大型办公建筑照明能耗实测数据分析及模型初探

周 欣 燕 达* 任晓欣 洪天真

(1.清华大学建筑学院建筑技术科学系，北京 100084;2.美国劳伦斯·伯克利国家实验室，美国加州 94720)

1 引言

办公建筑为公共建筑的重要组成部分，其建筑能耗特点及建筑节能工作受到业内的广泛关注。与一般建筑相比，大型办公建筑 (建筑面积超过10000m2)作为商业建筑的主体，建筑面积基数大且累年增多，同时由于其建筑本身的使用及功能特征，年累计耗能量较高。

在大型办公建筑中，照明能耗能够占到建筑总能耗的20%～40%。因此针对照明能耗的影响因素展开研究，对大型办公建筑的节能减排工作具有重要意义。已有研究表明，影响照明能耗的因素主要有室外照度及人员行为。部分已有的实测数据或模拟研究认为，照明能耗与室外照度相关，当室外照度较大时，人员更趋向于利用自然光，此时灯具开启的可能性较低，或需要灯具提供的照度较低［1～5］。然而一些研究发现人员的操作对照明能耗的影响更大。通过实测调研，Yu等人发现开敞式办公室中人员使用灯具的行为与外界照度无关，但与人员在室情况紧密相关［6］。同时，Yun等人进一步提出室外照度与照明能耗没有统计意义，但人员对灯具的操作与一天中的时间点具有极大关系［7］。其他一些研究［8］［9］也表明使用者的开灯行为仅和用户是否在室内有关，而与室外照度无关。

目前针对照明能耗的研究主要集中在小型办公室、住宅建筑中，其分析方法及研究结论对了解、认识大型办公建筑的照明能耗特点具有极大的借鉴意义。然而，受测试数据数量及来源的限制，大型办公建筑整体照明能耗特点及影响因素的情况仍不甚明晰。在国内，常见的预测照明能耗的方式为照明密度和单曲线模型的配合。大部分的研究沿用公共建筑节能设计标准中的办公建筑照明功率值 (即普通办公室、会议室11W m2，高档办公室18W m2，走廊 5W m2等)［10］［14］; 部分文献的照明功率采用了实测值，实测的照明功率范围在 5 ～ 25W m2［15］［19］。而曲线模型主要来自公共建筑节能设计标准中的工作时段推荐人员作息［11］［14］，但由于大型办公建筑与小型办公建筑中照明能耗性能差异较大，而在目前的曲线模型中没有分开讨论［20］，因此在实际应用中会出现模拟值与实际间存在偏差的情况［21］［22］，且该种描绘方式无法体现出实际照明能耗的全年变化情况。

在更为详细的照明能耗模型方面，Hunt［23］引入了一个随机模型用于计算人员到达后开灯的概率，研究得到如下结论:当工作面照度低于100lx时人员开灯的概率增大。Newsham［24］开发了基于概率过程的Lightswitch模型，并基于在加拿大渥太华的一个办公建筑的测试数据模拟人员在室情况。2004年，Reinhart［25］将该模型改进为 Lightswitch-2002 模型，并用于计算人员到达及离开室内的概率以及相应的开关灯概率。同时，在Reinhart的研究中，利用该模型估计了在不同照明控制条件下的节能量。Joakim Wide'n［26］等人利用马尔可夫链估计人员移动的概率，进而将照度水平和人员移动结合，预测开灯概率。然而，以上研究主要基于小型办公建筑［23～25］及住宅建筑［26］，大型办公建筑照明能耗的特点分析较为缺乏。

基于大量实测大型办公建筑照明能耗数据，本文对目前大型办公建筑照明能耗总体水平及概况特点展开分析。由于缺乏这些建筑中照明系统的详细参数情况，本文关注于照明能耗的日均值曲线和全年变化特征。首先，通过对逐时数据的统计分析，本研究对照明能耗的分段特点、分布特点及主要影响因素进行详细探讨。进而，基于对照明能耗随机特征的理解，本文提出照明能耗的随机模型。该模型主要考虑了照明能耗的逐时变化特点，包括每日的尖峰特性等。进一步，将该照明模型应用于实际案例中，将模拟结果与实测数据进行对比，完成模型的验证工作。

2 研究方法

本文的研究路线如图1所示。首先对北京和香港13栋装有分项计量系统的大型办公建筑的逐时实测照明能耗数据进行分析，讨论大型办公建筑中照明能耗曲线的特征。对实测数据的分析主要从年总量情况，月分布情况，典型日特征及年分布情况四个方面展开。

基于对照明能耗特征的理解，研究进一步分析了影响照明能耗的两个主要因素:室外照度情况及室内人员情况。为了确定室外照度对照明能耗的影响，对不同季节及不同建筑楼层 (地上和地下区域)的照明能耗进行了对比。而室内人员的影响则通过对比工作日、周末及节假日的照明能耗情况及分析照明日均值曲线与人员活动的关系得到。

图1 技术路线图Fig.1 Technical routine

通过对照明能耗特征及主要影响因素的认识，本文提出基于概率的照明能耗模型。该模型将统计分析及概率模型应用于照明能耗的预测，对照明能耗的日分段特性、年分布特征及不同时间段内能耗的时相关性进行刻画，建立了照明能耗的随机模型，并以某栋实际建筑作为研究案例，将照明能耗的影响因素及作用方式进行整理作为输入，计算该建筑的逐时照明能耗，并将计算结果与实测数据进行对比，进而完成该模型的验证工作。

3 数据源基本情况

本文的实测数据来自13栋位于北京、香港的大型办公建筑的逐时照明支路分项计量数据。13栋建筑的面积、所在地及功能信息如表1所示。

表1 建筑基本信息Table 1 Building basic information

图2 大型办公类建筑平米照明能耗水平比较Fig.2 Lighting energy consumption comparison of big office buildings

根据各办公楼的全年能耗实测数据，依靠照明支路分项计量系统得到照明电耗。对比各建筑的全年照明能耗，得到照明的平米能耗水平及能耗比例，结果如图2、图3所示。由图可见，对于各建筑的照明分项平米能耗，北京政府办公楼的能耗较低，约10～30kWh/(m2·年);北京写字楼水平略高，约30～50kWh/(m2·年);香港写字楼的照明能耗水平较北京为高，达到约60～100kWh/(m2·年)。关注照明能耗在建筑总能耗中所占的比例，则各类建筑相差不是特别显著，均占到15% ～45%左右。因此，照明用电作为大型公共建筑不可忽略的一项用能，有必要对其能耗特征及计算模型进行深入探究。

图3 大型办公类建筑照明能耗比例Fig.3 Lighting energy consumption proportion of big office buildings

4 照明能耗总体特征

在本部分，将对照明能耗的总体特征进行分析讨论，从全年、逐月及典型日这三个时间层次分别对照明能耗进行了特征总结与讨论。

4.1 照明能耗逐年变化情况

以北京的G大厦为例，其2008至2010年间的照明能耗逐年变化情况如图4所示。从图中可以看到，照明能耗的年变化规律比较稳定，从2008年至2010年，电耗的变化幅度小于7%。这主要由于建筑中装机功率保持不变，租用率稳定以及使用方式变化小。

4.2 照明能耗月分布情况

为了观察照明能耗的月变化特征，13栋办公楼逐月的日平均照明电耗如图5所示。采用日均值照明电耗而非月总照明电耗进行对比是由于各工作日及休息日的照明电耗变化较小，而且不同月份有不同的天数。从图中可以看到大部分建筑各月电耗变化幅度较小，而且照明能耗的月分布没有明显特征。

图4 G大厦逐年能耗变化图Fig.4 Energy consumption variation of G building by year

图5 各办公建筑逐月日平均照明平米能耗对比图Fig.5 Average lighting energy consumption of office building by month

4.3 照明能耗日均值情况

进一步通过对照明电耗的日逐时分布进行分析，以探究大型办公建筑照明能耗曲线的特征。取建筑F的一条照明支路的实测数据进行逐时曲线分析，如图6所示。可以看到照明能耗的日曲线形状与人员的活动情况有较大联系。

根据其双峰曲线的形状可将其分为6个时间段:

夜间阶段:夜间无人员活动，只保留24h照明设备 (紧急及安全指示灯等);

图6 典型日照明功率曲线图Fig.6 Lighting power curve of the typical day

上班阶段:人员陆续到达，照明功率逐步上升直至达到上午阶段的水平;

上午阶段:上午上班期间，保持照明设备最高功率水平;

午休阶段:人员陆续午餐，关闭部分灯，照明水平略有下降;

下午阶段:下午上班期间，保持照明设备最高功率水平;

下班阶段:人员陆续离开，或有加班行为，照明功率逐步下降至夜间水平。由于人员加班及保洁人员的活动，照明功率的下降率低于上班阶段的照明功率增加率。

4.4 照明能耗年分布情况

照明功率的统计结果如图7所示。图中细线表示日平均照明能耗。柱体的边缘分别表示25%及75%的四分位点。数据点的最大和最小值也表示在图中。可以看到，在全年范围内照明功率具有一定的分布特性。同时，也可以发现照明能耗的均值曲线形状与数据分布情况在工作日与休息日时差异较大。

图7 全年逐时照明电耗四分位统计图Fig.7 Lighting electricity consumption statistical figure by hour in the whole year

5 照明能耗影响因素分析

通过前一部分对照明能耗基本特征的分析，研究发现照明能耗的逐年、逐月变化特征并不明显，其日曲线及全年分布情况具有一定的规律性。本部分进一步对照明能耗的两大影响因素 (室外照度及室内人员活动)展开分析。

5.1 室外照度影响

5.1.1 同一建筑地下室与地上面积的照明能耗情况对比

为了探究室外照度的影响情况，对比了同一栋办公建筑的地上与地下部分办公室的照明能耗情况。地下和地上区域的办公室由两个独立的照明支路供电，办公室的人员密度一致，均大约为10m2人。建筑中没有自然光控制或其他自动照明控制 (如人员传感器控制等)。同时夜间当建筑中没有工作人员时，物业人员将关闭所有的灯具。

照明功率的统计结果如图8所示。由(a)、(b)两图对比可见，平均照明功率曲线的形状基本一致，这表明室外采光对办公照明能耗曲线形状并没有显著影响。在地上区域中，照明功率的离散程度略高，但由于缺乏办公室的详细信息 (如人员的工作性质等)，因此难以判断室外照度对照明能耗波动情况的影响。

5.1.2 季节照明能耗的对比

进一步，通过比较不同季节同一办公室的照明能耗情况，探究自然采光时长及室外照度水平情况的影响。将某地上区域照明支路的数据按季节进行周平均，可以获得四条照明功率曲线，如图9所示。对于不同季节，自然采光时长和照度水平均有较大差别，但观察分季节的照明周均值情况，照明曲线的差别并不明显。该现象进一步验证了室外照度情况对室内照明电耗的曲线形状没有显著影响。

综上两点所述，对于大型办公类建筑，室外照度对于照明能耗的影响并不十分显著。由于建筑中不存在基于自然光或者人员在室情况的自动照明控制系统，对于该现象可能的原因有:1)在大型办公建筑中，开关灯作息比较固定;2)在大型办公建筑中，受照度影响的外区比例较小;3)可利用的自然光对人员手动开关灯的影响十分有限。

5.2 人行为的影响

为了分析人员对照明能耗的影响，对同一照明支路工作日和非工作日的电耗情况进行对比。工作日及非工作日的照明功率均值曲线如图10和图11所示。由于工作日有大量员工上班，其照明能耗明显高于非工作日。并且不同的人员移动事件，例如上班、午休、下班等作息规律可以通过工作日的照明功率曲线判别。而在非工作日，由于加班等情况随机性比较强，因此照明功率的离散程度比较大，而且没有固定的作息规律。

图8 地上及地下区域的照明日均值能耗曲线对比Fig.8 Average lighting energy consumption comparison above and under the ground

图9 分季节照明功率周均值曲线Fig.9 Average lighting power by month every season

图10 工作日照明功率均值曲线Fig.10 Average lighting power in the working days

图11 休息日照明功率均值曲线Fig.11 Average lighting power in the rest days

6 照明能耗模型

基于以上对照明能耗特征及主要影响因素的认识，本文提出基于概率的照明能耗模型。从以上分析中可以看到，日分段特性及年分布情况是照明能耗的两大主要特征，本研究采用统计分析及概率模型对其进行刻画，建立照明能耗的随机模型。

6.1 照明能耗日均值情况

从图6典型日的照明能耗曲线的讨论中，已得到一天内的照明曲线可以分为6个时间段:夜间阶段、上班阶段、上午阶段、午休阶段、下午阶段及下班阶段。根据这6个阶段的特征，可将其分为两大类:

6.1.1 单值特性

上午阶段、午休阶段、下午阶段及夜间阶段均属于单值特性的情况。这些时间段内照明功率可用一条固定功率的平滑曲线表示。方差系数可用于表示数据的离散程度。其定义式为:Vσ=σ X。其中Vσ为方差系数，σ为方差，X为均值。四个阶段各自的最大方差系数如表2所示。

表2 四个单值特性阶段的最大方差系数Table 2 The max variation in the four stage with single value property

从表2可见，在上午阶段、午休阶段、下午阶段及夜间阶段内，一天内的照明功率离散程度很小。这表明数据的变化幅度可忽略，即可用单值曲线表示一天中每个阶段内的照明能耗情况。

6.1.2 变化特性

上班阶段及下班阶段的照明能耗数据的日分布则满足指数分布的规律。

在概率论中，如果因变量y与自变量x之间没有确定性的函数关系，而根据知识、经验或者观察它们有一定的关联性，众多的、不可预测的随机因素影响着它们之间的关系。人们研究这类问题的途径常常是收集一组 (x，y)的数据，用统计分析方法建立一种经验模型，称为回归模型［27］。而本文中对于上班过渡阶段及下班过渡阶段内时间与照明能耗的规律也采用回归模型的方法进行分析。

已有文献［28］通过调研数据表明某段时间内到达的人数符合泊松分布:

故某段时间有人到达的概率符合P=P{K＞0}，即满足指数分布［16］。而开灯的概率与人员到达的概率正相关，人员到达的概率越大，开灯的概率越大，即该时刻的照明能耗越大。

利用最小二乘法对数据进行回归分析，取置信水平α=0.05，采用指数分布的函数形式，则回归结果如图12所示。Y轴表示照明功率作息的比率值。从回归图形上可以看到，大部分数据点处在置信区间中，说明拟合情况较好。

下班阶段可以认为到达室外的人员概率满足指数分布，则人员在室的概率为P=1－P{K＞0}，同样认为开灯概率近似于人员在室概率一致，采用回归分析得到λ=0.78，回归图形如图13所示。尽管大部分数据在置信区间内，但一些数据点偏离了置信区间。产生偏差的主要原因为采用了一个近似假设:人员在室概率与照明能耗作息一致。这个假设在理想情况下成立 (即每个人都控制一盏灯，且所有人员在室内则开灯，离开房间则关灯)，而在实际情况下只是近似估计。

图12 上班阶段日曲线回归图形 (λ=0.89)Fig.12 Curve linear regression graph in the working stage

图13 下班过渡阶段日曲线回归图形Fig.13 Curve linear regression graph in the off duty stage

6.2 照明能耗年分布情况

从以上的讨论可以看到，在一天内，上午阶段、午休阶段、下午阶段及夜间阶段的照明功率可以视为定值。然而，由图7可以看到，在全年范围内这些阶段的照明功率并非定值。

图14展示了这四个阶段内照明功率的统计直方图:

图14 照明功率的频率分布图Fig.14 Frequency distribution of lighting power

从频数图上，发现所有四个阶段的数据分布近似正态分布。故采用回归分析验证其分布特性。取置信水平α=0.05，回归情况如图15所示。大部分数据均处在置信区间内，因此正态分布可以较好地刻画四个阶段内的照明功率的年变化情况。

图15 正态分布回归分析Fig.15 Normal distribution regression analysis

对于各时间段的时相关情况进行进一步分析和验证。以上午阶段及下午阶段的时相关性为例，将同一天内的上午阶段的日均值与下午阶段的日均值相减，研究差值的分布特性，从回归分析 (图16)看到，上下午阶段的日均值差异满足正态分布特性，即具有时相关性。因此在刻画上午阶段和下午阶段时应加入相关性的描述，即上午阶段和下午阶段不可作为两个独立阶段进行描述。

然而，上午阶段和夜间阶段的差值则没有明显的分布特性 (如图17所示)，故可作为两个独立阶段进行描述。

图16 上午阶段与下午阶段日均值差异的正态分布回归分析Fig.16 Normal distribution regression analysis of day average difference in the morning and afternoon working stages

图17 上午阶段和夜间阶段差值的正态分布回归分析Fig.17 Normal distribution regression analysis of day average difference in the morning and night working stages

7 对比验证

基于日曲线模型及年变化模型，可得到描述大型办公建筑照明能耗的总体模型。该模型适用于大型办公建筑，即照明能耗与室外照度关系很小，但与人员作息关系较为紧密。此处仅对工作日的照明能耗进行模拟，以建筑A中一条照明支路的电耗为例，主要模拟输入参数如表3所示。

模拟结果与实测数据的总量对比情况如图18所示。从结果中可以看到，模拟与实测结果较为一致。

同时，模拟与实际照明能耗数据的统计结果对比如图19所示。由于模拟要反映照明能耗的随机特征，此处选取概率95%及5%的数据点作为四分位图的数据边界。从模拟结果与实际的对比可以看到，模拟的日曲线与实际较为吻合，而符合单值特性的四个阶段的年变化情况也得到了体现。

表3 主要模拟输入参数情况Table 3 Main simulation input parameter

图18 模拟与实测结果总量对比Fig.18 Total number comparison of simulation and testing results

图19 模拟与实际数据统计结果对比Fig.19 Simulation and testing data statistical result comparison

8 结论

通过本文研究可以得到如下结论:

(1)通过对分项计量数据调研结果的分析发现，在大型办公建筑中，照明能耗的日变化主要受人员作息的影响，室外照度对照明能耗的影响较小;

(2)研究表明，在大型办公建筑中，灯具的开启时间与大部分人员到达室内的时间具有很强的相关性，而灯具关闭的时间与人员最后离开办公室的时间强相关;

(3)基于照明能耗的日分段特性及年分布情况，本研究将统计分析及概率模型应用于照明能耗的预测，建立了照明能耗的随机模型，并通过实测数据验证了模型的有效性;

(4)该模型可适用于大型办公建筑照明能耗的预测分析，为提高照明能耗预测的准确性，辅助照明设计优化提供了科学依据。

致谢

本文建筑实地调研及测试工作的开展受到了香港太古地产集团技术支持和可持续发展部及运行维护部门的帮助和支持，衷心地表示感谢!

［1］Reinhart C.F.，Voss K.Monitoring manual control of electric lighting and blinds.Lighting Research and Technology，2003，35:243 ～260.

［2］Li D.H.W.，Lam T.N.T.，Wong S.L.Lighting and energy performance for an office using high frequency dimming controls.Energy Conversion and Management，2006，47:1133 ～1145.

［3］Galasiu A.D.，Atif M.R.Applicability of daylighting computermodeling in realcase studies: comparison between measured and simulated daylight availability and lighting consumption.Building and Environment，2002，37:363～377.

［4］Li D.H.W.，Lam J.C.Evaluation of lighting performance in office buildings with daylighting controls.Energy and Buildings，2001，33:793 ～803.

［5］Maitreya V.K.Daytime artificial lighting in office buildings in India.Building and Environment，1997，12:159 ～163.

［6］Yun G.Y.，Kong H.J.，Kim H.，Kim J.T.A field survey of visual comfort and lighting energy consumption in open plan offices.Energy and Buildings，2012，46:146～151.

［7］Yun G.Y.，Kong H.J.，Kim H.，Kim J.T.Effects of occupancy and lighting use patterns on lighting energy consumption.Energy and Buildings，2012，46:152 ～158.

［8］Love J.A.Manual switching patterns observed in private offices.Lighting Research and Technology，1998，30:45 ～50.

［9］Lindelf D.， MorelN. A field investigation ofthe intermediate light switching by users.Energy and Buildings，2006，38:790 ～801.

［10］余理论，郑洁，田智华.百页遮阳对室内光环境的影响［J］.建筑热能通风空调，2010，29(01).

［11］文精卫.公共建筑能效评估研究［D］.湖南大学，2009.

［12］朱磊，何天祺，陆桢 等.广州市某办公建筑能耗模拟与因素分析［J］.制冷与空调，2009，9(21).

［13］刘涛.基于气候变化下的办公建筑节能设计［D］.西安建筑科技大学，2010.

［14］王春雷.夏热冬暖地区大型办公建筑能耗影响因素研究［D］.哈尔滨工业大学，2010.

［15］严智勇，许巧玲.福州地区大型办公建筑能耗的多元线性回归分析［J］.能源与环境，2009(01).

［16］张威.湖北省机关办公楼建筑能耗分析及节能研究［D］.华中科技大学，2009.

［17］杨谦柔，张世典.台湾地区办公建筑耗能特性调查研究［J］.暖通空调，2009，39(11).

［18］陈改芳.重庆市公共建筑能耗模拟与节能研究［D］.重庆大学，2007.

［19］许旺发，张旭.办公建筑能耗动态模拟研究［J］.建筑热能暖通空调，2006，25(01).

［20］Yun G.Y.，Steemers K.Time-dependent occupant behaviour modelsofwindow controlin summer.Building and Environment，2008，43:1471 ～1482.

［21］Bluyssen P.M.The Indoor Environment Handbook:How to Make Buildings Healthy and Comfortable，Earthscan，London，2009.

［22］Norford L.K.，Socolow R.H.，Hsieh E.S.，Spadaro G.V.Two-to-one discrepancy between measured and predicted performance of a‘low-energy’office building:insight from a reconcillation based on the DOE-2 model.Energy and Buildings，1994，21:121 ～131.

［23］Hunt D.The use of artificial lighting in relation to daylight levels and occupancy.Building and Environment，1979，14:21～33.

［24］Newsham G.R.Lightswitch:A stochastic model for predicting office lighting energy consumption.In:Proceedings of Right Light Three，3rd European Conference on Energy Efficient Lighting，Newcastle，UK，1995，pp.59 ～66.

［25］Reinhart C.F.Lightswitch 2002:a model for manual control of electric lighting and blinds.Solar Energy，2004，77(1):15～28.

［26］Joakim Widén，Nilsson A.M.，Wckelgrd，E.A combined Markov-chain and bottom-up approach to modelling of domestic lighting demand.Energy and Buildings，2009，41(10):1001～1012.

［27］姜启源 等.大学数学实验［M］.北京:清华大学出版社，2005.

［28］Wang D.，Federspiel C.C.，Rubinstein F.Modeling occupancy in single person offices.Energy and Buildings，2005，37:121 ～126.