【綠色建筑施工過程評價研究文獻綜述】

綠色建筑施工過程評價研究文獻綜述目錄TOC\o"1-2"\h\u32046綠色建筑施工過程評價研究文獻綜述 1308641.基于工程方法的綠色建筑施工過程評價 18912.基于統(tǒng)計方法的綠色建筑施工過程評價 171573.基于人工智能方法的綠色建筑評價 2準確的綠色建筑施工過程評價是一項具有挑戰(zhàn)性的任務(wù)，主要是由于建筑能源系統(tǒng)相當復(fù)雜，能源類型和建筑類型差距很大。建筑能源性能取決于多種因素，如天氣條件、建筑圍護結(jié)構(gòu)、居住者及其行為、照明和HVAC系統(tǒng)、建筑類型等。目前，已經(jīng)進行了大量研究以提高綠色建筑施工過程評價的準確性。綠色建筑施工過程評價方法主要分為工程方法、統(tǒng)計方法和人工智能方法。1.基于工程方法的綠色建筑施工過程評價工程方法利用物理原理計算整個建筑層和分段部分的能耗，基于詳細的建筑和環(huán)境參數(shù)，利用物理模型的能源模擬軟件進行預(yù)測。國內(nèi)外研究學(xué)者開發(fā)了數(shù)百種軟件用于能耗預(yù)測、評估能源效率、可再生能源和建筑的可持續(xù)性，基于工程方法的綠色建筑施工過程評價得到了充分的發(fā)展。通常利用能耗模擬軟件DOE-2、Energy、BLAST、和ESP-r預(yù)測不同建筑物、不同區(qū)域的能耗情況，許多研究者還比較不同仿真軟件的能耗模擬情況。雖然這些仿真工具都是成熟有效的，但是模型輸入數(shù)據(jù)需要收集詳細的建筑和環(huán)境參數(shù)，而且軟件操作專業(yè)性較高，導(dǎo)致在實際應(yīng)用中收集成本較高且執(zhí)行困難。精確輸入數(shù)據(jù)的缺失導(dǎo)致預(yù)測精度較低，有時甚至?xí)^100%。因此，有研究者進行了一系列嘗試，試圖用簡化的物理模型替代精細的物理模型。例如，White和Reichstag's（2020）試圖利用平均氣溫來預(yù)測每月建筑能耗，Westphalia和Camemberts（2013）根據(jù)月平均最高氣溫和最低氣溫、大氣壓力、云量和相對濕度，預(yù)測了非住宅建筑的年加熱和制冷負荷。上述研究雖然對于低質(zhì)量圍護結(jié)構(gòu)的建筑而言，顯示了較好的精度，但是這些簡化容易出錯，通常會高估建筑物能源效率。因此，這些模型通常用作比較工具，并不用來準確評價綠色建筑能耗。綜上所述，工程方法需要使用人員具備較多的建筑學(xué)知識，模型復(fù)雜，計算時間長。模型輸入需要收集大量的詳細數(shù)據(jù)，在實際應(yīng)用過程中收集成本很高。詳細工程模型的高度復(fù)雜性和輸入數(shù)據(jù)的缺乏，在實踐中很難操作且預(yù)測精度較低。雖然研究人員針對以上問題，提出一些簡化模型試圖減少模型復(fù)雜程度和收集成本，但是評價精度依然不理想。2.基于統(tǒng)計方法的綠色建筑施工過程評價基于統(tǒng)計方法的綠色建筑施工過程評價主要包括時間序列模型和線性回歸，已被廣泛應(yīng)用于建筑能耗預(yù)測，用于彌補資源有限而無法使用物理模型的不足。以往研究主要集中在簡單線性回歸、多元線性回歸預(yù)測建筑能耗。Baudelaire（2014）使用統(tǒng)計模型模擬澳大利亞新南威爾士州的能耗；Tokoloshe（2015）使用線性回歸模型來評價住宅和商業(yè)建筑綠色效益；Ch等人（2016）建立了時間尺度分別為1天、1周、3個月的回歸模型，結(jié)果表明時間尺度嚴重影響預(yù)測模型精度；劉佳靜等（2019）證實了單變量線性模型用于夏熱冬冷的地區(qū)（武漢市）的辦公建筑能耗建模是充分和實用的。統(tǒng)計回歸模型僅僅是簡單地將能源消耗與影響變量聯(lián)系起來，雖然容易解釋，但是無法反映建筑物特征和能耗之間的復(fù)雜關(guān)系，大多數(shù)時候不精確且缺乏靈活性。國內(nèi)外研究學(xué)者做了各種嘗試將時間序列模型應(yīng)用于建筑能耗預(yù)測。Kappas等（2010）采用時間序列ARMA模型對希臘的電力需求負荷進行預(yù)測。周芮錦等人（2012）對上海某辦公建筑建立自回歸移動平均（ARMA）時序模型預(yù)測逐月能耗，但是ARMA模型只能對平穩(wěn)數(shù)據(jù)進行簡單預(yù)測，能耗數(shù)據(jù)屬于非平穩(wěn)且非線性時間序列，導(dǎo)致模型的預(yù)測誤差較大。因此，研究人員試圖利用差分或?qū)?shù)化將時間序列轉(zhuǎn)化為平穩(wěn)序列進行預(yù)測，提出了差分自回歸模型。歐陽前武等人（2013）利用ARIMA模型預(yù)測廣州市區(qū)的商業(yè)建筑逐月總能耗。Marimba等人（2009）利用ARIMA模型預(yù)測次日的負荷曲線。潘成誠和楊太華（2013）建立ARIMA模型預(yù)測上海五年內(nèi)的建筑能耗。由于建筑能耗受季節(jié)影響較大，孫靖等人（2004）試圖利用季節(jié)性時間序列模型預(yù)測季節(jié)性規(guī)律較強的建筑物負荷，結(jié)果表明模型性能表現(xiàn)較好，但在其他建筑上表現(xiàn)并不理想?？偟膩碚f，基于統(tǒng)計方法的時間序列模型結(jié)構(gòu)較簡單，僅能對線性關(guān)系建模，而且模型參數(shù)不易確定。既不能反映非線性關(guān)系，也沒有考慮時間序列的特性，可解釋性不強。另外，基于統(tǒng)計方法的能耗預(yù)測多為單變量時間序列預(yù)測，并未考慮其影響因素，如工作時間、天氣變化等因素，再加上原始數(shù)據(jù)的非線性，基于統(tǒng)計方法的建筑能耗預(yù)測性能不佳。3.基于人工智能方法的綠色建筑評價隨著機器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)的興起，人工智能方法逐漸成為研究熱點?；谌斯ぶ悄芊椒ǖ念A(yù)測模型很好地解決了非線性問題，建模過程更加高效和靈活，在醫(yī)學(xué)診斷、政治和商業(yè)中廣泛應(yīng)用。隨著我國建筑能源管理系統(tǒng)（BAS）的普及，積累了海量的實時能耗數(shù)據(jù)，具有數(shù)據(jù)量大、維度高的特點?；谌斯ぶ悄艿慕ㄖ芎念A(yù)測方法可以從歷史能耗數(shù)據(jù)中學(xué)習(xí)，旨在根據(jù)先前的能耗使用模式來預(yù)測能源消耗。具體而言，就是試圖通過發(fā)現(xiàn)和概括給定輸入（例如歷史能耗數(shù)據(jù)和氣象數(shù)據(jù)）和輸出（即建筑能耗）之間潛在的線性或非線性關(guān)系，以監(jiān)督的方式開發(fā)預(yù)測模型。傳統(tǒng)的分析預(yù)測方法難以處理建筑特征和能耗間的復(fù)雜關(guān)系，而基于人工智能的方法以純數(shù)據(jù)驅(qū)動的方式進行能耗預(yù)測，幾乎不需要領(lǐng)域知識。基于人工智能的綠色建筑施工過程評價研究最早出現(xiàn)在20世紀末，兩種最常見的方法有神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機（SVR）。在過去的20年中，研究者們將ANN應(yīng)用于分析各種情況下各種類型的建筑能耗，如冷/熱負荷用電量、分段部分的運行、優(yōu)化及使用參數(shù)的估計。早期的研究已經(jīng)成功利用神經(jīng)網(wǎng)絡(luò)預(yù)測建筑每小時的電力消耗、熱負荷和制冷需求。大量文獻將ANN與其他預(yù)測模型比較，Neto等人（2021）對比分析ANN模型和精細化的工程方法模型，兩種模型都顯示了很高的預(yù)測精度，但是在短期預(yù)測方面，ANN模型表現(xiàn)更好。但是人工神經(jīng)網(wǎng)絡(luò)具有收斂速度慢，容易陷入局部最小值的缺點。遺傳算法（GA）被廣泛用于優(yōu)化建筑能耗的時間序列預(yù)測模型。Azazel等人（2017）證實了ANN特別適用于能耗浮動很大的能源密集型制造業(yè)的年度用電量預(yù)測。Ruiz等人（2010）提出了一種使用ANN和GA的綠色建筑評價模型，提高了預(yù)測的準確性。支持向量機同樣廣泛應(yīng)用于建筑能耗分析，即使在訓(xùn)練數(shù)據(jù)較少的情況下仍然能夠獲得良好的應(yīng)用效果，比較適合典型的小樣本學(xué)習(xí)問題。Dong等人（1987）利用SVM預(yù)測熱帶地區(qū)的商業(yè)建筑能耗，檢驗了支持向量機在建筑能耗預(yù)測領(lǐng)域的可行性和適用性。Li等人（2011）利用SVM模型預(yù)測一棟辦公樓的每小時冷負荷，發(fā)現(xiàn)SVM的精度優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)；Ruas等人（2013）通過對SVR和ANN模型的比較分析，發(fā)現(xiàn)SVR用于耗電量的預(yù)測精度高于ANN。AbteenAdidasMaidenhood（2018）基于相關(guān)系數(shù)和回歸梯度指導(dǎo)的特征選擇，減少了支持向量機訓(xùn)練的變量。以往的研究表明SVR的性能主要取決于其參數(shù)設(shè)置，并且不同的參數(shù)設(shè)置對應(yīng)于不同的數(shù)據(jù)結(jié)構(gòu)和特性。因此，研究學(xué)者已經(jīng)進行了大量研究來優(yōu)化SVR的超參數(shù)，如網(wǎng)格搜索，基本粒子群算法，蟻群優(yōu)化算法，遺傳算法，結(jié)果表明經(jīng)過超參數(shù)優(yōu)化的預(yù)測模型誤差有所降低。但是如果沒有從原始序列中提取輔助特征或進行數(shù)據(jù)選擇，在大多數(shù)情況下，單一預(yù)測方法將受到很大限制。Lichtenstein等人（2015）結(jié)合經(jīng)驗?zāi)Ｊ?，采用分解（EMD）和支持向量回歸的混合方法來預(yù)測建筑能耗需求。Wang等人（2014）受矢量場的物理意義啟發(fā)，提出一種基于矢量場的新型SVR，通過進行多次映射建立建筑能耗預(yù)測模型。Chen等人（2018）將多分辨率小波分解與SVR結(jié)合構(gòu)成組合模型，預(yù)測每小時的商業(yè)建筑能耗量，并將結(jié)果與SVR模型進行比較。結(jié)果表明組合模型的預(yù)測精度高于單一預(yù)測模型。除此之外，單一學(xué)習(xí)算法存在不穩(wěn)定性問題，輸入數(shù)據(jù)中的一些細微變化可能會引起輸出值的顯著變化，導(dǎo)致預(yù)測結(jié)果的可靠性和精度較低。因此，研究人員引入集成學(xué)習(xí)的概念，克服不穩(wěn)定性問題的局限性，從而提高預(yù)測精度。集成學(xué)習(xí)是一種強大的機器學(xué)習(xí)方法，它通過構(gòu)建并結(jié)合多個基本模型得到最終輸出，常見的集成框架有Bagging、Boosting和StackingADDINEN.CITE<EndNote><Cite><Author>Alobaidi</Author><Year>2018</Year><RecNum>69</RecNum><DisplayText><styleface="superscript">[60]</style></DisplayText><record><rec-number>69</rec-number><foreign-keys><keyapp="EN"db-id="ar20pt0t5tetxye22z3vs95t90e0fe52pef2"timestamp="1582439976">69</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Alobaidi,MohammadH.</author><author>Chebana,Fateh</author><author>Meguid,MohamedA.</author></authors></contributors><titles><title>Robustensemblelearningframeworkforday-aheadforecastingofhouseholdbasedenergyconsumption</title><secondary-title>AppliedEnergy</secondary-title></titles><periodical><full-title>AppliedEnergy</full-title></periodical><pages>997-1012</pages><volume>212</volume><keywords><keyword>Householdenergyconsumption</keyword><keyword>Ensemblelearning</keyword><keyword>Robustregression</keyword><keyword>Day-aheadenergyforecasting</keyword></keywords><dates><year>2018</year><pub-dates><date>2018/02/15/</date></pub-dates></dates><isbn>0306-2619</isbn><urls><related-urls><url>/science/article/pii/S0306261917317695</url></related-urls></urls><electronic-resource-num>/10.1016/j.apenergy.2017.12.054</electronic-resource-num></record></Cite></EndNote>。Candace等人（2018）使用Bagging的擴展變體隨機森林（RandomForest，RF）預(yù)測了比利時房屋的短期電量消耗，并與多重線性回歸（MultipleLinearRegression，MLR），SVR和梯度提升樹算法（GradientBoostingMachine，GBM）比較。結(jié)果表明RF和GBM的性能優(yōu)于SVR和MLR。Wang等人（2017）開發(fā)了基于Bagging框架的集成模型EBT（EnsembleBaggingTreeModel），并預(yù)測了教學(xué)建筑的能耗情況，結(jié)果既提高了預(yù)測精度又減少了模型運行時間。隨后，Wang等人引入RF預(yù)測教育建筑的每小時能源消耗量，并提供了用于生成RF的變量重要性分析。眾多研究表明，集成模型在準確性和穩(wěn)定性上均優(yōu)于單一預(yù)測模型。參考文獻[1]聶梅生.中國綠色低碳住區(qū)技術(shù)評估手冊[M].北京:中國建筑工業(yè)出版社，2011.[2]葉青，趙強，宋昆.中外綠色社區(qū)評價體系比較研究[J].城市問題，2014(04):74-81.[3]張春子，PabloVincentOverseen，津威，滕人瑤.國際綠色住區(qū)評估體系的分析——以美國LEED及《中國生態(tài)住區(qū)技術(shù)評估手冊》等評估體系為例[J].四川建筑科學(xué)研究，2013，39(02):336-340.[4]艾懿君.英國BREEAM與我國綠色建筑評價標準比較研究[D].南昌大學(xué)，2016.[5]古小東，夏斌.綠色社區(qū)評價指標體系的構(gòu)建[J].科技管理研究，2014，34(15):35-39.[6]霍蕊.基于碳足跡修正的綠色社區(qū)評價體系構(gòu)建[J].建材技術(shù)與應(yīng)用，2016(04):35-38+42.[7]徐建中,孫穎,孫曉光.基于熵權(quán)TOPSIS-DIPSO-ELM的制造企業(yè)綠色創(chuàng)新能力評價模型及實證研究[J].運籌與管理,2020,29(01):131-140.[8]周艷,蒲筱哥.熵權(quán)TOPSIS模型在數(shù)據(jù)庫績效評價中的應(yīng)用研究[J].圖書情報工作,2014,58(08):36-41.[9]閆軍,王杰,徐旦.基于云模型的區(qū)域物流指數(shù)綜合評價[J].統(tǒng)計與決策,2020,36(04):22-26.[10]徐士東,耿秀麗.云模型與TOPSIS相結(jié)合的多屬性群決策方法[J].計算機應(yīng)用研究,2017(10):2964-2967.[11]陳莉,張海俠.基于熵權(quán)-云模型的我國綠色智慧城市評價[J].系統(tǒng)仿真學(xué)報,2019,31(01):136-144.[12]王叢漫,趙蕓葉.基于AHP-TOPSIS模型的京津冀家政服務(wù)人力資源供給質(zhì)量評價研究[J].當代經(jīng)濟管理,2020,42(01):78-83.[13]ZaireJ.Best-WorstMulti-CriteriaDecision-MakingMethod[J].Omega,2015,53:49-57.[14]李曉津,張浩源,肖凱云.基于BWM-GRA模型的快遞型物流企業(yè)財務(wù)績效評價研究[J].數(shù)學(xué)的實踐與認識,2020,50(7):7.[15]陳振頌,王先甲,王欣儀等.基于PD-HALTS與BWM的多產(chǎn)品可持續(xù)供應(yīng)商選擇[J].計算機集成制造系統(tǒng),2020,26(02):508-521.[16]孫瑞，姚凱文，張丹.基于粗糙數(shù)BWM_ELECTRE方法的水庫移民安置區(qū)優(yōu)選[J].水力發(fā)電，2020,46(04):16-20.[17]李德毅,孟海軍,史雪梅.隸屬云和隸屬云發(fā)生器[J].計算機研究與發(fā)展,1995(6):15-20.[18]耿秀麗,董雪琦.基于云模型和信息公理的產(chǎn)品功能需求配置優(yōu)化[J].計算機集成制造系統(tǒng),2018,24(01):[19]耿秀麗,徐軼才.基于云模型的QFD中工程特性重要度確定方法[J].計算機應(yīng)用研究,2018,35(08):2355-2359.[20]徐選華,吳慧迪.