建筑能耗預(yù)測技術(shù)應(yīng)用

王藝斐+王宏愿

摘 要：建筑能耗在總能源消費(fèi)中占比已達(dá)三分之一，有效的能源消費(fèi)預(yù)測，對建筑能源管理和節(jié)能決策是重要的。本文對近期相關(guān)文獻(xiàn)進(jìn)行了回顧，總結(jié)介紹了建筑能耗預(yù)測方法技術(shù)。著重關(guān)注了神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)應(yīng)用，并引用文獻(xiàn)的研究結(jié)果，進(jìn)行預(yù)測精度對比。

關(guān)鍵詞：建筑能耗；節(jié)能；能源消費(fèi)預(yù)測

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

0 引言

全球建筑能源消耗已超過工業(yè)和交通運(yùn)輸，國際上發(fā)達(dá)國家的建筑能耗一般占全國總能耗的33%左右?！?013-2017年中國智能建筑行業(yè)發(fā)展前景與投資戰(zhàn)略規(guī)劃分析報(bào)告》數(shù)據(jù)顯示，我國建筑能耗已達(dá)到全國總能源消費(fèi)的三分之一多，隨著城市化進(jìn)程的加快和人民生活質(zhì)量的改善，建筑能耗占比還將上升至35%左右。對建筑能耗進(jìn)行科學(xué)分析和合理預(yù)測，有助于提高建筑能源管理水平。

預(yù)測技術(shù)在能源生產(chǎn)消費(fèi)管理中的應(yīng)用，有幾個(gè)方面，包括：1）預(yù)測技術(shù)應(yīng)用于能源生產(chǎn)過程。2）企業(yè)、行業(yè)或國家能源標(biāo)桿管理。3）能源負(fù)荷預(yù)測，用于需求側(cè)管理和網(wǎng)絡(luò)平衡。4）能源消費(fèi)預(yù)測：工業(yè)、運(yùn)輸和建筑等。本文對將對近期部分相關(guān)研究進(jìn)行回顧，總結(jié)介紹建筑能耗預(yù)測的方法技術(shù)。

1 建筑能耗影響因素

影響建筑能耗的因素有很多，并且具有隨機(jī)性、時(shí)變性和地域性。主要的影響因素包括：1）建筑物外部環(huán)境（天氣），2）建筑物特征（結(jié)構(gòu)、材料等），3）建筑物內(nèi)部耗能系統(tǒng)性能（照明、空調(diào)、通風(fēng)系統(tǒng)等），4）建筑物運(yùn)行特征（入住率及行為特征等）。建筑物用途不同，運(yùn)行特征就不同。

不同的預(yù)測目的，有不同的時(shí)間范圍。按預(yù)測時(shí)間范圍可分為：短期負(fù)荷預(yù)測（STLF），中期負(fù)荷預(yù)測（MTLF）和長期負(fù)荷預(yù)測（LTLF）。對于不同方面的研究，時(shí)間范圍的定義略有差異。短期負(fù)荷預(yù)測時(shí)間范圍通常是24小時(shí)，最長至一個(gè)星期。中期負(fù)荷預(yù)測分析涵蓋了從一個(gè)星期到長達(dá)一年時(shí)間范圍。長期負(fù)荷預(yù)測分析包括了更長的時(shí)間，區(qū)域或國家層面上的年度能耗預(yù)測預(yù)測，通常用于基礎(chǔ)設(shè)施規(guī)劃。

在進(jìn)行建筑能耗預(yù)測建模時(shí)，建筑物用途、預(yù)測層次范圍、預(yù)測時(shí)間范圍不同，選取的影響因素不同。文[1]研究辦公大樓的用電量短期預(yù)測，預(yù)測時(shí)考慮的影響因素細(xì)分為：入住率、通風(fēng)負(fù)荷、熱泵負(fù)載、設(shè)備負(fù)荷、室內(nèi)溫度、室外溫度、日光水平、太陽輻射、風(fēng)速、電價(jià)等；文[2]研究美國住宅領(lǐng)域能源需求長期預(yù)測，選取影響因素：居民人口總數(shù)、GDP、家庭規(guī)模（人口）、中等家庭收入、住宅用電成本、宅天然氣成本、住宅燃料油的成本；文[3]研究事件場所（體育場館、音樂廳、劇院、和會議中心等）能耗短期預(yù)測和高峰需求預(yù)測，影響因素：事件類型、年之日（1到365）、日之時(shí)（1到24）、事件發(fā)生日（0或1）、座位配置。

2 建筑能耗預(yù)測方法

建筑能耗預(yù)測方法主要分為兩大類：（1）工程模型（engineering modeling）或正演模型（forward modeling）；（2）數(shù)據(jù)驅(qū)動模型（data-driven modeling） 。工程模型使用物理和熱力學(xué)函數(shù)推導(dǎo)理論過程和系統(tǒng)的能源消耗，工程模型產(chǎn)生精確的結(jié)果，但也需要詳細(xì)的輸入。根據(jù)模型中方程和變量的數(shù)量多少，工程模型可分為詳細(xì)的工程模型和簡化的工程模型。數(shù)據(jù)驅(qū)動的方法，用歷史數(shù)據(jù)來建立能耗數(shù)據(jù)驅(qū)動模型。根據(jù)輸入變量和輸出結(jié)果的關(guān)系能否以顯式的數(shù)學(xué)形式給出，區(qū)分為“白箱”結(jié)構(gòu)和“黑箱”結(jié)構(gòu)。“黑箱”通常使用機(jī)器學(xué)習(xí)技術(shù)，如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)，或決策樹的方法。

在機(jī)器學(xué)習(xí)方法中，應(yīng)用最廣泛的預(yù)測方法是人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機(jī)（SVM）。各種方法對比如表1。

在討論預(yù)測模型方法的時(shí)候，預(yù)測精度是預(yù)測方法研究關(guān)注的主要問題。提高精度的困難在于系統(tǒng)的復(fù)雜性。很多研究結(jié)合了幾種方法開發(fā)混合的預(yù)測模型，以提高預(yù)測精度。

目前研究工作中，經(jīng)常使用的二個(gè)精度指標(biāo)是：均方根誤差（RMSE）和平均絕對百分比誤差（MAPE）。其它指標(biāo)還有：預(yù)測誤差e， 百分誤差PE ， 平均百分誤差MPE ；平均誤差ME ，平均絕對誤差MAE；均方差 MSE；標(biāo)準(zhǔn)差 SDE；決定系數(shù)R2；變異系數(shù)CV。

為對比分析建筑能耗預(yù)測方法及其應(yīng)用，以下列出一些研究文獻(xiàn)，描述的內(nèi)容包括：研究內(nèi)容，建模方法；精度指標(biāo)；建筑類型/預(yù)測時(shí)間范圍；主要結(jié)論。

文[4]，2004年，空間供暖和生活熱水能耗預(yù)測，神經(jīng)網(wǎng)絡(luò)模型（NN）；精度指標(biāo)：CV，R2；國家和地區(qū)層面，住宅/長期預(yù)測（年）；結(jié)論：NN模型和工程模型都具備預(yù)測的能力，NN模型具有更好的性能。

文[5]，2008年，能源密集型制造行業(yè)電力消費(fèi)預(yù)測，人工神經(jīng)網(wǎng)絡(luò)（ANN）；精度指標(biāo)： MAPE；制造行業(yè)，電力消費(fèi)/長期預(yù)測（年）；結(jié)論：ANN和非線性回歸模型之間的比較，ANN具有良好的用電量預(yù)測價(jià)值。

文[6]，2008年，終端用戶能源系統(tǒng)（住宅、工業(yè)、商業(yè)、非工業(yè)的、娛樂和公共照明負(fù)載）需求預(yù)測，建模方法：ARMA（（自回歸移動平均過程），BPNN（反向傳播神經(jīng)網(wǎng)絡(luò)），GMDH（數(shù)據(jù)處理組合方法） ；精度指標(biāo)：MAPE；終端用戶能源系統(tǒng)/中期預(yù)測（月）；結(jié)論：ARMA，BPNN，GMDH 對比，GMDH最優(yōu)。

2010年，住宅能耗預(yù)測，四種建模方法：BPNN（反向傳播神經(jīng)網(wǎng)絡(luò)）、RBFNN（徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)）、GRNN（廣義回歸神經(jīng)網(wǎng)絡(luò)）和SVM（支持向量機(jī)）；精度指標(biāo)：RMSE；住宅/年；結(jié)論：SVM預(yù)測準(zhǔn)確性較高。

2009年，應(yīng)用SVM預(yù)測暖通空調(diào)系統(tǒng)冷負(fù)荷，建模：ARIMA模型、SVM；結(jié)論：誤差分析表明，SVM比ARIMA更好的性能。

文[2] 2013年，美國住宅領(lǐng)域能源需求多元線性回歸和ANN模型；國家和地區(qū)層面，住宅能耗/長期預(yù)測（1年）；結(jié)論：模型是健壯的。在準(zhǔn)確性方面，模型研究沒有顯著不同。然而，由于他們對經(jīng)濟(jì)危機(jī)的敏感性，ANN方法可能更為現(xiàn)實(shí)。

2014年，兩種預(yù)測方法比較：ANN、SVM綜述，多種預(yù)測模型的精度對比；主要結(jié)論：使用混合模型分析建筑能耗預(yù)測似乎產(chǎn)生一個(gè)好的預(yù)測精度。

文[1] 2015年，應(yīng)用逐步回歸分析，建立辦公建筑輸入變量（天氣和入住率） 和輸出（設(shè)備、通風(fēng)和冷卻負(fù)荷）之間的回歸模型；精度指標(biāo)：RMSE；辦公建筑/短期預(yù)測（<1小時(shí)）；結(jié)論：獲得兩個(gè)各自的數(shù)據(jù)子集的最佳模型得到的RMSE 為：7.1-12.6%（設(shè)備負(fù)載），7.2 -10.9%（通風(fēng)負(fù)荷）和13.0%（冷負(fù)荷），討論了預(yù)測變量選擇對預(yù)測精度影響。

2016年，學(xué)校建筑能耗預(yù)測，加權(quán)混合支持向量回歸模型SVR；精度指標(biāo)：MAPE；學(xué)校建筑/短期預(yù)測（0.5小時(shí)、1日）；該混合模型和單一SVR模型（與其它進(jìn)化算法GA和PSO聯(lián)合）進(jìn)行了對比，精度最高，MAPE：5.843%。

2016年，基于ANN的建筑能耗建模，研究了隨著時(shí)間推移，模型自動訓(xùn)練和控制模型精度的方法；精度指標(biāo)：MAPE、MSE、R2；羅馬的三級建筑/短期預(yù)測（1小時(shí)）；精度和控制閾值MAPE：6.91% ，8.83%。

文[3]， 2016年，事件場所能耗預(yù)測和高峰需求預(yù)測，建模方法：NN，SVR；精度指標(biāo)：CV，MAPE；事件活動場所/1日、1小時(shí)、15分鐘；結(jié)論：以每日數(shù)據(jù)為間隔的消費(fèi)預(yù)測模型精度高于以小時(shí)或15分鐘為間隔的預(yù)測精度；就日數(shù)據(jù)模型， NN模型精度比SVR高；然而，每小時(shí)和15分鐘數(shù)據(jù)模型，沒有明確的變化；每日高峰需求預(yù)測精度明顯高于能耗預(yù)測。

2012年，城市居住建筑能耗預(yù)測模型，運(yùn)用相關(guān)分析和多元回歸分析對影響居民建筑能耗各因素與能耗的關(guān)系進(jìn)行實(shí)證研究，建立居住建筑能耗預(yù)測的多元線性回歸模型；區(qū)域，住宅能耗/1年；結(jié)果：模型擬合數(shù)據(jù)與實(shí)際統(tǒng)計(jì)數(shù)據(jù)符合度為 95%左右。

2012年，辦公建筑能耗預(yù)測，時(shí)間序列分析方法；辦公建筑/1月；預(yù)測結(jié)果：年度能耗量誤差為16.48%，最大月度相對誤差為18.2%，最小月度相對誤差為2.7%。

2014年，高校建筑能耗預(yù)測，GM- RBF組合建模；高校建筑/1月；

為檢驗(yàn)組合建模算法的有效性，同時(shí)建立線性回歸模型、灰色模型GM、RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較和分析，基于灰色理論與RBF 神經(jīng)網(wǎng)絡(luò)的GM- RBF組合能耗預(yù)測模型，平均相對誤差和最大相對誤差絕對值均小于其他單一模型。

2015年，KPCA（核主元分析）-WLSSVM（加權(quán)最小二乘支持向量機(jī)）模型方法應(yīng)用于某辦公建筑能耗的預(yù)測；辦公建筑/1年；結(jié)論： 與RBFNN、WLSSVM、LSSVM模型相比，KPCA-WLSSVM模型方法能有效提高建筑能耗預(yù)測精度。相對絕對值最大誤差：2.81%，MAPE： 0.89%。

3 結(jié)論

本文介紹了建筑能耗的預(yù)測方法，各種預(yù)測方法都有成功應(yīng)用的案例。很多研究對不同預(yù)測方法的預(yù)測精度進(jìn)行了對比，人工智能方法在多數(shù)案例中顯示出更高的精度。在人工智能方法中，神經(jīng)網(wǎng)絡(luò)（NN）和支持向量機(jī)（SVM）是廣泛使用的模型?；旌夏Ｐ惋@示出提高預(yù)測精度的潛力。

參考文獻(xiàn)：

[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，F(xiàn)ung 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，林思銘，許巧玲.基于GM -RBF 神經(jīng)網(wǎng)絡(luò)的高校建筑能耗預(yù)測[J].南京理工大學(xué)學(xué)報(bào)，2014，38（01）：48-53.

[6]趙超，戴坤成，王貴評.基于KPCA -WLSSVM 的建筑能耗預(yù)測模型[J].土木建筑與環(huán)境工程，2015，37（05）：109-115.