开敞办公空间室内CO2和PM2.5时空间分布特征案例分析

王秋涧（上海市建筑科学研究院有限公司， 上海 201108）

根据《“健康中国2030”规划纲要》的要求，要逐步在社会中“普及健康生活、建设健康环境、发展健康产业”。在建筑领域，营造高品质健康环境首先要求室内常见污染物浓度被控制在一定的水平。室内 CO2和 PM2.5浓度作为最常见的室内空气品质指标参数，当前国内外绿色健康建筑相关技术标准均对其浓度控制水平提出了不同的要求。通过对国内外相关标准的梳理可以发现，各标准对污染物浓度的统计方法和限值要求各有不同。统计方法包括年均值、日均值、 8 h 均值、1 h 均值。浓度限值方面，国外标准的浓度要求相对更严格。

室内 CO2和 PM2.5由于室内外发散源、气流组织等因素的影响，往往呈现显著的时间动态变化和空间分布不均的特征。对此，相关领域的既有研究主要通过 CFD 数值模拟和现场实测的手段开展。胡园园等人[1]采用 CFD 方法对室内自然通风条件下 CO2连续泄漏扩散浓度的变化过程进行了数值模拟，并通过相应风洞实验结果的比对，研究了 CO2扩散过程的浓度场分布和危害区域变化规律。刘浩然等人[2]针对严寒地区办公建筑室内吸烟污染物在不同风压下的扩散分布规律进行数值模拟分析，确定了最适宜排出室内污染物的排风机风压值。项琳琳等人[3]以及江春雨等人[4]分别针对上海和重庆地区办公建筑在不同时段和条件下的 PM2.5颗粒物浓度进行现场实测，深入讨论了室外颗粒物浓度、门窗启闭、测试时间、人员走动、吸烟、空调系统以及地毯扬尘等因素与室内颗粒物浓度之间的关系，量化分析了室内颗粒物浓度分布及变化特性。长期连续监测的典型研究有清华大学林波荣教授团队在“十三五”期间针对全国各气候区几十余栋绿色建筑的室内环境所开展的大规模长期实证研究[5-6]。其研究结果表明，目前我国绿色办公建筑室内 CO2浓度中位数明显低于 0.1% 的标准控制要求，且呈现冬夏季较高，过渡季较低的季节特征；室内 PM2.5浓度中位数处于 12～28 μg/m3之间，且整体呈现冬季相对高于夏季、过渡季的特征。

然而，由于研究目的和侧重点不一的问题，既往研究中基于若干典型工况的 CFD 数值模拟和短期实验监测研究往往无法涉及室内 CO2和 PM2.5的长期动态变化特征，而大规模实测研究则对于污染物在室内空间的分布特性揭示不足。同时，针对办公建筑中常见的开敞办公空间，若要监测其室内污染物的动态空间分布情况，通常需要在空间内布置大量传感器进行长期同步监测。较高的设备投入和运维成本也导致了当前在工程项目层面大范围环境监测推广不开的实际问题。本文针对上海某典型开敞办公建筑开展多点位 CO2和 PM2.5浓度长期连续监测，着重分析各点位监测数据之间的动态差异，通过聚类分析方法识别室内污染物时间、空间分布的特征模式，探索采用少量长期测点实现污染物浓度分布监测的可行性，对室内空气品质监测的工程推广具有一定参考价值。

1 研究方法

1.1 现场测试

本研究于 2021年5月13日至 2022年1月10日对上海市某典型开敞办公楼宇的标准层进行了多点位 CO2和 PM2.5浓度长期连续监测。监测周期覆盖了过渡季、夏季以及冬季空调期，可反映室内环境参数在不同季节间的变化情况。该办公楼标准层开敞办公空间宽 8.5 m，长 50.4 m。平面共配置有 10 个组合式 6 人办公工位。点位布置、测点编号以及空间朝向如图 1 所示。在每个点位上采用青萍空气检测仪每 15 min 采集该位置上的 CO2和 PM2.5浓度数据，其测量量程及精度见表 1，可以满足工程领域的应用需求。空气检测仪置于办公工位之间的隔板上方，距离地面高度约 1.2 m。

图1 开敞办公空间测点位置及编号示意

表1 测量仪器量程及精度

1.2 环境数据处理及聚类分析

本研究采用动态带状区间数据表征室内 CO2和 PM2.5浓度数据的时空间分布特征，如图 2 所示。图中实线为环境参数的平均值序列，用来表示环境参数的时间分布特征，可采用空间中某代表测点的数据近似代替。而实线两侧的阴影区域则为其他测点数据与平均值之间的差异，其宽度随时间变化，用来表征环境参数的空间分布特征。

图2 动态带状区间数据示意图

数据处理及分析过程主要分为 3 个步骤。首先，通过分析各测点监测序列数据与平均值序列数据之间的差异，辨识得到可以动态表征空间平均浓度水平的代表测点位置。其次，为确定带状区间数据的上下界，定义空间分布的正、负参差系数以量化其他测点与代表测点之间的数据差异，并用聚类算法辨识空间分布参差系数序列的典型特征。最后，将各季节中出现频率最高的空间分布参差系数典型模式叠加到代表测点的监测数据序列之上得到带状区间数据。

在辨识代表测点时，采用均方根误差 RMSE 来衡量各测点数据与平均值之间的差异，如公式（1）所示。

式中：n—监测数据样本条数；

Yi—某测点数据；

Yiave—该时刻下所有测点数据平均值。

对于 CO2和 PM2.5浓度数据空间分布的正负参差系数的定义，由于 PM2.5浓度监测数据存在零值，因此 PM2.5的正负参差系数为各测点最大值和最小值与平均值的差值，而 CO2浓度的正负参差系数则为各测点最大值和最小值与各测点平均值的比值。

聚类分析方法常用于辨识多维数据的典型特征。在建筑领域，以 K-means 算法为代表的聚类分析常用于辨识建筑负荷或能耗的时间序列数据特征，得到建筑负荷或能耗的典型模式序列[7-8]。其原理是对于i个n维数据样本（x1,x2,x3…xi）找到k个簇中心（簇中心个数可自定义），使得所有样本与近邻的簇中心之间的距离之和最小。拟合所得的k个簇中心序列则被认为是样本数据的k种典型模式。

聚类时首先将正负参差系数的序列数据以自然日为单位切分为日时间序列样本。为避免工作日、非工作日对特征辨识的影响，仅保留工作日样本数据。因此，参与聚类的数据样本为 172 条，96 维（24 h，每小时采样 4 次）的日时间序列数据。其次，根据样本数据与聚类中心之间距离随簇中心个数的变化趋势，将簇中心设置为 3 个。

2 结果与讨论

2.1 代表测点位置辨识

表2 列出了 CO2和 PM2.5浓度各测点数据与空间平均值之间的 RMSE 计算结果。从表中可以发现，测点 5 的 CO2和 PM2.5浓度监测数据与空间平均值之间的误差均为所有测点中的最小值。通过进一步对比测点 5 监测数据与平均值序列，如图 3 所示，可以看出测点 5 的监测数据在动态趋势上也与平均值序列保持一致，因此可以采用测点 5 作为代表空间平均水平的代表测点。

表2 CO2 和 PM2.5 浓度各测点数据与空间平均值之间的 RMSE 计算结果

图3 测点 5 CO2 与 PM2.5 浓度数据与平均值对比

2.2 CO2 与 PM2.5 浓度空间分布特征分析

图4 和图 5 以正参差系数为例，分别展示了 CO2和 PM2.5浓度的空间分布正参差系数的聚类中心序列。从图 4 中可以直观的看出，CO2浓度的参差系数整体呈现高、中、低三种不同的典型模式，且存在明显的与工作时段相关的特征。参差系数数值均从上午 9 点前后开始不同程度地增大，表明随着上班人员的不断加入室内 CO2浓度空间分布逐渐变得不均匀。这一结果符合室内 CO2主要来源于室内人员的基本事实。

图4 CO2 浓度空间分布正参差系数聚类中心序列

图5 PM2.5 浓度空间分布正参差系数聚类中心序列

反观图 5 中的 PM2.5聚类结果，首先 PM2.5空间分布的正参差系数没有明显的与工作时段相关的特征，整体上呈现两种稳定误差的模式以及一种波动相对较大的高水平模式。在两种稳定误差模式下，空间 PM2.5浓度最大值与平均值之间的差异基本＜8 μg/m3，表明在这两种模式下室内 PM2.5浓度分布相对均匀且稳定。而在高水平波动模式下，室内 PM2.5最大值与平均值之间的差值最大可达 20 μg/m3左右。

2.3 空间分布特征模式应用分析

由于上海地区过渡季的自然通风工况和空调采暖工况存在较大差异，因此进一步地分析 CO2和 PM2.5浓度空间分布参差系数各典型模式（根据图 4 和图 5 各模式曲线高低，由高到低命名为高水平、中水平、低水平模式）在不同工况下的出现频率。其中过渡季为 5—6月和 10—11月，空调采暖季为 7—9月和 12—1月。经统计，CO2浓度空间分布正负参差系数的中水平模式出现频率整体最高，约为 50%～60%。而 PM2.5浓度则中水平、低水平两种稳定误差模式占据了绝大多数情况，两者的出现频率之和超过 90%。

最后，将不同工况下 CO2和 PM2.5浓度空间分布参差系数出现频率最高的典型模式叠加到可以表征空间平均水平的测点 5 的监测数据之上，获得动态带状区间数据，如图 6 所示。可以发现根据正负参差系数反推得到的浓度数据的上下界基本可以覆盖原始数据的分布范围，除了若干数值较大的极端情况。经核算，CO2浓度的覆盖比例为 88%，PM2.5浓度的覆盖比例为 93%，从而说明了通过动态带状区间数据表征环境参数时空间分布特征方法的有效性。

图6 CO2（a）和PM2.5（b）浓度动态带状区间对原始数据的覆盖情况示意

3 结语

本文提出了采用动态带状区间数据表征室内 CO2和 PM2.5浓度时空间分布特征的方法，以上海某开敞办公空间为案例，进行多点位长期连续监测。为量化环境参数空间分布不均匀性，本文定义了空间分布参差系数，并采用 K-means 聚类算法辨识得到开敞办公空间 CO2和 PM2.5浓度空间分布参差系数的日时间序列典型模式。其中，CO2浓度空间分布参差系数典型模式呈现明显的与工作时段相关的特征，而 PM2.5典型模式以稳定误差为主。由出现概率最高的参差系数典型模式反推得到的室内 CO2和 PM2.5浓度最大值、最小值可覆盖近 90% 的原始数据，从而验证了本文方法的有效性，并可为日后采用少量室内长期测点完成对于大面积、开敞建筑空间的环境测评工作提供支撑。