CN115186965A - 一种基于机器学习的光伏空调生命周期不确定性分析方法 - Google Patents
一种基于机器学习的光伏空调生命周期不确定性分析方法 Download PDFInfo
- Publication number
- CN115186965A CN115186965A CN202210559589.3A CN202210559589A CN115186965A CN 115186965 A CN115186965 A CN 115186965A CN 202210559589 A CN202210559589 A CN 202210559589A CN 115186965 A CN115186965 A CN 115186965A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- photovoltaic air
- environmental
- life cycle
- environmental impact
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000010801 machine learning Methods 0.000 title claims abstract description 23
- 238000013076 uncertainty analysis Methods 0.000 title claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 77
- 238000005265 energy consumption Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000004378 air conditioning Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 208000022936 Chronic acquired demyelinating polyneuropathy Diseases 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000010792 warming Methods 0.000 claims description 5
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 claims description 4
- 238000012851 eutrophication Methods 0.000 claims description 3
- 230000020477 pH reduction Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 2
- 230000001988 toxicity Effects 0.000 claims description 2
- 231100000419 toxicity Toxicity 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
本发明涉及一种基于机器学习的光伏空调生命周期不确定性分析方法。方法包括如下步骤：1)对光伏空调设备进行选型；2)收集光伏空调在其全生命周期内的资源、能源消耗；3)确定环境影响类别和环境影响因子；4)计算不同的环境影响潜值；5)计算光伏空调的总环境负荷；6)对光伏空调进行环境影响评价；7)对光伏空调的环境影响指标进行不确定性分析；8)建立机器学习模型进行变量重要性分析。本方法可以准确的评估光伏空调对环境的影响，可为环保部门和设计人员提供更为可靠的建议，同时对保护环境也具有一定的积极意义。
Description
技术领域
本发明涉及光伏空调环境影响评价领域，特别涉及一种基于机器学习的光伏空调生命周期不确定性分析方法。
背景技术
在全球的能源消耗中，建筑能耗约占社会总能耗的33％。其中，空调能耗占建筑总能耗的一半以上。随着社会和经济的发展，人们对建筑热舒适度要求也变得更高，空调能耗的占比将会继续增大。为了减少对不可再生能源的消耗，太阳能制冷技术显得十分重要。太阳能光伏空调系统通过将太阳能光伏发电技术与制冷技术相结合，有效地减少了不可再生能源与电力资源的消耗，同时还减少了由于燃烧煤等常规能源造成的环境污染。
在光伏空调的全生命周期过程中，能源使用情况、污染物的排放以及其对环境的影响。可以通过使用生命周期评价(Life Cycle Assessment，简称LCA)方法，定量的分析出光伏空调在其全生命周期中对环境的影响程度。通过分析各阶段对环境造成的影响，以及对不同的影响因素进行变量重要性分析，可以为设计者提供可靠的建议并且改善生产制造工艺，从而降低能耗和减少对环境的影响。
因此，提出一种基于机器学习的光伏空调生命周期不确定性分析方法，可以有效地降低能耗和减少对环境的影响。
发明内容
本发明的目的在于克服现有技术的不足，提出一种基于机器学习的光伏空调生命周期不确定性分析方法，该方法可以清晰地判断出光伏空调在其全生命周期内对环境的影响，并为光伏空调的绿色设计提供理论依据和建议。
本发明解决其技术问题是通过以下技术方案实现的：
一种基于机器学习的光伏空调生命周期不确定性分析方法，其包括如下步骤：
1)对光伏空调设备进行选型：通过在SketchUp中创建建筑几何模型，并在EnergyPlus 中进行参数的设置，从而计算出房间的冷负荷，根据房间最大冷负荷对空调、蓄电池以及光伏板进行选择；
2)收集光伏空调在其全生命周期内的资源、能源消耗：首先通过查阅资料和调研确定光伏空调的清单数据，在eBalance软件中建立光伏空调的生命周期评价模型，并与eBalance软件中的数据库进行关联，确定其资源、能源消耗以及环境排放；光伏空调的全生命周期包括生产制造阶段、使用阶段和最终的废弃处理阶段；
3)确定环境影响类别和环境影响因子：环境影响类别主要包括初级能源消耗PED、中国资源消耗潜值CADP、酸化潜值AP、富营养化潜值EP、全球变暖潜值GWP、人体毒性潜值HTP、臭氧层耗竭潜值ODP和光化学污染潜值POCP八类，同时还应将不同的环境影响因子归类到这些环境影响指标中；
4)计算不同的环境影响潜值：在各环境影响指标中，将不同的环境影响因子统一为一个当量物质，从而计算得到该当量物质对环境的影响；
5)计算光伏空调的总环境负荷：对步骤4)所得的结果先进行标准化，然后再通过加权根据不同指标对环境的贡献度赋予权重，从而得到不同指标的环境影响和总的环境影响；
6)对光伏空调进行环境影响评价：确定光伏空调在其全生命周期内对环境影响占比最大的指标；
7)对光伏空调的环境影响进行不确定性分析：确定输入变量的分布范围，采用蒙特卡洛抽样方法在其范围内抽样并进行分析；
8)建立机器学习模型进行变量重要性分析：将输入与输出建立机器学习模型，从而得出输入变量对输出的重要性排序。
本发明的优点和有益效益为：
1.本发明基于机器学习的光伏空调生命周期不确定性分析方法，通过对光伏空调进行生命周期评价，定量的分析出光伏空调各阶段对环境的影响，并判断出光伏空调主要的环境影响和全生命周期内对环境影响最大的阶段。
2.本发明得到的光伏空调环境影响变量重要性分析结果，可为光伏空调的节能减排和设计提供相关帮助。
附图说明
图1为本发明基于机器学习的光伏空调生命周期不确定性分析方法的基本流程图；
图2为本发明光伏空调的生命周期评价模型图；
图3为本发明基于蒙特卡洛光伏空调的中国资源消耗潜值和全球变暖潜值的不确定性分析图；
图4为本发明光伏空调基于机器学习的中国资源消耗潜值和全球变暖潜值的变量重要性分析图。
具体实施方式
下面通过具体实施例对本发明作进一步详述，以下实例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
一种基于机器学习的光伏空调生命周期不确定性分析方法，其包括如下步骤：
1)对光伏空调设备进行选型：通过在SketchUp中创建建筑几何模型，并在EnergyPlus 中进行参数的设置，从而计算出房间的冷负荷，根据房间最大冷负荷对空调、蓄电池以及光伏板进行选择。
首先在SketchUp中设置建筑几何数据，主要包括建筑的长宽高、建筑面积、建筑层高和层数、建筑窗墙比、建筑朝向。其次在EnergyPlus中设置室内环境设计参数、建筑围护结构、设备功率密度、照明功率密度、人行为、暖通空调系统的使用情况以及光伏发电系统等数据。EnergyPlus进行计算时，应选用办公建筑所在地区的典型气象数据，该数据可通过EnengyPlus官网或者中国标准气象数据获得。
根据计算所得房间的冷负荷，从而确定空调设备、蓄电池容量以及太阳能电池板的参数，完成光伏空调的设计和选型。
2)收集光伏空调在其全生命周期内的资源、能源消耗：首先通过查阅资料和调研确定光伏空调的清单数据，在eBalance软件中建立光伏空调的生命周期评价模型，并与eBalance 软件中的数据库进行关联，确定其资源、能源消耗以及环境排放；光伏空调的全生命周期包括生产制造阶段、使用阶段和最终的废弃处理阶段。
本实例所收集的光伏空调全生命周期内的资源、能源消耗清单，如表1所示：
表1.光伏空调全生命周期资源、能源消耗
3)确定环境影响类别和环境影响因子：环境影响类别主要包括初级能源消耗PED、中国资源消耗潜值CADP、酸化潜值AP、富营养化潜值EP、全球变暖潜值GWP五类，同时还应将不同的环境影响因子归类到这些环境影响指标中。
本实例环境影响指标和环境影响因子分类如表2所示：
表2.光伏空调环境影响指标
4)计算不同的环境影响潜值：在各环境影响指标中，将不同的环境影响因子统一为一个当量物质，从而计算得到该当量物质对环境的影响。
本实例各环境影响指标的当量物质如表2所示，计算所得的特征化结果如表3所示：
表3.光伏空调环境影响特征化结果
5)计算光伏空调的总环境负荷：对步骤4)所得的结果先进行标准化，然后再通过加权根据不同指标对环境的贡献度赋予权重，从而得到不同指标的环境影响和总的环境影响。
N＝h/n
W＝N*权重因子
式中N表示标准化结果，h为特征化结果，n为基准值，W为加权结果。
本实例标准化采用标准空间当量，即每年每km2平均造成的环境影响潜值，该标准化考虑了人口密度与环境影响大小之间的关系，从而反映地区或局地的环境负荷。通过标准化可以对各种不同的环境影响提供一个可以进行比较的标准，从而比较不同环境影响类型对环境贡献的大小。
标准化之后的结果并不能用来表示每个环境影响类型对环境影响的贡献程度，故通过加权，即根据不同指标对环境的贡献度赋予权重，从而可以比较不同指标的环境影响。
本实例的权重因子采用层次分析法确定，各环境影响指标的权重因子如表4所示：
表4.各环境影响指标的权重因子
本实例加权得到的光伏空调生命周期评价结果如表5所示：
表5.光伏空调生命周期评价结果
6)对光伏空调进行环境影响评价：确定光伏空调在其全生命周期内对环境影响最具代表性的指标。
由表5可以看出光伏空调在生产制造阶段资源消耗是最大的，主要是由于在生产过程消耗了大量的资源，并使用了大量电力，可以通过优化电力结构来改善生产制造阶段对环境的影响。而在使用阶段，空调所需电力完全由光伏发电系统提供，因此在使用阶段对环境的影响较小。在废弃处理阶段由于有部分材料会通过回收后继续投入使用，会抵消一部分环境影响，其对环境的影响是有利的。
7)对光伏空调的环境影响进行不确定性分析：确定输入变量的分布范围，采用蒙特卡洛抽样方法在其范围内抽样并进行分析。
本实例选取了光伏空调的6个输入变量，包括以下内容：单个空调质量、单个光伏板质量、单个蓄电池质量、单个光伏板面积、光伏板峰瓦、单次填充制冷剂的质量，且这6分输入变量均为均匀分布。根据生命周期评价结果，选取具有代表性的环境影响指标CADP和GWP。6个输入变量的概率分布如表6所示：
表6输入变量分布范围
采用蒙特卡罗抽样方法在各变量的分布范围内进行抽样1000次，产生1000组随机数据，并将这1000组数据代入LCA模型中进行计算，从而得到最终的环境影响结果。
8)建立机器学习模型进行变量重要性分析：将输入与输出建立机器学习模型，从而得出输入变量对输出的重要性排序。
本实例在进行变量重要性分析时，选取了两个机器学习模型，即GBM(GradientBoosting Machine)算法和随机森林(RF)。图4a是采用GBM算法进行的六个输入变量对CADP的变量重要性分析，结果表明BA_mass＞AC_mass＞PV_mass＞AC_R32＞PV_watt＞ PV_area；图4b是采用随机森林算法进行的变量重要性分析，结果显示BA_mass＞AC_mass＞PV_mass＞PV_area＞PV_watt＞AC_R32。根据两种分析结果表明，蓄电池的质量对CADP 的影响是最大的，其次是空调质量和光伏板质量，这是由于在生产蓄电池、空调和光伏板时会消耗大量的化石能源。
图4c是采用GBM算法进行的六个输入变量对GWP的变量重要性分析，结果表明 BA_mass＞PV_mass＞AC_mass＞PV_area＞PV_watt＞AC_R32；图4d是采用随机森林算法进行的变量重要性分析，结果显示BA_mass＞PV_area＞AC_mass＞PV_mass＞PV_watt＞AC_R32。根据两种分析结果表明，蓄电池的质量对GWP的影响是最大的，这是由于蓄电池所含材料在全生命周期内会产生大量的温室气体排放。
本发明虽然公开了实例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。
Claims (3)
1.一种基于机器学习的光伏空调生命周期不确定性分析方法，其特征在于：其包括如下步骤：
1)对光伏空调设备进行选型：通过在SketchUp中创建建筑几何模型，并在EnergyPlus中进行参数的设置，从而计算出房间的冷负荷，根据房间最大冷负荷对空调、蓄电池以及光伏板进行选择；
2)收集光伏空调在其全生命周期内的资源、能源消耗：首先通过查阅资料或调研确定光伏空调的清单数据，在eBalance软件中建立光伏空调的生命周期评价模型，并与eBalance软件中的数据库进行关联，确定其资源、能源消耗以及环境排放；光伏空调的全生命周期包括生产制造阶段、使用阶段和最终的废弃处理阶段；
3)确定环境影响类别和环境影响因子：环境影响类别主要包括初级能源消耗PED、中国资源消耗潜值CADP、酸化潜值AP、富营养化潜值EP、全球变暖潜值GWP、人体毒性潜值HTP、臭氧层耗竭潜值ODP和光化学污染潜值POCP八类，同时还应将不同的环境影响因子归类到这些环境影响指标中；
4)计算不同的环境影响潜值：在个环境影响指标中，将不同的环境影响因子统一为一个当量物质，从而计算得到该当量物质对环境的影响；
5)计算光伏空调的总环境负荷：对步骤4)所得的结果先进行标准化，然后再通过加权根据不同指标对环境的贡献度赋予权重，从而得到不同指标的环境影响和总的环境影响；
6)对光伏空调进行环境影响评价：确定光伏空调在其全生命周期内对环境影响占比最大的指标；
7)对光伏空调的环境影响指标进行不确定性分析：确定输入变量的分布范围，采用蒙特卡罗抽样方法在其范围内抽样并进行分析；
8)采用机器学习模型进行变量重要性分析：将输入与输出建立机器学习模型，从而得出输入变量对输出的重要性排序。
2.根据权利要求1所述的基于机器学习的光伏空调生命周期不确定性分析方法，其特征在于：
步骤7)中不确定性分析方法。将不确定性分析应用到光伏空调的环境影响研究中，通过对光伏空调全生命周期的资源、能源消耗以及对环境的影响进行量化研究，同时对输入变量在其范围内抽样并代入生命周期评价模型中，得到不确定性的环境影响结果。
3.根据权利要求1所述的基于机器学习的光伏空调生命周期不确定性分析方法，其特征在于：
步骤8)中变量重要性分析方法。通过建立不同的机器学习模型，研究输入变量对环境影响的重要程度，从而可以为设计者提供更好的节能减排建议。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210559589.3A CN115186965A (zh) | 2022-05-23 | 2022-05-23 | 一种基于机器学习的光伏空调生命周期不确定性分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210559589.3A CN115186965A (zh) | 2022-05-23 | 2022-05-23 | 一种基于机器学习的光伏空调生命周期不确定性分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115186965A true CN115186965A (zh) | 2022-10-14 |
Family
ID=83513551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210559589.3A Pending CN115186965A (zh) | 2022-05-23 | 2022-05-23 | 一种基于机器学习的光伏空调生命周期不确定性分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115186965A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217094A (zh) * | 2023-09-28 | 2023-12-12 | 北京师范大学 | 一种城市地面及屋顶的光伏优化配置方法、系统及设备 |
| CN117973950A (zh) * | 2024-04-02 | 2024-05-03 | 浙江大学 | 一种系统多目标生命周期评价方法及系统 |
-
2022
- 2022-05-23 CN CN202210559589.3A patent/CN115186965A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217094A (zh) * | 2023-09-28 | 2023-12-12 | 北京师范大学 | 一种城市地面及屋顶的光伏优化配置方法、系统及设备 |
| CN117217094B (zh) * | 2023-09-28 | 2024-07-23 | 北京师范大学 | 一种城市地面及屋顶的光伏优化配置方法、系统及设备 |
| CN117973950A (zh) * | 2024-04-02 | 2024-05-03 | 浙江大学 | 一种系统多目标生命周期评价方法及系统 |
| CN117973950B (zh) * | 2024-04-02 | 2024-06-07 | 浙江大学 | 一种系统多目标生命周期评价方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Enhancing building energy efficiency using a random forest model: A hybrid prediction approach | |
| Lu et al. | Robust optimal design of renewable energy system in nearly/net zero energy buildings under uncertainties | |
| Hong et al. | Correlation between building characteristics and associated energy consumption: Prototyping low-rise office buildings in Shanghai | |
| Wei et al. | A study of city-level building energy efficiency benchmarking system for China | |
| Wan et al. | Future trends of building heating and cooling loads and energy consumption in different climates | |
| Xiao et al. | Marginal abatement cost and carbon reduction potential outlook of key energy efficiency technologies in China׳ s building sector to 2030 | |
| Wang et al. | From simulation to data-driven approach: A framework of integrating urban morphology to low-energy urban design | |
| CN115186965A (zh) | 一种基于机器学习的光伏空调生命周期不确定性分析方法 | |
| Wang et al. | Exploring the influences of green industrial building on the energy consumption of industrial enterprises: A case study of Chinese cigarette manufactures | |
| Li et al. | Response of energy consumption for building heating to climatic change and variability in Tianjin City, China | |
| CN106295029A (zh) | 一种基于性能导向的建筑多目标优化设计方法 | |
| Shahrestani et al. | Characterising the energy performance of centralised HVAC&R systems in the UK | |
| CN116205425A (zh) | 一种基于典型数据库的低碳园区冷热电气负荷预测方法 | |
| Chen et al. | Estimating spatial and temporal patterns of urban building anthropogenic heat using a bottom-up city building heat emission model | |
| Tanasa et al. | Cost-optimal and indoor environmental quality assessment for residential buildings towards EU long-term climate targets | |
| Carpino et al. | Improve decision-making process and reduce risks in the energy retrofit of existing buildings through uncertainty and sensitivity analysis | |
| CN117648872B (zh) | 一种基于机器学习的城市街区节能减碳多目标优化方法 | |
| Chen et al. | A rapid evaluation method for design strategies of high-rise office buildings achieving nearly zero energy in Guangzhou | |
| Ding et al. | Comparison of the applicability of city-level building energy consumption quota methods | |
| Meng et al. | Development and application of evaluation index system and model for existing building green-retrofitting | |
| Chen et al. | Carbon emission and thermal comfort prediction model for an office building considering the contribution rate of design parameters | |
| Yu et al. | Challenges for modeling energy use in high-rise office buildings in Hong Kong | |
| CN114037165B (zh) | 一种考虑多源不确定性的建筑冷热负荷预测方法 | |
| 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 | |
| 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 |