英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
适用于多层次大型商业建筑的综合建筑节能性能诊断方法研究
摘要：当前的能源性能诊断是为了确定当一个建筑中的能源性能不佳时，能查明原因，及时给建筑物操作员提出建议，以实施及时的修整。以往的许多研究都探讨了建筑能耗诊断的复杂问题，以实现节能和提高性能。但是很少有人成功，由于大多数方法都依赖于能源管理和控制系统（EMCS）中的大量数据，且这些数据是不可靠的。本文结合原型集成工具箱的开发，详细介绍了基于能耗数据的方法研究。每周、每日和每小时的诊断都是在整个建筑水平、系统水平和组件水平上分别开发的。为了验证该方法的可行性和适用性，在一栋办公楼上进行了实例研究，证明了该方法的有效性，能够检测出不良的操作和能源浪费。
关键词：建筑节能性能 故障检测诊断多级诊断分计量
1.导言
建筑被广泛认为是能源和资源的主要消耗部分。目前，建筑业占美国总能源总量的41.3%，欧盟（欧盟）中大约有40%。经验表明，20%的这种能量是浪费，由于被忽视的故障和表现不佳发生在不同级别的建筑物。一年一度的建筑能源性能诊断成为一种有效的工具，能够跟踪、检测和处理不正常的系统性行为，帮助操作人员识别能源浪费和低效运行。在许多建筑物中，大约15%的建筑能源可以使用能源性能诊断的结果来节约。
能源基准在能源性能诊断过程中起着重要作用。为了建立一个基准，需要模型，更好的基准需要更精确的模型。能量基准建模方法可普遍分为白盒法、黑盒法和灰盒法。黑盒方法，如人工神经网络（ANN），支持向量机（SVM）和回归方法，当详细的建筑信息是不可用的，但可以提供足够的历史数据。特别是，ANN和SVM方法能够解决非线性问题，以预测建筑能耗，后者甚至在有限的训练数据下也能有效。如果基准对瞬态行为建模有严格的要求，则RC（电阻电容）网络方法是一个灰盒方法，是一个理想的选择。白盒法，也称为基于第一原则的方法，因为它使用物理原理来计算能量的性能，需要大量的具体建筑数据。一些复杂的模拟软件包（如DOE-2，EnergyPlus，BLAST，ESP-r）经常被使用来预测能耗。主动系统识别模型也可以使用，因为它们是高保真模型和计算效率高。综上所述，不同的模型用于不同的基准和诊断目的。
目前建筑能源性能诊断方法可以根据其诊断范围分为三类:整体建筑水平诊断、系统和组件级诊断和多级诊断。
整个建筑物层面的诊断通常不需要大量关于建筑物操作的信息[15]。这种类型的诊断通常需要建筑物层面的电力，燃气或冷冻水能源消耗数据，然后通过计算建筑能耗与设计的偏差来识别运行问题。整个建筑水平诊断的方法已嵌入到一些自动配对的整个建筑诊断（auto-mated whole building diagnostic AWBD）软件，如自动化建筑调试分析（Automated Building Commissioning Analysis Tool，ABCAT）和整个建筑诊断（Whole Building Diagnostician，WBD）。ABCAT，其中输入参数是建筑功耗，冷却负荷，供暖负荷和天气数据，使用第一原理模型，以预测整个建筑能耗。与ABCAT不同的是，WBD使用了一种多变量方法，可以将其归类为用于构建建筑物诊断的黑箱法。WBE（整体建筑能源诊断）模块是WBD中的一个诊断模块，它将负载分类为不同的可变箱，并使用单元中介来测量每个单元[21]中的预期能耗。
但整个建筑物诊断只针对建筑物的整体消耗。为了确定和确定哪个组件或子系统导致性能不佳的问题，需要对系统或组件进行更有针对性的调查[22，23]。John提出了一种智能数据分析方法，使用改进的标准分数模型（z-score）来识别暖通系统中的异常功耗。王等人提出了一种通过趋势数据分析和功能测试来检测不同类型的暖通空调组件故障操作的方法。Khan等使用模式识别技术和神经网络集成诊断照明系统和整体建筑功耗异常的方法。
相比之下，多层次诊断具有最全面的范围和最大的覆盖率，扩大了诊断。一个原型EARM-OAM的方法（能量评估和报告方法的办公室评估方法）使我们能够对多层次的办公楼进行分层诊断。Yan等人提出了一种新的用于能量的信息的诊断方法，在能源使用数据有限和一些楼宇自动化数据的简单建筑物中根据能源使用强度（EUI）等一般规则检查整个建筑物和系统等级的月能量性能，然后计算暖通部件的节能潜力。
简而言之，以前对多级诊断的研究仅仅停留在固定时间跨度内的建筑能量性能，例如月度诊断。另一方面，多层次的诊断需要详细的信息，并且经常依赖于楼宇自动化系统（BAS）的趋势数据。但是，BAS中的实测数据不准确，并且经常发生传感器偏差错误。例如，温度测量容易受到环境波动的影响，而压力信号往往是通过侵入测量得到的。在大管道或管道中放置流量和温度传感器是另一个考虑因素。此外，大量BAS数据的传输也存在缺失、弄错和失真的问题。相比之下，建筑功率测量更加可靠和实用。Norford在暖通空调设备中为捍卫民主阵线使用电力数据提出了两种技术。一个是基于电力灰色关联的流量或其他变量，第二个依赖于电子机械动力学的物理模型，并将子计量数据用于泵或风扇。
在1992年，哈特正式提出了'分项计量'的概念;从那时起，越来越多的大型商业建筑被分计量。例如，加利福尼亚公用事业委员会（CPUC）就多层商业楼宇电气的分项计量作出决定。通过知道在哪里使用或浪费能源，分户计量不仅可以帮助业主和租户解决分裂的激励问题，还要知道哪些建筑设备和系统需要升级或更好的管理和调度。同时，为了促进分项计量，美国能源部的建筑技术支持公司宣布了其最新的挑战之项开发100元无线分计器的计划。在2008年，中国住房和城乡建设部（MOHURD）提出了一项新政策，并提供补贴，以促进分项计量。迄今为止，中国数以千计的大型商业建筑已经安装了分项计量系统。随着几乎所有主要城市能耗监测平台的建立，数据库中积累了大量的功耗数据。
到目前为止，有相当多的文件利用了在构建应用程序中的分项计量数据。Jain等人探讨了在住宅建筑中使用电能计量的能源预测方法。Fan等人风扇等使用功耗数据和气象变量来开发集成模型以预测次日能耗和峰值功率需求。从商用建筑的照明插头或电源分计中分类暖通空调终端使用傅里叶级数模型通过分析分计量数据的模式。在构建操作阶段中，还开发了一个新的自底向上模型校准程序，其中分计量数据和冷却/加热负载。然而，与建筑性能评估和诊断有关的研究在较小程度上受到限制。Henze等人开发了一个能量信号工具，估计在不同的分计量水平下的商用建筑物的能源使用。Xiao等人利用数据挖掘技术（DM）对从实际建筑物中提取的分选计量数据进行了检测，发现了若干故障条件，如水泵的亏流问题和异常运行情况。随后，本文提出了一种利用DM进行诊断的框架工作，以发现和应用海量电力数据中隐藏价值。建筑操作策略的变化和一些非典型的建筑运行条件可以被确定。在此框架下，域知识和DM专业知识是必需的。
为了更有效地在建筑能效诊断范围内使用子计量数据，本文提出了一种方法，与以前的研究相比有了很大的改进。该方法的独创性在于以下特征：
1.采用不同级别和时间跨度的综合能量性能诊断。诊断比以往的研究更为透彻和详细。
2.使用来自子计量而不是BAS的稳健的功率数据，这使得能量性能诊断在近期更加实用，并且更少依赖于BAS的数据质量改进。
3.诊断过程是自动化的，较少依赖于专业知识，因此可以开发成原型工具包。
4.诊断结果具有足够的一致性和准确性，这使得能够检测到在实际建筑物中的多层次的异常操作。
5.异常情况是三层输出的形式，可以被建筑物运营商或用户理解。
图1 从时间级别和内容级别建议的诊断方法
如图1显示，每小时的诊断模式都在不同的时间级别显示。逐周诊断，作为最宏观的时间水平，允许我们对建筑能源的性能有一个快速和广泛的看法，。逐日诊断，每天对不同能量使用进行评估是最有用和最实用的。逐时诊断是相当详细的，可以补充日常诊断，以便在检测到异常操作时找出故障。另一方面，在不同的系统级别诊断总功耗，四个主要子表和几个二级子项。不同的系统级别与相应的时间级别相匹配。逐日诊断较为实用，逐时诊断可检测到异常故障。总能耗，分项能耗，二级子项能耗。不同系统水平所对应的诊断尺度是有区别的。
本文的其余部分主要为：第2章为基本方法概述和示意图，3.4章为方法的内涵。第5章通过案例就行验证方法可行性，确定建筑物能源性能较弱的原因。2.方法概述
建筑能源性能诊断方法的大纲描述在图2.
该方法中所需的基本输入是子项的能耗，气候数据，建筑设计基本数据和现场数据是最基本的输入数据，能耗作为输出数据。诊断过程包括预测模型的自动选择和多级能耗诊断的规则确立。模型的选择是为了确定基线与分项数据进行对比。诊断结果通过分析偏差获得。EPI是用来评估HVAC组件的能耗性能。
3.能源基准方法
预测模型是为了提供基准比较数据，采用能耗模型而不是组件性能模型是因为能耗很重要且子项检测数据的适用性。物理模型很难建立，是因为缺乏详细的输入信息。仿真模型的建立针对特定建筑，不具备普适性。黑盒模型相对准确且扩展性较高，但是其需要一个很长的训练时间。回归模型的准确性较高。
因此，本文采用以下预测方法对建筑性能进行诊断，同时考虑了可行性和精度:（1）回归方法，（2）特征人文平均法，（3）特征上下限方法，（4）傅里叶级数法。
3.1.数据分类
建筑功能不同，区分对待，办公和商业其冷负荷模式由于不同受众和设备而有所差别。而且是时间表和气象条件也会对建筑能耗产生影响。论文研究了三种类型得奖建筑：办公、商业以及混合建筑。根据办公建筑的作息不同，故将数据集分为两种，分别为工作日和非工作日。HVAC能耗模式与季节有关系。也要分别对待。
3.2.季节分部
介绍的季节分区主要基于建筑能耗和户外气候参数之间的相关分析，而不是气象中定义的常规四季。选择日平均气温作为确定当日季节划分的度量标准。参考温度也称为基准温度，是一种平衡点温度，在该温度下，HVAC系统不需要操作以保持舒适的状态。基础温度对于特定类型的建筑物而言变化不大，并且可以从历史数据计算。选择不同建筑类型的全年历史用电量数据，然后通过消耗与室外温度之间的关系确定基准温度。这样，全年可以分为采暖季节，制冷以及过渡季节。
从图3可以发现，当日平均温度（Tm）超过20LC时，办公楼和混合用途建筑物开始制冷，并且当Tm低于12LC时开始采暖。同样，对于商业建筑，当室外空气温度超过15LC时开始制冷，当室外温度低于10LC时开始采暖。换句话说，对于写字楼和混合用途建筑物，当Tm高于20LC时，该日定义为制冷季节。当Tm低于12LC时，该日定义为采暖季节，否则视为过渡季节。同样，对于商业建筑，Tm高于15LC时定义为制冷季节，Tm低于10LC时定义为采暖季节，其余为过渡季节。表1中列出了基于Tm的一天的详细季节划分方法。每周的季节划分取决于哪一天类型在一周内最普遍。也就是说，如果一周内有五个制冷季节和两个过渡季节，则该周将被视为逐周诊断中的制冷季节。
3.3.具体的回归方法
多变量回归模型在预先设定的诊断算法中得到了很好的应用，其范围从每周和每日的总能耗预测到四个主要的子表，除了暖通空调组件。本部分提出了不同建筑类型的逐周、逐日预测模型的具体形式。
每周预测模型使用制冷/采暖指数的概念。与天指数一样，小时指数在分析建筑能源性能时代表了一个多功能的气候指标，需要较少的数据，并可用于估计的能源消耗如何受主要设计因素影响（如绝缘水平，上光面积率的建筑物，对渗透的假设，等等）。采暖指数（HDHs）被定义为该小时室外平均温度与加热参考温度的偏差，仅考虑正值。同样，制冷指数（CDHs）是从基准温度以上的温度计算出来的。
其中N是一段时间，即一周中的小时数。对于任何时间段累计小时数的相应小时数是通过将小时数与Tj和Tb之间的差值相加来确定的。
在逐日预测模型中，由于暖通空调功耗与T的相对强关系，使用一个三次多项式来反映他们的关系。
3.3.1.每周预测模型
表2中总了逐周预测模型的具体功能。每周预测模型I用于每周预测建筑物总功耗和HVAC功耗。每周预测模型II应用于四个主要子表的每周预测，除暖通空调分表外，在这种情况下，暖通空调终端最终用途与照明插头或功率分表混合使用。为避免隔离HVAC终端能耗的，HVAC消耗增加了一个影响因素，以突出照明，电源和特殊分表在环境温度上的变化。
Y表示kwh为单位的每周功耗，DAY表示整个星期的工作日数，ACDH/AHDH是累积的基本基本下的制冷/采暖指数，EACT是以kWh为单位的HVAC终端功耗，C0，C1，C2是回归系数。
3.3.2.每日预测模型
表3总结了逐日预测模型的具体功能。逐日预测模型I适用于建筑物总用电量和暖通空调用电量的逐日预测。根据回归前的日期类型和季节划分，将数据分为6个数据集，尽管模型I具有单一阵型。日常预测模型II和III适用于除暖通空调子表之外的四种主要子表的逐日预测，在这种情况下，HVAC终端可以和照明插头或功率子表混合使用。这两种模型之间的区别在于是否考虑了日类型。
3.4.特征平均方法
方法用于每周和每日预测总能耗，包括四个主要子表，每日和每小
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[467542]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
