【绿色建筑施工过程评价研究文献综述】

绿色建筑施工过程评价研究文献综述目录TOC\o"1-2"\h\u32046绿色建筑施工过程评价研究文献综述 1308641.基于工程方法的绿色建筑施工过程评价 18912.基于统计方法的绿色建筑施工过程评价 171573.基于人工智能方法的绿色建筑评价 2准确的绿色建筑施工过程评价是一项具有挑战性的任务，主要是由于建筑能源系统相当复杂，能源类型和建筑类型差距很大。建筑能源性能取决于多种因素，如天气条件、建筑围护结构、居住者及其行为、照明和HVAC系统、建筑类型等。目前，已经进行了大量研究以提高绿色建筑施工过程评价的准确性。绿色建筑施工过程评价方法主要分为工程方法、统计方法和人工智能方法。1.基于工程方法的绿色建筑施工过程评价工程方法利用物理原理计算整个建筑层和分段部分的能耗，基于详细的建筑和环境参数，利用物理模型的能源模拟软件进行预测。国内外研究学者开发了数百种软件用于能耗预测、评估能源效率、可再生能源和建筑的可持续性，基于工程方法的绿色建筑施工过程评价得到了充分的发展。通常利用能耗模拟软件DOE-2、Energy、BLAST、和ESP-r预测不同建筑物、不同区域的能耗情况，许多研究者还比较不同仿真软件的能耗模拟情况。虽然这些仿真工具都是成熟有效的，但是模型输入数据需要收集详细的建筑和环境参数，而且软件操作专业性较高，导致在实际应用中收集成本较高且执行困难。精确输入数据的缺失导致预测精度较低，有时甚至会超过100%。因此，有研究者进行了一系列尝试，试图用简化的物理模型替代精细的物理模型。例如，White和Reichstag's（2020）试图利用平均气温来预测每月建筑能耗，Westphalia和Camemberts（2013）根据月平均最高气温和最低气温、大气压力、云量和相对湿度，预测了非住宅建筑的年加热和制冷负荷。上述研究虽然对于低质量围护结构的建筑而言，显示了较好的精度，但是这些简化容易出错，通常会高估建筑物能源效率。因此，这些模型通常用作比较工具，并不用来准确评价绿色建筑能耗。综上所述，工程方法需要使用人员具备较多的建筑学知识，模型复杂，计算时间长。模型输入需要收集大量的详细数据，在实际应用过程中收集成本很高。详细工程模型的高度复杂性和输入数据的缺乏，在实践中很难操作且预测精度较低。虽然研究人员针对以上问题，提出一些简化模型试图减少模型复杂程度和收集成本，但是评价精度依然不理想。2.基于统计方法的绿色建筑施工过程评价基于统计方法的绿色建筑施工过程评价主要包括时间序列模型和线性回归，已被广泛应用于建筑能耗预测，用于弥补资源有限而无法使用物理模型的不足。以往研究主要集中在简单线性回归、多元线性回归预测建筑能耗。Baudelaire（2014）使用统计模型模拟澳大利亚新南威尔士州的能耗；Tokoloshe（2015）使用线性回归模型来评价住宅和商业建筑绿色效益；Ch等人（2016）建立了时间尺度分别为1天、1周、3个月的回归模型，结果表明时间尺度严重影响预测模型精度；刘佳静等（2019）证实了单变量线性模型用于夏热冬冷的地区（武汉市）的办公建筑能耗建模是充分和实用的。统计回归模型仅仅是简单地将能源消耗与影响变量联系起来，虽然容易解释，但是无法反映建筑物特征和能耗之间的复杂关系，大多数时候不精确且缺乏灵活性。国内外研究学者做了各种尝试将时间序列模型应用于建筑能耗预测。Kappas等（2010）采用时间序列ARMA模型对希腊的电力需求负荷进行预测。周芮锦等人（2012）对上海某办公建筑建立自回归移动平均（ARMA）时序模型预测逐月能耗，但是ARMA模型只能对平稳数据进行简单预测，能耗数据属于非平稳且非线性时间序列，导致模型的预测误差较大。因此，研究人员试图利用差分或对数化将时间序列转化为平稳序列进行预测，提出了差分自回归模型。欧阳前武等人（2013）利用ARIMA模型预测广州市区的商业建筑逐月总能耗。Marimba等人（2009）利用ARIMA模型预测次日的负荷曲线。潘成诚和杨太华（2013）建立ARIMA模型预测上海五年内的建筑能耗。由于建筑能耗受季节影响较大，孙靖等人（2004）试图利用季节性时间序列模型预测季节性规律较强的建筑物负荷，结果表明模型性能表现较好，但在其他建筑上表现并不理想。总的来说，基于统计方法的时间序列模型结构较简单，仅能对线性关系建模，而且模型参数不易确定。既不能反映非线性关系，也没有考虑时间序列的特性，可解释性不强。另外，基于统计方法的能耗预测多为单变量时间序列预测，并未考虑其影响因素，如工作时间、天气变化等因素，再加上原始数据的非线性，基于统计方法的建筑能耗预测性能不佳。3.基于人工智能方法的绿色建筑评价随着机器学习和数据挖掘技术的兴起，人工智能方法逐渐成为研究热点。基于人工智能方法的预测模型很好地解决了非线性问题，建模过程更加高效和灵活，在医学诊断、政治和商业中广泛应用。随着我国建筑能源管理系统（BAS）的普及，积累了海量的实时能耗数据，具有数据量大、维度高的特点。基于人工智能的建筑能耗预测方法可以从历史能耗数据中学习，旨在根据先前的能耗使用模式来预测能源消耗。具体而言，就是试图通过发现和概括给定输入（例如历史能耗数据和气象数据）和输出（即建筑能耗）之间潜在的线性或非线性关系，以监督的方式开发预测模型。传统的分析预测方法难以处理建筑特征和能耗间的复杂关系，而基于人工智能的方法以纯数据驱动的方式进行能耗预测，几乎不需要领域知识。基于人工智能的绿色建筑施工过程评价研究最早出现在20世纪末，两种最常见的方法有神经网络（ANN）、支持向量机（SVR）。在过去的20年中，研究者们将ANN应用于分析各种情况下各种类型的建筑能耗，如冷/热负荷用电量、分段部分的运行、优化及使用参数的估计。早期的研究已经成功利用神经网络预测建筑每小时的电力消耗、热负荷和制冷需求。大量文献将ANN与其他预测模型比较，Neto等人（2021）对比分析ANN模型和精细化的工程方法模型，两种模型都显示了很高的预测精度，但是在短期预测方面，ANN模型表现更好。但是人工神经网络具有收敛速度慢，容易陷入局部最小值的缺点。遗传算法（GA）被广泛用于优化建筑能耗的时间序列预测模型。Azazel等人（2017）证实了ANN特别适用于能耗浮动很大的能源密集型制造业的年度用电量预测。Ruiz等人（2010）提出了一种使用ANN和GA的绿色建筑评价模型，提高了预测的准确性。支持向量机同样广泛应用于建筑能耗分析，即使在训练数据较少的情况下仍然能够获得良好的应用效果，比较适合典型的小样本学习问题。Dong等人（1987）利用SVM预测热带地区的商业建筑能耗，检验了支持向量机在建筑能耗预测领域的可行性和适用性。Li等人（2011）利用SVM模型预测一栋办公楼的每小时冷负荷，发现SVM的精度优于传统的BP神经网络；Ruas等人（2013）通过对SVR和ANN模型的比较分析，发现SVR用于耗电量的预测精度高于ANN。AbteenAdidasMaidenhood（2018）基于相关系数和回归梯度指导的特征选择，减少了支持向量机训练的变量。以往的研究表明SVR的性能主要取决于其参数设置，并且不同的参数设置对应于不同的数据结构和特性。因此，研究学者已经进行了大量研究来优化SVR的超参数，如网格搜索，基本粒子群算法，蚁群优化算法，遗传算法，结果表明经过超参数优化的预测模型误差有所降低。但是如果没有从原始序列中提取辅助特征或进行数据选择，在大多数情况下，单一预测方法将受到很大限制。Lichtenstein等人（2015）结合经验模式，采用分解（EMD）和支持向量回归的混合方法来预测建筑能耗需求。Wang等人（2014）受矢量场的物理意义启发，提出一种基于矢量场的新型SVR，通过进行多次映射建立建筑能耗预测模型。Chen等人（2018）将多分辨率小波分解与SVR结合构成组合模型，预测每小时的商业建筑能耗量，并将结果与SVR模型进行比较。结果表明组合模型的预测精度高于单一预测模型。除此之外，单一学习算法存在不稳定性问题，输入数据中的一些细微变化可能会引起输出值的显著变化，导致预测结果的可靠性和精度较低。因此，研究人员引入集成学习的概念，克服不稳定性问题的局限性，从而提高预测精度。集成学习是一种强大的机器学习方法，它通过构建并结合多个基本模型得到最终输出，常见的集成框架有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的扩展变体随机森林（RandomForest，RF）预测了比利时房屋的短期电量消耗，并与多重线性回归（MultipleLinearRegression，MLR），SVR和梯度提升树算法（GradientBoostingMachine，GBM）比较。结果表明RF和GBM的性能优于SVR和MLR。Wang等人（2017）开发了基于Bagging框架的集成模型EBT（EnsembleBaggingTreeModel），并预测了教学建筑的能耗情况，结果既提高了预测精度又减少了模型运行时间。随后，Wang等人引入RF预测教育建筑的每小时能源消耗量，并提供了用于生成RF的变量重要性分析。众多研究表明，集成模型在准确性和稳定性上均优于单一预测模型。参考文献[1]聂梅生.中国绿色低碳住区技术评估手册[M].北京:中国建筑工业出版社，2011.[2]叶青，赵强，宋昆.中外绿色社区评价体系比较研究[J].城市问题，2014(04):74-81.[3]张春子，PabloVincentOverseen，津威，滕人瑶.国际绿色住区评估体系的分析——以美国LEED及《中国生态住区技术评估手册》等评估体系为例[J].四川建筑科学研究，2013，39(02):336-340.[4]艾懿君.英国BREEAM与我国绿色建筑评价标准比较研究[D].南昌大学，2016.[5]古小东，夏斌.绿色社区评价指标体系的构建[J].科技管理研究，2014，34(15):35-39.[6]霍蕊.基于碳足迹修正的绿色社区评价体系构建[J].建材技术与应用，2016(04):35-38+42.[7]徐建中,孙颖,孙晓光.基于熵权TOPSIS-DIPSO-ELM的制造企业绿色创新能力评价模型及实证研究[J].运筹与管理,2020,29(01):131-140.[8]周艳,蒲筱哥.熵权TOPSIS模型在数据库绩效评价中的应用研究[J].图书情报工作,2014,58(08):36-41.[9]闫军,王杰,徐旦.基于云模型的区域物流指数综合评价[J].统计与决策,2020,36(04):22-26.[10]徐士东,耿秀丽.云模型与TOPSIS相结合的多属性群决策方法[J].计算机应用研究,2017(10):2964-2967.[11]陈莉,张海侠.基于熵权-云模型的我国绿色智慧城市评价[J].系统仿真学报,2019,31(01):136-144.[12]王丛漫,赵芸叶.基于AHP-TOPSIS模型的京津冀家政服务人力资源供给质量评价研究[J].当代经济管理,2020,42(01):78-83.[13]ZaireJ.Best-WorstMulti-CriteriaDecision-MakingMethod[J].Omega,2015,53:49-57.[14]李晓津,张浩源,肖凯云.基于BWM-GRA模型的快递型物流企业财务绩效评价研究[J].数学的实践与认识,2020,50(7):7.[15]陈振颂,王先甲,王欣仪等.基于PD-HALTS与BWM的多产品可持续供应商选择[J].计算机集成制造系统,2020,26(02):508-521.[16]孙瑞，姚凯文，张丹.基于粗糙数BWM_ELECTRE方法的水库移民安置区优选[J].水力发电，2020,46(04):16-20.[17]李德毅,孟海军,史雪梅.隶属云和隶属云发生器[J].计算机研究与发展,1995(6):15-20.[18]耿秀丽,董雪琦.基于云模型和信息公理的产品功能需求配置优化[J].计算机集成制造系统,2018,24(01):[19]耿秀丽,徐轶才.基于云模型的QFD中工程特性重要度确定方法[J].计算机应用研究,2018,35(08):2355-2359.[20]徐选华,吴慧迪.