數(shù)據(jù)驅(qū)動技術在建筑能耗模擬中的應用研究＊

張 濤，王雯翡，成雄蕾，王沨楓

（中國建筑科學研究院有限公司，北京 100013）

1 引言

建筑用能占全球能源消費的30%，約1/3 的二氧化碳排放與其相關[1]。顯然，建筑節(jié)能已成為建筑可持續(xù)發(fā)展的熱點，開展建筑節(jié)能工作十分必要[2]。建筑能耗模擬涉及到機理復雜的熱濕傳遞過程，是一個復雜非線性、多擾動系統(tǒng)，針對建筑能耗預測問題相關學者提出了多種預測方法，如圖1 所示，包括物理模型法、基于統(tǒng)計學的方法。

圖1 建筑能耗建模與預測方法的匯總分類

基于統(tǒng)計的方法包括回歸法和數(shù)據(jù)驅(qū)動法，多元線性回歸法建立顯式的數(shù)學表達式模型來預測建筑能耗，其優(yōu)點是模型結(jié)構簡潔，缺點是預測精度較差，可移植性不強[3-4]。數(shù)據(jù)驅(qū)動法包括支持向量機法（Support Vector Machine,SVM）、人工神經(jīng)網(wǎng)絡法（Artificial Neural Network，ANN）、遺傳算法（Genetic Algorithm，GA）、決策樹（Decision Tree，DT）等。

本文首先針對傳統(tǒng)建筑能耗建模方法進行回顧，分析不同模擬軟件的優(yōu)缺點和適應性。然后針對近年來出現(xiàn)的數(shù)據(jù)驅(qū)動建筑能耗模型方法進行分析，重點考慮輸入數(shù)據(jù)特性和數(shù)據(jù)預處理對算法精確度的影響。最后分析數(shù)據(jù)驅(qū)動方法的局限性和未來發(fā)展方向。

2 建筑能耗模擬分析軟件

一般認為DEST、EnergyPlus 等在建筑負荷計算表現(xiàn)優(yōu)良，EQUEST、TRNSYS 等更適合系統(tǒng)模擬[5]。而對于有明顯的溫度分層和對流傳熱的高大空間建筑，一般通過引入新的傳熱推導理論和數(shù)學方法進行分析研究，如考慮高大空間氣流和溫度分布，再結(jié)合模擬軟件分析獲得能耗參數(shù)。以EnergyPlus 軟件為例，允許用戶實現(xiàn)建筑的幾何建模、材料參數(shù)設置和其內(nèi)暖通空調(diào)系統(tǒng)特性設置，允許用戶設置設計日和年度模擬，對于設計日的模擬，用戶需設置如最大值和最小值干球溫度、濕球溫度等典型日的參數(shù)。對于年度的模擬需要提供如干/濕球溫度、太陽輻射、風速/風向等天氣參數(shù)。軟件計算結(jié)果包括區(qū)域溫度、建筑能源消費、冷/熱負荷等[6]。建筑能耗模擬預測模型框架如圖2 所示。

圖2 建筑能耗模擬預測模型框架

3 數(shù)據(jù)驅(qū)動技術

3.1 回歸分析預測法

回歸分析預測法是通過對兩上或兩個以上的自變量與一個因變量的相關分析，建立預測模型進行預測的方法。當自變量與因變量之間存在線性關系時，稱為多元線性回歸分析。多元線性回歸預測方法建立顯式的數(shù)學表達式模型來預測建筑能耗，其優(yōu)點在于模型結(jié)構簡潔，易于建立；不足之處在于對非線性系統(tǒng)需要人為確定部分模型參數(shù)，預測精度較差，可移植性不強。多重共線性指在多元線性回歸方程中，自變量之間有較強的線性關系，這種關系若超過了因變量與自變量的線性關系，則回歸模型的穩(wěn)定性受到破壞，回歸系數(shù)估計不準確。

3.2 機器學習方法

機器學習預測建筑能耗需要基于建筑歷史數(shù)據(jù)的訓練，可較好反映建筑實際運行能耗特征。K-nearest neighbors（KNN）是一種模式聚類技術，該方法給定一組歷史觀測值（能源消費和其他變量)，首先創(chuàng)建集群，針對用戶定義的特性構造峰值負載、平均值、日負荷變化的大小、日消耗（積分）等。計算每個時間序列的特征后進行分類。使用簡單的歐幾里德距離表征能源消耗的差異，通過觀測數(shù)據(jù)與集群進行比較，確定兩個標準的親密程度，進而進行預測。該方法預測精度高，且適用于具有小時時間步長的短期預測。如文獻[7]基于機器學習的K-means 和KNN 算法，對上海某酒店建立記憶網(wǎng)絡模型，利用處理后的能耗數(shù)據(jù)預測逐時能耗數(shù)據(jù)。預測結(jié)果表明，能耗異常數(shù)據(jù)識別與修復方法能準確識別并修復建筑能耗異常數(shù)據(jù)，提高能耗預測效果。

建筑能源模型分為短期、中期和長期能源預測，影響結(jié)果的相關因素包括人為因素、社會因素和環(huán)境氣候等，預測十分困難。機器學習模型能基于先前記錄的數(shù)據(jù)準確地預測能耗，目前使用最為廣泛的智能模型大多是基于人工神經(jīng)的網(wǎng)絡（ANN）發(fā)展而來[8]。SVM 是一種廣泛應用于信號處理、最優(yōu)控制和系統(tǒng)中建模的統(tǒng)計學習方法，適用于有限樣本回歸，具有良好的回歸泛化能力。SVM 的思想是選擇適當?shù)姆蔷€性映射函數(shù)，映射輸入變量的低維空間到高維特征空間。

4 建筑能耗輸入數(shù)據(jù)影響

輸入數(shù)據(jù)集具有的不同的特性，直接影響建模和預測精度。基于文獻調(diào)研，數(shù)據(jù)來源主要分為三大類：真實的數(shù)據(jù)、模擬的數(shù)據(jù)、基準數(shù)據(jù)，分別占所研究數(shù)據(jù)的64%、20%和16%。實際數(shù)據(jù)直接從調(diào)控中心進行讀取或現(xiàn)場調(diào)查，模擬數(shù)據(jù)是基于物理的模型計算而得，例如使用EnergyPlus、TRNSYS 等工具獲得?；鶞蕯?shù)據(jù)來自公開提供的數(shù)據(jù)集。建筑能耗輸入數(shù)據(jù)集中的特征可分為四大類：天氣數(shù)據(jù)等所有與室外條件有關的數(shù)據(jù)，建筑物的描述和室內(nèi)條件環(huán)境，居住者行為，時間序列的建筑物運行數(shù)據(jù)。

5 結(jié)論

本文分析了主要建筑能耗建模和預測技術，從傳統(tǒng)的建筑模擬程序，到回歸模型、統(tǒng)計回歸模型、KNN、決策樹、支持向量機、人工神經(jīng)網(wǎng)絡等方法。分析不同方法的優(yōu)缺點，盡管數(shù)據(jù)驅(qū)動方法提供了非常廣泛的工具來建模，且預測模型能適應許多不同情況的能源消耗，但是針對不同建筑物的類型、可用數(shù)據(jù)等，均需具體問題具體分析，利用不同方法求解。目前針對具體不同類型的建筑，采用特定預測方法開展預測研究較多。而通過將數(shù)據(jù)驅(qū)動能耗預測模型嵌入到建筑能效管理平臺中，進一步節(jié)約資源、提高能源效率的研究并不多見，未來這方面的研究具有重要意義。