自適應(yīng)神經(jīng)模糊推理模型在建筑物能耗估計(jì)中的應(yīng)用

龐博

摘 要 對(duì)建筑物的能量消耗進(jìn)行有效地估計(jì)將極大地幫助建筑師和工程師在早期設(shè)計(jì)和施工階段進(jìn)行能耗控制。本文提出了基于自適應(yīng)神經(jīng)模糊推理模型的建筑物能耗估計(jì)方法，即根據(jù)主要建筑物圍護(hù)參數(shù)（如材料厚度和絕緣K值） ，依次進(jìn)行EnergyPlus分析、EnergyPlus仿真、自適應(yīng)神經(jīng)模糊推理，對(duì)不同厚度值和絕緣屬性的材料進(jìn)行能耗估計(jì)，通過(guò)Matlab / Simulink計(jì)算證明了建筑物能耗估計(jì)對(duì)于能效建筑物整體設(shè)計(jì)的重要性。

關(guān)鍵詞 建筑物能耗 EnergyPlus仿真 自適應(yīng)神經(jīng)模糊推理模型

中圖分類號(hào)：G843文獻(xiàn)標(biāo)識(shí)碼：A

中國(guó)是一個(gè)對(duì)世界能源市場(chǎng)依賴日益增加的國(guó)家，國(guó)內(nèi)能源需求在過(guò)去幾十年迅速增長(zhǎng)，預(yù)計(jì)未來(lái)數(shù)十年的能源使用將持續(xù)以4.5%的年速度增長(zhǎng)。能源成本占國(guó)內(nèi)生活總成本的很大一部分，國(guó)家根據(jù)能源需求調(diào)節(jié)天然氣和原油進(jìn)口數(shù)量。因此有必要最大限度地減少住宅建筑的能源需求。

神經(jīng)網(wǎng)絡(luò)最強(qiáng)大的類型之一是自適應(yīng)神經(jīng)模糊推理模型（Adaptive neuro-fuzzy inference model， ANFIM） ，ANFIM具有非常出色的學(xué)習(xí)和預(yù)測(cè)能力，使得它成為處理任何模型中的不確定性的有效工具。

基于上述分析，提出了基于ANFIM的建筑物能耗估計(jì)方法。在EnergyPlus軟件中使用不同的材料厚度值和絕緣屬性進(jìn)行多達(dá)180次仿真，嘗試分析主要建筑物圍護(hù)參數(shù)與建筑物的區(qū)域冷卻或加熱負(fù)載之間的相關(guān)性。

1提出的方法

1.1 EnergyPlus分析

EnergyPlus分析的目的是研究墻體材料參數(shù)對(duì)建筑物能量消耗的影響，當(dāng)前的建筑模型變量?jī)H限于墻體材料和建筑細(xì)節(jié)，其他因素在所有仿真中保持不變，如建筑物入住率、設(shè)備、供暖、通風(fēng)和空調(diào)設(shè)備等影響因素。有關(guān)墻壁組成的所有注意事項(xiàng)，包括窗口和墻位置、方向和方位，都使用EnergyPlus插件調(diào)整為Sketchup 3D圖形。在EnergyPlus軟件中需要仔細(xì)定義影響墻壁整體熱性能的其他圍護(hù)部件（例如窗和門(mén)）的屬性，以及窗口（窗玻璃和框架）和其他墻壁部件的屬性。此外，EnergyPlus中還定義了屋頂和地面元素的一些屬性，如屋頂覆蓋層的太陽(yáng)能吸收率和地面溫度。

1.2 EnergyPlus仿真

考慮5種不同的墻壁細(xì)節(jié)進(jìn)行研究。每組中的元件材料類型、厚度和熱特性均不相同，將具有不同k值和厚度的絕緣材料分配給墻壁細(xì)節(jié)，然后對(duì)每個(gè)材料系列進(jìn)行EnergyPlus仿真。從仿真中可以獲得能量消耗（加熱和冷卻能量）的值。在所有組中，有兩種輸入變量，即絕緣厚度和絕緣K值。分別使用具有0.03、0.04、0.05和0.08W / mK熱導(dǎo)率值的絕緣材料。此外，絕緣材料運(yùn)用不同的厚度：4、6、8、10、12、14、16、18和20cm。通過(guò)使用這種方法，在EnergyPlus軟件中提供完全相同數(shù)量的仿真總共180個(gè)數(shù)據(jù)系列。本研究中的變量輸入數(shù)據(jù)是絕緣厚度和絕緣K值，而輸出數(shù)據(jù)是對(duì)建筑物加熱和冷卻所需總能量的EnergyPlus仿真結(jié)果，用于EnergyPlus仿真的輸入和輸出數(shù)據(jù)用作ANFIM應(yīng)用中的主要數(shù)據(jù)庫(kù)，以便開(kāi)發(fā)一種估計(jì)建筑物能耗的模型。

1.3 自適應(yīng)神經(jīng)模糊推理模型

建立了一種新的ANFIM模型，用于估計(jì)建筑物相對(duì)于三個(gè)參數(shù)組的能量消耗：建筑結(jié)構(gòu)、絕緣值和絕緣厚度。其中，一半數(shù)據(jù)用于訓(xùn)練，而另一半用于檢查和驗(yàn)證模型。通過(guò)適當(dāng)?shù)挠?xùn)練方案和精細(xì)的過(guò)濾數(shù)據(jù)集，ANFIM能夠非常準(zhǔn)確地估計(jì)建筑物能耗。

每個(gè)輸入有三個(gè)隸屬函數(shù)，一個(gè)ANFIM網(wǎng)絡(luò)用于建筑物加熱以及一個(gè)ANFIM網(wǎng)絡(luò)用于建筑物冷卻。選擇鐘形隸屬函數(shù)，最大值為1，最小值為0。MATLAB中的模糊邏輯工具箱用于訓(xùn)練和評(píng)估模糊推理模型的整個(gè)過(guò)程。 圖1表示具有三個(gè)輸入的ANFIM結(jié)構(gòu)。

使用兩個(gè)輸入的一階Sugeno模型和Takagi-Sugeno類型的模糊IF-THEN規(guī)則：

第一層由輸入變量隸屬函數(shù)（MFs）、建筑結(jié)構(gòu)參數(shù)、絕緣值參數(shù)和絕緣厚度參數(shù)組成，該層將輸入值提供給下一層。在第一層中，每個(gè)節(jié)點(diǎn)是具有節(jié)點(diǎn)函數(shù)O=（）的自適應(yīng)節(jié)點(diǎn)，其中（）是MFs。

選擇最大等于1且最小等于0的3個(gè)鐘形MFs：

其中，鐘形函數(shù)取決于三個(gè)參數(shù)a、b和c。參數(shù)b通常為正，而參數(shù)c位于曲線的中心，如圖2所示。

第二層（隸屬層）檢查每個(gè)MFs的權(quán)重，該層從第一層接收輸入值，并且用作隸屬函數(shù)表示相應(yīng)輸入變量的模糊集。第二層中的每個(gè)節(jié)點(diǎn)非自適應(yīng)，并且該層將輸入信號(hào)相乘，每個(gè)節(jié)點(diǎn)輸出表示規(guī)則或權(quán)重的發(fā)射強(qiáng)度。

第三層稱為規(guī)則層。每個(gè)節(jié)點(diǎn)（神經(jīng)元）執(zhí)行模糊規(guī)則的前置條件匹配，即，它計(jì)算每個(gè)規(guī)則的激活級(jí)別，層數(shù)等于模糊規(guī)則的數(shù)量。此層中的每個(gè)節(jié)點(diǎn)計(jì)算歸一化權(quán)重。第三層也是非自適應(yīng)，該層的輸出稱為標(biāo)準(zhǔn)化發(fā)射強(qiáng)度或歸一化權(quán)重。

第四層去模糊化層提供由規(guī)則的推論產(chǎn)生的輸出值。

第五層輸出層將來(lái)自第四層的所有輸入相加，并將模糊分類結(jié)果轉(zhuǎn)換為二進(jìn)制。第五層中的唯一節(jié)點(diǎn)非自適應(yīng)，將所有輸入信號(hào)的計(jì)算總和作為整體輸出。

運(yùn)用混合學(xué)習(xí)算法來(lái)識(shí)別ANFIM體系結(jié)構(gòu)參數(shù)。在混合學(xué)習(xí)算法的正向傳遞中，功能信號(hào)前進(jìn)到第4層，隨后的參數(shù)通過(guò)最小二乘估計(jì)來(lái)識(shí)別。在反向傳遞中，誤差率向后傳播，先驗(yàn)參數(shù)通過(guò)梯度下降來(lái)更新。

2結(jié)果與討論

2.1 ANFIM實(shí)現(xiàn)

本文提出的ANFIM結(jié)構(gòu)設(shè)置的三個(gè)輸入分別為組數(shù)據(jù)、絕緣熱導(dǎo)率值K和絕緣厚度。對(duì)于每個(gè)輸入存在兩個(gè)鐘形隸屬函數(shù)，由于每次輸入包含三個(gè)輸入值和三個(gè)隸屬函數(shù)，共計(jì)有27個(gè)模糊規(guī)則。首先，ANFIM網(wǎng)絡(luò)估計(jì)建筑物的冷卻耗散，隨后是加熱耗散。

2.2 性能評(píng)估

實(shí)驗(yàn)數(shù)據(jù)對(duì)比分析得知，預(yù)測(cè)結(jié)果與建筑物供暖和制冷能耗的實(shí)際值非常一致。觀察結(jié)果由非常高的測(cè)定值系數(shù)證實(shí)。過(guò)高估計(jì)或過(guò)低估值的數(shù)量有限。顯然，預(yù)測(cè)值具有高精度水平。

為了在更明確和有形的基礎(chǔ)上證明所提出的ANFIM方法的優(yōu)點(diǎn)，將ANFIM模型的預(yù)測(cè)精度與用作基準(zhǔn)的其他軟計(jì)算方法進(jìn)行比較。這些基準(zhǔn)模型有：人工神經(jīng)網(wǎng)絡(luò)（ANN）和遺傳編程（GP）。使用常規(guī)誤差統(tǒng)計(jì)指標(biāo)，即RMSE、R2和r進(jìn)行比較。表1和表2總結(jié)了分析的兩個(gè)加熱和冷卻模型的預(yù)測(cè)精度結(jié)果。比較表明，ANFIM預(yù)測(cè)在建筑物冷卻能量估計(jì)中的均方根誤差、Pearson系數(shù)和系數(shù)誤差方面優(yōu)于ANN和GP，即估計(jì)結(jié)果比ANN和GP結(jié)果更加準(zhǔn)確。

3結(jié)論

本文通過(guò)ANFIM獲得建筑物加熱和冷卻能量需求的模型方法。在MATLAB中開(kāi)發(fā)具有ANFIM網(wǎng)絡(luò)的仿真模型用于建筑物冷卻和加熱的估計(jì)。設(shè)計(jì)這種ANFIM協(xié)調(diào)方案的主要優(yōu)點(diǎn)在于：可以有效評(píng)估建筑物能耗對(duì)于能效建筑物整體設(shè)計(jì)的重要性。在MATLAB中運(yùn)行了仿真實(shí)驗(yàn)，并在相應(yīng)的輸出塊上觀察到了結(jié)果。將ANFIM方法的性能與ANN、GP進(jìn)行比較表明，ANFIM預(yù)測(cè)在建筑物冷卻能量估計(jì)中的均方根誤差、Pearson系數(shù)和系數(shù)誤差方面優(yōu)于ANN和GP，且結(jié)果比ANN和GP結(jié)果更加準(zhǔn)確。

參考文獻(xiàn)

[1] 樊麗軍.基于多元線性回歸模型的建筑能耗預(yù)測(cè)與建筑節(jié)能分析[J].湘潭大學(xué)自科學(xué)報(bào)，2016，38（01）：123-126.

[2] 周丹，南敬昌，高明明等.改進(jìn)的簡(jiǎn)化粒子群算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)建模[J].計(jì)算機(jī)應(yīng)用研究，2015，32（04）：1000-1003.

[3] 李準(zhǔn).基于EnergyPlus的建筑能耗模擬軟件設(shè)計(jì)開(kāi)發(fā)與應(yīng)用研究[D].長(zhǎng)沙：湖南大學(xué)，2009.