自適應神經模糊推理模型在建筑物能耗估計中的應用

龐博

摘 要 對建筑物的能量消耗進行有效地估計將極大地幫助建筑師和工程師在早期設計和施工階段進行能耗控制。本文提出了基于自適應神經模糊推理模型的建筑物能耗估計方法，即根據主要建筑物圍護參數（如材料厚度和絕緣K值） ，依次進行EnergyPlus分析、EnergyPlus仿真、自適應神經模糊推理，對不同厚度值和絕緣屬性的材料進行能耗估計，通過Matlab / Simulink計算證明了建筑物能耗估計對于能效建筑物整體設計的重要性。

關鍵詞 建筑物能耗 EnergyPlus仿真 自適應神經模糊推理模型

中圖分類號：G843文獻標識碼：A

中國是一個對世界能源市場依賴日益增加的國家，國內能源需求在過去幾十年迅速增長，預計未來數十年的能源使用將持續以4.5%的年速度增長。能源成本占國內生活總成本的很大一部分，國家根據能源需求調節天然氣和原油進口數量。因此有必要最大限度地減少住宅建筑的能源需求。

神經網絡最強大的類型之一是自適應神經模糊推理模型（Adaptive neuro-fuzzy inference model， ANFIM） ，ANFIM具有非常出色的學習和預測能力，使得它成為處理任何模型中的不確定性的有效工具。

基于上述分析，提出了基于ANFIM的建筑物能耗估計方法。在EnergyPlus軟件中使用不同的材料厚度值和絕緣屬性進行多達180次仿真，嘗試分析主要建筑物圍護參數與建筑物的區域冷卻或加熱負載之間的相關性。

1提出的方法

1.1 EnergyPlus分析

EnergyPlus分析的目的是研究墻體材料參數對建筑物能量消耗的影響，當前的建筑模型變量僅限于墻體材料和建筑細節，其他因素在所有仿真中保持不變，如建筑物入住率、設備、供暖、通風和空調設備等影響因素。有關墻壁組成的所有注意事項，包括窗口和墻位置、方向和方位，都使用EnergyPlus插件調整為Sketchup 3D圖形。在EnergyPlus軟件中需要仔細定義影響墻壁整體熱性能的其他圍護部件（例如窗和門）的屬性，以及窗口（窗玻璃和框架）和其他墻壁部件的屬性。此外，EnergyPlus中還定義了屋頂和地面元素的一些屬性，如屋頂覆蓋層的太陽能吸收率和地面溫度。

1.2 EnergyPlus仿真

考慮5種不同的墻壁細節進行研究。每組中的元件材料類型、厚度和熱特性均不相同，將具有不同k值和厚度的絕緣材料分配給墻壁細節，然后對每個材料系列進行EnergyPlus仿真。從仿真中可以獲得能量消耗（加熱和冷卻能量）的值。在所有組中，有兩種輸入變量，即絕緣厚度和絕緣K值。分別使用具有0.03、0.04、0.05和0.08W / mK熱導率值的絕緣材料。此外，絕緣材料運用不同的厚度：4、6、8、10、12、14、16、18和20cm。通過使用這種方法，在EnergyPlus軟件中提供完全相同數量的仿真總共180個數據系列。本研究中的變量輸入數據是絕緣厚度和絕緣K值，而輸出數據是對建筑物加熱和冷卻所需總能量的EnergyPlus仿真結果，用于EnergyPlus仿真的輸入和輸出數據用作ANFIM應用中的主要數據庫，以便開發一種估計建筑物能耗的模型。

1.3 自適應神經模糊推理模型

建立了一種新的ANFIM模型，用于估計建筑物相對于三個參數組的能量消耗：建筑結構、絕緣值和絕緣厚度。其中，一半數據用于訓練，而另一半用于檢查和驗證模型。通過適當的訓練方案和精細的過濾數據集，ANFIM能夠非常準確地估計建筑物能耗。

每個輸入有三個隸屬函數，一個ANFIM網絡用于建筑物加熱以及一個ANFIM網絡用于建筑物冷卻。選擇鐘形隸屬函數，最大值為1，最小值為0。MATLAB中的模糊邏輯工具箱用于訓練和評估模糊推理模型的整個過程。 圖1表示具有三個輸入的ANFIM結構。

使用兩個輸入的一階Sugeno模型和Takagi-Sugeno類型的模糊IF-THEN規則：

第一層由輸入變量隸屬函數（MFs）、建筑結構參數、絕緣值參數和絕緣厚度參數組成，該層將輸入值提供給下一層。在第一層中，每個節點是具有節點函數O=（）的自適應節點，其中（）是MFs。

選擇最大等于1且最小等于0的3個鐘形MFs：

其中，鐘形函數取決于三個參數a、b和c。參數b通常為正，而參數c位于曲線的中心，如圖2所示。

第二層（隸屬層）檢查每個MFs的權重，該層從第一層接收輸入值，并且用作隸屬函數表示相應輸入變量的模糊集。第二層中的每個節點非自適應，并且該層將輸入信號相乘，每個節點輸出表示規則或權重的發射強度。

第三層稱為規則層。每個節點（神經元）執行模糊規則的前置條件匹配，即，它計算每個規則的激活級別，層數等于模糊規則的數量。此層中的每個節點計算歸一化權重。第三層也是非自適應，該層的輸出稱為標準化發射強度或歸一化權重。

第四層去模糊化層提供由規則的推論產生的輸出值。

第五層輸出層將來自第四層的所有輸入相加，并將模糊分類結果轉換為二進制。第五層中的唯一節點非自適應，將所有輸入信號的計算總和作為整體輸出。

運用混合學習算法來識別ANFIM體系結構參數。在混合學習算法的正向傳遞中，功能信號前進到第4層，隨后的參數通過最小二乘估計來識別。在反向傳遞中，誤差率向后傳播，先驗參數通過梯度下降來更新。

2結果與討論

2.1 ANFIM實現

本文提出的ANFIM結構設置的三個輸入分別為組數據、絕緣熱導率值K和絕緣厚度。對于每個輸入存在兩個鐘形隸屬函數，由于每次輸入包含三個輸入值和三個隸屬函數，共計有27個模糊規則。首先，ANFIM網絡估計建筑物的冷卻耗散，隨后是加熱耗散。

2.2 性能評估

實驗數據對比分析得知，預測結果與建筑物供暖和制冷能耗的實際值非常一致。觀察結果由非常高的測定值系數證實。過高估計或過低估值的數量有限。顯然，預測值具有高精度水平。

為了在更明確和有形的基礎上證明所提出的ANFIM方法的優點，將ANFIM模型的預測精度與用作基準的其他軟計算方法進行比較。這些基準模型有：人工神經網絡（ANN）和遺傳編程（GP）。使用常規誤差統計指標，即RMSE、R2和r進行比較。表1和表2總結了分析的兩個加熱和冷卻模型的預測精度結果。比較表明，ANFIM預測在建筑物冷卻能量估計中的均方根誤差、Pearson系數和系數誤差方面優于ANN和GP，即估計結果比ANN和GP結果更加準確。

3結論

本文通過ANFIM獲得建筑物加熱和冷卻能量需求的模型方法。在MATLAB中開發具有ANFIM網絡的仿真模型用于建筑物冷卻和加熱的估計。設計這種ANFIM協調方案的主要優點在于：可以有效評估建筑物能耗對于能效建筑物整體設計的重要性。在MATLAB中運行了仿真實驗，并在相應的輸出塊上觀察到了結果。將ANFIM方法的性能與ANN、GP進行比較表明，ANFIM預測在建筑物冷卻能量估計中的均方根誤差、Pearson系數和系數誤差方面優于ANN和GP，且結果比ANN和GP結果更加準確。

參考文獻

[1] 樊麗軍.基于多元線性回歸模型的建筑能耗預測與建筑節能分析[J].湘潭大學自科學報，2016，38（01）：123-126.

[2] 周丹，南敬昌，高明明等.改進的簡化粒子群算法優化模糊神經網絡建模[J].計算機應用研究，2015，32（04）：1000-1003.

[3] 李準.基于EnergyPlus的建筑能耗模擬軟件設計開發與應用研究[D].長沙：湖南大學，2009.