云計算助力智慧建筑節能減排與管理控制研究

王振峰 徐明霞

摘 要：由于近年來智慧城市受到了廣泛的關注，而對于智慧城市節能減排還并沒有更多的研究資料，所以本文中對于智慧城市的節能減排及其管理進行了分析。本文中主要進行研究的是BP神經網絡對于智慧城市基礎之上大型建筑的耗電量預測，通過預測耗電量可以分析得出建筑的能耗是否合理，以便做出進一步的管理動作。首先本文通過使用云計算的方法對整體的數據處理系統進行了規定，整體數據通過云計算的方式進行存儲與計算。隨后規定了文章中所使用的BP神經網絡模型，通過BP神經網絡的方法建立對于大型建筑的能耗預測模型，并且將所獲取的數據用來進行模型的訓練以及測試。模型的訓練結果顯示，經過125次迭代之后，整體模型的誤差值達到最小。模型測試結果顯示出，本文模型可以很好的進行能耗的預測，整體預測趨勢與實際檢測值基本一致。所以本文所設計模型能夠達到跟蹤建筑能耗的目的，能夠為智慧城市節能減排以及其管理控制提供一定的理論基礎。

關鍵詞：BP神經網絡;云計算;智慧建筑;節能環保

中圖分類號：TU201.5;TP391.44? 文獻標識碼：A ? ? 文章編號：1001-5922（2021）10-0090-04

Energy Conservation and Emission Reduction and Its Management Control of Smart Buildings by Using Cloud Computing

Wang Zhenfeng， Xu Mingxia

（Shaanxi Institute of Technology， Xi an710300， China ）

Abstract：In recent years， smart city has attracted extensive attention， but there are few research data on energy conservation and emission reduction of smart city， so energy conservation and emission reduction and its management of smart city are analyzed. Back propagation （BP） neural network is used to predict the power consumption of large buildings in smart city. By predicting the power consumption， whether the energy consumption of buildings is reasonable can be assessed， so as to make further management. First， the overall data processing system is defined by using cloud computing， and the overall data are stored and calculated by cloud computing. Then， the BP neural network model is specified to establish an energy consumption prediction model of large buildings， and the obtained data are adopted for training and testing of the model. The training results of the model indicate that after 125 iterations， the error of the model reaches its minimum value. The test results of the model suggest that the model can predict energy consumption accurately， and the overall prediction trend is consistent with the actual detected value. Thus， the model designed in this paper can achieve the purpose of tracking building energy consumption， and can provide a certain theoretical basis for smart city energy saving and emission reduction as well as its management and control.

Key words：BP neural network; cloud computing; Intelligent building;energy conservation and environmental protection

0 引言

近年來，智慧城市的概念受到了廣泛的支持，智慧城市引起了科學界和工業界的廣泛關注和興趣，世界各地涌現出越來越多的國際案例[1-2]。然而，盡管智慧城市在應對近期的城市相關問題時可以發揮重要作用，但由于無法充分發揮其潛力以及被大量廠商炒作而受到批評[3]。過去幾年中，智慧城市政策吸引了大量相關的關注和資金[4]。盡管現在看來可以得出這樣的結論，智慧城市對城市經濟增長產生積極影響的時機已經成熟，但是從這種影響的微觀基礎來看，情況還不是十分清楚。

Allam 和 Newman（2018）研究提供了有關智慧城市的性質，挑戰和機遇的文獻綜述，根據文化，新陳代謝和治理的維度，提出了一個新的智慧城市框架，這些發現旨在為決策者提供關于智慧城市范式的另一種觀點，這種觀點主要是注重智慧城市的建設成果，不以技術作為研究方向[5]。近幾年，隨著中國物聯網技術，尤其是5G技術的快速發展，“智慧城市”的建設也成為了可能。Sharma 和Park（2018）提出了智慧建筑的混合網絡構架技術，通過對網絡和區塊鏈的結合做對比分析，驗證智慧城市建筑模型的使用性能和建設可行性，本論文對智慧建筑能耗預測模型進行了仿真模擬，結合不同的性能指標對比實際，來驗證建筑節能情況[6]。Zhang等（2017）介紹了有前途的智慧城市應用程序和體系結構，討論了這些應用程序中的一些安全性和隱私挑戰[7]。從上述對于智慧城市的當前研究方向中可以看出，對于智慧城市，各大學者的研究仍在如何進行智慧城市的構建部分，而文章則從新的角度也就是智慧城市節能減排的角度進行有關于智慧城市的研究，并且將引入云計算進行研究。

1 研究方法

1.1 云計算數據中心

云計算是一種典型的數據處理方法，能夠提供數據儲存、計算等復雜功能[8，9]。在文章中，也就是說在智慧城市的背景之下，是需要通過云計算技術進行智慧城市能耗的監測，而在文章中僅對大型建筑的能耗進行監測與分析。在本文的大型建筑能耗監測系統中將云計算數據中心分為云計算信息服務層，云計算基礎平臺層以及虛擬化基礎設施層。

云計算信息服務層也就是進行整體大型建筑的能耗評估與分析，判斷此大型建筑的節能情況，并且需要通過一定的控制手段控制大型建筑的能耗。在云計算基礎平臺層也就是進行整體數據的管理，而虛擬化基礎設施層便是對于大型建筑系統的模擬。

1.2 神經網絡下的建筑能耗預測

神經網絡算法是目前被廣泛應用的算法之一，由于其具有自學習的能力，大量的研究均爭先將此方法引入自身的研究領域中，爭取能夠以更快的速度以及更加優異的精度完成實驗或是研究。此種神經網絡的方法是模仿人腦的思考過程從而被開發出來的，對于人腦來說，需要首先得到外界的信號并且所有的神經元以及神經突觸將所接受到的信號傳至人腦，由人腦對相應的信號進行分析、處理。與人腦一致的是神經網絡方法也是通過將各個模塊分開，各個模塊完成屬于自身的工作，這樣的方法能夠大大提升整體算法的計算效率，能夠用更短的時間分析更多的數據，并且能夠根據不同的數據進行自學習，得到更加符合目標要求的神經網絡模型。而BP神經網絡是神經網絡的一種，屬于反向傳播的多層前饋神經網絡。它由3層結構組成，包括輸入層、隱式層和輸出層。其結構示意圖如圖1所示。

由圖1可以看出，BP神經網絡的每一層由n個神經元組成，各層之間相互連接。但是這層中的神經元是沒有連接的。神經網絡算法的由誤差和信息兩個正反向傳播過程來實現，其中信息是正向傳播，誤差是反向傳播[10]。具體流程如圖2所示。

BP人工神經網絡是由正向傳播以及反向傳播兩個過程所組成：正向傳播過程是信息傳播的主要過程，需要輸入的信息，在開始階段是進入輸入層，通過輸入層后進入隱含層，最后將信息輸入到輸出層。在整個過程中，每一次的結果只會對下一層的狀態有影響，當輸出層的輸出結果與所期望的結果有所不符時，則轉入反向傳播過程。反向傳播過程的處理過程為：輸出誤差—各隱含層—輸入層。該處理過程是輸出誤差反傳回去，并且分別傳送給隱含層單元，通過隱含層單元分析得出各層單元的誤差，通過這些誤差的分析，進而修正各部分單元的權值。正向傳播過程和反向傳播過程相互結合，便完成了一次學習迭代，BP網絡就是多次重復這種迭代直到達到預設的學習次數或是滿足誤差要求。

在正向傳播過程中，輸入對象被分成n個輸入向量，w為權系數，b為偏置向量。對輸入向量x進行線性運算，運算函數如式（1）[11]：

式（1）中，zi為第i層神經元的輸出。win為第n個神經元的權系數。b是偏差向量，偏差向量需從輸入層開始，逐層計算，一直到最后輸出結果。BP神經網絡通常使用sigmoid函數作為神經元內層的激活函數，以提高算法的表達能力，sigmoid函數g（zi）的表達式如式（2）：

式（2）函數的定義域均為實數集合，范圍為[0，1]。在最后一個隱含層輸出結果后，交叉熵損失函數計算輸出的損失。通過交叉熵損失函數的輸出損失值，與建筑能耗預測模型的預測輸出值與建筑工程實際值的差值做對比，以此來判斷建筑能耗預測模型的預測效果。損失函數可以表示為：

式（3）中，y為實際產值。當損失值過大時，參數更新更快;否則，參數更新會慢一些。

在誤差反向傳播過程中，損失函數梯度由輸出層向后傳播到隱含層，損失值分布到每層神經元。通過連續迭代，更新層間的參數，使實際輸出值與期望輸出值的誤差最小。這樣確定了與最小誤差對應的權值和閾值，增強了BP神經網絡的魯棒性[12]。根據損失函數梯度下降法，沿反向傳播過程，梯度下降最大。

式（4）～（5）中：wi+1為更新后的權重系數;wi為當前權重系數;lr為迭代次數的學習率;為損失函數梯度。

1.3 預測模型驗證

西安某公司辦公樓，樓高20.65m，辦公樓地上面積約6795.65m2，地下面積為1312.38m2，該辦公樓的用電主要是中央空調系統、照明插座、動力和特殊用電。用電總耗能為259.64MW·h，其中中央空調系統占比49.32%、照明插座占比34.21%、動力占比11.23%和特殊用電占比5.24%，2020年1～8月的用電數據如表1所示，重點選取2020年6～8月的用電數據作為研究樣本。建立起對于該建筑的能耗預測模型，選擇6～7月的用電數據進行模型的訓練，選擇7～8月的數據進行模型的驗證。文章中的模型設計是通過當天的氣壓、風速、溫度、濕度進行當天建筑能耗的判斷。文章研究所使用的軟件是MATLAB。

2 結果與討論

2.1 BP神經網絡仿真結果

首先進行文章中模型所使用BP神經網絡的仿真，其仿真結果如圖3所示。

從圖3中可以看出，在經過125次迭代之后，該BP神經網絡的誤差達到最低的目標值，說明該BP神經網絡可以達到較好的準確性水平，訓練后的BP神經網絡其運行時間為0.0276s，該均方誤差為0.0013，該均方誤差的值越小說明BP神經網絡的精度越高，說明該BP神經網絡可以滿足文章中高精度的需求。

2.2 BP神經網絡預測結果

隨機選取7月中某一天進行BP神經網絡的大型建筑能耗預測，其預測結果如圖4所示。

從圖4中可以看出整體的用電量預測趨勢基本一致，進行測試的日期屬于工作日，所以在早晨7點中開始直至晚上10點用電量均呈較高狀態，而在晚上10點至晚上12點過程中的用電量高于晚上12點至次日凌晨6點。這樣的預測結果與實際的測量趨勢也有較高的一致性。

隨機選取7月一非工作日進行用電情況的預測，其預測結果如圖5所示。

從圖5的預測結果之中可以看出，BP神經網絡對于整體的用電趨勢還是能夠較好的進行預測，從圖5的結果中可以知道，在非工作日，整體的用電量相較于工作日有了非常大幅度的下滑，并且整體的用電量較為平穩，少有用電量非常高的情況，從上述的研究結果中可以看出，文章方法對于大型建筑用電量的預測是非常有效的，說明在今后智慧城市的發展中能夠應用相應的方法進行能耗的監測。

3 結論

由于目前對于智慧城市節能減排控制方法的研究內容較少，文章通過結合云計算以及BP神經網絡算法對智慧城市北京之下的大型建筑物能耗進行了監測。文章的研究結果顯示，可以通過能耗監測模型得到某一時段建筑物的耗電量，憑借此數據可以得出該建筑物是否滿足節能減排的標準，若不滿足則需要通過其他的控制手段對建筑物的能耗情況進行控制，這便可以達到對能耗進行控制的目的。雖說文章研究取得了一定的成果但是文章研究仍舊存在一些不足之處，文章僅僅對某一大型建筑的耗電量進行了研究，相應獲取的數據量較少，僅可以做智慧城市耗能監測基礎參考，在面對整個城市的能耗監測時，文章所研究的方法可能會失效，因為城市的耗能監測需要獲取更多的數據，文章中所研究的方法可能無法滿足大數據情況之下的數據分析、數據計算以及數據存儲，所以說今后還需要進行更多的實驗以滿足更高的城市能耗監測需求。

參考文獻

[1]Andrea Caragliu，Chiara F.Del Bo.Smart innovative cities：The impact of Smart City policies on urban innovation[J].Technological Forecasting and Social Change，2019，142：373-383.

[2]李綱，李陽.智慧城市應急決策情報體系構建研究[J].中國圖書館學報，2016，42（3）：39-54.

[3]廖興國，吳志群.測繪地理信息對促進智慧城市建設的作用探討[J].科技視界，2019，13：101-102.

[4]郭中梅，朱常波，夏俊杰，等.“疫情大考”下的智慧城市未來發展思考[J].郵電設計技術， 2020（2）：5-8.

[5]Allam Zaheer，Newman Peter.Redefining the smart city：Culture， metabolism and governance[J]. Smart Cities， 2018，1（1）： 4-25.

[6]Pradip Kumar Sharma，Jong Hyuk Park.Blockchain based hybrid network architecture for the smart city[J].Future Generation Computer Systems，2018，86：650-655.

[7]Zhang Kuan，Ni Jianbing，Yang Kan，et al.Security and privacy in smart city applications： Challenges and solutions[J].IEEE Communications Magazine：Articles，News，and Events of Interest to Communications Engineers，2017，55（5）：122-129.

[8]李永先，欒旭倫，李森森.云計算技術在圖書館中的應用探討[J].圖書館研究，2019，39（1）： 105-106.

[9]王斌鋒，蘇金樹，陳琳.云計算數據中心網絡設計綜述[J].計算機研究與發展，2016，53（9）： 2085-2106.

[10]Aidong Hou，Shengli Jin，Harald Harmuth，et al.Thermal and Thermomechanical Responses Prediction of a Steel Ladle Using a Back-Propagation Artificial Neural Network Combining Multiple Orthogonal Arrays[J].steel research international，2019，90（7）：1900116.

[11]王健.基于BP神經網絡的礦井輸送機節能控制研究[J].內蒙古煤炭經濟，2019（17）：4-5.

[12]喬維德.基于AHP與BP神經網絡的電機系統節能評價[J].南通大學學報 （自然科學版）， 2017，16（03）： 20-26.