侯立強++楊柳++李紅蓮++許馨尹++劉加平

摘要：

氣象參數(shù)是影響建筑熱環(huán)境和供暖空調能耗的主要因素之一?；诔啥嫉貐^(qū)1971—2000年共30 a的歷史觀測數(shù)據(jù)，生成了建筑能耗模擬軟件EnergyPlus所需要的逐時氣象數(shù)據(jù)文件。比較分析了該地區(qū)30 a干球溫度、太陽輻射等各氣象參數(shù)月均值的變化，模擬分析了該地區(qū)建筑的采暖、制冷及總能耗，利用多元回歸建立了建筑能耗與氣象參數(shù)之間的關系式，并檢驗了該關系式的準確性。結果表明：成都地區(qū)辦公建筑能耗變化與各氣象參數(shù)沒有呈現(xiàn)明顯的規(guī)律性；建筑月總能耗與各氣象參數(shù)呈純二次多項式關系，月采暖能耗、月制冷能耗與各氣象參數(shù)呈交叉二項式關系；建筑月能耗回歸模型能夠較準確地預測建筑月能耗與各氣象參數(shù)的關系，且月采暖能耗和月制冷能耗回歸模型預測的準確性優(yōu)于月總能耗模型。

關鍵詞：

氣象參數(shù)；建筑能耗；能耗模擬；多元回歸

Abstract：

Meteorological parameters is a major factor affecting building thermal environment and heating and air conditioning energy consumption， and climate change has a significant impact on building energy consumption. Based on 30 years historical observations of Chengdu from 1971 to 2000， the hourly meteorological data file is generated which is required by the building energy simulation software EnergyPlus. The changes of 30year monthly mean dry bulb temperature， monthly mean solar radiation in the area were compared and analyzed， and the heating， cooling and building total energy consumption is simulated and analyzed. At last the building energy relationship with meteorological parameters by using multiple regression is established， and the accuracy of the relationship is tested. The results shows that： the regularity relationship between change of building energy consumption and meteorological parameters isnt significant. the building monthly total energy consumption and meteorological parameters show a pure quadratic relationship， and a cross binomial relationship between monthly heating energy consumption， monthly cooling energy consumption and meteorological parameters is found. Building monthly energy regression model can predict the relationship between building monthly energy consumption and various meteorological parameters accurately， and the monthly heating energy consumption and monthly cooling energy consumption regression model predicts better than monthly total energy consumption model.

Keywords：

meteorological parameters； building energy consumption； energy simulation； multiple regression

建筑能耗在總能耗中所占比重較大，截止2013年，建筑能耗已超過總能耗的1/3[1]。影響建筑能耗的因素較多，包括室外氣候、圍護結構、室內(nèi)環(huán)境及設備，其中，氣象狀況起著獨特和重要的作用，直接影響建筑負荷及暖通空調能耗、照明能耗（受采光控制的建筑）和太陽能、風能系統(tǒng)的發(fā)電等。因此，研究氣象參數(shù)對建筑能耗的影響具有重要意義。IPCC報告指出，建筑能耗對環(huán)境具有重大影響，氣象狀況與建筑能耗間存在顯著關系[23]。目前，大多數(shù)研究采用室外平均干球溫度或度日數(shù)來研究其對建筑能耗的影響[47]。Vipul等[8]采用干球溫度分析法預測了建筑的年能耗。Mason等[9]利用澳大利亞78個地方的逐時氣象數(shù)據(jù)建立了采暖能耗與采暖度日數(shù)的關系及制冷能耗與制冷設定溫度的關系。Day[10]利用制冷度日數(shù)分析了澳大利亞珀斯的制冷能耗。Rosa等[11]考慮太陽輻射的影響，采用修正的度日數(shù)研究了采暖及制冷能耗。Dombayci等[12]采用度日數(shù)方法預測了土耳其代尼茲利的總能耗及耗煤量。這些方法雖然顯示了建筑能耗與氣象狀況較好的關系，但絕大多數(shù)只是考慮單一要素，而建筑能耗受多個氣象要素的綜合影響。筆者采用多項式回歸的方法綜合分析了月均干球溫度、干球較差、露點溫度、風速和太陽輻射對建筑能耗的影響。

1氣象參數(shù)與建筑能耗的關系

氣象參數(shù)對空調及建筑能耗有重大影響，與建筑熱環(huán)境分析直接相關的參數(shù)包括：干球溫度、濕球溫度、露點溫度、相對濕度、太陽輻射強度、風速、風向。其中，濕球溫度與露點溫度相關性較強，可以選取其一作為主要分析對象。風向對建筑能耗的影響取決于建筑物的朝向。太陽輻射是最基本的要素，室外氣溫、濕度等都受到太陽輻射的影響，且產(chǎn)生圍護結構的日射得熱[13]。室外氣溫和濕度主要決定圍護結構的傳熱以及新風負荷，也是影響建筑能耗的主要因素。干球較差（最大干球溫度和最小干球溫度差值）則體現(xiàn)了極端氣候對能耗的影響。氣象參數(shù)相互耦合，共同綜合作用影響建筑負荷。筆者在研究氣象參數(shù)對能耗的影響時，為了保證原有氣象要素信息的完整性，沒有選擇單一氣象要素，而是選取干球溫度、干球較差、露點溫度、風速和太陽輻射5項參數(shù)作為主要分析對象。圖1為模擬軟件中各氣象參數(shù)與空調動態(tài)負荷間的關系。

2成都地區(qū)公共建筑建模

建筑能耗的動態(tài)模擬已成為建筑節(jié)能研究與實踐的核心技術和重要工具，進行建筑能耗模擬分析，需要能耗模擬軟件所需的氣象數(shù)據(jù)文件。氣象數(shù)據(jù)文件通常包含干球溫度、大氣壓、露點溫度、相對濕度、太陽輻射、風速、風向、云量等氣象參數(shù)的逐時數(shù)據(jù)。首先利用中國氣象數(shù)據(jù)共享服務網(wǎng)成都地區(qū)1971—2000年的太陽輻射日值數(shù)據(jù)及其他氣象參數(shù)的4次定時數(shù)據(jù)生成了逐時數(shù)據(jù)，并轉化為動態(tài)能耗模擬軟件EnergyPlus所需的氣象數(shù)據(jù)文件格式[14]，然后采用EnergyPlus軟件進行建筑能耗模擬。

選取一典型空調辦公建筑作為基準建筑，基準建筑為一棟20層的辦公建筑，北軸夾角為0°。標準層為37.8 m×31.5 m平面，層高3.8 m，總建筑面積為23 814 m2，其中空調區(qū)域面積為21 609 m2，分布在建筑周圍的4個區(qū)。建筑的基本概況如表1所示，內(nèi)部負荷、室內(nèi)設計工況及暖通空調系統(tǒng)設置如表2所示。

成都為夏熱冬冷地區(qū)，既有夏季制冷的需求，又有冬季采暖的需要，且采暖和制冷能耗相當。氣候變化時，采暖和制冷能耗均發(fā)生變化，為了探究氣象參數(shù)對于全年能耗、夏季制冷能耗及冬季采暖能耗的關系，選取成都作為典型城市。以成都1971—2000年共30 a的氣象數(shù)據(jù)為基礎，并將其分為1971—1980年、1981—1990年和1991—2000年共3個不同階段，研究分析了3個階段干球溫度、干球較差、露點溫度、風速和太陽輻射的變化規(guī)律。成都地區(qū)1971—2000年月均干球溫度、干球較差、露點溫度、風速和太陽輻射變化規(guī)律如圖2所示。

MBE反映了1981—1990年和1991—2000年各氣象參數(shù)相對于1971—1980〖HJ1.8mm〗年的變化程度，MBE為正表示相對于1971—1980年偏大。一個月值的增大能夠抵消另一個月的減小，因而引入了RMSE。RMSE反映了1981—1990年和1991—2000年各氣象參數(shù)與1971—1980年的絕對差異。NMBE（normalied mean bias error）和CVRMSE（coefcient of variation of the root mean square error）則為對應的MBE和RMSE與1971—1980年各氣象參數(shù)月均值的比值。成都各氣象參數(shù)1981—1990年和1991—2000年相比于1971—1980年的比較分析如表3所示。

成都1971—2000年各氣象參數(shù)變化規(guī)律不同。干球溫度先減小后增大，整體增大；干球較差逐漸減?。宦饵c溫度逐漸增大；風速逐漸增大；輻射逐漸減小。成都1981—1990年干球溫度、干球較差、露點溫度、風速和輻射的NMBE分別為-1.29%、-3.5%、0.53%、23.89%和-13.19%，1991—2000年干球溫度、干球較差、露點溫度、風速和輻射的NMBE分別為2.47%、-5.12%、0.1%、28.90%和-17.69%，各氣象參數(shù)變化量大小依次為風速、輻射、干球較差、干球溫度和露點溫度。

成都1971—2000年建筑總能耗逐漸增大，制冷能耗先減小后增大，整體減??；采暖能耗先增大后減小，整體增大。1981—1990年建筑總能耗增大是由于采暖能耗增大量大于制冷能耗減小量，1991—2000年建筑總能耗增大是由于制冷能耗的增大量大于采暖能耗的減小量。各氣象參數(shù)變化均對采暖、制冷及總能耗有影響。制冷、采暖能耗變化與干球溫度的變化相一致，干球溫度減小，制冷能耗減小，采暖能耗增加；而與干球較差、露點溫度、風速和太陽輻射變化不一致。各氣象參數(shù)對建筑制冷、采暖和總能耗的影響程度不同，干球溫度影響較大，其他氣象參數(shù)影響較小，尤其風速、太陽輻射和干球較差變化量較大，但建筑制冷、采暖和總能耗變化不大。

3建筑能耗與氣象參數(shù)的多元回歸

研究一個因變量與一個或多個自變量間的多項式關系的回歸分析方法，稱為多項式回歸（polynomial regression），自變量有多個時，稱為多元多項式回歸[15]。在多元回歸分析中，如果因變量與自變量的關系為非線性的，但是又找不到適當?shù)暮瘮?shù)曲線擬合，則可以采用多元多項式回歸。多項式回歸的最大優(yōu)點是可以通過增加自變量的高次項對實測點進行逼近，直至滿意為止，可以處理相當一類非線性問題。任意函數(shù)都可以分段用多項式來逼近，因此，不論因變量與其他自變量關系如何，總可以用多項式回歸來進行分析。

建筑能耗與5個氣象參數(shù)呈非線性關系，可采用多項式回歸分析的方法，這里采用較為簡單的五元二次多項式來探究其關系。二次多項式回歸方程一般分為4種模型：線性二次多項式、純二次多項式、交叉二次多項式以及完全二次多項式，對應的建筑能耗與氣象參數(shù)模型分別為

為了探究建筑能耗與氣象參數(shù)的關系，建立并檢驗其關系式的準確性，利用成都地區(qū)1971—2000年氣象數(shù)據(jù)進行了30次能耗模擬，從360個月能耗中隨機選取340個，從1、2、12月共90個月采暖能耗中隨機選取70個，從5、6、7、8月共120個月制冷能耗中隨機選取100個來分別建立月總能耗、月采暖能耗及月制冷能耗與氣象參數(shù)的回歸模型。利用Matlab軟件[16]進行五元二次多項式回歸，分別建立月總能耗、月采暖能耗、月制冷能耗分別與月均干球溫度、干球較差、露點溫度、風速、太陽輻射的關系模型。理論上，完全二次多項式的精度最高，但其形式也最為復雜。在精度較高時，選用較為復雜的二次式形式時精度提高有限。因此，在達到一定精度（R2≥0.8）時選擇形式較為簡單的二次多項式形式。月總能耗、月采暖能耗和月制冷能耗與氣象參數(shù)關系模型回歸系數(shù)及剩余標準差如表5所示。

二次多項式能夠較好地表現(xiàn)建筑月能耗與各氣象參數(shù)的關系，其中月總能耗與氣象參數(shù)近似呈純二次多項式關系，而月采暖能耗和月制冷能耗與氣象參數(shù)近似呈交叉二次多項式關系。月總能耗、采暖能耗及制冷能耗回歸模型的R2分別為0804、0962和0.873，剩余標準差分別為1.275、0.429、0237 kWh/m2，表明成都月總能耗、月采暖能耗和月制冷能耗與各氣象參數(shù)預測回歸模型較為準確。

4模型評價

為了評估建筑能耗與氣象參數(shù)關系模型的準確性，針對影響建筑能耗的5項氣象參數(shù)進行了建筑能耗模擬。對成都辦公建筑月總能耗、月采暖能耗和月制冷能耗分別選取了剩余20組進行了能耗模擬，并與建筑能耗回歸模型的預測值進行了比較。模擬建筑能耗與回歸模型預測能耗比較如圖4所示。

成都地區(qū)辦公建筑回歸模型預測的月總能耗、月采暖能耗和月制冷能耗與模擬建筑能耗相比存在偏大和偏小，但總體兩者較一致。圖中的實線表示誤差為0所對應的參考線。由圖4可知，回歸模型預測的月總能耗值絕大部分落在±13%的誤差帶以內(nèi)，最大誤差為-13.02%，平均誤差為-4.06%；回歸模型預測的月采暖能耗值絕大部分落在±10%的誤差帶以內(nèi)，最大誤差為-10.07%，平均誤差為-1.27%；回歸模型預測的月制冷能耗值絕大部分落在±5%的誤差帶以內(nèi)，最大誤差為-5.07%，平均誤差為-0.12%。以上結果表明：成都地區(qū)空調辦公建筑回歸模型預測的月總能耗、月采暖能耗和月制冷能耗具有較高精度，月采暖能耗、月制冷能耗回歸模型優(yōu)于月總能耗的回歸模型，月制冷能耗精度最高。該模型對于預測成都地區(qū)采用變風量再熱空調系統(tǒng)的辦公建筑能耗具有一定的準確性。同時說明建筑能耗回歸模型能夠較好地預測由于月平均干球溫度、月平均太陽輻射等5項主要氣象參數(shù)的改變而產(chǎn)生的建筑能耗，從而為預測氣候變化對建筑能耗的影響提供了便捷的方法。

5結論

對成都地區(qū)1971—2000年的氣象參數(shù)進行了數(shù)據(jù)分析，模擬和分析了該地區(qū)典型空調辦公建筑的能耗，建立并評價了該地區(qū)空調辦公建筑月總能耗、月采暖能耗和月制冷能耗與月均干球溫度、干球較差、露點溫度、風速和太陽輻射5項氣象參數(shù)的回歸模型，分析表明：

1）建筑能耗變化不與任一氣象參數(shù)呈現(xiàn)明顯的規(guī)律性，是各項氣象參數(shù)綜合作用的結果。

2）建筑月總能耗與各氣象參數(shù)的回歸模型呈純二次多項式關系，R2為0.804；月采暖能耗、月制冷能耗與各氣象參數(shù)的回歸模型呈交叉二項式關系，R2分別為0.962和0.873。

3）建筑月能耗回歸模型能夠較準確地預測建筑月能耗與各氣象參數(shù)的關系，且月采暖能耗和月制冷能耗回歸模型預測的準確性優(yōu)于月總能耗模型，月總能耗、月采暖能耗和月制冷能耗回歸模型預測值的平均誤差分別為-4.06%、-1.27%和-0.12%。

參考文獻：

[1] HONG T Z， CHANG W K， LIN H W. A fresh look at weather impact on peak electricity demand and energy using of buildings using 30 year actual weather data [J]. Applied Energy， 2013，111： 333350.

[2] SOLOMON S， QIN D， MANNING M， et al. IPCC. Climate change 2007： the physical science basis. Contribution of the working group I to the fourth assessment report of the Intergovernmental Panel on Climate Change [M]. Cambridge： Cambridge University Press， 2007.

[3] LEVINE M， URGEVORSATZ D， BLOK K， et al. Residential and commercial buildings. Climate change 2007： mitigation. Contribution of working group III to the fourth assessment report of the Intergovernmental Panel on Climate Change [M]. Cambridge： Cambridge University Press， 2007.

[4] STRAM D O， FELS M F. The applicability of PRISM to electric heating and cooling [J]. Energy and Buildings， 1986， 9（1/2）： 101110.

[5] ZMEUREANU R. Assessment of the energy savings due to the building retrofit [J]. Building and Environment， 1990， 25（2）： 95103.

[6] KISSOCK J K， REDDY T A， CLARIDGE D E. Ambienttemperature regression analysis for estimating retrofit savings in commercial building [J]. Journal of Solar Energy Engineering， 1998， 120（2）： 168176.

[7] KISSOCK K， JOSEPH H B， MCBRIDE J. The effects of varying indoor air temperature and heat gain on the measurement of retrofit savings [J]. ASHRAE Transactions， 1998，104 （2）： 895900.

[8] VIPUL S， AGAMI R T， BASS A. Predicting annual energy use in buildings using shortterm monitoring： the drybulb temperature analysis （DBTA） method [J]. ASHRAE Transactions， 2014， 120（1）： 397.

[9] MASON M D， KINGSTON T M. Let's talk about weather [C]//Proceedings of the Building Simulation 93： 487494.

[10] DAY A R. An improved use of cooling degreedays for analysing chiller energy consumption in buildings [J]. Building Services Engineering Research & Technology， 2005， 26（2）： 115.

[11] ROSA M D， BIANCO V， SCARPA F， et al. Heating and cooling building energy demand evaluation； a simplified model and a modified degree days approach [J]. Applied Energy， 2014， 128： 217229.

[12] DOMBAYCI A， OZTURK H K. The prediction of fuel and energy consumption by using degreedays method for residential buildings in Denizli [J]. International Journal of Materials Science and Application， 2016， 5（6）： 610.

[13] 沈昭華，譚洪衛(wèi)，呂思強，等. 上海地區(qū)建筑能耗計算用典型年氣象數(shù)據(jù)的研究[J]. 暖通空調，2010，40（1）：8994.

SHEN Z H， TAN H W， LV S Q， et al. Research on the typical meteorological year data of Shanghai for the building energy consumption calculation [J]. HV&AC， 2010， 40（1）： 8994. （in Chinese）

[14] EnergyPlus supplement， version 8.1 [M]. Lawrence Berkeley National Laboratory， University of California， 2013.

[15] 袁志發(fā)，宋世德.多元統(tǒng)計分析[M].北京：科學出版社，2009.

YUAN Z F， SONG S D. Multivariate statistical analysis [M]. Beijing： Science Press， 2009. （in Chinese）

[16] 謝中華.MATLAB統(tǒng)計分析與應用[M].北京：北京航空航天大學出版社，2015.

XIE Z H. MATLAB Statistical analysis and application [M]. Beijing： Beijing University of Aeronautics and Astronautics Press， 2015.