建筑能源和舒适度管理——基于大尺度环境传感器网络用户行为模式识别的研究

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

1 引言

世界可持续发展工商理事会最近发布了其第一份关于建筑能源利用效率的报告，其中提到在多数国家中，建筑至少占有能源总消耗的40% （Lafarge and UTC，2008）。综合高性能建筑的一个基本目标则是在能源使用最小化前提下，为居住者提供一个更舒适的建筑环境。因此，了解建筑中居住者行为模式对能源和舒适度管理有重要的作用。

先前已经有一些研究关注于通过传感器网络基于实际和经验的观察来估计独立的用户行为模式。王等（Wang et al.，2005）基于PIR传感器数据利用泊松过程来获得用户在一个单人办公室里每天的行为模型。杜昂等（Duong et al.，2006）利用隐式半马尔科夫模型来模拟预测只有一个住户的家里日常生活的行为，比如做饭和用餐等。杨布拉德等（Youngblood et al.，2007）引入了一种关于自动组建分级隐式马尔科夫模型的新方法，使用序列数据挖掘运算法则来估计用户行为模式从而控制办公室的环境。佩奇等（Page et al.，2007）研究了单个用户的行为模式，他们开发了一种使用基于马尔科夫链得到的随机概率分布来模拟用户在单人办公室的行为普遍随机模型。上述研究大多关注于在独立空间的单个行为模式。目前尚无研究涉及针对多人使用的办公室的用户数量估计。

此外，随机性模型已经发展到用于描述用户与建筑部件的交互活动，例如窗户、百叶、暖气和照明等。这些模型大多数用于通过对用户行为模式的预测来控制通风和预测热舒适。尼科尔（Nicol，2001）基于在英国、巴基斯坦和5个欧洲国家的调研首先发展了用概率分布来预测在自然通风建筑中窗户的状态。里贾尔等（Rijal et al.，2007、2008）通过场地调研开发了一种多重逻辑分布来得到一个窗户打开的概率。云和斯蒂摩司（Yun and Steemers，2009）提出了一种用户与窗户交互作用的时间依赖模型，可以预测基于室内温度和之前窗户状态的窗户从打开到关闭的状态改变。云等（Yun et al.，2009）同样比较了他们与里贾尔等（Rijal et al.，2007）的算法，得到了类似的预测结果。最近，阿尔迪等（Haldi et al.，2009）开发了一种混合模型以预测用户对窗户的行为，该模型包含3种不同建模方法：伯努利过程、包含不同用户特征子模型的离散时间马尔科夫过程和连续时间随机过程。

上面的用户行为模型来自于随机概率方法，是基于用户会通过与不同建筑的交互活动来满足他们的热舒适需求的假设下得到的。然而，现实情况并不总是这样。其他特别的个体或者文化差异会影响假定的行为。此外，如果存在多个用户与同一个窗户的交互作用，也很难预测空间里的用户数量。

最相关的前期研究是王盛卫等（Wang et al.，1998）基于办公室的空调系统和CO2浓度开发了同时包含动态和稳态的物理模型，来预测在一个开放式办公室和一个演讲厅的总人数，测试案例中的总人数约为100人。然而，该研究没有对人员在办公室里停留的时间进行估计。

本研究的目的是基于对用户行为模式的预测来探讨节能潜力，包含对位于一个开放式办公室里的两个办公隔间的用户总人数和使用时间的预测。目的是在以上预测的基础上，通过对空调系统的控制，在保证室内热舒适条件下，从而量化建筑节能量。本文将首先介绍在卡内基梅隆大学的Robert L.Preger智能工作站（IW）的试验台设备；然后介绍人员数量和使用时间的估算模型；最后，通过建立一个该试验台的建筑能耗模型来模拟通过对用户行为模式预测带来的能耗性能的改善。

2 传感器网络和数据收集

智能工作站在一个开放式办公空间，带有16个独立分割房间的实验室和一个会议室。它为5个教师、12个博士和2个职员提供科研、办公场所。然而每天都会有许多参观者到访，同时会议室会作为教学场所，因此整个室内环境是非常动态的。本研究在这个智能工作站开发了一个有线传感器网络，包含商业CO2测试（TeleAir，2010）和一个测试温度、相对湿度（RH）、声音、照明的原型无线传感器以及动态监测。CO2传感器分布在每一个工作隔间距离地面1.1m高的位置。同时为了建立地面人员真实信息，还安装了网状布置的摄像机。图1显示了在该智能工作站的传感器布置详情（Dong et al.，2010）。

本研究中的数据采集时间段为2008年的1月29日～4月3日。人员数据记录点选择在人员活动最频繁的13隔间和10隔间，时间从上午8点到下午6点。尽管不同传感器的采样频率不同，最后的数据都统一为相同的两分钟采样时间间隔。

3 研究方法

3.1 概述

图2描述了本研究中采用的研究方法。环境感应网络提供了监测中最有用的信息和对用户人数预测的调查。在特征选择的时候使用了信息增益的概念，它是对由系统输入带给输出结果的不确定性总量的一种测量（Lam et al.，2009）。高斯混合模型（GMM）用来将所选择的特性进行归类，根据工作隔间里不同人员数，得到这个条件下的最高信息增益。这些分类将作为观察数据用于隐式马尔科夫模型（HMM），来估计人员数量。同时，基于CO2、声音、运动和照明变化模式，发展了半马尔科夫模型用于估计人员在隔间中的时间。最后，根据用户行为模式得到的预测人员作息将作为能耗和热舒适模型的动态输入条件。

3.2 用户数量估计

以往的研究（Dong et al.，2010）显示了用HMM模型来估计人员数量的优点。本研究实现了另外一种基于GMM模型来建立HMM模

图2 研究方法概述

图3 用户行为持续时间预测方法综述

型的方法。它采用连续质量概率函数，可为建立复杂观察数据模型提供灵活性。不同于通过HMM模型自身的聚类，每个质量不必指向潜在隐藏的条件，本研究中不用依赖于HMM模型而独立建立GMM模型，从而使概率质量函数能够获得不同特定的观察数据情况。一个使用连续的CO2数据来建立该GMM模型的实例如下所示。

其中，

bj(Ot)—人员j的CO2观察数据；

L—人员总数；

Cjl—N(Ot|μjl,σjl)的概率质量权重；

μjl—N(Ot|μjl,σjl)的概率质量均值；

Ot—时间t时的观察数据特性；

N(Ot|μjl,σjl)—概率质量函数；

林棋波等（Lam et al.，2009）对不同传感器的敏感性分析和他们对用户模型的贡献进行了讨论。基于信息增益原理，分析了不同住户之间的相互作用以及来自传感器数据的不同特性的组合，结果显示从声音和CO2中得到的特性之间有显著的相关性，而和温度数据的相关性较低。结果进一步表明，使用来自多个传感器的特性将会进一步增加相关性，当至少有6个最有信息量的特性组合，会达到90%的信息增益。林棋波等（Lam et al.，2009）为这个研究和以后关于针对用户调查的环境传感器数据的研究提供了一个基础。

3.3 用户持续时间估计

最近，很多研究关注于发展智能环境，通过装备大规模的传感器网络，将数据采集技术整合到环境中。智能环境能够获得关于用户和物理环境的信息，来提高用户的体验（Cook et al.，2004）。这里的目标就是在智能建筑这领域，为基于环境传感器的模型建立和用户行为预测制定和实施无人管理的运算法则，同时将获得的用户行为模式与建筑能耗和舒适性管理结合起来。实现的方法是基于杨布拉德等（Youngblood et al.，2007）的工作，通过为重要的模式（片段发现）采集传感器数据来建立行为模式模型，然后从产生的模式中得到半马尔科夫模型。另外，这里介绍一下对模型的3种额外贡献：

（1）将包含声音、照明、CO2和运动识别的丰富的环境传感器网络整合到住户行为模式的数据驱动模型。

（2）将半马尔卡夫模型并入用户行为持续时间的研究，以采集更大时间尺度上的用户行为转变以及与能耗相关的活动信息。

（3）发展了一种正式化的方法，用于联系已有模式与建筑能耗及热舒适管理，并由基于实测数据的模拟进行了论证。此外也开展了一项比较研究，分析在EnergyPlus模拟中采用动态的用户行为作息与常规的温度设定值作息二者之间的差别。

图 4 3.27～4.3期间采用GMM-HMM模型对隔间10的人数估计结果具有82%的精确度

图 5 3.27～4.3期间用采用GMM-HMM模型对隔间13的人数估计结果具有85%的精确度

图6 隔间 10中在10min最大时间窗口下已有模式的半马尔科夫模型

图7 隔间 13中在10min最大时间窗口下已有模式的半马尔科夫模型

图3 阐明了整体的技术路线，包含：（1）用传感器探测活动事件的方法；（2）对于频繁行为模式的探测方法：片段探测、最小描述长度（MDL）、周期识别（PD）和影响能耗的权重因子方法；（3）一种用于研究用户行为持续时间的半马尔科夫模型。

3.4 能耗与热舒适监控

根据对用户行为预估的结果，论文提出一种预测动态用户行为作息的方法。基于对人数的估计，用户是否在场能被明确地模拟出来。在房间中用户停留的总时间长度是由持续时间估计得到的。这种预测的作息能够与建筑能耗和热舒适监控系统（BECMS）联系在一起，将预测的温度和通风量设定值作为输入参数。从而BECMS可以根据预测的作息做出决定。为了检验此方法的实用性，本文结合EnergyPlus模拟工具进行研究。

本研究中，将预测的作息应用于暖通空调系统的控制。控制策略随预测用户行为状态的变化而更新。此处需要强调的是，依照数据处理的行为建模对能耗监控的作用，而非对控制器的设计。一种简单的基于用户行为的暖通空调控制应用如下：

（1）当白天没有用户时，空调系统供冷、供暖室温设定值分别是27 ℃、18℃。这种控制模式能维持合理的设定温度余量，以防对用户行为的预测不准确。

（2）区域的通风量设计为17立方英尺/（分钟·人）（ASHRAE，2004），并随着室内人数的增加而上升。

（3）当室内用户变多时，设定需要摄入的室外新风率不随之变大，因为实测数据表明，即使一个空间中有4个用户，CO2浓度也仍低于900ppm。

根据用户行为预测制定了预测作息策略，为了评价其节能效果和热舒适情况，在EnergyPlus中建立了一个典型的变风量系统，将这种作息控制策略与固定温度设定值的作息进行比较，后者在7:00am～6:00pm时间段内供冷、供暖室温设定值分别为24℃、22℃，这两个温度设定值在夜间则分别改为30℃、15℃。对于隔间10和隔间13，训练期均为2008年的1.29～3.7，测试期均为3.27～4.3。

4 结果与讨论

4.1 关于人数的估计

图4和图5分别显示了对隔间10和隔间13为期1周的人数估计结果。总共有1 156个数据点。精确度定义为估计结果相对于预测状态下的准确人数的百分比。对于隔间10和隔间13，精确度分别为82%和85%，均方误差（MSE）分别为0.21、0.17。这些结果远优于董冰等人（Dong et al.，2010）用HMM方法得到的结果，后者精确度分别为65%和70%。估计得到的人数分布图表明这种估计能很好地描绘出空间中人数的变化，呈现了空间中真实用户人数分布情况的“平滑”版（去除了突发的波动）。

总的来说，GMM-HMM方法成功地描述了人数的主要变化情况，而忽略了短时间内的突然波动，它显然优于单单采用HMM方法的结果。从一种基于用户行为的控制策略的角度出发，这样处理数据是可行的，因为突发波动的影响可以忽略。

4.2 关于用户行为持续时间的估计

（1）MDL和PD的结果

表1总结了在最大时间尺度为10min的时间内，由MDL和PD的标准选择产生的重要模式。需要说明的是，MDL的组分去除了一些时间过长的模式，因为该模式发生频率过低（每周一次或者每隔几天发生一次）。最后这些重要的模式都是同时源自MDL和PD两种方法的标准产生的集合。

表1 根据MDL和PD选择产生的模式

（2）半马尔科夫模型的结果

研究发现，指数分布函数能最好地在已有模式的基础上拟合用户行为持续时间。这与其他一些已有的研究成果是一致的，包括罗素（Russell，1985）在语音识别方面的研究和王等人（Wang，2005）对单人办公室用户行为的研究。

图6和图7分别显示了隔间10和隔间13中由重要模式所产生的半马尔科夫模型。图中显示了一种标准的马尔科夫模型，弧线下的数字表明不同状态之间的转移概率，相对较低的转移概率（低于15%）没有在图中表示出来。圆括号中的数字表明了在训练期内该模式事件发生的次数。例如，从“aebf”这一状态到“be”状态、“bef”状态的转移概率分别为25%、20%；在测试期内“aebf”、“be”、“bef”发生的次数分别为22次、21次、8次。图中也涵盖了用户行为持续时间的信息。每一个时间段长分布都表示为“X~（时间）”，此处的时间是由指数分布模型预期得到的持续时间。例如，“aebf”转变为“be”、“bef”之前分别有30分钟、10分钟的持续时间。虚线表示一个典型的118分钟的场景：用户进入房间，触发了运动传感器“e”，制造了一些噪音“b”，坐下，引起了动作“f”。此人继续在房间中停留，发出声音“b”，四处走动产生动作“e”。离开之前，他再次产生噪音“b”，移向门“e”，最后离开了“f”。隔间 13中发生了相同的模式。然而，观测表明，隔间 13有更多的照明和CO2浓度。这是因为有一个博士研究生在此工作到深夜，而且隔间13 是一个相对封闭的空间。

4.3 能耗与热舒适

由于智能工作站具有大的窗墙比，白天人工照明通常不开启。在测试期内能耗绝大部分是由于暖通空调系统的消耗。

表2显示了不同暖通空调设定值模式下的建筑能耗和室内热舒适情况。结果表明，对于两个不同的隔间，从固定温度设定值模式转变为根据预测的用户行为进行调整的温度设定值模式，可有18.5%的显著节能率。同时，根据ASHRAE 55-2004标准（ASHRAE，2004a）定义的室内舒适条件不满足情况也仅为8h和10h，即分别占整个测试期时间长度的14%、11%。能耗的节省大部分都源自采暖能耗的节省，因为当房间中没有人的时候，暖通空调系统为关闭状态。另一部分能耗节省应归功于动态通风控制策略。根据ASHRAE 62.1-2004的通风标准（ASHRAE，2004b），不同人数需要不同通风量。因而，由于测试空间内人数不同便可节省风机能耗。

4.4 局限性

本研究基于智能工作站的传感器网络。该网络提供了充足的相关的环境性能数据。因而本研究的局限性主要概括为以下3点：

表2 基于不同暖通空调系统设定模式下的建筑能耗

（1）用于研究观察的最大用户人数为4人。若出现高于4人的情况，预测的精确度可能会降低。因为当人数增多时，数据会引进源自声音和CO2传感器的更多噪音。GMM-HMM模型的计算维数也相应增加。此外，基于片段识别会产生更多的用户行为模式。相反地，对单人办公室的预测精度则可以达到近乎100%。

（2）本研究的试验台拥有大规模的传感器网络装配，包括6种不同类型的传感器。当传感器种类变少时，预测的精度可能会受到影响。本文采用的用户行为预测模式适用于拥有相似传感器网络装配的试验台环境。

（3）研究中节能的能耗是相对于EnergyPlus在“理想”控制下的模拟结果。实际上，对于本地控制器，温度的响应可能有所不同，进而影响到能耗节省量。

5 结论

本文介绍了在开敞式平面布置的办公室试验台环境下，使用大规模传感器网络来估计空间中的用户人数以及人员活动持续时间的研究的成果。测试环境接近真实地描绘了“现实生活”场景，再现了多种复杂的用户行为模式。周围环境的传感数据（例如照明、声音、运动、CO2浓度等）都被并入用于模拟用户行为的算法，以作为空调系统控制的输入参数。而这种算法则基于对事件模式的识别。此外，在动态用户作息的产生中，将获悉的行为模式与建筑控制系统结合在一起。 以智能工作站中两个隔间为模型，配备了一个有线和无线传感器网络，在EnergyPlus中建模，并设置了虚拟的暖通空调系统。在同一个EnergyPlus模型中，针对基于用户行为的预测而调整相应作息以及常规的温度设定值作息两种模式，进行了比较模拟分析。结果表明，采用基于用户行为的控制方法，可实现18.5%的节能率和87.5%的热舒适满意率。

[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 Höynck, 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 Höynck, 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.