāng)梯度有微小變化時，權(quán)值會相應(yīng)變化，導(dǎo)致權(quán)值遠(yuǎn)離期望值。因此，歸一化能夠提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率。歸一化的數(shù)據(jù)區(qū)間一般為(0，1)或(-1，1)，本次神經(jīng)網(wǎng)絡(luò)模型的輸入樣本和檢驗樣本數(shù)據(jù)均統(tǒng)一量化為(0，1)。

數(shù)據(jù)歸一化的處理方式為

(1)

(2)

式中xi為歸一化后神經(jīng)網(wǎng)絡(luò)的輸入值；xdi為原始輸入值；xdmin為原始輸入值中的最小值；xdmax為原始輸入值中的最大值；ti為歸一化后神經(jīng)網(wǎng)絡(luò)的目標(biāo)值；ydi為原始目標(biāo)值；ydmin為原始目標(biāo)值中的最小值；ydmax為原始目標(biāo)值中的最大值。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，預(yù)測值為oi，取值范圍為(0，1)，因此需要把預(yù)測值還原為實際值，即

(3)

式中ypi為預(yù)測值的還原值；oi為神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出值。

2.1.2 輸出數(shù)據(jù)預(yù)處理

為便于神經(jīng)網(wǎng)絡(luò)計算，將輸出數(shù)據(jù)轉(zhuǎn)化為0和1組合的名義變量，即將輸出數(shù)據(jù)變啞。根據(jù)預(yù)測目標(biāo)，將采暖季熱負(fù)荷數(shù)據(jù)分為“節(jié)能”和“不節(jié)能”兩組，將天然采光照度數(shù)據(jù)分為“達(dá)標(biāo)”和“不達(dá)標(biāo)”兩組(如表2所示)。

表2 原變量與啞變量對照表Table 2 The comparison of original variables and dumb variables

2.1.3 訓(xùn)練樣本抽取

選取合適的訓(xùn)練樣本能夠提高神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率。以寒地農(nóng)村住宅天然采光照度為例，整體樣本為200組數(shù)據(jù)，分別以訓(xùn)練樣本占總體樣本的50%，60%，70%，75%，80%為例進行對比研究，迭代次數(shù)設(shè)定為300次，每組重復(fù)訓(xùn)練10次，從而得到模型的平均預(yù)測準(zhǔn)確率(如表3所示)。從表3可以看出，當(dāng)訓(xùn)練樣本比例為70%時，模型平均預(yù)測準(zhǔn)確率最高，且預(yù)測穩(wěn)定性良好。因此，選取70%的樣本作為訓(xùn)練樣本。

表3 不同訓(xùn)練樣本比例的預(yù)測模型準(zhǔn)確率Table 3 The prediction model accuracy of different percentage of training samples

2.2 參數(shù)設(shè)置

合理的參數(shù)設(shè)置能夠提高神經(jīng)網(wǎng)絡(luò)的預(yù)測精度，對BP神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)、隱藏層和函數(shù)選擇進行對比研究。

2.2.1 迭代次數(shù)

迭代次數(shù)是指BP網(wǎng)絡(luò)的運算次數(shù)。增大迭代次數(shù)可以減小網(wǎng)絡(luò)訓(xùn)練誤差，但是會相應(yīng)的延長網(wǎng)絡(luò)訓(xùn)練時間，因此，合適的迭代次數(shù)對網(wǎng)絡(luò)是非常重要的。為尋求最優(yōu)的迭代次數(shù)，以寒地農(nóng)村住宅天然采光照度為例，訓(xùn)練樣本設(shè)定為70%，迭代次數(shù)分別設(shè)定為100、300、500、1 000、2 000、5 000次為例進行對比計算(如表4所示)。從表4可以看出，當(dāng)?shù)螖?shù)為1 000次時，模型平均預(yù)測準(zhǔn)確率最高，為80.82%。因此，模型迭代次數(shù)選用1 000次。

表4 不同迭代次數(shù)下的預(yù)測模型準(zhǔn)確率Table 4 The prediction model accuracy of different iteration times

2.2.2 隱藏層

隱藏層及其節(jié)點數(shù)的設(shè)計是神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置中重要而復(fù)雜的問題，其確定的基本原則是在保證模型預(yù)測精度的前提下，盡可能減少隱藏層節(jié)點數(shù)，從而使模型結(jié)構(gòu)緊湊。根據(jù)前人的研究成果，隱藏層設(shè)定為1層或2層就可以解決各類問題。目前，科研人員均通過多次實驗來確定隱藏層及其節(jié)點數(shù)的數(shù)量。采用對比實驗的方式，以天然采光照度為例確定最佳隱藏層數(shù)量及節(jié)點數(shù)。

當(dāng)設(shè)定一個隱藏層時，節(jié)點數(shù)分別設(shè)定為5、6、7、8、9、10、15、20、25、30、35、40，每個模型計算10次，取平均值比較模型預(yù)測準(zhǔn)確率(如表5所示)。由表5可以看出，當(dāng)節(jié)點數(shù)為7時，模型平均預(yù)測準(zhǔn)確率取得最高值82.88%。當(dāng)節(jié)點數(shù)進一步增大時，模型準(zhǔn)確率開始下降，從8個節(jié)點到40個節(jié)點，模型預(yù)測準(zhǔn)確率保持在70%～80%之間，這說明隨著節(jié)點數(shù)的增大，模型預(yù)測準(zhǔn)確率并沒有隨之提高。因此，以預(yù)測模型結(jié)構(gòu)緊湊為原則，當(dāng)采用一個隱藏層時，設(shè)置7個節(jié)點，模型預(yù)測效果最好。

當(dāng)設(shè)定兩個隱藏層時，節(jié)點數(shù)分別設(shè)定為10、15、25、35，同樣每個模型計算10次，取平均值比較模型預(yù)測準(zhǔn)確率。從表5可以看出，同樣的10個節(jié)點，2個隱藏層預(yù)測準(zhǔn)確率為72.67%，1個隱藏層預(yù)測準(zhǔn)確率為71.19%，2個隱藏層比1個隱藏層準(zhǔn)確率高1.48%。當(dāng)節(jié)點數(shù)為15時，2個隱藏層預(yù)測準(zhǔn)確率低于1個隱藏層7.08%，當(dāng)節(jié)點數(shù)為25、35時，2個隱藏層預(yù)測準(zhǔn)確率分別比1個隱藏層高1.41%和2.92%。總體來說，當(dāng)節(jié)點數(shù)相同時，2個隱藏層的預(yù)測準(zhǔn)確率略高于1個隱藏層。在2個隱藏層的設(shè)置中，當(dāng)節(jié)點數(shù)為25時，預(yù)測準(zhǔn)確率最高，為78.5%。

比較1個隱藏層和2個隱藏層的預(yù)測準(zhǔn)確率可以發(fā)現(xiàn)，2個隱藏層使模型結(jié)構(gòu)更為復(fù)雜，而且并沒有顯著提高預(yù)測效果，因此，選擇1個隱藏層，7個節(jié)點的模型來進行預(yù)測。

表5 不同隱藏層個數(shù)及節(jié)點數(shù)下的預(yù)測模型準(zhǔn)確率Table 5 The prediction model accuracy of different hidden layers and notes

2.2.3 函數(shù)選擇

多層感知器是典型的前饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，當(dāng)采用BP算法時，即可實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測。因此，在參數(shù)的設(shè)定中，隱藏層激勵函數(shù)選擇Sigmoid函數(shù)以實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)。Sigmoid函數(shù)是典型的S型函數(shù)，其數(shù)學(xué)表達(dá)式為

(4)

其取實數(shù)值參數(shù)并將其變換到(0，1)范圍。

2.3 模型檢驗

上文對輸入數(shù)據(jù)、輸出數(shù)據(jù)進行了預(yù)處理，并通過對比實驗確定了最優(yōu)樣本訓(xùn)的抽取比例，即訓(xùn)練樣本70%，檢驗樣本20%，支持樣本10%。同時，設(shè)定了模型的基本參數(shù)，即迭代次數(shù)1 000次，1個隱藏層，7個隱藏節(jié)點。以寒地農(nóng)村住宅天然采光照度為例檢驗?zāi)Ｐ偷念A(yù)測準(zhǔn)確度和穩(wěn)定性。由表6可以看出，在進行的10次準(zhǔn)確率計算中，預(yù)測準(zhǔn)確率均在75%以上，這說明模型穩(wěn)定性良好；并且平均準(zhǔn)確率為83.51%，這說明預(yù)測準(zhǔn)確性較好。

表6 寒地農(nóng)村住宅天然采光照度預(yù)測模型Table 6 Prediction model for natural light illuminance in heating season

表6中A為城市；B為體形系數(shù)；C為窗墻面積比；D為非透明圍護結(jié)構(gòu)傳熱系數(shù)；E為透明圍護結(jié)構(gòu)傳熱系數(shù)；F為非透明圍護結(jié)構(gòu)吸收系數(shù)；G為窗戶總透射比。

2.4 基于BP神經(jīng)網(wǎng)絡(luò)的耦合環(huán)境預(yù)測模型

本節(jié)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建立東北嚴(yán)寒地區(qū)農(nóng)村住宅熱環(huán)境、光環(huán)境的耦合環(huán)境預(yù)測模型，模型包括通用模型和獨立模型。

2.4.1 通用模型

選取哈爾濱、長春、沈陽、海拉爾四個城市分別代表黑龍江省、吉林省、遼寧省和內(nèi)蒙古自治區(qū)東北部，及嚴(yán)寒(A)區(qū)、嚴(yán)寒(B)區(qū)和嚴(yán)寒(C)區(qū)三個子氣候區(qū)。其中哈爾濱屬嚴(yán)寒(B)區(qū)，長春、沈陽屬嚴(yán)寒(C)區(qū)，海拉爾屬嚴(yán)寒(A)區(qū)。以調(diào)研及模擬數(shù)據(jù)為基礎(chǔ)建立通用模型(見表7)。由表7可以看出，采暖季熱負(fù)荷平均預(yù)測準(zhǔn)確率為78.71%，天然采光照度平均預(yù)測準(zhǔn)確率為93.03%。從數(shù)據(jù)可以看出，通用模型具有較高的預(yù)測精度。建筑師在設(shè)計農(nóng)宅時可根據(jù)此模型對寒地農(nóng)宅采暖季能耗、天然采光照度進行預(yù)測，并對模型進行節(jié)能優(yōu)化，也可對已建成農(nóng)宅進行節(jié)能評價及改造。

表7 耦合環(huán)境預(yù)測的通用模型Table 7 Generalized model for predicting the coupling environment

表7中A為城市；B為體形系數(shù)；C為窗墻面積比；D為非透明圍護結(jié)構(gòu)傳熱系數(shù)；E為透明圍護結(jié)構(gòu)傳熱系數(shù)；F為非透明圍護結(jié)構(gòu)吸收系數(shù)；G為窗戶總透射比。

通過通用模型網(wǎng)絡(luò)圖表(如圖4所示)可以看到BP神經(jīng)網(wǎng)絡(luò)的三層結(jié)構(gòu)，并且能夠看到鍵結(jié)值的連接關(guān)系。鍵結(jié)值能夠反映給定層中的單位與下層中的單位之間關(guān)系的系數(shù)估計值。圖中藍(lán)線鍵結(jié)值小于0，灰線鍵結(jié)值大于0。

每種自變量對輸出結(jié)果的影響程度不同，因此根據(jù)其對輸出結(jié)果的影響程度進行重要性排序(如表8、圖5所示)。由表8及圖5可以看出，窗戶總透射比的重要性最大，其標(biāo)準(zhǔn)化的重要性為100%；其次為非透明圍護結(jié)構(gòu)傳熱系數(shù)，其標(biāo)準(zhǔn)化的重要性為71.6%；第三為窗墻面積比，其標(biāo)準(zhǔn)化的重要性為59.9%；城市、透明圍護結(jié)構(gòu)傳熱系數(shù)、非透明圍護結(jié)構(gòu)吸收系數(shù)和體形系數(shù)的影響程度較為接近，分別為23.3%，22.9%，21.4%和18.2%。因此，建筑師及農(nóng)村居民在設(shè)計建造農(nóng)宅時可根據(jù)自變量的重要性進行節(jié)能設(shè)計。

表8 自變量重要性Table 8 Significance of independent variable

2.4.2 獨立模型

為分別研究每個氣候子區(qū)，每個城市的耦合環(huán)境，分別建立了哈爾濱、長春、沈陽、海拉爾的耦合環(huán)境獨立模型(如表9所示)。由表9可以看出，哈爾濱、長春、沈陽、海拉爾四個城市的采暖季熱負(fù)荷平均預(yù)測準(zhǔn)確率均在70%以上，具有較好的預(yù)測效果，其預(yù)測準(zhǔn)確率分別為76.76%、70%、72.14%和76.92%。四個城市的天然采光照度平均預(yù)測準(zhǔn)確率均在75%以上，具有良好的預(yù)測效果，其預(yù)測準(zhǔn)確率分別為77.02%、77%、78.07%和84.32%。該預(yù)測模型能夠在一定程度上代表嚴(yán)寒(A)區(qū)、嚴(yán)寒(B)區(qū)和嚴(yán)寒(C)的情況，各氣候子區(qū)的城市、農(nóng)村可根據(jù)相應(yīng)的獨立模型進行預(yù)測。

圖4 通用模型網(wǎng)絡(luò)圖表Fig.4 Network diagram for generalized model

圖5 自變量的重要性排序Fig.5 The importance order of input factors

項目內(nèi)容氣候子區(qū)嚴(yán)寒(B)區(qū)嚴(yán)寒(C)區(qū)嚴(yán)寒(C)區(qū)嚴(yán)寒(A)區(qū)地點哈爾濱長春沈陽海拉爾輸入A、B、C、D、E、F、G輸出采暖季熱負(fù)荷;天然采光照度訓(xùn)練樣本35個35個35個35個檢驗樣本10個10個10個10個支持樣本5個5個5個5個迭代次數(shù)1000次隱藏層1層隱藏節(jié)點7個采暖季熱負(fù)荷準(zhǔn)確率/%71.483.366.766.760.075.085.761.560.080.085.770.075.063.681.880.075.066.780.077.875.083.380.068.883.385.780.071.472.762.575.064.370.080.066.777.8采暖季熱負(fù)荷平均準(zhǔn)確率/%76.767072.1476.92天然采光照度準(zhǔn)確率/%85.783.385.760.090.991.780.076.975.085.793.891.775.081.860.075.087.590.083.385.790.090.075.072.780.066.775.091.792.390.975.070.066.783.380.086.7天然采光照度平均準(zhǔn)確率/%77.027778.0784.32

注：A——城市；B——體形系數(shù)；C——窗墻面積比；D——非透明圍護結(jié)構(gòu)傳熱系數(shù)；E——透明圍護結(jié)構(gòu)傳熱系數(shù)；F——非透明圍護結(jié)構(gòu)吸收系數(shù)；G——窗戶總透射比。

3 天然采光實測驗證

3.1 測試對象

課題組于2016年1月8日上午11:00分對寒地某農(nóng)村住宅進行了天然采光實地測試，測試天氣為晴天。住宅建成于2015年，南北向，雙坡屋頂一層建筑，建筑高度5.7 m，室內(nèi)凈高3 m。課題組對每個房間進行了逐一測試，以檢驗其天然采光照度水平和預(yù)測模型準(zhǔn)確度。

3.2 測試方法

根據(jù)《建筑采光設(shè)計標(biāo)準(zhǔn)》(GB 50033—2013)的要求，選擇各個房間通過側(cè)窗中心線的剖面布置測點，測點間距0.8 m(衛(wèi)生間測點間距0.6 m)，測點高度0.75 m，每個測點讀數(shù)三次，取平均值。測點距墻的間距為0.5 m，同時測試室外照度。測試儀器為Fluke941型數(shù)字式照度計，測量范圍為20 lx～200 000 lx(如圖6所示)。

圖6 測點分布圖Fig.6 Measure points distribution

3.3 測試結(jié)果

通過對農(nóng)村住宅進行天然采光實地測試共得到40組，120個照度值。取每個測試點3個照度的平均值，得到主臥室、起居室等每個房間各測點的平均照度值和總照度平均值(見表10)。由測試結(jié)果

表10 節(jié)能住宅天然采光照度實測結(jié)果Table 10 The experimental result of rural energy-saving residential daylighting illuminance

可以看出陽光間平均照度為1 858 lx，次臥室平均照度為998 lx，起居室平均照度為1 532 lx，主臥室平均照度為1 308 lx，衛(wèi)生間平均照度為474 lx，餐廳平均照度為1 290 lx，廚房平均照度為454 lx，均高于《建筑采光設(shè)計標(biāo)準(zhǔn)》(GB 50033—2013)規(guī)定的標(biāo)準(zhǔn)值300 lx。因此，該農(nóng)村住宅的天然采光符合國家規(guī)范要求。

4 結(jié)論

本文應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對東北嚴(yán)寒地區(qū)農(nóng)村住宅熱環(huán)境、光環(huán)境多因素綜合作用下的耦合設(shè)計進行了研究，得到如下主要結(jié)論：

1)綜合考慮熱環(huán)境、光環(huán)境對農(nóng)宅的影響，最終確定了7項耦合環(huán)境設(shè)計因素，分別為：城市、體形系數(shù)、窗墻面積比、非透明圍護結(jié)構(gòu)傳熱系數(shù)、透明圍護結(jié)構(gòu)傳熱系數(shù)、非透明圍護結(jié)構(gòu)吸收系數(shù)、窗戶總透射比。

2)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)，以實際調(diào)研數(shù)據(jù)及模擬數(shù)據(jù)為基礎(chǔ)建立了寒地農(nóng)宅采暖季熱負(fù)荷及天然采光照度的預(yù)測模型，該模型包括通用模型和獨立模型。模型具有較高的預(yù)測精度，通用模型預(yù)測精度為能耗78.71%，照度93.03%。獨立模型預(yù)測精度為：哈爾濱能耗76.76%、照度77.02%；長春能耗70.00%、照度77.00%；沈陽能耗72.14%、照度78.07%，海拉爾能耗76.92%、照度84.32%。建筑師可根據(jù)預(yù)測模型對東北嚴(yán)寒地區(qū)的農(nóng)宅進行節(jié)能設(shè)計、節(jié)能評價及節(jié)能改造。

3)根據(jù)預(yù)測結(jié)果，影響農(nóng)宅采暖熱負(fù)荷及天然采光照度自變量的重要性排序為：窗戶總透射比(100%)，非透明圍護結(jié)構(gòu)傳熱系數(shù)(71.6%)，窗墻面積比(59.9%)，城市(23.3%)，透明圍護結(jié)構(gòu)傳熱系數(shù)(22.9%)，非透明圍護結(jié)構(gòu)吸收系數(shù)(21.4%)，體形系數(shù)(18.2%)。

[1] HIEN W N, LIPING W, Chandra A N, et al. Effects of double glazed facade on energy consumption, thermal comfort and condensation for a typical office building in Singapore[J]. Energy and Buildings, 2005, 37(6): 563-572.

[2] LI Ping W, HIEN W N. The impacts of ventilation strategies and facade on indoor thermal environment for naturally ventilated residential buildings in Singapore[J]. Building and Environment, 2007, 42(12): 4006-4015.

[3] WANG L, WONG N H. Coupled simulations for naturally ventilated rooms between building simulation (BS) and computational fluid dynamics (CFD) for better prediction of indoor thermal environment[J]. Building and Environment, 2009, 44(1): 95-112.

[4] LI Ping W, HIEN W N. Applying natural ventilation for thermal comfort in residential buildings in Singapore[J]. Architectural Science Review, 2007, 50(3): 224-233.

[5] WANG L, WONG N H. Coupled simulations for naturally ventilated residential buildings[J]. Automation in Construction, 2008, 17(4): 386-398.

[6] ZHANG R, LAM K P, Yao S C, et al. Coupled EnergyPlus and computational fluid dynamics natural ventilation simulation[C]//Proceedings of 5th National SimBuild Conference. 2012.

[7] LI Ping W, HIEN W N. Natural ventilation simulation with coupling program between building simulation (BS) and computational fluid dynamics (CFD) simulation program for accurate prediction of indoor thermal environment[J].

[8] AHIAWAT A S, RAMASWAMY A. Coupled Optimal Design of Building with TMD[J]. XXI ICTAM, Warsaw, Poland, 2004.

[9] ZHAI Z J, CHEN Q Y. Performance of coupled building energy and CFD simulations[J]. Energy and buildings, 2005, 37(4): 333-344.

[10] CHENG-wen Y, JIAN Y. Application of ANN for the prediction of building energy consumption at different climate zones with HDD and CDD[C]//Future Computer and Communication (ICFCC), 2010 2nd International Conference on. IEEE, 2010, 3:286-289.

[11] AHMAD A S, HASSAN M Y, ABDULLAH M P, et al. A review on applications of ANN and SVM for building electrical energy consumption forecasting[J]. Renewable and Sustainable Energy Reviews, 2014, 33: 102-109.

[12] TURHAN C, KAZANASMAZ T, UYGUN I E, et al. Comparative study of a building energy performance software (KEP-IYTE-ESS) and ANN-based building heat load estimation[J]. Energy and Buildings, 2014, 85: 115-125.

[13] NETO A H, FIORELLI F A S. Comparison between detailed model simulation and artificial neural network for forecasting building energy consumption[J]. Energy and Buildings, 2008, 40(12): 2169-2176.

[14] KALOGIROU S A, BOJIC M. Artificial neural networks for the prediction of the energy consumption of a passive solar building[J]. Energy, 2000, 25(5): 479-491.

[15] KALOGIROU S A. Artificial neural networks in renewable energy systems applications: a review[J]. Renewable and sustainable energy reviews, 2001, 5(4): 373-401.

[16] http://zh.wikipedia.org/wiki/%E4%BA%BA%E5%B7%A5%E7%A5.

[17] http://www.aiseminar.cn/bbs/forum.php?mod=viewthread&tid=924.

[18] http://zh.wikipedia.org/wiki/File:Ncell.png.

[19] http://ibillxia.github.io/blog/2013/03/30/back-propagation-neural-networks/.

Study on Coupled Environment Design of Rural Residential Buildings in Severe Cold Regions of Northeast China

ZHEN Meng, SUN Cheng, JIA Yongheng

(SchoolofArchitecture,HarbinInstituteofTechnology，Haerbin150006,China)

In the actual climatic conditions, rural residential buildings were affected by thermal environment, natural lighting environment, and etc. It requires consideration of the interaction among environmental factors to achieve integrated optimization of the parameters and to achieve energy efficiency. The paper selects the influencing factors through field survey and simulation analysis. The paper constructs the prediction model of energy consumption in heating season and natural lighting illuminance of rural residential buildings using BP neural network. The model can provide guidance for architects and rural residents when they design and build rural residential buildings. Thereby, the model can improve indoor environmental quality and reduce energy consumption of rural residential buildings.

severe cold regions of northeast; rural residential building; coupled environment; BP neural network

黑龍江省經(jīng)濟社會發(fā)展重點研究課題(編號：15030)，“十二五”國家科技支撐計劃課題資助項目(編號：2013BAJ12B04)

TM923

A

10.3969j.issn.1004-440X.2016.04.020