安晶晶1 燕 达1 洪天真2 孙开宇2 刘烨1
1、清华大学建筑节能研究中心
2、劳伦斯伯克利国家实验室建筑技术与城市系统部
【摘 要】近年来，我国的区域供冷系统在城市住宅小区中得以广泛应用。大多数系统存在选型偏大的现象，初投资浪费、系统运行效率低，造成能源的浪费。因此，准确预测区域建筑的冷负荷是应用区域供冷系统亟待解决关键问题之一。现在常用域供冷设计中常采用负荷模拟算法均对人行为做了简化处理，不能全面反映不同用户由于人行为造成的负荷差异性，可能造成系统负荷的不合理估计。为了探究人行为对于住宅小区尖峰负荷、总负荷等方面的影响程度，本文基于实测和问卷调研数据对武汉市某住宅小区建立DeST模型并展开模拟，对比了采用详细的人行为模型与全时间全空间模型、固定作息模型的模拟结果，及实测结果的冷负荷差异，结果表明过于简化的人行为模型会造成系统尖峰负荷和总负荷的过大估计，考虑人行为差异的模型更贴近实际测试结果。本研究也对此方法在住宅小区冷负荷模拟应用展开了探讨。
【关键词】人行为；住宅小区负荷；DeST；冷负荷；设备选型
Abstract:District cooling systems are widely used in urban residential communities in China. Most of such systems are oversized, which leads to wasted investment, low operational efficiency and, thus, waste of energy. The accurate prediction of district cooling loads that can support the rightsizing of cooling plant equipment remains a challenge. This study develops a novel stochastic modeling method that consists of (1) six prototype house models representing most apartments in a district, (2) occupant behavior models of residential buildings reflecting their spatial and temporal diversity as well as their complexity based on a large-scale residential survey in China, and (3) a stochastic sampling process to represent all apartments and occupants in the district. The stochastic method was applied to a case study using the Designer’s Simulation Toolkit (DeST) to simulate the cooling loads of a residential district in Wuhan, China. The simulation results agreed well with the measured data.
Key words:Occupant behavior, District cooling load, DeST, Cooling load, Equipment sizing
1 引言
住宅建筑的能耗在全世界领域的能耗中的占比较大。2006年，美国住宅领域的建筑能耗占全体一次能源的20%以上[1] 。欧盟的北部住宅能耗占总能耗的30%左右[2] 。在2022年，中国建筑领域的能耗预计达到总能耗的35%，暖通空调能耗占全体住宅能耗的百分65%[3] 。因此，近年来越来越多的学者关注到住宅建筑节能，研发出一系列降低能耗的技术措施，如区域能源系统，分布式能源，基于地/水源热泵、冰蓄冷的区域供冷等[4-6] 。这些技术采用集中供冷系统同时为一个区域或城市的多栋建筑供应冷/热量。与分散的空调设备（如分体空调）相比，它们或采用的具有更高效率的大容量机组，或利用可再生能源如地下水提高冷机效率，或实现多种能源的优化利用，从而实现高能效和低能耗的目的。为了更好的利用这些技术，我们需要更加准确的预测区域建筑中用户的冷热量需求。
与单户住宅或单栋楼相比，一个住宅小区通常包含成百上千户不同需求的住户。不同住户的负荷曲线在时间上和空间上存在较大差异。Brounen等人[7]调研了305001个住宅在2008-2009年的用能情况，其年能耗存在的较大差异证明了这种差异性的普遍存在。Weissmann等人[4]采用两栋楼的负荷曲线来表征不同住户负荷的差异性以及其对集中供冷系统的负荷尖峰的削峰作用。Fonseca和Schlueter[8]强调了理解区域系统内用户负荷时间上和空调上的差异性对于设备选型和控制策略应用的重要性。近年来，越来越多学者认识到人行为的多样性和随机性是造成不同用户负荷差异的关键因素之一。李兆坚等人[9]调研了北京市一栋住宅楼内25户住宅，发现其供冷季空调电耗变化范围较大，从0到15 kWh/m2，证明夏季空调用量的差异不仅受到天气和空调系统类型的影响，更多受到人行为差异的影响。周欣等人[10]通过模拟手段分析了在住宅建筑中人员开空调模式对空调能耗的影响，结果表明不同的空调使用模式可以造成数十倍的空调电量影响。
现在区域供冷设计中常采用两种负荷模拟算法。一种是全时间全空间的模拟算法，即认为气象是最主要的影响因素，建筑室内发热量对负荷的影响较小，假设其为恒定值且不随时间和空间变化，而所有房间的空调均保持持续开启。随着动态模拟工具的发展，很多学者认识到人行为的作用，因此提出采用实测调研的人员、灯光、设备获得的作息用于区域建筑的负荷模拟当中。简毅文[11]在北京住宅开展了大量调研测试，并提炼出典型几类可应用于模拟计算的作息曲线。但这种作息为预先设定的固定作息，如人员早晨8点离家，下午6点到家，不受室内外环境的变化和随机因素的影响。而且通常为了简化计算便于工程应用，每类作息只简化为有限的几条曲线。因此，这两种方法不能全面反应不同用户由于人行为造成的负荷差异性，可能造成系统尖峰负荷和总负荷的过大估计。
因此，本文提出一套基于随机人行为模型的区域住宅负荷模拟算法，此方法细致地考虑了不同住户人行为的模式差异和随机差异，基于大量用户问卷调研得到的典型人行为模式和概率分布为各户确定该户的人行为模型参数。本文将此方法应用于武汉某住宅小区，通过对比采用详细的人行为模型与全时间全空间模型、固定作息模型的模拟结果，及实测结果的冷负荷差异，探究人行为对于住宅小区尖峰负荷、总负荷等方面的影响程度，校验本方法的准确性。最后，本文探讨此方法在区域供冷系统设备选型等方面的应用性。
2 研究方法
2.1 随机人行为方法介绍
本研究采用自下而上模型来计算整个小区的冷负荷如图 1所示，主要考虑了六个主要因素的影响：住宅类型，人员位移、空调设定温度、照明开启模式、窗户开启模式和空调开启模式。人员位移主要受到人数和移动方式的影响，采用事件和马尔科夫矩阵模拟得到[15-17] 。采用不同的概率模式表示不同人员用能行为的模式[18-19] 。根据实际调研测试结果，可以知道各影响参数的比例，假设各影响因素相对独立，通过随机采样的方式为整个小区内所有住宅指派对应的参数。采用详细的人行为模型和建筑能耗模拟软件，可以计算得到每个住宅在各时刻人员位移、人行为以及冷负荷，通过加和得到整个住宅区域的逐时冷负荷。因此，此模型可以体现不同户人行为的模式差异和随机差异，这是本模型与传统能耗模拟方法相比最大的创新之处。
本文采用清华大学自主研发的建筑能耗模型软件DeST作为模拟工具[12] ，此软件现已集成人员位移和包括照明人行为、空调开启行为和窗户开启行为在内的人行为模型[13] 。建筑能耗模型建立于原有DeST环境中，关于人员位移和人行为相关信息储存在额外的SQLite数据库。考虑到计算精度和运算时间，本研究采用10分钟作为时间步长。
2.2 案例小区介绍
案例调研的小区位于湖北省武汉市，建于2009年，包含5栋21层的住宅楼，总建筑面积超过5万平米。整个小区包含414户，主要包含7类不同住宅面积、朝向、分区等的户型，空置率为11%。
小区采用集中空调系统为整个小区提供24小时连续供应的冷/热量，冷源为2台额定冷量为633Kw输入功率为112kW和1台额定冷量为928Kw输入功率为156kW的水源热泵，控制策略为台数控制。有4台定频的冷冻水水泵。因此，通过改变冷冻水泵开启的台数和旁通阀开关状态可以调整系统供冷量。空调末端为可以调节开关的风机盘管。小区空调收费方式为根据实际用量收费，因此可以假设用户空调用量等于用户的实际需求。
2.3 模拟计算
为了探究人行为对于住宅小区尖峰负荷、总负荷等方面的影响程度，并且验证本文提出的随机人行为方法的准确性，本文对该小区建立模型并展开模拟，对比了随机人行为方法与全时间全空间方法、固定作息方法的模拟结果，及实测结果的冷负荷差异。模拟分析的技术路线如图 3所示。
基于调研测试获取的案例小区的建筑信息，包括住宅数量，住宅类型，气象参数和空置率等，建立住宅小区的能耗模型。由于这个小区建于2009年，围护结构性能采用夏热冬冷地区建筑节能设计标准2001版[14]的相关参数。
基于2013年夏季清华大学建筑节能研究中心在成都地区（同案例小区同处夏热冬冷地区）调研获得的400余份人行为问卷，归纳总结出人员位移和各类人员用能行为的模式和比例，确定各模式对应的模型参数。本案例中共采用了6种人员位移模式，每类人员用能行为包含4或5种典型人行为模式。基于问卷调研结果采用随机采样的方式为小区中各户确定人员位移模式和人行为模式。
为了评估和验证随机人行为方法的准确性，我们将此方法模拟结果与两种常规算法，即全时间全空调开启方法和固定作息方法，及测试结果进行对比。随机人行为方法主要基于随机的人员位移和人行为模型。全时间全空间方法假设所有房间所有时刻都有人，且室内发热量恒定，通风换气次数为1次每小时，空调保持开启状态，输入参数参考夏热冬冷地区建筑节能设计标准2001版。固定作息方法考虑到室内发热量、通风、空调作息等时间上差异性，因此采用简毅文[11]提出的参考作息作为输入条件。三种模拟算法的输入条件汇总在表 1。
3 新方法的实测检验与实际应用
为了验证本文提出的随机人行为方法的有效性，本文对比了采用随机人行为方法与全时间全空间模型、固定作息方法的模拟结果，及实测结果的冷负荷差异，主要从区域总冷量、尖峰负荷、负荷分布、典型负荷曲线和各户供冷季总用冷量的分布五个方面展开对比。模拟计算的结果被整理为与实测相同的时间步长（5分钟）和周期（7月5日早晨9点至8月31日晚上24点）。最后，探讨了此方法在区域供冷系统中设备选型的应用性。
3.1 区域总冷量对比检验
图 4为三种对人行为不同假设的模拟算法和实测得到的区域总冷量的对比结果。可以看出考虑人行为差异的方法模拟得到的结果与实测值较为接近，误差为-7%。固定作息方法根据实测调研结果将所有住户的人行为简化为一种最为常见的固定作息，总冷量的模拟结果和实测结果的差异仅为4%，也可以较好的反映区域的实际总冷量。由于我国住宅中空调、照明、设备等主要采用部分时间部分空间的使用模式，与欧美全时间全空间的使用方式有较大差异，全时间全空间方法过大的估计了区域的总冷量。
3.2 区域尖峰负荷对比检验
根据图 5所示结果，考虑人行为差异的方法具有明显的优越性，模拟与实测结果相比误差仅为9%。由于两种常规模拟方法不能体现人行为的随机性和模式差异，其计算结果不尽如人意，误差分别为151%和55%。固定作息方法比全时间全空间方法的误差更大。主要是因为在固定作息方法中，所有用户采用相同的作息而不是一直开启的作息，因此在所有用户同时开启空调时就会出现一个较大的尖峰负荷来消除墙体和空气蓄热的影响。而全时间全空间方法假设所有用户一直开启空调，因此其计算的尖峰负荷要大于实测结果但是仍然比固定作息方法要小。
3.3 区域负荷分布对比检验
所有模拟的负荷分布均与实测结果有较大差别，主要原因在于测试的冷量数据是冷机的供应量，而冷机的供冷量主要受到冷机台数和对应的冷冻水泵台数的控制，因此，冷机的供冷量是阶梯式变化而不是连续供应的。从图 6中可以看出，供冷量主要集中在一些特定值，如400kW，800kW，1600kW。而三种模拟方法得到的结果均是连续变化的数值，因此和实测结果差距较大。尽管如此，考虑人行为差异的方法模拟得到的结果与实测结果最为接近，因为大多数情况下整个区域的负荷均分布在700-800kW的范围内，仅有20% 的数据大于1000kW，这符合实测结果的一些特性。然而，固定作息方法模拟的结果偏大（大于1600kW）或偏小（0kW），而全时间全空间方法模拟的结果严重偏大，有30%的数据大于1600kW，这两种常规算法的结果与实测结果存在明显偏差。
3.4 区域负荷曲线对比检验
我们选取其中一周的数据作为示例展示三种模拟算法和实测数据的对比结果。从下图可以看出，整个区域的负荷曲线在上午相对较低，在住户下班回家后开始上涨，直到晚上睡觉曲线趋于平稳。因此，我们可以推测出此小区的大多数住户早晨离家上班、上学等，有一部分住户中午回家后不再外出，大多数住户在夜间均待在家中。不同住户回家的时间不一致，开空调的习惯也有差别，因此各户的空调尖峰负荷出现的时刻不同，由于这种差异性的存在，整个小区的尖峰负荷要小于两种常规算法的计算结果，而考虑人行为差异的方法很好的表征了不同用户负荷的差异性。全时间全空间方法假设整个小区全时间全空间的开启空调，区域的负荷曲线主要受到室外气象参数的影响，尖峰负荷出现在中下午12:00–15:00，即一天中最热的时候，因此区域负荷的尖峰值和总量均大于实测结果。固定作息方法认为所有住户白天不开空调，晚上同时到家后立即开启空调，由于空调需要消除整个白天积蓄在墙体、家具和空气中的蓄热，因此整个区域会出现一个较大的尖峰负荷，之后负荷曲线开始下降，直到住户睡前回到卧室同时打开卧室空调时，又会出现另一个尖峰负荷。因此，固定作息方法模拟的尖峰值要大于全时间全空间方法，但总量和实测结果差别不大。
3.5 各户供冷季总用冷量分布
分别统计各户在7、8月的总用冷量分布，对比结果如下图所示。X轴表示不同的住宅，Y轴表示对应所有住宅在7、8月的总用冷量的累计值。可以看出，考虑人行为差异的方法预测的分布情况与实测结果非常接近。然而实测小区用户的供冷季总用冷量最大值为8000kWh，高于随机人行为方法的模拟结果，主要是因为此方法仅考虑了最常见的几种行为模式，而且每次计算各住户的行为模式均是随机采样设定，因此，最耗能的住户可能不在模拟设定的算例中。两种常规算法假设所有住户的使用方式一致，因此，相同户型的住宅空调总用冷量相同。全时间全空间方法假设所有房间都开启空调，因此不同户型的影响较大。固定作息方法认为只有有人的卧室和客厅会开启空调，因此户型对总用冷量的影响较小。
3.6 新方法的实际应用
本研究提出的随机人行为方法可应用于区域供冷系统的空调设备选型，尤其是根据尖峰负荷确定设备的最大容量，根据负荷分布确定设备的搭配。以上述案例小区为例，实际冷机装机容量为2194kW, 而实测的系统尖峰负荷为1678kW，存在31%的设备冗余。下面分别采用全时间全空间方法和随机人行为方法进行模拟计算，并确定冷机的容量。由于设备选型阶段位于建筑设计阶段，因此应该假设小区的空置率为0，使用典型气象年的气象参数进行模拟计算。如表 2所示，全时间全空调方法模拟得到的结果与实际装机容量非常接近，采用全时间全空间方法进行设备选型会导致本案例出现的设备冗余现象。本文提出随机人行为方法与实际测试的尖峰值误差仅为9%，更符合实际运行情况。因此，如果在实际工程中使用随机人行为方法可以避免设备选型过大，降低初投资，实现设备高效率设备运行。
4 结论
本文提出了一套基于随机人行为模型的区域住宅负荷模拟算法，并将此方法应用于武汉某住宅小区，通过对比此方法模拟结果，全时间全空间方法、固定作息方法的模拟结果，和实测结果的冷负荷差异，对人行为的影响程度、本方法的准确性和实际应用进行了分析，主要得到以下结论：
（1）人行为相关的假设对区域负荷预测结果影响较大。考虑不同住户人行为的随机性和模式差异可以获得更为合理的区域负荷预测结果。使用过于简化的人行为模型开展区域建筑负荷模型，会导致不合理的负荷模拟结果。对于全时间全空间的人行为假设，模拟的总能耗和尖峰负荷均严重偏大，也无法体现整体负荷的波动性；对于固定作息的人行为假设，忽略了不同户人行为的随机性，由于作息来源于实际调研结果，系统的总能耗与真实情况较为接近，但在区域负荷的逐时变化与实测值有较大差别；
（2）采用随机人行为方法进行设计阶段的设备选型和搭配、运行策略等，可以获得更合理的结果，避免设备选型过大，降低初投资，实现设备高效率设备运行；
（3）由于人行为的模拟计算较为复杂，需要更详细的人行为模型输入条件，模拟结果依赖于操作者的能力，如何在区域负荷模拟中合理且正确的应用人行为是一个亟待被解决的问题。因此，未来工作需要提出简化随机人行为方法用于实际工程应用，以及扩展此方法在公共建筑区域或混合建筑区域的应用。
参考文献
[1] Reid Ewing, Fang Rong. The impact of urban form on U.S. residential energy use[J]. Housing Policy Debate, 2008, 19(1):1-30
[2] Santin O G, Itard L, Visscher H. The effect of occupancy and building characteristics on energy use for space and water heating in Dutch residential stock[J]. Energy & Buildings, 2009, 41(11):1223-1232
[3] Lama J C, Wana K K W, Tsanga C L, et al. Building energy efficiency in different climates[J]. Energy Conversion & Management, 2008, 49(8):2354-2366
[4] Weissmann C, Hong T, Graubner C A. Analysis of heating load diversity in German residential districts and implications for the application in district heating systems[J]. Energy & Buildings, 2017, 139:302-313
[5] Chow T T, Au W H, Yau R, et al. Applying district-cooling technology in Hong Kong[J]. Applied Energy, 2004, 79(3):275-289
[6] Rezaie B, Rosen M A. District heating and cooling: Review of technology and potential enhancements[J]. Applied Energy, 2012, 93(93):2-10
[7] Dirk Brounen, Nils Kok, John M. Quigley. Residential energy use and conservation: Economics and demographics[J]. European Economic Review, 2012, 56(5):931-945
[8] Fonseca J A, Schlueter A. Integrated model for characterization of spatiotemporal building energy consumption patterns in neighborhoods and city districts[J]. Applied Energy, 2015, 142(15 March 2015):247-265
[9] 李兆坚, 江亿, 魏庆芃. 北京市某住宅楼夏季空调能耗调查分析[J]. 暖通空调, 2007, 37(4):46-51
[10] Zhou X, Yan D, Feng X, et al. Influence of household air-conditioning use modes on the energy performance of residential district cooling systems[J]. Building Simulation, 2016, 9(4):429-441
[11] 简毅文. 住宅热性能评价方法的研究[D]. 清华大学, 2003
[12] Yan D, Xia J, Tang W, et al. DeST — An integrated building simulation toolkit Part I: Fundamentals[J]. Building Simulation, 2008, 1(2):95-110
[13] Feng X, Yan D, Hong T. Simulation of occupancy in buildings[J]. Energy & Buildings, 2015, 87:348-359
[14] JGJ1342001夏热冬冷地区居住建筑节能设计标准[M]. 中国建筑工业出版社, 2001
[15] Wang C, Yan D. A novel approach for building occupancy simulation[J]. Building Simulation, 2011, 4(2):149-167
[16] Chen Y, Hong T, Luo X. An agent-based stochastic Occupancy Simulator[J]. Building Simulation, 2017, 11(1):1-13
[17] Ahn K U, Kim D W, Park C S, et al. Predictability of occupant presence and performance gap in building energy simulation[J]. Applied Energy, 2017
[18] Ren X, Yan D, Wang C. Air-conditioning usage conditional probability model for residential buildings[J]. Building & Environment, 2014, 81(7):172-182
[19] Yan D, O’Brien W, Hong T, et al. Occupant behavior modeling for building performance simulation: Current state and future challenges[J]. Energy & Buildings, 2015, 107:264-278
备注：本文获评为第21届暖通空调制冷学术年会青年优秀论文，收录于《建筑环境与能源》2018年10月刊总第15期（第21届暖通空调制冷学术年会文集）。
版权归论文作者所有,任何形式转载请联系作者。
湘公网安备43011102000873号
