王振峰 徐明霞

摘 要：由于近年來智慧城市受到了廣泛的關(guān)注，而對于智慧城市節(jié)能減排還并沒有更多的研究資料，所以本文中對于智慧城市的節(jié)能減排及其管理進(jìn)行了分析。本文中主要進(jìn)行研究的是BP神經(jīng)網(wǎng)絡(luò)對于智慧城市基礎(chǔ)之上大型建筑的耗電量預(yù)測，通過預(yù)測耗電量可以分析得出建筑的能耗是否合理，以便做出進(jìn)一步的管理動作。首先本文通過使用云計算的方法對整體的數(shù)據(jù)處理系統(tǒng)進(jìn)行了規(guī)定，整體數(shù)據(jù)通過云計算的方式進(jìn)行存儲與計算。隨后規(guī)定了文章中所使用的BP神經(jīng)網(wǎng)絡(luò)模型，通過BP神經(jīng)網(wǎng)絡(luò)的方法建立對于大型建筑的能耗預(yù)測模型，并且將所獲取的數(shù)據(jù)用來進(jìn)行模型的訓(xùn)練以及測試。模型的訓(xùn)練結(jié)果顯示，經(jīng)過125次迭代之后，整體模型的誤差值達(dá)到最小。模型測試結(jié)果顯示出，本文模型可以很好的進(jìn)行能耗的預(yù)測，整體預(yù)測趨勢與實(shí)際檢測值基本一致。所以本文所設(shè)計模型能夠達(dá)到跟蹤建筑能耗的目的，能夠?yàn)橹腔鄢鞘泄?jié)能減排以及其管理控制提供一定的理論基礎(chǔ)。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);云計算;智慧建筑;節(jié)能環(huán)保

中圖分類號：TU201.5;TP391.44? 文獻(xiàn)標(biāo)識碼：A ? ? 文章編號：1001-5922（2021）10-0090-04

Energy Conservation and Emission Reduction and Its Management Control of Smart Buildings by Using Cloud Computing

Wang Zhenfeng， Xu Mingxia

（Shaanxi Institute of Technology， Xi an710300， China ）

Abstract：In recent years， smart city has attracted extensive attention， but there are few research data on energy conservation and emission reduction of smart city， so energy conservation and emission reduction and its management of smart city are analyzed. Back propagation （BP） neural network is used to predict the power consumption of large buildings in smart city. By predicting the power consumption， whether the energy consumption of buildings is reasonable can be assessed， so as to make further management. First， the overall data processing system is defined by using cloud computing， and the overall data are stored and calculated by cloud computing. Then， the BP neural network model is specified to establish an energy consumption prediction model of large buildings， and the obtained data are adopted for training and testing of the model. The training results of the model indicate that after 125 iterations， the error of the model reaches its minimum value. The test results of the model suggest that the model can predict energy consumption accurately， and the overall prediction trend is consistent with the actual detected value. Thus， the model designed in this paper can achieve the purpose of tracking building energy consumption， and can provide a certain theoretical basis for smart city energy saving and emission reduction as well as its management and control.

Key words：BP neural network; cloud computing; Intelligent building;energy conservation and environmental protection

0 引言

近年來，智慧城市的概念受到了廣泛的支持，智慧城市引起了科學(xué)界和工業(yè)界的廣泛關(guān)注和興趣，世界各地涌現(xiàn)出越來越多的國際案例[1-2]。然而，盡管智慧城市在應(yīng)對近期的城市相關(guān)問題時可以發(fā)揮重要作用，但由于無法充分發(fā)揮其潛力以及被大量廠商炒作而受到批評[3]。過去幾年中，智慧城市政策吸引了大量相關(guān)的關(guān)注和資金[4]。盡管現(xiàn)在看來可以得出這樣的結(jié)論，智慧城市對城市經(jīng)濟(jì)增長產(chǎn)生積極影響的時機(jī)已經(jīng)成熟，但是從這種影響的微觀基礎(chǔ)來看，情況還不是十分清楚。

Allam 和 Newman（2018）研究提供了有關(guān)智慧城市的性質(zhì)，挑戰(zhàn)和機(jī)遇的文獻(xiàn)綜述，根據(jù)文化，新陳代謝和治理的維度，提出了一個新的智慧城市框架，這些發(fā)現(xiàn)旨在為決策者提供關(guān)于智慧城市范式的另一種觀點(diǎn)，這種觀點(diǎn)主要是注重智慧城市的建設(shè)成果，不以技術(shù)作為研究方向[5]。近幾年，隨著中國物聯(lián)網(wǎng)技術(shù)，尤其是5G技術(shù)的快速發(fā)展，“智慧城市”的建設(shè)也成為了可能。Sharma 和Park（2018）提出了智慧建筑的混合網(wǎng)絡(luò)構(gòu)架技術(shù)，通過對網(wǎng)絡(luò)和區(qū)塊鏈的結(jié)合做對比分析，驗(yàn)證智慧城市建筑模型的使用性能和建設(shè)可行性，本論文對智慧建筑能耗預(yù)測模型進(jìn)行了仿真模擬，結(jié)合不同的性能指標(biāo)對比實(shí)際，來驗(yàn)證建筑節(jié)能情況[6]。Zhang等（2017）介紹了有前途的智慧城市應(yīng)用程序和體系結(jié)構(gòu)，討論了這些應(yīng)用程序中的一些安全性和隱私挑戰(zhàn)[7]。從上述對于智慧城市的當(dāng)前研究方向中可以看出，對于智慧城市，各大學(xué)者的研究仍在如何進(jìn)行智慧城市的構(gòu)建部分，而文章則從新的角度也就是智慧城市節(jié)能減排的角度進(jìn)行有關(guān)于智慧城市的研究，并且將引入云計算進(jìn)行研究。

1 研究方法

1.1 云計算數(shù)據(jù)中心

云計算是一種典型的數(shù)據(jù)處理方法，能夠提供數(shù)據(jù)儲存、計算等復(fù)雜功能[8，9]。在文章中，也就是說在智慧城市的背景之下，是需要通過云計算技術(shù)進(jìn)行智慧城市能耗的監(jiān)測，而在文章中僅對大型建筑的能耗進(jìn)行監(jiān)測與分析。在本文的大型建筑能耗監(jiān)測系統(tǒng)中將云計算數(shù)據(jù)中心分為云計算信息服務(wù)層，云計算基礎(chǔ)平臺層以及虛擬化基礎(chǔ)設(shè)施層。

云計算信息服務(wù)層也就是進(jìn)行整體大型建筑的能耗評估與分析，判斷此大型建筑的節(jié)能情況，并且需要通過一定的控制手段控制大型建筑的能耗。在云計算基礎(chǔ)平臺層也就是進(jìn)行整體數(shù)據(jù)的管理，而虛擬化基礎(chǔ)設(shè)施層便是對于大型建筑系統(tǒng)的模擬。

1.2 神經(jīng)網(wǎng)絡(luò)下的建筑能耗預(yù)測

神經(jīng)網(wǎng)絡(luò)算法是目前被廣泛應(yīng)用的算法之一，由于其具有自學(xué)習(xí)的能力，大量的研究均爭先將此方法引入自身的研究領(lǐng)域中，爭取能夠以更快的速度以及更加優(yōu)異的精度完成實(shí)驗(yàn)或是研究。此種神經(jīng)網(wǎng)絡(luò)的方法是模仿人腦的思考過程從而被開發(fā)出來的，對于人腦來說，需要首先得到外界的信號并且所有的神經(jīng)元以及神經(jīng)突觸將所接受到的信號傳至人腦，由人腦對相應(yīng)的信號進(jìn)行分析、處理。與人腦一致的是神經(jīng)網(wǎng)絡(luò)方法也是通過將各個模塊分開，各個模塊完成屬于自身的工作，這樣的方法能夠大大提升整體算法的計算效率，能夠用更短的時間分析更多的數(shù)據(jù)，并且能夠根據(jù)不同的數(shù)據(jù)進(jìn)行自學(xué)習(xí)，得到更加符合目標(biāo)要求的神經(jīng)網(wǎng)絡(luò)模型。而BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的一種，屬于反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)。它由3層結(jié)構(gòu)組成，包括輸入層、隱式層和輸出層。其結(jié)構(gòu)示意圖如圖1所示。

由圖1可以看出，BP神經(jīng)網(wǎng)絡(luò)的每一層由n個神經(jīng)元組成，各層之間相互連接。但是這層中的神經(jīng)元是沒有連接的。神經(jīng)網(wǎng)絡(luò)算法的由誤差和信息兩個正反向傳播過程來實(shí)現(xiàn)，其中信息是正向傳播，誤差是反向傳播[10]。具體流程如圖2所示。

BP人工神經(jīng)網(wǎng)絡(luò)是由正向傳播以及反向傳播兩個過程所組成：正向傳播過程是信息傳播的主要過程，需要輸入的信息，在開始階段是進(jìn)入輸入層，通過輸入層后進(jìn)入隱含層，最后將信息輸入到輸出層。在整個過程中，每一次的結(jié)果只會對下一層的狀態(tài)有影響，當(dāng)輸出層的輸出結(jié)果與所期望的結(jié)果有所不符時，則轉(zhuǎn)入反向傳播過程。反向傳播過程的處理過程為：輸出誤差—各隱含層—輸入層。該處理過程是輸出誤差反傳回去，并且分別傳送給隱含層單元，通過隱含層單元分析得出各層單元的誤差，通過這些誤差的分析，進(jìn)而修正各部分單元的權(quán)值。正向傳播過程和反向傳播過程相互結(jié)合，便完成了一次學(xué)習(xí)迭代，BP網(wǎng)絡(luò)就是多次重復(fù)這種迭代直到達(dá)到預(yù)設(shè)的學(xué)習(xí)次數(shù)或是滿足誤差要求。

在正向傳播過程中，輸入對象被分成n個輸入向量，w為權(quán)系數(shù)，b為偏置向量。對輸入向量x進(jìn)行線性運(yùn)算，運(yùn)算函數(shù)如式（1）[11]：

式（1）中，zi為第i層神經(jīng)元的輸出。win為第n個神經(jīng)元的權(quán)系數(shù)。b是偏差向量，偏差向量需從輸入層開始，逐層計算，一直到最后輸出結(jié)果。BP神經(jīng)網(wǎng)絡(luò)通常使用sigmoid函數(shù)作為神經(jīng)元內(nèi)層的激活函數(shù)，以提高算法的表達(dá)能力，sigmoid函數(shù)g（zi）的表達(dá)式如式（2）：

式（2）函數(shù)的定義域均為實(shí)數(shù)集合，范圍為[0，1]。在最后一個隱含層輸出結(jié)果后，交叉熵?fù)p失函數(shù)計算輸出的損失。通過交叉熵?fù)p失函數(shù)的輸出損失值，與建筑能耗預(yù)測模型的預(yù)測輸出值與建筑工程實(shí)際值的差值做對比，以此來判斷建筑能耗預(yù)測模型的預(yù)測效果。損失函數(shù)可以表示為：

式（3）中，y為實(shí)際產(chǎn)值。當(dāng)損失值過大時，參數(shù)更新更快;否則，參數(shù)更新會慢一些。

在誤差反向傳播過程中，損失函數(shù)梯度由輸出層向后傳播到隱含層，損失值分布到每層神經(jīng)元。通過連續(xù)迭代，更新層間的參數(shù)，使實(shí)際輸出值與期望輸出值的誤差最小。這樣確定了與最小誤差對應(yīng)的權(quán)值和閾值，增強(qiáng)了BP神經(jīng)網(wǎng)絡(luò)的魯棒性[12]。根據(jù)損失函數(shù)梯度下降法，沿反向傳播過程，梯度下降最大。

式（4）～（5）中：wi+1為更新后的權(quán)重系數(shù);wi為當(dāng)前權(quán)重系數(shù);lr為迭代次數(shù)的學(xué)習(xí)率;為損失函數(shù)梯度。

1.3 預(yù)測模型驗(yàn)證

西安某公司辦公樓，樓高20.65m，辦公樓地上面積約6795.65m2，地下面積為1312.38m2，該辦公樓的用電主要是中央空調(diào)系統(tǒng)、照明插座、動力和特殊用電。用電總耗能為259.64MW·h，其中中央空調(diào)系統(tǒng)占比49.32%、照明插座占比34.21%、動力占比11.23%和特殊用電占比5.24%，2020年1～8月的用電數(shù)據(jù)如表1所示，重點(diǎn)選取2020年6～8月的用電數(shù)據(jù)作為研究樣本。建立起對于該建筑的能耗預(yù)測模型，選擇6～7月的用電數(shù)據(jù)進(jìn)行模型的訓(xùn)練，選擇7～8月的數(shù)據(jù)進(jìn)行模型的驗(yàn)證。文章中的模型設(shè)計是通過當(dāng)天的氣壓、風(fēng)速、溫度、濕度進(jìn)行當(dāng)天建筑能耗的判斷。文章研究所使用的軟件是MATLAB。

2 結(jié)果與討論

2.1 BP神經(jīng)網(wǎng)絡(luò)仿真結(jié)果

首先進(jìn)行文章中模型所使用BP神經(jīng)網(wǎng)絡(luò)的仿真，其仿真結(jié)果如圖3所示。

從圖3中可以看出，在經(jīng)過125次迭代之后，該BP神經(jīng)網(wǎng)絡(luò)的誤差達(dá)到最低的目標(biāo)值，說明該BP神經(jīng)網(wǎng)絡(luò)可以達(dá)到較好的準(zhǔn)確性水平，訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)其運(yùn)行時間為0.0276s，該均方誤差為0.0013，該均方誤差的值越小說明BP神經(jīng)網(wǎng)絡(luò)的精度越高，說明該BP神經(jīng)網(wǎng)絡(luò)可以滿足文章中高精度的需求。

2.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

隨機(jī)選取7月中某一天進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的大型建筑能耗預(yù)測，其預(yù)測結(jié)果如圖4所示。

從圖4中可以看出整體的用電量預(yù)測趨勢基本一致，進(jìn)行測試的日期屬于工作日，所以在早晨7點(diǎn)中開始直至晚上10點(diǎn)用電量均呈較高狀態(tài)，而在晚上10點(diǎn)至晚上12點(diǎn)過程中的用電量高于晚上12點(diǎn)至次日凌晨6點(diǎn)。這樣的預(yù)測結(jié)果與實(shí)際的測量趨勢也有較高的一致性。

隨機(jī)選取7月一非工作日進(jìn)行用電情況的預(yù)測，其預(yù)測結(jié)果如圖5所示。

從圖5的預(yù)測結(jié)果之中可以看出，BP神經(jīng)網(wǎng)絡(luò)對于整體的用電趨勢還是能夠較好的進(jìn)行預(yù)測，從圖5的結(jié)果中可以知道，在非工作日，整體的用電量相較于工作日有了非常大幅度的下滑，并且整體的用電量較為平穩(wěn)，少有用電量非常高的情況，從上述的研究結(jié)果中可以看出，文章方法對于大型建筑用電量的預(yù)測是非常有效的，說明在今后智慧城市的發(fā)展中能夠應(yīng)用相應(yīng)的方法進(jìn)行能耗的監(jiān)測。

3 結(jié)論

由于目前對于智慧城市節(jié)能減排控制方法的研究內(nèi)容較少，文章通過結(jié)合云計算以及BP神經(jīng)網(wǎng)絡(luò)算法對智慧城市北京之下的大型建筑物能耗進(jìn)行了監(jiān)測。文章的研究結(jié)果顯示，可以通過能耗監(jiān)測模型得到某一時段建筑物的耗電量，憑借此數(shù)據(jù)可以得出該建筑物是否滿足節(jié)能減排的標(biāo)準(zhǔn)，若不滿足則需要通過其他的控制手段對建筑物的能耗情況進(jìn)行控制，這便可以達(dá)到對能耗進(jìn)行控制的目的。雖說文章研究取得了一定的成果但是文章研究仍舊存在一些不足之處，文章僅僅對某一大型建筑的耗電量進(jìn)行了研究，相應(yīng)獲取的數(shù)據(jù)量較少，僅可以做智慧城市耗能監(jiān)測基礎(chǔ)參考，在面對整個城市的能耗監(jiān)測時，文章所研究的方法可能會失效，因?yàn)槌鞘械暮哪鼙O(jiān)測需要獲取更多的數(shù)據(jù)，文章中所研究的方法可能無法滿足大數(shù)據(jù)情況之下的數(shù)據(jù)分析、數(shù)據(jù)計算以及數(shù)據(jù)存儲，所以說今后還需要進(jìn)行更多的實(shí)驗(yàn)以滿足更高的城市能耗監(jiān)測需求。

參考文獻(xiàn)

[1]Andrea Caragliu，Chiara F.Del Bo.Smart innovative cities：The impact of Smart City policies on urban innovation[J].Technological Forecasting and Social Change，2019，142：373-383.

[2]李綱，李陽.智慧城市應(yīng)急決策情報體系構(gòu)建研究[J].中國圖書館學(xué)報，2016，42（3）：39-54.

[3]廖興國，吳志群.測繪地理信息對促進(jìn)智慧城市建設(shè)的作用探討[J].科技視界，2019，13：101-102.

[4]郭中梅，朱常波，夏俊杰，等.“疫情大考”下的智慧城市未來發(fā)展思考[J].郵電設(shè)計技術(shù)， 2020（2）：5-8.

[5]Allam Zaheer，Newman Peter.Redefining the smart city：Culture， metabolism and governance[J]. Smart Cities， 2018，1（1）： 4-25.

[6]Pradip Kumar Sharma，Jong Hyuk Park.Blockchain based hybrid network architecture for the smart city[J].Future Generation Computer Systems，2018，86：650-655.

[7]Zhang Kuan，Ni Jianbing，Yang Kan，et al.Security and privacy in smart city applications： Challenges and solutions[J].IEEE Communications Magazine：Articles，News，and Events of Interest to Communications Engineers，2017，55（5）：122-129.

[8]李永先，欒旭倫，李森森.云計算技術(shù)在圖書館中的應(yīng)用探討[J].圖書館研究，2019，39（1）： 105-106.

[9]王斌鋒，蘇金樹，陳琳.云計算數(shù)據(jù)中心網(wǎng)絡(luò)設(shè)計綜述[J].計算機(jī)研究與發(fā)展，2016，53（9）： 2085-2106.

[10]Aidong Hou，Shengli Jin，Harald Harmuth，et al.Thermal and Thermomechanical Responses Prediction of a Steel Ladle Using a Back-Propagation Artificial Neural Network Combining Multiple Orthogonal Arrays[J].steel research international，2019，90（7）：1900116.

[11]王健.基于BP神經(jīng)網(wǎng)絡(luò)的礦井輸送機(jī)節(jié)能控制研究[J].內(nèi)蒙古煤炭經(jīng)濟(jì)，2019（17）：4-5.

[12]喬維德.基于AHP與BP神經(jīng)網(wǎng)絡(luò)的電機(jī)系統(tǒng)節(jié)能評價[J].南通大學(xué)學(xué)報 （自然科學(xué)版）， 2017，16（03）： 20-26.