一種新的典型氣象年權重因子構建方法*

西安建筑科技大學 黃 金 李紅蓮 呂凱琳

0 引言

隨著我國城鎮化進程的加快，建筑能耗將持續增加[1]，因此，建筑節能是貫徹可持續發展戰略的重要內容[2]。

氣象參數對指導地區的建筑設計標準及能耗模擬評估起著基礎、直接的作用。典型氣象年(typical meteorological year，TMY)是太陽輻射和氣象要素在1 a內逐時的數據集，由各個年份中選出的典型代表月(typical meteorological mouth，TMM)組合而成，主要用于太陽能轉換系統和建筑能耗模擬，具有表征地區典型氣候特征的作用[3-4]，提高TMY的準確性對建筑節能設計非常重要。

目前挑選TMY普遍采用的是美國Sandia國家實驗室法[3]——分析各氣象參數的累計分布函數(CDF)與長期累計分布函數的接近程度，對各氣象參數依照經驗法賦予權重，綜合為WS值，依照WS值最小選取合適的TMM，組成TMY。隨著研究的深入，有學者指出，氣象參數權重因子選取的不同會導致TMY結果的差異，氣象參數權重因子的選擇對TMY準確性的影響有待商榷[4-6]。

針對TMY權重取值的研究如下。Jiang使用9項氣象參數為中國8個氣候區典型代表城市生成TMY數據，對Sandia方法中的權重值進行了修改——太陽輻射權重賦予0.5，干球溫度賦予0.25，其余共賦予0.25[7]。Rahman等人選取4項氣象參數——太陽輻射、相對濕度、風速、干球溫度，在計算WS值時，對4項參數隨機分配6組權重因子。結果顯示，對氣象參數賦予相同權重(1/4)效果最好[8]。Mandurino等人為意大利挑選TMY數據時，采用配對比較法，并結合專家建議對3項氣象參數賦予了新的權重——太陽輻射5/16，干球溫度1/16，平均風速10/16。結果顯示，利用新的TMY數據進行仿真，與10 a長期仿真結果吻合較好[9]。Su等人研究了賦予氣象參數不同權重對挑選TMY的影響，以北京和紐約地區為例，將4項氣象參數(干球溫度、露點溫度、風速、太陽輻射)權重設置在一定的取值范圍內，對各個氣象參數隨機取值數量取10、6、6、10，得到3 600組權重組合，分別生成的TMY進行對比分析。研究結果顯示，新生成的TMM與Sandia法生成的TMM之間存在較高的重疊性，且其計算結果關于氣溫和太陽輻射值的標準偏差均小于10%，表明氣象參數權重的取值對TMY的挑選不是很敏感[10]。Ohunakin等人針對尼日利亞東北部生成了5個地區的TMY，對太陽輻射賦予5/12的權重，干球溫度賦予4/12，其余共同賦予3/12[11]。以上文獻梳理情況見表1。

表1 相關文獻賦予氣象參數的權重

由表1可見，不同學者在挑選TMY時，對各氣象參數的權重賦值有所不同，缺乏普遍共識。本文研究氣象參數權重因子統一與否對TMY挑選結果的影響，以及對建筑能耗模擬準確性的影響，在調研獲取詳實可靠的氣象數據后，針對建筑能耗模擬和設計應用需要，通過建筑能耗模擬進行相關性分析，提出一種動態確定TMY中各氣象參數權重因子的方法。

1 研究方法

1.1 技術路線

挑選TMY時，Sandia國家實驗室法中各氣象參數權重因子是固定的[14-16]。本研究在建筑能耗模擬的基礎上提出一種新的TMY權重因子構建方法，分析各氣象參數與建筑能耗的相關性，通過定量分析確定各氣象參數權重，技術路線如圖1所示。

注：FS為Sandia國家實驗室提出的Filkenstein-Schafer統計方法計算值。圖1 技術路線圖

1.2 數據來源

以我國嚴寒地區代表城市北京為例，選取以下氣象參數：日平均干球溫度、日最高溫度、日最低溫度、日平均相對濕度、日平均風速、日最大風速、日水平面總輻照度、直接輻照度日平均值，數據來自于國家氣象科學數據中心(http:∥data.cma.cn)。取值年限為1988—2017年，30 a日值數據。

1.3 數據對比方法

為了詳細論述不同方法產生TMY結果的差異，在數據分析時，引用均值偏差MBE(mean bias error)、標準偏差RMSE(root mean square error)和相對標準偏差RSD(relative standard deviation)。計算公式如下：

(1)

2 權重對TMY的影響

首先驗證氣象參數權重不同是否對TMY的挑選產生影響。采用隨機賦權的方法生成4組權重，具體數值見表2。

根據上述權重，依次確定不同權重下北京地區TMY的挑選結果，按照隨機權重生成新的TMY，結果見表3。

表2 隨機權重賦值

表3 隨機權重下北京TMY挑選結果

取不同權重產生的TMY挑選結果，TMM組成有較為明顯的差異。對上述TMY挑選結果中各氣象參數進行偏差分析，結果如圖2所示。

將隨機權重產生的TMY結果與各月長期平均值進行對比發現：各隨機權重與長期平均值的MBE值，平均干球溫度分別為0.90、-1.38、-2.05、-3.88 ℃，相對濕度分別為4.40%、-1.13%、-0.55%、2.37%，平均風速分別為0.6、-0.5、0.2、-0.9 m/s；由于太陽輻射數值較大，計算MBE值會較大，故采用計算相對標準偏差RSD。太陽輻射中，各隨機權重與長期平均值的相對標準偏差分別為0.22%、0.35%、0.16%、0.18%。分析結果顯示：選取不同權重產生的TMY，對溫度沒有較為明顯的影響，但對風速、相對濕度和太陽總輻照度有明顯的影響。

溫度差異不大的原因在于分析時采用月均值對比，而一個地區溫度的月均值，一定程度上不會有較大的變化，但挑選TMY時，采用的是日值計算。TMM組成年份的差異明顯，在日值尺度上，溫度也有較為明顯的差異。由于其他氣象參數已經證明不同權重取值有明顯差異，對此本文不再詳細驗證。

結果表明，對氣象參數賦予不同的權重，對TMY的挑選有明顯影響。

3 確定新權重的方法與步驟

3.1 模型的構建及能耗模擬結果

選取北京地區典型辦公建筑作為基準建筑，采用EnergyPlus進行30 a逐年建筑能耗模擬，基準建筑為1棟20層的辦公樓，北軸夾角為0°。標準層為37.8 m×31.5 m平面，層高3.8 m，總建筑面積23 814 m2，其中空調區域面積為21 609 m2。辦公建筑的內部負荷、室內設計工況及暖通空調系統設置符合該區的建筑設計、節能設計標準，表4給出了基準建筑的基礎參數設置，建筑模型構造如圖3所示。

表4 基準建筑基礎參數設置

圖3 辦公建筑模型

3.2 能耗相關分析確定新權重

按照上述參數構建建筑模型后，進行30 a逐年能耗模擬。將各氣象參數的月均值與逐年逐月模擬的能耗值進行相關性分析，將相關性大的賦予更高的權重。構建新的權重因子時，引用了Pearson相關分析法。確定新的權重因子的具體步驟如下。

1) 構建地區典型代表建筑，并進行逐年逐月能耗模擬。基于Pearson相關分析法分析能耗與各氣象參數相關關系，相關系數R的求解公式為

(4)

式中X、Y分別為各個氣象參數長期值(30 a)；N為數據個數。

2) 計算新的權重因子值。

(5)

式中WFj為第j個氣象參數的相關系數；ρxy,i為第i個月、第j個氣象參數與能耗的相關系數。

(6)

式中NWFj為第j個氣象參數新賦予的權重值；M為氣象參數個數。

對模擬的能耗數據使用Pearson相關分析法逐年逐月計算相關系數值，所得結果見表5。

由表5可見，溫度與能耗呈現明顯的相關性，且占比較大；輻射占比在7、8月較大，其余月份沒有較大相關性。

溫度對能耗的影響最為顯著，且呈現較好的季節性特征——在夏季與能耗呈現較高的正相關，在冬季呈現較高的負相關。因為夏季溫度升高會增加建筑的空調運行能耗，而在冬季溫度升高會減少建筑內的供暖能耗。太陽總輻照度在7、8月時呈現較強的正相關，其余月份相關性并不特別明顯。風速和相對濕度與能耗沒有明顯的變化規律，該分析結果與實際情況較為吻合。

基于式(4)～(6)計算新的權重因子，結果見表6。

表6 新權重因子計算結果

3.3 新權重因子挑選TMY結果分析

Filkenstein-Schafer統計方法通過對比所選月份的逐年累計分布函數(CDF)與長期累積分布函數的接近程度確定權重，即將不同參數計算的FS值結合權重因子，合計為WS值，依據最小WS值確定TMM[3]。在已有研究中，各氣象參數在計算WS值時依據經驗法選擇固定的氣象參數權重[17-19]。

構建新的權重因子后，對Sandia法中的權重因子進行修正。Sandia典型年挑選方法的具體內容如下[3]。

分析的氣象參數為干球溫度、露點溫度、風速和水平面總輻射，通過對比所選月份(即為1—12月各個月份)的逐年累計分布函數與長期的累計分布函數的接近程度確定權重，其數學定義為

式中Sn(x)為x處的累計分布值；n為氣象參數的數量；k為序數。

各要素的逐年累計值FS按下式計算：

CDFy,m(x(j)i)|

(8)

式中FSj(y,m)為第j個氣象參數值域在xi(xi為樣本值升序序列)范圍的FS(y,m)統計值；y為研究對象年；m為研究對象年中的月份；CDFm(x(j)i)為m月、第j個氣象參數值域在xi范圍的CDF值；CDFy,m(x(j)i)為y年m月、第j個氣象參數長期統計值域在xi范圍的CDF值。

然后根據各氣象要素的影響力大小，按照加權方法將干球溫度等氣象參數的FS值匯總成一個參數WS。其定義如式(9)所示：

(9)

式中WS(y,m)為y年m月的平均加權和。

將表6中計算出的新權重結果，替換Sandia法中的原權重值，按照該新權重值挑選的北京TMM結果見表7。

表7 新權重因子挑選典型月結果

以新的權重因子挑選出的TMM結果較Sandia法原權重因子挑選的結果有較大差異。分析各項參數對比結果，對比新權重因子與原權重因子挑選的結果。結果如圖4所示。

結果顯示，按照新權重因子挑選的TMY，對于平均干球溫度，新權重與長期平均值的標準偏差RMSE為3.59 ℃，Sandia法原權重因子計算的偏差為7.2 ℃；對于相對濕度，新權重因子與長期平均值的RMSE為8.29%，原權重因子計算的RMSE為11.21%；對于平均風速，新權重因子計算的RMSE為3.84 m/s，原權重因子計算的RMSE為7.47 m/s；對于太陽輻射，新權重因子計算的相對標準偏差RSD為0.20%，原權重因子計算的RSD為0.17%。

平均干球溫度、相對濕度、平均風速的新權重結果較原權重更接近長期平均值；太陽總輻照度的新權重相對標準偏差比原權重大。原因為新權重中降低了太陽總輻照度的權重。

該結論僅對各項參數單獨分析得到，還需進行建筑能耗模擬進一步綜合驗證結果的可靠性。

3.4 能耗模擬驗證結果

基于上文所述建筑模型，將新權重因子下挑選的TMY生成新的EPW格式文件，導入EnergyPlus軟件中進行能耗模擬，模擬結果如圖5所示。

圖5 能耗對比結果

模擬結果顯示，Sandia法原權重因子挑選TMY的能耗模擬結果與30 a平均值的標準偏差為41.95%，新權重因子挑選的TMY能耗模擬結果與30 a平均值相對的標準偏差為31.42%。對權重進行修正后，降低了10.53%的偏差。

結果表明，新權重因子下挑選的結果較原權重因子下挑選的結果更接近長期平均值。

4 結論

1) 對氣象參數賦予不同的權重因子會影響TMY的挑選結果，以平均干球溫度為例，產生最大MBE值為-3.88 ℃。權重因子的取值將影響TMY的準確性。

2) 采用EnergyPlus軟件進行能耗模擬，對模擬結果與各氣象參數進行相關性分析，得出新的權重因子，相較于原權重結果，提高了溫度權重，降低了太陽輻照度權重。

3) 將新權重因子下挑選的TMY結果與Sandia法原權重因子下挑選的結果進行對比分析，在各項氣象參數偏差分析中，新權重挑選結果較原權重結果偏差都更小；建筑能耗模擬對比分析中，新權重挑選結果更接近長期能耗平均值。

本研究可提高TMY的準確性，進而為提高建筑能耗模擬的準確和高效提供參考。