基于径向基神经网络的绿化屋顶节能研究

邹　罡

(广东省建筑科学研究院集团股份有限公司　广东广州　510500)



基于径向基神经网络的绿化屋顶节能研究

邹罡

(广东省建筑科学研究院集团股份有限公司广东广州510500)

运用径向基神经网络定量研究了广州地区绿色、白色及黑色屋顶在夏秋、冬春季节室内空调能耗与气温、太阳辐照的关系，结果表明：不同屋顶的室内空调能耗与季节有关，夏秋季节气温高，辐照强度大，由于水分蒸发，绿色植物的蒸腾作用，有效降低了屋顶外表面温度，当辐照强度大于480W/m2、温度高于31℃时，绿色屋顶室内空调能耗明显低于白色屋顶和黑色屋顶。

径向基神经网络；绿化屋顶；节能

0　引言

屋顶绿化具有多方面生态功能，是节能减排、增强建筑物隔热保温效果、净化空气、降低噪声、美化环境、降低城市“热岛效应”的有效方法[1-4]。屋顶绿化在欧洲国家已很盛行，在美国、加拿大等北美国家已成为环境和能源的先锋项目，亚洲地区日本、新加坡等国更是将屋顶绿化作为建筑设计不可分割的一部分。中国虽然起步较晚，但北京、上海、广东、重庆、四川、浙江等地区发展迅速[5-6]。近年来，随着世界屋顶绿化大会在中国南京成功举办，有效推进了绿化屋顶的热工性能和节能效果研究，但目前国内屋顶绿化的节能方面的定量研究较少，一般是选取典型晴热气候的一个或几个时间段，对雨天及冬季研究不足[7]。

径向基神经网络在多信息输入、多信息输出的复杂系统中有广泛的应用，采用了前向的三层网络结构，包含输入层、隐含层及输出层[8-10]。输入层用于接受样本，隐含层中的隐含节点使用了径向基核函数，输出层将训练好权值的径向基核函数值累加后得出输出结果。径向基神经网络本质是一种利用以基函数中心附近的所有样本向量所对应基函数值的累加和来拟合真实输出值的网络。在建筑物安全诊断与特征评估、疾病诊断与健康评估、预测与决策以及大数据分析等方面都有广泛应用。

1　屋顶能耗分析的径向基神经网络模型

1.1实验环境

实验地点选择广州市天河区某大楼顶层的3个房间，朝向、面积、窗墙比和室内布置基本一致，房间面积均为15.2m2。分别将屋顶设置成绿化屋顶、白色屋顶和黑色屋顶，黑色屋顶选用DW-8580涂料，太阳光反射比0.056，半球发射率0.89；白色屋顶选用太空隔热涂膜，太阳光反射比0.893，半球发射率0.87；绿色屋顶选用翠玲珑草坪种植模块(含1.5cm～4.0cm营养土)。3个测试房间均安装有型号为KFR-35GW/35570Aa-3空调器，夏季设定为26℃，冬季设定为18℃，均能满足温控要求；在屋顶距屋面0.75m处的阴凉通风处布置有多个量程为0-C，精度为C的K型热电偶温度传感器；屋顶布置了一个精度小于1%的TBQ-2型太阳总辐射仪；空调能耗采用0-6000W量程，精度为0.5级的HP-9900电力监测仪进行测量；数据采集仪使用的是安捷伦的34970A，精度为0.004%。

1.2数据采集

实验按每5min钟采集1组数据，连续采集148d，形成了大量原始数据。部分数据如表1所示。

1.3径向基神经网络模型

径向基神经网络模型如图1所示。

输入层：输入样本向量为2维，分别为单位时间内的平均气温与太阳辐射强度。

隐含层：由K个径向基函数组成。

输出层：输出层向量为3维，分别为3个房间的能耗值。

=exp是Green函数，是一种多变量高斯函数。其值为第j个隐藏层相对于第i个样本的输出。(i=1，2，…，M；j=1，2，…，K)

为第i个样本输入向量，为第j个Green函数的中心点。

为第i个样本到第j个中心点之间的欧氏距离。

为基函数标准差，由=确定，式中dmax为选取的中心之间最大距离，n为隐含节点个数。

=+++…+

=+(式中是第i个样本在第e个输出节点的值，e=1，2，3；e=1代表绿化屋顶，e=2代表白色屋顶，e=3代表黑色屋顶)

2　数据处理与网络学习

2.1数据的平均化处理与样本选择

环境温度、太阳总辐射强度是状态量，而室内能耗是过程量(功率对时间的积累)，为体现温度、辐射强度与能耗的映射关系，环境温度与辐射强度采用某段时间内的平均化处理。

由于屋顶有较大热容，辐照强度与能耗难以实时对应，延时特性明显，为了降低屋顶热容的影响，选取了辐射强度和温度相对稳定了一定时间的数据作为样本。对于夏秋季节无雨时采用了下午12:00～4:00的2h平均方法。但夏秋季节有雨和冬季时，由于雨水对能耗有较大影响，且大雨、小雨、阵雨、上午下雨或下午下雨的影响都各不相同，为减小下雨因素的随机影响，取8:00～18:00平均值(日平均)作为样本。将屋顶数据样本分为两部分，一部分用于训练(称训练样本)，另一部分用于检验(称检验样本)，部分样本如表2所示。

表2　夏秋有雨部分样本

2.2网络学习

基函数矩阵

为M*(K+1)的矩阵。

为(K+1)*3的矩阵。

径向基神经网络输出矩阵

为M*3的矩阵。

上述矩阵的相互关系：G*□=d

采用伪逆法求权值：□=□+*□

为求伪逆□+，采用矩阵的奇异值分解，由奇异值分解可知：G=U*S*□□

对角矩阵S中主对角线元素为G的奇异值：S=diag(□1,□2,□3,…)

故：□+=V*SI*□□

2.3网络计算

应用MATLAB建立径向基神经网络，将训练样本带入其基函数矩阵并配合输出矩阵d，由MATLAB计算权值矩阵。当权值矩阵确定后，再应用Y=G*分别在限定温度和辐照条件下拟合计算出各屋顶能耗。向量Y表示绿化屋顶、白色屋顶、黑色屋顶在不同环境温度和太阳总辐射下的能耗值。

3　网络模型检验与节能比较分析

为使应用训练样本学习过的径向基神经网络模型具有可信度，可由检验样本输入神经网络得出能耗拟合值，再将网络模型拟合值与能耗实验测量值比较来进行检验。表3列举了绿化屋顶、黑色屋顶、白色屋顶的能耗检验情况，较小的平均相对误差(实测值、拟合值之差的绝对值与实测值之比的平均值)说明3种屋面对应的径向基神经网络模型均具有良好的拟合效果。

表3　实测值与拟合值平均相对误差

影响能耗的主要因素有气温、辐照强度、季节、雨情等。夏秋季节屋顶温度较高，与雨水温差大，雨水带走的热量对不同屋顶影响程度不同。下面分夏秋季节有雨、无雨以及冬季分别设计网络进行研究。

3.1夏秋季节无雨情况

先用夏秋季节无雨对径向基神经网络进行训练，再用样本对训练后的网络进行检验，最后用确认后的网络进行计算。图2为限定温度为样本平均值33℃时，绿色屋顶、白色屋顶、黑色屋顶室内空调能耗随辐照强度变化的能耗图。图3为限定辐照强度为样本平均值530W/m2时，绿色屋顶、白色屋顶、黑色屋顶室内空调能耗随温度变化的能耗图。

由图2、图3分析可知：①3种屋顶室内空调能耗均随辐照强度和温度的增加而增加；②总体看，黑色屋顶室内空调能耗明显高于绿色屋顶与白色屋面的能耗，绿色屋顶比白色屋顶节能但差别并不显著；③当辐照强度较大(高于480W/m2)、温度较高(高于31℃)时绿色屋顶比白色屋顶才显示出节能优势；④当辐照强度或气温大于一定值后能耗曲线斜率明显变大，表明能耗随辐照强度和气温的增大而加快。

3.2夏秋季节有雨情况

网络训练与检验方法同上。图4为限定温度为样本平均值28℃时，绿色屋顶、白色屋顶、黑色屋顶室内空调能耗随辐照强度变化的能耗图。图5为限定辐照强度为样本平均值224W/m2时，绿色屋顶、白色屋顶、黑色屋顶室内空调能耗随温度变化的能耗图。

由图4、图5分析可知：①夏秋季节有雨时黑色屋顶室内能耗仍明显高于其他屋顶，绿色与白色屋顶室内能耗差别并不明显；②图4表明由于绿色屋顶热容较大，雨水对其室内能耗影响明显弱于其他屋顶的室内能耗；③图5中能耗曲线斜率随着气温的升高变小，说明雨水与环境温差加大时带走更多热量。

3.3冬季情况

由图6、图7分析可知：①两图均说明冬季白色屋顶室内能耗仍明显高于其他屋顶，黑色屋顶室内能耗较小；②3种屋顶室内能耗均随温度的增加而减小。

黑色屋顶、白色屋顶、绿色屋顶的室内能耗随季节而不同，夏秋季节气温高、辐照大，由于绿色屋顶水分的蒸发，绿色植物的蒸腾作用、光合作用、隔热作用，大大降低了屋顶外表面温度，绿色屋顶节能明显，冬季黑色屋顶由于吸热能力强而节能占优。由于广州地区年平均气温较高，高温、高辐照天气占比较大，绿色屋顶的室内能耗总体较低，白色屋顶次之，黑色屋顶能耗最大。从2015年9月1日到2016年1月25日区间的监测数据分析，黑色、白色、绿色屋顶的室内累计能耗分别为551.84kW·h、589.62kW·h、649.47kW·h，若绿色屋顶的室内能耗为1，则白色屋顶为1.07、黑色屋顶为1.18。

4　结论

本文通过绿化屋顶、白色屋顶、黑色屋顶能耗的实验数据运用径向基神经网络计算方法，给出了3种不同屋面的节能效果的定量分析比较，得到如下结论：

(1)室内空调能耗随辐照强度和温度增加而增加，当辐照强度和温度高时，选用翠玲珑草坪种植(含1.5cm～4.0cm营养土)的绿化屋顶节能效果明显；

(2)空调能耗随季节不同而发生变化，夏季气温高辐照大，当辐照强度大于480W/m2、温度高于31℃时，由于水分的蒸发，绿色植物的蒸腾作用、光合作用、隔热作用，有效降低了屋顶外表面温度，绿色屋顶室内空调能耗明显低于白色屋顶和黑色屋顶。

[1]唐鸣放，杨真静，郑澍奎.屋顶绿化传热临界温度[J].土木建筑与环境工程，2013，35(2):100-104.

[2]徐振华，刘俊，尹新彦. 我国屋顶绿化研究概述[J].林业科技开发，2010，24(4)：10-13.

[3]冯超意，田国行.屋顶绿化对建筑物内外温度的影响[J].浙江农业科技，2015，56(4)：502-504.

[4]周林园.绿色屋顶的研究现状及前景分析[J].洁净与空调技术，2013(3):49-53.

[5]魏艳，赵慧恩.我国屋顶绿化建设的发展研究—以德国北京为例对比分析[J].林业科学， 2007，43(4)：95-101.

[6]向欣. 广州地区屋顶绿化模式探讨[J].安徽建筑，2012(1)：57-58.

[7]杨真静，唐鸣放，郑澍奎.绿化屋顶室内热环境研究[J].土木建筑与环境工程，2010，32(4):80-84.

[8]高飞. MATLAB智能算法超级学习手册[M].北京：人民邮电出版社， 2014(5).

[9]Simon Haykin著，申富饶译.神经网络与机器学习[M].北京：机械工业出版社，2016(7).

[10]陈明. MATLAB神经网络原理与实例精解[M].北京：清华大学出版社，2014(3).

Study on Energy Conservation of the Green Roof Based on RBF Neural Network

ZOUGang

(Guangdong provincial academy of building research group Co.，Ltd. Guangzhou 510500)

The research makes use of the RBF neural network model to quantitatively study the rooms with green,white and black roof in Guangzhou respectively in terms of the relations between energy consumption of air conditionings and temperatures as well as solar irradiation. The result indicates that energy consumption of the air-conditionings of different rooms with different roofs are related to seasons. Water evaporation and transpiration of green plants decrease the surface temperature outside roofs effectively due to the higher temperatures and bigger irradiation intensity in summer and autumn. The energy consumption of the air-conditionings in room with green roof is less than that in rooms with white and black roof when irradiation intensity is larger than 480W/m2and temperature higher than 31℃.

RBF neural network; Green roof; Energy-saving

邹罡(1987.06-)，男。

E-mail:s.c.hust@163.com

2016-06-14

TU201.5

A

1004-6135(2016)07-0028-05