建筑暖通空调热舒适与节能的智能优化控制研究

刘 楠

（北京市设备安装工程集团有限公司，北京 100045）

0 引言

在全球能源紧缺的背景下，建筑能源消耗已成为各国关注的重大热点问题。一方面，目前国际冲突导致能源价格上涨，以俄罗斯为代表的能源国家限制天然气出口，使欧洲国家意识到能源短缺将成为现阶段乃至未来一段时间不得不解决的问题。另一方面，在全球的能源消耗中，40%的能源用于建筑修建过程和使用阶段的通风空调、动力照明等[1]。因此，建筑节能成为解决能源消耗量大和能源短缺问题的有效途径之一[2]。建筑能源的消耗是以居住者的舒适度为尺度的，为解决建筑暖通空调使用过程中的能源消耗问题，同时为建筑空间使用者提供一个健康舒适的居住环境，研究建筑物暖通空调的热舒适度和智能化的节能控制成为目前的研究重点。

1 工程背景

北京市某房地产项目为重大民生工程，位于成都市东南角，规划用地面积约120735m2。按照施工图设计，用地范围内提供高层民用住宅、多层民用住宅和商业零售办公用房的一体化城市生活、零售解决方案，总建筑面积达352398.85m2。其中高层民用住宅一共26 栋，单栋18 层，底层高度为4.5m，其余17 层高度均为3.1m，建筑面积达291337.00m2；多层住宅一共7 栋，单栋8层，楼层高度均为3.1m，建筑面积达64092m2；商用零售办公用房2 栋，建筑面积15504.66m2，其他为配备服务用房面积。高层住宅楼的结构形式均为框架-剪力墙结构，混凝土强度等级为C35。计划工期为2019 年6 月30 日至2022 年12 月31 日。高层住宅楼建筑平面呈矩形，长度方向为38.4m，宽度方向为12.10m；剪力墙厚度为400mm；框架柱为正方形截面，长宽均为700mm；框架梁截面为矩形，宽为350mm，高为800mm；连梁截面为矩形，梁宽为350mm，梁高为600mm，跨度为2500mm。

2 建筑暖通空调热舒适度及能耗预测的人工神经网络算法实现

人工神经网络是一种模仿人脑记忆过程和辨识能力的数学模型，其典型的计算结构如图1 所示。图1 中的中间层可以有多层。目前，人工神经网络发展出了3 种应用较为广泛的算法，分别是BP 神经网络法、RNN 循环神经网络法和LSTM 长短期记忆神经网络法[3-4]。

图1 人工神经网络典型计算结构

2.1 BP 神经网络算法的计算实现

BP 神经网络算法是每个神经网络节点有n个输入值，对每个输入值xi赋予权重和偏值后，仅有1 个中间输出结果z。每个中间输出结果z 通过Sigmoid 激活得到每个神经元的输出f（x），计算方法如公式（1）和公式（2）所示[4-5]。

式中：wi为每个输入值的权重；b为偏值。

对BP 神经网络法的输出结果，一般采用损失函数（如均方误差）进行样本训练效果的评价，通过求得损失函数的最小极值达到训练过程的收敛。该求解过程的实现主要通过反向传播迭代完成。按照梯度下降法迭代得到建筑暖通空调热舒适度和能源消耗的最优解，如公式（3）和公式（4）所示[6]。

式中：l为神经网络的第l层；J（w，b，x，y）为损失函数；a为第l层神经元的输出。

2.2 RNN 循环神经网络算法的计算实现

RNN 循环神经网络算法对序列性数据具有良好的适用性，可以实现正反向传播和递归式运算，使网络算法具备了记忆能力。同样地，可以构建RNN 循环神经网络的损失函数L，如公式（5）~公式（9）所示。

式中：δ为RNN 循环神经网络的激活函数；h为时间系列的隐藏状态。

2.3 LSTM 长短期记忆神经网络算法的计算实现

解决建筑空调热舒适度及能源消耗预测问题时，为避免BP 神经网络法和RNN 循环神经网络法无自主控制阈值的问题，计算过程没有类人脑的记忆功能。LSTM 长短记忆神经网络算法通过在隐藏层中引入3 个门控单元和细胞状态实现网络的长期记忆，门控单位元分别是遗忘门、更新门和输出门[7-8]。

3 建筑暖通空调舒适性的计算

在建筑的暖通空调设计中，影响室内环境的舒适度因素众多，不仅包括室内的温度、湿度、空气风速和太阳辐射等因素，还与人体的心理、生理机能、服装热阻和空气流动性等因素有关。在实际工程中，人体感受到的热量是环境温度高于或低于人体温度时人体产生的生理反应，因此建筑热舒适是一个多学科交叉的领域，涉及生理学、建筑物理学和心理学等，因此发展出了众多的热舒适度指标。目前应用最广泛的是预测平均投票数PMV指标，根据人体处在热平衡条件下推导出来的PMV指标值，定义PMV指标值为-3 时，热舒适度为非常凉快；PMV指标值为-2时，热舒适度为很凉；PMV值为-1 时，热舒适度为稍凉；PMV值为0 时，热舒适度为舒适；PMV值为+1 时，热舒适度为稍热；PMV值为+2 时，热舒适度为很热；PMV值为+3 时，热舒适度为非常热。

4 基于神经网络的建筑暖通空调热舒适度及能耗预测结果分析

该文将神经网络的输入层设置为6 个，包括空气温度、空气相对湿度、空气风速、平均辐射温度、衣服热阻和人体代谢，输出值设置为1 个，为热舒适度值PMV。训练数据来源于北京市23 个小区160 栋住宅楼房的热舒适数据，共取得1000 组样本数据，应用其中的800 组数据作为驯良样本，不断优化人工神经网络的中间权重值，再以100 组数据为网络验证集，剩下的100 组数据为网络预测效果的测试数据。1000 组样本数据中包括MET值、INSUL值、TAAV值、TRAV值、VELAV值、RH值和PMV值，见表1。

表1 建筑暖通空调热舒适度与能源消耗人工神经网络训练样本

不同训练样本下，3 种不同神经网络算法的建筑暖通空调热舒适度与能源消耗求解效率对比如图2 所示。从图2 可以看出，3 种不同神经网络算法的寻优效率均与训练样本数没有明显关系，其训练时间呈现不同程度的波动，但3 种不同神经网络算法的训练时间均较小，集中于2s~7s。

图2 3 种不同神经网络算法的求解效率对比

不同训练样本下，3 种不同神经网络算法的建筑暖通空调热舒适度与能源消耗结果准确率对比如图3 所示。从图3 可以看出，随着训练样本的增加，预测结果准确率不断增加。在相同的训练样本条件下，RNN 循环神经网络算法的预测结果准确率最小。为小样本时（＜500），LSTM长短记忆神经网络法的预测结果准确率比BP 神经网络算法的预测结果准确率大；而为大样本时（≥500），LSTM长短记忆神经网络法的预测结果准确率比BP 神经网络算法的预测结果准确率小。

图3 3 种不同神经网络算法的预测结果准确率对比

该文的训练样本数较大，综合前文分析，选择BP 神经网络法进行智能预测。建筑暖通空调热舒适度PMV 值预测值与实测值对比如图4 所示。从图4 可以看出，不同的样本得到的PMV 值预测值和实测值均呈现剧烈波动，但2条曲线值十分接近，表明基于BP 神经网络法得到的预测值精度较高。进一步地，对建筑暖通空调的热舒适度PMV值预测误差进行计算，可以得到除个别预测误差值偏差较大外，98%的预测值误差均在1%~3%，表明BP 神经网络对建筑暖通空调热舒适度的预测效果较好，达到了节能优化的控制目的。

图4 建筑暖通空调热舒适度PMV 值预测值与实测值对比

5 结论

该文以北京市某房地产项目高层建筑物暖通空调为研究对象，运用3 种不同的人工神经网络智能算法对建筑暖通空调使用过程中的PMV值和能源消耗量进行求解，得出如下结论。1）3 种不同神经网络算法的寻优效率均与训练样本数没有明显关系，其训练时间呈现不同程度的波动，但3 种不同神经网络算法的训练时间均较短，集中于2s~7s。2）在相同的训练样本条件下，RNN 循环神经网络算法的预测结果准确率最小。为小样本时（＜500），LSTM长短记忆神经网络法的预测结果准确率比BP 神经网络算法的预测结果准确率大；而为大样本时（≥500），LSTM长短记忆神经网络法的预测结果准确率比BP 神经网络算法的预测结果准确率小。3）基于BP 神经网络法的建筑暖通空调热舒适度预测结果表明，除个别预测误差值偏差较大外，98%的预测值误差均在1%~3%，表明BP 神经网络对建筑暖通空调热舒适度的预测效果较好，达到了节能优化的控制目的。