随着建筑总量的持续增长 ,建筑用能也不断升高 。 2015 年建筑运行的总商品能耗 ( 以标准煤计 ) 为 8.64 亿 t , 约占全国能源消耗总量的 20 % 。 因此 ,如何在保证人们建筑使用需求的同时 , 控制建筑用能的增长 , 实现新建建筑的节能设计 , 具有非常重要的意义 。
一些学者在研究中强调了建筑设计初期决策的重要性 。而由于计算过程耗时长 , 详细的动态能耗模拟软件 , 如 EnergyPlus , eQUEST , TRNSYS , ESP-r , IES , DeST 等并不适用于设计初期 。 近年来 , 结合建筑能耗预测方法和优化算法在设计初期进行方案节能优化成为研究热点 。 优化过程中会生成大量的备选方案 , 这些方案需要被一一计算 , 从而为优化指出准确方向 , 这对建筑能耗预测方法的计算速度提出了更高的要求 。 因此 , 有必要选择一种在设计初期就能快速准确计算建筑能耗的方法 。
最早的建筑能耗计算始于 20世纪 70 年代能源危机时 , 建筑能耗简化计算方法也正是从这个时候开始发展的 。 20 世纪 80 年代中期 , 有研究人员使用统计学方法来预测商业建筑能耗 , 目前最主要的统计学方法是多元回归方法 。 20 世纪 90 年代初期 , 随着人工智能的发展 , 开始有研究人员使用改进的学习算法来预测商业建筑能耗 , 目前最有代表性的人工智能方法是人工神经网络模型 。 21 世纪 , 随着硬件技术的飞速发展 , 研究人员可以通过增加计算资源的方式加快计算速度 , 云计算的出现 , 使得这种方法被越来越多地采用 。
本文对上述 4种建筑方案能耗快速预测方法 ( 工程简化算法 、 统计学方法 —— 多元回归方法、 人工智能方法—— 人工神经网络模型和并行计算方法) 在设计阶段的应用进行研究综述, 从预测精度 、 方法适用情况 、 方法局限性等方面进行总结 , 为建筑方案能耗快速预测方法的选择提供参考 , 为方法在未来的改进指出方向 。
1.1 工程简化算法
1.1.1 传统的简化算法
传统的建筑能耗简化计算方法基于热力学第一定律 ,通过围护结构热工性能 、 室外空气状态和室内控制参数来计算室内外的热量交换 。 主要包括度日法 、 当量满负荷运行法 、 有效传热系数法和温频法 。 刘大龙等人的综述中还提到了一些学者对上述方法的完善和改进 , 包括 : 杨善勤对有效传热系数法的研究 , 李力和苏芬仙等人对温频法的研究 。 Al-Homoud 综述了度日法和温频法 , 指出 : 由于在度日法中 , 基于围护结构的能耗占主导地位 , 因此不适用于以内部负荷为主导的建筑或者冷负荷不依赖于室内外温差的建筑的能耗预测 ; 而温频法可用于以内部负荷为主导、 或者冷负荷不线性依赖于室内外温差的大型建筑的能耗预测 。在基于温度的度日法的基础上 , Shin 等人提出了一种基于比焓的制冷度日数 ( 以下简称 CDD ) 方法 , 分析结果显示 , 基于比焓的 CDD 方法的误差比基于温度的 CDD 方法的误差小约 2 % 。
曾剑龙提出了建筑围护结构稳态传热计算方法 。夏春海 、 周潇儒 、 余琼基于曾剑龙的研究对建筑围护结构稳态传热计算方法进行了一系列持续的改进研究 。 这种方法从本质上也属于传统的建筑能耗简化计算方法 。 周潇儒从 4 个方面对基础模型进行修正 , 提出了建筑围护结构供热 / 供冷负荷模型 , 并验证了模型的准确性 。
ISO 13790 :2008 提供了 3 种不同复杂程度的建筑热性能和能量性能设计与评估的计算方法 : 逐月稳态计算方法 、 简单的逐时动态计算方法 、 详细的动态模拟方法 。 其中 , 逐月稳态计算方法是在室内外温差传热计算的基础上使用热增益和热损失利用因子进行修正的方法 。 一些研究人员基于 ISO 13790 : 2008 进行了研究 。 ISO 13790 : 2008 提供的计算方法的优点是 : 1 ) 输入量简单 、 数量少 ; 2 ) 定义明确 , 计算规则透明 ; 3 ) 输入量和输出量之间的相关性直观 、 容易识别 。 但是缺点在于 : 依据建筑的类型和热惯性 , 可能会产生较大的计算偏差 。 这种缺点使得该方法的应用范畴受到了一些限制 。
1.1.2 简化气象数据方法
一些研究人员通过简化气象数据来预测建筑能耗 :White 等人使用月平均温度来预测建筑能耗 ; 该方法不需要复杂的输入 , 准确度比度日法和温频法更高 , 适用于校园 、 大型商业建筑或住宅的能耗预测 。 Westphal 等人提出了一种基于简化气象数据分析非居住建筑负荷的方法 , 气象数据包括月平均最高和最低温度 、 大气压力 、 云层和相对湿度 , 每个月使用 2 个典型日的气象数据来估计空调和供暖负荷 ; 该方法在轻质围护结构的情况下预测效果良好 , 但在围护结构的热惯性会影响到全年负荷的情况下有局限性 。
1.1.3 简化建筑热模型方法
Wang 等人提出了一种简化建筑热模型并给出了确定简化模型参数的方法。 对于建筑围护结构 , 可以使用频率特性分析来确定模型参数 。 但对于建筑内部构件 , 很难获得详细的物理性质 。 为了克服这个问题 , 建筑内部质量用集中热质量的热网表示 , 并且使用运行数据来确定参数 。 在不同的真实商业办公楼中进行了测试 , 测试结果表明 , 简化的建筑能耗模型可以稳定 、 准确地预测建筑的动态热性能 , 模型预测的冷负荷与实际测量的冷负荷之间的平均误差约为 10 % 。
1.1.4 其他方法
夏春海等人对方案设计阶段的建筑性能模拟方法进行了综述 。在建筑单体热模拟中提到了 2 种方法 : Baker 等人开发的用于建筑热模拟的 LT Method 3.0 , 在该方法中 , 将建筑内部空间划分成主动空间和被动空间 , 并使用 ESP-r 进行了验证 ; Urban 等人开发的在线模拟工具 MIT design advisor , 可以对单个房间的能耗 、 舒适性 、 自然通风 、 采光 、 全寿命周期成本进行快速计算 , 还可以对建筑进行优化 。
1.2 统计学方法——多元回归方法
建筑能耗预测的统计学方法是基于建筑能耗数据集 ,通过回归方法将建筑能耗和建筑参数关联起来的一种方法 。 这里以应用最广泛的多元回归方法为主体进行综述 。
在使用多元回归方法进行建筑方案能耗预测的研究中 ,输入变量以建筑形体参数 、 围护结构属性为主 。 表 1 总结了使用多元回归方法进行建筑方案能耗预测的研究 。 案例类型多样 , 有单户住宅 , 有实验设计的标准矩形建筑 , 有常规形状的建筑 。 研究所应用的阶段基本上是建筑方案设计初期 。 2012 年之前的 2 项研究所使用的回归模型是多元多项式回归模型 , 而近年来的研究均为多元线性回归模型 。 描述建筑形体的参数主要为建筑体形系数 、 长宽比 、 朝向 、 建筑面积 、 楼层数等 。 由表 1 可以看出 , 不同研究预测误差相差悬殊 , 输入变量数量越多 、 对方案的描述越细致, 预测误差越小。
1.3 人工智能方法——人工神经网络模型
人工神经网络模型是建筑能耗预测中应用最广泛的人工智能模型 ,它的优势在于能够解决变量之间的非线性关系 , 在预测能耗方面比传统模拟方法和回归方法具有更高的精度 , 在建筑领域有非常好的应用潜力 。 Melo 等人开发了商业建筑的年空调能耗预测模型 , 研究测试了 6 种技术 —— 多元线性回归 、 多元自适应样条回归 、 支持向量机 、 高斯过程 、 随机森林和人工神经网络 , 分析了建筑能耗模拟结果之间的差异 , 结果表明人工神经网络模型的预测结果最佳 。
使用人工神经网络模型进行建筑方案能耗预测的研究中 ,输入变量主要以围护结构参数为主 。 表 2 总结了 5 篇针对方案阶段进行能耗预测的研究 。所使用的人工神经网络模型基本上为反向传播神经网络模型 。案例来源和规模差异较大 ,有标准的矩形建筑 ,有典型的居住建筑 ,还有大量的真实居住建筑 。获取训练数据集的方式主要是使用模拟软件进行计算 。在建筑形体的描述方面 ,和多元回归方法类似 ,大部分的研究对象为标准的矩形建筑 ,只有 Turhan等人的研究对象不局限于矩形建筑 ,但是其输入变量的描述方式相对宏观 ,没有深入到具体的建筑形体层面 。在预测误差方面 ,和多元回归方法相比 ,人工神经网络模型具有更高的准确性 。
1.4 并行计算方法
这类方法的本质是通过增加计算资源缩短模拟时间 ,同时保证原有的计算信息量和精度 。 由于以前个人计算机的限制 , 这方面并没有得到足够的重视 , 随着目前个人计算机并行计算硬件架构的完善和云计算的出现 ,这种方式被更多的采用 。
1.4.1 EnergyPlus的并行加速方法
Zhang 开发的JEplus 采用EnergyPlus 作为能耗模拟内核, 用于参数化分析, 便于用户探索不同的建筑设计方案之间的差异性, 参数化分析要求对多个参数的多个值的组合进行枚举计算, 有并行计算的要求, 因此提出了一种替换EnergyPlus 模拟参数的并行计算方法, 可以对其中的RunPeriod 参数进行替换, 该参数默认值是1 月1 日到12 月31 日, 可以将这个范围切分成更小的多个时间区间, 同时进行逐时能耗计算。 Garg等人采用 RunPeriod切分并行的方式 ,将全年模拟切分成 12个月的逐月模拟 ,计算速度可以提升为原来的 6倍左右 ,且误差不超过 1.7% 。
1.4.2 用于参数分析的并行加速方法
Tian 对建筑能耗预测模型的敏感度分析方法进行了总结, 敏感度分析需要同时计算大量的建筑模型案例, 因此经常会应用并行方法进行案例计算; 总结了2 种常用的并行计算模式, 一种是在拥有多个处理器和内核的单个计算机上进行计算, 另一种是在多台计算机组成的集群上进行计算。 Tian等人采用由 200台计算机组成的 PlymGrid集群同时进行 2 400个 EnergyPlus模拟计算 ,用于分析气候变化对校园建筑的影响 ,耗时 1 d, 如果采用正常的办公计算机进行计算, 需要耗时1 个多月。
Agdas 等人利用分布式高性能计算集群, 通过修改EnergyPlus 的关键参数, 采用5 种不同的窗户传热系数、 11个不同的设备功率密度水平 、5 个时间段, 共组成275 个能耗模拟案例, 在分布式集群上同时进行这些案例的模拟, 计算得到不同参数组合对应的建筑能耗值, 为实现动态的建筑性能反馈和接近实时的设计决策提供支持。 Hygh等人采用由 11个节点 、88 个处理器组成的Linux 集群计算20 000 个EnergyPlus 模型, 对美国4 个地区的供暖、 空调和整体建筑负荷进行参数化处理。 Eisenhower等人采用由 184个处理器组成的 Linux集群同时调用 5 000个 EnergyPlus模型进行了计算 。
1.4.3 其他方法
Zhao 等人采用支持向量机( SVM) 方法挖掘大量的建筑能耗历史数据, 训练得到建筑能耗预测模型, 由于建筑是一个多参数的系统, 因此SVM 的规模比较大, 学习时间成本比较高, 因此采用了并行的方法进行SVM 模型的回归, 随着学习数据集的增大, 采用并行思路的优势变得更加明显, 预测结果更加准确。
Radosevic 等人提出了一个分布式的多种建筑性能耦合模拟的策略, 由于不同模拟软件的模拟速度不一致, 它们之间的数据交换经常会有延迟, 因此提出了分布式并行的方法, 同时启动多种性能模拟, 采用并行加速, 以此来克服这个问题, 使得耦合后的系统运行更平稳。
在建筑方案阶段 ,设计师和节能工程师通常会对多个建筑方案进行节能分析 。详细的节能分析具有较高的时间成本 ,所以预测速度快是建筑方案能耗快速预测方法的首要要求 ;第二 ,能耗预测方法必须能够正确地反映出设计变动带来的能耗变动趋势 ,才能引导节能优化向着正确的方向进行 ;第三 ,由于建筑方案阶段需要对多个方案进行分析比较 ,有一定的硬件成本 ,所以建筑能耗预测需要量力而行 ,在计算资源丰富的情况下 ,可以考虑使用更多的计算资源以达到更高的计算精度 。所以本章从计算速度 、计算精度 、计算资源消耗等方面对 4种建筑方案能耗快速预测方法进行比较 ,如表 3所示 。
在输入参数来源方面 ,不同能耗预测方法的输入参数类型基本一致 ,都是与建筑方案设计相关的形体参数 、热工参数 、使用作息 、系统设定等等 ,区别在于输入参数的详细程度会依据计算方法的详细或简化而有所不同 ;在统计学方法和人工智能方法中 ,有些研究会预先对输入参数进行相关性分析 ,保留对能耗影响大的参数 ,剔除对能耗影响小的参数 ,再进行模型训练和校核 。
关于模型训练与校核的方法和数据来源方面 ,只有统计学方法和人工智能方法需要依据大量的数据集进行训练与校核 。数据来源通常有模拟计算和实际测试 2种渠道 ,其中实际测试的数据由于纳入了建筑实际运营中很多非理想的因素 ,更适用于某个特定建筑的运营管理 ,模拟计算的数据更适用于方案阶段的能耗预测 。在训练和校核方法方面 ,通常是将数据集分成训练集和测试集 ,用训练集得到能耗预测模型 ,再用测试集进行模型准确性验证 ;也有一些研究将训练集分成更多的组 ,进行多次交叉验证 。
1) 工程简化算法。 建筑能耗的简化预测模型有多种, 如: 传统的简化算法( 度日法、 当量满负荷运行法、 有效传热系数法、 温频法)、 简化气象数据方法、 简化热模型方法等。 工程简化模型的优势在于输入量少, 计算速度快, 虽然计算的准确性和详细的工程模型相比有一定差距, 但能够帮助用户了解建筑的能耗趋势, 适用于设计初期。 刘大龙等人综述指出, 简化算法只分析孤立的建筑元素, 假设每个建筑元素独立对空间环境起作用, 相互间没有影响。 事实上围护结构、 空调系统、 室内设备等所有组成建筑的诸多元素之间的相互关系, 在很大程度上会影响建筑能耗。 此外, 简化算法基于很多假设, 对很多复杂的条件进行了简化, 这也会给计算带来偏差。
2) 多元回归方法。 多元回归方法是基于大量的建筑能耗历史数据, 回归得到能耗关于输入变量的计算公式, 应用于方案阶段的能耗预测。 输入变量主要包括2 类: 建筑形体参数和围护结构属性。 多元回归方法的准确性随着方案描述详细程度的升高而升高 , 它的优势在于计算速度快, 但是缺点在于, 它是一种数据驱动方法, 必须使用大量的数据训练得到。 与工程模型相比, 它受限于数据集本身的特性, 因此普适性较差。
3) 人工神经网络模型。 人工神经网络模型的优势在于, 它能够捕捉变量之间的非线性关系, 在研究中得到了广泛的应用。 Zhao等人对建筑能耗预测方法进行了综述 ,Pombeiro 等人比较了线性回归、 模糊理论和人工神经网络3 种方法。 这些文献中都提到了人工神经网络模型的这种优势。 如果人工神经网络模型与优化算法相结合, 可以实现更高的性能。 但是人工神经网络模型和多元回归方法的共同劣势在于, 它们需要大量的历史数据作为训练数据集, 且二者都无法对复杂的建筑形体进行准确的描述, 无法对复杂方案的能耗进行准确预测。
4) 并行计算方法。 并行计算方法的本质是一种空间换时间的做法, 通过增加计算资源从而缩短整体计算时间, 其优点在于能够不改变原有模拟计算的内核所具有的特征 , 同时能够加快计算速度 ,随着云计算和分布式并行计算技术的成熟 ,这种方法的前景越来越广阔 。目前 ,该方法主要应用于能耗模拟的加速 ,特别是 EnergyPlus模拟 ,同时在敏感度分析和参数分析方面应用得比较多 。它的弱点是对计算资源的依赖性太强 ,一般的个人计算机不具备足够的并行计算能力 。
本文综述了 4种建筑方案能耗快速预测方法 :工程简化算法 、统计学方法中的多元回归方法 、人工智能方法中的人工神经网络模型和并行计算方法 ,从方法精度 、方法速度和适用范围 3个方面对 4种方法进行了总结 。
方法精度: 工程简化算法对很多复杂条件进行了简化, 在简化的过程中必然有一定程度的准确性损失。 统计学方法和人工智能方法的精度取决于数据集的质量 、 规模, 变量选择是否科学, 等等。 数据集的规模足够、 质量越高, 变量选择越合理, 统计学方法和人工智能方法的预测精度就越高 。 人工智能方法相对于统计学方法的优势在于 , 它能够捕捉变量之间的非线性关系 , 因此其预测精度优于统计学方法 。 并行计算方法通过增加计算资源来进行详细的模拟计算 。 总体来说 , 预测精度由低到高的顺序为 : 工程简化算法 , 统计学方法 , 人工智能方法 , 并行计算方法 。
方法速度: 如果只关注计算过程, 由于统计学方法和人工智能方法的计算相当于使用经验公式 , 那么在方法速度方面, 工程简化算法、 统计学方法和人工智能方法差别不大。 由于统计学方法和人工智能方法的应用需要先基于数据集获取计算模型 , 如果考虑这一部分耗时 , 则会比工程简化算法耗时长 。 并行计算方法的耗时取决于需要运行的算法本身的计算速度以及可用硬件资源的多少 。
适用范围: 工程简化算法虽然预测精度较低, 但是速度快, 因此适用于建筑设计初期, 因为在这个阶段, 只需要了解方案性能的变化趋势就够了。 统计学方法和人工智能方法需要依靠大量的历史数据 , 数据集本身的属性会使模型的应用存在局限性 , 例如应用的气候区 、 建筑类型 、 系统形式等等 。 而且这 2 种方法无法对复杂建筑形体进行精确描述 。 因此 , 统计学方法和人工智能方法更适用于某一特定地区 、 某一特定建筑类型且建筑形体相对简单的情况 。 并行计算方法通过增加计算资源来实现加速 , 能够应对输入变量多 、 算法复杂 、 计算耗时的情况 , 因此适用于计算资源丰富 、 对计算精度要求较高的情况 。 综上所述 , 在计算资源不丰富 、 对计算精度要求不高的情况下 , 可首选工程简化算法进行能耗预测 ; 在本身已经具备大量的建筑方案能耗历史数据的情况下 , 可以选择统计学方法和人工智能方法进行能耗预测 ; 而在具备丰富的计算资源 、 对计算精度有更高要求的情况下 , 可以选择并行计算方法进行方案阶段能耗预 测。