论文部分内容阅读
在“新时代、新山东、新动能”的背景下,为了进一步实现可持续发展,实现节能减排的目的,必须对社会能耗进行监控和预测。现阶段,在我国社会总能耗中,建筑能耗的占比已高达26.7%,并且,随着经济的发展,城镇化进程的加快,建筑能耗将呈快速增长趋势。而办公建筑能耗所占份额也逐渐增大,办公建筑具有体量大、分布不均、难管控的特点。因此,实现对办公建筑全年能耗的预测,不仅可以降低能耗调研所花费的人力、物力及财力,而且对加快建设低能耗甚至超低能耗办公建筑具有重要意义。本文利用DeST-c软件,建立了办公建筑模型,从室外气象参数、室内热扰强度及建筑围护结构热工特性三大方面考量对能耗的影响,设定外墙、屋面及外窗的传热系数和室内人员、照明及设备的热扰强度等16项影响能耗的参数,进行了40组全年逐时能耗模拟运算,获得了办公建筑全年逐时能耗模拟结果。建筑总能耗最小值为85.19kWh/(m~2·a),最大值为92.67kWh/(m~2·a),空调能耗、照明能耗及设备能耗分别占比为24%,44%和16%。随后,作者运用MATLAB软件中的Neural Networks预测编程工具箱,构建了Back-ProPagation Neural Network建筑能耗预测模型。依据能耗预测网络中输入层、隐含层及输出层的具体情况,确定网络结构为16—4—1。之后设定网络的运算次数epochs、预期精度goal、学习目标lr等各项属性,运行网络使其性能达到最佳。再将DeST-c模拟计算的40组能耗基础数组输入到网络中进行学习训练,训练完成后实现对基础数组中的10组典型数组的能耗预测。经过能耗模拟计算和预测后,分别对模拟结果进行了分析,分析发现,利用DeST-c模拟的40组数据中,有近55%的数据符合山东省《机关办公建筑能耗限额标准》。并将预测的10组能耗值与原数据进行比对分析,相对误差最小值为0.4%,最大值为4.4%,基本相对误差值在2%左右。从理论上验证了在预测建筑全年能耗方面,神经网络是一种可靠的工具方法。最后,选取了10栋实际办公建筑,对办公建筑的全年建筑能耗值及其围护结构热工性能参数值进行了统计汇总,并计算得出各栋建筑的单位建筑能耗。进而,利用BP神经网络程序对10栋实际建筑进行能耗预测,预测能耗值分别为:98.4512 kWh/(a·m~2),88.4231 kWh/(a·m~2),100.4339 kWh/(a·m~2),90.4512 kWh/(a·m~2),78.9982 kWh/(a·m~2),88.4548 kWh/(a·m~2),86.4379 kWh/(a·m~2),88.4336 kWh/(a·m~2),98.4113 kWh/(a·m~2),85.3907 kWh/(a·m~2)。随之将预测值与实测值进行比对分析,结果表明,两者比较吻合。这进一步验证了BP神经网络在建筑能耗预测方面的可行性。本文基于神经网络算法对山东省办公建筑能耗预测问题进行了研究,从理论和实例两方面,研究了这种预测算法的可行性。这不仅为办公建筑能耗预测提供了一种新的方法,同时也为后期公共建筑能耗相关标准的修订奠定了良好的基础。