基于GA-BP神經網絡的中國既有建筑綠色改造風險評價研究

陳悅華 張銳琪 李曉

摘要：目前中國既有建筑綠色改造進程中的阻礙因素較多，不僅減慢了綠色改造的發(fā)展速度，而且使改造項目風險增大。建立針對改造方的既有建筑綠色改造風險評價指標體系，并根據各風險因素影響程度的不同，利用AHP法賦予各指標權重。利用Matlab軟件對建立好的GA-BP神經網絡進行訓練，應用于建筑綠色改造后的風險后評價及擬進行的綠色改造項目風險評估。結果表明，對于改造方來說，應加大決策及設計階段的風險管理。

關鍵詞：綠色改造;風險評價;風險管理;神經網絡;遺傳算法

中圖分類號：TU-023

文獻標識碼：A

文章編號：0439-8114（ 2020） 08-0199-07

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

既有建筑的綠色改造是指將現(xiàn)有已建成建筑改造成為更節(jié)能、更高效的綠色建筑。通常綠色改造方改造前會明確綠色認證建筑的目標，再使用一定的綠色改造技術以及綠色建筑材料，結合改造項目各參與方共同的項目管理，最終向業(yè)主交付具有成本效益的綠色化建筑，符合中國可持續(xù)發(fā)展戰(zhàn)略需求。中國地域遼闊，人口眾多，既有建筑面積總量巨大，既有建筑綠色改造市場體量巨大。

既有建筑綠色改造的關鍵在于保證成本效益的情況下達到改造目標，目前在綠色改造過程中主要阻礙因素有改造市場前景、競爭優(yōu)勢、投資回報率以及融資可得性等。改造市場前景方面的阻礙主要是多數人認為綠色改造付出的成本遠大于所獲收益，并且能源投資的好處并沒有得到廣泛證明。同時，相比將資本投入到新建綠色建筑中，綠色改造優(yōu)勢并不明顯，其中更是涉及到與建筑使用者之間的利益分歧，使用者往往沒有改造動機，故而改造方將花費更多成本進行勸說與對接。對于改造投資商來說，改造項目通常投資回收期較長，投資回報率吸引力不夠，這使得在大部分私人機構和公共組織中很難找到出資方，造成融資困難。

阻礙綠色改造的因素減慢了既有建筑綠色改造的發(fā)展速度，并且使改造項目風險增大。由于中國在綠色改造方面缺少統(tǒng)一標準，改造市場不夠成熟，風險突出，相關風險管理水平不僅會影響綠色改造方對改造的態(tài)度及配合程度，更影響項目本身改造目標能否實現(xiàn)。所以，利用更加科學的風險評價方式，提高綠色改造項目的風險管理水平，對全面推動中國既有建筑綠色改造具有重要的現(xiàn)實意義。

1 既有建筑綠色改造風險評價指標體系

1.1 構建評價指標體系的原則

風險評價是在風險識別的前提下，運用科學的手段和方法綜合考慮風險發(fā)生的概率、損失幅度以及其他因素，得出系統(tǒng)發(fā)生風險的可能性及其程度，確定風險等級，由此決定是否需要采取控制措施，以及控制到什么程度。所以，在構建風險評價指標體系時應注重指標的代表性和全面性，從而全面并準確地展現(xiàn)系統(tǒng)風險管理水平。除了指標的選取原則，指標體系的構建還應遵循系統(tǒng)性、科學性、客觀性和實用性等原則。

1.2 既有建筑綠色改造風險因素識別

國內針對影響既有建筑綠色改造的風險因素研究已經取得一定的成果。王瑩等[1]從綠色改造各個階段出發(fā)，通過研究文獻、案例以及訪談相關專業(yè)人員的方式列出了影響綠色改造項目風險的30個風險因素。劉曉君等[2]立足于合同能源風險管理，將項目參與主體與流程結合成矩陣分析，從項目改造風險管理者的角度出發(fā)，列出了21個隸屬于6種不同風險表現(xiàn)形式的風險因素。本研究對既有建筑綠色改造進行風險因素識別是從改造方的角度出發(fā)，貫穿綠色改造全壽命周期。除了在閱讀文獻的基礎上分析影響綠色改造活動進行的關鍵性因素，還咨詢了有過綠色改造經驗的改造商及參與過綠色改造項目管理的專家，通過訪談和問卷調查，將風險因素根據綠色改造全壽命周期的4個階段分為2個層次，24個指標（圖1）。

1.3 分配評價體系指標權重

已有關于BP神經網絡應用于風險評價的研究中，對于各風險因素沒有根據其影響程度進行明顯的區(qū)分，默認相同的風險影響程度，這是不夠嚴謹的，且對神經網絡模型的訓練與應用也是不利的。本研究在建立綠色改造風險評價指標體系后，根據每個風險指標的風險影響程度，通過層次分析法對24個指標賦予了相應的權重。對于圖1中的24個指標，通過德爾菲法邀請專家對它們兩兩之間的重要程度進行量化，量化標準采用AHP法中常用的1-9標度法（表1）。

本研究對一級指標和二級指標利用AHP法分別分配了一次權重，而后將兩次權重相乘得出每個具體指標的最終權重，將所得數據整理后得24個指標的最終權重值（表2）。

2 GA-BP神經網絡

2.1 BP神經網絡

BP神經網絡是一種誤差逆向傳播的單向多層神經網絡，通常由輸入層、隱層、輸出層組成。各層神經元間的連接方式、連接權值以及各個神經元的激活方式和閾值決定神經網絡學習目標的達成與否。神經元在神經網絡構成中有著重要的地位，有數據傳輸的作用，其結構模型見圖2。

2.2 構建GA-BP神經網絡模型

遺傳算法是由美國Michigan大學J.H.Holland于1975年提出的自適應優(yōu)化搜索算法[3]，是一種在全局范圍內尋找最優(yōu)解的算法。利用遺傳算法得到最優(yōu)網絡權值及閾值作為后續(xù)神經網絡模型的初始網絡權值及閾值，這樣不僅可克服傳統(tǒng)BP神經網絡易陷入局部最小值的缺陷，還可大大提高模型評價的精度[4]。

遺傳算法主要包括編碼、選擇、交叉及變異4個部分，將遺傳算法用于優(yōu)化BP神經網絡的主要流程見圖3。

本研究采用的是實數編碼，利用取值范圍在[一1，1]的S階實數矩陣對神經網絡各層節(jié)點間的連接權值、隱含層節(jié)點閾值和輸出層節(jié)點閾值等一系列待優(yōu)化參數進行編碼。其中，S=mxs1+s1×n+s，+n。實數編碼較二進制編碼可明顯減短編碼的長度，同時可避免后期解碼，精度較高。

編碼完成后進行選擇、交叉與變異操作，這3種操作都是以適應度函數計算出的適應度值作為評估標準，數值越大代表個體適應性越強，應更大概率地被選擇使其優(yōu)勢傳承下去。本研究適應度函數為均方誤差函數的倒數，其中δ為一極小的正數：

最后一步的變異操作是指對種群個體的基因進行隨機性地變異，增強算法的局部搜索能力以及保持種群個體多樣性。

遺傳算法通過交叉操作和變異操作的相互作用，使算法有了均衡的全局和局部搜索能力，極大地提高了算法尋找全局最優(yōu)解的能力?；趯崝稻幋a的遺傳算法優(yōu)化BP神經網絡初始權值及閾值的步驟如下：

1）確定訓練的輸入及輸出樣本集及測試樣本集;

2）對網絡待優(yōu)化參數進行實數編碼形成各自的染色體;

3）確定選擇、交叉及變異操作的相關參數;

4）設定種群大小Popu;

5）輸入樣本后，經過網絡傳輸后每個染色體產生相應的輸出;

6）利用適應度函數計算每個染色體的適應值;

7）根據適應值大小進行選擇操作;

8）經過交叉、變異操作產生新一代群體;

9）重復步驟5-步驟8，直至在規(guī)定的次數間隔內最優(yōu)個體的適應度和群體適應度數值不再上升，或者最優(yōu)個體的適應度數值達到設定的閾值，或迭代的次數達到提前設定的代數時，算法終止，獲得優(yōu)化后的網絡參數。

3 GA-BP模型訓練

3.1 網絡設計

本研究BP神經網絡結構層數為3層，輸入層節(jié)點數量為24，輸出層節(jié)點數量為1，隱含層節(jié)點數量由經驗公式S1=√m+n+a確定，其中m代表輸入層節(jié)點數，n代表輸出層節(jié)點數，a取1-10之間的隨機整數，通過試算后確定Si=12。使用feedfor-wardnet創(chuàng)建函數、trainlm訓練函數、logsig傳遞函數、sigruoid激活函數，誤差E的表達則利用均方誤差函數mse函數，訓練顯示間隔次數為10，學習速率設定為0.1，迭代次數設定為100，模型訓練誤差目標設定為0.01：

對于遺傳算法部分，種群數設定為500，進化代數設定為100，變量精度取le-6，采用實數編碼，使用normGeomSelect選擇函數、arithXover交叉函數和nonUnifMutation變異函數。

3.2 模型訓練

在數據收集上，對于綠色建筑風險指標的量化，本研究引進風險度的概念，根據每個風險指標發(fā)生可能性大小以及損失度，利用可能性大小與損失度的乘積來作為風險度量化的參考標準（式10），具體數值可在乘積周圍合理浮動?？赡苄源笮∨c損失度的量化均分為5級：很高（5分）、較高（4分）、中等（3分）、較低（2分）、低（1分）：

R=S*/ （10）

式（10）中，Js表示發(fā)生可能性大小，L表示損失度。

同時，綠色建筑風險等級分級標準見表3，根據輸出值大小及表3可得出項目的風險評價等級：

在大量閱讀有關綠色改造風險的文獻、案例以及調查咨詢有綠色改造經驗的開發(fā)商收集數據資料后，共收集樣本49個，訓練樣本40個，測試樣本9個。由于篇幅有限，只列出經過權重分配、歸一化處理后的部分訓練樣本數據（表4）。

模型訓練通過Matlab編程，配合開發(fā)的Gaot遺傳算法工具箱，實現(xiàn)模型的構建、訓練以及后期的仿真。樣本數據經過82次收斂迭代后，達到誤差精度要求，誤差下降趨勢見圖5。為了便于比較，將參數設置相同的BP神經網絡訓練結果附上（圖6）。

由圖5、圖6可見，利用遺傳算法優(yōu)化的模型訓練誤差可達0.000 347 58，低于傳統(tǒng)BP模型的0.003 478，且迭代次數也有所下降，收斂速度有所提高。同時，輸入測試樣本后兩種模型網絡輸出與目標輸出的誤差對照表見表5、表6。

由表5、表6可見，9個測試樣本優(yōu)化后的神經網絡相對誤差均在5%之下，沒有出現(xiàn)誤判，而傳統(tǒng)BP神經網絡相對誤差普遍較5%大，且存在個別誤判情況。因此，GA-BP神經網絡較BP神經網絡在誤差與速度上都更具有優(yōu)勢。同時，GA-BP神經網絡應用于既有建筑綠色改造項目風險評價的評價結果與實際專家評分結果基本一致，準確性高，實用性較強，在實際綠色改造項目風險評價中可節(jié)省邀請專家進行打分的時間與精力，提高效率。

4 GA-BP神經網絡模型實例應用

4.1 項目簡介

本研究選取武漢市城鄉(xiāng)建設委員會現(xiàn)所處的辦公樓——武漢建設大廈為研究對象。該項目于2012年綠色改造后取得綠色建筑3星級認證;位處武漢市江漢區(qū)常青路45號，占地面積為6 360 m2，總建筑面積為25 318 m2，其中地下室面積為3 934.90mL;地上5層，地下1層，1、2層之間局部設有夾層。綠色改造主要是針對該建筑的功能設計、平面設計、空調系統(tǒng)等進行優(yōu)化，使能源的利用效率得到了提高[5]

4.2 建立GA-BP神經網絡風險評價模型

邀請項目改造方各部門相關負責人對圖1中24個風險評價指標及改造項目風險等級進行打分，將所得分數根據表2分配權重并進行歸一化處理，然后將數據輸入之前建立的模型中，經過76次收斂迭代后，訓練終止，結果見圖7。

4.3 結果分析

模型輸出數據為0.593 6，根據表3可得武漢建設大廈綠色改造項目風險等級為三級，風險等級中等，應注意比重較大的風險。主要在項目建設決策及設計階段，例如與原建筑設計單位對接不夠，資料掌握不夠，后期發(fā)現(xiàn)缺乏滿足改造要求的新型材料等。故對于改造方來說，應加大決策及設計階段的風險管理[6-9]。

根據該綠色改造項目案例以及專家訪談，對于綠色改造項目決策及設計階段常見風險總結出以下應對措施：

1）為了降低談判及交易的成本風險，可利用大數據技術收集信息提前做好與原住戶的溝通工作，正確宣傳綠色建筑建設理念，科普建筑節(jié)能及智慧建筑的知識，提高與原設計單位溝通效率;還可使用Bo&Albert提出的DB（ design-build）設計建造一體化交付模式來進行綠色改造，或者使用當下綠色改造中最普遍的合同能源管理模式。

2）對于融資風險，應努力引進社會資本進行融資，實現(xiàn)多渠道融資。但由于中國城市綠色金融市場正從起步走向成熟，需要經歷較長時間的培育，故引進綠色金融應注意行業(yè)環(huán)境風險，密切關注國家金融政策動態(tài)，提前做好融資可行性分析報告。

3）對于政策類風險，應強化政府職能，制定相關政策應從激勵綠色改造的角度出發(fā)，鼓勵創(chuàng)新，幫助推進綠色改造市場化運作。政府還應加大宣傳既有建筑綠色改造的優(yōu)點，規(guī)范相關從業(yè)人員的培訓及資格認證，發(fā)揮領頭作用，提高普通民眾對綠色改造的意識，推進中國既有建筑綠色改造進程。

5 總結與展望

綜上所知，既有建筑綠色改造項目風險等級普遍比較高，這很大程度上是經驗不足的原因。在綠色改造過程中，對于改造方來說，很多決策階段和設計階段的風險都容易被忽視。根據實際數據來看，決策階段和設計階段重要的風險因素并不少。例如，有關綠色改造相關法律政策不完善、與建筑原有設計單位對接不夠，改造設計技術和材料風險、改造引進技術、設備和材料等對投資收益、成本估算不準確風險等。針對這些特異性的風險因素，作為改造方應在決策及設計階段格外重視。

GA-BP算法大大降低了BP算法中初始權值與閾值隨機選取導致模型訓練易陷入局部最小值的風險，并提高了神經網絡的收斂速度和模型評價的準確性[10-13]。將GA-BP算法應用于既有建筑綠色改造項目風險評價是一次全新的嘗試，同時還引入了AHP法給評價體系中的指標分配了相應的權重，使評價體系更加科學合理，實現(xiàn)了人工智能領域相關知識在工程領域的應用。

參考文獻：

[1]王瑩，竇蕾，劉思彤.基于改進FMEA的既有建筑綠色改造風險評價[J]生態(tài)經濟，2018，34（1）： 89-93

[2]劉曉君，王斌，白春妮.基于ANP-Grev既有居住建筑節(jié)能改造項目合同能源管理風險評價[J]施T技術，2016，45（4）：56-61。

[3]傅薈璇，趙紅.MATLAB神經網絡應用設計[M].北京：機械工業(yè)出版社，2010.

[4]強明輝，王宇遺傳算法優(yōu)化BP神經網絡的粒徑大小研究[J]自動化與儀表，2017，32（2）：1-4.

[5]陳宏，彭波，王凡.武漢建設大廈節(jié)能改造及運行效果[J]暖通空調，2014，44（11）：8-13.

[6]梁棟，張鳳琴，陳大武，等.一種基于決策樹和遺傳算法-BP神經網絡的組合預測模型[J].中國科技論文，2015，10（2）：169-174.

[7]李廣冉.既有建筑節(jié)能改造項目風險管理研究[D].北京：北京交通大學，2014.

[8]陶凱，郭漢丁，王星，等.既有建筑節(jié)能改造項目風險共擔機 理研究架構[J].土木工程與管理學報，2016，33（4）：109-115.

[9]吳麗梅.EMC模式下既有建筑節(jié)能改造風險研究[D].上海：華東交通大學，2012.

[10]楊曉紅，劉樂善.用遺傳算法優(yōu)化神經網絡結構[J]計算機應用與軟件，1997（3）：59-65.

[11]柳益君，吳訪升，蔣紅芬，等，基于CA-BP神經網絡的環(huán)境質量評估方法[J]計算機仿真，2010，27（7）：121-124

[12]呂景剛，朱孔國.基于CA-BP神經網絡的建筑安全評價[J].計算機系統(tǒng)應用，2011，20（6）：243-247.

[13]高玉琴，張利昕，吳煥霞，改進CA-BP神經網絡評價算法及其應用[J].水利經濟，2012，30（6）：7-10.

基金項目：國家自然科學基金面上項目（ 71073117）

作者簡介：陳悅華（1968-），男，廣西北海入，副教授，博士，主要從事工程項目管理、建筑產業(yè)化等研究，（電話）18071121131（電子信箱）Vuhchen@whu.edu.cn;通信作者，張銳琪（1995-），女，湖北黃石人，在讀碩士研究生，主要從事綠色建筑、建設工程風險管理等研究，（電話）13297940668（電子信箱）565837426@qq.com。