天津城建大学建筑学院18级-数字设计-基于深度学习的建筑能耗预测—2021WS
作者：徐仔
指导老师：万老师、丁老师
带组导师：宋学姐（建筑学专业）、卢学长（计算机专业）
（转载请注明出处）

 基于Grasshopper（EP）的建筑能耗模拟——建筑能耗建模

 前言

首先我们学习了彭铭博老师的网课《建筑设计与性能分析》（http://v.iarch.cn/course/272）（注：P7、P8是针对EnergySimulation的讲解，但难度较大，最好先学完前六个，再学P7、P8）

以下我将课程内容整理成笔记，以便日后随时索引查看。关于相关软件的安装，我的上一篇博客（）中有详细的介绍。

energyplus是一个建筑能耗模拟引擎。openstudio是一个集成energyplus和radiance的建筑能耗模拟插件

理论说明

Energy Modeling

**所有能耗模型的基础：热力学第一定律——能量守恒定律**，能量既不能被创造也不能被消灭。

（原图出自：https://learn.openenergymonitor.org/sustainable-energy/building-energy-model/readme）

能量（热量）进入=能量（热量）出去

| 能量（热量）进入                          | 能量（热量）出去           |
| ----------------------------------------- | -------------------------- |
| 人体发热（=单位发热量*人数*出勤时间表）   | 墙体传导吸热               |
| 应用设备发热                              | 空气流通带走热量           |
| 照明设备发热                              | 窗户传导散热               |
| 热量来自太阳（取用天津市气象数据epw文件） | 材料之间的缝隙导致热量流失 |
| 机械系统加热（冬季暖气供热）              | 空调系统带走热量           |

需要注意的是，以上热量出去的4种方式并不总是成立。比如在冬天，热量的确会以这4种方式散失，但在夏天高温时，热量反而会以这几种方式进入房间。更微妙的是，不同的温度、风速、相对湿度、有无遮阳设施，都会影响这些热量到底是进入还是流出。我认为，这是能耗建模的难点之一。暖气和空调则是极端天气的需求，这是我们能耗模拟的主要目标。

能量平衡图：

x轴表示月份；y轴是对应每个月份的能量正负平衡，正表示热量进入室内的部分，负值表示带走热量的部分。

在我们课题中这个表用来参考建立能耗模型。在其他应用上，我们可以利用这个表，很直观的看出自己的设计能够从哪些方向改进设计。

Energyplus 引擎操作思路

使用Energyplus引擎，需要传送给EP的数据分为两大类，其中Zone是我们的建筑模型，它主要包含5种信息：

· 全年气候数据

导入天津市气象数据epw文件

进入 https://www.ladybug.tools/epwmap/ 找到天津市，下载气象数据包，使用其中的epw文件。

· Zones（建筑空间+材料）

Zone 包括建立建筑模型和赋予材质，它主要包含以下5种信息：

| 参数类型                     | 具体                                                         |
| :--------------------------- | ------------------------------------------------------------ |
| **1、建筑空间（Rhino建模）** | 要准确表示你的意图，如果设计了一个密闭空间，那至少模型上不要有穿模或意料之外的开口。另，尽量不要做L形房间； |
| **2.材料构造和参数**         | 包含墙、窗、天花板、地板、热桥（建筑材料之间的缝隙）等相关参数； |
| **3.Schedule（时间表）**     | 包括人员出勤时间表、照明设备时间表、应用设备时间表；         |
| **4.Loads（荷载）**          | 应用设备和照明设备功率参数；                                 |
| **5.其他**                   | 使用者Met（人体新陈代谢率）、是否使用机械系统调节气温、以及其余存在但我还不了解的参数。 |

（后文根据上述五点分点叙述）

开头写的热量交换的10种方式，来到honeybee这里，被具体为不同的参数：比如人体发热，具体为出勤时间表和人体新陈代谢率；照明设备发热，具体为照明设备时间表和照明设备功率；来自太阳的热量，具体为全年气候文件、墙、窗的构造和导热系数；机械系统采暖和制冷，也可以选择是否启用。

能耗建模非常难，加上参数太多，输出的结果很大可能是垃圾，所以当我们得到一组结果之后，需要先去理解结果，在通过多次调整根据结果的变化，验证某部分的影响和有效性。利用架好的流程，调整参数尝试运行，再检查得到的结果，如此循环，直到得到较为合理的、能够使用的数据。

1、建筑空间（Rhino建模）

在我们的课题中，我们建立了天津城建大学女生宿舍的标准层模型，准确永远优先于复杂，建模时我们根据热工分区的原理，按照房间外窗朝向、房间位置、房间功能分类建zone。

同一栋宿舍楼内：不同楼层的各个房间之间，同楼层不同方位的房间之间存在规律性的空调负荷差异。房间的楼层、朝向直接影响宿舍冷热负荷，进而导致即使在相同用户用能行为模式下，仍产生不同能耗。 边角房间日均用电量可能高于中间房间，主要原因在于：边角房间的外墙面积大，由围护结构传热形成的冷热负荷高于中间房间。 热工分区（取中间楼层，非首层或顶层）：

1、楼道+厕所水房+走廊各一个zone，设置房间功能为：Corridor；

2、南北两排房间整体分别设zone，设置房间功能为Apartment；

3、边角房间：东北角、东南角、西北角房间各1个zone，设置房间功能为Apartment。

 注：

· 相关电池组文件、模型文件以及气象数据文件，都务必保存在简短无中文的路径下（LB使用的编程语言无法识别中文）；

· 建立 zone 时，一定是生成 Closed Brep 能耗模拟才可以顺利进行）。

2.材料构造和参数

 设置外窗和外墙参数

· 定义玻璃参数：

| 参数名称 | 表示内容                                                     |
| -------- | ------------------------------------------------------------ |
| U 值     | 以 W/m2-k 为单位表示窗口的 U 值，这是冬季供暖条件下的额定 U 值。 |
| SHGC     | 表示窗户的太阳能得热系数。太阳得热系数本质上是落在窗户上的太阳辐射通过玻璃（垂直入射）的分数。对于没有低辐射涂层的玻璃来说，这个数字通常非常接近可见光透射率（VT），但对于带有低辐射涂层的玻璃来说可能会更低。 |
| VT       | 表示窗口的可见光透射率（VT），可见光投射率本质上是落在窗户上的可见光透过玻璃（垂直入射）的分数。对于没有低辐射涂层的玻璃，这个数字通常非常接近于太阳热增益系数（SHGC），但对于带有低辐射涂层的玻璃，可能会更高。 |

· 定义外墙参数：

| 参数名称  | 表示内容                                                     |
| --------- | ------------------------------------------------------------ |
| thermAbsp | 表示材料的热吸收率，默认设置0.9（对大多数非金属材料来说是常见的）。 |
| solAbsp   | 表示材料对太阳辐射的吸收率，默认设置0.7（对大多数非金属材料来说是常见的）。 |
| visAbsp   | 表示材料对可见光的吸收率，默认设置0.7（对大多数非金属材料来说是常见的）。 |

3.Schedule（时间表）

 · Schedules与能耗的关系

时间表在能耗建模中表示每小时人员出勤率、照明设备使用率、应用设备使用率等情况，对时间表的设定，有助于模拟更真实的建筑使用情况。

不管我们要求多长时间的能耗，问题都可以被分解为多个子问题：一年中每一个小时的能耗有多少。解决子问题以后简单求和就可以得出总能耗（或将逐时数据转换为逐日数据以便后续使用）。

以 人体散热 为例：

众所周知，人在进行不同活动的时候，会有不同的单位发热量，这个功率我们用 Met 来衡量，1 Met 即为人在静坐时的单位发热量，通常我们取1Met=120W 。

所以这一小时的发热量 W = Pnt ，P 是单位发热量，n 是这一小时内的人数，t 是时间，这里取 t=1。

这时候问题来了，随着时间变化，人员的数量和活动形式（与单位发热量相关）可能也会有变化，为了描述这一变化，我们作如下表述：

| 类型          | 内容                                           |
| ------------- | ---------------------------------------------- |
| 1、活动时间表 | 表示全年共计8760小时内每小时人员的单位发热量   |
| 2、人数时间表 | 表示全年共计8760小时内每小时室内人数           |
| 3、出勤时间表 | 表示全年共计8760小时内每小时人员在室内的百分率 |

人体发热 = 活动时间表 x 人数时间表 x 出勤时间表。第二项和第三项，实际上是描述应到的人数和实到的人数的关系，具体到宿舍楼中，这两项就是单位寝室居住人数和留寝率，两者相乘，就是该小时室内的人数。

 · 在 Honeybee 中设定 Schedules 

以一张出勤时间表为例，先来看懂一张 Schedule：

绿框内：第7行开始的8760个数，表示一年中合计8760个小时的每一个小时内，正常出勤人数的百分比。第7行到30行依次表示1月1日的24个小时。

再来看截图中具体的数值，第13行，即早上7点，出勤率为1，此时所有同学都在室内；9点到12点，出勤率变小，正常上课时间内大部分同学离开寝室。

 查看默认 Schedule

如图，Honeybee 自带的 Schedules 和 Loads 被包含在 ZoneProgram （用于描述 Zone 的功能）里面，用图中的方法可以看到不同功能下的默认时间表。

自定义 Schedule

如上图，粉红色的运算器叫 Gene Pool ，可以快速定义一列数字。右下角下着 dormitory 的 Panel 意为将新的 Schedule 命名为 dormitory 。系统就可以直接根据名字识别 Schedule ，详细用法

 使用自定义 Schedule

如图。把HBZones接入运算器，OccupancySchedules一栏接入 dormitory 即可。

 4、Loads （荷载）

应用设备和照明设备功率参数设定。

（待续）

 5、其他（待续）

#####

参考资料

[1] 杨云春. 高校学生宿舍用电量特征与电费计价原则.《煤气与热力》2020.09

[2] 肖毅强. 广州地区建筑外窗的分朝向热工参数模拟研究［C］//全国高等学校建筑学专业教育指导分委员会建筑数字技术教学工作委员会. 共享·协同——2019全国建筑院系建筑数字技术教学与研究学术研讨会论文集. 北京：中国建筑工业出版社，2019：10-17.

[3] 尹亮亮. 基于能耗调研的天津某高校节能潜力分析和能耗预测（硕士学位论文）［D］. 天津：天津大学，2010：1-7.

……等

参考博客

https://blog.csdn.net/baidu_34015648/article/details/108306403
https://blog.csdn.net/baidu_34015648/article/details/108315061?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.no_search_link&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.no_search_link

基于深度学习的建筑能耗预测04——能耗建模相关推荐

  1. 基于深度学习的驾驶行为预测方法

    基于深度学习的驾驶行为预测方法 1 概述 2 深度学习算法 3 驾驶行为预测建模 4 结论 5 参考文献 6 python LSTM程序 7 python LSTM模型调用 1 概述 在汽车前向仿真中 ...

  2. i6mA-DNC:基于深度学习的二核苷酸表示预测水稻基因组DNA n6 -甲基腺苷位点

    i6mA-DNC:基于深度学习的二核苷酸表示预测水稻基因组DNA n6 -甲基腺苷位点 摘要 一.简介 二.材料和方法 1.基准数据集 2.提出的模型 3.绩效评估 3.1交叉验证 三.结果与讨论 四 ...

  3. A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测

    A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测 目录 A De ...

  4. 【点宽专栏】基于深度学习的股票涨跌预测

    01背景 股票价格的预测是学界和业界一直以来尝试去研究解决的问题,由于股票的价格受到的影响因素众多,涵盖了上市公司基本面,产品价格的波动,国内的宏观经济数据,国际市场的各种金融资产和价格的波动等等,并 ...

  5. PyTorch深度学习实战 | 基于深度学习的电影票房预测研究

    基于深度学习的映前票房预测模型(Cross&Dense网络结构模型),该模型通过影片基本信息如:电影类型.影片制式.档期和电影的主创阵容和IP特征等信息对上映影片的票房进行预测. 本篇采用45 ...

  6. Python数据分析案例24——基于深度学习的锂电池寿命预测

    本期开始案例较为硬核起来了,适合理工科的硕士,人文社科的同学可以看前面的案例. 案例背景 这篇文章是去年就发了,刊物也印刷了,现在分享一部分代码作为案例给需要的同学. 原文链接(知网文章 C核): 一 ...

  7. Nature论文解读 | 基于深度学习和心脏影像预测生存概率

    作者丨Peter 单位丨某基因科技公司生物信息工程师 研究方向丨生物信息 本文解读的文章来自今年 2 月份的 Nature 杂志新子刊 Machine Intelligence,标题为:Deep-le ...

  8. 基于深度学习技术的电表大数据检测系统

    基于深度学习技术的电表大数据检测系统 人工智能技术与咨询 来源:< 人工智能与机器人研究> ,作者方向 关键词: 智能电表:数据分析:深度学习时序模型: 摘要: 随着我国电厂不断发展,我国 ...

  9. 基于深度学习的可解释特征准确预测混凝土抗压强度

    基于深度学习的可解释特征准确预测混凝土抗压强度 Accurate prediction of concrete compressive strength based on explainable fe ...

最新文章

  1. 重温目标检测--YOLO v2 -- YOLO9000
  2. 数量庞大！中国成长型AI企业研究报告
  3. 26进制（字母）转十进制算法
  4. Waymo首次公开自动驾驶技术：让AI学会「危机想象力」
  5. windows下架构svn服务器
  6. python读取第二行_从CSV文件读取第二行到Python
  7. 当数据库遇见FPGA：X-DB异构计算如何实现百万级TPS？
  8. linux培训课程第十三天：ppt以及笔记
  9. where T:new() 是什么意思
  10. 使用 Docker Stack 部署多服务集群
  11. LQR轨迹跟踪算法Python/Matlab算法实现_LQRmatrix推导
  12. pls-toolbox_使用T-SQL Toolbox数据库解决时区，GMT和UTC问题
  13. 华硕笔记本 FX50J 触控板驱动
  14. python爬虫当当网图书信息_利用python爬虫可视化分析当当网的图书数据！
  15. MinGW gcc下载链接及sjlj、dwarf、seh异同以及gcc安装
  16. typora 下载 安装教程
  17. word自动生成目录，设置从指定页码开始
  18. 调用百度API(一)——百度翻译
  19. 推荐一个不错的免费的asp空间
  20. 码流、单码流、双码流、多码流

热门文章

  1. python实现Excel可视化柱状图
  2. 编译64位linux内核,为树莓派4编译64位的内核
  3. Spotify的牛逼是如何炼成的？
  4. 一阶系统的时域和频域分析
  5. 桌球游戏小项目及注意事项
  6. 寒冬来临，它却屡屡拿奖，成为国家认可的区块链项目
  7. 51Nod - 1534 棋子游戏（xjb博弈）
  8. c语言课程设计图书销售,C语言程序课程设计报告-图书销售管理系统.doc
  9. 2023最新短视频去水印解析API接口开发文档
  10. markdown生成一份html简历