建筑能耗预测方法综述

袁景玉 吴 克 关高庆 高 铨

（河北工业大学，中国 天津 300401）

1 建筑能耗现状

建筑能耗占总能耗的40%，占CO2总排放量的36%。[1]建造能耗预测对提高建筑的能源性能，达到节能和减少环境影响的目的有很显著的作用。

精确的能耗预测是很困难的，最近几年，很多预测方法已经被提出和应用在能耗预测的问题上。其中使用最广泛的人工智能方法是人工神经网络和支持向量机。

2 预测方法

2.1 工程方法

工程方法使用物理原理计算热动力学和整个建筑水平或子组件水平的能源行为。在过去五十年他们已经充分发展了。这些方法大致可以分成两类，详细的综合的方法和简化的方法。

综合方法使用非常精细的物理函数或热动力学，按部就班的准确计算建筑所有组件的能源消耗，输入建筑和环境信息（比如外部气候条件、建筑施工，操作，公用事业费率和空调设备）。几百种软件工具已经被开发出来用于评估能源效率，例如DOE-2，EnergyPlus，BLAST，ESP-r.有些已经被广泛应用于提高建筑能耗水平和分析能源消耗和建筑保护措施。

虽然这些精细的仿真工具是有效并且准确的，但是，这些工具是基于物理原理得到准确的仿真结果，他们需要详细的建筑和环境参数作为输入数据。这些参数对很多组织来说很难得到，而且运行这些工具需要繁琐的专家工作，使这个很难执行而且成本效率不高。因此一些研究人员提出了相对简单的模型作为某些应用程序的代替。

简化的模型有两种。一种是度日数法，是单测量法，这种稳定状态下的模型适用于评估小型建筑的能耗基于维护的能耗占主导位的时候。另一种是bin 数据方法，或者叫逐时温度方法。可以用于模拟大型建筑，内部产生的负荷占主导地位或者负荷时非线性的根据室内外气温的变化而不同。

在简化模型和精确模型之间没有明显的界限。用一些综合性的工具来进行简单的模拟也是可能的，例如EnergyPlus。[2]AI-Homoud 建议，如果是为了研究趋势，对比系统，然后简化分析方法可能就足够了。相比之下，对于详细的建筑能耗分析和子系统和生命周期成本分析，更综合的工具应该更合适。[3]

2.2 统计方法

统计回归模型简单的把与能耗或者能源指数与影响变量相关联。这些实证模型是从历史性数据中开发出来的，也就是说训练模型之前我们需要收集足够的历史数据。许多关于回归模型的研究被提出基于以下问题。

首先是在简化变量的基础上预测能量使用率，例如一个或者一些气象参数。其次是预测有用的能源指数。第三是估计能源使用的重要参数，例如总的热损失系数，总热容量，增益因子（在分析建筑或者低层次系统的热行为上是很有用的）。

Aydinalp-Koksal and Ugursal[4]建议当我们预测国家级别建筑能耗时考虑基于回归算法的模型叫Conditional Demand Analysis（CDA）需求条件分析。在他们的实验比较中，CDA 表现出了准确预测能力和神经网络和工程方法一样好。但是，更容易开发和使用。然而CDA 的缺点是缺少细节和灵活性而且它需要大量的输入信息。CDA 同样应用于分析住宅能耗的早期工作。

2.3 神经网络

人工神经网络被广泛应用于建筑能耗预测应用方面的人工智能模型。这种模型擅长解决非线性问题而且是对这种复杂的应用程序（建筑能耗预测）的有效的解决方法。过去的二十年里，研究人员已经应用ANNs 分析在不同条件下多种建筑类型的能耗。例如热/冷负荷，用电量，子水平部件运行于优化，使用参数的估计。

神经网络和其他预测模型的对比，Azadehetal.[5]指出神经网络对于用电波动较大的制造业的年电力消耗预测优于通过ANOVA 方差分析计算的传统的非线性回归模型。Aydinalpetal.[6]指出神经网络在估计家电，照明和制冷能耗ALC 和社会经济因素对加拿大住宅市场消费的影响方面比工程模型可以得到更高的预测表现。Neto[7]在建筑能耗预测方面比较了复杂的工程模型和神经网络模型。两个模型都表现出了和高的准确率，但是，ANN 在短期预测方面比工程模型稍微好一点。

2.4 支持向量机

支持向量机SVMs 逐渐应用于研究和产业。他是高度有效的模型，在解决非线性问题时甚至需要很少数量的训练数据。在过去五年里许多在建筑能耗分析上进行了关于这些模型的研究。

Lietal.[8]用SVMs 预测办公建筑的逐时冷负荷。支持向量回归的表现比传统BP 神经网络要好。Hou and Lian[9]也使用SVMs 预测HVAC系统的冷负荷，结果显示SVMs 比ARIMA 模型要好。

所有的研究表明SVMs 在预测逐时和逐月建筑能耗方面都很好的表现。

3 讨论与展望

通过上述的介绍和分析，明显表示评估一个建筑能耗系统需要大量的计算。从子系统水平到建筑水平到区域水平或者国家水平。每个模型都有他自己的优点在特定方面的应用上。

工程模型表现了很大的变化。它可以是很复杂的全面的模型可以被用于精确的计算。相反，通过采用一些简化的战略，它可以成为一个轻量级的模型，容易开发研制，同时保持准确度。详细的工程模型的一个被普遍接受的缺点是在实际中很难运行。因为他的高复杂性和缺乏输入信息。

统计模型相对容易研发，但是它的缺点是很明显的。缺乏准确性和灵活性。

ANNs 和支持向量机，善于解决非线性问题，使他们适用于建筑能耗预测。只要模型选择和参数设定的好他们可以给出很高准确度的预测。在很多情况下支持向量机比人工神经网络表现出了更加优越的性能。在两种模型的缺点是他们需要足够多的历史性能数据和极度复杂性。

4 结论

文章回顾了最近在预测建筑能耗方面的工作。因为建造能量行为的复杂性和影响因素的不确定性，许多模型提出了这个应用程序旨在准确，健壮的和易于使用的预测。研究主要关注于应用这些模型对建筑能耗的预测问题，优化模型参数，简化这些问题或者模型开发。每个模型被开发而且有他的优点和缺点。然而，人工智能发展很迅速，很多新的和更强大的技术在这个领域开发出来可能在预测建筑能耗方面有突破。

［1］European Parliament and Council.Directive 2010/31/EU of the European Parliament and of the Council of 19 May 2010 on the energy performance of buildings[J].Official Journal of the European Union，2010，L153：13-35.

［2］Crawley DB，Lawrie LK，Winkelmann FC，Buhl WF，Huang YJ，Pedersen CO，et al.EnergyPlus：creating a new-generation building energy simulation program[J].Energy and Buildings，2001，33(4)：319-31.

［3］Al-Homoud MS.Computer-aided building energy analysis techniques[J].Building and Environment，2001，36(4)：421-33.

［4］Aydinalp-Koksal M，Ugursal VI.Comparison of neural network，conditional demand analysis and engineering approaches for modeling end-use energy consumption in the residential sector[J].Applied Energy，2008，85(4)：271-96.

［5］Azadeh A，Ghaderi S，Sohrabkhani S.Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors[J].Energy Conversion and Management，2008，49(8)：2272-8.

［6］Aydinalp M，Ugursal VI，Fung AS.Modeling of the appliance，lighting，and spacecooling energy consumptions in the residential sector using neural networks[J].Applied Energy，2002，71(2)：87-110.

［7］NetoAH，Fiorelli FAS.Comparison between detailed model simulation and artificial neural network for forecasting building energy consumption[J].Energy and Buildings，2008，40(12)：2169-76.

［8］Li Q，Meng QL，Cai JJ，Hiroshi Y，Akashi M.Applying support vector machine to predict hourly cooling load in the building[J].Applied Energy，2009，86(10)：2249-56.

［9］Hou Z，Lian Z.An application of support vector machines in cooling load prediction[J].Proceedings of international workshop on intelligent systems and applications，2009：1-4.