建筑能耗預(yù)測(cè)方法綜述

袁景玉 吳 克 關(guān)高慶 高 銓

（河北工業(yè)大學(xué)，中國(guó) 天津 300401）

1 建筑能耗現(xiàn)狀

建筑能耗占總能耗的40%，占CO2總排放量的36%。[1]建造能耗預(yù)測(cè)對(duì)提高建筑的能源性能，達(dá)到節(jié)能和減少環(huán)境影響的目的有很顯著的作用。

精確的能耗預(yù)測(cè)是很困難的，最近幾年，很多預(yù)測(cè)方法已經(jīng)被提出和應(yīng)用在能耗預(yù)測(cè)的問(wèn)題上。其中使用最廣泛的人工智能方法是人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。

2 預(yù)測(cè)方法

2.1 工程方法

工程方法使用物理原理計(jì)算熱動(dòng)力學(xué)和整個(gè)建筑水平或子組件水平的能源行為。在過(guò)去五十年他們已經(jīng)充分發(fā)展了。這些方法大致可以分成兩類，詳細(xì)的綜合的方法和簡(jiǎn)化的方法。

綜合方法使用非常精細(xì)的物理函數(shù)或熱動(dòng)力學(xué)，按部就班的準(zhǔn)確計(jì)算建筑所有組件的能源消耗，輸入建筑和環(huán)境信息（比如外部氣候條件、建筑施工，操作，公用事業(yè)費(fèi)率和空調(diào)設(shè)備）。幾百種軟件工具已經(jīng)被開發(fā)出來(lái)用于評(píng)估能源效率，例如DOE-2，EnergyPlus，BLAST，ESP-r.有些已經(jīng)被廣泛應(yīng)用于提高建筑能耗水平和分析能源消耗和建筑保護(hù)措施。

雖然這些精細(xì)的仿真工具是有效并且準(zhǔn)確的，但是，這些工具是基于物理原理得到準(zhǔn)確的仿真結(jié)果，他們需要詳細(xì)的建筑和環(huán)境參數(shù)作為輸入數(shù)據(jù)。這些參數(shù)對(duì)很多組織來(lái)說(shuō)很難得到，而且運(yùn)行這些工具需要繁瑣的專家工作，使這個(gè)很難執(zhí)行而且成本效率不高。因此一些研究人員提出了相對(duì)簡(jiǎn)單的模型作為某些應(yīng)用程序的代替。

簡(jiǎn)化的模型有兩種。一種是度日數(shù)法，是單測(cè)量法，這種穩(wěn)定狀態(tài)下的模型適用于評(píng)估小型建筑的能耗基于維護(hù)的能耗占主導(dǎo)位的時(shí)候。另一種是bin 數(shù)據(jù)方法，或者叫逐時(shí)溫度方法?？梢杂糜谀M大型建筑，內(nèi)部產(chǎn)生的負(fù)荷占主導(dǎo)地位或者負(fù)荷時(shí)非線性的根據(jù)室內(nèi)外氣溫的變化而不同。

在簡(jiǎn)化模型和精確模型之間沒(méi)有明顯的界限。用一些綜合性的工具來(lái)進(jìn)行簡(jiǎn)單的模擬也是可能的，例如EnergyPlus。[2]AI-Homoud 建議，如果是為了研究趨勢(shì)，對(duì)比系統(tǒng)，然后簡(jiǎn)化分析方法可能就足夠了。相比之下，對(duì)于詳細(xì)的建筑能耗分析和子系統(tǒng)和生命周期成本分析，更綜合的工具應(yīng)該更合適。[3]

2.2 統(tǒng)計(jì)方法

統(tǒng)計(jì)回歸模型簡(jiǎn)單的把與能耗或者能源指數(shù)與影響變量相關(guān)聯(lián)。這些實(shí)證模型是從歷史性數(shù)據(jù)中開發(fā)出來(lái)的，也就是說(shuō)訓(xùn)練模型之前我們需要收集足夠的歷史數(shù)據(jù)。許多關(guān)于回歸模型的研究被提出基于以下問(wèn)題。

首先是在簡(jiǎn)化變量的基礎(chǔ)上預(yù)測(cè)能量使用率，例如一個(gè)或者一些氣象參數(shù)。其次是預(yù)測(cè)有用的能源指數(shù)。第三是估計(jì)能源使用的重要參數(shù)，例如總的熱損失系數(shù)，總熱容量，增益因子（在分析建筑或者低層次系統(tǒng)的熱行為上是很有用的）。

Aydinalp-Koksal and Ugursal[4]建議當(dāng)我們預(yù)測(cè)國(guó)家級(jí)別建筑能耗時(shí)考慮基于回歸算法的模型叫Conditional Demand Analysis（CDA）需求條件分析。在他們的實(shí)驗(yàn)比較中，CDA 表現(xiàn)出了準(zhǔn)確預(yù)測(cè)能力和神經(jīng)網(wǎng)絡(luò)和工程方法一樣好。但是，更容易開發(fā)和使用。然而CDA 的缺點(diǎn)是缺少細(xì)節(jié)和靈活性而且它需要大量的輸入信息。CDA 同樣應(yīng)用于分析住宅能耗的早期工作。

2.3 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于建筑能耗預(yù)測(cè)應(yīng)用方面的人工智能模型。這種模型擅長(zhǎng)解決非線性問(wèn)題而且是對(duì)這種復(fù)雜的應(yīng)用程序（建筑能耗預(yù)測(cè)）的有效的解決方法。過(guò)去的二十年里，研究人員已經(jīng)應(yīng)用ANNs 分析在不同條件下多種建筑類型的能耗。例如熱/冷負(fù)荷，用電量，子水平部件運(yùn)行于優(yōu)化，使用參數(shù)的估計(jì)。

神經(jīng)網(wǎng)絡(luò)和其他預(yù)測(cè)模型的對(duì)比，Azadehetal.[5]指出神經(jīng)網(wǎng)絡(luò)對(duì)于用電波動(dòng)較大的制造業(yè)的年電力消耗預(yù)測(cè)優(yōu)于通過(guò)ANOVA 方差分析計(jì)算的傳統(tǒng)的非線性回歸模型。Aydinalpetal.[6]指出神經(jīng)網(wǎng)絡(luò)在估計(jì)家電，照明和制冷能耗ALC 和社會(huì)經(jīng)濟(jì)因素對(duì)加拿大住宅市場(chǎng)消費(fèi)的影響方面比工程模型可以得到更高的預(yù)測(cè)表現(xiàn)。Neto[7]在建筑能耗預(yù)測(cè)方面比較了復(fù)雜的工程模型和神經(jīng)網(wǎng)絡(luò)模型。兩個(gè)模型都表現(xiàn)出了和高的準(zhǔn)確率，但是，ANN 在短期預(yù)測(cè)方面比工程模型稍微好一點(diǎn)。

2.4 支持向量機(jī)

支持向量機(jī)SVMs 逐漸應(yīng)用于研究和產(chǎn)業(yè)。他是高度有效的模型，在解決非線性問(wèn)題時(shí)甚至需要很少數(shù)量的訓(xùn)練數(shù)據(jù)。在過(guò)去五年里許多在建筑能耗分析上進(jìn)行了關(guān)于這些模型的研究。

Lietal.[8]用SVMs 預(yù)測(cè)辦公建筑的逐時(shí)冷負(fù)荷。支持向量回歸的表現(xiàn)比傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)要好。Hou and Lian[9]也使用SVMs 預(yù)測(cè)HVAC系統(tǒng)的冷負(fù)荷，結(jié)果顯示SVMs 比ARIMA 模型要好。

所有的研究表明SVMs 在預(yù)測(cè)逐時(shí)和逐月建筑能耗方面都很好的表現(xiàn)。

3 討論與展望

通過(guò)上述的介紹和分析，明顯表示評(píng)估一個(gè)建筑能耗系統(tǒng)需要大量的計(jì)算。從子系統(tǒng)水平到建筑水平到區(qū)域水平或者國(guó)家水平。每個(gè)模型都有他自己的優(yōu)點(diǎn)在特定方面的應(yīng)用上。

工程模型表現(xiàn)了很大的變化。它可以是很復(fù)雜的全面的模型可以被用于精確的計(jì)算。相反，通過(guò)采用一些簡(jiǎn)化的戰(zhàn)略，它可以成為一個(gè)輕量級(jí)的模型，容易開發(fā)研制，同時(shí)保持準(zhǔn)確度。詳細(xì)的工程模型的一個(gè)被普遍接受的缺點(diǎn)是在實(shí)際中很難運(yùn)行。因?yàn)樗母邚?fù)雜性和缺乏輸入信息。

統(tǒng)計(jì)模型相對(duì)容易研發(fā)，但是它的缺點(diǎn)是很明顯的。缺乏準(zhǔn)確性和靈活性。

ANNs 和支持向量機(jī)，善于解決非線性問(wèn)題，使他們適用于建筑能耗預(yù)測(cè)。只要模型選擇和參數(shù)設(shè)定的好他們可以給出很高準(zhǔn)確度的預(yù)測(cè)。在很多情況下支持向量機(jī)比人工神經(jīng)網(wǎng)絡(luò)表現(xiàn)出了更加優(yōu)越的性能。在兩種模型的缺點(diǎn)是他們需要足夠多的歷史性能數(shù)據(jù)和極度復(fù)雜性。

4 結(jié)論

文章回顧了最近在預(yù)測(cè)建筑能耗方面的工作。因?yàn)榻ㄔ炷芰啃袨榈膹?fù)雜性和影響因素的不確定性，許多模型提出了這個(gè)應(yīng)用程序旨在準(zhǔn)確，健壯的和易于使用的預(yù)測(cè)。研究主要關(guān)注于應(yīng)用這些模型對(duì)建筑能耗的預(yù)測(cè)問(wèn)題，優(yōu)化模型參數(shù)，簡(jiǎn)化這些問(wèn)題或者模型開發(fā)。每個(gè)模型被開發(fā)而且有他的優(yōu)點(diǎn)和缺點(diǎn)。然而，人工智能發(fā)展很迅速，很多新的和更強(qiáng)大的技術(shù)在這個(gè)領(lǐng)域開發(fā)出來(lái)可能在預(yù)測(cè)建筑能耗方面有突破。

［1］European Parliament and Council.Directive 2010/31/EU of the European Parliament and of the Council of 19 May 2010 on the energy performance of buildings[J].Official Journal of the European Union，2010，L153：13-35.

［2］Crawley DB，Lawrie LK，Winkelmann FC，Buhl WF，Huang YJ，Pedersen CO，et al.EnergyPlus：creating a new-generation building energy simulation program[J].Energy and Buildings，2001，33(4)：319-31.

［3］Al-Homoud MS.Computer-aided building energy analysis techniques[J].Building and Environment，2001，36(4)：421-33.

［4］Aydinalp-Koksal M，Ugursal VI.Comparison of neural network，conditional demand analysis and engineering approaches for modeling end-use energy consumption in the residential sector[J].Applied Energy，2008，85(4)：271-96.

［5］Azadeh A，Ghaderi S，Sohrabkhani S.Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors[J].Energy Conversion and Management，2008，49(8)：2272-8.

［6］Aydinalp M，Ugursal VI，F(xiàn)ung AS.Modeling of the appliance，lighting，and spacecooling energy consumptions in the residential sector using neural networks[J].Applied Energy，2002，71(2)：87-110.

［7］NetoAH，F(xiàn)iorelli FAS.Comparison between detailed model simulation and artificial neural network for forecasting building energy consumption[J].Energy and Buildings，2008，40(12)：2169-76.

［8］Li Q，Meng QL，Cai JJ，Hiroshi Y，Akashi M.Applying support vector machine to predict hourly cooling load in the building[J].Applied Energy，2009，86(10)：2249-56.

［9］Hou Z，Lian Z.An application of support vector machines in cooling load prediction[J].Proceedings of international workshop on intelligent systems and applications，2009：1-4.