安晶晶¹  燕 達¹  洪天真²  孫開宇²  劉燁¹
1、清華大學建筑節能研究中心
2、勞倫斯伯克利國家實驗室建筑技術與城市系統部

    【摘  要】近年來，我國的區域供冷系統在城市住宅小區中得以廣泛應用。大多數系統存在選型偏大的現象，初投資浪費、系統運行效率低，造成能源的浪費。因此，準確預測區域建筑的冷負荷是應用區域供冷系統亟待解決關鍵問題之一。現在常用域供冷設計中常采用負荷模擬算法均對人行為做了簡化處理，不能全面反映不同用戶由于人行為造成的負荷差異性，可能造成系統負荷的不合理估計。為了探究人行為對于住宅小區尖峰負荷、總負荷等方面的影響程度，本文基于實測和問卷調研數據對武漢市某住宅小區建立DeST模型并展開模擬，對比了采用詳細的人行為模型與全時間全空間模型、固定作息模型的模擬結果，及實測結果的冷負荷差異，結果表明過于簡化的人行為模型會造成系統尖峰負荷和總負荷的過大估計，考慮人行為差異的模型更貼近實際測試結果。本研究也對此方法在住宅小區冷負荷模擬應用展開了探討。

    【關鍵詞】人行為；住宅小區負荷；DeST；冷負荷；設備選型

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領域的能耗中的占比較大。2006年，美國住宅領域的建筑能耗占全體一次能源的20%以上^[1] 。歐盟的北部住宅能耗占總能耗的30%左右^[2] 。在2022年，中國建筑領域的能耗預計達到總能耗的35%，暖通空調能耗占全體住宅能耗的百分65%^[3] 。因此，近年來越來越多的學者關注到住宅建筑節能，研發出一系列降低能耗的技術措施，如區域能源系統，分布式能源，基于地/水源熱泵、冰蓄冷的區域供冷等^[4-6] 。這些技術采用集中供冷系統同時為一個區域或城市的多棟建筑供應冷/熱量。與分散的空調設備（如分體空調）相比，它們或采用的具有更高效率的大容量機組，或利用可再生能源如地下水提高冷機效率，或實現多種能源的優化利用，從而實現高能效和低能耗的目的。為了更好的利用這些技術，我們需要更加準確的預測區域建筑中用戶的冷熱量需求。

    與單戶住宅或單棟樓相比，一個住宅小區通常包含成百上千戶不同需求的住戶。不同住戶的負荷曲線在時間上和空間上存在較大差異。Brounen等人^[7]調研了305001個住宅在2008-2009年的用能情況，其年能耗存在的較大差異證明了這種差異性的普遍存在。Weissmann等人^[4]采用兩棟樓的負荷曲線來表征不同住戶負荷的差異性以及其對集中供冷系統的負荷尖峰的削峰作用。Fonseca和Schlueter^[8]強調了理解區域系統內用戶負荷時間上和空調上的差異性對于設備選型和控制策略應用的重要性。近年來，越來越多學者認識到人行為的多樣性和隨機性是造成不同用戶負荷差異的關鍵因素之一。李兆堅等人^[9]調研了北京市一棟住宅樓內25戶住宅，發現其供冷季空調電耗變化范圍較大，從0到15 kWh/m²，證明夏季空調用量的差異不僅受到天氣和空調系統類型的影響，更多受到人行為差異的影響。周欣等人^[10]通過模擬手段分析了在住宅建筑中人員開空調模式對空調能耗的影響，結果表明不同的空調使用模式可以造成數十倍的空調電量影響。

    現在區域供冷設計中常采用兩種負荷模擬算法。一種是全時間全空間的模擬算法，即認為氣象是最主要的影響因素，建筑室內發熱量對負荷的影響較小，假設其為恒定值且不隨時間和空間變化，而所有房間的空調均保持持續開啟。隨著動態模擬工具的發展，很多學者認識到人行為的作用，因此提出采用實測調研的人員、燈光、設備獲得的作息用于區域建筑的負荷模擬當中。簡毅文^[11]在北京住宅開展了大量調研測試，并提煉出典型幾類可應用于模擬計算的作息曲線。但這種作息為預先設定的固定作息，如人員早晨8點離家，下午6點到家，不受室內外環境的變化和隨機因素的影響。而且通常為了簡化計算便于工程應用，每類作息只簡化為有限的幾條曲線。因此，這兩種方法不能全面反應不同用戶由于人行為造成的負荷差異性，可能造成系統尖峰負荷和總負荷的過大估計。

    因此，本文提出一套基于隨機人行為模型的區域住宅負荷模擬算法，此方法細致地考慮了不同住戶人行為的模式差異和隨機差異，基于大量用戶問卷調研得到的典型人行為模式和概率分布為各戶確定該戶的人行為模型參數。本文將此方法應用于武漢某住宅小區，通過對比采用詳細的人行為模型與全時間全空間模型、固定作息模型的模擬結果，及實測結果的冷負荷差異，探究人行為對于住宅小區尖峰負荷、總負荷等方面的影響程度，校驗本方法的準確性。最后，本文探討此方法在區域供冷系統設備選型等方面的應用性。

2 研究方法

    2.1 隨機人行為方法介紹

    本研究采用自下而上模型來計算整個小區的冷負荷如圖 1所示，主要考慮了六個主要因素的影響：住宅類型，人員位移、空調設定溫度、照明開啟模式、窗戶開啟模式和空調開啟模式。人員位移主要受到人數和移動方式的影響，采用事件和馬爾科夫矩陣模擬得到^[15-17] 。采用不同的概率模式表示不同人員用能行為的模式^[18-19] 。根據實際調研測試結果，可以知道各影響參數的比例，假設各影響因素相對獨立，通過隨機采樣的方式為整個小區內所有住宅指派對應的參數。采用詳細的人行為模型和建筑能耗模擬軟件，可以計算得到每個住宅在各時刻人員位移、人行為以及冷負荷，通過加和得到整個住宅區域的逐時冷負荷。因此，此模型可以體現不同戶人行為的模式差異和隨機差異，這是本模型與傳統能耗模擬方法相比最大的創新之處。

    本文采用清華大學自主研發的建筑能耗模型軟件DeST作為模擬工具^[12] ，此軟件現已集成人員位移和包括照明人行為、空調開啟行為和窗戶開啟行為在內的人行為模型^[13] 。建筑能耗模型建立于原有DeST環境中，關于人員位移和人行為相關信息儲存在額外的SQLite數據庫。考慮到計算精度和運算時間，本研究采用10分鐘作為時間步長。

    2.2 案例小區介紹

    案例調研的小區位于湖北省武漢市，建于2009年，包含5棟21層的住宅樓，總建筑面積超過5萬平米。整個小區包含414戶，主要包含7類不同住宅面積、朝向、分區等的戶型，空置率為11%。

    小區采用集中空調系統為整個小區提供24小時連續供應的冷/熱量，冷源為2臺額定冷量為633Kw輸入功率為112kW和1臺額定冷量為928Kw輸入功率為156kW的水源熱泵，控制策略為臺數控制。有4臺定頻的冷凍水水泵。因此，通過改變冷凍水泵開啟的臺數和旁通閥開關狀態可以調整系統供冷量。空調末端為可以調節開關的風機盤管。小區空調收費方式為根據實際用量收費，因此可以假設用戶空調用量等于用戶的實際需求。

    2.3 模擬計算

    為了探究人行為對于住宅小區尖峰負荷、總負荷等方面的影響程度，并且驗證本文提出的隨機人行為方法的準確性，本文對該小區建立模型并展開模擬，對比了隨機人行為方法與全時間全空間方法、固定作息方法的模擬結果，及實測結果的冷負荷差異。模擬分析的技術路線如圖 3所示。

    基于調研測試獲取的案例小區的建筑信息，包括住宅數量，住宅類型，氣象參數和空置率等，建立住宅小區的能耗模型。由于這個小區建于2009年，圍護結構性能采用夏熱冬冷地區建筑節能設計標準2001版^[14]的相關參數。

    基于2013年夏季清華大學建筑節能研究中心在成都地區（同案例小區同處夏熱冬冷地區）調研獲得的400余份人行為問卷，歸納總結出人員位移和各類人員用能行為的模式和比例，確定各模式對應的模型參數。本案例中共采用了6種人員位移模式，每類人員用能行為包含4或5種典型人行為模式。基于問卷調研結果采用隨機采樣的方式為小區中各戶確定人員位移模式和人行為模式。

    為了評估和驗證隨機人行為方法的準確性，我們將此方法模擬結果與兩種常規算法，即全時間全空調開啟方法和固定作息方法，及測試結果進行對比。隨機人行為方法主要基于隨機的人員位移和人行為模型。全時間全空間方法假設所有房間所有時刻都有人，且室內發熱量恒定，通風換氣次數為1次每小時，空調保持開啟狀態，輸入參數參考夏熱冬冷地區建筑節能設計標準2001版。固定作息方法考慮到室內發熱量、通風、空調作息等時間上差異性，因此采用簡毅文^[11]提出的參考作息作為輸入條件。三種模擬算法的輸入條件匯總在表 1。

3 新方法的實測檢驗與實際應用

    為了驗證本文提出的隨機人行為方法的有效性，本文對比了采用隨機人行為方法與全時間全空間模型、固定作息方法的模擬結果，及實測結果的冷負荷差異，主要從區域總冷量、尖峰負荷、負荷分布、典型負荷曲線和各戶供冷季總用冷量的分布五個方面展開對比。模擬計算的結果被整理為與實測相同的時間步長（5分鐘）和周期（7月5日早晨9點至8月31日晚上24點）。最后，探討了此方法在區域供冷系統中設備選型的應用性。

    3.1 區域總冷量對比檢驗

    圖 4為三種對人行為不同假設的模擬算法和實測得到的區域總冷量的對比結果。可以看出考慮人行為差異的方法模擬得到的結果與實測值較為接近，誤差為-7%。固定作息方法根據實測調研結果將所有住戶的人行為簡化為一種最為常見的固定作息，總冷量的模擬結果和實測結果的差異僅為4%，也可以較好的反映區域的實際總冷量。由于我國住宅中空調、照明、設備等主要采用部分時間部分空間的使用模式，與歐美全時間全空間的使用方式有較大差異，全時間全空間方法過大的估計了區域的總冷量。

    3.2 區域尖峰負荷對比檢驗

    根據圖 5所示結果，考慮人行為差異的方法具有明顯的優越性，模擬與實測結果相比誤差僅為9%。由于兩種常規模擬方法不能體現人行為的隨機性和模式差異，其計算結果不盡如人意，誤差分別為151%和55%。固定作息方法比全時間全空間方法的誤差更大。主要是因為在固定作息方法中，所有用戶采用相同的作息而不是一直開啟的作息，因此在所有用戶同時開啟空調時就會出現一個較大的尖峰負荷來消除墻體和空氣蓄熱的影響。而全時間全空間方法假設所有用戶一直開啟空調，因此其計算的尖峰負荷要大于實測結果但是仍然比固定作息方法要小。

    3.3 區域負荷分布對比檢驗

    所有模擬的負荷分布均與實測結果有較大差別，主要原因在于測試的冷量數據是冷機的供應量，而冷機的供冷量主要受到冷機臺數和對應的冷凍水泵臺數的控制，因此，冷機的供冷量是階梯式變化而不是連續供應的。從圖 6中可以看出，供冷量主要集中在一些特定值，如400kW，800kW，1600kW。而三種模擬方法得到的結果均是連續變化的數值，因此和實測結果差距較大。盡管如此，考慮人行為差異的方法模擬得到的結果與實測結果最為接近，因為大多數情況下整個區域的負荷均分布在700-800kW的范圍內，僅有20% 的數據大于1000kW，這符合實測結果的一些特性。然而，固定作息方法模擬的結果偏大（大于1600kW）或偏小（0kW），而全時間全空間方法模擬的結果嚴重偏大，有30%的數據大于1600kW，這兩種常規算法的結果與實測結果存在明顯偏差。

    3.4 區域負荷曲線對比檢驗

    我們選取其中一周的數據作為示例展示三種模擬算法和實測數據的對比結果。從下圖可以看出，整個區域的負荷曲線在上午相對較低，在住戶下班回家后開始上漲，直到晚上睡覺曲線趨于平穩。因此，我們可以推測出此小區的大多數住戶早晨離家上班、上學等，有一部分住戶中午回家后不再外出，大多數住戶在夜間均待在家中。不同住戶回家的時間不一致，開空調的習慣也有差別，因此各戶的空調尖峰負荷出現的時刻不同，由于這種差異性的存在，整個小區的尖峰負荷要小于兩種常規算法的計算結果，而考慮人行為差異的方法很好的表征了不同用戶負荷的差異性。全時間全空間方法假設整個小區全時間全空間的開啟空調，區域的負荷曲線主要受到室外氣象參數的影響，尖峰負荷出現在中下午12:00–15:00，即一天中最熱的時候，因此區域負荷的尖峰值和總量均大于實測結果。固定作息方法認為所有住戶白天不開空調，晚上同時到家后立即開啟空調，由于空調需要消除整個白天積蓄在墻體、家具和空氣中的蓄熱，因此整個區域會出現一個較大的尖峰負荷，之后負荷曲線開始下降，直到住戶睡前回到臥室同時打開臥室空調時，又會出現另一個尖峰負荷。因此，固定作息方法模擬的尖峰值要大于全時間全空間方法，但總量和實測結果差別不大。

    3.5 各戶供冷季總用冷量分布

    分別統計各戶在7、8月的總用冷量分布，對比結果如下圖所示。X軸表示不同的住宅，Y軸表示對應所有住宅在7、8月的總用冷量的累計值。可以看出，考慮人行為差異的方法預測的分布情況與實測結果非常接近。然而實測小區用戶的供冷季總用冷量最大值為8000kWh，高于隨機人行為方法的模擬結果，主要是因為此方法僅考慮了最常見的幾種行為模式，而且每次計算各住戶的行為模式均是隨機采樣設定，因此，最耗能的住戶可能不在模擬設定的算例中。兩種常規算法假設所有住戶的使用方式一致，因此，相同戶型的住宅空調總用冷量相同。全時間全空間方法假設所有房間都開啟空調，因此不同戶型的影響較大。固定作息方法認為只有有人的臥室和客廳會開啟空調，因此戶型對總用冷量的影響較小。

    3.6 新方法的實際應用

    本研究提出的隨機人行為方法可應用于區域供冷系統的空調設備選型，尤其是根據尖峰負荷確定設備的最大容量，根據負荷分布確定設備的搭配。以上述案例小區為例，實際冷機裝機容量為2194kW, 而實測的系統尖峰負荷為1678kW，存在31%的設備冗余。下面分別采用全時間全空間方法和隨機人行為方法進行模擬計算，并確定冷機的容量。由于設備選型階段位于建筑設計階段，因此應該假設小區的空置率為0，使用典型氣象年的氣象參數進行模擬計算。如表 2所示，全時間全空調方法模擬得到的結果與實際裝機容量非常接近，采用全時間全空間方法進行設備選型會導致本案例出現的設備冗余現象。本文提出隨機人行為方法與實際測試的尖峰值誤差僅為9%，更符合實際運行情況。因此，如果在實際工程中使用隨機人行為方法可以避免設備選型過大，降低初投資，實現設備高效率設備運行。

4 結論

    本文提出了一套基于隨機人行為模型的區域住宅負荷模擬算法，并將此方法應用于武漢某住宅小區，通過對比此方法模擬結果，全時間全空間方法、固定作息方法的模擬結果，和實測結果的冷負荷差異，對人行為的影響程度、本方法的準確性和實際應用進行了分析，主要得到以下結論：

    （1）人行為相關的假設對區域負荷預測結果影響較大。考慮不同住戶人行為的隨機性和模式差異可以獲得更為合理的區域負荷預測結果。使用過于簡化的人行為模型開展區域建筑負荷模型，會導致不合理的負荷模擬結果。對于全時間全空間的人行為假設，模擬的總能耗和尖峰負荷均嚴重偏大，也無法體現整體負荷的波動性；對于固定作息的人行為假設，忽略了不同戶人行為的隨機性，由于作息來源于實際調研結果，系統的總能耗與真實情況較為接近，但在區域負荷的逐時變化與實測值有較大差別；

    （2）采用隨機人行為方法進行設計階段的設備選型和搭配、運行策略等，可以獲得更合理的結果，避免設備選型過大，降低初投資，實現設備高效率設備運行；

    （3）由于人行為的模擬計算較為復雜，需要更詳細的人行為模型輸入條件，模擬結果依賴于操作者的能力，如何在區域負荷模擬中合理且正確的應用人行為是一個亟待被解決的問題。因此，未來工作需要提出簡化隨機人行為方法用于實際工程應用，以及擴展此方法在公共建筑區域或混合建筑區域的應用。

參考文獻

    [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] 李兆堅, 江億, 魏慶芃. 北京市某住宅樓夏季空調能耗調查分析[J]. 暖通空調, 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] 簡毅文. 住宅熱性能評價方法的研究[D]. 清華大學, 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夏熱冬冷地區居住建筑節能設計標準[M]. 中國建筑工業出版社, 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

    備注：本文獲評為第21屆暖通空調制冷學術年會青年優秀論文，收錄于《建筑環境與能源》2018年10月刊總第15期（第21屆暖通空調制冷學術年會文集）。
              版權歸論文作者所有,任何形式轉載請聯系作者。