基于神经网络的建筑节能预测方法

高 扬陈 坦胡海涛

（1.上海交通大学制冷与低温研究所 上海 200240；2.上海交通大学机器人研究所 上海 200240）

基于神经网络的建筑节能预测方法

高 扬1陈 坦2胡海涛1

（1.上海交通大学制冷与低温研究所 上海 200240；2.上海交通大学机器人研究所 上海 200240）

为了达到减少建筑能耗的目的，提出一种基于神经网络的建筑节能预测方法，以较小的代价精确预测建筑的热环境变化规律。研究结果表明，基于前向神经网络建立的建筑节能预测方法只需要安装15个温度传感器便能精确预测101个房间的建筑温度和热功率，大幅度地节省了成本，其预估的误差在6%左右，准确度达到90%以上，具有潜在的应用价值。后期可以将该技术应用于建筑智能管理系统，向居住者反馈建筑热环境信息，培养居住者生态消费习惯，为可持续发展提供支持。

神经网络；热仿真模型；节能预测；热环境变化；建筑智能管理系统

0 引言

建筑能耗作为耗能大户，约占到全世界终端能耗总量的35%[1]。而在中国，随着人口的快速增长和城市化进程的加快，建筑数量和建筑的能源需求都在急剧增长。根据中国住房与城乡建设部的统计结果显示[2]，2008年中国的建筑能耗已占到总能耗的27.8%，几乎是1980年的10%的能耗比例的三倍。而在2013-1014年建筑能耗比重预计将上升到30%-40%，从而取代工业能耗和交通能耗，成为中国耗能最多的行业[3]，建筑节能的工作已经刻不容缓。

在过去的几十年建筑节能技术已经成为研究的热点，并逐渐发展成两种研究趋势。第一种是建筑的被动节能方法，即对建筑的围护结构（如外墙、外窗、屋面等）进行优化，通过材料和结构的改变增强热性能，减少能耗负荷[4]，建造“低能耗建筑”；第二种是主动节能技术，如建筑智能管理系统的使用。建筑智能管理系统通过对建筑物能量流的实时监视和优化利用，实现了建筑整体和各分系统（暖气、通风、空调设备）的能耗管理[5]，具有较好的应用前景，这其中最常用的智能管理手段就是对建筑的热环境进行实时监控和调节。在各个房间安装温度传感器和功率传感器来进行实测是常用的手段，但是对公共建筑，特别是大型的公共建筑而言，由于建筑体量大房间多，对所有房间分别进行实测无疑耗费巨大。

人工神经网络的应用，使得精确预测复杂建筑系统的耗能情况成为可能。二十世纪中期，已经有研究证明人工神经网络在计算任何函数和算术的可操作性[6]。作为一种仿生结构，它由大量的神经元相互连接构成，每个节点是一个非线性函数并且每个神经元之间联系的权重也各不相同[7]。只要外界施以一定量的输入，通过内部神经元间复杂的处理计算，它就能给出指定的输出，预测相应的结果，并且保证结果控制在可接受的误差范围内。而内部神经元间如何传递及处理信息的这种能力则需要依靠“学习”获得，也就是通过一些观测和样本数据让它进行特别的训练来自适应和自学习[8]，从而得到符合样本行为的内部模型算法。一旦负荷建筑系统行为的模型建立好，它们就可以在提供输入的条件下被应用来对需要的数据进行可靠的预测和处理。

为了达到减少建筑能耗的目的，本文尝试提出一种基于神经网络的预测方法，以较小的代价精确预测建筑各个空间的热环境（温度、负荷等）变化，实时地将预测信息反馈给建筑智能管理系统，便于建筑节能管理和主动调控。

1 研究目的和方法

本文研究思路主要包括建筑热仿真和神经网络应用两部分。

通过收集研究建筑的建造技术信息，建立了建筑的热仿真模型，对其进行实测标定，继而得到大容量的样本数据库。

将数据库的样本数据输入神经网络方法，通过不断的迭代优化，得到符合该建筑能耗变化规律的数学模型，通过实测验证模型误差在可接受的范围内。

通过神经网络方法得出的数学模型，就可以根据少量传感器的实测数据为输入条件，计算出建筑物各个房间精确的温度和功率变化。

2 建筑热仿真模型

2.1 建筑热仿真模型的建立和标定

当前用于建立建筑热仿真模型和能耗模拟的软件有多种，如EnergyPlus，DOE-2，DeST等[9]。本文采用法国通用的建筑热仿真软件Pleiades+Comfie，对来自法国D市的某公共办公楼进行建模和研究。D市纬度在50°左右，在冬令时中需要采取供暖措施。该建筑共有二层，要求能满足冬令时的供暖需求和日常使用的能耗需要（办公设备等），目前已使用15年。如图1所示为建筑实物图和3D仿真模型。

图1 D市某公共办公楼Fig.1 Office building in Douai

为了便于建立热模型，该建筑被分割成若干个区域，定义为热域。每个热域可以是一个或是多个房间，具有相同的热物性，即温度相同。各个热域通过建立网格，被赋予不同时间常数的方程组，方程组的参数会根据输入材料和组成的不同改变。一个热域某时刻的输出温度会成为相邻热域的输入条件，以此进行迭代。方程组之间进行耦合，继而建立建筑的整体数学模型，并根据时间步长进行仿真计算，图2为建筑各层的热域划分图。

图2 热域分布图Fig.2 Distribution map of thermal zone

热域建立后，再根据热域的分布确定建筑内与所有热域都相连的公共区域，这些区域作为参考区域，将安装少量的传感器，用于进行模型的验证和神经网络方法的输入条件。除此以外，还将有一个传感器安装在室外，用于测量室外环境温度。图3为第一层的传感器安装图（2层共计15个传感器）。

图3 第一层的传感器安装图Fig.3 Installation map of sensors in the first floor

热仿真需要考虑建筑整体的热耗散，太阳能得热，建筑的热惯性和当地的环境温度，同时应根据实际情况对建筑使用者的居住方案，制冷/制热温度设定方案和用电设备方案等进行设定。设定完毕后，通过仿真计算得出室内各个房间温度和负荷变化规律。

热仿真模型初步建立后需要通过温度实测对其进行标定，通过不断的修正来减小热桥等不确定因素造成的误差[10]。结果表明，与连续一个月的实测温度相比，标定后模型计算结果的相对误差控制在10%以内，如图4所示。

图4 一个月的实测温度（300个实测点）和仿真计算温度的相对误差（℃）Fig.4 Relative errors of measured temperatures and simulated temperatures over one month (300 points)

2.2 样本数据库的获得

建筑热仿真需要提供一个尽可能大的样本数据库，以满足神经网络方法不断迭代优化的要求。为了得到这些数据，对建筑室内温度设定了一个变化范围，即从10℃到30℃，按+1℃递增，外部温度仍然取D市的环境温度，共有31组对照组输入热仿真模型，经过计算，总共得到32000个房间温度和负荷的样本数据。

3 神经网络的设计与构建

神经网络可以用来得到大楼里各个房间的温度和制热功率，尤其是没有安装温度传感器区域的数据。本文研究建筑的神经网络预测模型用前向神经网络（BP网络）来建立。作为人工神经网络中的一种模型，前向网络算法计算量小、并行性强，是目前神经网络训练中使用广泛并且也是最成熟的训练算法之一，相较于其他模型它能够更加简单直接的通过数据建立有效的模型算法。前向网络的模型结构大致如图5所示。

图5 前向网络结构图Fig.5 Structure of BP neural network

第一层神经元为输入层，在本论文研究的对象中，输入层也就是15个传感器的温度，包括14个分布在大楼走廊的测点温度（Ti表示）以及1个Douai室外环境温度（Te表示）。因此本例中输入层是15个神经元。

中间层为隐含层，层数可以单层或多层，并且每一层的神经元个数也不是一定的。隐含层层数和各层神经元数目的不同直接影响得到的人工神经网络的预测准确度，因此建立人工神经网络可以用多组参数测试，然后比较选择最优的模型。

最后一层神经元为输出层，也即需要得到的特性数据。本论文研究的对象中，输出层是大楼各个房间的温度和制热功率的预测值，因此本例中输出层共202个神经元（包括101个温度数据τi和101个制热功率数据Pi）。

如图6中所示，隐含层中各个神经元的输出都由上一层各个神经元按一定权重求和后用非线性函数计算得到。

图6 神经元的非线性处理模式Fig.6 Nonlinearity feature of neurons

神经元的输出由下式给出：

这里输入的加权和由一个非线性函数（激励函数）传递，b表示与偏差输入相关的权值，wi表示与第i个输入相关的权值。在本论文中对大楼的热模型用神经网络建模时，选用S形的正切函数作为隐含层神经元的激励函数。

BP算法可以看作是求解误差函数的最小值，它通常采用非线性规划中的最速下降方法来实现，即按误差梯度下降方向修改权值，为加快寻找最优权值的速度，可以使用动量法。其原理是用附加动量因子调节，如果上一个权重积累方向和暗示方向一致，动量因子加速这个改变，反之如果积累方向和暗示方向相反，动量因子阻碍权值往这个方向的改变。这样就加速了最优权值的寻找，也减小求最优值过程的震荡，保证了计算过程稳定性。

研究建筑采用BP算法的程序流程如图7所示。

图7 BP算法流程图Fig.7 Flow diagram of BP algorithm

图8 MatLab运算过程和结果Fig.8 Simulation and result by MatLab

最后，大楼热模型的神经网络参数可以确定如下：输入层神经元15个（对应D市室外环境温度和大楼走廊14个测点温度），单层隐含层，输出层神经元202个（对应大楼各个房间的温度和制热功率数据，即101个温度预测值和101个制热功率预测值），隐含层神经元采用S形正切激励函数，输出层神经元用线性激励函数，训练步数设定为0.01，附加动量因子0.9。训练的样本个数为导入总体样本的70%，剩下的30%样本用来校检网络模型准确度。因此可以通过MatLab调用Neural Network Toolbox里的相关函数来求解神经网络模型，图8所示为相关运算过程和结果。

就本文研究建筑而言，多层隐含层不一定更优，例用双层隐含层（分别有105个神经元和35个神经元）进行测试，得到的模型误差大约是单层隐含层的两倍。因此本例神经网络建模采用单层隐含层。图9表明隐含层神经元数目的不同对神经网络模型误差的影响（样本数量1000）。

图9 神经网络求解结果比较Fig.9 Model errors with different hidden layer neurons number

上图第一栏是隐含层神经元数目；第二栏表示迭代50轮后神经网络的误差，可以观察到隐含层神经元数目在[85,95]和[115,120]区间误差较小；第三栏表示神经网络测试准确度，第四栏表示校验准确度，第五栏是取前两个准确度的平均值，可以观察到隐含层神经元数目[85,95]和[115,120]区间准确度更高。

为了进一步确定更优的神经网络模型，接下来调整样本数量分别进行测试。多次试验后发现隐含层神经元数目取95时，生成的神经网络结构综合表现最优，如图10所示。预估误差在6%附近，准确度可以达到90%以上。

图10 调整样本数量神经网络表现Fig.10 Neural network performance based on different amounts of samples

以上基于MatLab进行的神经网络模型的建立和测试一方面证明了神经网络在大楼建筑热模型的参数预估上的准确度和可操作性，理论上，当训练样本数目越大，迭代次数越多，神经网络结构准确度越高，不过这样训练的时间消耗也越长，因此在调用样本进行训练时要综合考虑；另一方面也可以协助选择最优的神经网络参数，为后期用通用程序语言编写神经网络模型做好铺垫。

4 结论

本文提出了基于神经网络的建筑节能预测方法，结果表明：

（1）基于前向神经网络建立的建筑节能预测方法只需要安装15个温度传感器便能精确预测101个房间的建筑温度和热功率，大幅度地节省了成本，其预估的误差在6%左右，准确度达到90%以上，从而在原理和试验角度论证了神经网络系统的准确度和可操作性。

（2）后期可以应用该技术到建筑智能管理系统，将实时预估的温度功率数据存入数据库，读取后用网站的形式向大楼用户实时显示当前热环境状况，让居住者主动地参与调控和节能管理。在培养居住者良好的生态消费习惯的同时，也可以大大减少建筑能源消耗，为可持续发展提供有力支持。

[1] International Energy Agency (IEA). World Energy Outlook 2012.

[2] 统计局.第二次全国农业普查主要数据公报（第5号）[J].中国政府网站,2008:2-27.

[3] 江亿.中国建筑节能年度发展研究报告 2007[D].北京:中国建筑工业出版社,2007.

[4] 吴泽玲,龙惟定.上海公共建筑围护结构节能改造与空调运行模式的优化分析[J].暖通空调,2008,38(3): 42-45.

[5] Tashtoush B, Molhim M, Al-Rousan M. Dynamic model of an HVAC system for control analysis[J]. Energy, 2005,30(10):1729-1745.

[6] Hagan M T.神经网络设计[M].戴葵等（译）.北京:机械工业出版社,2002.

[7] 刘冰登.MATLAB神经网络超级学习手册[M].北京:人民邮电出版社,2014.

[8] Samarasinghe.神经网络在应用科学和工程中的应用--从基本原理到复杂的模式识别[M].史晓霞等（译）.北京:机械工业出版社,2010.

[9] 潘毅群,左明明,李玉明.建筑能耗模拟-绿色建筑设计与建筑节能改造的支持工具之一基本原理与软件[J].制冷与空调,2008,22(3):10-16.

[10] 任俊.热桥的影响区域[J].暖通空调,2001,31(6): 109-111.

Forecasting Method of Energy-saving Building Based on Artificial Neural Network

Gao Yang1Chen Tan2Hu Haitao1
( 1.Refrigeration and Cryogenics Institute of Shanghai Jiao Tong University, Shanghai, 200240; 2.Robotics Institute of Shanghai Jiao Tong University, Shanghai, 200240 )

In order to reduce energy consumption of building, a forecasting method of energy-saving building based on artificial neural network is proposed to predict the variation of building’s thermal environment with a small cost. The result shows that the forecasting method based on back propagation artificial neutral network is able to predict the temperature and the thermal power of 101 rooms, with only the installation of 15 temperature sensors. It significantly decreased the cost, besides, the estimated error is about 6% and the accuracy is above 90%, which means a value of potential application. In later period, this technique is available for intelligent building management systems, providing the feedback information of thermal environment to occupants, developing their eco-consumption habit and supporting sustainable development.

Artificial Neural Network; Model of thermal simulation; NEnergy-saving forecast; Variation of thermal environment; Intelligent building management systems

TU201.5

A

1671-6612（2017）01-009-05

高 扬（1991.10-），男，在读硕士研究生，E-mail：simon_yanggao@hotmail.com

胡海涛（1978-），男，副教授，E-mail：huhaitao2001@sjtu.edu.cn.

2015-12-13