[论文解读] Data-driven Identification of Occupant Thermostat-Behavior Dynamics

Michael B. Kane, Kunind Sharma|arXiv (Cornell University)|Dec 13, 2019

Building Energy and Comfort Optimization参考文献 18被引用 10

一句话总结

本文提出一种数据驱动模型，用于识别在设定温度变化时住户对恒温器的干预行为，基于来自27,764台智能恒温器的5分钟分辨率数据。研究发现，设定温度变化越大，干预速度越快——2°F变化平均约30分钟，8°F变化则约15分钟，凸显了不适感程度是行为响应的关键驱动因素。

ABSTRACT

Building occupant behavior drives significant differences in building energy use, even in automated buildings. Users' distrust in the automation causes them to override settings. This results in responses that fail to satisfy both the occupants' and/or the building automation's objectives. The transition toward grid-interactive efficient buildings will make this evermore important as complex building control systems optimize not only for comfort, but also changing electricity costs. This paper presents a data-driven approach to study thermal comfort behavior dynamics which are not captured by standard steady-state comfort models such as predicted mean vote. The proposed model captures the time it takes for a user to override a thermostat setpoint change as a function of the manual setpoint change magnitude. The model was trained with the ecobee Donate Your Data dataset of 5 min. resolution data from 27,764 smart thermostats and occupancy sensors. The resulting population-level model shows that, on average, a 2°F override will occur after ~30 mins. and an 8°F override will occur in only ~15 mins., indicating the magnitude of discomfort as a key driver to the swiftness of an override. Such models could improve demand response programs through personalized controls.

研究动机与目标

• 理解住户在真实建筑环境中对恒温器设定温度变化的动态响应机制。
• 识别住户实际行为中偏离标准稳态热舒适模型（如PMV）的模式。
• 基于智能恒温器的实证数据，建立人群层面的干预时间模型。
• 通过建模住户行为动态，支持更有效的需量响应与个性化建筑控制。
• 量化设定温度变化幅度与住户干预行为速度之间的关系。

提出的方法

• 利用ecobee的“捐赠您的数据”数据集，其中包含27,764台智能恒温器及人员活动传感器的5分钟分辨率数据。
• 训练一种数据驱动模型，以预测干预时间作为人工设定温度变化幅度的函数。
• 应用统计建模方法，从真实世界的干预事件中提取住户行为的时间动态特征。
• 聚焦于人群层面的趋势，而非个体特定行为，以增强结果的普适性。
• 采用时间序列分析，关联设定温度变化与后续干预行为，识别响应延迟模式。
• 通过大规模实地数据验证模型性能，确保其稳健性与现实相关性。

实验结果

研究问题

• RQ1 恒温器设定温度变化的幅度在多大程度上影响住户干预设置前的等待时间？
• RQ2 住户在实际行为中偏离稳态热舒适模型（如PMV）的程度如何？
• RQ3 在大量建筑住户群体中，住户干预行为的主要时间模式是什么？
• RQ4 如何对行为动态进行建模，以改进建筑控制策略与需量响应计划？
• RQ5 感知到的不适感在多大程度上会触发快速的恒温器调节？

主要发现

• 平均而言，2°F的恒温器设定温度变化会在约30分钟后触发干预。
• 8°F的设定温度变化会在约15分钟内引发干预，表明不适感程度与响应时间之间存在显著的反比关系。
• 数据显示，住户对偏离其偏好的温度更大的变化反应更快，表明不适感是主要驱动力。
• 该模型捕捉到了传统稳态舒适模型（如PMV）无法体现的行为动态。
• 人群层面的模型揭示了在不同类型建筑与住户中，干预响应模式具有一致性。
• 这些发现表明，行为动态显著影响建筑能耗，必须显式建模以实现有效的自动化与需求响应。