外文翻译Word格式文档下载.docx
《外文翻译Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《外文翻译Word格式文档下载.docx（8页珍藏版）》请在冰豆网上搜索。
2.2社会学因素的影响……………………………………………………1001
3．不同的方法进行电力系统的负荷和能量估计……………………………1002
3.1．整体的方法……………………………………………………………1003
3.1.1。
回归分析的统计分析方法……………………………………1003
3.1.2．能源仿真程序………………………………………………1003
3.1.3规定情形：
智能电脑系统…………………………………1004
3.2．比较不同的方法论………………………………………………1004
3.3．能源和负载的估计方法……………………………………………1005
3.3.1．CDA……………………………………………………………1005
3.3.2．EM……………………………………………………………1005
3.3.3．NN……………………………………………………………1006
3.3.4．比较几种方法………………………………………………1006
4。
结论………………………………………………………………………1006
引用………………………………………………………………………1007
1．介绍
能源规划是一项复杂的工作,包括许多不确定性，如可用的能源资源和能源载体、分布式系统、峰值载荷、载荷型材和总能量的需求。
负荷和能源需求可以使用多种方法估计。
问题是,什么方法才能解决使选择的能源规划对他（或她）所预测的最大载荷、载荷轮廓和总能量的需求为所在地区的问题呢?
能源规划者需要这个信息能塑造一个经济、技术和环境优能源系统从设计和操作[1]。
最大负荷水平意味着能源生产单位必须履行、满足的负荷水平,也有助于建立什么样的现有技术可满足该要求，系统的运行成本和环境影响所附加的能量都依赖于系统的运行。
特定的区域的负荷分布会影响估计系统对一整年的估计,也将向我们展示了优化运行的能量系统。
它是很重要的,估计总能源需求方面可能的开发利用提供在周边地区能源资源。
下面的文本框中指定的方法论之间的区别应用于这篇回顾性文章:
Methodology-基本背景的不同的方法。
Methods-被应用于不同载荷和估计能量方法的技术。
本文首先概述了由气象和社会学的影响热负载和能量估计方法的背景。
最常见的方法,首先是开发了具有一定特色的估计,然后讨论描述的有利条件和不利因素的替代方法,以及在什么时候、什么地方使用它们。
在建筑物荷载和能量估计主要是基于三种方法:
回归分析、仿真程序和智能电脑系统。
在此基础上基础开发实现能源计划者的要求一个接纳了估计的工具。
负荷和能量估计工具等方面有不同要求的输入数据,以及各种。
所有的方法评估需要天气数据和方法的基础上,主要计量的能源数据也需要社会学的数据。
2．气象数据文件和社会学的因素在负荷和能量估计方法中的应用
能源规划,特别是负荷和能源预测、需要大量的背景资料。
这些信息包括客户类型,建筑的大小、控制和维护的能量系统,以及不同使用目的的配置,即空间加热、冷却、电气设备、生活热水等。
然而,一些最重要的影响因素和能源需求的负荷是气候参数以及消费行为。
2.1．气候参数的不同的表现
不同气候参数影响的热负荷及能源需求如采暖、通风和降温;
风的速度和方向以及空间供热和通风;
太阳辐照度和冷却、照明;
白昼时间和云层。
从一个地方到另一个地方气候改变了，以及一年基础上,在任何给定的位置，对气候的确定成一个具有挑战性的工作。
天气数据的表示可以分为年度气象数据文件和简化气象数据文件。
最重要的年度表现测试（试着参考一年）,设计参考（DRY）、典型气象年（TMY）和天气一年）[WYEC能量计算（2、3）。
尝试由1年的实际天气数据挑选出可用的年度天气年录制的。
选择特定的一年,是基于一定的要求。
一年内,包括月平均极低或高温度都将被消除掉。
这一过程一直持续1年依然存在,而今年代表着试一试。
试着不够准确,因此它不能用于能源需求的计算。
试着可以应用在比较不同的设计在改造选择[2]。
DRY是进一步发展的TRY。
它是由8760个小时的记录数据构成一个给定的位置的一年的资料。
后者主要用于模拟计算机程序能处理的地方超过一个气候参数。
包括每小时的DRY气候参数,如全球、扩散和直接正常发光、ＤＲＹ的灯泡和露点温度,云信息、风的速度和方向。
就像ＴＲＹ，ＤＲＹ是利用数据进行计量某一位置在12个月的气象变化。
12月的选择和调整代表一个真正给每个月平均值做为主要气候参数[3]。
TMY,另一方面,代表一种天气数据构造基于一年内的实际气象数据。
每个月由典型或平均月数来度量流量数据。
这个月的长期平均近似条件选择。
因此,TMY是一份12个月内很可能发生在不同年份。
因此,两个相邻的几个月可能会有一个“跳跃”天气条件。
在过渡期，这个数据是使用一个曲线拟合法平滑技术[2]。
过去一年天气的变化情况被称为WYEC年度天气表示法。
这种天气数据文件使用几个月构造表示最接近最近30年的正常情况,其中温度和太阳辐射是考虑的两个主要因素。
有些日子和时间都换成了相应的数据来自同一个月,而是从一个不同的一年,由于相似关系，这种表示方法主要用于长期荷载和能源预测。
每年的代表性气候参数需要大量的数据。
气候的准确性水平表示必须结合负荷和能量估计方法,在能源计划。
例如,大量的气象数据仿真时间将会增加。
有可能会减少模拟时间或许利用简化的天气数据和相应的方法。
兰贝茨[4]提出一个简化的天气文件与14年或者21年,每月7天的数据。
在他们进行了个案研究,他们发现,在巴西之间的差异能量估计模拟试和简化的天气数据文件高达18%。
仿真时间使用简单的数据减少了高达50%。
简化的天气数据文件给了令人满意的结果为建筑与低蓄能,但呈现在Westphal方法论和"
兰贝茨[4]揭示当模拟涉及建筑弱点与具有较高的热质量。
主要的缺点在于简化方法,没有考虑到热惯性的影响对建筑物有一个很大的热质量。
在一些情况下,它也可以使用简化的天气资料如设计的一天。
[5]呈现一个方法选择的设计对能源一天天气文件基于TMY模拟。
选定的设计日不是建立在最不利的天气状况,而是依靠天气条件,给人一种低峰值,以及几个小时的负荷而作废。
天气数据提供了简化的优点,允许使用较复杂仿真程序。
缺点在于输出精度的相应的仿真程序。
表1给出了不同气候表示2.1节中介绍。
使用的一些不同的天气表现的关系都会讨论到。
他介绍的方法进行系统的负荷和能量估计在第3节
能量消耗的数量是非常依赖顾客对能量的态度和意识的。
在不同的消费模式,如建筑类型家庭、学校、办公大楼,是唯一适合那特别的建筑物。
因此,第2.2条，社会学因素的影响取决于他们把时间都花在了什么样的建筑。
消费者将会有更少的影响与自动控制在一幢建筑比他们会在一个手动控制的建筑物。
能源消费意识和态度在家庭消费更有明显,那么在特定情况下很多人可能会同时影响了能源使用,如办公建筑中。
表1介绍了不同气候表现的概况见2.1节
年度表现
年度表现测试（ＴＲＹ）
设计参考年（ＤＲＹ）
典型气象年（TMY）
天气能量计算（WYEC）
简化计算
简化天气文件
设计日
2.2．社会因素的影响
Aune[6],已完成几个现场调查和深入访谈几个人在不同的挪威家庭为了表征不同的消费群体。
她们已懂得,态度和消费并不一定重合,并认为该方法使用能源的消费者认为他们可能无法反映在实际消费。
实际能耗也取决于中国的文化。
[7]已经弄明白了挪威的能源密集是空间加热和照明,而日本的人们用较少的能量用来空间加热和照明。
因此,这一结果在一个更高的能源法案为挪威的家庭从空间加热和照明的消费。
日本人,另一方面,有一个非常能源密集型和极其重要的沐浴文化,这就意味着家庭热水使用占很大一部分他们的能源帐单。
在文化差异、态度和建筑实践是重要的,并且估计时,应该考虑负荷和能耗。
一些方法,如energy-signature方法[8]的基础上,考虑到这一点,而一些建立仿真程序主要集中在建筑上的身体的行为。
根据Richalet孙俐。
[9],一个方法论,为负载y应基于量度估计的能源数据,因为真正的行为的显著不同的建设能从它的设计,由于建筑物的操作系统。
3．不同的方法进行电力系统的负荷和能量估计方法
计算机和计算膨胀在过去40年间曾导致快速发展和改进的计算方法,为负荷和能量估计[10]。
这部分提供了一项调查不同的方法被应用的今天,信息技术为选用的方法。
根据气象和社会学因素在第二章详细介绍了稍后将讨论在这部分的关系,以带来的影响,不同因素对负荷和能量估计方法。
3.1．整体的方法
摘要在分析选定文章,涉及载荷和能量估计,负荷和能量估计方法可以描述为主要基于三种方法:
统计分析方法/回归分析、能源模拟程序和智能电脑系统。
3.1.1．回归分析的统计方法
统计学方法装载和能源预测是基于大量的每小时流量能源消耗资料。
这个概率抽样必须有较高水平的具有统计意义的以满足精度要求的利益相关者/能量计划。
负荷和能量主要是基于线性预测的多元回归分析的或。
进行回归分析建立了相应的数学表达各种不同的因素之间的相关性,如果一个相关事实上都出现了。
此分析也给出了一个估计品质之间的相关性不同能耗的措施,以及气候等参数的负荷和室外温度[11]。
气候以及参数是非常重要的社会学方面的回归分析。
消费者行为是或多或少体现在每小时流量的能源数据,但天气的数据应该在表里提供作为一年一度的代表在具体的位置,气候负载的例子和能量估计方法的性能优于基于统计方法和回归分析USELOAD[12],计算需求分析（CDA）[13、14],芬兰的负荷模型和能量标记法[15][8]。
3.1.2．能量仿真程序
仿真项目“燕要仿效真实”[10]。
因此,在建筑能源模拟需要大量的数据,不仅能准确和详细的描述气候参数的建筑物。
主要模型仿真程序在建筑节能工程包括传输、通风和渗透的损失。
此外,该模型必须综合考虑家庭热水消费以及照明、电器设备及内部热量收益[10]。
仿真程序,主要依据能量在两个不同的建模技术:
一个响应函数法（）或数值方法分析方法。
响应函数算法很好地解决了线性微分方程参数,包括时间不变,而数值方法处理非线性、时变方程系统。
即使程序基于响应函数方法往往容易验证,数值方法是首选,因为他们能解决方程,处理复杂的路径simul-taneously时变系统的相互作用和容纳参数[10]。
主要的数值计算方法,节点网络的代表是这座大楼。
这意味着整个建筑,或某一特定的房间,分为部分每段均由一个节点。
能量守恒方程发展出对于每个节点,而且整个节点网络是解决同时进行。
很多仿真程序是基于节点网络模型的不同只在于,但求解技术[10]。
实例仿真程序的负荷和能量节点网络的基础上,采用EnergyPlusESP-r[10][16]工程方法（EM）[13]。
3.1.3规定情形。
最后,为负载和能量估计方法作一综述文章被称为智能电脑系统,或人工智能,系统包括专家系统和人工神经网络的认识。
两个计算机系统超越直截了当的编程。
决策专家系统”的一个解释“基于数据和一组之间选择。
神经网络（间距NNs）被训练的关系,以一组数据,直到网络承认这些模式提出了。
人工神经网络可以作出预测基于新模式[17]。
后者系统是最适合负荷和能量估计,因为它是能够处理不完整的资料,这很有可能导致能源数据和一些计量气候参数。
也可以解决非线性问题最合适的“yexhibit以及鲁棒性和容错性”[17]。
一个例子是负荷和能量估计方法的基础上,提出了智能计算机系统Aydinalp。
[13]
3.2．比较不同的方法
提出的方法在很多方面都有不同的角度就什么样的输入数据的基本要求,以及何时何地去利用它们。
这部分提供一简短讨论的输入数据,重点气象代表以及讨论在什么时候、什么地方使用了各种不同的方法。
输入数据的数量不同要求的方法论根据准确性水平的计算。
负荷进行回归分析,基本需求气候特点和一些建筑物的背景信息计量【12,14】。
仿真程序,另一方面,不需要负荷meterings,但气候特点和详细的信息在这些建筑物上都是非常重要的。
后者方法学也需要信息消费者的行为,即社会学参数[10]。
智能电脑系统负荷数据过程计量,气候特点、社会学参数和背景信息的建筑物。
更准确的信息提供给智能计算机系统,解决算法更好的结果将给[17]。
这也是真实的回归分析和仿真程序,因为垃圾等于垃圾清理出来。
所有三种方法可以提供短期以及长期荷载和能源需求预测的准确性取决于输入参数。
长期预测是最有趣的能源规划的角度看问题。
关于不确定性因素的输入参数是独特的气候方面的代表。
每年气候参数表征的2.1章讨论最令人感兴趣的关系,以模拟程序和智能电脑系统,但每年的陈述也被用于回归分析。
试着最适合作短期预测的负荷和能源需求的表现因为它真正的气候特点。
真实的数据可以被ＤＲＹ,可用于短期和长期的预测。
由构造TMY和WYEC数据的代表长期平均气候参数。
作为一种结果,TMY和WYEC是最适合长期荷载和能源预测[2、3]。
提出的方法进一步发展成更具体的负荷和能量估计的,适用的工具,但是基于程序的基础。
回归分析了主要用于中负荷和能量估计方法涉及到很多的客户,即能源规划为某一特定发展地区,那里有许多用户[15]。
由于详细模拟程序的性质,应用能量估计的载荷和工具是用来与一个或几个大客户。
因此,模拟程序主要用于加固中已经存在的建筑[10]。
智能电脑系统的应用是介于这两者之间的回归分析和仿真程序[13]。
3.3．能源和负载的估计方法
总结了具体方法进行系统的负荷和能量估计开发提出了在3.1节是用表2所列的方法,他们之间的关系是基于CDA不同的方法,作为国际化大都市的神经网络通过的方法。
3.1CDA
CDA是基于回归的方法,对回归水平是按用途,而不是总能源需求[13]。
不同的电器（机电设备、制冷和加热装置）,在总结客户水平估计总能源需求对该特定的客户。
能源消费、电器、人口统计特征、能源市场价格和天气数据是必要的,当添加CDA的方法。
该方法仅是相对便宜,这一结果在不那么准确估计为不同使用目的[14]。
3.3.2 EM
EM呈现在一篇由Aydinalp发表的论文中[13],该方法发展的基础上逐步发展起来的在加拿大住宅领域一个数据库。
数据库是代表国家住宅股票有关能源需求。
房子的能源需求的数据库中的估计使用仿真程序。
对房屋的详细描述在建立数据库中是必要的。
该方法的优点是利用EM的评估能力对不同的能源效率提高的情况进行评估。
仿真程序需要天气数据文件代表长期平均水平。
表2不同的方法论和相应的负荷及能量的评估方法的概述
方法论
方法
回归分析的统计方法
能量标记
条件要求分析-CDA
芬兰负荷模型
USELOAD
能量仿真程序
工程方法-EM
ESP-r
能量叠加
神经网络-NN
3.3.3．神经网络
第三种方法是在3.1节介绍了神经网络的方法。
这一信息处理方法得益于人类大脑处理信息的方式启发。
“……被认为是一种直觉,因为他们是跟着案例学习,而不是按下列程序规则”[13]。
利用NN的另一优点是它们能处理噪声和不完整的资料,他们能够执行处在高速的预测[17]。
该方法也需要表征气候特点的包括加热和冷却度以及其他气候参数[13]
3.3.4．比较不同的方法
不同的方法有不同的评估能力,但是他们中的每一个都可以用于为不同的客户负荷和能源需求建模。
EM是最详细的、灵活的模型,因此,该模型需要详细的数据和工程技术水平发展。
模型的CDA-based,另一方面,不需要作为详细的数据,但是大厦的数量在数据库已成为回归分析。
该模型不能提供尽可能多的详细信息和灵活性的盈馀管理。
神经网络方法的是仍处于发展阶段,但是这种做法是很有前景的能源需求建模。
神经网络模型的开发和使用是介于EM和CDA之间的一种方法[13]。
结论
许多现存的方法进行负荷和能量的估计,但它们都是估计主要是建立在三种不同的方法。
第一个方法论、回归分析,主要是基于大量的流量负荷数据,长期的气候特点和一些相关的信息建模时的建筑。
统计学方法最适合大型发展地区和长期的估计,预期的负荷和能源需求。
第二种方法,一个能量仿真程序,需要详细的信息关于建筑和社会学的参数,以及全面的表现,即表示天气数据如DRY或TMY天气。
仿真程序都建立在传递函数法或数值计算方法。
后者的方法是最普遍的,这种方法适用于短期或长期荷载和能源中的仿真一个或几个建筑物。
第三个和最后一个方法论、智能计算机系统,主要是基于神经网络处理信息的基础上,如同人类大脑功能。
智能电脑系统需要独立水表负荷数据、气象参数和建筑信息。
基于该信息,神经网络进行训练,直到模式在数据集被揭露出来。
神经网络可以用于短期和长期预测两者的负荷和能量消耗,这种方法适用于一个建筑或几个建筑物之一。
感谢
我要感谢南希Bazilchuk给予我的帮助和建设性的建议。
参考
[1]SEDS（可持续能源分布系统）。
规划设计方法和模式。
项目描述,2002-06-11。
特隆赫姆,挪威:
Sintef的能源研究;
2002年。
[2]萨姆赛德,霍姆凯拽。
沙特阿拉伯一个世纪的的代表天气年数据。
艾波恩格1994;
48:
131-6。
[3]莫勒延森,汉朗德.德国设计参考年,DRY。
丹麦最近的参考年。
技术报告,页码DTU-LV-MEDD-281,CNN:
合同ENS-1213/92-0023,丹麦科技大学（Lyngby）,1995年。
[4]WestphalFS,LambertsR.使用数据来估计热负荷的非经常住宿的建筑物的方法。
2004年,36:
847-54。
[5]ChouSK,HongT,BongTY。
建筑负荷和能量估计的设计日。
建筑环境1999年;
34:
469-77。
[6]AuneM.Sober观念或兴趣;
在挪威的家庭日常生活中能源利用。
博士论文,挪威科技大学的人才、科研、科技与社会的中心,报告34号、ISSN0802-3581-34,1998年。
[7]WilhiteH,NakagamiH,MasudaT,YamagaY.在日本和挪威家庭能源使用的行为的跨文化分析。
1996年Energ政策;
24（9）:
795-803。
[8]斯.艾瑞森.分散供热对建筑所提供的热负荷,分析区域供热基于测量在50个建筑。
博士论文,国立台湾科技大学,建筑服务工程部门D35:
1996工程、文件,ISBN:
91-7197-383-4、ISSN:
0346-718x,1996年版。
[9]RichaletV,Neirac生育,TellezF,马尔科。
J,BloemJJ。
能源标签程序帮助（房子）:
方法论和得出的结果。
2001年;
33:
229-33。
[10]克拉克JA。
能源模拟在建筑设计的现状,第二版。
伦敦:
Butterworth-Heinemann;
2001年。
[11]WalpoleRE,MyersRH,MyersSL.概率论与数理统计在工程和科学中的应用,第六版）。
台北市,台北:
Prentence大厅国际集团公司,1998年。
[12]Feilberg版本N6.5.2-User手册。
F5131技术报告,项目编号。
TR11063.00,2001年。
ISBN:
82-594-1737-2。
[13]AydinalpM,UgursalVI,FungAS.在国家层面上住宅能耗的建模。
智力JEnerg杂志2003;
27:
441-53。
[14]BartelsR,FiebigDG.住宅用途电力负荷的计量和建模曲线。
J预测1996年;
15（6）:
414-26。
[15]SeppalaA.在配电系统负荷研究和负荷估算。
博士论文,未出版,赫尔辛基理工大学、VTT出版289,ISBN:
951-38-4947-3,1996年版。
[16]能量叠加,2003,http:
//www.energyplus.gov。
[17]KalogirouSA.人工神经网络在可再生能源系统应用的综述。
2001年更新;
5（4）:
373-401。
27岁的琳达·
佩德森是一个在挪威科技大学的人才、科研中心的博士生。
在2003年6月，她在能源和环境工程学院完成硕士学位，2003年8月开始攻读博士学位。
她所在的项目部分,被称为（SEDS-Sustainable）能量分布的啮合周期。
她的博士论文的话题是“负荷和客户在混合能量分布建模系统中的影响”。
升级会员 