方潛生，陳 濤，李善壽

(安徽建筑大學(xué) 智能建筑與建筑節(jié)能安徽省重點實驗室，安徽 合肥 230022)

當(dāng)前，能源短缺已經(jīng)成為制約社會發(fā)展的重要因素，而節(jié)能減排是解決能源短缺問題的基本措施之一[1].在我國的能源消費中，建筑電力能耗占社會總能耗20%左右.由于辦公人員很少關(guān)心能源節(jié)約問題，超過50%電能是在非工作時間使用的，“行為能耗”約占電力能耗的30%左右[2-3].文獻[3]表明人員行為是影響能效評估的重要因素，通過辦公室工作人員的行為改變，有12%～20%的節(jié)能空間.因此，在做好設(shè)備節(jié)能減排的前提下，減少“行為能耗”能進一步解決節(jié)能減排問題.有必要研究人員行為與能耗的關(guān)系，對辦公設(shè)備的能耗使用過程給予定量評估，從而為優(yōu)化用能行為提供參考依據(jù).

建筑能效評估是當(dāng)下公共建筑節(jié)能工作的研究熱點，也是做好節(jié)能減排工作的前提及參考依據(jù).文獻[4-5]通過監(jiān)測家庭電量使用狀態(tài)，對影響因素較少的用電指標(biāo)采用層析分析法，而對影響因素較多的用電指標(biāo)采用貝葉斯方法，通過兩種方法相結(jié)合的方式進行建模和評估，能較好地評估電力消耗狀況和提供有效的節(jié)能策略.文獻[6]講述使用典型能耗法對不同型號和不同功能的打印機產(chǎn)品進行測試分類，在選擇功能相近的打印機時，選擇節(jié)能效果較好的產(chǎn)品，從而降低能耗損失.文獻[7]研究有效能耗和無效能耗的組成，通過能效比和損失率的評價體系，降低無效能耗與總能耗的比值，提升有效能耗的使用效率，從而實現(xiàn)節(jié)能減排.文獻[8]研究基于用戶用電量的數(shù)據(jù)集，分析建筑物理特性和電器用能特性，構(gòu)建每天電量最大(峰值)和最小(空閑)消耗的獨立模型.文獻[9]對設(shè)備的經(jīng)濟因素和用電特性進行模糊處理，分析家用電器長期負荷變化規(guī)律，建立一種基于用能評估的需求側(cè)管理方法.文獻[10-11]介紹基于建筑內(nèi)各種電器的用電特性建立評價指標(biāo)體系，對各個系統(tǒng)進行能效評估.在不改變其運行狀態(tài)的條件下，優(yōu)化電器內(nèi)部的耗能結(jié)構(gòu)，實現(xiàn)節(jié)能減排.綜合上述文獻，在建筑能耗評估方法中，大部分文獻是基于用電設(shè)備的用電特性進行能效評估，而忽視了人員行為因素對設(shè)備使用狀態(tài)帶來的影響，從而導(dǎo)致大量不合理電能損耗.

論文基于終端用電數(shù)據(jù)及人員行為分類，對建筑能效評估問題進行研究，提出一種基于人員行為分類的用能有效性評估方法.該方法首先采用局部加權(quán)樸素貝葉斯(locally weighted naive Bayes, 簡稱LWNB)算法對用電行為進行分類，在此基礎(chǔ)上引入權(quán)重因子，構(gòu)建了一種用能有效性評估模型.通過監(jiān)測不同人員的辦公設(shè)備一周能耗情況，采用計步器與監(jiān)控軟件檢測人員行為，利用有監(jiān)督機器學(xué)習(xí)方式對人員行為進行分類.同時基于論文提出的用能有效性評估方法，給出了不同人員的用能有效性評估值.

1 行為與能耗檢測方法

1.1 行為與能耗數(shù)據(jù)采集系統(tǒng)

辦公場所內(nèi)，與人員密切相關(guān)的用電設(shè)備通常來源于插頭負載.插頭負載包括臺式電腦、電腦顯示器、工作燈、揚聲器、手提電腦、硬盤及個人取暖器等.

在研究過程中，人員使用Fitbit zipTM計步器，通過藍牙，實時采集和傳輸人員位置數(shù)據(jù)，同時使用監(jiān)測軟件檢測計算機外設(shè)使用狀態(tài)數(shù)據(jù)[12]，并將這些數(shù)據(jù)傳輸?shù)綌?shù)據(jù)庫中作為真實值.計算機能耗數(shù)據(jù)和人員行為真實值采集系統(tǒng)結(jié)構(gòu)，如圖1所示.

通過一種智能插座系統(tǒng)能夠無線采集個人辦公電器的用電數(shù)據(jù)，該系統(tǒng)每隔10 s采集設(shè)備用電數(shù)據(jù)，包括電壓、電流、有功功率、電量、時間等[13].利用辦公設(shè)備電能數(shù)據(jù)建立了人員個體行為模型.首先，通過一個檢測計算機外設(shè)是否活動的Java程序，每隔5 min檢測一次；通過判斷計算機外設(shè)在5 min內(nèi)是否使用過，若檢測使用過，則判定電腦在該段時間處于工作狀態(tài)，其工作狀態(tài)為1；若檢測未使用，則判定計算機未處于工作狀態(tài)，其工作狀態(tài)為0.其次，使用Fitbit zipTM計步器檢測人員是否在其工作位上，計步器佩戴在人員手腕上，其工作范圍為6 m左右，與工作位上的藍牙適配器相連接，通過藍牙，每隔5 min檢測一次人員是否在其工作位上.若檢測到計步器距離在人員工作臺范圍內(nèi)，則判定人員處于工作位上，其工作狀態(tài)為1；若檢測到計步器距離不在工作臺范圍內(nèi)，則判定人員未處于工作位上，其工作狀態(tài)為0.

圖1 計算機能耗數(shù)據(jù)和人員行為真實值采集結(jié)構(gòu)示意圖

1.2 人員行為分類設(shè)定

這些信息將顯示人員是否正在積極地使用計算機.通過組合人員位置信息和計算機外設(shè)狀態(tài)信息，可以記錄4個行為場景.人員的行為場景分別是：(1) “使用計算機行為”表明人員在其工作位上，并使用計算機完成工作；(2) “未使用計算機行為”表明人員在其工作位上，但并未使用計算機(這樣的狀態(tài)可能包括人員書寫工作、和同事討論、吃飯、打電話等)；(3) “遠程使用計算機行為”表明人員不在其工作位上工作，而在遠處使用其他計算機連接本地計算機進行控制；(4) “空行為”表明人員離開其工作位上，也沒有遠程控制計算機.前兩個行為場景表明人員在其辦公室，最后兩個場景表明人員不在其辦公室[12].

在上述4類人員行為狀態(tài)下，智能插座檢測設(shè)備不同狀態(tài)下的有功功率和時間，分別得到不同狀態(tài)下的功耗.通過組合這4種信息，可以記錄人員行為和設(shè)備的功率關(guān)系，如表1所示.

表1 人員行為與設(shè)備功率關(guān)系

2 人員行為識別方法

2.1 局部加權(quán)樸素貝葉斯(locally weighted naive Bayes,簡稱LWNB)算法

局部加權(quán)學(xué)習(xí)[14]是一種懶惰學(xué)習(xí)方式，主要用于數(shù)據(jù)的記憶訓(xùn)練和在數(shù)據(jù)庫中查找相關(guān)的信息.局部加權(quán)學(xué)習(xí)已經(jīng)被廣泛運用到機器控制和數(shù)學(xué)統(tǒng)計問題中，并取得較大的優(yōu)勢.

在局部加權(quán)樸素貝葉斯模型中，數(shù)據(jù)集的子集由最鄰近算法決定，使用參數(shù)e調(diào)整實例數(shù)，通過加權(quán)函數(shù)與最鄰近距離設(shè)置帶寬的大小.令di為測試實例到第i個最鄰近點xi的歐式距離，并將所有屬性在計算距離前，需要對數(shù)據(jù)進行數(shù)據(jù)處理[15-16].令f函數(shù)對所有y≥1，都存在f(y)=0.每個實例xi的權(quán)重為

ωi=f(di/de)，

(1)

上式表明實例xi與測試實例間距離.若距離很遠，則權(quán)重為0；若距離相同，則權(quán)重為1.

加權(quán)函數(shù)式(1)需要具有單調(diào)性和遞減性.在應(yīng)用研究中，使用一種線性加權(quán)函數(shù)為

flinear=1-y，y∈[0,1].

(2)

假定有r個訓(xùn)練實例xi,滿足di

(3)

其中：o為訓(xùn)練實例的總數(shù).

假設(shè)數(shù)據(jù)X包含n個屬性值，具有一個獨立類別屬性Y.根據(jù)貝葉斯計算方法，其后驗概率可以由以下公式計算

(4)

對于不同屬性Yl的概率可以通過貝葉斯定理進行推導(dǎo)，推導(dǎo)公式為

(5)

其中：p是分類的類別總數(shù)，n是x數(shù)據(jù)集的自身屬性總數(shù).

LWNB分類器對最鄰近的實例分配更大權(quán)重，而對較遠距離的實例分配更少的權(quán)重.利用局部加權(quán)方法，式(5)右邊的概率根據(jù)加權(quán)后的數(shù)據(jù)進行計算，計算方式如下

(6)

I(Y=yl)是一種指標(biāo)函數(shù)，定義如下

(7)

對于4個行為類別分類采用LWNB分類方法，每個樣本具有n=3屬性，分別為電壓(X1)，電流(X2)，5 min電量(X3).行為類別共4類，即p=4，分別為Y1,Y2,Y3,Y4. 其標(biāo)號分別代表“使用計算機行為”、“未使用計算機行為”、“遠程使用計算機行為”和“空行為”.對于人員行為分類，采用有監(jiān)督學(xué)習(xí)方式.該方式對訓(xùn)練樣本進行學(xué)習(xí)，通過與實際監(jiān)測標(biāo)簽數(shù)據(jù)進行比較判斷，以盡可能對訓(xùn)練樣本集外的數(shù)據(jù)進行分類預(yù)測.

2.2 K折交叉驗證方法

K折交叉驗證的基本思想：在一定情況下，將數(shù)據(jù)集分類為訓(xùn)練集和驗證集兩個部分，先通過訓(xùn)練集對原始模型進行訓(xùn)練，再利用驗證集測試訓(xùn)練后模型的泛化誤差，起到檢驗指標(biāo)作用[17].

論文采用有監(jiān)督學(xué)習(xí)方式，通過LWNB分類方法將電能數(shù)據(jù)進行分類，將得到的人員行為數(shù)據(jù)與所監(jiān)測的實際人員行為數(shù)據(jù)做比較，再驗證其準(zhǔn)確率.令K=10，其測試步驟如下：

(1) 將除去周6、7的人員全部行為數(shù)據(jù)集S分成10個不相交的子集，其相應(yīng)的子集為{S1,S2,…,S10}；

(2) 每次從分好的子集中，拿出一個作為驗證集，其他9個作為訓(xùn)練集，訓(xùn)練出模型；

(3) 將模型放在測試集上，得出分類率；通過計算10次分類率的平均值，該平均值作為模型的真實分類率.

2.3 Kappa檢驗方法

Kappa統(tǒng)計量作為評估分類一致性的指標(biāo)，它是通過兩個或兩個以上的評分值測量分類類別的一致性，以由于偶然狀況造成的一致性與真實觀測的一致性誤差作為統(tǒng)計指標(biāo)[18].因此，Kappa統(tǒng)計值在應(yīng)用研究中比簡單百分比分類更具有參考意義，其定義式如下

(8)

其中：Pr(a)是分類器贊同的比率，Pr(e)是隨機分類贊同的比率.若k= 1，則該模型的分類結(jié)果與真實值完全一致；若k= 0，則該模型的分類結(jié)果與真實完全不同.

將LWNB分類方法的正確率與Kappa統(tǒng)計值進行比較，利用模擬結(jié)果，判斷LWNB分類方法是否真實可靠.

3 用能有效性評估方法

基于用能行為分類的用能有效性評估方法即采用LWNB方法對人員的用電行為進行分類，且對不同用電行為賦予相應(yīng)的權(quán)重，結(jié)合用能行為的能耗數(shù)據(jù)，給出用能有效性評估值.

基于用能行為分類的基礎(chǔ)上，令能耗狀態(tài)D1，D2，D3，D4分別代表為“使用計算機行為”、“未使用計算機行為”、“遠程使用計算機行為”和“空行為”.對于D1狀態(tài)，人員完全使用計算機，故賦予1；D2和D4狀態(tài)，計算機完全處于未工作狀態(tài)，故賦予0；D3狀態(tài)，人員遠程使用計算機，其權(quán)重a為主機功率與計算機總功率之比，不同品牌的臺式機，其權(quán)重a會發(fā)生變化.通過測試辦公室統(tǒng)一型號計算機(如宏基D430臺式機)，發(fā)現(xiàn)其權(quán)重為0.65±0.05之間，取其平均權(quán)重0.65.其有效性評估具體的計算步驟如下：

(1) 通過人員用能行為分類，對不同能耗狀態(tài)D1，D2，D3，D4進行權(quán)重賦予

(9)

(2) 對于i能耗狀態(tài)下，其用能總量為

(10)

(3) 用能有效性評估值為

(11)

其中：式(9)中i表示行為狀態(tài)的種類；式(10)是計算單一行為狀態(tài)下設(shè)備的耗電量，Wi表示在i狀態(tài)下所耗的電量值，Pi表示在i狀態(tài)下Ti時間內(nèi)的平均功率，Ti表示在i狀態(tài)下的總工作時間，t表示采樣間隔時間，Pj表示在i狀態(tài)下每隔t時間所采樣的平均功率值，n表示在Ti時間內(nèi)總共采集功率數(shù)據(jù)的數(shù)量；式(11)是各種狀態(tài)所耗能量取其有效能耗與總能耗之比，得到用能有效性評估值，η表示最終計算的用能有效性評估值，m表示行為狀態(tài)的總個數(shù).

4 實驗結(jié)果分析

4.1 人員行為識別分析

在同一個工作環(huán)境下，使用同樣型號的臺式計算機(如宏基D430臺式機)，實驗測試兩位人員一周行為時間表，在行為分類中，使用10折交叉驗證[13].人員1,2的用能行為分類的平均準(zhǔn)確率分別為94.23%，90.69%，人員1，2的Kappa統(tǒng)計量平均值分別為0.88，0.81.

圖2取周3人員24 h行為時間表，該圖表示人員在一天中從7：00—19：00行為發(fā)生多樣變化.圖1(a)說明人員1該工作日較早來到辦公室，上午使用遠程工作，可能向上級匯報工作等.中午時間段計算機處于“空狀態(tài)”，可能在午休等.下午基本處于工作狀態(tài).圖1(b)說明人員2在該工作日中主要在其工作位上工作，中間未使用計算機工作，其狀態(tài)可能與同事討論或打電話等.圖1中能夠清晰地看見人員1，2在一天內(nèi)行為隨時間的變化曲線，能有效監(jiān)測人員的工作狀態(tài).

圖2 人員周3的行為時間表

4.2 用能有效性評估結(jié)果與分析

4.2.1 日用電有效性評估結(jié)果與分析

在電能消耗中，人員不同的行為導(dǎo)致不同能源消耗，一部分是有效的能耗，而另一部分無效能耗.在用能有效性評估中，利用有監(jiān)督機器學(xué)習(xí)方式分類人員行為，將有效能耗與無效能耗區(qū)分.對人員不同的用能行為，其有效能耗與無效能耗的比重也不同，故需要對不同的用能行為賦予不同的權(quán)重值.圖3為人員1，2在一天中用能行為狀態(tài)權(quán)重的Z值曲線，其Z值曲線對應(yīng)圖1的用能行為.該圖表明計算機在一天中其工作的有效時間段，可以在無效時間段內(nèi)，通過控制計算機關(guān)機或待機，從而節(jié)約大量的電能.

圖3 人員行為的Z值曲線

計算機有功功率通過一種無線智能插座系統(tǒng)進行采集.圖4表示計算機24 h有功功率，其工作狀況對應(yīng)圖2用能行為.通過結(jié)合圖3用能行為狀態(tài)Z值曲線，能夠發(fā)現(xiàn)人員1較長時間不使用計算機時，計算機沒有待機或關(guān)機，造成不必要的電能損耗；而人員2具有好的節(jié)能習(xí)慣，在較長時間不使用計算機時，選擇將計算機及時待機或關(guān)機，合理使用電能.通過能耗評估方法，結(jié)合該工作日的Z值曲線，得到：人員1，2的能耗值分別為725.58 W·h,372.39 W·h;人員1，2的能耗評估值分別為62.27%，80.12%.人員2的用能有效性評估值比人員1高17.45%，可見人員2比人員1的行為具有更好的節(jié)能效果.

圖4 計算機24 h有功功率

4.2.2 周用電有效性評估分析

圖5是一周所得到用能有效性評估值曲線圖.在工作日期間，人員1的用能有效性評估值基本處于0.6左右，而人員2的用能有效性評估值基本處于0.8左右.由于人員在周6、7不工作，故人員的有效能耗為0，用能有效性評估值也為0.該圖說明用能有效性評估值能實現(xiàn)人員用能合理性的定量評估，能有效觀測辦公人員的工作狀況和能效使用情況.

圖5 一周用能有效性評估值

5 結(jié)束語

為了反映辦公人員用電能效水平，避免人為原因?qū)е碌牟缓侠黼娔芟模撐奶岢隽嘶谌藛T行為分類的用能有效性評估方法.實驗表明：該分類方法對于辦公人員行為分類的結(jié)果達到較高準(zhǔn)確率，為用能有效性評估提供一個合理的基礎(chǔ)；通過用能有效性評估方法研究，能夠?qū)崿F(xiàn)人員用能合理性的定量評估，有效地觀測辦公人員的工作狀況和能效使用情況，有助于公用建筑節(jié)能潛力的精細化評估，從而能對用能行為進行科學(xué)有效的節(jié)能指導(dǎo).在后續(xù)研究中，對用能行為的區(qū)分需要更加細化，而且對于很多浪費電能的行為，需要對人員行為進行節(jié)能指導(dǎo)，同時也需要對用電設(shè)備做到智能化節(jié)能控制.