清华大学建筑学院建筑节能研究中心  晋 远  燕 达  孙红三  吴如宏  邬蒙可

       【摘  要】智能控制在办公建筑中应用的普及程度越来越高，智能照明系统控制是其中重要的一部分。基于人员在室情况的照明控制是多数办公建筑中采取的控制方式，往往选用红外传感器作为人员在室识别的感应设备。与固定作息的照明系统控制相比，这一控制方法可以针对人员在室情况进行调整，但是由于传感仪器具有精度不足的问题，总存在人员在室却误将照明系统关闭的情况。因此，本文基于红外传感器获取数据的误差，提出数据质量分析与修正，并结合人员在室预测方法，优化照明控制，提高控制算法的准确性，人员在室的舒适度，降低在室的误关率。经过分析，具有初步的效果。

       【关键词】人行为；模型预测控制；照明控制

0 引言

       照明系统的用能在公共建筑中占有重要的比例，随着对于各领域用能的关注，在公共建筑的用能分项中，除了空调系统的能耗，照明系统的能耗也成为一大重点^[1-3]。在建筑用能过程中，引起能耗差异的不可忽略的因素之一是人的用能行为^{[4, 5]}，因此，在照明系统的节能工作研究中，多考虑了结合人行为的控制^{[3, 6]}。在人工控制与自动控制照明能耗的对比过程中，Bourgeois引入了基于人员在室行为的控制模型^[7]，模拟发现，相比于固定作息的持续人工照明，基于在室行为控制的照明系统，其能耗可以得到有效降低。

       在这一过程中，许多专家学者都对此开展研究，切入点多为基于人员在室情况数据的照明系统控制^[6]。在室人员情况的数据获取方式可以依托多种仪器设备，包括被动式红外传感器（PIR，passive infrared）、超声波传感器、微波传感器、声控传感器、压力传感器等等，综合传感器精度、抗干扰能力、经济成本等多方面因素，被动式红外传感器在公共建筑人员在室情况感应过程中，得到较多的应用。近年来，基于被动式红外感应原理设计的人员在室情况感应装置经历了一系列发展^[8]，在感应判断中，多引入延长时间的判断算法。而基于此的照明系统控制也得以发展。

       综合多研究指出，相比于人工控制的照明系统，自动控制的照明系统，节能量可以在15%在75%^[9]。有研究指出，平均的节能量为30%^[10]。在目前的控制过程中，控制逻辑相对简单，均采取延长时间的控制逻辑判断^[6]。对此，Richman^[11]研究了不同延长时间，对于照明系统节能量的影响。Maniccia^[12]和Von Neida^[13]也做了相同的研究，对于私人办公室，当延长时间在5分钟至20分钟变化，节能量分别对应38%和28%，对于开敞办公区域，当延长时间从5分钟变至20分钟，节能量对应60%和17%。由此，延长时间对于节能量的影响很大。

       但是，在控制实测过程中，不可避免的问题是使用这一方式控制照明系统的开关时，总是出现照明系统误关的情况，经研究表明，从单一传感器获得的人员在室数据，在室率总是被低估，有时仅有80%^[14]。分析其原因，在于红外传感器对于人员活动的感应精度有限。图 1^[15]为红外外传感器的感应精度范围，越是微小的位移，感应器可感知的范围就越小。对于全身范围的移动，可感知范围为12米，如果是手臂或者上身的移动，可感知范围则缩小至6米，同时在实际应用中，有效距离范围会更小。       

       因此，在照明系统的自动控制中，仍需要关注人体的感受与舒适度，避免出现大量因为传感器的感应精度造成的误关情况。之前研究工作，均采用延长时间的控制算法，其控制逻辑为：当获取室内在现有的控制方法的基础上，本文提出基于在室情况预测的控制方法^[16]，基于历史在室情况，对于当前时刻的在室情况进行预测，从而优化控制方法，避免照明控制过程中误关的情况，保证控制效果的情况下，控制照明系统的能耗情况。

1 技术路线与分析方法

       1.1 技术路线

       在照明系统的自控系统中，包含着人员、传感器、控制器与照明系统各部分之间的作用关系（如图 2），人员的位移在室情况被红外传感器PIR检测到，在室数据经过PIR传给控制器，得到在室情况数据信号的控制器做出判断，控制照明系统。而照明系统开关对人员产生影响，人员可以通过动作反馈，进一步影响PIR获得数据。

       在这一过程中，之所以照明系统误关，促使人员发出动作反馈，是因为PIR传给控制器的在室数据与真实的人员在室位移情况存在偏差。因此研究工作大致从两方面展开，一方面需要对PIR传感器获得的数据进行分析与修正，另一方面，优化当前的控制算法，提升目前控制的精度。

       如图 3所示为本文的技术路线图，由PIR传感器获取的人员在室数据与真实人员在室数据作对比，即可得到PIR传感器获取在室情况的数据质量，针对于传统的延迟时间控制照明系统的方法外，本文提出的模型预测控制方法，现将PIR获取到的在室情况数据作以质量处理，之后可以得到一定程度上可靠的历史在室记录，由不同的方法可以预测当前时刻的人员在室情况，从而指导照明系统的控制。在控制方法的效果方面，本文提出两个指标来体现照明系统控制情况。

       1.2 数据质量处理

       数据质量处理分为两部分，一是去除因为传感器精度不足造成的在室情况数据的波动噪声[17]；二是在实际控制过程中，由于人员针对照明系统的误关进行动作的反馈，针对这一短时间步长照明的关闭开启数据特征，进行数据的修正处理。

       1.3 预测控制方法

       本文目前提出两种基于历史在室情况的比例，预测当前时间步长下，人员在室情况，从而控制照明。

       1）阈值法

       当需要判断是否关闭照明系统时，得到当前时刻对应历史在室比例，如果这一比例低于设定阈值，则认为这一时刻实际有人员在室情况概率小，则给出关闭照明判断，反之，则认为这一时刻实际有人员在室情况概率大，则不关闭照明系统（图 4）。

       2）随机法

       随机法与阈值法的区别在于，随机法在每次判断时给定一个随机数，历史在室比例不与设定阈值进行比较，而与随机数比较，从而判断是否关闭照明系统。

       1.4 验证对比指标

       误关次数，指当有人员在室时，照明系统被关闭的次数；漏关次数，指人员离开房间，照明系统未关闭的次数。一定程度上，误关次数反映照明控制系统的精度与人员舒适度，而漏关次数与照明系统的能耗相关，漏关次数越多，则节能潜力越低。

2 案例分析

       本文选择一间小型办公室作为研究对象，这间小型办公室工作人数为3人，安装有一台PIR红外传感器，同时可以利用控制器来控制办公室内照明系统的开启关闭。在试验期间，可以获得真实的人员在室情况，从而校对数据与控制结果。

       2.1 传感器获取数据质量分析

       研究首先进行了预实验，判断红外传感器获取在室情况数据的质量。在一个小时之内，办公室实际一直有人员办公，但由PIR传感器获得的在室数据，则出现反复“不在室”状态（图 5），由此即可针对数据质量分析，去除由于传感器误差带来的数据噪声。

       在数据质量处理之后，即可得到历史情况下的办公室内的在室比例曲线。这一参数将用于预测控制方法中的历史在室情况的判断。

       2.2 照明系统控制效果对比

       本文分别采取传统的控制方法、预测控制阈值法、预测控制随机法这三种方法，基于办公室内人员情况，控制照明系统，并针对指标进行对比。图 6所示为阈值法控制照明系统时，一天的数据情况。从图中可知，此办公室人员时间分布整体可分为上午与下午两个时间段，但仍然存在短暂离开办公室的情况。PIR红外传感器传回的数据具有频繁的误差噪声，直接将其结果用于控制，会造成大量的误关情况，而通过本文提出的预测控制方法，在需要判断是否关闭照明系统时，根据历史情况预测当前的在室情况，具有良好的控制结果。

       同样针对三种不同方法进行指标统计，对比分析三种控制方法的特点。如表 1所示，相比于传统的延长时间法，阈值法和随机法都能利用历史数据对在室情况预测的基础上控制照明系统，可以有效降低错关次数。在漏关次数这一指标对比中，阈值法和传统方法更接近，但阈值法对应照明系统开启总时长更短。而随机法的漏关次数相对更高，因此能耗更高。

3 总结与讨论

       本文基于目前照明自控系统错关率高的现状，提出区别于实时控制方法的模型预测控制方法，旨在结合人员在室预测，解决传感器误差与精度问题，提高控制效果，在保证能耗前提下，提升人员使用照明系统过程中的舒适度。通过研究，本文得出如下结论：

       （1）当前自控照明系统存在的问题，与传感器的精度有关，其返回数据存在大量误差，通过数据质量分析与修正，能够有效弥补传感器精度不足造成的在室数据缺失，从而较为准确的在室数据，助于得到预测在室概率需要的历史在室比例曲线；

       （2）相比于传统的控制方法，模型预测阈值法控制效果更好，在能耗相对更低的同时，降低了错关次数，能够进一步提升控制的舒适度。

       同时，研究工作还应进一步探索优化算法，引入机器学习来强化控制精度，提升控制的效果。

参考文献

        [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]  李兆坚, 江亿. 住宅夏季空调能耗调查方法分析[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.

       备注：本文收录于第21届暖通空调制冷学术年会（2018年10月23～27日，中国·三门峡）论文集。版权归论文作者所有,任何形式转载请联系作者。