基于不確定性量化分析的超低能耗建筑空調系統運行能耗研究*

2021-06-02 02:57:18上海市建筑科學研究院有限公司趙德印

暖通空調 2021年5期

上海市建筑科學研究院有限公司趙德印徐強

0 引言

受內部和外部各種復雜因素的影響，在工程實踐中存在著大量的隨機不確定性和認知不確定性，因此如何通過一定的技術手段來提高工程系統的穩健性顯得尤為重要。以美國Sandia國家實驗室為代表的眾多研究機構提出使用不確定性量化來有針對性地解決穩健性、提高系統可靠性，獲得了一系列研究成果[1]。迄今為止，不確定性量化的研究方法已經廣泛應用于結構工程、機械工程、核工程、武器設計、建筑能耗等工程和研究領域[2-6]。

建筑能耗不確定性量化研究涵蓋內容較多，一般包括空調、通風、照明、熱水、動力等方面。如Lamberti等人對美國斯坦福的Y2E2建筑進行了夜間通風節能的不確定性量化研究。自然通風由于風壓不穩定而存在較大的不確定性，計算節能潛力與實際效果相差較大，因此在設計中偏重考慮熱壓通風的作用。作者首先基于經驗給定不確定性變量，包括窗戶流量系數、表面傳熱系數、墻體內表面溫度及內部得熱的概率分布，然后利用CFD模擬以修正概率分布，最后將不確定性變量代入建筑整體模型進行夜間通風潛力分析[7]。Pang等人利用EnergyPlus對5個不同城市氣候區的旅館熱水用水量進行了不確定性和敏感性分析，輸入先驗變量161個，抽樣計算15 000次，經數據分析指出，最大熱水能力和熱效率是影響洗衣房燃氣消耗量的關鍵因素，廚房中關鍵因素則為進出水溫度，對于熱水消耗量而言，關鍵因素是用水設備的最大出流量；此外，人員行為對熱水消耗量和燃氣消耗量均有較大影響[8]。Yan等人對空調新風機組進行了測試，結果表明利用風閥調節新風量和新風比時存在較大不確定度；基于實測數據對其進行不確定性量化處理并代入EnergyPlus進行分析，能耗模擬結果表明，與基準模型相比，考慮新風不確定性后的制冷能耗相差17%，制熱能耗相差43%[9]。Domínguez-Muoz等人闡述了利用輸入變量不確定性確定建筑峰值負荷的方法，與傳統的單次計算、取安全系數等方法相比，新方法根據模擬結果概率分布曲線確定建筑峰值負荷，能在有效降低峰值負荷的同時規避風險[10]。Tian等人針對不確定性研究方法在建筑能源評估中的應用進行了文獻綜述，分別從不確定性來源、正向和逆向分析方法、應用軟件等方面介紹了國內外的研究進展，并樂觀預測不確定性研究方法將成為建筑能源評估分析的主流方法[11]。

由以上文獻資料分析可知，不確定性量化研究方法的優勢在于盡最大可能考慮了不同輸入變量的不確定性，通過一定的數學抽樣方法提取不同變量組合進行多組能耗模擬計算，最終生成目標對象的累積概率分布曲線，幫助設計者在考慮風險的同時進行決策。

當前不確定性量化研究方法在建筑空調系統中主要用于額定負荷、零部件性能、設備容量確定等研究，研究結果更多的是幫助設計師進行風險決策。本文引入該方法，在盡可能考慮實際運行條件的前提下，對超低能耗辦公建筑進行運行能耗評估，探索該類型建筑的運行能耗下限值。

1 研究方法

本文利用該方法對一棟辦公建筑進行全年空調能耗分析，研究思路為：首先分析相關輸入參數并確定先驗分布，然后建立能耗模型并進行抽樣計算，最后建立能耗的累積概率分布曲線以確定空調能耗并進行輸入變量敏感性分析，如圖1所示。研究主要采用DesignBuilder軟件[12]，該軟件以EnergyPlus為計算核心，使用OpenGL固體建模器，具有優秀的圖形界面操作能力，界面友好，易于操作，能通過拉伸、剪切等三維建模命令對復雜建筑進行建模，建模效率較高。不確定性量化分析采用軟件中的Optimisation+UA/SA模塊，樣本采樣方法選用random，經采樣生成變量的樣本組合后代入能耗模型中進行計算并作統計分析。

圖1 分析流程圖

在不確定性分析完成并獲取最終數據樣本后，一般均進行敏感性分析，用于辨識輸入變量的重要程度。敏感性分析起初是經濟學中用于投資項目風險評價的一種動態不確定性分析法，應用該方法能找出對項目經濟效益影響最大的敏感性因素并量化，從而為項目風險決策提供科學依據[13]。本文采用多元線性回歸法建立輸入變量和能耗的關聯式，進行各輸入變量的敏感性分析。

2 研究對象

目標建筑為上海市一棟辦公建筑，總建筑面積2.3萬m2，其中地上建筑空調面積約8 640 m2，主樓6層，副樓3層，建筑總高度24 m，使用DesignBuilder軟件建模，如圖2所示。依據公共建筑節能設計要求并結合業主提出的建筑功能需求，確定建筑圍護結構參數、空調設計溫度、相關熱擾參數等，如表1所示。該建筑空調形式為多聯機+新風系統，工作時間為工作日08:00—18:00。

圖2 目標辦公建筑模型

表1 建筑參數設置

3 參數不確定性辨析

嚴格來說，能耗計算所需要的所有輸入變量均存在不確定性。以下分別對各類變量的不確定性類型和存在原因加以詳細說明。

1) 建筑本體的固有屬性變量。主要是圍護結構的熱工參數，包括材料的導熱系數、密度、比熱容等，該類參數由于實際建筑使用材料和標準測試材料之間存在差異，因此在模擬計算時輸入的變量存在系統偏差和測量誤差。

2) 建筑使用相關的可變變量。主要是建筑運行中的實際運行時間表、人員密度、人員行為、空調系統運行策略、房間設備、燈光開啟密度等變量，其特點是用戶自由控制時，該類變量變化范圍較大，單一工況模擬時，固定的取值將會造成模擬結果的較大偏差，但是當采取集中控制、嚴格管理時，該類變量即可認為是固定取值。

3) 不受控制的變量。該類變量是系統模擬的重要輸入參數，包括氣象參數、建筑氣密性、空調系統性能等。其中氣象參數只能被動測量，測量時存在測量誤差，無法實施人工干預，模擬計算時多使用典型氣象年數據，與歷年實測數據之間存在差異，屬于系統偏差。建筑氣密性和空調系統性能類似，在建筑建成投入使用后其基礎性能即確定，而基礎性能受制造、安裝等人為因素影響，與此同時，室內外溫度、溫差又直接影響兩者的實時性能，因此模擬時采用單一工況固定數值會導致一定偏差。

4) 建模誤差。主要是指建筑模型尺寸與設計尺寸之間的偏差，一般能耗建模均根據設計圖紙手動近似建模，房間使用面積、墻體厚度、空間功能布局等無法做到模型與實際建筑完全一致，該部分誤差無法消除，但是在計算機硬件、計算時間等滿足要求的條件下，可以盡量細化建模以減小誤差。

5) 制造偏差。主要是指建筑建造過程中，構件澆筑、加工制造過程中的尺寸偏差，比如墻體厚度等，這些偏差會導致墻體的熱阻出現偏差，從而影響空調能耗的計算準確度。

事實上在模擬分析建筑能耗時，需要在計算成本與計算精度之間尋求平衡，即盡可能尋找影響建筑能耗的關鍵變量并建立其變量概率分布密度函數。

Li等人針對香港地區零能耗/低能耗建筑進行了不確定性計算研究，主要考慮的不確定性因素包括氣象參數、滲透系數、內部負荷等[14]。de Wilde等人研究了考慮氣候變化條件下的建筑負荷變化，研究結果表明，建筑滲透性能、燈光和設備發熱是影響制熱負荷的關鍵因素，影響制冷負荷的主要因素主要是燈光和設備發熱及高排放情景下的氣候條件[15]。Belazi等人重點研究了人員上下班時間、人數變化及圍護結構對寒冷地區、炎熱地區、溫和地區建筑能耗的影響，其中炎熱地區人員行為變化對能耗影響較大，而在寒冷地區則圍護結構更為重要[16]。這間接表明建筑能耗的不確定性分析需要考慮氣象條件。

本文研究對象為一棟新建成投入使用的裝配式超低能耗辦公建筑，墻體采用預制件裝配而成，建造中有樣品檢驗、現場檢驗等過程以保證建筑性能達到設計要求。該建筑是公司自有建筑，主要供公司內部員工辦公使用，員工上下班作息時間明確。因此可以認為前述不確定性因素1)、2)、5)變化較小，認定為固定變量，不確定性因素4)沒有明確的變量，無法測量，只能盡量依據圖紙建模，減少模型誤差。

因此在不確定性分析時，本文主要考慮具有較大不確定性的輸入變量，主要包括：1) 氣象數據，2) 滲透換氣次數，3) 自然通風換氣次數，4) HVAC性能指標制冷季節能效比(SEER)、制熱季節能效比(HSPF)，5) 人員密度。

以下分別對各輸入變量的概率分布函數進行分析說明。

3.1 氣象數據

在能耗模擬中，氣象數據文件是影響模擬準確性的一個重要因素，目前各不同能耗模擬軟件均自帶氣象數據文件。朱明亞對目前常用的各類型氣象數據文件，如IWEC(international weather year for energy calculation)、CSWD(中國標準氣象年)、SWERA(solar and wind energy resource assessment)、CTYW(中國典型年)作了匯總，這些氣象數據文件使用不同來源、不同歷史年份的天氣數據，主要使用Finkelstein-Schafer(FS)統計分析方法、根據不同判斷準則制作而成[17]。此外，具體到每一年的氣象數據之間也存在差異。本文對CSWD、2008—2017年共計11個氣象數據文件作了統計對比分析，如圖3、圖4所示。由圖可知，基于度時(日)數法的空調冷負荷近10年來呈現大幅增加的趨勢，而供暖熱負荷則呈現略微下降趨勢。相對于標準氣象年基準數據，空調度時數CDH26最大值增加了151%，供暖度日數HDD18最小值僅降低了10%左右。進一步分析月平均溫度可知，近10年中(2008—2017)7月和8月的平均溫度明顯高于標準氣象年對應溫度，如圖5所示，該時間段正是空調用電高峰期，表明采用近年氣象數據文件計算時其空調制冷能耗將高于標準氣象年文件的計算結果。Wang等人對一棟辦公建筑的研究也表明，不同年份的氣象數據導致的能耗變化幅度約為-4%～6%[18]。因此在進行不確定性分析時，采用CSWD、2008—2017年共計11個氣象數據文件進行計算。

圖3 供暖度日數對比

圖4 空調度時數對比

圖5 月平均溫度對比

3.2 滲透換氣次數

建筑滲透換氣性能與建筑能耗密切相關，有文獻研究表明，滲透換氣造成的供暖能耗占居住建筑總能耗的比例為15%～45%[19]。相對而言，公共建筑的建筑本體氣密性要優于居住建筑，同時個性隨機調節行為等的發生頻率也低于居住建筑，但是其由于滲透造成的建筑能耗也不能忽略。

一般而言，滲透換氣性能優劣受建筑施工工藝、建筑用途、建成年限等因素影響，不同建筑其數值不盡相同，相應的建筑能耗變化也較大。Heo等人基于既有建筑實際測試數據，利用貝葉斯推斷方法得到了建筑滲透系數后驗概率分布，如圖6a所示，80%以上的數據集中在0.75～1.10 h-1之間[20]。Macdonald匯總了建筑能耗不確定性研究結果，對美國、英國、瑞典、挪威等國的建筑滲透性能作了總結，如圖6b所示，滲透換氣次數平均值分布在0.10～0.35 h-1之間[21]。結合圖6研究成果，本文研究對象的建筑滲透換氣次數取值范圍定為0.35～1.25 h-1，參數分布函數取為正態分布N(0.75,0.192)。

圖6 建筑氣密性研究成果

3.3 自然通風換氣次數

單純依靠建筑合理設計及運行實現建筑超低能耗甚至近零/零能耗等目標較為困難，合理利用可再生能源降低建筑運行能耗較為關鍵。本文研究的目標建筑空調系統依賴電網電力輸入，沒有可再生能源發電補償，因此主要考慮利用自然通風降低空調能耗。

過渡季節應用自然通風具有較好的節能潛力，而自然通風分為熱壓通風和風壓通風，驅動力分別為熱壓和風壓。除室外氣象條件外，自然通風的影響因素還包括：室內門窗開口面積、室內熱擾等。為確定自然通風換氣次數，本文采用計算法對該目標建筑自然通風換氣次數進行了不同開窗面積下的對比計算，如圖7所示，當外窗開口面積為10%時，換氣次數明顯偏大，而當外窗開口面積為5%時，其換氣次數可達到4 h-1。因此在考慮自然通風換氣次數的不確定性時，取其概率分布為均勻分布，間隔1 h-1，上限為4 h-1，下限為1 h-1，只在過渡季節開啟運行，運行時間設置如表2所示。

圖7 自然通風換氣次數

3.4 多聯機SEER/HSPF

多聯機全年性能系數(APF)、SEER、HSPF的主要表達式如式(1)～(5)所示，其余用于計算的公式詳見多聯機標準附錄[22]。

(1)

(2)

(3)

(4)

(5)

式(1)～(5)中Lc為制冷季節總負荷，kW·h；Ec為制冷季節耗電量，kW·h；Lh為制熱季節總負荷，kW·h；Eh為制熱季節耗電量，kW·h；Rhc為熱冷負荷比；Lc(tj)為室外溫度tj時建筑物的制冷負荷，kW；j為制冷季節溫度區間序號，j=1,2,3,…,18,19；m為室外溫度tj=35 ℃時的溫度區間序號；φful(tj)為室外溫度tj時機組以名義能力運行時的制冷量，kW；nj為制冷季節需要制冷的各溫度發生時間，h。

綜上可以看出，多聯機當前季節能效比計算的主要方法是根據額定性能、中間性能、最低性能、低溫性能(制熱)實測數據，利用相關線性方程求解各溫度區間下的對應性能參數，從而求解SEER、HSPF、APF。

由式(1)～(4)進一步推導，可以得到APF與SEER、HSPF的關系式，如式(6)所示。

(6)

由式(6)可知，當Rhc已知時，即可求解得到SEER、HSPF、APF三者之間明確的關系式。

為求解SEER、HSPF，根據相關規范[23-24]，取Rhc=0.7，根據實際調研機組性能數據[25]，取APF=4.5，并定義如下變量：

(7)

(8)

式(7)、(8)中x、y分別為制冷性能比例因子、制熱性能比例因子。

求解式(6)～(8)并代入相關數值可得：

(9)

根據式(9)繪制x、y變化趨勢圖，如圖8所示。結合實測機組性能數據，本文研究中選取變量合理變化區間為：y∈[0.70,1.00]，x∈[1.00,1.43]。由于進行不確定性分析時要求各因素之間相互獨立，因此SEER、HSPF的取值范圍分別為[3.6,4.5]、[3.15,3.60]。由于多聯機實際安裝及運行狀態復雜多變，設定兩者的概率分布均為正態分布，方差取默認設置，其中制冷季節能效比分布函數為SEER～N(4.05,0.52)，制熱季節能效比分布函數為HSPF～N(3.375,0.52)。

圖8 HSPF/APF(y)隨SEER/APF(x)變化趨勢圖

3.5 人員密度

在實際辦公建筑運行中，一天之中不同時刻的人數是不同的，在模擬過程中，不同時刻的人數通常使用運行時間表來控制，如圖9所示。則任意時刻的在室人數可用如下公式表達：

圖9 人員逐時時間表[26]

Oo=DpAzSs

(10)

式中Oo為任意時刻在室人數，人；Dp為人員密度，人/m2；Az為熱區面積，m2；Ss為運行時間表。

在進行建筑不確定性模擬時，人員密度一般參考規范或者設計經驗取一定值，如GB 50189—2015《公共建筑節能設計標準》中推薦的人員密度為0.1人/m2[26]，GB 50189—2005《公共建筑節能設計標準》中則為普通辦公室0.25人/m2、高檔辦公室0.125人/m2[27]。因此本文在模擬時參考軟件推薦設置，取人員密度分布為D～N(0.16,0.052)，取值區間為[0.10人/m2，0.25人/m2]。

4 運行能耗不確定性量化分析

依據第2章建立的建筑模型，輸入第3章所確定的變量分布，應用DesignBuilder的Optimisation+UA/SA模塊進行相關設置，采用random抽樣法。目前尚無統一的抽樣次數計算方法，抽樣次數更多依賴于所研究的對象及實際經驗。對于本文采用的抽樣方法，軟件推薦最少抽樣次數為變量總數的20倍，即以120次抽樣計算，本文計算時設置為200次，滿足最少樣本次數要求。計算所得多聯機運行能耗統計及累積概率分布如圖10所示。

圖10 運行能耗統計及累積概率分布

由圖10可知，當累積概率取95%時，該建筑空調系統全年單位面積運行能耗為25 kW·h/(m2·a)；而單位面積能耗低于20 kW·h/(m2·a)的累積概率則為16.5%。能耗數據的分位數圖示法如圖11所示。由圖11可以看出，各觀察值數據基本在一條直線上，可以認為空調系統運行能耗數據符合正態分布。