建筑学论文哪里有？本文以国内相关外建筑能耗预测研究为基础，围绕近年来人们日益关注的建筑能耗预测、建筑节能有关的问题，开展了寒冷地区办公建筑能耗预测方法的研究。
第1章 绪论
1.2.1 国外能耗预测方法研究
（1）计算机模拟预测法
计算机模拟预测法也叫建筑能耗模拟分析法：具体是通过计算机能耗模拟软件对某一建筑建立能耗模型，设置建筑物的围护结构、室内热扰度等热工参数，从而实现建筑能耗预测，其预测精度取决于建模过程各项参数的设置是否合理准确[15]。在2002G.A.Florides[16]等人利用TRNSYS(Transient System Simulation Program)软件对不同厚度的多种新型建筑保温层进行数值模拟分析，发现新型保温层对降低建筑能耗具有显著作用，从而验证了新型保温材料的节能。巴西的Alberto Hernandez Neto[17]等人结合当地气象参数、建筑特点，以圣保罗大学行政大楼为研究案例，基于人工神经网络（ANN）的简单模型和物理原理的模型作为建筑能耗预测工具，结果表明，这两种模型均适用于能耗预测；美国西部怀俄明大学的Liping Wang[18]等人针对五个不同城市的办公楼开展了一项以能耗仿真模拟为基础的研究，并在此基础上进行了大量的现场调研，获取了实际的建筑能耗数据，为进一步研究气候的变化对建筑能耗是否产生影响，采用EnergyPlus能耗模拟软件对某一办公建筑进行仿真模拟，得到该建筑的逐时能耗数据，通过对比不同的气候模型下的建筑能耗，表明在同样的气候条件下，采用混合通风的方法可实现更高的节能效果。
（2）回归分析预测法
回归分析预测法的基本理论是以自变量X和因变量Y的关系为依据，构建了一个变量之间的方程，并将所构建起来的方程称为预测模型。根据X与Y之间的相关关系，将其划分为线性与非线性回归；又因为存在多个变量X，可将其分类为一元线性回归和多元线性回归预测模型。
第3章 正交试验设计与能耗影响因素分析
3.1 正交试验设计
3.1.1 正交试验基本原理
正交试验设计是对多因素试验进行研究和处理的一种科学方法，按照试验表（即正交表）的顺序进性试验，并对试验结果进行分析。正交试验最初被称作“田口试验”，由日本统计学家田口玄一于20世纪60年代提出，用于工程质量管理技术。该方法的基本思想是从全部试验中选择具有一定代表性的测试点，测试点选取原则，均衡分散，齐整可比，正交试验设计包含三部分内容：选取影响因素和水平数、设计正交试验表、按照正交试验表进行试验（图3.1），目的是使每一个因素的水平数都能够与其他因素的水平数进行交叉试验，该方法相对于全部试验而言，不仅减少了试验次数，提高了试验的效率，而且避免了由于存在多种能耗影响因素而导致不能完全试验的情况出现[50]。
正交表是一种基于拉丁方与正交拉丁方，利用知识与概率理论构建的格式化表格。目前存在多种正交表格，因为种类不同，其表格的构建方式也有所差异，部分较为复杂的正交表构建方式仍存在争议。其中最简单的正交表是L4（23），英文字母“L”代表正交表，角标4表示四横列，要做四次试验，括号内指数“3”表示3纵列，该次试验的因子数为3，数字“2”表示2个水平数，即每个因子的水平数为1和2。换言之，3个影响因素中，每一个影响因素具有两个水平数，如果进行全面试验，就必须进行八次试验，如果进行正交试验，只需要进行四次试验即可完成，通过该方法可以极大地提高试验的效率，节省时间成本。
第4章 寒冷地区办公建筑能耗预测方法对比
4.1 预测模型创建步骤
4.1.1 参数化模拟
建筑能耗预测模型的建立需要大量数据，通过调整10个显著性影响因素的取值获得建筑能耗数据，不仅工作量大而且依次模拟困难。通过采用参数化模拟JeP lus软件，可以解决这一现状，实现自动批量模拟。
图4.1为JePlus软件参数化模拟的界面，模拟流程为图4.2：导入文件，在weather files和IDF files中依次导入烟台市室外气象参数和能耗初始模型；创建参数，在description中建立一个新的描述，例如外窗传热系数，search tag指控制外窗传热系数默认为@@tag1@@，在search tag中依次将10个显著性影响因素进行标签化处理， values指外窗传热系数的取值，即={1.5:2.0:2.4}；点击validate project检查参数化模拟是否创建成功，得到模拟各显著性影响因素组合能耗；最后从大量能耗模拟数据中随机选取500组符合寒冷地区办公建筑能耗限额指标要求的数据，进行后续预测模型的训练与创建。
4.2 能耗预测模型创建
4.2.1 BP神经网络预测模型
（1）预测模型创建
根据参数化模拟得到基础能耗数据，将能耗数据导入到神经网络中进行训练与预测。构建过程如下，首先将确定的10个显著性设计参数作为预测模型的输入层神经元，建筑能耗作为输出层神经元；然后，不断调节隐含层节点的个数，以求达到最佳训练精度，根据公式（1.9）确定隐含层节点数为4、1，最终建立一个四层的神经网络（10-4-1-1），图4.4所示
（2）预测模型训练
BP神经网络预测模型创建和训练依托编程软件平台实现，训练步骤如下：对显著性影响因素作为预测模型输入变量，读取并命为“input”，建筑能耗值、空调能耗值作为预测模型输出量，读取并命名为“output”，将500组数据随机分成3份，70%为训练集，用于网络模型训练，15%为测试集用于预测模型测试，15%为验证集，对训练好的模型验证。数据读取完成后，采用归一化方法对训练集进行预处理，将数据归一到[-1,1]之间，隐含层节点设为4、1，网络训练最大迭代数设为1000次，目标误差函数设定为1e-6，学习率设为0.1，最小梯度设为1e-6，训练算法确定为“traingd”函数，其他遵循默认值。
第5章 结论与研究不足
5.1 结论
以国内相关外建筑能耗预测研究为基础，围绕近年来人们日益关注的建筑能耗预测、建筑节能有关的问题，开展了寒冷地区办公建筑能耗预测方法的研究。基于BP、LSTM以及GA-BP三种算法，通过正交试验和建筑能耗影响因素显著性分析，建立以显著性能耗影响因素为自变量，建筑能耗、空调能耗两项指标为因变量的预测模型（建筑能耗预测模型和空调能耗预测模型）。通过对各预测模型综合评估，提出适用于寒冷地区办公建筑能耗最佳预测模型，得出以下结论：
（1）通过方差分析法分别对建筑能耗影响因素和空调能耗影响因素进行显著性分析，得到设备功率密度、室内温度、窗墙面积比、照明功率密度、新风指标、外窗传热系数、外墙传热系数、遮阳系数、人均面积指标、空调综合能效比10个影响因素对建筑能耗和空调能耗具有显著性。其中窗墙面积比对建筑能耗影响最大，室内温度对空调能耗影响最大。
（2）基于建筑能耗影响因素显著性分析和参数化模拟结果，采用BP、LSTM和GA-BP三种算法，分别创建寒冷地区办公建筑能耗和空调能耗预测模型。对三种模型的预测精度进行分析，结果表明，BP、LSTM和GA-BP三种神经网络预测模型均能很好预测寒冷地区办公建筑能耗。但对于两项能耗指标预测精度存在差异性：BP算法，对空调能耗预测精度要高于建筑能耗预测；LSTM、GA-BP算法对建筑能耗预测精度高于空调能耗预测。
参考文献（略）
