CN116561682A - 一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法 - Google Patents
一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法 Download PDFInfo
- Publication number
- CN116561682A CN116561682A CN202310567337.XA CN202310567337A CN116561682A CN 116561682 A CN116561682 A CN 116561682A CN 202310567337 A CN202310567337 A CN 202310567337A CN 116561682 A CN116561682 A CN 116561682A
- Authority
- CN
- China
- Prior art keywords
- building
- heating
- cop
- air conditioning
- prediction
- 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
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 85
- 238000004378 air conditioning Methods 0.000 title claims abstract description 53
- 238000009423 ventilation Methods 0.000 title claims abstract description 51
- 239000000203 mixture Substances 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005265 energy consumption Methods 0.000 claims abstract description 26
- 238000010219 correlation analysis Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000005057 refrigeration Methods 0.000 claims description 31
- 238000010276 construction Methods 0.000 claims description 16
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 230000037237 body shape Effects 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000009472 formulation Methods 0.000 abstract description 2
- STECJAGHUSJQJN-USLFZFAMSA-N LSM-4015 Chemical compound C1([C@@H](CO)C(=O)OC2C[C@@H]3N([C@H](C2)[C@@H]2[C@H]3O2)C)=CC=CC=C1 STECJAGHUSJQJN-USLFZFAMSA-N 0.000 description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 238000001816 cooling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000000498 cooling water Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical compound [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- NUXLOJGLOHSJEF-UHFFFAOYSA-N 1,1-bis(4-chlorophenyl)ethanol;(4-chlorophenyl)sulfanyl-(2,4,5-trichlorophenyl)diazene Chemical compound C=1C=C(Cl)C=CC=1C(O)(C)C1=CC=C(Cl)C=C1.C1=CC(Cl)=CC=C1SN=NC1=CC(Cl)=C(Cl)C=C1Cl NUXLOJGLOHSJEF-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法，包括：S1、获取若干样本建筑信息构成数据集，且将数据集分为训练集与测试集；S2、确定初始特征参数并进行相关性分析；S3、构建多个预测模型并进行训练；S4、对预测模型准确性判断，当不满足准确性时返回步骤S1；S5、当预测模型准确性满足时，进行目标建筑特征参数的获取；S6、基于预测模型与目标建筑特征参数，依次预测暖通空调系统的组成、冷热源机组的性能系数及系统的综合性能系数；S7、将预测结果应用于城市建筑能耗模拟。本发明具有普适性好、准确性高、实施便捷的优点，有利于提高城市建筑能耗模拟的准确性，进而支撑城市节能政策的科学制定。
Description
技术领域
本发明涉及城市建筑节能，城市建筑能耗预测的技术领域，特别涉及一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法。
背景技术
城市建筑能耗模拟是一种用于计算建筑群内部及周边的热量、质量流，并预测城市中建筑的能耗及其室内、室外的环境条件的方法，其可定量化相关能源指标，如：城市建筑年度、季度用电量，可再生能源使用潜力等，进而为城市节能政策的制定提供依据。城市建筑能耗模拟的实施包含三个子任务，分别为：数据输入、热区构建及模型校验。其中，数据输入包括：几何数据、非几何数据及天气数据的输入；而暖通空调技术参数作为一项关键的(非几何)数据(暖通空调能耗约占建筑总能耗的30％～60％)，其系统组成及性能系数(COP)却难以预测。目前，国际上主流的方法是使用“原型建筑法”定义暖通空调系统的组成及其性能系数。“原型建筑法”的原理是将城市海量建筑划分为若干种具有共同能耗规律的建筑原型，并按照类别设定暖通空调系统组成及性能系数。原型建筑法的弊端在于，其会忽视建筑的异质性，如：Heiple和Sailor在研究美国商业建筑能耗时，建立了22种原型建筑，但仅设定了2种暖通空调系统类型(用电、用气)，这显然是不合理的。这种忽视异质性的做法会造成巨大的能耗模拟误差，进而影响到城市建筑能耗模拟的准确性与城市节能政策制定的合理性。
发明内容
针对现有技术中存在的不足之处，本发明的目的是提供一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法。该发明能够有效反映城市建筑暖通空调系统的异质性，并快速、准确地预测其性能系数，具有普适性好、准确性高、实施便捷的优点，有利于提高城市建筑能耗模拟的准确性，进而支撑城市节能政策的科学制定。为了实现本发明的上述目的和其他优点，提供了一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法，包括：
S1、获取若干样本建筑信息构成数据集，且将数据集分为训练集与测试集；
S2、确定初始特征参数并进行相关性分析；
S3、构建多个预测模型并进行训练；
S4、对预测模型准确性判断，当不满足准确性时返回步骤S1；
S5、当预测模型准确性满足时，进行目标建筑特征参数的获取；
S6、基于预测模型与目标建筑特征参数，依次预测暖通空调系统组成、冷热源机组性能系数及系统的综合性能系数；
S7、将预测结果应用于城市建筑能耗模拟。
优选的，步骤S1中建筑信息包括：建筑类型、建筑所处气候区、建筑面积、建造年代、高度、体形系数、暖通空调系统组成、冷热源机组制冷COP、冷热源机组制热COP、系统综合制冷COP及系统综合制热COP。完成数据集构建后，将其中70％的随机数据作为训练集，另外30％作为测试集。
优选的，步骤S2中对于暖通空调系统组成、冷热源机组COP、系统综合COP的预测，每一步都包含初始特征参数建筑面积、建造年代、体形系数、建筑所处气候区及建筑类型，且前一步的预测目标会作为后一步新的特征参数，高度仅作为系统综合制冷COP与系统综合制热COP预测的初始特征参数；
在每一步预测中，将各初始特征参数与预测目标分别做相关性分析，确定具有显著相关性的特征参数；相关性分析需考虑数据的类型，包括：连续变量、有序变量、无序变量、二元变量。
优选的，步骤S3中分别构建5个预测模型，以预测暖通空调系统组成、冷热源机组制冷COP、冷热源机组制热COP、系统综合制冷COP及系统综合制热COP，其中暖通空调系统组成的预测基于随机森林分类，而冷热源机组制冷COP、冷热源机组制热COP、系统综合制冷COP及系统综合制热COP的预测基于随机森林回归。
优选的，步骤S4中预测模型准确性的判定基于测试集实施，若暖通空调系统组成预测的accuracy大于0.6，且冷热源机组制冷COP、冷热源机组制热COP、系统综合制冷COP及系统综合制热COP预测的R2也大于0.6，则进入S5；否则，返回S1。
优选的，步骤S5中获取目标建筑特征参数包括以下步骤：
S51、通过城市建筑三维模型构建方法获取建筑面积、高度及体形系数；
S52、通过比较不同时期卫星遥感影像中建筑的存在情况以及使用图像识别技术获得建造年代；
S53、基于建筑所在城市，判定其所处气候区得出建筑所处气候区；
S54、通过逻辑斯蒂回归与POI，联合获取建筑类型。
优选的，步骤S7中城市建筑能耗模拟可选择任何有效的计算软件或方法实施，无强制要求。
本发明与现有技术相比，其有益效果是：本发明普适性较好,适用于绝大多数城市，限制少，普适性较好，易被推广；准确度较高，可以较为准确地预测城市建筑暖通空调系统组成及其性能系数，有利于提高城市建筑能耗模拟的准确性；实施效率较高，可以高效地获取目标建筑的特征参数，并依托训练好的模型，快速预测城市建筑暖通空调系统组成及其性能系数。
附图说明
图1为根据本发明的城市海量建筑暖通空调系统组成及其性能系数高效预测方法的流程图；
图2为根据本发明的城市海量建筑暖通空调系统组成及其性能系数高效预测方法的城市建筑能耗模拟实施流程图；
图3为根据本发明的城市海量建筑暖通空调系统组成及其性能系数高效预测方法的城市建筑三维模型示意图；
图4为根据本发明的城市海量建筑暖通空调系统组成及其性能系数高效预测方法的建筑基底识别示意图；
图5为根据本发明的城市海量建筑暖通空调系统组成及其性能系数高效预测方法的样本建筑COPC、COPH、SCOPC、SCOPH计算结果图；
图6为根据本发明的城市海量建筑暖通空调系统组成及其性能系数高效预测方法的预测案例的城市建筑三维模型示意图；
图7为根据本发明的城市海量建筑暖通空调系统组成及其性能系数高效预测方法的预测案例的模拟建筑能耗强度示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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。
英文字符说明：性能系数缩写为COP，建筑类型缩写为TypeID、建筑所处气候区缩写为ClimateID、建筑面积缩写为FA、建造年代缩写为YoC、高度缩写为H、体形系数缩写为SF、暖通空调系统组成缩写为SystemID、冷热源机组制冷COP缩写为COPC、冷热源机组制热COP缩写为COPH、系统综合制冷COP缩写为SCOPC、系统综合制热COP缩写为SCOPH。
参照图1～7，一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法，包括：
S1、数据集构建。数据集的构建需要获取若干样本建筑的信息，包括：
1)建筑类型、建筑所处气候区、建筑面积、建造年代、高度、体形系数信息；
2)暖通空调系统组成的确定；
3)冷热源机组制冷COP、冷热源机组制热COP、系统综合制冷COP及系统综合制热COP的计算，如式a～d所示；
式中，COPC与COPH分别为冷热源机组的制冷COP与制热COP；SCOPC与SCOPH分别为系统综合制冷COP与系统综合制热COP；Qi,C与Qi,H分别为第i个冷热源机组的名义制冷量与名义制热量kW；Pi,C与Pi,H分别为第i个冷热源机组的名义制冷功率与名义制热功率kW；Pj,pum为第j个水泵的输入功率kW，包括冷水泵与冷却水泵；需要注意，在冬季供暖时，若存在热水循环泵用于供给空调热水，而非生活热水，需予以考虑；Pk,ter,C与Pk,ter,H分别为第k个空调末端设备的制冷输入功率与制热输入功率kW；Pt,tow为第t个冷却塔的输入功率kW。
对于公式a～d计算所需的各信息，包括：冷热源机组的名义制冷量Qi,C、名义制热量Qi,H、名义制冷功率Pi,C、名义制热功率Pi,H及其数量；水泵的输入功率Pj,pum及其数量；空调末端的制冷输入功率Pk,ter,C、制热输入功率Pk,ter,H及其数量；冷却塔的输入功率Pt,tow及其数量，可基于实际情形或通过估算的方式获取；其中，与冷热源机组、水泵相关的参数Qi,C、Qi,H、Pi,C、Pi,H、Pj,pum必须通过设备铭牌获取；而与空调末端、冷却塔相关的参数既可基于实际情形获取，也可进行一定的假设，具体为：Pk,ter,C、Pk,ter,H、Pt,tow可参照表1假定空调末端分为多联机室内机与风机盘管；空调末端及冷却塔的数量分别按照式e与式f～g进行计算，其所需参数仍参照表1。
表1.空调末端及冷却塔参数假定值
式中，Nter与Ntow分别为空调末端及冷却塔的数量；Qi,C为第i个冷热源机组的名义制冷量kW，且多联机系统与其他系统(如：水冷冷水、风冷热泵、地源热泵)的名义制冷量分别计算；QVRF,C与QFCU,C分别为多联机室内机与风机盘管制冷功率的假定值kW；η为室内外机容配比η1取1.1,η2取1.2；QCW为冷却水总循环量m3/h；qtow为冷却塔循环水量的假定值m3/h；α为单位制冷量冷却水量，压缩式制冷机α＝0.22，溴化锂吸收式制冷机α＝0.3；β为安全系数，取1.2。
在完成数据集构建后，需将数据集中70％的随机数据作为训练集，另外30％作为测试集。
S2、特征参数确定。特征参数的确定包含2步：初始特征参数确定与相关性分析。
S21、初始特征参数确定。对于暖通空调系统组成、冷热源机组COP COPC、COPH、系统综合COP SCOPC、SCOPH的预测，每一步都包含初始特征参数FA、YoC、SF、ClimateID与TypeID；此外，前一步的预测目标会作为后一步新的特征参数，且H仅作为SCOPC与SCOPH预测的初始特征参数，具体参见表2。
表2.各预测模型初始特征参数
S22、相关性分析。在每一步预测中，将各初始特征参数与预测目标分别做相关性分析，确定具有显著相关性的特征参数。相关性分析需考虑数据的类型，包括：连续变量、有序变量、无序变量、二元变量，具体使用指标参见表3。由于FA、YoC、SF、H、COPC、COPH、SCOPC、SCOPH为连续变量，而ClimateID、TypeID、SystemID为无序变量，可参照表4进行相关性分析。
表3.不同类型变量所用相关性指标
注：连续变量，在一定区间内可以任意取值的变量；有序变量，指变量所分类别无程度和顺序的差异，如：成绩A，B，C，D；无序变量，指变量所分类别无程度和顺序的差异，如：血型O、A、B、AB、职业工人、教师、警察、医生；二元变量，取值仅有两种可能的变量。
表4.各预测模型所用相关性指标
| FA、YoC、SF、H、COPC、COPH | ClimateID、TypeID、SystemID | |
| SystemID | Eta系数 | Cramer’s V系数 |
| COPC | Pearson相关系数 | Eta系数 |
| COPH | Pearson相关系数 | Eta系数 |
| SCOPC | Pearson相关系数 | Eta系数 |
| SCOPH | Pearson相关系数 | Eta系数 |
S3、预测模型训练。分别构建5个预测模型，以预测SystemID、COPC、COPH、SCOPC及SCOPH；其中，SystemID的预测基于随机森林分类，而COPC、COPH、SCOPC及SCOPH的预测基于随机森林回归。此外，每个预测模型中的超参数需分别进行调整，直至其交叉验证得分达到最大。本发明的超参数包括：n_estimators、max_depth、min_samples_leaf、min_samples_split和max_features，相关介绍见表5。
表5.随机森林分类及回归所用超参数
S4、预测模型准确性判定。使用测试集对训练好的预测模型进行准确性分析；其中，SystemID的预测效果通过accuracy进行评价，参照表6与式h；而COPC、COPH、SCOPC、SCOPH的预测效果则通过R2进行评价，参照式i。若SystemID预测的accuracy大于0.6，且COPC、COPH、SCOPC、SCOPH预测的R2也大于0.6，则进入S5；否则，返回S1。
表6.混淆矩阵
式中，accuracy表示预测为正的结果占总样本的百分比；TP表示被预测为正的正样本；FP表示被预测为正的负样本；FN表示被预测为负的正样本；TN表示被预测为负的负样本。
式中，yi’是预测值；yi是实际值；是实际值的平均值。
S5、目标建筑特征参数的高效获取。
S51、FA、SF、H的获取。通过Wang等人开发的城市建筑三维模型构建方法(Wang C,Wei S,Du S,et al.A systematic method to develop three dimensional geometrymodels of buildings for urban building energy modeling[J].Sustainable Citiesand Society,2021,71:102998)，样例见图3，快速地获取建筑的基底信息如：周长、面积，建筑高度H和层数。此时，特征参数FA和SF可通过式j～k计算求得。
FA＝F0·n (j)
式中，F0是建筑基底面积m2；C0是建筑基底周长m；n是层数；H是建筑高度m；OSA是建筑外面积m2；V是建筑体积m3。
S52、YoC的获取。通过比较不同时期卫星遥感影像中建筑的存在情况，确定其相应的建造年代。为了高效识别遥感影像中的建筑，使用专利《一种城市海量建筑高度智能化获取方法》授权号：CN112767469B所提及的建筑基底识别方法，样例见图4。
S53、ClimateID基于建筑所在城市，判定其所处气候区得出。需要说明，气候区的分类需遵循相关规范，如：中国的气候区分为严寒地区、寒冷地区、夏热冬冷地区、夏热冬暖地区、温和地区，参照《建筑气候区划标准》GB 50178-93。
S54、TypeID的获取。Wang等人使用逻辑斯蒂回归与POI，将南京市的2275幢商业建筑细分成219个商场、341个超市和1715个专营店(Wang C,Wu Y,Shi X,et al.Dynamicoccupant density models of commercial buildings for urban energysimulation.Building and Environment,2020,169:106549)。本步借鉴该方法，并做如下改进：
1)下载包含更多字段类型的POI，如：居住、办公、幼儿园、小学、艺术馆、剧院、综合医院、火车站等，以覆盖所有建筑类型；
2)建立10种不同的分类器，以对居住、办公、商业、医疗、教育、酒店、展览、体育、交通和混合建筑进行分类。
S6、目标建筑暖通空调系统组成及其性能系数预测。依托S3中训练好的预测模型以及S5中获取的目标建筑特征参数，依次预测暖通空调系统组成SystemID、冷热源机组COPCOPC与COPH及系统综合COP SCOPC与SCOPH。
S7、城市建筑能耗模拟应用。将S6得到的暖通空调系统组成及其性能系数用于城市建筑能耗模拟，以支撑节能政策科学、合理地制定。需要指出，该步骤的实施可选择任何有效的计算软件或方法，无强制要求。
为了使上述方法更为直观和易于理解，选取江苏省462幢公共建筑构建数据集，并选用南京河西新城某街区作为预测案例，进行本发明一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法的演示。下面，将结合图1的发明流程图进行具体阐述：
1)数据集构建。首先，各样本建筑的TypeID、ClimateID、FA、YoC、H、SF都可通过《江苏省民用建筑能效测评报告》获取；其中，定义了8种建筑类型，包括：办公1，商业2，医疗3，学校4，宾馆5，展览6，体育7，混合8；并定义了2种气候区类型：夏热冬冷1，寒冷2，说明：在江苏省，只有徐州与连云港处于寒冷气候区，其他城市皆为夏热冬冷气候区；依据样本建筑实际情况，为其赋值相应的TypeID与ClimateID。
接着，依据样本建筑的暖通空调系统组成，定义了8种SystemID，如表7所示。
表7.样本建筑暖通空调系统组成汇总
最后，通过式a～d计算每一幢样本建筑的COPC、COPH、SCOPC及SCOPH，结果见图5，按SystemID统计各性能系数。需要说明，计算所需的冷热源机组的名义制冷量Qi,C、名义制热量Qi,H、名义制冷功率Pi,C、名义制热功率Pi,H及其数量，水泵的输入功率Pj,pum及其数量都通过《江苏省民用建筑能效测评报告》获取；空调末端的制冷输入功率Pk,ter,C、制热输入功率Pk,ter,H、冷却塔的输入功率Pt,tow参照表1假定；空调末端及水泵的数量通过式e～g估算。
2)特征参数确定。初始特征参数参照表2设定；通过相关性分析见表8，确定各预测模型最终的特征参数见表9。
表8.初始特征参数相关性分析
注：显著性小于0.05，为显著相关；
C为Cramer’s V系数：小于0.3，弱相关；0.3～0.5，中等相关；大于0.5，强相关；
E为Eta系数：小于0.25，弱相关；0.25～0.4；中等相关；大于0.4，强相关；
P为Pearson相关系数的绝对值：小于0.2，极弱相关；0.2～0.4,弱相关；0.4～0.6，中等相关；0.6～0.8，强相关；大于0.8，极强相关。
表9.各预测模型最终特征参数汇总
3)超参数调整。基于交叉验证得分，表10汇总了各预测模型的最优超参数。
表10.各预测模型最优超参数汇总
| 超参数 | SystemID | COPC | COPH | SCOPC | SCOPH |
| n_estimators | 181 | 121 | 191 | 101 | 101 |
| max_depth | 20 | 21 | 20 | 20 | 20 |
| min_samples_leaf | 2 | 2 | 1 | 1 | 2 |
| min_samples_split | 3 | 4 | 4 | 4 | 4 |
| max_features | 2 | 3 | 3 | 3 | 3 |
4)预测模型准确性判定。对测试集30％的随机数据进行准确性分析，结果为：SystemID预测的accuracy为0.78，大于0.6；COPC、COPH、SCOPC、SCOPH预测的R2分别为0.887,0.951,0.645，0.910，也大于0.6；预测模型的准确性符合要求，可应用到城市尺度。
5)目标建筑特征参数获取。预测案例为南京河西新城某1.32km2区域，该区域共有114栋建筑，三维模型如图6所示。基于该三维模型，可以获取特征参数FA、SF和H。通过比较不同时期卫星遥感影像中建筑的存在情况，可以获得YoC，其范围为：2005年～2019年。通过改进的逻辑斯蒂回归与POI联合获取方法，得到各目标建筑的TypeID，包括：60个居住建筑、36个办公建筑、5个商业建筑、6个教育建筑、3个酒店、4个混合建筑，但后续暖通预测不考虑居住建筑。由于预测案例位于南京市，属于夏热冬冷气候区，所有目标建筑的ClimateID都为1。相关特征参数汇总于表11。
表11.目标建筑各特征参数汇总
/>
6)目标建筑暖通空调系统组成及性能系数进行预测。基于表11与训练好的预测模型，对54幢公共建筑的暖通空调系统组成及性能系数进行预测，结果如表12所示。
表12.目标建筑暖通空调系统组成及性能系数预测值
/>
7)城市建筑能耗模拟。假定目标建筑的窗墙比都为0.7，且除COPC与COPH参照表12设定外，其他输入参数都使用ASHRAE模板进行设定，且计算软件为美国麻省理工Reinhart教授团队开发的UMI。通过模拟，得到该区域的年总能耗为215033327kWh，能耗强度为105kWh/m2。此外，各目标建筑的能耗强度可见图7；其中，能耗强度为0的是居住建筑，在案例演示中未对其进行能耗模拟。
这里说明的设备数量和处理规模是用来简化本发明的说明的，对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (6)
1.一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法，其特征在于，包括以下步骤：
S1、获取若干样本建筑信息构成数据集，且将数据集分为训练集与测试集；
S2、确定初始特征参数并进行相关性分析；
S3、构建多个预测模型并进行训练；
S4、对预测模型准确性判断，当不满足准确性时返回步骤S1；
S5、当预测模型准确性满足时，进行目标建筑特征参数的获取；
S6、基于预测模型与目标建筑特征参数，依次预测暖通空调系统的组成、冷热源机组的性能系数及系统的综合性能系数；
S7、将预测结果应用于城市建筑能耗模拟。
2.如权利要求1所述的一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法，其特征在于，步骤S1中建筑信息包括：建筑类型、建筑所处气候区、建筑面积、建造年代、高度、体形系数、暖通空调系统组成、冷热源机组制冷COP、冷热源机组制热COP、系统综合制冷COP及系统综合制热COP；完成数据集构建后，将其中70％的随机数据作为训练集，另外30％作为测试集。
3.如权利要求1所述的一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法，其特征在于，步骤S2中对于暖通空调系统组成、冷热源机组COP、系统综合COP的预测，每一步都包含初始特征参数建筑面积、建造年代、体形系数、建筑所处气候区及建筑类型，且前一步的预测目标会作为后一步新的特征参数，高度仅作为系统综合制冷COP与系统综合制热COP预测的初始特征参数；
在每一步预测中，将各初始特征参数与预测目标分别做相关性分析，确定具有显著相关性的特征参数；相关性分析需考虑数据的类型，包括：连续变量、有序变量、无序变量、二元变量。
4.如权利要求1所述的一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法，其特征在于，步骤S3中分别构建5个预测模型，以预测暖通空调系统组成、冷热源机组制冷COP、冷热源机组制热COP、系统综合制冷COP及系统综合制热COP；其中，暖通空调系统组成的预测基于随机森林分类，而冷热源机组制冷COP、冷热源机组制热COP、系统综合制冷COP及系统综合制热COP的预测基于随机森林回归。
5.如权利要求1所述的一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法，其特征在于，步骤S4中预测模型准确性的判定基于测试集实施，若暖通空调系统组成预测的accuracy大于0.6，且冷热源机组制冷COP、冷热源机组制热COP、系统综合制冷COP及系统综合制热COP预测的R2也大于0.6，则进入S5；否则，返回S1。
6.如权利要求1所述的一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法，其特征在于，步骤S5中获取目标建筑特征参数包括以下步骤：
S51、通过城市建筑三维模型构建方法获取建筑面积、高度及体形系数；
S52、通过比较不同时期卫星遥感影像中建筑的存在情况以及使用图像识别技术获得建造年代；
S53、基于建筑所在城市，得出建筑所处气候区；
S54、通过逻辑斯蒂回归与POI，联合获取建筑类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310567337.XA CN116561682B (zh) | 2023-05-19 | 2023-05-19 | 一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310567337.XA CN116561682B (zh) | 2023-05-19 | 2023-05-19 | 一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116561682A true CN116561682A (zh) | 2023-08-08 |
| CN116561682B CN116561682B (zh) | 2023-12-19 |
Family
ID=87494341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310567337.XA Active CN116561682B (zh) | 2023-05-19 | 2023-05-19 | 一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116561682B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529167A (zh) * | 2016-10-28 | 2017-03-22 | 深圳市云科设计咨询服务有限公司 | 一种非供暖季空调系统综合能耗的分析方法 |
| US20180113482A1 (en) * | 2016-10-21 | 2018-04-26 | Johnson Controls Technology Company | Systems and methods for creating and using combined predictive models to control hvac equipment |
| KR20180110940A (ko) * | 2017-03-30 | 2018-10-11 | (주)우리젠 | 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템 |
| CN109270841A (zh) * | 2018-10-11 | 2019-01-25 | 东北电力大学 | 一种基于模型预测控制的智能楼宇用能灵活性调控方法 |
| CN110597116A (zh) * | 2019-09-09 | 2019-12-20 | 重庆大学 | 一种基于建筑用能数据的实时动态能源管控系统 |
| CN113203187A (zh) * | 2021-04-28 | 2021-08-03 | 清华大学 | 基于部分线性模型的建筑暖通空调负荷优化控制方法 |
| CN114418794A (zh) * | 2022-01-20 | 2022-04-29 | 博锐尚格科技股份有限公司 | 一种建筑数据分析方法、装置、电子设备及存储介质 |
| CN115689382A (zh) * | 2022-11-16 | 2023-02-03 | 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 |
-
2023
- 2023-05-19 CN CN202310567337.XA patent/CN116561682B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180113482A1 (en) * | 2016-10-21 | 2018-04-26 | Johnson Controls Technology Company | Systems and methods for creating and using combined predictive models to control hvac equipment |
| CN106529167A (zh) * | 2016-10-28 | 2017-03-22 | 深圳市云科设计咨询服务有限公司 | 一种非供暖季空调系统综合能耗的分析方法 |
| KR20180110940A (ko) * | 2017-03-30 | 2018-10-11 | (주)우리젠 | 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템 |
| CN109270841A (zh) * | 2018-10-11 | 2019-01-25 | 东北电力大学 | 一种基于模型预测控制的智能楼宇用能灵活性调控方法 |
| CN110597116A (zh) * | 2019-09-09 | 2019-12-20 | 重庆大学 | 一种基于建筑用能数据的实时动态能源管控系统 |
| CN113203187A (zh) * | 2021-04-28 | 2021-08-03 | 清华大学 | 基于部分线性模型的建筑暖通空调负荷优化控制方法 |
| CN114418794A (zh) * | 2022-01-20 | 2022-04-29 | 博锐尚格科技股份有限公司 | 一种建筑数据分析方法、装置、电子设备及存储介质 |
| CN115689382A (zh) * | 2022-11-16 | 2023-02-03 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 李艳霞 等: "城市能耗模拟方法的比较研究", 国际城市规划, vol. 35, no. 2, pages 80 - 86 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116561682B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Enhancing building energy efficiency using a random forest model: A hybrid prediction approach | |
| Li et al. | Developing urban residential reference buildings using clustering analysis of satellite images | |
| Sakiyama et al. | Perspectives of naturally ventilated buildings: A review | |
| Nikolaou et al. | Review on methodologies for energy benchmarking, rating and classification of buildings | |
| Melo et al. | Development of surrogate models using artificial neural network for building shell energy labelling | |
| Ascione et al. | A coupled numerical approach on museum air conditioning: Energy and fluid-dynamic analysis | |
| Kusuda | Early history and future prospects of building system simulation | |
| Fung et al. | Identifying the most influential parameter affecting natural ventilation performance in high-rise high-density residential buildings | |
| Kong et al. | Multi-parameter performance optimization for whole year operation of stratum ventilation in offices | |
| Rodríguez-Vázquez et al. | Coupling building energy simulation and computational fluid dynamics: An overview | |
| Zhang et al. | Effect of physical, environmental, and social factors on prediction of building energy consumption for public buildings based on real-world big data | |
| Yoon et al. | Dynamic metrics of natural ventilation cooling effectiveness for interactive modeling | |
| Zhang et al. | Smart air supply terminal for floor-standing room air conditioners based on the identification of human positions | |
| CN113987306A (zh) | 城市街区能耗时变图集构建方法、装置、设备及存储介质 | |
| 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 | |
| Liang et al. | Energy saving potential of heat removal using natural cooling water in the top zone of buildings with large interior spaces | |
| Fan | A method for the generation of typical meteorological year data using ensemble empirical mode decomposition for different climates of China and performance comparison analysis | |
| CN113432247B (zh) | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 | |
| Zhou et al. | Integrated performance optimization of industrial buildings in relation to thermal comfort and energy consumption: A case study in hot summer and cold winter climate | |
| Liu et al. | Building information modelling-enabled multi-objective optimization for energy consumption parametric analysis in green buildings design using hybrid machine learning algorithms | |
| CN116561682B (zh) | 一种城市海量建筑暖通空调系统组成及其性能系数高效预测方法 | |
| Wu et al. | Novel approach to typical air-conditioning behavior pattern extraction based on large-scale VRF system online monitoring data | |
| Kim et al. | Deterministic vs. stochastic calibration of energy simulation model for an existing building | |
| Lee et al. | Thermal environment in indoor spaces with under-floor air distribution systems: Part 1. Impact of design parameters (1522-RP) | |
| Castillo et al. | Natural ventilation by windexchangers in a building with a window in prevailing winds: design guidelines |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 200092 Siping Road 1239, Shanghai, Yangpu District Applicant after: TONGJI University Address before: 200092 Siping Road 1239, Shanghai, Hongkou District Applicant before: TONGJI University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |