基于数据的建筑能耗分析与建模_刘丹丹
绿色建筑设计中的建筑能源消耗模型与优化算法
绿色建筑设计中的建筑能源消耗模型与优化算法建筑能源消耗一直是绿色建筑设计中的重要问题之一。
随着环境保护意识的增强和能源资源的日益稀缺，绿色建筑的发展已成为建筑行业的一项重要任务。
而建筑能源消耗模型与优化算法则是实现绿色建筑设计的关键技术之一。
建筑能源消耗模型是一种通过对建筑物进行模拟和分析，预测和优化其能源消耗的方法。
通过模型，设计师可以了解建筑的能源消耗特点，并针对性地进行优化设计。
目前，常用的建筑能源消耗模型包括物理模型、统计模型和仿真模型。
物理模型是基于建筑物的物理特性和能源消耗规律建立的。
通过建筑的结构和材料属性，结合建筑，设计师可以定量分析和评估建筑物的能源消耗。
常见的物理模型包括建筑能耗分析（BEA）和建筑能源模拟（BEM）等。
统计模型则是通过大量数据和统计分析，建立建筑能源消耗的预测模型。
这种模型适用于对建筑物进行能源消耗评估和预测。
统计模型的应用可以帮助设计师制定合理的建筑能源消耗目标和措施，实现绿色建筑设计的优化。
仿真模型是通过计算机模拟建筑物在不同条件下的能源消耗。
它能够考虑到建筑物的材料、结构、设备等多个因素对能源消耗的影响，并通过模拟来优化建筑物的设计和能源利用。
仿真模型可以通过建模软件如EnergyPlus、DesignBuilder等来实现。
除了建筑能源消耗模型，优化算法也是绿色建筑设计不可或缺的一部分。
优化算法可以针对建筑能源消耗模型给出的结果，对建筑设计进行优化和调整。
目前，常用的建筑能源消耗优化算法包括支持向量机（SVM）、遗传算法（GA）、粒子群算法（PSO）等。
支持向量机是一种监督学习算法，在建筑能源消耗优化中，可以通过训练样本来预测建筑物的能源消耗。
设计师可以利用支持向量机算法对建筑进行模型学习，从而找到最佳的能源消耗方案。
遗传算法是一种进化算法，通过模拟自然界的进化过程，对建筑能源消耗进行优化。
遗传算法通过交叉、变异等操作，不断优化建筑能源消耗模型，寻找最优解。
建筑设计中的建筑能耗分析
建筑设计中的建筑能耗分析作为人们居住的最基本场所，建筑的设计和建造对于人类的生活质量和环境保护起着极为重要的作用。
在建筑设计中，建筑能耗分析是一个必不可少的环节，它可以帮助设计师们减少建筑能耗，节约能源，达到环保节能的目的。
本文将从建筑能耗分析的意义、方法和应用示例三个方面进行阐述。
一、建筑能耗分析的意义1. 环保节能建筑能耗分析可以帮助设计师们评估一栋建筑的能耗量，从而能够采取相应的措施减少能源消耗，避免大量的能源浪费。
这有助于减少城市的碳排放和减缓全球气候变化。
2. 节约成本大部分建筑的能源消耗是由空调、照明、供暖和通风这几个方面造成的。
通过建筑能耗分析得出节能方案，不仅可以减少能源消耗，也可以降低业主的运营成本和维护成本。
3. 提高建筑品质建筑能耗分析也是提高建筑品质的重要手段之一。
通过分析，可以了解建筑的能源消耗情况。
在设计建筑时，可以结合实际情况，更好地考虑建筑的通风、采光、遮阳等方面，提高居住的舒适性和质量。
二、建筑能耗分析的方法1. 建筑能耗检测建筑环境中的温度、湿度、光照、噪音等因素都会影响建筑的能耗。
因此，对建筑环境进行检测可以得出实际的能源消耗情况。
例如，在冬季，可以通过对建筑内外的温度进行检测，来判断建筑的散热情况。
2. 建筑朝向和布局分析建筑的朝向和布局会对能源消耗产生影响。
如南北朝向的建筑在冬季可以利用阳光保温，而东西朝向的建筑则不太适合在冬季使用。
同时，建筑的布局也需要进行科学分析，防止建筑内部空气流通不畅等问题。
3. 能耗仿真模拟能耗仿真是一种基于计算机的模拟分析技术，通过对建筑模型进行电脑模拟，以预测建筑的能耗情况。
能耗仿真可以有效地帮助设计师评估建筑的能耗情况，并提出有效的节能方案。
三、建筑能耗分析的应用示例1. 交通枢纽建筑在交通枢纽建筑中，有很多复杂的能源供应、通风、空调等系统。
对于这类建筑，需要进行建筑蒸汽能耗分析，以便有效地评估建筑内各个系统的能耗，进而进行优化调整。
基于数据的建筑能耗分析与建模
基于数据的建筑能耗分析与建模建筑能耗分析与建模是当今可持续发展的关键技术之一，它可以帮助建筑所有者和设计者优化建筑的设计和管理，以达到节能减排的目标。
基于数据的建筑能耗分析与建模是一种利用大数据技术来测量建筑能耗，检测建筑设计中的潜在性能瓶颈，并提出优化建筑设计的技术。
基于数据的建筑能耗分析与建模是通过采集建筑能耗的数据，利用相应的数据分析和建模技术系统，来探讨建筑能耗并提出优化方案。
一般来说，基于数据的建筑能耗分析包括能耗数据采集、建筑系统能耗分析、能耗精细化分析和节能改造优化方案等多个环节。
首先，在进行基于数据的建筑能耗分析前，需要进行能耗数据采集，这是评估建筑能耗的基础步骤，而能耗数据采集一般包括一次能耗清单和周期能耗总量的采集，以及进行系统负荷行为和混合空调能耗的采集。
其次，在进行建筑系统能耗分析时，可以通过大数据技术来进行各系统的能耗比较分析和系统之间的能耗关联分析，从而发现系统能耗潜在性能瓶颈，并在节能改造方案和施工实施管理时提供有效的指导。
第三，在建筑能耗精细化分析方面，也可以采用大数据技术，对建筑能耗模型进行可视化分析，深入了解系统能耗分布，识别建筑能耗中的可优化问题，以及对建筑系统的运行参数要求进行精细分析。
最后，根据建筑能耗的分析结果，可以提出节能改造优化方案，其中可以包括建筑外结构节能优化、建筑内部空调系统改造、动力系统节能优化、照明控制系统等多个方面的节能改造措施，以达到节能减排的目标。
基于数据的建筑能耗分析与建模技术有助于建筑节能，是当前可持续发展的关键技术之一。
基于数据的建筑能耗分析与建模的系统化过程，既可以有效地提高建筑的节能水平，又可以有效地优化建筑的设计和管理，以满足建筑所有者及时节省能耗的要求。
综上所述，基于数据的建筑能耗分析与建模不仅可以帮助建筑所有者降低建筑能耗，同时也可以及时提高建筑设计和管理水平，以便更好地实现可持续发展，为城市社会发展提供重要帮助。
风土环境与建筑形态下湖南省惜字塔建筑文化分析
风土环境与建筑形态下湖南省惜字塔建筑文化分析檀丹丹1，2，刘辉芳1,刘 琳1（1.河北政法职业学院建设工程系，河北石家庄 050000；2.中南大学建筑与艺术学院，湖南长沙 410000）摘要：惜字塔建筑作为明清时期文教建筑的典范，承载着民间“敬惜字纸”文化信仰记忆。
笔者查阅相关史料文献，分析了湖南省惜字塔建筑形态由萌芽至程式化过程的人文性原因;通过实地走访和调研，并尝试从选址、平面、立面、材质与装饰等5个方面探析湖南省现存惜字塔建筑功能性的内在规律；揭示出明清儒家文化尊崇下的湖南省惜字塔的建筑形态与风土环境的内质作用关系，进而为研究承载“慎终追远”的湖湘文教建筑类型提供借鉴。
关键词：明清时期；惜字塔；文教建筑［中图分类号］TU921 ［文献标识码］A DOI：10.19892/ki.csjz.2021.34.38Analysis On the Architecture Culture in Awe of Script Paper Tower in Hunan under the Vernacular Enviroment and Architecture FormTan Dandan1,2, Liu Huifang1, Liu Lin1(1.Department of Construction Engineering, Hebei Vocational College of Politics and Law, Shijiazhuang Hebei 050000, China;2.School of Architecture and Art, Central South University, Changsha Hunan 410000, China)Abstract: As a model of cultural and educational architecture in the Ming and Qing Dynasties, Script Paper Tower carries the folk cultural belief of architecture culture in Awe of Script Paper Tower. Based on relevant historical documents, this paper analyzes the humanistic reasons of the embryonic and stylized process of the architectural form Script Paper Tower in Hunan. Through field investigation and research, this paper tries to analyze the internal laws of the existing Xi-zi pagoda architecture in Hunan from five aspects of site selection, plane, facade, material and decoration. This paper reveals the intrinsic relationship between the architectural form and the local environment of Script Paper Tower in Hunan under the respect of Confucian culture in Ming and Qing Dynasties, and then provides reference significance for the study on Huxiang cultural and educational architectural types bearing the “careful ending and pursuing far”. Key words: Ming and Qing dynasties; awe of script paper tower; educational architecture湖南古代文化发达，地上地下保存有十分丰富的古代文物和近现代文物，是我国不可多得的古建文化荟萃名省，有千年学府——岳麓书院、南国故宫——南岳大庙、三大名楼之一——岳阳楼等。
大数据在绿色建筑中的能源分析和建模研究
大数据在绿色建筑中的能源分析和建模研究绿色建筑是当今建筑行业中的热门话题，随着社会的发展和人们环保意识的增强，越来越多的绿色建筑项目崭露头角。
绿色建筑的核心理念是通过设计、建设和运营过程中的综合性考量，最大限度地降低对环境的影响，提高建筑的资源利用效率，并为用户提供一个健康、舒适的室内环境。
而能源在绿色建筑中扮演着至关重要的角色，大数据技术的应用也为绿色建筑的能源分析和建模提供了新的思路和方法。
绿色建筑的能源分析和建模研究旨在通过收集、处理和分析建筑使用过程中的大量数据，为建筑设计、运营和维护提供科学依据。
大数据技术的引入，使得绿色建筑的能源分析不再局限于传统的建筑能源消耗和效率评估，更能够结合建筑本身的特点和实际使用情况，实现更为精准的能源预测和优化。
通过对建筑能源系统的大数据监测和分析，可以帮助建筑管理员更好地了解建筑能源使用情况，及时发现和解决能源浪费问题，提高建筑的能源利用效率。
大数据在绿色建筑中的应用主要体现在以下几个方面：一是通过传感器网络和自动化系统实现建筑内部能源消耗的实时监测和控制，及时调整建筑设备的运行状态，避免能源浪费。
二是利用大数据技术对建筑能源系统的历史数据进行挖掘和分析，寻找能源消耗的规律和影响因素，为建筑节能改造和设计提供数据支持。
三是通过建立能源模型和仿真平台，模拟建筑在不同条件下的能源使用情况，评估和优化建筑的能源性能。
四是利用大数据技术对建筑周围环境和气候数据进行分析，为建筑能源系统的优化和调整提供参考。
在绿色建筑中，能源分析和建模研究既有利于减少建筑的能源消耗，提高建筑的能源利用效率，也有利于改善建筑环境质量，提升用户的舒适感和健康感。
例如，通过大数据技术对建筑室内温湿度、照明和空气质量等数据的监测和分析，可以根据用户的需求调整建筑设备的运行模式，提供一个更为舒适和健康的室内环境。
同时，能源分析和建模研究也有助于推动建筑能源技术的创新和发展，促进绿色建筑的普及和推广。
基于大数据分析建立建筑物能源消耗的预测模型
基于大数据分析建立建筑物能源消耗的预测模型建筑物能源消耗一直是一个备受关注的话题，随着社会的发展和人们对可持续发展的重视，建筑物的能源消耗问题变得愈发重要。
随着大数据技术的发展和应用，建筑物能源消耗的预测模型也得到了更好的建立和优化。
本文将探讨的相关研究和应用，以期为建筑能源消耗的管理和优化提供更好的参考和指导。
一、建筑物能源消耗的重要性建筑物是能源消耗的重要领域之一，据统计，全球建筑物的能源消耗占到了总能源消耗的40%以上。
建筑物的能源消耗不仅直接影响着人们的生活质量，也对环境和资源的可持续利用产生着重要影响。
因此，建筑物能源消耗的管理和优化是一项重要的任务，也是社会可持续发展的重要组成部分。
二、大数据分析在建筑物能源消耗预测中的应用大数据技术的发展为建筑物能源消耗的预测提供了更好的手段和工具。
通过对建筑物的能源消耗数据进行收集、整理和分析，可以更好地理解建筑物能源消耗的规律和特点，为建筑物能源消耗的预测建立更为准确和可靠的模型。
大数据分析技术可以帮助我们更好地发现建筑物能源消耗的影响因素，优化建筑物能源消耗的管理策略，提高建筑物能源利用的效率。
三、建筑物能源消耗预测模型的建立建筑物能源消耗的预测模型是建筑能源管理和优化的重要工具。
通过对建筑物的能源消耗数据进行分析和建模，可以预测建筑物未来的能源消耗情况，为建筑物的能源管理和优化提供决策支持。
建筑物能源消耗预测模型的建立需要考虑建筑物的特点、能源消耗的影响因素以及大数据分析技术的应用，以确保模型的准确性和可靠性。
四、建筑物能源消耗预测模型的优化建筑物能源消耗预测模型的优化是一个持续改进的过程。
通过对建筑物能源消耗数据的不断收集和分析，可以不断优化建筑物能源消耗预测模型，提高模型的准确性和预测能力。
建筑物能源消耗预测模型的优化需要考虑建筑物的实际情况和能源消耗的变化规律，以确保模型的实用性和有效性。
五、建筑物能源消耗预测模型的应用建筑物能源消耗预测模型的应用可以帮助建筑物管理者和决策者更好地了解建筑物的能源消耗情况，优化建筑物的能源管理策略，提高建筑物的能源利用效率。
建筑节能能耗分析
建筑节能能耗分析背景介绍：随着全球能源资源的日益减少和环境的日益恶化，建筑节能成为了一个全球性的重要问题。
根据统计，建筑节能可以减少能源消耗，降低温室气体排放，保护环境和可持续发展。
因此，对建筑节能能耗进行分析和研究对于实现可持续发展至关重要。
建筑节能能耗分析是对建筑的能源消耗进行详细评估和分析的过程。
这种分析可以为建筑业主、设计师和政策制定者提供重要的数据和信息，以便做出更好的决策，制定更有效的政策和策略，从而实现建筑节能和可持续发展的目标。
1.数据采集：首先需要收集建筑的能源消耗数据，包括电力、燃气、暖通空调系统的能耗数据等。
这些数据可以通过建筑管理系统、能源计量设备和用户问卷等途径来获取。
2.能源流分析：通过能源流分析，可以了解建筑中不同系统和设备之间的能量转换过程。
这可以帮助确定建筑中的能耗热点和潜在的能源浪费问题。
3.能耗模型建立：根据建筑的结构、材料和设备等因素建立能耗模型。
通过模型可以模拟建筑的能源消耗情况，并通过数据对比和分析来识别能源浪费的原因和潜在的改进措施。
4.能源评估：评估建筑能源消耗的关键指标，比如单位面积能耗、能源利用率等。
这些指标可以帮助了解建筑的能源性能和可持续性，并为节能改进提供参考。
5.能源节约措施分析：根据能耗模型和能源评估结果，分析并制定适当的能源节约措施。
这些措施包括改善建筑隔热性能、优化设备运行参数、引入可再生能源等。
1.能够发现和解决能源浪费问题：通过分析建筑的能源消耗情况，可以找出能源的浪费点和潜在的改进措施，进而降低能耗和节约能源。
2.评估建筑的能源性能和可持续性：通过进行能源消耗评估，可以了解建筑的能源性能和可持续性情况。
这有助于建筑业主和设计师在选择建筑材料和设备时做出更有利于节能和可持续发展的决策。
3.指导政策制定：建筑节能能耗分析的结果可以为政策制定者提供重要的数据和信息，以便采取更有效的政策措施来推动建筑节能。
4.促进可持续发展：通过减少能耗和温室气体排放，建筑节能能耗分析可以促进可持续发展，减少环境负荷，维护生态平衡。
基于数据的建筑能耗分析与建模
建筑逐 时照 明能耗数 据 ， 办公 设备 能 耗数 据 以及 办公 人数 ，
同时 调 查 了建 筑 管 理 控 制 方 式 ． 过 分 析 可 知 ， 公 设 备 能 经 办 耗 数 据 与 办 公 人 数线 性 相 关 ， 照 明 能 耗 数 据 与 办 公 人 数 以 而 及 太 阳辐 射 强 度 相 关 ， 为 非 线 性 关 系 ． 据 不 同 类 型 数 据 但 根
归树
ｒ ｇ ｅ ｓｏ ｒ ｅ ｅ ｒ ｓ ｉ ｎ ｔｅ ｓ
中 图 分 类 号 ： Ｋ Ｏ ； Ｐ３ １ Ｔ １ Ｔ １
文献标识 码 ： Ａ
建 筑 能 耗 分 析 是 确 定 合 理 的 节 能策 略 的基 础 ， 是 节 能 降 耗 工 作 的研 究 热点 之一 ， 内外 很 多学 者 国 对 于建 筑 能 耗 分 析 与 建模 方 法 进 行 了深 入 的研 究 ，
３ 日本 二 菱 电机 先 端 技 术 研 究 所 ， ． 三 日本 尼 崎 ６ １ ６ １ ． ６ —８ ６ ；４ 日本 二 菱 电 机 福 山 制 作 所 ７
摘 要 ： 建 筑 能 耗 数 据 进 行 深 入 分 析 ， 出 了 建 立 建 筑 电 力 对 提 能 耗 模 型 的 方 法 ． 先 对 建 筑 能 耗 进 行 了 分 项 计 量 ， 计 了 首 统
ｒ ｇｒ ｓ ｉ ａ ｇ ｒ ｔ ｍ ； ｅ ｅ ｓｏｎ ｌ ｏ ｉｈ ｄ ｉｉｎ ｔｅ ； ｃａ ｓｆｃ ｉｎ ａ ｅｃｓｏ ｒ ｅｓ ｌｓ ｉｉａｔｏ ｎｄ
的特点 ， 分别 建立 了线性 回归模 型 以及 决 策树 模 型． 模 型 该
可 以预 测 建 筑 能 耗 并 评 估 建 筑 管 理 方 式 对 能 耗 的影 响 ． 关 键 词 ： 筑 电 力 能 耗 ；线 性 回归 算 法 ；决 策 树 ；分 类 与 回 建
建筑运行能耗分析方案
建筑运行能耗分析方案建筑运行能耗分析方案是指通过对建筑物的能源消耗进行详细分析，以确定建筑物的运行能耗情况以及存在的问题，并提出相应的调整和改进措施。
本文将从以下几个方面进行阐述。
首先，在进行建筑运行能耗分析之前，需要对建筑物进行全面的调查和记录，包括建筑的结构、建筑材料、设备类型和数量等。
同时，还需要获取建筑物能耗的历史数据，例如每月的用电量、用水量、暖气量等。
这些数据将用于后续的分析和比较。
其次，在进行建筑运行能耗分析时，可以采用能耗分解法。
能耗分解法可以将建筑的总能耗分解为不同的部分，例如空调能耗、照明能耗、设备能耗等，以便更好地了解建筑物的用能情况。
同时，还可以将建筑的能耗与行业标准进行比较，以确定建筑物在能源利用方面存在的问题和改进的空间。
第三，在进行建筑运行能耗分析时，还可以采用能耗统计法。
能耗统计法是通过对建筑的能源消耗进行统计和分析，以确定建筑物的能耗趋势和变化规律，进而判断其能源利用是否合理。
例如，可以分析建筑物的能耗季节差异、用能高峰时段等，以确定能源利用的潜力和瓶颈所在。
第四，在进行建筑运行能耗分析时，还应考虑建筑物的使用情况。
建筑物的使用情况包括人员活动、室内温度和湿度、设备使用时间等。
通过对建筑物的使用情况进行分析，可以更好地理解建筑物能耗的来源和变化规律，并提出相应的调整和改进建议。
最后，在进行建筑运行能耗分析时，需要考虑建筑物的综合性能。
建筑物的综合性能包括建筑的热工性能、隔热性能、采光性能等。
通过对建筑物的综合性能进行分析，可以确定建筑物在能源利用方面存在的问题和改进的方向，并提出相应的调整和改进措施。
综上所述，建筑运行能耗分析方案是一个针对建筑物能源消耗的详细分析过程，通过对建筑物的调查、数据采集和能耗分析，确定建筑物的能源利用情况，并提出相应的调整和改进措施。
通过这一分析过程，可以为建筑物的能源利用优化提供科学依据和指导。
建筑物的能耗模拟与优化设计
建筑物的能耗模拟与优化设计在当今社会，能源消耗问题日益严峻，建筑行业作为能源消耗的大户，其能耗问题备受关注。
建筑物的能耗模拟与优化设计成为了实现建筑节能的重要手段。
通过对建筑物能耗的准确模拟和科学的优化设计，可以有效地降低能源消耗，减少对环境的影响，同时提高建筑的舒适度和使用性能。
建筑物能耗模拟是指利用计算机软件和数学模型，对建筑物在不同气候条件、使用模式和设备运行情况下的能源消耗进行预测和分析。
能耗模拟的基本原理是基于热力学、传热学和流体力学等理论，结合建筑物的几何形状、围护结构材料、设备性能和人员活动等因素，计算建筑物的冷热负荷、照明能耗和设备能耗等。
在进行能耗模拟时，首先需要建立建筑物的模型。
这包括对建筑物的几何形状、朝向、楼层高度、窗户位置和大小等进行详细的描述。
同时，还需要输入建筑物围护结构的材料参数，如墙体、屋顶和窗户的保温性能、传热系数等。
此外，室内设备的功率、运行时间和控制策略，以及人员活动的规律和室内热环境的设定等也是模拟中必不可少的参数。
常用的能耗模拟软件有 EnergyPlus、TRNSYS 和 DOE-2 等。
这些软件具有强大的计算功能和丰富的数据库，可以对各种类型的建筑物进行准确的能耗模拟。
例如，EnergyPlus 可以模拟建筑物的全年能耗，包括采暖、制冷、通风、照明和热水供应等系统的能耗，并能够考虑太阳能、地热能等可再生能源的利用。
TRNSYS 则适用于复杂的系统模拟，如太阳能热水系统、地源热泵系统等。
通过能耗模拟，可以得到建筑物在不同条件下的能源消耗情况，从而发现能耗过高的环节和问题。
例如，模拟结果可能显示建筑物的窗户隔热性能不足，导致夏季制冷负荷过高；或者照明系统的控制不合理，造成能源浪费。
这些问题的发现为优化设计提供了依据。
建筑物的优化设计是在能耗模拟的基础上，通过调整建筑物的设计参数和设备选型，以达到降低能耗的目的。
优化设计的目标可以是最小化能源消耗、最大化能源利用效率或者在满足一定舒适度要求的前提下降低能耗成本。
建筑材料资源的可循环利用分析刘丹
建筑材料资源的可循环利用分析刘丹发布时间：2023-05-14T03:08:22.753Z 来源：《工程建设标准化》2023年5期作者：刘丹[导读] 随着社会经济的快速发展，社会资源耗费速率加速，特别实在是建筑业的发展身份证：43042119931128xxxx 湖北省衡阳县 421299摘要：随着社会经济的快速发展，社会资源耗费速率加速，特别实在是建筑业的发展，其资源耗费较多，导致现环节的资源十分贫乏，仅有高度重视资源的循环系统运用，才可以实现可持续性发展。
就建筑业而言，在工程施工当中重视建筑装饰材料资源的循环系统运用，可以合理推动工程建筑经济效益的提升。
本文关键在论述建筑装饰材料资源可循环系统运用的意义的基本上，进一步深度剖析了建筑装饰材料循环系统运用，并明确提出了建筑装饰材料再运用相关提议，致力于保证建筑业可以获得进一步的发展。
关键字：建筑装饰材料；可循环系统；环保理念前言在社会经济快速发展及其资源极度贫乏的环境下，可循环系统运用材料在工程建筑层面的运用看起来十分关键，可循环系统运用材料市场价钱对比一般的建筑装饰材料，会高出一大截，而且可循环系统运用的材料运用在工程建筑工程项目项目工程施工基本建设当中，其通用性特性较弱。
从资源和电力能源的视角而言，可循环系统运用材料还是具备较多的优势，更为关键的是可以推动工程建筑公司的经济收益的提升，因而，工程建筑公司较为钟爱可循环系统材料的运用。
随着我国基本建设领域的持续发展，大家对建筑业材料的高度重视度逐日升高，与此同时由于资源的贫乏，建筑装饰材料资源的可循环系统运用也被大家运用到了各个行业当中。
1建筑装饰材料循环系统运用与工程建筑的可持续性发展工程建筑是大家生产日常生活定居的地方，而建筑装饰材料更是人们赖以生存生产的物质基本，大家将信息、电力能源和材料界定为当前文明行为发展的三大支撑是有其原因的，随着高新科技的持续发展，以材料为意味着的材料电力能源慢慢被列入新技术性改革的关键标示。
基于大数据分析建立建筑物能源消耗的预测模型
基于大数据分析建立建筑物能源消耗的预测模型建筑物的能源消耗一直是人们关注的焦点之一，随着社会经济的发展和人们生活水平的提高，建筑物对能源的需求也在不断增加。
而建筑物能源消耗的高低直接关系到环境保护和资源利用效率，因此如何有效地预测和管理建筑物能源消耗成为了一个重要课题。
近年来，随着大数据技术在各个领域中的应用不断深化，基于大数据分析来建立建筑物能源消耗的预测模型成为了一种新趋势。
大数据技术是指利用各种技术手段对海量、多样、高维、实时产生或积累的数据进行捕捉、管理、分析和应用。
在建筑领域中，大数据技术可以帮助我们更好地理解和预测建筑物能源消耗情况。
通过对历史数据进行挖掘分析，可以发现不同因素对能源消耗的影响规律；通过实时监测数据进行模型训练和优化，可以实现对未来能源消耗情况的精准预测。
基于大数据分析来建立建筑物能源消耗预测模型需要考虑多个方面因素。
首先是要选择合适的数据来源和采集手段。
通常可以通过传感器监测设备、智能电表等设备采集实时用电量等相关信息；也可以通过历史记录、气象信息等多方面数据进行综合分析。
其次是要选择合适的算法模型进行训练和优化。
常见的算法包括线性回归模型、支持向量机模型、神经网络模型等，在选择算法时需要考虑到其适应性和准确性。
在实际应用中，基于大数据分析来建立建筑物能源消耗预测模型有很多潜在优势。
首先是可以帮助我们更好地理解影响因素之间复杂关系，在提高预测准确度方面具有明显优势；其次是可以帮助我们及时发现异常情况并采取相应措施，在节约资源方面具有显著效果；再次是可以为未来智慧城市发展提供重要支撑，在城市规划与管理方面具有重要意义。
然而，在基于大数据分析来构建预测模型过程中也存在一些挑战与问题需要解决。
首先是如何有效地处理海量复杂多样化来源于各种传感器设备产生出来且格式不统一且存在噪声干扰等问题；其次是如何选择合适算法并加以改进以提高精度及减低误差率问题；再次如何处理好隐私保护与信息共享之间矛盾问题等。
建筑物热力学与能源消耗分析研究
建筑物热力学与能源消耗分析研究近年来，由于环境保护和可持续发展的需求不断提升，建筑物热力学与能源消耗分析研究成为了一个备受关注的话题。
建筑物作为能源的主要消耗者，对能源消耗进行分析研究，不仅可以为建筑的能效改善提供科学依据，还可以减少能源浪费，降低环境污染。
在建筑物热力学与能源消耗分析研究中，一个重要的概念是建筑物的热传导。
建筑物的热传导是指建筑物内外热能的传输过程。
通过对建筑物的热传导进行分析，可以评估建筑物的保温性能，以及建筑物在不同季节和气候条件下的能源消耗情况。
例如，在冬季，如果建筑物的保温性能较差，会导致暖空气逃逸，导致能源的浪费。
而在夏季，如果建筑物的防热性能较差，会导致夏季高温进入室内，增加空调的消耗。
另一个重要的概念是建筑物的热辐射。
建筑物的热辐射是指建筑物在不同温度下辐射能量的过程。
热辐射是建筑物能源消耗的一个重要来源，尤其在夏季。
在建筑物的设计与建造过程中，通过合理设计建筑物的外墙和窗户，可以减少建筑物的热辐射，提高建筑物的节能性能。
此外，在建筑物热力学与能源消耗分析研究中，还需要考虑建筑物的通风和空调系统。
通风和空调系统对能源消耗有着直接的影响。
一个高效的通风和空调系统，可以有效地利用能源，达到节能的目的。
因此，在建筑物热力学分析中，需要详细研究和评估建筑物通风和空调系统的能源消耗情况。
除此之外，建筑物热力学与能源消耗分析研究还需要考虑建筑材料的选择。
不同的建筑材料具有不同的保温性能和热辐射性能。
因此，在设计建筑物时，需要选择合适的建筑材料，以提高建筑物的能效性能，减少能源的消耗。
最后，建筑物热力学与能源消耗分析研究还需要综合考虑建筑物的使用行为。
建筑物的使用行为对能源消耗有着直接的影响。
例如，如果建筑物的使用者在使用过程中频繁打开窗户，会导致室内外温度交换，增加空调的负荷，进而增加能源的消耗。
因此，在研究建筑物的能源消耗时，还需要考虑到使用者的行为，通过教育和宣传引导使用者合理使用建筑设备，减少能源的浪费。
使用CAD软件进行建筑物能源分析和优化
使用CAD软件进行建筑物能源分析和优化在如今日益关注可持续发展和能源效率的社会背景下，建筑物的能源分析和优化显得尤为重要。
为了实现建筑物的节能和提高能源利用效率，使用CAD软件进行能源分析和优化已经成为一种常见的做法。
本文将介绍CAD软件在建筑物能源分析与优化中的应用，同时探讨其优势和挑战。
1. CAD软件在建筑物能源分析中的应用CAD软件可以通过建筑物的数字模型进行能源分析，提供有效的数据支持和决策依据。
首先，CAD软件可以准确地计算建筑物的能源需求，包括供暖、通风、照明等方面。
通过对建筑物的细节进行建模和分析，可以精确评估能源消耗的情况，并找出存在的问题和改进的空间。
其次，CAD软件还可以模拟建筑物的能源系统运行情况。
通过建立能源系统的数字模型，可以模拟不同参数下的运行效果，评估能耗情况，并找到最佳的能源管理策略。
CAD软件可以分析和优化建筑物的能源供应和分配方式，提高能源利用效率，减少能源消耗。
2. CAD软件在建筑物能源优化中的应用除了能源分析外，CAD软件还可以进行建筑物的能源优化。
通过对建筑物数字模型进行优化设计，可以在不影响建筑结构和正常使用的情况下，提高建筑物的能源效率和可持续性。
首先，CAD软件可以通过优化建筑外观和结构设计，最大限度地减少能源损耗。
例如，利用CAD软件进行热桥分析，可以发现和解决导致能量流失的结构问题。
此外，通过CAD软件模拟不同建筑外观和材料的热效应，可以选择最合适的设计方案，降低建筑物的能源需求。
其次，CAD软件还可以指导建筑物的能源系统设计和优化。
通过对建筑物数字模型进行能源系统的仿真和优化，可以提高系统的效率和可靠性。
CAD软件可以模拟不同能源系统的运行效果，比如太阳能热水系统、地源热泵系统等，并找出最佳的设计方案，实现建筑物能源的最大化利用。
3. CAD软件应用的优势使用CAD软件进行建筑物能源分析和优化具有多个优势。
首先，CAD软件可以提供准确的数据分析和评估，为决策提供科学依据。
浅谈住宅的节能设计
浅谈住宅的节能设计
李巍;刘丹丹;高鹏
【期刊名称】《科技信息（学术版）》
【年(卷),期】2011(000)014
【摘要】本文论述了住宅节能的意义,对住宅建筑外围护结构的节能构造设计进行了介绍,希望对设计师能有所借鉴。
【总页数】1页(P65-65)
【作者】李巍;刘丹丹;高鹏
【作者单位】沈阳满融经济区管理委员会;沈阳满融经济区管理委员会;沈阳满融经济区管理委员会
【正文语种】中文
【中图分类】TU241
【相关文献】
1.经济型住宅的节能设计研究--以夏热冬暖地区经济型住宅节能设计为例 [J], 李丹俊
2.浅谈建筑住宅节能设计的主要问题 [J], 杨亚鲁
3.非住宅类居住建筑建筑专业节能设计方法浅谈 [J], 王廷吉
4.浅谈住宅节能设计—节能设计在98住宅中的应用 [J], 李长城
5.浅谈建筑住宅节能设计的主要问题 [J], 杨亚鲁;
因版权原因，仅展示原文概要，查看原文内容请购买。
建筑给排水节能节水技术探讨 刘丹丹
建筑给排水节能节水技术探讨刘丹丹摘要：现如今，随着我国经济的不断发展，使得社会上各种资源需求也在不断的提高，水资源作为人们日常生活中不可缺少的重要资源之一，如何进行有效的节能节水是人们目前关注的重点。
建筑行业作为消费水资源较大的行业，如何保证建筑工程中给排水节能节水的应用，从而避免对水资源的浪费，使得建筑行业绿色、节能的可持续发展。
关键词：建筑给排水；节能节水技术引言随着城市规模的不断扩大，建筑工程项目也日渐增多。
在建筑工程施工过程中，引入绿色节能概念，可以有效的降低工程的资源消耗，推动建筑企业的可持续发展。
尤其是在给排水施工过程中，采用节能节水技术，不仅可以提升水资源的循环利用，提高水资源的利用率，而且保障了建筑工程的生态化发展。
因此，研究建筑给排水节能节水技术具有重要的现实意义。
1节能节水技术在建筑给排水中应用的必要性1.1应用节能节水技术是推动经济发展的需要水资源作为人们日常生活中的重要资源，直接影响着人们的生活水平，而我国是一个较为典型的缺水国家，这不仅对我国社会经济发展造成一定的影响，还会使人们的生活产生困扰。
尤其是对于社会经济发展较快的东部城市及一些农业活动较为频繁的地区，水资源的匮乏都会对其产生非常严重的影响。
由于经济发展与水资源有着十分密切的联系，所以加强建筑给排水节能节水技术的应用非常重要，建筑行业作为我国经济发展的重要支持行业，在建筑施工中消耗的水资源非常惊人，因此在建筑工程中加强节能节水技术的应用显得十分必要，将会对我国社会经济的发展产生非常有利的影响。
1.2应用节能节水技术是保护环境的需要随着社会经济的发展，城市内多种工业行业的发展也在不断提高，这也会给水资源造成严重的污染，使得人们的生活水平受到严重的影响。
建筑行业作为各种资源消耗都非常大的行业，在建筑施工过程中不仅会制造较多的施工废弃物，还会对我国环境产生一定的影响，其中对于水资源的污染最为直接。
因此，建筑行业在进行建设施工中加强给排水节能节水技术的应用，不仅能够提高水资源的利用率，还能够减少对环境的污染，从而使得我国生态环境得到有效的保护。
基于数据的建筑能耗分析与建模_刘丹丹
第38卷第12期2010年12月同济大学学报(自然科学版)JO URNAL OF TON GJI UNIVERSITY(NATURAL SCIEN CE)Vol.38No .12 Dec.2010文章编号:0253-374X(2010)12-1841-05DO I :10.3969/j.issn.0253-374x.2010.12.025收稿日期:2010-03-20基金项目:上海市重点学科建设基金资助项目(B004);科技部国际科技合作资助项目(2009DFA12520);上海市科委国际合作资助项目(10160704500)作者简介:刘丹丹(1980-),女,博士生,主要研究方向为能耗建模与分析.E -m ail:2009lddlala@陈启军(1966-),男,教授,工学博士,博士生导师,主要研究方向为机器人与智能系统.E -mail:qjch en@基于数据的建筑能耗分析与建模刘丹丹1,2,陈启军1,森一之3,木田幸夫4(1.同济大学电子信息工程学院,上海201804; 2.上海电力学院计算机与信息工程学院,上海200090;3.日本三菱电机先端技术研究所,日本尼崎661-8661; 4.日本三菱电机福山制作所,日本福山720-8647)摘要:对建筑能耗数据进行深入分析,提出了建立建筑电力能耗模型的方法.首先对建筑能耗进行了分项计量,统计了建筑逐时照明能耗数据,办公设备能耗数据以及办公人数,同时调查了建筑管理控制方式.经过分析可知,办公设备能耗数据与办公人数线性相关,而照明能耗数据与办公人数以及太阳辐射强度相关,但为非线性关系.根据不同类型数据的特点,分别建立了线性回归模型以及决策树模型.该模型可以预测建筑能耗并评估建筑管理方式对能耗的影响.关键词:建筑电力能耗;线性回归算法;决策树;分类与回归树中图分类号:T K 01;T P 311文献标识码:AData -based Analysis and Modeling of Building Electricity Energy ConsumptionLIU Dandan1,2,CH EN Qijun 1,Mor i Kazuyuki 3,Kida Yukio4(1.C ollege of Ele ctro nics and Informatio n,T o ngji Unive rsity ,Sha nghai 201804,C hina;2.Scho ol o f Computer a nd Informatio n Enginee ring,Sha nghai Unive rsity of E le ctric Power,Shangha i 200090,C hina;3.A dvanc ed T e chnolo gy R &D Center,Mitsubishi Ele ctric Corpo ra tion,A ma ga sa ki 661-8661,Ja pan;4.Fukuya ma Wo rks,Mitsubishi Elec tric C orporation,Fukuya ma 720-8647,Ja pan)Abstract :The building electric ity energy consumption m odels were established ba sed on the analysis of building electricity energy c onsumption.Data were c ollected by hours about the office equipment energy c onsumption,lighting energy consumption and number of people.Investigations were made into the building management modes.Based on the c ollected data,a close relationship between equipment electricity energy consumption and number of people was found and the linear regression model was then developed.Lighting energy consumption was found to be related withnumber of people and solar radiation intensity,but the relationship was nonlinea r.A cla ssification model wasdeveloped with the decision tree a lgorithm.With the models,electricity consumption can be predicted hourly and the im pact of building management mode on power demands can be assessed.Key words :building electricity energy consumption;linear regression algorithm;decisiontrees;classification andregression trees建筑能耗分析是确定合理的节能策略的基础,是节能降耗工作的研究热点之一,国内外很多学者对于建筑能耗分析与建模方法进行了深入的研究,这些研究可分为两类.第一类研究[1-4]主要以建筑结构为研究对象,在建筑设计阶段使用建筑能耗逐时模拟软件对于能耗进行预测.模拟软件多以热力学理论为基础,综合考虑影响建筑能耗的多种内扰(人,使用方式等)、外扰(环境)因素,列出热力学方程进行求解,得出建筑在满足人的需求以及达到人体舒适度的情况下所需的能耗.代表性的软件为美国能源部主导开发的DOE -2,Energ yPlus,中国清华大学开发的DeST 软件等.软件模拟的方法在建筑设计阶段起到很大的辅助作用,深入研究了建筑本身的固有特性(如结构、围护等)对能耗的影响.而在建筑使用阶段,由于人对于建筑物的使用方式具有不确定性,导致建筑设计中对能耗的预测分析结果与实际情况有较大区别.而建筑能耗数据包含了建筑在运行阶段的所有信息.研究能耗数据可以了解能耗的产生规律,由此选择合理的建筑管理方案与节能策略.因此第二类同济大学学报(自然科学版)第38卷研究集中在对于能耗数据的分析上.对建筑的能耗数据进行深入研究与调研,使用线性回归算法[5-8],人工智能方法[9-10]或者数据挖掘算法[11]寻找能耗数据与影响因素之间的关系,由此预测与分析建筑能耗.但是这些文献的研究对象一般为一个城市或一个地区的用电量,同时大多以月耗电量或者年耗电量为研究分析对象,对于建筑的逐时耗电量分析几乎没有涉及,因此对于能耗规律的描述过于粗略,不能完全满足短期负荷预测的需要.本文在对能耗数据以及建筑的运行方式深入研究的基础上,提出了基于数据的建筑能耗的建模方法.根据不同类别能耗数据的特点的不同,分别利用线性回归算法以及决策树算法建立了能耗模型.该模型可预测建筑的逐时能耗,预测准确率较高.同时,也可使用能耗模型评估建筑的管理方式对电力消耗的影响.1原理与方法对建筑能耗数据分项计量,不同类型的能耗数据具有不同的特点.因此必须选择不同的算法进行描述.1.1线性回归分析算法回归分析算法是一种很实用的统计分析方法,其基本功能是研究某一变量和其他有关变量之间的依赖关系,能够根据已知信息对其建立数学模型,并利用该模型做出估计或预测.其主要步骤为:¹从一组数据出发确定某些变量之间的定量关系式,即建立数学模型并估计其中的未知参数.估计参数的常用方法是最小二乘法.º对这些关系式的可信程度进行显著性检验.»在许多自变量共同影响着一个因变量的关系中,判断哪个(或哪些)自变量的影响是显著的,哪些自变量的影响是不显著的,将影响显著的自变量选入模型中,而剔除影响不显著的变量.¼利用所求的关系式对某一生产过程进行预测或控制[12].1.2决策树算法决策树是一种从无次序、无规则的样本数据集中推理出决策树表示形式的分类规则方法.分类与回归树(classificatio n and reg ressio n tr ees,CART)算法是一种产生二叉决策树的技术.其利用历史数据中包含的信息建立决策树,也可利用已经建立的规则对数据进行预测.CART决策树算法包括以下三个部分:(1)建立决策树CART算法对每次样本集的划分计算Gini系数,Gini系数越小分裂越合理.假设样本集T中含有m类数据,则:Gini(T)=1-E m i=1p2i(1)其中p i为类别C i在T中出现的概率.若T被划分为T1和T2,则此次划分的Gini系数为Gini(T1,T2)=T1TGini(T1)+T2TGini(T2)(2)对于候选属性集中的每一个属性,CART算法计算该属性上每种可能划分的Gini系数,并找到最小的Gini系数作为该属性上的最佳划分,同时CART算法将比较所有候选属性上最佳划分的Gini 系数,拥有最小划分Gini系数的属性成为最终分类的依据与规则[13].(2)选择最佳决策树CART算法先产生最大的决策树,而后采用交叉验证(cross v alidation)算法对决策树进行剪枝.该方法将训练集分为N份,取第1份作为测试集,其余N-1份作为训练集,经过一次剪枝,得到一棵局部决策树.以此类推,直到整个模型中的N份样本集都做一次测试集为止.(3)利用已经建立的决策树分类新的数据利用已经建立的决策树的分类规则,将新观测的自变量的值分配到各个终端节点上,由此预测因变量的值.2建筑能耗模型的实现2.1数据分析选择一栋办公建筑为实验对象,对该建筑的能耗数据进行了逐时分项测量,同时也调查了建筑内的逐时办公人数以及建筑的管理与控制方式.测量的能耗数据有:办公设备能耗数据以及照明能耗数据.建筑的管理方式有以下几个特点:办公人员的办公时间不固定;照明设备除人为控制开关之外,还随太阳辐射强度的变化而自动调整照度.图1与图2分别为办公设备逐时能耗数据(electricity energy consumption of office equipment, EECO)与办公人数(number of people,PNum)逐时数据在一周之内的时序图.从图中可以看出,这些变量随时间变化的特性比较明显.同时,在人数为零的情况下,办公设备能耗数据并不为零.这也说明某些办1842第12期刘丹丹,等:基于数据的建筑能耗分析与建模公设备在接入电路时,即使在未使用的情况下也会耗电,如笔记本电源等.根据数据特点,将办公设备逐时能耗数据分为/人数为零0时产生的数据以及/人数非零0时产生的数据两部分./人数为零0部分的能耗数据几乎为常数,因此仅分析/人数非零0部分能耗的产生规律.图3描述了该部分数据人数与办公设备能耗的相关关系.从图中可以推断,二者之间的关系为正线性关系.图1 办公设备逐时能耗数据时序图Fig.1 Measured hourly electricity energy consumption ofo ffice equipment overtime图2 办公人数时序图Fig.2 Measured hourly numb er of people o vertime图3 办公人数与办公设备能耗的关系Fig.3 Relatio nsh ip b etween num be r o f p eo p le an d electricitye nergy co ns ump tio n of offic e eq uipm ents图4则表示了逐时照明能耗(lig hting electr icity energy consum ption,EECL)在一周内的变化趋势.根据建筑的管理方式,工作日中午12时将会统一关闭所有照明,但根据需要,用户可重新打开照明设备.图5为逐时照明能耗数据与人数的关系.与办公设备能耗不同的是,人数多少对照明能耗有一定的影响,但当人数值大于某一个值时,其影响变弱,二者之间的关系明显为非线性.同时根据建筑的管理方式可知,照明设备根据太阳辐射强度自动调整照度,而大多数情况下太阳辐射强度在一天之内跟随时间有规律地变化.因此可认为照明能耗数据与时间有关.由此可知,该种类型的能耗数据的影响因素应为办公人数以及时间.图6表示了三者之间的关系.图4 照明逐时能耗数据时序图Fig.4 Measured hourly lighting electricity energyco ns umption overtime图5 照明能耗与人数的关系Fig.5 Relationship between number of people andlighting electricity energy co nsumption图6 照明能耗与时间以及人数之间的关系Fig.6 Relationship among number of people,timeand lighting electricity energy co nsumption2.2 办公设备能耗模型根据上文对办公设备能耗数据的分析,线性回归算法可用以描述该类型的能耗数据.由于其/人数为零0部分的能耗数据几乎为常数,因此选择/人数非零0部分的数据进行研究.选择逐时办公人数为回1843同济大学学报(自然科学版)第38卷归模型的自变量,该线性回归方程可描述如下:E EC O =C 1+A P Num (3)式中:E ECO 代表办公设备逐时能耗,kWh;P N um 代表办公人数;C 1为截距;A 为回归系数.利用最小二乘法计算回归系数,C 1的值为1.459,A 值为0.15.回归系数为正,表示以上根据散点图的推断是正确的.考虑到/人数为零0部分的数据,回归方程可重新描述如下:E E CO =1.459+0.15P Nu m ,P Nu m X 00.2,P Nu m =0(4)线性回归方程不能直接用于实际问题的分析,还须对该方程进行各种统计检验.本例中R 2值为0.883,说明办公设备能耗的88.3%可由自变量来解释.同时,回归模型通过了显著水平为1%的假设检验.而残差分析图(见图7)进一步表明了模型是可靠的.在模型通过各种检验的基础上,利用式(4)即可预测办公设备能耗.图8表示了预测值与实际值之间的差异.图7 办公设备能耗数据残差图Fig.7 Plo t o f studentized resid uals图8 办公设备能耗数据预测值与实际值的对比曲线Fig.8 Comparative curves between estimated resultsand real values o f E E C O采用准确率计算式(5)可进一步计算模型预测的正确率R =1-1nE ni=1e2i @100%(5)式中:R 为正确率;n 为样本中的数据总数;e i 为文献[14]中定义的相对误差.计算结果为预测精度等于93%,表明该能耗模型预测准确度较高.2.3 照明能耗模型根据上文描述的照明能耗数据特征,利用CART 算法建立了自变量为时间与办公人数的决策树模型.以图9为例介绍该决策树模型的建立方法.首先将时间分为两种时段:/10代表太阳辐射强度较弱的时段;/20代表太阳辐射强度较强的时段.将办公人数分为3种类型:较多;中;较少,由此建立决策树.当太阳辐射较弱且人数较多的情况下,照明能耗较高.当太阳辐射较强且人数较少的情况下,照明能耗较低.其余情况下照明能耗为中等水平.图9 一个简单的照明能耗决策树的例子Fig.9 A simp le sample of decision tree for EECL事实上,能耗决策树模型远比图9复杂.其中时间数据为从1到24的整数,分别代表一天24个小时.根据上文描述的CART 算法,该回归与分类树共有8层,包含35个节点,20个终结点.表1显示了20类数据的基本统计特征.该20类数据可描述如下:(1)在类15,22,31,13,29,27,28,32及30中,人数值为0,但时间属性各不相同;(2)在类25,9,35,38,26,37,35及24中,人数较少(小于5人),但时间属性以及电能能耗完全不同;(3)在其余类中,人数值分布在10~45之间,同时,中午12时照明数据被完全分配在数据类12中,从另外一个侧面证明决策树方法分类数据的可靠性.表1 各个终结点数据的统计特征Tab .1 Gain summary fo r nodes序号终结点序号数据数目方差序号终结点序号数据数目方差16178 6.5961113316 1.056221160 5.9367122215 1.00003920 4.66501324100.820042514 4.185********.476951220 3.185********.450063521 2.30951629300.400073811 1.99091727900.212282615 1.46671828900.165693710 1.23001932330.16361015341.05882030100.15001844第12期刘丹丹,等:基于数据的建筑能耗分析与建模用该模型预测能耗数据,并计算模型精度.利用式(5)得到模型的预测精度为87%.采用式(6)也可计算模型的预测精度:R =Eni=1V A i -V E S iV A in @100%(6)式中:V A i 为第i 个测量值;V ES i 为模型的第i 个预测值;n 为样本集中的数据个数.利用该公式计算模型的预测精度为92%.这两种精度计算方法的结果都表明了模型的正确性.而图10体现了预测值与实际值之间的相似程度.图10 照明能耗数据预测值与实际值的对比曲线Fig.10 C omparative curves between es timated resultsand real values of EEC L3 结论与展望本文提出了建筑能耗数据的建模方法.从数据分析可知,办公设备能耗数据与办公人数有较强的线性关系,可使用线性回归算法进行描述,预测精度进一步证明了模型的正确性.而照明能耗数据的分析相对较为复杂,其与办公人数以及太阳辐射强度都具有相关性,并且为非线性的.在这种情况下,可使用决策树模型描述三者之间的关系,预测的结果表明了算法应用的正确性.能耗数据的建模是建筑节能优化的第一步.利用该模型的预测以及分类结果可进一步研究建筑异常能耗的自动检测方法,通过分析异常能耗的产生原因研究建筑节能策略.同时,该模型还可评估建筑的管理模式对能耗的影响,如模拟影响因素在不同的变化规律下的能耗状况,有利于选择更为合理的建筑管理与控制模式,最终达到节能的目的.参考文献:[1] W inkelmann F C.DOE -2BDL summary (Version 21E)[Z].Berkeley:Energy and Environment Division,Lawrence Berkeley National Laboratory,University of California,1993.[2] Law rence Berkeley National Lab oratory,University of Illinois ,Un iversity of Californ ia.Energyplus 1.01manual [Z ].Berkeley:Law rence Berk eley National Laboratory,2002.[3] Craw leya D B,Law rieb L K,Fr ederick C,et al.Energyplus :creating a n ew -generation bu ilding en ergy simulation program [J].E nergy an d Building,2001,33(4):319.[4] Craw leya D B,Law rieb L K,Fr ederick C,et al.Energyplus :new capabilities in a w hole -b uilding energy simu lation program [C]M Seventh International IBPSA Conference.[S.l.]:Rio de Janeiro,2001:13-15.[5] Le Comte D M ,Warren H E.M odeling the impact of su mmertem peratures on n ational electricity consu mption [J ].J ou rnal of Applied M eteorol,1981,20(12):1415.[6] M anis h Ran jan ,J ain V K.M odeling of electrical energycon sumption in Delhi[J].En ergy,1999,24:351.[7] Lam J C,Tang H L,Li H W.Seas on al variations in r esidentialan com mercial s ector electricity consu mption in H on g Kon g[J].E nergy,2008(33):513.[8] M ohamed Z,Bodger P.Forecas tin g electricity cons umption inNew Zealand us ing economic and demographic variables [J ].En ergy,2005(30):1833.[9] Lai T M ,To W M ,Lo W C,et al.M odelin g of electricitycon sumption in the Asian gaming and tou rism center -M acao S AR,People .s Republic of China[J].Energy,2008(33):679.[10] Egolioglu F,M ohamad A A,Guven H.Economic variables an delectricity consum ption in North Cyprus [J].Energy,2001,26:355.[11] 栗然,刘宇,黎静华,等.基于改进决策树算法的日特征负荷预测研究[J].中国电机工程学报,2005,25(23):36.LI Ran,LIU Yu,LI Jinghu a,et al.S tudy on th e daily characteristic load forecas tin g based on the optimiziedalgorithm of decision tree[J].Proceedings of th e CSEE ,2005,25(23):36.[12] 冯力.回归分析方法原理及SPSS 实际操作[M ].北京:中国金融出版社,2004.FENG Li.Regr ess ion analysis meth od and SPSS op eration [M ].Beijing:China Finan cial Publishing H ouse,2004.[13] H an J iaw ei,Kamb er M.Data min ing:con cepts and tech niques[M ].2nd ed.Beijing:China M achin e Pr ess ,2006.[14] 牛东晓,曹树华,赵磊,等.电力负荷预测技术及其应用[M ].北京:中国电力出版社,1998.6-9.NIU Don gx iao,CAO Shu hua,ZH AO Lei,et al.T he meth ods and application of pow er sys tem load forecasting[M ].Beijin g:China Electric Power Pr ess ,1998.6-9.1845。
建筑物能源消耗分析及优化设计
建筑物能源消耗分析及优化设计章节一：引言建筑物是我们生活、工作、学习或休闲的重要场所，也是造成能源消耗的主要场所之一。
据统计，全球的建筑物能源消耗占总能源消耗的40％以上。
而中国是世界上最大的建筑物能耗国家之一，每年的建筑消耗能源已达3000亿千瓦时。
这种规模的能耗不仅带来了巨大的资源浪费，也对环境和人类健康带来了极大的威胁。
因此，如何进行建筑物能源消耗分析及优化设计，已成为当前亟待解决的重要问题。
章节二：建筑物能源消耗分析建筑物能源消耗分析是指对建筑物的能源使用情况进行系统的测量、分析和评估，以了解建筑物能耗的水平、构成和分布，为优化设计提供基础数据和理论依据。
1. 能源消耗测量建筑物能源消耗测量是建筑物能耗分析的基础。
通过将传感器装置在建筑物内，可以测量不同部位的温度、湿度、光照强度等数据，获得室内热电负荷和空调能耗等数据。
同时，还可以通过抽样调查和数据分析的方法，获得建筑物的能耗构成和分布情况。
2. 能源消耗评估能源消耗评估是对建筑物能源消耗情况进行科学分析和评估的过程。
通过数据分析和模拟计算，可获得建筑物的能源消耗水平、结构和特征等信息。
评估结果可以反映建筑物能耗高低和存在的问题，为后续的优化设计提供参考和依据。
章节三：建筑物能源消耗优化设计建筑物能源消耗优化设计是指对建筑物的能源消耗进行综合优化的过程。
该过程包括建筑的整体设计、能源设备的选型以及能源管理等方面。
1. 建筑整体设计建筑整体设计是建筑物能源消耗优化设计的第一步，也是最基本的环节。
在设计过程中，应从建筑的定位、方案、结构、朝向、采光和通风等方面入手，采用节能、环保、智能、便捷等先进技术和设计理念，减少能源消耗，优化建筑体系的性能。
2. 能源设备的选型在建筑物能耗优化设计过程中，应根据不同建筑物的性质和用途，选择适合的能源设备，进行合理的设计和布局。
例如，在空调系统的设计中，应选择高效节能的空调设备，并结合地埋式地暖、太阳能和潜水泵等新技术，实现建筑物的恒温、节能和舒适。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第38卷第12期2010年12月同济大学学报(自然科学版)JO URNAL OF TON GJI UNIVERSITY(NATURAL SCIEN CE)Vol.38No .12 Dec.2010文章编号:0253-374X(2010)12-1841-05DO I :10.3969/j.issn.0253-374x.2010.12.025收稿日期:2010-03-20基金项目:上海市重点学科建设基金资助项目(B004);科技部国际科技合作资助项目(2009DFA12520);上海市科委国际合作资助项目(10160704500)作者简介:刘丹丹(1980-),女,博士生,主要研究方向为能耗建模与分析.E -m ail:2009lddlala@陈启军(1966-),男,教授,工学博士,博士生导师,主要研究方向为机器人与智能系统.E -mail:qjch en@基于数据的建筑能耗分析与建模刘丹丹1,2,陈启军1,森一之3,木田幸夫4(1.同济大学电子信息工程学院,上海201804; 2.上海电力学院计算机与信息工程学院,上海200090;3.日本三菱电机先端技术研究所,日本尼崎661-8661; 4.日本三菱电机福山制作所,日本福山720-8647)摘要:对建筑能耗数据进行深入分析,提出了建立建筑电力能耗模型的方法.首先对建筑能耗进行了分项计量,统计了建筑逐时照明能耗数据,办公设备能耗数据以及办公人数,同时调查了建筑管理控制方式.经过分析可知,办公设备能耗数据与办公人数线性相关,而照明能耗数据与办公人数以及太阳辐射强度相关,但为非线性关系.根据不同类型数据的特点,分别建立了线性回归模型以及决策树模型.该模型可以预测建筑能耗并评估建筑管理方式对能耗的影响.关键词:建筑电力能耗;线性回归算法;决策树;分类与回归树中图分类号:T K 01;T P 311文献标识码:AData -based Analysis and Modeling of Building Electricity Energy ConsumptionLIU Dandan1,2,CH EN Qijun 1,Mor i Kazuyuki 3,Kida Yukio4(1.C ollege of Ele ctro nics and Informatio n,T o ngji Unive rsity ,Sha nghai 201804,C hina;2.Scho ol o f Computer a nd Informatio n Enginee ring,Sha nghai Unive rsity of E le ctric Power,Shangha i 200090,C hina;3.A dvanc ed T e chnolo gy R &D Center,Mitsubishi Ele ctric Corpo ra tion,A ma ga sa ki 661-8661,Ja pan;4.Fukuya ma Wo rks,Mitsubishi Elec tric C orporation,Fukuya ma 720-8647,Ja pan)Abstract :The building electric ity energy consumption m odels were established ba sed on the analysis of building electricity energy c onsumption.Data were c ollected by hours about the office equipment energy c onsumption,lighting energy consumption and number of people.Investigations were made into the building management modes.Based on the c ollected data,a close relationship between equipment electricity energy consumption and number of people was found and the linear regression model was then developed.Lighting energy consumption was found to be related withnumber of people and solar radiation intensity,but the relationship was nonlinea r.A cla ssification model wasdeveloped with the decision tree a lgorithm.With the models,electricity consumption can be predicted hourly and the im pact of building management mode on power demands can be assessed.Key words :building electricity energy consumption;linear regression algorithm;decisiontrees;classification andregression trees建筑能耗分析是确定合理的节能策略的基础,是节能降耗工作的研究热点之一,国内外很多学者对于建筑能耗分析与建模方法进行了深入的研究,这些研究可分为两类.第一类研究[1-4]主要以建筑结构为研究对象,在建筑设计阶段使用建筑能耗逐时模拟软件对于能耗进行预测.模拟软件多以热力学理论为基础,综合考虑影响建筑能耗的多种内扰(人,使用方式等)、外扰(环境)因素,列出热力学方程进行求解,得出建筑在满足人的需求以及达到人体舒适度的情况下所需的能耗.代表性的软件为美国能源部主导开发的DOE -2,Energ yPlus,中国清华大学开发的DeST 软件等.软件模拟的方法在建筑设计阶段起到很大的辅助作用,深入研究了建筑本身的固有特性(如结构、围护等)对能耗的影响.而在建筑使用阶段,由于人对于建筑物的使用方式具有不确定性,导致建筑设计中对能耗的预测分析结果与实际情况有较大区别.而建筑能耗数据包含了建筑在运行阶段的所有信息.研究能耗数据可以了解能耗的产生规律,由此选择合理的建筑管理方案与节能策略.因此第二类同济大学学报(自然科学版)第38卷研究集中在对于能耗数据的分析上.对建筑的能耗数据进行深入研究与调研,使用线性回归算法[5-8],人工智能方法[9-10]或者数据挖掘算法[11]寻找能耗数据与影响因素之间的关系,由此预测与分析建筑能耗.但是这些文献的研究对象一般为一个城市或一个地区的用电量,同时大多以月耗电量或者年耗电量为研究分析对象,对于建筑的逐时耗电量分析几乎没有涉及,因此对于能耗规律的描述过于粗略,不能完全满足短期负荷预测的需要.本文在对能耗数据以及建筑的运行方式深入研究的基础上,提出了基于数据的建筑能耗的建模方法.根据不同类别能耗数据的特点的不同,分别利用线性回归算法以及决策树算法建立了能耗模型.该模型可预测建筑的逐时能耗,预测准确率较高.同时,也可使用能耗模型评估建筑的管理方式对电力消耗的影响.1原理与方法对建筑能耗数据分项计量,不同类型的能耗数据具有不同的特点.因此必须选择不同的算法进行描述.1.1线性回归分析算法回归分析算法是一种很实用的统计分析方法,其基本功能是研究某一变量和其他有关变量之间的依赖关系,能够根据已知信息对其建立数学模型,并利用该模型做出估计或预测.其主要步骤为:¹从一组数据出发确定某些变量之间的定量关系式,即建立数学模型并估计其中的未知参数.估计参数的常用方法是最小二乘法.º对这些关系式的可信程度进行显著性检验.»在许多自变量共同影响着一个因变量的关系中,判断哪个(或哪些)自变量的影响是显著的,哪些自变量的影响是不显著的,将影响显著的自变量选入模型中,而剔除影响不显著的变量.¼利用所求的关系式对某一生产过程进行预测或控制[12].1.2决策树算法决策树是一种从无次序、无规则的样本数据集中推理出决策树表示形式的分类规则方法.分类与回归树(classificatio n and reg ressio n tr ees,CART)算法是一种产生二叉决策树的技术.其利用历史数据中包含的信息建立决策树,也可利用已经建立的规则对数据进行预测.CART决策树算法包括以下三个部分:(1)建立决策树CART算法对每次样本集的划分计算Gini系数,Gini系数越小分裂越合理.假设样本集T中含有m类数据,则:Gini(T)=1-E m i=1p2i(1)其中p i为类别C i在T中出现的概率.若T被划分为T1和T2,则此次划分的Gini系数为Gini(T1,T2)=T1TGini(T1)+T2TGini(T2)(2)对于候选属性集中的每一个属性,CART算法计算该属性上每种可能划分的Gini系数,并找到最小的Gini系数作为该属性上的最佳划分,同时CART算法将比较所有候选属性上最佳划分的Gini 系数,拥有最小划分Gini系数的属性成为最终分类的依据与规则[13].(2)选择最佳决策树CART算法先产生最大的决策树,而后采用交叉验证(cross v alidation)算法对决策树进行剪枝.该方法将训练集分为N份,取第1份作为测试集,其余N-1份作为训练集,经过一次剪枝,得到一棵局部决策树.以此类推,直到整个模型中的N份样本集都做一次测试集为止.(3)利用已经建立的决策树分类新的数据利用已经建立的决策树的分类规则,将新观测的自变量的值分配到各个终端节点上,由此预测因变量的值.2建筑能耗模型的实现2.1数据分析选择一栋办公建筑为实验对象,对该建筑的能耗数据进行了逐时分项测量,同时也调查了建筑内的逐时办公人数以及建筑的管理与控制方式.测量的能耗数据有:办公设备能耗数据以及照明能耗数据.建筑的管理方式有以下几个特点:办公人员的办公时间不固定;照明设备除人为控制开关之外,还随太阳辐射强度的变化而自动调整照度.图1与图2分别为办公设备逐时能耗数据(electricity energy consumption of office equipment, EECO)与办公人数(number of people,PNum)逐时数据在一周之内的时序图.从图中可以看出,这些变量随时间变化的特性比较明显.同时,在人数为零的情况下,办公设备能耗数据并不为零.这也说明某些办1842第12期刘丹丹,等:基于数据的建筑能耗分析与建模公设备在接入电路时,即使在未使用的情况下也会耗电,如笔记本电源等.根据数据特点,将办公设备逐时能耗数据分为/人数为零0时产生的数据以及/人数非零0时产生的数据两部分./人数为零0部分的能耗数据几乎为常数,因此仅分析/人数非零0部分能耗的产生规律.图3描述了该部分数据人数与办公设备能耗的相关关系.从图中可以推断,二者之间的关系为正线性关系.图1 办公设备逐时能耗数据时序图Fig.1 Measured hourly electricity energy consumption ofo ffice equipment overtime图2 办公人数时序图Fig.2 Measured hourly numb er of people o vertime图3 办公人数与办公设备能耗的关系Fig.3 Relatio nsh ip b etween num be r o f p eo p le an d electricitye nergy co ns ump tio n of offic e eq uipm ents图4则表示了逐时照明能耗(lig hting electr icity energy consum ption,EECL)在一周内的变化趋势.根据建筑的管理方式,工作日中午12时将会统一关闭所有照明,但根据需要,用户可重新打开照明设备.图5为逐时照明能耗数据与人数的关系.与办公设备能耗不同的是,人数多少对照明能耗有一定的影响,但当人数值大于某一个值时,其影响变弱,二者之间的关系明显为非线性.同时根据建筑的管理方式可知,照明设备根据太阳辐射强度自动调整照度,而大多数情况下太阳辐射强度在一天之内跟随时间有规律地变化.因此可认为照明能耗数据与时间有关.由此可知,该种类型的能耗数据的影响因素应为办公人数以及时间.图6表示了三者之间的关系.图4 照明逐时能耗数据时序图Fig.4 Measured hourly lighting electricity energyco ns umption overtime图5 照明能耗与人数的关系Fig.5 Relationship between number of people andlighting electricity energy co nsumption图6 照明能耗与时间以及人数之间的关系Fig.6 Relationship among number of people,timeand lighting electricity energy co nsumption2.2 办公设备能耗模型根据上文对办公设备能耗数据的分析,线性回归算法可用以描述该类型的能耗数据.由于其/人数为零0部分的能耗数据几乎为常数,因此选择/人数非零0部分的数据进行研究.选择逐时办公人数为回1843同济大学学报(自然科学版)第38卷归模型的自变量,该线性回归方程可描述如下:E EC O =C 1+A P Num (3)式中:E ECO 代表办公设备逐时能耗,kWh;P N um 代表办公人数;C 1为截距;A 为回归系数.利用最小二乘法计算回归系数,C 1的值为1.459,A 值为0.15.回归系数为正,表示以上根据散点图的推断是正确的.考虑到/人数为零0部分的数据,回归方程可重新描述如下:E E CO =1.459+0.15P Nu m ,P Nu m X 00.2,P Nu m =0(4)线性回归方程不能直接用于实际问题的分析,还须对该方程进行各种统计检验.本例中R 2值为0.883,说明办公设备能耗的88.3%可由自变量来解释.同时,回归模型通过了显著水平为1%的假设检验.而残差分析图(见图7)进一步表明了模型是可靠的.在模型通过各种检验的基础上,利用式(4)即可预测办公设备能耗.图8表示了预测值与实际值之间的差异.图7 办公设备能耗数据残差图Fig.7 Plo t o f studentized resid uals图8 办公设备能耗数据预测值与实际值的对比曲线Fig.8 Comparative curves between estimated resultsand real values o f E E C O采用准确率计算式(5)可进一步计算模型预测的正确率R =1-1nE ni=1e2i @100%(5)式中:R 为正确率;n 为样本中的数据总数;e i 为文献[14]中定义的相对误差.计算结果为预测精度等于93%,表明该能耗模型预测准确度较高.2.3 照明能耗模型根据上文描述的照明能耗数据特征,利用CART 算法建立了自变量为时间与办公人数的决策树模型.以图9为例介绍该决策树模型的建立方法.首先将时间分为两种时段:/10代表太阳辐射强度较弱的时段;/20代表太阳辐射强度较强的时段.将办公人数分为3种类型:较多;中;较少,由此建立决策树.当太阳辐射较弱且人数较多的情况下,照明能耗较高.当太阳辐射较强且人数较少的情况下,照明能耗较低.其余情况下照明能耗为中等水平.图9 一个简单的照明能耗决策树的例子Fig.9 A simp le sample of decision tree for EECL事实上,能耗决策树模型远比图9复杂.其中时间数据为从1到24的整数,分别代表一天24个小时.根据上文描述的CART 算法,该回归与分类树共有8层,包含35个节点,20个终结点.表1显示了20类数据的基本统计特征.该20类数据可描述如下:(1)在类15,22,31,13,29,27,28,32及30中,人数值为0,但时间属性各不相同;(2)在类25,9,35,38,26,37,35及24中,人数较少(小于5人),但时间属性以及电能能耗完全不同;(3)在其余类中,人数值分布在10~45之间,同时,中午12时照明数据被完全分配在数据类12中,从另外一个侧面证明决策树方法分类数据的可靠性.表1 各个终结点数据的统计特征Tab .1 Gain summary fo r nodes序号终结点序号数据数目方差序号终结点序号数据数目方差16178 6.5961113316 1.056221160 5.9367122215 1.00003920 4.66501324100.820042514 4.185********.476951220 3.185********.450063521 2.30951629300.400073811 1.99091727900.212282615 1.46671828900.165693710 1.23001932330.16361015341.05882030100.15001844第12期刘丹丹,等:基于数据的建筑能耗分析与建模用该模型预测能耗数据,并计算模型精度.利用式(5)得到模型的预测精度为87%.采用式(6)也可计算模型的预测精度:R =Eni=1V A i -V E S iV A in @100%(6)式中:V A i 为第i 个测量值;V ES i 为模型的第i 个预测值;n 为样本集中的数据个数.利用该公式计算模型的预测精度为92%.这两种精度计算方法的结果都表明了模型的正确性.而图10体现了预测值与实际值之间的相似程度.图10 照明能耗数据预测值与实际值的对比曲线Fig.10 C omparative curves between es timated resultsand real values of EEC L3 结论与展望本文提出了建筑能耗数据的建模方法.从数据分析可知,办公设备能耗数据与办公人数有较强的线性关系,可使用线性回归算法进行描述,预测精度进一步证明了模型的正确性.而照明能耗数据的分析相对较为复杂,其与办公人数以及太阳辐射强度都具有相关性,并且为非线性的.在这种情况下,可使用决策树模型描述三者之间的关系,预测的结果表明了算法应用的正确性.能耗数据的建模是建筑节能优化的第一步.利用该模型的预测以及分类结果可进一步研究建筑异常能耗的自动检测方法,通过分析异常能耗的产生原因研究建筑节能策略.同时,该模型还可评估建筑的管理模式对能耗的影响,如模拟影响因素在不同的变化规律下的能耗状况,有利于选择更为合理的建筑管理与控制模式,最终达到节能的目的.参考文献:[1] W inkelmann F C.DOE -2BDL summary (Version 21E)[Z].Berkeley:Energy and Environment Division,Lawrence Berkeley National Laboratory,University of California,1993.[2] Law rence Berkeley National Lab oratory,University of Illinois ,Un iversity of Californ ia.Energyplus 1.01manual [Z ].Berkeley:Law rence Berk eley National Laboratory,2002.[3] Craw leya D B,Law rieb L K,Fr ederick C,et al.Energyplus :creating a n ew -generation bu ilding en ergy simulation program [J].E nergy an d Building,2001,33(4):319.[4] Craw leya D B,Law rieb L K,Fr ederick C,et al.Energyplus :new capabilities in a w hole -b uilding energy simu lation program [C]M Seventh International IBPSA Conference.[S.l.]:Rio de Janeiro,2001:13-15.[5] Le Comte D M ,Warren H E.M odeling the impact of su mmertem peratures on n ational electricity consu mption [J ].J ou rnal of Applied M eteorol,1981,20(12):1415.[6] M anis h Ran jan ,J ain V K.M odeling of electrical energycon sumption in Delhi[J].En ergy,1999,24:351.[7] Lam J C,Tang H L,Li H W.Seas on al variations in r esidentialan com mercial s ector electricity consu mption in H on g Kon g[J].E nergy,2008(33):513.[8] M ohamed Z,Bodger P.Forecas tin g electricity cons umption inNew Zealand us ing economic and demographic variables [J ].En ergy,2005(30):1833.[9] Lai T M ,To W M ,Lo W C,et al.M odelin g of electricitycon sumption in the Asian gaming and tou rism center -M acao S AR,People .s Republic of China[J].Energy,2008(33):679.[10] Egolioglu F,M ohamad A A,Guven H.Economic variables an delectricity consum ption in North Cyprus [J].Energy,2001,26:355.[11] 栗然,刘宇,黎静华,等.基于改进决策树算法的日特征负荷预测研究[J].中国电机工程学报,2005,25(23):36.LI Ran,LIU Yu,LI Jinghu a,et al.S tudy on th e daily characteristic load forecas tin g based on the optimiziedalgorithm of decision tree[J].Proceedings of th e CSEE ,2005,25(23):36.[12] 冯力.回归分析方法原理及SPSS 实际操作[M ].北京:中国金融出版社,2004.FENG Li.Regr ess ion analysis meth od and SPSS op eration [M ].Beijing:China Finan cial Publishing H ouse,2004.[13] H an J iaw ei,Kamb er M.Data min ing:con cepts and tech niques[M ].2nd ed.Beijing:China M achin e Pr ess ,2006.[14] 牛东晓,曹树华,赵磊,等.电力负荷预测技术及其应用[M ].北京:中国电力出版社,1998.6-9.NIU Don gx iao,CAO Shu hua,ZH AO Lei,et al.T he meth ods and application of pow er sys tem load forecasting[M ].Beijin g:China Electric Power Pr ess ,1998.6-9.1845。