辦公建筑空調(diào)隨機使用行為模擬方法及案例應(yīng)用

陳淑琴 鄔佳婧 葛堅 劉詩韻

摘 ? 要：根據(jù)循證設(shè)計的理論，對案例建筑中不同行為主體的空調(diào)使用行為進行實測調(diào)研并分析，總結(jié)出不同運行階段的典型空調(diào)運行模式，利用蒙特卡洛方法對全年空調(diào)運行序列進行模擬，并以年平均空調(diào)開啟時長作為校核參數(shù)，對比不同類型房間在供冷和供熱工況下的實測結(jié)果與模擬結(jié)果，模擬結(jié)果誤差水平不高于5.5%，驗證了全年空調(diào)運行序列生成方法的合理性和實用性. 將模擬所得空調(diào)全年運行序列用于建筑能耗模擬的過程中，有助于建立基于實際建筑運行特征的建筑節(jié)能和室內(nèi)熱環(huán)境優(yōu)化方法.

關(guān)鍵詞：空調(diào)使用特征階段;空調(diào)運行模式;隨機運行序列;模擬

中圖分類號：TU243 ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標(biāo)志碼：A

Abstract：Based on the theory of evidence-based design， the usage behavior of air conditioners by different occupants in a case building is measured， and the typical running modes in different operating periods are put forward in this paper. By the Monte Carlo method， the annual operation sequence of air conditioners is simulated. Taking the annual average operation time of air conditioner as a checking parameter， the simulation results are compared with the actual measured results of different room types under cooling and heating conditions， separately. The error rate of the simulation results is lower than 5.5%， and thus the rationality and practicability of the simulation method are verified. The input of the stochastic operation sequence of air conditioners is helpful to work out the energy-saving and thermal environment optimization strategies based on the actual operating characteristics in building energy simulation.

Key words：operating periods of space heating and cooling seasons;running modes of air conditioners;stochastic operation sequence;simulation

建筑室內(nèi)人員行為是影響建筑能耗的重要因素之一，不同的用能行為所產(chǎn)生的建筑運行能耗不同. 建筑能耗模擬軟件在學(xué)術(shù)及工程領(lǐng)域的應(yīng)用都十分廣泛，用以預(yù)測建筑能耗及評價建筑節(jié)能技術(shù)措施. 然而模擬中通常使用的固定作息模式難以準(zhǔn)確反映出實際用能行為對于建筑運行能耗的影響，并常常與實測結(jié)果產(chǎn)生較大的偏差，從而導(dǎo)致某些技術(shù)措施實際應(yīng)用的節(jié)能效果在建筑能耗模擬軟件的應(yīng)用下得不到正確評估[1]. 可見用能行為設(shè)置的合理性限制了建筑能耗模擬的準(zhǔn)確性，進一步影響基于模擬結(jié)果的節(jié)能優(yōu)化策略的評估和決策. 為了合理描述用能行為，國內(nèi)外學(xué)者展開了廣泛的研究. 循證設(shè)計是起源于西方醫(yī)療建筑設(shè)計的、以建筑運行過程中的實證研究為基礎(chǔ)反饋于建筑設(shè)計的理論，既有建筑室內(nèi)人員的實際用能行為特征是描述使用者用能行為的依據(jù)，將其反饋到建筑方案設(shè)計階段，對指導(dǎo)建筑的優(yōu)化設(shè)計具有重要意義.

空調(diào)使用是夏熱冬冷氣候區(qū)建筑室內(nèi)熱濕環(huán)境的主要控制手段，空調(diào)能耗是建筑運行能耗的重要組成部分，大量研究表明空調(diào)使用行為的隨機性和差異性對建筑空調(diào)能耗水平具有顯著的影響[2-4]. ?針對建筑室內(nèi)空調(diào)隨機使用行為的描述，國內(nèi)外學(xué)者進行了大量的研究，并建立了多種模型以揭示空調(diào)隨機使用行為的運行規(guī)則[5]. 其中，閾值模型[6]、統(tǒng)計性模型[7]和隨機模型[8]著重討論了空調(diào)使用行為的環(huán)境相關(guān)性，局限于空調(diào)使用行為對單個環(huán)境影響因素的反映，不關(guān)注行為與事件和時間的相關(guān)性;隱馬爾科夫模型（HMM）則描述了在室行為的時間關(guān)聯(lián)性[9-10]. 條件觸發(fā)模型[11-12]討論了行為與環(huán)境、事件、時間等多個因素的相關(guān)性，關(guān)注人員移動行為、人員用能行為以及室內(nèi)環(huán)境等多方面的參數(shù)，由于觸發(fā)條件復(fù)雜，該模型的建立對數(shù)據(jù)獲取的數(shù)量以及質(zhì)量都有較高要求，更適用于功能布局豐富、人員空間移動頻繁、設(shè)備種類多樣且行為觸發(fā)條件復(fù)雜的住宅建筑.

本文所關(guān)注的辦公建筑相對于住宅建筑而言，具有功能構(gòu)成單純、人員主要移動空間局限以及人員用能行為單一的特征，條件觸發(fā)模型用于描述辦公建筑的空調(diào)使用行為時其實用價值有限. 因此，本文通過降低數(shù)據(jù)獲取的難度來擴大樣本量，旨在建立一套簡單可行的空調(diào)使用行為定量化模擬方法，為辦公建筑能耗的準(zhǔn)確模擬提供數(shù)據(jù)支撐，進而有利于基于建筑運行的實際特征探究合理有效的建筑性能優(yōu)化策略.

1 ? 研究方法

本文基于對辦公建筑室內(nèi)熱環(huán)境參數(shù)以及空調(diào)使用行為的長期實測，通過對逐日空調(diào)開啟情況以及空調(diào)開啟時長的統(tǒng)計分析，劃分供冷、供熱工況下不同的空調(diào)使用特征階段，同一階段具有相似的空調(diào)使用行為特征以及室內(nèi)外環(huán)境特征. 根據(jù)辦公建筑空調(diào)運行時間的分布特征，將空調(diào)使用行為分類為若干種典型的空調(diào)運行模式. 對不同類型辦公室，利用聚類分析法，進一步提煉出各個空調(diào)使用特征階段每一空調(diào)運行模式下的典型空調(diào)運行時間表及其發(fā)生概率，從而將空調(diào)隨機使用行為特征進行量化描述. 在此基礎(chǔ)上，使用蒙特卡洛方法，針對不同功能的辦公室，生成全年空調(diào)隨機運行序列.

本文以夏熱冬冷氣候區(qū)某一典型高校科研辦公建筑作為研究案例，通過劃分空調(diào)使用特征階段、分析空調(diào)使用特征、定量化描述空調(diào)使用行為，最終生成全年空調(diào)隨機運行序列，并以空調(diào)使用時長作為校核參數(shù)，將模擬結(jié)果與實測結(jié)果進行比較分析，驗證本文提出的空調(diào)隨機使用行為定量化描述方法的合理性.

1.1 ? 空調(diào)使用特征階段的劃分方法

基于文獻調(diào)研及案例建筑實測結(jié)果，室外氣候環(huán)境對于空調(diào)使用行為具有顯著影響. 隨著全年室外氣候的季節(jié)性變化，空調(diào)使用行為具有顯著的階段性特征，不同階段空調(diào)運行模式也存在差異，這些差異在宏觀上主要表現(xiàn)為日空調(diào)開啟概率及日平均空調(diào)開啟時長的差別. 基于這兩項參數(shù)，本文對空調(diào)使用特征階段進行劃分，對具有相似室外氣候特征及空調(diào)使用行為特征的時期進行統(tǒng)一研究，避免部分月份氣候變化劇烈及樣本數(shù)量有限對統(tǒng)計特征的準(zhǔn)確性產(chǎn)生的不利影響.

通過比較分析樣本房間日空調(diào)開啟概率及日平均空調(diào)開啟時長隨全年室外平均氣溫變化的情況，對空調(diào)使用特征進行階段性劃分，使得每個特征階段具有相似的室外氣候以及空調(diào)使用行為特征.

1.2 ? 空調(diào)運行模式的定量化描述方法

本文以每個樣本房間在每個實測日的逐時空調(diào)開啟時長分布Ti作為一個數(shù)據(jù)樣本：Ti = {li，1，li，2，…，li，t，…，li，24}，li，t為第i天的第t個小時的空調(diào)開啟小時數(shù).

為了對空調(diào)使用行為的特征進行分類研究，本文使用數(shù)據(jù)分析軟件IBM SPSS Statistics 19.0作為執(zhí)行平臺，分別將供冷、供熱工況下的空調(diào)1 d內(nèi)逐時運行狀態(tài)的實測數(shù)據(jù)樣本Ti批量輸入到軟件中，對所有Ti的24個變量進行k-means聚類，通過聚類分析將兩種工況下的日空調(diào)使用行為概括為若干種典型空調(diào)運行模式，每種模式下的數(shù)據(jù)樣本都具有相似的空調(diào)運行時間分布特征.

根據(jù)各功能類型房間在不同特征階段的空調(diào)運行模式分布，再度使用k-means聚類分析法提煉出不同特征階段各個模式下的若干種典型空調(diào)運行時間表（Schedule）及其發(fā)生概率，作為定量化描述空調(diào)使用行為的基礎(chǔ)單元.

最終聚類分析結(jié)果應(yīng)達到穩(wěn)定、收斂且不再隨迭代次數(shù)的增加發(fā)生變化. 迭代次數(shù)在100次以內(nèi)足以達到收斂，因此本文將最大迭代次數(shù)設(shè)定為100，結(jié)果表明可以取得較好的聚類效果. 根據(jù)數(shù)據(jù)集包含數(shù)據(jù)樣本的數(shù)量及數(shù)據(jù)集可壓縮性來確定簇數(shù)k，使k的取值滿足如下條件：k個分類相互之間具有顯著的差異性;簇數(shù)為k+1時，存在2個分類具有重合的特征.

1.3 ? 空調(diào)隨機運行序列的生成方法

統(tǒng)計實測數(shù)據(jù)樣本Ti = ?{li，1，li，2，…，li，t，…，li，24}，若數(shù)據(jù)樣本中所有的li，t都為0，則表示該日不使用空調(diào)，否則該日為空調(diào)開啟日. 使用式（3）計算不同功能類型房間在各個特征階段的日空調(diào)開啟概率.

基于階段性日空調(diào)開啟概率，以及各階段的典型空調(diào)運行時間表（Schedule）及其發(fā)生概率，使用蒙特卡洛方法，根據(jù)如下步驟對全年的空調(diào)使用行為進行逐日決策：

1）設(shè)定參數(shù)D表示一年中的第D日，初始值設(shè)定為1，對應(yīng)日期1月1日，以此類推，D = 365時對應(yīng)日期12月31日.

2）判斷第D日所處的空調(diào)使用特征階段，載入該階段對應(yīng)的日空調(diào)開啟概率Pj，生成隨機數(shù)R1 ∈ [0，1]：若R1 > Pj，則第D日空調(diào)不使用，空調(diào)運行時間表輸出為全天關(guān)閉，并執(zhí)行下一日的決策流程，即D = D + 1，執(zhí)行步驟4）;否則第D日為空調(diào)開啟日，執(zhí)行步驟3）.

1.4 ? 案例數(shù)據(jù)獲取方法

本文選取杭州市某一典型高?？蒲修k公建筑作為研究案例，該建筑建于1982年，為4層磚混結(jié)構(gòu)單一板式建筑，建筑面積3 012.16 m2. 與當(dāng)?shù)乇姸嘟ㄖ粯?，室?nèi)人員主要根據(jù)自身需求，通過主動控制分體式空調(diào)來營造各個房間的室內(nèi)熱濕環(huán)境.

該建筑共有80個房間，主要包括教師、學(xué)生辦公室兩種類型的房間. 根據(jù)功能形式、面積大小、人員密度、使用頻率等，選取2個典型教師辦公室和5個典型學(xué)生辦公室，同類型房間具有相近的人員密度：學(xué)生辦公室約為5～6 m2/person，教師辦公室的人均面積則約為學(xué)生辦公室的3～4倍. 布置測點并長期放置溫濕度自記儀監(jiān)測室內(nèi)熱濕環(huán)境，安裝智能電量測量儀記錄實時空調(diào)功率及能耗. 實測旨在完整記錄各個樣本房間在一年中各個季節(jié)的室內(nèi)熱濕環(huán)境參數(shù)和空調(diào)運行情況，由于實際操作過程中個別房間存在數(shù)據(jù)缺失情況，實測從2016年7月持續(xù)到2018年12月，以補全一年中所有氣象條件下的數(shù)據(jù)，具體信息及實測參數(shù)見表1. 每月定期前往現(xiàn)場對測試儀器進行電量及故障檢查并導(dǎo)出實測參數(shù). 數(shù)據(jù)處理過程中，以10 min為步長對空調(diào)電耗、功率數(shù)據(jù)進行歸納處理：若測得一個步長內(nèi)空調(diào)電耗及功率近似于0，則該時間段內(nèi)空調(diào)不使用;反之空調(diào)電耗及功率發(fā)生劇烈變化則該時間段內(nèi)空調(diào)使用.

2 ? 案例建筑空調(diào)運行模式分析

2.1 ? 空調(diào)使用特征階段劃分

根據(jù)1.1節(jié)所述方法，分別使用式（1）和（2）計算全年各時期樣本房間的日空調(diào)開啟概率以及日平均空調(diào)開啟時長，根據(jù)計算結(jié)果繪制圖表如圖2所示.

排除春節(jié)假日的影響，日空調(diào)開啟概率與日空調(diào)平均開啟時長的全年分布趨勢表現(xiàn)出顯著的一致性，室外日氣溫的全年變化與空調(diào)使用行為存在明顯的相關(guān)性. 結(jié)合圖2所示日空調(diào)開啟概率及日平均空調(diào)開啟時長的變化趨勢，根據(jù)空調(diào)使用頻率不同，將全年劃分為如表2所示的空調(diào)使用特征階段. 嚴(yán)冬、盛夏階段空調(diào)使用頻率高且空調(diào)使用特征變化趨勢平穩(wěn);初冬冬末、初夏夏末階段空調(diào)使用概率較高且空調(diào)使用特征變化趨勢顯著;秋末春初、春末秋初階段空調(diào)使用概率較低且空調(diào)使用特征變化趨勢劇烈.

4月下旬至10月中旬期間為空調(diào)供冷時期，根據(jù)室外氣象參數(shù)的特征及各功能類型房間的空調(diào)使用頻率及開啟時長特征，將供冷時期劃分為盛夏、初夏夏末、春末秋初3個階段;11月上旬至4月上旬期間為空調(diào)供熱時期，同理將供熱時期劃分為嚴(yán)冬、初冬冬末、秋末春初3個階段;4月中旬與10月下旬為過渡時期，該階段可認(rèn)為空調(diào)不使用. 各個空調(diào)使用特征階段具有相似的室內(nèi)外環(huán)境特征. 本文將以表2劃分的空調(diào)使用特征階段作為依據(jù)，研究各功能類型房間室內(nèi)人員空調(diào)使用行為的階段性特征.

2.2 ? 典型空調(diào)運行模式分析

使用式（3）計算不同功能類型房間的階段性空調(diào)開啟概率Pj見表3. 不同特征階段空調(diào)使用頻率不同：供冷工況下，空調(diào)使用頻率與室外溫度正相關(guān)，盛夏階段日空調(diào)開啟概率高于初夏夏末階段并遠(yuǎn)高于春末秋初階段;供熱工況下，空調(diào)使用頻率與室外溫度負(fù)相關(guān)，嚴(yán)冬階段日空調(diào)開啟概率高于初冬冬末階段并遠(yuǎn)高于秋末春初階段;各類房間在供冷工況下的空調(diào)使用概率高于供熱工況下的空調(diào)使用概率. 不同功能類型房間的空調(diào)使用頻率也存在顯著差異，學(xué)生辦公室的空調(diào)整體使用頻率顯著高于教師辦公室.

根據(jù)1.2節(jié)所述研究方法，根據(jù)空調(diào)運行時間的分布特征，將供冷、供熱工況下的日空調(diào)使用行為概括為6種具有代表性、典型性以及相互之間差異性的空調(diào)運行模式. 供冷、供熱工況下，各個典型模式的逐時空調(diào)運行特征如圖3所示.

本文將案例建筑的6種典型的空調(diào)運行模式，分別用A、B、C、D、E、F表示. A模式為“早→午模式”，空調(diào)在上午時段開啟、下午時段關(guān)閉，高峰運行時段為9：00—18：00;B模式為“早→晚模式”，空調(diào)在上午時段開啟、夜晚時段關(guān)閉，高峰運行時段為9：00—22：00;C模式為“午→晚模式”，空調(diào)在下午時段開啟、夜晚時段關(guān)閉，高峰運行時段在供冷工況下為14：00—21：00、在供熱工況下為16：00—23：00;D模式為“全天候模式”，空調(diào)全天持續(xù)運行或長時間保持運行狀態(tài);E模式為“通宵模式”，空調(diào)開啟動作通常發(fā)生在前一日，高峰運行時段為0：00—7：00，7：00后空調(diào)開啟概率逐時下降;F模式為“間歇模式”，空調(diào)單次運行時間較短，且在一天中的分布無顯著的規(guī)律性.

在上述空調(diào)運行模式中，A～E模式主要描述了連續(xù)的空調(diào)使用狀態(tài)，與室內(nèi)人員長時間在室的作息行為具有較高的一致性，反映了空調(diào)使用行為的事件相關(guān)性. F模式描述了間歇式的空調(diào)使用狀態(tài)，一方面呼應(yīng)了室內(nèi)人員短時間在室的作息行為，另一方面也表現(xiàn)出室內(nèi)人員長時間在室過程中適應(yīng)和調(diào)節(jié)室內(nèi)熱濕環(huán)境的主觀能動性，反映了空調(diào)使用行為的環(huán)境相關(guān)性.

2.3 ? 不同使用階段的空調(diào)運行模式分布

基于2.1節(jié)對空調(diào)使用特征階段的劃分，供冷、供熱工況下，不同功能類型房間在不同階段的空調(diào)運行模式分布如圖4所示. 各個功能類型房間在不同特征階段，空調(diào)運行模式的分布有顯著的差異.

對于學(xué)生辦公室，供冷工況下室外溫度越高以及供熱工況下室外溫度越低的情況下，學(xué)生辦公室的空調(diào)典型運行模式中表示從上午持續(xù)運行到夜晚的B模式的占比越高，即全天空調(diào)運行與室內(nèi)人員作息同步，規(guī)律性更為顯著;反之則F模式的占比越高，即全天空調(diào)運行的隨機性更為顯著. 對于教師辦公室，在各個特征階段，間歇式的空調(diào)運行模式F都占據(jù)了更大的比重，符合該類房間室內(nèi)人員在室時間不規(guī)律的特征.

3 ? 案例建筑全年空調(diào)運行序列的生成

3.1 ? 全天空調(diào)運行時間表的提煉

通過第2節(jié)的分析研究，本文對案例建筑中不同功能類型房間的空調(diào)運行模式進行了分類. 為了將實際的空調(diào)使用行為反饋到建筑能耗模擬的過程中，為建筑性能優(yōu)化提供計算基礎(chǔ)，需要定量化地描述不同行為主體所主導(dǎo)的空調(diào)運行方式，模擬得到符合實際行為特征的全年空調(diào)運行序列.

對于圖3所示的空調(diào)逐時開啟概率，若使用蒙特卡洛方法對單獨某一日的逐時空調(diào)開啟狀態(tài)進行模擬，則需要逐時取[0，1]之間滿足均勻分布的隨機數(shù)并與該小時的空調(diào)開啟概率進行對比，共計執(zhí)行24次決策. 由于每次決策的過程都獨立進行、與相鄰的時間段無關(guān)，由此生成的序列結(jié)果可能破壞部分時段空調(diào)狀態(tài)的持續(xù)性，不符合實際使用情況（例如，實際某個時間段是連續(xù)運行的，但模擬結(jié)果并不連續(xù)運行）. 而每種空調(diào)運行模式都涵蓋了多個空調(diào)使用的起止時間點，因此用單一運行時間表描述該模式下的空調(diào)使用行為不能充分體現(xiàn)其隨機的特征. 為了如實反映實際空調(diào)使用行為的多樣性、隨機性以及在部分時段的持續(xù)性特征，本文根據(jù)1.2節(jié)所述方法，采用k均值聚類分析法提煉不同模式下典型的空調(diào)全天運行時間表，作為全年空調(diào)運行序列的構(gòu)成單元，以案例建筑為例，分別提煉學(xué)生辦公室、教師辦公室各空調(diào)使用特征階段的典型空調(diào)運行時間表及其發(fā)生概率，如圖5、圖6所示.

3.2 ? 模擬序列結(jié)果校核

使用1.3節(jié)所述方法，分別生成案例建筑學(xué)生和教師辦公室的全年空調(diào)運行序列，描述全年空調(diào)逐日使用行為. 圖7表示執(zhí)行一次決策流程后，各功能類型房間的全年空調(diào)使用行為模擬結(jié)果.

為驗證本文所述空調(diào)運行序列生成方法的合理性，選取空調(diào)開啟時長作為校核參數(shù)，分別統(tǒng)計實測所得各功能類型房間在空調(diào)供冷、供暖工況下的年平均開啟時長，并與模擬結(jié)果進行校核. 為了避免單次隨機計算過程可能導(dǎo)致的誤差，對各功能類型房間的年空調(diào)使用行為分別執(zhí)行20次模擬，對20次結(jié)果的平均值進行誤差分析，見表4.

通過對比實測和模擬的空調(diào)開啟時長數(shù)據(jù)，模擬結(jié)果產(chǎn)生的誤差水平低，驗證了空調(diào)運行序列生成方法的合理性. 模擬所得序列充分表現(xiàn)出各功能類型房間空調(diào)使用的階段性特征，同時也呈現(xiàn)出空調(diào)使用行為的多樣性和隨機性，反映了案例建筑的實際空調(diào)使用行為特征.

4 ? 結(jié) ? 論

本文根據(jù)循證設(shè)計理論，以案例建筑為研究對象，建立了一套符合建筑室內(nèi)人員實際行為特征的空調(diào)使用行為模擬方法.

由于室外氣候的季節(jié)性變化顯著影響建筑室內(nèi)空調(diào)使用行為，本文將全年劃分為不同的空調(diào)使用特征階段，各個空調(diào)使用特征階段具有相似的室內(nèi)外環(huán)境特征及人員行為特征.

根據(jù)供冷、供熱工況下空調(diào)運行時間的分布特征，本文對空調(diào)運行的時間分布特征進行了分類概括，獲得6種典型的空調(diào)運行模式，不同功能類型房間在不同特征階段的空調(diào)運行模式分布具有顯著的差異性.

為了定量化描述空調(diào)使用行為，使用聚類分析法提煉出不同功能類型房間在各特征階段的典型全天空調(diào)運行時間表及其發(fā)生概率的分布，最后通過蒙特卡洛方法的應(yīng)用，模擬獲得全年空調(diào)運行序列并校核驗證該方法的合理性.

在后續(xù)的研究中，將使用建筑能耗模擬軟件邏輯語言，對模擬所得全年空調(diào)運行序列進行描述，可以將空調(diào)使用行為作為輸入?yún)?shù)反饋到EnergyPlus等軟件的建筑能耗模擬的過程中，提高模擬結(jié)果的準(zhǔn)確性. 針對不同類型的建筑，基于實際建筑運行特征的建筑能耗模擬，對于建筑性能優(yōu)化措施的正確選擇具有重要的意義.

參考文獻

[1] ? ?潘陽陽. 居住建筑人員用能隨機行為模型研究[D]. 杭州：浙江大學(xué)，2017：1—7.

PAN Y Y.Research on the modeling of stochastic energy use behavior for residential building[D]. Hangzhou：Zhejiang University，2017：1—7. （In Chinese）

[2] ? ?李兆堅，江億，魏慶芃. 北京市某住宅樓夏季空調(diào)能耗調(diào)查分析[J]. 暖通空調(diào)，2007，37（4）：46—51.

LI Z J，JIANG Y，WEI Q P. Survey on energy consumption of air conditioning in summer in a residential building in Beijing[J]. Heating Ventilating & Air Conditioning，2007，37（4）：46—51. （In Chinese）

[3] ? ?李兆堅，謝德強，江紅斌，等. 北京市住宅空調(diào)開機行為和能耗的實測研究[J]. 暖通空調(diào)，2014，44（2）：15—20.

LI Z J，XIE D Q，JIANG H B，et al. Testing study on operating behavior and energy consumption of air conditioners in residential buildings in Beijing[J]. Heating Ventilating & Air Conditioning，2014，44（2）：15—20. （In Chinese）

[4] ? ?高巖，安玉嬌，于喜哲，等. 住宅使用模式對住宅建筑供暖空調(diào)能耗影響的模擬分析[J]. 建筑科學(xué)，2010，26（10）：287—291.

GAO Y，AN Y J，YU X Z，et. al. Simulation and analysis of the impact of behavior patterns on heating and air conditioning in residential buildings[J]. Building Science，2010，26（10）：287—291. （In Chinese）

[5] ? ?任曉欣. 建筑中人行為動作模型研究與分析[D]. 北京：清華大學(xué)，2015：5—9.

REN X X. Research on occupant behavior action model in buildings[D]. Beijing：Tsinghua University，2015：5—9. （In Chinese）

[6] ? ?簡毅文，江億. 住宅房間空調(diào)器運行狀況的調(diào)查分析[J]. 中國建設(shè)信息（供熱制冷?？?，2005（6）：66—68.

JIAN Y W，JIANG Y. Investigation study on the use of air conditioners in residential buildings[J]. China Construction Heating & Refrigration，2005（6）：66—68. （In Chinese）

[7] ? ?SCHWEIKER M，SHUKUYA M. Comparison of theoretical and statistical models of air-conditioning-unit usage behaviour in a residential setting under Japanese climatic conditions[J]. Building and Environment，2009，44（10）：2137—2149.

[8] ? ?TANIMOTO J，HAGISHIMA A. State transition probability for the Markov Model dealing with on/off cooling schedule in dwellings[J]. Energy and Buildings，2005，37（3）：181—187.

[9] ? ?何敏，彭嵐倩，劉宏立，等. 基于改進隱馬爾科夫模型的魯棒用戶行為識別[J]. 湖南大學(xué)學(xué)報（自然科學(xué)版），2018，45（2）：127—132.

HE M，PENG L Q，LIU H L，et al. Behavior recognition method of robust user based on improved HMM[J].Journal of Hunan University （Natural Sciences），2018，45（2）：127—132. （In Chinese）

[10] ?俞準(zhǔn)，周亞蘋，李郡，等. 建筑用戶在室行為預(yù)測新方法[J]. 湖南大學(xué)學(xué)報（自然科學(xué)版），2019，46（7）：129—134.

YU Z，ZHOU Y P，LI J，et al. A new approach for building occupancy prediction[J]. Journal of Hunan University （Natural Sciences），2019，46（7）：129—134. （In Chinese）

[11] ?王闖. 有關(guān)建筑用能的人行為模擬研究[D]. 北京：清華大學(xué)，2014：89—114.

WANG C.Simulation research on occupant energy-related behaviors in building[D]. Beijing：Tsinghua University，2014：89—114. （In Chinese）

[12] ?REN X X，YAN D，WANG C. Air-conditioning usage conditional probability model for residential buildings[J]. Building and Environment，2014，81：172—182.