102_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：The analysis of energy consumption data of commercial building has important meanings to the energy conversation work. This article summarized the usual approaches and discussed two applicable methods for comparing between buildings: the energy indicator approach and the energy efficiency indicator approach. The limitation of total energy consumption in analysis is also discussed and sub-metered data is considered to be more useful. Key words：commercial building, sub-metering, energy consumption data 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 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 ，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。 ASHREA Handbook 2005（以下简称“ 手册 华为质量管理手册 下载焊接手册下载团建手册下载团建手册下载ld手册下载 ”）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（Energy use intensity）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-use Disaggregation Algorithm）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 工程第三方检测合同工程防雷检测合同植筋拉拔检测方案传感器技术课后答案检测机构通用要求培训 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 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 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（Benchmarking Electric & Non-Electric Energy Use in U.S. Office Buildings）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Microsoft Excel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 LEC评价法下载LEC评价法下载评价量规免费下载学院评价表文档下载学院评价表文档下载 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] 2005 ASHREA Handbook F32 SI: Energy Estimating and Modeling Methods[M] [2] Margaret F. Fels. PRISM: An introduction[J]. Energy and Buildings, Volume 9, Issues 1-2, February-May 1986, Pages 5-18 [3] Philip C.H. Yu, W.K. Chow. A discussion on potentials of saving energy use for commercial buildings in Hong Kong[J]. Energy, Volume 32, Issue 2, February 2007, Pages 83-94 [4] Bing Dong, Siew Eang Lee, Majid Haji Sapar. A holistic utility bill analysis method for baselining whole commercial building energy consumption in Singapore[J]. Energy and Buildings, Volume 37, Issue 2, February 2005, Pages 167-174 [5] J.-U. Sjögren, S. Andersson, T. Olofsson. An approach to evaluate the energy performance of buildings based on incomplete monthly data[J]. Energy and Buildings, Volume 39, Issue 8, August 2007, Pages 945-953 [6] Joseph C. Lam, Kevin K.W. Wan, K.L. Cheung, Liu Yang. Principal component analysis of electricity use in office buildings[J]. Energy and Buildings, Volume 40, Issue 5, 2008, Pages 828-836 [7] Sartor Dale, Piette Mary Ann, Tschudi William, Fok Stephen. Strategies for energy benchmarking in cleanrooms and laboratory-type facilities[R]. 2000 ACEEE Summer Study on Energy Efficiency in Buildings, August 2000 [8] Kissock, J. K., Seryak, J. Understanding Manufacturing Energy Use Through Statistical Analysis[C]. http://repository.tamu.edu/handle/1969.1/6033 [9] Wen-Shing Lee. Benchmarking the energy performance for cooling purposes in buildings using a novel index-total performance of energy for cooling purposes[J]. Energy, Volume 35, Issue 1, January 2010, Pages 50-54 [10] Kinney, Satkartar, Piette, Mary Ann. Development of a California commercial building benchmarking database[DB]. ACEEE 2002 Summer Study on Energy Efficiency in Buildings, August 2002 [11] Terry Sharp,Oak Ridge National Laboratory. Energy Benchmarking In Commercial Office Buildings[R]. http://www.energy.ca.gov/greenbuilding/documents/background/13-ORNL_COM_BLDG_BENCHMARKING.PDF [12] Olofsson Thomas, Meier Alan, Lamberts Roberto. Rating the energy performance of buildings[J]. The International Journal of Low Energy and Sustainable Buildings, Vol.3, 2004 [13] S. A. Kalogirou. Applications of artificial neural networks in energy systemsA review. Energy Conversion and Management[J], Volume 40, Issue 10, July 1999, Pages 1073-1087 [14] N.Brown, A.J.Wright. New approaches to gathering, analysis and interpretation of half hourly energy metering data from buildings[J]. International Journal of Low-Carbon Technologies 2007 2(1):80-96 [15] C. Norén, J. Pyrko. Typical load shapes for Swedish schools and hotels[J]. Energy and Buildings, Volume 28, Issue 2, October 1998, Pages 145-157 [16] Mary Ann Piette, Sat Kartar Kinney, Philip Haves. Analysis of an information monitoring and diagnostic system to improve building operations[J]. Energy and Buildings, Volume 33, Issue 8, October 2001, Pages 783-791 [17] H. Akbari. Validation of an algorithm to disaggregate whole-building hourly electrical load into end uses[J]. Energy, Volume 20, Issue 12, December 1995, Pages 1291-1301 [18] Leslie K. Norford, Steven B. Leeb. Non-intrusive electrical load monitoring in commercial buildings based on steady-state and transient load-detection algorithms[J]. Energy and Buildings, Volume 24, Issue 1, 1996, Pages 51-64 [19] M. L. Marceau, R. Zmeureanu. Nonintrusive load disaggregation computer program to estimate the energy consumption of major end uses in residential buildings[J]. Energy Conversion and Management, Volume 41, Issue 13, 1 September 2000, Pages 1389-1403 [20] "Mario Berges, Ethan Goldman, H. Scott Matthews, Lucio Soibelman. Training Load Monitoring Algorithms on Highly Sub-Metered Home Electricity Consumption Data[J]. Tsinghua Science & Technology, Volume 13, Supplement 1, October 2008, Pages 406-411 [21] H Pihala. Non-intrusive appliance load monitoring system based on a modern kWh-meter[R]. VTT PUBLICATIONS, 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]