1、湖南大學碩士研究生畢業（學位）論文開題報告姓 名*學號*已修學分32所屬學院土木工程學院一級學科土木工程二級學科供熱、供燃氣、通風及空調工程指導教師*教授開題時間2014.01研究方向圍護結構的節能技術論文題目公共建筑分類方法及冷負荷預測的研究一、文獻綜述1我國正處于快速城鎮化發展階段，以小區形式的建設并建有區域供冷供熱系統的建筑越來越多。與單體建筑相比，區域建筑供冷供熱系統比較復雜，投資大，耗能高。區域建筑冷熱負荷預測是建筑區域用能規劃和區域供冷供熱系統設計階段負荷計算的基礎和關鍵。目前，國內外關于單體建筑冷熱負荷預測方法比較成熟，主要有基于歷史數據的外推法和數值模擬預測方法。區域建筑是由多

2、種不同類型和功能的建筑組成，故其負荷預測方法和單體建筑有所不同。區域供冷供熱系統建設通常分為規劃與方案、初步設計、施工圖設計、施工建設、運行管理等環節，在不同階段，所知條件不同，冷熱負荷預測的精度要求也不同。一、區域建筑冷熱負荷預測常用方法1.單位面積指標法。通常的計算方法主要是采用單位面積指標法估算出各單體建筑的負荷，再把各單體建筑的負荷簡單疊加，然后乘以同時使用系數。此方法是一種靜態的估算方法，在對區域建筑負荷預測時存在不足，因為區域內所有建筑同時出現多個影響因素的概率很小，采用單位面積指標法必定會高估區域總負荷。1992年，李永安分析了建筑構造、使用功能、建筑朝向、建筑高度、窗墻比等因素

3、都會影響空調建筑出現設計冷負荷的時刻，致使各個房間乃至各幢建筑出現空調設計冷負荷的時刻不盡相同，探討了單幢建筑、建筑群空調設計冷負荷的統計方法，指出建筑群的空調設計冷負荷應取各幢建筑逐時冷負荷疊加以后的最大值。2. 基于歷史數據的外推法。基于歷史數據的外推法以大量歷史能耗數據為基礎，利用統計分析及相關數據處理等技術，得出負荷與影響因素的關系，建立負荷預測模。此方法主要有回歸分析和人工智能的方法。2.1.回歸分析。自1984年Forrester等人利用多元線性回歸的預測方法完成對某商業大廈空調電力需求的預測至今，國內外專家學者多次嘗試應用此方法對建筑冷熱負荷進行預測研究。2002年，Dotzau

4、er等利用統計回歸方法得出區域系統熱負荷與室外溫度和人類行為兩個主要因素的簡單模型，利用此模型預測斯德哥爾摩某區域熱系統負荷，與其測量值比較在誤差允許范圍內，驗證了此簡單模型的實用性。2008年，Pedersen等11基于測量的區域熱電值來預測建筑區域的熱電負荷，其中熱負荷采用分段線性回歸分析，得出依賴溫度與不依賴溫度的兩部分的回歸方程來指導多能源系統能源規劃。2.2.人工智能。人工智能（Artificial Intelligence）預測方法包括人工神經網絡（ANN）、支持向量機（SVM）和灰色理論（Grey Theory）等方法。1991年，Kreider和Wang最早將神經網絡方法引入到

5、建筑物空調設備能耗預測工作中。此后，國內外學者廣泛展開了神經網絡預測模型的研究。2010年，蔣小強和龍惟定通過對某區域供冷系統冷凍水供回水溫度及流量進行實測得到并分析實際逐時冷負荷，然后建立改進的人工神經網絡負荷預測模型對該區域進行負荷預測，結果表明人工神經網絡算法得出的負荷預測值與實際值較吻合。2.3.數值模擬預測方法。隨著計算機的發展，建筑能耗計算從手算發展到詳細的計算機逐時計算，建筑能耗軟件也不斷更新發展。利用能耗計算軟件進行負荷預測，建筑物模型的建立是關鍵。由于區域建筑類型和數量較多，在保證計算精度的基礎上，為了大大減少負荷計算的工作量，通常采用建立典型建筑模型進行負荷模擬預測。建立各

6、類建筑的典型建筑模型（Prototypical Building Model）（指能夠反映當前社會該類型建筑的建筑形態、建筑規模、建筑圍護結構構成、建筑內擾情況等的代表性建筑），然后利用能耗模擬軟件對其進行模擬得到各類建筑單位面積負荷特性曲線，再利用自下而上的方式（Bottom-up）擴展獲得區域建筑內整體負荷。2000年，Huang等人將1991年統計出來的既有建筑按時間年代、使用功能、地點、建筑規模等不同分成481類建筑，建立典型建筑，輸入GRI已調查出的數據，用DOE-2進行模擬，得出的建筑單位面積負荷擴展獲得了各類建筑總冷熱負荷，進而用來評價全美建筑總冷熱負荷。2004年，Chow等

7、利用此法對香港九龍地區東南部一個開發新區進行了負荷預測，指導區域系統方案的確定，取得較好的效果。2008年，瞿燕等 采用能耗分析軟件DOE-2對上海世博園區的部分建筑群進行動態負荷預測，通過研究世博會期間逐時空調動態負荷、空調負荷率的時間分布、月空調負荷、設計日逐時負荷等，分析了世博園區各建筑群的空調負荷特性。2011年，韓傳忠、端木琳建立典型建筑的動態負荷數據庫用于城市能源規劃期的負荷預測。3. 其他方法。2008年，龍惟定指出，正確的區域冷負荷預測應采用情景分析方法。苑翔等應用情景分析法把室外氣候條件和建筑內負荷強度分別設置若干情景，并列出不同功能建筑的使用時間表，通過分析不同建筑在同一時

8、刻出現的不同情景確定區域建筑總冷負荷。2009年，苑翔和龍惟定首先假設單體建筑都是具有相同朝向或朝向成90°且具有相同建筑材質的矩形建筑，通過分析建筑冷負荷的組成及影響因素，將區域建筑整合為表征只有內外擾冷負荷分布的特征建筑，然后利用能耗模擬軟件進行模擬，得出逐時負荷，表明區域建筑冷負荷預測可以轉化為其特征建筑的冷負荷預測。2010年，王振江提出一種基于建筑空調負荷指標和氣象參數的負荷因子法, 分別計算建筑圍護結構負荷、新風負荷、人員負荷、照明負荷及設備負荷, 逐時疊加獲得總的建筑空調負荷；利用負荷因子法對北京地區辦公建筑空調負荷進行了預測, 預測得到的該類型建筑空調負荷的動態特性與

9、實際運行的空調系統的負荷變化規律是一致的, 說明了該方法在預測空調負荷的動態變化規律上具有一定的可行性。 二、區域建筑冷熱負荷預測方法對比分析面積指標法是一種靜態估算法，不能用于動態計算。區域建筑逐時的動態負荷計算有利于能源規劃和區域能源系統方案的設計，提高建設項目的能源利用率。回歸分析預測法，預測簡單，但是預測精度往往不高。人工智能預測方法有其非線性處理優勢，神經網絡與其他方法相結合更能提高預測精度，是將來預測的趨勢。基于歷史數據的外推法是傳統應用廣泛的方法，需以大量的建筑能耗審計數據作為基礎，物理意義不明顯。對于區域建筑，需要大量的對某類建筑或整體區域的逐時能耗統計數據。目前，國內這方面的

10、統計還很不到位，因此做好建筑能耗審計工作，積累足夠的能耗數據是這類預測模型的基礎。數值模擬是通過建立建筑模型，輸入準確的氣象參數和建筑的詳細信息及設計參數，便可較快地得到動態負荷。然而區域建筑需建立不同類型建筑的模型，計算量往往利用建立典型建筑的負荷預測方法既能夠用于既有建筑來統計大型區域整體能耗，也適合用于預測新建建筑在無大量歷史能耗統計數據以及無詳細的建筑信息規劃期的負荷。情景分析法需要設定多種不同情景，會增加分析的復雜度，建筑內部負荷強度的量化還存在問題。負荷因子法和整合成虛擬建筑方法都進行了大量的假設，計算復雜，預測精度不高，還處在發展改進中。三、結論與展望綜上所述，由于采用能耗模擬軟

11、件預測建筑負荷需要輸入的參數多且耗時長，不被人們所使用，而人們傾向采用的單位面積指標法計算精度小造成耗能，所以在不失計算精度的基礎上簡化計算方法，分析負荷影響因素，是現階段預測建筑冷負荷的主要研究內容。二、選題背景及意義隨著世界性能源危機的加劇和我國正處于城市化進程階段，建筑群越來越多，關注建筑區域的能耗已是公共建筑節能的重中之重。區域建筑用能規劃對節能減排具有重要的意義，能夠合理用能、科學用能、綜合用能、集成用能。由于節能減排形勢的緊迫，在中國由分散制冷向集中制冷，現又向區域供冷發展，已形成一個趨勢。然而區域建筑冷負荷預測是區域建筑用能規劃和設計區域供冷系統的基礎和關鍵。在低碳城市建設中，為

12、了集成應用可再生能源和“未利用能源”，需要在區域層面上考慮能源系統，需要在規劃階段對區域內所有建筑冷負荷有明確的預測。因此準確預測區域建筑冷負荷從而避免規劃時冷負荷過大時急需解決的問題。現行的區域規劃階段采用指標概算法進行建筑空調冷負荷的預測。該方法采用單位面積負荷指標法估算出各單體建筑的負荷，再把各單體建筑的負荷簡單疊加，然后乘以同時使用系數，此方法是一種靜態的估算方法，存在很多問題。在區域級別上，區域內所有建筑同時出現多個影響因素的概率很小。因此，使用負荷指標法必定會高估區域總負荷，造成能源的浪費。為了更好的使用單位面積負荷指標值計算公共建筑冷負荷，本文結合中國特殊的氣候分布和建筑傳統，以

13、公共建筑為基礎，根據不同氣候區的建筑特點和負荷影響因素建立一系列基準建筑分類模型，借用能耗模擬軟件DesignBuilder對其進行全年動態負荷特性分析，構建公共建筑冷負荷指標數據庫，為公共建筑冷負荷預測提供參考三、研究的主要內容1.典型建筑模型的建立典型建筑是指能夠反映當前社會該類型建筑的建筑形態、建筑規模、建筑圍護結構構成、建筑內擾情況等的代表性建筑。區域規劃階段，沒有具體的建筑信息用于冷負荷的模擬計算，這就需要構建一種典型的建筑作為冷負荷模型的基礎。（1）建筑的分類。區域內建筑是由不同使用功能和使用功能相同但規模不同的建筑組成。研究和調查建筑的不同使用功能和建筑規模等指導建筑的分類。（2

14、）確定不同建筑類型冷負荷的影響因素并工程模擬模型的輸入參數。可將影響因素分為建筑本身的物理因素、內擾因素和外擾因素來分析。由于地域性的區別，首先按照中國氣候的五個分區，基于當地的氣候條件和風俗習慣進行分類。然后同一種類建筑按建筑的可能朝向、圍護結構、體形系數、窗墻比、人們生活習慣、照明、室內外設計參數、新風量等進一步分類。2.典型建筑的工程模擬。用能耗模擬軟件建立典型建筑模型，模擬計算出不同類別典型建筑的負荷特性并適當處理。3.典型建筑的輸出負荷的校準。標準建筑負荷強度和樣本的置信度。4.利用自上而下的方法從單體建筑負荷擴展到建筑群的負荷。校準后的典型建筑負荷特性形成數據庫，利用該數據庫計算得

15、到供冷供熱建筑區域在規劃階段的動態負荷。四、工作的重點與難點，擬采取的解決方案工作的重點與難點1）區域內建筑是由不同使用功能和使用功能相同但規模不同的建筑組成的。建筑的分類有多種方式，合理地對建筑區內建筑分類是本文的首要之題，關乎于建筑總體負荷預測的準確性。 2）典型建筑的模型建立與輸入參數的確定。典型建筑要能代表該類建筑的基本特征，特別是負荷特性。但是典型建筑并不是實際存在的建筑，它是集這類建筑于平均的一個代表虛擬建筑。典型建筑的輸入參數，如：體形系數、朝向、窗墻比、圍護結構、建筑人員、照明、設備、新風量、室內設計參數等會因地域性的不同而不同，也會因建筑的不同和不同。3）由于試驗的隨機性以及

16、分類的概括性，為了盡量減少預測誤差。有必要對輸出負荷進行校準。解決對策1）分析影響負荷的主要影響因素和敏感性，可按照建筑的不同的使用功能和建筑規模指導建筑的分類。分類依據主要考慮建筑的負荷特性不同。2）通過調研或各地的節能規范（采用限值），確定建筑模型的朝向（各地有適合當地的最佳朝向）、建筑的體形系數、窗墻比、建筑的圍護結構（R值）、人員、設備、照明、新風量、室內設計參數等。室內空間布局可根據調研出典型的具有代表的這類建筑的普遍布局。3）用典型建筑的輸出的負荷特性與以往統計能耗數據進行對比分析，當然這里只對比負荷強度。如果有較大誤差，則需檢驗并調整典型建筑的模型或模擬輸入的參數。五、論文工作量

17、及進度工 作 量：論文計劃寫3-5萬字，總體研究時間大概安排為16個月。進度安排： 2014.12014.2 通過查閱大量文獻和調研完成相關資料的收集，按本文需要將區域建筑分類。2014.22014.3 根據已有的文獻資料驗證論文的可行性并初步建立典型建筑模型。2014.32014.6 通過實地調研或各氣候區各建筑的節能標準確定典型建筑的輸入參數并進行模擬。2014.62014.7 輸出的動態負荷曲線進行校核，誤差較大的進行模型調整。得出較為準確的動態負荷曲線。2014.72014.10 以一案例為分析，驗證和分析此方法的可用性以及存在的問題。2014.102015.3 在導師的指導下，根據實

18、驗數據和已學習的理論知識，確定畢業論文框架，并上交畢業論文初稿。2015.32015.5 修改和校核畢業論文，在導師指導下完成終稿，準備答辯。（本表可附頁）六、論文預期成果及創新點預期成果：1）建立各類典型建筑，能比較準確的代表負荷特性相近的這類建筑。2）得出各類典型建筑比較準確的動態負荷特性曲線（預測因子），為建筑區域的整體負荷預測提供預測因子。為區域負荷預測軟件開發提供依據。3）發表12篇論文。創新點：1）建立一系列基準建筑模型，代表一類建筑的負荷特性，用工程模擬與統計學的方法相校準的方法得出比較準確的負荷預測因子，形成典型建筑負荷特性動態數據庫，利用該數據庫計算得到供冷供熱建筑區域在規劃

19、階段的動態負荷。2） 2）通過數據庫的建立，可以擴展得到各個地區不同氣候區的建筑區域負荷（本表可附頁）七、完成論文擬閱讀的主要文獻1 許旺發，張旭.辦公建筑能耗動態模擬研究J.建筑熱能通風空調，2006，25（1）：15182 何大四，張旭等.常用空調負荷預測方法分析比較J.西安科技大學學報，2006，38（1）：1251293 梁哲誠，陳穎等.廣東市3棟商業建筑冷、熱、電負荷特性分析J.建筑科學，2012，28（8）,13204 陳文鼎，趙哲身.基于BP神經網絡的空調負荷預測J.節能技術，2010,28（159）15175 李瓊，孟慶林.基于RBF神經網絡的建筑逐時空調負荷預測模型J.華南理

20、工大學學報，2008，36（10）：25306 徐哲恬，潘毅群等.基于能耗模擬的某校園供冷供熱系統規劃J.建筑節能，2013,3:13197 馬濤，徐向東.基于小波網模型的區域供熱系統負荷預測J.清華大學報，2005,45（5）：7087108 周樹貴，張九根等.基于遺傳神經網絡的冰蓄冷空調系統負荷預測研究J.化工自動化及儀表9 李瓊，孟慶林等.基于支持向量機的建筑物空調負荷預測模型J.暖通空調，2008,38（1）：141810 董智慧，劉凡等.建筑窗墻比對辦公建筑冷（熱）負荷的影響分析.建筑節能，2008,3:6811 李愛旗，白雪蓮等.居住建筑能耗預測分析方法的研究.建筑科學，2007,

21、23（8）：323512 杜進榮，朱能等.民用建筑供熱負荷的神經網絡法預測.煤氣與電力，2001,21（1）：161913 韓傳忠，端木琳等.區域供冷負荷預測模型的建立.建筑熱能通風空調，2012,31（1）：911、8514 蔣小強，龍惟定等.區域供冷系統逐時冷負荷的分析及數值預測.中南大學學報，2010,41(1)15 張曉彤，劉金祥等.區域建筑冷熱負荷的影響因素敏感性分析及預測方法研究J.建筑科學，2013,29（8）16 瞿燕，潘毅群等.上海世博園區空調動態負荷預測與研究.暖通空調,2008,38(10)17 侯余波，付祥釗.夏熱冬冷地區窗墻比對建筑能耗的影響.建筑技術，32（10）1

22、8 王振江,端木琳,李祥立,王仁瑾.基于城市能源綜合規劃的建筑空調動態負荷預測方法探討A.全國暖通制冷2010年學術年會論文集C,201019 Kevin K.W. Wana, K.L. Cheung et al.Impact of modelled global solar radiation on simulated building heating and cooling loads . Energy Conversion and Management,50 (2009) 66266720 F.W.H. Yika, J. Burnett et al.Predicting air-cond

23、itioning energy consumption of a group of buildings using different heat rejection methods.Energy and Buildings 33 (2001) 151-16621 Qiong Li a,b, Qinglin Meng et al.Predicting hourly cooling load in the building: A comparison of support vector machine and different artificial neural networks.Energy

24、Conversion and Management,50 (2009) 909622 Haixiang Zhao，Frédéric Magoulès.A review on the prediction of building energy consumption.Renewable and Sustainable Energy Reviews.2012:3586359223 A.Badri,Z.Ameli,A.Motie Birjandi.Application of Artificial Neural Networks and Fuzzy Logic Meth

25、ods for Short Term Load Forecasting.Energy Procedia 14 (2012) 1883188824 Abdullatif E. Ben-Nakhi, Mohamed A. Mahmoud.Cooling load prediction for buildings using general regression neural networks.Energy Conversion and Management ,45 (2004) 2127214125 Zhijian Hou a, Zhiwei Lian et al.Cooling-load pre

26、diction by the combination of rough set theory and an artificial neural-network based on data-fusion technique.Applied Energy 83 (2006) 1033104626 Yongjun Sun, Shengwei Wang et al.Development and validation of a simplified online cooling load prediction strategy for a super high-rise building in Hong Kong.Energy Conversion and Management,68 (2013) 202727 Sung-Hwan Cho , Won-Tae Kim et al.Effect of length of measurement period on accuracy of predicted annual heating ener