NM-BIN模型在热湿地区建筑能耗评价中应用

通过分析大型公共建筑能耗数据所具有的海量性、随机性、序列性等特征,建立了基于多元线性回归与一阶自回归算法的大型公共建筑能耗动态模型。研究了模型参数估计问题,结合f与χ2两种方法,理论验证了模型显著性与有效性;根据西安市某大型公共建筑能耗数据,实验验证了该模型的逼真性、可行性与强健性。因此,该模型能对既有与新建大型公共建筑能耗进行实时动态预测,解决了节能定量化研究、定额用能的"瓶颈"问题,为大型公共建筑能耗审计及等节能制度的实现提供科学指导。

规范型建筑能耗模型是一种基于国际能耗规范对建筑能耗现状进行评价、分析的方法.相比于详细建筑模型软件(如energyplus),规范型建筑能耗模型具有建模快、速度快等优势.基于规范型建筑能耗模型,对中国石油大学(华东)某办公楼的能耗现状进行分析,并对节能方案进行评估.结果表明,规范型建筑能耗模型对于我国办公楼的能耗分析具有较好的应用前景.

为了能够准确预测建筑能耗；以人工神经网络中的前馈神经网络和物理原理建立的建筑模型作为能耗方案进行预测分析；并建立了从外部和内部获得热量的系统方程.以办公楼为例；对比两模型对能耗预测结果的准确性；并且输入实际参数值；将计算结果与实际值进行对比分析.采用energyplus进行了参数分析；以评估不同参数对预测结果的影响.结果表明；两种模型均适用于能耗预测；内部负荷对能耗预测的影响更为显著.

建立了基于energyplus的天津市cbd建筑能耗预测模型,对影响该市cbd建筑能耗的设计参数进行了灵敏性分析,选定其中9个关键设计参数,建立了天津市小白楼cbd建筑年总能耗的预测回归模型并进行了验证。研究结果显示,照明功率密度、设备功率密度、窗墙比等参数对cbd建筑总能耗影响较大,天津市cbd能耗预测回归模型r~2为0.966,估计标准偏差为1.122w/m~2；能耗预测值与模拟值的最大偏差分别为-12.813%和-7.063%。

本文利用灰关联分析法,对影响办公建筑能耗的8个不可控因素进行了排序与筛选,确定了5个显著不可控影响因素,利用此5个因素与建筑总能耗之间的关联系数对样本建筑进行了聚类分析,得到了基于不可控影响因素相似性的建筑能耗分类模型,确定了能耗基准参考值.通过对建筑分项能耗的进一步分析,结合建筑可控影响因素的调研结果,进一步明确了具备节能潜力的样本建筑,提出了一套完善的建筑能耗基准确定及用能水平评价方法.

通过研究分析夏热冬冷地区公共建筑能耗变化特点,建立了rbf神经网络建筑能耗预测模型。在此基础上运用微粒群算法对模型优化,建立了基于pso-rbf的建筑能耗预测模型。利用大量数据构造样本集,运用软件分别对优化前后的预测模型进行训练,并运用到典型公共建筑能耗值的预测实例中。结果表明基于pso-rbf的建筑能耗预测模型的学习能力和预测能力强,能较准确地实现公共建筑能耗预测。

为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于kpcawlssvm的建筑能耗预测模型。利用核主元分析(kpca)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(wlssvm)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(cpso-sa)算法对模型参数进行优化,以提高模型的预测性能及泛化能力。通过将kpca-wlssvm模型方法应用于某办公建筑能耗的预测中,并与wlssvm、lssvm及rbfnn模型相比,实验结果表明,kpca-wlssvm模型方法能有效提高建筑能耗预测精度。

针对建筑能耗的预测问题,提出一种基于深度条件受限玻尔兹曼机(crbm)的预测方法.首先,将传统受限玻尔兹曼机进行扩展,融入一个历史条件输入层,使其能够根据历史时间序列来预测未来序列.然后,在crbm基础上构建深度crbm模型,用来执行建筑能耗的预测.在一个\"个体家庭电力消耗\"数据集上的实验结果表明,提出的方法能够准确预测出预定时间段内的建筑能耗,能够为电力调度提供一定的依据.

建筑能耗分析是建筑节能设计的关键环节,传统建筑能耗分析往往时间上存在滞后性、分析结果粗糙、精度低。基于bim平台建立了大连市某高校教学楼的建筑信息模型,通过dynamo可视化编程实现了对建筑信息模型外围护结构参数的自动设置和提取。通过greenbuildingstudio的web端获取建筑能耗模拟云计算基础数据并进行能耗定量研究与回归分析。基于计量经济学一般方法,建立了年度耗电量和燃料使用量能耗计算模型并进行验证。结果表明,能耗计算方程准确性较高,误差率分别在5%和3.8%以内。该模型计算建筑能耗方便快捷,可操作性强,可用于建筑设计阶段寒冷地区的能耗计算,为能耗分析和建筑节能定量评价提供参考。

建筑能耗分析是建筑节能设计的关键环节,传统建筑能耗分析往往时间上存在滞后性、分析结果粗糙、精度低.基于bim平台建立了大连市某高校教学楼的建筑信息模型,通过dynamo可视化编程实现了对建筑信息模型外围护结构参数的自动设置和提取.通过greenbuildingstudio的web端获取建筑能耗模拟云计算基础数据并进行能耗定量研究与回归分析.基于计量经济学一般方法,建立了年度耗电量和燃料使用量能耗计算模型并进行验证.结果表明,能耗计算方程准确性较高,误差率分别在5％和3.8％以内.该模型计算建筑能耗方便快捷,可操作性强,可用于建筑设计阶段寒冷地区的能耗计算,为能耗分析和建筑节能定量评价提供参考.

本文针对公共建筑中存在的能耗问题,提出了一种实时监测模型.所提模型首先对建筑运行的能耗模式进行识别,并以此建立能耗模式判定树;然后利用模式匹配方法对实时采集得到的能耗数据和相同能耗模式下采集的历史能耗数据进行匹配,从而得到当前状况下的能耗是否处在正常状态.实验论证本算法较为实用.

夏热冬暖地区是我国经济和建筑产业最发达的地区之一,也是建筑能耗最多的地区之一。分析和研究夏热冬暖地区建筑能耗的特点对建筑节能有重要的意义。本文用equest建筑能耗模拟软件模拟了夏热冬暖气候下不同的建筑围护结构的能耗性能,并与实际调查结果进行了比较。结论表明:办公类建筑中的空调是最大的能耗终端,全年的能耗以办公设备和照明的能耗最稳定。有外保温措施和同时具有内、外保温措施最大区别在于节省空调电力消耗31.3%和39.1%。说明建筑外墙保温系统是建筑节能的重要手段。

本研究在modifiedbin法的基础上,通过几个重要的修订建立了一种新的bin法,命名为realbin法,以提高传统bin法在计算建筑能耗时的可信度。接着,本研究使用动态能耗模拟软件designbuilder对某一典型低层住宅进行能耗模拟,并将其模拟结果与realbin法计算结果进行比较。比较结果表明,realbin法计算结果与designbuilder模拟结果吻合得很好,这验证realbin法在计算建筑年能耗方面的可靠性。

建筑的能耗受到如季节、建筑的构造结构等多种因素的影响,目前对一栋建筑楼实现能耗预测往往采用单一模型,往往无法得到相对准确的结果.为了更好地描述建筑能耗规律,以南方某地为研究区域提出一种基于arima和bp神经网络的复合模型,模型的实例数据来源为南方某地某市政办公楼近两年的能耗月数据.首先,通过arima建模得到能耗值的拟合误差序列,再用bp模型修正误差值得到最终预测值.结果表明:复合预测模型的平均相对误差为0.2783%,而单一模型则高达2.6578%,复合模型的预测效果远优于单一模型,为准确实现建筑节能提出了一种新思路.

介绍建筑能耗基准评价方法和国外建筑能耗数据库的发展动态。介绍两个著名的建筑能耗基准评价工具。简要叙述上海市商用建筑信息数据库和商用建筑能耗预测工具的研究情况。

建筑能耗数据具有非平稳和非线性特征；单一预测模型很难对其进行精准预测；提出一种用于建筑能耗短期预测的新型混合模型；利用互补集合经验模态分解方法(ceemd)将波动性较大的能耗数据分解为一组本征模态函数和一个残差序列；基于反向学习、差分进化算法并引入控制参数λ对鲸鱼优化算法(woa)进行改进；有效解决算法早熟收敛与陷入局部最优等的问题；提出改进算法uwoa(upgradedwhaleoptimizationalgorithm)；利用uwoa优化elman神经网络的权值与阈值；优化后的elman神经网络对本征模态函数和残差序列进行预测并集成；得到能耗预测值；应用ceemd-uwoa-elman混合模型对上海某大型公共建筑能耗进行短期预测；结果显示混合模型获得很好的预测效果；

选用5个气象参数作为模拟量建立了逐日气象参数的模拟模型,通过平稳化变换将模拟量变换成平稳时间序列,采用混合回归模型进行了逐日量的模拟,根据模拟得出的逐日参数建立了逐时气象参数的模拟模型,用逐日、逐时模型对徐州地区的气象参数进行了模拟。

针对建筑运行中管理粗放、使用中能源浪费的问题,提出了基于支持向量机的能耗预测与异常诊断方法,为大型公共建筑节能提供理论支撑与实现路径。由于大型公共建筑具有极大的单位面积耗能量而得到广泛的关注。本文针对大型公共建筑能耗特点,从历史能耗数据、气候因素、时间周期因素三个方面选取11个输入参数作为样本特征,构建基于支持向量机的大型公共建筑能耗预测模型,对建筑逐日能耗展开预测。在能耗预测基础上,以测试集平均相对误差与最大误差作为判定标准进行能耗异常诊断,将该方法应用于夏季空调系统能耗异常诊断中,通过能耗预测值与实际值的对比,发现了空调系统运行中存在的不合理使用现象,为建筑节能管理运行提供参考。

针对建筑运行中管理粗放、使用中能源浪费的问题,提出了基于支持向量机的能耗预测与异常诊断方法,为大型公共建筑节能提供理论支撑与实现路径。由于大型公共建筑具有极大的单位面积耗能量而得到广泛的关注。本文针对大型公共建筑能耗特点,从历史能耗数据、气候因素、时间周期因素三个方面选取11个输入参数作为样本特征,构建基于支持向量机的大型公共建筑能耗预测模型,对建筑逐日能耗展开预测。在能耗预测基础上,以测试集平均相对误差与最大误差作为判定标准进行能耗异常诊断,将该方法应用于夏季空调系统能耗异常诊断中,通过能耗预测值与实际值的对比,发现了空调系统运行中存在的不合理使用现象,为建筑节能管理运行提供参考。

建立了一种基于k-w方法的建筑能耗预测模型,利用核主成分分析方法对影响因素进行数据简化,用来消除影响因素之间的复杂相关性；采用加权最小二乘支持向量机方法建立建筑能耗预测模型,对某建筑的建筑能耗进行预测,并与传统模型进行对比.结果表明:k-w模型相对误差的最大值降低,相对误差平均值降到了0.88；k-w模型具有更高的预测精度和泛化能力,相对于其他3种模型具有更高的稳定性,是一种更有效的建筑能耗预测手段；该模型可有效降低影响因素之间的复杂相关性对预测结果的影响,具有更高的预测精度.

提出一种粒子群算法优化的最小二乘支持向量机回归模型(pso-ls-svmr),以实现对公共建筑能耗的短期预测。采用某大型公共建筑物连续31期的用电量及所在地区相关天气指标的实测数据,分别运用pso-ls-svmr模型和lmbp神经网络模型对其建筑能耗进行短期预测,并对预测结果展开深入研究。研究结果表明,提出的pso-ls-svmr模型在对样本内数据和样本外数据的预测上均取得了较好效果,可以满足公共建筑能耗短期预测的实际需要,为建筑节能管理提供理论支持与决策参考。

建立徐州地区的逐日和逐时气象数学模型。经检验,由该模型模拟得出的气象参数反映了实测值所具有的规律性和数字特征,给建筑能耗分析工作提供了可靠的依据。