建筑节能综合评价指标体系的建立─以夏热冬冷地区为例

nap318

5.2 节能评价指标的取值
5.2.1 输入参数
本文采取DeST能耗分析软件重新确定了节能综合评判基准。
由于能耗分析软件的限制，本文在进行神经网络评价的应用分析时对指标体系进行了一定的简化：首先由于软件分析速度较慢，本文则只以长沙为例进行神经网络的训练。在地点确定的情况下，反映气象特征的4个指标取值固定不变，训练所需节能分析样本将大大减少;其次由于DeST软件所带的围护结构数据库限制了对建筑围护结构热工性能更为具体的分析，因此在确定节能样本的输入参数时，围护结构热工性能的只能按构件的类型进行选择，将热惰性和遮阳系数隐含起来。

因此，节能分析样本的输入参数为10个，每个参数有高、中、低三个水平的取值（见表1）。
表1 节能评价指标各水平取值

               
                 
        

        

Felicidades

5.2.2 输出参数
以节能百分比的形式给出是否节能的判定结果，如果建筑满足节能要求，则节能百分比为零或正值，如果建筑不满足节能要求，则节能百分比负值。节能百分比定义为：

式中：BEPi—节能百分比;
Es—根据度日数查表5-1得到的建筑全年耗电量标准值，kWh/m2;
Ei—待评价建筑全年耗电量的DeST模拟计算值，kWh/m2;

               
                 
        

        

zyza

5.3 BP网络模型的应用
根据以上所选定的节能分析样本，初步选定网络结构参数如下：输入层节点数为10个，隐层神经元个数为10×3＝30个、传递函数为tansig，输出层神经元个数为1个、传递函数为purelin，节能评价指标体系的神经网络模型结构即为[10×30×1]。BP网络结构的最终形式并没有完全确定，如果训练和检验的结果不能满足预期要求，还将根据具体情况进行一定的调整。
利用BP网络得出的训练样本网络输出值与期望值的最大相对误差为小于5％（个别异常情况除外），检验样本网络输出值与期望值的最大相对误差为4.3％，可见该网络的自学习能力强，网络性能好，说明了利用神经网络进行节能综合评价的可行性和有效性。

               
                 
        

        

ata020

6.结论
本综合评价指标体系是在科学性原则，可行性原则，层次性原则，完备性原则，主导性原则，独立性原则的基础上，根据夏热冬冷地区居住建筑能耗特点建立起来的一个有机整体。这是一个相互关联、相互制约、不同层次的指标群，是对节能分项指标的综合和对节能综合指标简化，能较全面反映该地区居住建筑节能设计内涵的基本特征。
建筑节能的评价问题是一个I/O（输入/输出）问题。对于建筑节能的评价工作者，其最为关心的是由建筑的有关描述参数（输入参数）直接判断出建筑是否节能（输出参数），而不必知道具体的分析过程。这种评价体系则可以淡化专业知识的概念，不直接进行建筑能耗绝对数量的比较，摆脱对能耗模拟软件的依附，以实现对原始设计草案全面而简单的节能评价。
应用指标体系进行评价的关键在于各指标之间的权重的确定。本文采用人工神经网络计算的方法，具有一定的可行性和有效性。