导读:本文包含了暖通空调能耗论文开题报告文献综述及选题提纲参考文献，主要关键词:夏热冬冷地区,被动式技术,公共建筑,超低能耗
暖通空调能耗论文文献综述
滕伟,张少凡,张建忠,陈瑾[1]（2019）在《夏热冬冷地区被动式超低能耗公共建筑暖通空调设计》一文中研究指出以南京高新区规划展示中心的工程设计为例,介绍了被动式技术在夏热冬冷地区公共建筑中的应用。通过对建筑能耗的模拟,对比分析了其全年综合能耗,简述了其社会、经济、环境效益,探讨了被动式技术在该气候区公共建筑中的适用性。(本文来源于《暖通空调》期刊2019年09期）
袁玥[2]（2019）在《基于机器学习的办公建筑暖通空调系统能耗预测及优化调度》一文中研究指出在当今不断加剧的恶劣天气影响下,建筑作为能源资源不可忽视的消费者,如何对其进行有效的能源管理,节约能源资源,优化其用能结构受到了广泛的关注。而暖通空调作为建筑中最主要的耗能设备之一,针对其进行能耗预测以及节能优化对于降低建筑整体能耗、缩减成本,都具有重要的现实意义和实际指导作用。本论文利用数据驱动的方法对我国北部某大型办公建筑的能耗进行了预测、全年能耗仿真以及优化调度。本文首先采集了该建筑2016年11月至2017年3月以来的能耗数据以及空调运行数据。在人为进行了整理、消除异常数据、坏样本点之后,利用主元分析算法对其进行降维处理,将降维之后的样本集利用一种基于集成学习算法的能耗预测模型进行预测,再对照Energy+仿真结果获得全年能耗数据。最后,综合分析其整体能耗、热负荷以及暖通空调能耗搭建了一种具有优化调度功能的能源枢纽模型。基于集成学习算法Adaboost-BP模型在提高BP神经网络算法模型的预测精度的同时,可以修正BP神经网络算法的已陷入局部极小值、收敛速度慢等缺陷。且该集成学习算法对于弱分类器的要求很低,几乎不需要对其参数进行调整,因此使用范围广,鲁棒性好。对于每月的预测精度分别由86%,89.01%,89.89%和81.16%分别提高至88.13%,90.31%,90.14%,89.16%和85.91%,尤其对于自身分类效果不佳的算法模型具有更为明显的提升效果。根据该办公建筑的物理特征及气候特点,本文将能耗预测所得到的数据结合仿真手段Energy Plus得到了有参考意义的该建筑全年能耗,包括热、电、暖通空调能耗等等数据。根据其能耗特点在Matlab环境下搭建了一个具有多个优化目标协同的能源枢纽系统,并对其进行优化。最终形成了一个具有灵活热电比热电联产设备的能源枢纽系统,该热电比是响应暖通空调耗电量与建筑整体热负荷的比例在一定区间内变化的。最终利用MATLAB求解可知,对比之前稳定热电比的能源枢纽系统,具有灵活热电比的能源枢纽在2017年该地区的气候条件下一年可以节约4.5%的经济成本,2.9%的天然气,3.3%的电量输入以及3.2%的CO2排放。此外,该能源枢纽系统有利于实现能源的梯级利用并对于可再生能源的消纳应用具有现实指导意义。总之,本论文提出的基于数据驱动的能耗预测以及优化调度对于优化办公建筑能耗结构、节约能源资源、降低温室气体排放、降低用电高峰期用户端需求量增大对电网造成的冲击都具有良好效果,也为分布式能源网络格局的设计提供了一种设计思路。(本文来源于《华中科技大学》期刊2019-05-01）
刘成[3]（2019）在《暖通空调系统运行能耗的影响因素分析》一文中研究指出结合暖通空调运行能耗的现状,分析了其运行的关键因素。在此基础上,提出了影响运行管理四个相关因素,即空调运行能效比、运行管理水平、循环系统的水质管理和空调系统的自控水平。(本文来源于《黑龙江科学》期刊2019年04期）
廖文强,王江宇,陈焕新,丁新磊,尚鹏涛[4]（2019）在《基于长短期记忆神经网络的暖通空调系统能耗预测》一文中研究指出建筑系统的能源消耗中,暖通空调系统能耗占大部分。降低暖通空调系统(HVAC)的能耗量对实现建筑节能具有重大意义。通过对暖通空调未来短期能耗进行预测,调整系统运行模式,可以实现有效的能耗降低。本研究使用了一种基于长短期记忆神经网络(Long Short-term Memory,LSTM)的暖通空调系统能耗预测方法,对某地供暖系统的能耗进行预测,将预测结果与真实值进行对比。最终结果表明,LSTM预测模型相比传统的预测方法效果更好。(本文来源于《制冷技术》期刊2019年01期）
童宁[5]（2019）在《浅析公共建筑暖通空调系统的降耗及能耗平衡途径》一文中研究指出本文对我国当前建筑能耗状况进行了简明介绍,表明了我国建筑高能耗高比例且能源消耗不平衡的实际状况。通过对能耗构成进行分析,从暖通空调系统的角度出发,给出降低建筑能耗以及平衡能源结构的建议。(本文来源于《中国设备工程》期刊2019年01期）
段冠囡,王岳人[6]（2018）在《超高层建筑暖通空调能耗精准预测仿真》一文中研究指出超高层建筑暖通空调能耗预测的准确度直接影响暖通空调节能效果。针对当前超高层建筑暖通空调能耗预测方法存在的预测精确度较低,且预测的及时性较差问题,提出一种基于GM-RBF神经网络的超高层建筑暖通空调能耗预测方法,对历史能耗数据样本中的异常数据进行剔除,并对剩余数据进行标准化处理,构建处理后的数据的多元线性回归模型,利用皮尔逊相关系数确定暖通空调能耗影响因素与能耗之间的关系,实现超高层建筑暖通空调能耗系统数据处理分析,根据分析结果,利用径向基函数神经网络构建非线性映射关系,根据K-means聚类方法确定非线性映射函数的中心,得到网络预测值,通过对预测值进行反归一化处理,得到超高层建筑暖通空调能耗预测结果,并通过历史数据对预测结果进行检验,实现超高层建筑暖通空调能耗精准预测。实验结果表明,所提方法预测的精确度较高,且预测的及时性较好。(本文来源于《计算机仿真》期刊2018年12期）
孙劭波[7]（2018）在《数据驱动的建筑暖通空调系统能耗预测与模型优化》一文中研究指出暖通空调系统是建筑内主要耗能设备之一,暖通空调系统能耗的准确预测对建筑节能优化和建筑能源管理具有重要实际意义。数据驱动的能耗预测方法具有建模简单、准确率高等优点,已经得到了广泛的应用。本文基于支持向量回归算法,对采用水源热泵系统用于夏季制冷和冬季供暖的某政府办公建筑的能耗进行了预测研究,利用当地气象数据、机房运行数据和室内温度数据等进行建模,并通过异常检测、特征选择和参数寻优等方法对模型进行优化。根据夏季制冷工况下的气象数据、机房运行数据等,分别采用箱线图、局部异常因子和主元法(PCOut)等方法进行异常检测,通过分析对应能耗预测模型的测试结果和异常样本的分布情况发现,训练数据集中存在的异常样本对数据驱动模型的预测性能具有显着的负面影响,箱线图和局部异常因子方法能够检测到原始数据集中的异常样本,而主元法检测效果不佳。进一步的研究发现,箱线图和局部异常因子两种方法同时检测为异常的样本是最可能的异常值,与使用原始数据训练得到的模型相比,异常检测优化后模型测试均方根误差从6.44降低为2.76,相对平方误差从0.58下降到0.11,能耗预测性能得到了明显的提高。根据冬季供暖工况下的气象数据、室内温度数据等,基于办公建筑能耗特征,引入日期类型和时间类型两个变量,通过不同变量的组合建立多个能耗预测模型,对模型的测试结果进行误差分析,并对输入变量进行敏感性分析,结果表明,光照强度、时间类型、日期类型等参数对模型性能具有正面影响,且它们的相对重要性之和超过70%,对模型起主导作用,是模型最佳输入特征。为了进一步优化模型,采用网格搜索和十折交叉验证方法对支持向量回归算法的参数C和γ进行优化,在一定范围内确定它们的最优值,与优化前相比,能耗预测结果的均方根误差从7.8227减小到4.1160,相对平方误差从0.4313下降到0.1194,优化效果显着。(本文来源于《华中科技大学》期刊2018-05-01）
孙雅琼,季亮[8]（2017）在《气候变化对上海市办公建筑暖通空调能耗影响分析》一文中研究指出通过建立上海市办公楼能耗预测模型,探究其在不同室外温度及太阳辐射强度下建筑空调采暖能耗及其峰值的变化趋势,并进行敏感性分析。建立上海市办公楼采暖能耗、空调能耗及二者的峰值能耗的回归预测模型,预测气候变化对上海市办公楼的采暖空调能耗及峰值的影响趋势。(本文来源于《绿色建筑》期刊2017年05期）
赵宇[9]（2016）在《暖通空调的能耗问题及节能方法》一文中研究指出空调系统的出现为人们创造了舒适的空调环境,但随着全球能源危机的出现,节能降耗成为空调系统设计、运行和管理中的关键环节。本文主要对暖通空调的能耗问题及节能方法进行了分析。(本文来源于《建材与装饰》期刊2016年50期）
李慧星,张然,冯国会,黄凯良,曹炽洪[10]（2016）在《严寒地区某超低能耗建筑暖通空调节能系统分析》一文中研究指出严寒地区超低能耗建筑暖通空调节能系统设计以沈阳建筑大学中德节能示范中心为例,它集成多项严寒地区建筑节能技术与可再生能源综合利用技术,同时具有工程案例示范和科技研发功能。围绕建筑光伏光热利用、地源/空气源热泵、高效储能设备、系统控制、经济性评价等方面进行了研究。系统每年节省运行费用2.67万元,投资回收期为5.62 a,性能明显优于常规地热泵系统。(本文来源于《建筑科学》期刊2016年04期）
暖通空调能耗论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在当今不断加剧的恶劣天气影响下,建筑作为能源资源不可忽视的消费者,如何对其进行有效的能源管理,节约能源资源,优化其用能结构受到了广泛的关注。而暖通空调作为建筑中最主要的耗能设备之一,针对其进行能耗预测以及节能优化对于降低建筑整体能耗、缩减成本,都具有重要的现实意义和实际指导作用。本论文利用数据驱动的方法对我国北部某大型办公建筑的能耗进行了预测、全年能耗仿真以及优化调度。本文首先采集了该建筑2016年11月至2017年3月以来的能耗数据以及空调运行数据。在人为进行了整理、消除异常数据、坏样本点之后,利用主元分析算法对其进行降维处理,将降维之后的样本集利用一种基于集成学习算法的能耗预测模型进行预测,再对照Energy+仿真结果获得全年能耗数据。最后,综合分析其整体能耗、热负荷以及暖通空调能耗搭建了一种具有优化调度功能的能源枢纽模型。基于集成学习算法Adaboost-BP模型在提高BP神经网络算法模型的预测精度的同时,可以修正BP神经网络算法的已陷入局部极小值、收敛速度慢等缺陷。且该集成学习算法对于弱分类器的要求很低,几乎不需要对其参数进行调整,因此使用范围广,鲁棒性好。对于每月的预测精度分别由86%,89.01%,89.89%和81.16%分别提高至88.13%,90.31%,90.14%,89.16%和85.91%,尤其对于自身分类效果不佳的算法模型具有更为明显的提升效果。根据该办公建筑的物理特征及气候特点,本文将能耗预测所得到的数据结合仿真手段Energy Plus得到了有参考意义的该建筑全年能耗,包括热、电、暖通空调能耗等等数据。根据其能耗特点在Matlab环境下搭建了一个具有多个优化目标协同的能源枢纽系统,并对其进行优化。最终形成了一个具有灵活热电比热电联产设备的能源枢纽系统,该热电比是响应暖通空调耗电量与建筑整体热负荷的比例在一定区间内变化的。最终利用MATLAB求解可知,对比之前稳定热电比的能源枢纽系统,具有灵活热电比的能源枢纽在2017年该地区的气候条件下一年可以节约4.5%的经济成本,2.9%的天然气,3.3%的电量输入以及3.2%的CO2排放。此外,该能源枢纽系统有利于实现能源的梯级利用并对于可再生能源的消纳应用具有现实指导意义。总之,本论文提出的基于数据驱动的能耗预测以及优化调度对于优化办公建筑能耗结构、节约能源资源、降低温室气体排放、降低用电高峰期用户端需求量增大对电网造成的冲击都具有良好效果,也为分布式能源网络格局的设计提供了一种设计思路。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
暖通空调能耗论文参考文献
[1].滕伟,张少凡,张建忠,陈瑾.夏热冬冷地区被动式超低能耗公共建筑暖通空调设计[J].暖通空调.2019
[2].袁玥.基于机器学习的办公建筑暖通空调系统能耗预测及优化调度[D].华中科技大学.2019
[3].刘成.暖通空调系统运行能耗的影响因素分析[J].黑龙江科学.2019
[4].廖文强,王江宇,陈焕新,丁新磊,尚鹏涛.基于长短期记忆神经网络的暖通空调系统能耗预测[J].制冷技术.2019
[5].童宁.浅析公共建筑暖通空调系统的降耗及能耗平衡途径[J].中国设备工程.2019
[6].段冠囡,王岳人.超高层建筑暖通空调能耗精准预测仿真[J].计算机仿真.2018
[7].孙劭波.数据驱动的建筑暖通空调系统能耗预测与模型优化[D].华中科技大学.2018
[8].孙雅琼,季亮.气候变化对上海市办公建筑暖通空调能耗影响分析[J].绿色建筑.2017
[9].赵宇.暖通空调的能耗问题及节能方法[J].建材与装饰.2016
[10].李慧星,张然,冯国会,黄凯良,曹炽洪.严寒地区某超低能耗建筑暖通空调节能系统分析[J].建筑科学.2016