基于BP 神經網絡的建筑能耗預測研究

◎ 魏世輝，韓亞超

（阜陽職業技術學院城鄉建設學院，安徽 阜陽 236031）

隨著我國經濟發展迅速，能源消耗也逐漸增多，相關數據顯示，我國能源消耗約占世界能源消耗總比重的24%。2022 年，我國能源消費總量達到54.1 億t標準煤，其中，約一半的能源為建筑行業所消耗。在建筑行業中，根據建筑使用需求特點，合理分配能源消耗，能有效降低建筑能耗。同時，通過預測建筑能耗，可以實現對各具體場景的水、電、氣、熱等多種能源介質數據的計量、采集，從而實現能源的合理分配[1]。通過針對行業優化的數據分析模型計算后，建筑消耗預測可以實現建筑用能監測、設備管理、能效分析和結構優化，加深全民能源節約意識，助力實現“雙碳”發展目標。

1 建筑能耗與“雙碳”目標

1.1 建筑能耗

建筑能耗是指從生產、施工和運行的建筑活動全過程發生的能耗，其中，建筑運行能耗主要是采暖、空調和照明等活動產生的能耗。隨著我國發展進入新階段，建筑行業發展也進入轉型期，房地產市場日趨平穩，城市發展從大規模建設，逐漸過渡到以更新維護為重點，因此，建筑運行能耗占建筑能耗的比重不斷增加。此外，公共建筑和城鎮居住建筑的運行能耗，是建筑運行階段能耗的主要部分，根據《2022 中國建筑能耗與碳排放研究報告》，2020 年，建筑運行階段能耗達到10.6 億t 標準煤，占建筑總能耗的47%，其中，公共建筑和城鎮居住建筑運行能耗占總運行能耗的78.3%；建筑運行階段碳排放達到21.6 億t，占建筑碳排放總量的43%，其中，公共建筑和城鎮居住建筑運行能耗占總運行階段碳排放總量的80%。通過以上數據可以看出，預測和控制公共建筑和城鎮居住建筑的能耗情況，對于實現建筑行業的節能減排，具有重要作用。

1.2 “雙碳”目標

為了轉變生活方式，降低二氧化碳排放量，走綠色、低碳的可持續發展之路，國家于2020 年9 月提出“碳達峰”和“碳中和”的“雙碳”目標。隨后，相關部門陸續出臺一系列的政策，將實現“雙碳”目標作為未來的重點工作，切實推進綠色可持續發展工作，助力中國式現代化建設。

建筑行業是能耗大戶，也是實現“雙碳”目標的關鍵領域之一[2]。從建筑運行期間CO2排放狀況來看，公共建筑是碳排放的“大戶”，碳排放量為48 kg·m-3。以北方公共建筑的供暖為例，如果采取計量方式，能耗可以降低1/3，由此可見，對建筑運行階段的能耗進行控制，能有效降低建筑物碳排放量，實現國家“雙碳”目標。

1.3 建筑能耗預測方法

建筑能耗控制研究的重點是在不影響人們對建筑使用基本需求的前提下，最大限度地降低建筑運行能耗，從而達到節能的目標。隨著建筑能耗預測方法和優化算法的不斷成熟，為準確預測建筑能耗提供了可能。目前，常用的建筑能耗預測方法有工程簡化算法、統計學法（多元回歸法）、人工智能法（人工神經網絡模型）和并行計算法。其中，人工神經網絡模型具有適用性強、預測精度高等特點，在建筑能耗預測中應用最為廣泛。

2 BP 神經網絡算法

2.1 BP 神經網絡算法原理

BP（Back Propagation）神經網絡是一種經典的人工神經網絡模型，是一種按照誤差逆向傳播算法訓練的多層前饋網絡，也是當前應用最廣泛的神經網絡之一[3]。BP 神經網絡算法是基于BP 神經網絡提出的一種算法，其可以通過任意選定一組權值，利用目標輸出建立線性方程求解，再利用輸出值與實際值的誤差，調整對權值，也被稱為逆向傳播算法。其具有很強的非線性映射能力和柔性的網絡結構，在函數逼近、模式識別、分類和數據壓縮方面有較為成熟的應用。BP神經網絡算法模型分為輸入層、單隱含層、輸出層[4-5]，如圖1 所示。

圖1 BP 神經網絡預測原理圖

BP 神經網絡訓練方式：首先，通過輸入的信號特征數據，依次映射到隱藏層、輸出層，從而得到期望值[6]。其次，將期望輸出值和實際值比較，計算誤差函數，利用誤差反向傳播，調節權值和閾值。最后，不斷重復該過程，直至目標實現，訓練停止。

2.2 BP 神經網絡算法步驟

（1）歸一化樣本

輸入和輸出樣本確定后，進行歸一化處理，處理輸入和輸出樣本到區間再到確定輸入樣本和輸出樣本，并對它們進行歸一化，將輸入和輸出樣本[0.1，0.9]，歸一化處理采用自編的歸一化函數premnmx2，其原因在于Matlab 自帶的歸一化函數premnmx 只能把數據處理到[-1，1]的區間。

（2）創建BP 神經網絡

收集好樣本，確定好輸入和輸出樣本后，下一步采用newff 函數創建網絡結構，同時，也可以采用newff 函數或者Init 函數對網絡閾值和權重進行初始化設置。

算法的主要語句如下：

BPnet ＝newff [樣本范圍輸入，（確定網絡層神經元數目），（確定網絡層神經元激活函數），‘確定訓練函數’，‘使用學習函數’，‘使用性能函數’]

神經網絡算法一般選用網絡層、輸入層和輸出層3 層，神經元的個數目前沒有統一的確定方式，一般根據實際情況來定。

（3）網絡訓練參數設置

MaxEpochs——設置最大訓練次數；

E0——設置收斂誤差；

lr——學習率[7]。

（4）訓練BP 網絡

關鍵語句為：net=train（net，p，t）

（5）訓練成功，相關結果輸出。

3 建筑能耗預測過程

3.1 數據整理

先對建筑能耗的內容進行分析，找出在建筑能耗中占比較大的因子，選取3 個影響建筑能耗的系數作為輸入，即電耗、天然氣耗量和建筑面積，再將對應的全年建筑能耗作為輸出，生物質消耗作為隱含層數據輸出，用Matlab 進行能耗預測仿真，數據集如下。

數據集：（注意：數組就是訓練集，數組中的行數是輸入神經元的個數，數組中列是輸入訓練集組數）

%耗電量（單位：萬kW）

% 燃氣消耗（單位：萬t）

% 建筑面積（單位：億m2）

% 生物質（單位：萬t）

% 建筑總能耗（單位：萬億kWh)

3.2 建筑能耗網絡

（1）設計輸入、輸出層

該模型由影響建筑能耗的因素作為輸入，以生物質消耗和建筑總能耗作為輸出，本項目中設置輸入層設置節點數為3，輸出層節點數為2。

（2）設計隱藏層

本文預測模型采用常用3 層結構模型，該模型基于多輸入單輸出的BP 網絡建立而成。隱藏層神經元選擇個數參照式如下。

公式中，參數如下：

n——輸入層神經元個數；

m——輸出層神經元個數；

其中，a取[1，10]之間的常數。

根據式（1）計算得隱藏層神經元個數為[3，12]之間，本次設隱藏層神經元為8 個，網絡結構示意如圖2。

圖2 建筑能耗預測模型圖

（3）激勵函數的選取

本次選隱藏層神經元的激勵函數為tansig 函數。

（4）模型的實現

本項目采用MATLAB 神經網絡算法，對建筑能耗進行訓練預測，具體實現過程如下：

網絡輸入歸一化后的訓練數據，tansig 和logsig 函數分別作為網絡隱層和輸出層的激勵函數，設置mse為網絡性能函數，設隱藏層神經元初值為8。網絡仿真參數設置如下，網絡最大迭代次數50 000，期望誤差E0 為0.001，學習速率lr 為0.05[8]。該網絡通過20次重復學習達到期望誤差后則完成學習，運行效果如圖3 所示。

圖3 建筑能耗預測圖

4 結語

本研究通過歷史數據，采用MATLAB 仿真軟件進行模擬分析，預測未來的建筑能耗消耗，旨在根據模擬分析結果，實現能量資源的優化配置，從而不斷改進降低能耗、提高能源使用效率，達到能量均衡、綠色低碳的效果，為建筑行業實現節能減排、降低能源消耗提供支持，為國家“雙碳”目標實現提供助力。此外，本預測也可以用到其他方面，例如，對房價的預測、對天氣的預測、對農作物價格預測等，將來學者會考慮進行下一步研究。