我国建筑热过程随机分析的背景、方法和应用

　　1.背景

　　建筑热过程是研究建筑环境特性、分析评价节能建筑、设计建筑环境的控制系统（供热、通风、空调）的基础。建筑热过程是由于室外气象条件和室内各种热源（人、照明及设备）作用在建筑物上而造成的建筑室内环境的温湿度变化。因此它取决于室外气象状况、室内热源状况及建筑物结构的热性能参数。然而，由于室外气象参数与室内的各种热源均不是确定的过程，而是具有很大的不确定成分的随机过程，因此，这些随机因素作用于建筑物，使建筑内的热环境变化过程（理论变化过程）亦成为一随机过程。

　　长期以来，建筑热过程基本上都是按照确定性过程来研究，即在确定的气象参数和室内热源发热量的条件下，做建筑热过程的计算，设计热环境控制系统，分析建筑物能耗情况。这样，如何选取计算用气象参数和室内热源发热量，便出现很多问题。

　　在供热系统设计计算中，根据室外气象参数的概率分布，统计出在一定的不保证率下的室外最不利条件作为计算依据，来进行供暖负荷计算。但不同的建筑物结构对室外气象条件的变化具有不同响应（不同窗墙比，不同内外墙面积，轻、中、重结构等），再者外温的不保证率并非室内温度的不保证率，于是导致一些建筑计算负荷偏大，设备选择过多，造成系统初投资和运行费的浪费。因此，应该追求的是要使室内温度在一定水平的不保证率下，供暖负荷应为多少？

　　在建筑物热性能评价中，按照当地的某一套标准气象数据（参考年TRY、典型年TMY、标准年SY等）进行分析。但实际上每一年的气象过程均会与此标准过程不同，而不同的气象过程将会使不同的建筑出现不同的热响应。例如：冬季日照时数多时窗墙比大可以减少供热负荷，而日照时数少时窗墙比大又会增加供热负荷。一个地区的日照时数每年不同，根据一组确定的数据得到的该地区最佳的窗墙比如何能适合于该地区实际上变化多端的气象环境呢？由于在随机的外界气象条件下，室内温度或供暖负荷亦为随机过程，因此，评价建筑物是否节能的标准应为室内温度低于某一给定值的时间的概率最小（不供暖时）或冬季累计供热量高于某一给定值的概率最小（供暖时）。

　　在空调系统设备选择、空调系统模拟分析等设计和研究工作中，亦存在这些问题。目前国内外空调设计都广泛存在比较大的设备富裕量。有关调查数据表明，国内或国外设计的北京、广州等地的一些饭店和宾馆的空调系统选用的制冷机，在一般季节只运行不到装机容量的一半，最热季节也不到三分之二，有三分之一的制冷机几乎不需要用到[1].空调设计过程中往往对每个不确定环节乘以一个大于1的安全系数，如此层层加码设计出的系统不可避免会造成设备容量选择偏大。由于各种不确定因素的作用，实际空调系统的运行状态是随机变化的，因此应根据空调负荷这一随机变量的概率分布来选择空调设备，也就是在不同概率信度下确定不同的设备容量，而概率信度的确定则与建筑物的使用功能和业主的经济观念密切相关，体现了空调系统设计中功能与投资的辩证关系。尽管目前国内外在建筑能耗分析领域不断开发和研究出细致、准确和更完善的新方法，然而不解决这个随机性的问题，使用再准确的方法也不能全面地反映出室外气象条件和室内热源的随机性，也无法得出真正反映实际建筑物热过程状况的结果。

　　由以上分析可见，在建筑热过程的分析与研究中，真正追求的不应该是在一定条件下的建筑物室内温度变化或需要的冷、热量，而是在一定条件下建筑物室内温度变化的概率分布及所需冷热量的概率分布（由于建筑物的热惯性，此概率分布往往不同于室外气象参数的概率分布），将能比较完善地解决上述一些问题，得出符合实际的结论。

　　2.研究的基本问题和方法

　　计算上述概率分布的方法之一就是直接用当地实测的50年或100年的气象数据，再通过现行的各种建筑物能耗分析程序进行模拟计算，得到这个建筑物50年或100年内的室内温度或所需冷热量的变化情况，然后再通过统计得到其概率分布。这种方法从理论上讲可以妥善解决上述问题，但计算量非常大，同时也很难使每个实际工作者都掌握50年或100年的气象数据，这就使它很难被真正用来解决任何实际问题。

　　再一条途径就是直接的随机的分析方法。建筑热过程的求解实际是求解一组微分方程组，而外界气象条件及室内热扰动就是此微分方程组的边界输入参数。如果这些边界输入参数均为随机过程，则此方程组成为随机微分方程组。直接求解这组微分方程组，找出作为解的随机过程的各种统计参数，即可以得到上述这种概率分布，从而有可能发展成一种较为简单的方法，直接用来解决上述这些实际问题。

　　国内外学者从80年代初就开始探讨随机分析的方法。1981年泰国学者Tanthapanichakoon等人采用Monte Carlo法研究太阳房的随机特性，他们考虑到热平衡方程方程组边界条件和方程系数的随机性共，引进32个正态分布的随机变量，规定它们的期望值、标准偏差和最大最小允许值，再用随机数发生器产生这32个随机变量的样本，然后求解太阳房的热平衡方程组，得到逐时室温和辅助热源功率。如此进行多次随机模拟，最后统计出室温和辅助热源功率的期望值和方差。这种方法效率极低，而且无法考虑随机因素在时间上的自相关和互相关关系。1985年加拿大学者Haghighat等人研究房间在室外气象等随机因素作用下的室温随机过程，他们同样把随机因素当成相互独立的变量，然后用It随机积分方法求解房间的热平衡方程组，得到室温的期望值和二、三个阶矩。这种方法虽然提高了效率，但也无法考虑各种随机因素之间的相关性。1987年瑞士学者Sxartezzni等人采用有限Markov Chain方法研究被动式太阳房的能耗和热舒适性，他们把外温和太阳辐射离散成Markov状态转移矩阵，然后用显式差分求解状态空间法描述的房间的热平衡方程组，得到由各状态点温度的状态组成的转移矩阵，进一步求得室温或热舒适指标PMV处于某个状态的概率。这种方法也存在同样的不足。1990年日本学者Hokoi等人采用优化控制理论研究间歇空调热负荷的随机特性，他们建立了室外气象参数的ARMA模型，然后把气象模型代入状态空间描述的房间的热平衡方程组，再采用龙格库塔法（积分时间步长为0.01小时）求解得到的状态点温度的一、二阶矩方程组。这种方法的优点是考虑到室外气象参数在时间上的自相关和互相关关系。但是由于要直接求解矩方程组，因此只能用少数的几个节点的温度来表达房间的热状态，否则计算量相当之大。所以这种方法求解的结果不适合于实际结构复杂的建筑物。

　　笔者在十几年的研究过程中，逐步提出一种新的随机分析方法——STOAN（Sto-chastic Analysis）方法，这主要解决以下四个基本问题。