公共建筑能耗数据分析方法与分项计量.docx

公共建筑能耗数据分析方法与分项计量.docx

《公共建筑能耗数据分析方法与分项计量.docx》由会员分享，可在线阅读，更多相关《公共建筑能耗数据分析方法与分项计量.docx（19页珍藏版）》请在冰豆网上搜索。

公共建筑能耗数据分析方法与分项计量

公共建筑能耗数据分析方法与分项计量

清华大学建筑学院建筑技术科学系王鑫魏庆芃

摘要：

公共建筑能耗数据分析对指导节能工作具有重要意义，本文对建筑能耗数据分析方法进行了综述，在此基础上提出两种实用多建筑能耗数据对比分析方法：

能耗指标法和效率指标法。

本文还提出针对建筑总能耗数据进行分析的局限性，提出应更多的针对用分项计量数据进行分析研究。

关键词：

公共建筑，分项计量，能耗数据

Abstract：

Theanalysisofenergyconsumptiondataofcommercialbuildinghasimportantmeaningstotheenergyconversationwork.Thisarticlesummarizedtheusualapproachesanddiscussedtwoapplicablemethodsforcomparingbetweenbuildings:

theenergyindicatorapproachandtheenergyefficiencyindicatorapproach.

Thelimitationoftotalenergyconsumptioninanalysisisalsodiscussedandsub-metereddataisconsideredtobemoreuseful.

Keywords：

commercialbuilding,sub-metering,energyconsumptiondata

1.背景

随着建筑节能工作的深入和发展，建筑能耗数据的统计与审计工作在全国各地得到普遍开展。

许多地方建立了公共建筑能耗数据库，采集了大量的建筑能耗数据和相关建筑信息数据。

近几年来，随着分项计量工程的应用和推广，我们不仅能获得建筑全年或逐月的总用电量，更能获得建筑分项、分系统的逐时的电耗。

可以说，我国已经初步建成了公共建筑能耗数据采集的平台，为公共建筑的节能工作奠定了良好的基础。

解决了数据的获取问题，数据的分析处理就变得越来越重要。

如何分析和应用这些数据？

特别的，如何使这些数据在节能工作中发挥作用？

这就是本文要回答的问题。

2.能耗数据分析原理

1.1能耗数据模型与方法

影响建筑能耗的因素很多，如气象参数、建筑使用情况、设备系统形式、运行控制策略、建筑围护结构状况等。

所谓“分析”就是通过某种模型，在建筑能耗数据与能耗影响因素之间建立联系。

ASHREAHandbook2005（以下简称“手册”）的“能耗评估与建模”章节（Chapter32）[1]对建筑能耗的分析方法进行了较为完善的综述，提出能耗模型的三个组成部分：

1、输入参数；

2、系统结构与系统参数；

3、输出结果。

手册将分析方法分为两种，一种是“向前方法”（或经典方法），即已知能耗模型的第一、二部分，求解建筑能耗；另一种是“数据驱动方法”（或反向方法），即已知能耗模型的第一、三部分，求解建筑能耗与影响因素之间的关系。

显然，上述“数据驱动方法”就是适用于公共建筑能耗分析的方法。

手册中将这种方法大致又分为三类：

1、经验方法（或黑箱方法）；

在能耗数据与影响因素之间建立某种回归模型，常用的有最小二乘法、PRISM方法[2]等；

2、校准模拟方法；

用模拟软件建立建筑模型，进而调整输入条件使得输入与实测能耗相符；

3、灰箱方法。

为建筑或系统建立物理模型，用统计方法确定模型参数。

上述方法主要适用于单个建筑的能耗数据分析。

当对比分析多建筑能耗时，只需利用上述方法，把不同建筑能耗归一化，形成某种能耗指标，再进行横向对比。

1.2相关研究综述

过去二十多年，国内外对于建筑能耗数据的分析主要针对的是建筑总能耗。

建筑总能耗数据具有易于获得（尤其是全年能耗或逐月能耗）、准确度很高的特点，常被用于各种回归模型分析。

以下是部分相关研究的综述。

文献[3~8]给出了针对逐月能耗的分析方法，其共性特征为均采用某种气象参数（采暖度日数、空调度日数等）对逐月能耗进行回归，回归结果可对未来的能耗进行预测。

这种方法的应用很广泛，但研究成果对于指导建筑节能缺乏实际意义。

图2.1香港某办公楼建筑逐月能耗与室外平均温度的相关性分析[3]

文献[9~12]给出了针对多个建筑总能耗的benchmarking方法，多采用EUI（Energyuseintensity）指标或归一化的EUI指标衡量建筑物整体用能水平的高低。

图2.2美国加州办公建筑能耗评测软件[10]

文献[13~17]针对逐时或逐半小时尺度的建筑能耗数据进行分析，从而实现能耗预测、改进运行、能耗曲线形状识别、能耗拆分等目的。

图2.3采用EDA（End-useDisaggregationAlgorithm）方法对办公楼（左）和零售店（右）进行能耗拆分[17]

文献[18~21]介绍了一种“非插入式电力负荷检测方法”（NILM），通过测量住宅的实时电耗曲线，判断具体用能设备的启停和逐时功率值，进而计算出各类设备的能耗。

这种方法可认为是一种能耗拆分方法，主要适用于住宅这类设备种类、数量较少的建筑。

目前尚无此方法用于公共建筑的介绍，可能的原因是公共建筑中的设备种类、数量都很多，仅凭总能耗曲线判断设备启停的难度过高。

NILM方法并不适用于公共建筑。

图2.4采用NILM方法拆分住宅能耗

从相关研究的综述结果可以看出建筑总能耗在分析方面的局限性：

通常只能用于较为粗略的黑箱模型分析方法，缺乏对建筑节能的指导意义。

如果能获得建筑分项能耗，即可将分析和研究更加深入。

事实上，很多针对建筑总能耗的研究目的就是为了拆分获得建筑分项能耗[8,17~21]。

当然，获取建筑分项能耗的成本是比较高的[3,7,8,16,17]，这成了制约公共建筑能耗数据分析的重要瓶颈。

随着信息技术的不断发展，计量、采集建筑分项能耗所需的设备成本越来越低，为分项能耗数据的应用创造了良好的条件。

事实上，我国近年来开展的公共建筑用能分项计量工程，已经积累了大量的工程案例和数据[22]。

实践经验表明，建筑分项能耗数据，特别是空调系统分项能耗数据，在节能诊断中具有重要的意义。

3.多建筑能耗数据分析方法

分析多个建筑的能耗数据，常用的方法是计算与建筑能耗有关的指标。

常用的指标有两类，一类是能耗指标，另一类是效率指标。

1.3能耗指标法

将建筑的能耗经某种“归一化”方法处理之后，即可得到该建筑的能耗指标。

有些能耗指标可在同类建筑间横向对比，说明建筑物的用能水平在同类建筑中的位置；有些能耗指标可与建筑的实际能耗值进行对比，说明建筑物用能水平与理想水平或社会平均水平的差别。

为了叙述方便，将影响能耗的因素分为两类，一类是客观因素（不以节能的意愿而转移），包括建筑规模、使用时间、建筑内的人员及设备的密度和分布、气象参数等；一类是可控因素，包括围护结构性能、设备系统性能及运行控制策略等。

还有些因素可以是客观因素，也可以是可控因素，例如空调系统冷热源的基本形式、末端的基本形式等，将其视为客观因素还是可控因素，与分析的角度和出发点有关。

“归一化”方法实际上是有选择性的把部分能耗影响因素的作用消除，从而使得其余因素的作用充分显现在能耗指标中的方法。

下图是两种常见“归一化方法”的原理图：

图3.1能耗数据归一化方法示意图

其中：

“归一化方法1”将客观因素归一化，可控因素取实际水平，得到目标建筑的“标准化能耗指标”。

将该指标与同类建筑间的横向对比，可反映该建筑用能水平在同类建筑中的位置。

“归一化方法2”将可控因素归一化，客观因素取实际水平，得到目标建筑的“参考能耗指标”。

将该指标与建筑实际能耗相比，可反映该建筑用能水平与理想水平或社会平均水平（与可控因素的归一化标准有关）的差距。

上述两种归一化方法的用途不同：

方法1适用于大量建筑实际用能水平的排队、打分，方法2适用于具体建筑节能潜力的定量计算。

如果忽略同类建筑除建筑面积以外所有客观因素（单位面积设备、人员密度，建筑使用率，作息时间等）的差别，只取建筑面积作为归一化因素，我们可以得到“单位面积建筑能耗指标”（EUI），该指标可在某种程度上反映建筑物的能耗水平。

由于除建筑面积以外的其它客观因素往往难以准确衡量，“单位面积能耗指标法”实际成为了我们最常用的一种能耗数据分析方法。

该指标并不等同于建筑的用能水平，这一点需要注意。

1.3.1能耗指标测评软件

公共建筑能耗评测软件（BenchmarkingElectric&Non-ElectricEnergyUseinU.S.OfficeBuildings）是由美国橡树岭国家实验室建筑技术中心在全美建筑能耗普查数据的基础上开发出来的基于MicrosoftExcel的建筑能耗评测软件。

该方法首先将美国按气候分为9个区，每个区分别取一定数量的样本建筑，统计其建筑总能耗与建筑面积、人数、计算机数、工作时间、是否业主自用等能耗影响因素，并在它们之间建立能耗统计模型。

该模型的输入条件为目标建筑上述能耗影响因素的具体数值，输出条件为该建筑的参考能耗值。

这种方法经完善后，也可以用于能耗定额指标的获取。

电耗评测文件的用户界面如图3.1所示：

图3.2电耗评测文件用户界面

1.3.2分项能耗指标对比

下图是几座北京办公建筑分项能耗的对比：

图3.3北京6座办公建筑分项能耗对比

运用归一化方法1，将建筑分项能耗取EUI指标，再进行横向对比，从中可以清晰的看出建筑能耗高低的原因。

其中，能耗最高的建筑E的空调能耗显著高于其它同类建筑，应对空调系统开展深入分析和重点的节能诊断。

1.4效率指标方法

由于影响能耗的客观因素数量众多且难于实际监测，按照归一化方法2直接计算建筑能耗指标的参考值存在一定的困难。

设备系统效率与建筑能耗之间存在如下关系：

若认为设备提供的服务不存在浪费，设备系统效率实际等价于建筑的用能水平。

通过对设备系统效率指标的检测，即可评价设备系统各环节的用能合理性。

1.4.1空调系统效率指标

空调系统通过消耗能源提供的服务主要是冷量，其效率可用空调系统能效比EERs表示。

GBT17981-2007空气调节系统经济运行[23]给出了一系列的空调系统效率指标及其限值，这些指标的系统结构如下图所示：

图3.4空调系统经济运行评价指标体系结构

上述指标体系较为完整的描绘了空调系统整体以及各部分的效率情况，对指导节能诊断具有指导意义。

更重要的是，上述所有指标均可通过系统总制冷量与各设备耗电量计算得到。

这就为以分项能耗为基础的在线节能诊断、分析创造了条件。

1.4.2昼夜负荷率指标

办公建筑中往往存在夜间设备待机电耗问题，为了定量的刻画和描述此问题的严重程度，定义“工作日白天能耗比”指标

，其定义如下：

用该指标分析几座不同办公楼的照明+插座设备电耗，结果如下：

图3.5北京6座办公建筑工作日白天能耗比

从上图可看出，JN办公楼

相对较低，说明存在改善夜间管理的节能潜力。

4.总结

能耗数据分析方法的本质是用模型分析建筑能耗数据与影响因素之间的关系，既有研究领域多采用经验模型分析方法，主要针对建筑总能耗，但其结果往往缺乏对建筑节能的直接指导意义。

讨论了两种多建筑能耗数据分析方法：

能耗指标方法和效率指标方法的本质含义；

认为应开展针对分项能耗数据，特别是空调系统分项能耗数据的分析研究。

参考文献

[1]2005ASHREAHandbookF32SI:

EnergyEstimatingandModelingMethods[M]

[2]MargaretF.Fels.PRISM:

Anintroduction[J].EnergyandBuildings,Volume9,Issues1-2,February-May1986,Pages5-18

[3]PhilipC.H.Yu,W.K.Chow.AdiscussiononpotentialsofsavingenergyuseforcommercialbuildingsinHongKong[J].Energy,Volume32,Issue2,February2007,Pages83-94

[4]BingDong,SiewEangLee,MajidHajiSapar.AholisticutilitybillanalysismethodforbaseliningwholecommercialbuildingenergyconsumptioninSingapore[J].EnergyandBuildings,Volume37,Issue2,February2005,Pages167-174

[5]J.-U.Sjögren,S.Andersson,T.Olofsson.Anapproachtoevaluatetheenergyperformanceofbuildingsbasedonincompletemonthlydata[J].EnergyandBuildings,Volume39,Issue8,August2007,Pages945-953

[6]JosephC.Lam,KevinK.W.Wan,K.L.Cheung,LiuYang.Principalcomponentanalysisofelectricityuseinofficebuildings[J].EnergyandBuildings,Volume40,Issue5,2008,Pages828-836

[7]SartorDale,PietteMaryAnn,TschudiWilliam,FokStephen.Strategiesforenergybenchmarkingincleanroomsandlaboratory-typefacilities[R].2000ACEEESummerStudyonEnergyEfficiencyinBuildings,August2000

[8]Kissock,J.K.,Seryak,J.UnderstandingManufacturingEnergyUseThroughStatisticalAnalysis[C].http:

//repository.tamu.edu/handle/1969.1/6033

[9]Wen-ShingLee.Benchmarkingtheenergyperformanceforcoolingpurposesinbuildingsusinganovelindex-totalperformanceofenergyforcoolingpurposes[J].Energy,Volume35,Issue1,January2010,Pages50-54

[10]Kinney,Satkartar,Piette,MaryAnn.DevelopmentofaCaliforniacommercialbuildingbenchmarkingdatabase[DB].ACEEE2002SummerStudyonEnergyEfficiencyinBuildings,August2002

[11]TerrySharp,OakRidgeNationalLaboratory.EnergyBenchmarkingInCommercialOfficeBuildings[R].http:

//www.energy.ca.gov/greenbuilding/documents/background/13-ORNL_COM_BLDG_BENCHMARKING.PDF

[12]OlofssonThomas,MeierAlan,LambertsRoberto.Ratingtheenergyperformanceofbuildings[J].TheInternationalJournalofLowEnergyandSustainableBuildings,Vol.3,2004

[13]S.A.Kalogirou.ApplicationsofartificialneuralnetworksinenergysystemsAreview.EnergyConversionandManagement[J],Volume40,Issue10,July1999,Pages1073-1087

[14]N.Brown,A.J.Wright.Newapproachestogathering,analysisandinterpretationofhalfhourlyenergymeteringdatafrombuildings[J].InternationalJournalofLow-CarbonTechnologies20072

（1）:

80-96

[15]C.Norén,J.Pyrko.TypicalloadshapesforSwedishschoolsandhotels[J].EnergyandBuildings,Volume28,Issue2,October1998,Pages145-157

[16]MaryAnnPiette,SatKartarKinney,PhilipHaves.Analysisofaninformationmonitoringanddiagnosticsystemtoimprovebuildingoperations[J].EnergyandBuildings,Volume33,Issue8,October2001,Pages783-791

[17]H.Akbari.Validationofanalgorithmtodisaggregatewhole-buildinghourlyelectricalloadintoenduses[J].Energy,Volume20,Issue12,December1995,Pages1291-1301

[18]LeslieK.Norford,StevenB.Leeb.Non-intrusiveelectricalloadmonitoringincommercialbuildingsbasedonsteady-stateandtransientload-detectionalgorithms[J].EnergyandBuildings,Volume24,Issue1,1996,Pages51-64

[19]M.L.Marceau,R.Zmeureanu.Nonintrusiveloaddisaggregationcomputerprogramtoestimatetheenergyconsumptionofmajorendusesinresidentialbuildings[J].EnergyConversionandManagement,Volume41,Issue13,1September2000,Pages1389-1403

[20]"MarioBerges,EthanGoldman,H.ScottMatthews,LucioSoibelman.TrainingLoadMonitoringAlgorithmsonHighlySub-MeteredHomeElectricityConsumptionData[J].TsinghuaScience&Technology,Volume13,Supplement1,October2008,Pages406-411

[21]HPihala.Non-intrusiveapplianceloadmonitoringsystembasedonamodernkWh-meter[R].VTTPUBLICATIONS,1998

[22]魏庆芃，大型公建能耗分项计量实时监测分析系统EMS的发展[J]，建筑，2009年第3期，34~37页

[23]GBT17981-2007空气调节系统经济运行[S]

吹风环境下人体生理指标的探索性实验研究

清华大学，东华大学余娟

清华大学朱颖心，欧阳沁，曹国光

同济大学周翔

摘要本文通过不同背景温度与末端送风方式的组合，考察无风环境、稳态送风环境和动态送风环境下人体的生理与心理反应。

实验研究发现，采用末端送风能够显著降低人体热感觉，补偿背景设定温度的提高，但高风速同时降低了人体的舒适感；平均皮肤温度是人体热感觉的敏感指标，但在吹风环境下，人体的平均皮肤温度与热感觉之间会出现偏离，计算平均皮肤温度时需要对暴露部位和非暴露部位的皮肤温度加权值进行修正；心率变异性（heartratevariability，HRV）在一定程度上能够反映人体热调节的能力：

对于中性-偏暖环境，在同样的末端送风方式、送风速度下，热感觉越高、热舒适越差，HRV指标越高；但在不同的吹风条件下，HRV指标和人体热感觉、热舒适之间的相关性不明确，仍需进一步研究。

关键词热感觉热舒适平均皮肤温度心率变异性吹风

1研究背景

人体热舒适研究已有近一百年的历史，其主要的研究方法是依靠主观投票和环境参数测试，基于大量的实验室研究和现场调查数据，力图将热环境的四个主要要素（空气温度、相对湿度、流速及周围表面平均辐射温度）与人体的热感觉联系起来，从而建立热感觉、热舒适评价体系。

然而，热感觉、热舒适研究是一个多学科交叉的问题，其机理涉及了生理学、心理学、物理学等范畴，仅仅依靠主观投票和环境参数测试研究难以达到较高的高度。

早在1917年Ebbecke[1]就提出“热感觉是假定与皮肤热感受器的活动有联系，而热舒适是假定依赖于来自热调节中心的热调节反应。

”人体能够感受外界的温度变化是因为在人体皮肤表层中存在温度感受器，当它们受到冷热刺激时就会产生冲动，向大脑发出信号，从而产生对应的冷感觉和热感觉。

而人体在环境温度发生变化的情况下能够保持体温的相对恒定，是因为机体内存在体温的自动调节机构，即人体在体温调节中枢（下丘脑）的控制下，通过改变皮肤血流量、血管收缩、出汗率等生理调节反应，来调节机体的产热和散热过程[2]。

因此，在人体热舒适研究中引入生理参数测试，了解机体对热环境的生理反应状况，对于热舒适的机理认识意义重大。

近几年，越来越多的国内外学者在人体热舒适的生理研究上做了尝试，测试包括皮肤温度、核心温度、心率、出汗率、脑血氧水平等[3-7]。

其中，皮肤温度作为介于核心温度和环境温度之间进行热交换的中心环节，又是一个易于测量的生理