文摘
建筑能耗特别是在办公室是惊人的和提示的渴望更多的能量分析工作要做在测试模型可以估计商业建筑的能源形势,关键因素是基于人类因素,工作负载,和天气变量如太阳辐射和温度。的研究,政府阻止大学的能源和自然资源、加纳、选择和使用SketchUp能源建模分析。每日生成建筑物的能源消耗与EnergyPlus表示物体的用电量为2018年68.7%所使用的设备,26.98%的冷却,其余照明。的人工神经网络模型作为输入神经元和天气变量和天冷却、照明、设备、建设电力消费总量作为输出神经元在MATLAB建模。训练后的模型值训练、验证和测试的0.999和验证性能 。它能够预测照明的能源消耗,冷却,和最小的设备非常接近的结果。从ANN模型预测的结果与EnergyPlus模拟。以下参数的最大偏移剖面(照明、制冷和设备)是13%,8%,和4%,分别。大不同照明和冷却是很难参与预测人类行为和天气条件。最小值记录设备由于其独立的外部因素。
1。介绍
在加纳的住宅领域约占全国总用电量的47% (1),但一般来说,在建筑行业,商业建筑在建设中占每个国家的能源消耗的40%2]。水力发电在加纳是33%,和67%来自火力发电厂操作燃料(包括损失3]。商业建筑的能源消耗在加纳是由于不适的人由于气候因素,建筑风格,沉重的闭包,和不当或过度使用的电器,等等。命令式的炎热和潮湿的热带气候的自然加纳使气候条件主要是不属于人类的舒适区,因此需要冷却大约50 - 100%的年使用空调(AC) [4]。炎热的气候条件允许使用冰箱、电扇降温耗材和寒冷的空气流通在建筑,分别。“此外,大多数建筑设计既不支持热相关特性的详细分析和评价,也不考虑方向,信封,玻璃比、遮阳设备,质量和热。因此,设计决策是由相关的专业知识不够了解有关建筑节能设计方法”5]。为此,重型建筑关闭也可以防止日光提供足够的能见度;因此,人们求助于白天电气照明的使用。
住宅领域一直是能源消耗快速增长行业平均6.3%的增长在过去的十年里促使该行业将在2020年消费超过4400兆瓦(6]。商业建筑部门能源需求增加等因素是由众多新建空调的商业建筑,特别是在大都市地区(5]。使用能源仿真工具像EnergyPlus Esp-r,和设计师的仿真工具箱(桌子),与人工神经网络(ann),已经被证明是很好的工具,准确的信息在商业建筑电力预测。
人工神经网络作为当前知道能量分析方法是信息处理系统nonalgorithmic, nondigital,强烈平行。他们学习输入和目标变量之间的关系通过研究以前记录的数据。一个安类似于生物神经系统,由层平行的基本单位,叫做神经元。从根本上讲,一个神经元接收输入对其传入的连接,结合输入,执行一个非线性操作,然后输出最后结果(7]。
到目前为止在加纳,一些研究已经完成捕捉重点能耗能效情况(8),分析家庭能源的选择(9),能源生产和消费,10),热舒适评价高层建筑在阿克拉2),能效的办公大楼5)等。同时,在世界的其他地方,能源研究也已开展了包括能源消耗预测的办公室和住宅使用传统(常规)和计算智能方法。一个模型被开发为一种办公大楼9输入参数分类的天气条件下,建筑设计和日类型有四个输出变量(冷却、加热、电气照明等)在香港(7]。
同样,前馈神经网络模型方法被用来设计和预测每小时负荷资料,相关输入变量和自由参数的数量是系统治疗。模型构建过程被分成三个部分为“识别所有潜在相关的输入,”“隐藏单位的选择这个初步组输入”通过添加剂的阶段,和“删除无关的输入和无用的隐藏单元”通过减去阶段(11]。相应地使用网络,一个比较简单的模型基于安和基于物理的模型原理与EnergyPlus作为建筑能耗审计和预测工具来预测的圣保罗大学的行政大楼作为案例研究。研究表明,两种模型适用于能源消费预测。此外,考虑的参数进行了分析建筑EnergyPlus为了评估几个参数的影响,如建筑剖面等预测职业和天气数据(12]。与其他相关研究,证明安给了令人满意的结果偏差3.43%,成功的预测率为94.8 -98.5%。(13- - - - - -15]。
研究工作旨在产生一个模型,该模型能够预测建筑物的能源消耗将政府阻止大学的能源和自然资源、加纳、工作领域。
2。方法和材料
建模与仿真的步骤遵循下面展示领域的能源消费行为。
2.1。域的研究领域
大学的能源和自然资源(UENR)管理块位于大学校园Sunyani,加纳,被选为研究。政府与10块由两层办公室和一个走廊位于其后。建造房屋约29日大学工作人员的居住密度17.63米2每一个人。正常工作日的建筑是格林尼治时间工作日8小时的格林尼治时间16:00时。政府阻止位于北纬7.3°N和经度-2.4°E。是由sandcrete和混凝土砖,玻璃窗户,天花板,金属板屋面。大厦总建筑面积519.862window-to-wall比率(WWR)生产总值(gdp)的26.06%,而净空调面积388.83 m2。
2.2。建模的领域
维度的物理构建和数据建立仿真参数包括内部收益(吸热从太阳能吸热、设备使用、照明、等)和时间表被送往促进建模与仿真。域的建模是基于办公室,和数量的条件和非条件地区观察到的编码区1区11(图1 (b))。SketchUp 2019软件建模特性和热区域指定建筑材料规范和建筑负荷。这些参数使用软件来生成建筑几何EnergyPlus仿真的数据作为输入文件。模型构建(图1)显示了墙壁和窗户,这是由sandcrete块和眼镜,分别。建模的部分建筑被指定为热区域由于故意边界之间创建房间,地板上考虑传热表面和蓄热材料(7]。
(一)
(b)
(c)
进一步的细节被指定到模型基础上构建规范(表1)和负载分配给各种热区域。关键特性考虑包括表面类型和分类基础上创造绿化地带,建筑表面,开窗法表面,内部质量,阴影和网站的细节,和建筑类。建筑类允许建筑物的建筑元素的规范。这些元素在大多数情况下代表建筑的特点。典型的墙、窗、分区,屋顶,地板上。
2.3。内部收益
内部收益(表2)建筑需要规范的用户数量的块,灯光,电气设备被用于每个热地带。
2.4。天气文件
能耗模拟的几何表示天气模式需要一个当地的气象数据域的位置以便生成准确的能耗由于太阳热收益的建筑7]。天气数据用于模拟一年天气数据是2018年的,从地球观测研究和创新中心(EORIC)能源和自然资源的大学校园,Sunyani。天气文件包含站点位置等参数的纬度和经度,时区,30分钟的变量记录温度,阵风速度、露点温度、太阳辐射(包括扩散和正常),相对湿度,风的方向,干湿球,和干球温度。
2.5。发电负荷基础上建模领域
估计能耗建模域生成的建筑使用建筑几何数据,在EnergyPlus内部收益,和当地天气数据。EnergyPlus是建模的仿真程序设计建筑与所有相关的加热、通风和空调设备16]。构建仿真程序集的数学模型(非线性动态模型、线性动态模型、传递函数模型,等等),试图定量解释每个组件的建筑行为在特定情况下。EnergyPlus需要构建几何数据描述模型构建和天气数据。仿真程序的结果被用于设计神经网络模型(图2)。
神经网络学习定义输入和输出变量之间的关系通过研究以前记录的数据。设计神经网络相关系列的时间步骤5。这些步骤包括数据采集、数据预处理、建立网络,训练网络,测试网络模型性能(17]。MATLAB的神经网络模型的设计使用NNTool R2016b盒子。
2.6。数据收集
收集和准备示例数据是第一步在所有五个步骤对神经网络模型的设计。天气数据测量温度、露点、太阳辐射、相对湿度、风速和风向三年的时期(2017年至2019年)是来自EORIC, Sunyani。这些数据被处理和作为输入数据。
2.7。数据预处理
数据预处理是为了使数据适合训练神经网络模型。这是由第一次产生缺失的数据指出,有一个完整的数据集,因为有些数据点天气的文件不见了。第二,数据处理去除噪声(不稳定),归一化之前培训。数据规范化是必要的,因为混合变量与大型和小型震级会混淆学习算法对每个变量的重要性和可能迫使它最后拒绝小级的变量(17]。
2.8。神经网络模型设计
构建神经网络模型使用NNTool盒只需要规范的隐藏层的数量,数量的神经元的输入和输出层,层的传递函数和培训功能。对于这个工作,下一个两层的前馈神经网络多层感知器(MLP)使用。使用一个隐层网络,但隐层神经元的数目是不同的在训练过程中选择最佳数量的神经元提供一个良好的性能模型的25个隐藏的神经元。用于输入层神经元的数量仅仅是基于关键气象变量的数量和天。这些之前,各个变量之间的相关分析集来确认彼此的关系。最后,七天气变量被选作为输入神经元;他们是温度、露点、风速、风向、相对湿度和太阳辐射。268数据点被用于构建模型;一周的日子是在二进制编码(即。,0和1),包含在输入层。输入层神经元共有14,而输出层有四个神经元。 The four neurons represent the target against which the weather data were trained. They include electricity consumption data points for the lighting, cooling, equipment usage, and sum of energy consumption of the building generated through EnergyPlus simulation.
2.9。训练神经网络
训练神经网络需要权重的调整为了使预测输出接近目标输出。为了实现这些,有因素考虑在训练转移函数和学习算法。研究了不同类型的内置的算法和转移函数,在培训过程中,Levenberg-Marquardt方案确定了,因为它给了令人满意的结果相比,休息。
2.10。交叉验证
前的重要一步训练过程的交叉验证数据样本随机分为子集训练、验证和测试数据集。众所周知,最合适的网络拓扑模型是最好的决定基于训练数据集的质量,数量的噪音数据样本(不稳定),错误,和离群值18]。因此,选择最好的拓扑,交叉验证使我们有机会评估不同网络拓扑的性能通过一组数据集不同的培训过程中使用和选择提供了更好的泛化的一个结果。训练集用于训练网络,计算梯度,更新网络权重和偏见。验证设置帮助监测网络过度拟合,underfitting和终止时的训练过程数据适合测试水平。在测试中使用的测试子集训练网络的泛化能力的结果。这项工作,训练数据集是70%培训网络,验证过程的15%,另外15%的测试。
2.11。训练后的神经网络模型的性能
训练神经网络的性能模型用于能源评估培训期间和之后显示了GUI NNTool框。网络的性能是由MATLAB计算基于均方误差根据平均平方输出和目标之间的区别。培训的目标是最小化的平均金额错误。值更低,0表示没有错误。这是基于计算
在哪里数据点的数目和吗在这个时期,产生的负载或预测,是目标,是神经网络的输出。
一个额外的培训评估的性能使用回归的情节组成,性能,和培训状态的情节。
2.11.1。回归的情节
回归土地的训练、验证和测试,分别在图表示3。四块显示的输出训练、验证和测试数据为整个网络输出对训练后的目标。这些情节说明该模型能够预测和推广结果后学习输入和目标变量之间的关系。最好的训练结果了培训、验证、测试和为每一个回归的情节都是0.999。
2.11.2。训练性能(MSE)对时代的情节性能函数的数量
这是均方误差(MSE)与时代的数量。从情节、表现最好的验证发生在第四个时代的性能值(图4)。这些作为停止协议过程中发现一个可以改变模型的学习算法来避免过度拟合。这个错误最小信号之间的过渡underfitting和过度拟合的模型。仔细观察显示了培训后终止6更多的时代以来最好的验证点之外的错误验证开始增加。三个曲线发现随着时代的增加减少错误。在4到10世纪,错误成为稳定后,开始增加10,呼吁停止协议的选择。时代4被认为是最好的,因为它代表了事件,三条曲线在一起或接近对方。
14。训练状态图
这些情节(图5)学习函数对时代的数量显示的发展梯度函数值随着迭代次数的增加。第二个情节(学习速率(μ)与时代的数量)有助于观察当网络在训练过程中误差减少,最后验证检查的情节,一旦出现突然修改,自动实现梯度函数计算。
3所示。结果与讨论
在这里,各种模型的结果表示和解释的趋势。
3.1。EnergyPlus仿真结果
EnergyPlus域的仿真结果代表了估计实际建筑物的能源消耗。生成的结果是2017年至2018年,用于训练神经网络。这是基于项目生成用于政府阻止考虑照明、制冷和其他设备在建筑与建筑建模参数和气象数据。累计平均功率使用照明在办公室工作时间和晚上千瓦时/天计算和绘制的一年。总估计今年的能源用于照明记录为3463.64千瓦时。从观察,照明用电量高约10月1月和下降从2月中旬到二月末相对较低的水平。有一个急剧上升的早期3月4月的早期,和其他中断6月上升。所有观察到的模式功耗今年肯定是由于太阳辐射的数量可以在本赛季进入围栏。太阳辐射负责白天能见度或工作时间。低太阳辐射经历了从去年10月到今年1月通常影响照明的高功率消耗。 The workers in their offices use more lights these periods. It is also synonymous to say the preceding month (February) where a relatively low power was consumed for lighting had higher solar radiation recordings and same for the middle of April to May. Beyond this, the consumption around May to June and parts of December is affected by the university semester break, and nonetheless, the use of blinds in the offices is also a contributing factor affecting the solar radiation penetration into offices.
年度能源消耗设备用于块独立的天气模式,完全取决于用户建设和恒定的工作负载。这被认为是平均374.90千瓦时/天的工作日。冷却全年能耗,54239.73千瓦时的能源消耗总量代表26.98%是用于冷却。情节概要的冷却,更高的能量用于冷却1月到5月之间,和更少的电力利用从6月到10月,同时增加到今年年底。1月到3月是一个非常炎热的季节Sunyani所以冷却变成了必要由于热不适4]。今年的高和低的温度有一个相应的增加和减少的能源用于冷却。直观地说,雨季从6月到7月,寒冷的月份8月每日气温较低的工人块不使用空调,因此导致更少的电力消耗在这些季节。
的所有因素的总和了,阻止2018年的能源消费总量约为201026.52千瓦时的日均消费550.76千瓦时的设备需要最其次是冷却26.98%与68.07%。
3.2。神经网络模型和预测结果
估计的神经网络模型预测的各种能耗建筑全年在日常基础上,计算平均时间为100分钟,使用64位i3电脑。能力的神经网络模型进行了测试通过树立2018年气象数据处理,估计2018年的能源消耗作为案例研究。提供的2018年数据是未知的新数据集的神经网络在训练。ANN模型预测的结果与EnergyPlus仿真结果(图6)。概要文件为安冷负荷年密切相关的日常消费EnergyPlus仿真结果在一百分误差在2到8%之间。
ANN模型照明能耗给更高的预测的三个变量被认为是。EnergyPlus模拟和ANN模型之间的误差结果高于其余的最大误差为13%。此外,设备的配置文件使用ANN模型预测非常接近EnergyPlus结果和对能源消费总量的最大误差为4%。差异是由于人类行为和不可预测的天气状况是无法控制的。
确定的有效性EnergyPlus模型模拟,模拟结果证实,EnergyPlus消费(图7)管理块的每一天是比真正的能源需求块的每一天。每日块为694.1千瓦时的能源需求在2018年由(19)2018年的一篇论文提交给UENR在2018年。EnergyPlus每日能源消耗范围从686.42千瓦时为工作日,接近731.25千瓦时的能源需求今年建筑但是不同因为EnergyPlus认为全年天气条件。
4所示。结论
域选择研究建模来生成实际能源消耗的块。这些结果分析和用于推断Sunyani天气数据从EORIC获得的,它是意识到有一个能源消耗和天气之间的关系变量如温度、太阳辐射、露点温度。的工作,太阳辐射直接影响能源用于照明的能源消耗增加太阳辐射导致照明的低消费,因为有足够的能见度为太阳辐射减少,反之亦然。这意味着沉重的关闭和窗帘的使用,防止间隙在办公室有助于高能源消耗。同时,每日温度和冷负荷有一个积极的关系与照明和太阳辐射。温度升高会导致热不适由于室内温度的增加导致在办公室空调设备的使用。这些高能源消耗占用于冷却部分地区。
ANN模型设计和训练有素的能源负荷的预测块一年显示一个伟大的预测能力。神经网络模型预测的结果与实际的能源消耗进行了策划和分析观察的高估和低估。神经网络模型是有效的,可以用来估计未来的能源消耗块训练时额外的数据集。
数据可用性
各种数据集从EROIC获得,政府UENR块,其余的数据生成和评估的研究并不是公开的。本研究大型项目的一部分能量形式建模,为未来的工作需要使用的数据。一些数据的提取可以被要求提供相应的作者在他/她自己的自由裁量权。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持的天气数据取自EORIC Sunyani,大学的能源和自然资源和注册办公室授予访问管理块。