摘要: 超高层建筑暖通空调能耗预测的准确度直接影响暖通空调节能效果。针对当前超高层建筑暖通空调能耗预测方法存在的预测精确度较低，且预测的及时性较差问题，提出一种基于 GM - RBF 神经网络的超高层建筑暖通空调能耗预测方法，对历史能耗数据样本中的异常数据进行剔除，并对剩余数据进行标准化处理，构建处理后的数据的多元线性回归模型，利用皮尔逊相关系数确定暖通空调能耗影响因素与能耗之间的关系，实现超高层建筑暖通空调能耗系统数据处理分析，根据分析结果，利用径向基函数神经网络构建非线性映射关系，根据 K - means 聚类方法确定非线性映射函数的中心，得到网络预测值，通过对预测值进行反归一化处理，得到超高层建筑暖通空调能耗预测结果，并通过历史数据对预测结果进行检验，实现超高层建筑暖通空调能耗精准预测。实验结果表明，所提方法预测的精确度较高，且预测的及时性较好。
关键词: 超高层建筑; 暖通空调; 能耗; 精准预测
1 引言
随着我国人口的增加，住房拥挤问题日益突出，为缓解该问题，建筑的高度逐渐增加，各类超高层建筑拔地而起[1]。这些超高层建筑一般通过暖通空调实现采暖、通风和空气调节，超高层建筑暖通空调能耗成为超高层建筑能耗的重要组成部分[2]。降低建筑能耗能够降低建筑运营成本，符合国家可持续发展的要求。为实现超高层建筑节能，需要对超高层建筑暖通空调能耗进行预测[3]。为实现超高层建筑暖通空调能耗预测，不同的专家学者从不同角度对该问题进行分析，已产生一些较为成熟的理论和应用，但这些方法仍存在一些不足[4 - 5]。
超高层建筑暖通空调能耗作为超高层建筑能耗的重要组成部分，对超高层建筑暖通空调能耗进行精准预测对降低超高层建筑成本具有重要意义。文献[6]提出一种基于灰色模型和最小二乘向量机方法的暖通空调能耗预测方法，通过灰色模型构建暖通空调能耗模型，并通过最小二乘支持向量机提高模型的非线性拟合能力和泛化能力，确定暖通空调运行数据规律，并通过粒子群优化的方法对模型的参数进行选取，实现暖通空调能耗预测。但这种方法预测过程较为复杂，导致预测执行时间较长，影响预测结果的及时性。文献[7]提出一种基于 SVM 的暖通空调能耗预测方法，根据暖通空调能耗特点，选取暖通空调运行的样本特征，构建基于 SVM 的暖通空调能耗预测模型。但这种方法预测过程中，没有对暖通空调能耗数据进行处理，导致能耗预测精确度较低。文献[8]提出一种基于深度条件受限玻尔兹曼机的暖通空调能耗预测方法，通过在传统的受限玻尔兹曼机中融入历史条件输出层，使其能够根据暖通空调的历史时间序列实现未来时间序列预测，并通过构造深度条件受限玻尔兹曼机模型，实现暖通空调能耗预测。但这种方法预测过程中，对历史数据处理效果较差，影响预测的精确度。
相关知识推荐：暖通专业职称评审论文好发表吗
通过上述论述，根据一系列与暖通空调特性相关的解释变量建立暖通空调能耗预测的回归模型，并根据平均绝对百分比误差提高模型的精准性，简化超高层建筑暖通空调能耗预测模型，并通过计算该高层建筑的采暖度日值，确定天气条件的校正系数，并根据校正系数确定预测的误差函数，并将该函数引入到预测模型中，实现超高层建筑暖通空调能耗预测。
3 超高层建筑暖通空调能耗精准预测
3. 1 超高层建筑暖通空调能耗数据处理
为保证超高层建筑暖通空调能耗预测的精确性，需要对超高层建筑暖通空调能耗数据进行处理分析，具体过程如下所述。超高层建筑暖通空调能耗系统可以看作为一个复杂的非线性时间序列，其输入的参数尤其是超高层建筑所处环境参数可以看作为一个复杂的随机变化系统，具有较强的不确定性。并且在超高层建筑运行过程中，可能受到设备、系统故障等因素的干扰，导致超高层建筑暖通空调能耗数据记录有误。这些数据无法准确描述暖通空调能耗的内在规律，应从样本中剔除这些数据。
4 仿真实验结果与分析
为验证基于 GM - RBF 神经网络的超高层建筑暖通空调能耗预测方法的有效性和可行性，进行一次实验，实验过程中，以某高层建筑暖通空调历史能耗值为实验数据，以 Windows2013 系统作为实验操作平台，并通过 MATLAB 软件对实验过程进行模拟，通过实验，得到的结果如下所述。
对基于 GM - RBF 神经网络的能耗预测方法得到预测误差与实际误差进行对比，通过实验，得到的结果如图 1 所示。其中样本编号为常数，设其单位为 m。
通过图 1 可以看出，能耗的预测误差与实际误差相差较小，说明方法的预测精确度较高。基于 GM - RBF 神经网络的能耗预测方法在预测的过程中，对异常数据进行提取，提高了数据的质量，使预测误差与相对误差相差较小。
实验不同方法进行能耗预测的精度，实验过程中，分别利用不同方法对能耗进行预测，分析预测能耗与实际能耗的误差，通过实验，得到的结果如图 2 所示。
通过图 2 看出，基于 GM - RBF 神经网络的能耗预测方法预测的能耗结果与实际能耗最为接近，说明基于 GM -RBF 神经网络的能耗预测方法预测的精准性较好。基于 GM - RBF 神经网络的能耗预测方法预测误差与相对误差较为接近，保证了预测结果的精确性。
实验不同方法进行能耗预测的执行时间，通过能耗预测的执行时间确定预测结果的及时性。通过实验，得到的结果如表 1 所示。其中 O 表示预测的次数，单位为次( t) ; A 表示基于 GM - RBF 神经网络的能耗预测方法的执行时间，单位为 s; B 表示基于 SVM 的能耗预测方法的执行时间，单位为 s; C 表示基于 BP - Adaboost 算法的能耗预测方法的执行时间，单位为 s。
通过表 1 看出，基于 GM - RBF 神经网络的能耗预测方法预测的执行时间最短，说明预测的执行速度较快，保证了预测结果的及时性。基于 GM - RBF 神经网络的能耗预测方法预测过程中，对历史能耗数据进行标准化处理，减少了预测的计算过程，提高了预测的执行速度，保证了预测结果的及时性。
5 结束语
对超高层建筑暖通空调能耗进行预测能够降低超高层建筑的能耗。随着超高层建筑数量的增多，对超高层建筑能耗优化控制的研究逐渐成为研究的重点课题。
超高层建筑暖通空调能耗作为超高层建筑能耗的重要组成部分，对其的预测成为相关专家学者研究的重点，针对当前暖通空调能耗预测方法存在的预测精准度较低，且预测的及时性较差问题，提出一种基于 GM - RBF 神经网络的超高层建筑暖通空调能耗预测方法，实验结果表明，所提方法预测的精确度较高，且预测的及时性较好，为该课题的深入研究发展提供理论依据。——论文作者：段冠囡、王岳人
参考文献:
[1] 郭伟，张栋，蒋胜. 国有建筑企业股权多元化对战略绩效的影响.[J]. 西安工程大学学报，2017，6( 31) : 822 - 827.
[2] 万蓉，孔德泉，刘加平. 气候变化对我国典型城市空调能耗的影响[J]. 暖通空调，2017，47( 3) : 43 - 47.
[3] 胡慧，王桂芝，来鹏. 基于 PLSIM 模型的住房建筑物能耗分析[J]. 数理统计与管理，2016，35( 5) : 770 - 777.
[4] 田玮，等. 基于机器学习的建筑能耗模型适用性研究[J]. 天津科技大学学报，2016，31( 3) : 54 - 59.
[5] 孙恒. 校园建筑设计能耗优化监测仿真研究[J]. 计算机仿真，2017，34( 10) : 383 - 386.
[6] 吴炜洪，等. GM - LSSVM 模型在建筑能耗预测中的应用[J].福州大学学报( 自然科学版) ，2017，45( 2) : 238 - 245.
[7] 周峰，等. 基于 SVM 的大型公共建筑能耗预测模型与异常诊断[J]. 土木工程与管理学报，2017，34( 6) : 80 - 86.
[8] 李鹏，周希霖. 基于深度 CRBM 模型的建筑能耗预测方法[J].湘潭大学自科学报，2017，39( 2) : 45 - 48.
[9] 顾中煊，等. 区域建筑能耗预测模型和方法研究[J]. 建筑技术，2017，48( 12) : 1240 - 1243.
[10] 方涛涛，马小军，陈冲. 基于 BP - Adaboost 算法的建筑能耗预测研究[J]. 科技通报，2017，33( 7) : 162 - 166.
