基于泰勒级数神经网络方法的我国公共建筑和工业建筑面积数据分析(2)-那威.pdf

《基于泰勒级数神经网络方法的我国公共建筑和工业建筑面积数据分析(2)-那威.pdf》由会员分享，可在线阅读，更多相关《基于泰勒级数神经网络方法的我国公共建筑和工业建筑面积数据分析(2)-那威.pdf（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、12 暖通空调I-IV&AC 2017年第47卷第11期 建筑能耗基于泰勒级数神经网络方法的我国公共建筑和工业建筑面积数据分析(2)北京建筑大学那威王晗北京交通大学侯静中国建筑节能协会武涌*摘要 系统梳理了我国统计年鉴中城镇和农村公共建筑、工业建筑面积的相关指标。采用泰勒级数神经网络方法计算了2001-2014年城镇公共建筑、_v-,_Ik建筑面积，采用线性拟合的方法得到了农村公共建筑面积，解决了统计年鉴中现有统计数据时间序列不完整、统计口径不一致的问题，为我国建筑能耗统计研究提供数据支撑。关键词 建筑面积公共建筑 工业建筑 时间序列 统计年鉴建筑能耗Analysis of public an

2、d industrial building area data ofCh i na based on Taylor-series neura I network method(2)8y No Wet，Wong-on，HOu Jing ond Wu YongAbstract Systematically sorts the relevant indexes of urban and rural public and industrial buildingarea in the statistical yearbooks of ChinaCalculates the urban public an

3、d industrial building area from 2001to 2014 using the Taylor-series neural network method and obtains the rural public building area using thelinear fitting method。which solves the problems of incomplete time series data and inconsistent statisticalcaliber in the existing statistical yearbook，provid

4、ing data support for further study on building energyconsumption statistic of ChinaKeywords building area，public building，industrial building，time series，statistical yearbook，building energy consumptionBeijing University of Civil Engineering and Architecture，Beijing，China0引言建筑能耗统计的范围主要是生产性建筑和非生产性建筑，

5、前者包括直接服务于工业生产的厂房、仓库及相关生产性辅助用房，后者可分为居住建筑和公共建筑。中国建筑节能年度发展研究报告20151中的数据显示：近10年，我国公共建筑的总运行能耗占全国建筑总能耗的比例一直维持在2025。公共建筑能源消耗量呈逐年上升*华南理工大学亚热带建筑科学国家重点实验室资助项目(编号：2012KBl4)，“十二五”国家科技支撑计划资助项目(编号：2013BAJl5801)的趋势，自2001年的117亿t标准煤增长到2014年的326亿t标准煤，增长了178倍，年增长1020。由此可见，出于公共建筑和工业建筑特殊的使用功能要求，这两部分的能源消耗量大。因此，对公共建筑和工业建筑

6、用能进行能耗统计和节能管理，是推进建筑节能的重要措施之一。那威，男，1979年1月生，工学博士，博士后，副教授，副处长100044北京市西城区展览馆路1号(010)61209434E-mail：naweibuceaeducn收稿日期：20170324修回日期：20170802万方数据加17(11) 那威。等：基于泰勒级数神经网络方法的我国公共建筑和工业建筑面积数据分析(2) 13房屋建筑面积是建筑能源消耗量计算、评估、控制的一个重要参数。将建筑总能耗除以房屋建筑面积即可得到建筑单位面积能耗强度，该指标是建筑能耗评估的重要入手点，是建筑能耗控制的出发点。通过对建筑单位面积能耗强度的分析和定量，可

7、以有效控制建筑能源消耗量，达到建筑节能减排的目的。因此建筑面积的计算十分重要。近些年，大量学者提出了建筑面积的计算模型。例如Kavgic等人提出了可以输出国家建筑面积存量以及加热、制冷能耗的模型，用以评估当前建筑的开发和使用情况2。Snfikin提出了可以输出区域建筑面积存量的模型，用以提高供热能耗数据检测的准确性3。Huang提出的模型可在输出建筑面积存量的基础上研究建筑节能在国家市场活动转型方面的贡献4。加拿大的CREEM是针对居住建筑面积，通过对居住建筑合理分类，运用科学的建模技术，导出居住建筑面积存量的模型5。中国建筑节能年度发展研究报告2015中采用能耗强度和数量进行自下而上的计算，

8、建立了以建筑能耗统计数据为基础、并以国家能耗统计数据进行宏观验证的中国建筑能耗模型，计算了2006-2015年我国建筑总面积、能耗及其占比，并用统计数据从宏观角度验证了中国的建筑能耗模型1|。笔者通过查阅相关统计年鉴，获得关于建筑面积的相关统计数据。根据对中国统计年鉴中相关建筑面积统计指标的分析发现，要从统计年鉴中获取2001-2014年公共建筑面积、城镇居住建筑面积和农村居住建筑面积数据存在如下问题：1)时间序列数据不完整。将查阅文献获得的199520115年建筑业企业房屋建筑竣工面积、农村年末实有房屋建筑面积、城镇年末实有(住宅)房屋建筑面积数据与本研究的时间序列(2001-2014年)相

9、比，除建筑业企业房屋建筑竣工面积外，其他建筑面积指标均存在不同程度的缺失。数据的缺失将会影响建筑面积统计的研究，也会影响后期的建筑能耗研究。2)公共建筑、工业建筑面积缺少直接统计数据。目前统计年鉴中关于公共建筑面积的数据包括农村年末实有公共建筑面积和建筑业企业公共建筑竣工面积，对于城镇公共建筑面积无直接统计数据。实际上城镇年末实有房屋建筑面积和居住建筑面积之差为公共建筑面积和工业建筑面积之和，但是统计年鉴中并未将2类面积数据拆分统计，导致无法从统计年鉴中直接获得公共建筑面积和工业建筑面积数据。本文系统梳理我国统计年鉴中关于城镇、农村公共建筑和工业建筑面积的相关指标，通过对时间序列、数据口径等影

10、响因素的分析，采用泰勒神经网络算法计算得出2001-2014年逐年城镇公共建筑、工业建筑面积数据，同时采用对现有统计年鉴数据线性拟合的方法，计算得出2001-2014年逐年农村公共建筑、工业建筑面积，弥补我国统计年鉴中时间序列不完整、缺乏直接数据的问题，为我国宏观建筑能耗研究提供数据支撑。1 数据源及研究方法分析11城镇公共建筑、工业建筑面积计算方法及数据源分析1)城镇公共建筑、工业建筑面积计算方法：通过公共(工业)建筑面积与公共(工业)建筑竣工面积累加值之间的关系，以泰勒级数神经网络方法构建模型，计算2001-2006年公共(工业)建筑面积，将其与已有数据对比，进行模型误差校核后用于计算20

11、07-2014年公共(工业)建筑面积。2)部分公共建筑、工业建筑面积获取方法：根据文献6构建泰勒级数形式的神经元激励函数，计算得到2001-2006年城镇公共建筑、工业建筑面积数值，用于校核新的计算建筑面积模型。3)公共建筑、工业建筑竣工面积获取方法：参照文献7。因其他用途建筑实为居住建筑和公共建筑的配套建筑，分别计算居住建筑和公共建筑竣工面积在建筑总量中的占比，将其他用途建筑竣工面积按比例增加到居住建筑和公共建筑竣工面积中。12农村公共建筑面积计算方法及数据源分析1)农村公共建筑面积计算方法：鉴于农村公共建筑面积变化幅度很小，整体呈现缓慢增长的趋势，通过对2006-2015年的时间序列数据进

12、行线性拟合，反推2001-2005年农村公共建筑面积。2)农村公共建筑面积数据获取方法：查询国家统计局国家数据。13研究方法分析万方数据14 暖通空调i-IV&AC 2017年第47卷第11期 建筑能耗采用泰勒级数形式推导神经网络模型。以建筑面积统计年鉴数据为基础，缺失数据根据已有统计年鉴其他相关数据采用神经网络方法计算，确定2001-2014年逐年全国公共建筑、工业建筑面积。影响建筑面积的因素很多，例如政策8、经济发展水平9、气候区分布10等都会影响建筑面积统计的准确性。基于建筑面积影响因素众多且具有各影响因素非线性、直接获得解析函数关系难度较大等特点，本文采用神经网络方法对建筑面积进行时间

13、序列上的预测和分析。利用神经网络的函数逼近能力可以实现非线性系统的辨识和控制。将一般神经网络看作一系列神经元激励函数的形式和，即在训练样本容量确定的前提下，将所拟合的样本函数按照激励函数级数展开，训练算法就是逐步修正这些激励函数的级数项的系数。该网络模型直接由泰勒级数形式推得，可将其转化为一般幂级数形式，即泰勒展开而重新设定简单的激励函数与权。它的本质是在训练样本容量确定的前提下，用一段函数去描写样本，用该函数作为期望逼近的目标函数。因此利用泰勒级数形式推导神经网络模型对2001-2014年公共建筑、工业建筑面积数据进行时间序列上的梳理是可行且有效的。2 200720 1 4年逐年城镇公共建筑

14、面积分析根据2001-2006年逐年公共建筑面积、公共建筑竣工面积数据，得到各年度公共建筑面积与公共建筑竣工面积累加值，如图1所示，可以发现各年度公共建筑面积与公共建筑竣工面积累加值的龟翠嚣谴年份-o-公共建筑面积+公共建筑竣工面积累加值图1 200 1-2006年逐年城镇公共建筑面积与公共建筑竣工面积累加值对比变化趋势相同，具有相关性。以各年度公共建筑面积S。为变量，公共建筑竣工面积累加值S。为自变量构建G函数，即S。=G(S雎) (1)采用基于泰勒级数的神经网格算法构建G函数，应用泰勒级数构建因变量方程的基本形式，并应用DATAFIT软件、SPSS软件进行相关性分析。因变量方程的形式为Sp

15、=a1+b1IgSpc+cll酽Spc+dll矿Spc (2)式中口1，b1，c1，dl为常数。将2001-2006年的公共建筑面积和公共建筑竣工面积累加值输入因变量方程，构成非齐次定解方程组，采用Matlab求解，得到因变量方程的系数(99的置信区间)分别为：al一-49 011 762，bx一13 356 844，f1一1 207 176，d1=36 39843。分析模型的计算偏差如表1所示，最小偏差为-2 55858万m2，最大偏差为3 322。65万m2，最大相对偏差不大于111，证明了分析模型的准确性。表1 20012006年逐年城镇公共建筑面积分析模型的计算偏差将20072014年

16、公共建筑竣工面积累加值输入G函数，可以计算得到2007-2014年逐年公共建筑面积。将其与2001-2006年数据合并，最终可得到2001-2014年逐年公共建筑面积，结果如图2所示。3 2007-2014年逐年城镇工业建筑面积分析采用与公共建筑面积分析相同的方法计算2007-2014年逐年工业建筑面积，结果如图3所示。4 20012014年农村公共建筑面积分析万方数据2017(11) 那威等：坫j：泰勒级数神经网络方法的我国公共建筑和工业建筑面积数据分析(2)吾菪蓉吾奢誊蓉喜詈三詈詈蓍N N钭刊N N N N粕N N N N剁年份图2 20012014年逐年城镇公共建筑面积一 tIr一、 h

17、，川二 + ，!旺：Hti!：。图3 2001-2014年城镇工业建筑面积与工业建筑竣工面积累加值对比鉴于我国能源统计是按行业统计，公共建筑能耗主要是第三产业能耗，不区分城镇和农村，因此公共建筑应按全口径计算，包括城镇公共建筑和农村公共建筑。按照城乡建设统计口径，城镇范围为设市城市和县城，农村范围为乡镇建成区和村庄。统计年鉴中，农村公共建筑面积数据时间序列为2006-2014年，其变化趋势见图4。可见农村公共建筑面积变化幅度很小，基本上都在22亿25亿m2之间，呈缓慢增长的趋势。图4 20012014年农村公共建筑面积变化趋势对于2001-2005年数据采取的处理方法是，剔除2008年的异常值

18、后，对2006-2014年的时间序列数据进行线性拟合，反推2001-2005年的数据。5结论1)基于泰勒级数神经网络算法构建神经元激励函数，计算得到了2001-2014年逐年城镇公共建筑、工业建筑面积，解决了我国统计年鉴中建筑面积统计指标中关于城镇(包含城市和县城)公共建筑、工业建筑面积直接统计数据缺失的问题。2)通过对农村公共建筑情况的分析，采用对已知时间序列数据进行线性拟合的方法，反推出统计年鉴中缺失的农村公共建筑面积数据，最终获得了2001-2014年农村公共建筑面积数据。参考文献：1清华大学建筑节能研究中心中国建筑节能年度发展研究报告2015M北京：中国建筑工业出版社，2015：232

19、52 KAVGIC M，MAVROGIANNI A，MI M0C D，et a1A review of bottom-up building stock modelsfor energy consumption in the residential sectorJBuilding and Environment，2010，45(7)：168316973SNAKIN J P八An engineering model for heatingenergy and emission assessment：the case of NorthKarelia，FinlandJApplied Energy，2

20、000，67(4)：353-381E4HUANG Y JA bottom-up engineering estimate ofthe aggregate heating and cooling loads of the entireUS building stockJ3Building Industry Trend，2000(8)：1351415 FARAHBAKHSH H，UGUR&也V I，FLING A sA residential end-use energy consumption model forCanadaJ International Journal of EnergyRes

21、earch，2015，22(13)：113311436那威，王晗，侯静，等基于泰勒级数神经网络方法的我国公共建筑和工业建筑面积数据分析(1)J暖通空调，2017，47(11)：7117那威，孙永宽，侯静，等我国民用建筑时间序列面积统计年鉴数据分析J暖通空调，2017，47(11)：168HAAS R Energy efficiency indicators in theresidential sector：what do we know and what has tobe ensured?JEnergy Policy，1997，25(789)：789-8029RUUVEN B V，VRIES B D，VUUREN D P V，eta1A global model for residential energy use：uncertainty in calibration to regional dataJEnergy，2010，35(1)：26928210CHUNG W，ZHOU G，YEUNG I M HA study ofenergy efficiency of transport sector in China from2003 to 2009JApplied Energy，2013，112(16)：1066一】077万方数据