西安某辦公建筑春季過渡季基于Logistic開窗行為實測及模型研究

朱學躍 趙 寧 吳克麒 胡葉楠 陳源梓 長安大學建筑工程學院

1 前言

為了營造良好的室內環境，開窗通風是最常見、最有效的調節方式。然而開窗通風換氣的同時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重。受圍護結構、氣象條件以及室內人員用能影響，導致不同建筑的能耗存在較大差異，其中人行為的復雜性和不確定性，是導致用能差異的主要影響因素[1]。

人行為具有隨機性和復雜性，不能采用統一簡化的方式描述人行為。因此，充分了解室內人員開窗行為特征及其影響因素，并開發人行為自適應性模型，并將模型嵌入能耗模擬軟件，是縮小建筑能耗預測與實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，根據研究目的模型大致可被劃分為兩種類型，一種是用于預測動態的窗戶狀態轉換概率，另外一種是基于已有環境參數預測靜態的窗戶所處狀態的概率。此外，用于預測窗戶所處狀態的靜態模型包括二元邏輯回歸、人工神經網絡、高斯分布等，其中邏輯回歸模型是目前用于預測開窗狀態最為廣泛的模型。

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變量的形式進行建模預測開窗行為，每個自變量對應一個回歸系數和優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性變量帶入模型后所得結果優勢比為2.5，可解釋為：當其他變量保持不變，相對濕度每增加1%窗戶處于開啟狀態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行模型研究。

2 研究方法

2.1 建筑概況

本研究測試時間為春季過渡季（2020年3月16日—2020年6月15日）。實測地點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、辦公性質不同的房間作為實測地點，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、門窗數量。該綜合辦公樓室內人員在過渡季通常采用開窗的方式進行自然通風換氣調節室內環境來滿足人員舒適度。

表1 監測房間信息匯總

2.2 測試儀器

室內測試設備包括室內環境檢測儀（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、米家多功能網關；室外氣象參數測試設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包括溫度、相對濕度、太陽輻射、降雨量、風速、風向等參數。此外，室外噪聲參數使用手持式噪聲儀器采集，室外PM2.5濃度由距離測試地點最近的空氣質量曲江國控監測點所測得。設備參數明細如表2所示。

表2 設備參數明細表

實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（短距離、低速率下的無線通信技術）與米家多功能網關進行連接，可將窗戶狀態實時數據上傳至手機APP。室內環境監測裝置為了避免測量誤差，應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對環境進行實時監測，監測時間步長為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個傳感設備，分別監測室外溫度、室外相對濕度、太陽輻射、降雨量、風速、風向6個氣象參數，數據記錄間隔時間為5min，該氣象站具有自記功能，可以存儲近五個月內50萬個數據并通過配套軟件可導出數據。手持式分貝儀在各樓層窗戶外進行監測發現室外平均噪聲分布在50dB～60dB，并且由于在監測期很少出現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（開窗或關窗），自變量為環境因素（室內外溫濕度、室內外PM2.5濃度、室內TVOC和CO2濃度等）。目前國內外在開窗行為研究中最普遍的模型算法為二元Logistic回歸，對于環境因素這些連續自變量，每變化一個單位水平的自變量所引起的開窗行為因變量變化效應是在一定程度上可以表征人的開窗行為，傳統邏輯回歸分析結果能較準確反應自變量對因變量的影響程度。

在二元邏輯回歸模型中假設因變量為y，影響y的n個自變量為x1，x2，x3，…，xn，P表示事件發生的概率。P值以0.5為分類標準值，當P＞0.5時y取值為“1”代表窗戶為開啟狀態，反之取值為“0”代表窗戶為關閉狀態。二元邏輯回歸方程如公式（1）所示：

式中：β0為常數；βi為回歸系數；xi為自變量。

模型檢驗結果：

對于二元邏輯回歸模型的評價指標常見的有Nagelkerke R2擬合度檢驗、受試者工作特性曲線下面積（Area Under the Curve,AUC）以及預測準確率。Nagelkerke R2擬合度檢驗值在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，模型的判別區分能力越強。當AUC=0.5時模型無預測價值；處于0.5～0.7之間時模型區分能力較低；處于0.7～0.9時模型區分能力中等；大于0.9時模型區分能力較高。模型檢驗結果如表3所示。

表3 模型評價指標

4 結束語

本文以寒冷地區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）室內人員開窗行為和環境參數進行測試，建立了過渡季開窗行為Logistic模型，結論如下。

（1）除室外風向外，室內外溫度、室內外相對濕度、室內外PM2.5濃度、室內TVOC濃度、室內CO2濃度、太陽輻射和室外風速均對室內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PM2.5濃度均與窗戶處于開啟狀態的可能性呈正相關。室內相對濕度、室內CO2濃度、室內TVOC濃度、室外PM2.5濃度以及室外風速與窗戶處于開啟狀態的概率成負相關。窗戶處于開啟狀態的可能性隨室內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范圍時窗戶處于開啟狀態的可能性最高。