基于数据挖掘的空调使用行为特征及运行模式分析

陈淑琴,李鑫悦,李鸿亮,楼云霄

(浙江大学 1.建筑工程学院;2.控制科学与工程学院,浙江 杭州 310027;3.浙江中易和节能技术有限公司,浙江 杭州 310052)

随着高校规模的不断扩大,其能源需求不断增长。据统计,我国有大学2 000余所,能源消耗占社会总能耗的8%[1]。其中,空调能耗占较大比重。有研究对2014、2015年间某高校能耗进行了分项分析,结果显示,空调系统能耗占比最大,达41.76%[2]。高校建筑中,办公楼、科研楼目前均已普遍安装了空调,由于教学条件的改善,既有教学建筑也将逐渐加装空调。高彪等[3]研究显示,既有教学建筑加装空调用以制冷和供暖后,全年单位面积能耗将有15～30 kW·h/m2的增长,为未装空调时能耗的2倍。因此,减少教学建筑的空调用电量是当前校园节能的重要目标之一。高校教学建筑使用人数多、人流量大,不同教室使用率差别很大,导致教学建筑空调使用随机性强,对空调的使用难以管理。胡天乐等[4]对北京某高校教学楼进行的调查显示,不同时间段教室的使用率相差较大,根据自习教室使用模式对空调运行策略进行优化,预计可节能18.8%。刘小琴[5]以某高校为个案,分析了教室需求量的影响因素及使用率,结果显示,其所调查的教学楼上午时段教室利用率达70%以上,高于其他时段,且各教室差异较大。谈雪等[6]基于某高校能耗监管平台4年的用能数据,对高校校园内不同类型的典型建筑用能特征进行了分析,结果表明,教学建筑的耗电量受室内人员行为和季节温度影响较大。了解教学建筑空调使用的典型模式和关联规则,并对教学建筑空调进行节能管理,具有重要意义。

随着信息科学技术的发展和楼宇自控系统的广泛应用,获取海量的建筑运行及能耗数据成为可能,并基于此为建筑节能优化运行提供了大量的数据支持。截至2013年底,全国累计对5 000余栋建筑进行了能耗实时监测,并在22个省市开展了能耗动态监测平台建设试点[7]。同时,2008年以来,住建部等多部门开展了233所高校节能监管平台的建设,可获取空调用电在内的多种能耗数据[8]。基于这些海量的大数据,通过数据挖掘等手段,可以发现与空调使用相关的关联规则,对于高校教学建筑人员流动性强、空调使用随机性大的现状可以进行深入的分析,从而进行节能控制。但当前大多数高校节能监管平台仅对空调系统的总用电量进行了监测,难以具体到各个房间空调末端使用行为。同时,当前的监管平台主要针对能耗进行检测,对室内环境参数检测得很少。因此,当前对教学建筑各教室内空调末端使用行为特征的研究较少,也缺乏对室内热环境的分析。而各教室内空调使用行为和室内环境需求紧密相关,具有很强的随机性,同时又对空调系统总能耗造成重要影响。因此,根据各房间空调末端或分体式空调的实时监控大数据,通过数据挖掘对高校教学建筑各教室空调使用特征及室内热环境特征进行分析,有助于校园建筑空调节能运行管理,实现减少空调能耗的目标。

本文基于某高校节能监管平台中教学楼内各教室2017年6～9月的空调使用及室内热环境数据,针对高校教学建筑空调使用的行为以及温度特征进行了分析,并利用数据挖掘技术得出空调使用的典型模式,为校园建筑空调控制策略的制定和节能管理提供建议和支持。

1 数据收集

本文研究数据来源于浙江省某高校节能监管平台。该校节能监管平台监测了35栋教学建筑,共1 105间房间的空调使用情况,其空调为多联机变制冷剂流量(Variable refrigerant volume,VRV)形式,所有教室内的VRV室内机均有控制面板,可由教室使用者自由控制。平台监测数据每30 min采样1次,参数主要包括数据采集时间、室内温度、设定温度、空调状态、空调启停、室内机风机速度档位、室内机能耗、房间能耗。该高校教学楼作息时间为:8:05第1节课开始上课,16:40最后1节课下课,期间12:10起休息1 h;18:00第1节课开始上课,20:25最后1节课下课。本文根据其2017年6～9月的空调使用数据进行分析,共有数据记录569.8万条。

2 校园建筑空调使用特征分析

2.1 空调使用行为特征

使用时长比例统计如图1所示。其中小于1 h的空调使用记录达到了总数的20.3%,与实际教学用途相符,以按需使用为主。不同使用时长比例与使用时长整体趋势大致成反比,在时长为6 h处有1个极小值,时长为7～8 h处有所回升。结合高校实际作息时间,4～5 h对应1/2工作日课程时长,5～10 h对应白天的空调使用时长,大于10 h的使用情况出现较少。

将使用记录按使用时长分类:将1节课时长即2 h内标记为短时间;将1/2工作日即5 h内标记为中等偏短时间;将整个白天的教学时间段即10 h内标记为中等偏长时间;将大于10 h标记为长时间。按月划归后得到图2。可见,6月和7月1～10日以及9月,短时间和中短时间占比最多,高于60%;7月10日至8月31日由于学校进入暑假,课程明显减少,学生主要以自习为主,空调使用特征与之前相比有所变化,其表现为短时间与中短时间减少,两者占比小于50%,长时间与中长时间所占比例增加至60%以上。

空调开启动作发生的时间分布按月份统计结果如图3所示。6月和9月,空调开启主要集中在上午或下午,两者比例接近。其中6月份上午开启的比例为52.9%,下午开启的比例为47.1%,9月上午开启的比例占57.7%,下午开启的比例占42.3%;而7月及8月,由于自习等其他非授课用途占比增加,长时间使用占比增大,通常空调从上午即开启,与图2所示现象相同,7、8月空调开启时间在上午的记录占比为68.3%。

2.2 空调使用温度特征

空调开启时刻的室内温度统计如图4所示。空调开启时刻的室内温度主要集中在28～32 ℃,占47.6%。根据纪秀玲等[9]对江浙地区非空调环境热舒适调查结果显示,80%的人群可接受的热环境温度上限为30 ℃。Ge等[10]对于杭州地区夏季高校的热舒适性调研显示,当对热环境的实际不满意率(Actual percentage dissatisfied,APD)为20%时,对应教室的室内温度为15.1～29.7 ℃;APD为10%时,对应教室的室内气温为20.7～24.1 ℃。结合以上研究结果,认为该高校室内使用者对室内热环境产生了一定的适应力。

图5为各月空调设定温度的变化趋势,6月和9月空调设定温度较为集中;7月和8月较为分散,各月设定温度平均值差别较小,为22～24 ℃。图6为各月空调使用期间的室内平均温度,从图6中可以看出,相对于6月和9月,因暑假7月和8月各教室设定温度差别较大,各教室在空调使用期间室内平均温度的差别也较大。7月和8月室内平均温度为27.6 ℃,6月及9月为25.9 ℃。

3 基于关联分析的空调使用行为模式分析

3.1 关联分析原理

由于教学建筑人员流动性大,空调的使用行为复杂,因此挖掘出人员在室与空调使用之间的关联规则并提取出其典型的模式,对于空调的能耗模拟以及提供空调的控制逻辑有指导性意义。关联分析方法是典型的数据挖掘技术,其目的是描述整个数据中各项的相互关系,从而得出其中的相关关系。本文中采用关联分析中的Apriori算法来描述各变量间的关联。

Apriori算法是一种广度优先算法,其利用逐层搜索的迭代方法,即其中k项集用于探索(k+1)项集,并基于频繁项集的先验性质(即频繁项集的非空子集均是频繁项集),利用对数据库的多次遍历发现所有的频繁项目集。该算法第1步扫描整个数据库,统计每个项的数量,并采集满足最小支持度的项,找出频繁1项集的集合,该集合记为L1。第2步利用L1找出频繁2项的集合L2,利用L2找出L3,由此步骤直到不能再找到频繁k项集。当由数据库中的数据得出频繁项集后,即可以直接由此产生满足最小支持度和最小置信度的强关联规则。设数据D是数据事务库的集合,设A、B是1个项集,关联规则即形如A⟹B的形式,其在事务集D中具有支持度s和置信度c。其中支持度s(Support)是事务集D中包含A∪B的百分比;置信度c(Confidence)为事务集D中包含A事务的同时也包含B事务的百分比[11]。两者即

(1)

3.2 空调使用行为模式挖掘

在空调使用行为模式挖掘模型中,对于时间特征参数,选取以月旬时间段、空调使用时长、空调开启时刻、是否为工作时段、是否为工作日为与时间相关的参数,并结合开启时室内温度反映室内温度情况,总计共7个变量作为输入变量,将空调使用状态作为输出变量。在输入变量的选取上,所研究的时间段中该高校有正常上课与暑假之分,不同月旬的空调使用特征不同,因此在时间特征中将月旬时间段作为1个输入变量,反映该时间段教学建筑使用特征,如放假、正常上课;根据Zhao等[12]在空调能耗预测的研究中对于时间特征的描述,其日类型(是否工作日)及时间类型(是否工作时间)对空调的使用有着很大影响,因此本文将是否工作时段、是否工作日作为输入变量。又由于教学建筑的使用随机性大,与办公建筑等在1 d中有着较为固定的空调使用时间段不同,因此开启时刻作为输入参数以表征在1 d内的使用时间;使用时长表征室内人员对空调使用的需求时间。其中由于进行关联分析,参数需要为分类变量,因此将关联分析模型中所涉及的输入参数进行离散化,参数离散化表示具体如表1所示。根据Ge等[10]对于杭州地区高校热舒适的研究,根据不同热舒适感受的预测平均评价(Predicted mean vote,PMV)对温度进行分级,根据式(2)取PMV=0.5、1、1.5的对应温度25.6 ℃、28.0 ℃、30.4 ℃,将室内温度分为26 ℃以下、26～28 ℃、28～30 ℃、30 ℃以上。

PMV=0.125t-3.023

(2)

表1 行为模式挖掘参数及离散化表示

使用Apriori算法,设置最小支持度为5%,最小置信度为70%。根据不同使用时间长度分类并剪枝后得到共68条规则。各时间长度选取典型代表性的规则如下:

使用时间类型=短时间 是否工作时段=工作时段 开启时温度区间=(25.6,28.0]c=0.77

使用时间类型=短时间 开启时刻=上午 是否工作时段=工作时段 开启时是否工作日=工作日c=0.77

使用时间类型=短时间 开启时刻=下午 是否工作时段=工作时段 开启时是否工作日=工作日c=0.75

使用时间类型=中短时间 开启时刻=下午 是否工作时段=工作时段 开启时是否工作日=工作日c=0.78

使用时间类型=中短时间 开启时刻=上午 是否工作时段=工作时段 开启时是否工作日=工作日c=0.77

使用时间类型=中短时间 开启时温度区间=(25.6,28.0]c=0.72

使用时间类型=中长时间 开启时刻=上午 是否工作时段=工作时段 开启时是否工作日=工作日 开启时温度区间⟹30.4c=0.85

使用时间类型=中长时间 是否工作时段=工作时段 开启时是否工作日=工作日c=0.79

使用时间类型=长时间 是否工作时段=工作时段 开启时是否工作日=工作日c=0.73

使用时间类型=长时间 开启时刻=上午 是否工作时段=工作时段 开启时是否工作日=工作日c=0.72

根据挖掘的关联规则并结合上文中关于空调使用行为的特征分析,可以提出其空调3种典型使用行为模式。

(1)使用模式1:短时间与中短时间开启空调,随用随开模式。其主要特征为:集中在工作日的工作时段,1 d中没有特殊的开启时刻,开启时刻没有明显集中于1 d中某时间段,开启空调时室内温度集中在28 ℃以下。

该使用模式下的一典型样本情况如图7(a)所示。图7(a)中可见其空调开启时间为10:00～12:00、14:30～16:00,该时间段大致与上课时间吻合。

(2)使用模式2:中长时间在室并开启空调时,集中在工作时段,且1 d中大多在上午开启。开启时室内温度偏高,高于当地室内实测PMV=1.5时的温度,即30.4 ℃。

该使用模式下的1个典型样本情况如图7(b)所示。其空调开启时间从8:00至16:30,中午不关闭。该时间段基本对应于该校作息时间表中白天教室均有使用的情况。

(3)使用模式3:该模式下长时间在室并开启空调时,以工作日为主,集中在上午时段,开启行为与室内温度无明显关联项。

该使用模式下的一典型样本情况如图7(c)所示。其空调使用时间从上午9:00至20:30,中午不关空调,该使用时间对应于该校上午至晚上教室均有使用的情况。

3.3 空调使用行为与室内温度关联分析

在空调使用行为与室内温度的关联分析模型中,将月旬时间段、使用时长类型、开启时室温区间、设定温度区间共4个变量作为输入变量。其中,时间特征相关输入变量选取与行为模式挖掘模型的依据相同。根据陈淑琴等[13]在对空调使用行为定义的研究中,空调设定温度对使用者的空调使用行为有代表意义,表征对热环境的需求,因此将设定温度作为温度相关的输入变量。将使用空调期间平均室温作为输出变量,以表征空调使用期间室内的热环境状态。其中月旬时间段、使用时长类型、开启时室温区间输入变量的离散化方法和上述行为模式挖掘模型一致,而对于设定温度区间,本文参考秦容等[14]对空调设定温度的划分以及国务院对公共建筑室内空调设定温度不低于26 ℃的要求[15],选取24 ℃、26 ℃作为2个划分点,对设定温度进行离散化;对于输出变量使用空调期间的平均室温区间,与行为模式中处理相同,根据式(1)取PMV=0.5、1、1.5的对应温度,具体参数及离散化方法见表2。使用Apriori算法,置信度下限为70%,最小支持度为1%,共得到规则41条,按开启时长分类剪枝后得到典型规则如下:

使用时间类型=短时间 设定温度区间=标准 开启室温区间=(25.6,28.0]810⟹平均室温区间=(25.6,28.0]c=0.77

使用时间类型=短时间 开启室温区间=⟸25.6 654⟹平均室温区间=⟸25.6c=0.73

使用时间类型=中短时间 开启室温区间=⟸25.6 441⟹平均室温区间=⟸25.6c=0.74

使用时间类型=中短时间 设定温度区间=低 开启室温区间=(25.6,28.0]375⟹平均室温区间=⟸25.6c=0.71

使用时间类型=中长时间 设定温度区间=标准 开启室温区间=(28.0,30.4]734⟹平均室温区间=(25.6,28.0]c=0.83

使用时间类型=中长时间 设定温度区间=标准 开启室温区间⟹30.4 928⟹平均室温区间=(25.6,28.0]c=0.73

使用时间类型=长时间 设定温度区间=标准 开启室温区间=(28.0,30.4]370⟹平均室温区间=(25.6,28.0]c=0.84

使用时间类型=长时间 设定温度区间=标准 开启室温区间⟹30.4 589⟹平均室温区间=(25.6,28.0]c=0.81

表2 温度模式挖掘参数及离散化表示

由以上规则结合上文分析与关联规则可以提炼出2种典型模式。

(1)温度模式1:短时间与中短时间在室并使用空调时,开启空调时室内温度较低,通常低于当地PMV=1所对应温度28 ℃。同时空调设置温度也较低,低于国家对应26 ℃推荐值。因此使用空调期间平均温度也较低。

该室内温度模式对应的1个典型样本如图8(a)所示,该典型室内温度模式下,空调使用时间为1～2.5 h,随用随开,开启时室内温度较低,绝大部分空调开启时室内温度均低于PMV=1所对应温度28℃,设定温度低于国标要求的26 ℃,空调使用期间室内均温低,低于该地区高校热舒适调研中对应PMV=0.5温度区间,即低于25.6 ℃。

(2)温度模式2:中长时间与长时间在室并使用空调时,使用时长通常大于5 h,开启时室内温度相对较高,高于当地实测PMV=1对应温度值,设定温度高于26 ℃,使用空调时室内均温基本在26 ℃与28 ℃区间。

该室内温度模式的1个典型样本如图8(b)所示,该模式下开启时间偏长,7:30开启,17:30关闭,空调设定温度高于26 ℃,使用期间室内温度为26～28 ℃,PMV=0.5～1。

4 结束语

本文以杭州某高校节能监管平台的夏季空调使用数据为基础,分析得到了该高校教学建筑夏季空调使用的特征及室内热环境特征;在此基础上,基于数据挖掘方法提炼出了教学建筑空调使用的典型模式,以及各类空调使用典型模式与室内温度的关系。主要结论如下:

(1)教学建筑中,空调使用时长1 h及以下的短时间记录最多,结合实际情况发现,绝大部分情况下做到了随用随开,随走随关。在暑假期间,短时间空调使用记录减少,长时间使用所占的比例增多,开启时刻多集中在上午。

(2)空调开启时室内温度高于地区通常的热中性温度,表明在室人员已对高温环境产生了一定的适应力。

(3)利用关联规则分析,提炼出了3种典型使用模式:短时间与中短时间模式,在1 d中没有特殊的时间特征,开启时室内温度较低,趋于随用随开模式;中长时间模式有明显的时间特征,1 d中在上午开启,开启时室内温度偏高;长时间模式中集中在上午开启。

(4)空调使用与热环境相关的2种典型模式中,短时间与中短时间的随用随开模式,开启时室内温度较低,设定温度与室内均温均较低;中长时间与长时间模式中,开启时室内温度相对较高,空调使用过程中室内平均温度相对较高。

教学楼因人数多、人流量大、各教室的使用率差别大,导致教学楼空调的使用随机性强,难以找出运行规律。通过教学楼空调典型运行模式的提炼,利用基于本研究中得出的典型空调使用模式以及空调使用与温度的关系,可以定量表征并精确描述教学建筑强随机性的空调使用行为;在理论研究方面,基于本研究中得出的典型空调使用模式以及与温度的关系,可进一步和能耗相联系,将空调使用、室内热环境对于空调能耗的关系进行解耦,确定空调使用行为对教室热环境的影响,进而确定在不同空调使用模式下产生的热环境和能耗情况,从而明确空调使用对室内热环境和空调能耗的作用。在节能运行管理方面,利用本文空调使用行为与室内温度关联模式,避免在室内温度适宜、不必要开启空调时开启或空调温度设置过低导致浪费。并可进一步根据三者之间的影响关系,确定在节能目标下的室内热环境和空调运行控制策略。在能耗模拟方面,现有的空调能耗模拟常以固定时间表作为空调能耗模拟的输入,因此与实际的误差较大,不同典型空调使用模式的提出也可为校园教学建筑空调能耗的预测和模拟提供更符合实际的空调运行作息时间表,为教学建筑空调能耗的准确预测提供支持。