基于子空间辨识方法的建筑群热负荷预测研究

根据建筑热力模型和热负荷计算模型建立了状态空间模型,分别利用未指定状态变量和指定状态变量的子空间辨识方法构建了建筑群热负荷预测模型,并以哈尔滨市某小区换热站为例,验证和比较了2种方法的热负荷预测结果及训练策略和预测时长对预测精度的影响。结果表明:指定状态变量比未指定状态变量的子空间辨识方法的热负荷预测平均绝对百分比误差降低了10.00%;未指定状态变量的子空间辨识方法的中期预测效果优于短期预测,平均绝对百分比误差降低了13.34%。

基于属性特征的区域建筑冷热电负荷需求预测

电力、供热和制冷负荷预测是区域建筑能源系统规划设计和运行管理的重要基础。基于热关联度(Storage)、可关停度(Response)、可交易度(Trading)三个维度描述冷、热、电负荷属性特征,则区域建筑的冷、热、电负荷可通过与其属性相匹配的尖值转移、时间转移以及空间转移等措施进行满足,可为区域建筑能源系统规划方案的制定和系统建成后的高效运行提供理论依据和分析计算基础,从而有效降低能源资源浪费。

基于粗糙集和PSO-Elman的商业建筑空调冷负荷预测

为了精确预测商业建筑空调的冷负荷,建立基于粗糙集和PSO-Elman神经网络的预测模型。首先利用粗糙集对空调冷负荷的影响因子进行属性约简,然后应用粒子群算法优化Elman神经网络的权值和阈值,建立PSO-Elman商业建筑空调冷负荷的预测模型。采集桂林某商业建筑的空调数据和气象参数验证PSO-Elman预测模型的预测性能,并将该模型的预测结果与Elman预测模型的预测结果进行对比分析。研究结果表明,PSO-Elman预测模型的预测精度高于Elman预测模型,PSO-Elman预测模型预测结果的平均绝对相对误差、均方根相对误差、均方根误差和平均绝对误差分别为4.87%,6.15%,423.71和335.86,与Elman预测模型的预测结果相比,这些误差参数分别降低了2.46%,2.46%,169.65和156.57。由此可知,PSO-Elman预测模型能够精确有效地预测商业建筑空调的冷负荷。

基于IKHCMAC神经网络的建筑冷/热负荷预测研究

随着能源危机的爆发,建筑节能已成为我国可持续发展战略的重要组成部分,研究一种精准有效的建筑负荷预测方法是实现建筑供能系统的节能优化运行的重要基础。文章基于人工神经网络研究了一种建筑冷/热负荷智能预测新方法,采用改进的HCMAC神经网络作为预测模型,将粒子群优化与K-means聚类算法相结合,构建了一种新型的IKHCMAC神经网络预测模型,并借助TRNSYS模拟实验平台获得实验数据,与基于Kmeans聚类算法的HCMAC神经网络模型(KHCMAC)及经典IHCMAC神经网络模型相比较。结果表明:IHCMAC神经网络模型的迭代次数最高,收敛速度较慢,IKHCMAC神经网络模型较IHCMAC模型相比,迭代次数降低了75.86%,收敛速度更快;IKHCMAC模型的训练误差为0.29,在3种模型的训练误差中最小,IKHCMAC神经网络模型的学习精度更高;与IHCMAC模型相比,KHCMAC模型的泛化误差较之降低了26.67%,而IKHCMAC模型较之降低了93.33%,其泛化能力更强。

夏热冬冷地区居住建筑的供暖空调负荷预测

采用EQUEST软件对夏热冬冷地区8个典型城市154栋居住建筑的供暖空调负荷进行模拟,分析体形系数、外墙传热系数、屋顶传热系数、朝向窗墙比、外窗传热系数、综合遮阳系数与供暖空调负荷之间的关系。基于SPSS软件对上述变量进行多元回归预测分析,得出了适用于夏热冬冷地区八个典型城市的居住建筑供暖空调负荷预测方程,为建筑设计师提供了一种便捷的供暖空调负荷计算和节能设计方法。

基于蒙特卡罗模拟的区域建筑冷负荷预测模型

针对目前区域能源规划时单体建筑的参数不完备、无法用常规负荷计算软件对区域内各单体建筑进行负荷预测等难题,提出基于蒙特卡罗的区域建筑冷负荷预测方法。该方法首先建立适用于区域建筑群的冷负荷预测随机模型,并确定随机模型的风险变量分布特征,然后借助于蒙特卡罗随机模拟方法获得区域内各类建筑以及整个区域建筑群的峰值冷负荷概率分布和全年平均逐时冷负荷。同时利用实际应用场景相关参数模拟区域建筑群的冷负荷特性。仿真结果表明:区域建筑群冷负荷预测随机模型可以有效地计算区域内峰值冷负荷的频数分布和累积概率,在典型应用场景下,区域峰值冷负荷均值为60.9 MW,标准差为5.5。本研究有助于实现决策风险控制和成本控制,并将为区域能源规划提供一种可行的设计思路和方法。

城市热岛作用下办公建筑冷负荷的影响因素分析

通过对收集布置在天津市市区的5个温度监测点和位于市郊的西青气象站2003年夏季的气象资料进行分析比较,发现天津市区的平均热岛强度在3～5℃左右。利用能耗模拟软件EnergyPlus分析了建筑热敏感性以及夏季室内设计温度不同时城市热岛(UHI)对办公建筑冷负荷的影响。结果表明,敏感建筑加大了热岛对建筑冷负荷的影响,热岛强度每增加1℃,敏感建筑冷负荷增加2.01%,不敏感建筑增加1.6%;而室内设计温度Tn从24℃变化到28℃时,城市热岛对建筑冷负荷的影响更加显著。

围护结构热工参数与中庭类建筑冷负荷相关性分析

以广州某一设有中庭的大型建筑为对象建立模型,采用正交分析方法,研究了建筑外围护结构平均窗墙面积比、中庭屋顶天窗面积比、建筑外围护结构平均热惰性指标、建筑外围护结构平均传热系数与建筑冷负荷、中庭冷负荷的相关性。结果表明,建筑外围护结构平均传热系数与建筑能耗中度相关,与中庭能耗低度相关。影响中庭能耗的主要因素是中庭屋顶天窗面积比。

相同材质区域建筑冷负荷预测模型

针对区域建筑冷负荷预测中影响因素过多、区域规划阶段建筑数据不完备等问题,通过分析建筑冷负荷的组成及影响因素,认为具有相同朝向或朝向角相差90°且具有相同建筑材质的矩形区域建筑可整合为能表征其外扰冷负荷分布的特征建筑。对上海地区两区域建筑的冷负荷进行了模拟计算,并与整合后的特征建筑的冷负荷进行了比较,结果显示,特征建筑与该区域建筑有相同的单位体积冷负荷分布,区域建筑冷负荷预测可以转化为其特征建筑的冷负荷预测。

大型建筑群复合式热泵供热供冷技术研究及规模化应用

建筑供热供冷是社会各界高度关注的民生工程,热泵是将热能从低品位提升到高品位的高效低碳供能方式,也是国际建筑领域实现碳中和的重要途径。本项目针对大型建筑群复合式热泵供热供冷系统存在总冷热负荷动态预测方法缺失、规划设计体系不完备、系统运行能效低、关键技术和产品不配套、规模化推广难度大等问题,以提升复合式热泵系统能效、有效推进规模化应用为目标,系统性地开展了“负荷预测-优化设计-智慧运行-关键产品-标准推广”的全链条创新工作:提出了基于建筑特征、用户需求的大型建筑群供热供冷系统总负荷动态预测方法,开发了冷热动态负荷特征因子数据库和建筑群负荷集合寻优工具;提出了一种多场景复合式热泵系统能源总线架构理论,建立了仿真平台及综合评价体系,形成了系统容量弹性配置方法;建立了数字孪生复合式热泵系统模型,提出分层控制架构和预测方法,建立了智慧优化运行控制体系;研发了大型复合式热泵系统的关键技术和成套产品;制定了相关工程标准。相关研究成果实现了规模化稳定高效利用可再生能源供热供冷的技术突破,对推进建筑用能方式变革和实现建筑领域国家双碳战略起到重要支撑作用。

区域建筑冷负荷预测中的朝向因素分析及转换

通过对建筑墙体受太阳辐射得热的特性分析,把墙体所受太阳直射辐射得热量进行等效分解,在此基础上建立了建筑朝向转换规则,并以上海地区2种不同长宽比的实际建筑进行模拟分析,得到实际建筑与转换后建筑的冷负荷对比曲线,模拟结果显示,转换后的虚拟建筑冷负荷与实际建筑冷负荷有很好的吻合,建筑朝向对冷负荷影响的实质即为不同朝向的墙体面积和窗体面积的改变,在预测区域建筑冷负荷时,可以应用转换规则,把区域内建筑转换为同一朝向建筑进行分析,减少了朝向因素对冷负荷的影响。

人工神经网络在商场建筑物冷负荷预测中的应用

对空调系统进行冷负荷预测是对冰蓄冷系统进行优化控制的重要前提与基础。经过对各种预测方法的结果比较 ,人们发现人工神经网络预测的结果更接近实际值。基于人工神经网络的通用BP( Back Propagation)算法编制的程序 ,实际对一栋采用冰蓄冷空调的商场性质建筑物进行冷负荷预测并加以评价。此程序采用 Visual Basic编制 ,含有 7个输入层以及 1个输出层 ,利用通用 BP算法。结果显示利用人工神经网络预测建筑物冷负荷比较可靠。

基于气象参数的逐时建筑热负荷云预测

针对现有建筑热负荷预测精度不高和随机泛化能力不强的问题,在考虑短时热惯性因素情况下,对建筑热负荷影响因素进行Spearman秩相关性分析,借助K-mean聚类归纳热负荷预测多维多规则云推理发生器,以室外温度、太阳辐射作为规则前件输入,进行气象参数下基于正逆向云算法的建筑热负荷云预测。结果显示基于聚类的多维多规则云预测在保证预测可靠前提下,预测精度和随机泛化能力均得到提高,平均相对误差为3.72%,相较不分类多维单规则精度平均提高了76.12%,结果可为精细化供热、节约能源提供支持。

办公建筑空调冷负荷预测模型

及时准确的冷负荷预测对建筑空调系统的自动控制和节能运行具有非常重要的意义。通过回顾常用冷负荷计算和预测方法的研究并综合各方法优点,提出一种适用于办公建筑的逐时冷负荷分配系数法,并应用多个项目进行实际测算和验证,实现预测精度稳定在85%以上,保证了工程可实施性和通用性。

能源系统中电、气、冷、热负荷预测综述

负荷预测一直是能源系统规划和运营的重要组成部分。随着技术的进步,经济条件的变化和许多其他因素的影响,负荷预测变得越来越重要。负载预测所影响的因素和其自身的影响因素及其变化规律受到不同时间跨度的影响,由于其随机性和不确定性的特点,各能源系统准确地预测未来的负荷需求一直是一个具有挑战性的问题。本文主要概述了目前各能源系统中电、气、冷、热负荷预测的研究状况和模型方法,提出提高各负荷预测的精度不仅重视历史数据的积累,更应注重选择合适的预测模型,综合预测模型是未来能源系统负荷预测方法的发展方向。

应用人工神经网络预测建筑物空调负荷

用VB编制了人工神经网络的通用BP算法程序。根据西安参考年气象参数 ,采用动态模拟程序计算了某办公楼 4月至 9月逐时冷负荷 ,结果显示利用神经网络的预测值与计算值吻合。

ARX模型房间逐时冷负荷预测方法

准确的冷负荷预测能减低空调能耗,对建筑节能意义重大。针对回归方法不能实时反映外部因素突变问题,提出一种实时气象因子和历史负荷为输入变量的自回归模型(ARX模型)的冷负荷预测方法。对辐射的情况进行分类,用最小二乘法辨识模型的参数,并与De ST仿真结果进行比较。实验结果表明:该方法可实现对冷负荷的逐时预测,具有良好的准确性,且简单有效。

夏热冬冷地区被动式居住建筑夏季空调系统形式研究

被动式居住建筑在我国夏热冬冷地区目前已逐步开展试点工程,该技术体系如何适应该地区夏季高温气候条件,是亟待解决的一个问题。通过模拟、实验和理论计算相结合的方法,对德国标准和研究初步得出的夏热冬冷地区标准被动式居住建筑在该地区夏季的热湿负荷特性和空调系统形式进行了分析。结果显示,被动式居住建筑良好的围护结构条件可以显著降低严酷气候条件下的峰值负荷以简化空调系统形式。在90%的负荷保障率条件下,各房间新风送风温度维持在15~17℃,含湿量维持在10.7~10.9g/kg,独立新风系统可以满足该送风参数要求,从而承担全部室内热湿负荷。同时也应考虑结露问题和新风分室控制方式。

基于大数据的我国公共建筑空调负荷预测的研究进展

公共机构能耗监测平台为大型公共建筑空调节能运行和管理提供了大量数据。冷(热)负荷预测是建筑节能运行的关键环节,是实现建筑空调系统的优化控制的基础。文章从公共机构建筑大数据预处理、负荷预测算法及在空调系统节能运行应用等方面,综述了基于数据的公共机构办公建筑空调负荷预测进展,并进行展望。

热网供热中断后建筑物室内温度预测分析

近年来,城市供暖管道泄漏事故发生率逐渐上升,影响正常供暖供热,对居民生产生活造成极大危害.选用某典型建筑作为研究对象,运用DeST软件对典型居民住宅进行仿真模拟,得到其供暖期的建筑热负荷数据,运用最小二乘拟合法得到建筑热负荷的预测模型,在供暖期停止供暖时,结合天气预报数据进行建筑物热负荷的计算,结合室内热平衡方程对建筑物室内温度的变化进行预测,计算供暖停止后建筑物室内温度随着时间的变化,为事故发生时保证居民供暖基本温度所需的抢修时间提供依据.