杏彩体育网站注册冷热负荷预测在区域供能项目中的应用（1.同济大学机械与能源工程学院，上海市 嘉定区 201804；2.上海西虹桥新能源有限公司，上海市 青浦区 201702）
摘 要：在区域供能系统的设计与规划阶段，准确估算建筑群的冷热负荷，能够为系统的设备容量配置与经济性分析提供合理的计算依据。随着模型仿真工具与算法的进步，建筑冷热负荷预测方法不断发展成熟，但较少有研究从实际案例运行情况的角度评价冷热负荷预测的准确性。以上海西虹桥1号能源站作为应用案例，在项目规划初期采用基于建筑典型模型的冷热负荷指标预测算法，预测该项目地块内的各类型建筑的冷热负荷；在运行阶段，通过管路计量数据得出各类型建筑的真实冷热负荷，并引入“入住率”的概念量化冷热负荷预测值与实际值的差异。结果表明，该项目投入运行3年的“入住率”分别达到41.4%、62.1%、85.7%。该结论与实际情况基本一致，证明了冷热负荷预测在区域供能项目应用中的准确性。
在区域供能系统的设计与规划阶段，准确的负荷预测结果能为设备容量配置与经济性计算提供重要依据。通常，区域供能系统的负荷包括冷、热、电三部分。与电负荷相比，区域内建筑群的冷热负荷会受到更多因素的影响，例如天气参数、建筑的围护结构、室内环境设计参数等。这使得冷热负荷不确定性更大，在越来越多实际项目中，采用建筑模型进行较为准确的冷热负荷预测，已成为项目工作流程中的必需环节[1]。随着建筑模型仿真工具与算法的进步，冷热负荷预测方法不断推陈出新，并在各类实际应用中趋于成熟[2]。对于规划与设计阶段的区域供能项目，单位面积指标法常为实际工程的设计方采用。该方法简洁方便，但估算较为粗略、静态，准确性不足以反映冷热负荷的时间动态特性，且常常高估区域建筑的总冷热负荷强度[3]。因此，有必要采用精度更高的方法预测区域冷热负荷。
随着计算机技术的进步，建筑能耗模拟软件的性能不断提升，这些软件工具能够对建筑的用能特性进行详尽的数值模拟，从而提供更精确的建筑冷热负荷预测值[4]。韩传忠等以DeST软件中典型建筑模型为基础，预测了多类建筑的全年及峰值冷负荷[5]。Ourghi等将DOE-2建筑模型中的多个几何参数作为控制条件，提出了一种办公建筑年制冷能耗简化预测方法[6]。王国弟等将空调选型设计软件HDY-SMAD和能耗模拟工具DeST结合，实现了对区域全年供冷与供热量的预测[7]。Xu等采用基于DOE-2建筑能耗模型，结合对实际项目的场景分析确定同时使用系数，预测了某一社区的用能指标[8]。王利珍设计了一种基于Monte Carlo方法的冷热负荷预测算法，对某个处于规划阶段的建筑群进行分析，得到其峰值冷负荷及其在全年尺度上的分布概率[9]。总体来说，此类方法的关键在于提取建筑参数信息，以提高模型输出即预测冷热负荷的仿线]。
[11]。对于单体建筑，需要建筑供能系统的运行数据作为支持，这类冷热负荷预测方法更多适用于运行阶段的节能优化与故障诊断，例如多元线]、时间序列模型[13]、杏彩注册人工神经网络[14]、支持向量机[15]等。对于新建建筑群的冷热负荷预测，则需要更大规模的数据积累对多种不同类型的建筑进行数据计量，构建能涵盖多种设计场景的数据库，从而进行统计学分析。例如，Warnken等对澳大利亚旅游业建筑能耗数据库进行回归拟合，并以此对全行业相关建筑的用能负荷进行了预测
。蒋小强等采用人工神经网络模型，以某区域供冷系统的计量数据作为训练集，对该区域的总逐时冷负荷在全年尺度上进行了预测[17]。Wan等采用主成分分析法，以近30年的多类气候区中建筑的冷热负荷数据为基础，杏彩体育网站注册建立了建筑冷热负荷与天气参数的关联模型[18]。受条件所限，这类研究并未得以广泛开展。同样受到限制的还包括如何利用实际案例的运行数据来评价建筑冷热负荷预测的准确性。对于建筑用电能耗的预测，采用电表计量数据对预测结果进行校验并不困难
，但与电耗数据不同，计量建筑空调系统的耗冷量与耗热量难度较大，使得目前多数可获得的建筑运行数据并不包含全年的冷热负荷。此外，在很多实际工程项目中，负责规划的设计团队并未参与供能系统的运行管理。随着区域供能项目的建设投产与运行，从系统实际运行的角度检验规划阶段冷热负荷预测的准确性尤为重要。因此，本文以上海虹桥商务区能源站作为案例，分析了冷热负荷预测在该项目中的应用情况，利用能源站供给侧的测量数据得出建筑群的全年逐日冷热负荷，实现了对冷热负荷预测结果准确性的验证。具体来说，在设计阶段采用基于模型仿真的方法，根据区域内各类型建筑规划面积，预测其总冷热负荷；在运行阶段，监测能源站管路流量与供回水温差数据，实现对建筑群冷热负荷的逐日计量；最后，比较冷热负荷预测数据与系统运行后近3年的计量数据，分析冷热负荷预测结果与实际运行情况的差异。
的大型建筑群供能。该项目是集商业、餐饮、办公于一体的大型城市综合体，其中包括了办公、集中商业、街区商业等在内的多栋单体建筑，功能综合性较强，建筑群卫星图如图2所示。
1）根据项目资料，确定需要使用的建筑典型模型的类型，本项目包含的建筑类型包括办公建筑、集中商业建筑、街区商业建筑；
，建立建筑典型模型，完成其中不涉及场景分析的基本参数的设置；3）根据项目资料的已知设计参数，设置不同的内部冷热负荷场景，调整典型模型中的相关参数并通过模拟计算得到各场景下的单位面积冷热负荷；
4）根据项目建筑图纸，统计并核实建筑面积和不同场景区域的空调面积，得到各类型建筑的典型冷热负荷指标；
5）根据项目资料中各类型建筑的规划总面积，将建筑的典型冷热负荷指标通过区域层面的面积扩展，从而确定区域建筑群的总冷热负荷。
在场景分析之前，需事先分析冷热负荷预测模型的数学结构。建筑冷热负荷通常可按式（1）分为以下3部分：
c(h)为建筑的总冷（热）负荷；Qen为通过围护结构的传热；Qin为室内热源的散热；Qoa为因新风产生的得热或失热。表1归纳总结了这3部分的影响因素。在场景分析中，可参照该表选取待调整模型的参数。
分项冷热负荷 影响因素 描述Qen Uw 外墙的传热系数Uf 外窗的传热系数Ur 屋顶的传热系数SHGC 外窗的太阳能得热系数Tsp,s 夏季室内设定温度Tsp,w 冬季室内设定温度SF 建筑的体形系数WWR 围护结构窗墙比Qin qlt 照明功率密度qeq 插座设备功率密度n室内人员密度n Qoa室内人员密度Voa 人均新风量Tsp,s 夏季室内设定温度Tsp,w 冬季室内设定温度φsp,s 夏季室内设定湿度φsp,w 冬季室内设定湿度
选用EnergyPlus软件计算典型建筑模型在各类场景下的冷热负荷指标。模拟计算中输入的气象参数选用上海市典型气象年数据
根据项目资料提供的空调设计参数，对办公、集中商业、街区商业3类典型建筑模型分别设置若干场景，并根据表4和表5对各场景下的相关模型参数取值进行调整。
在项目运行过程中，在每日固定时段由工作人员执行“抄表”操作，记录从上一个“抄表”时刻到当前时刻能源站供给的累计冷热量，相当于记录了区域内建筑群的逐日总冷热负荷。如图4所示，已记录数据涵盖了从项目开始投产（2018年5月）至2021年1月的全部供能系统运行日（即系统进行检修的时段除外）的实际冷热负荷。
根据图4，自2018年5月至2021年1月，已积累有3个完整的供冷季和1个完整的供热季数据。其中，2020年供热季因疫情期间的停工导致部分数据缺失，2020年末至2021年供热季则尚未结束。为了从全年的角度分析冷热负荷预测的准确度，本文将2018年11月至2019年10月的完整供热季与供冷季视为一整年，通过比较计量数据得到的日冷热负荷实际值与模型计算得到的设计日冷热负荷预测值，即能确定冷热负荷预测与实际运行状态的差异程度（如表7所示）。
将冷热负荷二者综合来看，该年内能源站所需承担的峰值冷热负荷约占设计冷热负荷的65%。这一方面说明为保证设备容量的裕度，设计冷热负荷往往会选取偏大；另一方面，该结果也从侧面反映出新建建筑因入住率不足导致实际用能水平相较预测值偏低的情况。为了进一步探究“入住率”的变化情况，本文根据计量数据得出全部3个年份供冷季设计日的总冷热负荷实际值，并依次对比预测值，将该比值视为当年建筑群的“入住率”，如式（3）所示：
为入住率；Qd,m为设计日总冷热负荷测量值，GJ；Qd,p为设计日总冷热负荷模型预测值，GJ。由于计量系统中仅包含一个完整的供热季数据，供热季设计日热负荷不参与对“入住率”参数的分析。计算结果如图5所示，随着建筑投入使用的时间变长，“入住率”随之提升，对于办公、商业建筑而言，这一现象是合理的。此外，最近的供冷季（即2020年5月至10月）设计日的数据显示，其“入住率”达到了85.7%，考虑到设计冷热负荷预留10%的余量，这与“2020年该建筑群的入住已基本饱和”这一实际情况基本相符，也可说明规划阶段的冷热负荷预测结果比较准确，合理地指导了设备的选型设计。
本文以上海西虹桥1号能源站作为冷热负荷预测的应用对象，工作内容贯穿其规划阶段直至运行阶段的全过程。在规划阶段，实现了对其供能区域总冷热负荷的较准确预测，用以指导系统的设备选型；在运行阶段，对的整个运行期的冷热负荷数据进行了记录与整理，得到了供能区域的逐日总冷热负荷实测值。随后，以设计日总冷热负荷为关注点，通过比较分析实测值与预测值，引入“入住率”这一参数来表示二者的差异，得到能源站在运行期3年内的“入住率”分别为41.4%、62.1%、85.7%。这一结果与该建筑群的实际运营状况基本相符。这种“入住率”的变化趋势反映出公共建筑在实际使用中会呈现出“建筑在建成初期时部分区域并未投入使用，但随着时间的推移，其使用区域的比例逐渐上升”这一特点。从第三年的计量数据来看，建筑群的实际峰值冷热负荷已与预测设计冷热负荷基本匹配，一定程度上显示了冷热负荷预测的准确性；此外，也正是通过对多年运行数据的积累与分析，才可能做出以上的判断，这也显示出了利用运行数据对冷热负荷预测结果进行验证的必要性。
仍有一些问题亟待进一步研究，例如：由于热负荷数据的缺失，本文的部分内容仅限于对冷负荷的分析，尤其是尚未获得最近一年“入住率”趋于饱和的情况下热负荷的实测值，这部分研究可在数据进一步积累后加以完善；由于计量系统的限制，当前的“抄表”数据仅限于对逐日冷热负荷的记录，而在建筑数据管理系统设计改造后，将能够对每5 min系统冷热负荷数据的计量与存储，这将为冷热负荷预测方法准确性的进一步验证与优化提供支持。
此外，随着该能源站规划范围内更多供能项目的建设完成与运营，采用本文提出的方法亦可分析其“入住率”的变化情况，从而有可能总结得到类似条件下办公及商业建筑的“入住率”变化规律。从实际应用的角度来说，将该指标作为一项影响验证过程的因素进行分析是很有意义的。这是因为“新建成建筑的使用率在建成初期往往较低”这一客观现实的存在，会导致利用实测数据对冷热负荷预测结果进行验证时产生较大的误差；同时，又受到测量条件的限制，在当前多数可获得的建筑运行数据中，较难获得其冷热负荷数据，即使其中的部分数据由于“入住率”的原因导致其质量不高，依然需要考虑对其进行处理从而提升对这些有限数据的使用率，例如可通过实地调研确定这一参数的取值。
潘毅群（1970），女，博士，教授，博士生导师，研究方向为建筑能耗模拟、区域负荷预测、建筑大数据分析等。通信作者，E-mail：.cn。
