王艺斐+王宏愿

摘 要：建筑能耗在总能源消费中占比已达三分之一，有效的能源消费预测，对建筑能源管理和节能决策是重要的。本文对近期相关文献进行了回顾，总结介绍了建筑能耗预测方法技术。着重关注了神经网络、支持向量机应用，并引用文献的研究结果，进行预测精度对比。

关键词：建筑能耗；节能；能源消费预测

DOI：10.16640/j.cnki.37-1222/t.2017.12.100

0 引言

全球建筑能源消耗已超过工业和交通运输，国际上发达国家的建筑能耗一般占全国总能耗的33%左右。《2013-2017年中国智能建筑行业发展前景与投资战略规划分析报告》数据显示，我国建筑能耗已达到全国总能源消费的三分之一多，随着城市化进程的加快和人民生活质量的改善，建筑能耗占比还将上升至35%左右。对建筑能耗进行科学分析和合理预测，有助于提高建筑能源管理水平。

预测技术在能源生产消费管理中的应用，有几个方面，包括：1）预测技术应用于能源生产过程。2）企业、行业或国家能源标杆管理。3）能源负荷预测，用于需求侧管理和网络平衡。4）能源消费预测：工业、运输和建筑等。本文对将对近期部分相关研究进行回顾，总结介绍建筑能耗预测的方法技术。

1 建筑能耗影响因素

影响建筑能耗的因素有很多，并且具有随机性、时变性和地域性。主要的影响因素包括：1）建筑物外部环境（天气），2）建筑物特征（结构、材料等），3）建筑物内部耗能系统性能（照明、空调、通风系统等），4）建筑物运行特征（入住率及行为特征等）。建筑物用途不同，运行特征就不同。

不同的预测目的，有不同的时间范围。按预测时间范围可分为：短期负荷预测（STLF），中期负荷预测（MTLF）和长期负荷预测（LTLF）。对于不同方面的研究，时间范围的定义略有差异。短期负荷预测时间范围通常是24小时，最长至一个星期。中期负荷预测分析涵盖了从一个星期到长达一年时间范围。长期负荷预测分析包括了更长的时间，区域或国家层面上的年度能耗预测预测，通常用于基础设施规划。

在进行建筑能耗预测建模时，建筑物用途、预测层次范围、预测时间范围不同，选取的影响因素不同。文[1]研究办公大楼的用电量短期预测，预测时考虑的影响因素细分为：入住率、通风负荷、热泵负载、设备负荷、室内温度、室外温度、日光水平、太阳辐射、风速、电价等；文[2]研究美国住宅领域能源需求长期预测，选取影响因素：居民人口总数、GDP、家庭规模（人口）、中等家庭收入、住宅用电成本、宅天然气成本、住宅燃料油的成本；文[3]研究事件场所（体育场馆、音乐厅、剧院、和会议中心等）能耗短期预测和高峰需求预测，影响因素：事件类型、年之日（1到365）、日之时（1到24）、事件发生日（0或1）、座位配置。

2 建筑能耗预测方法

建筑能耗预测方法主要分为两大类：（1）工程模型（engineering modeling）或正演模型（forward modeling）；（2）数据驱动模型（data-driven modeling） 。工程模型使用物理和热力学函数推导理论过程和系统的能源消耗，工程模型产生精确的结果，但也需要详细的输入。根据模型中方程和变量的数量多少，工程模型可分为详细的工程模型和简化的工程模型。数据驱动的方法，用历史数据来建立能耗数据驱动模型。根据输入变量和输出结果的关系能否以显式的数学形式给出，区分为“白箱”结构和“黑箱”结构。“黑箱”通常使用机器学习技术，如人工神经网络、支持向量机，或决策树的方法。

在机器学习方法中，应用最广泛的预测方法是人工神经网络（ANN）和支持向量机（SVM）。各种方法对比如表1。

在讨论预测模型方法的时候，预测精度是预测方法研究关注的主要问题。提高精度的困难在于系统的复杂性。很多研究结合了几种方法开发混合的预测模型，以提高预测精度。

目前研究工作中，经常使用的二个精度指标是：均方根误差（RMSE）和平均绝对百分比误差（MAPE）。其它指标还有：预测误差e， 百分误差PE ， 平均百分误差MPE ；平均误差ME ，平均绝对误差MAE；均方差 MSE；标准差 SDE；决定系数R2；变异系数CV。

为对比分析建筑能耗预测方法及其应用，以下列出一些研究文献，描述的内容包括：研究内容，建模方法；精度指标；建筑类型/预测时间范围；主要结论。

文[4]，2004年，空间供暖和生活热水能耗预测，神经网络模型（NN）；精度指標：CV，R2；国家和地区层面，住宅/长期预测（年）；结论：NN模型和工程模型都具备预测的能力，NN模型具有更好的性能。

文[5]，2008年，能源密集型制造行业电力消费预测，人工神经网络（ANN）；精度指标： MAPE；制造行业，电力消费/长期预测（年）；结论：ANN和非线性回归模型之间的比较，ANN具有良好的用电量预测价值。

文[6]，2008年，终端用户能源系统（住宅、工业、商业、非工业的、娱乐和公共照明负载）需求预测，建模方法：ARMA（（自回归移动平均过程），BPNN（反向传播神经网络），GMDH（数据处理组合方法） ；精度指标：MAPE；终端用户能源系统/中期预测（月）；结论：ARMA，BPNN，GMDH 对比，GMDH最优。

2010年，住宅能耗预测，四种建模方法：BPNN（反向传播神经网络）、RBFNN（径向基函数神经网络）、GRNN（广义回归神经网络）和SVM（支持向量机）；精度指标：RMSE；住宅/年；结论：SVM预测准确性较高。

2009年，应用SVM预测暖通空调系统冷负荷，建模：ARIMA模型、SVM；结论：误差分析表明，SVM比ARIMA更好的性能。

文[2] 2013年，美国住宅领域能源需求多元线性回归和ANN模型；国家和地区层面，住宅能耗/长期预测（1年）；结论：模型是健壮的。在准确性方面，模型研究没有显著不同。然而，由于他们对经济危机的敏感性，ANN方法可能更为现实。

2014年，两种预测方法比较：ANN、SVM综述，多种预测模型的精度对比；主要结论：使用混合模型分析建筑能耗预测似乎产生一个好的预测精度。

文[1] 2015年，应用逐步回归分析，建立办公建筑输入变量（天气和入住率） 和输出（设备、通风和冷却负荷）之间的回归模型；精度指标：RMSE；办公建筑/短期预测（<1小时）；结论：获得两个各自的数据子集的最佳模型得到的RMSE 为：7.1-12.6%（设备负载），7.2 -10.9%（通风负荷）和13.0%（冷负荷），讨论了预测变量选择对预测精度影响。

2016年，学校建筑能耗预测，加权混合支持向量回归模型SVR；精度指标：MAPE；学校建筑/短期预测（0.5小时、1日）；该混合模型和单一SVR模型（与其它进化算法GA和PSO联合）进行了对比，精度最高，MAPE：5.843%。

2016年，基于ANN的建筑能耗建模，研究了随着时间推移，模型自动训练和控制模型精度的方法；精度指标：MAPE、MSE、R2；罗马的三级建筑/短期预测（1小时）；精度和控制阈值MAPE：6.91% ，8.83%。

文[3]， 2016年，事件场所能耗预测和高峰需求预测，建模方法：NN，SVR；精度指标：CV，MAPE；事件活动场所/1日、1小时、15分钟；结论：以每日数据为间隔的消费预测模型精度高于以小时或15分钟为间隔的预测精度；就日数据模型， NN模型精度比SVR高；然而，每小时和15分钟数据模型，没有明确的变化；每日高峰需求预测精度明显高于能耗预测。

2012年，城市居住建筑能耗预测模型，运用相关分析和多元回归分析对影响居民建筑能耗各因素与能耗的关系进行实证研究，建立居住建筑能耗预测的多元线性回归模型；区域，住宅能耗/1年；结果：模型拟合数据与实际统计数据符合度为 95%左右。

2012年，办公建筑能耗预测，时间序列分析方法；办公建筑/1月；预测结果：年度能耗量误差为16.48%，最大月度相对误差为18.2%，最小月度相对误差为2.7%。

2014年，高校建筑能耗预测，GM- RBF组合建模；高校建筑/1月；

为检验组合建模算法的有效性，同时建立线性回归模型、灰色模型GM、RBF神经网络模型进行比较和分析，基于灰色理论与RBF 神经网络的GM- RBF组合能耗预测模型，平均相对误差和最大相对误差绝对值均小于其他单一模型。

2015年，KPCA（核主元分析）-WLSSVM（加权最小二乘支持向量机）模型方法应用于某办公建筑能耗的预测；办公建筑/1年；结论： 与RBFNN、WLSSVM、LSSVM模型相比，KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度。相对绝对值最大误差：2.81%，MAPE： 0.89%。

3 结论

本文介绍了建筑能耗的预测方法，各种预测方法都有成功应用的案例。很多研究对不同预测方法的预测精度进行了对比，人工智能方法在多数案例中显示出更高的精度。在人工智能方法中，神经网络（NN）和支持向量机（SVM）是广泛使用的模型。混合模型显示出提高预测精度的潜力。

参考文献：

[1]C.Sandels，J.Widén ，L.Nordstr?m，E.Andersson.Day-ahead predictions of electricity consumption in a Swedish office building from weather，occupancy，and temporal data.Energy and Buildings，2015（108）：279-290.

[2]ArashKialashaki，John R.Reisel.Modeling of the energy demand of the residential sector in the United States using regression models and artificial neural networks.Applied Energy，2013（108）：271-280.

[3]Katarina Grolinger，Alexandra LHeureux，Miriam A.M. Capretz，Luke Seewald.Energy Forecasting for Event Venues： Big Data and Prediction Accuracy.Energy and Buildings，2016（112）：222-233.

[4]Aydinalp Merih，Ismet Ugursal V，Fung AS.Modeling of the space and domestic hot-water heating energy-consumption in the residential sector using neural networks.Appl Energy ，2004，79（02）：159-78.

[5]趙超，林思铭，许巧玲.基于GM -RBF 神经网络的高校建筑能耗预测[J].南京理工大学学报，2014，38（01）：48-53.

[6]赵超，戴坤成，王贵评.基于KPCA -WLSSVM 的建筑能耗预测模型[J].土木建筑与环境工程，2015，37（05）：109-115.