A statistical approach for selecting buildings for experimental measurement of HVAC needs

• Autorzy: Malinowski P. , Ziembicki P.

Identyfikatory

DOI

10.1515/ceer-2017-0007

Warianty tytułu

PL

Statystyczna metoda wyboru budynków badawczych na potrzeby analizy systemów HVAC

• Języki publikacji: EN

Abstrakty

EN

This article presents a statistical methodology for selecting representative buildings for experimentally evaluating the performance of HVAC systems, especially in terms of energy consumption. The proposed approach is based on the k-means method. The algorithm for this method is conceptually simple, allowing it to be easily implemented. The method can be applied to large quantities of data with unknown distributions. The method was tested using numerical experiments to determine the hourly, daily, and yearly heat values and the domestic hot water demands of residential buildings in Poland. Due to its simplicity, the proposed approach is very promising for use in engineering applications and is applicable to testing the performance of many HVAC systems.

PL

W artykule przedstawiono statystyczną metodę wyboru budynków reprezentatywnych pod względem charakterystyki energetycznej oraz cech wbudowanych systemów grzewczych wentylacyjnych i klimatyzacyjnych. Proponowane podejście opiera się na metodzie k-średnich. Algorytm dla tej metody jest stosunkowo prosty, co pozwala na łatwe wdrożenie i nie wymaga dużego nakładu (kosztu) obliczeniowego. Sposób ten może być stosowany dla dużych ilości danych. Metodą k-średnich badano dane pozyskane w czasie inwentaryzacji obiektów oraz w wyniku symulacji komputerowych funkcjonowania budynków, zawierające m.in. roczne wartości zapotrzebowania na ciepło (symulowane z krokiem czasowym godzinnym). Z uwagi na względną prostotę metodyki oraz uzyskane bardzo dobre wyniki, proponowane podejście jest bardzo obiecujące dla zastosowań technicznych, w tym analiz budynków pod kątem systemów HVAC.

Słowa kluczowe

EN

k-means method; HVAC system performance; energy consumption; building characteristics

PL

metoda k-średnich; systemy HVAC; zużycie energii; charakterystyka energetyczna budynku

• Wydawca: Oficyna Wydawnicza Uniwersytetu Zielonogórskiego
• Czasopismo: Civil and Environmental Engineering Reports
• Rocznik: 2017
• Tom: No. 24(1)
• Strony: 101--118
• Opis fizyczny: Bibliogr. 18 poz., rys., tab.

Twórcy

autor

Malinowski P.

• Technical University of Wroclaw, Wrocław, Poland

autor

Ziembicki P.

• University of Zielona Gora, Zielona Góra, Poland

Bibliografia

• 1. Gunel M. H., Ilgin H. E.: A proposal for the classification of structural systems of tall buildings, Building and Environment 42 (2007), pp. 2667- 2675.
• 2. Theodoridou K., Papadopoulos A., Hegger M.: A typological classification of the Greek residential building stock, Energy and Buildings 43 (2011), pp. 2779-2787.
• 3. Theodoridou L., Papadopoulos A., Hegger M.: Statistical analysis of the Greek residential building stock, Energy and Buildings 43 (2011), pp. 2422- 2428.
• 4. Fovell R. G., Fovell M. Y. C.: Climate zones of the conterminous United States defined using cluster analysis, Journal of Climate 6 (1993), pp. 2103- 2135.
• 5. Lau C., Lam J. C., Yan L.: Climate classification and passive solar design implications in China, Energy Conversion and Management 48 (2007), pp. 2006-2015.
• 6. Wan K., Li D., Yang L., Lam J.: Climate classifications and building energy use implications in China, Energy and Buildings 42 (2010), pp. 1463-1471.
• 7. Cohen S. C. M., de Castro L. N.: Data clustering with particle swarms, IEEE Congress on Evolutionary Computation, 2006, pp. 1792-1798.
• 8. Ward J. H. Jr.: Hierarchical grouping to optimize an objective function, Journal of the American Statistical Association 58 (1963), pp. 236-244.
• 9. Dempster A. P., Laird N. M., Rubin D. B.: Maximum likelihood from incomplete data via the EM algorithm, Journal of the Royal Statistical Society Series B (Methodological) 39 (1977), pp. 1-38.
• 10. Lloyd S. P.: Least square quantization in PCM, IEEE Transactions on Information Theory 28 (1982), pp. 129-137.
• 11. MacQueen J. B.: Some methods for classification and analysis of multivariate observations, in: Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability. University of California Press, Berkeley, 1967, pp. 281-297.
• 12. Steinhaus H.: Sur la division des corps materiels en parties, Bulletin of the Polish Academy of Sciences Mathematics 4 (1956), pp. 801-804.
• 13. Finding the Right Number of Clusters in k-Means and EM Clustering: v- Fold Cross-Validation, in: Electronic Statistics Textbook, StatSoft, Tulsa, 2010.
• 14. Rousseu P.J.: Silhouettes: a Graphical Aid to the Interpretation and Validation of Cluster Analysis, Computational and Applied Mathematics 20 (1987), pp. 53-65.
• 15. Sugar C. A., James G.M.: Finding the number of clusters in a data set: an information theoretic approach, Journal of the American Statistical Association 98 (2003), pp. 750-763.
• 16. Bartlett J. E., Kortlik J. W., Higgins C.: Organizational research: determining appropriate sample size for survey research, Information Technology, Learning, and Performance Journal 19 (2001), pp. 43-50.
• 17. Kish L.: Survey Sampling, Wiley, New York, 1995.
• 18. Lohr S.L.: Sampling: Design and Analysis. Duxbury Press, Pacific Grove, 1999.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017)