韩晓飞，王春青*，潘 嵩，秦铭远，张鸿伟，刘奕巧，王统照

1 吉林建筑大学 市政与环境工程学院,长春 130118 2 北京工业大学 绿色建筑环境与节能技术北京市重点实验室,北京 100124 3 山东省日照市消防救援支队,山东 日照 276800

人员开窗是十分常见的行为,在住宅建筑中,居住者可以自由控制窗户.有研究表明，经常开窗通风的居住者满意度较高[1],学者们认识到居住者的开窗行为对建筑影响较大.我国全社会总能耗约20 %都为建筑能耗[2],且呈现递增趋势,其中开窗行为在此方面的影响也不可忽视[3-4].由于居住者个体差异不同,开窗行为是随机的行为.我国95 %以上的居住者可以完全自由地使用窗户,使得预期节能模式与实际行为之间可能存在较大差异.有研究表明，居住者行为对能源消耗的差异最大可能超过300 %. Wang和Greenberg[5]的研究显示，适当窗口操作控制对建筑能耗有17 %～47 %的节能效果. 因此,通过预测居住者的窗户开启和关闭行为,发现模型与实际居住使用时的偏差有十分重要的意义.

近几十年,学者们对开窗行为的研究主要针对开窗行为的行为特征、影响因素和模型建立.在许多国家,针对不同季节、建筑类型和不同气候区进行了研究.丹麦学者Andersen等[6]所研究的15所住宅中,得出影响开窗行为最重要的因素是室内CO2浓度和室外温度;英国学者Rory V.J,Alba F等[7]人、德国学者Davide C,Rune K[8]等人的研究通常认为室内外温度是影响住宅开窗状态最为重要环境参数[6-9].除环境因素外,有些学者也曾对非环境因素进行了测试,韩国学者Bongchan Jeong等[10]的研究证实了日常活动也是影响住宅内人员开窗行为的驱动因素.另外,研究者们利用高斯算法[10],Logistic[7]等人回归算法对居住者的开窗行为进行量化分析,有效提高了预测的准确率.

在居住建筑的设计中,开窗行为直接影响室内能耗和建筑模型模拟的结果,不同气候区应分别进行分析.严寒地区冬季气温较低,大多数城市住宅都采用集中供热方式进行采暖,现有的节能模型不具有普适性,盲目采取节能措施反而可能增加能耗,此前仅有Kailiang Huang学者[11]基于卡方分析法对辽宁省沈阳市500个随机对象进行调查,发现了严寒地区空气质量和个人健康意识及身体感受与居民开窗行为显著相关,从而对居民开窗习惯提出几点建议,并未建立预测模型.本文研究开始之前对长春市73户住户进行随机问卷调查,并选择其中5户进行测试,以5户住宅建筑为例,通过实测得到长春市住宅建筑主卧室空气温度、湿度；室外空气温度、湿度,室外风速及窗户状态参数，并对其进行分析.本文研究目的是使人们对长春市居住建筑开窗行为有初步认识,同时在一定程度上为严寒地区自然通风建筑设计奠定基础.

1 研究方法

1.1 研究对象

本次研究选取长春市5户居民主卧室窗户作为测试对象,测试对象分布在长春市不同区域.被监测的户型均采用集中供热方式取暖,且家中无空气净化设备,根据问卷调查可知住宅室外均无噪声干扰,无污染工厂,不会对开窗造成影响,且5户居民皆无吸烟史.开关窗户由居民自由控制,该测试住户基本信息调查结果见表1，测试住宅窗户图如图1所示.

表1 住宅A～E基本信息Table 1 Information offamily A～E

图1 测试房间窗户图Fig.1 Test Room Window Chart

1.2 实验仪器

测试时间包括长春市冬季供暖时段(2019年11月1日至2020年2月29日).测试期间5住户均已安装米家门窗传感器见图2,青萍空气监测仪见图3.米家传感器实时记录开关情况,即窗户打开时记为1,窗户关闭时记为0；青萍空气监测仪(放置在卧室床头柜上)监测各住户卧室温湿度,青萍空气检测仪每15 min自动记录一次，并可以随时通过手机进行数据上传,测试期间,仪器放置在卧室距地板1.5 m,距离散热器超过1.5 m,并保证仪器不被太阳直射.室外环境参数在空气质量在线监测分析网https://www.aqistudy.cn/[12]获取数据,该数据以小时为单位,对室外温度、湿度、风级等参数进行记录.所有仪器启用前均进行测试校准，每月进行调试校正,以得数据依次进行剔除异常值及填补缺失值处理.

图2 米家门窗传感器Fig.2 Door and window sensor

图3 青萍空气监测器Fig.3 Air detector

1.3 建模方法

本文采用Logistic二元逻辑回归作为分析和建模方法,将与开窗行为有显著性相关的环境参数和时间参数作为自变量.设y为因变量,y=1开窗，y=0关窗；设P为开窗的概率:

(1)

式中,α，β均为自然系数,计算事件的发生比,即事件发生与不发生的概率比p/(1-p),对其进行对数转换,得到的Logistic回归的线性模式:

(2)

为了更方便理解计算,将上式改为发生与不发生比的公式,即:

(3)

利用spss 23.0软件中Logistic回归模型对实测所得影响环境因素的数据进行分析,进而得到长春市冬季居住建筑室内人员开窗行为回归模型.

图4 住宅A～E各房间开窗率Fig.4 The window opening rate of eachroom in residence A to E

2 数据处理及结果分析

2.1 开窗率的统计及分析

通过对严寒地区冬季供暖期间的实测数据处理分

析,得到5住户各房间的开窗概率:A住户25 %；B住户3.5 %；C住户2.5 %；D住户1.6 %；E住户4.6 %.如图4所示.

(1) A住户监测期间卧室开窗率(开窗率=监测时段开窗时长/总监测时长)为25 %,开窗率偏高,将其定义为“高频开窗型”,其开窗行为可能与环境因素、非环境因素相关.

(2) B,C,D,E住户各房间开窗率均小于5 %,该4户窗户的调控频率极低,将其定义为“低频开窗型”.

因此本文针对以上两类住户展开分析,研究严寒地区住宅建筑冬季开窗行为特征,并找出影响因素.

2.2 开窗行为特征分析

对严寒地区冬季的实测数据统计分析，将住户分为两类,即“高频开窗型”和“低频开窗型”,根据换气次数和人均小时新风量(住宅为0.5～1次)可知，由于长春市在冬季进行集中供热,“高频开窗型”住宅的能耗相对过大.因此本文将对“高频开窗型”进行特征分析,并找出影响此类型住宅开窗的驱动因素.“低频开窗型”住宅由于窗户状态改变频率较低,能耗也相对较低,因此本文对此类型住宅进行比较分析,从而找出其人员开窗行为的特征.

2.2.1 “低频开窗型”开窗率与环境因素、非环境因素的关系

测试发现,“高频开窗型”住户住宅面积较大(参考表1),“低频开窗型”住宅一般面积较小,开窗后室内温度快速降低，体感不舒适，所以不经常开窗.由此可以判断,严寒地区冬季开窗概率与住宅面积相关.

“低频开窗型”窗户开启率低于5 %，将其窗户状态与环境参数进行拟合,结果显示拟合度差,说明环境因素对此型住户开窗行为的影响并不显著,因此对于开窗概率小于5 %的住户建模时不列入其中.

分析非环境因素(建筑面积,室外噪声,污染工厂及人员吸烟史)对开窗率影响,发现室内无吸烟人员时，对其窗户开启率有影响,但室外噪声及污染工厂对开窗影响不大,其可能的原因是人员的生活习惯所致.

2.2.2 “高频开窗型”开窗率与非环境因素的关系

图5展示的是24 h内开窗率的变化情况.

图5 开窗概率与时间关系Fig.5 Relationship between window-opening probability and time of day

从图5可以看出,开窗概率与时间呈现类似正态分布趋势,白天先增后减,每日较大的开窗概率集中在9∶00-20∶00.选择“高频开窗型”住户作为分析对象,开窗概率在12∶00-16∶00存在峰值,其原因是下午阳光最强,处于冬季的严寒地区落日时间大约在16∶00点左右,在落日后为保存室内热量使关窗率大幅增加.

2.2.3 “高频开窗型”开窗率与环境因素的关系

(1) 温度因素

图6(a)描绘出开窗率与室外温度呈正相关,在温度较低时,开窗率大约在10 %;室外温度超过0 ℃时,开窗概率的变化趋势明显增大.这可能是由于在室外温度升高时室内仍保持正常供暖,因此通过增大开窗的方式进行室内环境调节.图中采用Gauss拟合方法的R2均大于0.75.图6(b)是开窗概率随室内温度的变化图."高频开窗型"住户的窗户开启率随着室内空气温度的上升而增大,结合图6(c)中室内外温差对人员开窗概率的影响,窗户开启率随室内外温差的增大而减小.通常在室内外温差较大时开窗,冷风侵入给室内造成较大能耗损失的同时,也会对室内居住者的身体带来不适感.因此,居住者会在室外温度过低或者室内温度很高时选择关窗.

(a) 开窗率与室外温度关系 (b) 开窗率与室内温度关系 (c) 开窗率与室内外温差的关系图6 开窗率与温度的关系Fig.6 Relationship between window-opening probability and temperature

(2) 湿度因素

在图7(a)中,“高频开窗型”住宅开窗率在室外湿度较小时呈现较高的开窗率,且随着室外湿度增大逐渐降低,之后在室外湿度趋近100 %时稍微增大.这与加拿大研究者Jean Rouleau等[13]人的研究结论一致.由图7(b)可见,“高频开窗型”开窗概率与室内湿度呈现负相关趋势,室内湿度越大,开窗概率越小且趋向于0,这可能是因为严寒地区的冬季室外湿度平均在50 %,室内人员在室内湿度相对较低时会选择开窗的方式进行改善室内空气环境.

(a) 开窗率与室外湿度关系

(b) 开窗概率与室内湿度的关系

3 建立“高频开窗型”住宅模型

根据上述单一变量的分析发现,排除个人偏好仅考虑客观因素后,室内居住人员的开窗行为是随机变量,且为复杂的非线性关系.根据文献[6]的研究发现,常常运用逻辑回归建立多环境因素和开窗概率之间关系的模型,其中自变量为环境因素和非环境因素的一个或某几个,因变量为房间开窗概率.二元逻辑回归分析结果见表2.

表2 二元逻辑回归分析结果Table 2 Results of the multivariate linear logistic regression and statistical tests

根据表2可知,“高频开窗型”的6个变量因素sig均小于0.05,这代表人员开窗行为与6个因素均显著相关.对模型有显著性影响的变量标准化回归系数B,其绝对值大小可以表示变量的影响程度.当B>0时影响因素与开窗行为呈正相关;反之,B<0时呈负相关.此外,|B|可以表示对开窗概率的影响程度的大小,即|B|越大其影响越显著.因此,由上述建模可得一天内的时间、室外相对湿度、室内湿度和室内外温差与开窗行为呈负相关；室外温度、室内温度与开窗行为呈正相关.其中室内相对湿度的|B|=0.573,因此,室内湿度对该类型开窗概率影响最大.根据表2建立如下逻辑回归方程：

(4)

该模型的准确率为76.7 %.

4 结论

为新增我国严寒地区供暖季的人员开窗行为研究的案例,深入了解该地区住宅的开窗行为特征,本文通过对长春市5户居住建筑在冬季进行了为期4个月的实时监测，得到该地区的开窗行为典型特征为:

(1) 我国严寒地区冬季住宅建筑的开窗行为有两种典型习惯的居住者,分别为:“高频开窗型”和“低频开窗型”.

(2) “低频开窗型”住宅窗户的开启率低于5 %,与环境因素相关不大,与非环境因素中人员吸烟和建筑面积相关.

(3) “高频开窗型”住宅开窗行为与环境因素及时间因素密切相关,分析显示室内相对湿度为最显著的驱动因素.

(4) 本文对“高频开窗型”住宅建立预测模型,其模型准确率为76.7 %，拟合度较好,可为严寒地区冬季住宅开窗行为模型提供初步参考.