嚴寒地區被動房用電能耗評估

劉念慈, 杜佩陽, 王昭俊

(1.哈爾濱工業大學建筑學院,黑龍江哈爾濱150006;2.寒地城鄉人居環境科學 與技術工業和信息化部重點實驗室,黑龍江哈爾濱150090; 3.中國建筑(南洋)發展有限公司,新加坡)

1 概述

我國嚴寒地區冬季寒冷,供暖期長,供暖能耗大。近年來,被動式超低能耗建筑受到建筑行業越來越多地關注,推動建筑物邁向超低能耗是建筑領域實現碳達峰碳中和目標的重要途徑。嚴寒地區代表性城市——哈爾濱市于2014年建成了某被動式超低能耗住宅(簡稱被動房),這是我國在嚴寒地區建成的首個被動式建筑示范項目。該被動房采用了德國的被動式低能耗建筑技術,并結合本地的氣候特點,進行了建筑設計建造[1]。

隨著社會的發展,住宅用戶對生活質量的追求日益強烈,使用的家電設備種類和數量也越來越多。而家電設備在使用過程中會散熱,對室內的熱濕環境產生影響。同時,不同家庭的用電模式不同,也對建筑能耗產生影響。目前國內外有許多關于用電行為的相關研究。Kumari等[2]使用概念層次聚類方法生成典型家庭用電模式,并為其量身定制關于用電行為的建議,從而降低用電負荷。Klingler等[3]通過聚類分析消費者用電類型,使用二元邏輯回歸和交叉表分析發現家庭人數、家庭成員的平均年齡和孩子的存在對用電行為有重要影響。肖小清等[4]對廣州市的33棟住宅建筑的用電量進行逐月分析,發現其月用電量以3月為最小值和9月為最大值進行季節性波動,此結果與該地區空調的使用有關。白貞等[5]對北京市某居民住宅樓進行了用電量統計,發現住戶冬季用電量高于春季,且室外溫度和節假日對用戶的用電量均有一定影響。王玥[6]對西部地區城市家庭電力消費進行統計分析,發現家庭規模、家庭收入、居住面積以及平均氣溫都是耗電量的影響因素,其中家庭規模的影響最大。

現有的文獻大多是關于一般的節能住宅建筑,關于超低能耗住宅建筑的研究相對比較少。前期調研發現,居住在該被動房住戶的收入水平相對普通住宅用戶較高,住戶也更加追求較高的生活品質。本文分析了被動房不同居民的用電習慣以及用電能耗水平,研究結果可為被動房室內負荷和整體能耗研究提供更為準確的參考,也可用于指導住戶養成節能的用電行為習慣。

2 用電量數據的現場調查

早期我國的住宅建筑能耗計量方式粗糙,在建造時未安裝供暖、空調、照明、插座電器等分項計量電能表,僅通過一塊單相電能表記錄一戶的用電情況,因此無法直接獲取能耗分項的數據。另外,早期的用電量數據由抄表員每月定時抄取,數據時間間隔長,系統地進行整理歸類分析十分困難。因此,早期對于住宅建筑能耗的研究多是基于現場調查,即首先通過讀取電能表或抄錄用電量數據,再進行實際的入戶調研獲得居民與用電行為有關的各種信息,然后對數據進行分析。這種方法可以用于研究實際居住的住宅建筑最真實的用能狀況,并且通過了解住宅用戶的相關信息,找出影響其用能情況的因素和用能規律,為能耗預測提供基礎數據。

在數據采集方面,電耗數據可以通過電能表讀取,也可以從相關管理部門獲取。若是建筑內安裝了分項計量電能表,可直接獲得分項電耗數據。

對建筑能耗的現場調查需要對居民進行信息采集,包括建筑基本信息,如建造年代、所在樓層、供暖供冷方式等;居民人員基本信息,如家庭人數、家庭結構、成員年齡、工作日、收入情況等;家用電器的相關情況,如設備名稱和數量、設置場所、型號、額定功率、待機功率、使用頻率、已使用年限等。

基于現場調查進行建筑能耗分析十分準確,能充分考慮建筑使用者的主觀用能習慣對能耗的影響。針對數據量大、采集困難的問題,開發了功能強大的能源數據采集與存儲系統,各項用能數據能夠結合大數據云平臺進行便捷地存儲和使用,可以更加方便用于能耗研究。但是現場調查研究的整個階段需要進行大量的溝通協調,且問卷涉及內容較多,需要調查對象的全力配合。因此人力、物力及經濟成本高,過程較為繁瑣,后期問卷的整理和分析也需要耗費大量時間。

本文擬研究哈爾濱市該被動房所有住戶的全年用電能耗。該被動房地上共11層,3個單元,66戶居民。被動房基本信息及與國內外標準對比見表1。受疫情影響,只得到了2019年3月至12月的逐日用電量數據。

表1 被動房基本信息及與國內外標準對比

3 用電量數據分析方法

3.1 數據預處理

用電量數據的預處理過程包括對數據缺失值的補充、異常值的清理和數據標準化。目前用電量數據依靠電網數據平臺,采集頻率高、傳輸速度快、存儲能力強,但電力系統的各個環節難免出現設備或系統故障等各種突發情況,造成采集的用電量數據缺失或出現異常情況。另外,如果某住戶某時刻或某天的用電量偏離其正常值較為明顯,說明出現了噪聲數據,屬于用電量數據中的異常數據。為了保證數據的完整性、便于后續分析,需要對這些異常數據進行清理。

對于數據缺失的常用處理方法是線性插值法,即將缺失值前一時刻的數據與后一時刻的數據加和取平均值,將其作為該時刻的數據。這種方法較為簡單,可最大程度地避免隨意添加其他數據對樣本分析的影響。對于計量故障導致數據的累積或小數點移位形成異常偏大的情況,可去掉原始值,采用線性插值法填補新的數據。當用電量數據多天維持不變或只在極小范圍按照一定規律波動時,一般視作用戶在這段時間內沒有用電行為,可以將這些數據清零。

3.2 數據聚類分析

用電量數據聚類分析常用的方法有劃分聚類、層次聚類、密度聚類等。

劃分聚類中的K-means聚類,是國內用電量數據處理甚至大數據挖掘中使用頻率最高的聚類方法[7]。K-means聚類的原理十分簡單,即規定一個聚類簇數K,在聚類開始前隨機選擇K個向量作為初始聚類中心點,計算其他向量到這些聚類中心點的距離,將其劃歸到距離最近的聚類中心點周圍,所有向量分配完成后,對每個聚類中心點周圍的數據求平均值,將其作為新的聚類中心。按此方式迭代,直到產生新的聚類中心點與上次沒有變化,則結束迭代,完成聚類。

影響K-means聚類效果的一個重要因素就是聚類簇數K。K的常用確定方式是手肘法和輪廓系數法。在手肘法中,計算每次迭代后各樣本與其所被劃歸聚類中心點距離的2次方和,并將其定義為聚類平均畸變程度。當聚類平均畸變程度在選擇某聚類簇數K時下降最快,隨后波動較為平緩時,認為該聚類簇數K為最佳聚類簇數。本文采用手肘法。

4 被動房整體用電情況分析

本章的用電量是將被動房看作一個整體,指所有住戶的用電量之和。

4.1 被動房入住率分析

人員在住宅中生活作息,必然會發生用電行為,其用電量數據相對隨機,但在長時間尺度上會呈現規律性。因此首先嘗試從用電角度來確定被動房入住率。

在將用電量數據中為負值的明顯異常數據剔除之后,當用戶該月的用電量為0或該月有20 d以上的日用電量低于1 kW·h時,認為該戶該月是無人居住的。分析數據發現,3個單元中各有1戶從2019年3月至12月始終無人居住,因此將這3戶的數據清零。同樣,對于其他住戶,將其無人居住月份的數據清零。

通過計算得到被動房2019年3月至12月每月入住率變化情況與月平均室外溫度變化情況,見圖1[8]。

圖1 被動房2019年3月至12月每月入住率 變化情況與月平均室外溫度變化情況

從圖1可以看出,被動房入住率在90%～96%范圍內波動,被動房3、4、6月入住率最低,7、8、9月入住率最高。從月平均室外溫度看,7、8、9月為哈爾濱天氣最為涼爽舒適的月份,部分住戶會選擇留在哈爾濱度過炎熱夏季。而冬季哈爾濱室外氣候條件較惡劣,部分住戶選擇離開哈爾濱外出度假。因此,入住率的變化趨勢是符合實際情況的。

4.2 逐月用電分析

對被動房各月的日用電量進行對比分析,按照月份繪制箱線圖,見圖2[8]。本文所有箱線圖中的小正方形表示算術平均值(簡稱均值)。

圖2 被動房各月的日用電量

從圖2可以看出,2019年3月至12月,被動房日用電量在300～600 kW·h范圍內波動,各月平均日用電量在7月達到最高,約為480 kW·h;其余月份平均日用電量波動較小,基本維持在450 kW·h上下;其中5月和10月平均日用電量略低,約為430 kW·h。考慮到7月為暑假時間,被動房住戶家中若有學生,則人員在家時間增多,用電量會有所增加;且7月為哈爾濱最熱月,住戶可能開啟風扇或空調等局部降溫電器,也會導致用電量增加;而5月和9月處于過渡季節,用電量相對偏低。因此,被動房整體用電情況是符合實際規律的。

從各月的日用電量的分布情況來看,10月日用電量變化范圍最大,12月變化范圍最小。考慮到10月份法定節假日有12 d,占整個月的38.7%,住戶可能會選擇全家人在家休息或離家出游,則人員在家時間長或時間短的情況均會出現,進而導致用電量呈現較高或較低水平,符合實際情況。

另外,7月至12月,日用電量均出現了偏離該月正常范圍的情況,其中7、8、9、12月存在日用電量高于該月正常范圍的情況,8、10、11月出現了日用電量低于該月正常范圍的情況?？紤]到住戶用電行為的主觀性、人員活動的隨機性和復雜性,認為這種變化是符合實際情況的。

4.3 工作日與非工作日用電分析

住戶在家時間很大程度影響了家庭的用電水平,有必要對被動房一周內工作日(周一至周五)與非工作日(周六和周日)的用電量進行研究。針對每月,將被動房所有住戶所有周一的用電量相加,得到該月周一用電量,以此類推,得到各月周一至周日的用電量,共70個數據,繪制箱線圖,見圖3[8]。

圖3 被動房各月周一至周日的用電量

從圖3可知,從均值看,周一至周日的用電量變化幅度較小,基本維持在1 800～2 000 kW·h范圍。但從中位數來看,周二、周三和周四有50%的月份用電量處于偏低水平,對于家中上班族較多的住戶,該情況符合實際規律。

進一步對工作日與非工作日的用電量數據進行整合分析,繪制箱線圖,見圖4[8]。

圖4 被動房各月工作日與非工作日用電量

從圖4可知,被動房工作日與非工作日的用電量均值相差極小。但從中位數看,工作日中位數位置較非工作日偏低,說明有50%的月份工作日用電量低于非工作日。此外,非工作日各月用電量變化范圍顯著大于工作日。工作日各月用電量處于1 800～2 200 kW·h范圍,非工作日則處于1 500～2 300 kW·h范圍?？紤]到與工作日相比,非工作日家中人員活動具有更大的不確定性,因此認為這種差異符合實際。

5 住戶用電情況分析

本章的用電量是針對每個住戶。

5.1 逐月用電分析

將每戶逐日用電量數據進行統計,獲得了66個被動房住戶在2019年3月至12月的逐月用電量數據,通過進一步計算,得到各住戶有人居住月份的月平均用電量。發現各住戶之間總用電量(3月至12月)的差異較大,總用電量最高可達5 648 kW·h。月平均用電水平也呈現出較大的差別,最高月平均用電量可達564.8 kW·h,最低只有47 kW·h。

① 按類別分析

為進一步了解住戶用電水平,對其用電行為模式進行研究。借助SPSS Statistics數據處理軟件對住戶逐月用電量進行K-Means聚類分析。通過手肘法計算了不同聚類簇數下的聚類平均畸變程度,發現當聚類簇數從3變為4時,聚類平均畸變程度的下降最為劇烈,之后變化較為平緩,因此取聚類簇數為4。根據住戶的月用電水平將用戶分為4類,類別1為用電高水平住戶,類別2為用電中等水平住戶,類別3為用電偏低水平住戶,類別4為用電低水平住戶。每類用戶月用電量的平均值見圖5[8]。

類別1住戶共3戶,占總住戶數量的4.5%,其月用電量的平均值約為400～500 kW·h;類別2、3住戶分別是24戶、22戶,共占總住戶數量的69.7%,其月用電量的平均值約為200～300 kW·h;類別4住戶共17戶,占總住戶數量的25.8%,其月用電量的平均值約為50 kW·h。

圖5 每類用戶月用電量的平均值

② 被動房套型及使用面積與住戶用電水平的關系

考慮到實際情況,若室內居住人員的數量不同,房屋套型、屋內使用面積不同,住戶用電水平會受到影響。如家中人數多、房間使用面積大,則插座設備用電以及照明用電可能會有所增加。因此,有必要對被動房套型及使用面積與住戶用電水平的關系進行研究。

表2列出了被動房住戶戶型、數量。將住戶數量按照戶型、類別情況繪制成柱狀圖,見圖6[8]。

表2 被動房住戶戶型、數量

圖6 不同戶型、類別的住戶數量

從圖6可以看出,戶型1的11戶住戶中有10戶用電水平屬于偏低和中等;戶型3的全部住戶用電水平中等;戶型2住戶中,36.5%的住戶用電水平屬于中等或高水平,但也有30.8%的住戶用電水平屬于低水平。

進一步繪制各住戶戶型與月平均用電量的箱線圖,見圖7[8]。

圖7 住戶戶型與月平均用電量的箱線圖

從圖7可以看出,戶型3月平均用電量的均值高于戶型1,戶型1高于戶型2。戶型3的面積比戶型1少約26%,比戶型2少約20%,但月平均用電量的均值高于戶型1和戶型2超過一半的住戶。

使用面積和住戶套型對居住人員數量產生限制,也會對用電量產生影響。另外,住戶家中設備配置不同,在家時間有長有短,且住戶節能意識有強有弱,這些也是用電水平的影響因素。由于一室戶型和三室戶型的住戶數量少,上述結果代表性不夠典型。因此,后續最好對所有住戶進行家庭情況、節能意識等用電習慣進行詳細調查,以得到更為準確的結果,便于后續進一步分析。

5.2 典型戶用電模式分析

住戶存在差異的家庭情況、生活習慣和主觀意識會產生不同的用電行為。本文選取其中兩個典型住戶,對其各月日用電情況進行分析。典型住戶均為普通居民,用電主要涉及照明、炊事、家用電器等方面。

① 住戶1

住戶1有4口人,家中有老人照顧小孩,為個體戶,上班時間不固定,且住戶有2名年輕人,家中電器種類較多,包括音響、空氣凈化器等。平時會不定期離家,前往哈爾濱的另一住處,住戶活動規律與用電行為模式較為復雜。住戶1各月工作日與非工作日的平均日用電量見圖8[8]。

圖8 住戶1各月工作日與非工作日的平均日用電量

由圖8可見,住戶1在3、4、10月的平均日用電量較高,8、12月較低。除3、5、7月住戶工作日平均日用電量高于非工作日外,其余7個月非工作日平均日用電量均高于工作日。

② 住戶2

住戶2有3口人,是典型的核心家庭,且夫妻二人環保節能意識較強,與其他住戶相比人均用電水平較低?？傮w上說,其用電行為較簡單。住戶2各月工作日與非工作日的平均日用電量見圖9。

由圖9可見,住戶2全年的用電量與住戶1相比低很多,僅8月用電量相對較高。在3、6、7、8、12月工作日的平均日用電量均低于非工作日,在4、5、9、10、11月工作日的平均日用電量高于非工作日。

通過以上分析可知,該被動房住戶的用電情況不僅受家中人員數量、年齡、職業、在家時間段的影響,而且住戶的節能意識也會產生較大的影響。另外,由于該被動房采用集中式輻射供暖和供冷系統以及集中式置換新風系統,除特殊情況外,住戶并不需要自行安裝和使用電暖器、空調器、電風扇等電氣設備。因此,從用電量上反映住戶的用電模式規律具有很大的主觀性與復雜性,需要進一步結合住戶生活習慣進行更為深入地研究。

6 住宅用電情況分析討論

關于月用電量,大部分文獻都表明其呈季節周期性,但是不同地區的月用電量有些許差異。文獻[4]表明廣州地區居民月用電量3月最低,9月最高,且在非夏季空調季(12月至次年3月)中2月的月用電量最大。文獻[9]表明福州地區住戶月用電量夏季最高,8月達到峰值,冬季次之,過渡季最低。文獻[5]表明北京地區住宅月用電量冬季高于春季。本文研究發現,此被動房7月月用電量最高,處于供暖階段的11月、12月及3月次之。由于本文缺少1月和2月的數據,因此不能確定此被動房的月用電量夏季最高還是冬季最高,后續應對此進行補充研究。產生此差異的原因可能是南方地區夏季炎熱,空調使用較多,因此耗電量大。嚴寒地區冬季寒冷漫長,因此3、4月仍然有較高的耗電量,而8、9月天氣較涼爽,耗電量也較小?？傮w而言,各地區月用電量與氣候的變化有關,相較于過渡季,冬季和夏季的用電量較高。且月用電量與節假日有關,春節期間的用電量會達到一個小高峰。

關于工作日和非工作日用電,本文與文獻[5]的研究結果一致,都發現用電量在工作日與非工作日差別不大。與工作日相比,非工作日家中人員活動具有更大的不確定性,因此非工作日用電量變化范圍大于工作日。

關于住宅面積與用電量的關系,文獻[9]認為居住面積與用電量的相關性不顯著,不是影響用電量的主因,相比之下家用電器使用率及使用時間對住戶用電量有較大的影響。文獻[6]則認為家庭平均月用電量與建筑面積成正相關。而就本文所研究的被動房而言,戶型面積最小的住戶的月用電量最大。分析原因可能是該戶型的住戶數量少,結果代表性不夠典型。后續應擴大調查范圍,以得到更為準確的結果,便于后續進一步分析。

7 結論

① 被動房入住率在90%～96%范圍內波動,冬季室外氣溫低時,入住率較低;夏季室外氣溫較為適宜時,入住率達到最大值。

② 被動房整體日用電量在300～600 kW·h范圍,在7月達到最高,過渡季節相對偏低;各月非工作日與工作日周內平均用電量差異較小,但波動幅度明顯大于工作日。

③ 被動房住戶月用電量基本在50～300 kW·h范圍內,約70%的住戶月用電量為200～300 kW·h。使用面積和住宅套型會影響用電水平。

④ 青年人的住戶用電水平波動較大,住戶用電模式較為復雜;環保節能意識較強的住戶具有更低的用電水平,用電情況較為簡單。被動房住戶的用電情況受家中人員數量、年齡、職業、在家時間段和節能意識的影響,具有較強的主觀性和復雜性。