朱學(xué)躍 趙 寧 吳克麒 胡葉楠 陳源梓 長安大學(xué)建筑工程學(xué)院

1 前言

為了營造良好的室內(nèi)環(huán)境，開窗通風(fēng)是最常見、最有效的調(diào)節(jié)方式。然而開窗通風(fēng)換氣的同時(shí)也需要考慮開窗行為對能耗的影響。不合理的開窗行為，會導(dǎo)致室外空氣帶入過多的熱、濕、冷量，會使辦公建筑能源消耗更加嚴(yán)重。受圍護(hù)結(jié)構(gòu)、氣象條件以及室內(nèi)人員用能影響，導(dǎo)致不同建筑的能耗存在較大差異，其中人行為的復(fù)雜性和不確定性，是導(dǎo)致用能差異的主要影響因素[1]。

人行為具有隨機(jī)性和復(fù)雜性，不能采用統(tǒng)一簡化的方式描述人行為。因此，充分了解室內(nèi)人員開窗行為特征及其影響因素，并開發(fā)人行為自適應(yīng)性模型，并將模型嵌入能耗模擬軟件，是縮小建筑能耗預(yù)測與實(shí)際能耗之間差距的最有效途徑之一[2]。

目前用于描述人行為的模型種類繁多，根據(jù)研究目的模型大致可被劃分為兩種類型，一種是用于預(yù)測動態(tài)的窗戶狀態(tài)轉(zhuǎn)換概率，另外一種是基于已有環(huán)境參數(shù)預(yù)測靜態(tài)的窗戶所處狀態(tài)的概率。此外，用于預(yù)測窗戶所處狀態(tài)的靜態(tài)模型包括二元邏輯回歸、人工神經(jīng)網(wǎng)絡(luò)、高斯分布等，其中邏輯回歸模型是目前用于預(yù)測開窗狀態(tài)最為廣泛的模型。

對于二元邏輯回歸模型，已有研究成果中對自變量通常采用連續(xù)變量的形式進(jìn)行建模預(yù)測開窗行為，每個(gè)自變量對應(yīng)一個(gè)回歸系數(shù)和優(yōu)勢比解釋其對窗戶開啟可能性的影響程度。例如室外相對濕度以連續(xù)性變量帶入模型后所得結(jié)果優(yōu)勢比為2.5，可解釋為：當(dāng)其他變量保持不變，相對濕度每增加1%窗戶處于開啟狀態(tài)可能性是其他變量的2.5倍。本文基于二元邏輯回歸模型進(jìn)行模型研究。

2 研究方法

2.1 建筑概況

本研究測試時(shí)間為春季過渡季（2020年3月16日—2020年6月15日）。實(shí)測地點(diǎn)選取西安市某研究院綜合辦公樓為研究對象，該辦公樓地上共23層，坐北朝南，其北面無建筑物遮擋，南鄰與其相同高度的建筑物。本文選取9間樓層、面積、朝向、辦公性質(zhì)不同的房間作為實(shí)測地點(diǎn)，具體房間信息見表1，其中包括房間所處樓層、面積、窗戶朝向及類型、門窗數(shù)量。該綜合辦公樓室內(nèi)人員在過渡季通常采用開窗的方式進(jìn)行自然通風(fēng)換氣調(diào)節(jié)室內(nèi)環(huán)境來滿足人員舒適度。

表1 監(jiān)測房間信息匯總

2.2 測試儀器

室內(nèi)測試設(shè)備包括室內(nèi)環(huán)境檢測儀（溫度、相對濕度、PM2.5濃度、CO2濃度以及TVOC濃度）、米家門窗傳感器、米家多功能網(wǎng)關(guān)；室外氣象參數(shù)測試設(shè)備是安裝在該辦公樓天臺空曠處的小型氣象站，其可以獲取室外參數(shù)包括溫度、相對濕度、太陽輻射、降雨量、風(fēng)速、風(fēng)向等參數(shù)。此外，室外噪聲參數(shù)使用手持式噪聲儀器采集，室外PM2.5濃度由距離測試地點(diǎn)最近的空氣質(zhì)量曲江國控監(jiān)測點(diǎn)所測得。設(shè)備參數(shù)明細(xì)如表2所示。

表2 設(shè)備參數(shù)明細(xì)表

實(shí)測期間將米家門窗傳感器安裝在窗框處，門窗傳感器安裝方式如圖1（a）所示。該裝置通過ZigBee通信技術(shù)（短距離、低速率下的無線通信技術(shù)）與米家多功能網(wǎng)關(guān)進(jìn)行連接，可將窗戶狀態(tài)實(shí)時(shí)數(shù)據(jù)上傳至手機(jī)APP。室內(nèi)環(huán)境監(jiān)測裝置為了避免測量誤差，應(yīng)盡可能放置在房間中心位置附近并且避免陽光直射。該裝置通過連接電源可全天24h對環(huán)境進(jìn)行實(shí)時(shí)監(jiān)測，監(jiān)測時(shí)間步長為15min。HOBO U30-NR氣象站被安裝在該辦公樓天臺的空曠處，傳感器的安裝布局如圖1（b）所示。其共有6個(gè)傳感設(shè)備，分別監(jiān)測室外溫度、室外相對濕度、太陽輻射、降雨量、風(fēng)速、風(fēng)向6個(gè)氣象參數(shù)，數(shù)據(jù)記錄間隔時(shí)間為5min，該氣象站具有自記功能，可以存儲近五個(gè)月內(nèi)50萬個(gè)數(shù)據(jù)并通過配套軟件可導(dǎo)出數(shù)據(jù)。手持式分貝儀在各樓層窗戶外進(jìn)行監(jiān)測發(fā)現(xiàn)室外平均噪聲分布在50dB～60dB，并且由于在監(jiān)測期很少出現(xiàn)降雨天氣且降雨量較低，因此本文對室外噪聲以及降雨量不做分析。

圖2 部分測試裝置

3 模型建立

開窗行為問題是典型的二分類問題，其中因變量為窗戶狀態(tài)（開窗或關(guān)窗），自變量為環(huán)境因素（室內(nèi)外溫濕度、室內(nèi)外PM2.5濃度、室內(nèi)TVOC和CO2濃度等）。目前國內(nèi)外在開窗行為研究中最普遍的模型算法為二元Logistic回歸，對于環(huán)境因素這些連續(xù)自變量，每變化一個(gè)單位水平的自變量所引起的開窗行為因變量變化效應(yīng)是在一定程度上可以表征人的開窗行為，傳統(tǒng)邏輯回歸分析結(jié)果能較準(zhǔn)確反應(yīng)自變量對因變量的影響程度。

在二元邏輯回歸模型中假設(shè)因變量為y，影響y的n個(gè)自變量為x1，x2，x3，…，xn，P表示事件發(fā)生的概率。P值以0.5為分類標(biāo)準(zhǔn)值，當(dāng)P＞0.5時(shí)y取值為“1”代表窗戶為開啟狀態(tài)，反之取值為“0”代表窗戶為關(guān)閉狀態(tài)。二元邏輯回歸方程如公式（1）所示：

式中：β0為常數(shù)；βi為回歸系數(shù)；xi為自變量。

模型檢驗(yàn)結(jié)果：

對于二元邏輯回歸模型的評價(jià)指標(biāo)常見的有Nagelkerke R2擬合度檢驗(yàn)、受試者工作特性曲線下面積（Area Under the Curve,AUC）以及預(yù)測準(zhǔn)確率。Nagelkerke R2擬合度檢驗(yàn)值在0～1之間，越接近于1模型擬合度越高。AUC值同樣越接近于1，模型的判別區(qū)分能力越強(qiáng)。當(dāng)AUC=0.5時(shí)模型無預(yù)測價(jià)值；處于0.5～0.7之間時(shí)模型區(qū)分能力較低；處于0.7～0.9時(shí)模型區(qū)分能力中等；大于0.9時(shí)模型區(qū)分能力較高。模型檢驗(yàn)結(jié)果如表3所示。

表3 模型評價(jià)指標(biāo)

4 結(jié)束語

本文以寒冷地區(qū)西安市某研究院綜合辦公樓為研究對象，通過對春季過渡季（2020年3月16日—2020年6月15日）室內(nèi)人員開窗行為和環(huán)境參數(shù)進(jìn)行測試，建立了過渡季開窗行為Logistic模型，結(jié)論如下。

（1）除室外風(fēng)向外，室內(nèi)外溫度、室內(nèi)外相對濕度、室內(nèi)外PM2.5濃度、室內(nèi)TVOC濃度、室內(nèi)CO2濃度、太陽輻射和室外風(fēng)速均對室內(nèi)人員開窗行為有顯著影響。

（2）室外溫度、室外相對濕度和室內(nèi)PM2.5濃度均與窗戶處于開啟狀態(tài)的可能性呈正相關(guān)。室內(nèi)相對濕度、室內(nèi)CO2濃度、室內(nèi)TVOC濃度、室外PM2.5濃度以及室外風(fēng)速與窗戶處于開啟狀態(tài)的概率成負(fù)相關(guān)。窗戶處于開啟狀態(tài)的可能性隨室內(nèi)溫度和太陽輻射的升高呈先升后降的趨勢，分別在24℃～26℃和250W/m2～450W/m2范圍時(shí)窗戶處于開啟狀態(tài)的可能性最高。