建筑用戶(hù)行為節(jié)能潛力評(píng)估新方法

胡賓 俞準(zhǔn) 李郡 張國(guó)強(qiáng)

摘要：現(xiàn)有建筑用戶(hù)行為節(jié)能潛力評(píng)估方法未能充分考慮不同用戶(hù)之間的差異性，從而顯著降低了評(píng)估結(jié)果的準(zhǔn)確性。針對(duì)此種不足，提出一種行為節(jié)能潛力評(píng)估的新方法。首先通過(guò)主成分分析對(duì)用戶(hù)行為影響因素進(jìn)行降維處理，在此基礎(chǔ)上采用數(shù)據(jù)挖掘方法中的聚類(lèi)分析技術(shù)對(duì)樣本用戶(hù)進(jìn)行合理分類(lèi)，并針對(duì)不同類(lèi)用戶(hù)特征分別進(jìn)行節(jié)能潛力評(píng)估。由于該方法既全面考慮了同一用戶(hù)不同因素的影響，又充分體現(xiàn)了不同用戶(hù)之間的差異性，可顯著提高評(píng)估結(jié)果的準(zhǔn)確性。通過(guò)將其應(yīng)用于湖南省3所高校100名研究生用戶(hù)電腦待機(jī)行為的節(jié)能潛力評(píng)估表明，該方法是有效和可行的。

關(guān)鍵詞：用戶(hù)行為；節(jié)能潛力評(píng)估；數(shù)據(jù)挖據(jù)；聚類(lèi)分析；主成分分析

中圖分類(lèi)號(hào)：TU244.3 文獻(xiàn)標(biāo)志碼：A文章編號(hào)：16744764（2018）02010306

收稿日期：20170610

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助（51408205）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金資助（）

作者簡(jiǎn)介：胡賓（1991），女，主要從事建筑節(jié)能及行為節(jié)能研究，Email：binh8284@foxmail.com。

俞準(zhǔn)（通信作者），男，副教授，博士生導(dǎo)師，Email：zhunyu@hnu.edu.cn。

Received：20170610

Foundation item：National Natural Science Foundation of China （No.51408205）； The Fundamental Research Funds for the Central Universities

Author brief：Hu Bin （1991）， graduate student， main research interest： Building energy saving and standby energy，Email：binh8284@foxmail.com.

Yu Zhun （corresponding author）， Associate professor，Email：zhunyu@hnu.edu.cn.A new energysaving potential evaluation method for building

occupant behavior improvement

Hu Bin，Yu Zhun，Li Jun，Zhang Guoqiang

（College of Civil Engineering，Hunan University， Changsha 410082， P.R.China）

Abstract：Existing energysaving potential evaluation methods for building occupant behavior improvement do not take occupants diversity into consideration. This significantly decreases the accuracy of evaluation results. To address this issue， a new energysaving potential evaluation method has been established. First， principal component analysis is used to reduce the number of influencing factors of occupant behavior. Then， a data mining technique， clustering analysis is used to classify sample occupants into different groups. At last， energysaving potentials are evaluated in terms of different groups characteristics. This method takes both the impact of various influencing factors and the diversity of occupants into account， and thus can improve the evaluation accuracy significantly. The method was applied to evaluate the energysaving potential of 100 graduate students computer standby usage behavior in 3 universities in Hunan province. The results demonstrate its effectiveness and feasibility.

Keywords：Occupant behavior； Energysaving potential evaluation； Data mining； Clustering analysis； Principal component analysis

研究表明建筑用戶(hù)行為對(duì)建筑總能耗有顯著的影響，且通過(guò)改變用戶(hù)行為減少能耗是實(shí)現(xiàn)建筑節(jié)能的有效手段之一[12]。為深入分析用戶(hù)行為對(duì)建筑能耗的影響和有效降低建筑能耗，有必要對(duì)行為節(jié)能的潛力進(jìn)行量化分析和評(píng)估。當(dāng)前對(duì)行為節(jié)能潛力的研究涵蓋不同行為類(lèi)型[34]（如正常使用行為和待機(jī)行為）、不同建筑類(lèi)型[57]（如住宅建筑、辦公建筑和學(xué)校建筑）和不同電器種類(lèi)[89]（如空調(diào)和電腦），所采用的方法主要是首先收集一定數(shù)量的樣本用戶(hù)數(shù)據(jù)并建立數(shù)據(jù)庫(kù)，再通過(guò)將樣本用戶(hù)設(shè)備或電器的實(shí)際功率及使用時(shí)長(zhǎng)降低至某一較低的預(yù)設(shè)值，以進(jìn)行相應(yīng)節(jié)能潛力評(píng)估。該方法的局限性主要表現(xiàn)在未能充分考慮不同用戶(hù)之間的差異性，對(duì)所有用戶(hù)均采用相同的功率及使用時(shí)長(zhǎng)預(yù)設(shè)值，這在實(shí)際生活中往往難以實(shí)現(xiàn)，導(dǎo)致過(guò)高或過(guò)低估計(jì)了部分用戶(hù)的行為節(jié)能潛力，從而顯著降低了節(jié)能潛力評(píng)估結(jié)果的準(zhǔn)確性。為克服上述局限，一個(gè)可行的方法是先全面采集用戶(hù)行為潛在影響因素相關(guān)數(shù)據(jù)，再根據(jù)這些因素將樣本用戶(hù)合理分類(lèi)，然后分別針對(duì)每一類(lèi)用戶(hù)特征進(jìn)行進(jìn)一步的節(jié)能潛力評(píng)估。實(shí)現(xiàn)該方法的關(guān)鍵障礙在于：1）用戶(hù)行為的影響因素往往數(shù)量較多，如僅選擇部分因素進(jìn)行分類(lèi)易造成信息缺失導(dǎo)致分類(lèi)不合理，而選擇所有因素進(jìn)行分類(lèi)又易因數(shù)量過(guò)多難以進(jìn)一步處理；2）在對(duì)樣本用戶(hù)進(jìn)行分類(lèi)時(shí)難以同時(shí)考慮不同因素的影響。例如，將用戶(hù)按某一種因素（如年齡）進(jìn)行分類(lèi)時(shí)，通常無(wú)法同時(shí)考慮到其他因素（如學(xué)歷和生活習(xí)慣）的影響。

為克服上述障礙以提高評(píng)估準(zhǔn)確性，本文提出一種建筑用戶(hù)行為節(jié)能潛力評(píng)估新方法。該方法首先采用主成分分析技術(shù)分析用戶(hù)行為的潛在影響因素，該技術(shù)可在保持原有影響因素絕大部分信息的同時(shí)進(jìn)行降維處理，避免了選擇部分因素易造成信息缺失，選擇所有因素又導(dǎo)致數(shù)量過(guò)多難以進(jìn)一步處理的缺點(diǎn)。采用數(shù)據(jù)挖掘方法中聚類(lèi)分析技術(shù)對(duì)樣本用戶(hù)進(jìn)行分類(lèi)，該技術(shù)可在同時(shí)考慮不同影響因素的基礎(chǔ)上將樣本用戶(hù)合理分類(lèi)，最后進(jìn)一步針對(duì)不同類(lèi)別用戶(hù)特征進(jìn)行節(jié)能潛力分析。此外，以高校建筑電腦待機(jī)行為節(jié)能潛力為例，分析該方法的有效性。1研究方法

1.1數(shù)據(jù)收集

待機(jī)狀態(tài)是指電器連接電源時(shí)沒(méi)有執(zhí)行其主要功能但仍消耗電能的狀態(tài)[3]。電器在待機(jī)狀態(tài)下所消耗的電能即為待機(jī)能耗。就電腦而言，其待機(jī)狀態(tài)主要包括屏保、鎖屏、睡眠和關(guān)機(jī)四種模式。以湖南地區(qū)3所高校100名研究生用戶(hù)為例，采用型號(hào)為GPM8212的功率計(jì)（在23±5 ℃的環(huán)境下，測(cè)量范圍為0.32～13.10 kW，精度為±2%）測(cè)量其電腦在各待機(jī)模式下的功率值，并通過(guò)問(wèn)卷形式調(diào)查了各待機(jī)模式的使用時(shí)長(zhǎng)及待機(jī)行為的潛在影響因素，其中潛在影響因素的種類(lèi)及部分因素取值如表1所示。第2期 胡賓，等：建筑用戶(hù)行為節(jié)能潛力評(píng)估新方法表1電腦待機(jī)行為潛在影響因素

Table 1The potential influencing factors of standby

behavior of computer種類(lèi)具體因素及部分因素取值范圍個(gè)人信息性別（男/女）、年齡、是否已婚、興趣愛(ài)好（電腦相關(guān)/無(wú)關(guān)）專(zhuān)業(yè)相

關(guān)信息專(zhuān)業(yè)（文科/理工科）、學(xué)歷（碩士/博士）、入學(xué)年數(shù)、專(zhuān)業(yè)成績(jī)（優(yōu)/良/中/一般）社會(huì)經(jīng)

濟(jì)因素生活費(fèi)用、是否定期接受節(jié)能教育、是否有上網(wǎng)流量限制生活習(xí)慣是否午休、是否住校、是否打卡出勤

1.2電腦待機(jī)能耗計(jì)算

基于所采集數(shù)據(jù)可獲得電腦各待機(jī)模式下的功率P以及相應(yīng)待機(jī)時(shí)長(zhǎng)T，從而可根據(jù)式（1）計(jì)算單臺(tái)電腦年待機(jī)能耗：Ei=∑4j=1Pij×Tij×M1 000（1）式中：Ei為第i臺(tái)電腦的年待機(jī)能耗，kW·h；Pij、Ti分別為第i臺(tái)電腦在第j種待機(jī)模式下的功率值和一周內(nèi)的使用時(shí)長(zhǎng)（j=1，2，3，4；分別對(duì)應(yīng)于電腦的屏保、鎖屏、睡眠和關(guān)機(jī)模式），W、h；M為一年內(nèi)學(xué)生在校周數(shù)（去除寒暑假），本文取44。

1.3用戶(hù)行為節(jié)能潛力評(píng)估

首先采用主成分分析技術(shù)與聚類(lèi)分析技術(shù)相結(jié)合的方法對(duì)樣本用戶(hù)進(jìn)行分類(lèi)，再針對(duì)每類(lèi)用戶(hù)采用行為節(jié)能方案分別進(jìn)行行為節(jié)能潛力分析。主成分分析、聚類(lèi)分析及所采用的行為節(jié)能方案介紹如下。

1.3.1主成分分析主成分分析是將多個(gè)可能存在相關(guān)性的變量，通過(guò)正交變換轉(zhuǎn)化為少數(shù)幾個(gè)互相無(wú)關(guān)的綜合變量的一種統(tǒng)計(jì)分析方法。這些綜合變量保持了原始變量的大部分信息。

1）數(shù)據(jù)標(biāo)準(zhǔn)化由于數(shù)據(jù)庫(kù)中的參數(shù)包含分類(lèi)屬性參數(shù)和數(shù)值屬性參數(shù)，如用戶(hù)性別為分類(lèi)屬性（男或女），年齡為數(shù)值屬性（20歲或25歲），難以直接對(duì)所有數(shù)據(jù)進(jìn)行直接比較和分析。此外，數(shù)值屬性參數(shù)的取值范圍差異較大，而取值范圍大的參數(shù)影響將覆蓋取值范圍小的參數(shù)影響。因此需將數(shù)據(jù)庫(kù)中所有參數(shù)均轉(zhuǎn)換為數(shù)值屬性參數(shù)進(jìn)行統(tǒng)一比較分析，并對(duì)所有數(shù)值屬性參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理以使其結(jié)果落到同一區(qū)間，取[0， 1]區(qū)間。

對(duì)于分類(lèi)屬性參數(shù)，應(yīng)首先按其不同狀態(tài)排序，如專(zhuān)業(yè)成績(jī)可分4個(gè)等級(jí)[優(yōu)，良，中，一般]，再根據(jù)式（3）計(jì)算：zij=參數(shù)j第i個(gè)狀態(tài)的排序值-1參數(shù)j所有狀態(tài)的最大排序值-1（3）計(jì)算后上述4個(gè)等級(jí)可轉(zhuǎn)換為[0， 1/3， 2/3， 1]。

對(duì)于數(shù)值屬性參數(shù)，可根據(jù)式（4）計(jì)算zij = xij -xjmin xjmax -xjmin （4）式中：zij、xij、xjmin和xjmax分別表示參數(shù)j的轉(zhuǎn)換值、原始值、最小值和最大值。

采用上述方法，原始數(shù)據(jù)矩陣X變換為標(biāo)準(zhǔn)化矩陣Z。X=x12x13…x1p

x21x22…x2p

？…

xn1xn2…xnp→Z=z12z13…z1p

z21z22…z2p

…

zn1zn2…znp2）計(jì)算標(biāo)準(zhǔn)化矩陣Z的樣本相關(guān)系數(shù)矩陣R樣本相關(guān)系數(shù)矩陣R的表達(dá)式如下：R=r12r13…r1p

r21r22…r2p

…

rp1rp2…rpp其中ruv（u，v=1，2，…P）為參數(shù)Zu，Zv的相關(guān)系數(shù)，且ruv=rvu，計(jì)算公式如下：ruv=∑nk=1（zku-u）（zkv-v）∑nk=1（zku-u）2∑nk=1（zkv-v）2（5）式中：zku， zkv分別為參數(shù)Zu， Zv的第k個(gè)值；u，v分別為參數(shù)Zu， Zv的平均值。

3）求特征值和特征向量解特征方程|R-λIP|=0得P個(gè)特征值λ1≥λ2≥…≥λP≥0。分別求出對(duì)應(yīng)特征值λ1的特征向量ei（i=1，2，…），且ei=1。

4）確定主成分個(gè)數(shù)m主成分個(gè)數(shù)m的確定方法為：λ1≥1且∑mj=1λ∑pj=1λj≥0.8

5）求出zi=（zi1，zi2，…，zip）T的m個(gè)主成分uis=zTiei（s=1，2，…，m）→U=

u12u13…u1m

u21u22…u2m

…………

un1un2…unm1.3.2聚類(lèi)分析聚類(lèi)分析是采用數(shù)學(xué)方法按照某種相似性或差異性參數(shù)定量地確定樣本之間的親疏關(guān)系，再根據(jù)親疏關(guān)系對(duì)樣本進(jìn)行分類(lèi)，使同類(lèi)中的樣本對(duì)象具有最高相似性，不同類(lèi)間的樣本具有最低相似性。該方法的一個(gè)主要優(yōu)點(diǎn)在于可在同時(shí)考慮不同參數(shù)影響的基礎(chǔ)上進(jìn)行合理分類(lèi)[1213]。

現(xiàn)有的聚類(lèi)分析典型算法包括k均值算法、BIRCH算法和CLIQUE算法等[1213]。其中，k均值算法由于其原理簡(jiǎn)單和計(jì)算速度快等優(yōu)點(diǎn)得到廣泛應(yīng)用。采用該算法進(jìn)行聚類(lèi)分析，其一般步驟為

1）從n個(gè)樣本對(duì)象中任意選擇k個(gè)對(duì)象作為初始聚類(lèi)中心O1， O2， …， Ok；

2）根據(jù)式（6）計(jì)算樣本對(duì)象與各聚類(lèi)中心的歐式距離，并根據(jù)最小歐式距離重新劃分相應(yīng)對(duì)象；E（a，b）=

（xa1-xb1）2+（xa2-xb2）2+…+（xam-xbm）2（6）3）重新計(jì)算各聚類(lèi)特征參數(shù)的平均值，即新的聚類(lèi)中心；

4）循環(huán)迭代步驟2和3直到各聚類(lèi)中心不再發(fā)生變化。

1.3.3行為節(jié)能方案考慮到用戶(hù)待機(jī)行為主要表現(xiàn)為其采用不同待機(jī)模式及待機(jī)時(shí)長(zhǎng)，為全面評(píng)估相應(yīng)行為節(jié)能潛力，采用以下3個(gè)行為節(jié)能方案：1）為保持待機(jī)時(shí)長(zhǎng)不變而僅調(diào)整待機(jī)模式，即用功率值較低的待機(jī)模式替換功率值較高的待機(jī)模式；2）為保持待機(jī)模式不變而僅調(diào)整待機(jī)時(shí)長(zhǎng)，即將各類(lèi)用戶(hù)不同待機(jī)模式使用時(shí)長(zhǎng)降低到每一類(lèi)用戶(hù)相應(yīng)待機(jī)模式使用時(shí)長(zhǎng)平均值；3）將上述兩種方案相結(jié)合以評(píng)估最大行為節(jié)能潛力。

2研究結(jié)果及分析

2.1主成分分析

對(duì)采集得到的樣本數(shù)據(jù)矩陣進(jìn)行主成分分析得出特征值和方差貢獻(xiàn)率，如表2所示?？紤]到特征值的大小與主成分對(duì)原始變量解釋力度的大小有關(guān)，且當(dāng)主成分的特征值小于1時(shí)，其對(duì)原始變量的解釋力度不如原始變量自身的解釋力度[14]。因此，通?？蛇x取特征值大于1的主成分為綜合變量進(jìn)行后續(xù)分析。此外，為保證所提取的主成分能夠反映原始變量的絕大部分信息，其累積方差貢獻(xiàn)率通常應(yīng)大于80%（方差貢獻(xiàn)率表示該主成分包含原始數(shù)據(jù)的信息量占全部信息量的比重）[15]。由表2可知，前4個(gè)主成分的特征值均大于1，且累積貢獻(xiàn)率為80.2%，因此可將這4個(gè)主成分作為綜合變量評(píng)估用戶(hù)待機(jī)行為節(jié)能潛力。表2特征值及方差貢獻(xiàn)率

Table 2Eigenvalue and contribution rate of variance序號(hào)特征值方差

貢獻(xiàn)率/%累積方差

貢獻(xiàn)率/%16.949.349.321.812.962.231.410.072.241.18.080.250.75.085.360.64.289.470.42.892.380.32.594.790.32.196.8100.41.498.2110.11.099.2120.10.699.8130.00.2100149.021E166.443E15100

為進(jìn)一步理解各主成分與原始變量之間聯(lián)系的緊密程度，計(jì)算了因子載荷矩陣，如表3所示。因子載荷是各主成分特征值的平方根與相應(yīng)特征向量的乘積，它實(shí)質(zhì)上是各主成分與原始變量之間的相關(guān)系數(shù)，且因子載荷值較大（通常取大于0.5）的變量被認(rèn)為是該主成分的主要相關(guān)變量[16]。根據(jù)該標(biāo)準(zhǔn)，由表3可知，主成分1主要與用戶(hù)性別、婚姻狀況、興趣愛(ài)好、專(zhuān)業(yè)、學(xué)歷、是否定期接受節(jié)能教育、是否有上網(wǎng)流量限制、是否午休、是否住校、是否打卡出勤相關(guān)；主成分2主要與用戶(hù)年齡、入學(xué)年數(shù)、專(zhuān)業(yè)成績(jī)相關(guān)；主成分3主要與年齡、生活費(fèi)用有關(guān)；主成分4主要與用戶(hù)生活費(fèi)用相關(guān)。

表3因子載荷矩陣

Table 3The factor loading matrix變量主成分1主成分2主成分3主成分4性別0.80.0-0.30.4年齡0.10.60.60.1婚姻狀況0.80.2-0.40.3興趣愛(ài)好0.9-0.10.1-0.2專(zhuān)業(yè)0.7-0.20.1-0.1學(xué)歷0.9-0.10.0-0.2續(xù)表3變量主成分1主成分2主成分3主成分4入學(xué)年數(shù)0.10.8-0.0-0.4專(zhuān)業(yè)成績(jī)0.10.7-0.5-0.2生活費(fèi)用0.00.20.60.5節(jié)能教育0.9-0.10.1-0.2流量限制0.80.2-0.20.2是否午休0.9-0.10.2-0.2是否住校0.80.2-0.20.3是否打卡0.8-0.10.2-0.2

2.2聚類(lèi)分析

基于所得主成分對(duì)100名樣本用戶(hù)進(jìn)行聚類(lèi)分析并將其分為四類(lèi)，每一類(lèi)聚類(lèi)中心（即各主成分的平均值）及用戶(hù)數(shù)量如表4所示。表4聚類(lèi)分析結(jié)果

Table 4The results of clustering analysis參數(shù)聚類(lèi)中心聚類(lèi)1聚類(lèi)2聚類(lèi)3聚類(lèi)4主成分11.50.23.11.5主成分20.50.60.51.1主成分30.20.10.0-0.7主成分40.00.10.11.0用戶(hù)數(shù)量23283613

由表4可知，不同類(lèi)用戶(hù)之間的聚類(lèi)中心差異較大，這表明各類(lèi)用戶(hù)之間的特征差異顯著。為進(jìn)一步分析各類(lèi)用戶(hù)待機(jī)能耗特征，圖1給出了4類(lèi)用戶(hù)年總待機(jī)能耗及各待機(jī)模式下的年待機(jī)能耗。由圖可知，不同類(lèi)用戶(hù)間的能耗分布差異非常顯著，這表明不同用戶(hù)特征會(huì)導(dǎo)致不同用戶(hù)待機(jī)行為和能耗，從而其節(jié)能潛力也應(yīng)有所不同，因此有必要先將樣本用戶(hù)分類(lèi)，然后針對(duì)用戶(hù)特征分別計(jì)算其節(jié)能潛力。此外，同類(lèi)用戶(hù)之間不同待機(jī)模式下的能耗差異較大，其中鎖屏和屏保模式待機(jī)能耗在4類(lèi)用戶(hù)中占總能耗比例均超過(guò)45%，最高達(dá)到82%，應(yīng)重點(diǎn)進(jìn)行考慮。

圖14類(lèi)用戶(hù)的分項(xiàng)能耗特征

Fig.1The energy consumption of standby

modes of four categories users2.3節(jié)能潛力分析

2.3.1方案1節(jié)能潛力分析方案1為保持待機(jī)時(shí)長(zhǎng)不變而僅調(diào)整待機(jī)模式。為深入理解各待機(jī)模式及各類(lèi)用戶(hù)對(duì)其使用情況，表5給出了電腦各待機(jī)模式功率值及各類(lèi)用戶(hù)相應(yīng)待機(jī)模式的使用率（表中使用率為使用某待機(jī)模式用戶(hù)數(shù)量與該類(lèi)用戶(hù)數(shù)量的比值）。由表5可知，電腦各待機(jī)模式的功率值差異較大，且屏保與鎖屏模式的功率值遠(yuǎn)高于睡眠和關(guān)機(jī)模式，因此調(diào)整待機(jī)模式時(shí)，應(yīng)用睡眠或關(guān)機(jī)模式下的功率值替換屏保和鎖屏模式下的功率值。就這4種模式的使用率而言，各類(lèi)用戶(hù)之間差距較大，進(jìn)一步表明在本方案中應(yīng)分別計(jì)算其節(jié)能潛力。表5各待機(jī)模式功率值及各類(lèi)用戶(hù)相應(yīng)待機(jī)模式的使用率

Table 5The power and utilization rate of standby

modes of four categories users待機(jī)

模式功率值/W最小

值平均

值最大

值標(biāo)準(zhǔn)

差使用率/%第1類(lèi)

用戶(hù)第2類(lèi)

用戶(hù)第3類(lèi)

用戶(hù)第4類(lèi)

用戶(hù)屏保1246.811225.818191410鎖屏1041.111125.3911100睡眠0.46.44911.146515054關(guān)機(jī)0.23.3496.727182635

除了關(guān)機(jī)待機(jī)模式外，當(dāng)電腦處于屏保、鎖屏、睡眠待機(jī)模式時(shí)，電腦均能快速?gòu)拇龣C(jī)狀態(tài)進(jìn)入工作狀態(tài)，因此盡管關(guān)機(jī)待機(jī)模式下功率值相對(duì)較低，本方案仍從方便用戶(hù)使用角度出發(fā)，采用睡眠模式下的功率值代替屏保和鎖屏模式下的功率值，同時(shí)保持其使用時(shí)間不變。結(jié)果表明，各類(lèi)用戶(hù)的年平均待機(jī)能耗分別從52、34、28、24 kWh減少到4、6、7、9 kWh。平均節(jié)能潛力為48、28、21、15 kWh。

2.3.2方案2節(jié)能潛力分析方案2為保持待機(jī)模式不變而僅調(diào)整待機(jī)時(shí)長(zhǎng)。為深入理解各類(lèi)用戶(hù)待機(jī)時(shí)長(zhǎng)分布特征，圖2給出了各類(lèi)用戶(hù)不同待機(jī)模式下的日平均使用時(shí)長(zhǎng)的最小值、平均值及最大值。由圖可知，四類(lèi)用戶(hù)各待機(jī)模式的時(shí)長(zhǎng)分布范圍較廣，不同類(lèi)用戶(hù)間時(shí)長(zhǎng)分布不均且顯著不同，進(jìn)一步表明在本方案中應(yīng)分別計(jì)算其節(jié)能潛力。

圖2四類(lèi)用戶(hù)不同待機(jī)模式下使用時(shí)長(zhǎng)分布

Fig.2The distribution of stangby modes of four categories users本方案的節(jié)能潛力計(jì)算是通過(guò)將各類(lèi)用戶(hù)不同待機(jī)模式時(shí)長(zhǎng)降低為其相應(yīng)待機(jī)模式的使用時(shí)長(zhǎng)平均值。結(jié)果顯示，各類(lèi)用戶(hù)的年平均待機(jī)能耗分別從52、34、28、24 kWh減少到了10、13、10、10 kWh。平均節(jié)能潛力為42、21、18、14 kWh。

2.3.3方案3節(jié)能潛力分析方案3為將上述兩種方法相結(jié)合。結(jié)果表明，各類(lèi)用戶(hù)的年平均待機(jī)能耗分別從52、34、28、24 kWh減少到了4、5、6、8 kWh。平均節(jié)能潛力為48、29、22、16 kWh。

表6為4類(lèi)用戶(hù)不同方案下行為節(jié)能潛力。此外，表中同時(shí)給出了采用傳統(tǒng)方法（即不對(duì)用戶(hù)進(jìn)行分類(lèi)）后不同方案下的行為節(jié)能潛力作為參考。表64類(lèi)用戶(hù)三種方案下行為節(jié)能潛力

Table 6The energysaving potential by taking

three scenarios in four categories userskWh平均年待機(jī)能耗參考值方案1方案2方案3年節(jié)能潛力方案1方案2方案3第1類(lèi)用戶(hù)524104484248第2類(lèi)用戶(hù)346135282129第3類(lèi)用戶(hù)287106211822第4類(lèi)用戶(hù)249108151416傳統(tǒng)方法

（全部用戶(hù)）356126292330

3結(jié)論

為提高用戶(hù)行為節(jié)能潛力評(píng)估的準(zhǔn)確度，本文首先采用主成分分析技術(shù)對(duì)用戶(hù)行為的潛在影響因素進(jìn)行降維處理，在此基礎(chǔ)上采用聚類(lèi)分析技術(shù)對(duì)用戶(hù)進(jìn)行合理分類(lèi)，并針對(duì)不同類(lèi)用戶(hù)特征分別進(jìn)行節(jié)能潛力評(píng)估。將該方法應(yīng)用于湖南省3所高校100名研究生樣本用戶(hù)電腦待機(jī)行為節(jié)能潛力的評(píng)估，分析和評(píng)估結(jié)果驗(yàn)證了該方法的有效性和可行性。該方法可應(yīng)用于不同類(lèi)型建筑（如住宅建筑、辦公建筑和學(xué)校建筑）中不同種類(lèi)行為（如正常使用行為和待機(jī)行為）的節(jié)能潛力評(píng)估，進(jìn)而幫助深入分析用戶(hù)行為對(duì)建筑能耗的影響和有效降低建筑能耗，促進(jìn)我國(guó)建筑節(jié)能工作的有效開(kāi)展。

參考文獻(xiàn)：

[1] JIA M， SRINIVASAN R S， RAHEEM A A. From occupancy to occupant behavior： An analytical survey of data acquisition technologies， modeling methodologies and simulation coupling mechanisms for building energy efficiency [J]. Renewable & Sustainable Energy Reviews， 2017， 68：525540.

[2] HONG T Z， TAYLOR L S C， DOca S， et al. Advances in research and applications of energyrelated occupant behavior in buildings [J]. Energy & Buildings， 2015， 116：694702.

[3] SAHIN M C， KOKSAL M A. Standby electricity consumption and saving potentials of Turkish households [J]. Applied Energy， 2014， 114（2）：531538.

[4] CARMENATE T， INYIM P， PACHEKAR N， et al. Modeling OccupantBuildingAppliance Interaction for Energy Waste Analysis [J]. Procedia Engineering， 2016， 145：4249.

[5] AZAR E， ANSARI H. Framework to investigate energy conservation motivation and actions of building occupants： The case of a green campus in Abu Dhabi， UAE [J]. Applied Energy 190 （2017） 563–573.

[6] CHEN S， YANG W， YOSHINO H， et al. Definition of occupant behavior in residential buildings and its application to behavior analysis in case studies [J]. Energy & Buildings， 2015， 104：113.

[7] WANG C， YAN D， REN X. Modeling individuals light switching behavior to understand lighting energy use of office building [C]// Cue. 2015：781787.

[8] YUN G Y， STEEMERS K. Behavioural， physical and socioeconomic factors in household cooling energy consumption [J]. Applied Energy， 2011， 88（6）：21912200.

[9] KAMILARIS A， NEOVINO J， KONDEPUDI S， et al. A case study on the individual energy use of personal computers in an office setting and assessment of various feedback types toward energy savings [J]. Energy & Buildings， 2015， 104（1）：7386.

[10] SMITH L I. A Tutorial on Principal Components Analysis [J]. Information Fusion， 2002， 51（3）：219226.

[11] 韓小孩， 張耀輝， 孫福軍，等. 基于主成分分析的指標(biāo)權(quán)重確定方法[J]. 四川兵工學(xué)報(bào)， 2012， 33（10）：124126.

HAN X H， ZHANG Y H， SUN F J， et al. Weight Determination of Indicators Based on Principal Component Analysis [J]. Journal of Sichuan Ordnance， 2012， 33（10）：124126.（in Chinese）

[12] 孫吉貴， 劉杰， 趙連宇. 聚類(lèi)算法研究[J]. 軟件學(xué)報(bào)， 2008， 19（1）：4861.

SUN J G， LIU J， ZHAO L Y. Clustering algorithms research [J]. Journal of Software， 2008， 19（1）：4861.（in Chinese）

[13] HAN J W， KAMBER M， PEI J. Data Mining： Concepts and Techniques [M]. 3rd ed. Beijing： China Machine Press， 2012.

[14] 陳歡， 曹承富， 張存嶺，等. 基于主成分聚類(lèi)分析評(píng)價(jià)長(zhǎng)期施肥對(duì)砂姜黑土肥力的影響[J]. 土壤學(xué)報(bào)， 2014（3）：609617.

CHEN H， CAO C F， ZHANG C L. et al. Princal componentcluster analysis of effects of longterm fertilization on fertility of lime concretion black soil [J] Acta Pedologica Sinica， 2014（3）：609617.（in Chinese）

[15] 張鵬. 基于主成分分析的綜合評(píng)價(jià)研究[D]. 南京：南京理工大學(xué)， 2004.

Zhang P. Research on comprehensive evaluation based on principal component analysis [D]. Nanjing：Nanjing University of science & Technology， 2004.（in Chinese）

[16] 顧文， 莊智， 譚洪衛(wèi). 基于聚類(lèi)分析的酒店建筑分類(lèi)與用能評(píng)價(jià)[J]. 建筑技術(shù)， 2014， 45（11）：10261029.

GU W， ZHUANG Z， TAN H W. Hotel classification badsed on cluster analysis and evaluation of energy consumption [J]. Architecture Techology. 2014， 45（11）：10261029.（in Chinese）

[17] 曾亮， 傅麗亞， 羅理勇，等. 不同品種和花期茶樹(shù)花揮發(fā)性物質(zhì)的主成分和聚類(lèi)分析[J]. 食品科學(xué)， 2015， 36（16）：8893.

ZENG L. FU L Y， LUO L Y， et al. Principal component and cluster analyses of volatile components in tea flowers from different cultivars at different stages of bloom[J]. Food Science. 2015， 36（16）：8893.（in Chinese）

[18] 公麗艷， 孟憲軍， 劉乃僑，等. 基于主成分與聚類(lèi)分析的蘋(píng)果加工品質(zhì)評(píng)價(jià)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2014， 30（13）：276285.

Gong L Y， Meng X J， Liu N Q， et al. Evaluation of apple quality based on principal component and hierarchical cluster analysis[J]. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（13）：276285.（in Chinese）

[19] 李郡， 俞準(zhǔn)， 劉政軒， 等. 住宅建筑能耗基準(zhǔn)確定及用能評(píng)價(jià)新方法[J]. 土木建筑與環(huán)境工程， 2016， （02）：7583.

LI J， YU Z， LIU Z X， et al. A method for residential building energy benchmarking and energy use evalution [J]. Journal of Civil， Architectural and Environmental Engineering. 2016：（02）：7583.（in Chinese）