建筑人行为节能研究综述及其在医疗建筑节能与设计应用性展望

随着医疗建筑规模的不断扩大,功能区域划分越来越细,建筑能耗一直居高不下,医疗建筑的节能工作与智能化运行管理也日益成为关注的重点,其中医疗建筑的用户(含患者、医护人员、家属等)行为信息成为研究的关键。本文从建筑人行为定义、节能研究和建筑人行为监测模型等方面展开研究综述,并在此基础上探讨建筑人行为研究在医疗建筑设计、节能及其运行管理中的应用。

建筑人行为模拟方法综述

建筑中人行为是影响建筑能耗的关键因素之一,人行为具有复杂性、多样性和随机性的特点。在传统的建筑性能模拟中,多采用固定作息或简化方法来模拟人行为,导致了模拟结果与实际情况之间的巨大差距。因此,已有诸多学者对建筑人行为开展研究。本文对建筑人行为研究现状展开综述,从数据采集、模型建立、模型检验、工程应用4个维度对研究进展进行梳理。在数据采集方面,分析了现有多种数据采集方式的优势、劣势及应用场景。在模型构建及检验中,从人员位移与人员用能动作两方面出发,将已有的模型构建方法分为固定作息、统计概率模型以及数据驱动模型,并分别对研究现状进行分析。最后,在工程应用中,本研究综述了人行为在建筑设计、运行、改造以及标准政策中的应用。本文系统性介绍了建筑人行为模拟的研究现状,为未来实际建筑能耗模拟工程更准确合理地量化人行为影响提供基础。

基于被动红外传感器的室内人行为机器学习模型

室内人行为的准确识别,包括人员位置和活动类型的判定,是智能家居领域中各类电器设备实现多场景控制模式的重要输入参数。采用被动红外(PIR)传感器阵列监测人行为,分析人员不同位置及不同强度动作的数据特征。基于机器学习算法建立室内人员位置及动作识别模型,并对比不同累加时长和机器学习算法的模型预测准确度。最终以PIR传感器当前1 min的计数累加值(分钟计数值)及其前30 min计数累加值作为模型输入,选取随机森林算法构建了位置及动作识别模型。该模型在训练数据集十折交叉验证下准确率为99.9%,对新测试数据集的预测准确率为88.3%,能够识别实际人员的活动位置和动作强弱,具有一定的有效性和通用性。

基于PIR的办公建筑室内人员定位及动作识别模型

准确识别人行为,是办公场景智能化的基础。本研究通过收集场景内的被动红外(PIR)传感器阵列信号,分析人员在不同位置、不同动作强度组合下的数据特征。首先,基于多种机器学习算法建立人员位置和动作同时识别的模型,相较于KNN、RF、SVM、MLP单一模型,Stacking融合模型性能更优、稳定性更好。然后,分析了面向连续数据流时,多时间步长Stacking模型组合表现更优;注重整体指标时,建议选用短时间步长组合模型;注重识别精度时,建议使用长时间步长组合模型。模型识别准确率达0.99,人员位置识别准确率为0.87,人员动作强度识别准确率为0.89。最后,讨论了区域划分和仪器布置对模型的影响。采用大尺度划分方式,人员位置识别准确率提高;小尺度划分方式下,人员定位更精确。可以通过调整PIR传感器的空间布置,减少传感器台数至8台。