基于改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)的公共建筑節(jié)能改造費(fèi)用估算研究?

張文宇 劉 暢 賀 珍

（西安郵電大學(xué) 西安 710061）

1 引言

我國公共建筑涵蓋的種類繁多，包含辦公建筑，商業(yè)建筑，旅游建筑，科教文衛(wèi)建筑，通信建筑以及交通運(yùn)輸類建筑等。當(dāng)前我國城鄉(xiāng)建筑面積約431 億m2，其中85%以上為高能耗建筑，并且公共建筑相較與其他建筑，公共建筑的能源消耗量是其他建筑2～3 倍，其中大型公共建筑普遍存在30%以上的節(jié)能潛力。公共建筑為全社會(huì)提供公共服務(wù)，其發(fā)展?fàn)顟B(tài)、服務(wù)水平和服務(wù)質(zhì)量在一定程度上也是衡量一個(gè)國家現(xiàn)代化程度的標(biāo)準(zhǔn)之一［1］。但與此同時(shí)，作為建筑能耗大戶，公共建筑的平均單位面積能耗是其他建筑的2～3 倍；在經(jīng)濟(jì)發(fā)達(dá)地區(qū)這一比例則更高。因此，對(duì)既有公共建筑的節(jié)能改造刻不容緩。公共建筑節(jié)能改造所需費(fèi)用規(guī)模龐大，快速準(zhǔn)確地對(duì)公共建筑的節(jié)能改造費(fèi)用進(jìn)行估算，對(duì)于節(jié)能改造投資決策與實(shí)施都有著顯著的現(xiàn)實(shí)意義［2］。

對(duì)于既有建筑節(jié)能改造成本的估算，目前存在有模糊數(shù)學(xué)快速估算法，但由于模糊系統(tǒng)的輸入和輸出是高度非線性的，并且需要模糊系統(tǒng)的專家們的大量有效的規(guī)則。BP 神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是具有自適應(yīng)能力和容錯(cuò)性，能夠處理非線性、非局域性問題，結(jié)果客觀。缺點(diǎn)是只適宜于處理一些定量數(shù)據(jù)，缺乏對(duì)定性指標(biāo)的分析、處理能力。對(duì)既有建筑技能改造費(fèi)用的估算，要考慮到各種因素的影響，采用定性與定量相結(jié)合的方法。因此本文采用模糊神經(jīng)網(wǎng)絡(luò)方法，將模糊神方法與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合，通過對(duì)神經(jīng)網(wǎng)絡(luò)的自組織和自學(xué)習(xí)，對(duì)模糊網(wǎng)絡(luò)的隸屬度和推理規(guī)則進(jìn)行學(xué)習(xí)和優(yōu)化［3］。

2 節(jié)能改造全生命周期與費(fèi)用劃分

2.1 節(jié)能改造全生命周期劃分

全生命周期是產(chǎn)品系統(tǒng)中前后銜接的一系列階段，從自然界或從自然資源中獲取原材料，直至最終處置，說明產(chǎn)品全生命周期是一種“從搖籃到墳?zāi)埂钡耐暾^程，既從原材料的獲取、產(chǎn)品生產(chǎn)、使用以及在產(chǎn)品的期對(duì)其的處理的過程［4］。根據(jù)該定義并考慮到建筑節(jié)能改造的復(fù)雜性，因此將對(duì)公共建筑的節(jié)能改造的全生命周期劃分3 個(gè)階段，分別為改造準(zhǔn)備階段、改造實(shí)施階段、運(yùn)營維護(hù)階段。

公共建筑的節(jié)能改造是一項(xiàng)系統(tǒng)工程，在前期改造準(zhǔn)備階段，主要是對(duì)節(jié)能改造的公共建筑進(jìn)行信息搜集與分析，了解需要改造的公共建筑的使用狀況以及能源消耗情況確定節(jié)能改造的目標(biāo)，確定節(jié)能改造方案；改造實(shí)施階段是對(duì)既有公共建筑進(jìn)行節(jié)能改造的實(shí)施階段，此階段的主要改造對(duì)象有：包括建筑的外墻、屋面、門窗的節(jié)能改造；運(yùn)營維護(hù)階段是既有公共建筑節(jié)能改造完成后的使用階段，此階段應(yīng)該根據(jù)之前節(jié)能改造前期準(zhǔn)備階段設(shè)定目標(biāo)，維持公共建筑的預(yù)定功能，以及投資回收改造效果的檢驗(yàn)階段，同時(shí)也是資源回收的過程。運(yùn)營維護(hù)階段是根據(jù)節(jié)能改造后的實(shí)際效果和經(jīng)濟(jì)評(píng)價(jià)指標(biāo)，結(jié)合節(jié)能改造目標(biāo)，對(duì)建筑節(jié)能改造進(jìn)行綜合評(píng)價(jià)。

2.2 節(jié)能改造全生命周期費(fèi)用劃分

由于既有公共建筑節(jié)能改造費(fèi)用數(shù)額龐大，因此按照時(shí)間節(jié)點(diǎn)對(duì)節(jié)能改造的全生命周期費(fèi)用由改造準(zhǔn)備費(fèi)用、改造實(shí)施費(fèi)用、運(yùn)營維護(hù)費(fèi)用等構(gòu)成。其中，改造實(shí)施費(fèi)用大多為一次性費(fèi)用，因此對(duì)費(fèi)用主體在短期內(nèi)會(huì)造成一定的資金壓力，并且改造實(shí)施階段的費(fèi)用可以作為改造準(zhǔn)備階段費(fèi)用和運(yùn)營維護(hù)費(fèi)用的估算依據(jù)，更是進(jìn)行既有公共建筑節(jié)能改造的重要依據(jù)，并且改造準(zhǔn)備費(fèi)用和運(yùn)營維護(hù)費(fèi)用缺少有關(guān)數(shù)據(jù)，在構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)費(fèi)用估算模型時(shí)，只對(duì)相對(duì)完整的具有可行性的數(shù)據(jù)建立改造實(shí)施費(fèi)用估算模型。

許多特征因素都會(huì)影響改造實(shí)施費(fèi)用，例如需要改造的既有公共建筑所處區(qū)域、結(jié)構(gòu)類別、基礎(chǔ)形式、建成年代，以及節(jié)能改造目標(biāo)，既有公共建筑的外墻門窗的改造做法、室內(nèi)采暖系統(tǒng)改造做法等眾多因素都會(huì)影響節(jié)能改造費(fèi)用。因此，難以全面考慮上述所有因素，所以在本文的費(fèi)用模型建立工程中只考慮對(duì)圍護(hù)結(jié)構(gòu)和室內(nèi)采暖系統(tǒng)進(jìn)行節(jié)能改造時(shí)所產(chǎn)生的費(fèi)用。

3 改造實(shí)施費(fèi)用估算模型構(gòu)建

模糊神經(jīng)網(wǎng)絡(luò)可以集模糊數(shù)學(xué)邏輯推理的強(qiáng)大結(jié)構(gòu)性知識(shí)表達(dá)能力與神經(jīng)網(wǎng)絡(luò)的強(qiáng)大學(xué)習(xí)能力的優(yōu)點(diǎn)于一體，它是模糊邏輯推理與神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合的產(chǎn)物。T-S 模型是由Takagi 和Sugeno 提出的模糊推理模型，該模型不僅能自動(dòng)更新，而且能不斷地修正模糊子集的隸屬函數(shù)，有很強(qiáng)的自適應(yīng)能力，可以極好地處理公共建筑節(jié)能改造中涉及的非精確性數(shù)據(jù)，并且可以根據(jù)數(shù)據(jù)情況對(duì)模糊子集的隸屬度函數(shù)進(jìn)行不斷修正。

3.1 T-S型模糊神經(jīng)網(wǎng)絡(luò)

T-S 模型前件是語言變量，后件是輸入變量的線性組合。它不需去模糊化等計(jì)算，而且只需要少量的規(guī)則就能很好地刻畫復(fù)雜強(qiáng)非線性特性，成為近年來工程應(yīng)用中系統(tǒng)建模和預(yù)測的有力工具，因此基于T-S 型的模糊神經(jīng)網(wǎng)絡(luò)已成為研究的熱點(diǎn)。在已有的研究中，增強(qiáng)網(wǎng)絡(luò)模型的自適應(yīng)性和映射能力是主要的研究方向。這些研究使T-S 模糊神經(jīng)網(wǎng)絡(luò)能夠自適應(yīng)地建立合適的網(wǎng)絡(luò)結(jié)構(gòu)，并提高了網(wǎng)絡(luò)的逼近能力［5］。

3.2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

某一既有公共建筑的改造費(fèi)用可以用如下非線性映射表示：

式（1）中：C改造是改造實(shí)施費(fèi)用；Xi是影響改造實(shí)施費(fèi)用的主要特征因素（i=1，2，3，…n）。在X 的各個(gè)分量中，前i=1～k個(gè)分量是精確變量，其余i=k+1～n個(gè)分量為模糊變量。

f 表示的是一個(gè)高度非線性映射關(guān)系，建立一個(gè)精確的f 來描述特征因素與改造費(fèi)用之間的關(guān)系顯然是不現(xiàn)實(shí)的，因此采用模糊神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)這種非線性映射。將非線性系統(tǒng)的輸入劃分為若干子空間，子空間可以是精確的或者模糊的，在每個(gè)子空間內(nèi)用輸入變量的線性組合或者模糊推理進(jìn)行局部擬合，然后再用局部擬合的結(jié)果來逼近非線性映射的輸出。這種思想可以用一個(gè)以X 作為輸入，產(chǎn)生輸出C的前向神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)［6］。

一個(gè)具有n 個(gè)輸入的模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

圖1 模糊神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)結(jié)構(gòu)圖

如圖1 所示，輸入層：記X =（X1，X2），其中X1=（x1，x2，…，xk）是輸入向量的前k 個(gè)精確分量，X2=（xk+1，xk+2，…，xn）為輸入向量的后n-k 個(gè)模糊分量。

3.3 改造實(shí)施費(fèi)用估算步驟分析

Step1：對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理

1）對(duì)于輸入的X 中存在的精確分量，其數(shù)值不在統(tǒng)一基數(shù)范圍內(nèi)，因此在進(jìn)行數(shù)據(jù)輸入之前，通常應(yīng)該將數(shù)據(jù)歸一化。利用歸一化后的數(shù)據(jù)進(jìn)行數(shù)據(jù)分析。數(shù)據(jù)歸一化的方法主要有“最大最小法”和“平均數(shù)方差法”。本文采用“最大最小法”對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，公式如下［7］：

式（2）中，Xi是規(guī)范化后數(shù)據(jù)；xi是輸入精確分量（i=1，2，…，k）；xmin是輸入數(shù)據(jù)中最小值；xmax是輸入數(shù)據(jù)中最大值。

一旦獲得了這些精確分量的規(guī)范化結(jié)果后就可以構(gòu)成一個(gè)精確量的輸入子空間直接作為前向神經(jīng)網(wǎng)絡(luò)的輸入。

2）對(duì)于輸入的X 中存在的模糊分量，在進(jìn)行神經(jīng)網(wǎng)絡(luò)計(jì)算之前，要對(duì)所有模糊數(shù)據(jù)進(jìn)行模糊處理。

首先根據(jù)專家評(píng)價(jià)和先驗(yàn)知識(shí)建立各分量的模糊集合，將其劃分為模糊子空間，然后進(jìn)行模糊推理，用產(chǎn)生的模糊輸出進(jìn)行局部擬合。本文根據(jù)研究對(duì)象的特性選擇T-S型模糊規(guī)則：

式是（參3）數(shù)中；，yxLi是是輸模入糊模準(zhǔn)糊則分L 量產(chǎn)；生F的iL模是糊模糊輸集出（合L；=1 c，iL2，…，M）；

整個(gè)T-S模糊系統(tǒng)由輸入x′=（xk+1，…，xn）產(chǎn)生的輸出為各規(guī)則輸出的加權(quán)平均：

其中

T-S 模糊系統(tǒng)的推理完全可以由一個(gè)前向神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)，模糊系統(tǒng)中的參數(shù)和隸屬函數(shù)就可以由神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)特性來獲得［8］。

Step2：確定神經(jīng)網(wǎng)絡(luò)的計(jì)算函數(shù)

設(shè)輸入層神經(jīng)元編號(hào)為i，隱蔽層神經(jīng)元編號(hào)為j，輸出層神經(jīng)元編號(hào)為l。神經(jīng)網(wǎng)絡(luò)模型方法的基本計(jì)算過程如下：

1）參數(shù)初始化。選取合適的網(wǎng)絡(luò)結(jié)構(gòu)，隨機(jī)給出全部權(quán)值和神經(jīng)元閡值的初始值；

2）給定輸入xi（i=1，2，…，n）和目標(biāo)輸出yl（l=1，2，…，s）；

3）計(jì)算神經(jīng)網(wǎng)絡(luò)的前向傳播信號(hào)，輸入/隱蔽層的隱蔽節(jié)點(diǎn)可以用如下公式表示：

隱蔽/輸出層的輸出節(jié)點(diǎn)可用以下公式計(jì)算：

在式（6）和式（7）中：i=1，2，…n；j=（1，2，…，m）；w1ij和w2jl是是輸入/隱蔽層、隱蔽層/輸出層的權(quán)值；表示閾值的聯(lián)結(jié)權(quán)值是w10i= 1，w20l=1；且z0=0，它是直接閾值。另外，神經(jīng)元激活函數(shù)為logsig函數(shù)：

Step3：T-S模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練

對(duì)神經(jīng)網(wǎng)絡(luò)中的連接權(quán)矩陣w1ij，w2jl進(jìn)行隨機(jī)賦值，將樣本中的第一組數(shù)據(jù)作為輸入層各節(jié)點(diǎn)的數(shù)值，按照以下步驟進(jìn)行訓(xùn)練：

1）計(jì)算網(wǎng)絡(luò)誤差

期望輸出值與模型的實(shí)際輸出值之間的誤差為

式（11）中，ε是誤差精度要求，0 ≤ε＜1，如果達(dá)到循環(huán)次數(shù)要求，即：

式（12）中，T0為循環(huán)次數(shù)要求，是一個(gè)很大的正整數(shù)。

2）修正權(quán)值式（13）和式（14）中，η1，η2為系統(tǒng)增益項(xiàng)，δ1pj，δ2pl為誤差項(xiàng)，xi，zj為輸入層和隱蔽層的值。

若為輸入層節(jié)點(diǎn)，則：

若為隱蔽層節(jié)點(diǎn)，則：

若滿足上述判斷式（11）或判斷式（12）滿足，則完成網(wǎng)絡(luò)訓(xùn)練；若不滿足，則轉(zhuǎn)向step2 中步驟2），繼續(xù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)直到滿足條件為止。

Step 4：檢驗(yàn)網(wǎng)絡(luò)模型

將樣本數(shù)據(jù)帶入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，觀察預(yù)測結(jié)果，檢驗(yàn)?zāi)Ｐ陀行?。模糊神?jīng)網(wǎng)絡(luò)估算過程如圖2所示。

4 實(shí)例驗(yàn)證

由于既有公共建筑的節(jié)能改造尚未建立完整的費(fèi)用成本庫，對(duì)數(shù)據(jù)的搜集會(huì)造成一定的困難。因此本文數(shù)據(jù)主要來源于相關(guān)企業(yè)的節(jié)能改造項(xiàng)目搜集，數(shù)據(jù)涵蓋了寒冷地區(qū)較有代表性的若干地區(qū)。結(jié)合項(xiàng)目特征和相關(guān)數(shù)據(jù)資料，在不參考相關(guān)定額和不詳細(xì)計(jì)算工程量的情況下可以快速估算出需要改造項(xiàng)目的建設(shè)費(fèi)用，根據(jù)節(jié)能改造特征因素，運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建費(fèi)用估算模型［9］。

4.1 影響改造實(shí)施費(fèi)用的特征因素

由于影響既有公共建筑節(jié)能改造階段費(fèi)用的因素眾多，但其中的一些主要因素決定了項(xiàng)目節(jié)能改造的成本，本文主要選取以下6 項(xiàng)主要影響因素進(jìn)行研究，它們分別是“投入使用年份［10］”、“節(jié)能改造面積［11］”、“建筑所在區(qū)域［12］”、“外墻改造做法［13］”、“屋面改造做法［14］”、“節(jié)能比率”，具體情況如表1所示。

圖2 模糊神經(jīng)網(wǎng)絡(luò)估算流程圖

表1 節(jié)能改造特征因素

4.2 樣本數(shù)據(jù)預(yù)處理

由于既有公共建筑的節(jié)能改造尚未建立完整的費(fèi)用成本庫，因此對(duì)數(shù)據(jù)的搜集會(huì)造成一定的困難［15］。本文數(shù)據(jù)主要來源于相關(guān)企業(yè)的節(jié)能改造項(xiàng)目搜集。數(shù)據(jù)涵蓋了寒冷地區(qū)較有代表性的若干地區(qū)，樣本數(shù)據(jù)預(yù)處理結(jié)果如表2所示。

4.3 預(yù)測結(jié)果及比較

根據(jù)上述方法將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，采用Matlab 將數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò)以及傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中，利用對(duì)其中前21 組數(shù)據(jù)及算法學(xué)習(xí)對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，剩余3 組數(shù)據(jù)用于在網(wǎng)絡(luò)訓(xùn)練后對(duì)模型學(xué)習(xí)效果進(jìn)行檢驗(yàn)，其結(jié)果如表3所示。

表2 輸入樣本數(shù)據(jù)預(yù)處理結(jié)果

表3 模糊神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)預(yù)測結(jié)果對(duì)比

將表3 中的1～21 樣本數(shù)據(jù)帶入模型中進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如圖3所示。

圖3 模糊神經(jīng)網(wǎng)絡(luò)誤差訓(xùn)練下降圖

圖4 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)誤差訓(xùn)練下降圖

圖5 模糊神經(jīng)網(wǎng)絡(luò)擬合效果圖

圖6 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)擬合效果圖

由圖2 和圖5 顯示，模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練在第26514 次達(dá)到最優(yōu)，誤差呈現(xiàn)下降趨勢，將第21～24組樣本帶入訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型中，由表3 估算結(jié)果顯示：3 組測試數(shù)據(jù)模型預(yù)測值與樣本實(shí)際值的誤差最高為-0.1060% ，最低為-0.0015%，平均誤差為-0.0366%，誤差均在±10%內(nèi)，符合投資估算的基本要求，并且具有一定的精確度［16］。而由圖3 與圖6 顯示，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在12271 次達(dá)到最優(yōu)，誤差呈現(xiàn)出了波動(dòng)趨勢，將第21～24 組樣本帶入訓(xùn)練好的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型中，由表3估算結(jié)果顯示：3組測試數(shù)據(jù)模型預(yù)測值與樣本實(shí)際值的誤差最高為-21.8475%，最低-11.8093%，平均誤差為17.9095%，誤差與改進(jìn)的模糊神經(jīng)網(wǎng)絡(luò)相比較大。由此表明改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)改造費(fèi)用估算模型在估算既有公共建筑節(jié)能改造方面更具有精確性和可行性。

5 結(jié)語

本文運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)運(yùn)用到的既有公共建筑節(jié)能改造費(fèi)用估算中，該方法相對(duì)于傳統(tǒng)的工程師經(jīng)驗(yàn)估算方法，運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)方法不僅可以對(duì)已有定性及定量數(shù)據(jù)進(jìn)行更為精細(xì)化的處理及學(xué)習(xí)，減小估算模型結(jié)果的誤差。因此，運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)對(duì)既有公共建筑節(jié)能改造費(fèi)用估算可以有效地幫助既有節(jié)能改造主體更快地進(jìn)行決策，也可以將建筑節(jié)能推向市場化、規(guī)?；５?，由于既有公共建筑與新建項(xiàng)目相比，受更多的特征因素影響，估算過程更加復(fù)雜，會(huì)在一定程度上影響估算模型的準(zhǔn)確性。因此，可以建立既有建筑節(jié)能改造費(fèi)用成本庫，通過搜集大量的既有建筑節(jié)能改造的全生命周期費(fèi)用數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行處理，形成各類費(fèi)用指標(biāo)，為節(jié)能改造的各個(gè)參與方提供數(shù)據(jù)支持。