基于BP神经网络的公共建筑用电能耗预测研究
2019-10-11李嘉玲蒋艳
李嘉玲 蒋艳
摘 要:数据挖掘技术与建筑工程之间的知识跨度较大,将两者完美融合起来存在一定难度,实际工程中也缺乏相关案例,因此在建筑工程中应用数据挖掘技术挖掘相关信息,为大型公共建筑用电能耗预测提供参考依据,是建筑领域一种新的发展趋势。基于对公共建筑用电能耗特性的分析,可利用Python构建BP神经网络建筑能耗预测模型,再将某公共建筑作为研究对象,确定影响建筑用电能耗的关键因素,并将其作为网络的输入参数进行学习训练得出预测值。研究结果表明:预测模型在不同参数下,当隐含层个数为8时,误差平方和最小,为0.000 139 6,此时BP神经网络能够较精确地预测公共建筑用电能耗值。
关键词:建筑能耗;BP神经网络;Python;预测模型
DOI:10. 11907/rjdk. 182553 开放科学(资源服务)标识码(OSID):
中图分类号:TP302文献标识码:A 文章编号:1672-7800(2019)007-0049-04
Research on Prediction of Electricity Consumption of
Public Buildings Based on BP Neural Network
LI Jia-ling, JIANG Yan
(School of Management, University of Shanghai for Science and Technology, Shanghai 200093,China)
Abstract: The knowledge span between data mining technology and construction engineering is large. It is difficult to integrate the two perfectly. There is no relevant case in actual engineering. Therefore, using data mining technology to mine relevant information in construction engineering is used for large public buildings. The reference for electric energy consumption prediction is a new development trend in the construction field. Based on the research and analysis of the energy consumption characteristics of public buildings, we use Python to construct the BP neural network building energy consumption prediction model, and then a public building is taken as the research object to determine the key factors affecting the building energy consumption, and learning training is performed as an input parameter to the network. The results show that under the different parameters, when the number of hidden layers is 8, the sum of squared errors is the smallest, which is 0.000 139 6. At this time, the BP neural network can accurately predict the energy consumption value of public buildings.
Key Words: building energy consumption; BP neural network; python; prediction model
作者简介:李嘉玲(1994-),女,上海理工大学管理学院硕士研究生,研究方向为数据挖掘;蒋艳(1962-),女,博士,上海理工大学管理学院副教授、硕士生导师,研究方向为多目标决策理论、方法与应用。
0 引言
近年来,随着城市化进程加快和人民生活质量提高,我国建筑能耗占比上升至35%左右,其中大型公共建筑电能消耗最为严重[1]。虽然我国总体资源相对比较丰富,但是人口数量非常庞大,人均能源消耗量很大。由于公共建筑电力消耗严重,建筑节能无疑成为首要考虑的节能问题,已引起各级政府及相关行业人员的极大关注。尽可能充分挖掘出大型公共建筑用电能耗的影响因素,并建立相应预测模型对其进行预测,将有利于综合分析和评估大型公共建筑用电能耗现状及其发展变化,为大型公共建筑实施节能改造计划提供有效依据。
目前,能源浪费问题已经演变成全球性问题,各国对能耗管理高度關注。国内外不少学者将数据挖掘相关知识运用于建筑能耗预测分析中,取得了一定研究成果[2]。在国际上,Melek[3]研究了如何应用神经网络建立模型进行能耗预测和评价,并得出可行方法;Geoffrey & Kelvin[4]从预测建筑能耗值的角度出发,以住宅建筑为研究对象,分夏季和冬季两个时期,应用决策树、逐步回归和人工神经网络,分别建立3个预测模型进行预测,研究结果证明人工神经网络预测精度更高;Yang等[5]在输入变量不变的情况下,研究了人工神经网络的适用性,使人工神经网络预测建筑能耗的能力得到提高;Olofson等[6]利用人工神经网络在短期测试数据基础上建立了建筑能耗预测模型,实验取得了90%~95%的较高准确率。国内,何磊[7]、姚健等[8]在已知建筑物各种参数数据的基础上应用神经网络预测建筑能耗,所得预测值接近实际值,这一研究成果可以在建筑设计初期指导整栋建筑的节能设计,以减少建成后的能源消耗[9];方涛涛等[10]通过将BP神经网络与Adaboost算法相结合,充分考虑BP神经网络良好的学习能力和Adaboost算法预测精度高的优点,对建筑能耗进行预测,通过实验数据仿真分析,验证了该方法的可行性。
由于建筑多样性、使用情况多变性等因素给建筑能耗预测增添了不少困难,而神经网络为建立预测模型提供了可能[11]。本文采取的主要研究方法是,利用Python构建BP神经网络模型,并通过改变隐藏层个数从而观察在不同参数下误差平方和的变化情况。实验结果表明:当隐含层个数为8时,大型公共建筑用电能耗预测模型的误差平方和达到最小值,即模型预测结果精确度最高,预测值最接近于实际值。
1 神经网络及其基本原理
1.1 BP神经网络
人工神经网络(Artificial Neural Network,简称ANN),是20世纪80年代以来人工智能领域兴起的研究热点,是以生物学中一种神经网络为基理,模拟人脑神经系统处理复杂信息的数学模型。人工神经网络可以通过学习模仿人类的学习过程,学习方式可分为3种:有导师学习、无导师学习和强化学习 [12]。Back-Propagation(简称BP)神经网络是神经网络中应用最为广泛的模型之一[13]。图1所示为其典型的3层拓扑结构,包括输入层、中间层和输出层[14]。
图1 3层神经元网络结构
1.2 BP神经网络基本原理
BP神经网络也称反向传播网络,是一种按误差逆传播算法训练的多层前馈网络,其算法称为BP算法[15]。BP神经网络的思想是利用输出层第N层输出后的误差,估计输出层前第N-1层的误差,再用其估计第N-2层的误差,以此获取所有层误差估计,并根据误差估计调整各层的连接权值,最后用调整后的连接权值重新计算输出误差,直到输出的均方误差达到符合要求或者迭代次数溢出设定值。BP神经网络的学习规则使用最速下降法,通过反向传播不断调整网络的权值和阈值,最终使得全局误差系数达到最小值,其学习本质就是对各连接权值进行动态调整[14]。
网络初始化是BP神经网络训练的第一阶段,定义为初始化输入层、隐含层和输出层的节点个数[16],即初始化输入层与输出层的阈值a、b以及初始化输入层与隐含层、隐含层与输出层之间的连接权值Wij、Wjk,Wij表示第i个输入节点到节点j的权值,Wjk表示节点j到输出节点k的权值;计算隐含层Hj是网络训练的第二阶段;计算输出层Ok是网络训练的第三阶段;计算期望输出与实际输出之间的误差ek是网络训练的第四阶段;更新权值和阈值分别是网络训练的第五、第六阶段;计算全局误差E是网络训练的第七阶段,同时判断误差是否满足要求或达到最大迭代次数,若不满足要求或并未达到最大迭代次数,则返回第二步。
2 建筑物能耗BP神经网络模型设计
大量实验证明,将BP神经网络运用于能耗预测以及能耗指标评价等领域具有一定可行性,建筑能耗系统本身可看作关于时间序列的一个高度非线性系统,故可用一个多层BP网络对建筑能耗进行模拟[17]。在确定如何建立可行有效的BP神经网络预测模型时,需要充分考虑影响大型公共建筑物用电能耗各方面的变量因素。本文调研了江苏省南通市崇川区多个大型公共建筑用电能耗情况。江苏省南通市在我国东南部地区,气候一般是冬冷夏热,所调研公共建筑都满足夏季适当防热、冬季适当保温的要求。通过调研发现,对大型公共建筑用电能耗产生影响的变量因素有很多方面,比如室外气候条件、室内温度设定、建筑物地理位置、建筑物墙体材料、内外墙装饰材料、门窗数量及其材料类型、建筑高度、建筑面积、室内平均人流量以及人们的活动规律等,均会对公共建筑物用电能耗产生一定影响。如果在确定预测模型结构时考虑各方面因素,系统将会过于复杂和庞大,网络学习时间过长,且极易陷入局部最小,无法达到满意效果[18]。因此,本文根据实际情况以建筑面积及电耗作为影响因素,根据历史记录对网络进行训练,训练好的网络再通过已知数据进行检验[17]。
2.1 数据处理
通过实地调研,本文获取了江苏省南通市崇川区文化广场附近某大型公共建筑2016年前10个月用电能耗数据,并将其作为统计样本。为了减小奇异样本对神经网络性能的影响,需要对输入参数和输出参数进行归一化处里,即将数据处理成[0,1]之间的小数[19]。
设x为样本参数,y为某项样本参数x的归一化输出,xmin为x中最小值,xmax为x中最大值,则归一化公式如式(1)所示[19]。
[y=x-xminxmax-xmin] (1)
采用式(1)处理后的数据在[0,1]区间之内[19]。
2.2 模型设计
BP神经网络具有高效非线性数据函数映射逼近功能,利用BP神经网络模型可以较好地预测建筑能耗值,为提高建筑能效提供理论依据[20]。本文利用Python構建BP神经网络公共建筑用电能耗预测模型,并选取样本中的6组数据作为训练样本集,对预测模型进行学习训练,另选取3组数据作为测试样本集,用于检测预测模型的准确性。
选取样本中的实际建筑面积以及1-6月用电量作为预测模型的输入变量x,7-10月用电量的预测值作为模型的输出变量y,即建立的3层BP神经网络能耗预测模型具有7个输入向量、4个输出向量。网络输入层到输出层的激活函数采用tanh双曲正切函数;中间层到输出层的传递函数采用logsig对数函数。数据如表1、表2所示,分别为原始数据表以及标准化后的数据表。
表1 原始数据表 [104]kWh
表2 标准化后数据表
2.3 模型工作机理及训练过程
[2] 宋蒙. 大型公共建筑用电能耗預测模型及预测数据分析[D]. 西安:长安大学,2017.
[3] YALCINTAS M. An energy benchmarking model based on artificial neural network method with a case example for tropical climates[J]. International Journal of Energy Research,2006(30):1158-1174.
[4] TSO G K F,YAU K K W. Predicting electricity energy consumption - a comparison of regression analysis, decision tree and neural network[J]. Energy,2007(32):1761-1768.
[5] YANG J,RIVARD H,ZMEUREANU R. On-line building energy prediction using adaptive artificial neural networks[J]. Energy and Buildings,2005,37(12):1250-1259.
[6] OLOFSON T,ANERSSON S. Long-term energy demand predictions based on short-term measured data[J]. Energy and Buildings, 2001,32(2): 85-91.
[7] 何磊. 基于BP神经网络的建筑能耗预测[J]. 浙江建筑,2008(12):47-50.
[8] 姚健,闫成文,叶晶晶,等. 基于神经网络的建筑能耗预测[J]. 门窗,2007(10):31-33.
[9] 肖丹. 公共建筑能耗分析的数据挖掘方法研究与系统开发[D]. 重庆:重庆大学,2012.
[10] 方涛涛,马小军,陈冲. 基于BP-Adadoost算法的建筑能耗预测研究[J]. 科技通报,2017(7):162-166.
[11] 季文娟,顾永松. 基于POS-RBF建筑能耗预测模型研究[J]. 建筑节能,2015(11):109-112.
[12] 高振祥. 基于BP神经网络的电力负荷预测方法探析[J]. 科学与信息化,2017(2):54-55.
[13] 张喆,吴知非,禹建丽. 电力电量预测的神经网络方法[J]. 知识丛林,2008(4):156-157.
[14] 李璐,于军琪,杨益. 基于GA-BP神经网络的大型公共建筑能耗预测研究[J]. 中外建筑,2014(3):112-114.
[15] 王雅楠,孟晓景. 基于动量BP算法的神经网络房价预测研究[J]. 软件导刊,2015,14(2):59-61.
[16] 胡程磊. 数据驱动的建筑电能耗预测方法研究[D]. 江苏:江苏大学,2016.
[17] 李然然,张永坚,刘畅,等. 基于BP神经网络的建筑物用电能耗预测[J]. 山东建筑大学学报,2014(2):162-165.
[18] 鄢涛. 深圳市公共建筑能耗与节能分析[D]. 重庆:重庆大学,2005.
[19] 胡伍生. 神经网络理论及其工程应用[M]. 北京:测绘出版社,2006.
[20] 崔冲. 基于数据挖掘的公共建筑能耗预测与能效管理[D]. 山东:山东建筑大学,2017.
[21] 许慧,黄世泽,郭其一,等. 基于改进BP网络的建筑用电量预测[J]. 电器与能效管理技术,2014(18):54-58.
(责任编辑:何 丽)