姬 穎， 連會(huì)會(huì)， 陳永保， 謝靜超， 劉加平

(1.北京工業(yè)大學(xué)城建學(xué)部， 北京 100124； 2.北京工業(yè)大學(xué)綠色建筑環(huán)境與節(jié)能技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室， 北京 100124；3.上海理工大學(xué)能源與動(dòng)力工程學(xué)院， 上海 200093)

我國(guó)承諾到2030年前停止增加二氧化碳排放，爭(zhēng)取2060年前實(shí)現(xiàn)碳中和[1]. 我國(guó)公共建筑能耗及碳排放量呈增長(zhǎng)趨勢(shì)，截至2019年，公共建筑運(yùn)行碳排放量為6.5億t(以CO2計(jì))，占建筑運(yùn)行總碳排放量的30%，碳排放強(qiáng)度高達(dá)48 kg/m2[2]. 設(shè)計(jì)優(yōu)化、運(yùn)行優(yōu)化和節(jié)能改造都是公共建筑節(jié)能減排的主要途徑. 合理的能耗預(yù)測(cè)是上述工作的重要環(huán)節(jié)，對(duì)公共建筑供需匹配和建筑能源系統(tǒng)智能控制有重要意義[3-4].

建筑能耗預(yù)測(cè)方法可分為能耗指標(biāo)法、能耗模擬法和數(shù)據(jù)挖掘法. 能耗指標(biāo)法是一種靜態(tài)的能耗估算方法[5]；模擬法應(yīng)用專業(yè)軟件，可計(jì)算動(dòng)態(tài)能耗，結(jié)果準(zhǔn)確，針對(duì)性強(qiáng)，但輸入?yún)?shù)煩瑣且建筑幾何模型確定后往往無(wú)法更改[6]；數(shù)據(jù)挖掘法又包括回歸分析法、時(shí)間序列法、人工智能法. 相比之下，人工智能法具有計(jì)算速度快、適用條件多樣等優(yōu)點(diǎn)[7-8]，但是大多數(shù)算法需要用到長(zhǎng)時(shí)間歷史數(shù)據(jù)進(jìn)行訓(xùn)練，受到數(shù)據(jù)樣本的限制.

Kawashima等[9]于1995年比較了傳統(tǒng)機(jī)器學(xué)習(xí)方法和神經(jīng)網(wǎng)絡(luò)模型對(duì)冰蓄冷系統(tǒng)未來(lái)24 h逐時(shí)負(fù)荷的預(yù)測(cè)精度，表明人工神經(jīng)網(wǎng)絡(luò)模型的相對(duì)誤差最低. 朱俊丞等[10]綜述了傳統(tǒng)機(jī)器學(xué)習(xí)算法、人工神經(jīng)網(wǎng)絡(luò)算法和深度學(xué)習(xí)算法在電力系統(tǒng)負(fù)荷預(yù)測(cè)領(lǐng)域應(yīng)用，指出深度學(xué)習(xí)算法效果更優(yōu). 高英博[11]基于支持向量機(jī)算法、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)算法和XGBoost(eXtreme Gradient Boosting)算法建立能耗預(yù)測(cè)模型，并在4棟公建內(nèi)進(jìn)行試驗(yàn)，指出模型均有良好的預(yù)測(cè)效果. Wang等[12]用12個(gè)數(shù)據(jù)驅(qū)動(dòng)模型(7個(gè)淺層學(xué)習(xí)、2個(gè)深度學(xué)習(xí)和3個(gè)啟發(fā)式方法)預(yù)測(cè)建筑負(fù)荷，對(duì)比表明XGBoost算法和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)算法的負(fù)荷預(yù)測(cè)效果最好；針對(duì)長(zhǎng)期預(yù)測(cè)，XGBoost模型預(yù)測(cè)效果更好一些. 綜上可知，對(duì)于建筑能耗長(zhǎng)期預(yù)測(cè)，XGBoost算法效果更好，但該算法仍存在一定的局限性，如模型訓(xùn)練過(guò)程中，因訓(xùn)練數(shù)據(jù)量和特征維度過(guò)大或過(guò)小會(huì)導(dǎo)致模型的過(guò)擬合或欠擬合現(xiàn)象.

目前，把建筑歷史能耗數(shù)據(jù)作為訓(xùn)練集來(lái)建立預(yù)測(cè)模型已經(jīng)可以取得很好的精度. 然而，在建筑歷史能耗數(shù)據(jù)未知的情況下，僅依靠建筑自身特征、運(yùn)行狀況和氣象參數(shù)來(lái)建立的模型的精度并不理想[13]. 同濟(jì)大學(xué)許鵬團(tuán)隊(duì)等發(fā)起的“能耗偵探”建筑能耗預(yù)測(cè)競(jìng)賽，100個(gè)參賽隊(duì)伍，在不知建筑歷史能耗數(shù)據(jù)的情況下，最優(yōu)隊(duì)伍的模型預(yù)測(cè)準(zhǔn)確性在30%左右[14]. Neto等[15]采集了1座實(shí)際建筑的54條樣本建立模型，驗(yàn)證結(jié)果誤差為21%. Massana等[16]選用4座實(shí)際建筑，采集了87 920條樣本建立模型，驗(yàn)證結(jié)果誤差為16.35%.

在上述分析基礎(chǔ)上，本研究提出構(gòu)建一種基于龐大算例變量提取的辦公建筑能耗預(yù)測(cè)模型. 試圖擺脫模擬軟件物理建模和長(zhǎng)時(shí)間歷史數(shù)據(jù)獲取需求的限制，并且保證良好的預(yù)測(cè)精度. 下面對(duì)該模型的研究方法、建立流程和應(yīng)用效果進(jìn)行詳細(xì)闡述. 本研究模型建立和驗(yàn)證基于Python實(shí)現(xiàn)，并應(yīng)用于北京市某辦公建筑.

1 研究方法

如圖1所示，通過(guò)文獻(xiàn)調(diào)研和現(xiàn)有模擬軟件分析，得到建筑能耗的影響因素集，利用EnergyPlus中已搭建好的物理模型，采用控制變量法逐一離散化地改變影響因素取值，獲得模擬樣本數(shù)據(jù)，每一條樣本數(shù)據(jù)包含所有影響因素的取值和計(jì)算得到的冷、熱負(fù)荷值和能耗值，最終得到模擬樣本數(shù)據(jù)庫(kù). 利用搭建的數(shù)據(jù)庫(kù)，采用輕量級(jí)梯度提升機(jī)(light gradient boosting machine，LightGBM)算法篩選出關(guān)鍵負(fù)荷影響因素并構(gòu)建負(fù)荷預(yù)測(cè)模型. 結(jié)合EnergyPlus中空調(diào)設(shè)備能耗計(jì)算模型，實(shí)現(xiàn)只需要輸入一些關(guān)鍵的建筑信息就可以預(yù)測(cè)建筑全年能耗的目標(biāo)，并用實(shí)際建筑數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證.

圖1 研究技術(shù)路線圖Fig.1 Framework of this study

1.1 數(shù)據(jù)庫(kù)的構(gòu)建

通過(guò)文獻(xiàn)調(diào)研和EnergyPlus需要用的設(shè)置參數(shù)匯總[17-18]，得到影響建筑能耗的因素分為以下5類：建筑基本信息，主要包括體形系數(shù)、建筑面積、高度、窗墻比、圍護(hù)結(jié)構(gòu)熱工性能等；外部氣象條件，主要包括溫度、濕度、風(fēng)速、太陽(yáng)輻射水平等；用能系統(tǒng)性能參數(shù)，如照明功率密度、冷機(jī)COP、水泵效率等；室內(nèi)環(huán)境控制條件，包括室內(nèi)溫度、濕度、新風(fēng)量等；時(shí)間表，包括照明和設(shè)備時(shí)間表. 本研究旨在預(yù)測(cè)辦公建筑的能耗，輸出變量為逐時(shí)能耗數(shù)據(jù). 該調(diào)研得到的重要因素可為構(gòu)建模型數(shù)據(jù)庫(kù)奠定基礎(chǔ).

為保證預(yù)測(cè)模型具有較好的精度及適用性，本研究選擇業(yè)界認(rèn)可、應(yīng)用廣泛的EnergyPlus軟件構(gòu)建模型的數(shù)據(jù)庫(kù)，應(yīng)用Python調(diào)用EnergyPlus中已搭建的物理模型，采用控制變量法逐一等間距離散化地改變主要建筑參數(shù)，生成6 000個(gè)建筑算例，覆蓋不同幾何特征的建筑形態(tài)，共生成1 048 575條模擬數(shù)據(jù)樣本，每一條數(shù)據(jù)形式為同一時(shí)刻下所有輸入變量和輸出變量的具體數(shù)值，所有模擬數(shù)據(jù)樣本構(gòu)成模擬數(shù)據(jù)庫(kù). 該方法不僅可以保證模型的多樣性，還可以保證訓(xùn)練數(shù)據(jù)的數(shù)量和質(zhì)量. 實(shí)現(xiàn)流程如圖2所示.

圖2 模擬數(shù)據(jù)庫(kù)生成路徑Fig.2 Generation process of the simulated database

1.2 LightGBM模型

1.2.1 模型原理介紹

GBDT(gradient boosting decision tree)算法是被廣泛使用的一種算法，XGBoost是該算法的典型框架，但當(dāng)特征維度較高、數(shù)據(jù)量大時(shí)，存在效率和可擴(kuò)展性的問(wèn)題，主要原因是對(duì)于每一個(gè)特征的每一個(gè)分裂點(diǎn)，都需要遍歷全部數(shù)據(jù)計(jì)算信息增益，這一過(guò)程在空間和時(shí)間上有很大的開(kāi)銷[19]. 針對(duì)該不足，微軟團(tuán)隊(duì)于2016年提出LightGBM模型，LightGBM是實(shí)現(xiàn)梯度提升決策樹(shù)算法的新型框架之一，具有準(zhǔn)確率高、處理數(shù)據(jù)量大等優(yōu)點(diǎn). 該算法核心內(nèi)容為

(1)

式中：f(x)為訓(xùn)練樣本對(duì)應(yīng)的目標(biāo)值；Q為基學(xué)習(xí)器的個(gè)數(shù)；αq為第q個(gè)基學(xué)習(xí)器的權(quán)重系數(shù)；x為訓(xùn)練樣本；θq為學(xué)習(xí)器分類的參數(shù)；T(x,θq)為參與學(xué)習(xí)訓(xùn)練的第q個(gè)基學(xué)習(xí)器.

損失函數(shù)和訓(xùn)練數(shù)據(jù)確定之后，算法的訓(xùn)練過(guò)程即為求解損失函數(shù)極小值的優(yōu)化問(wèn)題，其目標(biāo)函數(shù)為

(2)

式中：H為樣本個(gè)數(shù)；h為樣本序號(hào)；yh為數(shù)據(jù)的實(shí)際數(shù)值；f(xy)為第h個(gè)樣本對(duì)應(yīng)的目標(biāo)值；L(yh,f(xh))為第h個(gè)樣本的損失函數(shù)值.

GBM為基于梯度下降算法得到的提升樹(shù)模，在每一次加入新的子模型后，保證選取的損失函數(shù)不斷朝向信息含量次高的變量梯度減小，即

L(Fj(x),Y)

(3)

式中：L(Fj(x),Y)、L(Fj-1(x),Y)分別為第j次和第j-1次迭代的損失函數(shù)值；Fj(x)、Fj-1(x)分別為第j次和第j-1次樣本對(duì)應(yīng)的目標(biāo)值；Y為樣本真實(shí)目標(biāo)值.

LightGBM算法主要改進(jìn)在于引入直方圖算法和帶深度限制的按葉子生長(zhǎng)(Leaf-wise)策略[20].直方圖算法是將連續(xù)的浮點(diǎn)特征離散成k個(gè)離散值，并構(gòu)造寬度為k的直方圖，然后遍歷訓(xùn)練數(shù)據(jù)，統(tǒng)計(jì)每個(gè)離散值在直方圖中的累計(jì)統(tǒng)計(jì)量.在對(duì)特征選擇時(shí)，只需根據(jù)直方圖的離散值，遍歷尋找最優(yōu)的分割點(diǎn)，提高了模型的魯棒性和計(jì)算速度.Leaf-wise是一種更高效的策略，每次從當(dāng)前所有葉子中，找到分裂增益最大的一個(gè)葉子，然后分裂，如此循環(huán)，使得模型在保證精度的同時(shí)具有較小的計(jì)算代價(jià).該方法在保證與傳統(tǒng)GBDT相同精度的同時(shí)訓(xùn)練速度提高了20倍以上.

1.2.2 數(shù)據(jù)集的劃分方法

為避免模型在數(shù)據(jù)集訓(xùn)練時(shí)過(guò)擬合，降低模型的泛化性能，訓(xùn)練時(shí)按照制冷季和供暖季對(duì)原始數(shù)據(jù)進(jìn)行均分的5折交叉驗(yàn)證.5折交叉驗(yàn)證是指將原始數(shù)據(jù)集隨機(jī)等分成5份，輪流將其中1份作為測(cè)試集，其余4份數(shù)據(jù)作為訓(xùn)練集，如圖3所示.在每次試驗(yàn)中計(jì)算正確率等評(píng)價(jià)指標(biāo)，最終通過(guò)k次試驗(yàn)后取評(píng)價(jià)指標(biāo)的平均值來(lái)評(píng)估該模型的泛化能力[21].

圖3 5折交叉驗(yàn)證的原理示意圖Fig.3 Schematic diagram of 5-fold cross validation

1.3 影響負(fù)荷的特征變量提取

合理地選取變量可直接提高負(fù)荷預(yù)測(cè)的準(zhǔn)確性和實(shí)用性[22].根據(jù)1.1節(jié)的調(diào)研，從中篩選出30個(gè)影響負(fù)荷的因素，分別為面積、層數(shù)、體形系數(shù)、4個(gè)朝向的窗墻比、墻體比熱容、墻角線性透過(guò)率、墻體傳熱系數(shù)、樓板線性透過(guò)率、玻璃線性透過(guò)率、外墻太陽(yáng)輻射吸收系數(shù)、屋頂傳熱系數(shù)、屋頂太陽(yáng)輻射吸收系數(shù)、內(nèi)遮陽(yáng)開(kāi)啟程度、窗戶太陽(yáng)輻射得熱系數(shù)、窗戶傳熱系數(shù)、干球溫度、室外濕球溫度、風(fēng)速、太陽(yáng)散射輻射強(qiáng)度、太陽(yáng)直射輻射強(qiáng)度、新風(fēng)量、人員密度、照明功率密度、設(shè)備功率密度、供熱空調(diào)設(shè)定溫度、制冷空調(diào)設(shè)定溫度、運(yùn)行時(shí)間表.

為簡(jiǎn)化模型，應(yīng)用LightGBM模型對(duì)變量的重要度進(jìn)行分析，進(jìn)一步篩選出24個(gè)變量，用于建筑全年負(fù)荷預(yù)測(cè).其中，供熱空調(diào)設(shè)定溫度和制冷空調(diào)設(shè)定溫度分別影響建筑熱負(fù)荷和冷負(fù)荷.

圖4為冷負(fù)荷預(yù)測(cè)參數(shù)的重要度百分比累計(jì)圖.可以看出，在冷負(fù)荷預(yù)測(cè)中，影響最大的3個(gè)因素為干球溫度、新風(fēng)量、制冷空調(diào)設(shè)定溫度.篩選出的23個(gè)因素影響度累計(jì)達(dá)94.52%.

圖4 影響冷負(fù)荷預(yù)測(cè)精度的參數(shù)重要度分布Fig.4 Parameter importance distribution of cooling load forecasting

圖5為熱負(fù)荷預(yù)測(cè)參數(shù)的重要度百分比累計(jì)圖.可以看出，熱負(fù)荷預(yù)測(cè)中，與夏季相同，干球溫度、新風(fēng)量仍是影響度占前2位的因素，排名第3的為人員密度.篩選出的23個(gè)因素累計(jì)影響度占到了91.48%.綜上，得到影響負(fù)荷預(yù)測(cè)的特征變量，參考相關(guān)規(guī)范標(biāo)準(zhǔn)[23-25]，得到模型輸入變量和取值范圍如表1所示，參數(shù)變量的取值范圍即模型數(shù)據(jù)庫(kù)覆蓋的參數(shù)區(qū)間，在該范圍內(nèi)本模型適用.

圖5 影響熱負(fù)荷預(yù)測(cè)精度的參數(shù)重要度分布Fig.5 Parameter importance distribution of heating load forecasting

表1 建筑負(fù)荷影響因素篩選結(jié)果及取值范圍

基于龐大訓(xùn)練數(shù)據(jù)庫(kù)，選取上述影響建筑負(fù)荷的特征變量，應(yīng)用LightGBM算法，構(gòu)建負(fù)荷預(yù)測(cè)模型.

1.4 能耗預(yù)測(cè)模型的建立

本研究所開(kāi)發(fā)的模型針對(duì)典型系統(tǒng)和設(shè)備形式，照明、設(shè)備和暖通空調(diào)模型均選自EnergyPlus.

照明和設(shè)備能耗根據(jù)照明功率密度和設(shè)備功率密度與相應(yīng)建筑的面積的乘積計(jì)算得到.

暖通空調(diào)系統(tǒng)模型包括冷水機(jī)組+鍋爐、地源熱泵、空氣源熱泵等典型模型，空調(diào)系統(tǒng)能耗通過(guò)1.3節(jié)構(gòu)建的模型預(yù)測(cè)的建筑負(fù)荷值計(jì)算得到.空調(diào)系統(tǒng)的能耗加照明和設(shè)備能耗即為建筑總能耗.

根據(jù)上述原理，應(yīng)用Python編譯，實(shí)現(xiàn)能耗預(yù)測(cè)模型的建立，模型測(cè)試集的逐時(shí)平均相對(duì)誤差為95%.

1.5 預(yù)測(cè)模型的評(píng)價(jià)方法

本研究選取常見(jiàn)的能耗預(yù)測(cè)評(píng)估指標(biāo)平均相對(duì)誤差(mean absolute percentage error，MAPE)來(lái)反映預(yù)測(cè)值與實(shí)際值之間的平均偏差[17, 26].

(4)

式中：PA和PF分別為實(shí)際能耗值和預(yù)測(cè)能耗值，kW·h；N是樣本的數(shù)量.

2 實(shí)例分析

案例建筑為辦公建筑，位于北京市順義區(qū)，建筑面積57 400 m2，共7層，制冷和制熱系統(tǒng)形式為地源熱泵機(jī)組+AHU，機(jī)組為螺桿式地源熱泵機(jī)組.

2.1 數(shù)據(jù)獲取

根據(jù)表1篩選的24個(gè)關(guān)鍵因素，在模型預(yù)測(cè)時(shí)獲取參數(shù)分以下3類：建筑客觀數(shù)據(jù)、氣象數(shù)據(jù)和運(yùn)行時(shí)間表.建筑客觀數(shù)據(jù)包括幾何參數(shù)、圍護(hù)結(jié)構(gòu)熱工參數(shù)、運(yùn)行及使用數(shù)據(jù)，該數(shù)據(jù)通過(guò)實(shí)際建筑采集得到；氣象數(shù)據(jù)中實(shí)測(cè)的建筑氣象參數(shù)是通過(guò)實(shí)驗(yàn)室氣象站獲得，全年氣象數(shù)據(jù)選用標(biāo)準(zhǔn)年氣象數(shù)據(jù)；運(yùn)行時(shí)間表根據(jù)辦公建筑的使用特征劃分為工作日和周末，設(shè)定運(yùn)行時(shí)間表后綴為“.xlsx”的文件，計(jì)算時(shí)直接調(diào)用該文件，時(shí)間表中的具體數(shù)值根據(jù)建筑實(shí)際運(yùn)行狀況設(shè)定.

為驗(yàn)證模型預(yù)測(cè)的精度，獲取了實(shí)測(cè)的建筑機(jī)組功率、全年月能耗賬單和建筑總能耗指標(biāo)，數(shù)據(jù)由大廈持有方提供.

2.1.1 建筑客觀數(shù)據(jù)

建筑客觀數(shù)據(jù)包括建筑幾何參數(shù)、圍護(hù)結(jié)構(gòu)熱工參數(shù)、運(yùn)行及使用數(shù)據(jù)，具體參數(shù)如表2所示.

表2 建筑模型輸入特征變量——建筑客觀參數(shù)

2.1.2 氣象參數(shù)

氣象參數(shù)包括干球溫度、濕球溫度、風(fēng)速、太陽(yáng)散射輻射強(qiáng)度和太陽(yáng)直射輻射強(qiáng)度共5項(xiàng)指標(biāo).建筑室外天氣數(shù)據(jù)由于僅采集了北京2020年11月24日—2020年12月6日的氣象參數(shù)(見(jiàn)圖6、7)，故在進(jìn)行全年能耗模擬時(shí)，選用北京地區(qū)標(biāo)準(zhǔn)年的氣象參數(shù)(見(jiàn)圖8、9)，實(shí)測(cè)的2020年參數(shù)用于冬季能耗驗(yàn)證分析.

圖6 實(shí)測(cè)室外干球/濕球溫度Fig.6 Measured outdoor dry-bulb/wet-bulb temperature

圖7 實(shí)測(cè)太陽(yáng)輻射照度Fig.7 Measured solar radiation

圖8 標(biāo)準(zhǔn)年室外干球/濕球溫度Fig.8 Typical annual outdoor dry-bulb/wet-bulb temperature

圖9 標(biāo)準(zhǔn)年室外太陽(yáng)輻射照度Fig.9 Typical annual solar radiation

2.1.3 運(yùn)行時(shí)間表

根據(jù)建筑的實(shí)際使用情況，時(shí)刻表設(shè)定結(jié)果如圖10所示.

圖10 建筑運(yùn)行時(shí)間表Fig.10 Schedules

2.2 模型預(yù)測(cè)結(jié)果分析

2.2.1 實(shí)測(cè)結(jié)果驗(yàn)證

應(yīng)用本研究建立的能耗預(yù)測(cè)模型，輸入實(shí)際采集氣象參數(shù)、時(shí)間表及其他特征變量，預(yù)測(cè)機(jī)組的能耗.該機(jī)組存在間歇運(yùn)行情況，逐時(shí)功率波動(dòng)不規(guī)律，故將模型預(yù)測(cè)的逐時(shí)值累計(jì)為逐日值，并與實(shí)際機(jī)組的運(yùn)行能耗進(jìn)行對(duì)比，如圖11所示.可以看出預(yù)測(cè)值與真實(shí)值基本一致，機(jī)組逐日平均相對(duì)誤差值為8.27%.

圖11 逐日機(jī)組能耗預(yù)測(cè)值與實(shí)測(cè)值對(duì)比Fig.11 Comparison of daily predicted and measured energy

2.2.2 全年模擬結(jié)果分析

選用本研究建立的能耗預(yù)測(cè)模型和北京標(biāo)準(zhǔn)年的氣象參數(shù)，其他變量不變，預(yù)測(cè)建筑全年能耗值.預(yù)測(cè)得到，建筑的總能耗指標(biāo)為36.25 kW·h/(m2·a)；根據(jù)物業(yè)提供的電耗賬單，計(jì)算得到實(shí)際的建筑總能耗指標(biāo)為35.20 kW·h/(m2·a)，相對(duì)誤差為2.98%.

建筑逐月模擬能耗值與實(shí)際建筑的每月能耗賬單進(jìn)行對(duì)比，如圖12所示.計(jì)算得到建筑逐月的平均相對(duì)誤差為10.37%.

圖12 逐月能耗預(yù)測(cè)值與月能耗賬單對(duì)比圖Fig.12 Comparison of monthly simulated energy consumption and energy consumption bill

3 結(jié)論

本研究結(jié)合EnergyPlus中的物理模型和LightGBM算法提出了基于龐大算例特征提取的辦公建筑能耗計(jì)算方法.在實(shí)際建筑中進(jìn)行應(yīng)用和分析，得到如下結(jié)論：

1) 篩選出24個(gè)影響負(fù)荷的特征變量，并給出24個(gè)變量的取值范圍和影響權(quán)重，模型測(cè)試集的精度為95%.

2) 在北京某辦公建筑中應(yīng)用效果展示，冬季機(jī)組逐日能耗預(yù)測(cè)平均相對(duì)誤差為8.27%；應(yīng)用標(biāo)準(zhǔn)年氣象參數(shù)預(yù)測(cè)全年建筑能耗，能耗指標(biāo)平均相對(duì)誤差為2.98%，逐月能耗預(yù)測(cè)平均相對(duì)誤差為10.37%.

3) 模型的訓(xùn)練數(shù)據(jù)庫(kù)龐大，氣象參數(shù)、運(yùn)行時(shí)間表、HVAC設(shè)備形式可靈活調(diào)用，且給出了特征變量影響權(quán)重和取值范圍，在建筑輸入?yún)?shù)未知的情況下，可參考給定的取值范圍.本方法擺脫了傳統(tǒng)模擬軟件物理建模和建筑歷史數(shù)據(jù)的限制，使用簡(jiǎn)便、計(jì)算速度快、精度良好，具有普適性.

由于實(shí)際條件限制本研究未能對(duì)夏季工況和更多建筑進(jìn)行實(shí)測(cè)驗(yàn)證，今后我們將繼續(xù)開(kāi)展研究工作.