神經網絡在寒冷地區建筑能耗預測中的應用

李永安王德曄張露楚廣明劉學來

(1.山東建筑大學 熱能工程學院，山東 濟南250101；2.濟南中建建筑設計院有限公司，山東 濟南250101)

0 引言

建筑作為能源消耗的三大領域之一，其節能減排成效將直接關系到我國能源消費總量控制目標和減排目標的實現。因此，對各類建筑的能源消耗情況進行統計分析是提高建筑能源使用效率、降低建筑碳排放的基礎。然而，傳統的建筑能耗統計工作存在數據收集時間較長、數據準確程度低等問題。因此，構建一種快速準確預測建筑能源消耗情況的方法是未來建筑節能研究的重要方向。

目前國內外學者對于建筑能耗預測方法展開了較多的相關研究，主要集中在工程物理原理簡化方法、多元統計回歸法以及智能模型方法等[1-5]。建筑能耗的精準預測依賴于其顯著影響因素的選取，但建筑的能源消耗情況受較多因素的影響，如氣象條件、建筑結構熱特性、使用者及其行為以及耗能系統的運行等。這些因素之間存在著不同程度的交互作用，這不僅給能耗問題分析帶來困難，甚至影響模型預測結果的準確程度，而神經網絡ANN(Artificial Neutral Network)模型正是解決上述問題的一種方法。

ANN是人腦及其活動的理論數學模型，旨在模仿人類大腦的結構及其功能。目前已在信息、交通、心理學等領域得到廣泛應用[6-12]。反向傳播BP(Back Propagation)神經網絡是ANN模型中常用方法之一，在解決包括大量獨立參數和非線性關系的復雜環境應用問題中具有較大的潛力。為此，在抽樣調研寒冷地區辦公建筑能耗情況的基礎上[13-16]，文章通過建筑熱環境設計模擬工具包DeST(Designer’s Simulation Toolkit)建立典型辦公建筑模型以獲取建筑能耗樣本集，使用建筑能耗訓練集進行BP神經網絡能耗預測模型的訓練，并將能耗測試集的樣本帶入訓練完成后的能耗模型中進行檢驗，對比分析其預測值與軟件模擬值，以期為建筑能耗提供良好的預測工具。

1 神經網絡能耗預測模型的構建

1.1 神經網絡概述

ANN是一種類似于人類神經系統的信息處理技術，由大量稱為神經處理單元的自律要素相互連接進行計算，根據外界信息改變自身的結構，通常用于為輸入與輸出之間的復雜關系建?；虬l現數據中的模式[17-19]。為了形式化地描述神經網絡，需要構造神經網絡的基本單元，如圖1所示。X1、X2、…、Xn為神經元的輸入，Σ為神經元o的閾值，W1、W2、…、Wn分別為神經元對X1、X2、…、Xn的權系數，f(·)為激發函數。目前，神經網絡技術在解決諸如預測、分類、偏差檢測、響應建模以及時間序列分析等問題方面是強有力的工具。在經濟財務分析中，可用于確定貸款申請人的信用風險好壞等；在醫療行業中，可應用于心肺診斷方面、醫療現象的檢測和評估等；在工業領域中，可用于過程控制、質量控制、溫度和壓力的預測等；在能源領域中，可用于電力負荷的預測、能源需求的預測、功率控制系統和水壩監控等。

BP神經網絡是一種以誤差反向傳播為基礎的前饋網絡，各層神經元分層排列，具有較強的非線性映射能力。由于其復雜性在網絡的突觸權值處是線性的，所以BP神經網絡算法易實現且計算效率高，故選擇BP神經網絡模型來進行能耗預測研究。

圖1 神經網絡的基本計算單元圖

1.2 建筑能耗神經網絡預測模型的建立

在已有研究[20-22]的基礎上，結合建筑能源消耗的實際情況，從圍護結構熱工特性、室內熱擾強度以及建筑的房間使用功能等方面初步篩選出16個影響建筑能耗的因素，具體表示如下:外墻傳熱系數、外窗傳熱系數、屋面傳熱系數、外窗遮陽系數、窗墻面積比、辦公室人員密度、會議室人員密度、走廊人員密度分別設為x1、x2、x3、x4、x5、x6、x7、x8，其他功能性房間人員密度設為x9；將辦公室、會議室、走廊的照明強度分別設為x10、x11、x12，其他功能性房間照明強度設為x13；辦公室、會議室的設備熱擾強度分別設為x14、x15，其他功能性房間的設備熱擾強度設為x16。

在訓練BP神經網絡預測模型時，模型內各層神經元的個數設計是較為重要的。通常模型輸入層神經元的個數與影響因子數相關，結合上面初步篩選的影響因素個數，將其數目設定為16；模型輸出層神經元的個數與所求問題的類別數有關，故采用單位建筑面積能耗指標進行系統分析，輸出層的個數設定為1。除了輸入層和輸出層，必須著重考慮隱含層的設計。隱層神經元的個數太少將出現模型欠擬合的現象，進一步導致模型對復雜數據集的信號檢測不足。相反，隱層神經元的個數太多也會出現兩個問題:(1)可能引起過擬合問題，這將降低測試數據集的泛化能力；(2)由于拓撲結構的復雜性提高，會使得訓練時間增加。利用學者已驗證過的經驗公式(其中:N、n、m分別為隱含層、輸入層和輸出層神經元的個數)，將隱含層神經元的數目設定為4。BP神經網絡能耗模型3層構造如圖2所示。

圖2 BP神經網絡能耗模型3層構造圖

1.3 建筑能耗神經網絡預測模型的軟件實現

利用MATLAB軟件構建BP神經網絡建筑能耗預測模型。具體構建過程如下:

(1)通過DeST軟件建立典型辦公建筑模型以獲取建筑能耗樣本集 為了方便評價模型，數據集被分為訓練集和測試集。在訓練步驟中，基于數據集獲得預測模型來表示目標對特征的依賴關系；在預測步驟中，得到的模型應用于測試集來預測關于新特征的目標值?？紤]到訓練數據集的大小對模型性能具有一定的影響，將基礎數組中75%的數據作為訓練樣本集，剩余的25%的數據用作測試數據，用于驗證網絡模型的推廣能力。

(2)樣本數據歸一化 通過MATLAB中的premnmx函數對輸入的能耗樣本集進行歸一化處理。

(3)創建BP神經網絡并設定網絡參數 采用newff函數創建神經網絡，隱含層節點個數及傳遞函數均采用默認值，訓練函數采用默認的trainlm函數，設定最大迭代次數為5 000次，其它屬性為默認值。

(4)參數設定完成后，調用train函數進行網絡訓練，直到其達到最佳狀態。

(5)網絡完成訓練后，將測試組數據帶入神經網絡模型中以檢驗模型的泛化能力 此過程中，需要利用premnmx函數對輸入值進行歸一化處理，網絡讀取完成后，待神經網絡模型讀取完成后，再利用postmnmx函數對能耗預測結果進行反歸一化處理，最終得到建筑預測能耗值。

2 基于ANN的寒冷地區建筑能耗預測與結果分析

2.1 典型建筑模型的構建

為確保構建的模型具有良好的實用性及推廣能力，在充分調研寒冷地區1 388棟辦公建筑能耗情況的基礎上，綜合考慮辦公建筑的特性，建立了用于驗證構建的神經神經網絡預測模型的典型建筑。辦公建筑為濟南市某辦公樓，其建筑面積為3 750 m2，共15層。建筑模型首層結構與標準層不同，3～15層為模型建筑的標準層，具體布局如圖3所示。

不敢說什么心得，說一點我個人的寫作習慣吧。在寫一個人物的時候，我總是習慣把這個人的方方面面都設想好，這才動筆。譬如說，這個人從小是怎么長大的，老師是怎樣，父母是怎樣，他會喜歡吃什么樣的東西，喝什么樣的茶，喜歡哪種類型的女孩子，為什么喜歡，等等等等。

圖3 建筑模型3～15層平面圖

2.2 樣本集分析

收集足夠多的無噪聲數據是準確地進行統計分析和預測模型建立的重要基礎，通常解決這種問題有問卷調查、實地測量和軟件仿真等方法?？紤]到前兩種方法的數據采集效率和數據完整性等問題，利用DeST軟件仿真方法可以獲取建筑能耗數據集。為確保建筑模擬數據的代表性，通過改變建筑熱物性參數的方式，利用DeST軟件公共建筑模塊得到了40組能耗模擬基礎數據，以單位建筑面積能耗的方式輸出。建筑樣本數組的單位建筑面積能耗變化范圍為85.19～92.67 kWh/m2。

為了使模擬數據盡可能反映當地建筑實際能耗情況，需要對利用軟件方法所得到的能耗模擬值進行校準分析。校準就是比較仿真結果與規范標準中的限額值，調整仿真參數直到結果接近實際的消耗數據。將軟件模擬得到的能耗基礎數組與山東省DB37/T 5077—2016《機關辦公建筑能耗限額標準》[23]中的濟南市機關辦公建筑能耗限額指標進行對比分析，結果顯示:建筑能耗值＞90 kWh/m2的樣本量占比為15%，建筑能耗值87～90 kWh/m2的樣本量占比為30%，而建筑能耗值＜86 kWh/m2且稍微＞86 kWh/m2的樣本量占比為55%。分析結果表明，軟件模擬得出的建筑能耗值絕大部分在濟南市機關辦公建筑的能耗約束指標值附近變化，與其能耗先進指標值相比仍有一定的差距，但能耗模擬結果整體上較為符合濟南市辦公建筑能源消耗的實際情況，具有一定的代表性。

將DeST軟件模擬得到的能耗基礎數組分為訓練樣本和驗證樣本。訓練樣本用于訓練網絡，網絡根據訓練樣本的誤差調整網絡權值和閥值，驗證樣本用于驗證神經網絡能耗模型的泛化能力。當泛化能力停止提高時，表明模型已達到最優狀態，此時網絡停止訓練。默認隨機地將75%的數據劃分為訓練樣本集合，25%的數據劃分為驗證樣本，用于驗證目標輸出與實際輸出之間的吻合度。為進一步測試所構建的神經網絡能耗預測模型的網絡性能，利用10棟實際調研的辦公建筑進行能耗預測分析，以期檢驗神經網絡在建筑能耗預測方面的可行性。

2.3 模型評價指標

為有效評估所建立的神經網絡能耗預測模型的實用性，選取絕對誤差和相對誤差兩個評價指標分析神經網絡模型能耗預測結果的預測精度和波動幅度。兩評價指標取值越小，表明能耗預測模型的泛化能力和穩定程度越高，得到的能耗預測模型具有較強的實用性能。絕對誤差Δ和相對誤差ψ分別由式(1)和(2)表示為

式中Epredicted為神經網絡模型建筑能耗預測值，kWh/m2；Esimulation為模擬軟件建筑能耗計算值，kWh/m2。

2.4 模型訓練分析

從DeST軟件模擬得到的建筑能耗基礎數組中選取25%的數據用作模型的驗證數據，共計10組，將其帶入已訓練完成的能耗預測模型中進行驗證分析。驗證樣本集的能耗預測值分別為86.85、87.85、84.85、85.85、84.88、87.85、87.95、91.01、86.83和84.81 kWh/m2。將上述通過反歸一化處理得到的建筑能耗預測值與DeST軟件模擬能耗值進行對比分析，具體誤差分析結果見表1。可以看出，目標輸出值與實際輸出值基本吻合，滿足精度的要求。

表1 軟件模擬計算值與預測能耗值的評估結果表

2.5 建筑能耗預測模型實證分析

建立基于BP神經網絡的建筑能耗預測模型時，所用建筑樣本集的建筑類型為機關辦公建筑，為使建筑預測對象更加符合BP神經網絡能耗預測模型的適用要求，在對建筑能耗預測模型進行實證分析前，選取機關辦公建筑進行能耗預測，以此進一步驗證神經網絡算法在建筑能耗預測方面的應用性。

選定的10棟辦公建筑能耗數據是經過實際調研所獲得，調查的辦公建筑對象包括廣電中心、稅務局、勞動局及政務中心等辦公樓，建筑概貌詳情見表2。將所調研的辦公建筑2016年全年能耗數據進行預處理，以單位建筑面積能耗的方式輸出。

表2 10棟實際調研的辦公建筑概貌詳情表

實際建筑能耗監測值與神經網絡能耗模型預測值的誤差分析結果見表3?？梢钥闯?，所選擇的10棟辦公建筑的能耗預測值分別為98.45、88.42、100.43、90.45、78.99、88.45、86.43、88.43、98.41和85.39 kWh/m2，BP神經網絡模型的預測值與真實值的擬合程度較高。從相對誤差的角度來看，神經網絡模型預測結果的平均絕對誤差為8.89 kWh/m2，相對誤差約為10%，表明BP神經網絡模型對辦公建筑能源消耗情況有較好的預測能力。與軟件模擬計算值和預測能耗值之間的擬合程度相比，實例能耗的預測誤差偏大。原因可能由神經網絡訓練基礎數組的體量不足造成的，也可能是由DeST軟件在進行建筑能耗模擬計算時自身的偏差引起的，或是由能耗模擬計算值與實際建筑能耗監測值之間的差異性造成。因此，在使用神經網絡進行建筑能耗預測時，應盡可能地收集足夠多數量的無噪聲建筑樣本，并對預測結果進行科學分析。

表3 能耗預測值與實際能耗監測值分析結果表

3 結論

針對傳統方法預測建筑能耗時存在結果精度不高的問題，文章以寒冷地區辦公建筑實際能源消耗情況為基礎，利用DeST軟件建立典型辦公建筑模型并進行能耗模擬，利用MATLAB軟件實現建筑能耗神經網絡預測模型的構建，主要結論如下:

(1)神經網絡能耗預測結果與DeST軟件模擬結果的誤差最小值和最大值分別為0.4%、4.4%，平均誤差為1.4%，預測能耗值與模擬能耗值吻合程度較高，從理論上驗證了神經網絡在建筑能耗預測方面的可行性；

(2)利用所構建的能耗神經網絡預測模型對10棟實際調研的建筑進能耗預測，其模型預測值與建筑能耗實際監測值的相對誤差約為10%，吻合較好，說明構建的模型能夠應用于實際工程。