自适应神经模糊推理模型在建筑物能耗估计中的应用
时间：2021-02-05 16:05:42 来源：达达文档网 本文已影响 人 
庞博
摘 要 对建筑物的能量消耗进行有效地估计将极大地帮助建筑师和工程师在早期设计和施工阶段进行能耗控制。本文提出了基于自适应神经模糊推理模型的建筑物能耗估计方法，即根据主要建筑物围护参数（如材料厚度和绝缘K值） ，依次进行EnergyPlus分析、EnergyPlus仿真、自适应神经模糊推理，对不同厚度值和绝缘属性的材料进行能耗估计，通过Matlab / Simulink计算证明了建筑物能耗估计对于能效建筑物整体设计的重要性。
关键词 建筑物能耗 EnergyPlus仿真 自适应神经模糊推理模型
中图分类号：G843文献标识码：A
中国是一个对世界能源市场依赖日益增加的国家，国内能源需求在过去几十年迅速增长，预计未来数十年的能源使用将持续以4.5%的年速度增长。能源成本占国内生活总成本的很大一部分，国家根据能源需求调节天然气和原油进口数量。因此有必要最大限度地减少住宅建筑的能源需求。
神经网络最强大的类型之一是自适应神经模糊推理模型（Adaptive neuro-fuzzy inference model， ANFIM） ，ANFIM具有非常出色的学习和预测能力，使得它成为处理任何模型中的不确定性的有效工具。
基于上述分析，提出了基于ANFIM的建筑物能耗估计方法。在EnergyPlus软件中使用不同的材料厚度值和绝缘属性进行多达180次仿真，尝试分析主要建筑物围护参数与建筑物的区域冷却或加热负载之间的相关性。
1提出的方法
1.1 EnergyPlus分析
EnergyPlus分析的目的是研究墙体材料参数对建筑物能量消耗的影响，当前的建筑模型变量仅限于墙体材料和建筑细节，其他因素在所有仿真中保持不变，如建筑物入住率、设备、供暖、通风和空调设备等影响因素。有关墙壁组成的所有注意事项，包括窗口和墙位置、方向和方位，都使用EnergyPlus插件调整为Sketchup 3D图形。在EnergyPlus软件中需要仔细定义影响墙壁整体热性能的其他围护部件（例如窗和门）的属性，以及窗口（窗玻璃和框架）和其他墙壁部件的属性。此外，EnergyPlus中还定义了屋顶和地面元素的一些属性，如屋顶覆盖层的太阳能吸收率和地面温度。
1.2 EnergyPlus仿真
考虑5种不同的墙壁细节进行研究。每组中的元件材料类型、厚度和热特性均不相同，将具有不同k值和厚度的绝缘材料分配给墙壁细节，然后对每个材料系列进行EnergyPlus仿真。从仿真中可以获得能量消耗（加热和冷却能量）的值。在所有组中，有两种输入变量，即绝缘厚度和绝缘K值。分别使用具有0.03、0.04、0.05和0.08W / mK热导率值的绝缘材料。此外，绝缘材料运用不同的厚度：4、6、8、10、12、14、16、18和20cm。通过使用这种方法，在EnergyPlus软件中提供完全相同数量的仿真总共180个数据系列。本研究中的变量输入数据是绝缘厚度和绝缘K值，而输出数据是对建筑物加热和冷却所需总能量的EnergyPlus仿真结果，用于EnergyPlus仿真的输入和输出数据用作ANFIM应用中的主要数据库，以便开发一种估计建筑物能耗的模型。
1.3 自适应神经模糊推理模型
建立了一种新的ANFIM模型，用于估计建筑物相对于三个参数组的能量消耗：建筑结构、绝缘值和绝缘厚度。其中，一半数据用于训练，而另一半用于检查和验证模型。通过适当的训练方案和精细的过滤数据集，ANFIM能够非常准确地估计建筑物能耗。
每个输入有三个隶属函数，一个ANFIM网络用于建筑物加热以及一个ANFIM网络用于建筑物冷却。选择钟形隶属函数，最大值为1，最小值为0。MATLAB中的模糊逻辑工具箱用于训练和评估模糊推理模型的整个过程。
图1表示具有三个输入的ANFIM结构。
使用两个输入的一阶Sugeno模型和Takagi-Sugeno类型的模糊IF-THEN规则：
第一层由输入变量隶属函数（MFs）、建筑结构参数、绝缘值参数和绝缘厚度参数组成，该层将输入值提供给下一层。在第一层中，每个节点是具有节点函数O=（）的自适应节点，其中（）是MFs。
选择最大等于1且最小等于0的3个钟形MFs：
其中，钟形函数取决于三个参数a、b和c。参数b通常为正，而参数c位于曲线的中心，如图2所示。
第二层（隶属层）检查每个MFs的权重，该层从第一层接收输入值，并且用作隶属函数表示相应输入变量的模糊集。第二层中的每个节点非自适应，并且该层将输入信号相乘，每个节点输出表示规则或权重的发射强度。
第三层称为规则层。每个节点（神经元）执行模糊规则的前置条件匹配，即，它计算每个规则的激活级别，层数等于模糊规则的数量。此层中的每个节点计算归一化权重。第三层也是非自适应，该层的输出称为标准化发射强度或归一化权重。
第四层去模糊化层提供由规则的推论产生的输出值。
第五层输出层将来自第四层的所有输入相加，并将模糊分类结果转换为二进制。第五层中的唯一节点非自适应，将所有输入信号的计算总和作为整体输出。
运用混合学习算法来识别ANFIM体系结构参数。在混合学习算法的正向传递中，功能信号前进到第4层，随后的参数通过最小二乘估计来识别。在反向传递中，误差率向后传播，先验参数通过梯度下降来更新。
2结果与讨论
2.1 ANFIM实现
本文提出的ANFIM结构设置的三个输入分别为组数据、绝缘热导率值K和绝缘厚度。对于每个输入存在两个钟形隶属函数，由于每次输入包含三个输入值和三个隶属函数，共計有27个模糊规则。首先，ANFIM网络估计建筑物的冷却耗散，随后是加热耗散。
2.2 性能评估
实验数据对比分析得知，预测结果与建筑物供暖和制冷能耗的实际值非常一致。观察结果由非常高的测定值系数证实。过高估计或过低估值的数量有限。显然，预测值具有高精度水平。
为了在更明确和有形的基础上证明所提出的ANFIM方法的优点，将ANFIM模型的预测精度与用作基准的其他软计算方法进行比较。这些基准模型有：人工神经网络（ANN）和遗传编程（GP）。使用常规误差统计指标，即RMSE、R2和r进行比较。表1和表2总结了分析的两个加热和冷却模型的预测精度结果。比较表明，ANFIM预测在建筑物冷却能量估计中的均方根误差、Pearson系数和系数误差方面优于ANN和GP，即估计结果比ANN和GP结果更加准确。
3结论
本文通过ANFIM获得建筑物加热和冷却能量需求的模型方法。在MATLAB中开发具有ANFIM网络的仿真模型用于建筑物冷却和加热的估计。设计这种ANFIM协调方案的主要优点在于：可以有效评估建筑物能耗对于能效建筑物整体设计的重要性。在MATLAB中运行了仿真实验，并在相应的输出块上观察到了结果。将ANFIM方法的性能与ANN、GP进行比较表明，ANFIM预测在建筑物冷却能量估计中的均方根误差、Pearson系数和系数误差方面优于ANN和GP，且结果比ANN和GP结果更加准确。
参考文献
[1] 樊丽军.基于多元线性回归模型的建筑能耗预测与建筑节能分析[J].湘潭大学自科学报，2016，38（01）：123-126.
[2] 周丹，南敬昌，高明明等.改进的简化粒子群算法优化模糊神经网络建模[J].计算机应用研究，2015，32（04）：1000-1003.
[3] 李准.基于EnergyPlus的建筑能耗模拟软件设计开发与应用研究[D].长沙：湖南大学，2009.
