建筑陶瓷运行阶段碳排放分析

对10家建筑陶瓷工厂的运行阶段碳排放进行研究,探索降低碳排放的有效途径和方法。通过对建筑陶瓷工厂不同运行阶段横向以及纵向的碳排放数据分析,化石燃料燃烧产生的二氧化碳排放比例约占80.4%,工业生产过程产生的二氧化碳排放比例约占4.7%,陶瓷工厂净购入的电力产生的二氧化碳排放比例约占18.0%。可以得出,采用清洁能源、合理原料配比、提高建筑陶瓷产品的质量和耐久性、环保、高效率低能耗的生产工艺和设备策略,可实现低碳生产化目标。为建筑陶瓷行业绿色、低碳、可持续发展提供理论和实践上的支持,也为其他行业的节能减排提供参考。

数据中心制冷空调系统能效评价指标研究

以促进数据中心高效绿色制冷行动实施为目的,介绍了在编团体标准《数据中心制冷空调系统能效等级评价标准》中关于数据中心制冷空调系统能源利用效率PUER的定义,以及多个数据中心的能源利用效率PUE和数据中心制冷空调系统能源利用效率PUER的调研结果,进行了对比分析并拟定了PUER指标,最后提出了能效提升路径。

数据中心余热利用实例分析与研究

以华北某数据中心的余热回收利用为例,介绍了该数据中心余热回收利用的方法,从数据中心的能源利用效率(PUE)、改造内容、前后对比及余热回收的优缺点等方面进行分析,提出了科学合理的数据中心余热利用建议。

数据分布特性对空调系统能耗预测的影响

空调系统能耗预测是实现智能调控、能源需求管理、系统节能的重要手段和前提之一,当前的空调系统能耗预测主要是基于机器学习算法。诸多机器学习算法的重要理论前提是数据的分布应尽量满足正态分布,然而空调系统的实际运行数据很少能满足正态分布特性,目前的研究鲜有涉及数据分布特性对空调系统能耗预测的影响。首先基于实际项目的空调系统能耗数据,从偏度和峰度两个指标分析了实际能耗数据分布与正态分布呈现出的偏离;然后通过对数变换对能耗数据进行数据变换,使能耗数据更接近于正态分布;接着以常见的4种能耗预测机器学习算法(广义线性回归算法、支持向量回归算法、人工神经网络算法、随机森林算法)对原始数据和经过数据变换后的数据分别进行空调系统能耗预测工作,分析负荷预测结果的RMSE和R^2统计量。结果对比发现,数据的分布特性对能耗预测有着重要的影响,合适的数据变换可以有效地提高空调系统能耗预测机器学习算法模型的预测效果。

数据挖掘技术在建筑暖通空调领域的研究应用进展

本文立足于建筑暖通空调数据挖掘框架流程、数据来源与预处理、数据挖掘应用3个层次,全面阐述了数据挖掘技术应用于建筑暖通空调领域的研究应用进展。文章对数据挖掘应用于建筑暖通空调的主要研究方向:建筑能耗数据分析、故障检测与诊断、优化运行与控制等3个方面的现有研究与应用成果做了细致的归纳总结,对其中的数据挖掘关键技术做了全面分析,最后对未来的发展方向进行了展望。