《毕业论文外文翻译研究住户行为对建筑能耗影响的系统化程序》由会员分享,可在线阅读,更多相关《毕业论文外文翻译研究住户行为对建筑能耗影响的系统化程序(17页珍藏版)》请在金锄头文库上搜索。
1、武汉科技大学本科毕业设计外文翻译A systematic procedure to study the inuence of occupant behavior on buildingZhun Yua, Benjamin C.M. Fungb, Fariborz Haghighata, Hiroshi Yoshinoc, Edward G Model ENB-3118; ARTICLE IN PRESS: Energy and Buildings xxx (2011) xxxxxx Contents lists available at ScienceDirect Energy and Bui
2、ldings No. of Pages9研究住户行为对建筑能耗影响的系统化程序Zhun Yu,本杰明C.M. Fungb,Fariborz Haghighata,Hiroshi Yoshinoc,爱德华MorofskydG环境局-3118;出版:建筑与能源xxx (2011) xxxxxx; 科学指南建筑与能源第9页a建筑部,土木工程与环境工程,康科迪亚大学,蒙特利尔,魁北克H3G的1M8,加拿大b信息系统工程,康科迪亚大学,蒙特利尔,魁北克H3G的1M8,加拿大康科迪亚研究所c建筑部门与建筑科学,东北大学,日本d房地产机构,加拿大公共工程和政府服务,杜Portage III,,8B1,加蒂诺
3、,魁北克K1A 0S5,加拿大摘要我们已经做了住户行为对建筑能耗影响鉴定的很多努力。由于各种因素影响能耗的因素同时存在,导致我们在鉴定住户个人行为影响时缺乏精确性。本文叙述了检验住户行为对建筑能耗影响的一种新方法的发展;这是基于基本的数据挖掘技术(聚类分析)的一种方法。它主要用来处理数据的不一致,在聚类之前,最小最大的常态化被当成一种数据处理步骤。灰色关联度,是两个因素之间关联的尺度,被用来权衡在聚类分析中各种因素的作用大小的系数。为了证明该方法的适用性,将该方法应用于一个住宅楼宇的测量数据。结果表明,该方法通过改善住户行为减轻了建筑节能评估潜力,并提供多方面有关住户行为的建筑能源最终使用模式
4、的见解。得到的这种结果可以帮助住户为了降低建筑能耗调整优先努力,并有助于改善数值模拟住户行为。 2011爱思威尔B.诉保留所有权文章资料文章历史:2010年10月27日收到2011年 1月11日修订2011年 2 月 4日审核关键词:住户行为 建筑能耗 数据挖掘 聚类分析 灰色关联分析1 简介对建筑能耗的主要决定因素辨识,具有彻底的能够共同协助实现建筑节能目标,提高性能和减少由于建筑能耗产生的温室气体排放量。一般而言,影响因素建筑总能耗可分为七个类别:(1)气候(如室外空气温度,太阳辐射,风速度等),(2)建筑有关的特性(如类型,面积,方向等)(3)用户相关的特征除,社会因素和经济因素(如用户
5、的存在等),(4)建立服务体系和运行(如空间冷却或加热,热水供应等),(5)住户的行为和活动,(6)社会和经济因素(如教育程度,能源成本等)(7) 室内环境质量要求。在这七个因素,社会和经济因素部分决定了住户对能源消耗的态度,并且他们把这种响表现在日常的活动和行为,从而影响建筑物能源消耗。同时,室内环境质量可视为基本由用户决定,从而建筑能耗的影响。从本质上讲,这两种因素,代表住户对建筑能耗间接影响。因此,他们对建筑能耗的影响已包含在住户行为的影响,在确定影响因素的影响时也没有必要把他们纳入考虑。 前四个因素的分立与合并的对建筑能耗影响可以通过模拟确定。随着各种参数的设置,目前的模拟软件基于不同
6、的情况下模拟这四个因素是很强大的。然而,由于用户行为的多样性和复杂性难以完全通过模拟的确定住户的行为和活动影响;当前的模拟工具只能模仿一个固定的行为模式。近年来已经建立了几种模型来整合用户行为的影响在建筑模拟方案1-4。然而,这些模型只注重典型活动如遮阳设备的控制,而建立现实的用户行为模型更加复杂。5-7一些研究表明,为了获得用户行为的全面影响,其中一个可行的办法是提取相应的有用信息实测数据,因为这些数据已经包含了全部影响。例如,Yu et al. 7提出了建筑节能的决策树方法,并将此方法用于日本的历史数据住宅楼宇。生成的模型有一个流程图,像树结构,使用户能够快速提取关于建筑能耗的影响因素的有
7、用信息。这样的模型随着得到的信息可能大大有利于改善建筑节能性能。一般来说,以前的对居住者的行为影响的研究可分为两大类。第一类是侧重于用户对建筑能耗存在的影响。例如,Emery和Kippenhan 8报道了在四个几乎相同房子住户影响存在对家庭能源使用的调查。四间房屋被分成两对,并且其中一对建筑维护用改善了的热阻材料建造。对每一个被留下的房子空置,而另一个是由大学的学生家庭使用。研究人员比较了第一个采暖季(1987-88)占用和空置房屋的总能源消耗(即总和取暖,照明和电器)。他们发现,住户的存在增加了占用房屋的能源消费总量,并且与改善建筑围护结构的房子有一个较小的增加。第二类着重于居民的活动对能源
8、消耗的影响。例如,欧阳和Hokao 9通过在中国124个家庭改善用户的行为调查节能潜力。在这项研究表明,这些房子被分成两组:一种是教育,以促进节能意识的行为,并提出对应的节能措施,于2008年7月生效,而另一个是必须保持完整的行为。比较两组2007年7月到2008年7月各个家庭每月用电。研究人员发现,在平均来说,有效促进节能意识的行为可以减少超过10的家庭用电量。很明显,在这些研究中是通过对测量数据进行比较分析来确定用户行为的影响。然而,这种方法有很大的局限性。首先,除了用户行为,其他四个影响因素也同时导致了建筑能耗的变化,这种方法不能充分去除的这四个因素影响,并确定住户行为的影响。虽然在这些
9、研究中实施了一些排除措施,例如使用近期相同的住宅的特征和能源数据在类似的气候条件其他年份作为参考,这些措施的影响是被质疑的,因为即使在一些细微差别的建筑特性(如传热系数)和气象参数(例如,年平均室外气温)会导致建筑能耗的显著波动。第二,在实际建筑数据库,建筑物通常用混合变量类型(如数字变量),类别变量(例如,住宅建筑类型分为独立和公寓),并序变量(例如,建筑物被评为白金,黄金和白银)。混合变量的数据类型很难用统计方法处理,通常用比较分析。这也增加了区分建住相关影响和用户相关关影响之间的困难。第三,对于比较分析,建筑物通常被分成不同的组简化的研究。这种分类是基于建筑的相关参数,如地板面积。例如,
10、如果建筑面积在100到400平方米范围,它可用小型,中型,大型取代,对应区间分别为100,200,200,300,和300,400。因此,所有的建筑分为三组,即小型建筑,中型建筑,大型建筑物,以及每个组可研究的毛皮。在这个过程中,建立相关参数分区的决定通常是考虑方便和直观。为什么各组之间的间隔要200平方米和300 平方米?因此,更合理分组建筑物的分类方法是需要的。此外,建筑物通常同间代表多种典型参数,如楼龄及楼面面积。所有这些参数为了简便可分为不同的层次,如低和高。为了进行全面的调查,研究样本的必要大小(即楼宇数目)应取决于所有参数水平的不同组合。例如,假设选择7种典型参数代表,每个都是分层
11、3级(例如小,中,大)。就组合理论来看,它可以计算出至少37= 2187种建筑物比较研究,这可能是相当不切实际的。本文的主要目的是开发一个方法论通过数据分析确定住户行为对建筑能耗的影响,从而通过改善用户行为和提供建筑能源消费模式的深刻见解来评估能源节省的潜力。本文组织如下:第二节介绍了建议方法,第三节介绍了应用此方法实地测量数据集并讨论了有关工作的结果,第四节总结了这篇文章。2 方法论提出了一种新的检验住户行为对建筑的能源消耗影响的方法。基本上,它实现了通过依据四种因素与用户无关把所有研究的建筑中相似的建筑分组,因此,对于同组的每一个建筑这四个因素对建筑能源消耗具有类似的效果。相应的,住户行为
12、对建筑能耗的影响可准确地在这些群体确定。此外,只要有足够的建筑样本大小并且主题建筑在这四个影响因素中有一个大的分歧,就意味着四个方面的各组影响因素可以足够相似,由他们引起的能源消耗的不同相对较小,各组建筑物之间能源消费的差异可被认为是仅有住户行为造成的。很明显,建筑群的鉴定认为最重要的元素是方法论。这种鉴定的实现主要通过聚类分析。2.1聚类分析聚类分析是把观察对象分组或簇的进程,使在同一群集中的对象具有较高的相性,而在不同的群集对象具有较低的相似性,图.1显示了一个基于假设建筑数据表的聚类数据。它包含各种能源有关的变量,如户外空气温度(T)和建筑热损失系数(亨利法则常量)。数据表包括m属性和n
13、实例。每个属性表示一个变量,每个实列表示一个建筑物。所有的实例都被归类到w集群。因此,这些w集群内部同质和不同集群之间异质10。这种内部凝聚力和外部分离的所依据的是m属性以及它们的影响;也就是说,这些属性对同一群集建筑的能源表现具有最相似的整体效果,而在不同的建筑集群具有显著的差别。因此,住户行为对建筑能耗的独立影响可以靠聚类分析更加精确的确定并且四个影响因素与住户的行为无关。需要注意的是,这四个影响因素靠从现有数据库选择的相应参数来呈现。进行聚类分析前,为了处理不同的矛盾属性,一些预处理步骤是必要的。例如,大部分能源相关的属性有自己的单位。属性单位从一个切换到另一个可能显著地改变属性值,从而
14、影响了集群的质量和准确性。因此,数据转换技术应用以帮助避免对属性单位选择的依赖。另外,数据转换可以用来防止大范围的属性超过小范围的属性。同时,不同属性对建筑能耗的贡献可能会有很大的不同;因此,数据标准化之后,每个属性应与一个反映其意义的重量相关。灰色关联分析将用于鉴别这些重量。该程序数据转换和灰色关联分析将在第2.2和2.3分别介绍在聚类分析中,从数据库得到的观察数据的不同用他们间的距离计算。在这项研究中,最流行的距离测量,欧氏距离,使用10: 其中k =(xk1,xk2,.,xkn)和L =(xl1,xl2,.,xln)是建筑物。 xk1,xK是n的k参数kl1,.,xln是n的l参数。常用
15、的聚类算法,包括K -均值和CLARANS 10。在这项研究中,由于其高效和广泛的应用,我们采用的K -均值与开源数据挖掘软件WEKA中11,来进行聚类分析。K - means算法是最简单的解决聚类问题分区的方法。给定一个含有w对象的数据集(D),K - means算法的目标是把w对象分成两个约束的K集群:1)每个群集中心是所有对象在该组的平均位置,(2)每个对象都被分配到与中心最接近的集群。该算法给定的步骤包括:(1)从表D随机选择K观测结果作为初始聚类中心,(2)计算其余每个观测中心和每个最初选择之间的距离,(3)把其余每个观测结果分配到最近的集群中心,(4)重新计算的平均值,即集群中心,新的集群,以及(5)重复步骤2-4,直到算法回合,这意味着聚类中心并没有改变。应一提的是K -均值对初始聚类中心是相当敏感的。因此,应该尝试不同的值,以获得集群内距离的最小和。与此同时,分群数应事先指定。2.2 数据转换如前所述,为了应对测量数据集的不一致数据转换已应用。具体来说,最小最大正常化10对值进行缩放,以使他们预定的范围之内。最大最小正常化优势在于由于对它进行了线性正常化使它能够保留初始数据之间的关系。假设Xmax 和Xmin是原始的最大和最小的数值型属性值。通过最小最大正常化,一个值