基于多維度聚類算法的重慶住宅空調(diào)使用特征分析

薛凱　劉猛　晏璐　何昱潔

摘 要：長江流域夏季炎熱、冬季陰冷，全年高濕，室內(nèi)熱環(huán)境惡劣，多樣化的空調(diào)使用習(xí)慣對住宅供暖空調(diào)能耗有重要影響。大數(shù)據(jù)技術(shù)發(fā)展為更大樣本、更高精度、更多維度的空調(diào)行為監(jiān)測提供了基礎(chǔ)，彌補了現(xiàn)有研究方法誤差大和分類指標單一的不足。選取重慶市作為長江流域典型城市的代表，隨機抽取2 000臺住宅房間空調(diào)器樣本，從空調(diào)使用時長、溫度需求及能耗角度，構(gòu)建空調(diào)運行的5個特征參數(shù)，采用多維度聚類算法識別出重慶地區(qū)空調(diào)使用習(xí)慣的典型類別，通過深入分析不同使用習(xí)慣類別的特征差異，總結(jié)出三類典型群體。

關(guān)鍵詞：聚類算法;數(shù)據(jù)挖掘;使用習(xí)慣;房間空調(diào)器

中圖分類號：TU831.2 文獻標志碼：A 文章編號：2096-6717（2022）04-0167-09

Characteristics of occupants’ behavior in Chongqing residential air-conditioning based on multi-dimensional clustering algorithm

XUE Kai， LIU Meng， YAN Lu， HE Yujie

（School of Civil Engineering; National Centre for International Research of Low-Carbon and Green Building; Joint International Research Laboratory of Green Building and Built Environment; Chongqing Key Laboratory of Wind Engineering and Wind Energy Utilization， Chongqing University， Chongqing 400045， P. R. China）

Abstract： With a hot summer， cold winter and high humidity climate， residential energy consumption in the Yangtze River Basin is strongly affected by diverse air-conditioning behaviors in such a harsh indoor thermal environment. The development of big data technology provides a basis for larger samples， higher accuracy， and more dimensions of air-conditioning behavior monitoring， which can make up for the current situation of large errors in existing research methods and single classification indicators. By selecting 2 000 samples of residential room air conditioners （RACs） in Chongqing as the representative city： First， five characteristic parameters of air-conditioning operation are constructed from the perspective of air-conditioning using period， temperature demand and energy consumption; Then， a multi-dimensional clustering algorithm was used to identify the typical categories of air-conditioning behavior;Finally，through in-depth analysis of the characteristic differences among the clustering results， three typical air-conditioning behavior groups are summarized for residential buildings in Chongqing.

Keywords：cluster algorithm; data mining; occupants’ behavior; room air-conditioner （RACs）

長江流域地區(qū)占中國國土面積的25%，人口占55%，GDP占近45%，是一個人口密集，經(jīng)濟、產(chǎn)業(yè)高度發(fā)達的地區(qū)。該地區(qū)夏季炎熱、冬季陰冷，全年高濕，室內(nèi)熱環(huán)境惡劣。近年來，多數(shù)家庭將房間空調(diào)器作為改善室內(nèi)熱環(huán)境的重要措施，根據(jù)國家統(tǒng)計局數(shù)據(jù)，目前中國住宅房間空調(diào)器擁有量達3.6億臺[1]，其中重慶地區(qū)已接近戶均2臺。龍惟定等[2]指出，隨著每年34億m2的城鎮(zhèn)住宅面積的增長，維持住宅建筑環(huán)境的空調(diào)能耗仍會有明顯上升，因此，控制房間空調(diào)器電耗是減少建筑間接碳排放的主要措施，對盡快實現(xiàn)“雙碳”目標也有積極意義。近年來的研究表明，住宅空調(diào)使用模式是影響供暖空調(diào)能耗的主要因素[3-4];中國經(jīng)濟發(fā)展水平不均衡，住戶的年齡、家庭條件等有很大差異，造成居民在空調(diào)使用習(xí)慣上有很大不同。多樣化的居民使用習(xí)慣直接影響空調(diào)的運行功率與運行時長，進而影響房間空調(diào)器能耗。為總結(jié)出不同使用習(xí)慣的典型、剖析使用習(xí)慣之間的關(guān)系，對空調(diào)用戶使用習(xí)慣的分類研究勢在必行。

住宅空調(diào)使用習(xí)慣的研究方法常有調(diào)研法、實測法、模擬法等，然而，由于現(xiàn)有方法本身的局限性，均無法總結(jié)出典型用戶群體及其使用習(xí)慣。對于調(diào)研實測法，研究機構(gòu)開展了大量研究，其中，Guo等[5]通過調(diào)研總結(jié)出該地區(qū)人員的主觀特點，但由于使用習(xí)慣具有多樣性，調(diào)研法很難通過單一指標總結(jié)出一兩種典型使用模式。何玥兒[6]發(fā)放了800余份問卷對重慶地區(qū)空調(diào)使用模式進行廣泛調(diào)研，并將空調(diào)使用時刻信息作為分類依據(jù)，構(gòu)建了老幼群體的全天使用、上班族的早、中、晚間歇運行以及早、晚間歇運行的3種典型使用模式。然而，基于調(diào)研的分類多是依據(jù)經(jīng)驗進行主觀確定的[7]，與實際情況存在差異。所以，通過調(diào)研與實測，可以獲取一定主客觀數(shù)據(jù)，但是數(shù)據(jù)質(zhì)量、數(shù)據(jù)維度不夠全面，導(dǎo)致典型行為獲取具有局限性。模擬方法通常采用特定的理想條件，而實際情況卻往往有很大出入。實際運行時，模型輸入往往不一定遵照設(shè)定的理想條件，存在諸多不確定性[8]。在目前的建筑能耗模擬軟件中，多數(shù)采用固定作息的方法進行描述，也有一些采用理想化反饋模型或隨機模型等簡化處理方式[9];還有大量學(xué)者采用驗證模型的思路，如通過實測或調(diào)研輔助手段提升模型的精度。Knight等[10]采用ECOTECT軟件模擬學(xué)校建筑的能耗，并與實際監(jiān)測數(shù)據(jù)進行對比，發(fā)現(xiàn)模擬方法明顯低估了建筑物的電耗情況，差異達到43%，通過進一步探索發(fā)現(xiàn)，造成差異的主要原因是用戶對自身設(shè)備作息過于主觀[8， 10]。由于模擬方法對用戶行為的設(shè)置一般簡化為固定/靜態(tài)方式[11]，實際運行情況下的特別復(fù)雜行為模擬方法往往很難描述[12]，導(dǎo)致模擬結(jié)果難以準確反映實際人的行為對建筑用能水平的影響。

從分類指標或特征來看，高巖等[3]、劉猛等[13]采用能耗模擬軟件，結(jié)合標準與文獻記錄，將設(shè)置溫度、空調(diào)作息作為分類指標，設(shè)置幾種典型的空調(diào)使用模式，推廣了“部分時間”、“部分空間”的住宅空調(diào)節(jié)能運行方式。這些研究的空調(diào)設(shè)置模式維度較為單一，指標具有局限性（如僅采用使用時刻作息等），僅僅實現(xiàn)對空調(diào)使用習(xí)慣模式的簡單分類，常常與實測結(jié)果產(chǎn)生較大偏差。

由于影響用戶使用行為的因素較為復(fù)雜，也就無法基于單一指標的簡單量化進行分類（如平均值、分位數(shù)等），很多學(xué)者提出多指標聚類算法（或綜合指標聚類）[14]。隨著互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能的興起，智能空調(diào)不斷涌現(xiàn)，更加客觀、更大區(qū)域、更多樣本、更高效率、更全方位的數(shù)據(jù)監(jiān)測與獲取方式成為了可能。陳煥新等[15-16]闡述了制冷空調(diào)行業(yè)中常用的聚類分析、關(guān)聯(lián)規(guī)則分析等無監(jiān)督學(xué)習(xí)算法的原理與應(yīng)用，分析了大數(shù)據(jù)在空調(diào)系統(tǒng)優(yōu)化、故障診斷、建筑能耗與維護預(yù)測等方面的用途，指出大數(shù)據(jù)在用于分析人的行為上具有明顯的優(yōu)勢。Yu等[17]基于室外環(huán)境、建筑信息、人員信息、設(shè)備功能等4個指標，應(yīng)用該算法對家庭用戶進行聚類分析，研究結(jié)果可較好地用于評估設(shè)備對能耗的影響以及建筑能耗模擬的優(yōu)化，作者在處理聚類指標過程中采用分類變量進行量化預(yù)處理，同時指出，由于調(diào)研方法的限制，對于眾多參數(shù)影響下的建筑物能耗進行全面調(diào)查是不切實際的，查找典型指標進行研究可行性更高?？敌裨吹萚18]采用聚類分析獲取人員作息，分析了人員行為對建筑能耗的影響特點，通過人員位置信息大數(shù)據(jù)庫，重構(gòu)人員在室率指標，基于k-means聚類方法，獲取了16棟不同建筑的典型人員作息曲線，為人員行為研究提供了數(shù)據(jù)支撐。

綜上所述，因樣本量以及研究方法的限制，現(xiàn)有多數(shù)研究采用的指標不夠全面，且主觀性強，無法真實反映用戶的使用習(xí)慣特點;此外，對指標的預(yù)處理方式過于簡單，導(dǎo)致與實際情況存在較大差異，多維度聚類分析則為人員行為分類研究提供了參考。筆者基于房間空調(diào)器監(jiān)控平臺，獲取了近2 000臺房間空調(diào)器詳細、客觀的運行數(shù)據(jù)，從空調(diào)使用時長、溫度需求及能耗角度構(gòu)建影響空調(diào)使用習(xí)慣的特征參數(shù)，提取多維度聚類特征，并通過數(shù)據(jù)清洗、衍生、標準化等預(yù)處理方法，對空調(diào)樣本進行分群，提出房間空調(diào)器典型群體，并定性描述其使用特點。

1 研究方法

在機器學(xué)習(xí)中，聚類算法屬于“無監(jiān)督學(xué)習(xí)”算法的一種，目標是通過對無標記訓(xùn)練樣本的學(xué)習(xí)來揭示數(shù)據(jù)的內(nèi)在性質(zhì)及規(guī)律[19]。筆者對空調(diào)行為習(xí)慣采用常用的k-means算法，在大樣本的快速計算方面，比模糊劃分算法、期望最大化算法等其他算法更具優(yōu)勢[20]。

1.1 聚類算法

聚類根據(jù)計算自身的距離或相似度將數(shù)據(jù)劃分為若干組，劃分的原則是組內(nèi)距離最小而組間距離最大。k-means采用距離作為相似性評價指標，即認為兩個樣本距離越近，其相似度就越大[21]。采用歐氏距離度量樣本間相似性[17]。

式中：k、l分別代表兩個樣本;xk1，k2，…，xkn分別為k樣本的n個特征;xl1，xl2…xln分別為l樣本的n個特征。直觀來看，式（1）刻畫了組內(nèi)樣本圍繞該組均值的緊密程度，距離d越小，則組內(nèi)樣本的相似性越高。

采用k-means算法，對于每個簇而言，要求其簇內(nèi)差異小，而簇外差異大，輪廓系數(shù)（Silhouette）正是描述簇內(nèi)外差異的關(guān)鍵指標[22]，見式（2）。

式中：a為某個樣本與其所在簇內(nèi)其他樣本的平均距離;b為某個樣本與其他簇樣本的平均距離;由式（2）可知，S取值范圍為（-1， 1），當S越接近于1，則聚類效果越好，越接近-1，聚類效果越差，0代表聚類重疊，沒有很好地劃分聚類。輪廓系數(shù)指標針對樣本空間中的一個特定樣本，計算它與所在聚類其他樣本的平均距離a以及該樣本與距離最近的另一個聚類中所有樣本的平均距離b，將整個樣本空間中所有樣本的輪廓系數(shù)取算數(shù)平均值，作為聚類劃分的性能指標[23]。

聚類算法在訓(xùn)練之前需要對聚類各特征進行預(yù)處理，預(yù)處理方法主要有離群值檢驗、正態(tài)化以及標準化，具體處理方法見文獻[24]，其中，離群值檢測采用分位數(shù)方法，剔除數(shù)據(jù)中距離上下分位數(shù)較遠的值，一般取1.5倍的分位間距;正態(tài)化的作用使得各特征近似呈現(xiàn)正態(tài)分布，消除數(shù)據(jù)分布中“尾跡”的影響;標準化的作用是消除不同特征量綱的影響，使數(shù)據(jù)標準化為均值為0、方差為1的標準正態(tài)分布。

筆者基于機器學(xué)習(xí)工具Scikit-learn的k-means包進行訓(xùn)練，該工具基于Python語言，在處理大數(shù)據(jù)集時具有編程簡單、運算速度快的優(yōu)勢。

1.2 數(shù)據(jù)描述

針對重慶地區(qū)空調(diào)使用行為習(xí)慣進行研究，從某空調(diào)制造企業(yè)大數(shù)據(jù)平臺隨機抽取重慶主城六區(qū)共計2 000臺住宅空調(diào)樣本，從2016年到2017年共計一整年的空調(diào)運行數(shù)據(jù)集，數(shù)據(jù)集參數(shù)范圍、分辨率、采集方式、傳感元件、采集頻率等見表1。由于原始數(shù)據(jù)規(guī)模大，監(jiān)測維度多，造成聚類分析計算距離失效，為避免“維數(shù)災(zāi)難”，需要基于行為研究對聚類參數(shù)進行重構(gòu)與衍生[20]。

聚類參數(shù)（特征）的多維度衍生應(yīng)遵從3個原則：1）聚類參數(shù)盡量反映原始參數(shù)的研究意義，并覆蓋更多維度;2）聚類參數(shù)盡可能接近正態(tài)分布，由于原始數(shù)據(jù)在收集過程中會產(chǎn)生諸多“壞值”，導(dǎo)致原始數(shù)據(jù)往往會呈現(xiàn)偏態(tài)，會大大影響聚類用戶群的識別;3）參數(shù)應(yīng)該進行相關(guān)性檢驗，由于高度相關(guān)的特征/參數(shù)會影響聚類分析的結(jié)果，在開始聚類分析之前需要先對冗余變量進行篩選和剔除。通過使用習(xí)慣特點進行篩選與衍生，形成與使用習(xí)慣相關(guān)的5個維度參數(shù)。

2 結(jié)果

2.1 特征分析

1）運行參數(shù)

長江流域地區(qū)空調(diào)運行具有“部分時間”、“部分空間”的使用特點[25]，其中“部分時間”即反映間歇運行的特性，采用單次開機運行時長反映該運行特點。如圖1（a）所示，單位次數(shù)運行時長集中分布在0～10 h之間，根據(jù)多項夏熱冬冷地區(qū)空調(diào)間歇運行研究，當

單次運行時長分布在0～5 h之間時，可認為該樣本偏好間歇運行[26-28]。

2）溫度設(shè)置參數(shù)

將用戶溫度設(shè)置作為空調(diào)能耗影響的重要參數(shù)，由于夏熱冬冷地區(qū)冬、夏季設(shè)置溫度存在很大區(qū)別，為了描述季節(jié)性影響，構(gòu)建綜合性指標α來描述溫度季節(jié)差異，衡量用戶的綜合溫度設(shè)置偏好，見式（3）。

α=STweight，w/Tcomfort，wSTweight，s/Tcomfort，s（3）

式中：Tcomfort，w與Tcomfort，s分別為冬、夏季舒適溫度，按照暖通設(shè)計規(guī)范[29]，分別取20 ℃[13]與26 ℃[30]。STweight代表某樣本設(shè)置溫度按時長加權(quán)的平均值。圖1（b）為設(shè)置溫度參數(shù)分布，該指標呈明顯的雙峰特點?？傮w上看，當α=1時，代表該用戶偏好冬、夏季舒適溫度設(shè)置;當α>1時，代表用戶偏好冬季高溫、夏季低溫的設(shè)置方式，空調(diào)行為偏耗能;當α<1時，代表用戶偏好冬季低溫、夏季高溫的設(shè)置方式，空調(diào)行為偏節(jié)能，從分布圖可以看出，采用該設(shè)置方式的樣本較少。

3）季節(jié)參數(shù)

為了衡量用戶對季節(jié)的偏好特點，采用季節(jié)使用率之差β進行衡量，如式（4）。

β=Csummer/Cs，total-Cwinter/Cw，total（4）

式中：β為季節(jié)使用率之差，%;Csummer與Cwinter 分別為夏季與冬季開機運行小時數(shù);Cs，total與Cw，total分別為夏季與冬季總小時數(shù)。圖1（c）為季節(jié)參數(shù)分布。當β>0時，夏季運行率高于冬季，表示該用戶偏好夏季運行;當β=0時，表示該用戶冬、夏季運行率相差不大，季節(jié)差異不明顯;當β<0時，表示冬季運行率更高，該用戶偏好冬季運行，從分布圖可以看出，該地區(qū)偏好冬季的樣本少，也符合該地區(qū)夏季為主的特點。

4）環(huán)境參數(shù)

為了綜合反映冬、夏季用戶對舒適溫度的容忍情況，采用開機運行期冬、夏季室內(nèi)溫度與舒適溫度的差值之和（運行期室內(nèi)溫度γ）來描述用戶對室內(nèi)

式中：Tin，s、Tin，w分別為冬、夏季空調(diào)開機時室內(nèi)溫度平均值，依照規(guī)范，夏熱冬冷地區(qū)冬季與夏季舒適溫度分別可取20、26 ℃。由式（5）可知，γ越大，表示對室內(nèi)冬季偏冷與夏季偏熱環(huán)境的適應(yīng)能力越強;γ越小，表示對室內(nèi)冬季過熱與夏季過冷的適應(yīng)能力越強。圖1（d）為環(huán)境參數(shù)分布。

5）能耗參數(shù)

單位小時能耗可反映樣本空調(diào)的制冷能力，間接反映用戶的室內(nèi)負荷特點，由圖1（e）可知，單位小時能耗分布更接近正態(tài)分布，且“尾跡”不明顯。

2.2 聚類可視化

為了得到聚類最優(yōu)數(shù)目，選擇聚類數(shù)目從2～9分別建模，并計算各類別下的平均輪廓系數(shù)，如圖2所示。當聚類數(shù)目為2與3時，平均輪廓系數(shù)最高，聚類數(shù)目越多，輪廓系數(shù)越小，表示聚類效果越差，所以，主要討論類別為2與3時的分類特點。

為了在二維坐標系清晰展示樣本分布，將5維數(shù)據(jù)轉(zhuǎn)化為2維顯示，如圖3（a）所示，采用TSNE降維方法[22]并單獨計算每個樣本的輪廓系數(shù)，再進行排序，如圖3（b）所示，其中紅色虛線表示整體樣本的平均輪廓系數(shù)。

聚類樣本數(shù)量顯示，聚類數(shù)目為2時，類別A樣本占比57%，類別B占比43%;輪廓系數(shù)的總體均值約為0.22，兩個類別輪廓系數(shù)分布合理。從圖3（a）可以看出，在類別B中仍然有少量樣本分類效果較差，輪廓系數(shù)為負，但僅有39個樣本，占比不高（約占3.4%）。

如圖3（b）所示，當樣本數(shù)目為3時，各類別樣本數(shù)占比分別為：47%（a），28%（b）和25%（c），輪廓系數(shù)為負的樣本共計49個，約占4.2%，分布在類別b與類別c中;從兩種聚類結(jié)果來看，類別c近似從類別A、B中各提取部分樣本進行重新組合形成第3個類別，分類更加細化。

3 討論

3.1 聚類特征差異性

為了進一步分析聚類結(jié)果下各個指標的分布情況以及不同類別之間的差異，采用雷達圖顯示特征分布，如圖4所示。

當聚類類別為2時，從雷達圖4（a）可以看出，5個特征在兩個聚類類別中均表現(xiàn)出較為明顯的差異，均可作為分離兩個類別的優(yōu)勢特征;差異最大的特征為溫度設(shè)置參數(shù)，A類用戶設(shè)置溫度參數(shù)α約為1.0左右，根據(jù)前文，該類用戶偏好舒適溫度設(shè)置（冬：20 ℃，夏：26 ℃）;B類用戶均值約為1.4左右，該類用戶偏好冬季高溫、夏季低溫耗能設(shè)置行為?？傮w上，A類用戶較B類用戶更偏向節(jié)能行為，主要在夏季，經(jīng)過統(tǒng)計，單位小時累積能耗類別A約為0.2～0.4 kW·h，類別B則略高，處于0.3～0.6 kW·h之間，類別B明顯顯示出高能耗的特點。

當聚類類別為3時，同樣采用雷達圖分析各個指標特征，如圖4（b）所示，其中類別a對應(yīng)類別A，二者各項指標差異不大，均反映夏季連續(xù)運行的偏好舒適溫度運行的用戶;對于b類來說，與B類各項指標差異不大，均反映冬、夏季均有空調(diào)需求，且多為間歇運行的用戶群體;對于c類來說，指標設(shè)置溫度、室內(nèi)溫度與a類差別大，其他3個指標與a類近似相等，兩個類別均反映夏季連續(xù)運行的用戶，差異在于對熱環(huán)境需求不同，c類樣本設(shè)置溫度參數(shù)高、運行期室內(nèi)溫度低，更偏好耗能設(shè)置的“過”舒適環(huán)境（冬季過熱與夏季過冷），a類傾向節(jié)能運行。

值得注意的是，兩個聚類方式均能較好地分出用戶使用習(xí)慣類群，聚為3類的分類方式在2類的基礎(chǔ)上更加細化，新用戶群體是否具有實際意義仍需進一步討論。

3.2 聚類數(shù)目討論

聚為兩個類別時，樣本分布較為均勻，輪廓系數(shù)更高，聚類錯誤率相對較低;聚為3類時，樣本分布不均勻性提高，輪廓系數(shù)低，聚類錯誤率略高。但聚類數(shù)目的確定，除了采用傳統(tǒng)的評估指標（如距離、輪廓系數(shù)），仍需結(jié)合實際問題具體探討。樣本分布占比如圖5所示。

圖5中外環(huán)代表聚類數(shù)目為2（A與B），內(nèi)環(huán)代表聚類數(shù)目為3（a、b及c）。通過對不同聚類數(shù)目的5個特征進行分析，A與a、B與b的特點近似相同，所以，類別c可以看作是對聚2類時的進一步細分，即類別c從類別A中分出10%的樣本，從類別B中分出15%的樣本，共計25%的樣本形成c類，為以夏季連續(xù)運行的用戶群體，空調(diào)行為偏好耗能設(shè)置，對室內(nèi)環(huán)境要求高，因此，聚2類中A、B的運行特點包含在聚3類時的運行特點中，為此，將聚類結(jié)果設(shè)置為3類進行后續(xù)分析，見表2。

由于夏熱冬冷地區(qū)住宅空調(diào)夏季運行周期長，對空調(diào)器依賴性高，冬季采暖設(shè)備多樣，所以，該地區(qū)空調(diào)僅采用夏季供冷單一方式的樣本多。調(diào)研實測過程中，大量學(xué)者也指出，夏季存在低溫設(shè)置的典型群體，如陳勰等[31]通過對青年人群體熱感覺調(diào)研指出，夏季使用空調(diào)比例高的用戶（依賴性更強）更適應(yīng)較低的室溫;簡毅文等[32]、譚晶月[33]、郭祺[34]采用現(xiàn)場詢問方式對空調(diào)設(shè)置習(xí)慣的調(diào)研中發(fā)現(xiàn)，有相當部分用戶（超過40%）在夏季會選擇采用26 ℃以下的低溫設(shè)置，Haochen等[35]也指出，長江流域20%左右的用戶會在夜間連續(xù)開啟18～24 ℃的設(shè)置溫度;柴盼等[36]通過調(diào)研也指出，有約30%的用戶夏季會通過設(shè)置低于標準規(guī)定的溫度來提高舒適度。部分熱舒適研究學(xué)者也指出，體質(zhì)較好的用戶群體（如青年人等）會選擇將室內(nèi)環(huán)境設(shè)置較低溫。

因此，在夏季采用耗能的低溫設(shè)置群體客觀存在，采用3個類別聚類更有實際意義。基于此，總結(jié)聚類3個用戶群體的特點：

1）對于類別a用戶群體，運行特點為夏季為主、連續(xù)運行、節(jié)能設(shè)置，空調(diào)使用過程具有較強的節(jié)能意識，對空調(diào)耗電較為關(guān)注，近似三代人家庭，能耗最低，可作為夏季空調(diào)運行的推薦模式。

2）對于類別b用戶群體，運行偏好為冬、夏兩用、間歇運行、耗能設(shè)置，結(jié)合重慶地區(qū)調(diào)研結(jié)果，重點在于間歇運行特點，與上班族或兩代人家庭的特征較為近似，能耗最高。該類高能耗人群應(yīng)予以重點關(guān)注，可采用合理的規(guī)劃及必要的節(jié)能技術(shù)，如自然通風(fēng)技術(shù)等降低能源消耗。

3）對于類別c用戶群體，運行特點為夏季為主、連續(xù)運行、耗能設(shè)置，重點在于夏季長期低溫運行，多為身體適應(yīng)性較強的人群，近似單身青年等家庭。該類人群需要在滿足舒適性的情況下增加節(jié)能意識，減少不必要的能源浪費，避免長期運行引發(fā)的“空調(diào)病”。

4 結(jié)論

通過多維度聚類算法，結(jié)合重慶地區(qū)房間空調(diào)器數(shù)據(jù)監(jiān)測平臺，選擇合適的評估指標對空調(diào)用戶群體進行分類，識別出該地區(qū)空調(diào)使用的典型群體，主要研究結(jié)論如下：

1）從空調(diào)使用時長、溫度需求及能耗角度，構(gòu)建了空調(diào)運行的5個聚類參數(shù)，包括單次運行時長、運行期室內(nèi)溫度、使用率季節(jié)差異、設(shè)置溫度季節(jié)差異、小時累積能耗參數(shù)，剖析重慶地區(qū)空調(diào)使用習(xí)慣的典型特征并識別典型群體，指出多維度聚類算法可用于多樣化空調(diào)使用習(xí)慣的研究。

2）通過特征差異性分析，指出重慶地區(qū)空調(diào)用戶運行方式多樣、季節(jié)性明顯的特點，并挖掘出該地區(qū)3類典型空調(diào)使用習(xí)慣，即以夏季為主，連續(xù)運行的低能耗群體;以夏季為主，連續(xù)運行的高能耗群體;冬、夏兩用，間歇運行能耗較高的群體。

參考文獻：

[1] 國家統(tǒng)計局. 城鎮(zhèn)居民平均每百戶年末主要耐用消費品擁有量[Z]. 北京： 中國統(tǒng)計出版社， 2020.

National Bureau of Statistics of China. Main durable goods owned per 100 urban households at year-end [Z]. Beijing： China Statistics Press， 2020. （in Chinese）

[2] 龍惟定， 梁浩. 我國城市建筑碳達峰與碳中和路徑探討[J]. 暖通空調(diào)， 2021， 51（4）： 1-17.

LONG W D， LIANG H. Discussion on paths of carbon peak and carbon neutrality of urban buildings in China [J]. Heating Ventilating & Air Conditioning， 2021， 51（4）： 1-17. （in Chinese）

[3] 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 analysis of the influence of residential use pattern on heating and air-conditioning energy consumption of residential buildings [J]. Building Science， 2010， 26（10）： 287-291. （in Chinese）

[4] CHEN S， ZHANG G M， XIA X B， et al. A review of internal and external influencing factors on energy efficiency design of buildings [J]. Energy and Buildings， 2020， 216： 109944.

[5] GUO S Y， YAN D， PENG C， et al. Investigation and analyses of residential heating in the HSCW climate zone of China： Status quo and key features [J]. Building and Environment， 2015， 94： 532-542.

[6] 何玥兒. 基于量質(zhì)分析的夏熱冬冷地區(qū)住宅熱環(huán)境營造技術(shù)優(yōu)化研究[D]. 重慶： 重慶大學(xué)， 2017.

HE Y E. Quantity-quality-based optimization of indoor thermal environment for residential buildings in hot summer and cold winter climate zones [D]. Chongqing： Chongqing University， 2017. （in Chinese）

[7] 侯珊珊， 劉猛， 晏璐， 等.運用社會化聆聽方法的非集中供暖區(qū)住戶對冬季室內(nèi)熱環(huán)境不滿的分析[J].土木與環(huán)境工程學(xué)報（中英文）， 2021， 43（1）： 215-228.

HOU S S， LIU M， YAN L， et al. Dissatisfaction expressed by occupants with winter indoor thermal environment in the non-district heating zone based on the social listening method full-text in English [J]. Journal of Civil and Environmental Engineering， 2021， 43（1）： 215-228. （in Chinese）

[8] RYAN E M， SANQUIST T F. Validation of building energy modeling tools under idealized and realistic conditions [J]. Energy and Buildings， 2012， 47： 375-382.

[9] YAN D， XIA J J， TANG W Y， et al. DeST： An integrated building simulation toolkit. Part I： Fundamentals [J]. Building Simulation， 2008， 1（2）： 95-110.

[10] KNIGHT I， STRAVORAVDIS S， LASVAUX S. Assessing the operational energy profiles of UK educational buildings： Findings from detailed surveys compared to measured consumption [C]//2nd PALENC Conference and 28th AIVC Conference on Building Low Energy Cooling and Advanced Ventilation Technologies in the 21st Century. Crete， Greece. 2021： 531-536

[11] 燕達， 豐曉航， 王闖， 等. 建筑中人行為模擬研究現(xiàn)狀和展望[J]. 建筑科學(xué)， 2015， 31（10）： 178-187.

YAN D， FENG X H， WANG C， et al. Current state and future perspective of occupant behavior simulation in buildings [J]. Building Science， 2015， 31（10）： 178-187. （in Chinese）

[12] HOES P， HENSEN J L M， LOOMANS M G L C， et al. User behavior in whole building simulation [J]. Energy and Buildings， 2009， 41（3）： 295-302.

[13] 劉猛， 薛凱， 衷逸群， 等. 典型城市居住建筑室內(nèi)設(shè)置溫度對供暖供冷能耗的影響[J]. 土木建筑與環(huán)境工程， 2015， 37（Sup2）： 204-210.

LIU M， XUE K， ZHONG Y Q， et al. Impact of indoor setting temperature on heating and cooling energy consumption in selected cities [J]. Journal of Civil， Architectural & Environmental Engineering， 2015， 37（Sup2）： 204-210. （in Chinese）

[14] 涂正革， 諶仁俊. 中國碳排放區(qū)域劃分與減排路徑： 基于多指標面板數(shù)據(jù)的聚類分析[J]. 中國地質(zhì)大學(xué)學(xué)報（社會科學(xué)版）， 2012， 12（6）： 7-13， 136.

TU Z G， CHEN R J. Analysis on China’s carbon emission division and reduction path： Based on multivariate panel data clustering analysis method [J]. Journal of China University of Geosciences （Social Sciences Edition）， 2012， 12（6）： 7-13， 136. （in Chinese）

[15] 陳煥新， 孫劭波， 劉江巖， 等. 數(shù)據(jù)挖掘技術(shù)在制冷空調(diào)行業(yè)的應(yīng)用[J]. 暖通空調(diào)， 2016， 46（3）： 20-26.

CHEN H X， SUN S B， LIU J Y， et al. Application of data mining technology to refrigeration and air conditioning industry [J]. Heating Ventilating & Air Conditioning， 2016， 46（3）： 20-26. （in Chinese）

[16] 陳煥新， 劉江巖， 胡云鵬， 等. 大數(shù)據(jù)在空調(diào)領(lǐng)域的應(yīng)用[J]. 制冷學(xué)報， 2015， 36（4）： 16-22.

CHEN H X， LIU J Y， HU Y P， et al. Application of big data in air-conditioning field [J]. Journal of Refrigeration， 2015， 36（4）： 16-22. （in Chinese）

[17] YU Z， FUNG B C M， HAGHIGHAT F， et al. A systematic procedure to study the influence of occupant behavior on building energy consumption [J]. Energy and Buildings， 2011， 43（6）： 1409-1417.

[18] 康旭源， 燕達， 孫紅三， 等. 基于人員位置大數(shù)據(jù)的建筑人員作息模式研究[J]. 暖通空調(diào)， 2020， 50（7）： 1-10， 90.

KANG X Y， YAN D， SUN H S， et al. Typical occupancy profiles in buildings based on big data of mobile positioning [J]. Heating Ventilating & Air Conditioning， 2020， 50（7）： 1-10， 90. （in Chinese）

[19] 周志華. 機器學(xué)習(xí)[M]. 北京： 清華大學(xué)出版社， 2016.

ZHOU Z H. Machine learning [M]. Beijing： Tsinghua University Press， 2016. （in Chinese）

[20] 晉遠， 燕達， 安晶晶， 等. 基于自編碼算法聚類的城鎮(zhèn)住宅建筑日用電典型模式分析[J]. 建筑科學(xué)， 2020， 36（2）： 1-7， 43.

JIN Y， YAN D， AN J J， et al. Analysis on typical daily electricity consumption patterns of urban residential buildings from clustering analysis based on auto-encoder algorithm [J]. Building Science， 2020， 36（2）： 1-7， 43. （in Chinese）

[21] 張良均， 譚立云， 劉名軍. Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)[M]. 2版. 北京： 機械工業(yè)出版社， 2020.

ZHANG L J， TAN L Y， LIU M J. Hands-on data analysis and data mining with Python [M]. Beijing： China Machine Press， 2020. （in Chinese）

[22] YAN L， LIU M， XUE K， et al. A study on temperature-setting behavior for room air conditioners based on big data [J]. Journal of Building Engineering， 2020， 30： 101197.

[23] ROUSSEEUW P J. Silhouettes： A graphical aid to the interpretation and validation of cluster analysis [J]. Journal of Computational and Applied Mathematics， 1987， 20： 53-65.

[24] TARDIOLI G， KERRIGAN R， OATES M， et al. Identification of representative buildings and building groups in urban datasets using a novel pre-processing， classification， clustering and predictive modelling approach [J]. Building and Environment， 2018， 140： 90-106.

[25] 程飛， 張旭， 張莉莉， 等. 夏熱冬冷地區(qū)住宅分體式空調(diào)容量需求分析[J]. 建筑科學(xué)， 2016， 32（8）： 154-158.

CHENG F， ZHANG X， ZHANG L L， et al. Analysis on capacity of the split type air conditioner in residential building in hot summer and cold winter area [J]. Building Science， 2016， 32（8）： 154-158. （in Chinese）

[26] 張旭， 程飛， 黃奕翔， 等. 變頻空調(diào)器間歇供冷能耗特征測試分析[J]. 暖通空調(diào)， 2020， 50（4）： 8-13.

ZHANG X， CHENG F， HUANG Y X， et al. Test and analysis of energy consumption characteristics of variable speed air conditioner intermittent cooling [J]. Heating Ventilating & Air Conditioning， 2020， 50（4）： 8-13. （in Chinese）

[27] 張曉潔. 長沙辦公建筑間歇空調(diào)能耗模擬分析[D]. 長沙： 湖南大學(xué)， 2011.

ZHANG X J. Simulation and analysis on energy consumption of air-conditioned intermittent operation in an office building in Changsha [D]. Changsha： Hunan University， 2011. （in Chinese）

[28] 劉曉慶. 間歇空調(diào)運行模式下住宅墻體熱工性能研究[D]. 重慶： 重慶大學(xué)， 2011.

LIU X Q. Study on the thermal performance of residential walls in intermittent air conditioning run mode [D]. Chongqing： Chongqing University， 2011. （in Chinese）

[29] 民用建筑供暖通風(fēng)與空氣調(diào)節(jié)設(shè)計規(guī)范： GB 50736—2012 [S]. 北京： 中國建筑工業(yè)出版社， 2012： 288.

Design code for heating ventilation and air conditioning of civil buildings： GB 50736-2012 [S]. Beijing： China Architecture & Building Press， 2012： 288. （in Chinese）

[30] 劉猛， 晏璐， 李金波， 等. 大數(shù)據(jù)監(jiān)測平臺下的長江流域典型城市房間空調(diào)器溫度設(shè)置分析[J]. 土木與環(huán)境工程學(xué)報（中英文）， 2019， 41（5）： 164-172.

LIU M， YAN L， LI J B， et al. Analysis of temperature setting habits of room air conditioners in the typical cities in Yangtze River Basin under the big data monitoring platform [J]. Journal of Civil and Environmental Engineering， 2019， 41（5）： 164-172. （in Chinese）

[31] 陳勰， 熊宸， 程楠， 等. 空調(diào)與自然通風(fēng)工況下用戶個性化特征對熱舒適影響分析[J]. 制冷與空調(diào)， 2021， 35（2）： 182-188.

CHEN X， XIONG C， CHENG N， et al. Impact of the occupants’ personalized characters on thermal comfort in air-conditioned and natural ventilation environment [J]. Refrigeration & Air Conditioning， 2021， 35（2）： 182-188. （in Chinese）

[32] 簡毅文， 李清瑞， 白貞， 等. 住宅夏季空調(diào)行為對空調(diào)能耗的影響研究[J]. 建筑科學(xué)， 2011， 27（12）： 16-19， 86.

JIAN Y W， LI Q R， BAI Z， et al. Study on influences of usage behavior of residential air handling unit on energy consumption in summer [J]. Building Science， 2011， 27（12）： 16-19， 86. （in Chinese）

[33] 譚晶月. 基于大數(shù)據(jù)的重慶地區(qū)住宅建筑房間空調(diào)器使用特征研究[D]. 重慶： 重慶大學(xué)， 2018.

TAN J Y. Research on the use characteristics of room air conditioners in residential buildings in Chongqing based on big data [D]. Chongqing： Chongqing University， 2018. （in Chinese）

[34] 郭祺. 通風(fēng)對重慶地區(qū)臥室房間空調(diào)器用能的影響研究[D]. 重慶： 重慶大學(xué)， 2018.

GUO Q. Influence of ventilation on the energy consumption of air conditioning in the bedroom in Chongqing [D]. Chongqing： Chongqing University， 2018. （in Chinese）

[35]? JIANG H C， YAO R M， HAN S Y， et al. How do urban residents use energy for winter heating at home？ A large-scale survey in the hot summer and cold winter climate zone in the Yangtze River region [J]. Energy and Buildings， 2020， 223： 110131.

[36] 柴盼， 劉旭， 翁廟成， 等. 重慶某住宅小區(qū)能耗特征與節(jié)能潛力研究[J]. 制冷與空調(diào)， 2014， 28（6）： 694-697.

CHAI P， LIU X， WENG M C， et al. Research on energy consumption characteristics and energy saving potential of a residential area in Chongqing [J]. Refrigeration & Air Conditioning， 2014， 28（6）： 694-697. （in Chinese）

（編輯 王秀玲）

收稿日期：2021-08-11

基金項目：國家重點研發(fā)計劃（2018YFD1100704）

作者簡介：薛凱（1990- ），男，博士生，主要從事室內(nèi)環(huán)境與大數(shù)據(jù)應(yīng)用研究，E-mail：xuek1213@126.com。

劉猛（通信作者），男，教授，博士生導(dǎo)師，E-mail：liumeng2033@126.com。

Received：2021-08-11

Foundation item：National Key Research and Development Program of China （No.2018YFD1100704）

Author brief：XUE Kai （1990- ）， PhD candidate， main research interests： big data and indoor thermal environment， E-mail： xuek1213@126.com.

LIU Meng （corresponding author）， professor， doctorial supervisor， E-mail： liumeng2033@126.com.