我国公共建筑标准中人员描述方法及典型人流年的讨论
0 引言
根据《中国建筑能耗研究报告(2018)》,2016年全国建筑能源消费总量为8.99亿t标准煤,占全国能源消费总量的20.62%,其中公共建筑能耗占建筑能耗总量的38.53%,居4类建筑用能首位(其他3类分别是城镇居住建筑、农村建筑及北方供暖),并在2000—2016年间保持增长趋势
随着我国城镇化的快速发展,公共建筑面积大幅增长,除了传统的办公、商场、酒店3类主要公共建筑外,公共服务性质的基础设施建筑,如学校、医院、交通枢纽等建筑的规模也显著增加。另外,近年来我国还出现了许多商业综合体等大体量、多功能的综合建筑,这些建筑由于建筑体量和形式约束,导致空调、通风、照明和电梯等用能强度远高于普通公共建筑。而随着人民生活水平的提高及空调、供暖系统在公共建筑中的普遍应用,公共建筑室内环境需求也发生变化,用能需求增大。
人作为建筑使用者,对建筑能耗有很大影响
目前的建筑负荷计算及能耗模拟过程中,对于有实际人员监测数据的建筑,往往采用实际监测数据进行计算,而对于没有实际监测数据的建筑,普遍采用标准规范中的人员密度及人员时间表进行室内人流数据模拟。如GB 50736—2012《民用建筑供暖通风与空气调节设计规范》
本文对既有标准规范中关于人员在室情况的描述方法进行整理,对比不同类型公共建筑实测人流数据,总结影响建筑人员在室情况的因素,分析既有标准规范的不足并提出了典型人流年的概念。
1 既有标准规范中人员在室情况描述方法
根据《
美国关于商业建筑(commercial building)的分类,则包含了公共建筑和部分居住建筑。Stocki等人定义了7种类型建筑
图1显示了我国公建标准与ASHRAE手册中办公建筑人员逐时在室率。可以看出,二者均将在室情况分为了工作日与非工作日(美国因为周日为礼拜日,故将周六与周日分开),工作日曲线反映了上下班及午休的情况,具体数值则根据习惯有所不同。另一个主要差别在于,我国公建标准中将非工作日人员在室率全部设为0,而ASHRAE手册中,无论是周六还是周日,人员在室率均不全为0。
我国公建标准中关于人员在室情况的描述过于简单:一方面仅将人员在室情况分为工作日与非工作日,且将非工作日人员在室率默认为0,不符合实际情况;另一方面涉及的建筑类型以办公、商场、宾馆为主,其他类型公共建筑仅有最大值参考数据,缺失逐时数据,部分建筑无参考数据,无法满足我国公共建筑类型增加、建筑功能综合化的现状需求。因此,对于我国公建标准中关于人员在室情况的描述,无论从建筑类型还是描述方法本身都值得进一步探讨。
2 不同类型公共建筑实测人流数据分析
结合已有建筑类型及我国实际情况,本文采用手机、计算机等设备采集人员定位信息,选取60栋不同类型建筑进行逐时人流量采集,获取人员在室情况。采集时间最早为2015年12月1日,其中26栋建筑采集时间超过1 a,34栋建筑采集时间超过2 a。本文将采集到的建筑类型分为7大类19亚类,分类信息如表1所示。
表1 建筑类型
大类 |
亚类 | 大类 | 亚类 |
办公 |
行政机关 | 教育 | 小学 |
企业单位 | 中学 | ||
商场 |
综合体 | 大学 | |
大型超市 | 医院 | 住院 | |
小型零售 | 门诊 | ||
宾馆 |
高档酒店 | 社区门诊 | |
中档酒店 | 公共交通 | 机场 | |
快捷酒店 | 火车站 | ||
餐饮 |
普通餐厅 | 客运站 | |
快餐店 |
2.1 数据采集及处理方法
本文人流数据来自于移动社交网络平台,通过在手机、计算机APP中嵌入的定位软件开发包(SDK),将社交平台用户主动触发的定位请求进行计算和存储,形成实时位置数据,进而统计出指定建筑内人员数量。该社交平台APP用户使用市场占比约60%,具有广泛的数据获取基础。数据仅反映指定建筑内总体的人员数量,不涉及个人信息及隐私性问题。
本文所采用的人流数据统计方法基于3个必备前提:1) 使用该社交平台APP;2) 有网络环境;3) 开启定位功能。不是所用建筑内人员都会被定位、计数,因此需要对获得的人流数据进行总数修正和夜间不使用APP定位功能的人数修正。
为获取建筑内人员在室情况规律,本文采用k-means无监督学习方法对数据进行聚类分析。将1天24 h的人流数据作为1个数据点,即1个24维数据,通过Calinski-Harabasz准则确定最优聚类数,任意选取k个数据点作为初始簇中心,计算其余各点对簇中心的欧式几何距离(式(1))进行分配,然后重新计算聚类中心,直至分配结果稳定
式中 D为数据集中所有对象的误差平方和;p为欧式空间的1个数据点;ci为簇Ci的形心。
2.2 结果分析
表2为本文所采集的各类建筑最优聚类数统计结果。对于餐饮、宾馆及教育建筑,人流数据被分为2类;对于办公建筑和医院建筑,则被分为2类或3类;商场建筑和公共交通建筑情况较为复杂,人流数据被分为2~4类。
表2 各类建筑最优聚类数统计结果
%
最优聚类数 | |||
2 | 3 | 4 | |
办公 |
78 | 22 | 0 |
商场 |
55 | 30 | 15 |
公共交通 |
55 | 27 | 18 |
医院 |
57 | 43 | 0 |
宾馆 |
100 | 0 | 0 |
教育 |
100 | 0 | 0 |
餐饮 |
100 | 0 | 0 |
为更好地分析每栋建筑的人员在室规律,对聚类结果合理地解释说明,本文将采集的数据按采集日类型分为周一至周日、法定节假日及调休日共9类,比较数据无监督聚类结果与实际数据日类型,并将各类建筑实测人员在室情况规律与我国公建标准中对应描述方法进行对比。结果显示,我国公建标准中人员在室情况描述方法过于简单,不能很好地反映各类建筑人员在室情况变化。各类建筑的人员在室情况虽然比标准中描述的复杂,但是仍具有很强的规律性。商场、宾馆、餐饮等消费类型公共建筑人员在室情况受地理位置影响很大;办公、教育、医院门诊部等与日常工作相关联的建筑除了有工作日、非工作日区别外,还受节假日影响;汽车站、火车站及机场等公共交通建筑客流量同样受节假日影响强烈;另外,建筑规模越大,建筑功能往往越复杂,建筑内人员在室情况也更为多样。比较结果见表3。
表3 各类建筑人员实测在室情况规律与我国公建标准对比
实测人员在室情况规律 | 标准中人员在室情况描述方法 | |
办公 |
1) 工作日、非工作日差别明显; 2) 非工作日仍有人员在建筑内; 3) 节假日前后的工作日,如十一、春节等,工作日人数明显少于平常工作日 |
1) 仅分为工作日、非工作日; 2) 非工作日认为没有人员在建筑内 |
商场 |
1) 商场建筑功能越复杂,如综合体,人员结果分类越多; 2) 综合体:人流量规律与其地理位置、规模有关; 3) 大型超市:工作日、非工作日区别明显,工作日人流高峰出现在早晚高峰,非工作日则出现在10:00—19:00,节假日人流量也可单独分为一类; 4) 小型零售店:绝大部分人员为工作人员,顾客停留时间较短,所以对不同日类型人流数据没有区别 |
全年建筑内人员在室率一样 |
公共交通 |
1) 工作日与非工作日差别不大; 2) 有长假和非长假的区别,如春节、十一、暑假等,长假及前后工作日的人流量要多于其余时间; 3) 1天24 h内人流量变化明显; 4) 建筑综合性越强(如地铁、高铁、汽车一体站),人员变化规律越复杂,分类越多 |
公建标准中无可供参考的人员在室情况参数,行业标准中仅提供最大客流量设计参考值 |
医院 |
1) 有流感季和非流感季区别,流感季人数增多; 2) 门诊部:有较明显工作日和非工作日区别; 3) 住院部:假期人流数据明显减少; 4) 社区门诊:无较明显工作日与非工作日区别, 1—3月人数较多 |
1) 全年建筑内人员在室率一样; 2) 门诊部变化规律与商场一致,住院部变化规律与宾馆一致; 3) 没有社区门诊 |
宾馆 |
1) 可以分为旺季与非旺季; 2) 淡旺季时间及人流量与酒店地点有关 |
全年建筑内人员在室率一样 |
教育 |
假期(周末、寒暑假期)人流数据与非假期有明显区别 | 人员变化规律与办公建筑一致 |
餐饮 |
人员在室规律与餐厅地点有很大关系 | 暂无可供参考的人员在室情况参数 |
3 影响建筑人员在室情况的主要因素
结合建筑实测人员数据分析结果与其他参考文献,本文将影响建筑人员在室情况的因素分为建筑环境、自然环境与社会环境3类。
3.1 建筑环境
根据实测数据分析结果,建筑人流数据与建筑类型、建筑地理位置、建筑体量及建成时间有关。不同类型、不同地区的建筑中人员作息规律不同,不同规模的建筑人数明显不同,而且作息时间表也会有相应差异。建筑建成时间也会对建筑人流数据产生一定影响。
3.1.1 建筑类型
无论是标准中的统计数据还是课题组前期调研的实测数据,都表明不同类型建筑人流量差别很大。这与建筑功能及人员前往建筑的目的有关。对于办公、教育这类具有一定强制性出行的建筑,人员相对稳定且作息时间较为固定;而对于商场这类人员出行目的并不明确、行为较为随机的建筑,室内人员变化较为复杂。
3.1.2 地理位置
建筑内人流数据还与建筑所处地理位置有关,不同地区人员生活习惯、作息规律不同。即使是同一地区同一类型建筑,在不同的环境中也会呈现不同的逐时数据。图2比较了2018年1—4月不同地理位置快餐店、商业综合体的实际人流数据。结果显示:对于快餐店,人流高峰均出现在早中晚三餐及夜宵时间段,公路旁的快餐店除了三餐时间段基本没有什么客流,而社区内的快餐店即使非用餐时间也会有一定客流,人流量更为密集。非市中心综合体建筑,工作日人流数据明显少于非工作日,但是部分周五及调休日人流量也会较多;而市中心大型综合体人数与工作日、非工作日关系不大,对人流量影响最大的因素是该综合体的打折季。
3.1.3 建筑面积
建筑面积主要影响建筑内人员总数,除此之外,根据本文实测数据,建筑规模越大,建筑复杂程度越高,人员在室规律也会更加多样。冯磊等人对商业建筑人员密度的实地调查数据进行了整理分类,用统计方法研究了建筑面积、商业类型、城市类型及营业时间对人员密度的影响,发现建筑面积与人员密度不存在明显的线性关系
3.1.4 建成时间
建筑建成时间也会影响建筑内人员总数,例如办公建筑的使用率不可能一开始就是100%,而商场等公共建筑的人流量也会随着建成时间的推移和知名度的扩大而发生变化。李倩对高铁客流量的研究也显示,客流量随着时间的改变而发生变化,呈逐年上升趋势
3.2 自然环境
对人行为影响最大的自然环境因素是天气。李振的研究表明,天气的变化情况会影响公交客流量
3.3 社会环境
社会环境因素包括节假日、社会活动等。在大多数建筑内,节假日人流量明显与平日不同。除此之外,一些社会活动,例如商场打折、单位调休等也会对人流量产生影响。图4显示了某办公建筑2017年的人流数据聚类结果,绝大多数工作日被分到第0类,节假日、周末及部分调休日被分到第2类,而第1类则包括大部分调休日及部分临近假期的工作日。结合图5相应建筑的各类数据均值,第1类数据(即大部分调休日和临近假期的工作日)建筑内人数明显少于正常工作人数(即第0类数据),这说明节假日和相应的调休安排都会影响正常办公建筑内人员在室情况。
4 典型人流年
针对我国公建标准中人员在室情况的描述方法过于简单,不能反映实际情况,而影响人员在室情况的因素多且复杂,方法或模型太过复杂又很难推广使用的问题,本文提出了典型人流年的概念对人员在室情况进行描述。典型人流年是指通过对建筑实时人流数据进行聚类分析与特征提取,选出典型日人流数据,再由典型日数据组成全年的典型人流数据。本文采用k-means进行特征提取,k值即为典型日类型数目,聚类中心ci为典型日人流数据,典型人流年数据由不同日类型典型人流数据组合而成。
图6显示了一栋综合体建筑的聚类结果,表4显示了该建筑局部的典型人流年数据。表4中每行数据表示1天24 h典型人数,k=3表示该建筑典型日数为3,即该建筑一年的人流数据可以聚成3类,对应列k值分别表示聚类类别(如k=0代表第0类)。图6b为聚类结果与实际日类型对比统计图,同一标记符号连接的线条表示聚类被分在同一簇中,沿半径方向的数字表示实际日类型被分在该簇的天数,越靠外表示该日类型被分在该簇中的天数越多。从图6b可以看出:绝大多数周末和节假日被聚为一类(第2类)且人数较多;大部分工作日该商业综合体人数较少,被聚为一类(第1类);而临近假日的工作日及部分假日人数介于上面两类之间,即第0类。从图6a聚类结果可以看出,并不是所有的工作日人流量都很相近,可被分为一类,对于该商业建筑,同样是工作日,第0类和第1类的人数最大差异可达3 000人。如果忽略这个差异,会造成建筑能耗模拟、空调系统控制等方面出现较大误差。以年为单位进行人流数据描述,则可以很好地包含这些信息。
表4 某综合体建筑典型人流年数据(局部)(k=3)
日期 |
k | 时刻 | |||||||||||
00:00 | … | 14:00 | 15:00 | 16:00 | 17:00 | 18:00 | 19:00 | 20:00 | 21:00 | 22:00 | 23:00 | ||
01-01 | 0 | 1 370 | 5 291 | 5 359 | 5 428 | 5 325 | 5 831 | 6 399 | 5 997 | 5 107 | 4 024 | 2 067 | |
01-02 |
0 | 1 370 | 5 291 | 5 359 | 5 428 | 5 325 | 5 831 | 6 399 | 5 997 | 5 107 | 4 024 | 2 067 | |
01-03 |
1 | 878 | 3 296 | 3 439 | 3 479 | 3 369 | 3 510 | 3 699 | 3 532 | 3 017 | 2 451 | 1 230 | |
… |
|||||||||||||
12-28 |
0 | 1 370 | 5 291 | 5 359 | 5 428 | 5 325 | 5 831 | 6 399 | 5 997 | 5 107 | 4 024 | 2 067 | |
12-29 |
0 | 1 370 | 5 291 | 5 359 | 5 428 | 5 325 | 5 831 | 6 399 | 5 997 | 5 107 | 4 024 | 2 067 | |
12-30 |
2 | 1 712 | 8 161 | 8 497 | 8 298 | 8 315 | 9 023 | 9 596 | 8 765 | 7 326 | 5 590 | 2 785 | |
12-31 |
2 | 1 712 | 8 161 | 8 497 | 8 298 | 8 315 | 9 023 | 9 596 | 8 765 | 7 326 | 5 590 | 2 785 |
在此基础上建立公共建筑典型人流年的数据库,存储人流年数据与建筑基本信息(如建筑类型、地理位置、建筑面积、建成时间等)。当使用者需要时,可选择与目标建筑条件最为接近的一个建筑人流数据作为参考。前期研究表明,采用典型人流年数据进行建筑能耗模拟,可以有效提高模型准确度
5 结论
本文对不同类型公共建筑实测人流数据进行了聚类分析,提取了人员在室情况规律,总结了影响建筑人员在室情况的因素,并与我国公建标准中关于人员在室情况的描述方法进行了对比,发现该方法虽然计算简单方便,但存在以下不足:
1) 可供参考建筑类型不多,大多建筑类型需要凭经验设定;
2) 仅按照工作日与非工作日进行区分,且非工作日及非工作时间认为室内没有人员,与实际情况不符;
3) 未充分考虑影响人员在室情况的因素,如建筑地理位置、建筑面积、建成时间、天气、调休日等。
因此,我国公建标准中人员在室情况的描述方法还有待完善。但是由于人员的复杂性与随机性,要考虑所有影响因素十分困难,方法或模型太过复杂又很难推广使用。然而,近年来,随着手机、互联网的普及及视频监控设备的安装,越来越多的公共建筑开始统计室内人数进行供给需求规划或建筑设备控制,这可以为公共建筑人员在室情况的研究提供大量的实测数据。本文提出了典型人流年的概念,并建立了公共建筑典型人流年的数据库(数据下载网址为http://a434.tongji.edu.cn/建筑人流数据.html)。与我国公建标准中人员在室情况描述方法相比,典型人流年具有以下优点:
1) 采用无监督学习的聚类方法对人流数据进行处理分析,从数据中提取特征,可以得出既有知识概念中没有考虑到的影响因素,更贴近实际情况;
2) 以年为单位进行描述,有利于避免因天气、活动等原因造成的每日人数差异;
3) 存储建筑基本信息(如建筑类型、地理位置、建筑面积、建成时间等),使用时选择与目标建筑条件最接近的人流数据作为参考,可以减少建筑环境差异造成的误差;
4) 数据库可以进行动态更新、扩充,可以满足我国建筑类型复杂化、多样化的需求。
由于本文采集建筑数量、时间有限,现有典型人流年数据库还不完善,当建筑信息有差异时,并没有提出对参考数据的定量修正方法。另外,对社会环境的影响也没有进行定量描述。随着采集建筑数量的扩大及采集时间的增长,现有典型人流年数据库将不断扩充,这部分内容仍有待进一步研究。
参考文献
[1] 中国建筑节能协会能耗统计专委会.2018中国建筑能耗研究报告[J].建筑,2019(2):26-31
[2] 清华大学建筑节能研究中心.中国建筑节能年度发展研究报告2018[M].北京:中国建筑工业出版社,2018:10-100
[7] 中国建筑科学研究院.民用建筑供暖通风与空气调节设计规范:GB 50736—2012[S].北京:中国建筑工业出版社,2012:74
[8] 中国建筑科学研究院.公共建筑节能设计标准:GB 50189—2015[S].北京:中国建筑工业出版社,2015:42-43
[9] ASHRAE.90.1-2013 user's manual[M].Atlanta:ASHRAE Inc,2013:G56-G66
[15] HAN J,KAMBER M.Data mining concept and techniques[M].San Francisco:Morgan Kauffman,2001:1-18
[16] 冯磊,谭常春,陆守香,等.商业类建筑人员密度统计分析与建模[J].火灾科学,2009,18(3):130-137
[17] 李倩.基于路网的高速铁路客流预测方法研究[D].北京:北京交通大学,2011:44-50
[18] 李振.基于Hadoop平台的公交客流分析与预测研究[D].吉林:东北师范大学,2015:23-24