開敞辦公空間室內CO2和PM2.5時空間分布特征案例分析

王秋澗（上海市建筑科學研究院有限公司， 上海 201108）

根據《“健康中國2030”規劃綱要》的要求，要逐步在社會中“普及健康生活、建設健康環境、發展健康產業”。在建筑領域，營造高品質健康環境首先要求室內常見污染物濃度被控制在一定的水平。室內 CO2和 PM2.5濃度作為最常見的室內空氣品質指標參數，當前國內外綠色健康建筑相關技術標準均對其濃度控制水平提出了不同的要求。通過對國內外相關標準的梳理可以發現，各標準對污染物濃度的統計方法和限值要求各有不同。統計方法包括年均值、日均值、 8 h 均值、1 h 均值。濃度限值方面，國外標準的濃度要求相對更嚴格。

室內 CO2和 PM2.5由于室內外發散源、氣流組織等因素的影響，往往呈現顯著的時間動態變化和空間分布不均的特征。對此，相關領域的既有研究主要通過 CFD 數值模擬和現場實測的手段開展。胡園園等人[1]采用 CFD 方法對室內自然通風條件下 CO2連續泄漏擴散濃度的變化過程進行了數值模擬，并通過相應風洞實驗結果的比對，研究了 CO2擴散過程的濃度場分布和危害區域變化規律。劉浩然等人[2]針對嚴寒地區辦公建筑室內吸煙污染物在不同風壓下的擴散分布規律進行數值模擬分析，確定了最適宜排出室內污染物的排風機風壓值。項琳琳等人[3]以及江春雨等人[4]分別針對上海和重慶地區辦公建筑在不同時段和條件下的 PM2.5顆粒物濃度進行現場實測，深入討論了室外顆粒物濃度、門窗啟閉、測試時間、人員走動、吸煙、空調系統以及地毯揚塵等因素與室內顆粒物濃度之間的關系，量化分析了室內顆粒物濃度分布及變化特性。長期連續監測的典型研究有清華大學林波榮教授團隊在“十三五”期間針對全國各氣候區幾十余棟綠色建筑的室內環境所開展的大規模長期實證研究[5-6]。其研究結果表明，目前我國綠色辦公建筑室內 CO2濃度中位數明顯低于 0.1% 的標準控制要求，且呈現冬夏季較高，過渡季較低的季節特征；室內 PM2.5濃度中位數處于 12～28 μg/m3之間，且整體呈現冬季相對高于夏季、過渡季的特征。

然而，由于研究目的和側重點不一的問題，既往研究中基于若干典型工況的 CFD 數值模擬和短期實驗監測研究往往無法涉及室內 CO2和 PM2.5的長期動態變化特征，而大規模實測研究則對于污染物在室內空間的分布特性揭示不足。同時，針對辦公建筑中常見的開敞辦公空間，若要監測其室內污染物的動態空間分布情況，通常需要在空間內布置大量傳感器進行長期同步監測。較高的設備投入和運維成本也導致了當前在工程項目層面大范圍環境監測推廣不開的實際問題。本文針對上海某典型開敞辦公建筑開展多點位 CO2和 PM2.5濃度長期連續監測，著重分析各點位監測數據之間的動態差異，通過聚類分析方法識別室內污染物時間、空間分布的特征模式，探索采用少量長期測點實現污染物濃度分布監測的可行性，對室內空氣品質監測的工程推廣具有一定參考價值。

1 研究方法

1.1 現場測試

本研究于 2021年5月13日至 2022年1月10日對上海市某典型開敞辦公樓宇的標準層進行了多點位 CO2和 PM2.5濃度長期連續監測。監測周期覆蓋了過渡季、夏季以及冬季空調期，可反映室內環境參數在不同季節間的變化情況。該辦公樓標準層開敞辦公空間寬 8.5 m，長 50.4 m。平面共配置有 10 個組合式 6 人辦公工位。點位布置、測點編號以及空間朝向如圖 1 所示。在每個點位上采用青萍空氣檢測儀每 15 min 采集該位置上的 CO2和 PM2.5濃度數據，其測量量程及精度見表 1，可以滿足工程領域的應用需求。空氣檢測儀置于辦公工位之間的隔板上方，距離地面高度約 1.2 m。

圖1 開敞辦公空間測點位置及編號示意

表1 測量儀器量程及精度

1.2 環境數據處理及聚類分析

本研究采用動態帶狀區間數據表征室內 CO2和 PM2.5濃度數據的時空間分布特征，如圖 2 所示。圖中實線為環境參數的平均值序列，用來表示環境參數的時間分布特征，可采用空間中某代表測點的數據近似代替。而實線兩側的陰影區域則為其他測點數據與平均值之間的差異，其寬度隨時間變化，用來表征環境參數的空間分布特征。

圖2 動態帶狀區間數據示意圖

數據處理及分析過程主要分為 3 個步驟。首先，通過分析各測點監測序列數據與平均值序列數據之間的差異，辨識得到可以動態表征空間平均濃度水平的代表測點位置。其次，為確定帶狀區間數據的上下界，定義空間分布的正、負參差系數以量化其他測點與代表測點之間的數據差異，并用聚類算法辨識空間分布參差系數序列的典型特征。最后，將各季節中出現頻率最高的空間分布參差系數典型模式疊加到代表測點的監測數據序列之上得到帶狀區間數據。

在辨識代表測點時，采用均方根誤差 RMSE 來衡量各測點數據與平均值之間的差異，如公式（1）所示。

式中：n—監測數據樣本條數；

Yi—某測點數據；

Yiave—該時刻下所有測點數據平均值。

對于 CO2和 PM2.5濃度數據空間分布的正負參差系數的定義，由于 PM2.5濃度監測數據存在零值，因此 PM2.5的正負參差系數為各測點最大值和最小值與平均值的差值，而 CO2濃度的正負參差系數則為各測點最大值和最小值與各測點平均值的比值。

聚類分析方法常用于辨識多維數據的典型特征。在建筑領域，以 K-means 算法為代表的聚類分析常用于辨識建筑負荷或能耗的時間序列數據特征，得到建筑負荷或能耗的典型模式序列[7-8]。其原理是對于i個n維數據樣本（x1,x2,x3…xi）找到k個簇中心（簇中心個數可自定義），使得所有樣本與近鄰的簇中心之間的距離之和最小。擬合所得的k個簇中心序列則被認為是樣本數據的k種典型模式。

聚類時首先將正負參差系數的序列數據以自然日為單位切分為日時間序列樣本。為避免工作日、非工作日對特征辨識的影響，僅保留工作日樣本數據。因此，參與聚類的數據樣本為 172 條，96 維（24 h，每小時采樣 4 次）的日時間序列數據。其次，根據樣本數據與聚類中心之間距離隨簇中心個數的變化趨勢，將簇中心設置為 3 個。

2 結果與討論

2.1 代表測點位置辨識

表2 列出了 CO2和 PM2.5濃度各測點數據與空間平均值之間的 RMSE 計算結果。從表中可以發現，測點 5 的 CO2和 PM2.5濃度監測數據與空間平均值之間的誤差均為所有測點中的最小值。通過進一步對比測點 5 監測數據與平均值序列，如圖 3 所示，可以看出測點 5 的監測數據在動態趨勢上也與平均值序列保持一致，因此可以采用測點 5 作為代表空間平均水平的代表測點。

表2 CO2 和 PM2.5 濃度各測點數據與空間平均值之間的 RMSE 計算結果

圖3 測點 5 CO2 與 PM2.5 濃度數據與平均值對比

2.2 CO2 與 PM2.5 濃度空間分布特征分析

圖4 和圖 5 以正參差系數為例，分別展示了 CO2和 PM2.5濃度的空間分布正參差系數的聚類中心序列。從圖 4 中可以直觀的看出，CO2濃度的參差系數整體呈現高、中、低三種不同的典型模式，且存在明顯的與工作時段相關的特征。參差系數數值均從上午 9 點前后開始不同程度地增大，表明隨著上班人員的不斷加入室內 CO2濃度空間分布逐漸變得不均勻。這一結果符合室內 CO2主要來源于室內人員的基本事實。

圖4 CO2 濃度空間分布正參差系數聚類中心序列

圖5 PM2.5 濃度空間分布正參差系數聚類中心序列

反觀圖 5 中的 PM2.5聚類結果，首先 PM2.5空間分布的正參差系數沒有明顯的與工作時段相關的特征，整體上呈現兩種穩定誤差的模式以及一種波動相對較大的高水平模式。在兩種穩定誤差模式下，空間 PM2.5濃度最大值與平均值之間的差異基本＜8 μg/m3，表明在這兩種模式下室內 PM2.5濃度分布相對均勻且穩定。而在高水平波動模式下，室內 PM2.5最大值與平均值之間的差值最大可達 20 μg/m3左右。

2.3 空間分布特征模式應用分析

由于上海地區過渡季的自然通風工況和空調采暖工況存在較大差異，因此進一步地分析 CO2和 PM2.5濃度空間分布參差系數各典型模式（根據圖 4 和圖 5 各模式曲線高低，由高到低命名為高水平、中水平、低水平模式）在不同工況下的出現頻率。其中過渡季為 5—6月和 10—11月，空調采暖季為 7—9月和 12—1月。經統計，CO2濃度空間分布正負參差系數的中水平模式出現頻率整體最高，約為 50%～60%。而 PM2.5濃度則中水平、低水平兩種穩定誤差模式占據了絕大多數情況，兩者的出現頻率之和超過 90%。

最后，將不同工況下 CO2和 PM2.5濃度空間分布參差系數出現頻率最高的典型模式疊加到可以表征空間平均水平的測點 5 的監測數據之上，獲得動態帶狀區間數據，如圖 6 所示。可以發現根據正負參差系數反推得到的濃度數據的上下界基本可以覆蓋原始數據的分布范圍，除了若干數值較大的極端情況。經核算，CO2濃度的覆蓋比例為 88%，PM2.5濃度的覆蓋比例為 93%，從而說明了通過動態帶狀區間數據表征環境參數時空間分布特征方法的有效性。

圖6 CO2（a）和PM2.5（b）濃度動態帶狀區間對原始數據的覆蓋情況示意

3 結語

本文提出了采用動態帶狀區間數據表征室內 CO2和 PM2.5濃度時空間分布特征的方法，以上海某開敞辦公空間為案例，進行多點位長期連續監測。為量化環境參數空間分布不均勻性，本文定義了空間分布參差系數，并采用 K-means 聚類算法辨識得到開敞辦公空間 CO2和 PM2.5濃度空間分布參差系數的日時間序列典型模式。其中，CO2濃度空間分布參差系數典型模式呈現明顯的與工作時段相關的特征，而 PM2.5典型模式以穩定誤差為主。由出現概率最高的參差系數典型模式反推得到的室內 CO2和 PM2.5濃度最大值、最小值可覆蓋近 90% 的原始數據，從而驗證了本文方法的有效性，并可為日后采用少量室內長期測點完成對于大面積、開敞建筑空間的環境測評工作提供支撐。