重庆城市居住建筑能耗预测模型

蒲清平，李百战，喻伟

(重庆大学 城市建设与环境工程学院，重庆，400045)

节约能源是资源节约型社会的重要组成部分，作为占全社会商品用能1/3的建筑用能，是节能工作的重点。近年来，我国的建筑能耗随着城市化率的提高、经济发展、人民收入和生活水平的不断改善而持续增长，1996—2006年，建筑总商品能耗消耗从 7.12×1015～16.50×1015kJ，增加了1.3倍，其中，2006年城镇住宅商品能耗为 7.97×1015kJ，占建筑总能耗的44%，可见在全社会终端能耗的消耗中居住建筑能耗比例较大[1]。居住建筑能耗的高低取决于多因素，具有时变性、复杂性、随机性、地域性等的特点。研究区域居住建筑能耗的影响因素，系统地积累居住建筑能耗的基础数据，并建立相应能耗影响因素预测模型是制定整个行业发展战略和规划的基础与前提，对于推动建筑节能具有重要的现实意义[2]。国内外对影响居住建筑能耗的影响因素主要从住户情况、建筑物情况、家电设备拥有情况、热环境要求等方面进行研究，而且根据特定区域通过抽样调查展开[3-14]。然而，针对重庆城市居住建筑能耗的研究样本较小，并不涉及全年能耗，也未建立信度较高的能耗预测模型，因此，扩大能耗样本容量，深入了解重庆居住建筑年度能耗影响因素，通过分析和研究建立居住建筑能耗预测模型，为重庆市能源规划和能源政策制定具有重要意义，并为居住建筑节能提供正确的方向、对节能降耗工作具有重要的现实意义。

1 研究方法

本研究以抽样调查、客观结合主观问卷调查获取研究数据，采取相关分析法建立研究模型。

1.1 数据获取与分析处理

本研究客观数据来源于2009年及2010年的住户实际电力消耗得到的年能耗数据；主观数据来源于2011年3～4月，根据重庆市住宅建筑的特点和人口分布情况从沙坪坝、九龙坡、南岸5个区中共抽取1 000户住户调查，最终收回有效问卷681份。主观调查与客观能耗逐一匹配，采用 SPSS16.0软件进行分析处理。

主观问卷设计从用户信息、建筑物基本情况、生活方式、节能意识、家用电器拥有情况5个方面设计，具有较高的信度和效度。其中，用户信息包括家庭常住人口数、年龄分布、家庭总收入。建筑物基本情况包括建筑面积、建筑年代、建筑朝向、建筑类型、居住楼层等；生活方式包括夏天常用的降温方式、使用空调的平均时间、空调温度设定情况、在什么情况下选择使用空调、对室内温度及舒适度的总体感觉、冬季常用的采暖方式、冬季采暖空调设定温度、冬季在什么情况下使用空调采暖、对室内温度及舒适度的总体感觉等；节能意识包括是否使用节能灯具、电器设备未使用时是否待机等；家用电器拥有情况包括电脑台数、空调台数、电冰箱台数、取暖器、电热水器、电饭锅台数等。

在调查过程中，由训练有素的调查人员直接入户发放问卷并向住户说明问卷内容，住户当面填写，问卷现场回收，回收问卷统一整理分析。

1.2 相关分析

相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度，是研究随机变量之间的相关关系的一种统计方法。

2个变量间的简单相关分析就是研究2个变量间线性相关程度并用适当的统计指标表示出来的一种常用统计方法。相关系数是测定变量之间线性相关程度和相关方向的代表性指标，用符号Υ表示，其特点表现在：参与相关分析的2个变量是对等的，不分自变量和因变量，因此，相关系数只有1个；相关系数有正有负，正负号反映了相关关系的方向，正号反映正相关，负号反映负相关；计算相关系数的2个变量都是随机变量。相关系数是描述2个变量之间线性相关程度的定量指标。相关系数 γxy为无量纲，其值在[-1，1]范围内。

最常用的相关系数为皮尔逊(Pearson)相关系数，其计算公式为：

偏相关分析是指在对其他变量的影响进行控制的条件下，分析多个变量中某2个变量之间的线性相关程度，计算偏相关系数。偏相关分析也称净相关分析，它在控制其他变量的线性影响的条件下分析两变量间的线性相关，所采用的参数为净相关系数。

假定有x1，x2和x33个变量，要求剔除变量x3的影响后，变量x1和x2之间的偏相关系数，该偏相关系数记为r12,3，变量3称为控制变量。偏相关系数记为r12,3，其计算公式为：

2 居住建筑能耗预测模型构建

2.1 影响因素的相关分析

在住宅建筑中，建筑能耗主要包括空调、照明、电器、炊事热水等终端能耗[15]，影响因素多，通常涉及收入、建筑物情况、住户情况、能耗设备拥有情况及生活方式和节能观念。本调查从这5个方面入手，相应地设计了家庭年收入、建筑面积，建筑年代，居住楼层，建筑类型，常住人口等调查指标。为了分析这些变量与年能耗是否有相关性及相关程度，对各变量进行简单相关分析。

2.1.1 简单相关性分析

运用 SPSS16.0软件对居住建筑年能耗与各变量相关性进行分析，结果如表1所示。由表1可以看出：尽管家电设备拥有量与年能耗相关系数不同，但是，所有家电使用量和使用强度都基本上与年能耗相关，分析结果与实际结果比较一致。同时根据显著性水平P可知：常住人口、人均建筑面积、建筑类型、夏季空调降温方式、制冷空调和电脑台数总和、空调电脑电视日均使用时间和6个变量与年能耗具有显著线性相关关系。

表1 年能耗与各变量简单相关分析结果Table 1 Simple correlation analysis results of annual energy consumption and influencing factors

2.1.2 偏相关分析

简单相关分析因不能控制其他变量的影响，有时不能真实准确地反映事物之间的相关关系，而偏相关分析则可以。因此，有必要通过偏相关分析对确定的年能耗简单相关变量进行深入分析。

对年能耗与常住人口、人均建筑面积、建筑类型、夏季空调降温方式、制冷空调和电脑台数总和、空调电脑电视日均使用时间总和的关系进行偏相关分析，总能耗与各变量的偏相关分析结果如表2所示。

表2 年能耗与各变量的偏相关分析结果Table 2 Partial correlation analysis results of annual energy consumption and influencing factors

从表2可以看出：偏相关分析确定的与年能耗有显著线性相关性的因素有常住人口、人均建筑面积、制冷空调和电脑台数总和和夏季空调降温方式。

2.2 居住建筑能耗预测模型构建

根据偏相关分析结果，选择4个变量为影响变量建立回归模型，即对年能耗(因变量Y)进行分析时，其影响因素为常住人口数量(X1)、人均建筑面积(X2)、制冷空调和电脑台数总和(X3)和夏季空调降温方式(X4，取值为1，2，3或4，取1表示“任何时间都不开空调”；取2表示“很热的时候才开空调”，取3表示“稍感热的时候开空调”，取4表示“进屋就开空调”)，多元线性回归模型的具体形式为：

用逐步法回归选择自变量拟合回归模型，方法如表3所示。

表4所示为各个模型非标准化的回归系数(B)和标准误差、标准化回归系数、t统计量和t检验的显著性水平(Sig.)。从表4可以看出：这4个模型各变量显著性水平均小于0.100，具有统计学意义。模型4常数项为-817.445；制冷空调和电脑数量总和的偏回归系数为87.376，标准化回归系数为0.114；常住人口的偏回归系数为380.434，标准化回归系数为0.383；人均建筑面积的偏回归系数为 30.699，标准化回归系数为0.366；夏季空调降温方式的偏回归系数为 226.667，标准化回归系数为0.128。

表3 引入或剔除的变量Table 3 Variables introduced or removed

表4 模型各系数检验Table 4 Tested model coefficients

图1 因变量标准化残差散点图Fig.1 Scatter diagram of induced variable standardized residual

图1所示为因变量标准化残差散点图。从图1中没有发现明显的异常值和影响点，表明模型拟合较好。同时，为了验证模型的拟合效果，根据模型4对样本数据进行回代检验，得到各样本年均能耗非标准化预测值，将预测值减统计量值得到预测值与实际值之差，把绝对差值小于1 004(回归方程预测值标准差)视为符合，反之则不符合，得符合的样本数为460个，不符合的样品数为166个，历史符合率为73.5%。

根据以上分析，确定最终的回归方程为：

从以上模型可以看出：年能耗与常住人口、人均建筑面积、制冷空调和电脑台数总和以及夏季空调降温方式成正相关，与偏相关分析结果一致。

3 结果讨论与检验

3.1 结果讨论

从分析结果可知，家庭常住人口数，人均建筑面积，制冷空调和电脑台数总和以及夏季空调降温方式是影响居住建筑年能耗的主要因素，这与文献[5, 7, 11]中的结果具有相似性。然而，对于收入变量，分析显示与年能耗不具有显著线性相关性，这与文献[3, 4, 8]中的结果不一致。其可能的原因是：随着人们居住条件的改善，很多原来只有高收入人群才能拥有的生活设施现在已经进入普通老百姓家庭；此外，重庆城市居民收入水平差距不是特别大，这在调查结果频数分析中也得到体现，高收入和低收入家庭所占比例比较低，约为10%。

3.2 结果检验

通过历史能耗的实际消费数与模型拟合数的比较可以进一步检验模型的代表性。由于能耗统计开始于2008年，所以，比较的历史时期只能选择2008～2010年。通过重庆统计年鉴可以获取2008～2009年重庆城市(主城 9区)户均常住人口、人均房屋建筑面积和制冷空调和电脑台数；同时，根据调查数据可知住户夏季空调降温方式，将这些数据代入模型可得这2年居住能耗拟合值，然后与统计能耗数据进行比较，从而对模型拟合效果进行判断。

从《重庆统计年鉴2010》可以获取2008年和2009年的模型变量户均常住人口、人均房屋建筑面积和制冷空调和电脑台数总和。对于夏季空调降温方式，根据调查结果，住户基本上都选择很热的时候才开空调或者稍感热的时候开空调，因此，对2008年和2009年的夏季空调降温方式这2个变量分别取值2和3。同时，根据城市居住总户数，可以得到年能耗模型拟合数据，通过与实际能耗比较，得到模型符合度，如表5所示[16]。

表5 2008～2010年重庆城市居住建筑能耗比较Table 5 Comparison results between predicted values and actual values(Chongqing urban residential building energy consumption, 2008—2010)

从表5可以看出：模型拟合数据与实际统计数据符合度为95%左右，表明模型具有较好代表性，与实际能源消费结果较符合，模型具有实际应用价值。

4 结论与建议

(1) 通过大量调研得出了重庆市居住建筑的能耗，并通过相关性分析得出了影响居住建筑年能耗的主要因素，包括家庭常住人口数，人均建筑面积，制冷空调和电脑台数总和以及夏季空调降温方式，为确定年能耗影响模型奠定了基础。

(2) 根据多元回归分析理论设计了影响重庆市居住建筑能耗的多元回归模型，并通过统计检验确立最终模型；最后利用2008～2009年我市城市实际居住建筑能耗数据对模型拟合效果进行检验，模型拟合较好，说明该模型具有一定的实际应用价值。

(3) 所提出的居住建筑能耗模型能反映实际发展趋势，可用于辅助制订重庆市居住建筑节能措施和标准，正确引导和组织重庆市居住建筑行业，优化重庆市居住建筑结构，并据重庆市居住建筑能耗的预测，对重庆市能源合理规划、居住建筑节能政策的制定提供重要参考依据。

[1]江亿, 林波荣, 曾剑龙, 等. 住宅节能[M]. 中国建筑工业出版社, 2006: 3-8.JIANG Yi, LIN Bo-rong, ZENG Jian-long, et al. Energy efficiency in residential buildings[M]. Beijing: China Architecture & Building Press, 2006: 3-8.

[2]LI Bai-zhan. Sustainable response to the urbanisation in China[J].Journal of Central South University of Technology, 2007, 14(S3):1-7.

[3]Haas R, Biermayr P, Zoechling O, et al. Impacts on electricity consumption of household appliances in Austria: A comparison of time series and cross-section analyses[J]. Energy Policy, 1998,26(13): 1031-1040.

[4]Papakostas K T, Sotiropoulos B A. Occupational and energy behaviour patterns in Greek residences[J]. Energy and Buildings,1997, 26(2): 207-213.

[5]Tuan N A, Lefevre T. Analysis of household energy demand in Vietnam[J]. Energy Policy, 1996, 24(12): 1089-1099.

[6]清华大学建筑节能研究中心. 中国建筑节能年度发展研究报告2009[M]. 北京: 中国建筑工业出版社, 2009: 1-10.Building Energy Research Centre of Tsinghua University.Annual report of 2009 on China building energy efficiency[M].Beijing: China Architecture & Building Press, 2009: 1-10.

[7]王怡, 刘加平. 西安住宅环境现状调查及空调设备使用情况分析[J]. 暖通空调, 2005, 35(12): 44-46.WANG Yi, LIU Jia-ping. Investigation on residential building indoor environment in Xi’an and usage of air conditioners[J].HVAC, 2005, 35(12): 44-46.

[8]李念平, 关军, 潘尤贵, 等. 长沙市住宅建筑夏季能源使用结构的调查与分析[J]. 暖通空调, 2004, 34(5): 14-17.LI Nian-ping, GUAN Jun, PAN You-gui, et al. Investigation andanalysis on summer energy structure of residential buildings in Changsha[J]. HVAC, 2004, 34(5): 14-17.

[9]赵辉, 吕忠, 钱渝. 重庆地区典型居住建筑建造能耗分析[J].重庆建筑, 2010, 9(8): 5-7.ZHAO Hui, LÜ Zhon, QIAN Yu. Analysis of construction energy consumption for residential buildings in Chongqing[J].Chongqing Architecture, 2010, 9(8): 5-7.

[10]符佩佩. 长江流域农村建筑能耗调查及节能对策研究[D]. 重庆: 重庆大学城市建设与环境工程学院, 2008: 8-9.FU Pei-pei. Study of rural building energy consumption survey and energy-saving strategies in Yangtze valley[D]. Chongqing:Chongqing University. Faculty of Urban Construction and Environmental Engineering, 2008: 8-9.

[11]陈淑琴. 基于统计学理论的城市住宅建筑能耗特征分析与节能评价[D]. 长沙: 湖南大学土木工程学院, 2008: 13-15.CHEN Shu-qing. Analyses on energy consumption characteristics and energy conservation evaluation of urban residential building based on the statistical methodologies[D].Changsha: Hunan University. College of Civil Engineering, 2008:13-15.

[12]谢艳群. 长沙市住宅能耗调查实测及其影响因素的统计分析研究[D]. 长沙: 湖南大学土木工程学院, 2007: 2-3.XIE Yan-qun. Investigation of energy consumption and statistical analysis survey of its influencing factors of residential building in Changsha city[D]. Changsha: Hunan University.College of Civil Engineering, 2007: 2-3.

[13]Hui S C M. A randomized approach of multiple regression analysis of building energy simulation[C]//Proceedings of the IBPSA Building Simulation 97 Conference. Prague, Czech Republic, 1997: 103-110.

[14]Sari R, Soytas U. The growth of income and energy consumption in six developing countries[J]. Energy Policy, 2007(35):889-898.

[15]Sinor R, Westphal F S, Lamberts R. Regression analysis of electric energy consumption and architectural variables of conditioned commercial buildings in 14 Brazilian cities[C]//Seventh International IBPSA Conference. Rio de Janeiro, Brazil, 2011: 1373-1379.

[16]重庆市统计局. 重庆统计年鉴2010[M]. 北京: 中国统计出版社, 2010: 146, 153, 479.Statistics Bureau of Chongqing. A statistics almanac of Chongqing in 2010[M.]Beijing: China Statistics Press, 2010:146, 153, 479.