建筑用戶行為節能潛力評估新方法

胡賓，俞準，李郡，張國強

(湖南大學 土木工程學院，長沙 410082)

研究表明,建筑用戶行為對建筑總能耗有顯著的影響，且通過改變用戶行為減少能耗是實現建筑節能的有效手段之一[1-2]。為深入分析用戶行為對建筑能耗的影響和有效降低建筑能耗，有必要對行為節能的潛力進行量化分析和評估。當前對行為節能潛力的研究涵蓋不同行為類型[3-4](如正常使用行為和待機行為)、不同建筑類型[5-7](如住宅建筑、辦公建筑和學校建筑)和不同電器種類[8-9](如空調和電腦)，所采用的方法主要是:收集一定數量的樣本用戶數據并建立數據庫，通過將樣本用戶設備或電器的實際功率及使用時長降低至某一較低的預設值，以進行相應節能潛力評估。該方法的局限性主要表現在未能充分考慮不同用戶之間的差異性，對所有用戶均采用相同的功率及使用時長預設值，這在實際生活中往往難以實現，導致過高或過低估計了部分用戶的行為節能潛力，從而顯著降低了節能潛力評估結果的準確性。為克服上述局限，一個可行的方法是：先全面采集用戶行為潛在影響因素相關數據，再根據這些因素將樣本用戶合理分類，然后，分別針對每一類用戶特征進行進一步的節能潛力評估。實現該方法的關鍵障礙在于：1)用戶行為的影響因素往往數量較多，如僅選擇部分因素進行分類易造成信息缺失導致分類不合理，而選擇所有因素進行分類又易因數量過多難以進一步處理；2)在對樣本用戶進行分類時難以同時考慮不同因素的影響。例如，將用戶按某一種因素(如年齡)進行分類時，通常無法同時考慮到其他因素(如學歷和生活習慣)的影響。

為克服上述障礙，提高評估準確性，提出一種建筑用戶行為節能潛力評估新方法。該方法首先采用主成分分析技術分析用戶行為的潛在影響因素，該技術可在保持原有影響因素絕大部分信息的同時進行降維處理，避免了選擇部分因素易造成信息缺失，選擇所有因素又導致數量過多難以進一步處理的缺點。采用數據挖掘方法中聚類分析技術對樣本用戶進行分類，該技術可在考慮不同影響因素的同時將樣本用戶合理分類，最后，進一步針對不同類別用戶特征進行節能潛力分析。此外，以高校建筑電腦待機行為節能潛力為例，分析該方法的有效性。

1 研究方法

1.1 數據收集

待機狀態是指電器連接電源時沒有執行其主要功能但仍消耗電能的狀態[3]。電器在待機狀態下所消耗的電能即為待機能耗。就電腦而言，其待機狀態主要包括屏保、鎖屏、睡眠和關機4種模式。以湖南地區3所高校100名研究生用戶為例，采用型號為GPM-8212的功率計(在23±5 ℃的環境下，測量范圍為0.32～13.10 kW，精度為±2%)測量其電腦在各待機模式下的功率值，并通過問卷形式調查了各待機模式的使用時長及待機行為的潛在影響因素，其中，潛在影響因素的種類及部分因素取值如表1所示。

表1 電腦待機行為潛在影響因素Table 1 The potential influencing factors of standby behavior of computer

1.2 電腦待機能耗計算

基于所采集數據可獲得電腦各待機模式下的功率P以及相應待機時長T，從而可根據式(1)計算單臺電腦年待機能耗。

(1)

式中：Ei為第i臺電腦的年待機能耗，kW·h；Pij、Ti分別為第i臺電腦在第j種待機模式下的功率值和一周內的使用時長(j=1,2,3,4；分別對應于電腦的屏保、鎖屏、睡眠和關機模式)；M為1 a內學生在校周數(去除寒暑假)，本文取44。

1.3 用戶行為節能潛力評估

首先，采用主成分分析技術與聚類分析技術相結合的方法對樣本用戶進行分類，再針對每類用戶采用行為節能方案分別進行行為節能潛力分析。主成分分析、聚類分析及所采用的行為節能方案介紹如下。

1.3.1 主成分分析 主成分分析是將多個可能存在相關性的變量，通過正交變換轉化為少數幾個互相無關的綜合變量的一種統計分析方法。這些綜合變量保持了原始變量的大部分信息。

1)數據標準化 由于數據庫中的參數包含分類屬性參數和數值屬性參數，如用戶性別為分類屬性(男或女)，年齡為數值屬性(20歲或25歲)，難以直接對所有數據進行直接比較和分析。此外，數值屬性參數的取值范圍差異較大，而取值范圍大的參數影響將覆蓋取值范圍小的參數影響。因此，需將數據庫中所有參數均轉換為數值屬性參數進行統一比較分析，并對所有數值屬性參數進行標準化處理以使其結果落到同一區間，取[0, 1]區間。

對于分類屬性參數，應首先按其不同狀態排序，如專業成績可分4個等級[優，良，中，一般]，再根據式(2)計算。

(2)

計算后上述4個等級可轉換為[0, 1/3, 2/3, 1]。

對于數值屬性參數，可根據式(3)計算。

(3)

式中：zij、xij、xjmin和xjmax分別表示參數j的轉換值、原始值、最小值和最大值。

采用上述方法，原始數據矩陣X變換為標準化矩陣Z。

2)計算標準化矩陣Z的樣本相關系數矩陣R，樣本相關系數矩陣R的表達式為

式中：ruv(u,v=1,2，…P)為參數Zu、Zv的相關系數，且ruv=rvu，計算式為

(4)

3)求特征值和特征向量 解特征方程|R-λIP|=0得P個特征值λ1≥λ2≥…≥λP≥0。分別求出對應特征值λ1的特征向量ei(i=1,2,…)，且ei=1。

5)求出zi=(zi1,zi2,…,zip)T的m個主成分

1.3.2 聚類分析 聚類分析是采用數學方法按照某種相似性或差異性參數定量地確定樣本之間的親疏關系，再根據親疏關系對樣本進行分類，使同類中的樣本對象具有最高相似性，不同類間的樣本具有最低相似性。該方法的一個主要優點在于可在考慮不同參數影響的同時進行合理分類[12-13]。

現有的聚類分析典型算法包括k均值算法、BIRCH算法和CLIQUE算法等[12-13]。其中，k均值算法由于其原理簡單和計算速度快等優點得到廣泛應用。采用該算法進行聚類分析，其一般步驟為

1)從n個樣本對象中任意選擇k個對象作為初始聚類中心O1,O2, …,Ok；

2)根據式(6)計算樣本對象與各聚類中心的歐式距離，并根據最小歐式距離重新劃分相應對象；

E(a,b)=

(5)

3)重新計算各聚類特征參數的平均值，即新的聚類中心；

4)循環迭代步驟2)和3)，直到各聚類中心不再發生變化。

1.3.3 行為節能方案 考慮到用戶待機行為主要表現為其采用不同待機模式及待機時長，為全面評估相應行為節能潛力，采用3個行為節能方案：1)為保持待機時長不變而僅調整待機模式，即用功率值較低的待機模式替換功率值較高的待機模式；2)為保持待機模式不變而僅調整待機時長，即將各類用戶不同待機模式使用時長降低到每一類用戶相應待機模式使用時長平均值；3)將上述兩種方案相結合以評估最大行為節能潛力。

2 研究結果及分析

2.1 主成分分析

對采集得到的樣本數據矩陣進行主成分分析得出特征值和方差貢獻率，如表2所示。考慮到特征值的大小與主成分對原始變量解釋力度的大小有關，且當主成分的特征值小于1時，其對原始變量的解釋力度不如原始變量自身的解釋力度[14]。因此，通常可選取特征值大于1的主成分為綜合變量進行后續分析。此外，為保證所提取的主成分能夠反映原始變量的絕大部分信息，其累積方差貢獻率通常應大于80%(方差貢獻率表示該主成分包含原始數據的信息量占全部信息量的比重)[15]。由表2可知，前4個主成分的特征值均大于1，且累積貢獻率為80.2%，因此，可將這4個主成分作為綜合變量評估用戶待機行為節能潛力。

表2 特征值及方差貢獻率Table 2 Eigenvalue and contribution rate of variance

為進一步理解各主成分與原始變量之間聯系的緊密程度，計算了因子載荷矩陣，如表3所示。因子載荷是各主成分特征值的平方根與相應特征向量的乘積，實質上是各主成分與原始變量之間的相關系數，且因子載荷值較大(通常取大于0.5)的變量被認為是該主成分的主要相關變量[16]。根據該標準，由表3可知，主成分1主要與用戶性別、婚姻狀況、興趣愛好、專業、學歷、是否定期接受節能教育、是否有上網流量限制、是否午休、是否住校、是否打卡出勤相關；主成分2主要與用戶年齡、入學年數、專業成績相關；主成分3主要與年齡、生活費用有關；主成分4主要與用戶生活費用相關。

表3 因子載荷矩陣Table 3 The factor loading matrix

續表3

2.2 聚類分析

基于所得主成分對100名樣本用戶進行聚類分析并將其分為4類，每一類聚類中心(即各主成分的平均值)及用戶數量如表4所示。

表4 聚類分析結果Table 4 The results of clustering analysis

由表4可知，不同類用戶之間的聚類中心差異較大，表明各類用戶之間的特征差異顯著。為進一步分析各類用戶待機能耗特征，圖1給出了4類用戶年總待機能耗及各待機模式下的年待機能耗。由圖1可知，不同類用戶間的能耗分布差異非常顯著，這表明不同用戶特征會導致不同用戶待機行為和能耗，從而節能潛力也有所不同。因此，有必要先將樣本用戶分類，然后，針對用戶特征分別計算節能潛力。此外，同類用戶之間不同待機模式下的能耗差異較大，其中，鎖屏和屏保模式待機能耗在4類用戶中占總能耗比例均超過45%，最高達到82%，應重點進行考慮。

圖1 4類用戶的分項能耗特征Fig.1 The energy consumption of standby modes of four categories user

2.3 節能潛力分析

2.3.1 方案1節能潛力分析 方案1為保持待機時長不變而僅調整待機模式。為深入理解各待機模式及各類用戶對其使用情況，表5給出了電腦各待機模式功率值及各類用戶相應待機模式的使用率(表中使用率為使用某待機模式用戶數量與該類用戶數量的比值)。由表5可知，電腦各待機模式的功率值差異較大，且屏保與鎖屏模式的功率值遠高于睡眠和關機模式，因此，調整待機模式時，應用睡眠或關機模式下的功率值替換屏保和鎖屏模式下的功率值。就這4種模式的使用率而言，各類用戶之間差距較大，進一步表明方案中應分別計算其節能潛力。

表5 各待機模式功率值及各類用戶相應待機模式的使用率Table 5 The power and utilization rate of standby modes of four categories users

除了關機待機模式外，當電腦處于屏保、鎖屏、睡眠待機模式時，電腦均能快速從待機狀態進入工作狀態，因此，盡管關機待機模式下功率值相對較低，本方案仍從方便用戶使用角度出發，采用睡眠模式下的功率值代替屏保和鎖屏模式下的功率值，同時，保持其使用時間不變。結果表明，各類用戶的年平均待機能耗分別從52、34、28、24 kWh減少到4、6、7、9 kWh。平均節能潛力為48、28、21、15 kWh。

2.3.2 方案2節能潛力分析 方案2為保持待機模式不變而僅調整待機時長。為深入理解各類用戶待機時長分布特征，圖2給出了各類用戶不同待機模式下的日平均使用時長的最小值、平均值及最大值。由圖可知，4類用戶各待機模式的時長分布范圍較廣，不同類用戶間時長分布不均且顯著不同，進一步表明在本方案中應分別計算其節能潛力。

圖2 4類用戶不同待機模式下使用時長分布Fig.2 The distribution of stangby modes of four categories users

本方案的節能潛力計算是通過將各類用戶不同待機模式時長降低為其相應待機模式的使用時長平均值。結果顯示，各類用戶的年平均待機能耗分別從52、34、28、24 kWh減少到了10、13、10、10 kWh。平均節能潛力為42、21、18、14 kWh。

2.3.3 方案3節能潛力分析 方案3為將上述兩種方法相結合。結果表明，各類用戶的年平均待機能耗分別從52、34、28、24 kWh減少到了4、5、6、8 kWh。平均節能潛力為48、29、22、16 kWh。

表6為4類用戶不同方案下行為節能潛力。此外，表中同時給出了采用傳統方法(即不對用戶進行分類)后不同方案下的行為節能潛力作為參考。

表6 4類用戶3種方案下行為節能潛力Table 6 The energy-saving potential by taking three scenarios in four categories users kWh

3 結論

為提高用戶行為節能潛力評估的準確度，首先，采用主成分分析技術對用戶行為的潛在影響因素進行降維處理，在此基礎上，采用聚類分析技術對用戶進行合理分類，并針對不同類用戶特征分別進行節能潛力評估。將該方法應用于湖南省3所高校100名研究生樣本用戶電腦待機行為節能潛力的分析和評估，結果驗證了該方法的有效性和可行性。該方法可應用于不同類型建筑(如住宅建筑、辦公建筑和學校建筑)中不同種類行為(如正常使用行為和待機行為)的節能潛力評估，進而幫助深入分析用戶行為對建筑能耗的影響和有效降低建筑能耗，促進我國建筑節能工作的有效開展。

[1] JIA M, SRINIVASAN R S, RAHEEM A A. From occupancy to occupant behavior: An analytical survey of data acquisition technologies, modeling methodologies and simulation coupling mechanisms for building energy efficiency [J]. Renewable & Sustainable Energy Reviews, 2017, 68:525-540.

[2] HONG T Z, TAYLOR L S C, D’OCA S, et al. Advances in research and applications of energy-related occupant behavior in buildings [J]. Energy & Buildings, 2015, 116:694-702.

[3] SAHIN M C, KOKSAL M A. Standby electricity consumption and saving potentials of Turkish households [J]. Applied Energy, 2014, 114(2):531-538.

[4] CARMENATE T, INYIM P, PACHEKAR N, et al. Modeling occupant-building-appliance interaction for energy waste analysis [J]. Procedia Engineering, 2016, 145:42-49.

[5] AZAR E, ANSARI H. Framework to investigate energy conservation motivation and actions of building occupants: The case of a green campus in Abu Dhabi, UAE [J]. Applied Energy，2017，190：563-573.

[6] CHEN S, YANG W, YOSHINO H, et al. Definition of occupant behavior in residential buildings and its application to behavior analysis in case studies [J]. Energy & Buildings, 2015, 104:1-13.

[7] WANG C, YAN D, REN X. Modeling individual's light switching behavior to understand lighting energy use of office building [J]. Energy Procedia, 2016,88:781-787.

[8] YUN G Y, STEEMERS K. Behavioural, physical and socio-economic factors in household cooling energy consumption [J]. Applied Energy, 2011, 88(6):2191-2200.

[9] KAMILARIS A, NEOVINO J, KONDEPUDI S, et al. A case study on the individual energy use of personal computers in an office setting and assessment of various feedback types toward energy savings [J]. Energy & Buildings, 2015, 104(1):73-86.

[10] SMITH L I. A Tutorial on principal components analysis [J]. Information Fusion, 2002, 51(3):219-226.

[11] 韓小孩, 張耀輝, 孫福軍,等. 基于主成分分析的指標權重確定方法[J]. 四川兵工學報, 2012, 33(10):124-126.

HAN X H, ZHANG Y H, SUN F J, et al. Weight determination of indicators based on principal component analysis [J]. Journal of Sichuan Ordnance, 2012, 33(10):124-126.(in Chinese)

[12] 孫吉貴, 劉杰, 趙連宇. 聚類算法研究[J]. 軟件學報, 2008, 19(1):48-61.

SUN J G, LIU J, ZHAO L Y. Clustering algorithms research [J]. Journal of Software, 2008, 19(1):48-61.(in Chinese)

[13] HAN J W, KAMBER M, PEI J. Data mining: concepts and techniques [M]. 3rd ed. Beijing: China Machine Press, 2012.

[14] 陳歡, 曹承富, 張存嶺,等. 基于主成分-聚類分析評價長期施肥對砂姜黑土肥力的影響[J]. 土壤學報, 2014(3):609-617.

CHEN H, CAO C F, ZHANG C L. et al. Princal component-cluster analysis of effects of long-term fertilization on fertility of lime concretion black soil [J] Acta Pedologica Sinica, 2014(3):609-617.(in Chinese)

[15] 張鵬. 基于主成分分析的綜合評價研究[D]. 南京：南京理工大學, 2004.

ZHANG P. Research on comprehensive evaluation based on principal component analysis [D]. Nanjing:Nanjing University of Science & Technology, 2004.(in Chinese)

[16] 顧文, 莊智, 譚洪衛. 基于聚類分析的酒店建筑分類與用能評價[J]. 建筑技術, 2014, 45(11):1026-1029.

GU W, ZHUANG Z, TAN H W. Hotel classification badsed on cluster analysis and evaluation of energy consumption [J]. Architecture Techology, 2014, 45(11):1026-1029.(in Chinese)

[17] 曾亮, 傅麗亞, 羅理勇,等. 不同品種和花期茶樹花揮發性物質的主成分和聚類分析[J]. 食品科學, 2015, 36(16):88-93.

ZENG L. FU L Y, LUO L Y, et al. Principal component and cluster analyses of volatile components in tea flowers from different cultivars at different stages of bloom [J]. Food Science,2015, 36(16):88-93.(in Chinese)

[18] 公麗艷, 孟憲軍, 劉乃僑,等. 基于主成分與聚類分析的蘋果加工品質評價[J]. 農業工程學報, 2014, 30(13):276-285.

GONG L Y, MENG X J, LIU N Q, et al. Evaluation of apple quality based on principal component and hierarchical cluster analysis[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(13):276-285.(in Chinese)

[19] 李郡, 俞準, 劉政軒, 等. 住宅建筑能耗基準確定及用能評價新方法[J]. 土木建筑與環境工程,2016,38(2):75-83.

LI J, YU Z, LIU Z X, et al. A method for residential building energy benchmarking and energy use evalution [J]. Journal of Civil, Architectural and Environmental Engineering,2016,38(2):75-83.(in Chinese)