發布時間：2021-11-30所屬分類：建筑師職稱論文瀏覽：1次
摘 要： 摘要: 超高層建筑暖通空調能耗預測的準確度直接影響暖通空調節能效果。針對當前超高層建筑暖通空調能耗預測方法存在的預測精確度較低，且預測的及時性較差問題，提出一種基于 GM - RBF 神經網絡的超高層建筑暖通空調能耗預測方法，對歷史能耗數據樣本中的異常數據進行
摘要: 超高層建筑暖通空調能耗預測的準確度直接影響暖通空調節能效果。針對當前超高層建筑暖通空調能耗預測方法存在的預測精確度較低，且預測的及時性較差問題，提出一種基于 GM - RBF 神經網絡的超高層建筑暖通空調能耗預測方法，對歷史能耗數據樣本中的異常數據進行剔除，并對剩余數據進行標準化處理，構建處理后的數據的多元線性回歸模型，利用皮爾遜相關系數確定暖通空調能耗影響因素與能耗之間的關系，實現超高層建筑暖通空調能耗系統數據處理分析，根據分析結果，利用徑向基函數神經網絡構建非線性映射關系，根據 K - means 聚類方法確定非線性映射函數的中心，得到網絡預測值，通過對預測值進行反歸一化處理，得到超高層建筑暖通空調能耗預測結果，并通過歷史數據對預測結果進行檢驗，實現超高層建筑暖通空調能耗精準預測。實驗結果表明，所提方法預測的精確度較高，且預測的及時性較好。
關鍵詞: 超高層建筑; 暖通空調; 能耗; 精準預測
1 引言
隨著我國人口的增加，住房擁擠問題日益突出，為緩解該問題，建筑的高度逐漸增加，各類超高層建筑拔地而起[1]。這些超高層建筑一般通過暖通空調實現采暖、通風和空氣調節，超高層建筑暖通空調能耗成為超高層建筑能耗的重要組成部分[2]。降低建筑能耗能夠降低建筑運營成本，符合國家可持續發展的要求。為實現超高層建筑節能，需要對超高層建筑暖通空調能耗進行預測[3]。為實現超高層建筑暖通空調能耗預測，不同的專家學者從不同角度對該問題進行分析，已產生一些較為成熟的理論和應用，但這些方法仍存在一些不足[4 - 5]。
超高層建筑暖通空調能耗作為超高層建筑能耗的重要組成部分，對超高層建筑暖通空調能耗進行精準預測對降低超高層建筑成本具有重要意義。文獻[6]提出一種基于灰色模型和最小二乘向量機方法的暖通空調能耗預測方法，通過灰色模型構建暖通空調能耗模型，并通過最小二乘支持向量機提高模型的非線性擬合能力和泛化能力，確定暖通空調運行數據規律，并通過粒子群優化的方法對模型的參數進行選取，實現暖通空調能耗預測。但這種方法預測過程較為復雜，導致預測執行時間較長，影響預測結果的及時性。文獻[7]提出一種基于 SVM 的暖通空調能耗預測方法，根據暖通空調能耗特點，選取暖通空調運行的樣本特征，構建基于 SVM 的暖通空調能耗預測模型。但這種方法預測過程中，沒有對暖通空調能耗數據進行處理，導致能耗預測精確度較低。文獻[8]提出一種基于深度條件受限玻爾茲曼機的暖通空調能耗預測方法，通過在傳統的受限玻爾茲曼機中融入歷史條件輸出層，使其能夠根據暖通空調的歷史時間序列實現未來時間序列預測，并通過構造深度條件受限玻爾茲曼機模型，實現暖通空調能耗預測。但這種方法預測過程中，對歷史數據處理效果較差，影響預測的精確度。
相關知識推薦：暖通專業職稱評審論文好發表嗎
通過上述論述，根據一系列與暖通空調特性相關的解釋變量建立暖通空調能耗預測的回歸模型，并根據平均絕對百分比誤差提高模型的精準性，簡化超高層建筑暖通空調能耗預測模型，并通過計算該高層建筑的采暖度日值，確定天氣條件的校正系數，并根據校正系數確定預測的誤差函數，并將該函數引入到預測模型中，實現超高層建筑暖通空調能耗預測。
3 超高層建筑暖通空調能耗精準預測
3. 1 超高層建筑暖通空調能耗數據處理
為保證超高層建筑暖通空調能耗預測的精確性，需要對超高層建筑暖通空調能耗數據進行處理分析，具體過程如下所述。超高層建筑暖通空調能耗系統可以看作為一個復雜的非線性時間序列，其輸入的參數尤其是超高層建筑所處環境參數可以看作為一個復雜的隨機變化系統，具有較強的不確定性。并且在超高層建筑運行過程中，可能受到設備、系統故障等因素的干擾，導致超高層建筑暖通空調能耗數據記錄有誤。這些數據無法準確描述暖通空調能耗的內在規律，應從樣本中剔除這些數據。
4 仿真實驗結果與分析
為驗證基于 GM - RBF 神經網絡的超高層建筑暖通空調能耗預測方法的有效性和可行性，進行一次實驗，實驗過程中，以某高層建筑暖通空調歷史能耗值為實驗數據，以 Windows2013 系統作為實驗操作平臺，并通過 MATLAB 軟件對實驗過程進行模擬，通過實驗，得到的結果如下所述。
對基于 GM - RBF 神經網絡的能耗預測方法得到預測誤差與實際誤差進行對比，通過實驗，得到的結果如圖 1 所示。其中樣本編號為常數，設其單位為 m。
通過圖 1 可以看出，能耗的預測誤差與實際誤差相差較小，說明方法的預測精確度較高。基于 GM - RBF 神經網絡的能耗預測方法在預測的過程中，對異常數據進行提取，提高了數據的質量，使預測誤差與相對誤差相差較小。
實驗不同方法進行能耗預測的精度，實驗過程中，分別利用不同方法對能耗進行預測，分析預測能耗與實際能耗的誤差，通過實驗，得到的結果如圖 2 所示。
通過圖 2 看出，基于 GM - RBF 神經網絡的能耗預測方法預測的能耗結果與實際能耗最為接近，說明基于 GM -RBF 神經網絡的能耗預測方法預測的精準性較好。基于 GM - RBF 神經網絡的能耗預測方法預測誤差與相對誤差較為接近，保證了預測結果的精確性。
實驗不同方法進行能耗預測的執行時間，通過能耗預測的執行時間確定預測結果的及時性。通過實驗，得到的結果如表 1 所示。其中 O 表示預測的次數，單位為次( t) ; A 表示基于 GM - RBF 神經網絡的能耗預測方法的執行時間，單位為 s; B 表示基于 SVM 的能耗預測方法的執行時間，單位為 s; C 表示基于 BP - Adaboost 算法的能耗預測方法的執行時間，單位為 s。
通過表 1 看出，基于 GM - RBF 神經網絡的能耗預測方法預測的執行時間最短，說明預測的執行速度較快，保證了預測結果的及時性。基于 GM - RBF 神經網絡的能耗預測方法預測過程中，對歷史能耗數據進行標準化處理，減少了預測的計算過程，提高了預測的執行速度，保證了預測結果的及時性。
5 結束語
對超高層建筑暖通空調能耗進行預測能夠降低超高層建筑的能耗。隨著超高層建筑數量的增多，對超高層建筑能耗優化控制的研究逐漸成為研究的重點課題。
超高層建筑暖通空調能耗作為超高層建筑能耗的重要組成部分，對其的預測成為相關專家學者研究的重點，針對當前暖通空調能耗預測方法存在的預測精準度較低，且預測的及時性較差問題，提出一種基于 GM - RBF 神經網絡的超高層建筑暖通空調能耗預測方法，實驗結果表明，所提方法預測的精確度較高，且預測的及時性較好，為該課題的深入研究發展提供理論依據。——論文作者：段冠囡、王岳人
參考文獻:
[1] 郭偉，張棟，蔣勝. 國有建筑企業股權多元化對戰略績效的影響.[J]. 西安工程大學學報，2017，6( 31) : 822 - 827.
[2] 萬蓉，孔德泉，劉加平. 氣候變化對我國典型城市空調能耗的影響[J]. 暖通空調，2017，47( 3) : 43 - 47.
[3] 胡慧，王桂芝，來鵬. 基于 PLSIM 模型的住房建筑物能耗分析[J]. 數理統計與管理，2016，35( 5) : 770 - 777.
[4] 田瑋，等. 基于機器學習的建筑能耗模型適用性研究[J]. 天津科技大學學報，2016，31( 3) : 54 - 59.
[5] 孫恒. 校園建筑設計能耗優化監測仿真研究[J]. 計算機仿真，2017，34( 10) : 383 - 386.
[6] 吳煒洪，等. GM - LSSVM 模型在建筑能耗預測中的應用[J].福州大學學報( 自然科學版) ，2017，45( 2) : 238 - 245.
[7] 周峰，等. 基于 SVM 的大型公共建筑能耗預測模型與異常診斷[J]. 土木工程與管理學報，2017，34( 6) : 80 - 86.
[8] 李鵬，周希霖. 基于深度 CRBM 模型的建筑能耗預測方法[J].湘潭大學自科學報，2017，39( 2) : 45 - 48.
[9] 顧中煊，等. 區域建筑能耗預測模型和方法研究[J]. 建筑技術，2017，48( 12) : 1240 - 1243.
[10] 方濤濤，馬小軍，陳沖. 基于 BP - Adaboost 算法的建筑能耗預測研究[J]. 科技通報，2017，33( 7) : 162 - 166.
SCISSCIAHCI
