清華大學建筑學院建筑節能研究中心  晉 遠  燕 達  孫紅三  吳如宏  鄔蒙可

       【摘  要】智能控制在辦公建筑中應用的普及程度越來越高，智能照明系統控制是其中重要的一部分?；谌藛T在室情況的照明控制是多數辦公建筑中采取的控制方式，往往選用紅外傳感器作為人員在室識別的感應設備。與固定作息的照明系統控制相比，這一控制方法可以針對人員在室情況進行調整，但是由于傳感儀器具有精度不足的問題，總存在人員在室卻誤將照明系統關閉的情況。因此，本文基于紅外傳感器獲取數據的誤差，提出數據質量分析與修正，并結合人員在室預測方法，優化照明控制，提高控制算法的準確性，人員在室的舒適度，降低在室的誤關率。經過分析，具有初步的效果。

       【關鍵詞】人行為；模型預測控制；照明控制

0 引言

       照明系統的用能在公共建筑中占有重要的比例，隨著對于各領域用能的關注，在公共建筑的用能分項中，除了空調系統的能耗，照明系統的能耗也成為一大重點^[1-3]。在建筑用能過程中，引起能耗差異的不可忽略的因素之一是人的用能行為^{[4, 5]}，因此，在照明系統的節能工作研究中，多考慮了結合人行為的控制^{[3, 6]}。在人工控制與自動控制照明能耗的對比過程中，Bourgeois引入了基于人員在室行為的控制模型^[7]，模擬發現，相比于固定作息的持續人工照明，基于在室行為控制的照明系統，其能耗可以得到有效降低。

       在這一過程中，許多專家學者都對此開展研究，切入點多為基于人員在室情況數據的照明系統控制^[6]。在室人員情況的數據獲取方式可以依托多種儀器設備，包括被動式紅外傳感器（PIR，passive infrared）、超聲波傳感器、微波傳感器、聲控傳感器、壓力傳感器等等，綜合傳感器精度、抗干擾能力、經濟成本等多方面因素，被動式紅外傳感器在公共建筑人員在室情況感應過程中，得到較多的應用。近年來，基于被動式紅外感應原理設計的人員在室情況感應裝置經歷了一系列發展^[8]，在感應判斷中，多引入延長時間的判斷算法。而基于此的照明系統控制也得以發展。

       綜合多研究指出，相比于人工控制的照明系統，自動控制的照明系統，節能量可以在15%在75%^[9]。有研究指出，平均的節能量為30%^[10]。在目前的控制過程中，控制邏輯相對簡單，均采取延長時間的控制邏輯判斷^[6]。對此，Richman^[11]研究了不同延長時間，對于照明系統節能量的影響。Maniccia^[12]和Von Neida^[13]也做了相同的研究，對于私人辦公室，當延長時間在5分鐘至20分鐘變化，節能量分別對應38%和28%，對于開敞辦公區域，當延長時間從5分鐘變至20分鐘，節能量對應60%和17%。由此，延長時間對于節能量的影響很大。

       但是，在控制實測過程中，不可避免的問題是使用這一方式控制照明系統的開關時，總是出現照明系統誤關的情況，經研究表明，從單一傳感器獲得的人員在室數據，在室率總是被低估，有時僅有80%^[14]。分析其原因，在于紅外傳感器對于人員活動的感應精度有限。圖 1^[15]為紅外外傳感器的感應精度范圍，越是微小的位移，感應器可感知的范圍就越小。對于全身范圍的移動，可感知范圍為12米，如果是手臂或者上身的移動，可感知范圍則縮小至6米，同時在實際應用中，有效距離范圍會更小。       

       因此，在照明系統的自動控制中，仍需要關注人體的感受與舒適度，避免出現大量因為傳感器的感應精度造成的誤關情況。之前研究工作，均采用延長時間的控制算法，其控制邏輯為：當獲取室內在現有的控制方法的基礎上，本文提出基于在室情況預測的控制方法^[16]，基于歷史在室情況，對于當前時刻的在室情況進行預測，從而優化控制方法，避免照明控制過程中誤關的情況，保證控制效果的情況下，控制照明系統的能耗情況。

1 技術路線與分析方法

       1.1 技術路線

       在照明系統的自控系統中，包含著人員、傳感器、控制器與照明系統各部分之間的作用關系（如圖 2），人員的位移在室情況被紅外傳感器PIR檢測到，在室數據經過PIR傳給控制器，得到在室情況數據信號的控制器做出判斷，控制照明系統。而照明系統開關對人員產生影響，人員可以通過動作反饋，進一步影響PIR獲得數據。

       在這一過程中，之所以照明系統誤關，促使人員發出動作反饋，是因為PIR傳給控制器的在室數據與真實的人員在室位移情況存在偏差。因此研究工作大致從兩方面展開，一方面需要對PIR傳感器獲得的數據進行分析與修正，另一方面，優化當前的控制算法，提升目前控制的精度。

       如圖 3所示為本文的技術路線圖，由PIR傳感器獲取的人員在室數據與真實人員在室數據作對比，即可得到PIR傳感器獲取在室情況的數據質量，針對于傳統的延遲時間控制照明系統的方法外，本文提出的模型預測控制方法，現將PIR獲取到的在室情況數據作以質量處理，之后可以得到一定程度上可靠的歷史在室記錄，由不同的方法可以預測當前時刻的人員在室情況，從而指導照明系統的控制。在控制方法的效果方面，本文提出兩個指標來體現照明系統控制情況。

       1.2 數據質量處理

       數據質量處理分為兩部分，一是去除因為傳感器精度不足造成的在室情況數據的波動噪聲[17]；二是在實際控制過程中，由于人員針對照明系統的誤關進行動作的反饋，針對這一短時間步長照明的關閉開啟數據特征，進行數據的修正處理。

       1.3 預測控制方法

       本文目前提出兩種基于歷史在室情況的比例，預測當前時間步長下，人員在室情況，從而控制照明。

       1）閾值法

       當需要判斷是否關閉照明系統時，得到當前時刻對應歷史在室比例，如果這一比例低于設定閾值，則認為這一時刻實際有人員在室情況概率小，則給出關閉照明判斷，反之，則認為這一時刻實際有人員在室情況概率大，則不關閉照明系統（圖 4）。

       2）隨機法

       隨機法與閾值法的區別在于，隨機法在每次判斷時給定一個隨機數，歷史在室比例不與設定閾值進行比較，而與隨機數比較，從而判斷是否關閉照明系統。

       1.4 驗證對比指標

       誤關次數，指當有人員在室時，照明系統被關閉的次數；漏關次數，指人員離開房間，照明系統未關閉的次數。一定程度上，誤關次數反映照明控制系統的精度與人員舒適度，而漏關次數與照明系統的能耗相關，漏關次數越多，則節能潛力越低。

2 案例分析

       本文選擇一間小型辦公室作為研究對象，這間小型辦公室工作人數為3人，安裝有一臺PIR紅外傳感器，同時可以利用控制器來控制辦公室內照明系統的開啟關閉。在試驗期間，可以獲得真實的人員在室情況，從而校對數據與控制結果。

       2.1 傳感器獲取數據質量分析

       研究首先進行了預實驗，判斷紅外傳感器獲取在室情況數據的質量。在一個小時之內，辦公室實際一直有人員辦公，但由PIR傳感器獲得的在室數據，則出現反復“不在室”狀態（圖 5），由此即可針對數據質量分析，去除由于傳感器誤差帶來的數據噪聲。

       在數據質量處理之后，即可得到歷史情況下的辦公室內的在室比例曲線。這一參數將用于預測控制方法中的歷史在室情況的判斷。

       2.2 照明系統控制效果對比

       本文分別采取傳統的控制方法、預測控制閾值法、預測控制隨機法這三種方法，基于辦公室內人員情況，控制照明系統，并針對指標進行對比。圖 6所示為閾值法控制照明系統時，一天的數據情況。從圖中可知，此辦公室人員時間分布整體可分為上午與下午兩個時間段，但仍然存在短暫離開辦公室的情況。PIR紅外傳感器傳回的數據具有頻繁的誤差噪聲，直接將其結果用于控制，會造成大量的誤關情況，而通過本文提出的預測控制方法，在需要判斷是否關閉照明系統時，根據歷史情況預測當前的在室情況，具有良好的控制結果。

       同樣針對三種不同方法進行指標統計，對比分析三種控制方法的特點。如表 1所示，相比于傳統的延長時間法，閾值法和隨機法都能利用歷史數據對在室情況預測的基礎上控制照明系統，可以有效降低錯關次數。在漏關次數這一指標對比中，閾值法和傳統方法更接近，但閾值法對應照明系統開啟總時長更短。而隨機法的漏關次數相對更高，因此能耗更高。

3 總結與討論

       本文基于目前照明自控系統錯關率高的現狀，提出區別于實時控制方法的模型預測控制方法，旨在結合人員在室預測，解決傳感器誤差與精度問題，提高控制效果，在保證能耗前提下，提升人員使用照明系統過程中的舒適度。通過研究，本文得出如下結論：

       （1）當前自控照明系統存在的問題，與傳感器的精度有關，其返回數據存在大量誤差，通過數據質量分析與修正，能夠有效彌補傳感器精度不足造成的在室數據缺失，從而較為準確的在室數據，助于得到預測在室概率需要的歷史在室比例曲線；

       （2）相比于傳統的控制方法，模型預測閾值法控制效果更好，在能耗相對更低的同時，降低了錯關次數，能夠進一步提升控制的舒適度。

       同時，研究工作還應進一步探索優化算法，引入機器學習來強化控制精度，提升控制的效果。

參考文獻

        [1] Rundquist R A, Johnson K F, Aumann D J. Calculating lighting and HVAC interactions[J]. ASHRAE Journal (American Society of Heating, Refrigerating and Air-Conditioning Engineers);(United States), 1993,35(11).
        [2] Sezgen A O, Huang Y J. Lighting/HVAC interactions and their effects on annual and peak HVAC requirements in commercial buildings[J]. 1994.
        [3] Tetlow R M, Beaman C P, Elmualim A A, et al. Simple prompts reduce inadvertent energy consumption from lighting in office buildings[J]. Building and Environment, 2014,81:234-242.
        [4]  李兆堅, 江億. 住宅夏季空調能耗調查方法分析[J]. 暖通空調, 2006,36(9):35-37.
        [5] Yan D, Hong T, Dong B, et al. IEA EBC Annex 66: Definition and simulation of occupant behavior in buildings[J]. Energy and Buildings, 2017,156:258-270.
        [6] Guo X, Tiller D K, Henze G P, et al. The performance of occupancy-based lighting control systems: A review[J]. Lighting Research & Technology, 2010,42(4):415-431.
        [7] Bourgeois D, Reinhart C, Macdonald I. Adding advanced behavioural models in whole building energy simulation: A study on the total energy impact of manual and automated lighting control[J]. Energy and buildings, 2006,38(7):814-823.
        [8] Kumar R. Occupancy Sensor with Improved Functionality[Z]. Google Patents, 2017.
        [9] Rundquist R A, McDougall T G, Benya J, et al. Lighting controls: Patterns for design[M]. 1996.
       [10] Std B A. 90.1-Energy Efficient Design of New Buildings Except Low-Rise Residential Buildings[J]. American Society of Heating, Refrigerating and Air-Conditioning Engineers, Inc, 2004.
       [11] Richman E E, Dittmer A L, Keller J M. Field analysis of occupancy sensor operation: parameters affecting lighting energy savings[J]. Journal of the Illuminating Engineering Society, 1996,25(1):83-92.
       [12] Maniccia D, Tweed A, Bierman A, et al. The effects of changing occupancy sensor time-out setting on energy savings, lamp cycling and maintenance costs[J]. Journal of the Illuminating Engineering Society, 2001,30(2):97-110.
       [13] Von Neida B, Manicria D, Tweed A. An analysis of the energy and cost savings potential of occupancy sensors for commercial lighting systems[J]. Journal of the Illuminating Engineering Society, 2001,30(2):111-125.
       [14] Guo X. Occupancy sensor networks for improved lighting system control[M]. The University of Nebraska-Lincoln, 2007.
       [15] Benya J. Advanced lighting guidelines[M]. New Buildings Institute, Incorporated, 2001.
       [16] Mirakhorli A, Dong B. Occupancy behavior based model predictive control for building indoor climate—A critical review[J]. Energy and Buildings, 2016,129:499-513.
       [17] McCarthy D J, Campbell K R, Lun A T, et al. Scater: pre-processing, quality control, normalization and visualization of single-cell RNA-seq data in R[J]. Bioinformatics, 2017,33(8):1179-1186.

       備注：本文收錄于第21屆暖通空調制冷學術年會（2018年10月23～27日，中國·三門峽）論文集。版權歸論文作者所有,任何形式轉載請聯系作者。