夏熱冬冷地區(qū)辦公類建筑能耗預(yù)測模型研究

施劍鋒，楊陽，馬志榮

（安徽省安泰科技股份有限公司，安徽 合肥 230088）

夏熱冬冷地區(qū)辦公類建筑能耗預(yù)測模型研究

施劍鋒，楊陽，馬志榮

（安徽省安泰科技股份有限公司，安徽 合肥 230088）

辦公類建筑的能耗預(yù)測是電力系統(tǒng)負(fù)荷管理的重要工作，實現(xiàn)高精度的預(yù)測對于電力系統(tǒng)運行的經(jīng)濟性和安全性具有重要意義。文章通過研究分析夏熱冬冷地區(qū)辦公建筑能耗的變化特點，建立神經(jīng)網(wǎng)絡(luò)建筑能耗預(yù)測模型，再通過大量數(shù)據(jù)構(gòu)造樣本集，運用軟件對優(yōu)化后的預(yù)測模型進行訓(xùn)練，并投入到某辦公類建筑的預(yù)測實例中。結(jié)果表明，基于神經(jīng)網(wǎng)絡(luò)的建筑能耗預(yù)測模型的學(xué)習(xí)能力和預(yù)測能力較強，能較準(zhǔn)確地實現(xiàn)辦公類建筑的能耗預(yù)測。

夏熱冬冷地區(qū)；神經(jīng)網(wǎng)絡(luò)；辦公樓建筑；能耗預(yù)測模型

回歸分析模型主要在大量數(shù)據(jù)的基礎(chǔ)上，通過擬合獲得對應(yīng)的曲線，該曲線的外延趨勢即可進行相應(yīng)數(shù)值的預(yù)測?；貧w分析法的缺點是需要在大量的數(shù)據(jù)基礎(chǔ)上進行預(yù)測分析，短期內(nèi)較少的數(shù)據(jù)樣本由于相對波動性較大，無法實現(xiàn)預(yù)測的準(zhǔn)確性。此外，對于非線性的分析預(yù)測，雖然有非線性回歸分析法，但實質(zhì)上也是通過將非線性轉(zhuǎn)換為線性關(guān)系后再進行的預(yù)測分析，所以預(yù)測結(jié)果往往誤差較大。

彈性系數(shù)法作為一種間接性的預(yù)測方法，是指在對某個因素發(fā)展變化進行預(yù)測分析的基礎(chǔ)上，利用彈性系數(shù)對另一個因素發(fā)展變化做出的分析預(yù)測。彈性系數(shù)法計算較為方便，且應(yīng)用較為廣泛。但此方法主要只考慮其中兩個變量之間的關(guān)系，未能將其他相關(guān)的變量考慮進來，對于建筑類的能耗分析有一定片面性。

神經(jīng)網(wǎng)絡(luò)法是模擬人類思維的一種算法，該方法是基于人類大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識的基礎(chǔ)上，人工構(gòu)造的用以實現(xiàn)某種功能的計算方法。人工神經(jīng)網(wǎng)絡(luò)法先將相應(yīng)數(shù)據(jù)信息用符號表示，并根據(jù)運算按照串行模式發(fā)送指令給計算機，進行進一步的邏輯推理。人工神經(jīng)網(wǎng)絡(luò)法具有分布式并行處理的能力，并可以自行開展學(xué)習(xí)和組織。更重要的是，對于數(shù)據(jù)樣本較少，或者對象系統(tǒng)較為復(fù)雜的情況，該算法的非線性映射能力則能發(fā)揮優(yōu)勢，進行科學(xué)合理的分析預(yù)測。

Back Propagation神經(jīng)網(wǎng)絡(luò)即反向傳播神經(jīng)網(wǎng)絡(luò)算法，簡稱為BP神經(jīng)網(wǎng)絡(luò)模型。該模型是目前應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)模型，是一種誤差逆向傳播算法進行訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)模型[1]。BP神經(jīng)網(wǎng)絡(luò)算法一般至少分為三層，即輸入層、隱含層、輸出層。其中，每層內(nèi)的神經(jīng)元互不相連，上下各層之間互相連接。該算法通過學(xué)習(xí)大量的輸入、輸出映射關(guān)系，使用最速下降法通過反向傳播的方式不斷進行網(wǎng)絡(luò)閾值及權(quán)值的調(diào)整。同時，利用輸出的誤差值來推算估計輸出層前導(dǎo)層的誤差值，各層以此類推的反傳并推算下去，從而獲得網(wǎng)絡(luò)各層的估算誤差[2]。如下圖1所示，為BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

輸出隱含層：

輸出輸出層：

誤差函數(shù)：

辦公類建筑能耗所受的影響因素較多，根據(jù)建筑全壽命期的不同階段，可分為設(shè)計階段、建造階段以及運營階段。本文分析辦公類建筑在運營使用過程中的能源消耗情況，且建筑使用過程中的能耗遠(yuǎn)遠(yuǎn)超出建造階段的能耗[3]，所以主要考慮建筑運營階段的影響因素對于模型的影響。

各因素與建筑能耗的關(guān)聯(lián)系數(shù)［4］ 表1

結(jié)合國內(nèi)外相關(guān)能耗模型影響因素的研究成果，根據(jù)灰關(guān)聯(lián)分析建筑能耗與各類因素的關(guān)聯(lián)程度，可得出各類因素的關(guān)聯(lián)系數(shù)，見表1。根據(jù)分析的結(jié)構(gòu)，按照灰關(guān)聯(lián)度自高到低的順序排列分別為：溫度、濕度、天氣特征、是否工作日、風(fēng)速。根據(jù)相關(guān)領(lǐng)域的研究經(jīng)驗，默認(rèn)灰關(guān)聯(lián)度大于0.6的因素為主要影響因素[5]。同時，考慮到預(yù)測模型在實際應(yīng)用中的可操作性，由于濕度暫時無法實現(xiàn)預(yù)報，故對于本文中的建筑能耗研究模型影響因素的選取為：最低溫度、最高溫度、天氣特征以及是否工作日。

結(jié)合BP神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)，選擇上述四項主要影響因素作為能耗模型的輸入，建筑能耗作為輸出，如圖2所示。

圖2 辦公類建筑能耗主要影響因素分析方案示意圖

2.3.1 數(shù)據(jù)的選取

本文選取安徽某辦公樓2014年5月和2015年5月，共計62天的能源監(jiān)管平臺已獲取的數(shù)據(jù)作為樣本。其中，隨機選取其中50天的數(shù)據(jù)樣本作為模型的測試數(shù)據(jù)，剩余12天的數(shù)據(jù)作為訓(xùn)練樣本對模型進行訓(xùn)練。

2.3.2 歸一化處理

在BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程中，由于各影響因子互不相同，且單位差異較大，使得各數(shù)據(jù)樣本的向量數(shù)量級差別較大。為防止出現(xiàn)神經(jīng)元達(dá)到過飽和狀態(tài)，要對數(shù)據(jù)樣本進行歸一化處理，即將數(shù)據(jù)歸化至[0,1]內(nèi)[6]。歸一化方法有很多種，本文采用計算公式如下：

其中：X——歸一化處理后的數(shù)據(jù)

x——樣本數(shù)據(jù)

xmin——樣本數(shù)據(jù)的最小值

xmax——樣本數(shù)據(jù)的最大值

2.4.1 輸入輸出的確定

在網(wǎng)絡(luò)模型中，需以向量的形式進行輸入和輸出。結(jié)合上文中能耗因素的選取，將最低溫度、最高溫度、天氣特征以及是否為正常工作日的對應(yīng)參數(shù)以向量的形式作為網(wǎng)絡(luò)模型的輸入。同樣，對應(yīng)的建筑能耗也以向量的形式作為輸出。則改網(wǎng)絡(luò)模型中的輸入和輸入項鏈分別為：

其中：A——最低溫度

B——最高溫度

C——天氣特征

D——是否為正常工作日

y——建筑能耗值

p——樣本數(shù)量

2.4.2 網(wǎng)絡(luò)參數(shù)的確定

2.4.2.1 函數(shù)的確定

在BP神經(jīng)網(wǎng)絡(luò)的激活函數(shù)選擇上，由于該項目的激活函數(shù)主要用于函數(shù)逼近，應(yīng)選用線性函數(shù)[7]。此外，學(xué)習(xí)函數(shù)選取常用的梯度下降算法函數(shù)。

2.4.2.2 學(xué)習(xí)速率的確定

學(xué)校速率η的選取直接決定著收斂速度的快慢。通常選用較小的η進行計算，范圍在0.01～0.7之間[8]，以確保系統(tǒng)的穩(wěn)定性。本文的η選取0.1進行計算。

結(jié)合2016年5月的相關(guān)能耗影響參數(shù)，運用訓(xùn)練好的能耗模型，對于該辦公樓2016年5月的能耗進行預(yù)測。相關(guān)分析結(jié)果包括：①預(yù)測能耗與實際能耗對比，如圖3；②預(yù)測誤差率統(tǒng)計，如圖4；③能耗預(yù)測結(jié)果統(tǒng)計表，見表2。

圖3 預(yù)測能耗與實際能耗對比

圖4 預(yù)測誤差率統(tǒng)計

能耗預(yù)測結(jié)果統(tǒng)計表 表2

通過上述預(yù)測能耗與實際能耗的對比結(jié)果可得，本文使用的模型預(yù)測誤差率最大為9.77%，最小為0.11%，平均誤率為3.92%，BP神經(jīng)網(wǎng)絡(luò)模型對該辦公樓建筑的能耗預(yù)測較為精準(zhǔn)。

為了進一步驗證BP神經(jīng)網(wǎng)絡(luò)對該辦公樓建筑的能耗預(yù)測的準(zhǔn)確度，本文同時運用多元回歸分析法進行能耗預(yù)測。在運用多元回歸分析法進行建模的過程中，影響因子同樣選取最低溫度、最高溫度、天氣特征以及是否工作日，且使用與BP神經(jīng)網(wǎng)絡(luò)模型相同的樣本值進行分析預(yù)測。相關(guān)分析結(jié)果包括：①預(yù)測能耗與實際能耗對比，如圖5；②預(yù)測誤差對比，如圖6。

圖5 預(yù)測能耗與實際能耗對比

圖6 預(yù)測誤差對比

通過上述預(yù)測能耗與實際能耗的對比結(jié)果可得，多元回歸分析法建立的模型預(yù)測誤差率最大為12.04%，最小為0.39%，平均誤率為5.02%，相比較BP神經(jīng)網(wǎng)絡(luò)模型而言，預(yù)測誤差較大。

本文依據(jù)BP神經(jīng)網(wǎng)絡(luò)法建立安徽某辦公樓的建筑能耗預(yù)測模型，根據(jù)日建筑能耗的數(shù)據(jù)樣本對網(wǎng)絡(luò)模型開展訓(xùn)練并進行預(yù)測誤差的分析，模型預(yù)測值與實際數(shù)據(jù)的平均誤差率僅為3.92%，具有較高的預(yù)測精確度。研究結(jié)果證明，BP神經(jīng)網(wǎng)絡(luò)在模型的擬合度以及對辦公建筑的能耗預(yù)測方面有較明顯的優(yōu)勢，其非線性映射關(guān)系對變量的處理效果優(yōu)于多元線性回歸模型的線性關(guān)系，研究結(jié)果為辦公類建筑以及其他公共建筑的能源管理工作提供了技術(shù)支撐和參考依據(jù)。

[1]張中昱.基于BP神經(jīng)網(wǎng)絡(luò)和模糊綜合評價的環(huán)境分析評價系統(tǒng)[D].天津：天津大學(xué)，2006.

[2]何磊.基于BP神經(jīng)網(wǎng)絡(luò)的建筑能耗預(yù)測[J].浙江建筑，2008(12)：47-50.

[3]陳振，孫東威.影響我國建筑能耗的因素分析[J].產(chǎn)業(yè)與科技論壇，2008(6).

[4]劉長俊.基于遺傳BP神經(jīng)網(wǎng)絡(luò)技術(shù)的大型公建能耗分析模型的研究與應(yīng)用[D].南寧：廣西大學(xué)，2012.

[5]張光華，傅志盛，田紅光.造紙濕部因素灰關(guān)聯(lián)分析法的適宜性研究[J].中國造紙學(xué)報，2000(17).

[6]王建國，吳美容.運用BP人工神經(jīng)網(wǎng)絡(luò)設(shè)計變形預(yù)報模型[J].礦山測量，2010(4)：73-75+4.

[7]聞新，周露，王丹力，熊曉英.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：科學(xué)出版社，2000.

[8]閻平凡，張長水.人工神經(jīng)網(wǎng)絡(luò)與模擬進化計算[M].北京：清華大學(xué)出版社，2000.

TU201.5

A

1007-7359（2016）05-0056-03

10.16330/j.cnki.1007-7359.2016.05.014

施劍鋒（1976-），男，江蘇海門人，畢業(yè)于中國科技大學(xué)，學(xué)士；工信部高級項目經(jīng)理，信息系統(tǒng)管理師，IPMP-C國際項目經(jīng)理。