271基于BP神经网络的城市建筑热环境研究.docVIP

基于BP神经网络的城市建筑热环境研究 中国建筑设计咨询公司 李宁 南京工业大学 陈定艺 刘金祥 摘 要 本文针对现代城市中越来越严重的热岛现象与能源问题，首先分析了北京市近60年的温度资料，可知60年来城区内的年平均温度升高了2.28°C，温度增幅为0.38°C/10a。而后综合考虑城市建筑热环境的各种影响因素，利用BP神经网络技术建立了城市尺度下针对建筑热环境温度的预测模型，并对以往的数学模型和计算方法进行了改进。在改进后的预测模型中，通过枚举法选择隐含层最佳神经元个数，用贝叶斯正规化算法进行了网络训练：与BP神经网络基本的L-M优化算法相比，该算法有较高的泛化能力和准确性，更适用于这一问题的研究。 关键词 城市建筑热环境；温度增幅；BP神经网络 1 引 言 随着现代经济的发展，城市中工业、人口和建筑高度集中，工业生产、能源燃烧和空调的排热使得城市空间中积聚的热量增加，破坏了城市中原有的热平衡，改变了城市微气候，城市中的热岛现象越来越严重，城市环境问题越来越成为人们关注的焦点。 自从1818年Howard L对伦敦市温度场进行观察出版《伦敦气候》以后，许多国家的研究者都发表了这方面的文章[1]。由于城市建筑热环境是一个多变量、分布参数和非线性的复杂系统，影响热环境的因素众多，如城市自然气象、城市绿化率、城市人口以及城市能源消耗数量等。常规的数学方法多停留在区域性或某一时间段的城市建筑热环境温度的研究上[2-3]，在时间和空间上都有较大的限制，并不能反映城市气温变换的真实规律。 本文以北京市为研究对象，着眼于城市尺度建筑热环境研究，将BP神经网络技术应用于城市建筑热环境温度的预测中，将研究时间扩展到以年为时间间隔，研究范围扩展到城市尺度。本文所提出的新的预测模型与方法，可为未来城市热环境的发展趋势提供参考，同时预测的城市热环境温度作为城市整体规划布局的依据，可为城市范围热环境的改善提供指导。 2 北京市近60年年平均气温分析 笔者对并对北京市1951~2008年气温数据进行了初步的统计、分析，通过线性拟合分析，计算出了城市热环境温度的温升率。图1显示了北京市冬季12月历年平均气温的变化过程，图2显示了北京市夏季7月历年平均气温的变化过程，由图可知冬季12月和夏季7月这2个典型月份近60年来的气温呈上升趋势，但气温增加的幅度有着明显的区别：冬季12月平均气温的变化曲线波动幅度大，温度增幅为0.445 °C/10a；夏季7月平均气温的变化曲线波动幅度小，温度增幅为0.228 °C/10a，增加幅度明显小于前者。 图1 北京市历年十二月月平均气温图2 北京市历年七月月平均气温 图3给出了北京市近60年来的年平均气温的变化规律，虽有个别年份出现大幅波动(多趋于气温升高的方向)，但总体仍是缓慢上升的趋势。另外，通过线性拟合计算得出近60年北京市的年平均气温变化为2.28 °C，温度增幅为0.38 °C/10a见图4。 图3 北京市历年年平均气温图4 北京市历年年平均气温拟合图 通过以上分析可知北京近60年来各月、各年的平均气温都趋于上升趋势，随着城市化的发展，这种现象将越来越严重，因此对城市建筑热环境的研究势在必行。 3 基于BP神经网络的城市建筑热环境预测 3.1 城市中的热平衡关系 随着城市化进程的加快，城市中大规模建筑群和街谷的出现，改变了城市中原有下垫面的热工性质和粗糙度，破坏了城市中的热力场与风环境，加速了城市建筑热环境的恶化。 为了使城市中建筑热环境处于平衡状态，必须实现城市建筑热环境得热量与失热量的收支平衡，以往的研究多以地表面一维热量平衡模型或CTTC模型为研究方法，即通过求解城市下垫面的温度来求解城市空气的逐时气温，求解过程比较复杂，且多用于求解一天内的逐时温度数值。本文以城市中的大气为研究对象，在以往研究方法中加入周围环境及城郊温差对城市热环境的影响，建立了基于城市热平衡关系的模型，实现城市尺度年平均温度的预测。能量平衡模型可用式(1)表示。 (1) 式中，Qz为城市中空气的总得热量；Qsn为城市中太阳辐射得热量；Qe为城市下垫面和空气的换热量（下垫面传给空气为正，空气传给下垫面为负）；Qp为人类的各种活动向城市环境的排热；Qan为由于风的作用，城市空气向郊区流动引起的热量损失；Qk为城郊温差(热岛效应)引起的热量扩散。 从式(1)出发，根据《北京市统计年鉴》(1980-2007年)中查询到的数据，对应式(1)中各部分得热量，选取城市年平均日照时间、年平均降水量、年平均风速、城市绿化率、城市年度能源消耗量、城市建成区面积、城市道路长度、城市人口数量和城郊平均温差共9项内容作为反映城市建筑热环境的特征量。其中除前3项自然气象因素具有一定随机性外，其余6项特征量都伴随着北京市经济的发展有了大幅增加，