東北嚴寒地區農村住宅耦合環境設計研究

甄 蒙，孫 澄，賈永恒

(哈爾濱工業大學建筑學院，黑龍江 哈爾濱 150006)

?

東北嚴寒地區農村住宅耦合環境設計研究

甄 蒙，孫 澄，賈永恒

(哈爾濱工業大學建筑學院，黑龍江 哈爾濱 150006)

在實際氣候環境中，農宅同時受到熱環境、光環境等多環境因素的共同作用，這就需要考慮多環境因素之間的交互作用，實現各參數的綜合優化，達到節能的目的。通過對寒地農宅熱環境、光環境的實際調研和模擬分析，確定農宅光熱耦合環境的影響因素，應用BP神經網絡建構農宅采暖能耗及天然采光照度的預測模型，為建筑師及農村居民在設計建造農宅時同時掌握采暖季能耗及天然采光照度情況提供指導，從而提高室內環境品質，降低農宅能耗水平。

東北嚴寒地區；農村住宅；耦合環境；BP神經網絡

引言

在實際氣候環境中，農宅往往同時受到熱環境、光環境等多環境因素的共同作用，單一考慮某一環境因素不能滿足農宅對于多環境要素的需求，這就需要綜合考慮多環境要素的促進作用與制約關系，確定耦合作用下的環境參數優化設計區間，提出多環境耦合設計策略，從而提高室內天然采光照度，降低農宅能耗水平。

國內外學者對耦合節能設計進行了廣泛的研究。從研究視角來看，Hien W N等學者從自然通風和建筑遮陽的角度對熱帶地區的辦公建筑、住宅建筑的節能和熱舒適進行了實際測試和模擬分析[1-7]，Ahlawat A S等人從耦合優化設計的角度研究了如何降低建筑的整體費用特別是能耗費用[8]，Zhai Z J等學者應用ES和CFD對不同耦合環境下的建筑能耗和通風進行了聯合模擬，該研究能夠預測建筑制冷能耗[9]。從應用ANN研究方法來看，Jian Y等學者應用ANN對中國不同氣候區的建筑能耗進行了預測研究[10]，Ahmad A S等學者對應用SVM和ANN進行建筑電力能耗預測的文章進行了綜述[11]，Turhan C等學者應用KEP-IYTE-ESS和ANN對建筑熱負荷進行了對比研究[12]，Neto A H等學者應用EnergyPlus和ANN對建筑能耗預測進行了對比研究[13]，Kalogirou S A等學者應用ANN對被動式太陽能建筑能耗進行了預測，其多重確定系數為0.9991，預測速率與準確率均高于動態模擬程序[14]，Kalogirou S A等學者還對ANN在可再生能源系統的應用進行了文獻綜述[15]。

本文在前人的研究基礎上，應用ANN對熱環境和光環境共同作用下的寒地農宅熱負荷及天然采光照度進行了研究。

1 研究方法

人工神經網絡的概念來源于生物學啟示，人腦由約1011個高度互聯的單元組成，每個單元約有104個連接，這些單元被稱為神經元，主要由樹突、細胞體、軸突三部分組成(如圖1所示)。人工神經網絡(artificial neural network)是一種模仿生物神經網絡的結構和功能的數學模型或計算模型。神經網絡由大量的人工神經元聯結進行計算。大多數情況下人工神經網絡能在外界信息的基礎上改變內部結構，是一種自適應系統。現代神經網絡是一種非線性統計性數據建模工具，常用來對輸入和輸出間復雜的關系進行建模，或用來探索數據的模式[16]。人工神經網絡的信息傳遞一般為多輸入、單輸出的非線性模式，通用的結構模型如圖2所示。

人工神經網絡是由大量的神經元互聯而構成的網絡。根據網絡中神經元的互聯方式，常見網絡結構主要可以分為前饋神經網絡(Feedforward Neural Networks)、反饋神經網絡(Feedback Neural Networks)和自組織網絡(Self-Organizing Neural Networks)3類。BP(Back Propagation)網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存儲大量的輸入/輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層(input)、隱藏層(hide layer)和輸出層(output layer)。BP神經網絡與其他神經網絡模型的不同點是BP神經元的傳輸函數為非線性函數(感知機中為階躍函數，在線性神經網絡中為線性函數)，最常用的是log-sigmoid函數或tan-sigmoid函數(如圖3所示)。BP神經網絡一般為多層神經網絡，隱層可以有多層，輸出層的傳輸函數為線性函數或非線性函數，其中線性函數的輸出結果取值范圍較大，非線性函數取值范圍較小，如logsig函數輸出取值在(0,1)區間。

圖1 生物神經元簡圖[17]Fig.1 Biological neurons diagram

圖2 人工神經元示意圖[18]Fig.2 Artificial neuron diagram

圖3 典型的BP神經網絡模型[19]Fig.3 The structure chart of typical neural network

本文以農宅采暖季熱負荷及天然采光照度調研數據和模擬數據為基礎，以SPSS17.0為軟件平臺，應用多層感知器(MLP)建立能耗及天然采光照度BP神經網絡預測模型。

2 研究過程

2.1 數據預處理

神經網絡的數據預處理對網絡質量有著重要的作用，它直接影響網絡的學習速度和精度。本節數據預處理包括輸入數據、輸出數據和抽取訓練樣本三部分。

2.1.1 輸入數據預處理

將熱環境的影響因素與光環境的影響因素進行分類整理，篩選光熱耦合環境下的影響因素(如表1所示)。

表1 耦合環境影響因素研究表Table 1 Influence factors of coupling environment

由表1可以看出，影響光熱環境的因素有很多，在以上16種因素中可以對部分因素進行合并處理。氣候子區與光氣候區合并，以城市名稱表達；體形系數可以和房間長寬比、房間室內凈高合并，以體形系數表達。因此，耦合環境輸入因子確定為7項因素，分別為城市名稱、體形系數、窗墻面積比、非透明圍護結構傳熱系數、透明圍護結構傳熱系數、非透明圍護結構吸收系數、窗戶總透射比。

原始數據樣本不能直接用于神經網絡訓練，而是需要對原始數據進行歸一化處理。原因是當輸入變量很大時，訓練函數的斜率會趨近0，這導致在訓練神經網絡過程中會出現梯度下降，當梯度有微小變化時，權值會相應變化，導致權值遠離期望值。因此，歸一化能夠提高神經網絡的訓練效率。歸一化的數據區間一般為(0，1)或(-1，1)，本次神經網絡模型的輸入樣本和檢驗樣本數據均統一量化為(0，1)。

數據歸一化的處理方式為

(1)

(2)

式中xi為歸一化后神經網絡的輸入值；xdi為原始輸入值；xdmin為原始輸入值中的最小值；xdmax為原始輸入值中的最大值；ti為歸一化后神經網絡的目標值；ydi為原始目標值；ydmin為原始目標值中的最小值；ydmax為原始目標值中的最大值。

神經網絡訓練后，預測值為oi，取值范圍為(0，1)，因此需要把預測值還原為實際值，即

(3)

式中ypi為預測值的還原值；oi為神經網絡的預測輸出值。

2.1.2 輸出數據預處理

為便于神經網絡計算，將輸出數據轉化為0和1組合的名義變量，即將輸出數據變啞。根據預測目標，將采暖季熱負荷數據分為“節能”和“不節能”兩組，將天然采光照度數據分為“達標”和“不達標”兩組(如表2所示)。

表2 原變量與啞變量對照表Table 2 The comparison of original variables and dumb variables

2.1.3 訓練樣本抽取

選取合適的訓練樣本能夠提高神經網絡的預測準確率。以寒地農村住宅天然采光照度為例，整體樣本為200組數據，分別以訓練樣本占總體樣本的50%，60%，70%，75%，80%為例進行對比研究，迭代次數設定為300次，每組重復訓練10次，從而得到模型的平均預測準確率(如表3所示)。從表3可以看出，當訓練樣本比例為70%時，模型平均預測準確率最高，且預測穩定性良好。因此，選取70%的樣本作為訓練樣本。

表3 不同訓練樣本比例的預測模型準確率Table 3 The prediction model accuracy of different percentage of training samples

2.2 參數設置

合理的參數設置能夠提高神經網絡的預測精度，對BP神經網絡的迭代次數、隱藏層和函數選擇進行對比研究。

2.2.1 迭代次數

迭代次數是指BP網絡的運算次數。增大迭代次數可以減小網絡訓練誤差，但是會相應的延長網絡訓練時間，因此，合適的迭代次數對網絡是非常重要的。為尋求最優的迭代次數，以寒地農村住宅天然采光照度為例，訓練樣本設定為70%，迭代次數分別設定為100、300、500、1 000、2 000、5 000次為例進行對比計算(如表4所示)。從表4可以看出，當迭代次數為1 000次時，模型平均預測準確率最高，為80.82%。因此，模型迭代次數選用1 000次。

表4 不同迭代次數下的預測模型準確率Table 4 The prediction model accuracy of different iteration times

2.2.2 隱藏層

隱藏層及其節點數的設計是神經網絡參數設置中重要而復雜的問題，其確定的基本原則是在保證模型預測精度的前提下，盡可能減少隱藏層節點數，從而使模型結構緊湊。根據前人的研究成果，隱藏層設定為1層或2層就可以解決各類問題。目前，科研人員均通過多次實驗來確定隱藏層及其節點數的數量。采用對比實驗的方式，以天然采光照度為例確定最佳隱藏層數量及節點數。

當設定一個隱藏層時，節點數分別設定為5、6、7、8、9、10、15、20、25、30、35、40，每個模型計算10次，取平均值比較模型預測準確率(如表5所示)。由表5可以看出，當節點數為7時，模型平均預測準確率取得最高值82.88%。當節點數進一步增大時，模型準確率開始下降，從8個節點到40個節點，模型預測準確率保持在70%～80%之間，這說明隨著節點數的增大，模型預測準確率并沒有隨之提高。因此，以預測模型結構緊湊為原則，當采用一個隱藏層時，設置7個節點，模型預測效果最好。

當設定兩個隱藏層時，節點數分別設定為10、15、25、35，同樣每個模型計算10次，取平均值比較模型預測準確率。從表5可以看出，同樣的10個節點，2個隱藏層預測準確率為72.67%，1個隱藏層預測準確率為71.19%，2個隱藏層比1個隱藏層準確率高1.48%。當節點數為15時，2個隱藏層預測準確率低于1個隱藏層7.08%，當節點數為25、35時，2個隱藏層預測準確率分別比1個隱藏層高1.41%和2.92%。總體來說，當節點數相同時，2個隱藏層的預測準確率略高于1個隱藏層。在2個隱藏層的設置中，當節點數為25時，預測準確率最高，為78.5%。

比較1個隱藏層和2個隱藏層的預測準確率可以發現，2個隱藏層使模型結構更為復雜，而且并沒有顯著提高預測效果，因此，選擇1個隱藏層，7個節點的模型來進行預測。

表5 不同隱藏層個數及節點數下的預測模型準確率Table 5 The prediction model accuracy of different hidden layers and notes

2.2.3 函數選擇

多層感知器是典型的前饋型神經網絡結構，當采用BP算法時，即可實現BP神經網絡預測。因此，在參數的設定中，隱藏層激勵函數選擇Sigmoid函數以實現BP神經網絡。Sigmoid函數是典型的S型函數，其數學表達式為

(4)

其取實數值參數并將其變換到(0，1)范圍。

2.3 模型檢驗

上文對輸入數據、輸出數據進行了預處理，并通過對比實驗確定了最優樣本訓的抽取比例，即訓練樣本70%，檢驗樣本20%，支持樣本10%。同時，設定了模型的基本參數，即迭代次數1 000次，1個隱藏層，7個隱藏節點。以寒地農村住宅天然采光照度為例檢驗模型的預測準確度和穩定性。由表6可以看出，在進行的10次準確率計算中，預測準確率均在75%以上，這說明模型穩定性良好；并且平均準確率為83.51%，這說明預測準確性較好。

表6 寒地農村住宅天然采光照度預測模型Table 6 Prediction model for natural light illuminance in heating season

表6中A為城市；B為體形系數；C為窗墻面積比；D為非透明圍護結構傳熱系數；E為透明圍護結構傳熱系數；F為非透明圍護結構吸收系數；G為窗戶總透射比。

2.4 基于BP神經網絡的耦合環境預測模型

本節應用BP神經網絡建立東北嚴寒地區農村住宅熱環境、光環境的耦合環境預測模型，模型包括通用模型和獨立模型。

2.4.1 通用模型

選取哈爾濱、長春、沈陽、海拉爾四個城市分別代表黑龍江省、吉林省、遼寧省和內蒙古自治區東北部，及嚴寒(A)區、嚴寒(B)區和嚴寒(C)區三個子氣候區。其中哈爾濱屬嚴寒(B)區，長春、沈陽屬嚴寒(C)區，海拉爾屬嚴寒(A)區。以調研及模擬數據為基礎建立通用模型(見表7)。由表7可以看出，采暖季熱負荷平均預測準確率為78.71%，天然采光照度平均預測準確率為93.03%。從數據可以看出，通用模型具有較高的預測精度。建筑師在設計農宅時可根據此模型對寒地農宅采暖季能耗、天然采光照度進行預測，并對模型進行節能優化，也可對已建成農宅進行節能評價及改造。

表7 耦合環境預測的通用模型Table 7 Generalized model for predicting the coupling environment

表7中A為城市；B為體形系數；C為窗墻面積比；D為非透明圍護結構傳熱系數；E為透明圍護結構傳熱系數；F為非透明圍護結構吸收系數；G為窗戶總透射比。

通過通用模型網絡圖表(如圖4所示)可以看到BP神經網絡的三層結構，并且能夠看到鍵結值的連接關系。鍵結值能夠反映給定層中的單位與下層中的單位之間關系的系數估計值。圖中藍線鍵結值小于0，灰線鍵結值大于0。

每種自變量對輸出結果的影響程度不同，因此根據其對輸出結果的影響程度進行重要性排序(如表8、圖5所示)。由表8及圖5可以看出，窗戶總透射比的重要性最大，其標準化的重要性為100%；其次為非透明圍護結構傳熱系數，其標準化的重要性為71.6%；第三為窗墻面積比，其標準化的重要性為59.9%；城市、透明圍護結構傳熱系數、非透明圍護結構吸收系數和體形系數的影響程度較為接近，分別為23.3%，22.9%，21.4%和18.2%。因此，建筑師及農村居民在設計建造農宅時可根據自變量的重要性進行節能設計。

表8 自變量重要性Table 8 Significance of independent variable

2.4.2 獨立模型

為分別研究每個氣候子區，每個城市的耦合環境，分別建立了哈爾濱、長春、沈陽、海拉爾的耦合環境獨立模型(如表9所示)。由表9可以看出，哈爾濱、長春、沈陽、海拉爾四個城市的采暖季熱負荷平均預測準確率均在70%以上，具有較好的預測效果，其預測準確率分別為76.76%、70%、72.14%和76.92%。四個城市的天然采光照度平均預測準確率均在75%以上，具有良好的預測效果，其預測準確率分別為77.02%、77%、78.07%和84.32%。該預測模型能夠在一定程度上代表嚴寒(A)區、嚴寒(B)區和嚴寒(C)的情況，各氣候子區的城市、農村可根據相應的獨立模型進行預測。

圖4 通用模型網絡圖表Fig.4 Network diagram for generalized model

圖5 自變量的重要性排序Fig.5 The importance order of input factors

項目內容氣候子區嚴寒(B)區嚴寒(C)區嚴寒(C)區嚴寒(A)區地點哈爾濱長春沈陽海拉爾輸入A、B、C、D、E、F、G輸出采暖季熱負荷;天然采光照度訓練樣本35個35個35個35個檢驗樣本10個10個10個10個支持樣本5個5個5個5個迭代次數1000次隱藏層1層隱藏節點7個采暖季熱負荷準確率/%71.483.366.766.760.075.085.761.560.080.085.770.075.063.681.880.075.066.780.077.875.083.380.068.883.385.780.071.472.762.575.064.370.080.066.777.8采暖季熱負荷平均準確率/%76.767072.1476.92天然采光照度準確率/%85.783.385.760.090.991.780.076.975.085.793.891.775.081.860.075.087.590.083.385.790.090.075.072.780.066.775.091.792.390.975.070.066.783.380.086.7天然采光照度平均準確率/%77.027778.0784.32

注：A——城市；B——體形系數；C——窗墻面積比；D——非透明圍護結構傳熱系數；E——透明圍護結構傳熱系數；F——非透明圍護結構吸收系數；G——窗戶總透射比。

3 天然采光實測驗證

3.1 測試對象

課題組于2016年1月8日上午11:00分對寒地某農村住宅進行了天然采光實地測試，測試天氣為晴天。住宅建成于2015年，南北向，雙坡屋頂一層建筑，建筑高度5.7 m，室內凈高3 m。課題組對每個房間進行了逐一測試，以檢驗其天然采光照度水平和預測模型準確度。

3.2 測試方法

根據《建筑采光設計標準》(GB 50033—2013)的要求，選擇各個房間通過側窗中心線的剖面布置測點，測點間距0.8 m(衛生間測點間距0.6 m)，測點高度0.75 m，每個測點讀數三次，取平均值。測點距墻的間距為0.5 m，同時測試室外照度。測試儀器為Fluke941型數字式照度計，測量范圍為20 lx～200 000 lx(如圖6所示)。

圖6 測點分布圖Fig.6 Measure points distribution

3.3 測試結果

通過對農村住宅進行天然采光實地測試共得到40組，120個照度值。取每個測試點3個照度的平均值，得到主臥室、起居室等每個房間各測點的平均照度值和總照度平均值(見表10)。由測試結果

表10 節能住宅天然采光照度實測結果Table 10 The experimental result of rural energy-saving residential daylighting illuminance

可以看出陽光間平均照度為1 858 lx，次臥室平均照度為998 lx，起居室平均照度為1 532 lx，主臥室平均照度為1 308 lx，衛生間平均照度為474 lx，餐廳平均照度為1 290 lx，廚房平均照度為454 lx，均高于《建筑采光設計標準》(GB 50033—2013)規定的標準值300 lx。因此，該農村住宅的天然采光符合國家規范要求。

4 結論

本文應用BP神經網絡對東北嚴寒地區農村住宅熱環境、光環境多因素綜合作用下的耦合設計進行了研究，得到如下主要結論：

1)綜合考慮熱環境、光環境對農宅的影響，最終確定了7項耦合環境設計因素，分別為：城市、體形系數、窗墻面積比、非透明圍護結構傳熱系數、透明圍護結構傳熱系數、非透明圍護結構吸收系數、窗戶總透射比。

2)應用BP神經網絡，以實際調研數據及模擬數據為基礎建立了寒地農宅采暖季熱負荷及天然采光照度的預測模型，該模型包括通用模型和獨立模型。模型具有較高的預測精度，通用模型預測精度為能耗78.71%，照度93.03%。獨立模型預測精度為：哈爾濱能耗76.76%、照度77.02%；長春能耗70.00%、照度77.00%；沈陽能耗72.14%、照度78.07%，海拉爾能耗76.92%、照度84.32%。建筑師可根據預測模型對東北嚴寒地區的農宅進行節能設計、節能評價及節能改造。

3)根據預測結果，影響農宅采暖熱負荷及天然采光照度自變量的重要性排序為：窗戶總透射比(100%)，非透明圍護結構傳熱系數(71.6%)，窗墻面積比(59.9%)，城市(23.3%)，透明圍護結構傳熱系數(22.9%)，非透明圍護結構吸收系數(21.4%)，體形系數(18.2%)。

[1] HIEN W N, LIPING W, Chandra A N, et al. Effects of double glazed facade on energy consumption, thermal comfort and condensation for a typical office building in Singapore[J]. Energy and Buildings, 2005, 37(6): 563-572.

[2] LI Ping W, HIEN W N. The impacts of ventilation strategies and facade on indoor thermal environment for naturally ventilated residential buildings in Singapore[J]. Building and Environment, 2007, 42(12): 4006-4015.

[3] WANG L, WONG N H. Coupled simulations for naturally ventilated rooms between building simulation (BS) and computational fluid dynamics (CFD) for better prediction of indoor thermal environment[J]. Building and Environment, 2009, 44(1): 95-112.

[4] LI Ping W, HIEN W N. Applying natural ventilation for thermal comfort in residential buildings in Singapore[J]. Architectural Science Review, 2007, 50(3): 224-233.

[5] WANG L, WONG N H. Coupled simulations for naturally ventilated residential buildings[J]. Automation in Construction, 2008, 17(4): 386-398.

[6] ZHANG R, LAM K P, Yao S C, et al. Coupled EnergyPlus and computational fluid dynamics natural ventilation simulation[C]//Proceedings of 5th National SimBuild Conference. 2012.

[7] LI Ping W, HIEN W N. Natural ventilation simulation with coupling program between building simulation (BS) and computational fluid dynamics (CFD) simulation program for accurate prediction of indoor thermal environment[J].

[8] AHIAWAT A S, RAMASWAMY A. Coupled Optimal Design of Building with TMD[J]. XXI ICTAM, Warsaw, Poland, 2004.

[9] ZHAI Z J, CHEN Q Y. Performance of coupled building energy and CFD simulations[J]. Energy and buildings, 2005, 37(4): 333-344.

[10] CHENG-wen Y, JIAN Y. Application of ANN for the prediction of building energy consumption at different climate zones with HDD and CDD[C]//Future Computer and Communication (ICFCC), 2010 2nd International Conference on. IEEE, 2010, 3:286-289.

[11] AHMAD A S, HASSAN M Y, ABDULLAH M P, et al. A review on applications of ANN and SVM for building electrical energy consumption forecasting[J]. Renewable and Sustainable Energy Reviews, 2014, 33: 102-109.

[12] TURHAN C, KAZANASMAZ T, UYGUN I E, et al. Comparative study of a building energy performance software (KEP-IYTE-ESS) and ANN-based building heat load estimation[J]. Energy and Buildings, 2014, 85: 115-125.

[13] NETO A H, FIORELLI F A S. Comparison between detailed model simulation and artificial neural network for forecasting building energy consumption[J]. Energy and Buildings, 2008, 40(12): 2169-2176.

[14] KALOGIROU S A, BOJIC M. Artificial neural networks for the prediction of the energy consumption of a passive solar building[J]. Energy, 2000, 25(5): 479-491.

[15] KALOGIROU S A. Artificial neural networks in renewable energy systems applications: a review[J]. Renewable and sustainable energy reviews, 2001, 5(4): 373-401.

[16] http://zh.wikipedia.org/wiki/%E4%BA%BA%E5%B7%A5%E7%A5.

[17] http://www.aiseminar.cn/bbs/forum.php?mod=viewthread&tid=924.

[18] http://zh.wikipedia.org/wiki/File:Ncell.png.

[19] http://ibillxia.github.io/blog/2013/03/30/back-propagation-neural-networks/.

Study on Coupled Environment Design of Rural Residential Buildings in Severe Cold Regions of Northeast China

ZHEN Meng, SUN Cheng, JIA Yongheng

(SchoolofArchitecture,HarbinInstituteofTechnology，Haerbin150006,China)

In the actual climatic conditions, rural residential buildings were affected by thermal environment, natural lighting environment, and etc. It requires consideration of the interaction among environmental factors to achieve integrated optimization of the parameters and to achieve energy efficiency. The paper selects the influencing factors through field survey and simulation analysis. The paper constructs the prediction model of energy consumption in heating season and natural lighting illuminance of rural residential buildings using BP neural network. The model can provide guidance for architects and rural residents when they design and build rural residential buildings. Thereby, the model can improve indoor environmental quality and reduce energy consumption of rural residential buildings.

severe cold regions of northeast; rural residential building; coupled environment; BP neural network

黑龍江省經濟社會發展重點研究課題(編號：15030)，“十二五”國家科技支撐計劃課題資助項目(編號：2013BAJ12B04)

TM923

A

10.3969j.issn.1004-440X.2016.04.020