基于人员行为分类的用能有效性评估方法

方潜生，陈 涛，李善寿

(安徽建筑大学 智能建筑与建筑节能安徽省重点实验室，安徽 合肥 230022)

当前，能源短缺已经成为制约社会发展的重要因素，而节能减排是解决能源短缺问题的基本措施之一[1].在我国的能源消费中，建筑电力能耗占社会总能耗20%左右.由于办公人员很少关心能源节约问题，超过50%电能是在非工作时间使用的，“行为能耗”约占电力能耗的30%左右[2-3].文献[3]表明人员行为是影响能效评估的重要因素，通过办公室工作人员的行为改变，有12%～20%的节能空间.因此，在做好设备节能减排的前提下，减少“行为能耗”能进一步解决节能减排问题.有必要研究人员行为与能耗的关系，对办公设备的能耗使用过程给予定量评估，从而为优化用能行为提供参考依据.

建筑能效评估是当下公共建筑节能工作的研究热点，也是做好节能减排工作的前提及参考依据.文献[4-5]通过监测家庭电量使用状态，对影响因素较少的用电指标采用层析分析法，而对影响因素较多的用电指标采用贝叶斯方法，通过两种方法相结合的方式进行建模和评估，能较好地评估电力消耗状况和提供有效的节能策略.文献[6]讲述使用典型能耗法对不同型号和不同功能的打印机产品进行测试分类，在选择功能相近的打印机时，选择节能效果较好的产品，从而降低能耗损失.文献[7]研究有效能耗和无效能耗的组成，通过能效比和损失率的评价体系，降低无效能耗与总能耗的比值，提升有效能耗的使用效率，从而实现节能减排.文献[8]研究基于用户用电量的数据集，分析建筑物理特性和电器用能特性，构建每天电量最大(峰值)和最小(空闲)消耗的独立模型.文献[9]对设备的经济因素和用电特性进行模糊处理，分析家用电器长期负荷变化规律，建立一种基于用能评估的需求侧管理方法.文献[10-11]介绍基于建筑内各种电器的用电特性建立评价指标体系，对各个系统进行能效评估.在不改变其运行状态的条件下，优化电器内部的耗能结构，实现节能减排.综合上述文献，在建筑能耗评估方法中，大部分文献是基于用电设备的用电特性进行能效评估，而忽视了人员行为因素对设备使用状态带来的影响，从而导致大量不合理电能损耗.

论文基于终端用电数据及人员行为分类，对建筑能效评估问题进行研究，提出一种基于人员行为分类的用能有效性评估方法.该方法首先采用局部加权朴素贝叶斯(locally weighted naive Bayes, 简称LWNB)算法对用电行为进行分类，在此基础上引入权重因子，构建了一种用能有效性评估模型.通过监测不同人员的办公设备一周能耗情况，采用计步器与监控软件检测人员行为，利用有监督机器学习方式对人员行为进行分类.同时基于论文提出的用能有效性评估方法，给出了不同人员的用能有效性评估值.

1 行为与能耗检测方法

1.1 行为与能耗数据采集系统

办公场所内，与人员密切相关的用电设备通常来源于插头负载.插头负载包括台式电脑、电脑显示器、工作灯、扬声器、手提电脑、硬盘及个人取暖器等.

在研究过程中，人员使用Fitbit zipTM计步器，通过蓝牙，实时采集和传输人员位置数据，同时使用监测软件检测计算机外设使用状态数据[12]，并将这些数据传输到数据库中作为真实值.计算机能耗数据和人员行为真实值采集系统结构，如图1所示.

通过一种智能插座系统能够无线采集个人办公电器的用电数据，该系统每隔10 s采集设备用电数据，包括电压、电流、有功功率、电量、时间等[13].利用办公设备电能数据建立了人员个体行为模型.首先，通过一个检测计算机外设是否活动的Java程序，每隔5 min检测一次；通过判断计算机外设在5 min内是否使用过，若检测使用过，则判定电脑在该段时间处于工作状态，其工作状态为1；若检测未使用，则判定计算机未处于工作状态，其工作状态为0.其次，使用Fitbit zipTM计步器检测人员是否在其工作位上，计步器佩戴在人员手腕上，其工作范围为6 m左右，与工作位上的蓝牙适配器相连接，通过蓝牙，每隔5 min检测一次人员是否在其工作位上.若检测到计步器距离在人员工作台范围内，则判定人员处于工作位上，其工作状态为1；若检测到计步器距离不在工作台范围内，则判定人员未处于工作位上，其工作状态为0.

图1 计算机能耗数据和人员行为真实值采集结构示意图

1.2 人员行为分类设定

这些信息将显示人员是否正在积极地使用计算机.通过组合人员位置信息和计算机外设状态信息，可以记录4个行为场景.人员的行为场景分别是：(1) “使用计算机行为”表明人员在其工作位上，并使用计算机完成工作；(2) “未使用计算机行为”表明人员在其工作位上，但并未使用计算机(这样的状态可能包括人员书写工作、和同事讨论、吃饭、打电话等)；(3) “远程使用计算机行为”表明人员不在其工作位上工作，而在远处使用其他计算机连接本地计算机进行控制；(4) “空行为”表明人员离开其工作位上，也没有远程控制计算机.前两个行为场景表明人员在其办公室，最后两个场景表明人员不在其办公室[12].

在上述4类人员行为状态下，智能插座检测设备不同状态下的有功功率和时间，分别得到不同状态下的功耗.通过组合这4种信息，可以记录人员行为和设备的功率关系，如表1所示.

表1 人员行为与设备功率关系

2 人员行为识别方法

2.1 局部加权朴素贝叶斯(locally weighted naive Bayes,简称LWNB)算法

局部加权学习[14]是一种懒惰学习方式，主要用于数据的记忆训练和在数据库中查找相关的信息.局部加权学习已经被广泛运用到机器控制和数学统计问题中，并取得较大的优势.

在局部加权朴素贝叶斯模型中，数据集的子集由最邻近算法决定，使用参数e调整实例数，通过加权函数与最邻近距离设置带宽的大小.令di为测试实例到第i个最邻近点xi的欧式距离，并将所有属性在计算距离前，需要对数据进行数据处理[15-16].令f函数对所有y≥1，都存在f(y)=0.每个实例xi的权重为

ωi=f(di/de)，

(1)

上式表明实例xi与测试实例间距离.若距离很远，则权重为0；若距离相同，则权重为1.

加权函数式(1)需要具有单调性和递减性.在应用研究中，使用一种线性加权函数为

flinear=1-y，y∈[0,1].

(2)

假定有r个训练实例xi,满足di

(3)

其中：o为训练实例的总数.

假设数据X包含n个属性值，具有一个独立类别属性Y.根据贝叶斯计算方法，其后验概率可以由以下公式计算

(4)

对于不同属性Yl的概率可以通过贝叶斯定理进行推导，推导公式为

(5)

其中：p是分类的类别总数，n是x数据集的自身属性总数.

LWNB分类器对最邻近的实例分配更大权重，而对较远距离的实例分配更少的权重.利用局部加权方法，式(5)右边的概率根据加权后的数据进行计算，计算方式如下

(6)

I(Y=yl)是一种指标函数，定义如下

(7)

对于4个行为类别分类采用LWNB分类方法，每个样本具有n=3属性，分别为电压(X1)，电流(X2)，5 min电量(X3).行为类别共4类，即p=4，分别为Y1,Y2,Y3,Y4. 其标号分别代表“使用计算机行为”、“未使用计算机行为”、“远程使用计算机行为”和“空行为”.对于人员行为分类，采用有监督学习方式.该方式对训练样本进行学习，通过与实际监测标签数据进行比较判断，以尽可能对训练样本集外的数据进行分类预测.

2.2 K折交叉验证方法

K折交叉验证的基本思想：在一定情况下，将数据集分类为训练集和验证集两个部分，先通过训练集对原始模型进行训练，再利用验证集测试训练后模型的泛化误差，起到检验指标作用[17].

论文采用有监督学习方式，通过LWNB分类方法将电能数据进行分类，将得到的人员行为数据与所监测的实际人员行为数据做比较，再验证其准确率.令K=10，其测试步骤如下：

(1) 将除去周6、7的人员全部行为数据集S分成10个不相交的子集，其相应的子集为{S1,S2,…,S10}；

(2) 每次从分好的子集中，拿出一个作为验证集，其他9个作为训练集，训练出模型；

(3) 将模型放在测试集上，得出分类率；通过计算10次分类率的平均值，该平均值作为模型的真实分类率.

2.3 Kappa检验方法

Kappa统计量作为评估分类一致性的指标，它是通过两个或两个以上的评分值测量分类类别的一致性，以由于偶然状况造成的一致性与真实观测的一致性误差作为统计指标[18].因此，Kappa统计值在应用研究中比简单百分比分类更具有参考意义，其定义式如下

(8)

其中：Pr(a)是分类器赞同的比率，Pr(e)是随机分类赞同的比率.若k= 1，则该模型的分类结果与真实值完全一致；若k= 0，则该模型的分类结果与真实完全不同.

将LWNB分类方法的正确率与Kappa统计值进行比较，利用模拟结果，判断LWNB分类方法是否真实可靠.

3 用能有效性评估方法

基于用能行为分类的用能有效性评估方法即采用LWNB方法对人员的用电行为进行分类，且对不同用电行为赋予相应的权重，结合用能行为的能耗数据，给出用能有效性评估值.

基于用能行为分类的基础上，令能耗状态D1，D2，D3，D4分别代表为“使用计算机行为”、“未使用计算机行为”、“远程使用计算机行为”和“空行为”.对于D1状态，人员完全使用计算机，故赋予1；D2和D4状态，计算机完全处于未工作状态，故赋予0；D3状态，人员远程使用计算机，其权重a为主机功率与计算机总功率之比，不同品牌的台式机，其权重a会发生变化.通过测试办公室统一型号计算机(如宏基D430台式机)，发现其权重为0.65±0.05之间，取其平均权重0.65.其有效性评估具体的计算步骤如下：

(1) 通过人员用能行为分类，对不同能耗状态D1，D2，D3，D4进行权重赋予

(9)

(2) 对于i能耗状态下，其用能总量为

(10)

(3) 用能有效性评估值为

(11)

其中：式(9)中i表示行为状态的种类；式(10)是计算单一行为状态下设备的耗电量，Wi表示在i状态下所耗的电量值，Pi表示在i状态下Ti时间内的平均功率，Ti表示在i状态下的总工作时间，t表示采样间隔时间，Pj表示在i状态下每隔t时间所采样的平均功率值，n表示在Ti时间内总共采集功率数据的数量；式(11)是各种状态所耗能量取其有效能耗与总能耗之比，得到用能有效性评估值，η表示最终计算的用能有效性评估值，m表示行为状态的总个数.

4 实验结果分析

4.1 人员行为识别分析

在同一个工作环境下，使用同样型号的台式计算机(如宏基D430台式机)，实验测试两位人员一周行为时间表，在行为分类中，使用10折交叉验证[13].人员1,2的用能行为分类的平均准确率分别为94.23%，90.69%，人员1，2的Kappa统计量平均值分别为0.88，0.81.

图2取周3人员24 h行为时间表，该图表示人员在一天中从7：00—19：00行为发生多样变化.图1(a)说明人员1该工作日较早来到办公室，上午使用远程工作，可能向上级汇报工作等.中午时间段计算机处于“空状态”，可能在午休等.下午基本处于工作状态.图1(b)说明人员2在该工作日中主要在其工作位上工作，中间未使用计算机工作，其状态可能与同事讨论或打电话等.图1中能够清晰地看见人员1，2在一天内行为随时间的变化曲线，能有效监测人员的工作状态.

图2 人员周3的行为时间表

4.2 用能有效性评估结果与分析

4.2.1 日用电有效性评估结果与分析

在电能消耗中，人员不同的行为导致不同能源消耗，一部分是有效的能耗，而另一部分无效能耗.在用能有效性评估中，利用有监督机器学习方式分类人员行为，将有效能耗与无效能耗区分.对人员不同的用能行为，其有效能耗与无效能耗的比重也不同，故需要对不同的用能行为赋予不同的权重值.图3为人员1，2在一天中用能行为状态权重的Z值曲线，其Z值曲线对应图1的用能行为.该图表明计算机在一天中其工作的有效时间段，可以在无效时间段内，通过控制计算机关机或待机，从而节约大量的电能.

图3 人员行为的Z值曲线

计算机有功功率通过一种无线智能插座系统进行采集.图4表示计算机24 h有功功率，其工作状况对应图2用能行为.通过结合图3用能行为状态Z值曲线，能够发现人员1较长时间不使用计算机时，计算机没有待机或关机，造成不必要的电能损耗；而人员2具有好的节能习惯，在较长时间不使用计算机时，选择将计算机及时待机或关机，合理使用电能.通过能耗评估方法，结合该工作日的Z值曲线，得到：人员1，2的能耗值分别为725.58 W·h,372.39 W·h;人员1，2的能耗评估值分别为62.27%，80.12%.人员2的用能有效性评估值比人员1高17.45%，可见人员2比人员1的行为具有更好的节能效果.

图4 计算机24 h有功功率

4.2.2 周用电有效性评估分析

图5是一周所得到用能有效性评估值曲线图.在工作日期间，人员1的用能有效性评估值基本处于0.6左右，而人员2的用能有效性评估值基本处于0.8左右.由于人员在周6、7不工作，故人员的有效能耗为0，用能有效性评估值也为0.该图说明用能有效性评估值能实现人员用能合理性的定量评估，能有效观测办公人员的工作状况和能效使用情况.

图5 一周用能有效性评估值

5 结束语

为了反映办公人员用电能效水平，避免人为原因导致的不合理电能消耗，论文提出了基于人员行为分类的用能有效性评估方法.实验表明：该分类方法对于办公人员行为分类的结果达到较高准确率，为用能有效性评估提供一个合理的基础；通过用能有效性评估方法研究，能够实现人员用能合理性的定量评估，有效地观测办公人员的工作状况和能效使用情况，有助于公用建筑节能潜力的精细化评估，从而能对用能行为进行科学有效的节能指导.在后续研究中，对用能行为的区分需要更加细化，而且对于很多浪费电能的行为，需要对人员行为进行节能指导，同时也需要对用电设备做到智能化节能控制.