打开文本图片集

摘 要：在乡村振兴和美丽中国建设过程中，村镇燃煤供暖居住环境是重要的一环，当前针对供暖室内环境评价方面的研究比较欠缺，为了对燃煤供暖室内环境进行科学和客观的评价，本文提出了基于BP神经网络的室内环境评价模型。首先对燃煤供暖室内环境的主观感受和空气质量指标进行细分，构建了环境评价指标体系并进行赋值，最后设计BP网络模型进行学习和训练，结果表明，评价结果更客观、更科学地反映了村镇燃煤供暖人居环境，本方法和模型可实际运用。

关键词：BP神经网络；燃煤供暖；环境评价

1.前言

着生活水平不断改善，人们对生存环境关注度越来越高，室内环境与人们生活息息相关，室内环境好坏直接影响到人们生活质量。在乡村振兴政策的实施中，村镇中生物质的取暖利用和村民居住环境受到了广泛关注。我国华北、东北地区各类村镇的地理、地貌特征复杂，加之经济发展相对落后，村镇居民主要依靠生物质的燃烧进行取暖，取暖方式较南方地区整体落后，这种生物质燃烧方式取暖存在健康性不佳、能耗大和舒适性等诸多问题，取暖住宅室内环境亟需有待提升。国内外在村镇燃煤供暖环境评价方面开展了丰富研究，一些发达国家已相继利用物联网技术实现了村镇建筑能耗信息及室内外环境远程监控。比如，简毅文从室内热环境和空气品质 2 个方面对北京房山区农宅的室内环境进行了主观调查和现场测试［1］，Yonezawa 针对日本家用生物质火炉采暖方式下室内热环境进行了评价［2］。通过这些文献资料可以发现影响农村地区农宅的热需求因素有很多，一方面受到气候条件、建筑特点、火炕供暖系统效率等客观因素影响；另一方面也受到村镇居民冬季供暖方式的直接影响，比如可由标准煤供暖、空调供暖改为生物质+标准煤或生物质+空调的供暖方式，这种供暖方式可以大大减少二氧化碳总量的排放，且具有较好的经济性。室内空气环境质量是室内环境质量好坏的重要衡量指标，室内环境水也影响着人们的身心健康。因此，建立一套能够全面描述和反映村镇燃煤供暖环境特征的指标体系，以便科学、客观评价和监控村镇燃煤供暖环境水平显得十分紧迫和重要，这对助力现代村镇向绿色化、低碳化的高质量发展，建设美丽中国有着重要的理论和现实意义。常见的评价方法主要有调查表法和主成分分析法、模糊数学法、层次分析法等。这些方法的不足之处在于：评价过程中人为设定各种因素的权重，人的主观因素成分比较大，容易导致决策失真。为解决这一问题，本文采用一种具有自学习、自适应能力特点的基于BP神经网络的环境评价方法。

2.BP人工神经网络

BP神经网络，又称反向传播神经网络，是以BP（Back-Propagation，反向传播）算法为学习算法的多层前馈式神经网络。

BP（Back Propagation）网络是1986年由 Rumelhart 和 McCelland 为首的科学家小组提出[5]，是一种按误差逆向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络算法的学习过程是由正向传播和反向传播两部分组成。在正向传播过程中，输入信息从输入层经隐含层，传向输出层，每一层神经元的状态只影响下一层神经元的状态，同层之间各神经元没有连接。如果在输出层不能得到期望输出，则转入反向传播过程。反向传播是将输出误差以某种形式通过隐含层反传向输入层，并将误差分摊给各层的所有单元，并根据各层单元的误差信号，修正各单元权值，不断调整网络的权值和阈值，训练BP神经网络以使网络的误差平方和最小。

一个三层的BP网络模型，包括输入层（input layer）、隐含层（hide layer）和输出层（output layer）。其中为BP网络输入层的输入值，为中间隐含层的输出值，为输出层的输出值。为输入层到隐含层的连接权值，为隐含层到输出层的连接权值。为隐含层节点的阀值，为输出层节点的阀值。

期望输出与实际输出之间的方差为误差为：

具体的学习过程如下：

（1）初始化神经网络各层之间的连接权值和神经元的阈值，设定网络基本参数，如学习步长、误差精度等。准备输入训练样本数据集合，并对指标进行标准化处理。

（2）输入样本集合，对网络模型进行训练。设输入样本，输入层与隐含层之间的连接权值为，隐含层神经元的阀值为，为神经元输入与输出之间的转换函数，有线性、正弦、双曲正切、阈值型、半升梯型和Sigmoid型函数（简称为S型转换函数）。Sigmoid型函数由于对线性和非线性问题都能很好的适应，应用最广泛，其函数形式如下式所示：

隐含层各神经元的输出值的公式为：

（4）计算实际输出与期望输出之间的误差，并与预先设定的误差值比较。如果计算的误差值小于设定误差，则回到步骤（2），选取下一个样本进行训练；反之，转入反向传播过程，按照误差调整的原则，即使误差减小到设定水平，调整和修正网络各层的连接权值。输出层的连接权修正公式如下：

（5）如果网络的全局误差小于设定误差，则结束训练。否则，重新开始以上的步骤。

由于BP算法具有良好的非线性逼近能力、自学习能力、自适应能力、容错性等优点，因此被广泛应用于神经网络中。据统计显示，在实际应用中，近90%的人工神经网络采用的是BP网络或者其变化形式[3]。

1.村镇燃煤供暖环境评价指标体系和模型设计

为了准确分析华北地区农村燃煤供暖方式下农居的室内空气环境和品质，本文以择河北省迁安市马兰庄镇 20个供暖农居作为研究对象，通过实习走访和定时测量方法获取试验相关数据。

2.1 居民对室内环境的主观感受体现

居民对室内环境的评价包括居民对供暖期室内温度和湿度的主观感受和期望、供暖期感冒次数、供暖后室内空气气味、身体感受以及窗户凝水情况。具体而言，室内温度的主观感受分为四个方面，分别是“热”、“温暖”、“稍冷”和 “冷”；湿度分为“潮湿”、“有点潮湿”、“正好”和“干燥”；气味项包括 “霉味”、“烟草味”、“煤气味”和“令人不愉快的其他气味”；供暖特有症状包括 “疲劳乏力”、“头重”、“恶心”、“眼睛发痒或刺痛灼烧感”、“鼻子刺痛或堵塞”、 “喉咙嘶哑或干燥”、“面部皮肤干燥或红晕”以及“手部皮肤干燥或发痒”。

2.2 燃煤供暖农宅室内空气质量定量分析

为了准确分析华北地区农村燃煤供暖方式下农居的室内空气品质，本文以择河北省迁安市马兰庄镇 20个供暖农居作为研究对象，通过实习走访和定时测量方法获取试验相关数据。燃煤供暖农宅室内环境主要包括室内温度、湿度、PM2.5、PM10、VOCs、甲醛、TVOC 浓度和CO2 浓度等参数。下面主要阐述室内甲醛浓度、 TVOC 浓度、PM2.5 浓度和CO2 浓度对住宅空气质量的影响。

（1）燃煤供暖农宅室内甲醛浓度

2017年，世界卫生组织国际癌症研究机构公布的致癌物清单中，甲醛被列为 1 类致癌物。2019 年，甲醛被列入有毒有害污染物名录。因此，供暖期间室内空气甲醛浓度是一个重要的空气质量评价指标。所有样本室内平均甲醛浓度变化情况如图1所示。可以看出，农户供暖期甲醛浓度变化虽然也呈现出一定周期性，但是每个周期波动特征并不一致，另外，其波动呈现出极大值和极小值差别较大，即波幅大，且上升速率和下降速率均比较大的特点。具体而言，室内平均甲醛浓度极小值和极大值分别出现在 9：00～11：00 和19：00～20：00。根据 GB /T18883—2002《室内空气质量标准》中的标准值（0.1 mg/m³），可以看出甲醛浓度超标时间在 19：00～20：00。

图2为典型农户（户1）室内甲醛24小时变化趋势，可以看出在这 1 天内，甲醛浓度均处于国家标准以下。甲醛浓度的极大值点出现在 8：00、13：00 与19：00～20：00 时间段，与农户炊事时间高度重合，基本处于三餐后 1 个小时，这说明农户炊事活动对室内甲醛浓度的影响比较明显。

（2）燃煤供暖农宅室内 TVOC 浓度

TVOC 是指室温下饱和蒸气压超过了 133.32Pa 的有机物，其沸点在 50℃至250℃，在常温下可以蒸发的形式存在于空气中，它的毒性、刺激性、致癌性和特殊的气味性，会影响皮肤和黏膜，对人体产生急性损害。图4显示的是被监测农户室内 TVOC 浓度变化的特性图，图中可以看出供暖期间，TVOC 浓度呈现出较强的周期性波动规律，另一方面，对比 TVOC 0.5mg/m³的标准，可以看出，其平均浓度在整个供暖期都处于超标状态，当浓度达到极值时，浓度达到标准值的 2.6-3.6 倍之多，超标情况比较严重。通过对比室内温度与 TVOC 的关系可以看出，室内温度极值出现的时间早于 TVOC 极值出现的时间，从 TVOC 和室内温度平滑曲线可以看出，其具有类似的变化趋势，且平滑曲线极值出现的时间基本一致。因此，可以得出的结论是 TVOC 浓度与室内温度呈现出高度正相关的关联特性，较高的室内温度意味着较大的供暖负荷，而燃煤的燃烧产物则引起了较高的 TVOC 浓度。

（3）燃煤供暖农宅室内PM2.5 浓度

根据大量研究表明[4]，大气细颗粒物（PM2.5）污染是一个突出的区域问题，受当地排放、区域运输和排放源产生污染物的二次形成问题的影响，不仅对能见度和气候有直接的影响，对人体健康的危害也巨大。相关研究表明，暴露人群的健康与大气细颗粒物浓度之间的具有很强的相关性，尤其是能够渗透入肺泡区域的亚微米颗粒[5]（空气动力学直径不大于 1μm，PM1）。颗粒物粒径越小，随呼吸进入呼吸系统的位置越深。与其他大气颗粒物相比，PM2.5的毒性更大，因为它的比表面积更大，与人体组织的接触面积相应增加。大量研究证明[6]，PM2.5 会使心血管系统疾病患病率增加，甚至病死率也有受到不同程度的影响。

室内、外平均 PM2.5 浓度变化情况分别如图5 所示，据 GB /T18883— 2002《室内空气质量标准》，室内 PM2.5 浓度标准为 75 μg/m3，图中用水平直线表示。整体而言，监测期内的大部分时间，上述细颗粒物浓度处于超标状态，而且极值浓度下，超标情况严重，另一方面，对比室内外 PM2.5 浓度平滑曲线，可以看出室内外PM2.5 浓度存在较强的关联特性。具体而言，室内 PM2.5 浓度的极小值出现在 5：00～6：00 和 15：00～16：00，极大值出现在 8：00～10：00 和 18：00～20：00，与农户炊事时间高度重合。由图可知 PM2.5 超标时间均在 8：00～13：00 和 18：00～22：00。对比室外参数，可以看出室内浓度大多数情况下高于室外浓度。

图6为典型户（户 1）PM2.5 浓度的变化趋势，可以看出第一天 PM2.5 浓度分别从 7：00、12：00 和 18：00 开始上升，到 9：00、13：00 和 21：00 达到极大值， 第二天 PM2.5 浓度的极大值与前一天基本一致，与炊事时间高度重合，并且除了炊事时间外其余时间 PM2.5 浓度大都在标准以下。

（4）农宅 CO2 浓度

CO2 浓度也是评价室内空气质量的重要指标，也是人体新陈代谢排放产生的气体，一般而言其对个体没有毒害，但在人员密集场所或室内通风不良时，则会使人体产生不适应现象[6]。当 CO2 浓度达到 1 000 ppm 以上时，会使人产生困顿感，当人在 CO2 浓度达到 5 000 ppm 的环境下连续超过 8 小时，将会严重损害人的生命健康[7]。

室内平均 CO2 浓度变化情况如图8所示，可知 CO2 浓度呈现周期性波动规律，室内 CO2 浓度极小值和极大值分别出现在 8：00～10：00 和 0：00～3：00。对比 GB /T18883—2002《室内空气质量标准》中的标准值（1 000 ppm），超标时间大多集中在 21：00～6：00，原因在于这段时间为休息时间，活动量最小，农居处于相对密封的环境中[8]。

图9为典型户（户9）监测期内 CO2 浓度 1天的变化趋势，可以看出在 12：00 与 19：00 分别出现了 2 个极大值，与农户炊事时间高度重合，但是该极大值并未超过标准值，其超标时间在 21：00～7：00。

2.2 评价指标体系

研究从指标体系的构成出发，将燃煤供暖农宅室内环境评价指标体系分为目标层、准则层、一级指标和二级指标层，评价体系分2大类，共计8个指标。指标体系及赋分标准如表1所示。

2.3 村镇燃煤供暖环境评价BP网络模型设计

合理确定网络层数与各层的神经元数，是成功应用BP网络模型的关键之一。G.Cybenyo等人证明，具有一个隐含层的神经网络能够以任意精度表示任何连续函数，实践表明采用两层以上的隐含层没有任何益处，一个4层BP网络可以以任意精度去逼近任意映射关系。因此，本文采用4层BP网络结构，包括一个输入层、两个隐含层和一个输出层。

（1） 输入层单元数

根据建立的指标体系，将25个指标值作为网络输入，由于本模型中涉及的指标体系既有定量指标，又有定性指标，所以在进行输入节点输入时，先将指标根据表2-1中的评分规则进行转换，以便于网络模型的应用。

（2） 隐含层单元数

在实际操作中，隐含层单元数的选择是一个复杂的问题，与输入输出单元的多少都有直接关系，往往需要多次试验来确定。常用下面三个公式确定：

其中为输出神经元数，为输入神经元数，为1-10间的常数。

为输入神经元数。

本文通过设计一个隐含层神经元可变的BP神经网络，以确定最佳的隐含层单元数。

（3） 输出层单元数

输出节点对应于评价结果，在建立的模型中，最终的结果是一个评价数值，一个代表不同的风险程度的综合评价分数，取值范围[0，1]。输出层分值越低，说明风险越高；反之，分值越高，风险越低。

（4）训练函数的选择

训练函数有traingdx函数、traingd函数和trainlm训练函数，根据谭庆美，吴金克，赵黎明等人的研究，trainlm函数的训练收敛速度最快，平均误差最小。

3. BP模型的训练

采用本文BP 神经网络模型对 8个评价因子归一化数据的训练过程中，运用Matlab7.1软件模拟仿真，其中前15组数据作训练样本，后5组作检测样本。设定学习速率为0.05，误差为0.01。将5个检测样本的相应指标输入模型，得到表1所示的输出结果，检测结果与专家评价结果基本相符。误差为0.0058在设定范围以内，满足要求。这样，该风险评价的人工神经网络模型已经学习训练成功，可以用此模型进行风险数值评价。

4. 结论

村镇燃煤供暖环境是乡村振兴战略中的重要环节，也是建设美丽中国的重要体现。为了解决当前燃煤供暖住宅室内环境评价方面的研究不足，本文设计了基于BP神经网络的燃煤供暖室内环境评价体系和计算模型，将室内环境主观感受和空气质量客观指标有机结合起来，作为BP神经网络的输入，室内环境总指数作为BP神经网络的期望输出，通过实例训练网络，对该模型进行验证检测，结果表明，评价结果更客观、更科学地反映了村镇燃煤供暖人居环境，本方法和模型可实际运用。

参考文献：

[1] 简毅文，朱赞，施兴旺.北京地区农宅室内环境的研究[J].建筑科学，2010，26（06）：40-43，86.

[2] Seiya Y，Masayuki M，Hisashi M. Measurements and assessment of indoor thermal environment with a wood stove[J].Journal of Technology ＆ Design，2016，22（50）：171-176.

[3]程磊，赵昊，耿剑统，王泽华.基于ＢＰ神经网络的矿井热环境评价体系研究[J].中国矿业，2020，２９（４）：154-155.

[3]刘杰.北京大气污染物时空变化规律及评价预测模型研究[D].北京科技大学， 2015.

[4]陈仁杰.复合型大气污染对我国 17 城市居民健康效应研究[D]. 复旦大学， 2013.

[5]郭西龙.颗粒物在人体肺部沉积规律及影响因素研究[D].中南大学， 2013.

[6]MOHAMMED M， SONG W W， LI M W， et al. Potential Toxicological and Cardiopulmonary Effects of PM2.5 Exposure and Related Mortality： Findings of Recent Studies Published during 2003-2013 [J]. Biomedical and Environmental Sciences， 2016.

[7]刘鸣， 任静薇， 连超丽， et al. 城市居住建筑室内CO2 分布特性研究[J]. 大连 理工大学学报， 2017， 57（6）： 6

[8]白莉， 李春辉， 贺梓健， et al. 东北农村居住建筑冬季室内空气污染研究[J]. 吉林建筑大学学报， 2019， 36（4）： 6