青海省城镇住宅建筑节能的综合评价研究
|
摘要
随着社会经济的飞速发展,建筑能耗在能源消耗中所占的比重越来越大。但是我国人均能源占有量少,能源利用率低,严重的能源压力和环境压力迫使我们必须大力开展建筑节能工作。目前我国有关住宅建筑节能的研究主要集中在建筑节能技术、节能政策方面,强调节能效果及意义,缺乏对住宅建筑节能准确、全面的综合评价方法。而建筑节能综合评价体系是建筑节能发展的支撑。建筑节能是一个复杂的系统工程,对建筑进行节能设计和改造,需要一个科学适用的综合评价体系以对建筑节能做出正确的评估。通过建立住宅建筑节能的综合评价指标体系,对住宅建筑节能进行综合评价,不仅有利于我们掌握既有住宅建筑的节能效果,而且更有助于指导新建住宅建筑节能工作的开展。
青海省位于我国西北部,经济不发达,全年平均温度-5℃至8℃,海拔高,气候寒冷,具有丰富的太阳能资源。本文针对青海省具体的气候地理和住宅建筑的特点,探索青海省城镇建筑节能已取得的成效和存在的问题,运用多种数学方法和模型设计出青海省城镇住宅建筑节能的综合评价指标体系及综合评价模型。
本文通过运用灰关联分析法、德尔菲法及人工神经网络模型,分析了综合评价青海省城镇住宅建筑节能的指标体系,得出比较重要的简化的节能评价指标,进一步建立了青海省城镇住宅建筑节能的综合评价模型。其中,灰色关联度的计算,可以较好的解决评价指标难以准确量化和统计的问题,整个计算过程简单、通俗易懂,易为人们掌握,并且只需要少量的样本,计算结果科学可靠。人工神经网络方法根据建筑样本所提供的数据,通过不断地学习和训练,找出输入与输出之间的内在联系,从而确定所建模型的系数。通过本文研究和实例分析证明,运用基于灰色关联度的人工神经网络模型综合评价法,既可以进行青海省城镇住宅建筑节能的综合评价,还可确定影响住宅建筑节能综合效果的关键指标所在,从而进一步指导既有住宅建筑的节能改造和新建住宅建筑节能工作的设计开展。
With the rapid socio-economic development, building energy consumption in the proportion of energy consumption is increasing. But China's per capita possession of less energy, low energy efficiency, serious energy and environmental pressures force us to be strong building energy saving. Currently the residential building energy efficiency in China's research focuses on building energy-efficient technologies, energy policy, emphasizing energy conservation and the significance of the lack of accurate energy-saving residential buildings, a comprehensive and integrated evaluation. The comprehensive evaluation of building energy system is the support of energy efficiency in buildings. Building energy efficiency is a complicated systematic project, the construction and transformation of energy-saving design requires a comprehensive evaluation system for science to make the right on the building energy efficiency evaluation. Residential building energy efficiency through the establishment of a comprehensive evaluation index system of comprehensive evaluation of residential building energy efficiency will not only help us understand the energy saving effect of residential buildings but also help guide new residential building energy efficiency work.
Qinghai Province in northwest China, economic underdevelopment cold, the annual average temperature of -5℃to 8℃, altitude, cold climate with abundant solar energy resources. This paper Qinghai specific geographical and climatic characteristics of residential buildings, cities and towns in Qinghai Province to explore the effectiveness of building energy efficiency has been achieved and problems, using various mathematical methods and models to design a comprehensive index of residential building energy system and comprehensive evaluation model.
By using grey relational analysis method, the Delphi method and artificial neural network model of qinghai province, analyzes the comprehensive evaluation index system of building saving-energy, more important to simplify the evaluation index, further energy-saving residential buildings built in qinghai province town of comprehensive evaluation model of energy. Among them, the grey relational computation, can better solutions to accurately quantified evaluation and statistics, the calculation process is simple, understandable, easy for people to grasp, and only a few samples, scientific and reliable results.Artificial neural network method according to the data provided by building samples, through continuous learning and training for the input and output, the inner relation between, obtained for solution. Through this research and analysis, based on the grey relational comprehensive evaluation model of artificial neural network method, which can undertake qinghai town houses of building energy efficiency evaluation, still can influence the comprehensive effect of energy-saving residential building is a key indicator, thus further guidance of both residential building energy-saving reform and new residential buildings in the design of the work.
青海省位于我国西北部,经济不发达,全年平均温度-5℃至8℃,海拔高,气候寒冷,具有丰富的太阳能资源。本文针对青海省具体的气候地理和住宅建筑的特点,探索青海省城镇建筑节能已取得的成效和存在的问题,运用多种数学方法和模型设计出青海省城镇住宅建筑节能的综合评价指标体系及综合评价模型。
本文通过运用灰关联分析法、德尔菲法及人工神经网络模型,分析了综合评价青海省城镇住宅建筑节能的指标体系,得出比较重要的简化的节能评价指标,进一步建立了青海省城镇住宅建筑节能的综合评价模型。其中,灰色关联度的计算,可以较好的解决评价指标难以准确量化和统计的问题,整个计算过程简单、通俗易懂,易为人们掌握,并且只需要少量的样本,计算结果科学可靠。人工神经网络方法根据建筑样本所提供的数据,通过不断地学习和训练,找出输入与输出之间的内在联系,从而确定所建模型的系数。通过本文研究和实例分析证明,运用基于灰色关联度的人工神经网络模型综合评价法,既可以进行青海省城镇住宅建筑节能的综合评价,还可确定影响住宅建筑节能综合效果的关键指标所在,从而进一步指导既有住宅建筑的节能改造和新建住宅建筑节能工作的设计开展。
With the rapid socio-economic development, building energy consumption in the proportion of energy consumption is increasing. But China's per capita possession of less energy, low energy efficiency, serious energy and environmental pressures force us to be strong building energy saving. Currently the residential building energy efficiency in China's research focuses on building energy-efficient technologies, energy policy, emphasizing energy conservation and the significance of the lack of accurate energy-saving residential buildings, a comprehensive and integrated evaluation. The comprehensive evaluation of building energy system is the support of energy efficiency in buildings. Building energy efficiency is a complicated systematic project, the construction and transformation of energy-saving design requires a comprehensive evaluation system for science to make the right on the building energy efficiency evaluation. Residential building energy efficiency through the establishment of a comprehensive evaluation index system of comprehensive evaluation of residential building energy efficiency will not only help us understand the energy saving effect of residential buildings but also help guide new residential building energy efficiency work.
Qinghai Province in northwest China, economic underdevelopment cold, the annual average temperature of -5℃to 8℃, altitude, cold climate with abundant solar energy resources. This paper Qinghai specific geographical and climatic characteristics of residential buildings, cities and towns in Qinghai Province to explore the effectiveness of building energy efficiency has been achieved and problems, using various mathematical methods and models to design a comprehensive index of residential building energy system and comprehensive evaluation model.
By using grey relational analysis method, the Delphi method and artificial neural network model of qinghai province, analyzes the comprehensive evaluation index system of building saving-energy, more important to simplify the evaluation index, further energy-saving residential buildings built in qinghai province town of comprehensive evaluation model of energy. Among them, the grey relational computation, can better solutions to accurately quantified evaluation and statistics, the calculation process is simple, understandable, easy for people to grasp, and only a few samples, scientific and reliable results.Artificial neural network method according to the data provided by building samples, through continuous learning and training for the input and output, the inner relation between, obtained for solution. Through this research and analysis, based on the grey relational comprehensive evaluation model of artificial neural network method, which can undertake qinghai town houses of building energy efficiency evaluation, still can influence the comprehensive effect of energy-saving residential building is a key indicator, thus further guidance of both residential building energy-saving reform and new residential buildings in the design of the work.
引文
[1]雷红鹏.民用建筑结构节能原理研究[D].天津：天津大学,2003.
[2]龙惟定.建筑节能与建筑能效管理[M].北京：中国建筑工业出版社,2005.
[3]程大章,王长庆,王座中,黄洁.智能建筑节能的调研与分析[J].智能与绿色建筑文集,2006,2：295-304.
[4]惠艳涛,李 瑞.发展绿色建筑—中国房地产的光明之路[J].智能与绿色建筑文集,2006,2：944-948.
[5]陈岩松.住宅建筑节能评价方法[D].上海：同济大学,2003.
[6]张蓓红.建筑分布式能源系统应用探讨[J].智能与绿色建筑文集,2006,2：529-534.
[7]杨红霞.建筑节能评价体系的研讨和研究[J].暖通空调2006,36(9)：4244.
[8]中国散装水泥网.西宁市：节能减排在行动[EB/OL].httP://www.cbc.net. cn/cement/news.asPx?fid=243212008,7,28.
[9]中国建设网.关于印发《青海省建筑节能工作五年规划》的通知[EB/OL].httP: //www.ebi360.eoln/policy/Artiele.asPx?AriieleID=167623&ClassID=78,2008,10,9.
[10]赵书杰.浅谈青海高原地区建筑围护结构节能技术[J].青海科技,2002,4：35-37.
[11]毛义华,蔡临申.我国建筑节能的现状及其对策分析[J].技术经济与管理研究,2007,1：58-59.
[12]陈柏昆.青海地区建筑节能技术探讨[J].青海大学学报,2002,10：5-6.
[13]朱塞鸿.寒冷地区小城镇住宅节能设计研究[D].天津：河北工业大学,2006.
[14]张振新,刘 晶.浅谈高寒地区建筑节能方法[J].黑龙江水专学报,2001,6：99-101.
[15]林 刚.建筑墙体节能技术与外墙内保温施工过程控制[J].科学工程,2007：33-34.
[16]苑文乾.北方地区部分小城镇建筑节能状况与节能策略的研究[D].天津：天津大学,2006.
[17]邓聚龙.灰色预测与决策[M].武汉：华中理工大学出版社,1986.104-126.
[18]邓聚龙.灰理论基础[M].武汉：华中科技大学出版社,2002.122-15.
[19]史晓新,夏 军.水环境质量评价灰色模式识别模型及应用[J].中国环境科学,17(2)：127-130.
[20]中国建材网资讯.努力开拓青海省建筑节能减排新局面[EB/OL]. httP://www.c-bm.com/news/2008/7-14/10132705.htm,2008,7,14.
[21]陈良美.建筑新技术评价模式及指标体系设计研究[D].重庆：重庆大学,2005.
[22]中国建设网.关于印发《青海省建筑节能工作五年规划》的通知[EB/OL]. httP://www.cbi360.com/policy/Article.asPx?ArticleID=167623&ClassID=78,2008,10, 9.
[23]李新辉,吴成东.建筑节能综合评价方法[M].中国智能建筑电气节能新进展,2006.
[24]Mitchell J.A geometric interpretation of hidden layer units in feed forward neural networks[J].NeuralNet-works,1992(3):245-248.
[25]汪德馨,王宇川,陆劫平.基于模糊推理的自适应BP算法[J].系统工程学报,1997(1)：25-28.
[26]李 铁.混沌神经网络住宅性能综合评价模型的研究[J].天津理工学院学报,2003,6：99-101.
[27]书变萍,曹艳平,王婷.多因素时间序列的灰色预测模型[J].西安建筑科技大学学报,2009,39(2)：289-292.
[28]刘思峰,郭天榜,党耀国.灰色系统理论及其应用(第三版)[M].北京：科学出版社,2004.
[29]李界家,张双喜,马 斌.层次模块化模糊神经网络在铝电解故障诊断中的应用[J].沈阳建筑大学学报：自然科学版,2006,22(5)：860-862.
[30]苑希民,李鸿雁.神经网络和遗传算法在水科学领域的应用[M].北京：中国水利水电出版社,200.
[31]吴建生,金龙,农吉夫.遗传算法BP神经网络的预报研究和应用[J].数学的实践与认识,2005,13(01).
[32]刘思峰,党耀国,方志耕.灰色系统理论及其应用(第三版)[M].北京：科学出版社,2005.
[33]苏变萍,曹艳平.基于灰色系统理论的多元线性回归分析[J].数学的实践与认识,2006,35(8)：219-222.
[34]肖新平.关于灰色关联度量化模型的理论研究和评论[J].系统工程理论与实践,997,(8)：76-81.
[35]飞思科技产品研发中心.神经网络理论与MATLAB 7实现[M].北京：电子工业出版社,2005.
[36]张勇,张玉忠,马跃峰.基于灰关联分析的雇员绩效评价模型及应用研究[J].数学的实践与认识,2007,37(19)：46-52.
[37]李美娟,陈国宏,陈国龙.基于灰色关联度的产业技术创新能力评价研究[J].山西财经大学学报,2008(6)：51-57.
[38]汪文雄,汪 磊.我国建筑业区域发展水平的实证比较研究[J].四川建筑科学研究,2005(6)：145-148.
[39]曲盛恩.基于模糊层次分析和灰色关联分析的供应商评价选择研究[J].商业研究,2005(24)7-10.
[40]叶 勇,黄世祥.基于4PL评价指标的灰关联权重确定法[J].合肥工业大学学报,2006(20)：80-83.
[41]王恩茂,刘晓君.层次分析与模糊综合评判法在节能住宅设计方案优选中的应用 [J].四川建筑科学研究,2007,4：146-149.
[42]沈致和.住宅节能原理与设计[M].合肥：安徽科学技术出版社,2006.
[43]来延肖,尹文浩.新建住宅建筑的节能评价[J].《建筑节能》,2007(2)：48-50.
[44]袁 冰.住宅建筑节能综合评价体系研究[D].西安：西安建筑科技大学.2008.
[45]洪文霞,夏宪成.建筑节能指标体系及其评价研究[J].《建筑经济》,2008,6：7/20-7/22.
[46]陈 菲.生态住宅的评价指标体系及方法研究[D].西安：西安建筑科技大学.200.
[47]中国建筑科学研究院.《采暖居住建筑节能检验标准》[s],JGJ132-2001.
[48]兰 峰,丁胜兵,王芙蓉.住宅节能的经济性评价方法研究[J],河北工程大学学报(社会科学版).2007.12.(4)：5-17.
[2]龙惟定.建筑节能与建筑能效管理[M].北京：中国建筑工业出版社,2005.
[3]程大章,王长庆,王座中,黄洁.智能建筑节能的调研与分析[J].智能与绿色建筑文集,2006,2：295-304.
[4]惠艳涛,李 瑞.发展绿色建筑—中国房地产的光明之路[J].智能与绿色建筑文集,2006,2：944-948.
[5]陈岩松.住宅建筑节能评价方法[D].上海：同济大学,2003.
[6]张蓓红.建筑分布式能源系统应用探讨[J].智能与绿色建筑文集,2006,2：529-534.
[7]杨红霞.建筑节能评价体系的研讨和研究[J].暖通空调2006,36(9)：4244.
[8]中国散装水泥网.西宁市：节能减排在行动[EB/OL].httP://www.cbc.net. cn/cement/news.asPx?fid=243212008,7,28.
[9]中国建设网.关于印发《青海省建筑节能工作五年规划》的通知[EB/OL].httP: //www.ebi360.eoln/policy/Artiele.asPx?AriieleID=167623&ClassID=78,2008,10,9.
[10]赵书杰.浅谈青海高原地区建筑围护结构节能技术[J].青海科技,2002,4：35-37.
[11]毛义华,蔡临申.我国建筑节能的现状及其对策分析[J].技术经济与管理研究,2007,1：58-59.
[12]陈柏昆.青海地区建筑节能技术探讨[J].青海大学学报,2002,10：5-6.
[13]朱塞鸿.寒冷地区小城镇住宅节能设计研究[D].天津：河北工业大学,2006.
[14]张振新,刘 晶.浅谈高寒地区建筑节能方法[J].黑龙江水专学报,2001,6：99-101.
[15]林 刚.建筑墙体节能技术与外墙内保温施工过程控制[J].科学工程,2007：33-34.
[16]苑文乾.北方地区部分小城镇建筑节能状况与节能策略的研究[D].天津：天津大学,2006.
[17]邓聚龙.灰色预测与决策[M].武汉：华中理工大学出版社,1986.104-126.
[18]邓聚龙.灰理论基础[M].武汉：华中科技大学出版社,2002.122-15.
[19]史晓新,夏 军.水环境质量评价灰色模式识别模型及应用[J].中国环境科学,17(2)：127-130.
[20]中国建材网资讯.努力开拓青海省建筑节能减排新局面[EB/OL]. httP://www.c-bm.com/news/2008/7-14/10132705.htm,2008,7,14.
[21]陈良美.建筑新技术评价模式及指标体系设计研究[D].重庆：重庆大学,2005.
[22]中国建设网.关于印发《青海省建筑节能工作五年规划》的通知[EB/OL]. httP://www.cbi360.com/policy/Article.asPx?ArticleID=167623&ClassID=78,2008,10, 9.
[23]李新辉,吴成东.建筑节能综合评价方法[M].中国智能建筑电气节能新进展,2006.
[24]Mitchell J.A geometric interpretation of hidden layer units in feed forward neural networks[J].NeuralNet-works,1992(3):245-248.
[25]汪德馨,王宇川,陆劫平.基于模糊推理的自适应BP算法[J].系统工程学报,1997(1)：25-28.
[26]李 铁.混沌神经网络住宅性能综合评价模型的研究[J].天津理工学院学报,2003,6：99-101.
[27]书变萍,曹艳平,王婷.多因素时间序列的灰色预测模型[J].西安建筑科技大学学报,2009,39(2)：289-292.
[28]刘思峰,郭天榜,党耀国.灰色系统理论及其应用(第三版)[M].北京：科学出版社,2004.
[29]李界家,张双喜,马 斌.层次模块化模糊神经网络在铝电解故障诊断中的应用[J].沈阳建筑大学学报：自然科学版,2006,22(5)：860-862.
[30]苑希民,李鸿雁.神经网络和遗传算法在水科学领域的应用[M].北京：中国水利水电出版社,200.
[31]吴建生,金龙,农吉夫.遗传算法BP神经网络的预报研究和应用[J].数学的实践与认识,2005,13(01).
[32]刘思峰,党耀国,方志耕.灰色系统理论及其应用(第三版)[M].北京：科学出版社,2005.
[33]苏变萍,曹艳平.基于灰色系统理论的多元线性回归分析[J].数学的实践与认识,2006,35(8)：219-222.
[34]肖新平.关于灰色关联度量化模型的理论研究和评论[J].系统工程理论与实践,997,(8)：76-81.
[35]飞思科技产品研发中心.神经网络理论与MATLAB 7实现[M].北京：电子工业出版社,2005.
[36]张勇,张玉忠,马跃峰.基于灰关联分析的雇员绩效评价模型及应用研究[J].数学的实践与认识,2007,37(19)：46-52.
[37]李美娟,陈国宏,陈国龙.基于灰色关联度的产业技术创新能力评价研究[J].山西财经大学学报,2008(6)：51-57.
[38]汪文雄,汪 磊.我国建筑业区域发展水平的实证比较研究[J].四川建筑科学研究,2005(6)：145-148.
[39]曲盛恩.基于模糊层次分析和灰色关联分析的供应商评价选择研究[J].商业研究,2005(24)7-10.
[40]叶 勇,黄世祥.基于4PL评价指标的灰关联权重确定法[J].合肥工业大学学报,2006(20)：80-83.
[41]王恩茂,刘晓君.层次分析与模糊综合评判法在节能住宅设计方案优选中的应用 [J].四川建筑科学研究,2007,4：146-149.
[42]沈致和.住宅节能原理与设计[M].合肥：安徽科学技术出版社,2006.
[43]来延肖,尹文浩.新建住宅建筑的节能评价[J].《建筑节能》,2007(2)：48-50.
[44]袁 冰.住宅建筑节能综合评价体系研究[D].西安：西安建筑科技大学.2008.
[45]洪文霞,夏宪成.建筑节能指标体系及其评价研究[J].《建筑经济》,2008,6：7/20-7/22.
[46]陈 菲.生态住宅的评价指标体系及方法研究[D].西安：西安建筑科技大学.200.
[47]中国建筑科学研究院.《采暖居住建筑节能检验标准》[s],JGJ132-2001.
[48]兰 峰,丁胜兵,王芙蓉.住宅节能的经济性评价方法研究[J],河北工程大学学报(社会科学版).2007.12.(4)：5-17.