浙江大学学报(工学版), 2023, 57(4): 795-804 doi: 10.3785/j.issn.1008-973X.2023.04.017

交通工程、土木工程

夏热冬冷地区近零能耗住宅可再生能源设计

陈淑琴,, 虞昂, 明焱,, 丁德, 杨毅

1. 浙江大学 建筑工程学院,浙江 杭州 310058

2. 浙江大学平衡建筑研究中心,浙江 杭州 310012

3. 浙江大学建筑设计研究院有限公司,浙江 杭州 310063

Design of renewable energy systems for near-zero energy residence in hot summer and cold winter zone

CHEN Shu-qin,, YU Ang, MING Yan,, DING De, YANG Yi

1. College of Civil Engineering and Architecture, Zhejiang University, Hangzhou 310058, China

2. Center for Balance Architecture, Zhejiang University, Hangzhou 310012, China

3. The Architectural Design and Research Institute of Zhejiang University Limited Company, Hangzhou 310063, China

通讯作者: 明焱,男,副教授. orcid.org/0000-0002-6889-9580. E-mail: mmmgmmm@vip.sina.com

收稿日期: 2022-10-31  

基金资助: “十三五”国家重点研发计划资助项目(2018YFC0704404);浙江大学平衡建筑研究中心科研资助项目(K横20203512-24C)

Received: 2022-10-31  

Fund supported: “十三五”国家重点研发计划资助项目(2018YFC0704404);浙江大学平衡建筑研究中心科研资助项目(K横20203512-24C)

作者简介 About authors

陈淑琴(1981—),女,副教授,从事建筑节能的研究.orcid.org/0000-0002-5710-8480.E-mail:hn_csq@126.com , E-mail:hn_csq@126.com

摘要

针对目前研究中没有对近零能耗住宅光伏系统、光热系统及其储能设备同时进行优化配置,且未考虑光伏板、集热板安装位置问题,以夏热冬冷地区的典型近零能耗住宅建筑为例,提出可再生能源系统的优化设计方法. 分别以年均系统花费、建筑能耗综合值和光伏本地消纳率为目标,利用粒子群优化算法,对光伏板安装位置、装机容量,太阳能集热板安装位置、装机容量及蓄电池容量进行优化配置. 研究结果表明,若分别以年均系统花费最小和建筑能耗综合值最小为最优目标,与传统方案相比年均系统花费和建筑能耗综合值可分别降低15.8%和降低87.7%. 若以年均系统花费最小和建筑能耗综合值最小为目标,则与传统方案相比建筑能耗综合值可以降低65.8%,但是年均系统花费会增加4.3%. 若以光伏本地消纳最大和建筑能耗综合值最小为目标,则与传统方案相比建筑能耗综合值可以降低59.4%,但是年均系统花费会增加14.7%.

关键词: 可再生能源系统 ; 优化设计 ; 近零能耗住宅 ; 夏热冬冷地区

Abstract

Photovoltaic system, photothermal system and energy storage system of a near-zero energy residence were not optimized simultaneously and the installation locations of photovoltaic panels and photothermal panels on the building were not considered. An optimization design method of renewable energy systems was proposed by taking a typical near-zero energy residence in hot summer and cold winter zone as an example. The particle swarm optimization algorithm was utilized by taking average annual cost, comprehensive energy consumption and photovoltaic consumption rate as the objective respectively. The installation locations and capacity of photovoltaic panels and photothermal panels and capacity of batteries were optimized. Results show that average annual cost and comprehensive energy consumption can decrease by 15.8% and 87.7% respectively compared with the traditional scheme by taking average annual cost and comprehensive energy consumption as the objective respectively. Comprehensive energy consumption decreases by 65.8% while average annual cost increases by 4.3% by taking average annual cost and comprehensive energy consumption as targets simultaneously. Comprehensive energy consumption decreases by 59.4% while average annual cost increases by 14.7% by taking photovoltaic accommodation rate and comprehensive energy consumption as targets simultaneously.

Keywords: renewable energy system ; optimization design ; near-zero energy residence ; hot summer and cold winter zone

PDF (1963KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

陈淑琴, 虞昂, 明焱, 丁德, 杨毅. 夏热冬冷地区近零能耗住宅可再生能源设计. 浙江大学学报(工学版)[J], 2023, 57(4): 795-804 doi:10.3785/j.issn.1008-973X.2023.04.017

CHEN Shu-qin, YU Ang, MING Yan, DING De, YANG Yi. Design of renewable energy systems for near-zero energy residence in hot summer and cold winter zone. Journal of Zhejiang University(Engineering Science)[J], 2023, 57(4): 795-804 doi:10.3785/j.issn.1008-973X.2023.04.017

习近平总书记在2020年提出在2030年前实现碳达峰,在2060年前实现碳中和的目标[1],这一发展目标为近零能耗建筑提出了更高的发展要求. 国家发改委“十四五”循环经济发展规划推行分布式能源及光伏储能一体化系统的利用[2]. 此外,太阳能热水系统是住宅利用可再生能源的常见方式. 为了实现近零能耗建筑的目标,合理配置建筑光伏系统、光热系统和储能系统的容量显得十分重要.

国内外已有许多学者对微电网各类可再生能源系统及储能系统进行优化配置[3-5]. 对于单个建筑,当前相关研究主要集中在单一可再生能源技术应用的适应性评价方面[6-8]. 虽然陈淑琴等[9-12]考虑了不同可再生能源系统在建筑上的集成优化配置,但是对于住宅最常用的光伏、光热、空气源热泵及储能等可再生能源利用技术,缺乏集成优化设计研究,没有考虑到光伏板和太阳能集热板在建筑上的实际安装可行性. 笔者等[9]以北京市某办公建筑为例,重点考虑光伏、光热、土壤源热泵3类可再生能源系统,以常规能源系统为备选系统,分别建立系统费用最优、运行阶段CO2排放最优及经济效益和环境效益折衷优化的集成优化配置方法. Wang等[10]探讨英国零能耗建筑可再生能源系统的设计方案,利用TRNSYS软件对太阳能热水系统的集热板面积进行优化设计,未涉及其他可再生能源系统. Mendes等[11]以中国和美国不同气候区的住宅建筑为对象,利用DER-CAM软件对光伏、CHP、蓄电池等分布式能源系统进行优化配置,但未涉及住宅中较重要的太阳能热水系统优化配置.

我国地域辽阔,5个气候区气候差异巨大,可再生能源系统利用方案有很大的差别. 夏热冬冷地区全年湿度高,夏季闷热,冬季阴冷,太阳辐射夏季较强,冬季较弱,同时该地区住宅用能有自身特征. 对该气候区近零能耗住宅的可再生能源系统优化配置尚缺乏研究. 本文以夏热冬冷地区的典型近零能耗住宅为例,建立近零能耗住宅可再生能源系统优化设计的方法,对光伏板的装机容量、太阳能热水系统装机户数、蓄电池容量进行优化配置,研究光伏光热系统的安装位置.

1. 研究方法

1.1. 家庭能源系统结构与能量流

图1所示,典型的家庭能源管理系统包括可再生能源系统、家用电器、智能电表、电动汽车和电网等. 其中可再生能源系统包括光伏系统、太阳能热水系统和储能系统,储能系统包括蓄电池和蓄热水箱. 当电动汽车接入电网时,电动汽车可以视为蓄电池. 家庭能源系统中的能量流结构如图1所示. 其中采暖制冷负荷由分体式空调提供;热水负荷既可由空气源热泵热水器提供,也可由太阳能热水系统提供;电负荷可由市政电网或光伏系统提供. 家庭能源管理系统可以对可再生能源系统产生的电能、蓄电池充放电以及与电网的双向功率传输进行优化调度,以实现经济节能的目标.

图 1

图 1   家庭能源管理系统的能量流

Fig.1   Energy flow of home energy management system


1.2. 系统优化配置的数学模型

1.2.1. 目标函数

目标函数包括年均系统花费、建筑能耗综合值、光伏本地消纳率.

年均系统花费为

$ {C_{{\text{tot}}}} = {C_{{\text{pv}}}}+{C_{{\text{bat}}}}+\sum\limits_{t = 1}^{8760} {{C_{{\text{ele}}}}(t)} {\text+}{C_{{\text{air}}}}+{C_{{\text{col}}}}. $

式中:Cpv为年均光伏系统成本,Cbat为年均蓄电池成本,Cele(t)为每小时从电网买卖电花费,Cair为年均空气源热泵成本,Ccol为年均光热系统成本.

年均光伏系统成本为

$ {C_{{\text{PV}}}} = \left({C_{{\text{PV,ini}}}}+{C_{{\text{inv,ini}}}}+{C_{{\text{PV,OM}}}} \times \sum\limits_{t=0}^{T - 1} {\frac{1}{{{{(1+r)}^t}}}} \right)/T. $

式中:CPV,ini为光伏板初始投资成本;Cinv,ini为逆变器初始投资成本;CPV,OM为光伏系统年运维成本;r为年贴现率,一般取8%[13]T为系统寿命.

年均蓄电池成本为

$ {C_{{\text{bat}}}} = \left({C_{{\text{bat,ini}}}}+{C_{{\text{bat,OM}}}} \times \sum\limits_{t=0}^{T - 1} {\frac{1}{{{{(1+r)}^t}}}} \right)/T. $

式中:Cbat,ini为蓄电池初始投资成本,Cbat,OM为蓄电池年运维成本.

从电网买卖的电花费为

$ {C_{{\text{ele}}}}(t) = P_{{\text{buy}}}^t x_{{\text{buy}}}^t - P_{{\text{sel}}}^t x_{{\text{sel}}}^t. $

式中: $ {P}_{\mathrm{b}\mathrm{u}\mathrm{y}}^{t} $为第t小时的购电电量, $ {x}_{\mathrm{b}\mathrm{u}\mathrm{y}}^{t} $为第t小时的购电电价, $ {P}_{\mathrm{s}\mathrm{e}\mathrm{l}}^{t} $为第t小时的上网电量, $ {x}_{\mathrm{s}\mathrm{e}\mathrm{l}}^{t} $为第t小时的上网电价.

年均空气源热泵成本为

$ {C_{{\text{air}}}} = \left({C_{{\text{air,ini}}}}+{C_{{\text{air,OM}}}} \times \sum\limits_{t=0}^{T - 1} {\frac{1}{{{{(1+r)}^t}}}} \right)/T. $

式中:Cair,ini为空气源热泵初始投资成本,Cair,OM为空气源热泵年运维成本.

年均光热系统成本为

$ {C_{{\text{col}}}} = \left[{C_{{\text{col,ini}}}}+({C_{{\text{flu}}}}+{C_{{\text{col,OM}}}}) \times \sum\limits_{t=0}^{T - 1} {\frac{1}{{{{(1+r)}^t}}}} \right]/T. $

式中:Ccol,ini为光热系统初始投资成本,Ccol,OM为光热系统年运维成本,Cflu为每年添加防冻液的成本.

建筑能耗综合值为

$ {E_{{\rm{com}}}}{\text{ = }}{E_{\text{E}}}{\text{ - }}\frac{{\displaystyle\sum {{E_{{\text{r,}}i}} {f_i}} }}{A}. $

式中:EE为不含可再生能源发电的建筑能耗综合值;A为套内使用面积; $ {f}_{i} $i类型能源的能源换算系数,热力类型的能源换算系数ft为1.22,电力类型的能源换算系数fe为2.6[14]Er,i为全年建筑产生的i类型可再生能源发电量.

不含可再生能源发电的建筑能耗综合值为

$ {E_{\text{E}}} = \frac{{{E_{\text{h}}} {f_{\rm{t}}}+{E_{\text{c}}} {f_{\rm{t}}}+{E_{\text{l}}} {f_{\rm{e}}}+{E_{\text{w}}} {f_{\rm{t}}}+{E_{\text{e}}} {f_{\rm{e}}}}}{A}. $

式中:Eh为年供暖系统能源消耗,Ec为年供冷系统能源消耗,El为年照明系统能源消耗,Ew为年热水系统能源消耗,Ee为年电梯系统能源消耗.

光伏本地消纳率为

$ \eta {\text{ = }}\frac{{{E_{{\text{PV-B}}}}+{E_{{\text{PV-H}}}}}}{{{E_{{\text{PV}}}}}} \times 100{\text{%}} . $

式中: $ {E}_{\mathrm{P}\mathrm{V}-\mathrm{B}} $为光伏发电中充入蓄电池中的部分, $ {E}_{\mathrm{P}\mathrm{V}-\mathrm{H}} $为光伏发电中直接满足建筑电量的部分, $ {E}_{\mathrm{P}\mathrm{V}} $为光伏系统中的光伏发电量.

1.2.2. 约束条件

系统模型的约束条件主要包括能源平衡条件及各类可再生能源技术的运行条件. 该模型的平衡条件主要考虑电力平衡. 电力平衡中,太阳能光伏发电量与从电网购买的电量总和须等于建筑的总用电量与充入蓄电池中的电量,如下:

$ P_{{\text{veh}}}^t+P_{{\text{hot}}}^t+P_{{\text{com}}}^t+P_{{\rm{bat}}}^t = P_{{\text{gri}}}^t+P_{{\text{PV}}}^t. $

式中: $ {P}_{\mathrm{v}\mathrm{e}\mathrm{h}}^{t} $t时刻电动汽车的充电功率; $ {P}_{\mathrm{h}\mathrm{o}\mathrm{t}}^{t} $t时刻热水系统用电功率; $ {P}_{\mathrm{c}\mathrm{o}\mathrm{m}}^{t} $t时刻建筑除热水系统外的用电功率; $ {P}_{\mathrm{b}\mathrm{a}\mathrm{t}}^{t} $t时刻蓄电池充放电功率,充电为正; $ {P}_{\mathrm{g}\mathrm{r}\mathrm{i}}^{t} $t时刻与电网的交换功率,购电为正; $ {P}_{\mathrm{P}\mathrm{V}}^{t} $t时刻的光伏发电功率.

由于光伏系统和光热系统的装机容量在安装后便已确定,可再生能源系统的技术运行条件主要考虑蓄电池和蓄热水箱. 蓄电池充电状态、蓄电池充放电功率、蓄热水箱水温限制如下:

$ {\rm{SOC}}_{\text{B}}^{{\text{min}}} \leqslant {\rm{SOC}}_{\text{B}}^t \leqslant {\rm{SOC}}_{\text{B}}^{{\text{max}}}, $

$ - P_{\text{B}}^{{\text{max}}} \leqslant P_{\text{B}}^t \leqslant P_{\text{B}}^{{\text{max}}}, $

$ T_{{\text{tan}}}^{{\text{min}}} \leqslant T_{{\text{tan}}}^t \leqslant T_{{\text{tan}}}^{{\text{max}}}. $

1.3. 模型构建与实现

通过Design Builder、Ecotect和python联合仿真,分别以年均系统花费最小、建筑能耗综合值最小以及年均系统花费最小和建筑能耗综合值最小、光伏本地消纳率最大和建筑能耗综合值最小为优化目标,构建优化配置模型. 对典型建筑光伏、光热系统及蓄电池系统进行优化配置,必须考虑城市的气象条件、围护结构特性及建筑运行特征,还须考虑光伏板、光热板在建筑上的安装位置. 将城市的气候条件、建筑围护结构特性、建筑的能源设备与系统以及建筑的运行特征等作为建筑负荷计算模型的输入参数,利用Design Builder软件,计算获取近零能耗住宅的全年逐时制冷负荷、采暖负荷、热水负荷、照明负荷及电器负荷等常规电负荷. 电动汽车负荷可以根据居民出行规律、汽车行驶里程计算得到. 根据楼层和位置对建筑外立面进行划分,利用Ecotect软件模拟得到典型住宅立面和屋顶的全年太阳总辐射量,通过计算可得在该部位安装光伏系统/光热系统可产生的电能/热能. 将上述这些参数值作为输入参数,结合地电价、光伏价格、光热价格、蓄电池价格、空气源热泵价格等经济参数,以近零能耗能效指标为限制条件,利用python构建基于粒子群算法的优化配置模型. 基于粒子群算法的近零能耗住宅可再生能源系统优化配置模型的思路如图2所示.

图 2

图 2   基于粒子群算法的可再生能源系统优化设计方法

Fig.2   Optimization design method of renewable energy system based on particle swarm algorithm


1.4. 求解方法
1.4.1. 粒子群算法数学模型

粒子群算法具有收敛速度快、参数少、算法简单易实现的优点,遗传算法是从问题解的串集开始搜索,覆盖面大,利于全局择优. 本文对光伏系统安装容量及位置、光热系统安装户数及位置、蓄电池容量同时进行优化配置,维度较高. 与遗传算法相比,利用粒子群算法可以获得更好的寻优能力和收敛速度,因此采用粒子群算法对可再生能源系统优化配置问题进行求解. 在自变量的范围内初始化一群随机粒子,通过跟踪历史最优解和全局最优解2个“极值”进行迭代. 粒子群算法的更新规则如下:

$ {{{\boldsymbol{v}}}^{t+1}} = {\omega}{{{\boldsymbol{v}}}^t}+{c_1} {r_1} ({{\boldsymbol{p}}}_{{\rm{b}}} ^t - {{{\boldsymbol{x}}}^t})+{c_2} {r_2} ({{\boldsymbol{g}}}_{{\rm{b}}} ^t - {{{\boldsymbol{x}}}^t}), $

$ {{{\boldsymbol{x}}}^{{t}+1}} = {{{\boldsymbol{x}}}^{t}}+{{{\boldsymbol{v}}}^{t}}. $

式中: ${{\boldsymbol{v}}}^{t}$为粒子当前的速度; ${{\boldsymbol{x}}}^{t}$为粒子当前的位置; ${{\boldsymbol{p}}}_{\mathrm{b}}^{t}$为粒子目前找到的最优解; ${{\boldsymbol{g}}}_{\mathrm{b}}^{t}$为整个种群目前找到的最优解;ω为保持原来速度的惯性权重;c为学习因子;r为群体认知系数,通常取(0, 1.0)的随机数.

1.4.2. 粒子群算法的求解步骤

通过python编程实现粒子群算法的求解,步骤如下.

1)初始化每个粒子的光伏板安装位置、装机容量、太阳能集热板安装位置、装机户数及蓄电池容量.

2)在每个时刻t,输入已知量光伏逐时产能 $ {P}_{\mathrm{p}\mathrm{v}}^{t} $、光热逐时产能 $ {P}_{\mathrm{h}\mathrm{e}\mathrm{a}\mathrm{t}}^{t} $、建筑逐时电负荷 ${P}_{\mathrm{e}\mathrm{l}\mathrm{e}}^{t}$、建筑逐时热水负荷 ${P}_{\mathrm{w}}^{t}$、逐时电价 $ {x}_{\mathrm{g}}^{t} $. 当时刻t = 0时,赋初值蓄电池储能状态 $ {\mathrm{S}\mathrm{O}\mathrm{C}}_{\mathrm{E}}^{t} $ = 50%,蓄热水箱储能状态 $ {\mathrm{S}\mathrm{O}\mathrm{C}}_{\mathrm{H}}^{t} $= 0%.

3)依据光伏储能系统的运行规则,根据t时刻的电价以及t时刻整栋楼的光伏发电和用电负荷,确定t时刻的光伏储能系统控制策略,输出 $ {P}_{\mathrm{b}\mathrm{a}\mathrm{t}}^{t} $${P}_{\mathrm{g}\mathrm{r}\mathrm{i}}^{t}$.

4)依据热水储能系统的运行规则,根据每户住户热水系统的类型以及t时刻每户住户的光热产能和热水用能,确定t时刻的热水储能系统控制策略,输出t时刻储存在蓄热水箱中的热能 $ {P}_{\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{k}}^{t} $${P}_{{\rm{hot}}}^{t}$.

5)t = t+1,返回步骤3),当t = 8 760 h时,输出电池储能状态 $ {\mathrm{S}\mathrm{O}\mathrm{C}}_{\mathrm{E}}^{t} $与蓄热水箱储能状态 $ {\mathrm{S}\mathrm{O}\mathrm{C}}_{\mathrm{H}}^{t} $的变化轨迹,即系统全年8 760 h控制策略,输出这一代粒子对应的目标函数值.

6)根据粒子群算法的迭代规则,更新下一代粒子的光伏板安装位置、装机容量、太阳能集热板安装位置、装机户数及蓄电池容量,返回步骤1).

7)若满足结束条件,即损失函数小于0.001或已达到最大迭代次数,则停止迭代,输出最后一代粒子光伏板的安装位置、装机容量、太阳能集热板安装位置、装机户数和蓄电池容量以及对应的目标函数值.

1.4.3. 多目标优化最优解的选取

使用多目标粒子群算法求解住宅可再生能源系统配置问题得到的是一组Pareto最优解集. 利用模糊集合理论法,选择最优解. 计算输出的各个解对所有目标函数的标准化满意程度,选择总体标准化满意程度最大时对应的解作为最优解. 总体标准化满意程度如下:

$ \eta _{{\rm{n}}} = \frac{1}{{M}}\sum\limits_{{i} = 1}^{M} {\frac{{{f}_{i}^{{\rm{\max}} } - {{f}_{i}}}}{{{f}_{i}^{{\rm{\max}} } - {f}_{i}^{{\rm{\min}} }}}} . $

式中:ηn为总体标准化满意程度,M为优化目标个数,fi为目标函数值.

1.5. 运行规则
1.5.1. 光伏储能系统的运行规则

在峰电价时期(8:00—22:00),若建筑光伏发电量大于建筑用电负荷,则将光伏首先用于满足建筑负荷,过剩的光伏电出售给电网;反之,建筑负荷首先由光伏发电满足,不足的部分由蓄电池放电满足,若蓄电池已放空,则从电网购电. 在谷电价时期(22:00—8:00),建筑电负荷完全由电网满足,此外,从电网购电对蓄电池进行恒定功率充电,直至谷电价期结束时,蓄电池刚好充满. 若早上日出较早,在8点之前已有光伏发电,则将这部分光伏电充入蓄电池.

1.5.2. 热水储能系统的运行规则

每户住户配置有太阳能热水系统或空气源热泵热水系统. 若配置空气源热泵热水系统,则住宅的热水负荷全部由空气源热泵热水器提供. 若住户配置光热系统,光热系统产热量大于住户热水负荷,则过剩的热量存储在蓄热水箱中;反之,住户热水负荷首先由蓄热水箱满足,若不足,则利用电加热器加热蓄热水箱中的热水.

2. 案例分析

2.1. 典型住宅选取

从杭州市网上二手房交易市场(链家网,安居客等)进行调研,获取建于1986—2018的65个住区的1 362栋住宅建筑的信息. 根据获取的资料分析可知,2000年之前的住宅比例最大,达到38.4%;单元类型以1梯2户最多,占比为36.9%;在1梯2户的单元类型中,3室1厅比例最大,占27.7%;在所有住宅单元中,层数为7层的住宅比例最大,为22%. 选择1栋2000年之前的典型住宅建筑,建筑面积为3 486 m2,卧室客厅朝南,厨房次卧朝北,中间为客厅,1梯2户3单元,层数为7层,平面图如图3所示.

图 3

图 3   杭州市典型住宅的平面图

Fig.3   Floor plan of typical residence in Hangzhou


2.2. 建筑负荷的计算

在Design Builder软件中构建典型建筑模型,依据GB/T 51350—2019《近零能耗建筑技术标准》[14]中对夏热冬冷地区住宅建筑热工性能的规定,围护结构设置如表1所示. 表中,Kw为外墙传热系数,Kr为屋顶传热系数,p为窗墙面积比,Kwin为窗户传热系数,s为外窗太阳得热系数,KdwKfKc分别为分户墙、楼板、外走廊隔墙的传热系数,A为内、外压强差为50 Pa时的建筑气密度. 依据GB/T 51350—2019 《近零能耗建筑技术标准》中对住宅建筑不同类型房间内热设置的规定,人员、设备及照明设置如表2所示. 表中,Rper为人员在室率,Pequ为设备功率,Requ为设备使用率,Plig为照明功率,Tlig为每月的照明时长.

表 1   围护结构热工参数

Tab.1  Thermal parameters of building envelope

参数 数值
Kw/(W·m−2·K−1) 0.15
Kr/(W·m−2·K−1) 0.15
p 0.3
Kwin/(W·m−2·K−1) 1
s 冬季0.4,夏季0.3
Kdw, Kf, Kc/(W·m−2·K−1) 2
A 1

新窗口打开| 下载CSV


表 2   人员、设备及照明的设置

Tab.2  Setting of personnel, equipments and lighting

房间类型 Rper/% Pequ/(W·m−2) Requ/% Plig/(W·m−2) Tlig/h
起居室 19.5 5 39.4 6 180
卧室 35.4 6 19.6 6 180
餐厅 19.5 5 39.4 6 180
厨房 4.2 24 16.7 6 180
洗手间 16.7 0 0 6 180

新窗口打开| 下载CSV


依据笔者课题组[15]对杭州市住宅开窗、空调、遮阳、家用设备运行特征大规模调研和入户实测的结果,在Design Builder模型中设定典型开窗、空调、遮阳等适应性调节行为模式,利用典型气象年的数据,计算得到典型建筑在全年的逐日制冷能耗、采暖能耗、照明能耗、电器能耗和热水负荷,如图4所示. 图中,E为制冷、采暖、照明、电器各分项的能耗,Q为热水负荷. 典型建筑全年总制冷能耗为15 210 kW·h,总采暖能耗为11 846 kW·h,总照明能耗为16 990 kW·h,总电器能耗为23 388 kW·h,总热水负荷为8 531 kW·h. 近零能耗居住建筑能效指标为建筑能耗综合值不大于55 kW·h/(m2·a)[14] ,即建筑年供暖、制冷、照明、热水、电器能耗之和减去建筑本体及周边产生的可再生能源发电量须不大于55 kW·h/(m2·a). 该案例不含可再生能源发电的建筑能耗综合值为80.06 kW·h/(m2·a),为了达到近零能耗居住建筑的能效指标,建筑各类可再生能源发电量之和须大于25.06 kW·h/(m2·a).

图 4

图 4   建筑逐日制冷能耗、采暖能耗、照明能耗、电器逐日能耗与热水逐日负荷

Fig.4   Cooling, heating, light, electrical appliances daily energy consumptions and hot water daily load


2.3. 电动汽车负荷的计算

一般来说,电动汽车充电分为无序充电和有序充电[16]. 无序充电为在电动汽车连接充电桩时马上开始充电,有序充电可以根据峰谷电时间主动调整充电的时间和功率. 选用有序充电作为住户电动汽车的充电方式.

到2025年,电动汽车的数量预计将达到汽车总量的15%[17],杭州市预计将达到每1.5户持有1辆汽车[18]. 对于共有42户住户的典型建筑,计算得到共有4辆电动汽车. 电动汽车的离家时刻和归家时刻按7:00和17:30计算,日行驶里程为27 km[19].电动汽车选用市场销量最大的BYDe6车型,电池容量为82 kW·h,最大充电功率为15 kW, 百公里耗电量为12.4 kW·h[17]. 典型日电动汽车的充电负荷如图5所示. 图中,Eveh为充电负荷.

图 5

图 5   典型日电动汽车的充电负荷

Fig.5   Charging load of electric vehicles in typical day


2.4. 光伏系统可利用部位

按照立面位置对立面光伏安装位置进行划分,如图6所示. 利用Ecotect软件模拟得到光伏各可利用部位年总辐射量,其中遮挡建筑和典型建筑一致,位于典型建筑的南面. 根据《杭州市居住建筑间距和住宅日照管理规定》可知,间距系数为1.2. 根据各可利用部位的面积,计算得到光伏各可利用部位的装机容量. 光伏各可利用部位的年总辐射量和装机容量如表3所示. 表中,J为年总辐射量,Rpv为光伏装机容量.

图 6

图 6   典型住宅立面位置划分

Fig.6   Facades location division of typical residence


表 3   建筑立面与屋顶的太阳年辐射量和光伏装机容量

Tab.3  Annual solar radiation and photovoltaic installable capacity of building facades and rooftop

部位 J/(kW·h·m−2·a−1) Rpv/kW 部位 J/(kW·h·m−2·a−1) Rpv/kW 部位 J/(kW·h·m−2·a−1) Rpv/kW 部位 J/(kW·h·m−2·a−1) Rpv/kW
W-1(1F) 779.24 5.23 S-2(7F) 636.52 0.78 S-6(6F) 617.52 0.78 S-10(5F) 602.84 0.78
W-1(2F) 779.24 5.23 S-3(1F) 261.19 1.90 S-6(7F) 633.41 0.78 S-10(6F) 621.51 0.78
W-1(3F) 779.24 5.23 S-3(2F) 293.06 1.90 S-7(1F) 215.02 1.90 S-10(7F) 635.36 0.78
W-1(4F) 779.24 5.23 S-3(3F) 315.36 1.90 S-7(2F) 262.91 1.90 S-11(1F) 235.13 1.90
W-1(5F) 779.24 5.23 S-3(4F) 326.67 1.90 S-7(3F) 299.05 1.90 S-11(2F) 278.68 1.90
W-1(6F) 779.24 5.23 S-3(5F) 337.40 1.90 S-7(4F) 317.66 1.90 S-11(3F) 311.05 1.90
W-1(7F) 779.24 5.23 S-3(6F) 350.37 1.90 S-7(5F) 330.97 1.90 S-11(4F) 325.61 1.90
E-1(1F) 389.27 5.23 S-3(7F) 384.54 1.90 S-7(6F) 346.66 1.90 S-11(5F) 337.71 1.90
E-1(2F) 389.27 5.23 S-4(1F) 483.26 0.78 S-7(7F) 382.89 1.90 S-11(6F) 350.52 1.90
E-1(3F) 389.27 5.23 S-4(2F) 522.50 0.78 S-8(1F) 416.27 0.78 S-11(7F) 384.81 1.90
E-1(4F) 389.27 5.23 S-4(3F) 568.75 0.78 S-8(2F) 472.61 0.78 S-12(1F) 436.94 0.78
E-1(5F) 389.27 5.23 S-4(4F) 591.46 0.78 S-8(3F) 538.34 0.78 S-12(2F) 484.19 0.78
E-1(6F) 389.27 5.23 S-4(5F) 605.91 0.78 S-8(4F) 581.98 0.78 S-12(3F) 539.70 0.78
E-1(7F) 389.27 5.23 S-4(6F) 621.06 0.78 S-8(5F) 599.94 0.78 S-12(4F) 579.64 0.78
S-1(1F) 505.02 2.92 S-4(7F) 635.14 0.78 S-8(6F) 617.22 0.78 S-12(5F) 608.25 0.78
S-1(2F) 531.56 2.92 S-5(1F) 401.31 5.83 S-8(7F) 633.36 0.78 S-12(6F) 624.36 0.78
S-1(3F) 550.20 2.92 S-5(2F) 449.03 5.83 S-9(1F) 365.94 5.83 S-12(7F) 636.52 0.78
S-1(4F) 561.72 2.92 S-5(3F) 491.96 5.83 S-9(2F) 420.73 5.83 S-13(1F) 395.01 2.92
S-1(5F) 571.64 2.92 S-5(4F) 510.70 5.83 S-9(3F) 476.59 5.83 S-13(2F) 435.63 2.92
S-1(6F) 582.61 2.92 S-5(5F) 527.33 5.83 S-9(4F) 503.54 5.83 S-13(3F) 475.52 2.92
S-1(7F) 598.84 2.92 S-5(6F) 545.30 5.83 S-9(5F) 525.09 5.83 S-13(4F) 496.80 2.92
S-2(1F) 511.21 0.78 S-5(7F) 570.58 5.83 S-9(6F) 545.09 5.83 S-13(5F) 516.28 2.92
S-2(2F) 545.76 0.78 S-6(1F) 423.31 0.78 S-9(7F) 570.67 5.83 S-13(6F) 529.01 2.92
S-2(3F) 581.51 0.78 S-6(2F) 480.10 0.78 S-10(1F) 418.84 0.78 S-13(7F) 549.69 2.92
S-2(4F) 598.16 0.78 S-6(3F) 542.99 0.78 S-10(2F) 471.99 0.78 屋顶 1 059.80 46.4
S-2(5F) 611.35 0.78 S-6(4F) 582.62 0.78 S-10(3F) 534.94 0.78
S-2(6F) 624.43 0.78 S-6(5F) 600.17 0.78 S-10(4F) 577.36 0.78

新窗口打开| 下载CSV


光伏系统的发电量的计算[20]如下:

$ {E_{{{\rm{pot}}} }}{\text{ = }}{A_{{\rm{pv}}}}J{\eta _{{\rm{f}}} }{\lambda }{\text{.}} $

式中:Epot为年发电量;Apv为光伏组件面积; $ {\eta }_{\mathrm{f}} $为光伏模块转换效率,取0.18;λ为光伏系统运行效率,包含组件不匹配损失、阴影遮挡损失、逆变器效率损失,取0.75.

2.5. 能源系统的技术参数及经济成本

典型建筑光伏系统、蓄电池、光热系统、空气源热泵热水器系统等各部件的参数如表4所示. 表中,各部件年运行维护成本为1.5%;考虑到在近零能耗建筑中使用,空气源热泵热水器达到一级能效标准,COP取4.2.

表 4   各部件的系统参数设置

Tab.4  System parameter settings of components

部件参数 数值 部件参数 数值
光伏发电效率/% 17.67 热泵热水器COP 4.2
光伏运行效率 0.8 热泵主机单价/元 3 300
光伏板单价/(元·W−1 ) 4 蓄热水箱单价/元 1 000
光伏板寿命/a 20 热泵热水器寿命/a 10
蓄电池单价/(元·kW·h−1 ) 1 500 电热水器成本/元 1 500
蓄电池寿命/a 15 电加热器COP 0.95
蓄电池最大SOC 1 电加热器寿命/a 10
蓄电池最小SOC 0.2 光热板单价/元 1 300
电池充放电效率 0.9 每年添加防冻液的成本/元 200
光伏逆变器单价/(元·W−1 ) 0.8 光热系统寿命/a 10

新窗口打开| 下载CSV


3. 结果与讨论

利用python编程,采用粒子群算法建立优化配置模型,分别对年均系统花费最小、建筑能耗综合值最小单目标,年均系统花费最小和建筑能耗综合值最小、光伏本地消纳率最大和建筑能耗综合值最小多目标下的建筑光伏系统和光热系统容量与位置以及储能系统的容量进行优化配置. 在基准方案中,建筑没有安装光伏、光热系统,每个住户使用电热水器获得热水,建筑用电全都通过电网购买获得,且没有配置蓄电池. 基准方案的全年运行成本为85 448元,建筑能耗综合值为80.06 kW·h/(m2·a).

3.1. 年均系统花费最小单目标

年均系统花费最小单目标下的优化配置结果如图7所示. 图中,Ebat为蓄电池容量,Rcol为光热装机户数,Ppv为光伏装机容量. 在以年均系统花费最小为目标的优化配置结果中,建筑光热系统装机户数为36,光热板安装位置为2~7层住户的南向阳台,即S-2(2-7F)、S-4(2-7F)、S-6(2-7F)、S-8(2-7F)、S-10(2-7F)、S-12(2-7F),其余住户采用空气源热泵热水器;建筑光伏装机容量为77.78 kW,光伏板安装位置为屋顶、W-1(2-7F);蓄电池容量为51.32 kW·h. 年均系统花费为71 913元,建筑能耗综合值为52.71 kW·h/(m2·a). 与基准方案相比,年均系统花费降低了15.8%,建筑能耗综合值降低了34.2%. 光伏系统、太阳能热水系统、空气源热泵热水系统产能占建筑总用能的比例分别为49.1%、9.6%、1.6%. 只有2~7层的住户使用太阳能热水系统,这主要是因为楼层高接收的太阳辐射量更大,使用太阳能热水系统更经济. 光伏板的安装位置为屋顶和西墙,这主要是因为屋顶和西墙的太阳辐射量大,在相同的安装面积下能够产生更多的电能,更具有经济效益. 配置一定容量的蓄电池能够在谷电价时期充电和峰电价时期放电,提高经济性,可以储存过剩的光伏,减少浪费.

图 7

图 7   年均系统花费最小的优化配置结果

Fig.7   Optimization design results of minimum average annual cost goal


3.2. 建筑能耗综合值最小单目标

建筑能耗综合值最小单目标下的优化配置结果如图8所示. 在以建筑能耗综合值最小为目标的优化配置结果中,建筑光热系统装机户数为15,光热板安装位置为部分5~7层住户的南向阳台,即S-2(5-7F)、S-4(5-7F)、S-6(5-7F)、S-8(6-7F)、S-10(6-7F)、S-12(6-7F),其余住户采用空气源热泵热水器. 建筑光伏装机容量为204 kW,光伏板安装位置为所有东西南立面及屋顶;蓄电池容量为0. 建筑能耗综合值为9.79 kW·h/(m2·a),年均系统花费为101 822元. 与基准方案相比,建筑能耗综合值降低了87.7%,年均系统花费提高了19.1%. 光伏系统、太阳能热水系统、空气源热泵热水产能占建筑总用能的比例分别为76.5%、4.0%、7.2%. 在建筑屋顶和立面可利用部位充分布置光伏,这主要是因为整栋建筑光伏发电量越大,可再生能源利用量越大,建筑能耗综合值越小.

图 8

图 8   建筑能耗综合值最小的优化配置结果

Fig.8   Optimization design results of minimum comprehensive energy consumption goal


3.3. 年均系统花费最小和建筑能耗综合值最小多目标

年均系统花费最小和建筑能耗综合值最小多目标下的优化配置如图9所示. 该目标下的目标函数值如图10所示. 图中,Ecom为建筑能耗综合值,Ctot为年均系统花费. 按照1.4.3节的方法,选取多目标优化下的最优解. 在以年均系统花费最小和建筑能耗综合值最小为目标的优化配置结果中,建筑光热系统装机户数为26户,光热板安装位置为部分3~7层住户的南向阳台,即S-2(4-7F)、S-4(4-7F)、S-6(4-7F)、S-8(4-7F)、S-10(3-7F)、S-12(3-7F),其余住户采用空气源热泵热水器;建筑光伏装机容量为98.38 kW,光伏板安装位置为屋顶、W-1(1-7F)、S-1(5-7F)、S-2(3F)、S-9(7F);蓄电池容量为21.48 kW·h. 建筑能耗综合值为27.36 kW·h/(m2·a),年均系统花费为87 871元. 与基准方案相比,最优配置方案会增加年均系统花费4.3%,降低建筑能耗综合值65.8%. 光伏系统、太阳能热水系统、空气源热泵热水系统的产能占建筑总用能的比例分别为54.6%、6.9%、4.3%. 若增大光伏系统和光热系统的装机容量,则年均系统花费增加,建筑能耗综合值降低. 若增加蓄电池容量,则年均系统花费先减少后增加,建筑能耗综合值不变.

图 9

图 9   年均系统花费和建筑能耗综合值的多目标优化配置结果

Fig.9   Multi-objective optimization design results of average annual cost and comprehensive energy consumption


图 10

图 10   各方案的年均系统花费和建筑能耗综合值

Fig.10   Average annual cost and comprehensive energy consumption of each scheme


3.4. 光伏本地消纳最大和建筑能耗综合值最小多目标

光伏本地消纳率最大和建筑能耗综合值最小多目标下的优化配置如图11所示,目标函数值如图12所示. 图中,η为光伏消纳率. 按照1.4.3节的方法,选取多目标优化下的最优解. 在以光伏本地消纳率最大和建筑能耗综合值最小为目标的优化配置结果中,建筑光热装机户数为16户,光热板安装位置为部分5~7层住户的南向阳台,即S-2(5-7F)、S-4(5-7F)、S-6(6-7F)、S-8(6-7F)、S-10(5-7F)、S-12(5-7F),其余住户采用空气源热泵热水器;整栋楼光伏装机容量为72.55 kW,光伏板安装位置为屋顶、W-1(3-7F);蓄电池容量为167.77 kW·h. 年均系统花费为98 041元,建筑能耗综合值为32.5 kW·h/(m2·a),光伏本地消纳率为48.0%. 与基准方案相比,最优配置方案会增加年均系统花费14.7%,降低建筑能耗综合值59.4%. 光伏系统、太阳能热水系统、空气源热泵热水系统产能在建筑总用能中的占比分别为48.2%、4.2%、7.0%. 蓄电池容量较大是为了将白天过剩的光伏发电量储存在蓄电池中,使得光伏更多地在本地消纳. 若增加光伏系统的装机容量,则光伏本地消纳率降低,建筑能耗综合值降低. 若增加蓄电池容量,则光伏本地消纳率提高,但是年均系统花费随之提高. 应合理选择光伏系统装机容量和蓄电池容量.

图 11

图 11   光伏消纳率和建筑能耗综合值的多目标优化配置结果

Fig.11   Multi-objective optimization design results of photovoltaic accommodation rate and comprehensive energy consumption


图 12

图 12   各方案的光伏消纳率和建筑能耗综合值

Fig.12   Photovoltaic accommodation rate and comprehensive energy consumption of each scheme


4. 结 论

(1)在单优化目标下,若以年均系统花费最小为目标,则与传统方案相比,年均系统花费可以降低15.8%,光伏系统、太阳能热水系统、空气源热泵热水系统产能占建筑总用能的比例分别为49.1%、9.6%、1.6%. 若以建筑能耗综合值最小为目标,则与传统方案相比,建筑能耗综合值可以降低87.7%,光伏系统、太阳能热水系统、空气源热泵热水产能占建筑总用能的比例分别为76.5%、4.0%、7.2%.

(2)在多优化目标下,若以年均系统花费最小和建筑能耗综合值最小为目标,则与传统方案相比,建筑能耗综合值可以降低65.8%,但是年均系统花费会增加4.3%,光伏系统、太阳能热水系统、空气源热泵热水系统的产能占建筑总用能的比例分别为54.6%、6.9%、4.3%. 若以光伏本地消纳最大和建筑能耗综合值最小为目标,则与传统方案相比,建筑能耗综合值可以降低59.4%,但是年均系统花费会增加14.7%,光伏系统、太阳能热水系统、空气源热泵热水系统产能在建筑总用能中的占比分别为48.2%、4.2%、7.0%.

(3)与电加热热水器相比,太阳能热水器和空气源热泵热水器均具有显著的经济效益与节能效益. 与空气源热泵热水器相比,太阳能热水器只有在建筑楼层较高时才具有经济效益和节能效益,楼层较低的住户由于建筑遮挡的原因,应考虑采用空气源热泵热水器.

(4)本文选取的典型建筑是当前杭州住宅小区中占比最大的一类建筑. 此外,新建建筑以高层建筑为主,本文的可再生能源系统优化设计同样适用于高层建筑,只是配置方案不同,由于篇幅的原因,本文没有展开讨论.

参考文献

中华人民共和国中央人民政府. 习近平在第七十五届联合国大会一般辩论上发表重要讲话[EB/OL]. (2020-09-22)[2022-12-15]. http://www.gov.cn/xinwen/2020-09/22/content_5546168.htm?gov.

[本文引用: 1]

中华人民共和国国家发展和改革委员会. “十四五”循环经济发展规划: 推行分布式能源及光伏储能一体化系统应用[EB/OL]. (2021-07-14)[2022-12-15]. https://www.ndrc.gov.cn/xwdt/ztzl/sswxhjjfzgh/202107/t20210714_1290432.html?code=&state=123.

[本文引用: 1]

ZHOU T, SUN W

Optimization of battery supercapacitor hybrid energy storage station in wind/solar generation system

[J]. IEEE Transactions on Sustainable Energy, 2014, 5 (2): 408- 415

DOI:10.1109/TSTE.2013.2288804      [本文引用: 1]

GITIZADEH M, FAKHARZADEGAN H

Battery capacity determination with respect to optimized energy dispatch schedule in grid-connected photovoltaic syste-ms

[J]. Energy, 2013, 65 (1): 665- 674

NAYAK C K, NAYAK M R, BEHERA R

Simple moving average based capacity optimization for VRLA battery in PV power smoothing application using MCTLBO

[J]. Journal of Energy Storage, 2018, 17: 20- 28

DOI:10.1016/j.est.2018.02.010      [本文引用: 1]

陈燕哲. 陕西地区地下水源热泵工程应用适应性评价及软件[D]. 西安: 西安建筑科技大学, 2014.

[本文引用: 1]

CHEN Yan-zhe. Adaptability evaluation and software of groundwater source heat pump engineering application in Shanxi province [D]. Xi’an: Xi’an University of Architecture and Technology, 2014.

[本文引用: 1]

ERDIL E, ILKAN M, EGELIOGLU F

An experimental study on energy generation with a photovoltaic (PV) -solar thermal hybrid system

[J]. Energy, 2008, 33 (8): 1241- 1245

DOI:10.1016/j.energy.2008.03.005     

荆亚州. 典型地区典型建筑节能技术适应性分析及评价[D]. 北京: 北京建筑大学, 2013.

[本文引用: 1]

JING Ya-zhou. Research and evaluation on suitable typical technology for building energy conservation in representative cities [D]. Beijing: Beijing University of Civil Engineering and Architecture, 2013.

[本文引用: 1]

陈淑琴, 陆敏艳, 谭洪卫, 等

基于多目标优化的办公建筑可再生能源系统集成优化配置方案研究

[J]. 太阳能学报, 2018, 39 (11): 3147- 3154

[本文引用: 2]

CHEN Shu-qin, LU Min-yan, TAN Hong-wei, et al

Research on integration renewable energy systems in office building based on multi-objective optimization

[J]. Acta-Energiae Solaris Sinica, 2018, 39 (11): 3147- 3154

[本文引用: 2]

WANG L, GWILLIAM J, JONES P

Case study of zero energy house design in UK

[J]. Energy and Buildings, 2009, 41: 1215- 1222

DOI:10.1016/j.enbuild.2009.07.001      [本文引用: 1]

MENDES G, FENG W, MICHAEL S, et al

Regional analysis of building distributed energy costs and CO2 abatement: a U. S. –China comparison

[J]. Energy and Buildings, 2014, 77: 112- 119

DOI:10.1016/j.enbuild.2014.03.047      [本文引用: 1]

ANWAR H, DINCER I

Development of power system designs for a net zero energy house

[J]. Energy and Buildings, 2014, 73: 120- 129

DOI:10.1016/j.enbuild.2014.01.027      [本文引用: 1]

NOTTROTT A, KLEISLL J, WASHOM B

Energy dispatch schedule optimization and cost benefit analysis for grid-connected, photovoltaic-battery storage systems

[J]. Renewable energy, 2013, 55: 230- 240

DOI:10.1016/j.renene.2012.12.036      [本文引用: 1]

中华人民共和国住房和城乡建设部. 近零能耗建筑技术标准: GB/T 51350—2019 [S]. 北京: 中国建筑工业出版社, 2019.

[本文引用: 3]

王新镇. 杭州住宅适应性热舒适特征及热环境调节策略研究[D]. 杭州: 浙江大学, 2019.

[本文引用: 1]

WANG Xin-zhen. Research on adaptive thermal comfort characteristics and thermal environment adjust strategy of Hangzhou dwelling house [D]. Hangzhou: Zhejiang University, 2019.

[本文引用: 1]

和敬涵, 谢毓毓, 叶豪东, 等

电动汽车充电模式对主动配电网的影响

[J]. 电力建设, 2015, 36 (1): 97- 102

DOI:10.3969/j.issn.1000-7229.2015.01.015      [本文引用: 1]

HE Jing-han, XIE Yu-yu, YE Hao-dong, et al

Influence of electric vehicles charging modes on active network distribution

[J]. Electric Power Construction, 2015, 36 (1): 97- 102

DOI:10.3969/j.issn.1000-7229.2015.01.015      [本文引用: 1]

艾克

面向碳达峰、碳中和目标的汽车产业实施路线图

[J]. 汽车与配件, 2021, (22): 36- 39

DOI:10.3969/j.issn.1006-0162.2021.22.006      [本文引用: 2]

AI Ke

A road map for the automobile industry to reach the goal of carbon emissions peak and carbon neutrality

[J]. Automobile and Parts, 2021, (22): 36- 39

DOI:10.3969/j.issn.1006-0162.2021.22.006      [本文引用: 2]

李天宁, 王浩国, 董灵鹏, 等

考虑居民小区充电负荷与成本的电动汽车有序充电策略

[J]. 浙江电力, 2022, 41 (5): 8- 13

[本文引用: 1]

LI Tian-ning, WANG Hao-guo, DONG Ling-peng, et al

Research on coordinated charging strategy considering load and cost of electric vehicles in a residential quarter

[J]. Zhejiang Electric Power, 2022, 41 (5): 8- 13

[本文引用: 1]

田立亭, 史双龙, 贾卓

电动汽车充电功率需求的统计学建模方法

[J]. 电网技术, 2010, 34 (11): 126- 130

[本文引用: 1]

TIAN Li-ting, SHI Shuang-long, JIA Zhuo

A statistical model for charging power demand of electric vehicles

[J]. Power System Technology, 2010, 34 (11): 126- 130

[本文引用: 1]

张华. 城市建筑屋顶光伏利用潜力评估研究[D]. 天津: 天津大学, 2017.

[本文引用: 1]

ZHANG Hua. Research on PV energy potential of rooftop in urban area [D]. Tianjin: Tianjin University, 2017.

[本文引用: 1]

/