搜索
建筑基于BP神经网络节电65%的调查报告摘要随着建筑材料的开发和空调设备能源效率的提高，建筑电力节省65%已经被考虑在内。在这份研究报告内，主要的目的是预测建筑围护结构性能参数电力消耗的潜力，并确定措施采用BP神经网络建筑节能65%。通过一个三层bp神经网络组合模型和bp神经网络组合的MATLAB工具箱预测，结果表明,bp神经网络组合给出了令人满意的输出与成功的预测率超过98%,并提供了节能措施来达到建筑节电65%。I简介世界上近乎一半的新建筑物现在都在中国，每一年新建建筑面积约20亿平方米。超过90%的新建建筑被认为是高用电量的建筑。中国建筑物消耗国家主要总电量从1970年代末的10%到2006年上升至25%以上，并且到2020年预计将进一步增加到35%。总的来说，在中国，建筑物向空气中排放18%的二氧化碳。因此，在中国五个气候区实行许多设计标准提高能源效率，并且这些标准规定，相对建于1980年代初的建筑，新建造的建筑应该采取有效的措施在设计阶段使得电力消耗至少50%（达到节电率为50%）。随着建筑材料的开发和空调设备能源效率的提高，已经达到节省电力65%。由于建筑物之间围护结构性能参数对电力消耗的影响，基于耗费时间精力构建建筑几何模和计算建筑物电力消耗型软件的仿真，表明可节省65%的电力。因此，需要另寻方法来完成这个任务。最近开发出来的技术人工神经网络（ANN）可以提供这样的一个替代方法。据我们所知,还没有研究对研究建筑节电65%与反向传播神经网络(bp神经网络组合)。本文的重要性在于它给了一个新的、快速的分析方法,使用BP神经网络可以节省65%的电力。使用软件DeST，根据测试的数据集，预测并计算了冷却和加热的建筑物电力消耗。这是一款使用MATLAB实现bp神经网络组合704,它有一个内置的神经网络工具箱的软件。II.反向传播的BP神经网络A.选择输入参数在建设经营期限之内许多方面都会影响电力的消耗，如居住者的行为和空调时间表等。然而在早期设计阶段,设计师并没有考虑在内，甚至可能视这些方面为常量值,预算建筑电力消耗,和围护结构性能参数是唯一可以确定的因素来预测电力消耗，对于在夏热冬冷地区的住宅可以按同样规定的设计标准预算电效率[7]。因此本文选择一个典型的住宅建筑围护结构的性能参数作为输入bp神经网络组合的下列研究。这栋建筑是一栋3544平方米的房子如图。1.其围护结构性能参数包括外墙的传热系数（千瓦），屋顶（Kr），窗户，窗口在每个方向的壁厚比，建筑遮阳系数，窗户取向，太阳能吸收、渗透速率和窗户在每个方向的遮阳系数。这些18栋楼的围护结构性能参数变化(见表)分别在DeST中,例如u值的外墙参数从0.8到2.0，每次增加0.1,其他参数不变的情况下,获得总共96个不同的计算结果,冷却用电量每年(Ec)和年度采暖耗电量(Eh),那么总建筑电力消费可以计算(E=Eh+Ec)。这些对现有参数的变化几乎都在标中的范围之内，因此BP神经网络必将广泛使用于预测电力消耗。于是四分之三的这些结果同样选择是从仿真结果的每个参数值用于测试网络得来，那么剩下的这些数据时用来预测加热和冷却的年度用电，预测后，建筑节省电率可由下列公式计算：η=【（Ebaseline–E）/Ebaseline】*100%(1)EERc=Fc/Ec(2)EERh=Fh/Eh(3)备注：η是建筑电力节省的效率；EERc是空调冷却时的效率比；EERh是空调加热时的效率比；Fc是进行冷却时所需的能耗；Fh是进行加热时所需的能耗；Ebaseline是建于1980年代初建筑的用电量87千瓦时/平方米。神经网络组合模型1)结构理论和实践证明，三层反向传播神经网络模型来模拟复杂的非线性充分输入和输出之间的关系。更多的层可以改善bp神经网络组合的能力来模拟更复杂的问题,但它可能在同一时间占用更多的计算机资源。本研究采用一个三层BP神经网络模型和GUI的Matlab的解决方案。2)隐藏节点在输出层和输入层的神经元数量被用于在一个三层BP神经网络来研究。然而，目前没有理论指导来确定隐藏节点的数量。同时太少的节点不能提供良好的容错性和太多的节点可能会延迟时间的研究。一些论文提出在中间层的神经元数目可以超过一半的输入和输出神经元的总数量或他们的总和。然后,我们可以调整数量依实际情况，神经元的数目应该尽量少来减少工作量。在应用一些不同的价值神经元层和不同价值观的隐藏神经元的检测研究中，最好的结果得到了每个隐藏层有10个神经元。3)响应函数在实际应用中,可以选择适当的响应函数根据要求和响应函数按照常规的运用。指的是建模经验,tansig函数是用于隐藏层和purelin函数是用于输出层。由此可得,结构的bp神经网络组合是18-10-2,下面显示在图2。C．预测结果反向传播算法，用来测试建筑供暖和冷却的用电量的消耗，并按照10-3的参数来测试。每个建筑样本的计算值和估计值比照见于下表3-4，结果显示计算值偏离平均每年的加热和冷却用电量分别是1.34%和1.56%，从网络获得的值得到电力消耗的准确性分别是98.66%和98.44%。因此,它能够可靠的使用这个bp神经网络组合预测全年加热/冷却电力消耗。III.预测建筑节能65%为了进一步分析建筑节电65%的潜在的联合几个节能措施,我们选择六种不同的节能措施进行了预测,构建了电力消耗量这bp神经网络组合。表二显示了建筑节电率不同的节能措施。这表明,该措施可以减少建筑的6号电力消耗65%,事实证明这是最佳的测量。IV.结论目前的研究中，一个三层bp神经网络组合是用来预测不同的建筑加热和冷却的电力消耗,并分析得到建筑节电65%。输入18栋楼的围护结构参数进行网络测试，并输出建筑供暖和冷却的电力消耗。而这仅仅是通过建筑电力仿真工具的传统方法来计算电力消耗数值，与常规方法相比最重要的优点是建模能力的bp神经网络组合更容易容易和迅速解决复杂问题。本研究具有现实意义,因为在预测建筑电力消耗的可靠性和准确性，并且可以用于进一步分析构建电力潜在的几个能源效率措施。作为结论,本研究证明bp神经网络组合给出了令人满意的结果而且成功的预测率超过98%,并提供了措施可以使建筑节电达到65%。