迈向能源比例建筑的前景：绿色建筑试验台的能耗评估与分析外文翻译资料

英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

附录A 译文

迈向能源比例建筑的前景：绿色建筑试验台的能耗评估与分析

摘要：建筑物的能源效率对环境和可持续性至关重要。在美国，建筑物造成了大量的能源消耗和二氧化碳排放。利用LEED金牌认证的绿色办公大楼，我们为多学科能效研究项目搭建了一个独特的实验平台。我们通过网络计量基础设施收集了近一年的建筑能源数据。在本文中，我们对这些数据进行了系统的评估和分析。调查结果表明，由于中央控制的供暖、通风、空调和制冷（HAVC）系统，此类大型办公楼的总能耗与实际使用和占用率不成比例。甚至与外界天气的相关性也很低。通过从计算机行业的节能工作中吸取的经验教训，我们展望了未来的能源比例建筑设计。此类建筑的能耗将与实际使用和占用率成比例。我们还讨论了我们从计算机行业学到的关于此类建筑的关键思想。

索引词——绿色建筑、能源效率、能源建模、智慧能源、能源比例建筑

Ⅰ. 引言

建筑物的能源消耗量很大，建筑物的能源效率对环境和可持续性至关重要。根据一项关于美国建筑物对自然环境影响的普查，建筑物的二氧化碳排放量约占总排放量的38%；占总电能消耗的71%；能源使用总量的39%；12%的用水量；40% 的非工业废物 [1]。与此同时，传统化石燃料的成本不断上升，对地球气候和生态平衡的负面影响，使我们有必要寻找新的清洁能源，提高建筑的能源效率。

然而，建筑物是复杂的系统，许多因素会影响不同建筑物的总能耗。通过对不同类型建筑物的建模和分析，找出主要因素和模式是有意义的。这些结果可用于构建适当的方法和策略，以提高“绿色”和“非绿色”（传统）建筑的能源效率。我们将该主题的研究总结为三个连续的关键步骤：

1. 能量监测。能源的消耗和产生以不同的粒度进行监控和记录，包括整个建筑、楼层、部门、实验室、房间，甚至是居住者。
2. 能源建模与评价。通过离线建模和评估，找出可能影响消耗的能源消耗模式和因素及其影响程度。

（3）实际变化和战略调整。建模和评估结果应用于寻找建筑物的关键能源组件，进行改造，并制定相应的策略来降低能源消耗。在本文中，我们将重点放在前两个步骤上，同时讨论一些重要问题和我们对第三步的想法。我们的研究基于一个新的校园绿色建筑试验台。我们之前的工作[2] 大约是第三步。与许多其他仅基于模拟的现有工作不同，我们的工作基于当前正在使用的建筑测试平台的真实测量数据。

本文的主要贡献在于：（1）为能效试验提供了一个独特的绿色建筑试验台，（2）找出能耗与环境因素（如温度和湿度）之间的短期和长期相关模式，（3）使用回归建模和分析找出长期内的日平均能耗模式，（4）通过分别研究办公时间和下班时间，以及分别研究夏季和秋季，找出占用率的影响；（5）通过系统评估和分析，确定“能源比例”的缺失，（6）揭示我们从分析中吸取的教训，并讨论我们的想法，即通过遵循计算机行业的类似概念来创建能量比例建筑。

本文的其余部分组织如下。测试台描述和评估的基本方法见第二节。详细评估见第三节。第四节进行了一些简要讨论。第五节介绍了一些相关工作。第六节提出了结论和今后的工作。

Ⅱ. 试验台和方法

在本节中，我们将描述我们使用的测试平台，并介绍建模和分析的方法。它与我们之前的工作 [2] 中描述的测试平台相同。

A、试验台的描述和特性

我们的测试平台是一座 150,875平方英尺的大型办公楼，建于2010年。它获得了美国绿色建筑委员会 (USGBC) [4] 颁发的LEED评级系统 [3] 的金级证书。图1显示了建筑物的外观。它采用了一系列能源效率和可持续性特征。图2说明了我们的测试平台中监控和存储网络的结构。目前，建筑物的整体消耗和资源使用情况通过一系列仪表进行监控和记录。然后每隔1小时（有些是30分钟）通过有线网络将数据传输到后端中央存储服务器，以供将来使用SQL（结构化查询语言）进行离线数据建模和分析。

图 1 计量网络及在线实时监测

通过与楼宇管理和维护人员的讨论，我们知道这是一座非常典型的大型绿色办公楼，具有典型的暖通空调、照明和供水系统等子系统。我们相信，该试验台的实验和进一步的数据分析结果适用于其他大型办公楼。

B.数据来源和分析方法

我们研究了计量结构，通过分析各参数之间的关系，整理出最有用的测量数据。在此基础上，我们使用的数据点包括：总电能消耗、加热和冷却能耗，以及室外和室内环境数据，如温度和湿度。加热和冷却部分可以被视为HVAC消耗，而总用电量涵盖了建筑物中更广泛的负载。尽管单独的照明数据可能有用，但目前无法获得此类数据。此外，数据大多是半小时或每小时记录的数据，我们将它们统一到每小时的基础上进行统一分析。

我们的主要建模和评估目标是确定能源消耗模式，并了解其与以下因素的关系：（1）环境因素，（2）入住率。因此，我们首先分析了电、热、冷能耗与室外环境因素之间的关系。我们的方法是对每小时记录的数据进行短期（大于1天，小于1周）和长期（数月）相关分析，以显示总体趋势。我们将每小时数据分组为多个粒度，如每周和每月，以揭示相对较长时期内的完全相关性差异。我们还开发了多元多项式回归（MPR）模型和多元线性回归（MLR）模型来揭示长期平均季节性趋势。此外，为了揭示入住率对建筑能耗的潜在影响，我们将数据集分为工作时间和下班时间，并进行详细的评估和比较。

Ⅲ. 评估与分析

在本节中，我们将介绍详细的建模和评估结果以及相应的分析。

1. 环境影响分析

在这里，我们关注温度和湿度等环境因素，并研究其对总电气和暖通空调能耗的影响。

1. 短期基本趋势分析

图2显示了7天的总电能消耗轨迹。我们观察到总耗电量在400kWh到500kWh之间切换。在咨询建筑维护人员后，我们发现供电系统提供了粗略的冗余容量，一些主要的开关装置可能导致了上述模式。总的来说，电耗在白天和夜晚之间变化很小，这意味着它可能与入住率的相关性很低。

对于供暖和制冷，我们的试验台大楼使用两个协调的热水和冷水回路子系统，为每个房间创造指定的舒适温度。图3显示了同一时期的加热数据（由于加热和冷却子系统之间的模式相似，在本文中，我们主要讨论加热数据结果）。请注意，在图中，我们使用英国热量单位（BTU）作为加热和冷却单位。1 BTU等于1055焦耳或0.293瓦时。在图3中，我们大约看到7个峰值。采暖能耗周期性明显。

观察结果：（1）电力负荷涵盖了各种各样的电器，其中一些可能与环境因素或占用情况有关。因此，单独调整HVAC、照明、办公设备和其他负载等子系统可能有助于降低能耗。（2）加热和冷却子系统受室外温度的影响大于电气子系统。我们认为，这主要是由于大型建筑暖通空调系统的设计方式。

2）短期相关性分析

根据以上两个数据，我们初步观察到，供暖和制冷与室外天气状况的相关性高于总用电量。为了验证这一观察结果，我们直观地检查了两组因素之间的简单相关性：（1）第1组由电力消耗、热能和冷能组成； (2)2组含温湿度。我们将它们放在一起，看看是否有任何明显而直接的联系。

图4显示了电能和温度之间的关系。它几乎没有线性关系。图5是热能与温度的关系，其中我们还没有发现很强的线性关系。观察：总体而言，与总用电量相比，热能与室外天气条件的相关性相对更高。

3） 长期相关性分析

我们现在研究多个因素在较长时期内的相关性。在过滤掉不完整和不准确的数据后，我们得到一个持续大约10个月（39周）的数据集。它的范围从2011年3月18日到2011年12月31日。我们将数据分组为几周，每周有24*7=168个数据点。对于每个168个数据点集，我们计算多个因素之间的相关性。这些因素包括：温度（表示为X）、湿度（Y）、总电能消耗（Z）、热能（H）和冷能（C）。我们还根据密苏里气候公约在时间线上标记季节。

电能消耗与天气状况之间的相关性如图6所示。它们大多在0.5以下。有趣的是，夏季的相关性略高于秋季和冬季。结果验证了我们在前面介绍的短期分析中获得的视觉测试结果。请注意，图中的X和Y不是指 x轴和y 轴，而是我们符号中的温度和湿度。热能与天气条件的相关性结果如图7所示。

观察：数据分析清楚地表明，总电能消耗与室外天气状况的相关性较低。加热和冷却能耗也是如此。数字大致表明，供暖和制冷系统并未主动将室外天气状况作为因素来动态调整运行时间表和政策以节省能源。

4）日均数据分析

到目前为止，我们研究了每小时的电力、供暖和制冷能源数据（每小时1个数据样本）。我们还将数据汇总到每日平均值中，以查看是否有任何新发现。具体而言，我们计算每日平均温度和湿度，以及每日的总电、加热和冷却能耗。通过这样做，我们每天都有一个数据集，2011年5月1日至2011年12月31日期间共有245个数据集。

每日供暖和制冷趋势如图8所示。供暖和制冷数据的季节性明显，夏季制冷较多，供暖能源较少。总的来说，在上述期间，能源使用量为81亿英热单位供暖和169亿英热单位供冷。有趣的是，冷却系统使用的能量大约是加热的两倍。在夏季的几个月里，制冷能源的使用量明显高于其他月份。每日电能消耗趋势如图9所示，其中我们发现一个非常规律的波动。季节性不是很明显。

观察：该建筑的电力供应相对固定，通常提供“额外容量”以满足任何突发使用。换句话说，大量电能被浪费了，尤其是在下班后。

1. 回归建模与分析

我们进一步使用回归模型来分析多个因素之间的关系，并观察统计结果，看看它们是否能够证明研究结果的合理性。我们尝试了多元多项式回归（MPR）和多元线性回归（MLR）模型，并比较了这两种结果。首先，我们使用相同的每日平均数据集，并且我们有每天的数据点向量。矢量为lt;日平均温度、日平均湿度、日电能、日加热能、日制冷能gt;，共有245个数据矢量。我们计算了这两类回归模型中各因素的系数，计算了误差，并进行了检验，以检验模型的有效性。

表 I 展示了MPR和MLR在以温度和湿度作为两个参数的情况下对电、加热和冷却能量进行预测的结果。如表I所示，决定系数R2是回归 [5] 解释的总变化的分数。例如，对于电能MPR，R2为0.1902，这意味着MPR回归模型只能解释19.02%的电能使用变化。相比之下，冷能的R2值为0.9884，这意味着MPR可以解释98.84% 的冷能消耗变化。这个结果验证了我们之前的结论。

我们还使用3D图来演示回归模型与测量值散点图的拟合程度。使用 MPR 的电能和热能结果分别如图10和图11所示。

观察：电能和热能之间的回归模型差异清楚地提醒我们，建筑物的各种能源子系统受环境因素的影响是不同的；因此，为了提高能源效率，我们应该按照观察到的那样单独调整每个子系统。例如，加热和冷却对环境的反应更大，我们可能会根据环境条件来调整HVAC系统的运行策略并节省能源。

1. 入住影响分析

在本节中，我们将重点关注入住率，并研究其对能耗的影响。

1. 工作日/周末能耗比较

我们将数据大致分为三个子集：正常办公时间（工作日上午8:00至晚上8:00）、下班后（工作日晚上8:00至上午8:00）和周末（整个周六和周日）。我们按周研究数据，每周我们有三个子集。对于每个子集，我们计算它们在24小时内的平均电能和热能，并比较它们以查看差异。结果分别如图12和图13所示。从图12可以看出，办公时间的电能消耗比非工作时间和周末的电能消耗高出约15%。下班后和周末的数字没有预期的那么低，这也说明当前的建筑运营效率远非高效，并且与实际使用量或入住率不成比例。

然而，如图13所示，供暖能耗模式略有不同。总体而言，下班后的采暖能耗比周末高约6%，比办公时间高19%。有趣的是，与其他两个相比，办公时间的供暖消耗是最低的。这可能是由于办公时间的入住率较高，更多人在建筑物内活动并提供体热，从而减少了外部供暖能源需求。

观察：分析清楚地表明，实际入住率对能源消耗的影响很小。理想情况下，下班后和周末的数字应该明显低于办公时间的数字，因为所调查的建筑物测试台的主要目的和用途是用于校园教学和研究。

2） 相关性比较：工作日和周末

我们还想看看不同时间的入住率是否有不同的相关模式。例如，当办公时间使用率较高时，我们想看看总能耗是否与环境因素有更显着的相关性。这种分析可以帮助确定占用率如何影响能源子系统，然后可以将其用于调整子系统以获得更好的能源效率。

结果如图14所示。它由三个子图形组成，每一个子图形叠加三条曲线。它们说明了不同时间内各种参数之间的相关性。图14表明，不同的小时数和不同的入住率对相关模式没有非常显著的影响。在图14的示例中，我们只考虑温度和湿度的类似结果。还请注意，一些数字中的一些“断裂部分”是因为这几周少了一小部分数据。然而，这并没有改变基本观察结果。

3) 能源消耗比较：学期和假期

为了进一步了解入住

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[590843]，资料为PDF文档或Word文档，PDF文档可免费转换为Word