CN114037165A - 一种考虑多源不确定性的建筑冷热负荷预测方法 - Google Patents

一种考虑多源不确定性的建筑冷热负荷预测方法 Download PDF

Info

Publication number
CN114037165A
CN114037165A CN202111348711.4A CN202111348711A CN114037165A CN 114037165 A CN114037165 A CN 114037165A CN 202111348711 A CN202111348711 A CN 202111348711A CN 114037165 A CN114037165 A CN 114037165A
Authority
CN
China
Prior art keywords
building
cold
heat load
uncertainty
parameters
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.)
Granted
Application number
CN202111348711.4A
Other languages
English (en)
Other versions
CN114037165B (zh
Inventor
崔一铂
凌在汛
郑景文
陶骞
熊平
刘曼佳
向慕超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111348711.4A priority Critical patent/CN114037165B/zh
Publication of CN114037165A publication Critical patent/CN114037165A/zh
Application granted granted Critical
Publication of CN114037165B publication Critical patent/CN114037165B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Hardware Design (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Analysis (AREA)
  • Civil Engineering (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Architecture (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供一种考虑多源不确定性的建筑冷热负荷预测方法，包括：(1)收集建筑冷热负荷预测基础数据资料；(2)分析影响冷热负荷预测的参数，并从中筛选具有不确定性的参数，根据参数性质确定其概率密度函数；(3)利用拉丁超立方抽样，对影响冷热负荷预测的不确定性参数生成多组样本；(4)建立建筑数学模型；(5)利用MonteCarlo方法，将参数样本集导入建筑数学模型；(6)预测建筑冷热负荷，获取建筑全年逐时冷热负荷及其分布。本发明全面考虑建筑冷热负荷预测过程中的不确定性参数，提出考虑多源不确定性的建筑冷热负荷预测方法，提高冷热负荷预测的可靠性，为建筑冷热负荷预测、空调系统设计与控制优化提供支持。

Description

一种考虑多源不确定性的建筑冷热负荷预测方法
技术领域
本发明涉及建筑环境与暖通空调技术领域，具体是一种考虑多源不确定性的建筑冷热负荷预测方法。
背景技术
准确的建筑冷热负荷预测有助于合理地进行建筑空调系统设计与选型，使得空调系统能经济、高效地运行，并提供舒适的室内环境。然而在冷热负荷预测过程中，各输入参数存在不确定性，如果在计算过程中忽略该不确定性会导致计算得到的建筑冷热负荷偏高或偏低，进而导致系统设计不合理、运行费用偏离预期或室内热舒适性较差。
传统的建筑冷热负荷计算主要基于确定性方法，如以度日法为代表的简化算法及基于模拟软件的全年冷热负荷模拟。在计算逐时冷热负荷的模拟过程中选用的各输入参数主要基于已有工程信息和相关规范推荐值，但是在实际工程实践中相关参数的取值并不确定，且在项目实际建成后的各物理参数与设计参数往往存在差异。除此之外，冷热负荷模拟往往基于典型气象年数据，典型气象年为历史数据，而建筑冷热负荷实际与未来天气参数相关，因此依托典型气象年计算得到的冷热负荷与实际情况往往存在差异。
为此，有学者提出采用概率密度分布函数描述室内得热量的随机分布特性(张崎,燕达,朱丹丹,等.办公建筑室内发热量的空间不均匀特性对空调设计选型的影响分析[J].暖通空调.2014,44(10):26-32.)来探讨得热量不确定性对建筑冷负荷的影响。有学者基于建筑冷热峰值负荷计算过程中的不确定性，在设计阶段使用多目标决策评估空调系统性能(Huang P,Huang G,Wang Y.HVAC system design under peak load predictionuncertainty using multiple-criterion decision making technique[J].Energy andBuildings.2015,91:26-36.)。有学者考虑到传统冷热负荷计算方法使用设计日和安全系数的不足，提出一种基于不确定性分析和灵敏性分析的替代框架对各不确定性参数影响下的建筑全年逐时冷负荷分布进行分析，并用于指导空调系统容量设计(Sun Y,Gu L,WuCFJ,et al.Exploring HVAC system sizing under uncertainty[J].Energy andBuildings.2014,81:243-252.)。
以上针对建筑冷热负荷的不确定性研究日渐增多，但是仍存在一定问题：
(1)现有针对建筑空调冷热负荷预测的研究，多基于确定性计算，忽略不确定性的影响；
(2)在有限的考虑不确定性对建筑冷热负荷预测影响的研究中，仅关注个别不确定性参数，考虑范围不够全面；
(3)现有关于建筑冷热负荷预测不确定性研究中，气象参数不确定性多基于典型气象年或历史数据，未考虑未来气候变化的影响，而新建建筑的使用均在未来，因此应考虑未来气象参数的变化；
(3)现有研究多预测考虑不确定性的峰值冷热负荷，而建筑全年逐时冷热负荷对空调系统的性能评估和方案设计具有较大影响，应考虑不确定性的影响对全年逐时冷热负荷进行预测。
发明内容
为了解决以上技术问题，本发明提供了一种考虑多源不确定性的建筑冷热负荷预测方法，可提高冷热负荷预测的可靠性，为建筑冷热负荷预测、空调系统设计与控制优化提供支持。
一种考虑多源不确定性的建筑冷热负荷预测方法，包括以下步骤：
(1)根据设计阶段建筑土建图纸，收集建筑冷热负荷预测基础数据资料，所述建筑冷热负荷预测基础数据资料包括室外干球温度、湿球温度、太阳辐射、人员密度、灯光密度、设备密度、通风量、渗透风量、夏季室内温度设计值、夏季室内湿度设计值、冬季室内温度设计值、冬季室内湿度设计值、屋面U值、外墙U值、窗户U值、窗户太阳得热系数、建筑朝向以及建筑几何参数；
(2)分析步骤(1)中所提及的影响冷热负荷预测的参数，并选出具有不确定性的参数，根据参数性质确定概率密度函数；
(3)基于步骤(2)中确定的概率密度函数，利用拉丁超立方抽样，产生多参数不确定性样本集；
(4)根据步骤(1)中的收集的数据资料建立建筑数学模型；
(5)利用Monte Carlo方法，根据步骤(1)收集的数据资料，设置步骤(4)建立的建筑数学模型的模型参数，其中确定性参数设置为固定值，将步骤(2)中选出的具有不确定性的参数以及步骤(3)生成的不确定性样本集，共同导入建筑数学模型；
(6)根据步骤(5)所得建筑数学模型预测建筑冷热负荷，获取在不同概率密度下建筑全年逐时冷热负荷，作为该建筑空调系统设计、性能评估依据。
进一步的，步骤(2)中，将正态分布作为室外干球温度、湿球温度、太阳辐射、夏季室内温度设计值、夏季室内湿度设计值、冬季室内温度设计值、冬季室内湿度设计值与建筑朝向的概率密度函数，将三角分布作为人员密度、灯光密度、设备密度与通风量的概率密度函数，将均匀分布作为渗透风量、屋面U值、外墙U值、窗户U值与窗户太阳得热系数的概率密度函数。
进一步的，步骤(4)中采用TRNSYS软件、EnergyPlus软件、Openstudio软件、DOE-2软件或DesT软件建立建筑数学模型。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
(1)与常规的基于确定性或仅考虑部分不确定性参数的研究相比，本发明全面考虑影响建筑冷热负荷的不确定性参数；
(2)与现有基于典型气象年或历史气象数据的不确定性研究相比，本发明考虑未来气候变化情况，在确定气象参数概率密度函数时引入未来气象参数的影响；
(3)现有不确定性研究多数仅考虑建筑峰值冷热负荷，本发明充分考虑全年逐时冷热负荷对空调系统性能评估和方案设计的影响，基于多源不确定性对建筑全年逐时冷热负荷进行预测；
(4)本发明预测不同概率分布下的建筑冷热负荷，解决了传统唯一预测值不准确不可靠的问题，为空调系统选型提供更丰富的数据支持，实现模拟与设计的有机结合。
附图说明
图1是本发明一种考虑多源不确定性的建筑冷热负荷预测方法的流程示意图；
图2是考虑不确定性的建筑冷热峰值负荷频谱图；
图3是考虑不确定性的建筑单位面积累计冷热负荷频谱图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种新型的考虑多源不确定性的建筑冷热负荷预测方法，包括如下步骤：
1.根据设计阶段建筑土建图纸，收集建筑冷热负荷预测基础数据资料。
本具体实施中需要根据设计阶段建筑土建图纸，先收集室外干球温度、湿球温度、太阳辐射、人员密度、灯光密度、设备密度、通风量、渗透风量、夏季室内温度设计值、夏季室内湿度设计值、冬季室内温度设计值、冬季室内湿度设计值、屋面U值、外墙U值、窗户U值、窗户太阳得热系数、建筑朝向以及建筑几何参数等建筑冷热负荷预测基础数据资料，为建立建筑数学模型提供相应的数据支持。
2.分析步骤1中所提及的影响冷热负荷预测的参数，并选出具有不确定性的参数，根据参数性质确定概率密度函数。
对于室外气象参数，因建筑设计以后投入使用时间线为未来，因此应考虑未来气候变化，本发明综合考虑历史和未来气象参数变化预测建筑冷热负荷。通过中国气象数据网获取历史逐月平均天气数据，通过天气数据软件Meteonorm生成的未来50年气象文件，计算历史数据及未来气象数据月均值及方差，确定各参数正态分布数据，并附加在典型气象年数据上。
对于室内热扰(人员密度、灯光密度、设备密度)，依据《实用供热空调设计手册》和地方标准，确定该建筑功能下人员密度、灯光密度、设备密度，并根据该类建筑的内扰范围，确定三角分布概率密度函数；
对于围护结构参数(渗透风量、屋面U值、外墙U值、窗户U值与窗户太阳得热系数的概率密度函数)，依据《民用建筑热工设计规范》和《公共建筑节能设计标准》以及地方规范，确定围护结构取值上限值和下限值，并以均匀分布确定概率密度函数。
3.基于步骤2中确定的概率密度函数，利用拉丁超立方抽样，产生多参数不确定性样本集。
为保证不确定性量化结果的可靠性，本实施例选用高效的拉丁超立方抽样方法，使得抽取的样本具有全面性与均匀性，样本个数不低于200组。
4.根据步骤1中收集的数据资料，利用专业软件或者基于建筑热过程理论，建立建筑数学模型。用户根据收集的数据参数建立合适的建筑数学模型，包括但不限于TRNSYS软件、EnergyPlus软件、Openstudio软件，DOE-2软件或DesT软件。
5.利用Monte Carlo方法，根据步骤1收集的数据资料，设置步骤4中建立的建筑数学模型的模型参数，其中确定性参数设置为固定值，将步骤2中的选出的不确定参数以及利用步骤3生成的不确定性样本集共同导入步骤4所建立的建筑数学模型中。
6.根据步骤5中所得建筑数学模型预测建筑冷热负荷，获取在不同概率密度下建筑全年逐时冷热负荷，作为该建筑空调系统设计、性能评估依据。
与现有技术相比，本发明具有如下的有益效果：本发明基于建筑物收集的数据资料，建立起建筑数学模型，分析冷热负荷不确定性来源，确定各个不确定性参数特性，提出量化分析方法，并产生样本，利用Monte Carlo方法，基于所产生的样本，计算建筑冷热负荷，获取在不同概率密度下建筑冷热负荷，作为空调系统设计依据。本发明定量地以概率分布地形式描述建筑冷热负荷的综合不确定性，使设计者在空调系统设计阶段能充分考虑各种不确定性，设计出合适的空调系统，实现模拟与设计的有机耦合。
下面介绍本发明的一个具体应用场景：
本发明为一种考虑多源不确定性的建筑冷热负荷预测方法，如图1所示，按照如下详细步骤进行处理：
具体步骤如下：
1.根据设计阶段建筑土建图纸，收集建筑冷热负荷预测基础数据资料。
本具体实施中根据武汉某高校内的一座典型办公楼设计阶段建筑土建图纸，收集室外干球温度、湿球温度、太阳辐射、人员密度、灯光密度、设备密度、通风量、渗透风量、夏季室内温度设计值、夏季室内湿度设计值、冬季室内温度设计值、冬季室内湿度设计值、屋面U值、外墙U值、窗户U值、窗户太阳得热系数、建筑朝向以及建筑几何参数等建筑冷热负荷预测基础数据资料，为建立建筑数学模型提供相应的数据支持。
2.分析步骤1中所提及的影响冷热负荷预测的参数，并选出具有不确定性的参数，根据参数性质确定概率密度函数。
结合各参数常规的取值特点为各参数选取恰当的概率密度函数。通过中国气象数据网获取历史逐月平均天气数据，通过天气数据软件Meteonorm生成的未来50年气象文件，计算历史数据及未来气象数据月均值及方差，确定各参数正态分布数据，并附加在典型气象年数据上。基于此计算结果确定室外干球温度、湿球温度、太阳辐射等气象参数。将正态分布作为夏季室内温度设计值、夏季室内湿度设计值、冬季室内温度设计值、冬季室内湿度设计值与建筑朝向的概率密度函数，将三角分布作为人员密度、灯光密度、设备密度与通风量的概率密度函数，将均匀分布作为渗透风量、屋面U值、外墙U值、窗户U值与窗户太阳得热系数的概率密度函数。
3.利用拉丁超立方抽样，产生多参数不确定性样本集。
首先基于步骤2中确定的概率密度函数，利用拉丁超立方抽样，产生多参数不确定性样本集。为保证不确定性量化结果的可靠性，选用高效的拉丁超立方抽样方法，使得抽取的样本具有全面性与均匀性。共抽取样本200组构成样本集，计算建筑冷热负荷的不确定性。
4.建立建筑数学模型。
本具体实施例根据步骤1中收集的数据资料，选用TRNSYS模拟软件搭建该办公建筑冷热负荷模拟平台。首先利用SketchUp建立其等比例三维几何模型，后将该几何模型导入TRNSYS的插件TRNBuild中。
5.利用Monte Carlo方法，根据步骤1收集的数据，设置步骤4中模型参数，其中确定性参数设置为固定值，步骤2中的选出的不确定参数和步骤3生成的多参数不确定性样本集，共同导入步骤4所建立的建筑数学模型中。
6.根据步骤5中所得建筑数学模型预测建筑冷热负荷，获取在不同概率密度下建筑全年逐时冷热负荷，作为该建筑空调系统设计、性能评估依据。
考虑不确定性的影响下，该建筑峰值冷热负荷分布如图2所示，在基于不确定性的冷热负荷计算方法下，建筑峰值冷负荷分布范围为1765～4133kW，相对基准值的变化为-38％～45.4％；峰值热负荷分布范围为925～1920kW，相对基准值的变化为-34.4％～36.2％。考虑不确定性的建筑单位面积全年累计冷热负荷分布如图3所示，基于不确定性的负荷计算方法下建筑全年单位面积累计冷负荷分布范围为88～300kWh/m2，相对基准值的变化为-45.6％～85.5％，全年单位面积累计热负荷分布范围为60～152kWh/m2，相对基准值的变化为-44％～42％。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种考虑多源不确定性的建筑冷热负荷预测方法，其特征在于，包括以下步骤：
(1)根据设计阶段建筑土建图纸，收集建筑冷热负荷预测基础数据资料，所述建筑冷热负荷预测基础数据资料包括室外干球温度、湿球温度、太阳辐射、人员密度、灯光密度、设备密度、通风量、渗透风量、夏季室内温度设计值、夏季室内湿度设计值、冬季室内温度设计值、冬季室内湿度设计值、屋面U值、外墙U值、窗户U值、窗户太阳得热系数、建筑朝向以及建筑几何参数；
(2)分析步骤(1)中所提及的影响冷热负荷预测的参数，并选出具有不确定性的参数，根据参数性质确定概率密度函数；
(3)基于步骤(2)中确定的概率密度函数，利用拉丁超立方抽样，产生多参数不确定性样本集；
(4)根据步骤(1)中的收集的数据资料建立建筑数学模型；
(5)利用Monte Carlo方法，根据步骤(1)收集的数据资料，设置步骤(4)建立的建筑数学模型的模型参数，其中确定性参数设置为固定值，将步骤(2)中选出的具有不确定性的参数以及步骤(3)生成的不确定性样本集，共同导入建筑数学模型；
(6)根据步骤(5)所得建筑数学模型预测建筑冷热负荷，获取在不同概率密度下建筑全年逐时冷热负荷，作为该建筑空调系统设计、性能评估依据。
2.如权利要求1所述的一种考虑多源不确定性的建筑冷热负荷预测方法，其特征在于，步骤(2)中，将正态分布作为室外干球温度、湿球温度、太阳辐射、夏季室内温度设计值、夏季室内湿度设计值、冬季室内温度设计值、冬季室内湿度设计值与建筑朝向的概率密度函数，将三角分布作为人员密度、灯光密度、设备密度与通风量的概率密度函数，将均匀分布作为渗透风量、屋面U值、外墙U值、窗户U值与窗户太阳得热系数的概率密度函数。
3.如权利要求1所述的一种考虑多源不确定性的建筑冷热负荷预测方法，其特征在于，步骤(4)中采用TRNSYS软件、EnergyPlus软件、Openstudio软件、DOE-2软件或DesT软件建立建筑数学模型。
CN202111348711.4A 2021-11-15 2021-11-15 一种考虑多源不确定性的建筑冷热负荷预测方法 Active CN114037165B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111348711.4A CN114037165B (zh) 2021-11-15 2021-11-15 一种考虑多源不确定性的建筑冷热负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111348711.4A CN114037165B (zh) 2021-11-15 2021-11-15 一种考虑多源不确定性的建筑冷热负荷预测方法

Publications (2)

Publication Number Publication Date
CN114037165A true CN114037165A (zh) 2022-02-11
CN114037165B CN114037165B (zh) 2024-05-28

Family

ID=80144400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111348711.4A Active CN114037165B (zh) 2021-11-15 2021-11-15 一种考虑多源不确定性的建筑冷热负荷预测方法

Country Status (1)

Country Link
CN (1) CN114037165B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115095962A (zh) * 2022-07-25 2022-09-23 蘑菇物联技术（深圳）有限公司 用于控制中央空调系统的冷水机组的方法、设备和介质
CN117113018A (zh) * 2023-10-25 2023-11-24 清华四川能源互联网研究院 基于特征参数的能耗数据解析方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101671362B1 (ko) * 2016-03-22 2016-11-01 재단법인 대한기계설비산업연구원 다항함수를 이용한 건물의 연간부하 예측방법
CN110334366A (zh) * 2019-03-14 2019-10-15 华电电力科学研究院有限公司 一种基于运用拉丁超立方抽样的蒙特卡罗法的建筑瞬时冷负荷预测方法
WO2020107851A1 (zh) * 2018-11-29 2020-06-04 天津大学 基于既有大型公共建筑空调系统的低成本调适方法及调适系统
CN111310126A (zh) * 2020-02-14 2020-06-19 天津大学 一种适用于规划阶段区域建筑的空调负荷预测方法
CN111985696A (zh) * 2020-07-29 2020-11-24 中国电力工程顾问集团中南电力设计院有限公司 一种针对大型区域供冷供热能源站的冷热负荷计算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101671362B1 (ko) * 2016-03-22 2016-11-01 재단법인 대한기계설비산업연구원 다항함수를 이용한 건물의 연간부하 예측방법
WO2020107851A1 (zh) * 2018-11-29 2020-06-04 天津大学 基于既有大型公共建筑空调系统的低成本调适方法及调适系统
CN110334366A (zh) * 2019-03-14 2019-10-15 华电电力科学研究院有限公司 一种基于运用拉丁超立方抽样的蒙特卡罗法的建筑瞬时冷负荷预测方法
CN111310126A (zh) * 2020-02-14 2020-06-19 天津大学 一种适用于规划阶段区域建筑的空调负荷预测方法
CN111985696A (zh) * 2020-07-29 2020-11-24 中国电力工程顾问集团中南电力设计院有限公司 一种针对大型区域供冷供热能源站的冷热负荷计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐伟;孙德宇;乔镖;魏艳萍;徐吉富;王烨;: "基于建筑特性的冷热电动态负荷预测方法研究", 暖通空调, no. 09, 15 September 2016 (2016-09-15) *
王利珍;谭洪卫;: "应用蒙特卡罗模拟方法预测区域建筑负荷", 西安建筑科技大学学报(自然科学版), no. 05, 28 October 2017 (2017-10-28) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115095962A (zh) * 2022-07-25 2022-09-23 蘑菇物联技术（深圳）有限公司 用于控制中央空调系统的冷水机组的方法、设备和介质
CN117113018A (zh) * 2023-10-25 2023-11-24 清华四川能源互联网研究院 基于特征参数的能耗数据解析方法和系统
CN117113018B (zh) * 2023-10-25 2024-02-06 清华四川能源互联网研究院 基于特征参数的能耗数据解析方法和系统

Also Published As

Publication number Publication date
CN114037165B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
Beccali et al. Artificial neural network decision support tool for assessment of the energy performance and the refurbishment actions for the non-residential building stock in Southern Italy
Li et al. Fast bidirectional building performance optimization at the early design stage
Nasrollahzadeh Comprehensive building envelope optimization: Improving energy, daylight, and thermal comfort performance of the dwelling unit
Carlucci et al. Multi-objective optimization of a nearly zero-energy building based on thermal and visual discomfort minimization using a non-dominated sorting genetic algorithm (NSGA-II)
Nguyen et al. Passive designs and strategies for low-cost housing using simulation-based optimization and different thermal comfort criteria
CN110264080B (zh) 一种绿色建筑运行性能评价方法、装置、设备及存储介质
Xu et al. A simplified dynamic model for existing buildings using CTF and thermal network models
CN114037165B (zh) 一种考虑多源不确定性的建筑冷热负荷预测方法
Li et al. Natural ventilation potential of high-rise residential buildings in northern China using coupling thermal and airflow simulations
Diakaki et al. Performance study of a multi-objective mathematical programming modelling approach for energy decision-making in buildings
Ascione et al. Weather-data-based control of space heating operation via multi-objective optimization: Application to Italian residential buildings
Almeida et al. An insulation thickness optimization methodology for school buildings rehabilitation combining artificial neural networks and life cycle cost
CN109242158B (zh) 一种寒冷地区的城市居住建筑系统的能耗预测方法
CN114169577B (zh) 一种考虑负荷与系统性能随机性的地表水源热泵系统能耗预测方法
Carpino et al. Improve decision-making process and reduce risks in the energy retrofit of existing buildings through uncertainty and sensitivity analysis
Chen et al. A rapid evaluation method for design strategies of high-rise office buildings achieving nearly zero energy in Guangzhou
CN117332971A (zh) 一种计及城市形态的区域综合能源规划方法及系统
Belussi et al. Energy performance of buildings: A study of the differences between assessment methods
Taylor et al. Dynamic energy modelling of UK housing: Evaluation of alternative approaches
Qiu et al. A multi-objective optimization framework for performance-based building design considering the interplay between buildings and urban environments
KR101465367B1 (ko) 위치정보 및 건물 에너지 시뮬레이션을 기반으로 하는 녹화 시스템 결정 방법 및 이를 위한 시스템
Degerfeld et al. Sensitivity analysis of the thermal energy need of a residential building assessed by means of the EN ISO 52016 simplified dynamic method
Serag et al. Comparative Validation of a Building Energy Model Calibration Methodology with a Focus on Residential Buildings
Zhou et al. Establishing energy consumption quota for residential buildings using regression analysis and energy simulation.
Bahdad et al. An Investigation-Based Optimization Framework of Thermal Comfort Analysis in Underground Enclosed Spaces Affected by Multiple Parameters for Energy Performance in Tropics

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