建筑節能分析用典型年數據的獲取方法

付昱曦,李紅蓮,王賞玉,楊 柳

(1.西安建筑科技大學 信息與控制工程學院，陜西 西安710055；2.西安建筑科技大學 建筑學院，陜西 西安710055)

典型氣象年(Typical Meteorological Year,TMY)是建筑模擬中評估能耗的重要資料，它作為能耗模擬軟件的基礎數據，其輸入氣象數據的準確性緊密影響著能耗模擬的結果.TMY的挑選需要長期、連續的氣象要素記錄，但是在中小城鎮中不具備這種條件，導致無法使用計算方法生成當地的TMY，從而影響能耗模擬評估.針對這種情況，采用不同途徑來獲取TMY顯得尤為重要.

近幾年，我國在這方面取得很大研究成果.2012年，張晴原等人從1995-2005年選取了360個地區的標準氣象年數據[1].2015年，李紅蓮等人梳理了國內外TMY生成方法和逐時氣象數據處理方法[2]，并指出氣象參數選取影響TMY結果的準確性[3]，通過對比不同TMY生成方法對建筑能耗影響，指出了適合西安地區的TMY生成方法[4].同年，香港學者利用遺傳算法生成適用不同氣候條件下的TMY[5].2016年，李紅蓮等人提出了TMY室外氣象參數的選取方法[6].2017年，楊柳等人提出適應我國建筑設計的氣象參數的逐時化分析方法[7]，劉大龍等人通過分析建筑能耗各氣象參數的敏感性系數，得出溫度對采暖和空調能耗的影響最大[8].同年，侯立強等人通過比較成都地區各氣象參數月均值變化和能耗模擬結果[9]，發現當地辦公建筑能耗與各氣象參數間沒有明顯規律性.同年，清華大學學者通過比較中國不同氣候區主要城市TMY數據與55 a實際天氣數據[10]，得出寒冷地區的長期能源使用量與采用TMY得出的結果相差很大.同年，熊明明等人發現了氣候變化影響TMY數據[11]，采暖期較制冷期變化明顯.2018年，王華用機器學習算法補充了南海地區8個站點16 a的總輻射數據[12]，為南海地區TMY生成提供了可靠的方法.

從以上研究內容看出，在建筑節能設計分析中，室外基礎氣象數據的重要性和必要性.針對TMY數據來源問題，本文對TMY的獲取方法進行了梳理，并基于北京20a的實測氣象數據，使用不同獲取方法得到TMY，對比主要氣象參數與長期平均值，并對典型建筑進行能耗模擬，對比其對能耗模擬結果的影響.

1 典型年數據的獲取途徑

1.1 直接獲取法

目前，我國能耗模擬TMY數據源常見的有以下幾種格式，包括CSWD、CTYW、IWEC和SWEAR等，其中CSWD數據是根據中國氣象局收集的中國270個地面氣象站1971-2003年實測氣象數據,CTYW是張晴原開發的標準氣象數據庫，是根據由美國軍事衛星記錄的1982-1997年中國機場氣象站的天氣報告，其中沒有太陽輻射數據，IWEC數據和SWERA數據分別來源于美國國家氣象數據中心和國家可再生能源實驗室，其中只有CSWD數據包含太陽輻射數據，而CTYW、IWEC、SWEAR三種數據中太陽輻射數據是推算出來的，西安建筑科技大學和香港城市大學的合作項目中，采用美國Sandia國家實驗室提出的經驗分布函數方法為我國194個城市挑選出TMY數據，表1為幾種典型氣象年數據詳細介紹.能耗模擬軟件Energyplus官網提供了我國部分大城市的TMY數據，可以直接用以能耗模擬.

表1 國內外典型年氣象數據來源詳細介紹Tab.1 Detailed description of the source of TMY at home and abroad

1.2 計算方法獲取

對于挑選TMY的計算方法，1977年，Andersen等人提出了生成TMY的Danish方法，1980年，Lund等人對此方法加以改進，之后Festa和Ratto于1993年提出了Festa-Ratto法，2005年，由Miquel和Bilbao開發的Miquel-Bilbao方法[13]，適用于除太陽輻射以外的其他氣象參數挑選TMY，2015年，香港學者將遺傳算法用到了確定氣象參數的權重值的大小上[5]，從而生成不同氣候條件下的TMY，2017年，Yusuke Arima等人提出一種新的天氣數據—典型與設計氣象年[14].國內TMY產生方法有CTYW[1]，是由張晴原、Joe Huang提出的典型年挑選方法，它通過計算各氣象要素的月均值標準偏差，選出WS值最小的月份，此外還有清華大學TMY的生成方法CSWD[15]，通過對各氣象參數的平均值進行標準化處理，選出加權求和最小的月份.2014年，我國發布的《建筑節能氣象參數標準》中頒布了450個臺站的TMY數據，所采用的數據來源于中國氣象局686個基本、基準地面氣象觀測站1987-2004年間的觀測數據，利用的是Filkenstein-Schafer統計法來生成的TMY，又稱為Sandia國家實驗室法.

目前，Sandia國家實驗室法是應用最廣泛，并且被國際認可的一種生成TMY方法，通過對比所選月份的逐年累積分布函數CDF(Cumulative Distribution Frequency)與長期累積分布函數的接近程度來確定，按表 2 中選取氣象要素和加權因子[16]， 使用TMY3選取氣象參數權重，增加了一個直接輻射參數，提高了TMY輻射數據與長期數據的一致性，然后計算FS數據的加權總值最小.FS數據的加權總值計算方式如式(1)(2)(3)所示，國內外許多學者通過研究這些方法，為沒有TMY數據的地區選擇合適的方法生成當地的TMY數據[17]，并且對影響TMY的因子進行優化研究[18].

(1)

(2)

(3)

式中：FSx(y,m)為氣象參數x在xi范圍的FS(y,m)統計值；y為年；m為月；CDFy,m(xi)為氣象參數x在xi范圍的CDF值；CDFm(xi)為氣象參數x在月份m的xi范圍的長期統計CDF值；N為參數值選取個數；M為氣象參數選取的個數；WS(y,m)為y年m月的平均加權和；WFx為氣象參數x的加權因子.

表2 TMY3選取氣象參數的權重Tab.2 TMY3 selecting the weight of meteorological parameters

1.3 軟件獲取

除了直接獲取和傳統的計算方法獲得某個地區的TMY數據以外，還可以通過軟件來獲取代表當地長期氣候特征的TMY數據資料[19-21].在評估建筑節能設計上，需要準確的氣象數據，但是并非每個站點都記錄了詳細的氣象數據，所以為了避免計算方法過程的復雜性和不確定性因素，采用軟件獲取TMY數據是可行的.目前，可以生成TMY數據的軟件有Meteonorm、Weathergenerator、TMY Generation等，值得關注的是瑞士聯邦能源部(Swiss Federal Office of Energy)所開發的氣象軟件Meteonorm.

Meteonorm通過預設的氣候模型和數據庫[22-23]，根據提供當地的地理條件和氣象資料，生成月、日、時的氣象數據，對于缺失的站點氣象數據可以根據最近站點的數據通過插值計算得到，快速地生成不同地區TMY，表3是Meteonorm生成TMY的原理.

表3 Meteonorm生成TMY的計算方法Tab.3 The calculation method of meteonorm generation TMY

2 數據實驗

2.1 數據來源

本研究以北京為例，利用相同時間長度20 a(1991-2010)的氣象數據，采用美國Sandia國家實驗室提出的經驗分布函數方法、Meteonorm進行TMY獲取.Sandia方法原始氣象數據來源于中國氣象局，基準氣象站的每日4次定時觀測分別為02:00、08:00、14:00、20:00，氣象要素包括：溫度、相對濕度、大氣壓、風速風向、總輻射、散射輻射等.Meteonorm軟件氣象資料來源于全球能源平衡檔案(GEBA)、世界氣象組織(WMO)等.直接數據來源采用的能耗模擬軟件Energyplus官方提供的氣象數據文件[24]，其數據來源于CSWD、IWEC和SWEAR，本文中使用CSWD數據.表4所示是三種氣象數據的原始數據來源，數據長度.

表4 獲取TMY數據的方法概要Tab.4 Summary of methods for getting TMY

2.2 技術路線

采用Sandia法挑選出北京臺站的TMY數據，然后使用Meteonorm軟件生成的適用能耗模擬的TMY數據文件和Energyplus官方提供數據進行模擬，對結果進行分析，研究的技術路線如圖1所示.

圖1 技術路線Fig.1 Technical route

2.3 生成典型氣象年數據分析

將Sandia法和Meteonorm獲取TMY的結果和Energyplus官方提供的北京TMY數據進行對比，其中對能耗影響重要的氣象參數干球溫度、太陽輻射、相對濕度和風速的TMY數據的比較情況如圖2所示.圖2(a)為三種方法的干球溫度的TMY數據與長期日均值對比，可以看出，三種方法得到干球溫度日值數據與長期日均值相比具有良好的一致性.圖2(b)、2(c)是冬季(12、1、2月份)和夏季(6、7、8月份)干球溫度的對比.將三種方法的太陽輻射數據日值與長期日均值進行對比，如圖2(d)所示，整體變化趨勢相似.圖2(e)、2(f)所示是冬季和夏季太陽輻射的對比，圖2(g)是相對濕度值和長期日均值比較，有個別月份波動較大，但是總體趨勢相似.圖2(h)、2(i)是冬季和夏季的相對濕度的對比，看出太陽輻射和相對濕度無論在夏季還是冬季，Meteonorm的數據波動變化最小，Meteonorm的TMY結果是長期的歷史數據資料計算得到各參數的平均值，因此氣象參數結果符合長期變化的規律.如圖2(j)所示是風速的對比，整體趨勢相同，圖2(k)、2(l)所示是冬季和夏季風速的對比，可以看出Meteonorm的風速數據波動較大，這是由于Meteonorm中，風速不是計算的主要因素，所以沒有提供精確的風速數據.

圖2 三種方法獲取的TMY數據中各氣象要素對比Fig.2 Comparison of meteorological elements in TMY obtained by three methods

表5 對比三種方法獲取的TMY數據與長期值的標準偏差

三種方法獲取的TMY中干球溫度、太陽輻射、相對濕度、風速與其長期日平均值用標準偏差進行比較，如表5所示.作為影響建筑能耗的主要氣象參數，Sandia國家實驗室法計算的TMY數據中干球溫度偏差最小，Meteonorm生成的數據中太陽輻射、相對濕度偏差最小，Energyplus直接下載的氣象數據中風速偏差最小.盡管氣象資料即原始氣象數據的來源不同，但是生成TMY結果的差值非常小，相同參數相差不超過0.6%.

3 模擬驗證

3.1 建筑模型

為了探討不同方法獲取TMY結果對建筑能耗模擬的影響程度，對一棟辦公樓進行了逐時動態模擬.北京屬于建筑熱工設計分區里的寒冷地區，建模對象為一棟12層辦公樓，全空調，建筑面積為19 200 m2，建筑樓層的平面尺寸為40 m×40 m，模擬運行時間設定為7:00-18:00，室內溫度設置是18～26℃，體型系數0.124，建筑物概況以及設備參數詳見下表6.

表6 模型概況及設備參數Tab.6 Model overview and equipment parameters

3.2 建筑能耗模擬結果及分析

將使用Sandia法生成的TMY數據以及Meteonorm 和Energyplus軟件提供的TMY數據轉化為模擬所需的epw文件后，對同一棟建筑模型進行能耗逐時動態模擬，并對模擬結果進行分析.

三種方法生成的TMY數據的能耗模擬結果如圖3，可以看出，對于所選的寒冷地區典型城市北京，在用不同方法獲取的TMY模擬結果中，制冷與供暖負荷與長期均值的結果顯示，在一年中提供制冷的4～10月里，Sandia法模擬結果的制冷負荷有5個月與長期模擬結果的均值一致，Meteonorm結果有4個月是一致的，Energyplus也有5個月一致，實際上，只有個別月份的結果會出現較小的偏差，其余月份基本一致.

TMY實際上是由不同年份里的真實月組成，TMY數據具有當地氣象特征，挑選方法的不同自然會導致生成的TMY結果不同，因此，模擬結果也會存在一定偏差，表7是不同方法生成的TMY與長期模擬結果均值的相對標準偏差，相同負荷的偏差在0.01 %～0.08%范圍內.可以看出，采用Energyplus下載的數據和Meteonorm生成的TMY數據，在供暖季或制冷季出現負荷偏大的現象，氣象要素是影響建筑熱環境的重要因素，通過比較供暖季(11～3月)、制冷季(4～10月)的負荷和氣象數據，得出相關關系.季節里的干球溫度與負荷比較如圖4，供暖季、制冷季的干球溫度與負荷的相關系數分別為0.88與0.98，說明干球溫度與負荷有很大的相關關系.從表5可以看出，Energyplus直接下載的數據和Meteonorm生成的數據中干球溫度數據誤差較大，因此，干球溫度是影響負荷大小的重要因素.對于北京地區，本文中提到的幾種TMY數據的獲取方法具有一定參考價值.

圖3 能耗對比結果Fig.3 Energy consumption comparison results

表7 對比三種方法生成TMY能耗模擬的標準偏差

圖4 干球溫度與負荷的相關關系Fig.4 Correlation between dry bulb temperature and load

4 結論

本文對建筑節能分析用TMY數據的獲取方法進行了探討，梳理了直接下載、計算獲得和軟件生成TMY數據的步驟，并對比了北京典型建筑能耗用不同方法生成的TMY的模擬結果，分析了當數據來源不同時，對能耗模擬產生的影響，結果表明：

(1)不同方法獲得的TMY數據，整體變化趨勢相似，與長期均值有較好的一致性，存在的偏差很小.

(2)軟件生成的TMY數據是基于預先設定的算法和模型，計算氣象參數結果符合長期變化規律，直接獲取的TMY數據也接近長期平均值.

(3)直接下載、計算得到和軟件生成的TMY數據的能耗模擬結果十分相近，與長期模擬結果平均值的誤差都在可以接受范圍內.因此，提到的方法在未來都可以作為TMY數據的獲取途徑.TMY數據可以準確預測建筑能源情況，同時，對評估建筑節能設計起著重要作用，隨著氣候的變化，數據也會不斷更新，除了可以通過計算方法或直接獲取TMY數據，利用軟件獲取TMY也是值得借鑒的方法，其生成數據的準確性與傳統方法獲得的結果基本一致，甚至還提高了工作效率，能夠快速地獲取任意位置的氣象數據，給我國建筑能耗模擬用TMY的研究工作帶來積極的作用.