论文部分内容阅读
建筑能耗量占能源消耗总量比例越来越大,特别是近年来随着能源与环境问题日益突出,建筑节能技术研究受到越来越多的重视。建筑能耗数据是科学推进建筑节能工作的基础。当前,由于我国能源统计体系尚未与国际能源统计口径接轨,建筑能耗权威数据缺失,不同机构或学者对中国建筑能耗的测算结果差异巨大,关于中国建筑能耗占全国能源消费比重的测算数据分布在15%至50%超大区间范围之内。建筑能耗精细数据缺失更加严重,相关研究缺乏系统性,数据之间不具备可比性。建筑节能设计及节能改造较为复杂,而建筑能耗计算为其提供了便捷的途径。由于建筑能耗系统涉及到机理复杂的热湿传递过程,是一个典型的多变量、非线性、强耦合和多扰动的复杂系统,采用机理方法建立建筑能耗预测模型十分困难,实际应用中很难实现且技术推广灵活性略显不足。
以统计学习理论为基础的建筑能耗统计预测模型,不仅具有良好的非线性性能,而且具有强大的小样本学习能力、较好的学习推广性能以及较好的高维数据处理能力等特性,目前作为一种新型的建模预测方法已在建筑能耗预测领域得到了广泛应用。尽管机器学习算法能够有效处理高维数据建模问题,但是建筑能耗受:气候、建筑围护结构、热工参数和使用习惯等众多特征因素的影响,各因素之间相关且存在大量冗余信息,如果对能耗数据未经特征分析、筛选而直接训练建模,将会导致模型的预测精度和泛化能力难以达到理想的结果,建筑能耗统计预测模型的可靠性和泛化能力有待进一步提高。本文主要内容正是围绕以建筑能耗求解为目标而开展的数学建模、数据挖掘和机器学习模型的数据驱动建筑节能方法研究。
首先,本文以建筑能源需求为目标,建立全局多变量建筑能耗数学模型,并分析变量之间的相关性,主要包括:气候环境,围护结构特征,围护结构热工性能和使用功能等四方面,共计17组变量;其中,气候环境考察的变量有:空调度日数和采暖度日数2组;围护结构特征研究的变量有:①朝向,②体形系数,③东墙窗墙比,④南墙窗墙比,⑤西墙窗墙比和⑥北墙窗墙比等6组;围护结构热工性能研究的变量有:①屋面传热系数,②东外墙传热系数,③南外墙传热系数,④西外墙传热系数,⑤北外墙传热系数,⑥外窗传热系数,⑦外窗遮阳系数等7组;使用功能研究的变量有:外遮阳和运行时间2组。通过采用基本立方体单元(2.5×2.5×2.5)生成5种建筑形式,其中每种建筑形式由17个元素构成;所研究的建筑物模型具有相同的建筑面积和体积:建筑面积9600m2,建筑体积24000m3,但不同的外表面积、外形尺寸和体形系数。基于GenOpt建立建筑能耗评估函数,调用TRNSYS建筑动态能耗模型组合参数,计算86400个离散网格点建筑能耗数据值,并构建机器学习预测模型的训练数据集。
其次,基于建筑能耗的动态变化趋势和变量之间的相互关系数据基础,本文结合数据统计和数据挖掘方法,进一步研究影响建筑能耗全局变量权重分布规律,以探索性数据分析作为可视化方法,以随机森林作为选择方法,以主成分分析作为提取方,分析变量权重对于建筑能耗的动态变化趋势的依赖性,同时对于建筑能耗数据挖掘的机器学习预测模型研究提供了优质的数据训练基础。筛选全国86400组建筑能耗模拟计算数据,进行建筑能耗影响因素特征权重分析。
然后,在建筑能耗预测模型训练中使用:贝叶斯回归、岭回归、线性回归、弹性网回归、Lasso回归、支持向量机回归、最近邻回归、高斯过程回归、决策树回归、Bagging回归、随机森林回归、提升决策树回归和梯度提升树回归等十三种常见机器学习模型,并使用默认的参数设置。为了对模型预测性能进行评估,使用k=5的交叉验证,并记录交叉验证的平均绝对误差和均方根误差,以及真实和预测值之间的决定系数R2。
最后,根据预测的气象数据和机器学习预测模型计算出典型办公建筑、居住建筑和商业建筑在未来气象条件下的能耗变化情况,为了使各建筑在未来条件下保持当前的能耗水平,特别针对夏热冬冷及温和地区的居住建筑和商业建筑等,在2080年达到相应的节能目标,提出了具体的被动式强化节能措施。
本研究结果表明:全国数据中建筑能耗特征综合权重中,体形系数、采暖度日数、空调度日数、建筑使用时间、墙体换热系数和建筑朝向等前六项总和已占0.891的权重比例,其余权重仅占0.109的比例,全国范围内前六项是影响建筑能耗的主要特征;在十三种建筑能耗预测模型中,高斯过程回归、决策树回归、Bagging回归、随机森林回归、提升决策树回归和梯度提升树回归等六组模型的评估指标中优于其他模型,其R2值都在0.99以上;预测值与真实值之间表现出强相关性特征;梯度提升树回归、提升决策树回归、随机森林回归、Bagging回归和决策树回归具有较好的泛化性能表现:对新数据集的平均预测能耗值的误差范围在-18.4%~10.3%之间,预测精度最高的模型是随机森林回归其误差范围在-9.2%~16.0%之间。
以统计学习理论为基础的建筑能耗统计预测模型,不仅具有良好的非线性性能,而且具有强大的小样本学习能力、较好的学习推广性能以及较好的高维数据处理能力等特性,目前作为一种新型的建模预测方法已在建筑能耗预测领域得到了广泛应用。尽管机器学习算法能够有效处理高维数据建模问题,但是建筑能耗受:气候、建筑围护结构、热工参数和使用习惯等众多特征因素的影响,各因素之间相关且存在大量冗余信息,如果对能耗数据未经特征分析、筛选而直接训练建模,将会导致模型的预测精度和泛化能力难以达到理想的结果,建筑能耗统计预测模型的可靠性和泛化能力有待进一步提高。本文主要内容正是围绕以建筑能耗求解为目标而开展的数学建模、数据挖掘和机器学习模型的数据驱动建筑节能方法研究。
首先,本文以建筑能源需求为目标,建立全局多变量建筑能耗数学模型,并分析变量之间的相关性,主要包括:气候环境,围护结构特征,围护结构热工性能和使用功能等四方面,共计17组变量;其中,气候环境考察的变量有:空调度日数和采暖度日数2组;围护结构特征研究的变量有:①朝向,②体形系数,③东墙窗墙比,④南墙窗墙比,⑤西墙窗墙比和⑥北墙窗墙比等6组;围护结构热工性能研究的变量有:①屋面传热系数,②东外墙传热系数,③南外墙传热系数,④西外墙传热系数,⑤北外墙传热系数,⑥外窗传热系数,⑦外窗遮阳系数等7组;使用功能研究的变量有:外遮阳和运行时间2组。通过采用基本立方体单元(2.5×2.5×2.5)生成5种建筑形式,其中每种建筑形式由17个元素构成;所研究的建筑物模型具有相同的建筑面积和体积:建筑面积9600m2,建筑体积24000m3,但不同的外表面积、外形尺寸和体形系数。基于GenOpt建立建筑能耗评估函数,调用TRNSYS建筑动态能耗模型组合参数,计算86400个离散网格点建筑能耗数据值,并构建机器学习预测模型的训练数据集。
其次,基于建筑能耗的动态变化趋势和变量之间的相互关系数据基础,本文结合数据统计和数据挖掘方法,进一步研究影响建筑能耗全局变量权重分布规律,以探索性数据分析作为可视化方法,以随机森林作为选择方法,以主成分分析作为提取方,分析变量权重对于建筑能耗的动态变化趋势的依赖性,同时对于建筑能耗数据挖掘的机器学习预测模型研究提供了优质的数据训练基础。筛选全国86400组建筑能耗模拟计算数据,进行建筑能耗影响因素特征权重分析。
然后,在建筑能耗预测模型训练中使用:贝叶斯回归、岭回归、线性回归、弹性网回归、Lasso回归、支持向量机回归、最近邻回归、高斯过程回归、决策树回归、Bagging回归、随机森林回归、提升决策树回归和梯度提升树回归等十三种常见机器学习模型,并使用默认的参数设置。为了对模型预测性能进行评估,使用k=5的交叉验证,并记录交叉验证的平均绝对误差和均方根误差,以及真实和预测值之间的决定系数R2。
最后,根据预测的气象数据和机器学习预测模型计算出典型办公建筑、居住建筑和商业建筑在未来气象条件下的能耗变化情况,为了使各建筑在未来条件下保持当前的能耗水平,特别针对夏热冬冷及温和地区的居住建筑和商业建筑等,在2080年达到相应的节能目标,提出了具体的被动式强化节能措施。
本研究结果表明:全国数据中建筑能耗特征综合权重中,体形系数、采暖度日数、空调度日数、建筑使用时间、墙体换热系数和建筑朝向等前六项总和已占0.891的权重比例,其余权重仅占0.109的比例,全国范围内前六项是影响建筑能耗的主要特征;在十三种建筑能耗预测模型中,高斯过程回归、决策树回归、Bagging回归、随机森林回归、提升决策树回归和梯度提升树回归等六组模型的评估指标中优于其他模型,其R2值都在0.99以上;预测值与真实值之间表现出强相关性特征;梯度提升树回归、提升决策树回归、随机森林回归、Bagging回归和决策树回归具有较好的泛化性能表现:对新数据集的平均预测能耗值的误差范围在-18.4%~10.3%之间,预测精度最高的模型是随机森林回归其误差范围在-9.2%~16.0%之间。