建筑电气节能(胡小武)bv

2010年第二届工业电气自动化国际研讨会 基于BPNN的建筑电气节能65%的研究

姚坚 宁波大学 宁波·中国 电子邮箱：yaojian@nbu.edu.cn 摘要：伴随着建筑材料的发展以及空调能效比的提高，建筑电气节能65%已经在被考虑中。在这项研究中，主要的目的就是预测建筑外围结构的电能消耗潜力，并且通过BP神经网络来研究建筑电气节能65%的措施。通过建立一个三层的BPNN模型，采用MATLAB软件工具，得到BPNN可能出现的预期结果。结果表明，BPNN模型得到了令人满意的输出结果，预测成功率达到98%以上，并且提供了使建筑电气节能达到65%的有效节能措施。 关键词：BP Neural Network (BPNN),即BP神经网络；电能消耗；建筑外围结构；65% I. 引言 目前世界上几乎一半以上的新建筑都出现在中国，每年的新建筑面积达到二十多亿平方米，超过90%的新建筑被认为是高耗能建筑，中国建筑的电能消耗从70年代末期所占全国总能源消耗的10%上升到2006年的25%以上，并且预计2020年将达到35%。总体而言，在中国，建筑能源消耗占到了与电力相关的二氧化碳排放量的18%。因此，为了达到建筑节能，中国在五个气候带强行实施许多设计标准，而且这 2010年第二届工业电气自动化国际研讨会 些标准强调，新兴建的建筑在设计阶段应采取有效措施，减少至少50%

的电能消耗，对比于80年代早期的建筑。伴随着建筑材料的发展以及空调能效比的提高，建筑电气节能65%已经在被考虑中。由于建筑外围结构性能参数对建筑用电量耦合的影响，对建筑电气节能65%的研究将不可避免地使用软件来进行仿真，模拟建筑物的几何和计算是费时又费力的，建筑电气模拟软件有DeST, DOE–2, TRNSYS, 和EnergyPlus等。因此，需要找到一种替代方法来做这项工作。最近开发的人工神经网络技术（ANN），提供了一种非常有效的替代方法。据我们所知，目前为止还没有运用反向传播神经网络（BPNN）来进行建筑电气节能65%的研究。 本文的重点在于它给出了全新、快速的方法--采用BPNN来分析建筑电气节能65%。在预测结果之前，训练和测试的数据是通过采用DeST软件计算建筑制冷和供暖时的电能消耗得到的。BPNN的实施采用了MATLAB 7.0.4，它有一个内置的神经网络工具箱。 II. BP网络（BPNN） A、选择输入参数 许多方面如住户的行为、空调时间等都会影响建设运营期间的电能消耗。然而，对于设计师来说，这些方面在早期设计阶段是不可用的，也有可能在计算电力负荷时就被当做常量了，并且建筑外围结构性能参数的确定，成了预测电能消耗的唯一因素，比如设计住宅建筑在炎热夏天和寒冷冬天时电能消耗的标准规范。因此，为了后面更好的研究，本文选取了一个典型的住宅建筑的外围结构参数作为BPNN 2010年第二届工业电气自动化国际研讨会 的输入值。该建筑是一栋六层3544平方米的房子，如图1所示。它的

外围结构性能参数包括各个传热系数，外墙（Kw），屋顶（Kr），窗户

图1、典型住宅建筑模型 （东面：Kw-e，南面Kw-s，西面：Kw-w，北面：Kw-n），每个方向的窗墙比（东面:WTWe，南面:WTWs，西面:WTWw，北面:WTWn），建筑遮阳系数（S），方向（A），太阳能吸收（p），入渗率（ACH）和各个方向上的窗户遮阳系数（东面：Sc-e，南面：Sc-s，西面：Sc-w，北面：Sc-n）。这18个建筑外围结构参数（见表1）在DeST中的变化是不同表一.输入参数

的，例如外墙的U值从以每次0.1的变化从0.8变到2.0，其他的量却序号 参数 范围 序号 参数 范围 序号 参数 范围 1 Kw 0.8-2.0 7 WTWs 0.2-0.8 13 Sc-e 0.5-0.8 2 Kr 0.7-1.5 8 WTWn 0.2-0.5 14 Sc-w 0.3-0.8 3 ACH 0.1-1.4 9 Kw-e 1.4-1.7 15 Sc-s 0.5-0.8 4 A -π/2-π/2 10 Kw-w 1.4-1.7 16 Sc-n 0.6-0.8 5 WTWe 0-0.5 11 Kw-s 1.4-1.7 17 p 0.45-0.85 6 WTWw 0-0.6 12 Kw-n 1.4-4.7 18 S 0.24-0.36 2010年第二届工业电气自动化国际研讨会 保持不变，便得到了总共96种年制冷电能消耗（Ec）和年供暖电能消

耗（Eh）时的不同计算结果，于是，总的建筑电能消耗可以这样计算： E=Eh+Ec。目前这些参数的可能变化几乎都包括在表1的变化范围中，因此基于BPNN的电能消耗预测将会得到广泛运用。然后这些来自每个参数的模拟结果的四分之三的数据要用于培训网络结构，余下的数据就可以用来预测年供暖和制冷的电力消耗量；预测之后，建筑电气节能效率就可以通过以下公式计算：

其中n是建筑电气节能效率，EERc是制冷时的空调能效率，EERh是供暖时的空调能效率，Fc是制冷时的电能消耗量，Fh是供暖时的电能消耗量，Ebaseline=87Kwh/m2，指的是80年代建筑物的单位面积电能消耗。 B、 BPNN模型结构 理论和实践都证明，三层神经网络模型能充分模拟输入和输出值之间的复杂非线性关系。更多的层可以提高BPNN模拟更复杂问题的能力，但是同时它也可能占据更多的计算机资源。本研究采用了三层神经网络模型和Matlab的GUI解决方案。 1）隐藏节点 在三层的BPNN结构中，输入层和输出层的神经元数目自身已经确定。然而，没有理论指导，以致很难确定目前的节点数。太少节点 2010年第二届工业电气自动化国际研讨会 不能提供良好的容错性，太多的节点可能会延误研究时间。一些论文

建议，中间层的神经元数目可以多于输入层和输出层总数的一半或者是它们的总和。然而，我们还是可以根据实际情况做适当调整，为了减少工作量，神经元数目应尽可能少。 在应用研究时，对隐藏层的一些不同数值和隐层神经元的许多不同数值进行审核，最后发现，最好的结果是一个隐藏层对应10个神经元。 2）、响应函数 在实际应用中，根据要求选择合适的响应函数，通常选用的是sigmoid函数。谈到建模经验，tansing函数通常用在隐藏层，purelin函数用在输出层。因此，这个BPNN的结构就是18-10-2，如图2所示。 2010年第二届工业电气自动化国际研讨会 图2，BPNN结构

C、预测结果 反向传播网络算法就是在计算供暖和制冷电能消耗时使用。每个建筑样本的计算和估计值之间的比较如图3和4所示，根据计算结果，来自每年的供暖和制冷的电能消耗的平均偏差分别为1.34%和1.56%，取自网络的电能消耗的精度分别达到98.66%和98.44%。因此，使用BPNN网络结果来预测全年供暖和制冷的电能消耗是可靠、可行的。 2010年第二届工业电气自动化国际研讨会

III. 建筑电气节能65%的预测 为了进一步分析达到建筑电气节能65%的目标时，几种节能措施相结合的潜力，我们选择了6种节能措施来预测BPNN结构的建筑电能消耗。表二说明了不同建筑电气节能措施的节能效率，结果表明，第6种措施可以达到建筑电气节能65%，这是实现目标的最佳措施。 表二. 不同建筑电气节能措施的节能效率 参数 节能措施 1 2 3 4 5 6 Kw 1.2 0.9 1.3 1.1 0.8 1.0 Kr 0.5 0.8 0.7 0.9 0.8 0.7 ACH 0.9 0.8 0.9 0.9 0.8 0.8 A 7 10 10 —15 18 5 WTWe 0.13 0.2 0.23 0.15 0.18 0.2 2010年第二届工业电气自动化国际研讨会 WTWw 0.16 0.15 0.18 0.2 0.22 0.24

WTWs 0.33 0.3 0.35 0.28 0.36 0.23 WTWn 0.19 0.2 0.24 0.22 0.22 0.32 Kw-e 3.0 3.2 3.2 3.0 3.4 2.8 Kw-w 3.6 3.0 3.2 3.2 3.6 2.8 Kw-s 3.0 3.0 3.2 3.0 3.4 2.8 Kw-n 3.6 3.2 3.2 3.6 3.6 2.8 Sc-e 0.6 0.83 0.8 0.7 0.83 0.6 Sc-w 0.84 0.84 0.8 0.7 0.83 0.6 Sc-s 0.6 0.84 0.8 0.7 0.83 0.6 Sc-n 0.84 0.83 0.8 0.84 0.84 0.6 p 0.72 0.75 0.7 0.7 0.65 0.75 S 0.35 0.33 0.32 0.31 0.36 0.3 EERc 2.3 2.4 2.5 2.6 2.7 2.7 EERh 1.9 2.0 2.1 2.1 2.5 2.7 n% 53.2 54.1 55.8 56.4 56.6 66.3

IV. 总结 在本研究中，一个三层的BPNN结构用来预测不同建筑的供暖和制冷时的电能消耗，并且用于建筑电气节能65%的分析，作为训练和测试使用的网络结构的输入值，输出值便是建筑供暖和制冷时的电能消耗，然而，采用传统的方法，如建筑电气模拟工具，也可以计算建