何春华，刘秀云，杨从斌，卢 宁

(青岛大学 数据科学与软件工程学院，山东 青岛 266071)

通过大量研究发现，建筑物能耗是建筑物使用周期中的一项主要成本，因此，建筑能耗一直以来是一个备受关注的研究课题[1].另外，由于能源成本的上涨，设施管理者需要寻找有效的建筑施工方法，如负荷管理或可再生能源等，这就需要一个在选择改造项目替代方案或改造现有设施时的辅助工具，以帮助他们做出合理的决策.

目前，设施管理人员面临许多技术挑战，包括确定设施中的问题区域，隔离不同类型的问题，优先考虑哪些因素的影响，制定解决方案和实施选定的解决方案以及心理挑战(即接受所选方案的风险)等，一旦决定并执行节能计划，这个过程很难扭转[2].此外，许多能源监测的研究往往受到预算和时间的限制，所有这些因素使设施管理人员在做出决策时承担很大的风险[3].一般来说，能源监测是一个有效的工具，可以帮助设施经理制定节能计划并实现节能目标.然而，许多现有的能源审计方法可能会忽视影响大型设施能源消耗的不同因素之间的复杂关系以及两种或多种不同解决方案可能产生的交叉效应[4]，因此，需要一种更有效的验证工具来微调能源审计流程的结果.

随着计算机技术迅速发展，计算机模拟逐渐成为分析建筑能耗和性能的最经济有效的方法之一，主要包括能耗仿真软件以及神经网络等新一代人工智能方法[5].不同方法有时会造成计算结果差异较大，其结果的准确性一直是该领域探讨的重点.本文通过人工神经网络(ANN)和EnergyPlus建立模型，验证模型的准确性，并预测建筑物能耗.同时对各参数的影响进行了对比，选出显著影响因素.

1 基本原理

1.1 EnergyPlus软件

EnergyPlus是一个强大的建筑模拟软件，允许用户定义建筑物的几何结构、材料以及其内部负载等特性.它允许用户进行两种模拟：设计日和年度模拟[6].对于后者，需要提供气象参数，其中主要参数(干/湿球温度，直接/漫射太阳辐射，风速/风向等)以小时为单位给出，软件便可以得出参数一年的结果(冷/热负荷，区域温度，建筑物能耗等).对于设计日模拟，用户应提供一组参数，如最大和最小干球温度、发生最大干球温度时的湿球温度、风速和风向等[7]，该软件将输出当天与年度模拟相同的参数.

1.2 人工神经网络

人工神经网络是一种模仿动物神经网络行为特征进行分布式并行信息处理的算法模型.这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的.人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入-输出数据分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析过程被称为“训练”[8].

由于不知道如何安排生物神经元，提出了几种可能的人工神经网络分布方式，同时产生了不同的网络模型.被人熟知的简单而又常用的网络模型是前馈模式[9]，在这个模型中，神经元分别被配置在输入层和输出层.在这两层中间，网络可以设有一个或多个称为隐藏层的中间层.输入层通常被认为是输入信号的分配器，隐藏层是信号分类器，输出层则是获得响应的组织者.

2 模型建立

2.1 建筑模型

本文所选模型为某办公楼，共8层，面积为4 000 m2，使用时间为9∶00～18∶00，人员为1 500人.建筑空调系统由单一窗型和分体式空调组成，分布在各个区域，由用户单独控制.进行了几次检查以评估内部负荷(照明、用电设备和占用时间)的不同类型及其时间表.表1～3分别为内部负荷最大和最小值、终端使用分布及主要气象参数.

表1 内部负荷最大和最小值

表2 终端使用耗能分布

表3 主要气象参数

2.2 数学模型

2.2.1 EnergyPlus模型

该项研究的几何模型及其内部载荷要尽可能简单，以避免模型过于精细增加耗时.应该强调的是，这项研究的目的是在一个合理的不确定范围内，使用一套简要描述建筑物和气候数据的模拟工具来预测建筑物的能量分布，因此，使用了EnergyPlus中提供的设计日仿真选项.

2.2.2 人工神经网络模型

本文使用神经网络模型如图1所示，为4层分布共11个神经元(其中两个是隐藏的)的前馈神经网络.须指出的是，在前馈模型中，给定层的神经元仅与前一层和下一层相连.

图1 神经网络结构示意图

3 模型验证及对比

3.1 EnergyPlus计算结果

以2015年3月1日到5月31日每个工作日的能源消耗量建立数据库.EnergyPlus需输入建筑物特征(几何模型、壁面和窗户材料、照明设备以及占用时间)，使用设计日选项模拟每天的能量消耗，并且与实际数据对比.图2为能量需求测量值与EnergyPlus计算结果的对比图，结果基本一致，说明模型对于所研究问题是可行的.

图3为所有工作日能耗模拟值与实际值的对比图，从图3中可以看出，80%的数据在±12%的误差范围内，主要是由于内部增益(尤其是人员)的不确定性引起的，同时，也包括输入参数的不确定性等.

图2 能量需求测量值与EnergyPlus计算结果对比

图3 EnergyPlus日能耗模拟值和测量值对比

3.2 人工神经网络计算结果

本文使用外部干球温度作为输入参数来实现简化网络，将现有耗能和气象数据分为两组，使用2013年8月至2014年12月期间的数据进行学习训练，2015年3月1日至5月31日(与Energy Plus模拟相同)期间数据用于模型验证.将日最大和最小外部干球温度Tmin和Tmax作为输入数据，输出则为相应的每日总耗能C(kW·h).本文进行了3种不同的网络计算，分别为工作日、假期及一周(包含工作日和周末).网络参数如表4所示，表5为能耗预测结果与实际值误差.由表5可知，包含所有天数的网络误差要大于将工作日和假期分开的网络.增加隐层和每一层隐层神经元后获得的模拟结果如表6、7所示.

表4 温度-能耗网络参数

注：Tmin和Tmax为日最小和最大外部干球温度；日类型中，1为工作日，0为假期.

表5 温度-能耗网络计算结果与测量值误差

表6 气候-能耗网络计算结果与测量值误差

表7 气候-能耗网络参数

注：T为每日外部最大干球温度；Urel为相对湿度；Tglo为总太阳辐射；Rdif为散射太阳辐射.

图4为温度-能耗ANN和测量得出的所有工作日能量消耗，85%的数据在±12.5%的误差范围内，与EnergyPlus得到的结果近似.

图4 工作日温度-能耗ANN模拟值和能耗测量值对比

Fig.4 Comparison between ANN simulated and measured values of temperature-energy consumption for working days

4 结果分析

4.1 EnergyPlus预测结果

本文模拟了气象参数对能耗的影响，其中由气象数据评估每个参数的不确定性.表8列出了每个参数的不确定性造成的能耗变化，由于气象参数造成的总不确定性小于±2.0%，远低于模拟值和实际值的误差.

为了更加符合实际情况，接下来考虑内部负荷，即照明、设备和人员在不同时间对系统的变化影响.内部负荷对能耗影响的敏感性分析结果如表9所示.内部负荷时间上的变化范围在±15%以内，可以看出，虽然不同参数变化范围相同，但获得的结果不同，这是由于在总的建筑能耗中，每个内部负荷的贡献不同.另外，这些参数引起的不确定性是气候参数引起不确定的5～10倍，模拟和实际误差结果相同.

表8 EnergyPlus-气候参数对能耗影响的敏感性分析

表9 内部负荷对能耗影响的敏感性分析

4.2 人工神经网络预测结果

用ANN模型对气候参数做了敏感性分析，结果如表10所示.由表10可知，气候参数对能耗的影响要略高于EnergyPlus，但趋势相似，气候参数不是影响能耗不确定的主要因素.

表10 人工神经网络-气候参数对能耗影响的敏感性分析

5 结 论

本文主要对比了ANN模型和EnergyPlus模型预测能耗的结果.EnergyPlus预测的能耗数据点在±12%的误差范围内，对比气候参数和照明、设备及人员情况，预测结果的不确定性主要是由人员情况造成.ANN模型简单(输入仅为温度)和复杂(输入为温度/相对湿度/太阳辐射)神经网络的结果表明，能量消耗预测与实际值之间平均误差约为10%.考虑到两组输入的结果差异较小，可以认为湿度和辐射对能源消耗的影响要小于温度，与EnergyPlus模型得出的结果相似.

此外，模型能够为设施管理者减少建筑能耗提供一定参考.应该强调，内部负荷的时间表必须经过周期性的重新评估，以确保对建筑使用情况的不断更新，从而更准确地评估能源需求.ANN模型仅能够基于先前的测量结果来预测能量消耗，因此，对降低能耗新方案的评估只能在实施后进行.