神经网络在寒冷地区建筑能耗预测中的应用

李永安王德晔张露楚广明刘学来

(1.山东建筑大学 热能工程学院，山东 济南250101；2.济南中建建筑设计院有限公司，山东 济南250101)

0 引言

建筑作为能源消耗的三大领域之一，其节能减排成效将直接关系到我国能源消费总量控制目标和减排目标的实现。因此，对各类建筑的能源消耗情况进行统计分析是提高建筑能源使用效率、降低建筑碳排放的基础。然而，传统的建筑能耗统计工作存在数据收集时间较长、数据准确程度低等问题。因此，构建一种快速准确预测建筑能源消耗情况的方法是未来建筑节能研究的重要方向。

目前国内外学者对于建筑能耗预测方法展开了较多的相关研究，主要集中在工程物理原理简化方法、多元统计回归法以及智能模型方法等[1-5]。建筑能耗的精准预测依赖于其显著影响因素的选取，但建筑的能源消耗情况受较多因素的影响，如气象条件、建筑结构热特性、使用者及其行为以及耗能系统的运行等。这些因素之间存在着不同程度的交互作用，这不仅给能耗问题分析带来困难，甚至影响模型预测结果的准确程度，而神经网络ANN(Artificial Neutral Network)模型正是解决上述问题的一种方法。

ANN是人脑及其活动的理论数学模型，旨在模仿人类大脑的结构及其功能。目前已在信息、交通、心理学等领域得到广泛应用[6-12]。反向传播BP(Back Propagation)神经网络是ANN模型中常用方法之一，在解决包括大量独立参数和非线性关系的复杂环境应用问题中具有较大的潜力。为此，在抽样调研寒冷地区办公建筑能耗情况的基础上[13-16]，文章通过建筑热环境设计模拟工具包DeST(Designer’s Simulation Toolkit)建立典型办公建筑模型以获取建筑能耗样本集，使用建筑能耗训练集进行BP神经网络能耗预测模型的训练，并将能耗测试集的样本带入训练完成后的能耗模型中进行检验，对比分析其预测值与软件模拟值，以期为建筑能耗提供良好的预测工具。

1 神经网络能耗预测模型的构建

1.1 神经网络概述

ANN是一种类似于人类神经系统的信息处理技术，由大量称为神经处理单元的自律要素相互连接进行计算，根据外界信息改变自身的结构，通常用于为输入与输出之间的复杂关系建模或发现数据中的模式[17-19]。为了形式化地描述神经网络，需要构造神经网络的基本单元，如图1所示。X1、X2、…、Xn为神经元的输入，Σ为神经元o的阈值，W1、W2、…、Wn分别为神经元对X1、X2、…、Xn的权系数，f(·)为激发函数。目前，神经网络技术在解决诸如预测、分类、偏差检测、响应建模以及时间序列分析等问题方面是强有力的工具。在经济财务分析中，可用于确定贷款申请人的信用风险好坏等；在医疗行业中，可应用于心肺诊断方面、医疗现象的检测和评估等；在工业领域中，可用于过程控制、质量控制、温度和压力的预测等；在能源领域中，可用于电力负荷的预测、能源需求的预测、功率控制系统和水坝监控等。

BP神经网络是一种以误差反向传播为基础的前馈网络，各层神经元分层排列，具有较强的非线性映射能力。由于其复杂性在网络的突触权值处是线性的，所以BP神经网络算法易实现且计算效率高，故选择BP神经网络模型来进行能耗预测研究。

图1 神经网络的基本计算单元图

1.2 建筑能耗神经网络预测模型的建立

在已有研究[20-22]的基础上，结合建筑能源消耗的实际情况，从围护结构热工特性、室内热扰强度以及建筑的房间使用功能等方面初步筛选出16个影响建筑能耗的因素，具体表示如下:外墙传热系数、外窗传热系数、屋面传热系数、外窗遮阳系数、窗墙面积比、办公室人员密度、会议室人员密度、走廊人员密度分别设为x1、x2、x3、x4、x5、x6、x7、x8，其他功能性房间人员密度设为x9；将办公室、会议室、走廊的照明强度分别设为x10、x11、x12，其他功能性房间照明强度设为x13；办公室、会议室的设备热扰强度分别设为x14、x15，其他功能性房间的设备热扰强度设为x16。

在训练BP神经网络预测模型时，模型内各层神经元的个数设计是较为重要的。通常模型输入层神经元的个数与影响因子数相关，结合上面初步筛选的影响因素个数，将其数目设定为16；模型输出层神经元的个数与所求问题的类别数有关，故采用单位建筑面积能耗指标进行系统分析，输出层的个数设定为1。除了输入层和输出层，必须着重考虑隐含层的设计。隐层神经元的个数太少将出现模型欠拟合的现象，进一步导致模型对复杂数据集的信号检测不足。相反，隐层神经元的个数太多也会出现两个问题:(1)可能引起过拟合问题，这将降低测试数据集的泛化能力；(2)由于拓扑结构的复杂性提高，会使得训练时间增加。利用学者已验证过的经验公式(其中:N、n、m分别为隐含层、输入层和输出层神经元的个数)，将隐含层神经元的数目设定为4。BP神经网络能耗模型3层构造如图2所示。

图2 BP神经网络能耗模型3层构造图

1.3 建筑能耗神经网络预测模型的软件实现

利用MATLAB软件构建BP神经网络建筑能耗预测模型。具体构建过程如下:

(1)通过DeST软件建立典型办公建筑模型以获取建筑能耗样本集 为了方便评价模型，数据集被分为训练集和测试集。在训练步骤中，基于数据集获得预测模型来表示目标对特征的依赖关系；在预测步骤中，得到的模型应用于测试集来预测关于新特征的目标值。考虑到训练数据集的大小对模型性能具有一定的影响，将基础数组中75%的数据作为训练样本集，剩余的25%的数据用作测试数据，用于验证网络模型的推广能力。

(2)样本数据归一化 通过MATLAB中的premnmx函数对输入的能耗样本集进行归一化处理。

(3)创建BP神经网络并设定网络参数 采用newff函数创建神经网络，隐含层节点个数及传递函数均采用默认值，训练函数采用默认的trainlm函数，设定最大迭代次数为5 000次，其它属性为默认值。

(4)参数设定完成后，调用train函数进行网络训练，直到其达到最佳状态。

(5)网络完成训练后，将测试组数据带入神经网络模型中以检验模型的泛化能力 此过程中，需要利用premnmx函数对输入值进行归一化处理，网络读取完成后，待神经网络模型读取完成后，再利用postmnmx函数对能耗预测结果进行反归一化处理，最终得到建筑预测能耗值。

2 基于ANN的寒冷地区建筑能耗预测与结果分析

2.1 典型建筑模型的构建

为确保构建的模型具有良好的实用性及推广能力，在充分调研寒冷地区1 388栋办公建筑能耗情况的基础上，综合考虑办公建筑的特性，建立了用于验证构建的神经神经网络预测模型的典型建筑。办公建筑为济南市某办公楼，其建筑面积为3 750 m2，共15层。建筑模型首层结构与标准层不同，3～15层为模型建筑的标准层，具体布局如图3所示。

不敢说什么心得，说一点我个人的写作习惯吧。在写一个人物的时候，我总是习惯把这个人的方方面面都设想好，这才动笔。譬如说，这个人从小是怎么长大的，老师是怎样，父母是怎样，他会喜欢吃什么样的东西，喝什么样的茶，喜欢哪种类型的女孩子，为什么喜欢，等等等等。

图3 建筑模型3～15层平面图

2.2 样本集分析

收集足够多的无噪声数据是准确地进行统计分析和预测模型建立的重要基础，通常解决这种问题有问卷调查、实地测量和软件仿真等方法。考虑到前两种方法的数据采集效率和数据完整性等问题，利用DeST软件仿真方法可以获取建筑能耗数据集。为确保建筑模拟数据的代表性，通过改变建筑热物性参数的方式，利用DeST软件公共建筑模块得到了40组能耗模拟基础数据，以单位建筑面积能耗的方式输出。建筑样本数组的单位建筑面积能耗变化范围为85.19～92.67 kWh/m2。

为了使模拟数据尽可能反映当地建筑实际能耗情况，需要对利用软件方法所得到的能耗模拟值进行校准分析。校准就是比较仿真结果与规范标准中的限额值，调整仿真参数直到结果接近实际的消耗数据。将软件模拟得到的能耗基础数组与山东省DB37/T 5077—2016《机关办公建筑能耗限额标准》[23]中的济南市机关办公建筑能耗限额指标进行对比分析，结果显示:建筑能耗值＞90 kWh/m2的样本量占比为15%，建筑能耗值87～90 kWh/m2的样本量占比为30%，而建筑能耗值＜86 kWh/m2且稍微＞86 kWh/m2的样本量占比为55%。分析结果表明，软件模拟得出的建筑能耗值绝大部分在济南市机关办公建筑的能耗约束指标值附近变化，与其能耗先进指标值相比仍有一定的差距，但能耗模拟结果整体上较为符合济南市办公建筑能源消耗的实际情况，具有一定的代表性。

将DeST软件模拟得到的能耗基础数组分为训练样本和验证样本。训练样本用于训练网络，网络根据训练样本的误差调整网络权值和阀值，验证样本用于验证神经网络能耗模型的泛化能力。当泛化能力停止提高时，表明模型已达到最优状态，此时网络停止训练。默认随机地将75%的数据划分为训练样本集合，25%的数据划分为验证样本，用于验证目标输出与实际输出之间的吻合度。为进一步测试所构建的神经网络能耗预测模型的网络性能，利用10栋实际调研的办公建筑进行能耗预测分析，以期检验神经网络在建筑能耗预测方面的可行性。

2.3 模型评价指标

为有效评估所建立的神经网络能耗预测模型的实用性，选取绝对误差和相对误差两个评价指标分析神经网络模型能耗预测结果的预测精度和波动幅度。两评价指标取值越小，表明能耗预测模型的泛化能力和稳定程度越高，得到的能耗预测模型具有较强的实用性能。绝对误差Δ和相对误差ψ分别由式(1)和(2)表示为

式中Epredicted为神经网络模型建筑能耗预测值，kWh/m2；Esimulation为模拟软件建筑能耗计算值，kWh/m2。

2.4 模型训练分析

从DeST软件模拟得到的建筑能耗基础数组中选取25%的数据用作模型的验证数据，共计10组，将其带入已训练完成的能耗预测模型中进行验证分析。验证样本集的能耗预测值分别为86.85、87.85、84.85、85.85、84.88、87.85、87.95、91.01、86.83和84.81 kWh/m2。将上述通过反归一化处理得到的建筑能耗预测值与DeST软件模拟能耗值进行对比分析，具体误差分析结果见表1。可以看出，目标输出值与实际输出值基本吻合，满足精度的要求。

表1 软件模拟计算值与预测能耗值的评估结果表

2.5 建筑能耗预测模型实证分析

建立基于BP神经网络的建筑能耗预测模型时，所用建筑样本集的建筑类型为机关办公建筑，为使建筑预测对象更加符合BP神经网络能耗预测模型的适用要求，在对建筑能耗预测模型进行实证分析前，选取机关办公建筑进行能耗预测，以此进一步验证神经网络算法在建筑能耗预测方面的应用性。

选定的10栋办公建筑能耗数据是经过实际调研所获得，调查的办公建筑对象包括广电中心、税务局、劳动局及政务中心等办公楼，建筑概貌详情见表2。将所调研的办公建筑2016年全年能耗数据进行预处理，以单位建筑面积能耗的方式输出。

表2 10栋实际调研的办公建筑概貌详情表

实际建筑能耗监测值与神经网络能耗模型预测值的误差分析结果见表3。可以看出，所选择的10栋办公建筑的能耗预测值分别为98.45、88.42、100.43、90.45、78.99、88.45、86.43、88.43、98.41和85.39 kWh/m2，BP神经网络模型的预测值与真实值的拟合程度较高。从相对误差的角度来看，神经网络模型预测结果的平均绝对误差为8.89 kWh/m2，相对误差约为10%，表明BP神经网络模型对办公建筑能源消耗情况有较好的预测能力。与软件模拟计算值和预测能耗值之间的拟合程度相比，实例能耗的预测误差偏大。原因可能由神经网络训练基础数组的体量不足造成的，也可能是由DeST软件在进行建筑能耗模拟计算时自身的偏差引起的，或是由能耗模拟计算值与实际建筑能耗监测值之间的差异性造成。因此，在使用神经网络进行建筑能耗预测时，应尽可能地收集足够多数量的无噪声建筑样本，并对预测结果进行科学分析。

表3 能耗预测值与实际能耗监测值分析结果表

3 结论

针对传统方法预测建筑能耗时存在结果精度不高的问题，文章以寒冷地区办公建筑实际能源消耗情况为基础，利用DeST软件建立典型办公建筑模型并进行能耗模拟，利用MATLAB软件实现建筑能耗神经网络预测模型的构建，主要结论如下:

(1)神经网络能耗预测结果与DeST软件模拟结果的误差最小值和最大值分别为0.4%、4.4%，平均误差为1.4%，预测能耗值与模拟能耗值吻合程度较高，从理论上验证了神经网络在建筑能耗预测方面的可行性；

(2)利用所构建的能耗神经网络预测模型对10栋实际调研的建筑进能耗预测，其模型预测值与建筑能耗实际监测值的相对误差约为10%，吻合较好，说明构建的模型能够应用于实际工程。