采用建筑仿真軟件的冷水機(jī)組能耗評(píng)價(jià)方法構(gòu)建及冷卻塔臟垢故障診斷

曹子涵，伍俊宇，陳煥新*，周鎮(zhèn)新，劉志龍，陳建業(yè)

（1-華中科技大學(xué)中歐清潔與可再生能源學(xué)院，湖北武漢 430074；2-華中科技大學(xué)能源與動(dòng)力工程學(xué)院，湖北武漢 430074；3-合肥通用機(jī)械研究院壓縮機(jī)技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，安徽合肥 230031）

0 引言

冷水機(jī)組是建筑集中空調(diào)系統(tǒng)中常見(jiàn)的主要設(shè)備其能耗占比能達(dá)到空調(diào)系統(tǒng)總能耗的40%左右[1]，具有巨大的節(jié)能潛力。冷水機(jī)組的能效評(píng)估將有利于提煉空調(diào)系統(tǒng)的節(jié)能方向，從而大幅節(jié)省能源消耗。本文主要針對(duì)水冷冷水機(jī)組進(jìn)行分析與診斷。

隨著信息收集的成本的下降，新建建筑也配備了一定量的能耗檢測(cè)設(shè)備，為根據(jù)用能模式構(gòu)建冷水機(jī)組的能耗評(píng)價(jià)方法提供了可能[2-3]。邵雙全等[4]提出了基于多輸入多輸出結(jié)構(gòu)的室內(nèi)外機(jī)自適應(yīng)控制策略，建立自適應(yīng)控制算法，說(shuō)明了采用計(jì)算機(jī)仿真實(shí)現(xiàn)多聯(lián)式空調(diào)系統(tǒng)的控制策略的優(yōu)化的可行性。當(dāng)前，國(guó)內(nèi)外建筑能耗分析體系可以大致分為：能耗指標(biāo)評(píng)價(jià)法、能耗預(yù)測(cè)法和模式識(shí)別法三類。能耗指標(biāo)評(píng)價(jià)法方面，賈晶[5]在基于現(xiàn)有國(guó)內(nèi)外的基礎(chǔ)上，提出了兩種冷水機(jī)組整年能耗評(píng)價(jià)的方案，同時(shí)通過(guò)對(duì)比機(jī)組能效比（Coefficient Of Performance，COP）與綜合部分負(fù)荷性能系數(shù)（Integrated Part Load Value，IPLV）的限定值，進(jìn)而說(shuō)明ASHRAE90.1—2010標(biāo)準(zhǔn)更注重機(jī)組COP對(duì)建筑能耗的影響。成建宏等[6]對(duì)2015年版的《冷水機(jī)組能效限定值及能源效率等級(jí)》中的關(guān)鍵部分進(jìn)行了解析，證明國(guó)家能效限定值及能源效率等級(jí)的標(biāo)準(zhǔn)合理可信。能耗預(yù)測(cè)法方面，趙宗洲等[7]利用線性回歸的方法及敏感性分析重點(diǎn)研究了冷水機(jī)組的制冷COP與負(fù)荷率、冷凍水流量和冷凍水供回水溫差的關(guān)系，并利用該回歸模型分析了冷水機(jī)組不同運(yùn)行策略對(duì)運(yùn)行性能及能耗的影響。陳文震等[8]通過(guò)EnergyPlus分別模擬了磁懸浮、變頻離心式和變頻螺桿式3種不同變頻冷水機(jī)組在上海、北京、深圳和成都互聯(lián)網(wǎng)行業(yè)的辦公建筑能耗，并進(jìn)行性能曲線的對(duì)比分析。尹應(yīng)德等[9]采用傳遞函數(shù)法計(jì)算了某綜合購(gòu)物中心的全年運(yùn)行冷負(fù)荷，并利用能耗分析軟件得出3種常用水系統(tǒng)的功耗。模式識(shí)別法方面，李冠男等[10]針對(duì)冷水機(jī)組采用支持向量數(shù)據(jù)描述（Support Vector Domain Description，SVDD），進(jìn)行了傳感器偏差故障下的模式檢測(cè)工作，通過(guò)在測(cè)試集中引入不同幅值水平的偏差故障，分析該方法檢測(cè)效率。魏崢等[11]基于相同與不同冷機(jī)配置兩種類型的實(shí)際工程數(shù)據(jù)，應(yīng)用多元多項(xiàng)式模型、常見(jiàn)的機(jī)器學(xué)習(xí)和半經(jīng)驗(yàn)?zāi)Ｐ偷榷喾N建模方法，對(duì)不同模型的性能進(jìn)行差異性比較后發(fā)現(xiàn)，機(jī)器學(xué)習(xí)算法在具備較高的計(jì)算精讀的同時(shí)靈活性較高，可適用于在線的實(shí)時(shí)建模。REN等[12]使用聚類和決策樹(shù)算法對(duì)美國(guó)馬薩諸塞州里維爾的一個(gè)經(jīng)濟(jì)保障房進(jìn)行分析，分析出其供暖模式及舒適性要求與能耗的關(guān)聯(lián)性。

本文采用EnergyPlus軟件構(gòu)建冷水機(jī)組建筑仿真模型，獲取其運(yùn)行數(shù)據(jù)后，結(jié)合專業(yè)知識(shí)對(duì)原始數(shù)據(jù)進(jìn)行相關(guān)性篩選，并結(jié)合分類與回歸樹(shù)（Classification and Regression Tree，CART）模型分析得出影響冷水機(jī)組能耗的主要特征。根據(jù)上述特征劃分出冷水機(jī)組的用能模式，采用Kruskal-Wallis秩和檢驗(yàn)方法對(duì)用能模式劃分模型的顯著性進(jìn)行驗(yàn)證，建立了基于不同用能模式的冷水機(jī)組能耗評(píng)價(jià)方法，并用該能耗評(píng)價(jià)方法對(duì)冷水機(jī)組臟堵故障狀態(tài)下的能耗進(jìn)行了分析。

1 冷水機(jī)組能耗模擬

1.1 建筑仿真模型

本文從上述原型中選取了典型小型辦公樓作為研究對(duì)象，并以ASHRAE指定的5A氣候區(qū)域代表城市的氣象數(shù)據(jù)作為輸入，通過(guò)9.1版本的EnergyPlus模擬建筑冷水機(jī)組的能耗，來(lái)產(chǎn)生冷水機(jī)組的運(yùn)行數(shù)據(jù)。圖1所示為小型辦公樓建筑模型。

圖1 小型辦公樓建筑模型

該小型辦公樓仿真模型是一個(gè)單層矩形建筑，長(zhǎng)度為30.5 m，寬度為15.2 m。4個(gè)外部區(qū)域及1個(gè)內(nèi)部調(diào)節(jié)區(qū)域高為2.4 m，外部區(qū)域從外墻算起深度為3.7 m，回風(fēng)集氣室高為0.6 m。四面都有窗戶，窗戶有各種單窗格和雙窗格結(jié)構(gòu)，玻璃厚度為3 mm和6 mm，氣隙為6 mm和13 mm空氣或13 mm的氬氣，窗墻比為0.29。南北面有玻璃門，而朝南的窗可被房檐遮蔽，同時(shí)南面的墻上和門上都有房檐。墻壁用木瓦覆蓋著膠合板、R11絕熱材料和石膏板構(gòu)成。屋頂為礫石組合屋頂，采用R-3礦物板隔熱和膠合板覆蓋。

1.2 冷水機(jī)組仿真模型

該建筑有一個(gè)標(biāo)準(zhǔn)的變風(fēng)量系統(tǒng)，包括一個(gè)中央冷水冷卻盤管、一個(gè)主熱水加熱盤管、多個(gè)熱水再熱盤管和一個(gè)外部空氣省煤器。中央設(shè)備包括一個(gè)熱水鍋爐、一個(gè)帶水冷冷凝器的電動(dòng)壓縮式冷水機(jī)組、一個(gè)冷卻塔和一個(gè)電動(dòng)蒸汽加濕器。該HVAC變風(fēng)量系統(tǒng)的結(jié)構(gòu)如圖2所示。系統(tǒng)用冷凍水盤管和一個(gè)簡(jiǎn)單的控制裝置控制濕度，設(shè)置高相對(duì)濕度設(shè)定值50%；用電蒸汽加濕器來(lái)對(duì)系統(tǒng)進(jìn)行加濕，低相對(duì)濕度設(shè)定值40%。照明功率密度設(shè)置為16 W/m2，電器設(shè)備功率密度設(shè)置為10.8 W/m2，人員密度為9.3 m2/人，每小時(shí)換氣率為0.25。

圖2 HVAC變風(fēng)量系統(tǒng)的結(jié)構(gòu)

2 冷水機(jī)組運(yùn)行能耗模式劃分

2.1 數(shù)據(jù)選擇

EnergyPlus能夠輸出大量的建筑輸入、輸出參數(shù)及氣象數(shù)據(jù)等，然而現(xiàn)實(shí)建筑物由于設(shè)備成本、維護(hù)成本和接口耦合等原因，往往只能收集到很少一部分變量的數(shù)據(jù)。本文為了與現(xiàn)實(shí)建筑數(shù)據(jù)收集的情況契合，因此只選取了容易收集及較為常見(jiàn)的變量作為冷水機(jī)組運(yùn)行用能模式劃分模型的輸入變量[13]。劉江巖[14]選取了相對(duì)濕度、室外溫度、時(shí)間和日期作為空調(diào)系統(tǒng)動(dòng)態(tài)用能基準(zhǔn)模型的輸入變量。ZHAO等[15]在其基于支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)的能耗預(yù)測(cè)模型中，也選取了日期、時(shí)間和室外干球溫度作為辦公建筑多聯(lián)機(jī)系統(tǒng)的模型參數(shù)，并驗(yàn)證了這些參數(shù)在能耗預(yù)測(cè)中的作用；據(jù)EnergyPlus官方文件描述，幾乎所有的建筑物都與地面聯(lián)系，地面?zhèn)鳠峥赡茉跊Q定建筑對(duì)周圍環(huán)境的響應(yīng)方面起著重要的作用。本研究選取了室外溫度、室外濕度、日期、時(shí)間和地面溫度作為冷水機(jī)組運(yùn)行能耗模式劃分模型的輸入變量。

2.2 數(shù)據(jù)處理

EnergyPlus輸出的小型辦公樓5月至9月冷水機(jī)組運(yùn)行能耗統(tǒng)計(jì)如圖3所示。冷水機(jī)組每小時(shí)運(yùn)行能耗主要集中在2～6 kW，而在12 kW以上能耗處出現(xiàn)了第二個(gè)峰。根據(jù)相關(guān)制冷知識(shí)的分析，此處峰值出現(xiàn)的原因應(yīng)該是冷水機(jī)組達(dá)到其最大運(yùn)載功率，因此出現(xiàn)了這種異常峰值[16]。由圖3可知，該仿真模型中冷水機(jī)組的最大功耗約為13 kW，當(dāng)外界負(fù)荷需求超過(guò)冷水機(jī)組的制冷能力時(shí)，冷水機(jī)組的能耗無(wú)法超過(guò)其最大運(yùn)行功率，只能在其限值附近徘徊。因此這部分?jǐn)?shù)據(jù)無(wú)法很好反映冷水機(jī)組運(yùn)行能耗與外界條件間的聯(lián)系，需要進(jìn)行數(shù)據(jù)清洗。

圖3 原始冷水機(jī)組能耗統(tǒng)計(jì)

本研究采用四分位差來(lái)對(duì)異常數(shù)據(jù)進(jìn)行處理，四分位差設(shè)定了上限和下限從而對(duì)數(shù)據(jù)集進(jìn)行限制，超過(guò)上下限的異常值，將會(huì)從數(shù)據(jù)集中剔除。

上限和下限的定義值如式(1)及式(2)所示：

式中，Q1為第一四分位數(shù)，Q3是第三四分位數(shù)。

圖4所示為經(jīng)過(guò)預(yù)處理后的冷水機(jī)組能耗統(tǒng)計(jì)數(shù)據(jù)。由圖4可知，數(shù)據(jù)分布近似于正偏態(tài)分布，低耗能與高耗能占比都較少，數(shù)據(jù)質(zhì)量有所提高，有利于后續(xù)用能模式分類模型的構(gòu)建。

圖4 經(jīng)過(guò)預(yù)處理后的冷水機(jī)組能耗統(tǒng)計(jì)數(shù)據(jù)

2.3 原始能耗標(biāo)簽設(shè)置

由于構(gòu)建的冷水機(jī)組能耗模型是沒(méi)有原始分類數(shù)據(jù)的，因此本研究采用聚類算法進(jìn)行原始標(biāo)簽的設(shè)置，相當(dāng)適于作為冷水機(jī)組運(yùn)行用能模式劃分模型的前處理，生成原始標(biāo)簽。

本研究采取k-means算法，k為類簇的個(gè)數(shù)，means是對(duì)類簇中心的描述，一般為均值。k-means算法是一種以距離作為數(shù)據(jù)對(duì)象間相似性度量進(jìn)行劃分的聚類算法，數(shù)據(jù)對(duì)象間的距離越小，那么它們的相似度越高，從而歸為同類簇。對(duì)于大型數(shù)據(jù)集，k-means簡(jiǎn)單高效、時(shí)間復(fù)雜度及空間復(fù)雜度低，可以有效降低運(yùn)算成本[17]。

k-means算法的流程為：1）選擇k個(gè)對(duì)象，每個(gè)對(duì)象作為一個(gè)簇的初始聚類中心；2）對(duì)剩余的數(shù)據(jù)對(duì)象，根據(jù)其與各初始聚類中心的距離，將它賦予最近的類簇；3）重新計(jì)算每個(gè)類簇的平均值并更新為新的聚類中心；4）迭代分類直到準(zhǔn)則函數(shù)收斂。

本研究根據(jù)冷水機(jī)組能耗頻率直方分布圖，選擇了3個(gè)數(shù)據(jù)中心作為原始聚類中心進(jìn)行k-means均值分類，采用SPSS軟件進(jìn)行計(jì)算，得到如表1所示的最終聚類中心。在此聚類結(jié)果的基礎(chǔ)上，再調(diào)整數(shù)據(jù)集的劃分界限，在保證能耗數(shù)據(jù)標(biāo)簽既能將相似度高的數(shù)據(jù)劃分到同一類標(biāo)簽中，同時(shí)保證劃分的數(shù)據(jù)盡可能均勻，避免案例數(shù)相差過(guò)大。

表1 最終聚類中心

3 基于決策樹(shù)冷水機(jī)組用能模式劃分

3.1 分類與回歸樹(shù)模型

決策樹(shù)（Decision Tree），是一種分而治之的決策過(guò)程，依照規(guī)則將數(shù)據(jù)集分割到不同分支節(jié)點(diǎn)成為兩個(gè)或兩個(gè)以上的子集并不斷遞歸，分支節(jié)點(diǎn)的子集也變得越來(lái)越小，從而逐步降低整體復(fù)雜度。當(dāng)分支節(jié)點(diǎn)的深度或者子集達(dá)到一定的停止條件時(shí)，該分支節(jié)點(diǎn)便會(huì)停止劃分成為葉節(jié)點(diǎn)，當(dāng)所有節(jié)點(diǎn)都無(wú)法進(jìn)行繼續(xù)劃分時(shí)便完成決策樹(shù)的劃分。分類與回歸樹(shù)（CART）模型，被廣泛應(yīng)用的決策樹(shù)學(xué)習(xí)方法。CART模型有一個(gè)基本假設(shè)，即決策樹(shù)為二叉樹(shù)，內(nèi)部葉節(jié)點(diǎn)的特征取值為“是”或者“否”，分別為做左節(jié)點(diǎn)和右節(jié)點(diǎn)，也就是遞歸二分每一個(gè)特征，進(jìn)而將輸入空間也就是特征空間分成有限個(gè)組別，并在這些組別上得出預(yù)測(cè)的概率分布，即在輸入確定的條件下得到輸出的條件概率分布。一般而言，回歸樹(shù)的輸出是一個(gè)實(shí)數(shù)，而分類樹(shù)的輸出是樣本的類別[18]，本研究采用的就是分類樹(shù)，使用基尼指數(shù)來(lái)衡量節(jié)點(diǎn)純度。針對(duì)二類分類的問(wèn)題，基尼指數(shù)如式(3)所示：

式中，D為給定樣本集合；|D|為集合樣本的個(gè)數(shù)，把D分成|D1|和|D2|；A為特征條件；Gini(D, A)表示經(jīng)過(guò)A=a分割之后D集合的不確定性。如果基尼指數(shù)越大，那么不確定性越大[19]。CART中每一次迭代都會(huì)降低基尼指數(shù)，直至不再降低。

得到原始能耗標(biāo)簽后可對(duì)決策樹(shù)算法進(jìn)行有指導(dǎo)的訓(xùn)練。將原數(shù)據(jù)集劃分為訓(xùn)練集、測(cè)試集，通過(guò)CART算法，形成輸入?yún)?shù)與能耗標(biāo)簽之間的對(duì)應(yīng)關(guān)系，并構(gòu)建冷水機(jī)組運(yùn)行用能模式分類模型。

3.2 冷水機(jī)組用能模式分類結(jié)果

以室外溫度、室外相對(duì)濕度、日期、時(shí)間段和地面溫度作為冷水機(jī)組運(yùn)行能耗模式劃分模型的輸入變量，采用決策樹(shù)中的CART對(duì)冷水機(jī)組5月到9月的能耗數(shù)據(jù)進(jìn)行劃分，測(cè)試集分類的正確率為90.09%。每個(gè)標(biāo)簽對(duì)應(yīng)的箱型如圖5所示，最終得到的CART結(jié)構(gòu)如圖6所示。

圖5 標(biāo)簽0、標(biāo)簽1、標(biāo)簽2、標(biāo)簽3的箱型

圖6 CART對(duì)冷水機(jī)組運(yùn)行能耗模式的分類結(jié)果

CART將能耗數(shù)據(jù)劃分為4種用能模式，分別對(duì)應(yīng)標(biāo)簽0、標(biāo)簽1、標(biāo)簽2和標(biāo)簽3。從CART的分類結(jié)果來(lái)看，節(jié)點(diǎn)3和節(jié)點(diǎn)5對(duì)應(yīng)周末以及工作日凌晨、早上和晚上，此時(shí)冷水機(jī)組基本無(wú)能耗，標(biāo)簽為0；節(jié)點(diǎn)8相對(duì)濕度較低、節(jié)點(diǎn)12和節(jié)點(diǎn)14地面溫度較低，二者能耗相對(duì)較低，標(biāo)簽為1；節(jié)點(diǎn)13、節(jié)點(diǎn)15和節(jié)點(diǎn)17的地面溫度較高，所以冷水機(jī)組所需能耗也隨之升高，標(biāo)簽為3；最后值得注意的是，節(jié)點(diǎn)11將地面溫度較低的節(jié)點(diǎn)16標(biāo)簽記為能耗最高的3，將地面溫度較低的結(jié)點(diǎn)17的標(biāo)簽記為能耗較高的2。這是由于土壤的熱容量較大，因此存在溫度滯后的現(xiàn)象，仿真模型氣象數(shù)據(jù)選取的月份為5月到9月，天氣最熱月份為7月，但地面最高溫度出現(xiàn)在9月，而這時(shí)天氣已經(jīng)開(kāi)始轉(zhuǎn)涼，冷水機(jī)組的能耗開(kāi)始降低。該劃分方式合理。根據(jù)CART劃分結(jié)果，選取工作日工作時(shí)間段內(nèi)能耗不為零的3種用能模式構(gòu)建能耗評(píng)價(jià)方法。

3.3 Kruskal-Wallis秩和檢驗(yàn)

Kruskal-Wallis秩和檢驗(yàn)，簡(jiǎn)稱克氏檢驗(yàn)，其實(shí)質(zhì)是Mann-Whitney U檢驗(yàn)從二樣本推廣到多個(gè)獨(dú)立樣本的檢驗(yàn)方法，主要用來(lái)對(duì)多個(gè)總體分布是否存在顯著性差異進(jìn)行檢驗(yàn)[20-21]。其基本思想是先將多組樣本數(shù)進(jìn)行混合并按照升序或者降序排序，求出各個(gè)變量的秩，并考察不同組秩的均值是否存在顯著性差異。如果不同組秩的均值存在顯著差異，那么他們的數(shù)據(jù)便無(wú)法混合，數(shù)值相差較大；反之，則可以認(rèn)為不同總體樣本的分布無(wú)顯著性差異。

將3種冷水機(jī)組能耗模式進(jìn)行Kruskal-Wallis檢驗(yàn)，結(jié)果顯示顯著性為0.000（顯著性小于0.001而用0.000表示），表明冷水機(jī)組分類標(biāo)簽下的運(yùn)行能耗有顯著差異。進(jìn)一步對(duì)三組能耗數(shù)據(jù)之間進(jìn)行兩兩比較，結(jié)果如表2及圖7所示。

表2 各節(jié)點(diǎn)顯示能耗數(shù)據(jù)的樣本平均等級(jí)

圖7 能耗數(shù)據(jù)分類相互比較

表2給出了比較的組別、檢驗(yàn)統(tǒng)計(jì)量、標(biāo)準(zhǔn)誤、標(biāo)準(zhǔn)化的統(tǒng)計(jì)量、顯著性P和經(jīng)過(guò)調(diào)整后的顯著性。因?yàn)檫M(jìn)行的是事后檢驗(yàn)，因此需要對(duì)顯著性水平進(jìn)行調(diào)整，本次一共比較了3次，因此調(diào)整后的α=0.05/3=0.016 67，即每?jī)蓚€(gè)樣本間的顯著性P應(yīng)當(dāng)小于0.016 67才能說(shuō)明差異有統(tǒng)計(jì)學(xué)意義。在SPSS中，軟件通過(guò)顯著性P乘上比較次數(shù)從而得到調(diào)整后的顯著性P。在對(duì)冷水機(jī)組能耗不同用能模式能耗數(shù)據(jù)分組結(jié)果的檢驗(yàn)中，兩兩之間的顯著性P都小于0.001并記為0.000，說(shuō)明采用該用能模式劃分方法，能保證不同用能模式下能耗數(shù)據(jù)差異性足夠大。

圖7所示為能耗數(shù)據(jù)分類相互比較。原點(diǎn)旁的數(shù)值分別為該組的標(biāo)簽值及對(duì)應(yīng)的平均秩次，黑色連接線代表兩組之間的差異有統(tǒng)計(jì)學(xué)意義，若出現(xiàn)虛線連接線表示兩組之間的差異沒(méi)有統(tǒng)計(jì)學(xué)意義。圖中沒(méi)有出現(xiàn)虛線連接線，只出現(xiàn)了實(shí)現(xiàn)連接線，說(shuō)明冷水機(jī)組運(yùn)行用能模式劃分符合統(tǒng)計(jì)學(xué)意義。

4 冷水機(jī)組能耗評(píng)價(jià)方法與故障診斷

4.1 四分位差與能耗屬性值歸一化

四分位差主要反映了處于中間50%數(shù)據(jù)的離散程度，數(shù)值越小說(shuō)明位于中間數(shù)據(jù)趨于集中；數(shù)值越大說(shuō)明中間數(shù)據(jù)趨于分散即分布域越廣。在上一節(jié)章節(jié)中，通過(guò)CART算法劃分出了4種冷水機(jī)組用能模式，這4種用能模式數(shù)據(jù)的離散程度是不一樣，可以通過(guò)第一四分位數(shù)Q1和第三四分位數(shù)Q3來(lái)反映各組用能模式能耗數(shù)據(jù)的離散化程度。

冷水機(jī)組運(yùn)行能耗作為一種成本型屬性，屬性值越小表明冷水機(jī)組建筑系統(tǒng)的能耗越小。由于各用能模式的能耗區(qū)間不一樣，即各組能耗數(shù)據(jù)并不具有相同的尺度。為了能夠使不同用能模式下的能耗數(shù)據(jù)具有可比性，本研究采用了數(shù)據(jù)標(biāo)準(zhǔn)化的方法來(lái)消除能耗取值范圍差異的影響。如果屬性值為成本型，一般的有式(4)和式(5)兩種歸一化方式：

通過(guò)以上變換，可使變換后的結(jié)果落在[0, 1]區(qū)間內(nèi)，然而若數(shù)值分布為偏態(tài)分布且偏移量較大或者最大最小值出現(xiàn)異常數(shù)據(jù)，那么歸一化后的數(shù)據(jù)將會(huì)偏向0或者偏向1，導(dǎo)致劃分后的指示性更差。本研究結(jié)合四分位差，對(duì)離散標(biāo)準(zhǔn)化公式，即式(5)的形式進(jìn)行一定更改，如式(6)所示：

式中，Q1為第一四分位數(shù)；Q3是第三四分位數(shù)；xi#表示新能耗屬性值。

更改后的離散標(biāo)準(zhǔn)化公式避免了極值及偏值的影響，使數(shù)據(jù)整體化得到復(fù)現(xiàn)。新能耗屬性值既避免了取值范圍差異的影響，同時(shí)可根據(jù)分組數(shù)據(jù)總體的離散化程度進(jìn)行相對(duì)調(diào)整，很大程度上提高了自身對(duì)數(shù)據(jù)的代表程度。

4.2 能耗評(píng)價(jià)結(jié)果

通過(guò)改良的離散標(biāo)準(zhǔn)化公式得到新能耗屬性值，可以進(jìn)一步完善能耗評(píng)價(jià)方法。新能耗屬性是一個(gè)能夠反映在該模式消除離散化和取值范圍差異化的冷水機(jī)組能耗代表值，通過(guò)這種評(píng)分方式可以協(xié)助進(jìn)行能耗特征情形的識(shí)別。表3列出了各個(gè)用能模式下的第一四分位數(shù)、中分位數(shù)和第三四分位數(shù)。

表3 各用能模式的四分位數(shù)

圖8所示為3種用模式下能耗屬性分布情況。在低耗能模式下，A～N對(duì)應(yīng)的評(píng)分區(qū)間分別為：A為[-1.9, -1.6]、B為(-1.6, -1.3]、C為(-1.3, -1]、D為(-1,-0.7]、E為(-0.7, -0.4]、F為(-0.4, -0.1]、G為(-0.1, 0.2]、H為(0.2, 0.5]、I為(0.5, 0.8]、J為(0.8,1.1]、K為(1.1, 1.4]、L為(1.4, 1.7]、M為(1.7, 2]、N為(2, 2.3]；中耗能模式下A～K對(duì)應(yīng)的評(píng)分區(qū)間分別為：A為[-1.4,-1.1]、B為(-1.1, -0.8]、C為(-0.8,-0.5]、D為(-0.5, -0.2]、E為(-0.2, 0.1]、F為(0.1,0.4]、G為(0.4, 0.7]、H為(0.7, 1]、I為(1, 1.3]、J為(1.3,1.6]、K為(1.6, 1.9]；中耗能模式下A～L對(duì)應(yīng)的評(píng)分區(qū)間分別為：A為[-1.5, -1.2]、B為(-1.2, -0.9]、C為(-0.9, -0.6]、D為(-0.6, -0.3]、E為(-0.3, 0]、F為(0, 0.3]、G為(0.3, 0.6]、H為(0.6, 0.9]、I為(0.9,1.2]、J為(1.2, 1.5]、K為(1.5, 1.8]、L為(1.8, 2.1]。根據(jù)新能耗屬性值的定義式，新能耗屬性值高于1時(shí)，說(shuō)明該點(diǎn)的運(yùn)行能耗小于該模式下樣本總量75%，即處于該分類數(shù)據(jù)再總體數(shù)值大小的25%以下，為該用能模式下的低能耗特征情形；當(dāng)新能耗屬性值在區(qū)間[0, 1]之間時(shí)，表明該點(diǎn)的運(yùn)行能耗在該模式下數(shù)據(jù)總體的中部，為該耗能模式下的正常能耗特征情形；當(dāng)新能耗屬性值小于0時(shí)，說(shuō)明該點(diǎn)的運(yùn)行能耗大于該模式下樣本總量的75%，即處于該分類數(shù)據(jù)在總體數(shù)值大小的75%以上，為該用能模式下的高能耗特征情形。

圖8 3種用模式下能耗屬性分布

由圖8可知，各模式下冷水機(jī)組運(yùn)行能耗分布都呈現(xiàn)中間高兩邊低的情況。低能耗模式和中能耗模式偏向于0.5附近，而高能耗模式更偏向1附近，很好地凸顯了各用能模式下的分布傾向。結(jié)果表明新構(gòu)造的能耗屬性值及能耗評(píng)價(jià)方法可以解決能耗分組取值范圍不均勻及離散程度有所差異的問(wèn)題，也證明了該能耗評(píng)價(jià)方法可以提升冷水機(jī)組運(yùn)行能耗分析的準(zhǔn)確性和可靠性。

4.3 冷水機(jī)組結(jié)垢故障診斷

通過(guò)EnergyPlus故障模塊構(gòu)建冷水機(jī)組冷卻塔臟垢故障，獲取到故障情況下冷水機(jī)組運(yùn)行能耗數(shù)據(jù)，基于第三節(jié)冷水機(jī)組能耗評(píng)分方法對(duì)冷水機(jī)組不同用能模式的故障情況進(jìn)行診斷。

表4所示為冷卻塔臟垢故障下冷水機(jī)組的能耗診斷結(jié)果。由表4可知，冷卻塔臟垢故障發(fā)生時(shí)，高能耗特征分別占據(jù)了用能低能耗模式、用能中能耗模式和用能高能耗模式的27.93%、38.14%和44.14%，相對(duì)應(yīng)的低能耗特征比率分別為24.62%、21.52%和18.59%，用能中能耗模式和用能高能耗模式高能耗特征都有明顯增多，而低能耗特征則在下降。這說(shuō)明隨著冷水機(jī)組能耗的增加，冷卻塔臟垢導(dǎo)致的運(yùn)行能耗負(fù)擔(dān)也在急劇升高，能耗越高故障的影響也就越大。

表4 冷卻塔臟垢下的冷水機(jī)組能耗診斷結(jié)果

圖9所示為3種用能模式下正常情況與故障情況的能耗評(píng)分分布。A～N對(duì)應(yīng)的評(píng)分區(qū)間分別為：A～(-∞, -1.00]、B～(-1.00, -0.80]、C～(-0.80, -0.60]、D～(-0.60, -0.40]、E～(-0.40, -0.20]、F～(-0.20, 0.00]、G～(0.00, 0.20]、H～(0.20, 0.40]、I～(0.40, 0.60]、J～(0.60,0.80]、K～(0.80, 1.00]、L～(1.00, 1.20]、M～(1.20, 1.40]、N～(1.40, 1.60]、O～(1.60, +∞)。低能耗模式下基本無(wú)變化；中能耗模式和高能耗模式下，正常情況下的能耗評(píng)分分布比較均勻且集中在正常能耗特征區(qū)域，而故障情況下能耗評(píng)分則集中在高能耗特征區(qū)域，正常能耗特征與低能耗特征區(qū)域都有所減少。同樣印證了冷卻塔臟垢故障在冷水機(jī)組的高能耗模式下會(huì)產(chǎn)生更大的影響。

圖9 故障與正常情況下冷水機(jī)組能耗評(píng)分分布

5 結(jié)論與展望

本文研究了采用EnergyPlus構(gòu)建的一個(gè)冷水機(jī)建筑仿真模型，通過(guò)分析冷水機(jī)組的原始運(yùn)行數(shù)據(jù)，劃分了4種冷水機(jī)組的用能模式，并在此基礎(chǔ)上構(gòu)建了冷水機(jī)組的能耗評(píng)價(jià)方法，得出如下結(jié)論：

1）對(duì)冷水機(jī)組能耗不同用能模式能耗數(shù)據(jù)分組結(jié)果的檢驗(yàn)中，用能模式兩兩之間的顯著性P都小于0.001，均小于顯著性基準(zhǔn)0.05，說(shuō)明采用該種劃分方式，不同類的能耗數(shù)據(jù)間存在顯著差異，用能模式劃分合理；

2）改良離散標(biāo)準(zhǔn)化公式后的劃分結(jié)果顯示，低能耗模式和中能耗模式更偏向于0.5附近，而高能耗模式更偏向1附近，這反映了在低能耗模式和2中的數(shù)據(jù)更偏向于正常耗能，而高能耗模式中的數(shù)據(jù)更偏向于高能耗，很好地凸顯了不同用能模式下能耗數(shù)據(jù)的分布傾向；

3）冷卻塔臟垢故障發(fā)生時(shí)，高能耗特征分別占據(jù)了用能低能耗模式、用能中能耗模式和用能高能耗模式的27.93%、38.14%和44.14%，相對(duì)應(yīng)的低能耗特征比率分別為24.62%、21.52%和18.59%；說(shuō)明在冷水機(jī)組的高能耗模式下，冷卻塔臟垢故障會(huì)產(chǎn)生更大的影響。