基于人員行為分類的用能有效性評估方法

方潛生，陳 濤，李善壽

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

當前，能源短缺已經成為制約社會發(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系，對辦公設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.

建筑能效評估是當下公共建筑節(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.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采用層析分析法，而對影響因素較多的用電指標采用貝葉斯方法，通過兩種方法相結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)據集，分析建筑物理特性和電器用能特性，構建每天電量最大(峰值)和最小(空閑)消耗的獨立模型.文獻[9]對設備的經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管理方法.文獻[10-11]介紹基于建筑內各種電器的用電特性建立評價指標體系，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)化電器內部的耗能結構，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備的用電特性進行能效評估，而忽視了人員行為因素對設備使用狀態(tài)帶來的影響，從而導致大量不合理電能損耗.

論文基于終端用電數(shù)據及人員行為分類，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，在此基礎上引入權重因子，構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)督機器學習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)據采集系統(tǒng)

辦公場所內，與人員密切相關的用電設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，同時使用監(jiān)測軟件檢測計算機外設使用狀態(tài)數(shù)據[12]，并將這些數(shù)據傳輸?shù)綌?shù)據庫中作為真實值.計算機能耗數(shù)據和人員行為真實值采集系統(tǒng)結構，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，該系統(tǒng)每隔10 s采集設備用電數(shù)據，包括電壓、電流、有功功率、電量、時間等[13].利用辦公設備電能數(shù)據建立了人員個體行為模型.首先，通過一個檢測計算機外設是否活動的Java程序，每隔5 min檢測一次；通過判斷計算機外設在5 min內是否使用過，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，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，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)據和人員行為真實值采集結構示意圖

1.2 人員行為分類設定

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備的功率關系，如表1所示.

表1 人員行為與設備功率關系

2 人員行為識別方法

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

局部加權學習[14]是一種懶惰學習方式，主要用于數(shù)據的記憶訓練和在數(shù)據庫中查找相關的信息.局部加權學習已經被廣泛運用到機器控制和數(shù)學統(tǒng)計問題中，并取得較大的優(yōu)勢.

在局部加權樸素貝葉斯模型中，數(shù)據集的子集由最鄰近算法決定，使用參數(shù)e調整實例數(shù)，通過加權函數(shù)與最鄰近距離設置帶寬的大小.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)據進行數(shù)據處理[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，則權重為0；若距離相同，則權重為1.

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

flinear=1-y，y∈[0,1].

(2)

假定有r個訓練實例xi,滿足di

(3)

其中：o為訓練實例的總數(shù).

假設數(shù)據X包含n個屬性值，具有一個獨立類別屬性Y.根據貝葉斯計算方法，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，推導公式為

(5)

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

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

(6)

I(Y=yl)是一種指標函數(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)督學習方式.該方式對訓練樣本進行學習，通過與實際監(jiān)測標簽數(shù)據進行比較判斷，以盡可能對訓練樣本集外的數(shù)據進行分類預測.

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)據集分類為訓練集和驗證集兩個部分，先通過訓練集對原始模型進行訓練，再利用驗證集測試訓練后模型的泛化誤差，起到檢驗指標作用[17].

論文采用有監(jiān)督學習方式，通過LWNB分類方法將電能數(shù)據進行分類，將得到的人員行為數(shù)據與所監(jiān)測的實際人員行為數(shù)據做比較，再驗證其準確率.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)據集S分成10個不相交的子集，其相應的子集為{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個作為訓練集，訓練出模型；

(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，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[18].因此，Kappa統(tǒng)計值在應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，則該模型的分類結果與真實值完全一致；若k= 0，則該模型的分類結果與真實完全不同.

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的權重，結合用能行為的能耗數(shù)據，給出用能有效性評估值.

基于用能行為分類的基礎上，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)其權重為0.65±0.05之間，取其平均權重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時間內總共采集功率數(shù)據的數(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 用能有效性評估結果與分析

4.2.1 日用電有效性評估結果與分析

在電能消耗中，人員不同的行為導致不同能源消耗，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)督機器學習方式分類人員行為，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重值.圖3為人員1，2在一天中用能行為狀態(tài)權重的Z值曲線，其Z值曲線對應圖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，通過控制計算機關機或待機，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，其工作狀況對應圖2用能行為.通過結合圖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機，造成不必要的電能損耗；而人員2具有好的節(jié)能習慣，在較長時間不使用計算機時，選擇將計算機及時待機或關機，合理使用電能.通過能耗評估方法，結合該工作日的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 結束語

為了反映辦公人員用電能效水平，避免人為原因導致的不合理電能消耗，論文提出了基于人員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果達到較高準確率，為用能有效性評估提供一個合理的基礎；通過用能有效性評估方法研究，能夠實現(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有效的節(jié)能指導.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，同時也需要對用電設備做到智能化節(jié)能控制.