基于BP神經網絡的公共建筑用電能耗預測研究

李嘉玲 蔣艷

摘 要：數據挖掘技術與建筑工程之間的知識跨度較大，將兩者完美融合起來存在一定難度，實際工程中也缺乏相關案例，因此在建筑工程中應用數據挖掘技術挖掘相關信息，為大型公共建筑用電能耗預測提供參考依據，是建筑領域一種新的發(fā)展趨勢?；趯步ㄖ秒娔芎奶匦缘姆治觯衫肞ython構建BP神經網絡建筑能耗預測模型，再將某公共建筑作為研究對象，確定影響建筑用電能耗的關鍵因素，并將其作為網絡的輸入參數進行學習訓練得出預測值。研究結果表明：預測模型在不同參數下，當隱含層個數為8時，誤差平方和最小，為0.000 139 6，此時BP神經網絡能夠較精確地預測公共建筑用電能耗值。

關鍵詞：建筑能耗;BP神經網絡;Python;預測模型

DOI：10. 11907/rjdk. 182553 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP302文獻標識碼：A 文章編號：1672-7800（2019）007-0049-04

Research on Prediction of Electricity Consumption of

Public Buildings Based on BP Neural Network

LI Jia-ling， JIANG Yan

（School of Management， University of Shanghai for Science and Technology， Shanghai 200093，China）

Abstract： The knowledge span between data mining technology and construction engineering is large. It is difficult to integrate the two perfectly. There is no relevant case in actual engineering. Therefore， using data mining technology to mine relevant information in construction engineering is used for large public buildings. The reference for electric energy consumption prediction is a new development trend in the construction field. Based on the research and analysis of the energy consumption characteristics of public buildings， we use Python to construct the BP neural network building energy consumption prediction model， and then a public building is taken as the research object to determine the key factors affecting the building energy consumption， and learning training is performed as an input parameter to the network. The results show that under the different parameters， when the number of hidden layers is 8， the sum of squared errors is the smallest， which is 0.000 139 6. At this time， the BP neural network can accurately predict the energy consumption value of public buildings.

Key Words： building energy consumption; BP neural network; python; prediction model

作者簡介：李嘉玲（1994-），女，上海理工大學管理學院碩士研究生，研究方向為數據挖掘;蔣艷（1962-），女，博士，上海理工大學管理學院副教授、碩士生導師，研究方向為多目標決策理論、方法與應用。

0 引言

近年來，隨著城市化進程加快和人民生活質量提高，我國建筑能耗占比上升至35%左右，其中大型公共建筑電能消耗最為嚴重[1]。雖然我國總體資源相對比較豐富，但是人口數量非常龐大，人均能源消耗量很大。由于公共建筑電力消耗嚴重，建筑節(jié)能無疑成為首要考慮的節(jié)能問題，已引起各級政府及相關行業(yè)人員的極大關注。盡可能充分挖掘出大型公共建筑用電能耗的影響因素，并建立相應預測模型對其進行預測，將有利于綜合分析和評估大型公共建筑用電能耗現(xiàn)狀及其發(fā)展變化，為大型公共建筑實施節(jié)能改造計劃提供有效依據。

目前，能源浪費問題已經演變成全球性問題，各國對能耗管理高度關注。國內外不少學者將數據挖掘相關知識運用于建筑能耗預測分析中，取得了一定研究成果[2]。在國際上，Melek[3]研究了如何應用神經網絡建立模型進行能耗預測和評價，并得出可行方法;Geoffrey & Kelvin[4]從預測建筑能耗值的角度出發(fā)，以住宅建筑為研究對象，分夏季和冬季兩個時期，應用決策樹、逐步回歸和人工神經網絡，分別建立3個預測模型進行預測，研究結果證明人工神經網絡預測精度更高;Yang等[5]在輸入變量不變的情況下，研究了人工神經網絡的適用性，使人工神經網絡預測建筑能耗的能力得到提高;Olofson等[6]利用人工神經網絡在短期測試數據基礎上建立了建筑能耗預測模型，實驗取得了90%～95%的較高準確率。國內，何磊[7]、姚健等[8]在已知建筑物各種參數數據的基礎上應用神經網絡預測建筑能耗，所得預測值接近實際值，這一研究成果可以在建筑設計初期指導整棟建筑的節(jié)能設計，以減少建成后的能源消耗[9];方濤濤等[10]通過將BP神經網絡與Adaboost算法相結合，充分考慮BP神經網絡良好的學習能力和Adaboost算法預測精度高的優(yōu)點，對建筑能耗進行預測，通過實驗數據仿真分析，驗證了該方法的可行性。

由于建筑多樣性、使用情況多變性等因素給建筑能耗預測增添了不少困難，而神經網絡為建立預測模型提供了可能[11]。本文采取的主要研究方法是，利用Python構建BP神經網絡模型，并通過改變隱藏層個數從而觀察在不同參數下誤差平方和的變化情況。實驗結果表明：當隱含層個數為8時，大型公共建筑用電能耗預測模型的誤差平方和達到最小值，即模型預測結果精確度最高，預測值最接近于實際值。

1 神經網絡及其基本原理

1.1 BP神經網絡

人工神經網絡（Artificial Neural Network，簡稱ANN），是20世紀80年代以來人工智能領域興起的研究熱點，是以生物學中一種神經網絡為基理，模擬人腦神經系統(tǒng)處理復雜信息的數學模型。人工神經網絡可以通過學習模仿人類的學習過程，學習方式可分為3種：有導師學習、無導師學習和強化學習 [12]。Back-Propagation（簡稱BP）神經網絡是神經網絡中應用最為廣泛的模型之一[13]。圖1所示為其典型的3層拓撲結構，包括輸入層、中間層和輸出層[14]。

圖1 3層神經元網絡結構

1.2 BP神經網絡基本原理

BP神經網絡也稱反向傳播網絡，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡，其算法稱為BP算法[15]。BP神經網絡的思想是利用輸出層第N層輸出后的誤差，估計輸出層前第N-1層的誤差，再用其估計第N-2層的誤差，以此獲取所有層誤差估計，并根據誤差估計調整各層的連接權值，最后用調整后的連接權值重新計算輸出誤差，直到輸出的均方誤差達到符合要求或者迭代次數溢出設定值。BP神經網絡的學習規(guī)則使用最速下降法，通過反向傳播不斷調整網絡的權值和閾值，最終使得全局誤差系數達到最小值，其學習本質就是對各連接權值進行動態(tài)調整[14]。

網絡初始化是BP神經網絡訓練的第一階段，定義為初始化輸入層、隱含層和輸出層的節(jié)點個數[16]，即初始化輸入層與輸出層的閾值a、b以及初始化輸入層與隱含層、隱含層與輸出層之間的連接權值Wij、Wjk，Wij表示第i個輸入節(jié)點到節(jié)點j的權值，Wjk表示節(jié)點j到輸出節(jié)點k的權值;計算隱含層Hj是網絡訓練的第二階段;計算輸出層Ok是網絡訓練的第三階段;計算期望輸出與實際輸出之間的誤差ek是網絡訓練的第四階段;更新權值和閾值分別是網絡訓練的第五、第六階段;計算全局誤差E是網絡訓練的第七階段，同時判斷誤差是否滿足要求或達到最大迭代次數，若不滿足要求或并未達到最大迭代次數，則返回第二步。

2 建筑物能耗BP神經網絡模型設計

大量實驗證明，將BP神經網絡運用于能耗預測以及能耗指標評價等領域具有一定可行性，建筑能耗系統(tǒng)本身可看作關于時間序列的一個高度非線性系統(tǒng)，故可用一個多層BP網絡對建筑能耗進行模擬[17]。在確定如何建立可行有效的BP神經網絡預測模型時，需要充分考慮影響大型公共建筑物用電能耗各方面的變量因素。本文調研了江蘇省南通市崇川區(qū)多個大型公共建筑用電能耗情況。江蘇省南通市在我國東南部地區(qū)，氣候一般是冬冷夏熱，所調研公共建筑都滿足夏季適當防熱、冬季適當保溫的要求。通過調研發(fā)現(xiàn)，對大型公共建筑用電能耗產生影響的變量因素有很多方面，比如室外氣候條件、室內溫度設定、建筑物地理位置、建筑物墻體材料、內外墻裝飾材料、門窗數量及其材料類型、建筑高度、建筑面積、室內平均人流量以及人們的活動規(guī)律等，均會對公共建筑物用電能耗產生一定影響。如果在確定預測模型結構時考慮各方面因素，系統(tǒng)將會過于復雜和龐大，網絡學習時間過長，且極易陷入局部最小，無法達到滿意效果[18]。因此，本文根據實際情況以建筑面積及電耗作為影響因素，根據歷史記錄對網絡進行訓練，訓練好的網絡再通過已知數據進行檢驗[17]。

2.1 數據處理

通過實地調研，本文獲取了江蘇省南通市崇川區(qū)文化廣場附近某大型公共建筑2016年前10個月用電能耗數據，并將其作為統(tǒng)計樣本。為了減小奇異樣本對神經網絡性能的影響，需要對輸入參數和輸出參數進行歸一化處里，即將數據處理成[0，1]之間的小數[19]。

設x為樣本參數，y為某項樣本參數x的歸一化輸出，xmin為x中最小值，xmax為x中最大值，則歸一化公式如式（1）所示[19]。

[y=x-xminxmax-xmin]? ? ? ? ? ? ? ? ? ? ?（1）

采用式（1）處理后的數據在[0，1]區(qū)間之內[19]。

2.2 模型設計

BP神經網絡具有高效非線性數據函數映射逼近功能，利用BP神經網絡模型可以較好地預測建筑能耗值，為提高建筑能效提供理論依據[20]。本文利用Python構建BP神經網絡公共建筑用電能耗預測模型，并選取樣本中的6組數據作為訓練樣本集，對預測模型進行學習訓練，另選取3組數據作為測試樣本集，用于檢測預測模型的準確性。

選取樣本中的實際建筑面積以及1-6月用電量作為預測模型的輸入變量x，7-10月用電量的預測值作為模型的輸出變量y，即建立的3層BP神經網絡能耗預測模型具有7個輸入向量、4個輸出向量。網絡輸入層到輸出層的激活函數采用tanh雙曲正切函數;中間層到輸出層的傳遞函數采用logsig對數函數。數據如表1、表2所示，分別為原始數據表以及標準化后的數據表。

表1 原始數據表? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?[104]kWh

表2 標準化后數據表

2.3 模型工作機理及訓練過程

[2] 宋蒙. 大型公共建筑用電能耗預測模型及預測數據分析[D]. 西安：長安大學，2017.

[3] YALCINTAS M. An energy benchmarking model based on artificial neural network method with a case example for tropical climates[J].? International Journal of Energy Research，2006（30）：1158-1174.

[4] TSO G K F，YAU K K W. Predicting electricity energy consumption - a comparison of regression analysis， decision tree and neural network[J]. Energy，2007（32）：1761-1768.

[5] YANG J，RIVARD H，ZMEUREANU R. On-line building energy prediction using adaptive artificial neural networks[J]. Energy and Buildings，2005，37（12）：1250-1259.

[6] OLOFSON T，ANERSSON S. Long-term energy demand predictions based on short-term measured data[J]. Energy and Buildings， 2001，32（2）： 85-91.

[7] 何磊. 基于BP神經網絡的建筑能耗預測[J]. 浙江建筑，2008（12）：47-50.

[8] 姚健，閆成文，葉晶晶，等. 基于神經網絡的建筑能耗預測[J]. 門窗，2007（10）：31-33.

[9] 肖丹. 公共建筑能耗分析的數據挖掘方法研究與系統(tǒng)開發(fā)[D]. 重慶：重慶大學，2012.

[10] 方濤濤，馬小軍，陳沖. 基于BP-Adadoost算法的建筑能耗預測研究[J]. 科技通報，2017（7）：162-166.

[11] 季文娟，顧永松. 基于POS-RBF建筑能耗預測模型研究[J]. 建筑節(jié)能，2015（11）：109-112.

[12] 高振祥. 基于BP神經網絡的電力負荷預測方法探析[J]. 科學與信息化，2017（2）：54-55.

[13] 張喆，吳知非，禹建麗. 電力電量預測的神經網絡方法[J]. 知識叢林，2008（4）：156-157.

[14] 李璐，于軍琪，楊益. 基于GA-BP神經網絡的大型公共建筑能耗預測研究[J]. 中外建筑，2014（3）：112-114.

[15] 王雅楠，孟曉景. 基于動量BP算法的神經網絡房價預測研究[J]. 軟件導刊，2015，14（2）：59-61.

[16] 胡程磊. 數據驅動的建筑電能耗預測方法研究[D]. 江蘇：江蘇大學，2016.

[17] 李然然，張永堅，劉暢，等. 基于BP神經網絡的建筑物用電能耗預測[J]. 山東建筑大學學報，2014（2）：162-165.

[18] 鄢濤. 深圳市公共建筑能耗與節(jié)能分析[D]. 重慶：重慶大學，2005.

[19] 胡伍生. 神經網絡理論及其工程應用[M]. 北京：測繪出版社，2006.

[20] 崔沖. 基于數據挖掘的公共建筑能耗預測與能效管理[D]. 山東：山東建筑大學，2017.

[21] 許慧，黃世澤，郭其一，等. 基于改進BP網絡的建筑用電量預測[J]. 電器與能效管理技術，2014（18）：54-58.

（責任編輯：何 麗）