英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
这项工作通过记录这一领域如何与建筑能源基准方法相结合并应用于建筑能源基准方法，进一步推动了智能电表分析研究。这是一个关键的步骤，以了解偏差在建筑性能的全天和一年中相对于一个社区的建筑物，这重要的是有几个实际意义的城市能源管理。
每日和时间分段基准的结果可检测不同时间的性能变化，并有可能支持在大型建筑地理范围内确定目标、确定优先级和管理单个建筑效率机会。数字孪生能源管理平台被设想用于流式传输能源数据源（例如，智能电表数据），从概念上讲，它是一个很有前景的平台，可支持城市进行建筑组合绩效评估和城市能源管理（Mohammadi和Taylor，2017）。构建将智能电表数据转化为有用信息的动态实时指标是数字能源管理成功的一个重要因素。智能城市数字双能源管理平台围绕时间分段的建筑能源基准（图2）构建，为管理者提供了确定和优先考虑具体改造战略和方案的潜力
在整个建筑组合的性能背景下检测建筑效率的近实时偏差。以下两个部分提供了具体的例子，说明了时间分段的建筑能源基准如何促进能源效率优先化和近实时决策。
建筑物特定改造策略的优先顺序
效率分数的时间波动可以启发如何优先考虑建筑效率改进。图3说明了四栋建筑夏季高峰需求的时间状态下总日效率得分和夏季高峰日效率得分之间的差异。对于18号楼，每日总效率得分始终高于夏季最高效率得分（即效率更高），如图中“ ”符号所示。在优先考虑提高效率时，这一区别是必要的，因为在夏季高峰时期采取具体措施可减少能源使用，例如提高空调效率或调峰（Koomey和Brown，2002年）。如果建筑经理只考虑18号楼的总效率得分，那么在夏季用电高峰时段，这座建筑的效率似乎高于其实际性能。具体而言，总效率得分掩盖了最高效率得分，差异高达34.1%。该建筑在夏季需求高峰期的效率得分排名可以帮助建筑经理决定是否投资于该建筑的峰值需求减少改进。
另一方面，在20号、6号和8号楼，夏季高峰需求效率得分有不同的趋势。20号楼的夏季高峰需求效率得分往往高于总效率得分。这表明，该建筑在夏季需求高峰时期比总需求时期更高效，并且可能会降低分配资源的优先级，以减少需求高峰。另外，8号楼的得分从以正为主转变为以负为主，而6号楼的变化更为复杂。这些趋势表明，高峰时段的能源表现相对于总时段而言，每天或每周都发生急剧变化。在这些变化更为极端的建筑物中（例如，用较暗的阴影表示），应调查诸如审查建筑物管理系统或其他自动控制等操作措施，以确定程序化操作是否仍然反映实际的建筑物状况。
跨建筑物的近实时能源管理
上一个例子考虑了总效率得分和时间分段效率得分之间的偏差，以比较建筑物之间的效率机会。图4显示了原始效率
图3。夏季高峰期日效率得分的差异。
图4。（a）14号楼和（b）4号楼原始效率得分的30天移动平均值。
不同时期的得分，以显示建筑物内建筑性能随时间的变化。这有助于产生具有多种用途的见解，包括识别性能突然变化的建筑物和性能水平始终较低的建筑物，并有助于展示时间分段基准如何支持更实时的能源管理。性能突然变化的建筑物可能只需要对运行控制进行审查和更新，而性能持续下降的建筑物可能需要投资于更为资本密集型的升级。图4仅示出了三个分段时段的行，因为占用和未占用的行同时包含学年和暑期。
图4显示了全年两栋建筑原始效率得分的30天移动平均值。对于14号楼，占用和未占用效率得分与前2个月的总分相似。12月下旬，大楼在占用期间的效率得分有所提高，而在空闲期间的效率得分有所下降。这一差距在今年余下的时间里一直存在。效率得分的这种相对快速的变化可以表明建筑物中发生了操作转移，导致其在空闲时间表现更差。先前的研究强调了楼宇自动化系统的失调（Gul和Patidar，2015年）和不良的居住行为（Masoso和Grobler，2010年）如何在空闲时间降低建筑效率。未占用期间的效率得分可以突出显示哪些建筑应优先考虑审查自动化时间表和实施行为改变活动。
另一方面，4号楼在无人居住期间表现一直很好，效率得分在0.90以上。上半年，该大厦的占用效率得分比未占用效率得分低约10%，而这一差距在今年最后两个月有所增加。夏季高峰需求得分与夏季占用时段的趋势相同，这是预期的，因为它们在白天的特定时间非常相似。对于这座建筑，这可能表明，旨在减少占用时间，特别是夏季高峰期间的能源使用的改进可能是最合适的。与闲置期间的效率措施不同，解决占用型消费的效率措施类型包括更多的资本密集型工作，例如改装灯具和空调，安装按需控制通风（Koomey和Brown，2002年）。
外部验证
回归模型的拟合分布按周期计算。每个分段周期的调整R平方值的平均值在0.72和0.80之间。这些数值与其他回归基准研究中回归模型的拟合一致（Buck和Young 2007；Chung等人2006；Xuchao等人2010）。图S2提供了密度图，显示了每个时期模型拟合的分布。
每个每日EUI模型的回归系数导致每个解释变量的系数分布。具有统计意义的解释变量（p值lt;0.05）表明了整个建筑群能源消耗的关键驱动因素。表4列出了每个解释变量的显著性频率。在15个解释变量中，14个变量对每日EUI有显著影响，持续时间至少为1天。尽管所有变量都包含在能源基准计算中，但下面的外部验证讨论集中在表4中的前七个变量上，这些变量在至少三个时期内通常是显著的（对gt;75%的模型显著）。其他变量在模型中的显著性较低；建筑年龄在22%-57%的模型中具有显著性，这取决于时期，其余七个变量在所有时期中始终不显著（在lt;25%的模型中具有显著性）。
显著系数的大部分方向与先前的研究和预期一致。图S3显示了显示所有解释变量的回归系数分布的密度图。专用于实验室或机械室空间的面积百分比较高的建筑物具有较高的EUI。这些空间有能源密集型设备，如实验室的通风罩或机械室的IT设备。较高的办公空间百分比也与较高的EUI相关，这与先前研究的结果一致（Park等人，2016年）。流通空间（例如，走廊和大堂）与较低的EUI相关，这是有意义的，因为这些空间通常具有较低的一致性占用负荷和更开放的空间，而没有能源密集型设备。此外，最近没有翻修的建筑物的EUI较高，这可归因于使用了较旧、效率较低的设备，如照明、插头负载和机械系统。
对于某些系数，这种关系并没有得到文献的一致支持。占地面积与EUI呈正相关，这与一些研究（Park等人，2016）和
|
表4。回归系数统计显著性频率（%）
|
注：n=期间天数。
与其他人相矛盾（Chung等人，2006年）。其他系数还有待在能源基准的背景下加以审查。有趣的是，服务空间（如浴室和清洁区）与EUI呈正相关。据我们所知，以前的能源基准研究没有记录这个变量与能源使用的关系。服务空间能源消耗的可能驱动因素包括热水能源使用、通风负荷和清洁设备。
局限性和未来方向
这项研究存在一些局限性，为今后的研究提供了途径。在建筑能源基准研究中，很难确定基准指标与建筑实际效率水平的一致性，尤其是在大规模建筑中制定此类基准时。同样，很难确定由时间分段基准提供的效率建议是否是建筑物的最佳效率改进。未来的研究将通过调查实际改装或操作变化对日常基准测试结果的影响，对此进行更深入的研究。该分析将计算的每日基准与相关的运营或资本变化进行比较，以检查每日基准趋势是否符合基于特定改装安装或运营变化的预期模式。
此外，基于回归的基准技术，包括本研究中开发的方法，假设回归残差仅反映建筑效率低下，而实际上它们包含统计噪声、测量误差和无法解释的因素（Chung 2011）。然而，其他基准测试方法也有其他固有的局限性，例如对异常值的高度敏感性和物理意义的丧失（Borgstein et al.2016）。本研究的目的是应用现有的基准技术来评估不同时期的能源基准之间的偏差，我们选择应用基于回归的技术，因为它们具有很高的解释性（即，结果与建筑相关时具有物理意义）以及在工业应用中的普遍采用，例如作为能源之星得分。未来的研究可以应用其他基准技术来评估不同方法的结果的一致性。这对于在不同尺度上执行的基准分析尤其相关，例如每天、每周或每月，以评估不同技术的稳健性和敏感性。此外，还估计了建筑物占用情况，因为并非所有建筑物都有实测数据。因此，估计的占用状态可能无法反映建筑物中的实际占用水平。将包含或代表每个建筑物内实际占用率代理的数据纳入基准模型将提高模型的准确性。
在当前状态下，我们的数字双能源管理系统（图2）展示了该平台的概念验证。未来的工作将更深入地整合智能电表数据、时间分段的能源基准以及其他资源数据，如天然气、供暖、制冷和水消耗。这项工作还将涉及用户界面更新和特定用户组（如设施经理）的测试，以
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[262809]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
