基于人工神经网络的建筑能耗预测

围护结构可以认为全年不变，对能耗的影响近似常量，故不考虑作为网络的输入项； 室外气象因素是ＨｖＡｃ系统耗能变化的动因，通过求取相关系数和实际采集方便的原则， 选取于湿球温度、太阳辐射几项作为网络输入项。
选择的ＢＰ网络输入层为６个节点，如图１，分别为：时间序号，干球温度、湿球温 度、太阳直射、太阳散射、设备人员等加权活动规律。第一个隐含层神经元个数为３０个， 第二个隐含层神经元个数为１５个，输出层节点一个，为逐时能耗值。
２）定义并计算误差函数Ｅ（ｗ１）和Ｊ ４；
３）由（１）式求谢“，若Ｅ（甜＋１）≤Ｅ（彬），则减小口，Ｆ“＝ａｌｚｌ，ｏ＜口＜１；若Ｅ（ｖｊ＋１）＞
Ｅ（ｕＪ），贝０加大ｐ，∥１＋１一陬‘，０≥，ｐ＞１；
４）回到２）循环计算，当Ｅ达到目标误差或训练次数，训练停止。
２建筑能耗ＢＰ网络模型
建筑能耗系统本身可以看作关于时间序列的一个高度非线性系统，因而可以考虑用一
深圳某办公建筑记录了２００２年全年逐日的大楼能耗。网络中的训练数据因此也只 能选择日平均值，气象参数从当地气象台获取。该大楼为政府机关办公用，大楼内人 员设备负荷变化规律比较稳定，故假定人员设备对能耗的影响为常量。选择的三层ＢＰ 网络输入层为６个节点，分别为：时间序号，日平均干球温度、湿球温度、太阳直射、 太阳散射、工作休息规律。网络只含一个隐含层，神经元个数为３０个，隐含层的激发 函数为Ｔａｎｓｉｇ函数，输出层节点为逐日能耗值。训练仍然采用Ｌｅｖｅｎｂｅｒｇ—Ｍａｒｑｕａｒｄｔ 算法。
能耗。
３结论
本文针对ＥｎｅｒｇｙＰｌｕｓ一个具体算例及实际建筑建立了神经网络能耗预测模型。预测 的结果表明神经网络模型用于大样本情况下的能耗预测是可行的。由于样本数据收集中存 在不确定因素及影响参量的简化，模型不可避免的受随机因素的干扰，使短期能耗预测的 精度不如中长期预测的水平高，若要提高短期能耗预测效果，须提高数据收集、实时监控 的手段，从而进一步完善网络模型。但准确的中长期预测依然是能量管理与决策所追求的 核心内容，对于推动建筑节能也具有重要意义。
１ ＢＰ网络模型
误羞反向传播网络（Ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ ｎｅｔｗｏｒｋ，简称ＢＰ网络）是人工神经网络的重要 模型之一。它是一种单向传播的多层前向网络，除输入输出节点外，还有一层或多层的隐
＊建设部科技攻关项目，编号：０４—１－０２４｛建设部试点示范项目，编号：０４—３－０３９ 深９ＩＩ市建设局科技项目；“探圳市部分公共建筑空调幕统能耗现状研究”。
检验。 ２．１神经网络模型对Ｅｎｅｒｇｙｐｌｕｓ能耗系统的仿真
为了初步验证模型的可行性，首先用能耗模拟软件Ｅｎｅｒｇｙｐｌｕｓ模拟了一栋建筑，然 后从其复杂的输出结果中提取网络需要的信息。人员活动、办公设备变化规律等本质上讲 是随机变化的，但从长期平均的角度看，普通办公楼中每天的人员活动设备也可以认为符 合固定的规律。Ｅｎｅｒｇｙｐｌｕｓ主要是通过各种进程表来控制每天的设备人员活动规律。因 此影响每天能耗变化的主要为室外气候变化及各种进程表。这些进程表是有用户自己设 定，而且对于每一天来说都是固定的，图２为主要的人员设备进程表，为了减少原始数据 矩阵的复杂程度，通过加权得到加权的设备人员变化规律。
３９４
建筑节能
层节点，同层节点间没有任何耦合。输入信号从输入层节点依次传至输出节点，每一层节 点的输出仅影响下层节点的输出。ＢＰ网络是一种高度非线性映射人工神经网络，通过对 简单的非线性函数的数次复合，可以近似复杂的函数。
ＢＰ算法是有导师的学习方式，在网络输出与期望值不一致时，对误差信号沿网络反 向传播，并对权值不断调整，直到输出结果足够接近期望值。其权值调整方式为：
慢的：
矿ｋ彬一虻尝］１焉
㈣
Ｌｅｖｅｎｂｅｒｇ Ｍａｒｑｕａｒｄｔ算法ｍ在Ｇａｕｓｓ—ｎｅｗｔｏｎ算法的基础上增加了控制学习过程的
参数口：
矿ｋ旷［等州］１焉
㈤
对误差向量Ｅ进行泰勒级数展开后上式可化为：
＂”１＝ｗ一（Ｊ”Ｊ；＋口Ｄ～１·．ｐＴＰ
（４）
式中Ｊ——误差对权值微分的雅可比矩阵；
，——单位矩阵。
槲 媸 簧 辛
日期，ｄ
图７大楼能耗记录与预测相对误差
事实上，不管网络如何寻优，并无法由有限的数据获得十分精确的短期预测效果。因 为模型中假定了人员设备等对能耗的影响为常量，而这些参量本身对实际能耗的影响是非 常显著的。这是造成短期预测误差相对较大的一个原因。
而从较长时期预测的结果看，结果往往是比较理想的。因为在大样本中，输入层没有 考虑或忽略的所有变量都以长期平均的方式对网络产生了影响。网络经过大量的样本训 练，除了可以十分精确地寻找输入节点变量与目标值的映射关系外，未知干扰的信息也被 涵盖ｏ］。网络对实际系统简化越多，或样本数量比较少，预测的结果都不会太理想；若实 际系统本身韵随机变量太多，如本算饲的建筑能耗系统，则只能从较长时段预测总体
０引言
建筑能耗预测是楼宇能量管理系统及工程设计人员关心的重要内容。良好的建筑能耗 预测有助于管理人员合理地安排系统运行方式，评估能耗水平是否合理，是实现建筑节能 的重要手段。
人工神经网络（ＡＮＮ）具有自组织、自适应及自学习功能，近年来在预测分析中的应 用越来越广泛，并取得良好效果。人工神经网络为我们提供了这样的一种途径：即相对于 专业能耗模拟程序或其他复杂的数学模型而言，不需要了解各种参数对能耗影响的规律或 本质，只需要获得足够准确的历史数据，便可以方便的建立一个网络模型，大大简化能耗 计算或预测过程，并能够保证较高的精确度。由网络本身寻找系统内在的规律，找到针对 某具体建筑的能耗规律，然后根据天气预报预测未来数日的能耗情况，或实时控制；或者 根据典型气象年实现对全年能耗的预测或计算。
３９５
智能与绿色建筑文集
个多层的ＢＰ网络来模拟建筑能耗。为确定模型的结构，需考虑哪些变量对能耗的影响较 大，并分析用于神经网络的可行性。对于一栋大楼来说，决定能耗的因素非常多，我们可 以对其进行简单的分类：室外气候条件；人员活动、办公设备变化规律；设备运行规律； 围护结构等。实际情况是，每个因素的变化都肯定会对大楼能耗产生影响，如果考虑所有 的因素，那么这将是一个非常复杂和庞大的系统，网络学习的时间将非常长，而且极易陷 人局部最小，无法达到满意的收敛特性。对于一个可执行的ＢＰ网络模型来说，可以充分 利用其自组织、自适应及自学习功能，选择主要的影响因素作为网络的输入项，选择能耗 作为输出项，根据历史记录对网络进行训练，训练好的网络再通过另外的已知数据进行
圈４ Ｅｎｅｒｇｙｐｌｕｓ ８月能耗输出数据与网络训练、预测对比
Ｅｎｅｒｇｙｐｌｕｓ作为一个专业的能耗模拟程序，可进行集成化的负荷、系统、设备模拟 计算，当各种输人参数确定后，就可以对建筑能耗进行动态防真，而且其结果也是惟一 的。而使用人工神经网络模型对Ｅｎｅｒｇｙｐｌｕｓ算例的输人输出参数进行学习虽然也是对一 种动态过程的模拟，但与实际建筑熊耗毕竟不同。实际建筑各种参数及活动规德获取比较 困难，需要对气候条件及人员设备规律实时监测，但对于大部分既有建筑而言，不可能具 备这些数据，因此只能根据有限的条件构造网络模型。 ２．２神经网络用于实际建筑能耗预测
（５）
３９６
建筑节能
０８
蓖０．６ 爿 删０ ４ 魁
０２
，（ｚ：）一再瓦蕊１
（６）
式中ｚ：—～ｎ层的第ｋ个神经元的输入，为该神经元与ｎ一１各个神经元及相应权值的
乘积和；
厂（ｚ）——该神经元的输出； ８——常数。
输出层的激发函数线性传递函数口］。 图３为训练网络采用的前三个星期（８月１ ＦＩ～８月２１日）的５０４小时的温度辐射能耗 等数据。如图４，网络训练３００次，误差达到要求。平均每Ｅｌ误差为０．０１％。训练完后的 ＢＰ网络需用已知数据进行检验，检验数据选为８月的第４个星期（时间序号５０５ｈ～ ６７２ｈ），预测值与原始记录平均每日误差为２％。周六、周日的能耗水平比较低，基本为 零，与工作日有较大的区别，训练的数据没有进行清零处理，网络学习时，在变化较大的 地方误差比较大，在结果分析时可以不考虑周六周日的能耗，因此影响不大；也可以对数 据进行预处理，或提高隐含层节点数，但更耗时。虽然网络训练以及预测输入数据选择的 都是逐时数据，但是更理想的结果却是每日平均能耗值，原因在于网络本身对Ｅｎｅｒｇｙ ｐｌｕｓ能耗模拟系统进行了很大简化，只选取了主要的进程表并通过加权处理，对气象条 件也只是提取了温度和辐射数据，对其他参数如云量风速等皆没有考虑，因此网络必然无 法在很高的精度上逼近Ｅｎｅｒｇｙｐｌｕｓ的模拟结果，但其变化规律却可以在很大程度上得到 再现，从较长时段上能耗的平均值也是十分接近的。
ｎ～ 八．一八一八一八． 一ｎ．一 ｎ— ；堇耀镒攥《 ㈣蝴㈣砌姗。
ｎ㈠一
ｎ¨一 ｎ㈠Ｕ
＾；ｎ㈠．一，
５月１３日
５／；１２７Ｈ
６月ｌＯＨ
６月２４Ｂ
７，９８日
７月２２日
日期，ｄ
——记录值／ｋＷｈ－－…一训练值／ｋＷｈ
豳５ ２００２年５月１３日～８月４日大楼能耗记录与训练对比
建筑节能
荔ｈ髓口ｆ］口益门口
一毫＼≥一亲臻旺托
逐时序号，ｌｌ
太阳散射／州／ｍ１——太阳直目：ｈＷ／ｍ２）——干球温度
图３作为训练数据的Ｅｎｅｒｇｙｐｌｕｓ ８月１日～８月２１日原始数据
智能与绿色建筑文集
≥
≤
牲 粼
墨｝魄△△舞！趣垦；毡垒：隍爨舞＆艮＆靼贻；尝；＆垒Ａ叁；廷惫鳓８
时间序号，ｈ
——Ｅｎｅｒｇｙｐｌｕｓ原始数据 ｗ－－ 一训练及预擒Ｉ值
∥＋１＝ｗ一７而３ Ｅ
（１）
式中Ｅ——系统误差函数，可定义为误差平方和函数或均方差函数等； ｗ。——神经元连接权值矩阵； 口～一学习速率，常数； ｉ——训练步数。
ＢＰ算法计算方便，但收敛速度慢，目选取过大，学习速度较快，但容易出现振荡和 不稳定，口过小，学习稳定，但学习速度非常慢。
Ｇａｕｓｓ—ｎｅｗｔｏｎ训练过程使用二阶微分收敛算法，可以改进ＢＰ算法易振荡或收敛慢的 缺点，但因为学习速率∞仍然为常数，对于变化缓慢的函数，其收敛速度可能也是非常缓
基于人工神经网络的建筑能耗预测”
鄢涛“２ ｐ增文１ 刘俊跃１ （［１］深圳市建筑科学研究院节能研究中心，深圳５１８０５５；［２］重庆大学 城市
建设与环境学院，重庆４０００４５）
摘要：神经网络可对人脑神经元结构、特征及认知能力进行仿真，可以处理各种复杂的 信息。为预测建筑能耗，首先用能耗模拟软件ＥｎｅｒｇｙＰｌｕｓ对某建筑进行模拟，然后对其 输入输出参数进行整理作为网络的训练参数，以Ｌｅｖｅｎｂｅｒｇ—Ｍａｒｑｕａｒｄｔ算法建立了多层 ＢＰ神经网络模型，网络的预测值可很大程度上逼近ＥｎｅｒｇｙＰｌｕｓ的模拟结果；以此为基 础，利用深圳某办公建筑能耗的历史记录，建立了一个相似的多层ＢＰ模型，输入层节点 为室外干湿球温度、太阳直射、太阳散射、人员设备情况等；输出节点为大楼能耗，通过 训练，网络的中长期能耗预测具有较高的精度，可满足工程应用的需要。 关键词：神经网络建筑能耗预测Ｌｅｖｅｎｂｅｒｇ—Ｍａｒｑｕａｒｄｔ算法ＥｎｅｒｇｙＰｌｕｓ
Ｌｅｖｅｎｂｅｒｇ－Ｍａｒｑｕａｒｄｔ算法 对权值矩阵进行调整
ቤተ መጻሕፍቲ ባይዱ
时间序号——÷
干球温度——｝ 湿球温度——｝
太阳直射——÷
太阳散射——÷
设备人员活动规律—＞
、＇
，＼型
！！／
输入层
隐台层
＼
，
输出层
图１ ＢＰ神经网络结构
，（ｚ：）一再１－－面ｅｘｐ葡（－－￥ｘ：） 第一隐含层的激发函数为双曲线正切Ｓ型传递函数Ｔａｎｓｉｇ：
网络训练１００次，误差达到要求。平均每日相对误差为２％，如图５。网络预测结 果与能耗记录对比见图６。在能耗变化较大的地方误差较大，９０％的点落在相对误差 １０％以内，７７％的点落在相对误差５％内。若取８周平均相对误差如图７。同上面采用 逐时模拟时按天计的误差较小一样，本算例为逐日模拟，其结果若按天计并不算十分 理想，若取多日平均，则误差很小，且时问越长，效果越理想。若取１周平均，最大相 对误差为７．４％；若取４周平均，最大相对误差为４％；若取８周乎均，相对误差 为２．３％。
随着Ⅳ的增加，上式中Ｊ”Ｊ‘将可以忽略，则学习过程主要为梯度下降法；当口很小
时，上式就变成了Ｇａｕｓｓ—ｎｅｗｔｏｎ法。给定肛一个初值及其变化率，只要迭代误差增加，ｐ
就会增加，但ｐ若太大，则ｐ－１Ｊ７ｅ将趋于零，学习停止。Ｌｅｖｅｎｂｅｒｇ—Ｍａｒｑｕａｒｄｔ算法的
实现步骤为：
１）对权值矩阵％Ｕ０、阈值和ＰＣ赋初值；指定目标误差及训练次数；