多元方法构建能耗基准，为医院节能开辟新径

1.1研究背景与意义

“碳达峰、碳中和”在全国范围内开展得“如火如荼”，全国范围内各行各业的节能降碳工作已迫在眉睫、势在必行。国家卫健委下发了《关于启动2023年度二级和三级公立医院绩效考核有关工作的通知》，着重细化了医院落实“碳达峰、碳中和”的相关政策，大力推动公立医院“万元收入能耗支出指标逐年下降”。为此，许多医院开展合同能源管理/能源托管工作，以达到节能减排的作用，有效响应相关政策和文件要求，同时也助力医院的降本增效工作。

由于医院用能的复杂性及特殊性，影响医院能耗的因素较多，如建筑面积、医疗量、气候条件等。如何辨识最重要的影响因素、建立基于影响因素的能耗分析方法，并以此为基础建立能耗基准的分析预测模型，对于医院能耗管理和节能工作开展至关重要。

1.2研究目的与内容

本研究旨在通过系统分析影响医院能耗的各项因素，建立适用于医院建筑的能耗基准评定方法。具体研究目的如下：

1)全面梳理和分析影响医院能耗的主要因素；

2)构建考虑多维度影响因素的医院能耗基准评定模型；

3)通过实证研究验证所提出方法的有效性，并为医院节能提供可行建议。

研究内容包括：

a)文献综述：系统回顾国内外关于医院能耗影响因素和评估方法的研究成果；

b)影响因素分析：通过数据收集和统计分析，识别并量化影响医院能耗的关键因素；

c)评定方法构建：提出结合多元回归分析和数据包络分析的混合能耗基准评定方法；

d)案例研究：选择典型医院进行实证分析，验证所提出方法的适用性；

e)节能建议：基于研究结果，提出针对性的医院节能策略和管理建议。

1.3研究方法与技术路线

本研究采用理论分析与实证研究相结合的方法，具体包括：

a)文献研究法：系统梳理国内外相关文献，总结研究现状和发展趋势；

b)实地调研法：通过问卷调查和现场考察，收集医院能耗数据和相关影响因素信息；

c)统计分析法：运用多元回归分析、主成分分析等方法，识别关键影响因素；

d)模型构建法：结合多元回归和数据包络分析，构建医院能耗基准评定模型；

e)案例分析法：选择典型医院进行实证研究，验证模型的有效性。

2.1医院能耗现状

近年来，国内外学者对医院能耗现状进行了大量研究。王海燕等[1]对中国30家三甲医院的能耗数据进行分析，发现其平均单位面积能耗为280-320 kWh/(m2·a)。李想[2]等的研究表明，空调系统占医院总能耗的40-50%，照明系统占15-20%，医疗设备占20-30%。

González等[3]对西班牙20家公立医院进行了为期5年的能耗调查，发现医院能耗与床位数、门诊量和住院人数呈显著正相关。CHUNG 等[4]对韩国首尔地区48家医院的研究表明，大型综合医院的单位面积能耗比中小型医院高出30-40%。

这些研究结果表明，医院能耗水平普遍较高，且存在显著的地域差异和规模差异。同时，医院能耗构成也呈现出一定的共性，主要集中在空调、照明和医疗设备等方面。这为进一步研究医院能耗影响因素和评估方法提供了重要参考。

2.2影响医院能耗的主要因素

已有研究从不同角度探讨了影响医院能耗的因素，主要可分为以下几类：

建筑特征：

张志强等[5]通过对100家中国医院的研究发现，建筑面积、楼层数、建筑年代和外墙保温性能对医院能耗有显著影响。GARCíA-SANZ-CALCEDO等[6]的研究指出，建筑朝向和窗墙比对医院采暖和制冷能耗的影响可达15-20%。

设备系统：

陈志华等[7]研究发现，空调系统的COP值、照明功率密度和医疗设备使用效率是影响医院能耗的关键因素。

马最良等[8]指出，采用变频控制和热回收技术可使医院空调系统节能20-30%。

运营管理：

BUONOMANO等[9]强调了使用率和运营时间对医院能耗的重要性。他们的研究表明，优化手术室使用计划可减少15%的能耗。Wang等[10]发现，实施能源管理系统(EMS)的医院比未实施的医院平均节能12%。

外部环境：

李想等[2]的研究证实，气候条件对医院能耗有显著影响。他们建立的模型显示，每增加1000度日，医院单位面积能耗增加约10 kWh/(m2·a)。

功能需求：

王勇等[11]的研究表明，不同功能区域的能耗差异显著。手术室和ICU的单位面积能耗是普通病房的3-5倍。

综上所述，影响医院能耗的因素是多方面的，既包括建筑物理特性和设备系统，也涉及管理策略和外部环境。这种复杂性使得医院能耗评估和基准制定面临较大挑战。

2.3 现有的能耗评估方法

目前，常用的建筑能耗评估方法主要包括：

统计回归法：

多元线性回归(MLR)是最常用的方法之一。例如，SINGER等[12]利用MLR建立了医院能耗预测模型，解释度(R2)达到0.85。然而，MLR难以处理非线性关系。为解决这一问题，支持向量回归(SVR)等非线性方法被引入。刘畅等[13]的研究表明，SVR在医院能耗预测中的表现优于MLR，平均误差降低了15%。

人工智能方法：

人工神经网络(ANN)和深度学习(DL)因其处理复杂非线性问题的能力而受到关注。Wang等[10]利用ANN构建的医院能耗预测模型，其准确率比传统回归方法提高了20%。BAGNASCO等[14]提出了基于长短期记忆网络(LSTM)的医院能耗预测方法，能够有效捕捉能耗的时间序列特征。然而，这些方法通常需要大量数据，且模型的可解释性较差。

数据包络分析(DEA)：

DEA方法可以同时考虑多个输入输出指标，适用于评估医院能源使用效率。钱晓倩等[15]利用DEA评估了30家中国医院的能源效率，识别出了效率前沿医院。然而，传统DEA方法对异常值敏感，且难以处理环境因素的影响。

尽管上述方法在建筑能耗评估中取得了一定成果，但针对医院这类复杂建筑，

仍然存在以下挑战：

a)如何有效处理多维度影响因素；

b)如何平衡模型的准确性和可解释性；

c)如何考虑医院的异质性和功能差异；

如何建立科学合理的能耗基准。

由于服务中心调度员流动性较强，而医院内地形复杂，调度员在短时间内培训上岗，不能熟悉医院科室位置、科室服务时间以及预估科室工作量等详细内容，可能会出现以下问题： 

3.1数据收集与预处理

为全面分析影响医院能耗的因素，本研究收集了多加家三甲医院最近三年的能耗数据和相关信息。

数据来源包括:

· 医院年度能源审计报告

· 现场调研和问卷调查

· 公开的统计年报

收集的数据主要包括以下几个方面:

· 能耗数据：总能耗、电力消耗、燃气消耗等

· 建筑特征：建筑面积、楼层数、建筑年代、外墙保温性能等

· 设备系统：空调系统类型及COP值、照明功率密度、主要医疗设备数量等

· 运营管理：床位数、门诊量、住院人次、利用率、能源管理系统使用情况等

· 外部环境：所在城市的气候区、年均温度、供暖制冷度日等

· 功能需求：科室设置、特殊功能区(如手术室、ICU)面积比例等

对收集的数据进行了以下预处理:

· 数据清洗：删除明显错误和异常值

· 数据标准化：将不同量纲的指标统一到相同尺度

· 缺失值处理：采用多重插补法处理少量缺失数据

3.2描述性统计分析

对预处理后的数据进行描述性统计分析，主要结果如下表所示：

表 3.2-1 统计结果表

3.3相关性分析

为初步识别影响医院能耗的关键因素，对各变量与单位面积能耗进行了Pearson相关性分析，主要结果下表所示。

表 3.3-1主要因素与单位面积能耗的相关系数

3.4 多元回归分析

为进一步量化各因素对医院能耗的影响，构建了多元线性回归模型。考虑到变量间可能存在的多重共线性，先进行了主成分分析(PCA)，提取了主要特征。最终模型的调整R2为0.823，F检验显著(p<0.001)。主要影响因素的回归系数如表2所示。

表 3.4-1多元回归模型主要影响因素的回归系数

3.5影响因素讨论

基于上述分析，可以总结出影响医院能耗的主要因素及其作用机制：

a)建筑特征：

建筑面积：规模越大，单位面积能耗越高，可能与大型医院功能复杂性增加有关。

建筑年代：新建筑能耗较低，反映了建筑节能技术的进步。

b)设备系统：

空调系统效率：COP值每提高1，单位面积能耗降低约15.6 kWh/(m2·a)。

照明系统：功率密度与能耗呈正相关，突显了高效照明的重要性。

c)运营管理：

医疗服务量：床位数和门诊量是影响能耗的关键因素，反映了医院运营强度。

利用率：使用率越高，单位面积能耗越大，表明了能源管理优化的潜力。

d)外部环境：

气候条件：供暖和制冷度日对能耗有显著影响，每增加1000度日，单位面积能耗分别增加约9.8和8.9 kWh/(m2·a)。

e)功能需求：

特殊功能区：如手术室、ICU等高能耗区域的比例每增加1%，单位面积能耗增加约2.3 kWh/(m2·a)。

这些发现为制定针对性的医院节能策略提供了重要依据。

基于前述分析，本研究提出了一种结合多元回归分析(MRA)和数据包络分析(DEA)的混合能耗基准评定方法。该方法旨在克服单一评估方法的局限性，实现对医院能耗水平的全面、客观评价。

4.1方法框架

提出的混合评定方法包括以下步骤：

1)利用MRA构建医院标准能耗预测模型；

2)基于DEA计算医院能源使用效率；

3)结合标准能耗和能源效率，确定医院能耗基准；

4)评估实际能耗与基准的偏差，给出节能潜力和改进建议。

4.2标准能耗预测模型

基于3.4节的多元回归分析结果，建立医院标准能耗预测模型如下：

其中，E_std为预测的标准单位面积能耗(kWh/(m2·a))，X₁~X₇分别代表建筑面积、空调系统COP、床位数、门诊量、供暖度日、制冷度日和特殊功能区面积比例。

4.3能源使用效率评估

采用投入导向的BCC模型进行数据包络分析，评估医院能源使用效率。

输入指标：电力消耗、燃气消耗、其他能源消耗

输出指标：门诊量、住院人次、手术台次

DEA效率得分反映了医院在给定医疗服务输出水平下的能源使用效率，得分为1表示处于效率前沿。

4.4能耗基准确定

结合标准能耗预测值和DEA效率得分，确定医院能耗基准：

E_benchmark = E_std * DEA_score

其中，E_benchmark为能耗基准值，E_std为标准能耗预测值，DEA_score为数据包络分析效率得分。

这种方法既考虑了影响能耗的客观因素，又反映了能源使用效率，可以为不同规模和类型的医院提供个性化的能耗基准。

4.5节能潜力评估

通过比较实际能耗与基准值，可以评估医院的节能潜力：

节能潜力 = (E_actual - E_benchmark) / E_actual * 100%

其中，E_actual为医院实际单位面积能耗。

基于节能潜力的大小，可将医院能耗水平分为以下几个等级：

· A级(优秀)：节能潜力 < 5%

· B级(良好)：5% ≤ 节能潜力 < 15%

· C级(一般)：15% ≤ 节能潜力 < 25%

· D级(较差)：节能潜力 ≥ 25%

4.6方法优势

本文提出的混合评定方法具有以下优势：

1)考虑了多维度影响因素，提高了评估的全面性和准确性；

2)结合了回归分析的可解释性和DEA的综合评价优势；

3)能够为不同特征的医院提供个性化的能耗基准；

4)可量化评估节能潜力，为制定改进措施提供依据。