基于神经网络分析的建筑物耗能仿真模型分析 ①

陈 辉

(合肥学院城市建设与交通学院，安徽 合肥 230000)

0 引 言

能源是人类发展的基础条件，是社会活动得以有序进行的基础物质保障，随着社会经济的不断发展，能源消耗也不断增加，随之带来的能源缺乏与日益增长的能源消耗之间的矛盾也更加明显，能源需求已成为制约社会经济发展的重要因素[1]。在能源消耗的各个领域当中，建筑物耗能占据较大的比例，大型建筑面积在城镇建筑总面积中占有较大的比例，其资源消耗量也是普通建筑的数倍，随着智能化、自动化的不断发展，能源消耗量也逐渐上升[2,3]。建筑物能耗仿真评估是进行建筑物节能设计的基础，对建筑物耗能进行正确的分析和评估是进行建筑物能耗定额分析、能耗管理以及耗能设备选型的重要依据，对于不同气候条件的建筑物能源有效利用和构建可持续发展建筑耗能具有重要意义[4-6]。

以夏季炎热、冬季寒冷地区的大型建筑物为研究对象，对建筑物能耗的影响因素进行综合分析，建立该建筑物能耗仿真评估模型，并对该模型进行分析，为建筑物能耗的评估提供依据。

1 神经网络结构

建筑物耗能评估仿真郭恒不仅仅与建筑耗能的多少有关，而是受到各种综合因素的影响，因此建立建筑物耗能评估模型的过程是建立建筑耗物能影响因素之间相互影响关系的过程[7]。建筑物耗能影响因素之间相互耦合，难以使用数学关系描述的方式进行表达，建筑物耗能与建筑物节能需求之间关系模糊，在评估过程中存在较多的不确定性，传统的建筑物耗能评估仿真分析方法主要通过专家打分，评估过程存在较多的不确定因素和人为主观影响，不利于对建筑物能耗评估的科学性和客观性[8]。

神经网络能够进行模糊推理和并行计算，同时能够实现信息存储，在推理过程中可进行自适应学习，基于神经网络建立建筑耗物能评估仿真分析模型，利用模型的自适应学习功能减少评估过程中的计算工作量，并对评估分析过程中的专家知识数据进行积累，减少评估过程中的人为主观因素影响，保证建筑物耗能评估仿真模型运行过程中的准确性和科学性[9]。如图1所示为神经网络结构图。

2 建筑物耗能评估仿真模型

科学的建筑物耗能仿真模型能够准确客观的反应建筑物的耗能情况，建筑物耗能的影响因素较多，且各因素之间相互耦合，受气候条件和建筑物结构的影响，建筑物在不同地区具有不同的结构和功能，因此其整体耗能情况也相差较大，在相同的气候条件下，相同结构的建筑物因其功能和使用条件的不同，建筑物能耗也发生较大的变化，因此无法采用同一个建筑物耗能仿真模型，对不同结构的建筑物和相同结构建筑物在不同使用条件下的能耗进行仿真评估[10]。

图1 神经网络结构图

建筑物耗能是一个复杂的耗能系统，影响因素较多，且影响因素之间相互作用、相互影响。对建筑物能耗进行评估分析时，必须科学准确的选取影响因素，并对影响因素进行全面综合的分析，能耗因素选取过程中要充分考虑影响因素数量，数量越多，建筑物耗能系统模型越复杂，甚至会造成关键影响因素的分散，造成模型网络学习时间长，模型评估分析过程中甚至出现无法收敛的现象[11]。

神经网络结构中，xi表示输入值，ωij表示网络权值，yi表示神经网络预测值，f表示隐含层阈值，则神经网络隐含层输出值Hij可表示为式(1)：

(1)

由此可以得出神经网络预测输出值为式(2)：

(2)

神经网络预测输出值误差可表示为式(3)：

ei=yi-Oii=1,2,…,n

(3)

将建筑物耗能影响因素数据进行训练，并进行归一化处理如式(4)：

(4)

式(4)中，x表示建筑物耗能影响因素样本数据，xmax表示建筑物耗能影响因素样本数据最大值，xmin表示建筑物耗能影响因素样本数据最小值，x'表示归一化处理后的建筑物耗能影响因素样本数据。

神经网络的输入层和输出层共同构成神经网络空间划分，输入空间的线性划分越小，神经网络模糊规则的数据也随之增加，导致神经网络结构更加复杂[12]。当神经网络事件参数初始值选择出现较大偏差时，会导致神经网络运行过程中的收敛速度降低，利用聚类分析的方法对网络空间进行划分，获取神经网络隶属度函数初始值，并结合神经网络对训练过程中的参数进行调整，减少神经网络模型的计算量。

聚类分析中心初始参数为随机选取，会对聚类算法的性能产生影响，在进行聚类分析目标函数初始化过程中，首先使用聚类减法分析确定聚类初始中心和聚类数目，加快聚类分析过程中的收敛速度，同时改善聚类初始值的随机性和敏感型，减少分析过程中出现局部最优解的可能性。

当聚类分析半径r=0.3时，神经网络模型学习能力和模型泛化能力均达到最优值，当模型权重指数m=2时，神经网络模型最大迭代次数为Tmax=100，系统模型的最大误差为ε=10-4，聚类分析后可得到32个聚类中心，因此可以得出每一个建筑物耗能影响因素将被划分为32个模糊影响因素子集。

根据聚类分析结果确定建筑物能耗评估仿真模型的输入层包含7个节点，神经网络模型第二层对每个输入变量对应的隶属度进行计算，获取到224个节点值，利用模糊推理层对每一条神经网络规则适用度进行推理，可得到32个节点，第三层网络的输出值传输至神经网络第四层，并进行归一化操作，响应的形成32个节点。综上所述可以得出建筑物耗能评估仿真模型的后件网络第一层节点数为8，第二层节点数为224，神经网络输出层为第三层，建筑物耗能评估仿真模型的输出值具有唯一性。

建筑物耗能评估仿真分析模型的参数辨识过程可理解为模型的训练过程，该过程常采用梯度下降法和最小二乘法相结合的方法。梯度下降的方法对参数值进行调整，同时利用最小二乘法解决辨识过程中极值点附近收敛较慢的问题，保证模型辨识过程中的精度等级[13]。

建立建筑物耗能评估仿真分析神经网络后，设定网络最大学习次数为500，设定模型学习速率为0.2，对神经网络模型进行训练，如图2所示为建筑物耗能评估仿真模型训练误差曲线。

图2 模型训练误差曲线

从误差曲线可以看出，能耗模型经过198次迭代后，误差达到稳定状态，此时网络模型训练结束。训练之前采用聚类分析对模型网络结构进行确定，避免了训练过程中的冗余信息，保证模型网络学习过程相对简洁，且具有较高的收敛速度。

3 模型应用分析

利用训练好的建筑物耗能评估仿真模型对影响因素数据进行评估，检验耗能模型的泛化能力，评估过程中选取50个建筑物耗能影响数据。如图3所示为建筑物耗能模型评估结果。如图4为建筑物耗能评估结果误差曲线。

图3 建筑物能耗模型评估结果

图4 能耗评估结果误差曲线

建筑物耗能评估仿真分析模型的输出值与目标期望值之间误差值小于0.0725，由此说明利用聚类分析的方法对神经网络模型结构进行辨识并提取初始参数值，可以有效改善评估模型的泛化性。

从曲线数据可以看出，建筑物能耗等级评估结果准确率高于90%，表明所建立的建筑物能耗模型数据样本能够对主要影响因素进行覆盖，且评估过程中具有较好的学习训练质量，建筑物能耗评估仿真模型的训练结果能够满足评估误差需求。

建筑物耗能影响因素输入样本数据能够经过模型网络进行准确映射，得到准确的输出样本数据，表明建筑物耗能评估模型能够科学准确的建立影响因素与建筑物耗能状况之间的对应关系，同时能够准确的进行样本识别，运行过程性能稳定，能够对建筑物的耗能等级进行自动化准确评估，避免评估过程中的人为主观因素影响。

4 结 语

建筑物耗能评估仿真分析模型在实际应用过程中，能够摆脱耗能评估专家主观因素的影响，准确客观的对建筑物耗能进行评估仿真，提高建筑物耗能评估过程中的智能程度，同时为建筑物耗能评估算法的建立和软件开发奠定基础。