陈悦华 张锐琪 李晓

摘要：目前中国既有建筑绿色改造进程中的阻碍因素较多，不仅减慢了绿色改造的发展速度，而且使改造项目风险增大。建立针对改造方的既有建筑绿色改造风险评价指标体系，并根据各风险因素影响程度的不同，利用AHP法赋予各指标权重。利用Matlab软件对建立好的GA-BP神经网络进行训练，应用于建筑绿色改造后的风险后评价及拟进行的绿色改造项目风险评估。结果表明，对于改造方来说，应加大决策及设计阶段的风险管理。

关键词：绿色改造;风险评价;风险管理;神经网络;遗传算法

中图分类号：TU-023

文献标识码：A

文章编号：0439-8114（ 2020） 08-0199-07

D01：10.1408 8/j .cnki.issn0439- 8114.2020.08.045

既有建筑的绿色改造是指将现有已建成建筑改造成为更节能、更高效的绿色建筑。通常绿色改造方改造前会明确绿色认证建筑的目标，再使用一定的绿色改造技术以及绿色建筑材料，结合改造项目各参与方共同的项目管理，最终向业主交付具有成本效益的绿色化建筑，符合中国可持续发展战略需求。中国地域辽阔，人口众多，既有建筑面積总量巨大，既有建筑绿色改造市场体量巨大。

既有建筑绿色改造的关键在于保证成本效益的情况下达到改造目标，目前在绿色改造过程中主要阻碍因素有改造市场前景、竞争优势、投资回报率以及融资可得性等。改造市场前景方面的阻碍主要是多数人认为绿色改造付出的成本远大于所获收益，并且能源投资的好处并没有得到广泛证明。同时，相比将资本投入到新建绿色建筑中，绿色改造优势并不明显，其中更是涉及到与建筑使用者之间的利益分歧，使用者往往没有改造动机，故而改造方将花费更多成本进行劝说与对接。对于改造投资商来说，改造项目通常投资回收期较长，投资回报率吸引力不够，这使得在大部分私人机构和公共组织中很难找到出资方，造成融资困难。

阻碍绿色改造的因素减慢了既有建筑绿色改造的发展速度，并且使改造项目风险增大。由于中国在绿色改造方面缺少统一标准，改造市场不够成熟，风险突出，相关风险管理水平不仅会影响绿色改造方对改造的态度及配合程度，更影响项目本身改造目标能否实现。所以，利用更加科学的风险评价方式，提高绿色改造项目的风险管理水平，对全面推动中国既有建筑绿色改造具有重要的现实意义。

1 既有建筑绿色改造风险评价指标体系

1.1 构建评价指标体系的原则

风险评价是在风险识别的前提下，运用科学的手段和方法综合考虑风险发生的概率、损失幅度以及其他因素，得出系统发生风险的可能性及其程度，确定风险等级，由此决定是否需要采取控制措施，以及控制到什么程度。所以，在构建风险评价指标体系时应注重指标的代表性和全面性，从而全面并准确地展现系统风险管理水平。除了指标的选取原则，指标体系的构建还应遵循系统性、科学性、客观性和实用性等原则。

1.2 既有建筑绿色改造风险因素识别

国内针对影响既有建筑绿色改造的风险因素研究已经取得一定的成果。王莹等[1]从绿色改造各个阶段出发，通过研究文献、案例以及访谈相关专业人员的方式列出了影响绿色改造项目风险的30个风险因素。刘晓君等[2]立足于合同能源风险管理，将项目参与主体与流程结合成矩阵分析，从项目改造风险管理者的角度出发，列出了21个隶属于6种不同风险表现形式的风险因素。本研究对既有建筑绿色改造进行风险因素识别是从改造方的角度出发，贯穿绿色改造全寿命周期。除了在阅读文献的基础上分析影响绿色改造活动进行的关键性因素，还咨询了有过绿色改造经验的改造商及参与过绿色改造项目管理的专家，通过访谈和问卷调查，将风险因素根据绿色改造全寿命周期的4个阶段分为2个层次，24个指标（图1）。

1.3 分配评价体系指标权重

已有关于BP神经网络应用于风险评价的研究中，对于各风险因素没有根据其影响程度进行明显的区分，默认相同的风险影响程度，这是不够严谨的，且对神经网络模型的训练与应用也是不利的。本研究在建立绿色改造风险评价指标体系后，根据每个风险指标的风险影响程度，通过层次分析法对24个指标赋予了相应的权重。对于图1中的24个指标，通过德尔菲法邀请专家对它们两两之间的重要程度进行量化，量化标准采用AHP法中常用的1-9标度法（表1）。

本研究对一级指标和二级指标利用AHP法分别分配了一次权重，而后将两次权重相乘得出每个具体指标的最终权重，将所得数据整理后得24个指标的最终权重值（表2）。

2 GA-BP神经网络

2.1 BP神经网络

BP神经网络是一种误差逆向传播的单向多层神经网络，通常由输入层、隐层、输出层组成。各层神经元间的连接方式、连接权值以及各个神经元的激活方式和阈值决定神经网络学习目标的达成与否。神经元在神经网络构成中有着重要的地位，有数据传输的作用，其结构模型见图2。

2.2 构建GA-BP神经网络模型

遗传算法是由美国Michigan大学J.H.Holland于1975年提出的自适应优化搜索算法[3]，是一种在全局范围内寻找最优解的算法。利用遗传算法得到最优网络权值及阈值作为后续神经网络模型的初始网络权值及阈值，这样不仅可克服传统BP神经网络易陷入局部最小值的缺陷，还可大大提高模型评价的精度[4]。

遗传算法主要包括编码、选择、交叉及变异4个部分，将遗传算法用于优化BP神经网络的主要流程见图3。

本研究采用的是实数编码，利用取值范围在[一1，1]的S阶实数矩阵对神经网络各层节点间的连接权值、隐含层节点阈值和输出层节点阈值等一系列待优化参数进行编码。其中，S=mxs1+s1×n+s，+n。实数编码较二进制编码可明显减短编码的长度，同时可避免后期解码，精度较高。

编码完成后进行选择、交叉与变异操作，这3种操作都是以适应度函数计算出的适应度值作为评估标准，数值越大代表个体适应性越强，应更大概率地被选择使其优势传承下去。本研究适应度函数为均方误差函数的倒数，其中δ为一极小的正数：

最后一步的变异操作是指对种群个体的基因进行随机性地变异，增强算法的局部搜索能力以及保持种群个体多样性。

遗传算法通过交叉操作和变异操作的相互作用，使算法有了均衡的全局和局部搜索能力，极大地提高了算法寻找全局最优解的能力。基于实数编码的遗传算法优化BP神经网络初始权值及阈值的步骤如下：

1）确定训练的输入及输出样本集及测试样本集;

2）对网络待优化参数进行实数编码形成各自的染色体;

3）确定选择、交叉及变异操作的相关参数;

4）设定种群大小Popu;

5）输入样本后，经过网络传输后每个染色体产生相应的输出;

6）利用适应度函数计算每个染色体的适应值;

7）根据适应值大小进行选择操作;

8）经过交叉、变异操作产生新一代群体;

9）重复步骤5-步骤8，直至在规定的次数间隔内最优个体的适应度和群体适应度数值不再上升，或者最优个体的适应度数值达到设定的阈值，或迭代的次数达到提前设定的代数时，算法终止，获得优化后的网络参数。

3 GA-BP模型训练

3.1 网络设计

本研究BP神经网络结构层数为3层，输入层节点数量为24，输出层节点数量为1，隐含层节点数量由经验公式S1=√m+n+a确定，其中m代表输入层节点数，n代表输出层节点数，a取1-10之间的随机整数，通过试算后确定Si=12。使用feedfor-wardnet创建函数、trainlm训练函数、logsig传递函数、sigruoid激活函数，误差E的表达则利用均方误差函数mse函数，训练显示间隔次数为10，学习速率设定为0.1，迭代次数设定为100，模型训练误差目标设定为0.01：

对于遗传算法部分，种群数设定为500，进化代数设定为100，变量精度取le-6，采用实数编码，使用normGeomSelect选择函数、arithXover交叉函数和nonUnifMutation变异函数。

3.2 模型训练

在数据收集上，对于绿色建筑风险指标的量化，本研究引进风险度的概念，根据每个风险指标发生可能性大小以及损失度，利用可能性大小与损失度的乘积来作为风险度量化的参考标准（式10），具体数值可在乘积周围合理浮动。可能性大小与损失度的量化均分为5级：很高（5分）、较高（4分）、中等（3分）、较低（2分）、低（1分）：

R=S*/ （10）

式（10）中，Js表示发生可能性大小，L表示损失度。

同时，绿色建筑风险等级分级标准见表3，根据输出值大小及表3可得出项目的风险评价等级：

在大量阅读有关绿色改造风险的文献、案例以及调查咨询有绿色改造经验的开发商收集数据资料后，共收集样本49个，训练样本40个，测试样本9个。由于篇幅有限，只列出经过权重分配、归一化处理后的部分训练样本数据（表4）。

模型训练通过Matlab编程，配合开发的Gaot遗传算法工具箱，实现模型的构建、训练以及后期的仿真。样本数据经过82次收敛迭代后，达到误差精度要求，误差下降趋势见图5。为了便于比较，将参數设置相同的BP神经网络训练结果附上（图6）。

由图5、图6可见，利用遗传算法优化的模型训练误差可达0.000 347 58，低于传统BP模型的0.003 478，且迭代次数也有所下降，收敛速度有所提高。同时，输入测试样本后两种模型网络输出与目标输出的误差对照表见表5、表6。

由表5、表6可见，9个测试样本优化后的神经网络相对误差均在5%之下，没有出现误判，而传统BP神经网络相对误差普遍较5%大，且存在个别误判情况。因此，GA-BP神经网络较BP神经网络在误差与速度上都更具有优势。同时，GA-BP神经网络应用于既有建筑绿色改造项目风险评价的评价结果与实际专家评分结果基本一致，准确性高，实用性较强，在实际绿色改造项目风险评价中可节省邀请专家进行打分的时间与精力，提高效率。

4 GA-BP神经网络模型实例应用

4.1 项目简介

本研究选取武汉市城乡建设委员会现所处的办公楼——武汉建设大厦为研究对象。该项目于2012年绿色改造后取得绿色建筑3星级认证;位处武汉市江汉区常青路45号，占地面积为6 360 m2，总建筑面积为25 318 m2，其中地下室面积为3 934.90mL;地上5层，地下1层，1、2层之间局部设有夹层。绿色改造主要是针对该建筑的功能设计、平面设计、空调系统等进行优化，使能源的利用效率得到了提高[5]

4.2 建立GA-BP神经网络风险评价模型

邀请项目改造方各部门相关负责人对图1中24个风险评价指标及改造项目风险等级进行打分，将所得分数根据表2分配权重并进行归一化处理，然后将数据输入之前建立的模型中，经过76次收敛迭代后，训练终止，结果见图7。

4.3 结果分析

模型输出数据为0.593 6，根据表3可得武汉建设大厦绿色改造项目风险等级为三级，风险等级中等，应注意比重较大的风险。主要在项目建设决策及设计阶段，例如与原建筑设计单位对接不够，资料掌握不够，后期发现缺乏满足改造要求的新型材料等。故对于改造方来说，应加大决策及设计阶段的风险管理[6-9]。

根据该绿色改造项目案例以及专家访谈，对于绿色改造项目决策及设计阶段常见风险总结出以下应对措施：

1）为了降低谈判及交易的成本风险，可利用大数据技术收集信息提前做好与原住户的沟通工作，正确宣传绿色建筑建设理念，科普建筑节能及智慧建筑的知识，提高与原设计单位沟通效率;还可使用Bo&Albert提出的DB（ design-build）设计建造一体化交付模式来进行绿色改造，或者使用当下绿色改造中最普遍的合同能源管理模式。

2）对于融资风险，应努力引进社会资本进行融资，实现多渠道融资。但由于中国城市绿色金融市场正从起步走向成熟，需要经历较长时间的培育，故引进绿色金融应注意行业环境风险，密切关注国家金融政策动态，提前做好融资可行性分析报告。

3）对于政策类风险，应强化政府职能，制定相关政策应从激励绿色改造的角度出发，鼓励创新，帮助推进绿色改造市场化运作。政府还应加大宣传既有建筑绿色改造的优点，规范相关从业人员的培训及资格认证，发挥领头作用，提高普通民众对绿色改造的意识，推进中国既有建筑绿色改造进程。

5 总结与展望

综上所知，既有建筑绿色改造项目风险等级普遍比较高，这很大程度上是经验不足的原因。在绿色改造过程中，对于改造方来说，很多决策阶段和设计阶段的风险都容易被忽视。根据实际数据来看，决策阶段和设计阶段重要的风险因素并不少。例如，有关绿色改造相关法律政策不完善、与建筑原有设计单位对接不够，改造设计技术和材料风险、改造引进技术、设备和材料等对投资收益、成本估算不准确风险等。针对这些特异性的风险因素，作为改造方应在决策及设计阶段格外重视。

GA-BP算法大大降低了BP算法中初始权值与阈值随机选取导致模型训练易陷入局部最小值的风险，并提高了神经网络的收敛速度和模型评价的准确性[10-13]。将GA-BP算法应用于既有建筑绿色改造项目风险评价是一次全新的尝试，同时还引入了AHP法给评价体系中的指标分配了相应的权重，使评价体系更加科学合理，实现了人工智能领域相关知识在工程领域的应用。

参考文献：

[1]王莹，窦蕾，刘思彤.基于改进FMEA的既有建筑綠色改造风险评价[J]生态经济，2018，34（1）： 89-93

[2]刘晓君，王斌，白春妮.基于ANP-Grev既有居住建筑节能改造项目合同能源管理风险评价[J]施T技术，2016，45（4）：56-61。

[3]傅荟璇，赵红.MATLAB神经网络应用设计[M].北京：机械工业出版社，2010.

[4]强明辉，王宇遗传算法优化BP神经网络的粒径大小研究[J]自动化与仪表，2017，32（2）：1-4.

[5]陈宏，彭波，王凡.武汉建设大厦节能改造及运行效果[J]暖通空调，2014，44（11）：8-13.

[6]梁栋，张凤琴，陈大武，等.一种基于决策树和遗传算法-BP神经网络的组合预测模型[J].中国科技论文，2015，10（2）：169-174.

[7]李广冉.既有建筑节能改造项目风险管理研究[D].北京：北京交通大学，2014.

[8]陶凯，郭汉丁，王星，等.既有建筑节能改造项目风险共担机 理研究架构[J].土木工程与管理学报，2016，33（4）：109-115.

[9]吴丽梅.EMC模式下既有建筑节能改造风险研究[D].上海：华东交通大学，2012.

[10]杨晓红，刘乐善.用遗传算法优化神经网络结构[J]计算机应用与软件，1997（3）：59-65.

[11]柳益君，吴访升，蒋红芬，等，基于CA-BP神经网络的环境质量评估方法[J]计算机仿真，2010，27（7）：121-124

[12]吕景刚，朱孔国.基于CA-BP神经网络的建筑安全评价[J].计算机系统应用，2011，20（6）：243-247.

[13]高玉琴，张利昕，吴焕霞，改进CA-BP神经网络评价算法及其应用[J].水利经济，2012，30（6）：7-10.

基金项目：国家自然科学基金面上项目（ 71073117）

作者简介：陈悦华（1968-），男，广西北海入，副教授，博士，主要从事工程项目管理、建筑产业化等研究，（电话）18071121131（电子信箱）Vuhchen@whu.edu.cn;通信作者，张锐琪（1995-），女，湖北黄石人，在读硕士研究生，主要从事绿色建筑、建设工程风险管理等研究，（电话）13297940668（电子信箱）565837426@qq.com。