用户名
密码
(30天内有效)
注册
注册

首页 > 案 例 >

基于行为模式与数理模型的日本丰田市智能住宅街区规划

我要收藏
2017-08-22

阅读数:712

收藏数 4

作者简介:

李洋,毕业于日本关西大学城市系统工学专业,城市规划师、智能都市工程师,参与过国内外多个传统城市规划与新型城市发展课题;

 ITO AKITUSGU,1级土木工程师,日本福井市道路课规划工程师;

 孙雅婷,园林景观专业,城市规划师。

 

城市智能化规划是社会发展的重要组成部分,是国内外“未来城市”与“智能都市”项目的主要业务板块之一。日本于横滨市、丰田市、京阪奈与北九州市展开了“日本智能都市门户”(Japan Smart City Portal,JSCP)项目,本文以丰田市“智能住宅街区”为对象、从能源消费行为模式出发结合智能都市与大数据分析的方法制作能源消费模型并对中长期能源消费进行预测还原,进而论证新型能源规划的合理性并得出其规划方案。


此项目采用“数理模型分析法”对规划区能源数据进行预测还原。其实“数”为数据收集与分析,“理”为居民(自然人)的能源消费模式,“数理模型”则是以概率模型的方法对结合二者对未来能源消耗情况作出预测。以时空间角度来看,“数”已经存在的事件、“理”代表在一定的时空间内事物的发展规律,结合此两点则可以预测将来时空间点上事物的状态。此方法得到规划结论具备高度合理性,对于能源规划之外的城市发展项目亦有借鉴意义。

 

1.  绪论

1.1. 背景 — 大震灾后电力供给不足与智能都市能源业务的发展

2011年3月11日东日本大震灾与福岛核电站事故之后,日本核电站发电比例由灾前的31.3%锐减至2.7%1)(2012年2月值)。东京电力、关西电力等主要供电企业辖区内相继发生了电力供给不足导致的分时分区停电现象。


与此同时智能都市发展迅速:日本于近年展开了“次时代能源与社会系统验证”2),横滨市、丰田市、京阪奈与北九州市相继展开纯电小汽车、能源管理系统(EMS,Energie Management System)等示范项目。能源技术的发展与城市发展思路的转变为新型能源规划提供了实施条件。


1.2. 目的 — 基于能源消费行为的电力规划

本项目的目的为预测规划区能源消费状态并进行储能设备、发电设备等能源规划。本方法的特征为:以居民的能源消费行为模型为出发点,结合数据分析并通过概率模型的方式预测能源消费形态。


1.3. 论文结构

本文由三部分构成:第一至第二章分析项目背景、介绍新能源/智能都市行业发展动态与规划区特性;第三至第五章说明此次规划的技术路线与研究过程,重点说明制作数理模型的相关内容;第六章总结项目经验并说明后期运营与大数据结合的预期。

 

2.  行业发展趋势与规划对象

2.1. 智能都市中能源板块发展趋势

根据日本电机事业联合会《日本的电力消费》3)所示,家庭消费在所有的电力消费中处于核心地位。在开展智能都市建设的过程中,智能电网、新型电传动交通、交互式能源信息平台等技术得到应用。其中能源管理系统的导入使能源系统的可视化、交互化与可控化程度有所提升,在丰田市的智能都市验证项目中也加入了电动乘用车、HEMS(House Energy Management System)等内容。

1503454874805509.png

本次规划区域为丰田市东山区与高桥区,属于“家庭/街区型低碳环保都市构筑验证项目示范区”。


2.2. 规划区特性

东山区与高桥区属于丰田微笑生活株式会社与丰田HOME株式会社开发的住宅区,其特点为:全电化住宅、统一配置直流家电、可视化能源监控设备、光伏发电、家用错峰调谷蓄电池、可与住宅逆向供电的纯电小汽车。

 

3.  研究流程


1503384799407223.png


4.  家庭与街区成员电力消费行为模型

4.1. 家庭电力消费相关电器设定

供电设施属于社会基础设施,而电力消费行为基于社会成员的意识判断而产生。因此电力消费行为模式属于社会行为模式,电力消费的基本单位是“人”,“人”的概念包括自然人与法人。本次规划区为智能住宅街区,研判后认为独栋建筑(家庭)是此次电力消费简化模型的基本单元。


参照厚生劳动省《国民生活基础调查(2001)》5)中关于“标准世代”的描述以及丰田市人口构成数据,设定本次“标准家庭”为4人家庭,家庭成员构成为:父、母、子女二人。

电力消费是存在于时空间上,在是“人”在进行社会行为时同步发生的现象。“人”的社会行为是电力消费行为ON/OFF的根源。根据《国民生活时间调查(2010)》6)整理得到能源消费相关的行为如下:睡眠、起居、饮食、通学、工作、家务、看护、育儿、购物、交通(不包括通学与通勤)、影音与多媒体、报纸杂志、休闲、兴趣娱乐、运动健身、志愿者活动与同类社会活动、人际交际、看病疗养以及其他。按照以上行为与电力消耗的相关程度对其进行分类,得下表。


1503384852362094.png


此简化模型主要考察家庭的电力消费行为,原则上以家庭成员在家时段为主要考察时段,非在家时段原则上只考虑冰箱等不断电家电。

家庭的电力消费源于家电的使用,而电器电力消费模式有所不同。根据日本建筑学会《基于住宅的能量消费量数据库》7),家庭电力消费主要来自于:空调(电暖)、照明、烹调、娱乐多媒体、洗浴、冰箱、家务与保洁等电器。

1503454926792110.png

根据规划区住宅的实际情况,参照市场上实际销售的电器型号对主要电器的电力消耗模式进行设置。

电热水器:

规划区内电热水器为“深夜型电热水器”—其特性为深夜电谷时段用电加热,其余时段以保温为主。丰田市处于中部电力辖区,按照其“心动电热水器”8)供电方案热水器加热时间为23点至次日7点,电热水器的开闭由电力公司远程操作故不受用户行为影响。

电器规格方面,itomic给出的推荐为:4人家庭所需热水器容量不小于370L9)。参照实际型号ES-370RM的数据,其加热时功率为4.4kW。


冰箱:

参照《基于住宅的能量消费量数据库 2011夏版》所描述,冰箱的能耗是以某个固定值值的基础上窄幅波动。本研究中取其固定值,暂不考虑能耗波动的情况。

规格方面,Panasonic给出了容量参考公式10):冰箱容量 = 100L + 70L + 70 x n(人数),故4人家庭所需冰箱容量为450L。参照实际型号GR-C38N(S),其功率为0.056kW。


照明:

已知规划区住宅全部采用LED照明设备,在照明设备ON/OFF判定方面,设定仅在家庭成员在家时开启。照明时间与丰田市夏季日照时间联动,以概率模型解析开灯时间。照明使用率方面设定仅在有人在家时开启公共空间照明,根据回家时间联动各房间照明的ON/OFF。在睡眠时间不开启照明。

1503454952784949.png

根据ODELIC社的LED照明亮度标准11),照明功率需求随空间面积变化而不同。根据此标准可得规划区住宅照明功耗如下表。

1503455004668158.png

建筑面积不明而需使用照明的情况下仅考虑最低限度照面,参考ODELIC产品参数于各房间配置LED电灯可得照明能耗不高于0.39kW。


空调与电暖:

根据规划区的气候特征与生活习惯,参照以往电力消耗数据可知规划区内空调制冷使用频度高于制热使用频度。由空调产生的能耗峰值集中在夏季(6月~9月)。

根据日本建筑学会《基于住宅的能量消费量数据库》以及经济产业省《平成18年经济产业省告示第258号》12),空调“制冷量”与功耗间存在比例关系(国家标准)。空调制冷量与房间面积存在对应关系,而不同地区因气候差异在计算制冷量时应考虑地域系数。此外根据用户使用习惯,抽风机或者空调送风/除湿模式的使用也应考虑在内。

1503455033677042.png

根据规划区住宅户型,于和室、洋室、主卧、餐厅与客厅内设置空调机。根据市场销售型号计算,由空调带来的电力负荷峰值在6.15kW。

其他:

除上述家电外影音娱乐、家务保洁、烹调等行为也会带来电力消耗。在此设定人员时间与电器ON/OFF的联动,具体方法为概率手段推导。在简化模型中略过此过程的描述。


4.2. 家庭用户在家时间数据分析

根据电器电力消费特性,用户与住宅的时空间联系是决定ON/OFF的重要因素。因此在此次规划中选取《丰田市居民出行调查(2010年度)》13)作为基础数据库以分析家庭成员的在家/外出时刻,将市域数据分析结果作为规划区规划的基础数据。


居民出行调查统计了用户的社会属性以及其出门时间、回家时间,数据库中部分数据格式缺失不作为本次分析对象。数据处理手法为:以工作日与休息日为标准分两大类,以15分钟间隔统计一日中的数据变化,收集用户属性为家庭人数、社会属性(职业)、性别,年龄。


根据4.1中对家庭成员的设置,以一定标准筛选数据:

丈夫:家庭人数4人,属性=上班族,性别男性,年龄22至65岁;

妻子:家庭人数4人,属性=已婚,性别女性,年龄22之60岁;

子女:家庭人数4人,属性=学生,性别男&女,年龄小于22岁。

筛选数据后进行统计,得到家庭成员外出时刻、归宅时刻的平均值、误差与分散值等数据。


1503384903430963.png


以丈夫外出(工作日)数据为例,可见外出行为集中于6时至9时间、行为目的以通勤为主。可知此行为发生平均时刻为6.9时,标准误差0.05,中央值与最频值为7.5,分散值为9.9,标准偏差3.15。

1503455066502950.png

同样方法可得家庭用户休息日在家时间段数据,此处不再详述。


4.3. 家庭用户在家行为与电力消耗行为关联

家庭用户在家时间段内的行为直接关系到部分电器的使用,进而影响到电力消费的形态。关于家庭用户在家时间内的行为设定如下:

以工作日与节假日区分;

以一天24小时为基本周期;

使用章节4.2所得家庭成员在家时间段/外出时间段的中央值作为在家时间基准值;

使用中央值、分散值与平均值,以蒙特·卡罗方法(概率)制作反映出门/回家时刻变动的模型;

通过《国民生活时间调查(2010年度)》内各类行为的数据分析得到各用户、各行为在各时间段的发生概率;

充分考虑家庭成员各自行为之间互相干涉的,设置各用户行为的权重;

将各用户出门/回家时刻变动概率与各行为发生概率联动;

将各行为发生概率与电器使用行为联动。


1503384926199203.png


通过以上步骤可以对规划区内电力消耗形态进行再现,输入人口与户数等数据后亦可对中远期电力形态进行预测。(上图为标准作息周期示意)


5.  电力负荷再现与蓄电池导入效果考察

5.1. 电力负荷再现

在第4章节的基础上以数理模型方式可以还原规划区电力消费形态:“数”取自《丰田市居民出行调查(2010年度)》中家庭用户在家时间段的概率模型,“理”来自家庭用户在家行为的概率与电器ON/OFF间的联动模型。

电力负荷还原采用概率模型,通过蒙特·卡罗方法以随机生成手段对100户400名居民用户进行1000次循环运算。取上位5%有意检定区间平均值作为最终参考数据,其流程如下:


1503384946514483.png

1503455098528809.png

上表为通过蒙特·卡罗方法再现丈夫作息时间的一例。累积100栋住宅电力消费数据后可得设定区域的数据如下(示意)。


1503384980252648.png

此外在家庭成员中需单独考虑主妇的行为模式:对主妇而言存在整日在家、单次出门与多次出门的可能性,在计算区域能耗时需充分考虑这点。

 

5.2. 电力储存设备导入效果考察

取得规划区电力消费再现数据后,对电力储存设备导入效果进行考察。设定如下:

以户(栋)为单位导入1部储电设备;

以住宅集群为设备导入1组储电设备;

设置不同蓄电池容量考察其效果,本此简化模型设定为3kWh;

蓄电池的输出功率设为二挡:快速放电时功率为3kW,缓速放电时功率为0.3kW;

参照实际情况,设置蓄电池放电时间为17:00~23:59;

参照实际情况,设置蓄电池充电时间为24:00~次日凌晨6:00。

  1503384997675741.png

1503385014893539.png

1503455142577530.png

以上为主妇全天在家时蓄电池导入效果,蓄电池分别设置于各家庭户中。取1000次运算上位5%有意检定区间后得电力负荷削减率可达到4.2%。


1503455163927041.png

综合各家庭成员行为模式的几类情况后得以上结果,可知不同类型家庭生活方式电力消耗样式不同、不同蓄电池导入方式节能效果不同、不同蓄电池充放电策略下错峰调谷效果亦不同。

本次规划中深夜型电热水器不作为蓄电池的使用对象,理由如下:根据标准家庭模型下的单户电力负荷再现结果来看,深夜型电热水器是电力消耗主要来源之一。但是深夜型电热水器原理是消耗深夜的峰谷电力转换为热能(热水)、由家庭用户在深夜时段之外消费。这点上深夜型电热水器与蓄电池导入均达到电力负荷削峰调谷的效果,因二者效果相近、故不将深夜型电热水器与HEMS蓄电池联动。


6.  后期运营与大数据结合

在本次研究中代入数理模型的参数:如用户属性数据、家庭用户在家时间数据、家庭电力消费数据等,均为查阅相关资料(如《国民生活时间调查(2010)》以及《基于住宅的能量消费量数据库》等)所获取的调查数据,并以抽样法进行数据筛选后导入模型并进行计算。这种数据属于静态非实时的随机样本数据,数据来源为特定政府部门或由专人普查记录整理所得,因此,此类数据具有一定的权威性但受数据获取方式受限,此类数据同时也具有随机性高、更新周期慢等弊端。


随着科技的发展世界已经入大数据时代,人们有能力获取和处理海量、高增长率和多样化的信息资源。与传统数据相比,大数据不再依靠随机采样,而是一种将样本无限接近总体的全数据模式,使得我们使用模型预测事件的准确性更高。同时,由于大数据获取更加便捷,模型建立者可以实时更新数据,使得模型的预测更加精确和具体。


综上,当我们在模型中引入大数据技术,能够将实时数据替换现有模型参数中,这样就极大地提高了模型精度,使已建立的数理模型具有更大的开发与运营价值。这种新的数据、技术与思维方式带来信息管理平台的变革。而本研究的发展潜力在于,通过数据更新,提高模型预测精度,进而带来平台管理者的持续运营。


将已建立的数理模型具体应用到某个城市地区时,可建立该地区的一个能源信息资源平台,并由此带动能源规划、智能住宅建设以及相关电力配件制造的产业升级。这是智慧城市建设的重要组成部分,是实现城市智慧化运行,提高城市运行管理的一体化与精准化的关键。同时,通过新型数据管理平台加快该地区社会公共服务体系的建设,实现数据资源共享和民生服务整体化。展望未来,将本研究所建立的数理模型与大数据技术和地理信息“3S”技术相结合,有如下发展趋势:


促进能源规划发展:通过模型精准预测某个地区能源消费水平,进而对该地区储能设备、发电设备等能源配套进行更科学合理的有效配置;

智能住宅、智能工厂建设:近年来,各类新兴技术快速发展,并逐渐应用到智能住宅、智能工厂建设中。通过数理模型建立平台,实现住宅、工厂能源的可视化、数据化,有利于推动城市综合运营体的数字化建设,为相关企业业务落地寻找新的载点,加快企业在智慧城市建设中的战略布局;

促进新能源设备联网搭建能源控制系统:随着光伏发电等新能源系统的应用,电网面临转型升级的需求。传统电网为由发电站到用户的单方向传输,而新能源电网可实现双向能源交换,由此带来大量的用户类能源生产实时数据。通过数理模型建立平台,可以对整个传输系统进行交互式能源信息监测,以此形成更为高效的能源控制策略;

为新能源相关产业提供技术服务:通过收集用户能源产耗数据,对能源相关产业的产品运营提供技术支撑,分析能源相关产业的产品需求动态,为相关产品(如变压器、蓄电池、检测传感器等能耗可视化元件以及新型能源网线配件等)制定产品供应方案。


通过以上多个方面的发展,将极大地带动城市基础设施配套建设、住宅及工业综合体建设以及工业产品线项目生产的智能化发展,多角度推动智慧城市建设。

对于本项目研究成果纳入智慧城市建设之后的运营模式,主要有以下四种方式:一、投资与建设主体分离,由政府负责投资,运营企业进行建设。二、投资与建设主体合并,由市政府与企业合资建设与管理。三、政府仅进行统筹规划,企业独立负责投资与运营建设。四、引入多元化投资方式,企业负责建设运行,由政府与公众以多种灵活的方式,进行不同程度的身份重组,完成买单行为。

今后,智慧城市运营模式将融入更多创新形式,PPP模式与众筹等理念与模式将发挥不同程度的影响与作用,这些新型模式,将给数理模型与大数据的结合,提供更为便利的数据来源渠道,同时也将对数理模型与大数据技术的融合,提出更高的发展要求。


(原文为2017中国城市规划学会城市生态规划学术委员会年会收录论文,本文已在原文基础上适当修改。


本站声明

本文仅代表作者观点,不代表城市数据派立场;
本文系作者授权城市数据派发表,未经许可,不得转载;
本网站上的所有内容均为虚拟服务,一经购买成功概不退款,请您理解。

分享:
点赞1
Leviathan Lee

全站浏览排行

TOP ARTICLES
  • 联系城市数据派
    info@udparty.com
  • 顶部