湖南大学开题报告.docx

湖南大学开题报告.docx

《湖南大学开题报告.docx》由会员分享，可在线阅读，更多相关《湖南大学开题报告.docx（14页珍藏版）》请在冰豆网上搜索。

湖南大学开题报告

硕士研究生培养材料之

湖南大学硕士研究生毕业（学位）论文开题报告

姓名

***＞学号*********

已修学分

32

所属学院

土木工程学院

一级学科

土木工程

一级学科

供热、供燃气、通风及空调工程

指导教师

***教授

开题时间

2014.01

研究方向

围护结构的节能技术

论文题目

公共建筑分类方法及冷负荷预测的研究

、文献综述

我国正处于快速城镇化发展阶段，以小区形式的建设并建有区域供冷供热系统的建筑越来越多。

与单体建筑相比，区域建筑供冷供热系统比较复杂，投资大，耗能高。

区域建筑冷热负荷预测是建筑区域用能规划和区域供冷供热系统设计阶段负荷计算的基础和关键。

目前，国内外关于单体建筑冷热负荷预测方法比较成熟，主要有基于历史数据的外推法和数值模拟预测方法。

区域建筑是由多种不同类型和功能的建筑组成，故其负荷预测方法和单体建筑有所不同。

区域供冷供热系统建设通常分为规划与方案、初步设计、施工图设计、施工建设、运行管理等环节，在不同阶段，所知条件不同，冷热负荷预测的精度要求也不同。

一、区域建筑冷热负荷预测常用方法

1•单位面积指标法。

通常的计算方法主要是采用单位面积指标法估算出各单体建筑的负荷，再把各单体建筑的负荷简单叠加，然后乘以同时使用系数。

此方法是一种静态的估算方法，在对区域建筑负荷预测时存在不足，因为区域内所有建筑同时出现多个影响因素的概率很小，采用单位面积指标法必定会高估区域总负荷。

1992年,李永安分析了建筑构造、使用功能、建筑朝向、建筑高度、窗墙比等因素都会影响空调建筑出现设计冷负荷的时刻，致使各个房间乃至各幢建筑出现空调设计冷负荷的时刻不尽相同，探讨了单幢建筑、建筑群空调设计冷负荷的统计方法，指出建筑群的空调设计冷负荷应取各幢建筑逐时冷负荷叠加以后的最大值。

2.基于历史数据的外推法。

基于历史数据的外推法以大量历史能耗数据为基础，利用统计分析及相关数据处理等技术，得出负荷与影响因素的关系，建立负荷预测模。

此方法主要有回归分析和人工智能的方法。

2.1.回归分析。

自1984年Forrester等人利用多元线性回归的预测方法完成对某商业大厦空调电力需求的预测至今，国内外专家学者多次尝试应用此方法对建筑冷热负荷进行预测研究。

2002年，Dotzauer等利用统计回归方法得出区域系统热负荷与室外温度和人类行为两个主要因素的简单模型，利用此模型预测斯德哥尔摩某区域热系统负

荷，与其测量值比较在误差允许范围内，验证了此简单模型的实用性。

2008年，Pedersen等［11］基于测量的区域热电值来预测建筑区域的热电负荷，其中热负荷采用分段线性回

归分析，得出依赖温度与不依赖温度的两部分的回归方程来指导多能源系统能源规划。

2.2.人工智能。

人工智能（ArtificialIntelligenee）预测方法包括人工神经网

络（ANN、支持向量机（SVM和灰色理论（GreyTheory）等方法。

1991年，Kreider和Wang最早将神经网络方法引入到建筑物空调设备能耗预测工作中。

此后，国内外学者广泛展开了神经网络预测模型的研究。

2010年,蒋小强和龙惟定通过对某区域供冷系统冷冻水供回水温度及流量进行实测得到并分析实际逐时冷负荷，然后建立改进的人工

神经网络负荷预测模型对该区域进行负荷预测，结果表明人工神经网络算法得出的负荷

预测值与实际值较吻合。

2.3.数值模拟预测方法。

随着计算机的发展，建筑能耗计算从手算发展到详细的计

算机逐时计算，建筑能耗软件也不断更新发展。

利用能耗计算软件进行负荷预测，建筑物模型的建立是关键。

由于区域建筑类型和数量较多，在保证计算精度的基础上，为了大大减少负荷计算的工作量，通常采用建立典型建筑模型进行负荷模拟预测。

建立各类建筑的典型建筑模型（PrototypicalBuildingModel）（指能够反映当前社会该类型

建筑的建筑形态、建筑规模、建筑围护结构构成、建筑内扰情况等的代表性建筑），然后利用能耗模拟软件对其进行模拟得到各类建筑单位面积负荷特性曲线，再利用自下而

上的

方式（Bottom-up）扩展获得区域建筑内整体负荷。

2000年，Huang等人将1991年统计出来的既有建筑按时间年代、使用功能、地点、建筑规模等不同分成481类建筑，建立典型建筑，输入GRI已调查出的数据，用DOE-2进行模拟，得出的建筑单位面积负荷扩展获得了各类建筑总冷热负荷，进而用来评价全美建筑总冷热负荷。

2004年，Chow等利用此法对香港九龙地区东南部一个开发新区进行了负荷预测，指导区域系统方案的确定，取得较好的效果。

2008年，瞿燕等采用能

耗分析软件DOE-2对上海世博园区的部分建筑群进行动态负荷预测，通过研究世博会期间逐时空调动态负荷、空调负荷率的时间分布、月空调负荷、设计日逐时负荷等，分析了世博园区各建筑群的空调负荷特性。

2011年，韩传忠、端木琳建立典型建筑的动态负荷数据库用于城市能源规划期的负荷预测。

3.其他方法。

2008年，龙惟定指出，正确的区域冷负荷预测应采用情景分析方法。

苑翔等应用情景分析法把室外气候条件和建筑内负荷强度分别设置若干情景，并列出不

同功能建筑的使用时间表，通过分析不同建筑在同一时刻出现的不同情景确定区域建筑总冷负荷。

2009年，苑翔和龙惟定首先假设单体建筑都是具有相同朝向或朝向成90°

且具有相同建筑材质的矩形建筑，通过分析建筑冷负荷的组成及影响因素，将区域建筑整合为表征只有内外扰冷负荷分布的特征建筑，然后利用能耗模拟软件进行模拟，得出逐时负荷，表明区域建筑冷负荷预测可以转化为其特征建筑的冷负荷预测。

2010年，王

振江提出一种基于建筑空调负荷指标和气象参数的负荷因子法，分别计算建筑围护结

构负荷、新风负荷、人员负荷、照明负荷及设备负荷，逐时叠加获得总的建筑空调负荷；利用负荷因子法对北京地区办公建筑空调负荷进行了预测，预测得到的该类型建筑空

调负荷的动态特性与实际运行的空调系统的负荷变化规律是一致的，说明了该方法在

预测空调负荷的动态变化规律上具有一定的可行性。

二、区域建筑冷热负荷预测方法对比分析

面积指标法是一种静态估算法，不能用于动态计算。

区域建筑逐时的动态负荷计算有利于能源规划和区域能源系统方案的设计，提高建设项目的能源利用率。

回归分析预测法，预测简单，但是预测精度往往不高。

人工智能预测方法有其非线性处理优势，神经网络与其他方法相结合更能提高预测精度，是将来预测的趋势。

基于历史数据的外推法是传统应用广泛的方法，需以大量的建筑能耗审计数据作为基础，物理意义不明显。

对于区域建筑，需要大量的对某类建筑或整体区域的逐时能耗统计数据。

目前，国内这方面的统计还很不到位，因此做好建筑能耗审计工作，积累足够的能耗数据是这类预测模型的基础。

数值模拟是通过建立建筑模型，输入准确的气象参数和建筑的详细信息及设计参数，便可较快地得到动态负荷。

然而区域建筑需建立不同类型建筑的模型，计算量往往利用建立典型建筑的负荷预测方法既能够用于既有建筑来统计大型区域整体能耗，也适

合用于预测新建建筑在无大量历史能耗统计数据以及无详细的建筑信息规划期的负荷。

情景分析法需要设定多种不同情景，会增加分析的复杂度，建筑内部负荷强度的量

化还存在问题。

负荷因子法和整合成虚拟建筑方法都进行了大量的假设，计算复杂，预测精度不高，还处在发展改进中。

三、结论与展望

综上所述，由于采用能耗模拟软件预测建筑负荷需要输入的参数多且耗时长，不被人们所使用，而人们倾向采用的单位面积指标法计算精度小造成耗能，所以在不失计算精度的基础上简化计算方法，分析负荷影响因素，是现阶段预测建筑冷负荷的主要研究内容。

、选题背景及意义

随着世界性能源危机的加剧和我国正处于城市化进程阶段，建筑群越来越多，关注建筑区域的能耗已是公共建筑节能的重中之重。

区域建筑用能规划对节能减排具有重要的意

义，能够合理用能、科学用能、综合用能、集成用能。

由于节能减排形势的紧迫，在中国由分散制冷向集中制冷，现又向区域供冷发展，已形成一个趋势。

然而区域建筑冷负荷预测是区域建筑用能规划和设计区域供冷系统的基础和关键。

在低碳城市建设中，为了集成应用可再生能源和“未利用能源”，需要在区域层面上考虑能源系统，需要在规划阶段对区域内所有建筑冷负荷有明确的预测。

因此准确预测区域建筑冷负荷从而避免

规划时冷负荷过大时急需解决的问题。

现行的区域规划阶段采用指标概算法进行建筑空调冷负荷的预测。

该方法采用单位

面积负荷指标法估算出各单体建筑的负荷，再把各单体建筑的负荷简单叠加，然后乘以同时使用系数，此方法是一种静态的估算方法，存在很多问题。

在区域级别上，区域内所有建筑同时出现多个影响因素的概率很小。

因此，使用负荷指标法必定会高估区域总负荷，造成能源的浪费。

为了更好的使用单位面积负荷指标值计算公共建筑冷负荷，本文结合中国特殊的气

候分布和建筑传统，以公共建筑为基础，根据不同气候区的建筑特点和负荷影响因素建立一系列基准建筑分类模型，借用能耗模拟软件DesignBuilder对其进行全年动态负荷特性分析，构建公共建筑冷负荷指标数据库，为公共建筑冷负荷预测提供参考

三、研究的主要内容

1.典型建筑模型的建立

典型建筑是指能够反映当前社会该类型建筑的建筑形态、建筑规模、建筑围护结构构成、建筑内扰情况等的代表性建筑。

区域规划阶段，没有具体的建筑信息用于冷负荷的模拟计算，这就需要构建一种典型的建筑作为冷负荷模型的基础。

（1）建筑的分类。

区域内建筑是由不同使用功能和使用功能相同但规模不同的建筑组成。

研究和调查建筑的不同使用功能和建筑规模等指导建筑的分类。

（2）确定不同建筑类型冷负荷的影响因素并工程模拟模型的输入参数。

可将影响因素分为建筑本身的物理因素、内扰因素和外扰因素来分析。

由于地域性的区别，首先按照中国气候的五个分区，基于当地的气候条件和风俗习惯进行分类。

然后同一种类建筑按建筑的可能朝向、围护结构、体形系数、窗墙比、人们生活习惯、照明、室内外设计参数、新风量等进一步分类。

2.典型建筑的工程模拟。

用能耗模拟软件建立典型建筑模型，模拟计算出不同类别典型建筑的负荷特性并适当处理。

3.典型建筑的输出负荷的校准。

标准建筑负荷强度和样本的置信度。

4.利用自上而下的方法从单体建筑负荷扩展到建筑群的负荷。

校准后的典型建筑负

荷特性形成数据库，利用该数据库计算得到供冷供热建筑区域在规划阶段的动态负荷。

四、工作的重点与难点，拟采取的解决方案

工作的重点与难点

1）区域内建筑是由不同使用功能和使用功能相同但规模不同的建筑组成的。

建筑的分类有多种方式，合理地对建筑区内建筑分类是本文的首要之题，关乎于建筑总体负荷预测的准确性。

2）典型建筑的模型建立与输入参数的确定。

典型建筑要能代表该类建筑的基本特征，特别是负荷特性。

但是典型建筑并不是实际存在的建筑，它是集这类建筑于平均的一个代表虚拟建筑。

典型建筑的输入参数，如：

体形系数、朝向、窗墙比、围护结构、建筑人员、照明、设备、新风量、室内设计参数等会因地域性的不同而不同，也会因建筑的不同和不同。

3）由于试验的随机性以及分类的概括性，为了尽量减少预测误差。

有必要对输出负荷进行校准。

解决对策

1）分析影响负荷的主要影响因素和敏感性，可按照建筑的不同的使用功能和建筑规模指导建筑的分类。

分类依据主要考虑建筑的负荷特性不同。

2）通过调研或各地的节能规范（采用限值），确定建筑模型的朝向（各地有适合当地的最佳朝向）、建筑的体形系数、窗墙比、建筑的围护结构（R值）、人员、设备、照明、新风量、室内设计参数等。

室内空间布局可根据调研出典型的具有代表的这类建筑的普遍布局。

3）用典型建筑的输出的负荷特性与以往统计能耗数据进行对比分析，当然这里只对比负荷强度。

如果有较大误差，则需检验并调整典型建筑的模型或模拟输入的参数。

五、论文工作量及进度

工作量:

论文计划写3-5万字，总体研究时间大概安排为16个月

进度安排:

2014.1—2014.2

通过查阅大量文献和调研完成相关资料的收集，按本文需要将区域建筑分类。

2014.2—2014.3

根据已有的文献资料验证论文的可行性并初步建立典型建筑模型。

2014.3—2014.6

通过实地调研或各气候区各建筑的节能标准确定典型建筑的输入参数并进行模拟。

2014.6—2014.7

输出的动态负荷曲线进行校核，误差较大的进行模型调整。

得出较为准确的动态负荷曲线。

2014.7—2014.10

以一案例为分析，验证和分析此方法的可用性以及存在的问题。

2014.10—2015.3

在导师的指导下，根据实验数据和已学习的理论知识，确定毕业论文框架，并上交毕业论文初稿。

2015.3—2015.5

修改和校核毕业论文，在导师指导下完成终稿，准备答辩。

（本表可附页）

六、论文预期成果及创新点

预期成果：

1）建立各类典型建筑，能比较准确的代表负荷特性相近的这类建筑。

2）得出各类典型建筑比较准确的动态负荷特性曲线（预测因子），为建筑区域的整体负荷预测提供预测因子。

为区域负荷预测软件开发提供依据。

3）发表1~2篇论文。

创新点：

1）建立一系列基准建筑模型，代表一类建筑的负荷特性，用工程模拟与统计学的方法相校准的方法得出比较准确的负荷预测因子，形成典型建筑负荷特性动态数据库，利用该数据库计算得到供冷供热建筑区域在规划阶段的动态负荷。

2）

2）通过数据库的建立，可以扩展得到各个地区不同气候区的建筑区域负荷

（本表可附页）

七、完成论文拟阅读的主要文献

[1]许旺发，张旭.办公建筑能耗动态模拟研究[J].建筑热能通风空调，2006,25

（1）:

15~18

[2]何大四，张旭等.常用空调负荷预测方法分析比较[J].西安科技大学学报，2006,

38

（1）：

125~129

[3]梁哲诚，陈颖等.广东市3栋商业建筑冷、热、电负荷特性分析[J].建筑科学，2012,

28（8）,13~20

[4]陈文鼎，赵哲身.基于BP神经网络的空调负荷预测[J].节能技术，2010,28（159）15~17

⑸李琼，孟庆林•基于RBF神经网络的建筑逐时空调负荷预测模型[J].华南理工大学学报，2008，36（10）:

25~30

[6]徐哲恬，潘毅群等•基于能耗模拟的某校园供冷供热系统规划[J].建筑节能，

2013,3:

13~19

[7]马涛，徐向东.基于小波网模型的区域供热系统负荷预测[J].清华大学报，2005,45

（5）:

708~710

[8]周树贵，张九根等•基于遗传神经网络的冰蓄冷空调系统负荷预测研究[J].化工自

动化及仪表

[9]李琼，孟庆林等.基于支持向量机的建筑物空调负荷预测模型[J].暖通空调，

2008,38

（1）：

14~18

[10]董智慧，刘凡等•建筑窗墙比对办公建筑冷（热）负荷的影响分析•建筑节能，2008,3:

6~8

[11]李爱旗，白雪莲等•居住建筑能耗预测分析方法的研究•建筑科学，2007,23（8）：

32~35

[12]杜进荣，朱能等.民用建筑供热负荷的神经网络法预测.煤气与电力，2001,21

（1）：

16~19

[13]韩传忠，端木琳等•区域供冷负荷预测模型的建立•建筑热能通风空调，2012,31

（1）:

9~11、85

[14]蒋小强，龙惟定等.区域供冷系统逐时冷负荷的分析及数值预测.中南大学学报，

2010,41

（1）

[15]张晓彤，刘金祥等•区域建筑冷热负荷的影响因素敏感性分析及预测方法研究[J].

建筑科学，2013,29（8）

[16]瞿燕，潘毅群等•上海世博园区空调动态负荷预测与研究•暖通空调，2008,38（10）

[17]侯余波，付祥钊.夏热冬冷地区窗墙比对建筑能耗的影响•建筑技术，32（10）

[18]王振江，端木琳,李祥立,王仁瑾.基于城市能源综合规划的建筑空调动态负荷预测方法探讨[A].全国暖通制冷2010年学术年会论文集[C],2010

[19]KevinK.W.Wana,K.L.Cheungetal.lmpactofmodelledglobalsolar

radiationonsimulatedbuildingheatingandcoolingloads.Energy

ConversionandManagement,50（2009）662-667

[20]F.W.H.Yika,J.Burnettetal.Predictingair-conditioningenergy

consumptionofagroupofbuildingsusingdifferentheatrejection

methods.EnergyandBuildings33（2001）151-166

[21]QiongLia,b,QinglinMengetal.Predictinghourlycoolingloadinthe

building:

Acomparisonofsupportvectormachineanddifferentartificial

neuralnetworks.EnergyConversionandManagement,50（2009）90-96

[22]HaixiangZhao，Fred広icMagoules.Areviewonthepredictionofbuilding

energyconsumption.RenewableandSustainableEnergy

Reviews.2012:

3586~3592

[23]A.Badri,Z.Ameli,A.MotieBirjandi.ApplicationofArtificialNeural

NetworksandFuzzyLogicMethodsforShortTermLoadForecasting.EnergyProcedia14（2012）1883~1888

[24]AbdullatifE.Ben-Nakhi,MohamedA.Mahmoud.Coolingloadpredictionforbuildingsusinggeneralregressionneuralnetworks.EnergyConversionandManagement,45（2004）2127-2141

[25]ZhijianHoua,ZhiweiLianetal.Cooling-loadpredictionbythecombination

ofroughsettheoryandanartificialneural-networkbasedondata-fusion

technique.AppliedEnergy83（2006）1033-1046

[26]YongjunSun,ShengweiWangetal.Developmentandvalidationofasimplified

onlinecoolingloadpredictionstrategyforasuperhigh-risebuildingin

HongKong.EnergyConversionandManagement,68（2013）20-27

[27]Sung-HwanCho,Won-TaeKimetal.Effectoflengthofmeasurementperiod

onaccuracyofpredictedannualheatingenergyconsumptionof

buildings.EnergyConversionandManagement45（2004）2867-2878

[28]L.Suganthi,AnandA.Samuel.Energymodelsfordemandforecasting—Areview.RenewableandSustainableEnergyReviews,16（2012）1223T240

[29]Ping-FengPai,Wei-ChiangHong.Forecastingregionalelectricityload

basedonrecurrentsupportvectormachineswithgenetic

algorithms.ElectricPowerSystemsResearch74（2005）417-425

[30]HongzhanNIE,GuohuiLIUetal.HybridofARIMAandSVMsforShort-TermLoadForecasting.EnergyProcedia16（2012）1455-1460

指导教师意见

指导教师签名：

二00

年

月

日

评议

由学院主管领导确定

3~5名具有高级职称的教师为评议小组成员

组长：

小

组员：

、

、

、

、

组

名单

（公章）

主管领导签名：

二00

年

月

日

1、论文选题：

□f理论意义；

□c工程背景；Or实用价值；□意义不大。

评

2、论文的难度：

□偏高；

匚适当;

□偏低。

议

3、论文的工作量：

□偏大；

匚适当；

□偏小。

小

4、研究方案的可行性：

匚好；1—好;口^般；［

孑可行。

5、研究生对文献资料及课题的了解程度：

□子;

0较好；

□般；

□较差。

组

6、研究生在论文选题报告中反映出的综合能力和表达能力：

□子；

□较好；

口般；

□较差。

意

7、研究生在论文选题报告中反映出的创新能力：

□子;

□较好；

口般；

□较差。

见

&对论文选题报告的总体评价：

□子;

0较好；

□般；

□较差。

（在相应的方块内作记号“

V”

评

议

结

论

评议小组组长签名：

二00

年

月

日