建筑能耗預測技術應用

王藝斐+王宏愿

摘 要：建筑能耗在總能源消費中占比已達三分之一，有效的能源消費預測，對建筑能源管理和節能決策是重要的。本文對近期相關文獻進行了回顧，總結介紹了建筑能耗預測方法技術。著重關注了神經網絡、支持向量機應用，并引用文獻的研究結果，進行預測精度對比。

關鍵詞：建筑能耗；節能；能源消費預測

DOI：10.16640/j.cnki.37-1222/t.2017.12.100

0 引言

全球建筑能源消耗已超過工業和交通運輸，國際上發達國家的建筑能耗一般占全國總能耗的33%左右。《2013-2017年中國智能建筑行業發展前景與投資戰略規劃分析報告》數據顯示，我國建筑能耗已達到全國總能源消費的三分之一多，隨著城市化進程的加快和人民生活質量的改善，建筑能耗占比還將上升至35%左右。對建筑能耗進行科學分析和合理預測，有助于提高建筑能源管理水平。

預測技術在能源生產消費管理中的應用，有幾個方面，包括：1）預測技術應用于能源生產過程。2）企業、行業或國家能源標桿管理。3）能源負荷預測，用于需求側管理和網絡平衡。4）能源消費預測：工業、運輸和建筑等。本文對將對近期部分相關研究進行回顧，總結介紹建筑能耗預測的方法技術。

1 建筑能耗影響因素

影響建筑能耗的因素有很多，并且具有隨機性、時變性和地域性。主要的影響因素包括：1）建筑物外部環境（天氣），2）建筑物特征（結構、材料等），3）建筑物內部耗能系統性能（照明、空調、通風系統等），4）建筑物運行特征（入住率及行為特征等）。建筑物用途不同，運行特征就不同。

不同的預測目的，有不同的時間范圍。按預測時間范圍可分為：短期負荷預測（STLF），中期負荷預測（MTLF）和長期負荷預測（LTLF）。對于不同方面的研究，時間范圍的定義略有差異。短期負荷預測時間范圍通常是24小時，最長至一個星期。中期負荷預測分析涵蓋了從一個星期到長達一年時間范圍。長期負荷預測分析包括了更長的時間，區域或國家層面上的年度能耗預測預測，通常用于基礎設施規劃。

在進行建筑能耗預測建模時，建筑物用途、預測層次范圍、預測時間范圍不同，選取的影響因素不同。文[1]研究辦公大樓的用電量短期預測，預測時考慮的影響因素細分為：入住率、通風負荷、熱泵負載、設備負荷、室內溫度、室外溫度、日光水平、太陽輻射、風速、電價等；文[2]研究美國住宅領域能源需求長期預測，選取影響因素：居民人口總數、GDP、家庭規模（人口）、中等家庭收入、住宅用電成本、宅天然氣成本、住宅燃料油的成本；文[3]研究事件場所（體育場館、音樂廳、劇院、和會議中心等）能耗短期預測和高峰需求預測，影響因素：事件類型、年之日（1到365）、日之時（1到24）、事件發生日（0或1）、座位配置。

2 建筑能耗預測方法

建筑能耗預測方法主要分為兩大類：（1）工程模型（engineering modeling）或正演模型（forward modeling）；（2）數據驅動模型（data-driven modeling） 。工程模型使用物理和熱力學函數推導理論過程和系統的能源消耗，工程模型產生精確的結果，但也需要詳細的輸入。根據模型中方程和變量的數量多少，工程模型可分為詳細的工程模型和簡化的工程模型。數據驅動的方法，用歷史數據來建立能耗數據驅動模型。根據輸入變量和輸出結果的關系能否以顯式的數學形式給出，區分為“白箱”結構和“黑箱”結構。“黑箱”通常使用機器學習技術，如人工神經網絡、支持向量機，或決策樹的方法。

在機器學習方法中，應用最廣泛的預測方法是人工神經網絡（ANN）和支持向量機（SVM）。各種方法對比如表1。

在討論預測模型方法的時候，預測精度是預測方法研究關注的主要問題。提高精度的困難在于系統的復雜性。很多研究結合了幾種方法開發混合的預測模型，以提高預測精度。

目前研究工作中，經常使用的二個精度指標是：均方根誤差（RMSE）和平均絕對百分比誤差（MAPE）。其它指標還有：預測誤差e， 百分誤差PE ， 平均百分誤差MPE ；平均誤差ME ，平均絕對誤差MAE；均方差 MSE；標準差 SDE；決定系數R2；變異系數CV。

為對比分析建筑能耗預測方法及其應用，以下列出一些研究文獻，描述的內容包括：研究內容，建模方法；精度指標；建筑類型/預測時間范圍；主要結論。

文[4]，2004年，空間供暖和生活熱水能耗預測，神經網絡模型（NN）；精度指標：CV，R2；國家和地區層面，住宅/長期預測（年）；結論：NN模型和工程模型都具備預測的能力，NN模型具有更好的性能。

文[5]，2008年，能源密集型制造行業電力消費預測，人工神經網絡（ANN）；精度指標： MAPE；制造行業，電力消費/長期預測（年）；結論：ANN和非線性回歸模型之間的比較，ANN具有良好的用電量預測價值。

文[6]，2008年，終端用戶能源系統（住宅、工業、商業、非工業的、娛樂和公共照明負載）需求預測，建模方法：ARMA（（自回歸移動平均過程），BPNN（反向傳播神經網絡），GMDH（數據處理組合方法） ；精度指標：MAPE；終端用戶能源系統/中期預測（月）；結論：ARMA，BPNN，GMDH 對比，GMDH最優。

2010年，住宅能耗預測，四種建模方法：BPNN（反向傳播神經網絡）、RBFNN（徑向基函數神經網絡）、GRNN（廣義回歸神經網絡）和SVM（支持向量機）；精度指標：RMSE；住宅/年；結論：SVM預測準確性較高。

2009年，應用SVM預測暖通空調系統冷負荷，建模：ARIMA模型、SVM；結論：誤差分析表明，SVM比ARIMA更好的性能。

文[2] 2013年，美國住宅領域能源需求多元線性回歸和ANN模型；國家和地區層面，住宅能耗/長期預測（1年）；結論：模型是健壯的。在準確性方面，模型研究沒有顯著不同。然而，由于他們對經濟危機的敏感性，ANN方法可能更為現實。

2014年，兩種預測方法比較：ANN、SVM綜述，多種預測模型的精度對比；主要結論：使用混合模型分析建筑能耗預測似乎產生一個好的預測精度。

文[1] 2015年，應用逐步回歸分析，建立辦公建筑輸入變量（天氣和入住率） 和輸出（設備、通風和冷卻負荷）之間的回歸模型；精度指標：RMSE；辦公建筑/短期預測（<1小時）；結論：獲得兩個各自的數據子集的最佳模型得到的RMSE 為：7.1-12.6%（設備負載），7.2 -10.9%（通風負荷）和13.0%（冷負荷），討論了預測變量選擇對預測精度影響。

2016年，學校建筑能耗預測，加權混合支持向量回歸模型SVR；精度指標：MAPE；學校建筑/短期預測（0.5小時、1日）；該混合模型和單一SVR模型（與其它進化算法GA和PSO聯合）進行了對比，精度最高，MAPE：5.843%。

2016年，基于ANN的建筑能耗建模，研究了隨著時間推移，模型自動訓練和控制模型精度的方法；精度指標：MAPE、MSE、R2；羅馬的三級建筑/短期預測（1小時）；精度和控制閾值MAPE：6.91% ，8.83%。

文[3]， 2016年，事件場所能耗預測和高峰需求預測，建模方法：NN，SVR；精度指標：CV，MAPE；事件活動場所/1日、1小時、15分鐘；結論：以每日數據為間隔的消費預測模型精度高于以小時或15分鐘為間隔的預測精度；就日數據模型， NN模型精度比SVR高；然而，每小時和15分鐘數據模型，沒有明確的變化；每日高峰需求預測精度明顯高于能耗預測。

2012年，城市居住建筑能耗預測模型，運用相關分析和多元回歸分析對影響居民建筑能耗各因素與能耗的關系進行實證研究，建立居住建筑能耗預測的多元線性回歸模型；區域，住宅能耗/1年；結果：模型擬合數據與實際統計數據符合度為 95%左右。

2012年，辦公建筑能耗預測，時間序列分析方法；辦公建筑/1月；預測結果：年度能耗量誤差為16.48%，最大月度相對誤差為18.2%，最小月度相對誤差為2.7%。

2014年，高校建筑能耗預測，GM- RBF組合建模；高校建筑/1月；

為檢驗組合建模算法的有效性，同時建立線性回歸模型、灰色模型GM、RBF神經網絡模型進行比較和分析，基于灰色理論與RBF 神經網絡的GM- RBF組合能耗預測模型，平均相對誤差和最大相對誤差絕對值均小于其他單一模型。

2015年，KPCA（核主元分析）-WLSSVM（加權最小二乘支持向量機）模型方法應用于某辦公建筑能耗的預測；辦公建筑/1年；結論： 與RBFNN、WLSSVM、LSSVM模型相比，KPCA-WLSSVM模型方法能有效提高建筑能耗預測精度。相對絕對值最大誤差：2.81%，MAPE： 0.89%。

3 結論

本文介紹了建筑能耗的預測方法，各種預測方法都有成功應用的案例。很多研究對不同預測方法的預測精度進行了對比，人工智能方法在多數案例中顯示出更高的精度。在人工智能方法中，神經網絡（NN）和支持向量機（SVM）是廣泛使用的模型。混合模型顯示出提高預測精度的潛力。

參考文獻：

[1]C.Sandels，J.Widén ，L.Nordstr?m，E.Andersson.Day-ahead predictions of electricity consumption in a Swedish office building from weather，occupancy，and temporal data.Energy and Buildings，2015（108）：279-290.

[2]ArashKialashaki，John R.Reisel.Modeling of the energy demand of the residential sector in the United States using regression models and artificial neural networks.Applied Energy，2013（108）：271-280.

[3]Katarina Grolinger，Alexandra LHeureux，Miriam A.M. Capretz，Luke Seewald.Energy Forecasting for Event Venues： Big Data and Prediction Accuracy.Energy and Buildings，2016（112）：222-233.

[4]Aydinalp Merih，Ismet Ugursal V，Fung AS.Modeling of the space and domestic hot-water heating energy-consumption in the residential sector using neural networks.Appl Energy ，2004，79（02）：159-78.

[5]趙超，林思銘，許巧玲.基于GM -RBF 神經網絡的高校建筑能耗預測[J].南京理工大學學報，2014，38（01）：48-53.

[6]趙超，戴坤成，王貴評.基于KPCA -WLSSVM 的建筑能耗預測模型[J].土木建筑與環境工程，2015，37（05）：109-115.