1、基于城市能源综合规划的建筑空调动态负荷预测方法探讨大连理工大学 王振江 端木琳 李祥立 王仁瑾摘要现行的负荷指标法不能满足基于动态和空间分布的城市能源综合规划方法对城市规划阶段建筑空调动态负荷的预测需求。对现 有建筑空调动态负荷的预测 方法进行了分类，从 统计回归预测、能耗软件模拟及情景分析方法预测等方面分别介绍了各种方法的国内外发展及研究现状。结合城市能源综合规划方法对区域建筑空调负荷预测的要求， 对现有建筑空调动态负 荷预测方法的特点及适用性作了简要分析，并对研究方向进行了探 讨，指出开 发简单的建筑负荷模 拟预测软件是城市规划阶段建筑空调动态负荷预测的重要手段。关键词城市能源综合规划空调
2、动态负荷预测统计模型能耗模拟软件情景分析0 引言城市能源规划是城市规划的重要组成部分。然而，我国现有的城市能源规划体系存在着一定的问题。第一，我国的城市能源规划与城市总体规划政策脱节，使得能源规划成为一个部门或行业规划，而非综合性的战略规划 1。这样就会导致城市能源的供应与城市发展需求不匹配，多数情况下造成能源的浪费；第二，我国的城市能源规划主要包括的城市电力规划、城市燃气规划和城市热力规划等分别隶属于不同的部门管理，各个部门之间缺乏相互协调，甚至出现相互竞争，这就不可避免的会造成城市能源的供应结构不合理，严重的能源浪费现象；第三，能源需求的预测主要是考虑总量的供需平衡。从建筑能耗角度考虑，一
3、个区域或城市是由很多的建筑组合而成，而这些建筑又由于其使用功能的不同，而表现出不同的能耗特性，各个建筑同时出现峰值负荷的概率是很小的。鉴于目前城市能源规划的问题，清华大学的付林等人提出了基于动态和空间分布的城市能源综合规划方法 2。该方法考虑了各种能源专项规划的相互协调，合理的进行城市能源基础设施的建设，同时也从时间和空间分布的的角度考虑能源需求的动态特性，以达到能源的合理配置和高效利用。目前，国内外关于建筑空调动态负荷的动态预测研究主要有传统的统计预测方法、能耗模拟软件模拟预测方法以及情景分析预测方法等。1 空调动态负荷预测方法的概述1.1 基于统计的空调动态负荷预测方法基于统计规律的空调动
4、态负荷预测方法是最传统的也是应用最为广泛的方法。该方法是以大量的能耗数据为基础，利用统计学等相关技术手段对数据进行科学分析，得出空调负荷与影响因素之间的关系，建立负荷预测模型。线性回归分析方法是一种最为常见的数据处理方式。自 1984 年 Forrester 等人 3利用多元线性回归的预测方法完成对某商业大厦空调电力需求的预测至今，国内外专家多次尝试应用此方法对建筑冷热负荷进行预测研究，但结果均表明预测精度不高。指数平滑法是根据预测对象本身的历史数据来进行预测的，属于时间序列预测技术范畴。该方法在一定程度上改善了线性回归方法的预测精度，并且可以得到一些改进模型，如将小波分析加入 4。但其针对性
5、较强，不宜推广使用。灰色预测通过鉴别系统因素之间发展趋势的相异程度，预测事物未来发展趋势的状况。1999 年，王四清等人 5采用灰色理论进行负荷预测，提出了上下限线划分法，此模型的缺点仍是预测精度不高。神经网络以其高度的非线性运算能力和较强的容错能力，在 HVAC 领域迅速发展。1990 年，Ferrano 等人 6提出了人工神经网络模型预测冰蓄冷空调系统冷负荷的概念，掀起了神经网络技术在暖通空调领域的浪潮；1991 年，Kreider 和 Wang7-8最早将神经网络方法引入到建筑物空调设备能耗预测工作。此后，国内外专家学者大规模展开了神经网络预测模型的研究 9-10，并考虑多中预测模型的结
6、合 11-12，取得了比较显著的成果。虽然，神经网络模型对空调负荷这种非线性、影响因素之间严重耦合的特性，可以得到较高的预测精度，但是其模型复杂，推广力不足，尚处在研究阶段。2007 年，陈柳等人 13提出将支持向量机(SVM)技术引入到暖通空调领域进行空调负荷预测；2008年，李琼等人 14-15将支持向量机预测模型应用到广东地区某办公楼的空调负荷预测。仿真结果表明，SVM 模型有更高的预测精度和更好的泛化能力，是一种有效的预测方法。该类方法多用于既有建筑空调负荷预测，对空调系统的优化运行、制定控制策略起指导性作用。1.2 能耗模拟软件模拟预测方法软件模拟预测方法是以计算机能耗模拟软件为平台
7、，根据准确的气象参数，详细的建筑信息，以及设计参数，通过计算机模拟仿真的手段获得该建筑的逐时负荷数据，作为空调负荷的预测值。在区域规划阶段，该方法得到了尝试。2004 年，T.T. Chow 等人 16利用 DOE-2 对香港九龙地区东南部的一个开发新区进行建筑冷负荷预测，指导区域系统方案的确定，取得了较好的效果。F.W.H. Yik 等人 17在评价 WACS 系统时，采用 HKDLC、BECON 和 HTB2 等软件对建筑进行了逐时冷负荷的模拟。2008 年，瞿燕 18采用建筑能耗分析软件 DOE-2.1C 对 2010 年上海世博园区围栏内的建筑群进行空调动态负荷预测。通过研究世博会期间
8、逐时空调动态负荷等分析了世博园区各建筑群的空调负荷特性。软件模拟预测方法在区域规划中得到了一定的应用，但是现有能耗模拟软件的输入参数复杂、专业性强、预测精度不高等原因导致其难以推广应用。1.3 其他负荷预测方法现行的城市规划阶段采用指标概算法 19进行建筑空调冷负荷的预测。但是，该方法得到的负荷指标只反映多种影响因素共同作用和叠加作用下的冷量需求，而这多种影响因素同时出现的概率是很想小的。在区域级别上，区域内所有建筑同时出现多个影响因素的概率就会更小。因此，使用负荷指标法必定会高估区域总负荷。2008 年，龙惟定教授指出，正确的区域冷热负荷预测应采用情景分析方法。苑翔 20通过情景分析法对影响
9、冷负荷的气候条件和建筑内部负荷强度进行情景设置，指出，应用此方法可以确定研究区域建筑冷负荷的内容和思路，并得到区域建筑冷负荷与影响因素的关系。翟燕等人 21对上海世博园围栏区内的建筑群负荷变化情景设置，分析负荷影响因素。情景分析方法对于建筑空调负荷预测是一种定性分析，仍需要能耗模拟软件完成定量计算。2 适用于城市能源综合规划的空调负荷预测方法2.1城市能源规划阶段空调动态负荷预测的特点分析城市能源规划阶段的建筑空调动态负荷预测要求在控制性详细规划条件下，完成对规划建筑空调负荷的逐时预测，分析建筑空调负荷的时间动态特性以及建筑群空调负荷的空间分布特性。由此，现有的指标概算法已不再适应城市能源综合
10、规划方法的预测需求。除此，城市能源规划阶段的空调动态负荷预测和空调系统设计阶段的负荷计算以及系统运行时期逐时在线预测有所区别。首先，预测目的不同。城市能源规划阶段的空调负荷预测与供热负荷、电力负荷以及燃气负荷的预测等一起构成城市能源综合规划的基础。为决策者在能源形式、能源转化、输配系统以及能源基础设施的设计及选择上提供依据。预测的准确与否将直接影响到城市经济的发展，城市能源的消耗水平。系统设计阶段的负荷计算是合理制定空调方案的基础，也是设备容量选择的关键。负荷计算准确与否极易造成，设备容量过大、预留空调房间达不到设计要求等，造成能源浪费。而系统运行时期的负荷预测主要是为了制定更加合理的运行方案
11、，使系统节能运行。其次，预测已知条件不同。城市能源规划阶段的负荷预测是对规划建筑的预测，仅能获知建筑使用功能、占地面积、容积率等规划信息，这就限制了常规预测方法的应用。而后两者是对既有建筑的预测，有详细的建筑信息以及历史数据。再者，影响因素不同。后两者主要是气象条件、建筑使用功能、围护结构类型、人员、设备等具体因素的影响。而前者是城市或区域层面上的负荷预测，影响因素比较复杂，既受到前面提到的具体因素的影响，也受到城市发展水平、居民生活水平、国家能源政策、全球气候因素等宏观因素的影响。所以，城市能源规划阶段的建筑空调负荷预测是一种宏观的、抽象的预测。2.2现有空调负荷预测方法的适用性分析从目前的
12、文献资料来看，尚没有专门用于城市能源综合规划法的空调动态负荷预测模型。而现有的其它预测方法均存在一定的局限性。（1）基于统计规律的负荷预测方法是建筑空调负荷预测的重要方法，其特点是以大量的建筑能耗审计数据作为基础，采用一定的手段分析数据内在规律，建立负荷预测模型。此方法工作量大，物理意义不明显，应用起来存在一定的困难。首先，该方法需要大量的建筑逐时能耗数据作为基础，而审计部门一般是对能耗总量的统计，很难获得逐时的动态数据；其次，统计数据都是单体建筑能耗的反应，而在城市能源规划阶段需要的是某类型建筑的负荷预测，这也就对数据的代表性提出了要求。所以，将基于统计规律的预测模型应用于城市能源规划阶段的
13、负荷预测的前提是做好建筑能耗审计工作，积累足够的能耗数据作为分析模型的基础。（2）应用建筑能耗模拟软件进行城市规划阶段空调动态负荷预测是现阶段主要采用的手段之一，并有一定的工程应用。但软件本身的一些特性又限制了其在规划阶段的推广应用。首先就是输入参数的问题。现有的能耗模拟软件完成建筑空调负荷的计算所需要的输入参数多，且很多参数在规划阶段难以获得；并且现有软件专业性太强难以被城市规划工程师掌握，输入参数的细微差别可能导致负荷预测结果的不合理。所以，简化负荷计算方法、分析负荷影响因素、减少软件输入参数是城市规划阶段应用软件模拟预测建筑冷负荷的主要研究内容。（3）现行的负荷指标法预测区域建筑空调负荷
14、存在很大的问题，已不再适应新形势下的区域建筑负荷预测工作。新近提出的情景分析方法是一种定性分析方法。其通过设定不同的情景，分析各情景负荷出现的概率，最终确定区域的典型负荷曲线。该方法考虑了不同类型建筑的负荷特性，避免了各建筑最大负荷叠加造成的预测负荷过大的问题，为区域建筑负荷的预测提供了新的研究思路。但是，该方法仍然需要借助能耗模拟软件作为平台，模拟预测采用情景分析方法设定的不同情景下的建筑负荷，方能进一步进行负荷分析。因此，开发适合城市规划阶段建筑负荷模拟预测软件是规划阶段进行建筑空调负荷预测重要手段。3 结论与展望现有的能源规划体制存在着一系列问题，造成能源的严重浪费，在此形势下，新的基于
15、动态和空间分布的城市能源综合规划方法应运而生。进行建筑空调负荷的动态预测是该方法最基础也是最重要的工作，从国内外的研究现状来看，此方面的研究尚处于起步阶段，有待进一步深入。（1）基于统计的建筑空调负荷预测方法是最传统应用最广泛的方法。但该方法需要大量的能耗审计数据作为样本，而目前的能耗审计部门对建筑空调能耗的审计多针对能耗总量，尚不能获得逐时能耗作为样本；且应用既有建筑的统计数据对未建建筑的进行预测缺乏一定的说服力。（2）已有文献资料表明，应用能耗模拟软件进行建筑空调负荷的模拟工作具有可行性。新近提出的适用于区域建筑空调负荷预测的情景分析方法是一种定性分析方法，需要利用建筑能耗模拟软件方能完成
16、建筑空调负荷定量计算。所以，采用能耗模拟软件模拟预测是城市规划阶段建筑空调动态负荷预测的主要手段及发展方向。（3）现有的能耗模拟软件存在着一定的问题，如专业性太强、输入参数过于复杂等因素限制了其在城市规划阶段的推广应用。所以，开发适合于城市规划阶段的建筑负荷模拟预测软件是解决此问题的重要手段。参考文献1 洪亮平. 城市能源战略与城市规划J. 太阳能, 2006, 1: 13-172 付林, 郑中海, 江亿, 等. 基于动态和空间分布的城市能源规划方法C, 2008 城市发展与规划国际论坛论文集: 146-1493 Forester J.R, Wepfer W.J. Formulation of
17、 a load prediction algorithm for a large commercial buildingJ. ASHRAE Trans, 1984, 90n2B: 536-5514 陈柳. 小波时间序列在空调负荷预测中的应用J. 流体机械, 2008, 36(2): 83-865 王四清, 王先民, 李元旦, 等. 系统负荷的灰色区间预测J. 系统工程, 1999, 17(3): 60-656 FerranoF.J., Wong K.V. Prediction of thermal storage loads using a neural networkJ. ASHRAE Tr
18、ans, 1990, 96 n2: 723-7267 Kreider J.F., Wang X.A. Artificial neural networks demonstration for automated generation of energy use predictors for commercial buildings J. ASHRAE Trans, 1991, 97(2): 775-7798 Kreider J.F., Harberl J.S. prediction hourly building energy usage J. ASHRAE Journal, 1994, 36
19、(6): 72-819 曹双华, 曹家枞. 基于神经网络的空调负荷混沌优化预测J. 东华大学学报, 2003, 29(1): 53-5610 曹双华, 曹家枞. 基于小波变换的神经网络空调负荷预测研究J. 暖通空调, 2005, 35(4): 13-1711 姚晔, 连之伟, 侯志坚, 等. 基于 AHP 的空调负荷组合预测研究J. 哈尔滨工业大学学报, 2004, 36(9): 1269-127112 Yao Y, Lian ZW, Liu SQ, etc. Hourly cooling load prediction by a combined forecasting model base
20、d on Analytic Hierarchy ProcessJ. International Journal of Thermal Sciences, 2004, 43: 1107-111813 陈柳, 吴冬梅. 空调负荷预测探讨J. 制冷, 2007, 26(3): 32-3414 李琼, 孟庆林, 吉野博, 等. 基于支持向量机的建筑物空调负荷预测模型J. 暖通空调, 2008, 38(1): 14-1815 Li Q, Meng QL, Cai JJ, etc. Applying support vector machine to predict hourly cooling load
21、 in the building J. Applied Energy, 2009, 86: 2249-225616 Li Q, Meng QL, Cai JJ, etc. Predicting hourly cooling load in the building: A comparison of support vector machine and different artificial neural networks J. Energy Conversion and Management, 2009, 50: 90-9617 Chow T.T., Fong K.F, Chan A.L.S
22、., etc. Energymodeling of district cooling system for new urban developmentJ. Energy and Buildings, 2004, 36: 1153-116218 Yik F.W.H, Burnett J, Prescott I.Predicting air-conditioning energy consumption of a group of buildings using different heat rejection methodsJ. Energy and Buildings, 2001, 33: 151-16619 瞿燕. 上海世博园区空调动态负荷预测与研究J. 暖通空调, 2008, 38(10): 9-1720 戴慎志. 城市工程系统规划M. 北京: 中国建筑工业出版社, 199921 苑翔, 龙惟定. 应用情景分析法预测区域建筑冷负荷A. 全国暖通空调制冷 2008 年学术年会资料集C, 200822
