建筑电气能(胡小武)bv.docVIP

2010年第二届工业电气自动化国际研讨会 基于BPNN的建筑电气节能65%的研究 姚坚 宁波大学 宁波·中国 电子邮箱： HYPERLINK mailto:yaojian@nbu.edu.cn yaojian@nbu.edu.cn 摘要：伴随着建筑材料的发展以及空调能效比的提高，建筑电气节能65%已经在被考虑中。在这项研究中，主要的目的就是预测建筑外围结构的电能消耗潜力，并且通过BP神经网络来研究建筑电气节能65%的措施。通过建立一个三层的BPNN模型，采用MATLAB软件工具，得到BPNN可能出现的预期结果。结果表明，BPNN模型得到了令人满意的输出结果，预测成功率达到98%以上，并且提供了使建筑电气节能达到65%的有效节能措施。 关键词：BP Neural Network (BPNN),即BP神经网络；电能消耗；建筑外围结构；65% I. 引言 目前世界上几乎一半以上的新建筑都出现在中国，每年的新建筑面积达到二十多亿平方米，超过90%的新建筑被认为是高耗能建筑，中国建筑的电能消耗从70年代末期所占全国总能源消耗的10%上升到2006年的25%以上，并且预计2020年将达到35%。总体而言，在中国，建筑能源消耗占到了与电力相关的二氧化碳排放量的18%。因此，为了达到建筑节能，中国在五个气候带强行实施许多设计标准，而且这些标准强调，新兴建的建筑在设计阶段应采取有效措施，减少至少50%的电能消耗，对比于80年代早期的建筑。伴随着建筑材料的发展以及空调能效比的提高，建筑电气节能65%已经在被考虑中。由于建筑外围结构性能参数对建筑用电量耦合的影响，对建筑电气节能65%的研究将不可避免地使用软件来进行仿真，模拟建筑物的几何和计算是费时又费力的，建筑电气模拟软件有DeST, DOE–2, TRNSYS, 和EnergyPlus等。因此，需要找到一种替代方法来做这项工作。最近开发的人工神经网络技术（ANN），提供了一种非常有效的替代方法。据我们所知，目前为止还没有运用反向传播神经网络（BPNN）来进行建筑电气节能65%的研究。 本文的重点在于它给出了全新、快速的方法--采用BPNN来分析建筑电气节能65%。在预测结果之前，训练和测试的数据是通过采用DeST软件计算建筑制冷和供暖时的电能消耗得到的。BPNN的实施采用了MATLAB 7.0.4，它有一个内置的神经网络工具箱。 II. BP网络（BPNN） A、选择输入参数 许多方面如住户的行为、空调时间等都会影响建设运营期间的电能消耗。然而，对于设计师来说，这些方面在早期设计阶段是不可用的，也有可能在计算电力负荷时就被当做常量了，并且建筑外围结构性能参数的确定，成了预测电能消耗的唯一因素，比如设计住宅建筑在炎热夏天和寒冷冬天时电能消耗的标准规范。因此，为了后面更好的研究，本文选取了一个典型的住宅建筑的外围结构参数作为BPNN的输入值。该建筑是一栋六层3544平方米的房子，如图1所示。它的外围结构性能参数包括各个传热系数，外墙（Kw），屋顶（Kr），窗户 图1、典型住宅建筑模型 （东面：Kw-e，南面Kw-s，西面：Kw-w，北面：Kw-n），每个方向的窗墙比（东面:WTWe，南面:WTWs，西面:WTWw，北面:WTWn），建筑遮阳系数（S），方向（A），太阳能吸收（p），入渗率（ACH）和各个方向上的窗户遮阳系数（东面：Sc-e，南面：Sc-s，西面：Sc-w，北面：Sc-n）。这18个建筑外围结构参数（见表1）在DeST中的变化是不同表一.输入参数 序号 参数 范围 序号 参数 范围 序号 参数 范围 1 Kw 0.8-2.0 7 WTWs 0.2-0.8 13 Sc-e 0.5-0.8 2 Kr 0.7-1.5 8 WTWn 0.2-0.5 14 Sc-w 0.3-0.8 3 ACH 0.1-1.4 9 Kw-e 1.4-1.7 15 Sc-s 0.5-0.8 4 A -π/2-π/2 10 Kw-w 1.4-1.7 16 Sc-n 0.6-0.8 5 WTWe 0-0.5 11 Kw-s 1.4-1.7 17 p 0.45-0.85 6 WTWw 0-0.6 12 Kw-n 1.4-4.7 18 S 0.24-0.36 的，例如外墙的U值从以每次0.1的变化从0.8变到2.0，其他的量却保持不变，便得到了总共96种年制冷电能消耗（Ec）和年供暖电能消耗（Eh）时的不同计算结果，于是，总的建筑电能消耗可以这样计算： E=Eh+Ec。目前这些参数的可能变化几乎都包括在表1的变化范围中，因此基于BPNN的电能消耗预测将会得到