CN114169577B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114169577B CN114169577B CN202111347042.9A CN202111347042A CN114169577B CN 114169577 B CN114169577 B CN 114169577B CN 202111347042 A CN202111347042 A CN 202111347042A CN 114169577 B CN114169577 B CN 114169577B
- Authority
- CN
- China
- Prior art keywords
- heat pump
- building
- water source
- source heat
- load
- 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
- 239000002352 surface water Substances 0.000 title claims abstract description 73
- 238000005265 energy consumption Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013461 design Methods 0.000 claims abstract description 45
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000004088 simulation Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 51
- 238000012937 correction Methods 0.000 claims description 24
- 238000010438 heat treatment Methods 0.000 claims description 18
- 230000005855 radiation Effects 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 16
- 239000000463 material Substances 0.000 claims description 14
- 238000009423 ventilation Methods 0.000 claims description 14
- 239000003673 groundwater Substances 0.000 claims description 13
- 239000011521 glass Substances 0.000 claims description 12
- 230000017525 heat dissipation Effects 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 12
- 238000004378 air conditioning Methods 0.000 claims description 10
- 238000001816 cooling Methods 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 7
- 238000003705 background correction Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 239000010410 layer Substances 0.000 claims description 6
- 238000009827 uniform distribution Methods 0.000 claims description 5
- 239000000498 cooling water Substances 0.000 claims description 4
- 230000035515 penetration Effects 0.000 claims description 4
- 239000011229 interlayer Substances 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 230000008595 infiltration Effects 0.000 claims description 2
- 238000001764 infiltration Methods 0.000 claims description 2
- 238000005057 refrigeration Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000000342 Monte Carlo simulation Methods 0.000 abstract description 3
- 230000001186 cumulative effect Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000005357 flat glass Substances 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06F2119/06—Power analysis or power optimisation
-
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (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，包括如下步骤：(1)收集地表水源热泵系统能耗预测所需数据资料；(2)归类分析影响地表水源热泵系统能耗预测的不确定性因素，确定各个不确定性参数的概率密度函数；(3)利用抽样法取样，产生所有不确定性参数样本；(4)建立建筑物理模型与地表水源热泵系统模拟平台；(5)基于Monte Carlo法，将样本集输入建筑物理模型，获取建筑全年逐时冷热负荷集；(6)将负荷集与系统不确定性参数样本输入地表水源热泵系统模拟平台，预测地表水源热泵系统能耗分布。本发明全面考虑地表水源热泵系统能耗计算过程中的不确定性因素预测地表水源热泵系统能耗，提高预测的可靠性，为地表水源热泵系统性能评估和设计优化等提供技术支持。
Description
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。
背景技术
地表水源热泵系统因其利用低品位能源的特点，一直以来广受关注，大量研究者针对其可行性分析、性能评估、设计/运行优化进行了探究。对空调系统能耗进行准确预测是系统性能评估、运行优化的基础，然而在预测过程中存在着大量不确定性因素，直接影响系统能耗预测结果，若忽略不确定性影响，系统性能预测将严重偏离真实值，进而导致评估不当、决策不合理甚至错误。
在地表水源热泵系统能耗预测中不确定性参数包括负荷侧不确定性参数与系统侧不确定性参数。前者主要包括气象参数、建筑热物性参数、室内状态参数等一系列通过影响建筑负荷进而影响系统性能表现的不确定性参数，后者则主要包括机组性能参数、水泵效率、水源水温等，表现为直接影响系统性能表现。
现有研究多基于某一场景下的确定性研究，忽略水源热泵系统中的不确定性因素。有学者基于典型气象年预测利用黄浦江的江水源热泵系统能耗并与冷水机组+燃气锅炉系统进行比较，结果显示该地表水源热泵系统的节能效果超出传统系统15％，回收期约4.3年(朱金鸣,项弸中.江水源热泵在上海十六铺工程中的应用[J].暖通空调.2007,(02):88-93.)。也有研究预测水源热泵系统能耗并与空气源热泵系统进行比较分析，结果表明该办公楼运用地源热泵系统的节能率约为9.4％～24.1％(Liu X,Hong T.Comparison ofenergy efficiency between variable refrigerant flow systems and ground sourceheat pump systems[J].Energy and Buildings.2010,42(5):584-9.)。现有建筑能源领域关于不确定性的研究多侧重于建筑负荷不确定性，如计算各不确定性参数影响下的建筑冷热负荷，(Sun Y,Gu L,Wu CFJ,Augenbroe G.Exploring HVAC system sizing underuncertainty[J].Energy and Buildings.2014,81:243-52.)，或峰值负荷(Xu L,Wang S,Tang R.Probabilistic load forecasting for buildings considering weatherforecasting uncertainty and uncertain peak load[J].Applied Energy.2019,237:180-95.)，用于指导中央空调系统选型。也有研究者分析室内得热不确定性对系统选型设计的影响(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.)。然而，对于地表水源热泵系统能耗预测的不确定性，尤其是考虑系统中的不确定性因素，尚为空白。
现有针对地表水源热泵系统能耗预测的研究多基于确定性研究方法，忽略系统能耗预测过程中的不确定性，将导致系统能耗预测与真实值偏离较大，直接影响系统能耗预测结果，进而影响运行、评价等决策分析。
发明内容
为了解决以上技术问题，本发明提供了一种考虑建筑负荷与设备性能随机性的地表水源热泵系统能耗预测方法，通过全面考虑地表水源热泵系统能耗计算过程中的不确定性因素预测地表水源热泵系统能耗，提高预测的可靠性，为地表水源热泵系统性能评估和设计优化等提供技术支持。
一种考虑建筑负荷与系统性能不确定性的地表水源热泵系统能耗预测方法，包括如下步骤：
(1)收集地表水源热泵系统能耗预测所需数据资料，所述数据资料包括气象数据、建筑设计数据、地表水源热泵系统数据以及地表水文资料；
(2)分析地表水源热泵系统能耗预测过程中的不确定性来源，分为负荷侧不确定性和系统侧不确定性，分析各不确定性参数属性，选择合适的分布进行量化并确定概率密度函数；
(3)基于步骤(2)确定的概率密度函数，采用抽样法取样，产生步骤(2)中所有不确定性参数样本；
(4)根据步骤(1)中收集的数据资料，搭建建筑物理模型与地表水源热泵系统模拟平台；
(5)将步骤(3)中影响建筑负荷预测结果的不确定性参数样本导入步骤(4)所建立的建筑物理模型中，基于Monte Carlo量化方法，计算建筑全年逐时冷热负荷，获得负荷样本集；
(6)将步骤(5)产生的负荷样本与步骤(3)中系统侧不确定性参数样本输入到地表水源热泵系统模拟平台，根据地表水源热泵系统能耗模型预测地表水源热泵系统全年能耗。
进一步的，所述气象数据包括当地典型气象年和历史空气干球温度、湿球温度、太阳辐射；所述建筑设计数据包括建筑面积、楼层数、建筑功能、建筑布局、窗墙比、墙体与窗户材料、室内人员与设备密度参数；所述地表水源热泵系统数据包括机组性能参数、水泵效率；所述地表水文资料包括不同深度全年水温数据。
进一步的，步骤(2)中，所述不确定性参数具体包括室外气象参数、围护结构物性参数、室内热扰、通风量及渗透风量、室内空气状态参数和系统设备性能参数，其中室外气象参数包括室外空气干球温度、室外空气相对湿度、太阳辐射，围护结构物性参数包括屋面U值、外墙U值、窗户U值与窗户太阳得热系数，室内热扰包括人员密度、灯光密度、设备密度，室内空气状态参数包括夏季室内温度设计值、夏季室内相对湿度设计值、夏季室内相对湿度设计值、冬季室内相对湿度设计值，系统设备性能参数包括水泵效率、机组效率。
进一步的，步骤(2)中分析各不确定性参数属性，选择合适的分布进行量化并确定概率密度函数具体为：将室外空气干球温度、室外空气湿球温度、太阳辐射、夏季室内温度设计值、夏季室内相对湿度设计值、冬季室内温度设计值、冬季室内相对湿度设计值、建筑朝向、热泵机组夏季额定制冷系数和热泵机组冬季额定制热系数指定为服从正态分布并给定概率密度函数，将室内人员密度、灯光密度、设备密度、通风量、水泵效率指定为服从三角分布并给定概率密度函数，将渗透风量、屋面U值、外墙U值、窗户U值与窗户太阳能得热系数指定为服从均匀分布并给定概率密度函数。
进一步的，步骤(3)中的抽样法包括简单随机抽样、系统随机抽样、分层抽样以及拉丁超立方抽样。
进一步的，步骤(4)中，建立的建筑物理模型所用软件平台包括TRNSYS、EnergyPlus、Openstudio、DOE-2或DesT，搭建地表水源热泵系统模拟平台的软件包括TRNSYS、MATLAB或Dymola。
进一步的，所述建筑物理模型用于建筑冷热负荷计算，其中热负荷采用稳态传热计算，依据公式(1)～(5)，冷负荷计算采用冷负荷系数法，依据公式(6)～(14)：
Qh＝Q1+Q2 (1)
Qj＝αUF(tn-twn) (2)
Q1＝Qj(1+βch+βf+βl+βm)(1+βg)(1+βjx) (3)
Q2＝0.278CpLρwn(tn-twn) (4)
式中，Qh为建筑热负荷，W；Q1、Q2分别为围护结构耗热量与冷风渗透耗热量，W；Qj为围护结构基本耗热量，W；F为围护结构面积，m2；tn为室内设计温度，℃；twn为供暖室外计算温度，℃；U为围护结构的传热系数，W/(m2·K)；α为围护结构计算温差修正系数；βch、βf、βl、βm、βg、βjx分别为朝向修正率、风力附加率、两面外墙修正、窗墙面积比过大修正、高度附加率、间歇附加率，Cp为空气的定压比热，Cp＝1.01kJ/(kg·℃)；ρwn为供暖室外计算温度下空气密度，kg/m3；L为渗透冷空气量，m3/h；αn、αw分别为围护结构内外表面换热系数，W/(m2·K)；δ为围护结构各层材料厚度，m；λ为围护结构各层材料导热系数，W/(m·K)；αλ为材料导热系数修正系数；Rk为封闭空气间层的热阻，m2·K/W；
CLc＝CclCCzDJ,maxFC (9)
Cz＝CwCnCs (10)
Dτ＝0.01Φnτg (14)
式中，CLc、CLrt、CLzm、CLsb分别为外墙传热、屋面传热、外窗传热、透过玻璃窗进入的太阳辐射得热、人体散热、照明散热、设备散热形成的逐时冷负荷，W；twlq、twlm、twlc分别为外墙、屋面、外窗逐时冷负荷计算温度，℃；CclC透过无遮阳标准玻璃太阳辐射冷负荷系数；Cz为外窗综合遮挡系数；Cw、Cn、Cs分别为外遮阳修正系数、内遮阳修正系数、玻璃修正系数；DJ,max为夏季透过标准玻璃窗的最大日射得热系数；FC窗玻璃净面积，m2；/> 分为人体、照明、设备冷负荷系数；Φ为群集系数；Czm、Csb分别为照明修正系数、设备修正系数；Qrt、Qzm、Qsb分别为人体、照明、设备散热量，W；Dτ为人体散湿量，kg/h；nπ为计算时刻空调区内总人数；g为成年男子单位散湿量，g/(h·人)。
进一步的，所述地表水源热泵系统能耗模型主要包括热泵机组模型、冷却水泵模型、一/二次冷冻水泵模型，热泵机组模型涉及的数学公式如公式(15)～(18)所示，水泵能耗由公式(19)计算：
Whp＝Wref·CAPFT·EIRFT·EIRFPLR (15)
式中：Whp为热泵实际运行功耗，kW；Wref为热泵名义工况的额定功耗，kW；Wc为热泵实际工况的额定功耗，kW；CAPFT为实际工况(即给定负荷需求、水流量和温度)下的总容量与名义容量的比值；EIRFT为名义工况的额定COP与实际工况下额定COP之比；EIRFPLR为机组实际工况额定功耗与名义工况额定功耗之比；t代指水温；a～e指拟合系数；下标ref、C、user、source、in、out分别代指参考额定状态、实际额定状态、用户侧，源侧，入口和出口；
式中，WP为水泵运行功耗，kW；G为水泵流量，kg/h；H为水泵扬程，kPa；ρ为水的密度，kg/m3；η为水泵效率。
总体而言，通过本发明所构思的以上技术方案相比现有技术主要具有下述技术优点：
(1)在现有基于确定性方法进行地表水源热泵系统性能评估的研究方法基础上，增加考虑系统中存在的不确定性的影响；
(2)全面考虑系统中负荷侧和系统侧不确定性参数，预测地表水源热泵系统能耗的范围，提高系统预测准确性和可靠性；
(3)使用拉丁超立方抽样法，提高计算效率；
(4)搭建的热泵机组模型经实验数据验证，模拟数据可靠。
附图说明
图1是本发明一种考虑建筑负荷与系统性能不确定性的地表水源热泵系统能耗预测方法的流程图；
图2是本发明研究用到的地表水源热泵系统示意图；
图3是考虑不确定性的地表水源热泵系统全年累计能耗分布频谱图；
图4是考虑不确定性的地表水源热泵系统峰值电耗频谱图。
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及图2所示，本发明实施例提供了一种考虑建筑负荷与系统性能不确定性的地表水源热泵系统能耗预测方法，包括如下步骤：
步骤1.收集地表水源热泵系统能耗预测所需数据资料。
本实施例中需要事先收集的数据资料有：1)气象数据，如当地典型气象年和历史空气干球温度、湿球温度、太阳辐射；2)建筑设计数据，包括建筑面积、楼层数、建筑功能、建筑布局、窗墙比、墙体与窗户材料、室内人员与设备密度参数、等；3)地表水源热泵系统数据，包括机组性能参数、水泵效率等；4)地表水文资料，包括不同深度全年水温数据；所收集的数据资料为搭建建筑物理模型与地表水源热泵系统模拟平台提供初步数据支持。
步骤2.分析地表水源热泵系统能耗预测过程中的不确定性来源，分为负荷侧不确定性和系统侧不确定性，分析各不确定性参数属性，确定概率密度函数。
所述不确定性参数包括如下：
室外气象参数：影响系统能耗预测结果的气象参数主要有室外空气干球温度、室外空气相对湿度、太阳辐射。既有研究多基于典型气象年数据结合正态分布产生天气数据样本或直接采用多年实测历史数据，这忽略了未来气候变化产生的影响。为弥补这一不足，本发明基于从中国气象数据网中获取的1981～2018年的历史逐月平均数据与产生于Meteonorm软件的2020～2050年的未来月平均值，提出了一种产生考虑未来气候变化的天气数据样本的方法，该方法以历年月平均值和未来年月平均值组成的样本均值与样本方差采用正态分布产生新的月平均值随机样本，并将月平均值附加给TMY逐时值以获得全年天气数据样本。
围护结构物性参数：屋面U值、外墙U值、窗户U值与窗户太阳得热系数等物性参数直接影响建筑围护结构传热量。在设计阶段，由于缺乏建筑详细信息，设计者常依据《民用建筑热工设计规范》、《公共建筑节能设计标准》等行业规范随机选取符合气候分区与建筑要求的任一数值，因此其不确定定性可采用均匀分布进行描述，概率密度函数所用参数取值则根据规范规定的上下限进行确定。
室内热扰：灯光照明、办公用电设备、人员等建筑室内得热是空调冷负荷的重要组成部分。在负荷计算过程中通常依据《民用建筑供暖通风与空气调节设计规范》、《实用供热空调设计手册》等行业规范标准选取相应建筑类型对应的人员密度、灯光密度、设备密度，且设计人员为保证后期系统运行的安全性通常在推荐范围内取大值，因此其不确定性通常选用三角分布进行表示，概率密度函数所用参数取值则根据规范推荐值进行设置。
通风量及渗透风量：进入建筑的通风量与渗透风量直接构成建筑新风负荷，通风量通常根据规范推荐值进行选取，而渗透风量最具随机性，因此其不确定性可以分别采用三角分布与均匀分布进行表示。
室内空气状态参数：设计人员在设计计算过程中通常按照规范与经验选取室内空气设定值(例如夏季室内温度设计值、夏季室内相对湿度设计值、夏季室内相对湿度设计值、冬季室内相对湿度设计值等)，不同设计人员的选取偏好存在差异，参考既有文献的处理方法，采用正态分布进行表示，并根据规范推荐范围设置概率密度函数所用参数。
系统设备性能参数：水泵效率、机组效率等系统设备性能参数直接影响系统运行效果，不同厂家不同产品的设备性能存在差异，且设备在运行过程中性能参数也将发生改变，采用三角分布与正态分布分别表示水泵效率与机组性能表现的不确定性。
各参数所用分布与选值原则参照表1：
表1水源热泵能耗预测不确定性参数分布及相关参数选取原则
表1中，窗户SHGC为窗户的太阳能得热系数，是太阳辐射热透过窗户玻璃进入室内的部分与投射到窗户外表面的总量之比。
例如，对于气象参数、室内状态设计参数、建筑朝向、地表水源热泵机组性能参数等变量，采用正态分布，记作X～N(μ,σ2)，有：
对于建筑室内热扰、通风量、水泵效率等采用三角分布，记作X～T(a,b,c)，有：
对于建筑热物性参数与建筑渗透风量采用均匀分布，记作X～U(a,b)，有：
步骤3.利用拉丁超立方抽样法，产生步骤(2)涉及的所有不确定性参数的随机样本。在其他实施例中，也可采用简单随机抽样、系统随机抽样、分层抽样等抽样方法。
拉丁超立方可描述为：a.将每个变量的累积分布划分为N个等区间；b.从每个区间中随机选取一个值，对于第i个区间，其采样累积概率可表示为Probi＝(1/N)ru+(i-1)/N，其中ru是服从U(0,1)的随机数；c.利用分布函数F的逆函数将抽样的概率值转换为对应的样本值x，x＝F-1(Prob)；d.各变量的N个样本值随机配对形成样本集。
本实施例拉丁超立方抽样方法采用分层随机抽样，可保证抽取样本的全面性与均匀性，为进一步增加样本的可靠性应尽可能保证样本个数不低于200组。
步骤4.根据步骤1中收集的初始数据资料，搭建建筑物理模型与地表水源热泵系统模拟平台。
用于搭建建筑物理模型软件包括但不限于TRNSYS、EnergyPlus、Openstudio、DOE-2或DesT。搭建地表水源热泵系统模拟平台的软件包括但不限于TRNSYS、MATLAB或Dymola。
所述建筑物理模型用于建筑冷热负荷计算，其中热负荷采用稳态传热计算，依据公式(1)～(5)，冷负荷计算采用冷负荷系数法，依据公式(6)～(14)。
Qh＝Q1+Q2 (1)
Qj＝αUF(tn-twn) (2)
Q1＝Qj(1+βch+βf+βl+βm)(1+βg)(1+βjx) (3)
Q2＝0.278CpLρwn(tn-twn) (4)
式中，Qh为建筑热负荷，W；Q1、Q2分别为围护结构耗热量与冷风渗透耗热量，W；Qj为围护结构基本耗热量，W；F为围护结构面积，m2；tn为室内设计温度，℃；twn为供暖室外计算温度，℃；U为围护结构的传热系数，W/(m2·K)；α为围护结构计算温差修正系数；βch、βf、βl、βm、βg、βjx分别为朝向修正率、风力附加率、两面外墙修正、窗墙面积比过大修正、高度附加率、间歇附加率。Cp为空气的定压比热，Cp＝1.01kJ/(kg·℃)；ρwn为供暖室外计算温度下空气密度，kg/m3；L为渗透冷空气量，m3/h；αn、αw分别为围护结构内外表面换热系数，W/(m2·K)；δ为围护结构各层材料厚度，m；λ为围护结构各层材料导热系数，W/(m·K)；αλ为材料导热系数修正系数；Rk为封闭空气间层的热阻，m2·K/W。
CLc＝CclCCzDJ,maxFC (9)
Cz＝CwCnCs (10)
Dτ＝0.01Φnτg (14)
式中，CLc、CLrt、CLzm、CLsb分别为外墙传热、屋面传热、外窗传热、透过玻璃窗进入的太阳辐射得热、人体散热、照明散热、设备散热形成的逐时冷负荷，W；twlq、twlm、twlc分别为外墙、屋面、外窗逐时冷负荷计算温度，℃；CclC透过无遮阳标准玻璃太阳辐射冷负荷系数；Cz为外窗综合遮挡系数；Cw、Cn、Cs分别为外遮阳修正系数、内遮阳修正系数、玻璃修正系数；DJ,max为夏季透过标准玻璃窗的最大日射得热系数；FC窗玻璃净面积，m2；/> 分为人体、照明、设备冷负荷系数；Φ为群集系数；Czm、Csb分别为照明修正系数、设备修正系数；Qrt、Qzm、Qsb分别为人体、照明、设备散热量，W；Dτ为人体散湿量，kg/h；nτ为计算时刻空调区内总人数；g为成年男子单位散湿量，g/(h·人)。
所述地表水源热泵系统能耗模型主要包括热泵机组模型、冷却水泵模型、一/二次冷冻水泵模型，通过将其数学模型写入计算机平台(例如地表水源热泵系统模拟平台)，可实现地表水源热泵系统能耗计算，热泵机组模型涉及的数学公式如公式(15)～(18)所示，水泵能耗可由公式(19)计算。
Ehp＝Wref·CAPFT·EIRFT·EIRFPLR (15)
式中：Whp为热泵实际运行功耗，kW；Wref为热泵名义工况的额定功耗，kW；Wc为热泵实际工况的额定功耗，kW；CAPFT为实际工况(即给定负荷需求、水流量和温度)下的总容量与名义容量的比值；EIRFT为名义工况的额定COP与实际工况下额定COP之比；EIRFPLR为机组实际工况额定功耗与名义工况额定功耗之比；t代指水温；a～e指拟合系数；下标ref、C、user、source、in、out分别代指参考额定状态、实际额定状态、用户侧，源侧，入口和出口。
式中，WP为水泵运行功耗，kW；G为水泵流量，kg/h；H为水泵扬程，kPa；ρ为水的密度，kg/m3；η为水泵效率。
步骤5.将步骤3中影响建筑负荷预测结果的不确定性参数样本导入步骤4所建立的建筑物理模型中，基于Monte Carlo量化方法，计算建筑全年逐时冷热负荷，获得负荷样本集。
将步骤3中影响建筑负荷预测结果的不确定性参数样本导入步骤4所建立的建筑物理模型中，基于Monte Carlo量化方法，多次计算建筑全年逐时冷热负荷，获取负荷侧不确定性参数影响下的建筑负荷及其分布。
步骤6.将步骤5产生的负荷样本与步骤3中系统侧不确定性参数样本输入到地表水源热泵系统模拟平台，预测地表水源热泵系统全年能耗。地表水源热泵系统能耗W＝Whp+Wcp+Wc1p+Wc2p，其中Whp、Wcp、Wc1p、Wc2p分别为热泵机组、冷却水泵、冷冻水一次泵、冷冻水二次泵能耗，kW。
与现有技术相比，本发明具有如下的有益效果：本发明基于地表水源热泵系统确定性设计阶段收集的初步数据资料，建立建筑物理模型与地表水源热泵系统模拟平台；分析地表水源热泵系统能耗预测过程中的不确定性来源，根据各个不确定性参数特性，提出适宜的量化分析方法，并产生输入参数样本；基于Monte Carlo法，将负荷侧不确定性参数样本输入到建筑物理模型，计算得到建筑全年逐时负荷及其分布；再将不确定性负荷样本与系统设备性能不确定性参数同时输入到地表水源热泵系统模拟平台，获取不确定性影响下的系统全年能耗及其分布。本发明采用概率分布定量地描述地表水源热泵系统能耗预测过程中的多因素不确定性，使设计者在性能评估、方案选择阶段能综合考虑各种不确定性因素的影响，做出更加准确的决策。
下面介绍本发明的一个具体应用场景：
本发明为一种考虑建筑负荷与系统性能不确定性的地表水源热泵系统能耗预测方法，实际应用操作流程如图1所示，具体步骤如下：
1.收集地表水源热泵系统能耗预测所需数据资料。
本具体应用场景为以武汉某高校内的一座典型办公楼为案例对象，为其设计以湖水为热源的地表水源热泵系统用于冬季供暖夏季供热。收集气象数据，如当地典型气象年和历史空气干球温度、湿球温度、太阳辐射；建筑设计数据，包括建筑面积、楼层数、建筑功能、建筑布局、窗墙比、墙体与窗户材料、室内人员与设备密度参数、等；地表水源热泵系统数据，包括机组性能参数、水泵效率等；地表水文资料，包括不同深度全年水温数据。
2.分析地表水源热泵系统能耗预测过程中的不确定性来源，根据不确定性参数自身特点，选择合适的分布进行量化并确定概率密度函数。
对于室外空气干球温度、室外空气湿球温度、太阳辐射、夏季室内温度设计值、夏季室内相对湿度设计值、冬季室内温度设计值、冬季室内相对湿度设计值、建筑朝向、热泵机组COP/EER的不确定性采用正态分布进行量化；对于室内人员密度、灯光密度、设备密度、通风量、水泵效率的不确定性采用三角分布进行量化；对于渗透风量、屋面U值、外墙U值、窗户U值与窗户太阳能得热系数的不确定性采用均匀分布进行量化。各参数对应的概率密度函数相关参数的取值则根据历史文献、行业规范、产品样本进行确定。
3.利用拉丁超立方抽样法对各不确定性参数进行随机抽样，抽取不确定性参数输入样本200组。
4.建立建筑物理模型并搭建地表水源热泵系统模拟平台。
本应用实例首先利用SketchUp建立与本办公建筑等比例的三维几何模型，基于TRNSYS插件TRNBuild完善建筑其他相关信息，并于TRSNYS中分别搭建建筑负荷模拟平台与地表水源热泵系统能耗模拟平台。
5.利用Monte Carlo方法计算不确定性影响下的建筑全年逐时负荷，获得负荷样本集。
将步骤2中抽取的影响建筑负荷预测结果的不确定性参数样本输入到建筑负荷模拟平台中，基于Monte Carlo量化方法，计算建筑全年逐时冷热负荷，获取负荷侧不确定性参数影响下的建筑负荷及其分布。
6.预测负荷不确定性与系统性能随机性共同影响下的地表水源热泵系统全年能耗。
将步骤5获取的不确定负荷样本与步骤3中产生的系统侧不确定性参数样本同时输入到地表水源热泵系统模拟平台，经过多次计算得到地表水源热泵系统全年能耗200组，地表水源热泵系统全年累计能耗分布如图3所示。为便于对比分析以确定性情形下的模拟结果作为基准值。在负荷不确定性与设备性能随机性的综合影响下，系统全年累计能耗的分布范围为310～778tce，相对基准值的变化为-38.9％～53.3％，表明多因素不确定性共同作用对系统能耗影响显著。基准全年累计能耗对应的累计概率密度值为0.63，即同时考虑多因素不确定性的地表水源热泵系统全年累计能耗低于基准值的概率为63％。若未考虑不确定性，系统全年累计能耗被估计偏小的概率为37％。考虑多因素不确定性的地表水源热泵系统峰值电耗分布如图4所示，不确定性影响下的系统峰值电耗分布范围为396～1249kW，相对基准值的变化为-38.7％～93.1％，表明多因素不确定性对系统峰值电耗影响巨大。系统基准峰值电耗对应的累积概率密度为0.61，即两类不确定性共同影响下的系统峰值电耗高于基准值的概率为39％。如果忽略不确定性的影响，整个建筑的峰值电耗将有很大可能被低估，从而影响设计阶段的电源配置。
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。
Claims (6)
1.一种考虑建筑负荷与系统性能不确定性的地表水源热泵系统能耗预测方法，其特征在于，包括如下步骤：
(1)收集地表水源热泵系统能耗预测所需数据资料，所述数据资料包括气象数据、建筑设计数据、地表水源热泵系统数据以及地表水文资料；
(2)分析地表水源热泵系统能耗预测过程中的不确定性来源，分为负荷侧不确定性和系统侧不确定性，分析各不确定性参数属性，选择合适的分布进行量化并确定概率密度函数；
(3)基于步骤(2)确定的概率密度函数，采用抽样法取样，产生步骤(2)中所有不确定性参数样本；
(4)根据步骤(1)中收集的数据资料，搭建建筑物理模型与地表水源热泵系统模拟平台；
(5)将步骤(3)中影响建筑负荷预测结果的不确定性参数样本导入步骤(4)所建立的建筑物理模型中，基于Monte Carlo量化方法，计算建筑全年逐时冷热负荷，获得负荷样本集；
(6)将步骤(5)产生的负荷样本与步骤(3)中系统侧不确定性参数样本输入到地表水源热泵系统模拟平台，根据地表水源热泵系统能耗模型预测地表水源热泵系统全年能耗；
所述建筑物理模型用于建筑冷热负荷计算，其中热负荷采用稳态传热计算，依据公式(1)～(5)，冷负荷计算采用冷负荷系数法，依据公式(6)～(14)：
Qh＝Q1+Q2 (1)
Qj＝αUF(tn-twn) (2)
Q1＝Qj(1+βch+βf+βl+βm)(1+βg)(1+βjx) (3)
Q2＝0.278CpLρwn(tn-twn) (4)
式中，Qh为建筑热负荷，W；Q1、Q2分别为围护结构耗热量与冷风渗透耗热量，W；Qj为围护结构基本耗热量，W；F为围护结构面积，m2；tn为室内设计温度，℃；twn为供暖室外计算温度，℃；U为围护结构的传热系数，W/(m2·K)；α为围护结构计算温差修正系数；βch、βf、βl、βm、βg、βjx分别为朝向修正率、风力附加率、两面外墙修正、窗墙面积比过大修正、高度附加率、间歇附加率，Cp为空气的定压比热，Cp＝1.01kJ/(kg·℃)；ρwn为供暖室外计算温度下空气密度，kg/m3；L为渗透冷空气量，m3/h；αn、αw分别为围护结构内外表面换热系数，W/(m2·K)；δ为围护结构各层材料厚度，m；λ为围护结构各层材料导热系数，W/(m·K)；αλ为材料导热系数修正系数；Rk为封闭空气间层的热阻，m2·K/W；
CLc＝CclCCzDJ,maxFC (9)
Cz＝CwCnCs (10)
Dτ＝0.01Φnτg (14)
式中，CLc、CLrt、CLzm、CLsb分别为外墙传热、屋面传热、外窗传热、透过玻璃窗进入的太阳辐射得热、人体散热、照明散热、设备散热形成的逐时冷负荷，W；twlq、twlm、twlc分别为外墙、屋面、外窗逐时冷负荷计算温度，℃；CclC透过无遮阳标准玻璃太阳辐射冷负荷系数；Cz为外窗综合遮挡系数；Cw、Cn、Cs分别为外遮阳修正系数、内遮阳修正系数、玻璃修正系数；DJ,max为夏季透过标准玻璃窗的最大日射得热系数；FC窗玻璃净面积，m2；/> 分为人体、照明、设备冷负荷系数；Φ为群集系数；Czm、Csb分别为照明修正系数、设备修正系数；Qrt、Qzm、Qsb分别为人体、照明、设备散热量，W；Dτ为人体散湿量，kg/h；nτ为计算时刻空调区内总人数；g为成年男子单位散湿量，g/(h·人)；
所述地表水源热泵系统能耗模型主要包括热泵机组模型、冷却水泵模型、一/二次冷冻水泵模型，热泵机组模型涉及的数学公式如公式(15)～(18)所示，水泵能耗由公式(19)计算：
Whp＝Wref·CAPFT·EIRFT·EIRFPLR (15)
式中：Whp为热泵实际运行功耗，kW；Wref为热泵名义工况的额定功耗，kW；Wc为热泵实际工况的额定功耗，kW；CAPFT为实际工况下的总容量与名义容量的比值；EIRFT为名义工况的额定COP与实际工况下额定COP之比；EIRFPLR为机组实际工况额定功耗与名义工况额定功耗之比；t代指水温；a～e指拟合系数；下标ref、C、user、source、in、out分别代指参考额定状态、实际额定状态、用户侧，源侧，入口和出口；
式中，WP为水泵运行功耗，kW；G为水泵流量，kg/h；H为水泵扬程，kPa；ρ为水的密度，kg/m3；η为水泵效率。
2.如权利要求1所述的一种考虑建筑负荷与系统性能不确定性的地表水源热泵系统能耗预测方法，其特征在于：所述气象数据包括当地典型气象年和历史空气干球温度、湿球温度、太阳辐射；所述建筑设计数据包括建筑面积、楼层数、建筑功能、建筑布局、窗墙比、墙体与窗户材料、室内人员与设备密度参数；所述地表水源热泵系统数据包括机组性能参数、水泵效率；所述地表水文资料包括不同深度全年水温数据。
3.如权利要求1所述的一种考虑建筑负荷与系统性能不确定性的地表水源热泵系统能耗预测方法，其特征在于，步骤(2)中，所述不确定性参数具体包括室外气象参数、围护结构物性参数、室内热扰、通风量及渗透风量、室内空气状态参数和系统设备性能参数，其中室外气象参数包括室外空气干球温度、室外空气相对湿度、太阳辐射，围护结构物性参数包括屋面U值、外墙U值、窗户U值与窗户太阳得热系数，室内热扰包括人员密度、灯光密度、设备密度，室内空气状态参数包括夏季室内温度设计值、夏季室内相对湿度设计值、夏季室内相对湿度设计值、冬季室内相对湿度设计值，系统设备性能参数包括水泵效率、机组效率。
4.如权利要求3所述的一种考虑建筑负荷与系统性能不确定性的地表水源热泵系统能耗预测方法，其特征在于，步骤(2)中分析各不确定性参数属性，选择合适的分布进行量化并确定概率密度函数具体为：将室外空气干球温度、室外空气湿球温度、太阳辐射、夏季室内温度设计值、夏季室内相对湿度设计值、冬季室内温度设计值、冬季室内相对湿度设计值、建筑朝向、热泵机组夏季额定制冷系数和热泵机组冬季额定制热系数指定为服从正态分布并给定概率密度函数，将室内人员密度、灯光密度、设备密度、通风量、水泵效率指定为服从三角分布并给定概率密度函数，将渗透风量、屋面U值、外墙U值、窗户U值与窗户太阳能得热系数指定为服从均匀分布并给定概率密度函数。
5.如权利要求1所述的一种考虑建筑负荷与系统性能不确定性的地表水源热泵系统能耗预测方法，其特征在于，步骤(3)中的抽样法包括简单随机抽样、系统随机抽样、分层抽样以及拉丁超立方抽样。
6.如权利要求1所述的一种考虑建筑负荷与系统性能不确定性的地表水源热泵系统能耗预测方法，其特征在于，步骤(4)中，建立的建筑物理模型所用软件平台包括TRNSYS、EnergyPlus、Openstudio、DOE-2或DesT，搭建地表水源热泵系统模拟平台的软件包括TRNSYS、MATLAB或Dymola。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111347042.9A CN114169577B (zh) | 2021-11-15 | 2021-11-15 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111347042.9A CN114169577B (zh) | 2021-11-15 | 2021-11-15 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114169577A CN114169577A (zh) | 2022-03-11 |
| CN114169577B true CN114169577B (zh) | 2024-05-28 |
Family
ID=80478955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111347042.9A Active CN114169577B (zh) | 2021-11-15 | 2021-11-15 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169577B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114580771A (zh) * | 2022-03-14 | 2022-06-03 | 南方电网数字电网研究院有限公司 | 能源负荷混合预测方法、装置、计算机设备和存储介质 |
| CN115270521B (zh) * | 2022-09-26 | 2022-12-13 | 中国建筑西南设计研究院有限公司 | 一种空气密度对空气源热泵供热系统性能影响的仿真方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106524295A (zh) * | 2016-11-21 | 2017-03-22 | 北京建筑技术发展有限责任公司 | 一种区域建筑能耗预测方法 |
| CN108931031A (zh) * | 2018-06-28 | 2018-12-04 | 湖南湖大瑞格能源科技有限公司 | 一种深湖水源热泵系统的节能控制方法及系统 |
| 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 |
| US10719636B1 (en) * | 2014-02-03 | 2020-07-21 | Clean Power Research, L.L.C. | Computer-implemented system and method for estimating gross energy load of a building |
| US10747914B1 (en) * | 2014-02-03 | 2020-08-18 | Clean Power Research, L.L.C. | Computer-implemented system and method for estimating electric baseload consumption using net load data |
| CN111723533A (zh) * | 2020-06-03 | 2020-09-29 | 湖北洁能工程技术开发公司 | 一种地源热泵系统变频水泵节能计算方法 |
| CN113449900A (zh) * | 2021-01-27 | 2021-09-28 | 国网山东省电力公司济南供电公司 | 一种面向终端用户的综合能源优化方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2021
- 2021-11-15 CN CN202111347042.9A patent/CN114169577B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10719636B1 (en) * | 2014-02-03 | 2020-07-21 | Clean Power Research, L.L.C. | Computer-implemented system and method for estimating gross energy load of a building |
| US10747914B1 (en) * | 2014-02-03 | 2020-08-18 | Clean Power Research, L.L.C. | Computer-implemented system and method for estimating electric baseload consumption using net load data |
| CN106524295A (zh) * | 2016-11-21 | 2017-03-22 | 北京建筑技术发展有限责任公司 | 一种区域建筑能耗预测方法 |
| CN108931031A (zh) * | 2018-06-28 | 2018-12-04 | 湖南湖大瑞格能源科技有限公司 | 一种深湖水源热泵系统的节能控制方法及系统 |
| 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 |
| CN111723533A (zh) * | 2020-06-03 | 2020-09-29 | 湖北洁能工程技术开发公司 | 一种地源热泵系统变频水泵节能计算方法 |
| CN113449900A (zh) * | 2021-01-27 | 2021-09-28 | 国网山东省电力公司济南供电公司 | 一种面向终端用户的综合能源优化方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 某建筑采用大型地表水源热泵的优化配置研究;邓波;龙惟定;李庆来;宁风;;制冷与空调;20091228(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114169577A (zh) | 2022-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Developing a meta-model for sensitivity analyses and prediction of building performance for passively designed high-rise residential buildings | |
| Mostavi et al. | Development of a new methodology to optimize building life cycle cost, environmental impacts, and occupant satisfaction | |
| 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 | |
| Hong et al. | A multi-objective optimization model for determining the building design and occupant behaviors based on energy, economic, and environmental performance | |
| Feng et al. | Assessing environmental performance in early building design stage: An integrated parametric design and machine learning method | |
| Magnier et al. | Multiobjective optimization of building design using TRNSYS simulations, genetic algorithm, and Artificial Neural Network | |
| Li et al. | Fast bidirectional building performance optimization at the early design stage | |
| Sun et al. | A multi-criteria system design optimization for net zero energy buildings under uncertainties | |
| Huang et al. | Optimal configuration of multiple-chiller plants under cooling load uncertainty for different climate effects and building types | |
| Li et al. | Natural ventilation potential of high-rise residential buildings in northern China using coupling thermal and airflow simulations | |
| 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 | |
| Park et al. | Estimating thermal performance and energy saving potential of residential buildings using utility bills | |
| Ciulla et al. | Evaluation of building heating loads with dimensional analysis: Application of the Buckingham π theorem | |
| Albatayneh | Optimisation of building envelope parameters in a semi-arid and warm Mediterranean climate zone | |
| Wang et al. | Impact of adjustment strategies on building design process in different climates oriented by multiple performance | |
| Li et al. | Robust optimal design of zero/low energy buildings considering uncertainties and the impacts of objective functions | |
| CN114037165B (zh) | 一种考虑多源不确定性的建筑冷热负荷预测方法 | |
| Kong et al. | Multi-parameter performance optimization for whole year operation of stratum ventilation in offices | |
| Chen et al. | A rapid evaluation method for design strategies of high-rise office buildings achieving nearly zero energy in Guangzhou | |
| Pudleiner et al. | Using sensitivity analysis to improve the efficiency of a Net-Zero Energy vaccine warehouse design | |
| Shen et al. | Projecting Texas energy use for residential sector under future climate and urbanization scenarios: A bottom-up method based on twenty-year regional energy use data | |
| Shen et al. | Exploring potential for residential energy saving in New York using developed lightweight prototypical building models based on survey data in the past decades | |
| Obyn et al. | Comparison and discussion of heating systems for single-family homes in the framework of a renovation | |
| Elnagar et al. | Framework to assess climate change impact on heating and cooling energy demands in building stock: A case study of Belgium in 2050 and 2100 | |
| Chen et al. | Prediction of urban residential energy consumption intensity in China toward 2060 under regional development scenarios |
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 |