西安建筑科技大学 黄 金 李红莲 吕凯琳

0 引言

随着我国城镇化进程的加快，建筑能耗将持续增加[1]，因此，建筑节能是贯彻可持续发展战略的重要内容[2]。

气象参数对指导地区的建筑设计标准及能耗模拟评估起着基础、直接的作用。典型气象年(typical meteorological year，TMY)是太阳辐射和气象要素在1 a内逐时的数据集，由各个年份中选出的典型代表月(typical meteorological mouth，TMM)组合而成，主要用于太阳能转换系统和建筑能耗模拟，具有表征地区典型气候特征的作用[3-4]，提高TMY的准确性对建筑节能设计非常重要。

目前挑选TMY普遍采用的是美国Sandia国家实验室法[3]——分析各气象参数的累计分布函数(CDF)与长期累计分布函数的接近程度，对各气象参数依照经验法赋予权重，综合为WS值，依照WS值最小选取合适的TMM，组成TMY。随着研究的深入，有学者指出，气象参数权重因子选取的不同会导致TMY结果的差异，气象参数权重因子的选择对TMY准确性的影响有待商榷[4-6]。

针对TMY权重取值的研究如下。Jiang使用9项气象参数为中国8个气候区典型代表城市生成TMY数据，对Sandia方法中的权重值进行了修改——太阳辐射权重赋予0.5，干球温度赋予0.25，其余共赋予0.25[7]。Rahman等人选取4项气象参数——太阳辐射、相对湿度、风速、干球温度，在计算WS值时，对4项参数随机分配6组权重因子。结果显示，对气象参数赋予相同权重(1/4)效果最好[8]。Mandurino等人为意大利挑选TMY数据时，采用配对比较法，并结合专家建议对3项气象参数赋予了新的权重——太阳辐射5/16，干球温度1/16，平均风速10/16。结果显示，利用新的TMY数据进行仿真，与10 a长期仿真结果吻合较好[9]。Su等人研究了赋予气象参数不同权重对挑选TMY的影响，以北京和纽约地区为例，将4项气象参数(干球温度、露点温度、风速、太阳辐射)权重设置在一定的取值范围内，对各个气象参数随机取值数量取10、6、6、10，得到3 600组权重组合，分别生成的TMY进行对比分析。研究结果显示，新生成的TMM与Sandia法生成的TMM之间存在较高的重叠性，且其计算结果关于气温和太阳辐射值的标准偏差均小于10%，表明气象参数权重的取值对TMY的挑选不是很敏感[10]。Ohunakin等人针对尼日利亚东北部生成了5个地区的TMY，对太阳辐射赋予5/12的权重，干球温度赋予4/12，其余共同赋予3/12[11]。以上文献梳理情况见表1。

表1 相关文献赋予气象参数的权重

由表1可见，不同学者在挑选TMY时，对各气象参数的权重赋值有所不同，缺乏普遍共识。本文研究气象参数权重因子统一与否对TMY挑选结果的影响，以及对建筑能耗模拟准确性的影响，在调研获取详实可靠的气象数据后，针对建筑能耗模拟和设计应用需要，通过建筑能耗模拟进行相关性分析，提出一种动态确定TMY中各气象参数权重因子的方法。

1 研究方法

1.1 技术路线

挑选TMY时，Sandia国家实验室法中各气象参数权重因子是固定的[14-16]。本研究在建筑能耗模拟的基础上提出一种新的TMY权重因子构建方法，分析各气象参数与建筑能耗的相关性，通过定量分析确定各气象参数权重，技术路线如图1所示。

注：FS为Sandia国家实验室提出的Filkenstein-Schafer统计方法计算值。图1 技术路线图

1.2 数据来源

以我国严寒地区代表城市北京为例，选取以下气象参数：日平均干球温度、日最高温度、日最低温度、日平均相对湿度、日平均风速、日最大风速、日水平面总辐照度、直接辐照度日平均值，数据来自于国家气象科学数据中心(http:∥data.cma.cn)。取值年限为1988—2017年，30 a日值数据。

1.3 数据对比方法

为了详细论述不同方法产生TMY结果的差异，在数据分析时，引用均值偏差MBE(mean bias error)、标准偏差RMSE(root mean square error)和相对标准偏差RSD(relative standard deviation)。计算公式如下：

(1)

2 权重对TMY的影响

首先验证气象参数权重不同是否对TMY的挑选产生影响。采用随机赋权的方法生成4组权重，具体数值见表2。

根据上述权重，依次确定不同权重下北京地区TMY的挑选结果，按照随机权重生成新的TMY，结果见表3。

表2 随机权重赋值

表3 随机权重下北京TMY挑选结果

取不同权重产生的TMY挑选结果，TMM组成有较为明显的差异。对上述TMY挑选结果中各气象参数进行偏差分析，结果如图2所示。

将随机权重产生的TMY结果与各月长期平均值进行对比发现：各随机权重与长期平均值的MBE值，平均干球温度分别为0.90、-1.38、-2.05、-3.88 ℃，相对湿度分别为4.40%、-1.13%、-0.55%、2.37%，平均风速分别为0.6、-0.5、0.2、-0.9 m/s；由于太阳辐射数值较大，计算MBE值会较大，故采用计算相对标准偏差RSD。太阳辐射中，各随机权重与长期平均值的相对标准偏差分别为0.22%、0.35%、0.16%、0.18%。分析结果显示：选取不同权重产生的TMY，对温度没有较为明显的影响，但对风速、相对湿度和太阳总辐照度有明显的影响。

温度差异不大的原因在于分析时采用月均值对比，而一个地区温度的月均值，一定程度上不会有较大的变化，但挑选TMY时，采用的是日值计算。TMM组成年份的差异明显，在日值尺度上，温度也有较为明显的差异。由于其他气象参数已经证明不同权重取值有明显差异，对此本文不再详细验证。

结果表明，对气象参数赋予不同的权重，对TMY的挑选有明显影响。

3 确定新权重的方法与步骤

3.1 模型的构建及能耗模拟结果

选取北京地区典型办公建筑作为基准建筑，采用EnergyPlus进行30 a逐年建筑能耗模拟，基准建筑为1栋20层的办公楼，北轴夹角为0°。标准层为37.8 m×31.5 m平面，层高3.8 m，总建筑面积23 814 m2，其中空调区域面积为21 609 m2。办公建筑的内部负荷、室内设计工况及暖通空调系统设置符合该区的建筑设计、节能设计标准，表4给出了基准建筑的基础参数设置，建筑模型构造如图3所示。

表4 基准建筑基础参数设置

图3 办公建筑模型

3.2 能耗相关分析确定新权重

按照上述参数构建建筑模型后，进行30 a逐年能耗模拟。将各气象参数的月均值与逐年逐月模拟的能耗值进行相关性分析，将相关性大的赋予更高的权重。构建新的权重因子时，引用了Pearson相关分析法。确定新的权重因子的具体步骤如下。

1) 构建地区典型代表建筑，并进行逐年逐月能耗模拟。基于Pearson相关分析法分析能耗与各气象参数相关关系，相关系数R的求解公式为

(4)

式中X、Y分别为各个气象参数长期值(30 a)；N为数据个数。

2) 计算新的权重因子值。

(5)

式中WFj为第j个气象参数的相关系数；ρxy,i为第i个月、第j个气象参数与能耗的相关系数。

(6)

式中NWFj为第j个气象参数新赋予的权重值；M为气象参数个数。

对模拟的能耗数据使用Pearson相关分析法逐年逐月计算相关系数值，所得结果见表5。

由表5可见，温度与能耗呈现明显的相关性，且占比较大；辐射占比在7、8月较大，其余月份没有较大相关性。

温度对能耗的影响最为显著，且呈现较好的季节性特征——在夏季与能耗呈现较高的正相关，在冬季呈现较高的负相关。因为夏季温度升高会增加建筑的空调运行能耗，而在冬季温度升高会减少建筑内的供暖能耗。太阳总辐照度在7、8月时呈现较强的正相关，其余月份相关性并不特别明显。风速和相对湿度与能耗没有明显的变化规律，该分析结果与实际情况较为吻合。

基于式(4)～(6)计算新的权重因子，结果见表6。

表6 新权重因子计算结果

3.3 新权重因子挑选TMY结果分析

Filkenstein-Schafer统计方法通过对比所选月份的逐年累计分布函数(CDF)与长期累积分布函数的接近程度确定权重，即将不同参数计算的FS值结合权重因子，合计为WS值，依据最小WS值确定TMM[3]。在已有研究中，各气象参数在计算WS值时依据经验法选择固定的气象参数权重[17-19]。

构建新的权重因子后，对Sandia法中的权重因子进行修正。Sandia典型年挑选方法的具体内容如下[3]。

分析的气象参数为干球温度、露点温度、风速和水平面总辐射，通过对比所选月份(即为1—12月各个月份)的逐年累计分布函数与长期的累计分布函数的接近程度确定权重，其数学定义为

式中Sn(x)为x处的累计分布值；n为气象参数的数量；k为序数。

各要素的逐年累计值FS按下式计算：

CDFy,m(x(j)i)|

(8)

式中FSj(y,m)为第j个气象参数值域在xi(xi为样本值升序序列)范围的FS(y,m)统计值；y为研究对象年；m为研究对象年中的月份；CDFm(x(j)i)为m月、第j个气象参数值域在xi范围的CDF值；CDFy,m(x(j)i)为y年m月、第j个气象参数长期统计值域在xi范围的CDF值。

然后根据各气象要素的影响力大小，按照加权方法将干球温度等气象参数的FS值汇总成一个参数WS。其定义如式(9)所示：

(9)

式中WS(y,m)为y年m月的平均加权和。

将表6中计算出的新权重结果，替换Sandia法中的原权重值，按照该新权重值挑选的北京TMM结果见表7。

表7 新权重因子挑选典型月结果

以新的权重因子挑选出的TMM结果较Sandia法原权重因子挑选的结果有较大差异。分析各项参数对比结果，对比新权重因子与原权重因子挑选的结果。结果如图4所示。

结果显示，按照新权重因子挑选的TMY，对于平均干球温度，新权重与长期平均值的标准偏差RMSE为3.59 ℃，Sandia法原权重因子计算的偏差为7.2 ℃；对于相对湿度，新权重因子与长期平均值的RMSE为8.29%，原权重因子计算的RMSE为11.21%；对于平均风速，新权重因子计算的RMSE为3.84 m/s，原权重因子计算的RMSE为7.47 m/s；对于太阳辐射，新权重因子计算的相对标准偏差RSD为0.20%，原权重因子计算的RSD为0.17%。

平均干球温度、相对湿度、平均风速的新权重结果较原权重更接近长期平均值；太阳总辐照度的新权重相对标准偏差比原权重大。原因为新权重中降低了太阳总辐照度的权重。

该结论仅对各项参数单独分析得到，还需进行建筑能耗模拟进一步综合验证结果的可靠性。

3.4 能耗模拟验证结果

基于上文所述建筑模型，将新权重因子下挑选的TMY生成新的EPW格式文件，导入EnergyPlus软件中进行能耗模拟，模拟结果如图5所示。

图5 能耗对比结果

模拟结果显示，Sandia法原权重因子挑选TMY的能耗模拟结果与30 a平均值的标准偏差为41.95%，新权重因子挑选的TMY能耗模拟结果与30 a平均值相对的标准偏差为31.42%。对权重进行修正后，降低了10.53%的偏差。

结果表明，新权重因子下挑选的结果较原权重因子下挑选的结果更接近长期平均值。

4 结论

1) 对气象参数赋予不同的权重因子会影响TMY的挑选结果，以平均干球温度为例，产生最大MBE值为-3.88 ℃。权重因子的取值将影响TMY的准确性。

2) 采用EnergyPlus软件进行能耗模拟，对模拟结果与各气象参数进行相关性分析，得出新的权重因子，相较于原权重结果，提高了温度权重，降低了太阳辐照度权重。

3) 将新权重因子下挑选的TMY结果与Sandia法原权重因子下挑选的结果进行对比分析，在各项气象参数偏差分析中，新权重挑选结果较原权重结果偏差都更小；建筑能耗模拟对比分析中，新权重挑选结果更接近长期能耗平均值。

本研究可提高TMY的准确性，进而为提高建筑能耗模拟的准确和高效提供参考。