基于BP 神经网络的建筑能耗预测研究

◎ 魏世辉，韩亚超

（阜阳职业技术学院城乡建设学院，安徽 阜阳 236031）

随着我国经济发展迅速，能源消耗也逐渐增多，相关数据显示，我国能源消耗约占世界能源消耗总比重的24%。2022 年，我国能源消费总量达到54.1 亿t标准煤，其中，约一半的能源为建筑行业所消耗。在建筑行业中，根据建筑使用需求特点，合理分配能源消耗，能有效降低建筑能耗。同时，通过预测建筑能耗，可以实现对各具体场景的水、电、气、热等多种能源介质数据的计量、采集，从而实现能源的合理分配[1]。通过针对行业优化的数据分析模型计算后，建筑消耗预测可以实现建筑用能监测、设备管理、能效分析和结构优化，加深全民能源节约意识，助力实现“双碳”发展目标。

1 建筑能耗与“双碳”目标

1.1 建筑能耗

建筑能耗是指从生产、施工和运行的建筑活动全过程发生的能耗，其中，建筑运行能耗主要是采暖、空调和照明等活动产生的能耗。随着我国发展进入新阶段，建筑行业发展也进入转型期，房地产市场日趋平稳，城市发展从大规模建设，逐渐过渡到以更新维护为重点，因此，建筑运行能耗占建筑能耗的比重不断增加。此外，公共建筑和城镇居住建筑的运行能耗，是建筑运行阶段能耗的主要部分，根据《2022 中国建筑能耗与碳排放研究报告》，2020 年，建筑运行阶段能耗达到10.6 亿t 标准煤，占建筑总能耗的47%，其中，公共建筑和城镇居住建筑运行能耗占总运行能耗的78.3%；建筑运行阶段碳排放达到21.6 亿t，占建筑碳排放总量的43%，其中，公共建筑和城镇居住建筑运行能耗占总运行阶段碳排放总量的80%。通过以上数据可以看出，预测和控制公共建筑和城镇居住建筑的能耗情况，对于实现建筑行业的节能减排，具有重要作用。

1.2 “双碳”目标

为了转变生活方式，降低二氧化碳排放量，走绿色、低碳的可持续发展之路，国家于2020 年9 月提出“碳达峰”和“碳中和”的“双碳”目标。随后，相关部门陆续出台一系列的政策，将实现“双碳”目标作为未来的重点工作，切实推进绿色可持续发展工作，助力中国式现代化建设。

建筑行业是能耗大户，也是实现“双碳”目标的关键领域之一[2]。从建筑运行期间CO2排放状况来看，公共建筑是碳排放的“大户”，碳排放量为48 kg·m-3。以北方公共建筑的供暖为例，如果采取计量方式，能耗可以降低1/3，由此可见，对建筑运行阶段的能耗进行控制，能有效降低建筑物碳排放量，实现国家“双碳”目标。

1.3 建筑能耗预测方法

建筑能耗控制研究的重点是在不影响人们对建筑使用基本需求的前提下，最大限度地降低建筑运行能耗，从而达到节能的目标。随着建筑能耗预测方法和优化算法的不断成熟，为准确预测建筑能耗提供了可能。目前，常用的建筑能耗预测方法有工程简化算法、统计学法（多元回归法）、人工智能法（人工神经网络模型）和并行计算法。其中，人工神经网络模型具有适用性强、预测精度高等特点，在建筑能耗预测中应用最为广泛。

2 BP 神经网络算法

2.1 BP 神经网络算法原理

BP（Back Propagation）神经网络是一种经典的人工神经网络模型，是一种按照误差逆向传播算法训练的多层前馈网络，也是当前应用最广泛的神经网络之一[3]。BP 神经网络算法是基于BP 神经网络提出的一种算法，其可以通过任意选定一组权值，利用目标输出建立线性方程求解，再利用输出值与实际值的误差，调整对权值，也被称为逆向传播算法。其具有很强的非线性映射能力和柔性的网络结构，在函数逼近、模式识别、分类和数据压缩方面有较为成熟的应用。BP神经网络算法模型分为输入层、单隐含层、输出层[4-5]，如图1 所示。

图1 BP 神经网络预测原理图

BP 神经网络训练方式：首先，通过输入的信号特征数据，依次映射到隐藏层、输出层，从而得到期望值[6]。其次，将期望输出值和实际值比较，计算误差函数，利用误差反向传播，调节权值和阈值。最后，不断重复该过程，直至目标实现，训练停止。

2.2 BP 神经网络算法步骤

（1）归一化样本

输入和输出样本确定后，进行归一化处理，处理输入和输出样本到区间再到确定输入样本和输出样本，并对它们进行归一化，将输入和输出样本[0.1，0.9]，归一化处理采用自编的归一化函数premnmx2，其原因在于Matlab 自带的归一化函数premnmx 只能把数据处理到[-1，1]的区间。

（2）创建BP 神经网络

收集好样本，确定好输入和输出样本后，下一步采用newff 函数创建网络结构，同时，也可以采用newff 函数或者Init 函数对网络阈值和权重进行初始化设置。

算法的主要语句如下：

BPnet ＝newff [样本范围输入，（确定网络层神经元数目），（确定网络层神经元激活函数），‘确定训练函数’，‘使用学习函数’，‘使用性能函数’]

神经网络算法一般选用网络层、输入层和输出层3 层，神经元的个数目前没有统一的确定方式，一般根据实际情况来定。

（3）网络训练参数设置

MaxEpochs——设置最大训练次数；

E0——设置收敛误差；

lr——学习率[7]。

（4）训练BP 网络

关键语句为：net=train（net，p，t）

（5）训练成功，相关结果输出。

3 建筑能耗预测过程

3.1 数据整理

先对建筑能耗的内容进行分析，找出在建筑能耗中占比较大的因子，选取3 个影响建筑能耗的系数作为输入，即电耗、天然气耗量和建筑面积，再将对应的全年建筑能耗作为输出，生物质消耗作为隐含层数据输出，用Matlab 进行能耗预测仿真，数据集如下。

数据集：（注意：数组就是训练集，数组中的行数是输入神经元的个数，数组中列是输入训练集组数）

%耗电量（单位：万kW）

% 燃气消耗（单位：万t）

% 建筑面积（单位：亿m2）

% 生物质（单位：万t）

% 建筑总能耗（单位：万亿kWh)

3.2 建筑能耗网络

（1）设计输入、输出层

该模型由影响建筑能耗的因素作为输入，以生物质消耗和建筑总能耗作为输出，本项目中设置输入层设置节点数为3，输出层节点数为2。

（2）设计隐藏层

本文预测模型采用常用3 层结构模型，该模型基于多输入单输出的BP 网络建立而成。隐藏层神经元选择个数参照式如下。

公式中，参数如下：

n——输入层神经元个数；

m——输出层神经元个数；

其中，a取[1，10]之间的常数。

根据式（1）计算得隐藏层神经元个数为[3，12]之间，本次设隐藏层神经元为8 个，网络结构示意如图2。

图2 建筑能耗预测模型图

（3）激励函数的选取

本次选隐藏层神经元的激励函数为tansig 函数。

（4）模型的实现

本项目采用MATLAB 神经网络算法，对建筑能耗进行训练预测，具体实现过程如下：

网络输入归一化后的训练数据，tansig 和logsig 函数分别作为网络隐层和输出层的激励函数，设置mse为网络性能函数，设隐藏层神经元初值为8。网络仿真参数设置如下，网络最大迭代次数50 000，期望误差E0 为0.001，学习速率lr 为0.05[8]。该网络通过20次重复学习达到期望误差后则完成学习，运行效果如图3 所示。

图3 建筑能耗预测图

4 结语

本研究通过历史数据，采用MATLAB 仿真软件进行模拟分析，预测未来的建筑能耗消耗，旨在根据模拟分析结果，实现能量资源的优化配置，从而不断改进降低能耗、提高能源使用效率，达到能量均衡、绿色低碳的效果，为建筑行业实现节能减排、降低能源消耗提供支持，为国家“双碳”目标实现提供助力。此外，本预测也可以用到其他方面，例如，对房价的预测、对天气的预测、对农作物价格预测等，将来学者会考虑进行下一步研究。