下面是小编为大家整理的2023年办公楼用电能耗数据分析(附基于AI写字楼能耗分析系统设计)（完整）,供大家参考。

办公楼用电能耗数据的分析(实例范本) 一个建筑工程项目从设计开始到竣工完成为止，电气设计师通常会比较关注；而建筑工程项目一旦交付使用后，对于此项目的后续运行工作，设计师一般都很少去了解。原来的设计与实际的使用到底有多大距离，原来设计中所选择的设备容量是大了、还是小了等问题，设计师关注不多。

　　一般是运行中出现了问题，使用单位才会通知原设计师到现场处理问题。这正是大多数设计师比较欠缺的地方，建筑工程项目的后续跟踪服务、设计师多到现场去了解设备实际运行情况，发现问题及时处理，并进行分析、归纳与总结，对于以后的设计工作是很有帮助的。

　　笔者近日收集到了某单位办公楼电气设备的一些运行数据，通过整理、分析，发现了一些有趣的问题，或许对以后类似的工程项目设计会有些许帮助。

　　通常做法 电气的设计过程中，一般是通过负荷计算来确定 10（20）/ 0.4 kV 变配电设备的型号、规格及其他相关的电气参数。而负荷计算方法有多种，通常用得较多的是单位指标估算法、需要系数法、二项式法等。

　　对于民用建筑的电气设计，负荷计算一般采用需要系数法和单位指标法。而单位指标法又通常用在建筑工程项目的可行性研究及方案阶段；另外，还可以利用单位指标法来对已完成的设计项目进行验算，并判断设计指标是否合理。需要系数法则常常用于建筑工程项目的初步设计和施工图阶段。

　　对于办公建筑，用电负荷的构成通常是照明（含插座）用电负荷、动力（水泵、风机、电梯等）用电负荷、空调用电负荷及特殊用电负荷这 4 大类。其中的特殊用电负荷中，可能有厨房用电负荷及小型计算机房的用电负荷等。

　　在设计阶段，空调及动力用电负荷基本上可以根据相关专业提供的设计资料来确定，照明用电负荷也可以根据相关的标准来确定大致的负荷容量，而插座、特殊用电负荷一般难以估算准确，通常会根据其建筑规模、档次及大致的使用需求等来估算用电负荷的容量。以上这些工作做完后，还可以通过单位指标法来进行检验，设计师通过基本判断，确认是在负荷指标范围内以后，便可以开始动手绘图了。

　　在空调冷水机组采用电动压缩机制冷时，对于办公建筑变压器配置容量指标，业内比较权威的参考资料中，有如下指标：

　　a．《工业与民用供配电设计手册》（第 4 版），≥ 130 VA / m2。

　　b．《全国民用建筑工程技术措施 电气》（2009），50 ~ 100 VA / m2。

　　c．国标图集 19DX101 - 1《建筑电气常用数据》，对于一、二类办公建筑变压器容量节能评价指标限定值：110 VA / m2；目标值：70 VA / m2。

　　某办公楼的设计（部分） 工程概况 某公司 2016 年新建办公楼，建筑高度 23.9 m，办公楼地上实测面积 25 163.55 m2，办公楼配套地下室面积 10 838 m2，合计 36 001.55 m2。变压器的装机容量为 2×1 000 kVA。长沙市位于长江中游，属于典型的夏热冬冷地区。

　　本项目用电负荷包括了 4 大类：照明（插座）、空调、动力和特殊用电负荷。其中的特殊用电主要是公司的职工厨房、餐厅和计算机房用电负荷。而空调采用的是中央空调系统，分为两部分：2 ~ 3 层采用水源热泵多联机系统（2 层局部采用风冷热泵多联机系统）；地下室及 1 层、4 ~ 7 层采用风冷热泵多联机系统。空调用电负荷总装机容量为 1.27 MW。

　　 用电总能耗分布情况 从该办公楼能耗平台收集到的 2018 年全年用电总能耗数据（如图 1 所示）：用电总耗能为 3 230.9 MWh，其中空调系统为 1 871.2 MWh，动力 100.7 MWh，照明能耗 828.6 MWh，特殊用电 430.4 MWh。从上面的数据分析中，可以看出，空调系统用电占比达到 57.91 %。

　　全年空调系统用电能耗情况 该办公楼全年空调系统运行情况：4 月和 10 月主机系统处于停机状态，但仍有少量的末端在工作（风机盘管开启），其他月份每天的工作时间为 8：30 ~ 22：00。空调系统 2018 年的能耗情况如图 2 所示。

　　从图 2 全年各月空调的耗能情况可以看出，只有 7、8 两个月的耗能比较大，这与长沙市炎热的夏季有关。查长沙市 2018 年全年气象资料，从每月平均气温（如图 3 所示）可以看出，7 月、8 月两个月的月平均气温在 35 ℃ 左右，空调系统的用电能耗比较高；4 月、10 月两个月的月平均气温在 24℃左右，比较舒适，不需要开空调，空调主机系统处于停运状态。

　　空调系统用电各月占总能耗的情况 从全年总用电能耗分布情况来看，空调系统年平均占比为 57.91 %，而每个月空调系统的能耗占比却不尽相同，主要还是与当地的气温变化有关。空调系统各月能耗占比情况如图 4 所示。

　　从图 4 可以看出，除 3 月和 11 月，其他各月份（4 月和 10 月停主机未计入）空调系统用电能耗，均超过了总能耗的 50 %。也就是说，本栋办公建筑主要能耗为空调系统。

　　数据分析 从上面案例的数据可以看出，本栋办公建筑单位指标变压器的装机容量为55.6 VA / m2，小于国标图集 19DX101 - 1 中目标值的要求，说明本栋大楼的电气设计是节能的。

　　用电能耗情况分析 本项目投入使用以来，每月用电设备的能耗变化随空调系统的投入情况而变化，全年最高负荷出现在 7 ~ 8 月份，也是变压器负载率最高的两个月，2018 年全年用电总能耗情况如图 5 所示。

　　图 5 中，办公楼 2018 年各月份的用电能耗与空调系统用电能耗情况基本是相对应的。由此可见，空调系统是办公类建筑的耗能大户。

　　如果不考虑空调系统的用电能耗情况，2018 年整栋办公楼的用电能耗情况如图 6 所示，全年的用电能耗基本稳定。从图 6 可以看出，除 2 月和 10 月的月能耗少于 100 MWh 外，其他月份均超过 100 MWh，基本处于一个稳定的水平。2 月份的能耗最少，是因为 2 月份处在春节长假期间，用电设备基本处于关机状态；10 月份有国庆黄金周（还是有部分人在加班）。

　　空调系统月平均实际投入情况 从图 2 空调系统能耗情况分析，2018 年空调系统的实际投入率，基本上是根据全年各月份气温变化而有较大的差异。笔者通过每月空调系统的用电能耗情况及实际投入运行的大致时间，折算出空调系统每月平均的实际投入率，如图 7所示。

　　从图 7 可以看出，空调系统的投入率最高的月份还是 7 月和 8 月，也就是气温最高的两个月，其他月份的月均投入率均不是很高，全年只有 4 个月时间的投入率超过了 50 %。

　　 变压器月平均负载率 通过对办公楼 2018 年全年用电能耗数据分析，折算出各月份变压器实际运行时负荷的大致负载率，如图 8 所示。

　　从图 8 可以很直观地看出，2018 年全年变压器月平均负载率的变化情况，基本上也是随空调系统投入率的变化而变化的，可见办公楼空调系统对办公楼的能耗变化起决定性的作用。在长沙这样的冬冷夏热地区，最热的月份（7 ~ 8 月）变压器的负载率可以达到设计的最大值，其他时间均在 61 % 及以下。

　　几点参考建议 通过对上面的图表及数据分析，尽管一年的数据不能完全反映全部的真实情况，特别是在 2018 年中，没有出现极端的气候天气，但是，还是大致可以给以后的设计提供一些参考：

　　a．对于冬冷夏热地区，在空调系统采用电动压缩机制冷时，办公建筑空调系统用电负荷占比在 50 % 左右，部分办公楼建筑将超出 50 %。

　　b．冬冷夏热地区的办公建筑，变压器的负载率根据气温的变化而变化，其中在炎热的夏季将达到设计的最大值，其他时间基本上在 60 % 及以下。

　　c．在办公建筑项目的设计阶段，电气设计师可以根据空调系统的负荷情况，来确定变压器的大致装机容量，这里是在空调系统采用电动压缩机制冷，用电负荷提供的资料要求比较准确为前提条件。

　　d．建筑电气设计师要多收集设计项目后续的运行数据与资料，并加以分析，以便将设计做得更好。

　　基于 AI 的写字楼能耗分析系统设计 摘 要：近年来随着国内大型写字楼建筑的不断增多，能耗也迅速增长。为此，设计一个基于人工智能深度学习网络的写字楼能耗分析系统，首先对收集的能耗数据进行预处理，然后通过提取数据特征，运用反向传播网络对结果进行处理。该系统可通过训练大量能耗参数信息，评估写字楼历史能耗信息与当前能耗的量化关系，从而降低不必要的能耗，实现节能的目的。

　　关键词：AI;能耗分析;写字楼;反向传播网络;深度学习网络 0 引言 近年来国内大型写字楼建筑不断增多，并且 95%为高能耗建筑，导致写字楼能耗迅速增长[1-3]。为了降低能耗、节约能源，需要对写字楼中的能耗设备进行监管。由于写字楼内部的能耗设备数量很多，人工监管压力非常大[4]。为了实时监测室内光照与温度信息，并对各灯具和空调运行状态进行智能控制，对能耗的精细化管理变得越来越重要[5]。国内外学者对此进行了相关研究。如樊丽军、于秋红等[6-7]通过函数拟合方法预测设备能耗，但由于能耗分析涉及因素众多，对于不同设备，分析与预测模型也通常有所不同，需要为每个用电器设计对应函数，所以该方法很难适应所有设备;Mocanu 等[8]利用深度学习网络对建筑能耗进行预测，但其原理与实现细节并不详细。

　　本文设计一款可以监测与管理写字楼照明及空调系统的能耗分析系统，以实现对写字楼每个房间温度、光照及电器运行状态的采集，并且可以将信息发送到管理平台上。管理员通过该系统平台可以查看建筑电器能耗状态，帮助管理者尽快发现能耗异常情况并提出解决方案，从而降低不必要的能耗，实现节能目的[9]。

　　1 写字楼能耗分析系统概述 写字楼通常楼层较多，内部照明设备与空调数量也很多，以一栋二十层的写 字楼为例，每层有 200 台照明设备、6 台空调，则总共有 4 120 台设备需要管理，监测与管理任务十分繁重，如果监测和管理不及时，会造成大量能源浪费。

　　系统由数据采集、数据接收、数据分析与数据展示等几部分组成[10]。数据采集是指采集寫字楼内部电器能耗数据[11]，然后将采集的数据发送到远程服务器上;数据分析是指服务器对能耗历史数据进行学习，建立深度学习网络，并通过反向传播更正网络参数[12];数据分析是指服务器通过分析采集的实时能耗数据，判断电器运行状态是否正常，从而辅助人工决策[13];数据展示是指通过可视化图表展示电器历史运行状态[11]。能耗状态分类如表 1 所示。

　　2 数据库设计 本文采用 MySQL 数据库进行存储[14]，根据需要设计了以下几个表：deviceinformation 、 devicestatus 、 roominformation 、 devicebpn 、 user 。

　　其 中deviceinformation 表存储设备详细信息，主要字段包括标号、类型、所属建筑、所属楼层、所属房间、设备名称等;devicestatus 表存储设备运行状态信息，主要字段包括设备标号、日期、功耗、预测功耗等[15];roominformation 表存储房间信息，主要字段包括房间标号、光照、温度、时间等;user 表用来存储用户信息，主要字段包括用户标号、用户名、用户密码、年龄等。

　　3 系统框架设计 系统前端页面采用 HTML 设计系统界面主题结构，利用 CSS 技术进行渲染与布局，并采用 JavaScript 对网站页面进行动态显示设计。系统后台采用 Java 语言编程，以及 SSM 框架进行搭建，服务器使用 Tomcat。后台交换数据通信时采用 Ajax 技术（页面不跳转，响应速度加快）。后台系统主要实现以下功能：

　　（1）信息联动查询。选择建筑名称后，可自动查询该建筑内楼层信息，以及楼层所有房间信息，并根据选择的信息查询该房间内所有设备，查看该设备在某时间段内运行状态。采用联动查询方式，最初只需加载少量数据即可，从而提高了页面响应速度。

　　（2）可视化展现电器运行状态。主要采用折线图与饼状图进行展示[16]，可视化图标采用 echarts 的 API 编写程序。根据折线图可以直观观测电器运行状态走势，饼状图用来分析各电器能耗占比。可视化展示有 4 种展现形式：①以小时为单位，查询所选日期当天运行状态;②以天为单位，查询所选日期当月运行状态;③以月为单位，查询所选日期当年运行状态;④对比查看预测能耗数据与实际能耗数据。通过该方式，可以按月或天查看电器运行状态长期走势，或按小时查看电器短期运行状态，也可以通过对比预测数据查看电器运行是否正常等。

　　（3）接收能耗数据。采用网络编程实现，利用 socket 与采集系统建立连接，进行数据传输。首先服务器开放一个网络端口，然后客户端通过该端口与服务器连接，连接成功之后客户端按照一定时间间隔向服务器发送能耗数据（本文采用每 10min 发送一次能耗数据）。服务器收到客户端发送的能耗数据后，将数据存储到数据库中等待后续处理。

　　（4）预测电器能耗与状态。采用神经网络对电器历史运行状态进行学习，建立网络模型，然后对电器能耗进行预测，并根据预测能耗与实际测量能耗对比，判断电器运行状态是否正常。

　　4 基于深度学习的写字楼能耗分析模型 4.1 数据选择 本文采用电子科技大学某实验室 2018 年 3 月1 日-3 月 15 日共 360 条数据作为训练数据，之后采用 2018 年 3 月 16 日数据进行测试。测试数据如表 2 所示。

　　 4.2 模型结构 深度学习网络结构（Deep Learn Networks，DLN）是由输入层、隐含层与输出层组成的一种深层神经网络[12，17]。在深度学习网络中，前一层网络的输出作为下一层输入，使上层网络获取到的特征可以被下一层使用[18]。输入层网络则以预处理后的数据作为输入，然后对输入特征进行分类或预测。模型结构如图1 所示[19]。

　　第一层为输入层，该层节点数量可根据输入数据个数决定。隐含层可以有若干层，若隐含层太少，会导致模型过于简单，不能满足所需功能;若隐含层太多，进行梯度下降时权重收敛速度太慢，将导致训练模型耗时过长，并且容易出现过拟合状态[20]。因此，在建立学习网络时需要设置合适的隐含层数量。输出层仅有一层，建立过程比较简单，神经元个数根据需求结果进行设置即可。

　　4.3 模型训练过程 深度...

推荐访问:能耗 标签 分析 办公楼用电能耗数据的分析(附基于ai的写字楼能耗分析系统设计) 写字楼耗电量