ICS 91.040.01 CCS P 45
团 体 标 准
T/CABEE 042-2023
建筑能耗模拟用人行为基础数据标准
Standard for basic data of occupant behavior in
building energy consumption simulation
2023-03-07 发布 2023-06-01 实施
中国建筑节能协会 发布
前 言
根据《中国建筑节能协会团体标准管理办法(试行)》(国建节协(2017)40号)及《关于印发<2021年度第二批团体标准制修订计划>的通知》(国建节协[2021]50号)的要
求，由主编单位会同有关单位组建编制组，经广泛的调查研究，认证总结实践经验，考察有关国内外标准和先进经验，并在广泛征求意见的基础上，共同编制了本标准。
本标准的主要内容包括：1.总则;2.术语;3.建筑用能行为描述方法;4.描述参数及基础数据定义;5.基础数据获取方法;6.基础数据质量与预处理;7.基础数据分析方法;附录;本标准用词说明;引用标准名录。
本标准由中国建筑节能协会标准化管理办公室负责管理(联系电话：010-57811483，邮箱：biaoban@cabee.org)，由主编单位负责具体内容的解释。执行过程中如有意见或建议，请寄送至主编单位(地址：上海市嘉定区安亭镇曹安公路4800号，邮编：201804)。
本标准主编单位：同济大学清华大学
本标准参编单位：北京建筑大学北京工业大学
浙江大学
天津大学
天津城建大学
湖南大学
上海建筑科学研究院有限公司
华东建筑集团股份有限公司
太古地产有限公司
上海华电源信息技术有限公司
洛阳优创信息科技有限公司
广东美的白色家电技术创新中心有限公司
浙江大华技术股份有限公司
宁波方太厨具有限公司
本标准主要起草人员：潘毅群 燕达 李峥嵘 李翠 王闯 简毅文 陈淑琴 丁研 周翔杨斌 张静思 许鹏 俞准 潘嵩 朱晗 季亮 张颖 瞿燕 秦建英陈殿坤 魏光远 胡斯特 马骏驰 贝正其
本标准主要审查人员：李德英 郝军 孙峙峰 潘云钢 郭伟 万水娥 陈友明
1 总则
1.0.1 为指导和规范建筑能耗模拟相关的人行为基础数据采集与应用，建立符合我国国情的各类民用建筑人行为标准数据集，特制定本标准。
1.0.2 本标准适用于办公、住宅等民用建筑能耗模拟过程中，指导各种人行为描述参数所需的基础数据的采集、处理和分析。
1.0.3 建筑能耗模拟用的人行为基础数据的采集、处理与分析除应符合本标准外，尚应符合国家现行相关标准的规定。
2 术语与符号
2.1 术语
2.1.1 建筑能耗模拟用人行为 occupant behavior in building energy simulation
建筑能耗模拟中描述对室内环境及能源消耗产生影响的人员移动、人员动作以及相关用能设备的运行状态。
2.1.2 人员移动 occupant movement
房间内的人员数量和人在建筑及房间内位置的变化。
2.1.3 人员逐时在室率 occupancy ratio
房间内逐时人数与设计人数的比值。
2.1.4 人员动作 occupant action
人员基于感知到的周围环境与以往经验，对室内环境参数进行调控的动作。
2.1.5 位移模型 movement model
描述室内人员数量与位置特征的分布，刻画房间内是否有人、有多少人等。
2.1.6 动作模型 action model
描述室内人员对设备调控和使用动作特征的分布，以及动作发生与时间或环境参数的关联性。
2.1.7 与人员行为活动相关的数据 occupant behavior data
通过各类传感器、移动互联网大数据、问卷调查、环境参数测试装置等方式获取的与人员行为活动相关的数据。
2.1.8 人员移动数据 occupant movement data 用于表示人员移动规律的数据和数据集。
2.1.9 人员动作数据 occupant action data
用于表示人对设备调控规律的数据和数据集。
2.1.10 接触式测量 contact measurement
通过直接接触人员的方式采集人员位移及动作数据，应以不对室内人员的正常活动形成干扰为原则。
2.1.11 非接触式测量 non-contact measurement
采用不直接接触人员的设备采集人员位移及动作数据。
2.1.12 可穿戴设备 wearable device
将传感器与人员衣着及配件等相结合的一种便携式设备，可与各类终端及互联网连接，用于采集人员位置信息、人体代谢率及人员动作数据等。
2.1.13 异常数据 abnormal data
明显超出一般公认的合理取值范围的数据，一般因超过传感器量程或传感器数据失真所
造成。
2.1.14 缺失数据 missing data
在传输、存储和后处理等过程中造成传感器数据和调查类数据的缺失。
2.1.15 马尔可夫链 Markov Chain
用于描述人员个体在状态空间中从一个状态到另一个状态的随机过程，简称马氏链。
2.2 符号
τi —— 第 i 个时刻
opi —— 房间人员逐时在室率
xi —— 作息表逐时值
po —— 人员动作发生的概率
pd —— 环境控制设备开、关运行状态的出现概率x —— 环境变量
Δτ —— 模拟计算采用的时间步长u —— 阈值参数
l —— 尺度参数
k —— 形状系数
τ0 —— 某特定时刻
tc —— 时间无量纲化比例因子
tleave —— 出门时长
b 、c —— 拟合系数，没有明确的物理意义ONi —— 典型日第i时在室人员数量
ONmax —— 典型日房间设计人数
WORi —— 窗户逐时开启比例
WAi —— 典型日第i时窗户的开启面积WAmax —— 窗户可开启最大面积
LORi —— 照明逐时使用率
Lpi —— 典型日第i时处于运行状态的照明实时功率总和Lpmax —— 照明总额定功率
LNi —— 典型日第i时照明开启数量
LNmax —— 照明总数
EORi —— 设备逐时使用率
Epi —— 典型日第i时处于运行状态的设备实时功率总和Epmax —— 设备总额定功率
SRi —— 逐时遮阳比例
SAi —— 典型日第i时遮阳面积
SAmax —— 最大遮阳面积
Ti —— 典型日第i时空调设定温度
Ti,n —— 典型日第i时第"个不同的空调设定温度
tm,n —— 典型日第i时第m个房间空调设定温度为Ti,n 的持续时长m —— 调研房间总数
" —— 典型日第i时所有对象房间不同的空调设定温度数目
3 建筑用能行为描述方法
3.1 人员移动
3.1.1 对于人员较为密集、作息较为同步的建筑宜采用固定作息表法。对于单人房间或小型房间较多、个体行为随机分散的建筑宜采用马氏链与事件的室内人员移动模型法。
3.1.2 固定作息表以房间人员逐时在室率表示。房间逐时人数为房间设计人数与逐时在室率的乘积，逐时在室率按下式计算：
opi = f (τi) (3.1.2)
式中：opi —— 房间人员逐时在室率，0 ≤ opi ≤ 1;
τi —— 第 i 个时刻。
3.1.3 马氏链与事件的室内人员移动模型的建立应符合下列规定：
1 应以建筑房间作为位置单元，人员位置以房间编号标识;
2 个体的移动过程应相互独立;
3 宜采用马氏链表示人员移动随机过程;
4 可采用转移矩阵来描述人员移动过程，定义日常活动和移动事件。
3.1.4 对于影响人员移动过程、引起人员位置变化的日常活动，宜采用移动事件进行描述。
3.1.5 人员随机走动的主要数值特征应包括人员在各个房间停留的时间比例和人员在各个房间平均每次逗留的时间。
3.1.6 办公建筑中的典型事件应包括上班、下班、午餐、会议等，特征参数应包括起始时间和结束时间、平均上班和下班时间、平均出发和返回时间等。
3.1.7 住宅建筑中的典型事件应包括起床、睡觉、上班、下班等，特征参数应包括起始时间和结束时间、平均起床和睡觉时间、平均上班和下班时间等。
3.2 人员动作
3.2.1 人员动作可采用固定作息表、条件概率模型、Logistic 模型等进行描述。
3.2.2 人员动作固定作息表即房间内人员对于空调、采暖、照明、电器设备、窗等的开关和调控动作时间表，应根据房间功能类型和典型日类型进行设置。人员动作固定作息表应符合下列规定，并按式 3.2.2 计算：
xi = f (τi) (3.2.2)
式中：xi —— 作息表逐时值;
τi —— 第 i 个时刻。
1 房间空调(采暖)设备作息表可包括设定温湿度、启停状态、送风温湿度、送风速度等。空调(采暖)设定温湿度及送风温湿度分别用温度值、相对湿度值表示;空调(采暖)启停状态用0 和 l 来表示，0 表示关闭，l 表示开启;空调(采暖)送风速度用速度值(或风量级别)表示。
2 房间照明或设备作息表可用房间照明灯具或家用/办公设备的逐时使用率表示。逐时房间照明(设备)功率为房间设计照明(设备)功率与逐时使用率的乘积。
3 房间开关窗作息表可用房间的逐时通风换气次数表示。
3.2.3 人员动作的条件概率模型分为环境反馈型和时间型两种。
1 环境反馈型条件概率宜用于描述与室内外物理环境因素相关的动作，按下式计算：
1) 动作发生概率与环境因素正相关：
k ∆τ, x > u (3.2.3 __ 1)
2) 动作发生概率与环境因素负相关：
k Δτ, x < u (3.2.3 __ 2)
式中：Po——动作发生的概率;
x——环境变量;
∆τ——模拟计算采用的时间步长;
u——阈值参数;
l——为尺度参数;
k——形状参数。
2 时间型条件概率宜用于描述与时间或事件相关的动作，即动作发生在某些特殊时刻，如进出门时，上下班时，起床或睡觉时。时间型条件概率应按下式计算：
1)动作发生概率为常数：
(3.2.3 __ 3)
2)动作发生概率与时长(如出门时长)有关：
k , τ = τ0 (3.2.3 __ 4)
式中：Po——动作发生的概率; τ0——某特定时刻;
tc——时间无量纲化比例因子;
tleave——出门时长。
3 多人房间的人员动作条件概率模型宜结合个体行为独立性假设，并考虑个体间的相互影响，模拟得到人员群体的行为结果。
3.2.4 人员动作的 Logistic 模型描述方法应符合下列规定：
1 环境控制设备开、关概率的 Logistic 模型应按下式计算：
pd (3.2.4)
式中：pd——环境控制设备开、关运行状态的出现概率;
x——环境变量;
b, C——拟合系数，没有明确的物理意义。
2 Logistic 模型宜用于描述环境控制设备开、关运行状态出现概率随室内外环境等影响因素而变化的场景。
4 描述参数及基础数据定义
4.1 固定作息表及所需的基础数据
4.1.1 固定作息表法所需采集的数据应根据被测行为确定，可以是逐时状态数据，也可以是逐时动作数据。若所采集基础数据为动作数据，则应将动作及其对应时刻数据转化成为状态数据。
4.1.2 固定作息表应以不同条件下的典型日的 24h 数据表示。
4.1.3 人员逐时在室状态固定作息表应以典型日的人员逐时在室率表示。所需采集的基础数据包括逐时在室人数、或者人员移动动作及其对应时刻。人员逐时在室率(%)按下式计算：
opi (4.1.3)
式中：opi——人员逐时在室率(%);
ONi——典型日第i时在室人员数量(人);
ONmax——典型日房间设计人数(人)。
4.1.4 窗户逐时状态固定作息表应以典型日的窗户逐时开启比例表示。所需采集的基础数据包括窗户可开启最大面积、窗户逐时开启面积，或窗户开关动作及其对应时刻。窗户逐时开启比例(%)按下式计算：
WORi (4.1.4)
式中：WOR——窗户逐时开启比例(%);
WAi ——典型日第i时窗户的开启面积(m2);
WAmax ——窗户可开启最大面积(m2 )。
4.1.5 照明逐时状态固定作息表应以典型日的照明逐时使用率表示。所需采集的基础数据包括照明个数、各照明实时功率、各照明额定功率、各照明逐时使用状态，或者照明开关动作及其对应时刻。照明逐时使用率(%)应符合下列规定：
1 当照明实时功率及额定功率可准确获取时，应按下式计算：
LORi (4.1.5 __ 1)
式中：LOR——照明逐时使用率(%);
Lpi——典型日第i时处于运行状态的照明实时功率总和(kW);
Lpmax——照明总额定功率(kW)。
2 当照明实时功率及额定功率无法准确获取时，宜按下式计算：
LORi (4.1.5 __ 2)
式中：LOR——照明逐时使用率(%);
LNi——典型日第i时照明开启数量(个);
4.1.6 设备逐时使用状态固定作息表应以典型日的设备逐时使用率表示。所需采集的基础数据包括设备个数、各设备实时功率、各设备额定功率、各设备逐时使用状态，或者设备开关动作及其对应时刻。设备逐时使用率(%)按下式计算：
EORi (4.1.6)
式中：EOR——设备逐时使用率(%);
Epi——典型日第i时处于运行状态的设备实时功率总和(kW);
Epmax——设备总额定功率(kW)。
4.1.7 遮阳逐时使用状态固定作息表应以典型日的逐时遮阳比例表示。所需采集的基础数据包括最大遮阳面积、逐时遮阳面积,或者遮阳调节动作及其对应时刻。逐时遮阳比例(%)按下式计算：
SRi (4.1.7)
式中：SR——逐时遮阳比例(%);
SAi——典型日第i时遮阳面积(m2);
SAmax——最大遮阳面积(m2)。
4.1.8 空调逐时使用状态固定作息表应由空调逐时运行状态、空调逐时设定温度两部分来描述。空调逐时运行状态应以典型日的空调逐时启停状态表示。所需采集的基础数据包括空调逐时启停状态、或者空调开关动作及其对应时刻。空调逐时设定温度所需采集的基础数据为空调逐时设定温度及其对应持续时长。空调逐时设定温度 (℃)按下式计算：
式中：Ti——典型日第i时空调设定温度 (℃);
Ti,n——典型日第i时第"个不同的空调设定温度 (℃);
tm,n——典型日第i时第m个房间空调设定温度为Ti,n 的持续时长(min);
m——调研房间总数(间);
"——典型日第i时所有对象房间不同的空调设定温度数目。
4.2 人员位移模型参数及所需的基础数据
4.2.1 人员位移模型参数应包括人员移动数据和人员在室率数据。
4.2.2 应根据事件发生机制定义会导致人员移动行为的典型事件，根据人员移动的时间和空间特征，获得人员在典型事件之间的转移概率。
4.2.3 人员在建筑中的分布可通过热图的形式表达。
4.3 人员动作模型参数及所需的基础数据
4.3.1 影响人员动作的参数应根据动作模型的需求设定，在不涉及隐私的情况下，行为数据可利用智能插座或者摄像头(在不涉及隐私的情况下)等方式获取，物理环境因素可利用传感器设备获取，生理、心理等主观因素可通过问卷或生理监测设备获取。
4.3.2 人员动作模型所需的参数采集时长和周期应根据模型而定。
4.3.3 设备动作模型所需基础数据应符合下列规定：
1 设备散热量应考虑设备种类、功率和开启比例等因素;
2 办公设备的动作模型需要确定的影响因素应至少涵盖人员作息时间表、设备配置比例、设备运行状态、人员使用行为习惯和人员不同离开时长关闭设备的概率;
3 办公设备影响因素的数据采集周期和采集间隔应根据动作模型而定;
4 生活设备的动作模型应包括人员作息时间表和用能水平等关键影响因素。
4.3.4 照明控制动作模型所需基础数据应符合下列规定：
1 应主要考虑照明灯具功率、开启数量和灯具类型等影响照明能耗的因素;
2 建筑室内工作面照度范围应根据人员的光环境需求和偏好确定;
3 单人办公房间内，照明控制动作模型的影响因素除环境因素，还应包括人员基于特定事件的行为习惯和节能意识;
4 多人办公房间内，照明控制动作模型影响因素除以上因素外，还应考虑人员在室率对照明开启数量的影响。
4.3.5 开关窗动作模型所需基础数据应符合下列规定：
1 应考虑对开关窗行为有显著影响的环境参数以及时间、建筑通风量、建筑朝向等参
数，其中环境参数包括室内温度、室外温度、室内湿度、室外湿度、室内 CO2 浓度、室外风速、降雨、空气品质等;
2 室内人员开关窗动作模型所需基础数据应包括开关窗的动作时刻、动作时刻对应的环境参数以及该时刻对应的开关窗动作。
4.3.6 遮阳调节动作模型所需基础数据应符合下列规定：
1 应考虑对遮阳调节行为有显著影响的环境参数以及时间、建筑朝向等参数，其中环境参数包括室内温度、室外温度、室内外照度、室外太阳辐射强度等;
2 室内人员遮阳调节动作模型所需基础数据应包括遮阳调节的动作时刻、动作时刻对应的环境参数以及该时刻对应的遮阳调节动作。
4.3.7 空调使用动作模型所需基础数据应符合下列规定：
1 应考虑室内温湿度、室外温湿度等热环境参数和人员热湿偏好、人员着衣量等人员相关参数;
2 空调使用动作模型所需基础数据应包括开关(或调节)空调的动作时刻、动作时刻对
应的热环境参数、以及该时刻对应的空调开关(调节)动作等。
5 基础数据获取方法
5.1 获取方式
5.1.1 人员移动数据可采用接触式设备、非接触式设备、移动互联网大数据、问卷调查方式获取，人员动作数据可采用设备调控行为测试装置、环境参数测试装置获取。各测试设备的时间应同步，宜具备时钟校正功能，宜设置相同的测试起始时间和采样时间步长。问卷调查不应违反相关法律、侵犯个人隐私、涉及保密问题。
5.1.2 使用接触式设备采集人员位移及动作应以不对用户形成干扰为原则，可使用基于 Wi-Fi信号的室内人员识别、佩戴可穿戴设备、佩戴射频识别传感器、三轴加速器或座椅压力传感器等设备。
5.1.3 使用非接触式设备采集人员位移及动作应考虑室内人员隐私，应征得在室人员同意并签署协议，可通过摄像头、深度相机、热成像仪、毫米波雷达、被动式红外传感器(PIR)、
CO2 传感器等设备，结合统计分析或机器学习算法获取人员在室和活动的情况，从而获得室内人员数量及移动规律，宜采用传感器融合技术提高检测准确性，仪器性能应使其获取的数据满足第 6 章的要求，采集区域宜覆盖空间内活动的全体人员。非接触式数据获取方式可根据表 5.1.3 中各类型检测方法的特点进行选取。
表 5.1.3 不同类型非接触式检测方法
5.1.4 建筑内总人数可通过手机、电脑等移动终端采集的定位大数据获取。采用此方法获取建筑内总人数时，应考虑建筑类型及建筑尺寸。需注明建筑类型、采集时间以及采集样本占总体的比例，宜注明人数与移动终端数量的比例关系。对于酒店或配备门禁系统的办公楼，宜采用房卡或门禁系统信息获取总人数。
5.1.5 获取建筑人员位置信息以及行为习惯应采用实测或实证调查法，在验证其适用性和准确性后，可采用问卷调查法。需根据调查目的及研究内容确定问卷调查内容及对象。
5.1.6 人员对设备的调控行为应使用设备调控行为测试装置进行获取，包括用电设备开关及
档位、开关窗行为及窗户开度、遮阳装置开度等，相关仪器设备包括电量记录仪、磁开关记录仪、摄像头、超声波记录仪、拉绳位移记录仪、手机、电脑等移动终端等。
5.1.7 记录人员对设备的调控行为的同时，应测试相对应的温湿度、照度、CO2 、VOCs、 PM2.5 等环境参数和服装热阻，用于建立设备调控行为的触发条件模型。
5.2 采集方法
5.2.1 基础数据采集应包括人员移动数据的采集和人员动作数据的采集两个部分，其中人员移动数据的采集应符合本标准 5.2.2~5.2.6 的规定，人员动作数据的采集应符合本标准
5.2.7~5.2.11 的规定。
5.2.2 室内人员移动数据用于获取人员的移动规律，可根据不同的模拟目的选择对应的采集方法，包括人移动轨迹、房间是否有人、房间人员数量、建筑内人员密度和人员在室率等数据。
5.2.3 房间是否有人可用于判定房间内的设备是否有发生调控行为的可能性，宜采用一个或多个被动式红外传感器、毫米波雷达等设备布置在房间内，仪器测量范围应能覆盖整个房间，测量时间步长不宜低于 1min 一次。
5.2.4 房间人员数量可用于确定室内人员发热量、室内人员交互行为等，在没有隐私要求的房间宜采用摄像头配合人脸识别的方法进行采集，在隐私要求较高的房间宜采用座椅压力、人员计数器等设备，数据记录时间步长不宜低于 1min 一次。
5.2.5 人移动轨迹用于描述人在室外和室内、不同房间之间、同一房间内部的移动规律，没有隐私要求情况下宜使用摄像头配合人脸识别方法进行采集，在隐私要求较高时宜使用基于Wi-Fi 信号的室内人员识别、佩戴可穿戴设备、佩戴射频识别传感器采集，可用的数据采集设备参见附录 A。
5.2.6 建筑内人员在室情况可通过人员密度和人员在室率反映。应根据建筑能耗模拟目的，对不同空间、时间尺度选择不同的人员密度和人员在室率采集方式。
5.2.7 室内人员动作数据用于获取人对设备的调控规律，可根据不同的设备选择对应的采集方法，设备调控行为、环境参数、人员位移的采集时间应保持一致。
5.2.8 采暖/空调使用行为应采集空调器开关情况、环境温度和人员是否在室状况，可采集空调器设定温度、环境温湿度、人员进入室内时间和停留时间，测量时间步长不应低于 1min一次。
5.2.9 开/关窗行为应采集窗的开启和关闭状态、人员是否在室状况，可采集窗的开度、室内外温湿度、空气品质、室外噪音等参数，净化器行为应采集净化器的开启和关闭状态、人员是否在室状况，可采集净化器开启档位、室内外空气品质等参数，测量时间步长不应低于
1min 一次。
5.2.10 遮阳行为应采集遮阳装置的开启和关闭状态、人员是否在室状况，可采集遮阳装置的
开度、室内照度、室外太阳辐射照度、眩光等参数，同时应考虑房间内人员隐私及窗外景观情况。照明行为应采集灯具的开启、关闭和档位状态、人员是否在室状况，可采集室内照
度、照度均匀度等参数，测量时间步长不应低于 1min 一次。
5.2.11 个体舒适装置调控行为应采集装置的开启和关闭状态、人是否在个体舒适装置调控的微环境中，可采集不同种类个体舒适装置的档位、对应的环境状态参数等，测量时间步长不应低于 1min 一次。
6 基础数据质量与预处理
6.1 基础数据质量要求
6.1.1 人行为基础数据的质量要求应符合下列规定：
1 应对第 5 章所述方法获取的人行为基础数据进行质量控制。质量控制过程中应包含对数据的准确性、完整性和一致性三个要素的检验;
2 应根据模拟用途以及所选择的行为描述方法，从数据采集范围、周期以及采集频率三个层面分析并检验人行为基础数据的完整性;
3 人行为基础数据的准确性应根据所获取的数据类型，参照现行国家、地方和行业相关标准进行测量精度的检验;
4 若采用不同方法采集数据，应根据采集数据之间的相关性，对数据进行一致性检验;
5 宜采用计算机自动处理和人工审核校验相结合的方法对人行为基础数据进行质量控制。
6.1.2 人行为基础数据样本采集数量和采集周期应根据其数据获取方法和行为类别进行确定。
6.1.3 为保证数据质量要求，人员移动和人员动作基础数据采集应符合下列规定：
1 对于采集人员移动和动作的部分传感器，其检测量程和精度要求应符合表 6.1.3 的规定，且应定期对传感器进行校准;
表 6.1.3 部分传感器的量程和精度
2 数据采集范围应涵盖人员使用和活动的主要区域，被采集对象应具有代表性;
3 数据的采集周期和采集频率，宜根据建筑类型、具体行为类别及人员行为习惯进行确
定。
6.2 基础数据预处理方法
6.2.1 数据预处理应符合以下一般规定：
1 宜按照数据清洗、数据集成与规约、数据转换与离散化三个基本步骤对人行为基础数据进行预处理;
2 应根据数据类别和模拟应用场景等选择不同的数据清洗方法;
3 当存在多种数据源时，宜采用数据集成与规约对人行为基础数据进行预处理。
6.2.2 数据清洗应符合下列规定：
1 缺失数据处理应符合下列规定：
1) 人行为基础数据的缺失通常包含传感器数据缺失、调查类数据缺失和数据后处理缺失。在对人行为数据进行数据清洗时，应对上述数据缺失进行处理;
2) 缺失数据处理方法主要包括保留缺失项、直接删除和缺失值填补。应根据人行为数据类别以及缺失情况进行选择;
3) 可采用均值填补法、线性插值法、回归填补法和近邻填补法(KNN)等相关方法对人行为数据缺失值进行填补，具体缺失值处理方法见附录B.1。
2 异常数据处理应符合下列规定：
1) 应根据条文 6.1.1 中的规定，将不满足《建筑热环境测试方法标准》JGJ/T 347 等相关国家标准中规定的正常取值范围的数据视作异常数据;
2) 可采用莱茵达准则、箱线法和聚类法等方法判断数据的正确性，并对可疑数据进行标识，具体方法见附录 B.2;
3) 宜进一步对异常数据进行人工校核以避免误删因特殊事件导致的正确的异常数据;
4) 对具有高频噪音的时序类数据，宜采用小波算法等时频分析方法对其进行去噪处理，具体方法及步骤见附录 B.2。
6.2.3 数据集成与规约应符合下列规定：
1 人行为基础数据之间通常存在较大的相关性，宜采用相关分析等方法对人行为数据进行一致性检验后，将多源数据进行统一集成和存储;
2 人行为基础数据通常具有特征多和数据量大等特点，宜采用主成分分析等数据规约方法实现降低数据维度的目的，具体方法及步骤见附录 B.3。
6.2.4 数据转换与离散化应符合下列规定：
1 在对具有不同量纲的人行为基础数据进行处理和分析时，可采用 Z 分数(z-score)和离差标准化(min-max)等标准化方法将所采集的数据转化为无量纲的数值，具体方法及步骤见附录 B.4;
2 在采用基于离散型变量的数学方法建立人行为相关模型时，宜采用分箱法和聚类法等
方法对连续型变量进行数据离散化处理。
7 基础数据分析方法
7.1 建筑能耗模拟用人行为影响因素的分析方法
7.1.1 分析环境因素对建筑能耗模拟用人行为的影响时，应根据不同情况选择合适的统计学方法进行分析。宜采用方法包括描述性统计、单因素分析、聚类分析、独立样本 t 检验、单因素方差分析、多因素方差分析、皮尔逊(Pearson)相关系数检验、斯皮尔曼(Spearman)相关系数检验、共线性诊断和 Kaplan-Meier 生存分析等。
7.1.2 分析非环境因素对建筑能耗模拟用人行为的影响时，应考虑个体差异、一天中不同时间段、工作日/非工作日、季节、建筑类型、建筑高度、建筑朝向等因素，应采用独立样本t检验(分类变量为两类时)和单因素方差分析(分类变量为三类及以上时)对行为发生/占用概率、频率、单次持续时间及偏好(设定温度/照度、开启面积/角度)进行分析。
7.2 建筑能耗模拟用人行为特征分析
7.2.1 人员移动行为特征可使用人员在室率、人员日均活动时长、人员日均在室时长、人员日均逐时在室时长、人员日均进入/离开房间次数以及工作日与周末在室比率等指标进行分析。
7.2.2 窗户使用行为特征可使用日均单次开窗时长、每小时开窗时长、 日均开窗时长、窗户状态改变概率、窗户开启程度占比、开窗数量占比、开关比以及日均开窗次数等指标进行分析。
7.2.3 空调使用行为特征可使用日均开启时长、平均单次运行时长、某特定单次运行时长的占比、空调开启率、单台设备逐时开启率、每日开启率、 日均运行次数、逐时开启频率占
比、温度设定值、温度设定值偏好占比、 日均温度设定动作频次、 日均能耗以及整夜运行率等指标进行分析。
7.2.4 遮阳行为特征可使用遮阳设备开启比例、遮阳上调比例、遮阳下调比例、 日均调节次数、遮阳设备使用状态特征值 Y 、遮阳特征值 Y 的比例、 日均遮阳时长、遮阳设备逐时调节频率占比以及遮阳设备逐时使用时长占比等指标进行分析。
7.2.5 照明行为特征可使用日均开灯时长、 日均照明频率、 日均单次照明时长、平均照明比率、最高照度、最低照度、关灯延迟时间、照明开启比率、照明逐时开启时长比率以及照明逐时开启数量比率等指标进行分析。
附录 Λ 适用于隐私要求较高的基础数据采集设备
A.0.1 在隐私要求较高时，数据采集设备可参见表A.0.1。
表 A.0.1 适用于隐私要求较高的基础数据采集设备
A.0.2 采用 A.0.1 条所列设备进行基础数据采集时，应实现获得受试者知情同意与书面授权。
附录 B 数据预处理方法
B.1 缺失值处理方法
B.1.1 线性插值法利用待填补值相邻两点的已知数据，通过构造一次多项式计算待填补值。线性插值法应按下式计算：
(B. 1.1)
式中：(x1, y1), (x2, y2)——已知点对应数值; (x, y)——待填补值。
B.1.2 回归填补法将待填补的缺失变量和其他相关变量分别作为因变量和自变量，建立多元线性回归模型，根据此模型可利用其他相关变量的数值计算缺失变量的填补值。回归填补法应按下式计算：
y = β0 + β1x1 + β2x2 + … + βnxn + ε (B. 1.2) B.1.3 近邻填补法为基于距离加权为待填补样本寻找距其最近的 K 个完整样本，将这 K 个样本在相应属性上的均值或加权平均值作为填补值。近邻填补法应按以下步骤进行：
1 按如下公式计算待填补样本已知属性与完整样本的欧式距离:
2 根据欧式距离排序选取 K 个距离最近的完整样本，K 值可采用交叉验证法选取。
3 根据欧式距离计算加权平均值作为填补值。
B.2 异常数据处理方法
B.2.1 莱茵达准则规定变量的观测值xi与其均值 μ 的残差应不超过 3 σ , σ 为变量的标准差，若超过此范围则视为异常数据，按下式计算：
(B. 2.1 - 1)
xi (B. 2.1 - 2)
式中：N——观测样本数量;
σ ——标准差;
xi ——变量的观测值;
μ ——均值。
B.2.2 箱线法根据数据分布特征的四分位间距 IQR(即上四分位数 Q1 和下四分位数 Q3 之
差)定义数据的取值边界值，若数据大于上边界值或小于下边界值则被视为异常点。上下边界值分别为 Q3+a×IQR 和 Q1-a×IQR ，其中 IQR= Q3- Q1 。a 的取值宜为 1.5 或 3。
B.2.3 K-Means 聚类法将距离聚类中心较远或属于数据量较少、较稀疏的集群的数据视作异常值。K-Means 聚类法应按以下步骤进行：
1 任意选择 K 个样本作为初始的聚类中心;
2 计算每个样本与 K 个聚类中心的欧式距离;
3 根据每个样本与聚类中心的距离，将其划分至距离最近的集群;
4 重新计算每个集群的平均值并将其作为新的聚类中心;
5 重复上述步骤，直至聚类中心不再更新。
B.2.4 小波去噪利用小波变换对原始信号进行多尺度分解，并通过设定合理阈值去除原始信号中的高频噪音成分，应符合下列规定：
1 应按下式计算：
式中：a——尺度参数，控制小波函数的伸缩，对应于频率，并与频率成反比;
b——平移参数，控制小波函数的平移，对应于时间。
2 应按以下步骤进行：
1)设定分解层数，并计算小波系数(包括近似系数和细节系数)。为达到良好的去噪效果，宜根据需求选择适合的分解层数;
2)合理确定小波各层细节的阈值，并采用阈值法去除集中在高频的噪音成分;
3)利用经过阈值量化处理的各层高频系数和最高分解层次的低频系数进行信号重构，得到剔除噪声后的信号。
B.3 数据规约方法
B.3.1 主成分分析通过降维的思想将多个可能存在相关性的变量，经过正交变换转化为少数几个互相无关的综合变量的一种统计分析方法，应按以下步骤进行：
1 对原始数据矩阵 X 进行归一化处理;
2 根据公式计算特征的协方差矩阵，并计算特征值和特征向量;
3 确定主成分个数 k，主成分个数可根据累积方差贡献率确定。累积方差贡献率宜设置在 75%~95%范围内，此时对应的 k 个主成分可包含原始变量中的绝大部分信息;
4 构造主成分矩阵，即将前 k 个成分对应的特征向量作为降维后的样本特征。
B.4 数据标准化方法
B.4.1 Z 分数标准化(z-score normalization)对数据进行转换使其均值为 0、标准差为 1 ，按下
式计算：
x (B. 4.1)
式中：x* ——待转换变量的转换值;
x ——待转换变量的原始值;
x ——待转换变量的均值;
σ ——待转换变量的标准差。
B.4.2 离差标准化(min-max normalization)将数值型数据转换至[0, 1]范围内，按下式计算：
x (B. 4.2)
式中：x* ——待转换变量的转换值;
x ——待转换变量的原始值;
xmin ——待转换变量的最小值;
xmax ——待转换变量的最大值。
本标准用词说明
1 为便于在执行本标准条文时区别对待，对要求严格程度不同的用词说明如下：
1)表示很严格，非这样做不可的用词：
正面词采用“必须” ，反面词采用“严禁”;
2)表示严格，在正常情况均应这样做的用词：
正面词采用“应” ，反面词采用“不应”或“不得”;
3)表示允许有选择，在条件许可时首先应这样做的用词：正面词采用“宜” ，反面词采用“不宜”;
4)表示有选择，在一定条件下可以这样做的，采用“可”。
2 条文中指明应按其他有关标准执行的写法为：“应符合 的规定”或“应按 执行”。
引用标准名录
1《公共建筑节能设计标准》GB 50189
2《建筑环境通用规范》GB 55016
3《信息技术数据质量评价指标》GB/T33850
4《工业数据质量通用技术规范》GB/T39400
5《民用建筑室内热湿环境评价标准》 GB/T 50785 6《建筑热环境测试方法标准》JGJ/T 347
中国建筑节能协会团体标准
建筑能耗模拟用人行为基础数据标准 T/CABEE 042-2023
条文说明
编制说明
《建筑能耗模拟用人行为基础数据标准》T/CABEE 042-2023 经中国建筑节能协会 2023年 3月 7 日以第 3号公告批准发布。
本标准的主要内容包括：1.总则;2.术语;3 建筑用能行为描述方法;4.描述参数及基础数据定义;5. 基础数据获取方法;6. 基础数据质量与预处理;7. 基础数据分析方法;附录;本标准用词说明;引用标准名录。
为了便于读者在使用本标准时能正确理解和执行条文规定，《建筑能耗模拟用人行为基础数据标准》编制组按章、节、条顺序编制了本标准的条文说明，对条文规定的目的、依据及执行中需注意的有关事项进行了说明。但是，条文说明不具备与标准正文同等的法律效力，仅供使用者作为理解和把握标准规定的参考。
1 总 则
1.0.1 本标准只关注与建筑能耗模拟相关的人行为，包括人员移动和人员动作。人员动作主要包括对室内环境及能源消耗产生影响的行为，如空调采暖设备的调节行为、照明行为、开窗行为、遮阳设施的调节行为、电器设备的使用，以及其他设备的使用行为等。
1.0.2 本标准适用于各类民用建筑，对其在能耗模拟过程中的各种人行为描述参数所需的基础数据的采集、处理和分析进行指导。并以办公和住宅为例给出具体方法。
2 术语与符号
2.1.4 人员动作主要包括对房间设备(例如空调采暖设备、净化器、照明设备、窗户和遮阳设施等)的使用和调节动作，从而对室内环境参数(温度、湿度、空气洁净度、照度等)实现调控。
2.1.5～2.1.6 位移模型和动作模型应适当简化降低复杂度，以方便进行人行为调研分析，且易于应用于建筑模拟计算并保证模拟精度。
2.1.10 常用的接触式测量装置包括三轴加速器或座椅压力传感器、室内人员佩戴可穿戴设备或射频识别传感器，以及基于 Wi-Fi 信号的室内人员识别等。
2.1.11 非接触测量设备一般指摄像头、深度相机、热成像仪、毫米波雷达、被动式红外传感器、CO2 传感器等设备，结合统计分析或机器学习算法获取人员在室和活动的情况，从而获得室内人员数量及移动规律，宜采用传感器融合技术提高检测准确性。
2.1.15 状态空间是全部可能状态的集合。下一状态的概率分布仅由当前状态决定，与之前状态无关。状态改变称为转移，与不同的状态改变相关的概率为转移概率。
3 建筑用能行为描述方法
3.1 人员移动
3.1.1 固定作息表法适用于人员较为密集、作息较为同步的建筑。这种方法不能描述房间人数在各个时刻的随机变化以及不同房间在同一时刻的人数差异与关联，很难保证建筑总人数的动态守恒。马氏链与事件的室内人员移动模型是一种新的描述人员个体随机移动过程的方法，面向人员个体进行定义，能够较好地描述人员随机性、时间相关性和空间互相关性，具有简单清晰的特征参数，便于程序实现人员移动过程和描述室内人员在室状况。
3.1.2 房间人员作息表一般按典型房间功能类型和典型日(工作日、节假日等)进行预先设置。如表 1，其中住宅以起居室和卧室为例，办公建筑以办公室和会议室为例，分别列出工作日和节假日的人员逐时在室率。
表 1 房间人员逐时在室率
3.1.3 马氏链与事件的室内人员移动模型法，是将人员个体的日常活动与位置移动用移动事件和马氏链来近似。假设一个建筑物内部有n个房间(内部子空间)，每个房间编号依次为
1,2, … , n，同时把外界(建筑物外部)当作一个特殊子空间，编号为0。这些子空间就构成一个具有n+ 1个节点的封闭拓扑网络，每个节点代表一个子空间，人员位置用子空间节点编号进行标识。人员在建筑内外各个子空间之间移动，其位置状态可视为随机变量。如果他的移
动范围覆盖了所有子空间(也可以是其中一个子集)，则其位置状态可能的全部取值为
{0 = outside, 1 = room1,2 = room2, ⋯ , N = roomN}。人员在各个时刻的位置Xτ ,就构成一个随机时间序列{Xτ}。用马氏链近似表示这个位置序列，即在任意时刻τ+ 1，人员位置
X(τ + 1)仅与上一时刻的位置X(τ)有关。转移概率pij (τ) = P{Xτ+1 = j ∣ Xτ = i}表示人员在时刻τ处于位置i时，在时刻τ + 1处于位置j的概率，亦即人员在时刻τ从子空间i出发，下一时刻移动到子空间j的概率，如图 1所示。由全部转移概率pij 所组成的矩阵为马氏链{Xτ }的转移矩 阵，见式(1)。
图 1 人员位置的转移概率示意图
3.1.4 人员移动过程伴随或包含在一系列日常活动和事件之中，例如上班、下班、开会、起床、睡觉等。这些引起人员位置变化的事件称为移动事件。移动事件(下文简称为事件)具有以下几个基本属性：
1 起始时间和结束时间：表示事件的发生和作用时段。在这个时间段内事件得到激活，并在某一时刻随机发生。例如，上班事件在早上某个时段内随机发生、下班事件在下午某个时段内随机发生。
2 起始位置和目标位置：表示事件所对应的人员房间位置变化，而人员转移矩阵 P 中对应于这些房间位置的的概率元素，会受到事件的影响和控制。例如，上班事件对应人员从室外进入办公室、下班事件对应人员从办公室进入室外，而上下班事件只影响转移矩阵中与这两个位置相对应的概率元素。
3 特征参数：用于表征人员日常活动的数字统计特性，例如平均上班时间、平均下班时间等。特征参数相对直观、易于理解，并且可以与人员转移矩阵中受事件控制的概率元素建立联系，实现数值上的相互转换。
4 作用方式：各个事件对人员移动过程的控制方式与作用途径是一致的，即事件在其作
用时段内激活，根据其特征参数对人员转移矩阵中对应元素进行设置与修改，从而确定各个时刻人员的转移概率，预测下一时刻的人员位置。
5 优先级：用于解决多个事件之间的冲突问题。当不同事件的作用时段有重叠时，比较其优先级次序，只有具备最高优先级的事件才能发生，并保证同一时刻只有唯一事件设置和修改人员转移矩阵。
3.1.5 人员在各个房间停留的时间比例和人员在各个房间平均每次逗留的时间与 P 矩阵的联系，以及设置 P 矩阵的方法基于以下几个数学关系式：
1 极限分布(平稳分布)
将人员随机走动过程的转移矩阵记为 P 。在不考虑其他事件影响的情况下，P 矩阵是时不变的。代表人员随机走动的马氏链是不可约和遍历的，具有唯一平稳分布，记为S ，S = (S0, S1, … , Sn)，其中Si表示时间充分长以后马氏链处于状态i的概率，也就是较长时间段内人员在子空间i中停留的时间比例。而且有：
Σi0 Si = 1 (2)
S = SP (3)
如果已知 P，联立上述两式，即可求解向量S，可表示为：
ST = A__1b (5)
其中ST 为向量S的转置。
2 平均逗留时间
马氏链在状态i的停留时间记为STi，它是一个如式(6)所示的几何分布(在连续马氏链中它就是指数分布)。其中，P{STi = k}表示从马氏链进入状态i开始、k步之后离开状态i的概率。
P{STi = k} = p__1(1 __ pii) (6)
STi 的期望值，即平均逗留时间E(STi)，可表示为：
马氏链在各个状态的平均逗留时间，记为Est ，Est = (Est0, Est1, … , Estn)，其中Esti表示马氏链在状态i的平均逗留时间，也就是人员每次在子空间i中停留的平均时间。式(6)
和式(8)说明了P 矩阵和停留时间比例和平均逗留时间的关系。如果给定人员在各个 子空间的停留时间比例π和平均逗留时间Est ，P 矩阵的设置就转化为如下最优化问题：
min‖(A__1b)T __ π‖2
s. t. pij ≥ 0
pij = 1 (9)
其中 = (A__1b)T表示对S的估计。这个最优化问题可采用相关软件进行求解。这样，具有
(n+ 1) × (n + 1)个元素的 P 矩阵，通过2 ×(n + 1)个参数就能进行确定，从而降低输入参数的复杂度，特别是建筑内有较多房间的情况。
3.1.6 条文说明如下：
1 上班:上班事件(即早晨的到达)对应于从室外到个人办公室的位置变化，它只涉及 P矩阵中与这两个子空间相对应的行和列上的元素。其有效时段通常是工作日办公时间之前的某段时间，例如早上 7:00 到8:30，分别对应着办公人员最早和最迟的上班(到达办公室)时间FA1 ，FA2。
上班到达的过程可以用一个具有吸收态的两状态马氏链表示：
其中，0,1 分别表示室外子空间和个人办公室的编号，个人办公室是一个吸收态。这个吸收态意味着人员一定会在某个时间进入他的办公室，而首次进入吸收态的时间就是人员到达办公室的时间。在上班事件的有效时段内，人员P 矩阵中对应于室外和个人办公室的元素将按式(10)进行设置。假设p00, p01 不随时间发生变化，那么，从上班事件的起始时间FA1 (7:00)算起，早上到达的时间+ 1(即从FA1 开始经历多少步进入吸收态)是一个几
何分布，平均到达时间(记为E(FA))可表示为：
如果上班时间与正常办公时间相同(例如上班事件起始时间和结束时间都为 8:00)，则有p00 = 0 ，E(FA) = 1。此时，上班时间将不再随机，而是一个确定的时间，效果与固定作息方式一致。上班事件优先级为2 。上班事件发生后，人员将开始办公楼内的随机走动过
程。
2 下班:与上班事件的定义类似，下班事件(即晚上的离开)对应于人员从办公室到室外的位置移动。它的有效时段通常是工作日办公时间之后的某段时间，例如晚上 17:00 到
21:00 ，分别对应着办公人员最早和最晚的下班(离开办公室)时间LD1 、LD2。下班离开的
过程可以用一个具有吸收态的两状态马氏链表示：
其中，0,1 分别表示室外子空间和个人办公室的编号，而室外子空间是一个吸收态，意味着人员一定会在某个时间离开他的办公室，而首次进入吸收态的时间就是人员离开办公室的时间。在下班事件的有效时段内，人员P 矩阵中对应于室外和个人办公室的元素将按式
(12)进行设置。与上班事件类似，从下班事件的起始时间LD1(17:00)算起，下午离开的时间+ 1(即从LD1 开始经历多少步进入吸收态)是一个几何分布，平均离开时间(记为E(LD))可表示为：
如果下班时间与正常办公时间相同(例如下班事件起始时间和结束时间都为 17:00)，
则有p11 = 0 ，E(LD) = 1。此时，下班时间是一个确定的时间点。 另外，下班事件可反映工作日的加班状况，平均加班时间=平均离开时间E(LD)-规定下班时间 17:00。下班事件优先级为 2 。下班事件发生后，人员将结束办公楼内的随机走动过程。
3 午餐:办公建筑中的午餐(午休)时间可分为两个事件。一个是出去吃午饭，表示午餐时间的开始，另一个是吃完饭返回办公室，表示午餐时间的结束。假设午餐地点是室外。这两个事件的处理方式类似于上下班事件。 出去吃午饭的过程可用式(14)转移矩阵表示，
其中 0、1 分别表示室外子空间和个人办公室的编号。从去吃午饭事件的起始时间算起(即
最早的出发时间)，平均出发时间(记为E(LL))可用式(15)表示。本事件之后，人员暂时离开随机走动过程。吃完饭返回办公室的过程可用式(16)的转移矩阵表示，其中 0 、1 分
别表示室外子空间和个人办公室的编号。从饭后返回事件的起始时间算起(即最早的返回时间)，平均返回时间(记为E(LR))可用式(17)表示。本事件之后，人员再次进入随机走动过程。
0 1
午餐两个事件的优先级均为2。
4 会议:在办公建筑中还有一类典型事件——会议，它对人员位置移动有很大影响，是造成室内人员分布不均匀的重要原因。一般而言，会议事件往往具有很强的随机性，很难通过固定作息的方式进行描述。由于会议事件通常发生在会议室，所以会议事件发生的频次与时长可以通过会议室的使用状况进行描述。随机会议事件可采用两状态马氏链进行模拟，将会议室的使用状态(是-1，否-0)作为随机变量，其状态变化用马氏链描述，转移概率矩阵可表示为：
这个2 × 2的矩阵可由两个特征参数唯一确定。设会议室使用时间比例为α(即被使用状态最终占全部工作时间的比例，0 < α < 1)、会议平均时长为β(即会议在使用状态 1 下的平均逗留时间，以单位时间步长来计算，例如取会议平均时长 1h，时间步长 5min，则β = 12)，则有：
p10 = 1 − p11
p01 = 1 − p00
为确定与会人数，还需定义最少最多与会人数、会议类型(人员构成)等，如表 2所示。会议类型中，“组会”是指由单个房间内所举行的会议(组内会议)，“ 内部交流”是指多个房间的人员所举行的会议(组间交流，应满足最小人数限制)。会议事件的优先级为 3 ，会议事件发生后，人员结束随机走动过程;会议事件结束后，人员恢复随机走动过程。
5 对于其他的典型事件，例如节假日加班、出差等都可参照会议事件进行定义。表 2为上述办公建筑移动事件的属性参数汇总。
表 2 办公建筑典型移动事件
3.1.7 住宅建筑中事件的定义与办公建筑类似，主要的区别在于住宅中需要考虑人员的睡眠活动：在这个时段内，人员所在的房间位置就是卧室，人员处于非活动状态，不会对房间内的设备有任何操作。因此要为人员定义一个新的状态变量，其状态变化可用以下转移矩阵表示：
其中，0 、1 分别表示人员处于睡眠状态(非活动状态)、清醒状态(活动状态)。
1 起床事件对应于人员从非活动状态转为活动状态，而位置不发生变化。它对Pwake矩阵进行控制。其有效时段通常是早上的某段时间，例如早上 7:00 到8:00，分别对应着人员最早和最迟的起床时间GU1 ，GU2 。起床事件发生的过程也可用一个具有吸收态的两状态马氏链表示：
其中，0,1 分别表示睡眠状态、清醒状态，清醒状态是一个吸收态。这个吸收态意味着
人员一定会在某个时间起床，而首次进入吸收态的时间就是人员起床的时间。在起床事件的有效时段内，人员Pwake矩阵中的元素按式(21)进行设置。假设p00, p01 不随时间发生变
化，那么，从起床事件的起始时间GU1(7:00)算起，起床的时间 + 1(即从GU1 开始经历多少步进入吸收态)是一个几何分布，平均起床时间(记为E(GU))可表示为：
如果起床事件的起始时间和结束时间相同(平均起床时间也必然相同，例如都为
8:00)，则有p00 = 0 ，E(GU) = 1。此时，起床时间将不再随机，而是一个确定的时间，效果与固定作息方式一致。起床事件的优先级为 1 。起床事件发生后，人员将开始住宅内的随机走动过程。
2 与起床事件的定义类似，睡觉事件对应于人员从活动状态转为非活动状态，位置则从其他房间转到卧室。它的有效时段通常是夜间某段时间，例如晚上 22:00 到 23:00，分别对应着人员最早和最晚的睡觉时间GS1 、GS2。睡觉时间发生的过程用一个具有吸收态的两状态马氏链表示：
0 1
其中，0,1 分别表示睡眠状态、清醒状态，睡眠状态是一个吸收态，意味着人员一定会在某个时间睡觉，而首次进入吸收态的时间就是人员睡觉的时间。在睡觉事件的有效时段
内，人员Pgo sleep矩阵中的元素将按式(23)进行设置。与起床事件类似，从睡觉事件的起始时间GS1(22:00)算起，睡觉的时间 + 1(即从GS1 开始经历多少步进入吸收态)是一个几何分布，平均睡觉时间(记为E(GS))可表示为：
如果睡觉事件的起始时间和结束时间相同(平均睡觉时间也必然相同，例如都为
22:00)，则有p11 = 0 ，E(GS) = 1。此时，睡觉时间是一个确定的时间点。睡觉事件的优先级为 1。睡觉事件发生后，人员将结束住宅内的随机走动过程。
3 上班、下班事件与办公建筑类似，对于其他的典型事件，例如节假日出去玩、出差等都可以进行类似定义。表 3为上述住宅移动事件的属性参数汇总。
表 3 住宅建筑典型移动事件
3.2 人员动作
3.2.1 人员动作固定作息表方法简单易于应用，但难以体现空调、照明等设备的使用受室内外物理环境条件的影响情况，也无法描述人员动作的随机性。针对与环境条件相关的人员动作行为，宜采用条件概率模型、logistic 模型等方法进行描述。
3.2.2 条文说明如下：
1 房间空调温度时间表如表 4，空调启停时间表如表 5。其中住宅建筑以起居室和卧室为例，办公建筑以办公室和会议室为例，分工作日和节假日列出时间表。
表 4 房间空调设定温度时间表
表 5 空调启停状态时间表(0 表示空调关闭，1 表示空调开启)
2 房间照明或设备时间表用逐时使用率表示，如
表 6所列。
表 6 房间照明逐时使用率
3 以办公建筑为例，通风换气次数如表 7所列。
表 7 房间通风换气次数时间表
3.2.3 条件概率模型将人员动作视为由特定的时间、事件或物理环境条件所触发、并按一定概率随机发生。
1 环境反馈型条件概率模型用于描述基于环境条件触发的动作，环境条件包括室内温
度、房间照度、CO2 浓度、太阳直射强度等。该模型以环境参数等纯物理量为自变量，以
u 、l、k 三个参数对自变量与动作发生概率之间的函数关系进行描述，利用概率大小判断动作发生的可能性。u 、l、k 三个参数具有明确的物理意义，可以体现人的个体差异。其中，u
(阈值参数)表征人体感受环境刺激的阈值特征;l(尺度参数)表征环境刺激的比例因子; k(形状参数)表征动作随环境变化的敏感性，k值越大，使用者对于该自变量因素越敏感，概率变化曲线越陡峭。
环境反馈条件概率模型通常用于描述人员个体的空调行为和照明行为。以空调开关动作为例，对北京某高校28 间学生宿舍房间，拟合得到各个宿舍的空调开关行为概率曲线，分别为进门开、热时开及睡前开 3 种空调开启和冷时关、睡前关及入睡后关 3 种空调关闭行
为，如图 2所示。以开灯动作为例，对北京某高校一间单人办公室，拟合得到该办公室的开灯动作概率曲线，开灯模式为觉得屋里暗时开，如图 3 所示。
(a)进门开 (b)热时开
(c)睡前开 (d)冷时关
(e)睡前关 (f)入睡后关图 2 不同驱动类型下个体空调开关行为概率的变化曲线
图 3 人员开灯动作概率曲线(觉得屋里暗时开灯)
2 一些动作发生在进出门、起床或睡觉等特殊时刻，与个人生活习惯相关。但其发生也有随机性和不确定性，例如出门关灯，绝大多数情况下如此，但偶尔也会忘记。一些关的动作还可能与人员离开房间的时长有关，比如照明关闭的概率与离开时长成正相关。
3.2.4 Logistic 模型主要基于 Logistic 回归分析，Logistic 回归的因变量可以是二分类，也可以是多分类，最为常用的是二分类的 Logistic 回归。自变量可以是连续的，也可以是离散
的。Logistic 模型可用来描述环境控制设备(空调、窗、照明灯具)开、关的状态，由于
Logistic 模型中各个系数没有明确的物理意义，更适合对群体行为状态进行描述。作为示
例，分别针对北京地区的老年人群、中年人群和青年人群以及男性人群和女性人群，拟合确定出各类人群空调开启行为的Logistic 模型，如图和表 8所示。
(a) 男性人群 (b) 女性人群
(c) 青年人群 (d) 中年人群
(e) 老年人群
图 4 不同年龄人群的空调开启概率
表 8 Logistic 回归模型的拟合结果
其中， Exp(B) > 1:正影响, Exp(B) < 1: 负影响; Nagelkerke R2 :拟合优度; Hosmer–Lemeshow (拟合优度检验)> 0.05; ∗ p < 0.001。
4 描述参数及基础数据定义
4.1 固定作息表及所需的基础数据
4.1.1 如果所采集基础数据为动作数据，如空调/照明/窗户/遮阳/设备开关动作或人员移动及其对应时刻，则需转化成逐时的空调/照明/窗户/遮阳/设备使用状态或人员在室状态后使用。以窗户开关动作及其对应时刻为例，若采集的基础数据表示“A 窗户于典型日上午 8 时部分开启，下午4 时完全关闭”，则典型日上午 8 时至下午 4 时的 A 窗户均为部分开启状态。由此将动作及其对应时刻数据转化成为状态数据使用。
4.1.2 典型日包括工作日、双休日、节假日等。
4.1.3 人员逐时在室率计算，通常以设计人数作为逐时最大在室人数进行计算;当最高人数可准确获取时，应采用逐时
评论