基于智能家居數據的住宅空調用能行為實測方法研究

夏大為

曾宇欽

趙 陽

李 麗

徐鐘榮

住戶與住宅空調系統的互動關系對建筑能耗影響巨大，高效的用能行為與可靠的節能措施對降低建筑物能耗同等重要[1]。Danny Parke[2]通過研究發現具有相同建筑面積（102m2）的10個住宅，在能源消耗上可達到3倍的差距。Eguaras-Martínez[3]發現在能耗模擬過程中納入或排除使用者用能行為因素，將導致30%的結論差距。由于我國住宅目前多采用分體式空調，居民習慣于部分時間、部分空間的間歇式空調運行方式，人的用能行為對住宅空調能耗的影響尤為明顯。李兆堅等[4]通過對北京等多地的空調使用行為調查，發現同一類型住宅，不同住戶的空調開啟時長、能耗存在較大差異。簡毅文[5]等通過溫濕度測試以及問卷調查發現5 類典型的住宅空調開啟行為。燕達等[6]通過聚類分析的方法將鄭州地區住宅居民不同功能房間內的用能行為進行分類，以提高能耗模擬的準確性。用能行為研究是跨越社會和行為科學，建筑科學，傳感和控制技術，計算科學和數據科學的多學科研究課題[1]。

表1 空調用能行為關鍵績效指標

圖1 智能家居用能行為數據實測運行示意

圖2 智能家居用能行為數據傳輸、共享示意

圖3 空調用能行為數據實測鏈示意

行為實測的最大挑戰之一是數據準確回收和住戶隱私之間的矛盾。從研究人員角度來看，為確保對空調用能行為進行準確調研需要觀察的對象基數大、種類多[7]。然而由于住戶對個人隱私的關注，研究人員在長時間的實測觀察中不能及時接觸相關設備，使得相關數據的準確性存在不確定因素。此外，在住戶家中設置大量的專業設備，也對住戶造成了一定的心理影響，在用能行為上會產生一定的動作變形。目前相關研究主要經過調查問卷或少量住戶實測來獲取時間分布，通過制定家庭成員時間作息表來進行模擬計算。本文將智能家居數據實測方法與多種常規空調用能行為數據實測方法進行對比研究，實測結果表明利用智能家居系統可以較好地協調上述矛盾，獲得大量、高質、全面的用能行為數據，同時也可以為建立不同氣候區大樣本數據庫提供有效途徑。

1 住宅空調用能行為研究的難點與常用方法

住戶空調用能行為基礎數據的收集整理需要通過各種方式獲取并記錄空調用能行為的動作時間（開關機時間）、運行時長、溫度設定、后續調節方式以及用能動作發生時的相關環境參數，如室內外溫濕度、門窗開關狀態等。通過大量、高質的基礎數據，分析歸納出建筑氣候分區內的住宅空調用能行為特征[8]。目前，空調用能行為調查主要采用調查問卷[9-14]、戶外電表實測[15-17]、空調功率實測[18-20]、溫濕度記錄[21-23]等方法。問卷調查法：結合氣候區用能行為差異，合理設置相關空調使用問題，對住宅空調行為進行調查。問卷調查可以采用紙質文件入戶調研填寫，也可以借助網頁、A PP設置電子問卷進行大樣本調查和數據回收分析。戶外電表監測：通過讀取住宅戶外電表非空調使用期、空調使用期的每月住宅用電總量，通過兩者比較獲取空調用電量。空調電量監測：在空調的電源插座上安裝電量計量插座，根據設備顯示的空調用電功率變化可以識別空調開關機狀態，并同時記錄空調用電量。溫濕度記錄：利用溫濕度自計儀記錄室內溫度和濕度的變化，通過數據變化來確定空調器開關機時間、以及動作發生時的室內環境數據。筆者結合以上多種實測方式提出一系列用能行為關鍵績效指標，包含以下5個一級指標和12個次級指標（表1）。

表2 智能家居設備選擇與核心組件

圖4 空調一周運行功率記錄

圖5 空調一周開關機時間記錄

2 智能家居作為用能行為數據實測方式的技術支撐

隨著傳感以及信息通訊技術的快速發展，如 Zigbee、WiFi等 ，智能家居系統為數據分析和能耗模擬提供了大量實時數據。智能家居系統將傳感、控制與通訊技術進行整合，傳感器負責感知物理環境以及用戶的行為，并向智能網關傳輸數據情況。常見的智能家居傳感器有動作傳感器、功率傳感器、溫度傳感器、濕度傳感器、光線傳感器等。控制器通過接收智能網關發來的指令，并根據這些指令完成相應的功能，來滿足用戶的需求[24]。相對于傳統的數據獲取方式，依托于傳感、網絡和控制技術創新的智能家居數據實測方法具有以下三個優勢特征。

2.1 采集與控制的結合

傳統的數據獲取方式借助于傳感器+采集端來完成數據收集，通過讀取溫濕度或用電功率變化來判斷住戶的空調用能動作。智能家居系統在此基礎上增加了控制端，住戶可以通過手機、平板或遙控器發出動作指令，并被系統準確地記錄時間與設定溫度等要素。智能家居系統所能采集的數據量既涵蓋硬件傳感器實測的實時環境數據，如環境溫濕度、設備運行狀態等，同時還有用戶和空調實時交互的用能動作數據，如空調開啟時間點、時長、

頻率、設定溫度等。采集與控制的結合是對傳統數據獲取方式的巨大突破，用能行為動作的數據描述更加準確清晰（圖1）。

表3 空調用能行為數據實測比較研究

圖6 一周室內溫濕度變化記錄

圖7 24小時相對濕度實測數據對比分析

圖8 24小時室內溫度實測數據對比分析

2.2 數據與設備的分離

基于智能家居設備的數據通過網絡傳輸，實現了數據與設備的物質分離。數據不再存儲在設備本身，而是歸于服務器云端，數據的讀取不依賴于設備本身。智能家居設備允許住戶將能耗設備使用信息通過網絡共享，依托APP提供給研究者觀察記錄。一方面可以給研究者提供長期、固定、便捷、實時的數據來源；另一方面也降低了住戶對數據實測的隱私顧慮（圖2）。在理想情況下，科研工作者可以在任意時間，任意地點與能耗設備進行數據互聯。

2.3 多維度數據的融合

與傳統實測方式的單一數據獲取不同，智能家居本身就是多樣能耗系統的設備整合，獲取的數據自然也是多維度的。以空調用能行為為例，與空調用能動作研究密切相關的開關窗戶、環境溫濕度等數據信息都可以借助智能家居子系統同步獲取，并形成完整的用能行為數據鏈。這種整合的數據網絡，可以更有效地幫助研究者分析空調用能行為觸發因素、動作本身、伴隨動作之間的關聯規則（圖3）。

3 基于智能家居數據的空調用能行為實測方法與可靠性分析

圖9 窗戶一周開關記錄

本文重點闡述住宅空調用能行為實測方法的研究，故不對戶型、人群的用能行為差異展開討論，集中選取一間臥室一周的相關數據來對實測方法進行說明。本次實測主要使用某品牌空調智能插座、溫濕度傳感器和門窗傳感器進行數據收集，住戶通過APP授權筆者APP賬號控制設備使用，并實時獲取相關數據。同時為驗證智能家居數據的可靠性，將利用現有的常規實測方式對相關數據進行比對研究（表2）：①采用兩個攝像頭分別對空調、門窗開關狀態進行實時記錄，獲取準確的空調開關機時間點、運行時長、設定溫度以及門窗開閉狀態；②利用UNI-T品牌UT230E電力檢測儀器記錄每日空調用電量；③HOBO?Pro V2 Looger（U23-00X）溫濕度自記儀實時記錄室內溫濕度。

3.1 空調用能行為動作實測

用能行為數據獲取：APP顯示當住戶通過遙控器或者手機APP對空調發出開機指令后，對應設備即時開啟運行，即時功率從待機狀態的2W左右上升到750W以上。同理，住戶發出關機指令后，空調功率隨機下降至2W。通過APP界面可以清晰讀取兩個時間點數據（圖4），以此獲得開關機時間點以及運行時長。運行能耗、設定溫度則可以在APP界面讀取相關數據。數據顯示2018年9月17日—9月23日（圖5）這一周內，該臥室空調用能行為呈現一定規律：①開關機用能動作各10次，工作日，住戶多在晚上21點開啟空調，早上7點關閉空調；周末開啟空調時間較早，19：30左右開啟空調，且表現出當日內多次開啟空調；②空調運行總時長為70.15小時，開機運行時間為實測總時長41.75%；③該住戶空調設定溫度為25℃（圖5）。數據可靠性分析：通過與攝像頭記錄的相關動作發生時間節點進行比較，智能插座在空調動作時間點、時長、溫度設定上的數據可靠。

3.2 室內溫濕度數據實測

圖10 空調開關機與窗戶開關動作時間比較

室內溫濕度數據獲取：將該品牌溫濕度傳感器安裝在房間內1.5m高度處，避免陽光直射以及空氣對流影響，與窗戶和空調出風口保持足夠的距離或角度，實時記錄該房間溫濕度數據。通過APP軟件可以獲取溫濕度變化曲線圖，并進行實時數據讀取。圖6記錄了該房間9月17日—9月23日的溫濕度變化。曲線1為相對濕度變化，最大相對濕度在80.8%，最小相對濕度在47.2%。曲線2表示溫度變化，最高室內溫度29.4℃，最低溫度在23.7℃（圖6）。

數據可靠性分析（圖7～8）：同時在該空調房間內放置HOBO?Pro V2 Looger（U23-00X）型溫濕度自計儀，以5分鐘為間隔詳細記錄樣本房間溫濕度數據，作為基準溫濕度。以一小時為間隔，抽樣24組數據與智能家居溫濕度傳感器所提供的數據進行可靠性比對分析。智能家居溫濕度傳感器所讀取的環境參數與基準值的變化趨勢基本一致，80%的溫度、相對濕度的絕對誤差分別在±0.5℃，±5%范圍內。因此，由可靠性驗證實驗結果可知，采用智能家居溫濕度傳感器采集的數據基本可靠。

3.3 門窗狀態數據實測

門窗狀態數據獲取：通風可以有效改善室內熱環境，提升體感熱舒適度。同時空調能耗也與窗戶的開閉狀態存在重大關聯性。采用該品牌門窗傳感器記錄門窗開閉動作發生時間點與狀態持續時長，研究者可以通過APP隨時獲取相關數據（圖9）。通過將該住戶開關窗動作與空調用能動作進行時間比較發現：該用戶習慣將空調運行一段時間后再關閉窗戶，實測期間內窗戶關閉時間差為160分鐘，每次平均時差16分鐘（圖10）。數據可靠性分析：通過與攝像頭記錄開關窗動作時間進行比對，門窗傳感器能準確記錄門窗實時狀態。

通過方法實測對比研究，筆者認為利用智能家居系統獲取空調用能行為數據具有以下優點：①實測數量大，住戶可以通過APP分享智能插座控制權限給研究人員，從而讓其可以異地獲得數據信息，研究人員原則上可以實測任何氣候區內的空調用能情況。②實測時間長，因為不需要上門回收數據，同時空調智能插座由住戶住宅電源供電，研究人員可以持續長期觀察數據情況。避免因為設備電池電量不足，頻繁上門回收數據，引起實測住戶反感。③實測數據準：每一個智能插座對應設備APP菜單子界面，獨立記錄相關用能情況，可以與其他同時期用能空調或家庭其它能耗設備進行有效分離。④實測成本低：通過分享數據的方式從住戶處獲取空調用能行為數據，降低科研設備采購費用。⑤可實時觀察：傳統數據信息獲取具有一定滯后性，需要完成實測后統一回收數據，再進行分析。利用智能家居系統可以實時觀察數據信息，并與其他觀察對象進行實時橫向比較，更容易發現使用規律（表3）。

同時與傳統實測方法相比，智能家居數據實測方法仍然存在一定不足：依賴于家庭WIFI網絡，容易受到斷網影響，無法記錄該時段數據信息；目前數據多是以分析圖示的形式通過APP展示，研究者需要利用APP進行人工數據讀取，記錄加工后才能進一步利用；部分廠商產品與科研設備相比測量精度有待提高，需要進行對比實測。如空調運行能耗數據，經對比后發現該品牌智能插座在用電量數據精確度有待提升，但數據存在一定的等比關系。

結語

住宅空調用能行為調查是住宅建筑節能的研究基礎，可靠、科學、便利的用能實測方法將有效提高建筑能耗預測與模擬的準確性。本研究在前期研究的基礎上通過對智能家居系統構成、運行方式以及數據實測進行對比研究，得到以下結論：

①智能家居數據實測方法具有三個優勢特征：采集與控制的結合、數據與設備的分離以及多維度數據的融合，可以在不干擾住戶的前提下，為研究人員提供不同氣候區住宅空調用能行為數據樣本。

②智能家居數據實測方法可以提供一系列用能行為關鍵績效指標，包含5個一級指標和12個次級指標。

③通過與常規實測方法的對比研究，證明智能家居數據實測方法可以提供長周期、多維度的實測數據，環境參數與用能動作的實測數據具有可靠性，同時在實測數量、實測時長、成本控制、實時數據等方面都有較好的提升。

同時需要關注的是，隨著智能家居的發展，在用能行為的研究過程中一方面可以通過對智能家居系統的利用，及時、有效、便捷地獲取大量住戶用能行為基礎數據，提升建筑能耗預測和模擬的準確度；另一方面，在未來，空調、冰箱、熱水器等更多家居能耗設備的使用必然涵蓋在智能家居的發展之中，智能家居不僅僅是方便住戶使用，方便用能數據收集，更是一種高效用能行為的習慣養成，它與可靠的節能措施同等重要，住宅節能研究與智能家居的發展將更加緊密。

資料來源：

文中圖表為作者自繪。