摘　要： 针对传统BP神经网络存在的收敛速度慢和极易陷入局部极小值导致网络“震荡”的缺点，影响建筑能耗预测准确性的问题，本文提出一种基于随机Dropout和PSO-BP的建筑能耗预测方法。该方法利用粒子群算法(PSO)对BP神经网络的权值和阈值进行优化，再利用随机Dropout算法改进PSO-BP网络的隐层单元，获得较快的运算速度。案例仿真结果表明：与传统BP神经网络和PSO-BP神经网络预测比较，经过PSO-BP和随机Dropout改善后的网络预测速度更快、预测精度更高，其预测结果可为建筑节能管理运行提供参考。

　　关键词： BP神经网络 建筑能耗 随机dropout PSO算法

　　随着人口的急剧增长和人们生活水平的不断提高，建筑面积和建筑能耗强度逐年增加。相关资料表明，我国建筑能耗已经超过国家总能耗的 1/3，位居能耗之首。因此，建筑节能变得至关重要。建筑能耗预测是一种比较困难的问题，因为建筑物的耗能行为比较复杂且影响因素具有不确定性，导致需求频繁发生波动。这些波动是因为存在建筑物构建特性、居住者行为、气候条件和子系统组件等非线性因素。现有文献已经提出了多种精确且鲁棒的能耗预测方法。其中主要有 Betul BE 利用 BP 神经网络在考虑建筑朝向、维护隔热和建筑采光三种影响因素的基础上对建筑能耗进行预测，预测结果误差为 3.4%。但是这种方法存在传统 BP 神经网络所存在的收敛速度慢和极易陷入局部极小值导致网络“震荡”的缺点。Aydinalp 和 Ugursa 提出一种基于回归条件分析方法，该方法能够对全国范围内的能耗进行预测，并且它的准确率跟神经网络相当。陈榕利用改进的灰色模型在传统的灰色模型的基础上引入弱化缓冲算子对样本数据波动较大的建筑进行能耗预测，且效果较好。为了能有效的提高建筑能耗预测的准确性，本文提出一种基于随机 Dropout 和 PSO-BP 的建筑能耗预测方法，通过实验结果表明，提出的预测方法预测速度更快、预测精度更高，具有可行性和有效性。

　　1　算法原理

　　1.1　BP 神经网络

　　Bp 神经网络(Back Propagation Neural Network，BPNN)是一种采用反向传播误差以更新权重的前馈神经网络。它是包括输入层、隐层和输出层的网络拓扑结构，隐含层可以根据实际的需要增加。信息从输入层输入后，沿着如图 1 箭头所指方向向后传播，最后到达输出层。网络结构如图 1 所示。

　前 bp 网络存在的缺陷主要有以下几点 ：

　　(1)BP 神经网络的自适应性 ;自适应常数的选取问题是其关键所在。

　　(2)BP 算法的局部极小值 ;BP 算法的实质是梯度下降法，因而可能陷入局部极小。

　　(3)收敛速度的问题。

　　1.2　Dropout 算法

　　Dropout 算法是一种隐式的模型融合算法，通过改变网络结构而实现的，可以有效防止模型过度拟合。模型在训练过程中，Dropout 会更改网络层的概率参数，通过抑制特征检测器的共同工作来提高神经网络的检测性能。在单次训练中随机丢弃一些隐层节点，即节点不被纳入网络结构中，也不参加接下来的所有计算，直至训练结束。如图 2 所示。

　　本文使用随机 Dropout 算法，通过随机丢弃一些隐层节点改变网络结构。图中虚线节点表示不参与训练和测试，其权值为零。模型训练时随机更改用户某些隐层权值，使输出的隐层所有节点的权值进行“融合”。这种做法能够有效减少算法计算量，提高算法实时性。

　　1.3　粒子群算法(PSO)

　　粒子群算法(particle swarm optimization，简称 PSO)最早是由 Kenney 和 Eberhart 于 1995 年提出的一种启发式搜索技术，该算法源于对鸟类捕食行为的研究。它是从鸟群的活动规律和对鸟群捕食行为启发得来的，建立一个群体智能的简化模型，模型中的每一只鸟，即优化问题的解，称之为粒子(Particle)，每个粒子均有一个速度决定它们的距离和方向，追随当前的最优粒子在求解空间中搜索以获得最佳的适应值(FitnessValue)，从而获得模型的全局最优解。

　　PSO 算法中粒子具体进化过程如下 ：

　　式中 ： ω 为惯性权重， c1、 c2 为加速常数， γ1、 γ2 表示区间 [0，1] 内均匀分布的随机数。Pibest 为粒子自身经历的最好历史位置，而 Pgbest 为粒子所对应的全局最好位置，它是整个群体所经历的最好位置。 Xi(t) 与 Vi(t) 为微粒 i 在时刻 t 的位置与速度。式(2)表示微粒速度由 3 部分决定 ：惯性部分、认知部分和社会部分，它们共同改变微粒飞行速度。

　　2　建立建筑能耗预测模型

　　建筑能耗系统是一个复杂的非线性系统，它受建筑物构建特性、居住者行为、气候条件和子系统组件等非线性因素的影响。本文在充分考虑所有因素的基础上对建筑能耗进行预测研究，传统算法预测时间长，极易陷入局部极小值导致预测精度较低，无法满足预测的要求。而对于本文提出的基于随机Dropout 和 PSO-BP 算法的预测模型，利用粒子群算法(PSO)对 BP 神经网络的权值和阈值进行优化，再利用随机 Dropout算法改进 PSO-BP 网络的隐层单元，通过对训练样本的反复训练，得到最佳模型，有效提高了运算速度和预测精度。预测模型图如图 3 所示。

　　预测模型图中神经网络层数为 3 层，其中输入层中的 X1为日均温度，X2 为日均相对湿度，X3 为日均日照，X4 为日均风速，X5 为逐日耗电量，隐层的激活函数采用 ReLu 函数，输出层输出建筑能耗预测值。

　　3　实验仿真及结果分析

　　本文实验程序采用 MATLAB 进行编写，运行的硬件环境为 Intel(R)Core(TM)i5-4460 CPU 3.20GHz 处理器、4G 内存、Windows 7 操作系统。Intel R)core(TMI5-4460 CPU 3.20GHzprocessor).4G memory Windows 7 operating system.实验所用数据以岳阳某高校综合楼建筑为研究对象，其建筑面积约为 12000 平方米。本文选取耗电量作为建筑耗能的评价指标。对影响能耗因素的温度、湿度、风速、日照时数、天气情况从 2017 年 3 月 1 日至 2017 年 7 月 31 日进行了为期 153 天的数据采集，共获得 153 组实验数据。结合本文算法，将其中 103 组数据作为训练样本，50 组数据作为测试样本。首先将训练样本输入网络进行训练，待网络训练好后，输入测试样本进行测试。如表 1 所示。运用基于随机 Dropout 和 PSO-BP 的模型对测试样本进行预测，将预测结果与测试样本数据对比，得出预测模型相对误差，并与传统 BP 神经网络预测模型、GA-BP 预测模型误差进行对比，对比结果如表 2 所示，由表 2 可以看出本文预测模型的预测精度明显好于其它两种模型。

　　4　结语

　　针对建筑能耗预测精度的问题，本文基于神经网络提出一种随机 Dropout 和 PSO-BP 的建筑能耗预测模型。将 PSO 算法和 bp 神经网络相结合，在传统 BP 算法的误差反向传播调整权值的基础上，引入 PSO 算法的权值修正，避免了 BP 算法容易进入平坦区、陷入局部极小等问题。再利用随机 Dropout 算法改进 PSO-BP 网络的隐层单元，获得较快的运算速度 . 实验结果表明本文建筑能耗预测模型预测准确度高，且运算速度较快。同其他几种模型相比，本文模型可为建筑节能管理运行提供有效参考。

　　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(1):123-126.

　　[2] EkiciB B,Aksoy U T.Prediction of building energy consumptionby using artificial neural networks[J].Advances in EngineeringSoftware,2009,40(5):356-362.

　　[3] 2Aydinalp-Koksal M,Ugursal V I.Comparison of neuralnetwork,conditional demand analysis,and engineering approaches formodeling end-use energy consumption in the residential sector[J].Applied Energy,2008,85(4):271-296.

　　[4] 陈榕,钟林志,赵超,等.基于改进灰色模型的建筑能耗预测研究[J].福州大学学报:自然科学版,2013,41(5):903-908.

　　[5] Cun Y L,Boser B,Denker J S,et al.Handwritten digit recognitionwith a back-propagation network[C]//Advances in Neural InformationProcessing Systems.Morgan Kaufmann Publishers Inc.1989:396-404.

　　[6] Ru-Ping L I,Zhu L,Fang-Shen W U,et al.BP Neural Network

　　Algorithm Improvement and Application Research[J].Journal of HezeUniversity,2016.Baldi P,Sadowski P.The Dropout Learning Algorithm[J].Artificial Intelligence,2014,210(210):78-122.

　　[7] 李强,周轲新.基于PSO-BP算法的压力传感器温度补偿研究[J].电子学报,2015,43(2):412-416.

　　[8] 魏徳敏,文星宇.基于微粒群算法的桁架频率拓扑优化[J].中山大学学报(自然科学版),2008,47(s2):22-28.

　　[8] 曾艳姗,李仲飞.基于粒子群优化算法的均值-VaR投资组合选择

　　[J].中山大学学报(自然科学版),2012,51(6):1-9.

　　作者简介： 陈振(1965- )，男，湖南岳阳人，学士，讲师，

　　研究方向：建筑结构设计与施工、建设工程项目管理。