建筑區域建筑供熱負荷預測

0供熱負荷預測中國正處于快速城市化的階段，正在建設以社區形式建造和建造區域供冷供暖系統的建筑。與單體建筑相比,區域建筑的供冷供熱系統復雜、投資大、能耗高。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的預測方法比較成熟,主要有基于歷史數據的外推法和數值模擬預測法。區域建筑是由多種不同類型和功能的建筑組成的建筑群,故其負荷預測方法與單體建筑有所不同。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,已知條件不同,冷熱負荷預測的精度要求也不同。本文對已有區域建筑冷熱負荷預測方法的研究成果進行回顧,比較分析各種預測方法的優缺點,并根據各自的特點探討區域能源系統規劃、設計階段的負荷預測方法的適用性。1冷負荷預測的常用方法有1.1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得出區域建筑負荷。該方法是一種靜態估算方法,在預測區域建筑負荷時存在不足,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。李永安通過分析發現建筑構造、使用功能、建筑朝向、建筑高度、窗墻面積比等因素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棟建筑出現空調設計冷負荷的時刻不盡相同,探討了單棟建筑、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棟建筑逐時冷負荷疊加以后的最大值。1.2建立負荷預測模型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,建立負荷預測模型。此類方法主要有回歸分析法、時間序列分析法和人工智能法。1.2.1用熱模型預測供熱負荷自1984年Forster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該方法對建筑冷熱負荷進行預測研究。2002年,Dotzauer等人利用統計回歸方法得出區域熱負荷與室外溫度和人類行為兩個主要因素的簡單模型,利用該模型預測了斯德哥爾摩某區域的熱負荷,與測量值的誤差在允許范圍內,驗證了該簡單模型的實用性。2008年,Pedersen等人基于測量的區域用電與用熱歷史數據來預測區域建筑的熱電負荷,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回歸方程來指導多能源系統能源規劃。2011年,Kevin等人利用主要因素法(principlecomponentanalysis)把太陽輻射照度、干球溫度、濕球溫度綜合成一個Z因素,回歸得出30年內5個不同氣候區辦公建筑冷熱負荷與Z的關系,并將回歸分析與能耗模擬的結果進行對比,表明其相關性良好,最后預測了由于氣候條件變化100年內建筑冷熱負荷的大致變化趨勢。1.2.2主要模型時間序列分析法把負荷數據看作一個按季節、按周、按天及按小時周期性變化的時間序列,將實際負荷和預測負荷之間的差值看作一個平穩的隨機序列進行分析和處理。常用的時間序列分析法模型分為AR模型(自回歸模型)、MA模型(移動平均模型)、ARMA模型(自回歸移動平均模型)、ARIMA模型(自回歸求和移動平均模型)、Seasonal模型(季節模型)5類。時間序列分析方法在電力負荷預測中經常使用,在建筑冷熱負荷預測中使用相對較少。1995年,Kimbara等人提出ARIMA模型用于在線預測,該模型不依賴于過去的負荷數據,能夠用于預測負荷特性。1998年,Hoffman將帶額外輸出的自回歸求和移動平均模型(ARIMAX模型)用于預測和控制商業建筑峰值電負荷需求。2010年,Newsham等人在ARIMAX模型基礎上考慮人員因素改善了該模型,并預測了居住建筑的電需求量,預測結果表明精度得到了明顯提高。2005年,Jimenez等人利用多路輸出帶額外輸入的自回歸時間序列(multi-outputARX)模型分析和計算了建筑外墻的傳熱系數和太陽能透射比。電力負荷預測與建筑的冷熱負荷預測具有相似性,所以時間序列分析法也能用于建筑冷熱負荷的預測。1.2.3人工神經網絡負荷預測人工智能(artificialintelligence)預測方法包括人工神經網絡(ANN)、支持向量機(SVM)和灰色理論(greytheory)等方法。1991年,Kreider等人將神經網絡方法引入到建筑物空調設備能耗預測中。此后,國內外學者進行了神經網絡預測模型的研究。2008年,Kato等人結合數據的特點,提出用周期性神經網絡預測某區域的動態熱負荷,提高了非固定階段熱負荷的預測精度。2010年,蔣小強等人對某區域供冷系統的冷水供回水溫度及流量進行了實測,得出實際逐時冷負荷并進行分析,建立了改進的人工神經網絡負荷預測模型對該區域的負荷進行預測,結果表明人工神經網絡法得出的負荷預測值與實際值較吻合。2005年,Dong等人建立了支持向量機模型,預測了4棟商業建筑的能耗,該模型利用能源賬單的數據作為輸入值,預測誤差小于4%。2006年,Nielsen等人用灰箱(greybox)理論建立了區域系統供熱能耗隨氣候條件和日期變化的模型,闡明了該模型的結構,并利用該方法預測了某區域的供熱能耗,結果表明灰箱理論可用于預測區域的供熱能耗。2007年,Robinson等人在開發的用于城市規劃的資源流模擬軟件SUNtool中,采用灰箱模型預測了區域內逐時熱能需求。1.3數值模擬預測方法1.3.1瞬能數值模型隨著計算機技術的發展,從工程實際中抽象出物理模型,用數值模擬技術解決工程問題越顯高效。2009年,Stevanovic等人提出了一種新的數值模型,這種模型基于瞬時能量方程的數值解和三階步長精度要求的數值方法及穩定的管道壓力變化和流速的水力結果,預測和分析區域供熱系統的瞬時熱負荷。類似地,Popescu等人提出了一種用于模擬預測缺少獨立終端控制系統的區域建筑供熱能耗的數值方法,并進行了分析。1.3.2傳統建筑模擬法隨著計算機技術的發展,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,為了減少負荷計算的工作量,通常是建立各類建筑的典型建筑模型(prototypicalbuildingmodel)(指能夠反映當前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),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(bottom-up)的方式擴展獲得區域建筑內整體負荷。1991年,Huang等人利用DOE-2程序建立了一些典型商業建筑模型來評估美國13個主要城市熱電聯產的潛力。在模型劃分上,基于影響建筑用能的主要影響因素,定義了37種典型建筑類型;然后根據建筑規模、結構、幾何形狀、設備、使用強度、運行條件和其他特征建立了481個典型建筑模型(13個城市37類建筑)。隨后,Huang等人利用美國能源部提供的數據建立了典型建筑模型,利用模擬結果評估美國在降低建筑用能方面的節能潛力,用于指導美國能源部確立研究方向。1995年,Sezgen等人利用典型商業建筑的模擬結果建立了用于電力公司的電力預測系統(commercialend-useplanningsystem)。2008年,Heiple等人利用統計局信息建立典型建筑,并利用地理信息系統(GIS)獲取城市不同地理位置建筑的一些參數,用eQUEST軟件模擬了典型建筑用能情況,并自下而上擴展得到了時間和空間上的能耗分布。以上研究是對既有建筑的能耗進行統計,利用典型建筑模擬法還能對規劃期的區域建筑進行負荷預測。2004年,Chow等人利用典型建筑分類模擬預測方法對香港九龍地區東南部一個開發新區進行了負荷預測,用于指導區域系統方案的確定,取得了較好的效果。2008年,瞿燕等人通過對建筑群進行模塊化分類,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了動態負荷預測,大大減少了計算量;研究了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,韓傳忠研究了通過建立典型建筑的動態負荷數據庫進行城市能源規劃期負荷預測的方法。1.4其他方法1.4.1情景分析法2008年,龍惟定指出,正確的區域冷負荷預測應采用情景分析法。苑翔等人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刻出現的不同情景確定區域建筑總冷負荷。1.4.2區域建筑冷負荷預測2009年,苑翔等人假設區域內所有建筑都是朝向相同或互成90°角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,將區域建筑整合為只有內外擾冷負荷的特征建筑,利用能耗模擬軟件進行模擬,得出逐時負荷,區域建筑的冷負荷預測可以轉化為其特征建筑的冷負荷預測。1.4.3設計值和逐時逐月的季節2009年,夏令操介紹了日本區域供冷供熱領域中冷負荷、熱負荷、電負荷、生活熱水加熱負荷的設計值和全年累計值及逐時逐月的變化規律。這些數據是對大量建筑物的實際能耗進行收集、統計分析后得出的,可供設計師在初期規劃階段參考、借鑒。1.4.4空調負荷的評分隨比變化的王振江等人提出了一種基于空調各項負荷指標和氣象參數的負荷因子法。該方法基于3種假設:圍護結構負荷與室內外溫差呈線性關系;新風負荷與室內外空氣比焓差呈線性關系;內擾負荷與室外氣象條件無關。首先依據冷負荷系數法推導出各種建筑的圍護結構逐時冷負荷指標;然后分別建立建筑圍護結構、新風、人員、照明及設備的逐時冷負荷預測模型,得出各分項的負荷因子;最后利用各分項負荷指標乘以相應的負荷因子逐時疊加獲得總的建筑空調負荷。該方法移植性強,只需改變少量輸入參數,便可應用于不同功能建筑。因此,在城市規劃階段,利用負荷因子法分別計算各類建筑的逐時負荷,便可獲得區域總的建筑逐時冷熱負荷。2建筑負荷預測模型及方法選擇區域建筑負荷預測的方法很多,國內外學者對預測方法進行了一些比較分析研究。本文綜合這些方法,將其分為4類,歸納出各類方法的特點,見表1。單位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,有利于提高建設項目的能源利用率。回歸分析法預測簡單,但是預測精度往往不高。時間序列分析法所需數據少,工作量小,計算速度較快;但是建模過程比較復雜,需要較強的理論知識。人工智能法有其非線性處理優勢,神經網絡與其他方法相結合能提高預測精度,是將來預測的趨勢。基于歷史數據的外推法是應用廣泛的傳統方法,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。數值模擬法通過建立建筑模型,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,計算量往往較大。建立典型建筑模型的負荷預測法可以在保證精度的前提下大大減少計算量。此外,典型建筑的負荷預測法既能用于既有建筑統計大型區域整體能耗,也適用于預測新建建筑在無大量歷史能耗統計數據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,還需要借助能耗模擬軟件,并且建筑內部負荷強度的量化還存在問題。虛擬特征建筑法進行了大量的假設,計算復雜,計算量大,預測精度不高。數據統計法簡單、表達直觀,并有一定的指導意義,但是收集統計量大,推廣性不強。負荷因子法是一種在規劃期比較實用的方法,但是各類負荷因子還不是很容易獲得,預測精度也不是太高,還處在發展改進中。3負荷預測和模型預測的重要性本文只討論區域用能規劃階段和區域能源系統設計階段負荷預測方法的適用性。這2個階段負荷預測的目的不同,因此采用的方法也不同。在用能規劃階段,各單體建筑或建筑群僅確定了功能和面積等控制性參數,沒有完成具體的建筑設計。在此條件下,對規劃建筑總冷熱負荷進行逐時預測,粗略分析區域建筑空調負荷的逐時變化,對于市政部門進行能源基礎設施的合理配置、設計者進行方案決策和調整建筑群配比等意義重大。在區域能源系統設計階段,單體建筑設計已經完成,需進一步精確計算負荷,反映區域負荷的空間和全年時間特征。負荷計算準確與否關系到設備容量和供能方案的選擇、運行的優化管理等。因此,2個階段預測的條件、精度和指導意義都不同,見圖1。正確使用預測模型和預測方法是獲得正確的預測結果并指導能源規劃和系統設計的關鍵。規劃階段往往無大量歷史能耗統計數據和詳細的建筑信息,采用典型建筑數值