董冰 林棋波/DONG Bing, Khee Poh LAM 譯_彭渤 肖娟 Translated by PENG Bo, XIAO Juan 校_林波榮 Proofread by LIN Borong

1 引言

世界可持續(xù)發(fā)展工商理事會(huì)最近發(fā)布了其第一份關(guān)于建筑能源利用效率的報(bào)告，其中提到在多數(shù)國(guó)家中，建筑至少占有能源總消耗的40% （Lafarge and UTC，2008）。綜合高性能建筑的一個(gè)基本目標(biāo)則是在能源使用最小化前提下，為居住者提供一個(gè)更舒適的建筑環(huán)境。因此，了解建筑中居住者行為模式對(duì)能源和舒適度管理有重要的作用。

先前已經(jīng)有一些研究關(guān)注于通過(guò)傳感器網(wǎng)絡(luò)基于實(shí)際和經(jīng)驗(yàn)的觀察來(lái)估計(jì)獨(dú)立的用戶行為模式。王等（Wang et al.，2005）基于PIR傳感器數(shù)據(jù)利用泊松過(guò)程來(lái)獲得用戶在一個(gè)單人辦公室里每天的行為模型。杜昂等（Duong et al.，2006）利用隱式半馬爾科夫模型來(lái)模擬預(yù)測(cè)只有一個(gè)住戶的家里日常生活的行為，比如做飯和用餐等。楊布拉德等（Youngblood et al.，2007）引入了一種關(guān)于自動(dòng)組建分級(jí)隱式馬爾科夫模型的新方法，使用序列數(shù)據(jù)挖掘運(yùn)算法則來(lái)估計(jì)用戶行為模式從而控制辦公室的環(huán)境。佩奇等（Page et al.，2007）研究了單個(gè)用戶的行為模式，他們開(kāi)發(fā)了一種使用基于馬爾科夫鏈得到的隨機(jī)概率分布來(lái)模擬用戶在單人辦公室的行為普遍隨機(jī)模型。上述研究大多關(guān)注于在獨(dú)立空間的單個(gè)行為模式。目前尚無(wú)研究涉及針對(duì)多人使用的辦公室的用戶數(shù)量估計(jì)。

此外，隨機(jī)性模型已經(jīng)發(fā)展到用于描述用戶與建筑部件的交互活動(dòng)，例如窗戶、百葉、暖氣和照明等。這些模型大多數(shù)用于通過(guò)對(duì)用戶行為模式的預(yù)測(cè)來(lái)控制通風(fēng)和預(yù)測(cè)熱舒適。尼科爾（Nicol，2001）基于在英國(guó)、巴基斯坦和5個(gè)歐洲國(guó)家的調(diào)研首先發(fā)展了用概率分布來(lái)預(yù)測(cè)在自然通風(fēng)建筑中窗戶的狀態(tài)。里賈爾等（Rijal et al.，2007、2008）通過(guò)場(chǎng)地調(diào)研開(kāi)發(fā)了一種多重邏輯分布來(lái)得到一個(gè)窗戶打開(kāi)的概率。云和斯蒂摩司（Yun and Steemers，2009）提出了一種用戶與窗戶交互作用的時(shí)間依賴模型，可以預(yù)測(cè)基于室內(nèi)溫度和之前窗戶狀態(tài)的窗戶從打開(kāi)到關(guān)閉的狀態(tài)改變。云等（Yun et al.，2009）同樣比較了他們與里賈爾等（Rijal et al.，2007）的算法，得到了類似的預(yù)測(cè)結(jié)果。最近，阿爾迪等（Haldi et al.，2009）開(kāi)發(fā)了一種混合模型以預(yù)測(cè)用戶對(duì)窗戶的行為，該模型包含3種不同建模方法：伯努利過(guò)程、包含不同用戶特征子模型的離散時(shí)間馬爾科夫過(guò)程和連續(xù)時(shí)間隨機(jī)過(guò)程。

上面的用戶行為模型來(lái)自于隨機(jī)概率方法，是基于用戶會(huì)通過(guò)與不同建筑的交互活動(dòng)來(lái)滿足他們的熱舒適需求的假設(shè)下得到的。然而，現(xiàn)實(shí)情況并不總是這樣。其他特別的個(gè)體或者文化差異會(huì)影響假定的行為。此外，如果存在多個(gè)用戶與同一個(gè)窗戶的交互作用，也很難預(yù)測(cè)空間里的用戶數(shù)量。

最相關(guān)的前期研究是王盛衛(wèi)等（Wang et al.，1998）基于辦公室的空調(diào)系統(tǒng)和CO2濃度開(kāi)發(fā)了同時(shí)包含動(dòng)態(tài)和穩(wěn)態(tài)的物理模型，來(lái)預(yù)測(cè)在一個(gè)開(kāi)放式辦公室和一個(gè)演講廳的總?cè)藬?shù)，測(cè)試案例中的總?cè)藬?shù)約為100人。然而，該研究沒(méi)有對(duì)人員在辦公室里停留的時(shí)間進(jìn)行估計(jì)。

本研究的目的是基于對(duì)用戶行為模式的預(yù)測(cè)來(lái)探討節(jié)能潛力，包含對(duì)位于一個(gè)開(kāi)放式辦公室里的兩個(gè)辦公隔間的用戶總?cè)藬?shù)和使用時(shí)間的預(yù)測(cè)。目的是在以上預(yù)測(cè)的基礎(chǔ)上，通過(guò)對(duì)空調(diào)系統(tǒng)的控制，在保證室內(nèi)熱舒適條件下，從而量化建筑節(jié)能量。本文將首先介紹在卡內(nèi)基梅隆大學(xué)的Robert L.Preger智能工作站（IW）的試驗(yàn)臺(tái)設(shè)備；然后介紹人員數(shù)量和使用時(shí)間的估算模型；最后，通過(guò)建立一個(gè)該試驗(yàn)臺(tái)的建筑能耗模型來(lái)模擬通過(guò)對(duì)用戶行為模式預(yù)測(cè)帶來(lái)的能耗性能的改善。

2 傳感器網(wǎng)絡(luò)和數(shù)據(jù)收集

智能工作站在一個(gè)開(kāi)放式辦公空間，帶有16個(gè)獨(dú)立分割房間的實(shí)驗(yàn)室和一個(gè)會(huì)議室。它為5個(gè)教師、12個(gè)博士和2個(gè)職員提供科研、辦公場(chǎng)所。然而每天都會(huì)有許多參觀者到訪，同時(shí)會(huì)議室會(huì)作為教學(xué)場(chǎng)所，因此整個(gè)室內(nèi)環(huán)境是非常動(dòng)態(tài)的。本研究在這個(gè)智能工作站開(kāi)發(fā)了一個(gè)有線傳感器網(wǎng)絡(luò)，包含商業(yè)CO2測(cè)試（TeleAir，2010）和一個(gè)測(cè)試溫度、相對(duì)濕度（RH）、聲音、照明的原型無(wú)線傳感器以及動(dòng)態(tài)監(jiān)測(cè)。CO2傳感器分布在每一個(gè)工作隔間距離地面1.1m高的位置。同時(shí)為了建立地面人員真實(shí)信息，還安裝了網(wǎng)狀布置的攝像機(jī)。圖1顯示了在該智能工作站的傳感器布置詳情（Dong et al.，2010）。

本研究中的數(shù)據(jù)采集時(shí)間段為2008年的1月29日～4月3日。人員數(shù)據(jù)記錄點(diǎn)選擇在人員活動(dòng)最頻繁的13隔間和10隔間，時(shí)間從上午8點(diǎn)到下午6點(diǎn)。盡管不同傳感器的采樣頻率不同，最后的數(shù)據(jù)都統(tǒng)一為相同的兩分鐘采樣時(shí)間間隔。

3 研究方法

3.1 概述

圖2描述了本研究中采用的研究方法。環(huán)境感應(yīng)網(wǎng)絡(luò)提供了監(jiān)測(cè)中最有用的信息和對(duì)用戶人數(shù)預(yù)測(cè)的調(diào)查。在特征選擇的時(shí)候使用了信息增益的概念，它是對(duì)由系統(tǒng)輸入帶給輸出結(jié)果的不確定性總量的一種測(cè)量（Lam et al.，2009）。高斯混合模型（GMM）用來(lái)將所選擇的特性進(jìn)行歸類，根據(jù)工作隔間里不同人員數(shù)，得到這個(gè)條件下的最高信息增益。這些分類將作為觀察數(shù)據(jù)用于隱式馬爾科夫模型（HMM），來(lái)估計(jì)人員數(shù)量。同時(shí)，基于CO2、聲音、運(yùn)動(dòng)和照明變化模式，發(fā)展了半馬爾科夫模型用于估計(jì)人員在隔間中的時(shí)間。最后，根據(jù)用戶行為模式得到的預(yù)測(cè)人員作息將作為能耗和熱舒適模型的動(dòng)態(tài)輸入條件。

3.2 用戶數(shù)量估計(jì)

以往的研究（Dong et al.，2010）顯示了用HMM模型來(lái)估計(jì)人員數(shù)量的優(yōu)點(diǎn)。本研究實(shí)現(xiàn)了另外一種基于GMM模型來(lái)建立HMM模

圖2 研究方法概述

圖3 用戶行為持續(xù)時(shí)間預(yù)測(cè)方法綜述

型的方法。它采用連續(xù)質(zhì)量概率函數(shù)，可為建立復(fù)雜觀察數(shù)據(jù)模型提供靈活性。不同于通過(guò)HMM模型自身的聚類，每個(gè)質(zhì)量不必指向潛在隱藏的條件，本研究中不用依賴于HMM模型而獨(dú)立建立GMM模型，從而使概率質(zhì)量函數(shù)能夠獲得不同特定的觀察數(shù)據(jù)情況。一個(gè)使用連續(xù)的CO2數(shù)據(jù)來(lái)建立該GMM模型的實(shí)例如下所示。

其中，

bj(Ot)—人員j的CO2觀察數(shù)據(jù)；

L—人員總數(shù)；

Cjl—N(Ot|μjl,σjl)的概率質(zhì)量權(quán)重；

μjl—N(Ot|μjl,σjl)的概率質(zhì)量均值；

Ot—時(shí)間t時(shí)的觀察數(shù)據(jù)特性；

N(Ot|μjl,σjl)—概率質(zhì)量函數(shù)；

林棋波等（Lam et al.，2009）對(duì)不同傳感器的敏感性分析和他們對(duì)用戶模型的貢獻(xiàn)進(jìn)行了討論?；谛畔⒃鲆嬖?，分析了不同住戶之間的相互作用以及來(lái)自傳感器數(shù)據(jù)的不同特性的組合，結(jié)果顯示從聲音和CO2中得到的特性之間有顯著的相關(guān)性，而和溫度數(shù)據(jù)的相關(guān)性較低。結(jié)果進(jìn)一步表明，使用來(lái)自多個(gè)傳感器的特性將會(huì)進(jìn)一步增加相關(guān)性，當(dāng)至少有6個(gè)最有信息量的特性組合，會(huì)達(dá)到90%的信息增益。林棋波等（Lam et al.，2009）為這個(gè)研究和以后關(guān)于針對(duì)用戶調(diào)查的環(huán)境傳感器數(shù)據(jù)的研究提供了一個(gè)基礎(chǔ)。

3.3 用戶持續(xù)時(shí)間估計(jì)

最近，很多研究關(guān)注于發(fā)展智能環(huán)境，通過(guò)裝備大規(guī)模的傳感器網(wǎng)絡(luò)，將數(shù)據(jù)采集技術(shù)整合到環(huán)境中。智能環(huán)境能夠獲得關(guān)于用戶和物理環(huán)境的信息，來(lái)提高用戶的體驗(yàn)（Cook et al.，2004）。這里的目標(biāo)就是在智能建筑這領(lǐng)域，為基于環(huán)境傳感器的模型建立和用戶行為預(yù)測(cè)制定和實(shí)施無(wú)人管理的運(yùn)算法則，同時(shí)將獲得的用戶行為模式與建筑能耗和舒適性管理結(jié)合起來(lái)。實(shí)現(xiàn)的方法是基于楊布拉德等（Youngblood et al.，2007）的工作，通過(guò)為重要的模式（片段發(fā)現(xiàn)）采集傳感器數(shù)據(jù)來(lái)建立行為模式模型，然后從產(chǎn)生的模式中得到半馬爾科夫模型。另外，這里介紹一下對(duì)模型的3種額外貢獻(xiàn)：

（1）將包含聲音、照明、CO2和運(yùn)動(dòng)識(shí)別的豐富的環(huán)境傳感器網(wǎng)絡(luò)整合到住戶行為模式的數(shù)據(jù)驅(qū)動(dòng)模型。

（2）將半馬爾卡夫模型并入用戶行為持續(xù)時(shí)間的研究，以采集更大時(shí)間尺度上的用戶行為轉(zhuǎn)變以及與能耗相關(guān)的活動(dòng)信息。

（3）發(fā)展了一種正式化的方法，用于聯(lián)系已有模式與建筑能耗及熱舒適管理，并由基于實(shí)測(cè)數(shù)據(jù)的模擬進(jìn)行了論證。此外也開(kāi)展了一項(xiàng)比較研究，分析在EnergyPlus模擬中采用動(dòng)態(tài)的用戶行為作息與常規(guī)的溫度設(shè)定值作息二者之間的差別。

圖 4 3.27～4.3期間采用GMM-HMM模型對(duì)隔間10的人數(shù)估計(jì)結(jié)果具有82%的精確度

圖 5 3.27～4.3期間用采用GMM-HMM模型對(duì)隔間13的人數(shù)估計(jì)結(jié)果具有85%的精確度

圖6 隔間 10中在10min最大時(shí)間窗口下已有模式的半馬爾科夫模型

圖7 隔間 13中在10min最大時(shí)間窗口下已有模式的半馬爾科夫模型

圖3 闡明了整體的技術(shù)路線，包含：（1）用傳感器探測(cè)活動(dòng)事件的方法；（2）對(duì)于頻繁行為模式的探測(cè)方法：片段探測(cè)、最小描述長(zhǎng)度（MDL）、周期識(shí)別（PD）和影響能耗的權(quán)重因子方法；（3）一種用于研究用戶行為持續(xù)時(shí)間的半馬爾科夫模型。

3.4 能耗與熱舒適監(jiān)控

根據(jù)對(duì)用戶行為預(yù)估的結(jié)果，論文提出一種預(yù)測(cè)動(dòng)態(tài)用戶行為作息的方法。基于對(duì)人數(shù)的估計(jì)，用戶是否在場(chǎng)能被明確地模擬出來(lái)。在房間中用戶停留的總時(shí)間長(zhǎng)度是由持續(xù)時(shí)間估計(jì)得到的。這種預(yù)測(cè)的作息能夠與建筑能耗和熱舒適監(jiān)控系統(tǒng)（BECMS）聯(lián)系在一起，將預(yù)測(cè)的溫度和通風(fēng)量設(shè)定值作為輸入?yún)?shù)。從而B(niǎo)ECMS可以根據(jù)預(yù)測(cè)的作息做出決定。為了檢驗(yàn)此方法的實(shí)用性，本文結(jié)合EnergyPlus模擬工具進(jìn)行研究。

本研究中，將預(yù)測(cè)的作息應(yīng)用于暖通空調(diào)系統(tǒng)的控制。控制策略隨預(yù)測(cè)用戶行為狀態(tài)的變化而更新。此處需要強(qiáng)調(diào)的是，依照數(shù)據(jù)處理的行為建模對(duì)能耗監(jiān)控的作用，而非對(duì)控制器的設(shè)計(jì)。一種簡(jiǎn)單的基于用戶行為的暖通空調(diào)控制應(yīng)用如下：

（1）當(dāng)白天沒(méi)有用戶時(shí)，空調(diào)系統(tǒng)供冷、供暖室溫設(shè)定值分別是27 ℃、18℃。這種控制模式能維持合理的設(shè)定溫度余量，以防對(duì)用戶行為的預(yù)測(cè)不準(zhǔn)確。

（2）區(qū)域的通風(fēng)量設(shè)計(jì)為17立方英尺/（分鐘·人）（ASHRAE，2004），并隨著室內(nèi)人數(shù)的增加而上升。

（3）當(dāng)室內(nèi)用戶變多時(shí)，設(shè)定需要攝入的室外新風(fēng)率不隨之變大，因?yàn)閷?shí)測(cè)數(shù)據(jù)表明，即使一個(gè)空間中有4個(gè)用戶，CO2濃度也仍低于900ppm。

根據(jù)用戶行為預(yù)測(cè)制定了預(yù)測(cè)作息策略，為了評(píng)價(jià)其節(jié)能效果和熱舒適情況，在EnergyPlus中建立了一個(gè)典型的變風(fēng)量系統(tǒng)，將這種作息控制策略與固定溫度設(shè)定值的作息進(jìn)行比較，后者在7:00am～6:00pm時(shí)間段內(nèi)供冷、供暖室溫設(shè)定值分別為24℃、22℃，這兩個(gè)溫度設(shè)定值在夜間則分別改為30℃、15℃。對(duì)于隔間10和隔間13，訓(xùn)練期均為2008年的1.29～3.7，測(cè)試期均為3.27～4.3。

4 結(jié)果與討論

4.1 關(guān)于人數(shù)的估計(jì)

圖4和圖5分別顯示了對(duì)隔間10和隔間13為期1周的人數(shù)估計(jì)結(jié)果?？偣灿? 156個(gè)數(shù)據(jù)點(diǎn)。精確度定義為估計(jì)結(jié)果相對(duì)于預(yù)測(cè)狀態(tài)下的準(zhǔn)確人數(shù)的百分比。對(duì)于隔間10和隔間13，精確度分別為82%和85%，均方誤差（MSE）分別為0.21、0.17。這些結(jié)果遠(yuǎn)優(yōu)于董冰等人（Dong et al.，2010）用HMM方法得到的結(jié)果，后者精確度分別為65%和70%。估計(jì)得到的人數(shù)分布圖表明這種估計(jì)能很好地描繪出空間中人數(shù)的變化，呈現(xiàn)了空間中真實(shí)用戶人數(shù)分布情況的“平滑”版（去除了突發(fā)的波動(dòng)）。

總的來(lái)說(shuō)，GMM-HMM方法成功地描述了人數(shù)的主要變化情況，而忽略了短時(shí)間內(nèi)的突然波動(dòng)，它顯然優(yōu)于單單采用HMM方法的結(jié)果。從一種基于用戶行為的控制策略的角度出發(fā)，這樣處理數(shù)據(jù)是可行的，因?yàn)橥话l(fā)波動(dòng)的影響可以忽略。

4.2 關(guān)于用戶行為持續(xù)時(shí)間的估計(jì)

（1）MDL和PD的結(jié)果

表1總結(jié)了在最大時(shí)間尺度為10min的時(shí)間內(nèi)，由MDL和PD的標(biāo)準(zhǔn)選擇產(chǎn)生的重要模式。需要說(shuō)明的是，MDL的組分去除了一些時(shí)間過(guò)長(zhǎng)的模式，因?yàn)樵撃Ｊ桨l(fā)生頻率過(guò)低（每周一次或者每隔幾天發(fā)生一次）。最后這些重要的模式都是同時(shí)源自MDL和PD兩種方法的標(biāo)準(zhǔn)產(chǎn)生的集合。

表1 根據(jù)MDL和PD選擇產(chǎn)生的模式

（2）半馬爾科夫模型的結(jié)果

研究發(fā)現(xiàn)，指數(shù)分布函數(shù)能最好地在已有模式的基礎(chǔ)上擬合用戶行為持續(xù)時(shí)間。這與其他一些已有的研究成果是一致的，包括羅素（Russell，1985）在語(yǔ)音識(shí)別方面的研究和王等人（Wang，2005）對(duì)單人辦公室用戶行為的研究。

圖6和圖7分別顯示了隔間10和隔間13中由重要模式所產(chǎn)生的半馬爾科夫模型。圖中顯示了一種標(biāo)準(zhǔn)的馬爾科夫模型，弧線下的數(shù)字表明不同狀態(tài)之間的轉(zhuǎn)移概率，相對(duì)較低的轉(zhuǎn)移概率（低于15%）沒(méi)有在圖中表示出來(lái)。圓括號(hào)中的數(shù)字表明了在訓(xùn)練期內(nèi)該模式事件發(fā)生的次數(shù)。例如，從“aebf”這一狀態(tài)到“be”狀態(tài)、“bef”狀態(tài)的轉(zhuǎn)移概率分別為25%、20%；在測(cè)試期內(nèi)“aebf”、“be”、“bef”發(fā)生的次數(shù)分別為22次、21次、8次。圖中也涵蓋了用戶行為持續(xù)時(shí)間的信息。每一個(gè)時(shí)間段長(zhǎng)分布都表示為“X~（時(shí)間）”，此處的時(shí)間是由指數(shù)分布模型預(yù)期得到的持續(xù)時(shí)間。例如，“aebf”轉(zhuǎn)變?yōu)椤癰e”、“bef”之前分別有30分鐘、10分鐘的持續(xù)時(shí)間。虛線表示一個(gè)典型的118分鐘的場(chǎng)景：用戶進(jìn)入房間，觸發(fā)了運(yùn)動(dòng)傳感器“e”，制造了一些噪音“b”，坐下，引起了動(dòng)作“f”。此人繼續(xù)在房間中停留，發(fā)出聲音“b”，四處走動(dòng)產(chǎn)生動(dòng)作“e”。離開(kāi)之前，他再次產(chǎn)生噪音“b”，移向門“e”，最后離開(kāi)了“f”。隔間 13中發(fā)生了相同的模式。然而，觀測(cè)表明，隔間 13有更多的照明和CO2濃度。這是因?yàn)橛幸粋€(gè)博士研究生在此工作到深夜，而且隔間13 是一個(gè)相對(duì)封閉的空間。

4.3 能耗與熱舒適

由于智能工作站具有大的窗墻比，白天人工照明通常不開(kāi)啟。在測(cè)試期內(nèi)能耗絕大部分是由于暖通空調(diào)系統(tǒng)的消耗。

表2顯示了不同暖通空調(diào)設(shè)定值模式下的建筑能耗和室內(nèi)熱舒適情況。結(jié)果表明，對(duì)于兩個(gè)不同的隔間，從固定溫度設(shè)定值模式轉(zhuǎn)變?yōu)楦鶕?jù)預(yù)測(cè)的用戶行為進(jìn)行調(diào)整的溫度設(shè)定值模式，可有18.5%的顯著節(jié)能率。同時(shí)，根據(jù)ASHRAE 55-2004標(biāo)準(zhǔn)（ASHRAE，2004a）定義的室內(nèi)舒適條件不滿足情況也僅為8h和10h，即分別占整個(gè)測(cè)試期時(shí)間長(zhǎng)度的14%、11%。能耗的節(jié)省大部分都源自采暖能耗的節(jié)省，因?yàn)楫?dāng)房間中沒(méi)有人的時(shí)候，暖通空調(diào)系統(tǒng)為關(guān)閉狀態(tài)。另一部分能耗節(jié)省應(yīng)歸功于動(dòng)態(tài)通風(fēng)控制策略。根據(jù)ASHRAE 62.1-2004的通風(fēng)標(biāo)準(zhǔn)（ASHRAE，2004b），不同人數(shù)需要不同通風(fēng)量。因而，由于測(cè)試空間內(nèi)人數(shù)不同便可節(jié)省風(fēng)機(jī)能耗。

4.4 局限性

本研究基于智能工作站的傳感器網(wǎng)絡(luò)。該網(wǎng)絡(luò)提供了充足的相關(guān)的環(huán)境性能數(shù)據(jù)。因而本研究的局限性主要概括為以下3點(diǎn)：

表2 基于不同暖通空調(diào)系統(tǒng)設(shè)定模式下的建筑能耗

（1）用于研究觀察的最大用戶人數(shù)為4人。若出現(xiàn)高于4人的情況，預(yù)測(cè)的精確度可能會(huì)降低。因?yàn)楫?dāng)人數(shù)增多時(shí)，數(shù)據(jù)會(huì)引進(jìn)源自聲音和CO2傳感器的更多噪音。GMM-HMM模型的計(jì)算維數(shù)也相應(yīng)增加。此外，基于片段識(shí)別會(huì)產(chǎn)生更多的用戶行為模式。相反地，對(duì)單人辦公室的預(yù)測(cè)精度則可以達(dá)到近乎100%。

（2）本研究的試驗(yàn)臺(tái)擁有大規(guī)模的傳感器網(wǎng)絡(luò)裝配，包括6種不同類型的傳感器。當(dāng)傳感器種類變少時(shí)，預(yù)測(cè)的精度可能會(huì)受到影響。本文采用的用戶行為預(yù)測(cè)模式適用于擁有相似傳感器網(wǎng)絡(luò)裝配的試驗(yàn)臺(tái)環(huán)境。

（3）研究中節(jié)能的能耗是相對(duì)于EnergyPlus在“理想”控制下的模擬結(jié)果。實(shí)際上，對(duì)于本地控制器，溫度的響應(yīng)可能有所不同，進(jìn)而影響到能耗節(jié)省量。

5 結(jié)論

本文介紹了在開(kāi)敞式平面布置的辦公室試驗(yàn)臺(tái)環(huán)境下，使用大規(guī)模傳感器網(wǎng)絡(luò)來(lái)估計(jì)空間中的用戶人數(shù)以及人員活動(dòng)持續(xù)時(shí)間的研究的成果。測(cè)試環(huán)境接近真實(shí)地描繪了“現(xiàn)實(shí)生活”場(chǎng)景，再現(xiàn)了多種復(fù)雜的用戶行為模式。周圍環(huán)境的傳感數(shù)據(jù)（例如照明、聲音、運(yùn)動(dòng)、CO2濃度等）都被并入用于模擬用戶行為的算法，以作為空調(diào)系統(tǒng)控制的輸入?yún)?shù)。而這種算法則基于對(duì)事件模式的識(shí)別。此外，在動(dòng)態(tài)用戶作息的產(chǎn)生中，將獲悉的行為模式與建筑控制系統(tǒng)結(jié)合在一起。 以智能工作站中兩個(gè)隔間為模型，配備了一個(gè)有線和無(wú)線傳感器網(wǎng)絡(luò)，在EnergyPlus中建模，并設(shè)置了虛擬的暖通空調(diào)系統(tǒng)。在同一個(gè)EnergyPlus模型中，針對(duì)基于用戶行為的預(yù)測(cè)而調(diào)整相應(yīng)作息以及常規(guī)的溫度設(shè)定值作息兩種模式，進(jìn)行了比較模擬分析。結(jié)果表明，采用基于用戶行為的控制方法，可實(shí)現(xiàn)18.5%的節(jié)能率和87.5%的熱舒適滿意率。

[1] ASHRAE.ASHRAE Standard 55- Thermal Environmental Conditions for Human Occupancy[S].ASHRAE, 2004 a.

[2] ASHRAE.ASHRAE Standard 62.1-Ventilation for Acceptable Indoor Air Quality[S].ASHRAE, 2004b.

[3] Barney L C, L C Capehart.Web-based Enterprise Energy and Building Automation Systems[M].Fairmont Press, Inc., 2007.

[4] Cook D, S Das.Smart Environments: Technology, Protocols and Applications[M].Wiley, 2004.

[5] Dong B, B Andrews, K P Lam, M H?ynck, Y S Chiou, R Zhang and D Benitez.An Information Technology Enabled Sustainability Test-Bed (ITEST) for Occupancy Detection through an Environmental Sensing Network[J]. Energy and Buildings, 2010,42 (7).

[6] Duong T V, D Q Phung, H H Bui and S Venkatesh.Behavior Recognition with Generic Exponential Family Duration Modeling in the Hidden Semi-Markov Model[R].In Proceedings of the 18th International Conference on Pattern Recognition, 2006.

[7] Fritsch R, A Kohler, S N Ferguson and J L Scartezzini.A Stochastic Model of User Behaviour Regarding Ventilation[J].Building and Environment, 1990, 25 (2).

[8] Hagras H, V Callaghan, M Colley, G Clarke, A Pounds-Cornish,H Duman.Creating an Ambient - Intelligence Environment Using Embedded Agents[J].IEEE Intelligent Systems, 2004,19(6).

[9] Heierman H, G M Youngblood, D Cook. Mining Temporal Sequences to Discovery Interesting Patterns[R].KDD Workshop on Mining Temporal and Sequential Data, 2004.

[10] Haldi F, D Robinson.Interactions with Window Openings by Office Occupants[J].Building and Environment, 2009,44(12).

[11] Lam K P, M H?ynck, R Zhang, B Andrews, Y S Chiou, B Dong,D Benitez.Information-theoretic Environmental Features Selection for Occupancy Detection in Open Offices[G].Proceedings of Building Simulation, Glasgow, 2009.

[12] Lafarge and United Technologies Corporation (UTC).Energy Efficiency in Buildings Business Realities and Opportunities[R].Technical report, World Business Council for Sustainable Development, 2008.

[13] Nichol J.Characterizing Occupant Behavior in Buildings:Towards a Stochastic Model of Occupant Use of Windows,Lights, Blinds, Heaters and Fans[R].Proc.of Building Simulation 01, an IBPSA Conference, 2001.

[14] Murphy K.Hidden Semi-Markov Models[R].Technical Report.University of British Columbia, 2002.

[15] Page J, D Robinson, N Morel, J L Scartezzini.A Generalised Stochastic Model for the Simulation of Occupant Presence[J].Energy and Buildings, 2007, 40 (2).

[16] Rijal H, P Tuohy, M Humphreys, J Nicol, A Samuel, I Raja.Development of Adaptive Algorithms for the Operation of Windows, Fans and Doors to Predict Thermal Comfort and Energy Use in Pakistani Buildings[J].ASHRAE Transactions,2008, 114(2).

[17] Rijal, H B, P Tuohy, M A Humphreys, J F Nicol, A Samuel,J Clarke.Using Results from Field Surveys to Predict the Effect of Open Windows on Thermal Comfort and Energy Use in Buildings[J].Energy and Buildings, 2007, 39 (7).

[18] Reinhart C.Lightswitch-2002: A Model for Manual and Automated Control of Electric Lighting and Blinds[J].Solar Energy, 2004,77.

[19] Russell, M J, R K Moore.Explicit Modelling of State Occupancy in Hidden Markov M odels for Automatic Speech Recognition[R].In Proceedings of IEEE Conference on Acoustics Speech and Signal Processing, 1985.

[20] Smaton A, M McHugh.Event Detection in an Audio-based Sensor Network[J].Multimedia Systems, 2006, 12.

[21] TeleAir.OEM CO2 Series 6004[OL].2010, http://www.telaire.com/oem/oem_stand.htm.

[22] Wang D, C Federspiel, F Rubinstein.Modelling Occupancy in Single Person Offices[J].Energy and Buildings, 2005, 37.

[23] Wang S W, X Q Jin.CO2-based Occupancy Detection for On-Line Outdoor Air Flow Control[J].Indoor+Built Environment,1998, 7.

[24] Youngblood G M, D Cook.Data Mining for Hierarchical Model Creation[J].IEEE Transactions on System, Man and Cybernetics, 2007, 37(4).

[25] Yu S Z, H Kobayashi.An Efficient Forward-Backward Algorithm for an Explicit-duration HMM[J].IEEE Signal Processing, 2003, 10(1).

[26] Yun G Y, K Steemers.Time-dependent Occupant Behaviour Models of Window Control in Summer[J].Energy and Buildings, 2009, 43.

[27] Yun G Y, P Tuohy, K Steemers.Thermal Performance of a Naturally Ventilated Building Using a Combined Algorithm of Probabilistic Occupant Behavior and Deterministic Heat and Mass Balance Models[J].Energy and Buildings, 2009, 41.