建筑能耗预测方法综述.doc

《建筑能耗预测方法综述.doc》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、建筑能耗预测方法综述【摘要】建筑的能源消耗情况被很多因索影响，例如天气环境情况,建筑结构和特点，子组件的性能，例如照明和空调通风系统，入住率和他们的住户的行为。这些复朵的情况使准确的预测建筑能耗变得很怵1难。本文综述了关于建模和建筑能耗预测的最近的工作。这些方法包括工程、统计和人工智能的方法。【关键词】建筑能耗预测方法；工程方法；统计方法；人工智能；支持向量机1建筑能耗现状建筑能耗占总能耗的40%,占C02总排放量的36%。［1］建造能耗预测对提高建筑的能源性能，达到节能和减少环境影响的目的有很显著的作用。精确的能耗预测是很怵I难的，

2、最近几年，很多预测方法已经被提出和应用在能耗预测的问题上。其中使用最广泛的人工智能方法是人工神经网络和支持向量机。2预测方法2.1工程方法工程方法使用物理原理计算热动力学和整个建筑水平或了组件水平的能源行为。在过去五十年他们已经充分发展了。这些方法大致可以分成两类，详细的综合的方法和简化的方法。综合方法使用非常精细的物理函数或热动力学，按部就班的准确计算建筑所有组件的能源消耗，输入建筑和环境信息（比如外部气候条件、建筑施工，操作，公用事业费率和空调设备）。几百种软件工具已经被开发出来用于评估能源效率，例如DOE-2,EnergyPlu

3、s,BLAST,ESP-r.有些已经被广泛应用于提高建筑能耗水平和分析能源消耗和建筑保护措施。虽然这些精细的仿真工具是有效并口准确的，但是，这些工具是基于物理原理得到准确的仿真结果，他们需要详细的建筑和环境参数作为输入数据。这些参数对很多组织来说很难得到，而口运行这些工具需要繁琐的专家工作，使这个很难执行而且成木效率不高。因此一些研究人员提出了相对简单的模型作为某些应用程序的代替。简化的模型有两种。一种是度口数法，是单测量法，这种稳定状态下的模型适用于评估小型建筑的能耗基于维护的能耗占主导位的时候。另一种是bin数据方法，或者叫逐时温

4、度方法。可以用于模拟大型建筑，内部产生的负荷占主导地位或者负荷时非线性的根据室内外气温的变化而不同。在简化模型和精确模型之间没有明显的界限。用一些综合性的工具来进彳亍简单的模拟也是可能的，例如EnergyPluSo[2]AI-Homoud建议，如果是为了研究趋势，对比系统，然后简化分析方法可能就足够了。相比之下，对于详细的建筑能耗分析和子系统和生命周期成木分析，更综合的工具应该更合适。[3]2.2统计方法统计回归模型简单的把与能耗或者能源指数与影响变量相关联。这些实证模型是从历史性数据中开发出来的，也就是说训练模型之前我们需要收集足够

5、的丿力史数据。许多关于回归模型的研究被提出基于以下问题。首先是在简化变量的皋础上预测能量使用率，例如一个或者一些气象参数。其次是预测有用的能源指数。第三是估计能源使用的重要参数，例如总的热损失系数，总热容量，增益因子（在分析建筑或者低层次系统的热行为上是很有用的）。Aydinalp-KoksalandUgursal[4]建议当我们预测国家级别建筑能耗时考虑基于回归算法的模型叫ConditionalDemandAnalysis（CDA）需求条件分析。在他们的实验比较中，CDA表现出了准确预测能力和神经网络和工程方法一样好。但是，更容易开

6、发和使用。然而CDA的缺点是缺少细节和灵活性而且它需要大量的输入信息。CDA同样应用于分析住宅能耗的早期工作。2.3神经网络人工神经网络被广泛应用于建筑能耗预测应用方面的人工智能模型。这种模型擅长解决非线性问题而且是对这种复朵的应用程序（建筑能耗预测）的有效的解决方法。过去的二十年里，研究人员已经应用ANNs分析在不同条件下多种建筑类型的能耗。例如热/冷负荷，用电量，子水平部件运行于优化，使用参数的估计。神经网络和其他预测模型的对比，Azadehetal.⑸指出神经网络对于用电波动较大的制造业的年电力消耗预测优于通过AN0VA方差分析

7、计算的传统的非线性冋归模型。Aydinalpelal.[6]指出神经网络在估计家电，照明和制冷能耗ALC和社会经济因素对加拿大住宅市场消费的影响方面比工程模型可以得到更高的预测表现。Neto[7]在建筑能耗预测方面比较了复杂的工程模型和神经网络模型。两个模型都表现出了和高的准确率，但是,ANN在短期预测方面比工程模型稍微好一点。2.4支持向量机支持向量机SVMs逐渐应用于研究和产业。他是高度有效的模型，在解决非线性问题时甚至需要很少数量的训练数据。在过去五年里许多在建筑能耗分析上进行了关于这些模型的研究。Lietal.[8]用SVMs

8、预测办公建筑的逐时冷负荷。支持向量冋归的表现比传统BP神经网络要好。HouandLian[9]也使用SVMs预测HVAC系统的冷负荷，结果显示SVMs比ARIMA模型要好。所有的研究表明SVMs在预测逐时和逐月建筑能耗方