CN109242158B - 一种寒冷地区的城市居住建筑系统的能耗预测方法 - Google Patents
一种寒冷地区的城市居住建筑系统的能耗预测方法 Download PDFInfo
- Publication number
- CN109242158B CN109242158B CN201810941382.6A CN201810941382A CN109242158B CN 109242158 B CN109242158 B CN 109242158B CN 201810941382 A CN201810941382 A CN 201810941382A CN 109242158 B CN109242158 B CN 109242158B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- residential building
- urban
- annual
- building
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 30
- 238000010438 heat treatment Methods 0.000 claims abstract description 27
- 238000010219 correlation analysis Methods 0.000 claims abstract description 16
- 238000005057 refrigeration Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000007983 Tris buffer Substances 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- 230000008595 infiltration Effects 0.000 claims description 4
- 238000001764 infiltration Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种寒冷地区的城市居住建筑系统的能耗预测方法,包括以下步骤:步骤1,建立寒冷地区城市居住建筑系统的能耗影响因素数据库;步骤2,城市居住建筑系统中每一户居住建筑的能耗估算公式为:每一户居住建筑的年能耗=日常电器能耗+日常热水能耗+夏季制冷能耗+冬季采暖能耗;步骤3,基于统计学的相关分析得到与年能耗显著线性相关的能耗影响因素;步骤4,建立城市居住建筑系统年能耗和对其有显著线性相关关系的能耗影响因素变量间的多元回归模型,通过求解回归方程完成城市尺度的能耗预测。本发明的能耗预测方法可从城市尺度对既有城市居住建筑系统的总体能耗进行预测。
Description
技术领域
本发明属于城市居住建筑能耗预测技术领域,特别涉及一种寒冷地区的城市居住建筑系统的能耗预测方法。
背景技术
城市建筑能耗在城市总体用能中占有重要比例,且随着人民生活水平的提高,城市居住建筑系统能耗呈大幅增长的趋势。目前,对居住建筑能耗的研究多集中于对单体建筑的尺度上,城市尺度的居住建筑系统总体能耗模型仍处于初级理论阶段,尚未被广泛应用推广。
寒冷地区城市居住建筑能耗从全年看,夏季的主要能耗是建筑制冷能耗,冬季的主要能耗是建筑采暖能耗;除此之外,还包括的日常电器能耗与日常热水能耗。同时建筑能耗水平还受到居住者用能习惯的影响。目前对于居住建筑运行阶段全年能耗进行监测计算的方法不是很多,大多数的居住建筑能耗测算都是在建筑设计阶段通过计算机软件模拟单体建筑能耗,缺乏一种从城市尺度对既有城市居住建筑能耗进行预测的方法。
发明内容
本发明的目的在于提供一种寒冷地区的城市居住建筑系统的能耗预测方法,以解决上述存在的技术问题。本发明的能耗预测方法可从城市尺度对既有城市居住建筑系统的总体能耗进行预测。
为达到上述目的,本发明采用以下技术方案:
一种寒冷地区的城市居住建筑系统的能耗预测方法,包括以下步骤:
步骤1,建立寒冷地区城市居住建筑系统的能耗影响因素数据库;所述能耗影响因素数据库包括:建筑数据、实测数据、设备数据和行为数据;建筑数据包括:建筑类型、结构形式、建筑面积、朝向、所在层数及总层数;实测数据包括:室内温度和用电量;设备数据包括:冬季采暖设备和夏季制冷设备;行为数据包括:家庭常住人口数量和家庭年收入;
步骤2,城市居住建筑系统中每一户居住建筑的能耗估算公式为:
每一户居住建筑的年能耗=日常电器能耗+日常热水能耗+夏季制冷能耗+冬季采暖能耗;
步骤3,基于统计学的相关分析得到与年能耗显著线性相关的能耗影响因素;
将步骤1建立的能耗影响因素数据库和步骤2获得的年能耗输入统计分析软件spss statistics 24,利用相关分析得出每一项能耗影响因素与年能耗之间的线性相关程度;相关程度通过相关系数γxy表示,相关系数计算公式为:式中,和分别为变量X和Y的均值;Xi和Yi分别为变量X和Y的第i个观测值;
进行净相关分析,最终得到与年能耗具有显著线性相关关系的能耗影响因素,具有显著线性相关关系是指相关系数绝对值大于等于0.4且小于0.7;
步骤4,建立城市居住建筑系统年能耗和对其有显著线性相关关系的能耗影响因素变量间的多元回归模型,多元回归模型为:
y=β0+β1x1+β2x2+…+βnxn+ε
式中:x1、2、3...n为n个影响年能耗的变量;y为年能耗;ε为随机误差;β0为常数项;βn为偏回归系数,n=1,2,3,...,n;通过将x、y值带入,求得β0和βn值以确定回归方程;通过城市统计年鉴获取x1、2、3...n的值,带入并求解回归方程,最后根据城市居住总户数得到年能耗模型拟合数据,完成城市尺度的能耗预测。
进一步的,步骤2中,冬季采暖能耗QS=(Qe+Qv-Qi-Qr)/η,式中:QS为单位面积采暖能耗;Qe为建筑通过围护结构散失的热量;Qv为建筑通过空气渗透散失的热量;Qi为建筑内部得热;Qr为建筑收到太阳辐射得热;η为采暖系统热效率。
式中,r12为控制x3时x1、x2的偏相关;r13为控制x2时x1、x3的偏相关;r23为控制x1时x2、x3的偏相关。
进一步的,相关系数γxy的值在[-1,1]范围内。
进一步的,能耗影响因素数据库的数据通过入户实测、实际调查或开源的方式获得。
与现有技术相比,本发明具有以下有益效果:
本发明通过对城市建成区居住建筑系统中住户进行数据采集与数据集的构建,对居住建筑系统的能耗影响因素进行相关分析,并构建其与城市居住建筑年能耗间的多元回归模型,通过多元回归模型能够预测分析城市尺度的居住建筑系统能耗;利用统计分析软件spss statistics 24将城市居住建筑能源消耗情况进行模型构建,实现了城市居住建筑能耗的模型化,进而能够科学的预测城市居住建筑的能耗使用情况,便于从城市尺度对居住建筑能耗进行宏观把控,可为国家能源结构调整及相关政策制定提供理论依据数据支撑,进而推动城市节能效率。
进一步的,通过估算值和拟合值对比,可验证并完善用于预测的多元回归模型。
进一步的,利用入户实测、实际调查和开源三种类型的数据对寒冷地区城市居住建筑能耗的影响因素进行分析,该方法相比于现有的居住建筑能耗分析所采用的方法,其数据获取的路径更加多源,结果也更加可靠。
附图说明
图1是本发明的一种寒冷地区的城市居住建筑系统的能耗预测方法的操作流程示意图;
图2是本发明的一种实施例中的110户实测居住建筑所在区位示意图;
图3是本发明的一种实施例中的某一用户家庭的实时温湿度示意图;
图4是本发明的一种实施例中的某一用户家庭的实时用电量示意图。
具体实施方式
下面结合具体实施例来进一步描述本发明,本发明的优点和特点将会随着描述而更为清楚。但这些实施例仅是范例性的,并不对本发明的范围构成任何限制。本领域技术人员应该理解的是,在不偏离本发明的精神和范围下可以对本发明技术方案的细节和形式进行修改和替换,但这些修改和替换均属于本发明的保护范围内。
请参考图1,本发明的一种寒冷地区的城市居住建筑系统的能耗预测方法,用于寒冷地区城市尺度居住建筑总体能耗的预测,包括以下步骤:
步骤1,建立寒冷地区城市居住建筑系统的能耗影响因素数据库。
可从寒冷地区城市居住建筑的家庭常住人口、建筑类型、结构形式、建筑面积、建筑主要朝向、冬季采暖方式、夏季制冷方式等变量中筛选出与年能耗相关的影响因素。能耗影响因素数据库包括:建筑数据、实测数据、设备数据和行为数据;利用抽样调查,随机抽取城市建成区内不同片区共110户居住建筑,入户进行数据实测并对建筑数据,包括:建筑类型、结构形式、建筑面积、主要朝向、所在层数和总层数;实测数据,包括:室内温度、实时用电量;设备数据,包括:冬季采暖设备、夏季制冷设备;行为数据,包括:家庭常住人口,家庭年收入区间,用能习惯。从以上四方面有可能影响居住建筑能耗的因素进行数据调查和收集。最后对影响城市居住建筑年能耗的调查变量数据进行汇总整理,以建立城市尺度的居住建筑能耗影响因子数据库。
步骤2,基于入户实测数据、调查数据和开源数据估算寒冷地区城市居住建筑系统的年能耗。
基于步骤1的数据,从全年看,寒冷地区城市居住建筑系统能耗=日常电器+日常热水+夏季制冷+冬季采暖。
日常热水能耗式中:QH为设计小时热水量,单位kJ/h;Kh为小时变化系数;m为用水计算单位数(人数或床位数);qr为热水用热定额,单位:L/人·d或L/床·d;C为水的比热,C=4.187(Kj/kg·℃);tr为热水温度,tr=60。
冬季采暖能耗QS=(Qe+Qv-Qi-Qr)/η式中:QS为单位面积采暖能耗;Qe为建筑通过围护结构散失的热量;Qv为建筑通过空气渗透散失的热量;Qi为建筑内部得热;Qr为建筑收到太阳辐射得热;η为采暖系统热效率。将这四部分能耗分别估算出来并求和,得到每一户的居住建筑年能耗。
步骤3,基于统计学的相关分析得到与年能耗显著线性相关的影响因素。
将整理数据获得的能耗影响因素数据库输入统计分析软件spss statistics 24,利用相关分析得出每一项因素与城市居住建筑年能耗之间的线性相关程度。相关系数为γxy无量纲,其值在[-1,1]范围内,其计算公式为:式中;式中;γ为相关系数,和分别为变量X和Y的均值;和Yi分别为变量X和Y的第i个观测值,观测值根据实际情况确定。
将结果在控制其他变量的情况下,进行净相关分析,其公式为:式中,r12为控制3时1和2的偏相关;r13为控制2时1和3的偏相关;r23为控制1时2和3的偏相关。进行净相关分析,假设有x1、x2和x3 3个变量,要求剔除变量x3的影响后,变量x1、x2之间的偏相关系数,该偏相关系数记为r12,3,变量3称为控制变量,其计算公式为: 最终得到与年能耗具有显著线性相关关系的变量,即满足相关系数为0.4≤|γ|xy<0.7时。
步骤4,构建城市尺度居住建筑系统能耗预测的多元回归模型。
建立城市居住建筑年能耗和对其有显著线性相关关系的影响变量间的多元回归模型。其模型表示为:
y=β0+β1x1+β2x2+…+βnxn+ε
式中:x1、2、3...n为n个影响年能耗的变量;y为年能耗;ε为随机误差;β0为常数项;βn为偏回归系数,n=1,2,3,...,n;通过将x、y值带入,求得β0和βn值以确定回归方程;通过城市统计年鉴获取x1、2、3...n的值,带入并求解回归方程,最后根据城市居住总户数,可以得到年能耗模型拟合数据,完成城市尺度的能耗预测。
步骤5,通过对比寒冷地区城市居住建筑系统的年能耗估算值与模型拟合值以验证并调校预测模型准确度。获取与居住建筑年能耗存在线性相关的影响因素数据,将其带入模型可得到特定地区居住建筑能耗拟合值;将模型拟合数据与估算的年能耗数据进行对比,与估算结果符合度高达95%,说明该预测方法具有应用价值。
本发明构建了一个基于入户实测数据、调查数据和开源数据,采用定量分析和定性判断相结合的科学研究方法来预测寒冷地区城市尺度的居住建筑系统能耗。另外,将寒冷地区城市居住建筑能耗模型化,以便于不同城市地区进行能耗估算。寒冷地区划分参见《建筑气候区划标准(GB 50178-93)》或者《民用建筑设计通则GB 50352-2005》。两个标准对我国进行的气候区划分,建筑气候区划包括7个主气候区,20个子气候区。气候II区为寒冷地区,1月平均气温-10~0℃;7月平均气温18~28℃。
实施例1
本发明的一种寒冷地区城市尺度居住建筑总体能耗预测方法,包括以下步骤:
1)建立寒冷地区城市居住建筑系统能耗影响因素数据库:
将某寒冷地区城市建成区区划为144个网格,每个网格面积为1.6Km×1.6Km;144个网格中有109个主要居民区;在全市中心区870万人口中,挑选出110个志愿者家庭,110个志愿者家庭经过筛选,随机位于包括主要居民区在内的68个网格中,如图2所示。请参考图3和图4,随机选取了110志愿者中的某一户居住建筑作为一个独立的小型居住建筑系统,入户进行建筑数据、实测数据、设备数据和行为数据的调查;建筑数据包括:建筑类型、结构形式、建筑面积、朝向、所在层数及总层数;实测数据包括:室内温度和用电量;设备数据包括:冬季采暖设备和夏季制冷设备;行为数据包括:家庭常住人口数量和家庭年收入。从以上四方面有可能影响居住建筑能耗的因素进行数据收集和调查。最后对可能影响城市居住建筑年能耗的调查变量数据进行汇总整理,以建立城市尺度的居住建筑能耗影响因子数据库,如下表1所示。
表1数据库部分统计数据
2)基于入户实测数据、调查数据和开源数据估算寒冷地区城市居住建筑系统的年能耗:
从全年看,寒冷地区城市居住建筑系统能耗=日常电器+日常热水+夏季制冷+冬季采暖。具体公式如下:
日常热水能耗式中:QH为设计小时热水量,单位kJ/h;Kh为小时变化系数;m为用水计算单位数(人数或床位数);qr为热水用热定额,单位:L/人·d或L/床·d;C为水的比热,C=4.187(Kj/kg·℃);tr为热水温度,tr=60。
冬季采暖能耗QS=(Qe+Qv-Qi-Qr)/η式中:QS为单位面积采暖能耗;Qe为建筑通过围护结构散失的热量;Qv为建筑通过空气渗透散失的热量;Qi为建筑内部得热;Qr为建筑收到太阳辐射得热;η为采暖系统热效率。将这四部分能耗分别估算出来并求和,得到每一户的居住建筑年能耗。
3)基于统计学的相关分析得到与年能耗显著线性相关的影响因素:
借助统计分析软件spss statistics 24软件对居住建筑年能耗与各变量相关性进行分析,同时根据显著性水平P得出家庭常住人口、建筑面积、建筑类型、冬季采暖方式、夏季制冷方式等变量与年能耗之间的线性相关程度。将结果在控制其他变量的情况下,进行净相关分析,得到与年能耗具有显著线性相关关系的变量。
4)构建城市尺度居住建筑系统能耗预测的多元回归模型:
建立城市居住建筑年能耗和对其有显著线性相关关系的影响变量间的多元回归模型。其模型表示为:
y=β0+β1x1+β2x2+…+βnxn+ε
式中:x1、2、3...n为n个影响年能耗的变量;y为年能耗;ε为随机误差;β0为常数项;βn为偏回归系数,n=1,2,3,...,n;通过将x、y值带入,求得β0和βn值以确定回归方程;通过城市统计年鉴获取x1、2、3...n的值,带入并求解回归方程,最后根据城市居住总户数,可以得到年能耗模型拟合数据,完成城市尺度的能耗预测。
5)通过对比寒冷地区城市居住建筑系统的年能耗估算值与模型拟合值以验证并调校预测模型准确度。分别将x、y值带入,求得β0和βn值,并最终确定回归方程。获取与居住建筑年能耗存在线性相关的影响因素数据,将其带入模型可得到特定地区居住建筑能耗拟合值。将模型拟合数据与估算的年能耗数据进行对比,与估算结果符合度高达97.5%,说明该预测方法具有应用价值。
本发明解决了现有方法中数据来源单一、研究尺度不够宏观、无法得出科学客观的结论等能耗预测模型构建困难的问题。本发明的一种寒冷地区城市尺度居住建筑总体能耗预测方法适用于寒冷地区的典型居住建筑形式,在建立寒冷地区城市居住建筑系统能耗影响因素数据库基础下,根据入户实测数据、调查数据和开源数据估算出建筑系统的年能耗;基于统计学的相关分析得到与年能耗显著线性相关的影响因素,据此构建城市尺度居住建筑系统能耗预测的多元回归模型;最后通过对比寒冷地区城市居住建筑系统的年能耗估算值与模型拟合值以验证并调校预测模型准确度。本发明突破了以往居住建筑能耗预测针对建筑单体的限制,形成了一套通过多数据源预测居住建筑系统的年能耗的体系;并采用定量定性相结合的方法,使结果更加科学可信。
Claims (4)
1.一种寒冷地区的城市居住建筑系统的能耗预测方法,其特征在于,包括以下步骤:
步骤1,建立寒冷地区城市居住建筑系统的能耗影响因素数据库;所述能耗影响因素数据库包括:建筑数据、实测数据、设备数据和行为数据;建筑数据包括:建筑类型、结构形式、建筑面积、朝向、所在层数及总层数;实测数据包括:室内温度和用电量;设备数据包括:冬季采暖设备和夏季制冷设备;行为数据包括:家庭常住人口数量和家庭年收入;
步骤2,城市居住建筑系统中每一户居住建筑的能耗估算公式为:
每一户居住建筑的年能耗=日常电器能耗+日常热水能耗+夏季制冷能耗+冬季采暖能耗;
步骤3,基于统计学的相关分析得到与年能耗显著线性相关的能耗影响因素;
将步骤1建立的能耗影响因素数据库和步骤2获得的年能耗输入统计分析软件spssstatistics 24,利用相关分析得出每一项能耗影响因素与年能耗之间的线性相关程度;相关程度通过相关系数γxy表示,相关系数计算公式为:式中,和分别为变量X和Y的均值;Xi和Yi分别为变量X和Y的第i个观测值;
进行净相关分析,最终得到与年能耗具有显著线性相关关系的能耗影响因素,具有显著线性相关关系是指相关系数绝对值大于等于0.4且小于0.7;
步骤4,建立城市居住建筑系统年能耗和对其有显著线性相关关系的能耗影响因素变量间的多元回归模型,多元回归模型为:
y=β0+β1x1+β2x2+…+βnxn+ε
式中:x1、2、3…n为n个影响年能耗的变量;y为年能耗;ε为随机误差;β0为常数项;βn为偏回归系数,n=1,2,3,…,n;通过将x、y值带入,求得β0和βn值以确定回归方程;通过城市统计年鉴获取x1、2、3…n的值,带入并求解回归方程,最后根据城市居住总户数得到年能耗模型拟合数据,完成城市尺度的能耗预测;
步骤2中,冬季采暖能耗QS=(Qe+Qv-Qi-Qr)/η,式中:QS为单位面积采暖能耗;Qe为建筑通过围护结构散失的热量;Qv为建筑通过空气渗透散失的热量;Qi为建筑内部得热;Qr为建筑收到太阳辐射得热;η为采暖系统热效率。
3.根据权利要求1所述的一种寒冷地区的城市居住建筑系统的能耗预测方法,其特征在于,相关系数γxy的值在[-1,1]范围内。
4.根据权利要求1至3中任一项所述的一种寒冷地区的城市居住建筑系统的能耗预测方法,其特征在于,能耗影响因素数据库的数据通过入户实测、实际调查或开源的方式获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810941382.6A CN109242158B (zh) | 2018-08-17 | 2018-08-17 | 一种寒冷地区的城市居住建筑系统的能耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810941382.6A CN109242158B (zh) | 2018-08-17 | 2018-08-17 | 一种寒冷地区的城市居住建筑系统的能耗预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242158A CN109242158A (zh) | 2019-01-18 |
CN109242158B true CN109242158B (zh) | 2022-02-11 |
Family
ID=65071462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810941382.6A Active CN109242158B (zh) | 2018-08-17 | 2018-08-17 | 一种寒冷地区的城市居住建筑系统的能耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242158B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096793B (zh) * | 2019-04-28 | 2023-08-04 | 山东建筑大学 | 一种基于居住用户活动模式的住宅能耗预测方法 |
CN110377945B (zh) * | 2019-06-11 | 2022-06-28 | 沈振江 | 一种居住建筑参数和雨水收集系统参数的协同设计方法 |
CN115689382B (zh) * | 2022-11-16 | 2023-07-21 | 东南大学 | 一种利用宏观尺度上城市形态测算城市建筑能耗的方法 |
CN117236556A (zh) * | 2023-09-22 | 2023-12-15 | 北京工业大学 | 一种居住建筑电耗分析方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133938A (zh) * | 2014-07-01 | 2014-11-05 | 哈尔滨工业大学 | 一种基于采暖能耗考虑的严寒地区办公建筑外窗几何参数优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120072187A1 (en) * | 2010-09-21 | 2012-03-22 | Scott Irving | System for evaluating energy consumption |
CN104318073B (zh) * | 2014-10-08 | 2018-01-05 | 中国建筑设计院有限公司 | 单栋居住建筑的电气能耗模拟及节能的方法 |
-
2018
- 2018-08-17 CN CN201810941382.6A patent/CN109242158B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133938A (zh) * | 2014-07-01 | 2014-11-05 | 哈尔滨工业大学 | 一种基于采暖能耗考虑的严寒地区办公建筑外窗几何参数优化方法 |
Non-Patent Citations (1)
Title |
---|
重庆城市居住建筑能耗预测模型;蒲清平等;《中南大学学报(自然科学版)》;20120415;第1551-1556页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109242158A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242158B (zh) | 一种寒冷地区的城市居住建筑系统的能耗预测方法 | |
Cuerda et al. | Understanding the performance gap in energy retrofitting: Measured input data for adjusting building simulation models | |
Pan et al. | Cluster analysis for occupant-behavior based electricity load patterns in buildings: A case study in Shanghai residences | |
Chen et al. | Definition of occupant behavior in residential buildings and its application to behavior analysis in case studies | |
Belazi et al. | Uncertainty analysis of occupant behavior and building envelope materials in office building performance simulation | |
Edwards et al. | Representative hot water draw profiles at high temporal resolution for simulating the performance of solar thermal systems | |
Reddy | Literature Review on Calibration of Building Energy Simulation Programs: Uses, Problems, Procedures, Uncertainty, and Tools. | |
Muroni et al. | Occupant behavior in identical residential buildings: A case study for occupancy profiles extraction and application to building performance simulation | |
Marszal-Pomianowska et al. | Simple methodology to estimate the mean hourly and the daily profiles of domestic hot water demand from hourly total heating readings | |
Gianniou et al. | Estimation of temperature setpoints and heat transfer coefficients among residential buildings in Denmark based on smart meter data | |
Lenoir et al. | Users' behavior and energy performances of net zero energy buildings | |
Ivanko et al. | Splitting measurements of the total heat demand in a hotel into domestic hot water and space heating heat use | |
Jian et al. | A case study on household electricity uses and their variations due to occupant behavior in Chinese apartments in Beijing | |
Ruiz et al. | Global sensitivity analysis applied to total energy use in buildings | |
Martinez et al. | Demand-side flexibility in a residential district: What are the main sources of uncertainty? | |
Lu et al. | The performance and analysis of office building energy consumption in the west of Inner Mongolia Autonomous Region, China | |
Mihai et al. | Bottom-up evidence-based calibration of the HVAC air-side loop of a building energy model | |
CN114037165B (zh) | 一种考虑多源不确定性的建筑冷热负荷预测方法 | |
Sretenovic | Analysis of energy use at university campus | |
Milić et al. | Further development of the change-point model–Differentiating thermal power characteristics for a residential district in a cold climate | |
Li et al. | An actual-performance-oriented study on the relationship between environmental efficiency and passive design factors for multi-family dwellings in cold areas | |
Luo et al. | Comparative study on thermal environment and energy consumption of urban residential houses in Beijing | |
Vihola et al. | Heat loss rate of the Finnish building stock | |
Lutzenhiser et al. | Lifestyles, Buildings and Technologies: What Matters Most? | |
Taylor et al. | Dynamic energy modelling of UK housing: Evaluation of alternative approaches |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |