以办公建筑实际能耗为依据的能耗基准方法

曹勇¹，于丹²，康一亭³，魏峥¹，宋业辉¹，孟冲¹

(1. 中国建筑科学研究院 建筑环境与节能研究院, 北京，100013;

2. 北京建筑工程学院 环境与能源工程学院, 北京，100044;

3. 西华大学 能源与环境学院, 四川 成都，610039)

摘要：以北京地区办公建筑的能耗为基础，研究北京地区办公建筑能耗的评价基准。借鉴美国Energy Star 的成功经验，采用多元回归拟合方法，对建筑能耗及影响能耗的因素进行分析，并进行相应的修正，最终得出了较为理想的能耗评价模型。尽管采用的样本较少，模型还不能完全反映北京地区办公建筑能耗的情况，但基本能反映办公建筑能耗基准的趋势。

关键词：多元线性回归拟合；办公建筑；能耗分析

中图分类号：TU111.19            文献标志码：A         文章编号：1672-7207(2012)S1-0175-05

Energy consumption benchmarking methods based on data of office buildings

CAO Yong¹, YU Dan², KANG Yi-ting³, WEI Zheng¹, SONG Ye-hui¹, MENG Chong¹

(1. Institute of Build Environment and Energy Efficiency, China Academy of Building Research, Beijing 100013, China;

2. School of Environment and Engineering, Beijing University of Civil Engineering and Architecture,

 Beijing 100044, China;

3. School of Energy and Environment, Xihua University, Chengdu 610039, China)

Abstract: Based on the data of Beijing office buildings, energy consumption benchmarking was investigated. Drawing on the successful experience of ENERGY STAR, by using multiple regression fitting method, the factors of energy consumption were analyzed and amended, and an ideal benchmarking model was established. Because of fewer samples, the model cannot fully reflect the energy consumption of office buildings in Beijing, but can basically reflect the energy consumption trend.

Key words: multivariate linear-regression analysis; office buildings; energy benchmarking

公共建筑能耗基准的研究对于正确评价公共建筑的实际能耗情况起着重要作用。国内外大量学      者^[1-3]致力于公共建筑能耗评价方法研究，并且在此基础上制定了相应的标准，开发了较为成熟的能耗基准网络在线评价工具。最具有代表性的是美国环保署开发的Energy Star Benchmarking Tool—“能源之星”建筑能耗基准评价工具，该工具建立在能耗数据库CBECS^[4]基础上，为30 000多栋商业建筑进行节能测评，并对节能建筑进行“能源之星”认证。类似还有美国加州开发了Cal-Arch能耗评价工具，英国政府颁布了办公建筑能耗减少标准，加拿大开发的能耗基准评价工具E-Benchmark，澳大利亚的Step to benchmark energy use等。公共建筑能耗评价方法研究的目的是确定能耗影响因子对单位建筑面积能耗EUI(Energy use intensity)的关系。刘丹丹等^[5]总结能耗数据处理方法有多元线性回归拟合方法、数据挖掘算法和人工智能法等。其中，多元线性回归拟合方法成为能耗基准评价方法中的主导。Energy Star对各类型建筑采用多元线性回归方法进行分析，并给出给类型建筑回归方程^[1]；Wu等^[6]对29个酒店建筑进行逐步回归拟合，并建立基准模型为建筑进行评分；Lee等^[7]用回归拟合与数据包络相结合的方法，回归拟合了47栋办公建筑，并分析各个影响因子对总EUI的影响，认为这2种方法可以有效地应用在能耗基准中；Chung等^[8]    分析了30个超市建筑样本，对数据进行异常点处理和天气标准化，用回归拟合理论对整个模型进行详细  分析。

国内公共建筑能耗评价研究范围大多数停留在建筑的设计阶段^[9]，而以实际建筑能耗为依据的基准评价方法和文献却较少公开发表。本文作者用多元线性回归拟合方法对北京市连续12个月的30个实际办公建筑样本能耗数据进行分析，对特殊能耗采用非线性回归进行修正，并建立相应的多元线性回归方程，并给出能耗基准评价方法。

1  多元线性回归模型及理论方法

办公建筑能耗基准建立需要确定基准模型和数据处理两步，式(1)为办公建筑多元线性回归模型：

     (1)

其中：β₀，β₁，…，β_k，是p+1个未知参数；β₀为回归常数，β₁，…，β_k称为回归系数；EUI为应变量，x₁，…，x_k为自因变量；ε是随机误差。

多元线性回归模型中，根据样本数据的实际情况，需对数据进行处理^[10]。为了得到合理的多元线性回归方程，可以通过以下流程图进行分析，见图1。

2  办公建筑多元线性回归拟合分析

2.1  样本基本信息

样本来源于北京市公共建筑能耗数据，数据包括整栋建筑2009年12月到2010年11月连续12个月的动力、照明插座、空调以及特殊设备能耗。数据基本信息包括建筑面积、建筑建成时间、办公人数、电梯数量、建筑周运行时间、建筑围护结构、玻璃类型、冷热源形式及空调末端系统形式。图2所示为北京市30栋样本建筑办公建筑年总EUI(包括建筑动力、照明插座、空调以及特殊能耗EUI总和)趋势图。从图2中可以看出，在制冷季7、8月份和供热季12、1月份EUI分别形成2个峰值，并且制冷季EUI较供热季的大，这是因为北京市大部分公共建筑冬季采暖采用市政热水、蒸汽供热，消耗的电能较制冷季少。2010年的春节在2月份，设备在此期间停止用电，所以EUI减少。根据数据样本特点，由于特殊设备能耗区域非人日常活动区域，计算总能耗只包括动力、照明插座和空调能耗，特殊能耗加在拟合的回归方程作为修正因子出现。

图1  多元线性回归方程流程图

Fig.1  Process of multivariate linear-regression

2.2  自变量的确定

在进行公共建筑能耗分析拟合时，数据中自变量满足建筑面积大于1 000 m²、周运行时间大于30 h、电梯数量大于1、人数大于1的条件。自变量定义x₁为人员密度，x₂为电梯数量，x₃为建筑使用时间，x₄为每周运行时间，x₅为空调末端形式，x₆为热源形式，x₇为冷源形式，x₈为玻璃类型，x₉为围护结构。其中：x₁到x₄为数值型变量，x₅到x₉为非数值型变量，表1所列分别为对每个非数值型变量用数字进行定义。

图2  北京市办公建筑年EUI趋势图

Fig.2  Trend of EUI of office building in Beijing

2.3  办公建筑多元线性回归拟合

应用统计学软件SPSS^[11]对能耗数据进行多元线性回归拟合，根据多元线性回归拟合方法，进行了4次回归拟合,数据筛选中去掉了1个样本异常点。第4次逐步回归拟合中，残差平方SSE为33 745，回归平方和SSR为58 395，SSE约为SSR的一半。显著性Sig为0.001，拟合效果较好(R²=0.534)。表2给出了第4次拟合回归系数估计值。系数表中膨胀因子VIF小于3，模型中自变量不存在共线性。图3和4所示分别为拟合的残差直方分布图和残差P-P图。可以看出：残差基本符合正态分布，P-P中大部分样本点残差在45%线附近。逐步回归拟合的方程为：

     (2)

表1  各个自变量数字定义

Table 1  Definition of independent non-numeric variables

表2  第4次拟合系数

Table 2  The forth regression coefficients

图3  残差直方分布图

Fig.3  Residual Histogram distribution

图4  残差P-P图

Fig.4  Residual P-P plot of regression standardized residual

2.4  特殊能耗修正

实际能耗数据分析中，特殊设备能耗区域为无人区域，其特殊区域能耗值不能直接加到回归方程拟合的总能耗值中。对于这部分数据的处理，采用对样本特殊能耗EUI与总EUI进行非线性拟合方法进行修正处理。表3归纳总结了5种类型拟合结果方程及拟合度。其中，多项式拟合度最好，为0.881，图5所示为多项式回归拟合曲线图。修正的回归拟合方程为

      (3)

2.5  拟合结果分析

利用多元线性回归方法得出的能耗回归方程拟合度R²为0.534，特殊能耗修正的最终回归方程拟合度R²为0.881，Energy Star^[1]对498栋办公建筑进行多元线性回归方程拟合，拟合度R²为0.933，与Energy Start基准的拟合度相接近。

表3  特殊能耗EUI与总EUI的非线性拟合

Table 3  Nonlinear fitting of special energy consumption EUI and total EUI

图5  多项式拟合曲线

Fig.5  Polynomial regression curve

多元线性回归方程用于计算办公建筑预测的EUI值，根据实际建筑EUI值与预测EUI值的能效比，确定建筑能耗基准。被检测的建筑中，能效比低的建筑耗能少，能效比高的建筑耗能较多。

3  结论

(1) 对北京市30个实际办公建筑连续12个月的能耗进行分析。共进行4次多元线性回归拟合，拟合过程中，对异常点和强影响点进行了检验和筛选。最后，采用多项式拟合法对特殊能耗进行修正拟合，最终得到较为优秀的能耗评价模型。

(2) 由于样本数量及采集的建筑基本信息有限，回归方程的拟合度与显著性还不能完全反映北京地区办公建筑能耗现状，但能基本反映出办公建筑能耗基准的趋势。

(3) 后续工作中，随着能耗数据库样本数据的增加及不同影响因素的参与，回归方程的准确性将相应提高，可以更好的完善能耗基准。

参考文献：

[1] Matson N E, Piette M A. High performance commercial building systems review of California and national benchmarking methods[S]. California Energy Commission Public Interest Energy Research Program. 2005: 4

[2] Boyd G, Dutrow E, Tunnessen W. The evolution of the ENERGY STAR energy performance indicator for benchmarking industrial plant manufacturing energy use[J]. Journal of Cleaner Production, 2008, 16: 709-715.

[3] Energy performance in the government’s civil estate[S]. Good Practice Guide 286. 2008.

[4] Commercial buildings energy consumption survey for 2003[S]. California Energy Commission Public Interest Energy Research Program, OMB No: 1905-0415. 2003.

[5] 刘丹丹, 陈启军, 森一之, 等. 基于数据的建筑能耗分析与建模[J]. 同济大学学报: 自然科学版, 2010, 12(12):1841-1845.
LIU Dan-dan, CHEN Qi-jun, SENG Yi-zhi, et al. Data-based analysis and modeling of building electricity energy consumption[J]. Journal of TongJi University: Natural Science, 2010, 12(12): 1841-1845.

[6] Wu X C, Rajagopalan P, Lee S E. Benchmarking energy use and greenhouse gas emissions in Singapore’s hotel industry[J]. Energy Policy, 2010, 38: 4520-4527.

[7] Lee W S, Lee K P. Benchmarking the performance of building energy management using data envelopment analysis[J]. Applied Thermal Engineering, 2009, 29: 3269-3273.

[8] Chung W, Hui Y V. A study of energy efficiency of private office buildings in Hong Kong[J]. Energy and Buildings, 2009, 41: 696-701.

[9] GB 50189—2005, 公共建筑节能设计标准[S].
GB 50189—2005, Design standard for energy efficiency of public buildings[S].

[10] 何晓群. 实用回归分析[M]. 北京: 高等教育出版, 2008: 20-129.
HE Xiao-qun. Practical regression analysis[M]. Beijing: Higher Education Press, 2008: 20-129.

[11] 罗应婷, 杨钰娟. SPSS统计分析从基础到实践[M]. 北京: 电子工业出版社, 2009: 150-205.
LUO Ying-ting, YANG Yu-juan. SPSS statistical analysis from basic to the practice[M]. Beijing: Electronic Industry Press, 2009: 150-205.

(编辑 陈卫萍)

收稿日期：2012-01-15；修回日期：2012-02-15

基金项目：科技部科研院所开发研究专项资金资助项目(2008EG231251)；北京市“供热、供燃气、通风及空调工程”重点实验室资助项目(KF201009)

通信作者：曹勇(1972-)，男，内蒙古乌海人，博士，副研究员，从事建筑节能与空调系统优化调试研究；电话：010-64517709; E-mail: cabrcao@sina.com