基于BIM-DB仿真和LS-SVM的建筑能耗預(yù)測(cè)

吳賢國(guó)，鄧婷婷，陳 彬，陶妍艷，王 雷

(1.華中科技大學(xué) 土木與水利工程學(xué)院，湖北 武漢 430074;2.武昌首義學(xué)院 城市建設(shè)學(xué)院，湖北 武漢 430064)

近些年來，我國(guó)建筑業(yè)能耗在不斷上升，從2009年到2017年，建筑業(yè)能源消費(fèi)總量由4712萬(wàn)t標(biāo)準(zhǔn)煤大幅度增加至8555萬(wàn)t標(biāo)準(zhǔn)煤[1]。而在建筑運(yùn)營(yíng)階段，外圍護(hù)結(jié)構(gòu)對(duì)建筑能耗的影響占一半以上，因此，基于建筑外圍護(hù)結(jié)構(gòu)對(duì)建筑能耗進(jìn)行研究具有重要意義，在設(shè)計(jì)階段以外圍護(hù)結(jié)構(gòu)對(duì)建筑能耗進(jìn)行預(yù)測(cè)，可以較大程度提高建筑能耗優(yōu)化效率并提供數(shù)據(jù)依據(jù)，以達(dá)到節(jié)能目標(biāo)。

對(duì)建筑進(jìn)行建筑能耗預(yù)測(cè)最主要的兩個(gè)步驟為：獲取建筑能耗數(shù)據(jù)和進(jìn)行建筑能耗預(yù)測(cè)分析。從國(guó)內(nèi)外研究來看，對(duì)于設(shè)計(jì)階段的建筑，建筑能耗數(shù)據(jù)獲取方式主要有兩種，分別為能耗計(jì)算和數(shù)值模擬。Lin等[2]利用建筑能耗經(jīng)驗(yàn)公式求出圍護(hù)結(jié)構(gòu)與建筑能耗的關(guān)系，并對(duì)辦公建筑能耗進(jìn)行優(yōu)化分析；Zhang[3]建立了可能影響節(jié)能效果的數(shù)學(xué)模型，其中需要優(yōu)化的參數(shù)多取自經(jīng)驗(yàn)公式。Naderi等[4]為了對(duì)智能遮陽(yáng)百葉窗的結(jié)構(gòu)規(guī)格和控制參數(shù)進(jìn)行優(yōu)化，使用EnergyPlus進(jìn)行仿真，利用JEPLUS識(shí)別目標(biāo)函數(shù)；Zemero[5]等使用EnergyPlus輸出最小化年度能耗和輸出建筑最小建設(shè)成本。以上獲取數(shù)據(jù)的方式均能得到比較完整的數(shù)據(jù)，但是利用能耗計(jì)算獲取數(shù)據(jù)會(huì)有很大的工作量，而僅數(shù)值模擬有可能會(huì)導(dǎo)致較大誤差。

國(guó)內(nèi)外許多學(xué)者采用了多種方式進(jìn)行建筑能耗預(yù)測(cè)。樊麗軍[6]針對(duì)城市建筑節(jié)能，提出一種基于多元線性回歸的建筑能耗預(yù)測(cè)模型，證實(shí)了此模型評(píng)估后實(shí)施改善措施后建筑的節(jié)能潛力。陳彥熹等[7]通過監(jiān)測(cè)綠色辦公建筑HVAC系統(tǒng)獲取實(shí)際能耗數(shù)據(jù)，證實(shí)了分類多層感知器神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型效果最好。Zhong等[8]利用建筑夏季逐時(shí)冷負(fù)荷數(shù)據(jù)作為能耗數(shù)據(jù)，提出了一種基于向量場(chǎng)的支持向量回歸方法，結(jié)果表明，該方法在精度、魯棒性和泛化能力方面均優(yōu)于常用方法。以上研究在建筑能耗預(yù)測(cè)方面均有所貢獻(xiàn)，但是預(yù)測(cè)精度無法達(dá)到要求，在建筑設(shè)計(jì)階段對(duì)建筑能耗進(jìn)行預(yù)測(cè)分析時(shí)可能會(huì)存在較大誤差。

本文以某棟擬建教學(xué)樓為例，以圍護(hù)結(jié)構(gòu)參數(shù)為研究對(duì)象，利用正交試驗(yàn)，基于BIM(Building Information Modeling)和DesignBuilder獲取建筑能耗仿真模型并獲取能耗數(shù)據(jù)集，這樣可以在減少工作量的前提下，利用BIM可視化及優(yōu)化性提高仿真數(shù)據(jù)的準(zhǔn)確性；然后利用LS-SVM模型對(duì)建筑能耗仿真數(shù)據(jù)進(jìn)行預(yù)測(cè)；最后與其他三個(gè)預(yù)測(cè)模型進(jìn)行預(yù)測(cè)精度對(duì)比，驗(yàn)證LS-SVM(Least Squares Support Vector Machines)模型的可靠性和適用性，為建筑能耗預(yù)測(cè)提供一種新思路。

1 方法及原理

1.1 DesignBuilder建筑能耗模擬

1.1.1 建筑能耗模擬軟件

隨著計(jì)算機(jī)技術(shù)的不斷進(jìn)步，計(jì)算機(jī)在建筑能耗模擬方面的應(yīng)用也越來越廣泛。在國(guó)外，使用DOE-2，EnergyPlus，ECOTECT以及DesignBuilder進(jìn)行能耗模擬最為頻繁。在國(guó)內(nèi)，建筑能耗模擬軟件以DeST和PKPM為主。這六個(gè)建筑能耗模擬軟件都有各自的功能特點(diǎn)，其中DesignBuilder和EnergyPlus是這幾個(gè)軟件中功能最齊全的，既可以進(jìn)行能耗的動(dòng)態(tài)模擬，又可以對(duì)自然通風(fēng)、照明以及熱舒適度進(jìn)行設(shè)計(jì)計(jì)算。DesignBuilder和EnergyPlus兩個(gè)軟件中，DesignBuilder存在圖形界面，即在進(jìn)行能耗分析時(shí)，可以顯示出建筑模型的大致結(jié)構(gòu)，便于使用者運(yùn)用軟件。

綜上可得，為了更加全面且形象地進(jìn)行建筑能耗模擬，本文利用DesignBuilder軟件進(jìn)行建筑能耗模擬是一個(gè)比較好的選擇。

1.1.2 DesignBuilder軟件

DesignBuilder軟件的能耗計(jì)算原理為熱平衡法，采用這種方法可以準(zhǔn)確獲取建筑能耗熱平衡方程。在求外圍護(hù)結(jié)構(gòu)熱傳遞時(shí)，運(yùn)用的方法為熱傳導(dǎo)傳遞函數(shù)系數(shù)法(Conduction Transfer Function，CTF)。CTF是反應(yīng)系數(shù)法的一種，這個(gè)方法的核心是求解所在區(qū)域的空氣熱平衡方程，在方程中所利用的溫度是一種基于墻體內(nèi)表面的溫度而非室內(nèi)空氣的溫度，故計(jì)算結(jié)果會(huì)更加接近實(shí)際值，其中區(qū)域熱平衡方程為：

E=Q1+Q2+Q3+Q4+Q5

(1)

式中：E為存儲(chǔ)于區(qū)域空氣中的總能量，即空氣熱容；Q1為總內(nèi)部對(duì)流負(fù)荷；Q2為區(qū)域表面對(duì)流換熱；Q3為區(qū)域內(nèi)空氣混合所致的熱交換；Q4為外部空氣滲透造成的熱交換；Q5為系統(tǒng)熱量輸出。

1.1.3 基于BIM和DB的建筑能耗模擬

由于BIM技術(shù)具有可視化、協(xié)調(diào)性、模擬性、優(yōu)化性等特點(diǎn)，以BIM技術(shù)為核心的各種軟件為綠色建筑分析自動(dòng)化、智能化提供了基礎(chǔ)和平臺(tái)。因此，本文基于BIM模型進(jìn)行建筑能耗分析，將Revit生成的rvt模型文件轉(zhuǎn)換為gbXML格式文件之后導(dǎo)入Designbuilder軟件生成skh格式的模型，在Designbuilder軟件中對(duì)模型的相應(yīng)參數(shù)進(jìn)行設(shè)置，便可對(duì)建筑模型的能耗進(jìn)行計(jì)算。

1.2 最小二乘支持向量機(jī)

支持向量機(jī)模型可以很好地克服非線性問題，具有全局性并適用于小樣本研究[9]。在處理非線性的優(yōu)化過程中，為了解決泛化性能較差的問題，可以引入希爾伯特空間，并利用函數(shù)φ(x)把樣本數(shù)據(jù)映射至空間中，再通過核函數(shù)達(dá)到函數(shù)線性化的效果，就可以利用線性支持向量回歸機(jī)解決問題。非線性支持向量機(jī)得到最優(yōu)的非線性回歸函數(shù)為：

(2)

最小二乘支持向量機(jī)(LS-SVM)對(duì)傳統(tǒng)的SVM進(jìn)行了改進(jìn)，采用最小二乘線性系統(tǒng)作為損失函數(shù)，將SVM中優(yōu)化問題的不等式約束轉(zhuǎn)化為等式約束。設(shè)訓(xùn)練的樣本集為：(xi,yi)，xi∈Rn，yi∈{-1,+1}，i=1,2,…,N，其中N為訓(xùn)練樣本的總數(shù)，n為樣本空間的維數(shù)，y為樣本的類別標(biāo)簽。根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，LS-SVM的分類問題的最優(yōu)分類面由下面的優(yōu)化問題得到[4]：

(3)

式中：φ(·)為非線性映射；ω為權(quán)重；ξi為誤差變量；c為懲罰系數(shù),c>0。于是，LS-SVM的優(yōu)化問題所對(duì)應(yīng)的Lagrange函數(shù)為：

(4)

式中：ai為L(zhǎng)agrange乘子，ai>0，i=1,2,…,N。對(duì)式(2)(3)進(jìn)行優(yōu)化，令L對(duì)ω，b，ai，ξi的偏導(dǎo)數(shù)等于0，然后化簡(jiǎn)可以得到以下方程：

(5)

式中：Z=(φ(x1)Ty1,φ(x2)Ty2,…,φ(xN)TyN)；Y=(y1,y2,…,yN)；mN=[1,1,…,1]；定義Ω=ZZT=[qij]N×N，利用Mercer條件可得qij=yiyjφ(xi)T，φ(xj)=yiyjK(xi,xj)，K(xi,xj)為核函數(shù)。用最小二乘法即可求解式(5)。

通過以上公式的推導(dǎo)，LS-SVM的分類回歸問題可以通過求解以上的線性矩陣方程獲得，綜合以上幾個(gè)式子得到最優(yōu)回歸函數(shù)f(x)為：

(6)

1.3 基于BIM和DB的建筑能耗數(shù)據(jù)獲取

將建筑物的BIM模型導(dǎo)入Designbuilder中，并分別輸入經(jīng)正交試驗(yàn)得到的試驗(yàn)方案，進(jìn)行各外圍護(hù)結(jié)構(gòu)參數(shù)處在不同水平下的建筑能耗模擬，輸出n組Designbuilder中獲取的建筑能耗結(jié)果，作為下面建立基于LS-SVM建筑能耗預(yù)測(cè)模型的輸入原始數(shù)據(jù)集。

1.3.1 基于BIM和DB建筑能耗模型獲取

BIM技術(shù)具有可視化、協(xié)調(diào)性、模擬性、優(yōu)化性等特點(diǎn)，以BIM技術(shù)為核心的各種軟件為綠色建筑分析自動(dòng)化、智能化提供了基礎(chǔ)和平臺(tái)。因此，本文基于構(gòu)建BIM模型進(jìn)行建筑能耗分析，將Revit生成的rvt模型文件轉(zhuǎn)換為gbXML格式文件之后導(dǎo)入Designbuilder軟件生成skh格式的模型，在Designbuilder軟件中對(duì)模型的相應(yīng)參數(shù)進(jìn)行設(shè)置，便可對(duì)建筑模型的能耗進(jìn)行計(jì)算。

1.3.2 建筑能耗模擬參數(shù)選取

在影響建筑能耗的因素之中，外圍護(hù)結(jié)構(gòu)設(shè)計(jì)參數(shù)對(duì)建筑能耗所產(chǎn)生的影響值最大[10]，因此本文將選取與建筑能耗水平相關(guān)性較強(qiáng)的6個(gè)建筑圍護(hù)結(jié)構(gòu)設(shè)計(jì)參數(shù)：外墻綜合傳熱系數(shù)、外墻太陽(yáng)輻射吸收系數(shù)[11]、屋面綜合傳熱系數(shù)、屋面太陽(yáng)輻射吸收系數(shù)、外窗綜合傳熱系數(shù)、窗墻比[12]進(jìn)行研究。表1給出了選取的外圍護(hù)結(jié)構(gòu)設(shè)計(jì)參數(shù)及依據(jù)。

表1 外圍護(hù)結(jié)構(gòu)設(shè)計(jì)參數(shù)及依據(jù)

1.3.3 基于Allpairs正交試驗(yàn)數(shù)據(jù)集獲取

正交試驗(yàn)設(shè)計(jì)方法是一種在概率論、數(shù)理統(tǒng)計(jì)和實(shí)踐經(jīng)驗(yàn)的理論背景下，以獲得優(yōu)化設(shè)計(jì)方案的方法[13]。它在滿足試驗(yàn)科學(xué)性的同時(shí)，也能顧及到試驗(yàn)的工作量以及復(fù)雜程度。因此選擇正交實(shí)驗(yàn)設(shè)計(jì)獲取建筑外圍護(hù)結(jié)構(gòu)設(shè)計(jì)參數(shù)的模擬數(shù)據(jù)，依據(jù)表1中每個(gè)圍護(hù)結(jié)構(gòu)設(shè)計(jì)參數(shù)的建議取值范圍對(duì)因子水平進(jìn)行合理劃分，采用Allpairs軟件獲取正交設(shè)計(jì)水平表，在一定程度上保證所研究方案的齊整度與分散性，避免重復(fù)與缺失。

1.4 基于LS-SVM模型的建筑能耗預(yù)測(cè)

1.4.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理主要是對(duì)建筑能耗數(shù)據(jù)進(jìn)行歸一化，以避免樣本中一些數(shù)據(jù)過大或過小，增加訓(xùn)練過程中算法的負(fù)擔(dān)，導(dǎo)致數(shù)據(jù)被淹沒或網(wǎng)絡(luò)不收斂。數(shù)據(jù)歸一化可以使所輸入數(shù)據(jù)處于一定區(qū)間內(nèi)，如[0,1][-1,1]，消除了不同樣本特征值維數(shù)對(duì)預(yù)測(cè)效率和精度的影響。由于將數(shù)據(jù)歸一化到區(qū)間[-1,1]上時(shí)，比區(qū)間[0,1]更能避免淹沒輸入向量的特征，因此本文選擇將樣本輸入數(shù)據(jù)歸一化到區(qū)間[-1,1]。本文利用式(1)將輸入變量和輸出能耗統(tǒng)一到[-1,1]區(qū)間，實(shí)現(xiàn)數(shù)據(jù)歸一化、統(tǒng)一變量維度，使得每個(gè)特征在預(yù)測(cè)過程中起到效果。

(7)

式中：y為歸一化之后的標(biāo)準(zhǔn)值；ymax，ymin分別默認(rèn)取1，-1；x為樣本值；xmax，xmin分別為樣本值的最大值和最小值。

完成數(shù)據(jù)預(yù)處理之后，對(duì)原始樣本集進(jìn)行劃分，隨機(jī)選取約4/5的樣本作為訓(xùn)練集，用來LS-SVM建筑能耗預(yù)測(cè)模型的訓(xùn)練，剩下五分之一的樣本作為測(cè)試集，用來檢驗(yàn)LS-SVM建筑能耗預(yù)測(cè)模型的泛化性能和預(yù)測(cè)精度。

1.4.2 參數(shù)優(yōu)化

(1)核函數(shù)選擇

核函數(shù)對(duì)支持向量機(jī)預(yù)測(cè)精度有很大的影響。對(duì)于非線性問題，為了得到泛化性能良好的函數(shù)，可通過核函數(shù)將其轉(zhuǎn)換成線性問題進(jìn)行研究。在不同預(yù)測(cè)模型中，應(yīng)根據(jù)研究特點(diǎn)選擇合適的核函數(shù)。由于高斯核函數(shù)在具有徑向基核函數(shù)優(yōu)勢(shì)的同時(shí)，還具有良好的抗干擾能力，本文將采用高斯核函數(shù)作為預(yù)測(cè)模型的核函數(shù)進(jìn)行研究，其表達(dá)式為[14]：

(8)

式中：xi為輸入變量；x為輸出變量。

(2)參數(shù)優(yōu)化

確定核函數(shù)后，需要選擇寬度參數(shù)σ2和懲罰系數(shù)c，因?yàn)檫@兩個(gè)參數(shù)均會(huì)較大程度影響支持向量機(jī)的泛化水平。如果寬度參數(shù)σ2太小，會(huì)導(dǎo)致過度學(xué)習(xí)；如果寬度參數(shù)σ2太大，會(huì)導(dǎo)致學(xué)習(xí)不足，使泛化能力超出合理范圍；而懲罰系數(shù)c對(duì)泛化水平的影響與寬度參數(shù)σ2恰好相反，因此，合適的參數(shù)選取方法和參數(shù)選取結(jié)果驗(yàn)證方法就顯得十分重要。

目前常用枚舉法、網(wǎng)格搜索法、粒子群優(yōu)化算法進(jìn)行模型參數(shù)選取[15]。網(wǎng)格搜索法是一種全局搜索法，即將各個(gè)參數(shù)所有可能的組合結(jié)果列出并生成“網(wǎng)格”，然后高效地通過搜尋網(wǎng)格中所有結(jié)果來確定最優(yōu)解。與遺傳算法、粒子群算法相比，網(wǎng)格搜索法難以造成局部最優(yōu)的情況，也不會(huì)像枚舉法一樣耗費(fèi)較多時(shí)間。因此，本文將采取網(wǎng)格搜索法進(jìn)行參數(shù)選取。

K折交叉驗(yàn)證常用于支持向量機(jī)模型性能的驗(yàn)證[16]，它將原始樣本集分為K個(gè)樣本子集，其中隨機(jī)選取1個(gè)樣本用來測(cè)試，剩余K-1個(gè)樣本用來訓(xùn)練，交叉驗(yàn)證重復(fù)k次，平均k次結(jié)果獲得估測(cè)，可以避免欠學(xué)習(xí)狀態(tài)或避免過學(xué)習(xí)狀態(tài)。因此選擇K折交叉驗(yàn)證方法，對(duì)網(wǎng)格搜索得到的參數(shù)組合進(jìn)行尋優(yōu)，確定使模型精度最高的參數(shù)為最優(yōu)參數(shù)。

1.4.3 預(yù)測(cè)精度分析

采用常用的評(píng)價(jià)準(zhǔn)則對(duì)LS-SVM預(yù)測(cè)模型進(jìn)行性能評(píng)價(jià)，主要涉及到兩個(gè)指標(biāo)：均方根誤差RMSE和擬合優(yōu)度R2。均方根誤差RMSE體現(xiàn)預(yù)測(cè)值與真實(shí)值的離散程度，而擬合優(yōu)度R2用于驗(yàn)證預(yù)測(cè)值與真實(shí)值之間的擬合程度，兩個(gè)指標(biāo)分別由公式(3)(4)給出：

(9)

(10)

2 案例分析

2.1 工程背景

某地的一所高校將新建一棟教學(xué)樓，該教學(xué)樓的選址位于高校的西南角，建筑用地面積為33350 m2，占地面積為11573 m2，總建筑面積達(dá)40318 m2，容積率為1.217。

該建筑將以電力為能源，采用中央空調(diào)系統(tǒng)調(diào)節(jié)室溫。上述區(qū)域被劃分為教室制冷，溫度設(shè)置為26℃，制冷起始溫度(即外部氣溫超過該溫度則開始自動(dòng)制冷)為29℃；采暖溫度設(shè)置為25℃，采暖起始溫度(即外部氣溫低于該溫度則開始自動(dòng)采暖)為10℃。教師休息室區(qū)域制冷溫度為26℃，采暖設(shè)置為25℃；廁所區(qū)域和走廊區(qū)域都為無采暖和無制冷區(qū)域。所有區(qū)域照明功率都為8 W/m2。

2.2 基于BIM和DB建筑能耗數(shù)據(jù)獲取

2.2.1 基于BIM和DB建筑能耗模型獲取

以教學(xué)樓CAD圖紙為參照，在Revit中建立教學(xué)樓BIM模型后，通過文件格式轉(zhuǎn)換，將模型導(dǎo)入DesignBuilder軟件中獲得建筑能耗仿真模型，其結(jié)構(gòu)模型如圖1所示。去除了地下一層的設(shè)計(jì)，簡(jiǎn)化后的建筑模型為5層，故軟件模擬出來的建筑總面積為31484.4 m2，建筑總體積為129718 m2。

圖1 某在建教學(xué)樓建筑結(jié)構(gòu)DB模型

2～5層為標(biāo)準(zhǔn)層。為進(jìn)一步提高模擬速度，對(duì)功能相同的相鄰房間進(jìn)行合并處理。將模型建立好之后，對(duì)工程概況所提及的相應(yīng)參數(shù)進(jìn)行設(shè)置，便可以進(jìn)行建筑能耗仿真模擬。

2.2.2 建筑能耗模擬圍護(hù)結(jié)構(gòu)參數(shù)選取

根據(jù)1.3.2節(jié)中可知，本文將選取6個(gè)重要的外圍護(hù)結(jié)構(gòu)設(shè)計(jì)參數(shù)，分別為：外墻綜合傳熱系數(shù)、外墻太陽(yáng)輻射吸收系數(shù)、屋面綜合傳熱系數(shù)、屋面太陽(yáng)輻射吸收系數(shù)、外窗綜合傳熱系數(shù)、窗墻比，來進(jìn)行建筑能耗的仿真模擬。

2.2.3 基于Allpairs正交試驗(yàn)數(shù)據(jù)集獲取

本文利用Allpairs軟件設(shè)計(jì)正交表，正交試驗(yàn)的因子數(shù)為6，水平數(shù)為6，則選用L54(66)正交表，獲取正交設(shè)計(jì)表后，再利用Allpairs軟件得到圍護(hù)結(jié)構(gòu)設(shè)計(jì)參數(shù)正交試驗(yàn)表，然后將每一個(gè)正交試驗(yàn)方案依次輸入DesignBuilder軟件中，模擬得到54組正交試驗(yàn)建筑能耗結(jié)果，如表2所示。

表2 建筑能耗仿真數(shù)據(jù)

2.3 基于LS-SVM模型的建筑能耗預(yù)測(cè)

2.3.1 數(shù)據(jù)預(yù)處理

以本工程教學(xué)樓為例進(jìn)行建筑能耗的預(yù)測(cè)，根據(jù)圍護(hù)結(jié)構(gòu)相關(guān)參數(shù)分析可得，樣本特征中應(yīng)包含外墻綜合傳熱系數(shù)、外墻太陽(yáng)輻射吸收系數(shù)、屋面綜合傳熱系數(shù)、屋頂太陽(yáng)輻射吸收系數(shù)、外窗綜合傳熱系數(shù)、窗墻比。根據(jù)表2正交試驗(yàn)仿真模擬結(jié)果可知，建筑能耗仿真結(jié)果一共有54組，隨機(jī)將仿真結(jié)果中的42組作為建筑能耗預(yù)測(cè)的訓(xùn)練集，剩下的12組設(shè)作建筑能耗預(yù)測(cè)的測(cè)試集以檢驗(yàn)預(yù)測(cè)效果。當(dāng)完成建筑能耗圍護(hù)結(jié)構(gòu)設(shè)計(jì)參數(shù)選擇之后，再進(jìn)行預(yù)處理，根據(jù)式(1)將建筑能耗數(shù)據(jù)范圍控制在區(qū)間[-1,1]之內(nèi)，使得每個(gè)特征都可以在預(yù)測(cè)過程中起到效果。

2.3.2 參數(shù)優(yōu)化

構(gòu)建支持向量機(jī)預(yù)測(cè)模型首先需要確定模型的主要參數(shù)，為了確認(rèn)寬度參數(shù)σ2與懲罰系數(shù)c的最優(yōu)取值，需要采取網(wǎng)格搜索法進(jìn)行全局搜索，利用K-CV進(jìn)行參數(shù)驗(yàn)證。首先，將σ2與c的搜索范圍均控制在[2-8，28]之內(nèi)；然后利用所選參數(shù)進(jìn)行尋優(yōu)，且取k=5，參數(shù)尋優(yōu)結(jié)果如圖2，3所示。

圖2 參數(shù)優(yōu)化結(jié)果3D視圖

圖3 參數(shù)優(yōu)化結(jié)果平面圖

圖2，3分別為參數(shù)優(yōu)化結(jié)果3D圖和平面圖，由兩圖可知：Bestc=27.8576，g=0.011842，CVmse=0.0020752。含義為：當(dāng)σ2為0.011842，c為27.8576時(shí)，此時(shí)經(jīng)過5折交叉驗(yàn)證得到的測(cè)試集的均方誤差達(dá)到最小值為0.0020752。

2.3.3 預(yù)測(cè)精度分析

(1)模型預(yù)測(cè)結(jié)果分析

利用上述優(yōu)化后的參數(shù)，進(jìn)行模型訓(xùn)練，得到能耗預(yù)測(cè)圖如圖4，5所示。

從圖4可以看出，訓(xùn)練集對(duì)建筑能耗進(jìn)行預(yù)測(cè)得到的結(jié)果與仿真模擬情況基本一致，擬合度R2為0.98304，經(jīng)計(jì)算，訓(xùn)練集中模擬值與預(yù)測(cè)值之間的均方根誤差mse為0.006079，驗(yàn)證了支持向量機(jī)預(yù)測(cè)模型精準(zhǔn)的預(yù)測(cè)效果。圖5為測(cè)試集預(yù)測(cè)結(jié)果對(duì)比，作用是驗(yàn)證訓(xùn)練集預(yù)測(cè)的模擬效果?？梢钥闯鰷y(cè)試集對(duì)建筑能耗進(jìn)行預(yù)測(cè)得到的結(jié)果與仿真模擬情況也基本一致，擬合度R2為0.99267，經(jīng)計(jì)算，測(cè)試集中模擬值與預(yù)測(cè)值之間的均方根誤差為0.0069255，充分驗(yàn)證了訓(xùn)練集預(yù)測(cè)擬合函數(shù)的正確性。

因此，依據(jù)所選指標(biāo)所構(gòu)建的支持向量機(jī)能耗預(yù)測(cè)模型預(yù)測(cè)精度較高，預(yù)測(cè)效果良好，可以基于所選指標(biāo)構(gòu)建多目標(biāo)優(yōu)化模型對(duì)能耗進(jìn)行優(yōu)化。

(2)模型精度對(duì)比分析

將支持向量機(jī)預(yù)測(cè)結(jié)果分別同BP(Back Propagation)人工神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)以及SVM預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析，如表3所示。

表3 各預(yù)測(cè)模型均方根誤差及擬合優(yōu)度

從表3可以看出：在利用不同預(yù)測(cè)模型對(duì)建筑能耗進(jìn)行預(yù)測(cè)的結(jié)果中，支持向量機(jī)模型的均方根誤差為0.077，擬合優(yōu)度為0.9927，其預(yù)測(cè)精度遠(yuǎn)遠(yuǎn)高于其余三類預(yù)測(cè)模型，進(jìn)一步驗(yàn)證了支持向量機(jī)預(yù)測(cè)應(yīng)用在建筑能耗上的優(yōu)勢(shì)。

3 結(jié) 論

(1)在建筑設(shè)計(jì)階段，在Revit中建立教學(xué)樓BIM模型后導(dǎo)入DesignBuilder軟件中獲得建筑能耗仿真模型，進(jìn)而利用Allpairs正交試驗(yàn)可獲取建筑能耗模擬數(shù)據(jù)，為設(shè)計(jì)階段能耗數(shù)據(jù)的獲取提供了一個(gè)可行的方法。

(2)本文將外墻綜合傳熱系數(shù)、外墻太陽(yáng)輻射吸收系數(shù)、屋面綜合傳熱系數(shù)、屋頂太陽(yáng)輻射吸收系數(shù)、外窗綜合傳熱系數(shù)和窗墻比等6個(gè)主要的圍護(hù)結(jié)構(gòu)參數(shù)作為輸入，將54組建筑能耗模擬數(shù)據(jù)作為輸入?yún)?shù)，利用LS-SVM預(yù)測(cè)模型進(jìn)行建筑能耗預(yù)測(cè)，由預(yù)測(cè)結(jié)果可知：預(yù)測(cè)模型的擬合度高達(dá)0.9927，均方差為0.077，體現(xiàn)了LS-SVM預(yù)測(cè)模型的高精準(zhǔn)度。

(3)為了進(jìn)一步驗(yàn)證LS-SVM預(yù)測(cè)模型在建筑能耗研究的優(yōu)勢(shì)，將其分別與BP人工神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)以及SVM三種模型預(yù)測(cè)結(jié)果與支持向量機(jī)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析，發(fā)現(xiàn)LS-SVM預(yù)測(cè)模型的擬合優(yōu)度和均方根誤差均為最優(yōu)狀態(tài)，從而進(jìn)一步驗(yàn)證了LS-SVM預(yù)測(cè)模型的可靠性。