摘要：針對當前建筑能耗基準確定及用能評價方法仍不完善的現狀，提出了一種適用于住宅建筑的新方法。通過灰色關聯分析確定了不同影響因素（即特征參數）與建筑能耗的關聯度，將關聯度作為該因素的權值并結合聚類分析對建筑進行合理分類。在此基礎上采用累積頻率分布法確定了每類建筑的能耗基準值，并對建筑住戶進行用能評價。為驗證該方法的可行性，將其應用于日本建筑學會所建立的住宅建筑能耗數據庫，為聚類后的每類建筑確定了相應的能耗基準并對住戶進行了用能評價。結果表明該方法能夠綜合考慮不同特征參數的影響大小，科學合理地對建筑細化分類，根據分類后的基準評價能夠更好地評估住戶的節能潛力并提供可行的節能建議。
關鍵詞：基準；用能評價；聚類分析；灰色關聯分析；住宅建筑
中圖分類號：TU111.19
文獻標志碼：A 文章編號：1674-4764（2016）02-0075-09
Abstract：To address the limitations of existing building energy benchmarking methods， a new method has been proposed for residential buildings. Grey relational analysis is used to define the correlation between different influencing factors （i.e.， typical parameters） and total building energy consumption. The correlation is used as the weights of corresponding factors. Based on the weighted parameters， Cluster Analysis is performed to classify buildings into different groups. For each group， Accumulative Frequency Distribution is then conducted to identify its energy benchmarking value. This value also makes it possible to evaluate the energy-saving potentials of different buildings. The method was applied to a residential building energy consumption database established by the Architecture Institute of Japan. The results show that the method can classify buildings into different groups by both taking into consideration various influencing factors of building energy consumption as well as their weights. It can also determine building energy benchmarking values for each group and helps identify energy-saving potential of buildings and provide energy-saving strategies for occupants.
Keywords：benchmarking； energy use evaluation； cluster analysis； grey relational analysis； residential buildings
加強建筑能源管理，合理評價建筑能耗水平是目前建筑節能的重要基礎工作。建筑能耗基準可通過與其他同類建筑或與自身歷史能耗對比進行確定[1]。很多學者對其進行了深入研究，主要評估方法包含以下3種：建筑分值評估法、模擬分析法和統計分析法[2]。建筑分值評估法是根據不同評價指標和標準對建筑各項性能進行評分，如美國綠色建筑LEED認證。該方法主要適用于單棟建筑性能評價，其主要局限是分值確定易受主觀因素影響，并易因追求高分值導致采用不必要的建筑節能技術。模擬分析法是通過能耗模擬軟件（如Energy Plus和DOE-2）人為設定建筑模型參數，以模擬建筑能耗作為基準值來評價建筑能耗水平。該方法主要針對單棟建筑能耗評估，較多應用于新建建筑設計階段，其主要缺點是難以合理設置模型參數值，尤其是用戶行為相關參數[3]。統計分析法是基于建筑實際能耗數據，采用統計學分析方法（如多元線性回歸法和累積頻率分布法）確定基準值，如美國能耗基準評價工具Energy Star[4]。該方法主要適用于多棟建筑能耗評估，同時為提高所得基準值準確度一般需要先根據建筑類型、面積等參數對建筑進行細化分類。由于能耗數據含有建筑運行信息，因此該方法能夠反映各種因素對能耗的實際影響，從而合理評價建筑能耗水平，是當前國際建筑能耗基準評價研究的一個重點研究方向。然而，目前制約該方法研究進展的一個主要障礙是缺乏合理的建筑細化分類方法，導致難以得到符合預期要求的基準值準確度[5]。已有建筑細化分類方法主要是根據建筑特征參數及其閾值進行逐層細分，如按建筑面積指標將建筑劃分為小、中、大型建筑。該方法不足之處表現在：一是無法同時考慮多個特征參數對能耗的影響；二是主觀性強，其分類指標選擇、分類閾值確定以及不同特征參數間分類順序均無統一標準。此外，若特征參數較多則需大量樣本方能滿足統計要求[6]。 目前，已有研究針對上述缺陷提出改進方法，如文獻[2]和文獻[7]分別針對商業建筑和酒店建筑提出利用聚類分析對建筑進行細化分類，該方法能夠同時考慮多個特征參數對能耗的影響合理劃分建筑，但其主要局限是忽略了不同特征參數對分類的影響程度大小，只是簡單地將其等同處理，這樣必然導致分類結果誤差較大。此外，上述研究并未涉及居住建筑?？紤]到居住建筑能耗構成及影響因素特殊性，有必要對其基準評價方法進行單獨研究。
針對上述問題，筆者通過引入灰色關聯分析和聚類分析，提出了一種適用于住宅建筑的能耗基準確定及用能評價新方法，并將其應用于日本建筑學會所建立的住宅建筑能耗數據庫，分析了該方法的可行性和科學性。
1 能耗基準評價方法
本文提出的基于灰色關聯及聚類分析的能耗基準評價方法主要包括以下幾個步驟，如圖1所示。
該方法簡單介紹如下：
1）收集樣本建筑信息并建立數據庫。相關建筑信息主要包括氣候參數、建筑參數、用戶信息及實際能耗數據等。
2）數據預處理。對數據屬性及取值范圍進行處理，轉換為適合灰色關聯分析和聚類分析的形式。
3）建筑分類。通過灰色關聯分析，計算不同特征參數與建筑能耗之間的灰色關聯度并進行排序（關聯序），將灰色關聯度作為權值賦予各特征參數，并結合聚類分析對建筑進行分類。
4）基準值確定。采用累積頻率分布法確定各類建筑的基準值。
5）建筑住戶用能評價。通過與基準值對比分析，確定建筑節能潛力，并提供相關節能建議。
1.1 數據預處理
由于數據庫中不同參數具有不同屬性，例如空調運行狀態為分類屬性（開或關），建筑面積為數值屬性（150 m2或200 m2），難以直接進行比較分析。此外，各數值屬性參數的取值范圍不同（如[0， 30]和[100， 1000]），取值范圍小的參數影響易被取值范圍大的參數影響覆蓋。為滿足數據分析需要，應將分類屬性參數轉換為數值屬性，并將所有數值屬性參數無量綱化，轉化為相同數值范圍如[0， 1]以便進一步處理。轉化方法如下：
1）分類屬性
1.2 灰色關聯分析
將數據庫中所有參數轉換至[0， 1]空間后，考慮到不同參數對建筑能耗的影響程度不同，應對不同參數根據其影響程度分配相應權值，以便進一步將建筑合理分類。本文采用灰色關聯分析計算該權值，其基本思想是根據因素之間幾何變化趨勢的相似程度判斷其關聯程度（即灰色關聯度，作為權值進行分配），并可通過對灰色關聯度排序得到灰色關聯序，以表征各因素間關聯程度的相對主次順序[8]。與其他多因素統計分析法，如回歸分析法、主成分分析法相比，灰色關聯分析的主要優點在于計算簡單，能夠分析樣本量小的數據集，且數據無需服從典型分布[9]。
3） 重新計算每個聚類中心各特征參數的平均值，即為新的聚類中心；
4） 重復步驟2）和3）直到迭代收斂，即聚類中心不再發生變化。
1.4 基準值的確定
能耗基準值是用于比較和評價建筑用能水平的標準和定位，通常采用統計學法確定，如回歸分析法、累積頻率分布法、平均值法等[12-13]。其中，累積頻率分布法具有簡單易行、不受異常能耗影響、直觀反映建筑能耗分布并能夠制定不同的基準水平[13]等優點，是目前最為常用的建筑能耗基準值制定方法之一[14]。本文采用該方法確定每類建筑的能耗基準值。
累積頻率是指將數據對象劃分為若干個數值區間，依次統計各區間數據出現的頻率，并按從小到大的順序逐段累加，能夠用于表示小于某一特定值的概率。在能耗基準評價中，通常選用累積頻率為25%和50%的值代表良好及典型水平[14]，本文以50%作為基準水平，用于評估建筑節能潛力；25%作為目標水平，表示期望建筑達到的用能水平。
2 案例研究
2.1 數據庫建立
日本建筑學會于2002年12月至2004年11月開展了“日本各地居民能耗調查”項目，建立了住宅能耗數據庫，用于評估居住建筑能耗水平[15]。它采集了詳細的住戶信息和終端能耗數據，因此，本文以該數據庫為例來驗證所提出的方法的可行性。該數據庫將日本全國分為6個地區：北海道、東北、北陸、關東、關西和九州沖繩，并在這些地區共選擇了80個住戶（每個地區均選有獨棟式和公寓式建筑住戶）進行能耗數據及相關信息采集，數據采集的方法及內容如表1所示。其中，建筑能耗由8類分項能耗組成并分別測量：1）采暖空調；2）生活熱水；3）廚房，如電磁爐等；4）照明；5）制冷，如冰箱等；6）娛樂&信息，如電視、電話等；7）家務&衛生，如洗衣機、吸塵器等；8）其他。
2.3 結果與討論
2.3.1 灰色關聯分析
采用灰色關聯分析的目的是確定不同特征參數對建筑能耗的影響大小，并將灰色關聯度作為權值賦予各特征參數。建筑能耗指標一般為建筑能耗密度（Energy use intensity，EUI）且常以單位建筑面積的能耗表示，單位為MJ/m2[2， 4， 14]。因此，本文選取一年的EUI作為灰色關聯分析的參考序列，不再單獨考慮建筑面積的影響，其余12個參數均作為比較序列。其中，考慮到同一城市的4個氣象參數在不同月份呈明顯波動，且不同地區之間氣象參數差異顯著，首先計算同一城市某一住戶逐月EUI與當月氣象參數[17]的灰色關聯度并取12個月的平均值，再對同一地區不同城市氣象參數的灰色關聯度取平均值。對于其他8個參數，所有住戶統一計算并取平均值?；疑P聯分析結果如表5所示，表中同時給出了12個特征參數的灰色關聯序。
從表中綜合排序結果可知，12個特征參數中，T、HLC和NO對EUI影響最顯著，即對進一步分類的影響程度最大。因此，在確定各類建筑特征時應重點考察這3個參數。氣象參數中，絕大部分地區室外溫度對EUI影響最大（關西地區太陽輻射照度影響略高于室外溫度），風速影響最小。此外，年平均室外溫度相對較低的地區（包括北海道、東北和北陸）室外溫度對EUI的影響比其他地區相對更加顯著。非氣象參數中，熱損失系數、住戶人數和等量泄漏密度對EUI有更大影響，因此，建筑設計師在設計階段應重點關注這3個參數并合理取值，以降低住宅能耗。 需要說明的是，由于各地區氣象參數的灰色關聯度差異顯著，因此，4個氣象參數在分配權值以對建筑細化分類時，各地區住戶應對其分別考慮。
2.3.2 聚類分析
聚類個數應根據樣本容量確定，考慮到本文數據庫大小，確定聚類個數k=4。聚類分析通過開源數據挖掘軟件WEKA實現[18]，結果如表6所示，表中同時給出各個聚類的聚類中心（即每個特征參數的平均值，代表每類住戶的典型特征）、住戶數量及其所占比例。
1） 各類住戶特征
根據聚類中心比較可見，相對其他3類住戶，第2類住戶特征為室外年平均溫度最高，太陽輻射最強，風速最?。═、RA為最大，WS值最?。?；圍護結構隔熱保溫性能最差（HLC為最大），均為非木制結構；廚房采用電力式設備（KE=0表示設備類型均為電力式）。同理，其他3類住戶的特征如下：
第1類住戶：室外年平均溫度最低，風速最大；圍護結構的保溫隔熱性和門窗氣密性最好，均為非木制結構；生活熱水均采用非電力式設備。
第3類住戶：室外年平均相對濕度最低，太陽輻射照度最??；門窗氣密性差，均為獨棟式、木制結構建筑，住戶人數最少；生活熱水采用非電力式設備。
第4類住戶：室外年平均相對濕度最高；均為獨棟式、木制結構建筑，住戶人數最多。廚房均采用電力式設備。
值得說明的是，不同類住戶之間特征差異顯著，而同類住戶特征相似，意味著特征參數對EUI的影響程度在不同類住戶中具有明顯差異，而在同類住戶中較為接近，因而住戶之間更具有可比性，這也是采用聚類分析方法的優勢所在。
2） 各類住戶總能耗及分項能耗特征
對各類住戶總能耗及分項能耗特征進行分析比較可為建筑能耗基準值的確定提供參考信息，同時，可更好地掌握建筑能源使用情況及節能潛力，明確住戶節能的重點關注方向。圖3給出了4類住戶年平均總能耗、8類分項年平均能耗及其所占年平均總能耗的比例。
由圖3可知，第1類住戶平均總能耗最大，而第3類住戶最小。8類分項能耗中，采暖空調和生活熱水在4類住戶中占總能耗比例均超過20%，且二者比例和均大于60%，為居住建筑終端耗能“大戶”，應成為住戶節能的重點關注對象。其余6類分項能耗中，照明、廚房和制冷所占比例相對較大（第3類住戶照明能耗最小且低于其他終端能耗，其可能原因是這類住戶節能意識較強且照明設備采用節能燈）。除制冷外，照明和廚房能耗在各類住戶間相互差異明顯，其主要原因是制冷設備長期不間斷運行，受用戶行為影響小。
從圖3中還可以看出，盡管第1類住戶室外年平均溫度最低，風速最大，但其采暖能耗卻明顯低于第4類住戶，一個可能的原因是其圍護結構具有更好的保溫隔熱性能。需要強調的是，住戶人數雖然對生活熱水能耗影響比較顯著，但不能輕易得出住戶人數最多就必然會導致生活熱水能耗最高（例如，第4類住戶人數最多，但生活熱水能耗并非最高）。
2.3.3 每類建筑的能耗基準值
圖4給出了第1類住戶建筑總能耗（total energy consumption， TEC）、采暖空調（heating and cooling， HC）以及生活熱水（hot water supply， HWS）兩類分項能耗的累積頻率分布曲線，并取累積頻率為50%和25%對應的能耗值為基準值和目標值。由圖可知，第1類住戶TEC的基準值為391 MJ/m2/年，目標值為305 MJ/m2/年。根據HC和HWS兩類分項能耗的累積頻率分布曲線，可為住戶提供更加詳細的分項能耗指標值，若同樣以50%水平作為基準線，它們的基準值分別為111 MJ/m2/年和127 MJ/m2/年。
同理可得其他3類住戶的TEC基準值、目標值以及其他能耗水平。為更加直觀和清楚地對比同類住戶、不同類住戶之間能耗水平差異，圖5給出了4類住戶能耗水平的盒形圖（盒形圖能夠反應數據的分散程度及是否對稱，便于比較不同組間的分布差異。若中位值位于盒形的中間則數據分布均勻 [19]）。
由圖5可知：1）同類住戶之間能耗差異巨大，例如，第3類住戶TEC的最大值與最小值分別為168、670 MJ/m2，最大值約為最小值的4倍，由此可以看出建筑節能潛力較大。2）不同類住戶間能耗分布不均且水平變化高低不同，從而導致建筑能耗基準值差異顯著。其中，第2類住戶的能耗基準值最大且與平均值接近，主要原因是該類住戶能耗分布均勻且基本對稱。第3類住戶的能耗基準值最小，一個重要因素是該類住戶總體能耗水平最低。值得注意的是，盡管第1類住戶的整體能耗水平最高，但是由于能耗分布不均，其基準值并非最高。
2.3.4 住戶用能評價
為合理評價某住戶的能耗特性和節能潛力并提供可行的節能建議（如該住戶不屬于本文數據庫，應首先確定該住戶屬于哪一類建筑住戶，可通過該住戶特征參數，計算其與各聚類中心距離來確定）?？蓪⒃撟襞c同類住戶中，能耗低于基準值且與該住戶特征最相似的住戶進行對比分析（兩住戶特征相似說明基于所有特征參數而言，這兩個住戶最具有可比性和參考價值）。兩者相似度可通過歐式距離表征（如式（2）所示），距離越小則相似度越大。例如，對第1類住戶中的A住戶進行用能評價，通過計算其他住戶與A住戶的相似度可知，B住戶是與它特征最為相似的住戶，兩個住戶的詳細特征參數如表7所示。
圖6（a）給出了第1類住戶所有建筑住戶的總能耗，并按升序排列。由圖可知，A住戶位于能耗基準線之上，能耗偏高屬“不節能建筑”，B住戶位于能耗目標值下方，能耗較低屬較優的“節能建筑”。相對于能耗基準值，A住戶的年節能潛力為：548-391=157 MJ/m2；相對于B住戶，其年節能潛力為：548-304=244 MJ/m2。對比分析兩個住戶的建筑特征可知，圍護結構的熱損失系數及等量泄露面積差異較大，這可能是導致住戶1能耗偏高的原因之一。因此，A住戶可通過節能改造提高圍護結構保溫隔熱性能及門窗氣密性，降低建筑能耗。 進一步分析兩個住戶的終端能耗特征，如圖6（b）所示，A住戶的采暖空調和生活熱水能耗巨大，約為B住戶的兩倍，其節能潛力較大。由于建筑終端設備的用能行為對建筑能耗影響顯著[6]，A住戶可通過改進采暖空調和生活熱水的用能行為降低建筑能耗，如減少采暖空調設備的啟停次數、設置合理的空調溫度等。
3 結 論
對建筑進行細化分類，能夠提高建筑能耗基準值的準確度，同時，保證被比較建筑間具有較高的“相似度”是合理評價建筑能耗水平的前提。本文中提出的能耗基準評價方法通過灰色關聯分析確定了不同影響因素（即特征參數）與建筑能耗的關聯度，將關聯度作為該因素的權值并結合聚類分析對建筑進行合理分類。在此基礎上采用累積頻率分布法確定了每類建筑的能耗基準值，并對建筑住戶進行用能評價。為驗證該方法的可行性，將其應用于日本建筑學會所建立的住宅建筑能耗數據庫，并得出以下結論：
1）該方法同時考慮了不同特征參數對建筑能耗的影響程度大小，確定分類參數閾值時避免了主觀因素的影響，能夠根據建筑數據特征合理地劃分建筑類別，并為每類建筑確定出相應建筑能耗基準值。
2）每類住戶能耗基準值與該類建筑能耗分布密切相關，不同類住戶間能耗分布不均且水平變化高低不同會導致其建筑能耗基準值差異顯著。
3）該方法可評價某住戶的能耗特性和節能潛力，并提供相應的節能建議。通過將該住戶與同類住戶中，能耗低于基準值且與該住戶特征最相似的住戶進行對比分析，確保了所得的節能潛力可信度高，節能建議可行性強。
4）該方法在進行基準能耗評價的同時還可提供大量建筑節能相關信息。例如，對各類住戶總能耗及分項能耗特征進行分析比較可為建筑能耗基準值的確定提供參考信息，可更好地掌握建筑能源使用情況及節能潛力，明確住戶節能的重點關注方向并提供深入的節能建議。
參考文獻：
[1] LI Z W，HAN Y M，XU P.Methods for benchmarking building energy consumption against its past or intended performance：An overview [J].Applied Energy，2014，124：325-334.
[2] GAO X F，MALKAWI A.A new methodology for building energy performance benchmarking：an approach based on intelligent clustering algorithm [J].Energy and Buildings，2014，84：607-616.
[3] WANG E D.Benchmarking whole-building energy performance with multi-criteria technique for order preference by similarity to ideal solution using a selective objective-weighting approach [J].Applied Energy，2015，146：92-103.
[4] MASTON N E，PIETTE M A.Review of California and national methods for energy performance benchmarking of commercial buildings [R].Ernest Orlando Lawrence Berkeley National Laboratory，2005.
[5] 曹勇，劉益民，于丹，等.德國與美國能耗基準確定方法在北京地區辦公建筑空調系統能耗定額確定方面的應用及對比[J].建筑科學，2012，28（4）：17-24，90.
CAO Y，LIU Y M，YU D，et al.Application and comparison of energy consumption quota determination of air-conditioning system of official buildings in Beijing using energy consumption benchmarking methods of Germany and United States [J].Building Science，2012，28（4）：17-24，90. （in Chinese）
[6] YU Z，FUNG B C M，HAGHIGHAT F，et al.A systematic procedure to study the influence of occupant behavior on building energy consumption [J].Energy and Buildings，2011，43（6）：1409-1417.
[7] 顧文，莊智，譚洪衛.基于聚類分析的酒店建筑分類與用能評價[J].建筑技術，2014，45（11）：1026-1029.
GU W，ZHUANG Z，TAN H W.Hotel classification based on cluster analysis and evaluation of energy consumption [J].Architechture Technology，2014，45（11）：1026-1029. （in Chinese）
[8] 譚學瑞，鄧聚龍.灰色關聯分析：多因素統計分析新方法[J].統計研究，1995，12（3）：46-48. TAN X R，DENG J L.Grey relational analysis： a new multi-factor analysis method [J].Statistical Research，19995，12（3）：46-48. （in Chinese）
[9] 孫玉剛.灰色關聯分析及其應用的研究[D].南京：南京航空航天大學，2007.
SUN Y G.Research on grey incidence analysis and its application [D].Nanjing： Nanjing University of Aeronautics and Astronautics，2007：10-16. （in Chinese）
[10] 孫吉貴，劉杰，趙連宇.聚類算法研究[J].軟件學報，2008，19（1）：48-61.
SUN J G，LIU J，ZHAO L Y.Clustering algorithms research [J].Journal of Software，2008，19（1）：48-61. （in Chinese）
[11] HAN J W，KAMBER M，PEI J.Data mining：concepts and techniques [M].3rd ed.Beijing：China Machine Press，2012.
[12] 朱能，朱天利，仝丁丁，等.我國建筑能耗基準線確定方法探討[J].暖通空調，2015，45（3）：59-64.
ZHU N，ZHU T L，TONG D D，et al.Determination of building energy consumption baseline in China [J].HV&AC，2015，45（3）：59-64. （in Chinese）
[13] XIN Y J，LU S L，ZHU N，et al.Energy consumption quota of four and five star luxury hotel buildings in Hainan province，China [J].Energy and Buildings，2012，45：250-256.
[14] FARROUA I，KOLOKOTRONI M，SANTAMOURI M.A method for energy classification of hotels： a case- study of Greece [J].Energy and Buildings，2012，55：553-562.
[15] MURAKAMI S，AKABAYSHI S，INOUE T，et al.Energy consumption for residential buildings in Japan [EB/OL].Architectural Institute of Japan， Maruzen Corp，2006. http：//tkkankyo.eng.niigatau.ac.jp/HP/HP/database/index.htm.
[16] 薛梅，董華.住宅熱損失系數的確定與應用[J].煤氣與熱力，2004，24（4）：203-206.
XUE M，DONG H.Determination and application of heat loss coefficient for dwelling [J].Gas and Heat，2004，24（4）：203-206. （in Chinese）
[17] Climate Statistics，Japan Meteorological Agency.Monthly mean and monthly total tables [EB/OL]. http：//www.data.jma.go.jp/obd/stats/data/en/smp/index.html.
[18] Weka. The university of waikato，software [EB/OL].http：//www.cs.waikato.ac.nz/ml/weka/.
[19] 莊作欽.BOX PLOT――描述統計的一個簡便工具[J].統計與預測，2003（2）：56-57.
ZHUANG Z Q.BOXPLOT―An easy tool of describing statistics [J].Statistics and Forcasting，2003（2）：56-57. （in Chinese）
（編輯 王秀玲）
