Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Hiệu suất năng lượng và carbon của các tòa nhà đô thị sử dụng kỹ thuật phân tích độ quan trọng biến dựa trên mô hình lượng tử
Tóm tắt
Sự đô thị hóa toàn cầu gây ra nhiều áp lực môi trường hơn ở các thành phố và hiệu quả năng lượng là một trong những mối quan tâm chính đối với sự bền vững đô thị. Các kỹ thuật đo độ quan trọng biến đã được sử dụng rộng rãi trong phân tích năng lượng tòa nhà để xác định các yếu tố chính ảnh hưởng đến việc sử dụng năng lượng của tòa nhà. Tuy nhiên, hầu hết các ứng dụng này chỉ sử dụng một loại phương pháp đo độ quan trọng biến. Do đó, bài báo này đề xuất một quy trình tiến hành hai loại phân tích độ quan trọng biến (dự đoán và dựa trên phương sai) để xác định các biện pháp tiết kiệm năng lượng hiệu quả và chắc chắn cho các tòa nhà đô thị. Hai phương pháp đo độ quan trọng biến này thuộc về kỹ thuật mô hình hóa thứ cấp, có thể giảm thiểu đáng kể chi phí tính toán của các mô hình mô phỏng năng lượng tòa nhà cho các tòa nhà đô thị. Phân tích độ quan trọng dự đoán dựa trên các lỗi dự đoán của các mô hình thứ cấp nhằm thu được thứ hạng độ quan trọng của các biến đầu vào, trong khi phân tích độ quan trọng biến dựa trên phương sai có thể khám phá những tác động phi tuyến tính và tương tác giữa các biến đầu vào dựa trên phân rã phương sai. Các tòa nhà trong khuôn viên được sử dụng để minh họa ứng dụng của phương pháp được đề xuất nhằm khám phá đặc điểm của năng lượng sưởi ấm, năng lượng làm mát, điện năng và khí thải carbon của các tòa nhà. Kết quả cho thấy sự kết hợp của hai loại phân tích độ quan trọng biến mô hình lượng tử có thể cung cấp phân tích nhanh chóng và đáng tin cậy để cải thiện hiệu quả năng lượng của các tòa nhà đô thị. Khí thải carbon có thể được giảm khoảng 30% sau khi áp dụng một vài biện pháp hiệu quả và các biện pháp mạnh mẽ hơn có thể dẫn đến giảm 60% khí thải carbon. Hơn nữa, nghiên cứu này chứng tỏ ứng dụng của tính toán song song để tăng tốc phân tích năng lượng tòa nhà trong môi trường đô thị trong bối cảnh ngày càng nhiều máy tính đa nhân có sẵn.
Từ khóa
#đô thị hóa #hiệu quả năng lượng #độ quan trọng biến #mô hình lượng tử #phân tích năng lượng tòa nhà #khí thải carbonTài liệu tham khảo
CABEE (2018). China Building Energy Consumption Research Report 2018. China Association of Building Energy Efficiency (CABEE). (in Chinese)
Caputo P, Costa G, Ferrari S (2013). A supporting method for defining energy strategies in the building sector at urban scale. Energy Policy, 55: 261–270.
Chen X, Yang H, Peng J (2019a). Energy optimization of high-rise commercial buildings integrated with photovoltaic facades in urban context. Energy, 172: 1–17.
Chen Y, Hong T, Luo X, Hooper B (2019b). Development of city buildings dataset for urban building energy modeling. Energy and Buildings, 183: 252–265.
China Meteorological Administration (2005). Special Meteorological Data Set for Building Thermal Environment Analysis of China. Beijing: China Architecture & Building Press. (in Chinese)
D’Amico B, Pomponi F (2019). A compactness measure of sustainable building forms. Royal Society Open Science, 6: 181265.
DOE (2020). EnergyPlus V9.3. U.S. Department of Energy. Grömping U (2015). Variable importance in regression models. Wiley Interdisciplinary Reviews: Computational Statistics, 7: 137–152.
Hansen CW, Helton JC, Sallaberry CJ (2012). Use of replicated Latin hypercube sampling to estimate sampling variance in uncertainty and sensitivity analysis results for the geologic disposal of radioactive waste. Reliability Engineering & System Safety, 107: 139–148.
Hastie T, Tibshirani R, Friedman J (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edn. New York: Springer.
Iooss B, Da Veiga S, Janon A, Pujol G (2018). R package sensitivity V1.16.1. Sensitivity: Global Sensitivity Analysis of Model Outputs. Available at https://CRAN.R-project.org/package=sensitivity. Accessed 7 Jul 2019.
Kristensen MH, Hedegaard RE, Petersen S (2018). Hierarchical calibration of archetypes for urban building energy modeling. Energy and Buildings, 175: 219–234.
Kuhn M, Johnson K (2013). Applied Predictive Modeling. New York: Springer.
Kuhn M (2018). R Package Caret: Classification and Regression Training. Available at https://CRAN.R-project.org/package=caret. Accessed 10 Nov 2019.
Liu Y (2018). Energy saving of urban buildings based on 3D geographic information system. Master Thesis, Tianjin University of Science and Technology, China. (in Chinese)
Liu Y, Tian W, Zhou X (2019). Carbon performance evaluation of urban buildings using machine learning-based energy models. In: Proceedings of the International Symposium on Heating, Ventilation and Air Conditioning.
Mara TA, Tarantola S (2008). Application of global sensitivity analysis of model output to building thermal simulations. Building Simulation, 1: 290–302.
Mastrucci A, Pérez-López P, Benetto E, Leopold U, Blanc I (2017). Global sensitivity analysis as a support for the generation of simplified building stock energy models. Energy and Buildings, 149: 368–383.
MEE (2018). China Regional Grid Based Line Emission Factor in 2017. Ministry of Ecology and Environment (MEE) of China. (in Chinese)
MOC (2005). GB50189-2005. Energy Conservation Design Regulation for Public Buildings. Ministry of Construction (MOC) of China. (in Chinese)
MOC (2015). GB50189-2015. Design Standard for Energy Efficiency of Public Buildings. Ministry of Construction (MOC) of China. (in Chinese)
MOC (2016). GB51141-2015. Assessment Standard for Green Retrofiting of Existing Building. Ministry of Construction (MOC) of China. (in Chinese)
MOC (2019). GB/T 51350-2019. Technical Standard for Nearly Zero Energy Buildings. Ministry of Construction (MOC) of China. (in Chinese)
Molnar C (2019). Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. Avaible at https://christophm.github.io/interpretable-ml-book/.
Muñoz D, Besuievsky G, Patow G (2019). A procedural technique for thermal simulation and visualization in urban environments. Building Simulation, 12: 1013–1031.
Nguyen A-T, Reiter S (2015). A performance comparison of sensitivity analysis methods for building energy models. Building Simulation, 8: 651–664.
Pang Z, O’Neill Z, Li Y, Niu F (2020). The role of sensitivity analysis in the building performance analysis: A critical review. Energy and Buildings, 209: 109659.
Pasichnyi O, Levihn F, Shahrokni H, Wallin J, Kordas O (2019). Data-driven strategic planning of building energy retrofitting: The case of Stockholm. Journal of Cleaner Production, 233: 546–560.
R Core Team (2019). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Available at https://www.R-project.org/. Accessed 10 Nov 2019.
Saltelli A, Ratto M, Andres T, Campolongo F, Cariboni J, et al. (2008). Global Sensitivity Analysis. The primer. Chichester, UK: John Wiley & Sons.
Shao Q, Gao E, Mara T, Hu H, Liu T, et al. (2020). Global sensitivity analysis of solid oxide fuel cells with Bayesian sparse polynomial chaos expansions. Applied Energy, 260: 114318.
Silvero F, Lops C, Montelpare S, Rodrigues F (2019). Impact assessment of climate change on buildings in Paraguay—Overheating risk under different future climate scenarios. Building Simulation, 12: 943–960.
Tian W (2013). A review of sensitivity analysis methods in building energy analysis. Renewable and Sustainable Energy Reviews, 20: 411–419.
Tian W, Choudhary R, Augenbroe G, Lee SH (2015). Importance analysis and meta-model construction with correlated variables in evaluation of thermal performance of campus buildings. Building and Environment, 92: 61–74.
Tian W, Liu Y, Heo Y, Yan D, Li Z, et al. (2016). Relative importance of factors influencing building energy in urban environment. Energy, 111: 237–250.
Tian W, Liu Y, Zuo J, Yin B, Sun Y, et al. (2017a). Building energy assessment based on a sequential sensitivity analysis approach. Procedia Engineering, 205: 1042–1048.
Tian W, Yang S, Zuo J, Li Z, Liu Y (2017b). Relationship between built form and energy performance of office buildings in a severe cold Chinese region. Building Simulation, 10: 11–24.
Tian W, Heo Y, de Wilde P, Li Z, Yan D, et al. (2018). A review of uncertainty analysis in building energy assessment. Renewable and Sustainable Energy Reviews, 93: 285–301.
Tian W, Zhu C, Liu Y, et al. (2019). Energy Assessment of Urban Buildings Based on Geographic Information System. Journal of Green Building, (in press).
Tian W, Zhu C, Sun Y, Li Z, Yin B (2020). Energy characteristics of urban buildings: Assessment by machine learning. Building Simulation, https://doi.org/10.1007/s12273-020-0608-3.
UN (2019). World Urbanization Prospects, the 2018 revisions. United Nations, Department of Economic and Social Affaris.
Vartholomaios A (2017). A parametric sensitivity analysis of the influence of urban form on domestic energy consumption for heating and cooling in a Mediterranean city. Sustainable Cities and Society, 28: 135–145.
Wei L, Tian W, Silva EA, Choudhary R, Meng Q, et al. (2015a). Comparative study on machine learning for urban building energy analysis. Procedia Engineering, 121: 285–292.
Wei P, Lu Z, Song J (2015b). Variable importance analysis: A comprehensive review. Reliability Engineering & System Safety, 142: 399–432.
Zhang J (2018). Low carbon energy planning of university buildings in cold area. Master Thesis, Tianjin University, China. (in Chinese)