CN104483843A - 办公用能的预测方法 - Google Patents

Abstract

本发明属于建筑能耗预测领域，为了达到节能目的，提出用能管理方法，修正节能薄弱环节。为此，本发明采取的技术方案是，办公用能的预测方法，包括下列步骤：1.建立人员在室率模型；2.建立设备逐时功率模型；3.建立灯具逐时功率模型；4.基于1得到的逐时人数和2-4得到的逐时功率，计算室内用能逐时功率，结合运行时间，得到目标办公室长期预测中的日平均用电量；5.提出用电优化方案。本发明主要应用于建筑能耗管理。

Description

办公用能的预测方法

技术领域

本发明属于建筑能耗预测领域，具体讲，涉及办公用能的预测方法。

技术背景

目前，国内外诸多学者对建筑能耗的估算和预测方法进行了探讨。当前最常用的办公能耗预测方法是面积指标法，即将设备和照明功率以单位面积为基数，根据具体使用面积进行预测。这种方法是基于大部分建筑的现有情况总结而来，而通过调研发现，面积指标法对能耗的预测对于特定的某个建筑或房间是十分粗略的。事实上，设备和灯具的使用都是由于人员的需求产生的，其能耗主要受人员的使用习惯影响，因此本发明提出以人员使用习惯为基准的能耗预测方法，方法中的设备和灯具功率预测模型是根据对大量办公室的实地调研分析总结得出的，符合办公室的实际使用情况。

在空调系统冷热负荷方面，更多的研究侧重于室外条件的影响和计算，而对室内负荷的计算比较粗粗略，一方面，现行的空调负荷的计算方法将人员与用能设备割裂开来，忽略了实际使用中人员与设备、照明等散热量之间的联系，另一方面，对内部负荷的计算仍采用面积指标法，未充分考虑室内用能和室内散热量之间的能量转化与守恒关系，因而不能准确表示实际中多变的室内发热量，导致空调负荷的设计值偏大，造成“大马拉小车”的现象。

发明内容

建筑节能是当前实现节能减排目标的重要课题，对于办公建筑，室内能耗主要来源于照明插座用能和空调系统用能。对于未投入使用的办公室，为了达到节能目的，业主或使用者需根据基本信息及使用要求预测办公能耗，进而提出用能管理方法，修正节能薄弱环节。为克服现有技术的不足，提供办公用能预测方法，一方面实现全面了解办公室用能的基本信息和分项使用情况，科学合理的对照明插座能耗进行评估和预测，并从根本上找到节能薄弱环节加以改进，另一方面可以根据能耗数据，提出采暖空调室内负荷计算依据，为准确估算或预测采暖空调能耗提供依据。为此，本发明采取的技术方案是，办公用能的预测方法，包括下列步骤：

1.建立人员在室率模型，得到逐时在室人数，输入参数为：满座人数；刚刚开始工作的时刻、达到人员在室率的最大值和出现时间、普通水平的人员在室率的数值和出现时间、休息或下班的时间及分别对应的在室人数，这4对数据为办公室在稳定使用情况下的数据；所述输出参数为：人员在室率随时间的变化曲线，此曲线为三次多项式曲线；

2.建立设备逐时功率模型，计算室内设备逐时功率，输入变量为：设备类型；各类型设备的台数及额定功率，对于主要用能设备，还需输入使用时间，输出变量为：办公室稳定使用时，设备瞬时功率预测值；

3.建立灯具逐时功率模型，计算室内灯具逐时功率，输入参数为：灯具数量及功率；输出参数为：灯具瞬时功率随时间的变化关系；

4.基于1得到的逐时人数和2-4得到的逐时功率，计算室内用能逐时功率，结合运行时间，得到目标办公室长期预测中的日平均用电量；

5.提出用电优化方案，输入参数为：用户预期日平均用电量，或用户预期日平均电费及所在地区办公建筑电价，输出参数为：用电的优化方案，针对设备和灯具在用电时间和用电强度两个方面提出设计和使用优化建议。

建立人员在室率模型具体为：

y_occ＝f(t)＝at³+bt²+ct+d    (1)

式中y_occ为人员在室率，为百分比数；

t为时间，单位小时；

a,b,c,d：分别是刚刚开始工作的时刻、达到人员在室率的最大值和出现时间、普通水平的人员在室率的数值和出现时间、休息或下班的时间及分别对应的在室率，由a,b,c,d得到一天内工作时间的人员逐时在室率随时间的分布曲线，在进行逐月、逐季度或逐年的长期用能预测中，用式(1)来确定平均逐时人员在室率。

建立设备逐时功率模型，包括对主要设备和其他设备功率模型：

(1)以主要设备的用能预测：将蒙特卡洛方法和马尔科夫模型相结合进行改进，创建适用于办公室平均电脑瞬时功率预测的蒙特卡洛—马尔科夫MCMC方法；

设备功率的预测依据对大量调研数据的处理和分析得到的结论，调研和数据处理的方法如下：

A.对工作时间的瞬时功率进行记录和统计，用到的仪器为功率计，每10分钟记录一次瞬时功率，记录时长为使用的无差别工作日1天；样本量大于总数量的1/3，每种类型的至少选择一台进行记录。将记录数据按照10W的间隔，统计每个区间的功率出现频率占总频率的比例，即概率P_i，并取中间值作为小间隔的代表值x_i；

B.按照人员的需求，将设备工作分为高、中、低和待机4个档位，为了得到各档位的代表值，据

$E=\underset{i}{\mathrm{\Σ}}{x}_i{P}_i---\left(2\right)$

式中x_i为变量，为A中各小区间i的中间值，分别为各档功率；

P_i为各小区间内瞬时功率出现的概率；

如此计算出的数学期望E，即为各档位的功率代表值；

C.MCMC方法的核心是计算转移矩阵，将电脑高、中、低和待机4个档位分别用3,2,1,0来表示，将从状态i转移到j的n步转移马尔科夫矩阵记为

$P_{\mathrm{ij}}^{\left(n\right)}=\left[\begin{array}{cccc}{p}_{00}^{\left(n\right)}& p_{01}^{\left(n\right)}& p_{02}^{\left(n\right)}& p_{03}^{\left(n\right)}\\ p_{10}^{\left(n\right)}& p_{11}^{\left(n\right)}& p_{12}^{\left(n\right)}& p_{13}^{\left(n\right)}\\ p_{20}^{\left(n\right)}& p_{21}^{\left(n\right)}& p_{22}^{\left(n\right)}& p_{23}^{\left(n\right)}\\ p_{30}^{\left(n\right)}& p_{31}^{\left(n\right)}& p_{32}^{\left(n\right)}& p_{33}^{\left(n\right)}\end{array}\right]---\left(3\right)$

式中表示通过n步从状态i转移到状态j的转移概率，当第k个数据是i且第(k+n)个数据是j时，计数器count(ij)增加1，全部循环所有的数据，得到状态i转移到状态j的次数count(ij)，除以总的转换次数

在实际应用中，由于数据统计按照每10分钟记录一次，因此以10分钟为一步步长，计算一步转移矩阵为式1-4，以20分钟为二步转移步长，依次类推，1小时为六步转移步长；

$P_{\mathrm{ij}}=\left[\begin{array}{cccc}{p}_{00}& p_{01}& p_{02}& p_{03}\\ p_{10}& p_{11}& p_{12}& p_{13}\\ p_{20}& p_{21}& p_{22}& p_{23}\\ p_{30}& p_{31}& p_{32}& p_{33}\end{array}\right]---\left(4\right)$

六步转移步长为最大的稳定转移间隔，从而得到基于马尔科夫链的电脑功率的逐时值如式(5)：

$X\left(t_k\right)=X\left(t_0\right)\·P_{\mathrm{ij}}^{\left(6\right)}\left(k\right)---\left(5\right)$

式中X(t_k)为第k小时的电脑瞬时功率，W；

X(t₀)为初始时刻的电脑瞬时功率，W；

为k小时的转移矩阵；

D.在调研得到的电脑瞬时功率数据最大值和最小值范围内，随机生成一组随机数，随机数的数目与台数一致，通过式(5)计算得平稳分布的数据，为得到平稳分布的数据，一般取k>50，在平稳段随机抽样，生成有效样本，对随机抽取的m个有效样本，求蒙特卡洛积分如式(6-a)：

E_com＝∫_mx_iP_i    (6-a)

式中E_com为中长期预测中，办公室电脑平均瞬时功率，单位瓦；

x_i为状态i的代表值，单位瓦；

P_i为状态i的稳态概率。

若式(6-a)中实际使用功率的时间序列无法得到，则各状态的代表值和稳态概率都无法获得，此时可应用式(6-b)：

式中为稳定状态下，状态i的功率代表值与额定功率之比；

RP为电脑额定功率，单位瓦；

P_i为状态i的稳态概率，为百分比数；

(2)其他设备的功率预测采用对额定功率附加使用率的方法来计算其平均功率，使用率包括功率和时间两个方面，一是功率系数，将功率系数取0.5；二是时间系数，将时间系数取为0.2。从而得到其他设备的功率预测方法如式(7)：

式中E_oth为中长期预测中，办公室其他设备平均瞬时功率，单位瓦；

为功率系数，按0.5计算；

为时间系数，按0.2计算；

E_RP为设备额定功率，单位瓦；

将调研数据整理分析后，得到主要设备的功率预测模型为式(6)，在未知电脑实时功率的情况下，所述输入参数为：电脑使用时间，电脑台数及额定功率，不常使用的设备的功率预测模型为式(7)，输入参数为：设备类型，每种类型设备的台数及额定功率。

计算灯具逐时功率具体为：

灯具的功率预测模型为“0-1”模型，即

式中E_lig为中长期预测中，办公室灯具平均瞬时功率，单位瓦；

l为办公室内不同的灯具类型；

n_i为i时刻开启的电灯数量，单位个；

E_p为每台灯具的额定功率，单位瓦；

以上为灯具逐时功率预测模型，输入参数为：工作区灯具数量及功率，对于未投入使用的办公室，按工作时间室内办公区灯具全部开启计算。

计算逐时用电功率，预测办公室中长期运行的日平均能耗具体为：

通过步骤2、3分别得到室内设备和照明的逐时功率，目标房间用电逐时功率见式(9)，得到工作时间内办公室室内平均每天的用电能耗见式(10)：

E＝n_occ·y_occ·E_com+E_lig+E_oth    (9)

$\mathrm{EC}=n_{\mathrm{occ}}\·E_{\mathrm{com}}\·{\∫}_0^{t_{\mathrm{work}}}{y}_{\mathrm{occ}}\mathrm{dt}+(E_{\mathrm{lig}}+E_{\mathrm{oth}})\·t_{\mathrm{work}}---\left(10\right)$

式中E为中长期预测中，办公室平均每天的逐时功率，单位瓦；

EC为中长期预测中，办公室平均每天的耗电量，单位千瓦时；

n_occ为满座人数，单位人；

E_com为稳态电脑功率的预测值，单位瓦；

t_work为人员正常工作时间，单位小时；

y_occ为人员在室率，％；

E_lig为照明功率预测值，单位瓦；

E_oth为其他设备待机功率预测值，单位瓦；

得到办公室室内平均每天的用电能耗，此能耗可以用来评估或预测中长期的办公室能耗，如逐月、逐季度或逐年。

提出用能优化建议具体为“

通过以上模型可以看出，决定耗电量的因素有逐时功率和用电时间，从式(10)可以看出，以逐时功率P或用电时间t为变量，耗电量与其呈线性关系，至少需要产生的节能率据式(11)计算：

$\mathrm{ESR}=\frac{{\mathrm{EC}}_{\mathrm{goal}}-\mathrm{EC}}{{\mathrm{EC}}_{\mathrm{goal}}}\×100\%---\left(11\right)$

式中ESR为达到预期能耗目标需要实现的节能率，％；

EC_goal为达到预期能耗目标时，办公室平均每天的耗电量，kWh。

此节能率可从逐时功率和用电时间两者中的一个方面或两个共同作用产生，从功率的角度，选用节能设备，同时做好设备维护，减缓设备老化，若有老化和高能耗设备，需及时更换；同时，培养较长时间离开将设备待机或关机的习惯和意识，对降低逐时能耗和减少用电时间都是有利的；对于不常使用的设备，建议在不用时保持关闭状态，需要时再开启；对于灯具，一是建议选用节能灯具，二是充分利用自然光，建议灯具控制方式尽量灵活，每个开关控制区域合理布置，并在不需要人工照明或自然光满足使用要求时，关闭人工光源。根据式(11)的计算结果，可返回从人员在室率模型、设备逐时功率模型和灯具逐时功率模型的变量中，分别找到用电薄弱环节，并根据实际情况，提出办公用电节能建议。进一步，在已有模型的基础上，改变用电薄弱环节的参数，可试算出不同的节能改造方案产生的节能率，为确定节能改造方案提供节能方面建议。

此外还包括如下步骤：

电器能耗全部变为热能放出到室内，该部分散热量及人体散热量为逐时室内发热量，根据室内环境的热平衡，此室内散热量可以为空调系统冷热负荷的计算提供依据，减少粗放型负荷计算方法带来的负荷过大或过小的情况，从根本上实现空调系统的节能。

与已有技术相比，本发明的技术特点与效果：

与现有能耗计算方法相比，本发明不但计算简便，而且能够满足长期预测的精度要求。使用本发明的能耗预测方法，可以对拟投入使用的办公室进行能耗预测，帮助使用者和业主找到用能薄弱环节，在设计阶段进行改进，也可以对已投入使用的办公室进行用能的评估和预测，分析分项用电的情况，深入了解用能规律，从而实现用能优化。本发明提出的用能预测方法适用于来访人员较少的各类办公室，在能耗预测方面有很强的实用性，模型操作简便，可推广性强，对推进建筑节能和用能管理方面具有积极的现实意义。

附图说明

图1为本发明的系统原理图。

图2为人员逐时在室率的拟合曲线示意图。

图3为适用于主要用能设备功率计算的马尔科夫链方法原理示意图。

具体实施方式

本发明提出了一种办公用能预测方法，基于能量守恒定律和建筑环境中的热平衡关系，采用随机数学工具，从办公建筑内人员在室率及人员用能模式的角度出发，对建筑能耗及空调负荷进行预测与评估。通过对办公建筑的调研发现，将建筑能耗具体分项，照明插座和空调用能是建筑中的最大能耗来源。其中，照明能耗根据灯光的开闭模式而形成，插座能耗与电脑等办公设备的使用频率和功率有关，空调用能依赖于设计负荷与建筑实际冷热需求的分配，基于热平衡可以准确把握室内余热的变化规律和实际的冷热负荷需求，依此对空调系统的设计与运行提供建议，而这几种用能则都与室内人员的行为习惯和需求密切相关。

本发明采用的技术方案包括下列步骤：

1.建立人员在室率模型，得到逐时在室人数。所述输入参数为：满座人数；刚刚开始工作的时刻(早晨上班和午休以后)、达到人员在室率的最大值和出现时间、普通水平的人员在室率的数值和出现时间、休息或下班的时间及分别对应的在室人数，这4对数据为办公室在稳定使用情况下的数据。所述输出参数为：人员在室率随时间的变化曲线，此曲线为三次多项式曲线。

2.建立设备逐时功率模型，计算室内设备逐时功率。办公室内设备分为两类，一类是主要设备，另一类是不常使用的设备，对应每一类设备，所述输入变量为：设备类型；各类型设备的台数及额定功率，对于主要用能设备，还需输入使用时间。所述输出变量为：办公室稳定使用时，设备瞬时功率预测值。

3.建立灯具逐时功率模型，计算室内灯具逐时功率。所述输入参数为：灯具数量及功率。所述输出参数为：灯具瞬时功率随时间的变化关系。

4.基于1得到的逐时人数和2-4得到的逐时功率，计算室内用能逐时功率，结合运行时间，即可得到目标办公室长期预测中的日平均用电量。

5.提出用电优化方案。所述输入参数为：用户预期日平均用电量，或用户预期日平均电费及所在地区办公建筑电价。所述输出参数为：用电的优化方案，针对设备和灯具在用电时间和用电强度两个方面提出设计和使用优化建议。

下面结合附图和具体实施方式进一步详细说明本发明。

一种办公用能的预测方法，基于设计和实际使用情况，包括逐时人员在室率模型、设备逐时功率模型、灯具逐时功率模型3个模型，每个模型的提出，都是根据对大量行政、商业、科研等各类建筑中的典型办公室的调研分析总结而来，能耗预测模型的实施流程如图1所示。下面每描述一个步骤，首先介绍模型的获取方法，包括前期调研方法及数据处理方法，然后介绍在应用本方法时所需的输入参数及计算方法。

步骤一：计算逐时人员在室率。

本发明通过对大量办公室的调研，得到人员在室率规律。调研方法如下：对于有条件进行监控的办公室，通过安装摄像头、红外计数仪等装置，记录人员进出及在室情况，记录时长为无差别的稳定工作日1周；将在室人数进行统计，整理成以10分钟为间隔的数列，将此人员在室率序列与时间序列进行拟合，找到人员在室率随时间的变化规律。

通过对大量办公室的调研和分析，发现在正常办公时间内，人员在室率随时间呈现两个典型特征，一是“双峰分布”特征，上午和下午各一个峰值，这与负荷和能耗的“双峰分别”特征相符，出现峰值的时间和峰值的大小因各研究对象的作息不同而异；二是，同一研究对象每天的在室率情况有所不同，人员在室率随时间呈现“双峰分布”下的随机波动，该波动可以通过对较长时间(如一星期)内对应时刻的人数求取平均值来消除，消除波动后，平均每天人员逐时在室率随时间呈现三次多项式变化，见式(1)。

y_occ＝f(t)＝at³+bt²+ct+d    (1)

式中y_occ为人员在室率，％；

t为时间，h；

a,b,c,d为待定系数。

由此，在进行逐月、逐季度或逐年的长期用能预测中，可以用式(1)来确定平均逐时人员在室率。为确定a,b,c,d这4个待定系数，需要找到至少4个已知点。在办公室计划投入使用前，有四个点是可以根据工作要求确定的，分别是刚刚开始工作的时刻(早晨上班和午休以后)、达到人员在室率的最大值和出现时间、普通水平的人员在室率的数值和出现时间、休息或下班的时间及分别对应的在室率，分别为图2所示的A，B，C，D四点，上午和下午分别用下标1和2表示。因而，在应用人员在室率模型时，所述输入参数为满座人数、上述4点。在已知4点后，即可得到一天内工作时间的人员逐时在室率随时间的分布曲线，对应得到逐时人员在室率，从而得到逐时人数。

步骤二：计算设备逐时功率。

在办公室内，设备可以分为两类，一类是以电脑为代表的主要设备，若采用分体式空调，则分体式空调在采暖季或空调季也是主要设备；另一类是不常使用的设备，如打印机、饮水机等，只有在使用时才以正常工作功率工作，其余大部分时间处于待机状态。为了得到两类设备的逐时功率的预测模型，对大量办公室的设备进行了调研，调研内容为对工作时间电脑的瞬时功率进行记录和统计，所需仪器为功率计。每10分钟记录一次设备的瞬时功率，记录时长为使用设备的无差别工作日1周，样本量大于设备总数量的1/3，每种类型的设备至少选择一台进行记录，每种设备需按年代和型号分别记录。

获得实地调研数据后，数据整理及分析的方法如下：

(1)以电脑为例说明主要设备的用能预测方法。对大量办公室的调研结果显示，电脑瞬时功率在待机功率和最大功率之间呈现“两头小，中间大”的分布规律，但不能准确的预知在某一时刻电脑功率将出现何值，因此认为电脑瞬时功率随时间的出现是随机过程。处理随机过程最常用的两种方法是蒙特卡洛方法和马尔科夫模型。蒙特卡洛方法求解思想是，首先建立一个与待求解问题有关的概率模型，使得建立的模型的概率分布或数学期望就是所求问题的解，然后通过对这个模型进行随机抽样观察，用其算术平均值作为待求解问题的近似估计值，由于涉及随机过程，为提高准确性，需要大量数据支持。为了解决数据量有限的缺陷，本发明将处理随机过程常用的两种方法——蒙特卡洛方法和马尔科夫模型相结合进行改进，创建适用于办公室平均电脑瞬时功率预测的蒙特卡洛—马尔科夫(MCMC)方法。马尔科夫链原理示意见图3。图中，0,1,2,3表示状态，λ为从某一状态到另一状态的转移概率。

设备功率的预测依据对大量调研数据的处理和分析得到的结论，调研和数据处理的方法如下：

A.对工作时间电脑的瞬时功率进行记录和统计。用到的仪器为功率计，每10分钟记录一次电脑的瞬时功率，记录时长为使用电脑的无差别工作日1天。样本量大于电脑总数量的1/3，每种类型的电脑至少选择一台进行记录。将记录数据按照10W的间隔，统计每个区间的功率出现频率占总频率的比例，即概率P_i，并取中间值作为小间隔的代表值x_i。

B.按照人员对电脑的需求，将设备工作分为高、中、低和待机4个档位，根据实际情况，可以将工作时每个档位的功率区间取50W，待机状态取30W以下，即待机状态功率为0-30W，低档位功率为30W-80W，中档位功率范围为80W-130W，瞬时功率高于130W为高档位。为了得到各档位的代表值，据

$E=\underset{i}{\mathrm{\Σ}}{x}_i{P}_i---\left(2\right)$

式中x_i为变量，为A中各小区间i的中间值，分别为5W，15W，…，165W…；

P_i为各小区间内瞬时功率出现的概率。

如此计算出的数学期望E，即为各档位的功率代表值。

C.MCMC方法的核心是计算转移矩阵。将电脑高、中、低和待机4个档位分别用3,2,1,0来表示，将从状态i转移到j的n步转移马尔科夫矩阵记为

$P_{\mathrm{ij}}^{\left(n\right)}=\left[\begin{array}{cccc}{p}_{00}^{\left(n\right)}& p_{01}^{\left(n\right)}& p_{02}^{\left(n\right)}& p_{03}^{\left(n\right)}\\ p_{10}^{\left(n\right)}& p_{11}^{\left(n\right)}& p_{12}^{\left(n\right)}& p_{13}^{\left(n\right)}\\ p_{20}^{\left(n\right)}& p_{21}^{\left(n\right)}& p_{22}^{\left(n\right)}& p_{23}^{\left(n\right)}\\ p_{30}^{\left(n\right)}& p_{31}^{\left(n\right)}& p_{32}^{\left(n\right)}& p_{33}^{\left(n\right)}\end{array}\right]---\left(3\right)$

式中表示通过n步从状态i转移到状态j的转移概率，当第k个数据是i且第(k+n)个数据是j时，计数器count(ij)增加1，全部循环所有的数据，得到状态i转移到状态j的次数count(ij)，除以总的转换次数

在实际应用中，由于数据统计按照每10分钟记录一次，因此以10分钟为一步步长(计算一步转移矩阵为式1-4)，以20分钟为二步转移步长，依次类推，1小时为六步转移步长。

$P_{\mathrm{ij}}=\left[\begin{array}{cccc}{p}_{00}& p_{01}& p_{02}& p_{03}\\ p_{10}& p_{11}& p_{12}& p_{13}\\ p_{20}& p_{21}& p_{22}& p_{23}\\ p_{30}& p_{31}& p_{32}& p_{33}\end{array}\right]---\left(4\right)$

原则上，统计周期越短，在相同时间内得到的数据越多，计算结果越准确。通过验证，在10分钟或小于10分钟记录周期的情况下，认为六步转移步长为最大的稳定转移间隔，从而得到基于马尔科夫链的电脑功率的逐时值如式(5)：

式中X(t_k)为第k小时的电脑瞬时功率，W；

X(t₀)为初始时刻的电脑瞬时功率，W；

为k小时的转移矩阵。

D.在调研得到的电脑瞬时功率数据最大值和最小值范围内，随机生成一组随机数，随机数的数目与电脑台数一致，通过式(5)计算得平稳分布的数据。为得到平稳分布的数据，一般取k>50。在平稳段随机抽样，生成有效样本。对随机抽取的m个有效样本，求蒙特卡洛积分如式(6-a)：

E_com＝∫_mx_iP_i    (6-a)

式中E_com为中长期预测中，办公室电脑平均瞬时功率，W；

x_i为状态i的代表值，W；

P_i为状态i的稳态概率。

通过大量的调研分析发现，电脑的使用功率可以按照出厂距今的时间分类，此时间段可以用使用时间代替，使用时间短的电脑，功率一般较低。由于在具体应用时，瞬时功率未知而额定功率已知，因此将各档位的功率代表值表示为额定功率的百分数形式，具体分类下的功率及稳态概率见表1。

表1电脑分类及功率

若式(6-a)中电脑实际使用功率的时间序列无法得到，则各状态的代表值和稳态概率都无法获得，此时可应用式(6-b)：

式中为稳定状态下，状态i的功率代表值与额定功率之比，取值见表1；

RP为电脑额定功率，W；

P_i为状态i的稳态概率，％，取值见表1。

(2)其他设备的功率预测。对于非长时间正常使用的设备，如打印机、饮水机等，长时间处于待机状态，只在需要时正常使用，且使用时间较短，采用对额定功率附加使用率的方法来计算其平均功率。使用率包括功率和时间两个方面。一是功率系数，即使用功率与额定功率的比值，正常工作功率并不是额定功率，事实上，正常使用功率与额定功率相差甚远，占额定功率的10％-80％不等，比较集中在30％-50％之间，将功率系数取0.5；二是时间系数，即正常工作时间与使用时间的比值，除电脑外的其他设备，在大部分时间处于待机状态，正常工作时间为总使用时间的10-％-30％，将时间系数取为0.2。从而得到其他设备的功率预测方法如式(7)：

式中E_oth为中长期预测中，办公室其他设备平均瞬时功率，W；

为功率系数，按0.5计算；

为时间系数，按0.2计算；

E_RP为设备额定功率，W。

将调研数据整理分析后，得到主要设备的功率预测模型为式(6)。在未知电脑实时功率的情况下，可以应用表1，所述输入参数为：电脑使用时间，电脑台数及额定功率。不常使用的设备的功率预测模型为式(7)，所述输入参数为：设备类型，每种类型设备的台数及额定功率。

步骤三：计算灯具逐时功率。

本发明通过对大量办公室的调研，得到办公室内灯具的使用规律。调研方法如下：对于有条件进行监控的办公室，通过安装摄像头、红外计数仪等装置，记录灯具的启闭情况，记录时长为无差别的稳定工作日1周；统计开启灯具数量，整理成以10分钟为间隔的数列，将此序列与时间序列对照，找到开启灯具数目随时间的变化规律。

通过对大量办公室的调研发现，办公室一般没有自动调节，大部分采用手动调节，灯具的使用主要与人员的使用习惯有关，而与室外气象条件等关系不大，大部分灯具一旦开启，在下班前不会关闭，且办公室的灯具除会客区、休息区外，全部打开。由此得到灯具的功率预测模型为“0-1”模型，即

式中E_lig为中长期预测中，办公室灯具平均瞬时功率，W；

l为办公室内不同的灯具类型；

n_i为i时刻开启的电灯数量，个；

E_p为每台灯具的额定功率，W；

以上为灯具逐时功率预测模型，所述输入参数为：工作区灯具数量及功率。对于未投入使用的办公室，可以按工作时间室内办公区灯具全部开启计算。

步骤四：计算逐时用电功率，预测办公室中长期运行的日平均能耗。

通过步骤二、三分别得到室内设备和照明的逐时功率，目标房间用电逐时功率见式(9)，得到工作时间内办公室室内平均每天的用电能耗见式(10)：

E＝n_occ·y_occ·E_com+E_lig+E_oth    (9)

$\mathrm{EC}=n_{\mathrm{occ}}\·E_{\mathrm{com}}\·{\∫}_0^{t_{\mathrm{work}}}{y}_{\mathrm{occ}}\mathrm{dt}+(E_{\mathrm{lig}}+E_{\mathrm{oth}})\·t_{\mathrm{work}}---\left(10\right)$

式中E为中长期预测中，办公室平均每天的逐时功率，W；

EC为中长期预测中，办公室平均每天的耗电量，kWh；

n_occ为满座人数，人；

E_com为稳态电脑功率的预测值，W；

t_work为人员正常工作时间，h。

y_occ为人员在室率，％；

E_lig为照明功率预测值，W；

E_oth为其他设备待机功率预测值，W；

根据附图1提出的能耗预测模型，通过以上四个步骤，可以得到办公室室内平均每天的用电能耗，此能耗可以用来评估或预测中长期的办公室能耗，如逐月、逐季度或逐年。

步骤五：提出用能优化建议。

通过以上模型可以看出，决定耗电量的因素有逐时功率和用电时间，从式(10)可以看出，以逐时功率P或用电时间t为变量，耗电量与其呈线性关系，至少需要产生的节能率如式(11)：

$\mathrm{ESR}=\frac{{\mathrm{EC}}_{\mathrm{goal}}-\mathrm{EC}}{{\mathrm{EC}}_{\mathrm{goal}}}\×100\%---\left(11\right)$

式中ESR为达到预期能耗目标需要实现的节能率，％；

EC_goal为达到预期节能目标时，办公室平均每天的耗电量，kWh。

此节能率可从逐时功率和用电时间两者中的一个方面或两个共同作用产生，根据式(11)的计算结果，可返回到上述三个模型中，寻找用能的薄弱环节，并提出合理实用的用能建议。从功率的角度，选用节能设备，同时做好设备维护，减缓设备老化，可以有效降低正常使用时的功率，若有老化和高能耗设备，需及时更换；同时，培养较长时间离开将设备待机或关机的习惯和意识，对降低逐时能耗和减少用电时间都是有利的。对于不常使用的设备，建议在不用时保持关闭状态，需要时再开启。对于灯具，一是建议选用节能灯具，二是充分利用自然光，建议灯具控制方式尽量灵活，每个开关控制区域合理布置，并在不需要人工照明或自然光满足使用要求时，关闭人工光源。

所述输入参数为：预期日平均耗电量，或预期日平均电费及电费单价。

本发明在进行办公用能预测前，需要先进行输入参数的信息收集，输入参数的准确性与预测结果的真实性密切相关。本方法的输入参数包括目标办公室的基本信息和使用信息。基本信息包括：满座人数，设备类型、台数及功率，灯具数量及功率。使用信息包括：办公室作息时间，人员活动习惯，设备使用习惯，灯具控制形式。对于尚未投入使用的办公室，输入参数由业主或拟适用方提供。对于已投入使用的办公室，输入参数需为办公室稳定使用的时间内的信息，若办公室使用有周期性，则需要将各个周期分别设置输入参数进行能耗预测。由于输入参数是针对目标办公室的情况设置的，因而预测模型更有实际依据，可信度更高。本发明提出的一种办公室室内用能预测方法，可以用于未投入使用的和已投入使用的办公室稳定运行时间内的日平均能耗预测，并针对设备和照明分别计算，其结果可以用于能耗评估和预测，并提出节能的关键环节和可行性建议，方法简便易行，可推广性强，具有很强的参考价值。

办公室室内耗电的逐时功率，还有另外一个用途。根据热力学第一定律，以目标办公室为研究对象形成能量转化与守恒，电器能耗全部变为热能放出到室内，该部分散热量及人体散热量为逐时室内发热量，根据室内环境的热平衡，此室内散热量可以为空调系统冷热负荷的计算提供依据，减少粗放型负荷计算方法带来的负荷过大或过小的情况，从根本上实现空调系统的节能。

Claims (7)

1.一种办公用能的预测方法，其特征是，包括下列步骤：

1)建立人员在室率模型，得到逐时在室人数，输入参数为：满座人数；刚刚开始工作的时刻、达到人员在室率的最大值和出现时间、普通水平的人员在室率的数值和出现时间、休息或下班的时间及分别对应的在室人数，这4对数据为办公室在稳定使用情况下的数据；所述输出参数为：人员在室率随时间的变化曲线，此曲线为三次多项式曲线；

2)建立设备逐时功率模型，计算室内设备逐时功率，输入变量为：设备类型；各类型设备的台数及额定功率，对于主要用能设备，还需输入使用时间，输出变量为：办公室稳定使用时，设备瞬时功率预测值；

3)建立灯具逐时功率模型，计算室内灯具逐时功率，输入参数为：灯具数量及功率；输出参数为：灯具瞬时功率随时间的变化关系；

4)基于1得到的逐时人数和2-4得到的逐时功率，计算室内用能逐时功率，结合运行时间，得到目标办公室长期预测中的日平均用电量；

5)提出用电优化方案，输入参数为：用户预期日平均用电量，或用户预期日平均电费及所在地区办公建筑电价，输出参数为：用电的优化方案，针对设备和灯具在用电时间和用电强度两个方面提出设计和使用优化建议。

2.如权利要求1所述的办公用能的预测方法，其特征是，建立人员在室率模型具体为：

y_occ＝f(t)＝at³+bt²+ct+d    (1)

式中y_occ为人员在室率，为百分比数；

t为时间，单位小时；

a,b,c,d：分别是刚刚开始工作的时刻、达到人员在室率的最大值和出现时间、普通水平的人员在室率的数值和出现时间、休息或下班的时间及分别对应的在室率，由a,b,c,d得到一天内工作时间的人员逐时在室率随时间的分布曲线，在进行逐月、逐季度或逐年的长期用能预测中，用式(1)来确定平均逐时人员在室率。

3.如权利要求1所述的办公用能的预测方法，其特征是，建立设备逐时功率模型，包括对主要设备和其他设备功率模型：

(1)以主要设备的用能预测：将蒙特卡洛方法和马尔科夫模型相结合进行改进，创建适用于办公室平均电脑瞬时功率预测的蒙特卡洛—马尔科夫MCMC方法；

设备功率的预测依据对大量调研数据的处理和分析得到的结论，调研和数据处理的方法如下：

A.对工作时间的瞬时功率进行记录和统计，用到的仪器为功率计，每10分钟记录一次瞬时功率，记录时长为使用的无差别工作日1天；样本量大于总数量的1/3，每种类型的至少选择一台进行记录。将记录数据按照10W的间隔，统计每个区间的功率出现频率占总频率的比例，即概率P_i，并取中间值作为小间隔的代表值x_i；

B.按照人员的需求，将设备工作分为高、中、低和待机4个档位，为了得到各档位的代表值，据

$E=\underset{i}{\mathrm{\Σ}}{x}_i{P}_i---\left(2\right)$

式中x_i为变量，为A中各小区间i的中间值，分别为各档功率；

P_i为各小区间内瞬时功率出现的概率；

如此计算出的数学期望E，即为各档位的功率代表值；

C.MCMC方法的核心是计算转移矩阵，将电脑高、中、低和待机4个档位分别用3,2,1,0来表示，将从状态i转移到j的n步转移马尔科夫矩阵记为

$P_{\mathrm{ij}}^{\left(n\right)}=\left[\begin{array}{cccc}{p}_{00}^{\left(n\right)}& p_{01}^{\left(n\right)}& p_{02}^{\left(n\right)}& p_{03}^{\left(n\right)}\\ p_{10}^{\left(n\right)}& p_{11}^{\left(n\right)}& p_{12}^{\left(n\right)}& p_{13}^{\left(n\right)}\\ p_{20}^{\left(n\right)}& p_{21}^{\left(n\right)}& p_{22}^{\left(n\right)}& p_{23}^{\left(n\right)}\\ p_{30}^{\left(n\right)}& p_{31}^{\left(n\right)}& p_{32}^{\left(n\right)}& p_{33}^{\left(n\right)}\end{array}\right]---\left(3\right)$

式中表示通过n步从状态i转移到状态j的转移概率，当第k个数据是i且第(k+n)个数据是j时，计数器count(ij)增加1，全部循环所有的数据，得到状态i转移到状态j的次数count(ij)，除以总的转换次数

在实际应用中，由于数据统计按照每10分钟记录一次，因此以10分钟为一步步长，计算一步转移矩阵为式1-4，以20分钟为二步转移步长，依次类推，1小时为六步转移步长；

$P_{\mathrm{ij}}=\left[\begin{array}{cccc}{p}_{00}& p_{01}& p_{02}& p_{03}\\ p_{10}& p_{11}& p_{12}& p_{13}\\ p_{20}& p_{21}& p_{22}& p_{23}\\ p_{30}& p_{31}& p_{32}& p_{33}\end{array}\right]---\left(4\right)$

六步转移步长为最大的稳定转移间隔，从而得到基于马尔科夫链的电脑功率的逐时值如式(5)：

$X\left(t_k\right)=X\left(t_0\right)\·P_{\mathrm{ij}}^{\left(6\right)}\left(k\right)---\left(5\right)$

式中X(t_k)为第k小时的电脑瞬时功率，W；

X(t₀)为初始时刻的电脑瞬时功率，W；

为k小时的转移矩阵；

D.在调研得到的电脑瞬时功率数据最大值和最小值范围内，随机生成一组随机数，随机数的数目与台数一致，通过式(5)计算得平稳分布的数据，为得到平稳分布的数据，一般取k>50，在平稳段随机抽样，生成有效样本，对随机抽取的m个有效样本，求蒙特卡洛积分如式(6-a)：

E_com＝∫_mx_iP_i    (6-a)

式中E_com为中长期预测中，办公室电脑平均瞬时功率，单位瓦；

x_i为状态i的代表值，单位瓦；

P_i为状态i的稳态概率。

若式(6-a)中实际使用功率的时间序列无法得到，则各状态的代表值和稳态概率都无法获得，此时可应用式(6-b)：

式中为稳定状态下，状态i的功率代表值与额定功率之比；

RP为电脑额定功率，单位瓦；

P_i为状态i的稳态概率，为百分比数；

(2)其他设备的功率预测采用对额定功率附加使用率的方法来计算其平均功率，使用率包括功率和时间两个方面，一是功率系数，将功率系数取0.5；二是时间系数，将时间系数取为0.2。从而得到其他设备的功率预测方法如式(7)：

式中E_oth为中长期预测中，办公室其他设备平均瞬时功率，单位瓦；

为功率系数，按0.5计算；

为时间系数，按0.2计算；

E_RP为设备额定功率，单位瓦；

将调研数据整理分析后，得到主要设备的功率预测模型为式(6)，在未知电脑实时功率的情况下，所述输入参数为：电脑使用时间，电脑台数及额定功率，不常使用的设备的功率预测模型为式(7)，输入参数为：设备类型，每种类型设备的台数及额定功率。

4.如权利要求1所述的办公用能的预测方法，其特征是，计算灯具逐时功率具体为：

灯具的功率预测模型为“0-1”模型，即

式中E_lig为中长期预测中，办公室灯具平均瞬时功率，单位瓦；

l为办公室内不同的灯具类型；

n_i为i时刻开启的电灯数量，单位个；

E_p为每台灯具的额定功率，单位瓦；

以上为灯具逐时功率预测模型，输入参数为：工作区灯具数量及功率，对于未投入使用的办公室，按工作时间室内办公区灯具全部开启计算。

5.如权利要求1所述的办公用能的预测方法，其特征是，计算灯具逐时功率，预测办公室中长期运行的日平均能耗具体为：

通过步骤2)、3)分别得到室内设备和照明的逐时功率，目标房间用电逐时功率见式(9)，得到工作时间内办公室室内平均每天的用电能耗见式(10)：

E＝n_occ·y_occ·E_com+E_lig+E_oth    (9)

$\mathrm{EC}=n_{\mathrm{occ}}\·E_{\mathrm{com}}\·{\∫}_0^{t_{\mathrm{work}}}{y}_{\mathrm{occ}}\mathrm{dt}+(E_{\mathrm{lig}}+E_{\mathrm{oth}})\·t_{\mathrm{work}}---\left(10\right)$

式中E为中长期预测中，办公室平均每天的逐时功率，单位瓦；

EC为中长期预测中，办公室平均每天的耗电量，单位千瓦时；

n_occ为满座人数，单位人；

E_com为稳态电脑功率的预测值，单位瓦；

t_work为人员正常工作时间，单位小时；

y_occ为人员在室率，％；

E_lig为照明功率预测值，单位瓦；

E_oth为其他设备待机功率预测值，单位瓦；

得到办公室室内平均每天的用电能耗，此能耗可以用来评估或预测中长期的办公室能耗，如逐月、逐季度或逐年。

6.如权利要求1所述的办公用能的预测方法，其特征是，提出用能优化建议具体为：决定耗电量的因素有逐时功率和用电时间，从式(10)得到，以逐时功率P或用电时间t为变量，耗电量与其呈线性关系，至少需要产生的节能率据式(11)计算：

$\mathrm{ESR}=\frac{{\mathrm{EC}}_{\mathrm{goal}}-\mathrm{EC}}{{\mathrm{EC}}_{\mathrm{goal}}}\×100\%---\left(11\right)$

式中ESR为达到预期能耗目标需要实现的节能率，％；

EC_goal为达到预期能耗目标时，办公室平均每天的耗电量，kWh；

此节能率从逐时功率和用电时间两者中的一个方面或两个共同作用产生，从功率的角度，选用节能设备，同时做好设备维护，减缓设备老化，若有老化和高能耗设备，需及时更换；同时，培养较长时间离开将设备待机或关机的习惯和意识，对降低逐时能耗和减少用电时间都是有利的；对于不常使用的设备，建议在不用时保持关闭状态，需要时再开启；对于灯具，一是建议选用节能灯具，二是充分利用自然光，建议灯具控制方式尽量灵活，每个开关控制区域合理布置，并在不需要人工照明或自然光满足使用要求时，关闭人工光源。根据式(11)的计算结果，可返回从人员在室率模型、设备逐时功率模型和灯具逐时功率模型的变量中，分别找到用电薄弱环节，并根据实际情况，提出办公用电节能建议。进一步，在已有模型的基础上，改变用电薄弱环节的参数，可试算出不同的节能改造方案产生的节能率，为确定节能改造方案提供节能方面建议。

7.如权利要求1所述的办公用能的预测方法，其特征是，还包括如下步骤：电器能耗全部变为热能放出到室内，该部分散热量及人体散热量为逐时室内发热量，根据室内环境的热平衡，此室内散热量可以为空调系统冷热负荷的计算提供依据，减少粗放型负荷计算方法带来的负荷过大或过小的情况，从根本上实现空调系统的节能。