大数据监测平台下的长江流域典型城市房间空调器温度设置分析

刘猛，晏璐，李金波，徐振坤，杜顺开

(1.重庆大学 土木工程学院，重庆 400044；2.广东美的制冷设备有限公司，广东 佛山 528311；3.西安交通大学 能源与动力工程学院，西安 710049；4.武汉大学 动力与机械学院，武汉 430072)

长江流域地处夏热冬冷地区，夏季炎热，冬季阴冷，室内热环境恶劣。房间空调器是改善室内热环境的重要措施，根据中国统计局的统计年鉴数据，截止到2017年[1]，中国长江流域地区城镇居民每户空调拥有量均已高于1台，其中，上海、浙江、江苏、重庆已超过2台或接近2台，所以，迫切需要对房间空调器的使用进行深入研究。

此前，针对住宅房间空调器的使用已经存在一定的研究，首先，有众多学者采用抄表拆分法、实测记录法等方法对中国各地住宅房间空调器的能耗情况做了大量调查分析[2-5]，得到了住宅分体式房间空调器的平均能耗水平低，但住户间能耗差异大，住户的空调行为对空调器能耗水平存在较大影响等主要结论。另外，在用户的空调行为方面，主要有以下三方面的研究：从环境因素出发，采用现场实测、问卷调查等方法对室内外环境对空调开启与关闭行为的影响进行分析[6-10]；从房间空调器的运行作息出发，采用现场实测，对空调器的开启、关闭与运行时间进行分析[3,11-12]；通过问卷调查或现场实测的方式对房间空调器的设置温度习惯进行分析[13-15]。上述研究总结如表1所示。

表1 文献总结表Table 1 Summary of literatures

通过总结前述研究发现，现有的研究主要通过入户问卷调查、现场实测、抄表等主、客观方法对典型样本进行研究，主要研究内容是针对空调器的能耗调查[2-5]，若需要研究用户的空调行为，主要包括空调的开关机行为[6-10]、运行作息[3,11-12]、设置温度[13-15]等，现有的数据获取方式就存在一定的局限性，包括样本量的局限、数据维度的局限、无法在完全不干扰用户的情况下实现对用户空调使用行为的获取等，这对空调行为的研究结果难免存在影响。而近年来，以互联网金融为代表的大数据时代的到来，使更加客观、更大区域、更多样本、更高效率、更全方位的数据监测与获取成为了可能。中国的空调制造商已经可以通过内置于空调器内的传感器在线获取空调器的遥控面板设置参数以及相关空调运行参数，实现了在完全客观、没有任何干扰下对空调用户行为参数的获取。徐振坤[16]在前期已经基于房间空调器的大数据云平台对长江流域地区空调器的重点运行参数进行了基础分析，该分析主要针对房间空调器运行时的环境参数和能耗情况。本研究同样基于房间空调器大数据云平台中的空调器监测参数，在前述研究的基础上进一步深入挖掘，着眼于空调器的用户行为特征，针对长江流域地区的3个典型城市(重庆、武汉、上海)房间空调器的设置温度特点进行详细分析。

1 数据来源及数据处理方法

研究数据来源于某企业房间空调器的大数据监测平台，该数据监测平台通过wifi联网上传房间空调器的设定参数、环境监测参数、设备运行参数等房间空调器监测参数。

图1 数据处理流程图Fig.1 Data processing flow

研究中选取2016年7—8月份、2016年12月—2017年2月份分别为夏季、冬季的研究周期，利用随机抽样选取重庆地区575台房间空调器，武汉地区430台房间空调器、上海地区540台空调器，对它们在大数据监测平台中的原始监测参数按照一定逻辑进行处理(数据处理思路如图1所示)，最终得到夏季上万次运行数据、冬季上千次的运行数据，并对它们进行分析。

文中所涉及到的相关统计量及其符号的具体含义见表2。

表2 统计量及符号含义汇总表Table 2 Summary of statistics and symbol meanings

2 设置温度整体分布

图2 各城市设置温度的使用占比图Fig.2 Ratio of use of set temperature in each

图2反映了夏季与冬季3个城市加权平均设定温度的使用占比分布情况，在夏季，3个城市的设定温度分布都集中在25～28 ℃，但上海地区设定温度的整体水平略高于重庆、武汉，重庆和武汉在最低设定温度17 ℃都有一定的使用比例，而上海则可以忽略不计。在冬季，26 ℃和30 ℃是选择最多的两个设置温度，重庆在30 ℃的使用比例超过了26 ℃，且在30 ℃的使用比例远大于武汉和上海，上海的设定温度略低于武汉、明显低于重庆，其中，上海设置温度超过26 ℃的比例为29%，而武汉和重庆则分别达到为34%和57%。

该结果说明，重庆、武汉、上海虽然都处于长江流域地区，但不同城市在对室内温度的需求上却存在差异：夏季，长江下游地区的上海空调用户相比于重庆和武汉，偏好相对更高的室内设置温度；冬季，长江上游地区的重庆空调用户相比于武汉和上海，偏好更高的室内设置温度。3个城市之间，在冬夏出现明显差异的地区分别是上游的重庆(冬季)与下游的上海(夏季)，而处于中游的武汉所表现出来的行为特点相对中性，同时，往年气象参数表明，重庆在冬季的室外气象温度高于武汉和上海，上海在夏季的室外气象温度低于武汉和重庆，所以，不同地区的居民对室内热环境需求的差异可能与长江流域不同地区的气候特征以及人员的气候适应性存在关联。

3 设置温度调节需求

3.1 设置温度使用个数

由图3可知：夏季，重庆和武汉的空调用户在每次运行时使用的设置温度个数主要集中在1～3个，而上海的设置温度个数主要集中在1～2个；冬季，武汉和上海的空调用户每次运行时使用的设置温度个数集中在1～2个，而重庆则集中在1个设置温度上。该结果说明，空调用户在冬季的调温需求弱于夏季，同时，夏季上海的调温需求弱于重庆和武汉，冬季重庆的调温需求弱于武汉和上海。

图3 各城市单次运行时设置温度的使用个数分布Fig.3 Distribution of the number of used temperatures in a single operation in each

该结果表明，空调用户每次使用中会存在使用超过1个设定温度的情况，在一次使用过程中会使用2个甚至3个设置温度，这说明使用人员存在对设定温度的调节需求，可能在不同状态下对室内温度的需求存在差异，例如，当人处于一个动态的热环境时：人从一个相对较热的室外环境刚进入到室内环境时，希望室内温度能够下降的更快一些，于是可能在空调刚开始运行时会设置更低的温度，但随着空调的运行，人对室内降温的需求有所下降，可能就会调高设定温度；当人在室内从事不同的活动时：比如人在睡觉和人在清醒状态下可能对室内热环境的需求不同，从而产生设定温度的调节。或者当室内空间存在多个人时，由于不同的人对室内温度的需求存在差异，同样会存在设定温度的调节。

3.2 调温需求

上述研究结果已经表明，空调用户无论是在冬夏，对设定温度都存在一定的调节行为，所以，下面的内容将重点讨论用户的调温细节。

1)夏季 将夏季空调单次运行过程中最低设置温度Ts,min分别在17～30 ℃时，该次运行的设置温度的倾向值的分布表现在图4中，可以发现，当Ts,min处于不同区间时，用户对设置温度的需求差异表现明显：当Ts,min<26 ℃时，用户的Ts,q≠Ts,min的概率明显大于Ts,min≥26 ℃时，该现象说明，当Ts,min<26 ℃时，用户的调节行为整体上比Ts,min≥26 ℃时更强。表3汇总了图4中所表现的重要信息。

图4 夏季单次运行时最低设置温度分别为17～30 ℃时该次运行的设置温度倾向值分布Fig.4 Distribution of the set temperature propensity value of the operation when the minimum set temperature in the single operation in summer is 17～30

表3 常见Ts,q与Ts,min的关系表Table 3 Relationship between common Ts,q and Ts,min

从上述结果可以推断出，26 ℃作为房间空调器在夏季的默认设置温度，在调节行为习惯的划分上同样是一个明显的临界值，当空调在一次使用过程中，设置的最低设置温度低于26 ℃时，这次运行过程中发生设置温度调节动作的可能性较大，并且存在一次运行过程中短时间使用一个低于26 ℃的设定温度，长时间使用26 ℃的情景，此情景下，无论用户在这次运行过程中设置了17～25 ℃的任一值，用户在这次运行过程中使用时间最长的都是26 ℃，而在此过程中设置温度的调节幅度可大可小，这表明，在一次空调的运行过程中，用户对室内热环境存在持续时间较短的低温需求，这极有可能与人员从一个相对较热的室外环境刚进入到室内环境时，为了使得室内温度能够下降的更快一些，往往在空调刚开始运行时会设置更低的温度有关；另一方面，当空调在一次使用的过程中的最低设置温度大于等于26 ℃时，用户倾向于不调节设置温度或是在1～2 ℃的范围内小范围调高设置温度。

2)冬季 将冬季空调单次运行过程中最高设置温度Ts,max分别在17～30 ℃时，该次运行的设置温度的倾向值的分布表现在图5中，可以发现：在冬季，无论Ts,max如何，用户在这次运行过程中，使用时间最长的设定温度Ts,q就是Ts,max，这与前面空调用户在冬季的调节需求较弱的结论相一致，说明大多数用户在冬季某次空调运行过程中设定了一个温度值之后就不会再去改变设定温度。

图5 冬季单次运行时最高设置温度分别为17～30 ℃时该次运行的设置温度倾向值分布Fig.5 Distribution of the set temperature propensity value of the single operation when the maximum set temperature in the single operation in winter is 17～30

4 设置温度与不同时间段的关系

分别统计每天24 h之中设置温度高于26 ℃与低于26 ℃的占比，以便分析用户的设定温度习惯与不同时间段的关系。(注：下图中所涉及到的时刻i为一天中的24 h，即0～23，其中0时刻指[0:00,1:00)之间的时间段，1时刻指[1:00,2:00)之间的时间段,……,依次类推，i时刻指[i:00,(i+1:00)之间的时间段)

图6 夏季各个时刻的设置温度高于26 ℃的使用比例Fig.6 Proportion of the set temperature above 26 ℃ at various times in

1)夏季 由图6和图7可知，在每天的0：00—6:00点，设置温度高于26 ℃的占比明显高于其余时间段，其中，上海在0：00—6:00点设置温度高于26 ℃的占比比重庆和武汉高出5%左右；在每天的11:00—13:00点与17:00—21:00点，设置温度低于26 ℃的占比明显高于其余时间段，其中，武汉在每个时刻设置温度低于26 ℃的占比都比重庆和上海低5%～20%，重庆几乎在所有时刻设置温度低于26 ℃的占比都高于其余两个城市，尤其在12：00和20：00点差异最为明显，另外，在17：00—21：00这一时间段，每个城市的设置温度低于26 ℃的集中时间段有所差异，其中，上海的集中时间段最早，位于17：00—20：00，重庆和武汉的略晚一个小时，位于18：00—21：00。

图7 夏季各个时刻的设置温度低于26 ℃的使用比例Fig.7 Proportion of the set temperature below 26 ℃ at various times in

上述结果可以表明，在夏季，用户对室内温度的需求与一天中的不同时刻有关，分析出现这种情况的原因，可能与用户在这些时间段所处的特殊活动状态或动作有关：用户在一天之中所需求的设定温度最低的时间段是恰好是位于中午吃饭时刻和晚上太阳落山时刻(吃饭)，中午11：00—13：00，用户可能刚回到家、准备吃午饭或正在做午饭等，傍晚17：00—21：00，用户可能下班刚回到家、准备吃晚饭或正在做晚饭、刚散步回到家等，即人们在这两个时刻普遍处于不稳定的状态(瞬态热环境)，这些状态下，用户的需求其实相对来说是一个瞬态且暂时性的需求，由于各种原因用户在短时间内希望获得更低的室内温度帮助他们过渡这个瞬态，比如用户刚回到家、吃饭、或做饭导致在瞬态的产热量偏大、希望获得更低的环境温度，过了这几个时刻后，对设定温度的需求又会恢复平常水平，可以理解为用户短时间的瞬态需求被满足了，然后过渡到了稳定的热环境需求之中。在以往的研究中，很少有研究者关注到设置温度与不同时刻的关系，在住宅的空调能耗模拟中，也很少有学者针对设置温度的时间表深入挖掘，然而，设置温度是影响空调能耗的关键参数，可以对空调能耗模拟中设置温度的输入时间表做出重要参考。

2)冬季 同理，从图8和图9中可以发现，冬季24 h设置温度的需求差异不大，图形的变化幅度明显比夏季平缓了许多，可以认为冬季24小时内的设置温度需求并无明显差异。该结果也从侧面印证了人员在冬季使用空调时，对室内热环境的需求较稳定，调节行为较弱。

图8 冬季各个时刻的设置温度高于26 ℃的使用比例Fig.8 Proportion of the set temperature above 26 ℃ at various times in

图9 冬季各个时刻的设置温度低于26 ℃的使用比例Fig.9 Proportion of the set temperature below 26 ℃ at various times in

5 设置温度与室外温度的关系

为了获取设置温度随室外温度的变化趋势，分别将夏季与冬季研究周期内每一天所有空调器设置温度平均值与室外温度平均值的散点关系图绘制在上图10与图11中，其中，室外温度采用的是来源于气象网站的日平均室外温度。由图可知，在夏季，上海地区表现出的特征明显区别于重庆和武汉：对于上海，当室外温度上升到31 ℃的过程中，设置温度有随室外温度上升而升高的趋势，当室外温度大于31 ℃时，设置温度的平均值在26～26.5 ℃的范围趋于稳定；对于重庆和武汉，随着室外温度的升高，设置温度有降低的趋势。在冬季，随着室外温度的变化，设置温度没有表现出特定的变化趋势，设置温度始终处于比较稳定的范围内。

图10 夏季日平均设置温度随日室外平均温度的变化散点图Fig.10 Scatter plot of daily mean setting temperature changing with daily outdoor mean temperature in

图11 冬季日平均设置温度随日室外平均温度的变化散点图Fig.11 Scatter plot of daily mean setting temperature changing with daily outdoor mean temperature in

6 讨论

基于大数据监测平台下的监测数据对处于中国夏热冬冷地区与长江流域地区的3个典型城市的房间空调器进行了分析，与以前文献研究不同的是：

1)前期针对房间空调器的调查研究之中，数据量都非常有限，大多数研究都仅仅针对几户或几十户，并且研究对象多来自单一的城市，没有针对不同城市的空调使用习惯进行对比分析。对于中国的研究，大多数研究都是针对的北京，针对我国长江流域地区，即夏热冬冷地区的空调使用习惯研究明显不足。而本研究中，选取了长江上游、中游、下游3个典型城市总共约1 500台空调器进行了分析，相比于以前的研究，更具有普适性和参考价值。

2)以往的研究中，对空调耗电量或空调开启与关闭行为的研究明显多于对空调设置温度的研究，在以前只能通过问卷调研方式得到设置温度的情况下，只能获取用户设置温度的大致范围，无法对设置温度进行详细分析。虽然在文献[15]中，利用智能电表的手机App获取用户的设置温度参数，但该研究中的数据量有限，且该研究仅限于基本的统计分析。而本文重点分析了房间空调器设置温度的基本分布以及设置温度与一些影响因素的相关关系，这是以往的研究中所缺乏的。

7 结论

分别从设置温度的整体分布、设置温度的调节需求以及设置温度与一天不同时间段的关系、设置温度与室外温度的关系4个方面对长江流域地区3个典型城市房间空调器的设置温度情况进行了分析，得出以下主要结论：

1)虽然重庆、武汉、上海都处于长江流域地区，但3个地区的居民对空调运行时室内热环境营造的需求存在明显差异：上海在夏季比重庆和武汉偏好更高的室内设置温度，且调温需求也明显弱于重庆和武汉，重庆在冬季比上海和武汉偏爱更高的设置温度，且调温需求也弱于上海和武汉。未来对长江流域建筑供暖空调的相关研究是否有必要对不同城市进行区分，该结论有一定参考作用。

2)夏季，在一次空调运行过程中，用户实际调控过程中存在短时间内设置较低设置温度(低于26 ℃)，长时间设置26 ℃这样的设置温度调节情景。该结论可以在一定程度上支撑“使用人员在刚开启空调时偏爱设置较低的温度以使得房间冷的更快”这一在以往研究和工程应用中被广泛假设的使用模式。

3)长江流域地区的空调用户在夏季对室内热环境的需求并不是稳态的，用户在一次空调运行中或者在一天的不同时间段中，对设置温度的需求均会发生变化，主要体现在用户在夏季平均每次开启空调使用1～3个设置温度，在一天中的0：00—6：00(睡觉)设置温度最高，在一天中的中午11：00—13：00间(午饭)以及傍晚17：00—21：00间(太阳落山时刻、晚饭、散步回家等)设置温度最低，该结果也间接表明了，在某些特殊活动或动作发生的时刻，用户对室内热环境的需求也存在特殊性。该结论是以往的问卷研究中无法获取的，可以为住宅的空调能耗模拟中设置温度的设置时间表提供有效参考。

4)夏季，设置温度与室外温度存在一定的相关关系，并且上海表现出明显区别于重庆和武汉的特点：在上海，设置温度随室外温度的上升有升高的趋势，在重庆和武汉，设置温度随室外温度的上升则有下降的趋势。