建筑中人行为模拟研究现状和展望(2015)

燕达,丰晓航,王闯,Hong Tianzhen,William O’Brien,H.Burak Gunay,Farhang Tahmasebi,Ardeshir Mahdavi.建筑中人行为模拟研究现状和展望[J].建筑科学,2015,31(10):178-187.
建筑中人行为模拟研究现状和展望
［基金项目］“十二五”国家科技支撑计划课题“建筑节能基础数据的采集与分析和数据库建立”( 2012BAJ12B01) ; IEA Annex 66 国际合作项目“建筑中人行为定义与模拟”( Definition and Simulation of Occupant Behavior in Buildings)
Occupant behavior modeling for building performance simulation: Current state and future challenges

建筑中人行为模拟研究现状和展望

作者：燕达¹，丰 晓 航¹，王 闯¹，Hong Tianzhen²，William O’Brien³，H． Burak Gunay³，Farhang Tahmasebi⁴，Ardeshir Mahdavi⁴
( 1． 清华大学 建筑节能研究中心，北京 100084; 2． 劳伦斯伯克利国家实验室，伯克利，美国; 3． 卡尔顿大学，渥太华，加拿大; 4． 维也纳技术大学，维也纳，奥地利)

摘要

人行为是影响建筑能耗的重要因素，近几年成为建筑能耗模拟领域的研究热点。在过去的几十年中已有大量的相关研究，致力于通过实测建立事件或环境相关的人行为模型，但是，目前的人行为研究中还需要进一步发展，以满足工程实际的需要。本文回顾了人行为研究的研究现状，总结了在研究方法上现存的问题，从数据采集、模型建立、模型验证和软件开发4 个从建模到应用的阶段，提出了人行为研究的未来展望。并讨论了人行为研究中尚存在的一些共性问题，例如: 在实测中应进一步探讨采样的规模和实验室研究的可行性，建立人行为模型时应明确模型面向的应用层次，合理的数学形式、参数选择的方法、多因素多行为多人的模拟等尚待研究，针对模型的验证应以实际应用为指向确定验证的指标，采取科学有效的验证方法，以及在人行为相关软件的开发中，应定义良好的软件结构和接口，建立统一的描述框架，以相对独立的模块形式实现和模拟软件的交互。希望这些探讨能为将来的人行为研究提供新的思路，以推动人行为和建筑能耗模拟事业的发展。

关键词

人行为occupant behavior
建筑模拟building simulation
建筑能耗building energy

1. 引 言

建筑能耗占全球总能耗的约30%［1］，具有巨大的节能潜力。随着计算机技术的发展，建筑模拟技术成为一种辅助建筑设计和运行能耗评估的有效手段，被广泛应用于建筑围护结构设计、空调系统运行和各种节能技术的性能评价中。在影响建筑能耗的各项因素中，建筑中的人行为的研究尚缺乏科学系统的方法来定义和定量描述。建筑能耗模拟领域的人行为包括人员在建筑各房间之间的移动，以及窗户、照明、窗帘、空调系统、温控器等的人为控制。

人行为对建筑能耗具有十分显著的影响，也是造成建筑能耗不确定性的关键因素［2-5］。李兆坚等［6］对北京市一栋普通住宅楼的夏季空调能耗进行了逐周的调查分析，发现在同一栋住宅楼中，不同住户的空调能耗差别很大，如图1，最大一户的空调能耗约为14 kW·h /m²，而空调能耗最少的接近为0。Clevenger等［7］采用不同的人员作息和对环境的偏好，研究了建筑能耗模型中人行为的不确定性，通过模拟计算发现即使是人行为的典型行为中，全部设定为最高值和最低值两者之间的能耗能相差超过150%。Guerra-Santin和Itard［8］研究了供暖中人行为对能耗的影响，并做了统计分析，发现供暖系统开启时间的不同造成了很大的能耗差别。可见，建筑能耗和人行为是密切相关的，人行为在建筑能耗中是一个不可忽视的敏感因素，在室外气象、围护结构、设备系统形式等确定的情况下，室内人员对各种能耗相关设备的调节和控制，在很大程度上决定了建筑的总体能耗。通过研究建筑中的人行为，将为建筑能耗模拟提供更加符合现实的人员及设备作息，进一步准确模拟建筑能耗，为建筑节能改造和新建建筑的评估提供更加准确可信的参考。

人行为也是建筑设计中节能技术评估的重要依据。大量案例研究表明人行为对建筑节能技术的适宜性评估存在显著影响，在评价节能技术是否适用时，不同的人行为模式可能导致不同的评价结果。Fabi 等［9］研究了在不同的窗户和遮阳情况下建筑设计的鲁棒性，发现更为详细定量的人行为描述能提高建筑设计的鲁棒性。Belessiotis等［10］发现通过加强围护结构保温获得的节能潜力，很大程度上取决于室内人员控制采暖系统运行的方式。分析上海地区住宅的围护结构性能研究［11］同样表明，由于上海地区供暖模式一般为部分时间、部分空间的形式，在现有的围护结构标准上继续加强围护结构的保温性能获得的节能量已经不显著，而如果供暖模式为全时间全空间，那么加强围护结构保温性能将获得非常可观的节能量。因此，不同的人行为模式需要不同的建筑节能技术与之适应。

由于在环境感知等方面存在明显的个体差异，不同的人在行为上存在较大差别。Reinhart 和Voss［12］监测了10个办公室中的灯光照明的开启，发现不同人员开启照明时的室内照度阈值有显著的差别。如图2所示为不同的人开灯概率随房间内照度的变化曲线。Al-Mumin 等［13］对夏季住宅空调使用进行了调查，各户之间空调温度的设定点从低于19 ℃到高于 25 ℃ 不等。Bragger 等［14］指出由于不同人之间对热环境的偏好，热感觉的差别很大，将导致在相同条件下不同的开关窗户的行为。同时，人行为的影响因素多而杂，且具有随机性的特点。以开关窗户为例，Warren和Parkins所做的一项调查表明［15］，冬季促使人们开窗的主要因素为室内空气品质，而夏季促使人们关窗的主要因素为室外的噪音。除室内温度外，其他影响开关窗行为的还有室内相对湿度［16］、室外天气( 刮风、下雨) 等［17］。某些社会和心理因素也在一定程度上影响着人行为。Zhang 和 Barrett 研究了某自然通风建筑中窗帘调节控制的影响因素［18］，对于室外风景的视觉需求也影响着人们开关窗帘的行为，Foster 和 Oreszczyn［19］指出，人们为了保护自己的隐私，在和其他建筑相邻的一面，也会更加倾向于关闭窗帘。

建筑中的人行为大致可分为人员位移和动作两大部分［20］。 传统的建筑能耗模拟软件，如EnergyPlus［21］，DeST［22］等，通常将人行为简化描述为固定的作息或启动温度，这种简化方式无法表征人行为对于建筑热湿环境和能耗的复杂动态作用。

人员位移的模拟是人行为模拟的基础，为进一步模拟人员对设备的控制提供了房间内是否有人和人数等必需的信息，一方面室内人员具有产热产湿，另一方面室内人员影响着设备控制。人员的到达、离开和离开时长等也是影响人和建筑之间作用的重要因素［23-25］。目前已有大量随机性的模型来定量刻画建筑中的人员位移。例如Chang等［26］对某办公楼中一层的200个开放办公隔间的人员在室情况作了统计分析，获得了人员离开次数和离开时长的概率分布模型。Page等［27］采用二维 Markov 链的方法，用来模拟人员在不在某个房间，并且引入了长时间离开的模拟。Wang等［28］提出了1种基于Markov链的模拟人员在各房间之间移动的方法，其中每人带有一个时不变的Markov矩阵。这些模型都通过表现某些统计特征，将人员位移作为随机过程处理，具体采用的随机方式不尽相同。

人行为模拟中的另一方面是人员对于设备的控制，用来描述特定行为对室内热湿环境和能耗的影响。这部分行为包括对空调、采暖设备、窗户、照明和窗帘等的控制。相关研究可追溯到20世纪70年代，Brundrett［29］研究了100户居民的开窗行为，将开窗的房间数表征为月平均温度和室外湿度的函数。随后的几十年中许多随机性模型被建立起来，用来描述开关窗［30-35］、窗帘［18，24-25，36-37］和照明［25，38-40］。其他行为，例如开关空调［41-42］和着衣量［43］的研究则相对较少。这些动作模型一般通过长期监测获得大量数据，并且由数据拟合的方式获得环境参数和行为动作发生之间的定量关系。在处理大量自记的数据时，数据挖掘技术最近也被用来确定人行为模式和影响因素［44-45］。

为了说明人行为研究领域目前在研究方法上一些值得思考之处，在文献综述的基础上，本文总结了目前人行为研究的整体研究框架，并从数据采集、模型建立、模型验证和模拟软件四方面分若干研究点阐述人行为研究的现状和未来展望［46］。国际能源署(International Energy Agency，IEA) Annex 66项目: 建筑中人行为定义与模拟 ( Definition andSimulation of Occupant Behavior in Buildings) 致力于形成建筑能耗相关人行为标准定义和科学的模拟研究体系，将对其中的问题展开探讨。

2.研究框架

由于人行为的复杂性和随机性，在建筑模拟领域中关注的人行为很难对生理和心理等方面的人行为机理开展深入的研究。建筑模拟中的人行为需要对人行为进行一定的简化，同时能够定量刻画人行为对建筑能耗的作用。本文关注的人行为位于图3中人员位移、动作、建筑热湿环境和能耗方面［47］。

在建立人行为模型的过程中，一般采取的技术路线如图 4 所示。首先采集关于人行为和可能环境条件的数据，对数据进行定量分析，获得描述行为和室内外环境参数或事件的定量关系的模型。为了验证模型的有效性和可靠性，应该需要科学严格的模型验证方法。最后，人行模型由软件实现并和模拟软件集成。

2. 数据采集

由于建立的人行为模型需要反映实际的行为模式，而不是仅仅基于逻辑上的假设主观判断人的行为，在建立人行为模型中，第一步是采集相关的实测数据。现有的研究涵盖了大量数据采集方法，包括非侵入式和侵入式的监测、实验室研究和问卷调查等。这些方法在精确性、工作量和广泛性等方面各有优势和劣势。这一部分对数据采集方法进行探讨。

2.1. 采样时间和频率

在人行为的实测中，数据采样的时间从一天到数年不等［24，48］。如果考虑到季节上的差异，则需要一年的监测时间。在研究中也发现，人在同一环境中停留足够的时间也会有一定的适应性［49］。在Annex 66的一项关于测试时长的调查中(见图5) ，可发现测试时长具有较大的差别。多长的测试时间可收集到足够的数据用以建立模型，是在数据采集中需要研究的一个问题。

现有的研究中数据的采样频率同样存在很大的差别，从几分钟到一天数次不等，也有采用事件触发的数据采样，例如只在检测到人员时记录的人员位移感应仪。许多人行为模型采用5min的时间步长［50］。

2.2.实验室研究的可行性

在可控环境条件的实验室下进行测试，在人员热舒适的研究中发挥着重要的作用。实验室研究曾被用来建立Fanger热舒适模型和眩光概率模型［51-53］。但是，由于和实际工作或生活的环境不同，将实验室研究移植到人行为测试中的可行性还有待论证。因为某些社会因素、对环境的不熟悉和可控条件，从实验室中获得的人行为可能无法直接应用到真实环境中。另外，由实验室带来的霍桑效应( Howthorne Effect) 有可能导致测得的行为和正常情况产生系统偏差。文献［54-55］对实验室研究的限制和不足进行了详细讨论。

3.模型建立

在建筑能耗模拟领域中的人行为研究最终用于能耗预测与分析。为了保证模型的可应用性，模型需要把握人行为中的主要属性(例如随机性、多样性和影响因素的复杂性)，而不应是单纯的黑箱模型，只适用于特定的实测数据集案例。从应用上来说，实用的模型又需要能从能耗模拟工具中获得所需的参数。该部分针对模型建立过程中的各方面提出疑问，作为今后在人行为模型建立研究中的突破点。

3.1. 模型层次

人行为模型最终为建筑设计和运行提供服务，要在实用性和精确性之间作出权衡。从实用性上来说，适用于不同应用的模型精确性不尽相同，需要不同精确性和分辨率的模型。例如，若设计人员从整栋大型办公建筑的角度考察建筑能耗，由室内人员带来的随机性将被建筑内大量人员和房间的统计特征所覆盖，此时采用简单的整体照明作息可能已经足够，没有必要从单人的随机性模型开始建模［56］。然而，如果是关注单个办公室的照明能耗，则随机性模型将比确定性作息模型更贴近实际。

Melfi 等［57］提出了模型在 3 个维度上的层次，即时间、空间和人员，见图6。时间上的维度指模型在时间上的分辨率，空间上的维度指模型应用的物理空间，人员上的维度则是从哪个角度描述人(是否有人、人数、活动等) 。

合适的模型层析取决于模型要解决的实际问题。在建模之前，需要确定模型在时间、空间和人员上的层次。采用一个普适的模型可能很难满足模拟中各式各样的需求，为了满足这些需求，需要一系列在各个层次上描述人行为的模型。

3.2. 模型假设

在建模过程中，不可避免地引入了一些基本假设进行必要的简化，同时保证模型可应用。然而，关于这些假设是否合理，尚需进一步的论证研究。

例如在许多模型中存在一个隐含假设，人的动作仅依赖于上一时刻的状态(即人的无记忆性假设)［31］。根据这个假设，只要环境不变，各时刻人员动作的概率是始终不变的。而从人员对于室内环境的适应性角度出发［49］，随着人对环境的适应，各个时刻动作的概率会有所变化。若认为人逐渐适应环境，则各个时刻动作的累计概率将可能比无记忆性假设下更慢; 若认为环境较为极端难以忍受，则各个时刻动作的累计概率将可能比无记忆性假设下更快，如图7所示。

3.3. 影响因素的确定

如前所述，在人行为模型中，通常几个环境或事件参数(例如时间或者室内温度)会作为行为的驱动因素［34，58-59］。但是，采用数据拟合等黑箱模型的形式获得的关系式，并不能直接把自变量理解为最终动作的影响因素。例如，人可能因为室内温度较高时开窗通风，而室内温度同时受到室外气象条件的影响。如果只以室外温度作为影响因素，则建立的模型很可能难以应用到其他的建筑围护结构或室内发热量情况下。

为了建立具有足够鲁棒性和广泛性的模型，在行为动作和其影响因素之间，应该有符合物理和逻辑的解释，而不应仅仅采用以数据拟合的优度［58］作为影响因素的唯一选择依据。以问卷或者访谈的方式为确定动作的影响因素提供了一种思路，可通过问卷访谈等形式明确动作的影响因素，并以实测数据作为支撑和定量分析的基础。

3.4. 数学形式

现有的基于随机性的数学模型中，自变量一般为环境因素，因变量为动作发生的概率或比例。广泛采用的曲线形式为 logit 函数模型［31，34，60-61］，这种模型在社会学、生物统计学等学科中具有比较广泛的应用。其他的数学形式还有二次函数模型［58］、Sigmoid 函数模型［41］和三参数函数模型［20］等。

在确定模型数学形式的问题上，通常数学表达形式在数据分析之前即已确定，或通过拟合的优度确定，并通过数据拟合的方式得到表达式中的待定参数。现有研究对于为何选择这种数学形式，更多地是从应用方便的角度考虑，带有一定的随意性。

3.5. 多影响因素的模拟

许多研究通过监测大量参数，并从中获得预测事件或行为的最佳因素［24，37，60］。在模型中一般包含显著影响拟合优度的因素。具体的拟合优度判断则较为主观，缺乏定量客观的标准。

事实上人行为受到许多因素的影响，其中一些无法测量或定量。调研发现开窗的影响因素可能是室内温度高，也有可能是室内空气品质不佳，甚至是一种较为固定的生活习惯。例如起床时开窗的行为，是出于室内换气考虑，受到生活习惯驱动，室内实际的空气品质影响不大。这些非环境因素在行为模型中一般没有得到体现，然而它们对于行为的影响可能和环境因素相当。

对于这些多因素的模拟，可有两种数学方法进行模拟。一种方法是同时考虑所有影响因素，作为多个自变量并计算行为发生的概率［31］。另一种方法是将不同的影响因素作为不同的行为模式，采用不同的模型形式，在多因素条件下时，以独立事件的方式计算行为发生的概率［20］。

3.6. 多行为的模拟

至此只针对单个行为的模型进行了探讨，而事实上人可以通过多种行为方式对室内环境进行调节。有多种行为可以达到相当的调节目的，例如通过开风扇、开空调、开窗等行为降温，这些行为可能在有效性、便利性和能耗上有差异。

考虑多行为时，在现有的单行为模型基础上需要增加一个模型层次，用于解决多行为联合模拟的问题。这样的模型在现有研究中还较罕见，但是对于具有多种调节手段的实际应用意义重大。这个层次的模型需要模拟在可选的多种行为动作中应如何根据环境适当地选择行为。

3.7. 多人的模拟

现有的人行为模型通常将测试范围内的所有人作为一个整体，对不同房间和不同人的数据不加区分。这种方法获得的是一个仅仅基于数据统计表征的“平均人”概念。需要指出的是，即使在相同的环境条件下，不同人之间的行为方式 差异也很大［6，20，62］，只有从个体的角度出发建立人行为模型才能真正反映人在行为方式上的多样性。

在多人共处的房间中，人之间的社会影响可能显著改变人的行为方式［63］，对于多人的模拟可能不能采用简单的概率叠加。例如，Haldi等［24］发现在单人办公室时人比在开放办公室中更倾向于频繁开关窗帘，照明的亮度也更低。和多行为模型类似，在模拟多人的行为时，同样需要一个模拟多人相互作用层次的模型。

4.模型验证

在建立模型之后，为了保证模型的正确性和可用性，需要采用一定的方法对模型进行验证。这种验证离不开模型本身的应用：模型是否用于设计标准的制定? 模型是否用于不同设计方案的对比? 模型是否用于评估建筑能耗的不确定性?

不管模型的内在结构和解决的问题层次如何，都需要合适的验证方法对它们进行验证。从人行为模型的角度看，什么是合理的验证指标，以及什么是可行的验证方法，是在开展模型验证之前要回答的问题。

4.1.验证指标

现有的模型在模型验证上比较缺乏。由于模型一般通过数据统计和拟合得到，在验证时采用的也往往是统计学指标，以拟合优度R2为代表［31，58］。由于模型本身通过拟合得到，这种验证陷入了循环论证的境地，而且这些统计指标到底到多少时能够说明模型通过验证也无法明确。另外，基于统计学指标的验证没有将模型和应用联系起来，在验证中没有进行针对应用的模拟计算。

由于人行为模型往往带有一定的随机性和统计特征，模型计算结果的准确性很难从单个指标说明。前文提到，建立人行为模型之前首先要明确的是模型的实际应用。基于这个想法，模型的验证也应该和最终的应用相一致，从模型最终应用的指标来说明模型的准确性。

Mahdavi等［64］对人员位移两个已有的随机模型和建立的确定性模型进行了模拟，通过比较模拟得到的人员作息，验证这些模型基于历史数据在预测上的准确性。在验证的指标上，采用了5个实用的统计性指标: 首次到达时间( First arrival time)、最后离开时间(Last departure time)、在室时长(Occupancy duration)、逐时在室情况匹配性(Occupancy state matching)和在室状态变化情况(Number of transition) 。

4.2. 验证方法

和传统的建筑能耗模拟不同，人行为模拟带有较大的随机性，这对人行为模型的验证提出了新的要求。计算得到的行为发生次数，或者最终的建筑能耗，都存在人行为模型随机性带来的分布。通过少量的模拟计算，很难消除随机因素带来的影响。因此，不能仅仅以单次计算的结果指标来对模型进行验证。

一种可行的方法是应用模型进行多次计算，并在各项指标上验证实测值在多次模拟值所处的范围之内。例如王闯［20］在验证照明模型时，对得到的模型进行了 100 次模拟计算，并统计了开灯时长和累计的开窗次数进行比较(图8)。

5.模拟软件

人行为模型和模拟软件的集成为研究者和工程师们提供了模拟人行为及其对环境和能耗影响的工具，用于指导在建筑设计、运行和改造中的节能及室内环境评价。为了方便模型和软件的集成，需要形成一套人行为的标准描述，制定人行为模拟的通用接口，保证人行为模型在不同模拟软件中的可移植性。

5.1. 和不同模拟软件的集成

不同模拟软件采用的核心算法、用户界面等都不相同，在这些软件中引入人行为模块可有定义作息、利用软件接口编程、(开源软件)修改源码重编译和联合模拟(Co-simulation)［65］等多种方式，其中DeST已在内部初步实现了人行为模块。

为了实现人行为模块和不同模拟软件的集成，一方面需要定义良好的人行为模块软件结构，形成清晰的人行为数据交换接口和解耦的核心计算引擎，使得人行为模块能够相对独立，另一方面也需要模拟软件自身提供人行为模块必需的接口。

5.2. 人行为标准描述

不同学者建立的人行为模型通常具有不同的描述语言和方法，缺乏标准统一的描述框架，导致不同模型之间难以替换或重用，无法采取统一的格式对人行为进行描述和软件集成。Hong等［66-67］建立了1套DNAs的建筑能耗相关人行为描述框架（图9），将人行为分为4个方面：1）社会、环境、生理等方面的驱动力(Drivers)；2）人满足各种生理或非生理指标的需求(Needs)；3）人为了满足需求采取的动作(Actions)；4）人能够控制的系统(Systems)。

5.3. 灵活可扩展的人行为软件结构

关于人行为新的研究将产生新的数据和人行为模型。理想的人行为模块应保持足够的灵活性和可扩展性，能在整体框架不变的情况下添加新的模型。出于这个考虑，人行为应该建立在能清晰描述不同时间和空间尺度下人行为模型的框架下，借助人行为模块和软件核心的接口实现数据交换。

6.结 论

建筑中的人行为模拟对于建筑能耗计算和节能技术评估都有着巨大影响，是建筑能耗模拟中一项重要因素。本文回顾了国内外人行为模拟的研究历史与现状，进而对数据采集、模型建立、模型验证和软件开发等领域中尚待研究的问题进行了初步探讨，以期为进一步推动人行为模拟领域发展提出建议:

• 1)人行为研究中的实测数据包括监测的室内人员情况、环境参数、记录的行为动作等，是建立人行为模型的基础。随着感应仪器和自动化的发展，数据的采集将会更加智能化。如何消除实测中霍桑效应的影响，以及在实验室中监测人行为是否可行，合理的数据采样时长和频率，都还需要更多的研究。
• 2)需要基于不同应用需求的基础上，建立多层次的工程应用模型，反映人员位移或行为动作受事件或环境影响。现有的研究中，对 Markov
  模型和其他概率模型中隐含的无记忆性等假设需进一步检验。同时模型中的影响因素、模型的数学形式等建模关键因素还需要进一步建立和完善。
• 3)为了保证模型可有效的应用于实际工程之中，需要对人行为模型进行有效性验证。模型的验证方法应与模型最终的应用相一致，从模型应用的角度来检验模型的准确性。由于人行为模拟的随机性和复杂性，目前人行为模型在验证上尚未完全建立科学的验证方法和指标，这是人行为模拟领域下一阶段的一个研究重点。
• 4)为了使复杂的人行为模型可以应用于实际工程实践之中，需要将人行为模型与建筑能耗模拟软件相集成，用于指导在建筑设计、运行和改造中的节能及室内环境评价。而在集成开发的工作之中，应定义良好的软件结构和接口，建立统一的描述框架，以实现独立的模块形式和模拟软件的交互。

参考文献

［1］ International Energy Agency ( IEA)．World: Energy Balances for2012［EB/OL］．［2015 －09－15］http: //www.iea.org /statistics/statisticssearch/report/?country=WORLD＆product=balances＆year =2012
［2］ Hensen J，Lamberts R． Building performance simulation fordesign and operation［M］． New York: Spon Press，2011
［3］ Zhang W，Tan S，Lei Y，et al． Life cycle assessment of a singlefamily residential building in Canada: A case study［J］．Building Simulation，2014，7(4) : 429-438
［4］ Attia S，De Herde A，Gratia E，et al． Achieving informed decision-making for net zero energy buildings design using building performance simulation tools［J］． Building Simulation，
2013，6( 1) : 3-21
［5］ Hoes P，Hensen J L M，Loomans M，et al． User behavior inwhole building simulation［J］． Energy and Buildings，2009，41( 3) : 295-302
［6］ 李兆坚，江亿，魏庆芃． 北京市某住宅楼夏季空调能耗调查分析［J］． 暖通空调，2007，37( 4) : 46-51
［7］ Clevenger C M， Haymaker J． The impact of the building occupant on energy modeling simulations［C］/ /INFORMS． Joint International Conference on Computing and Decision Making in Civil and Building Engineering． Montreal，2006: 1-10
［8］ Guerra-Santin O，Itard L． Occupants’behaviour: determinants and effects on residential heating consumption［J］． Building Research ＆ Information，2010，38(3) : 318-338
［9］ Fabi V，Buso T，Andersen R K，et al． Robustness of building design with respect to energy related occupant behaviour［C］/ / International Building Performance Simulation Association． Proceedings of 13th Conference of International Building Performance Simulation Association． Chambery，2013: 1999-2006
［10］ Belessiotis V， Mathioulakis E． Analytical approach of thermosyphon solar domestic hot water system performance［J］． Solar Energy，2002，72(4) : 307-315
［11］ Guo S，Yan D，Cui Y． Analysis on the influence of occupant behavior patterns to building envelope’s performance space heating in residential buildings in Shanghai［C］/ /International Building Performance Simulation Association． Proceedings of 2nd Asia Conference of International Building Performance Simulation Association． Nagoya，2014: 610-616
［12］ Reinhart C F，Voss K． Monitoring manual control of electric lighting and blind［J］． Lighting Ｒesearch and Technology，2003，35(3) : 243-258
［13］ Al-Mumin A，Khattab O，Sridhar G． Occupants’behavior and activity patterns influencing the energy consumption in the Kuwaiti residences［J］． Energy and Buildings，2003，35 (6) : 549-559
［14］ Brager G，Paliaga G，De Dear Ｒ． Operable windows，personal control and occupant comfort ［C］/ /ASHＲAE． ASHRAE Transactions． 2004: 17-35
［15］ Warren P Ｒ，Parkins L M． Window-opening behaviour in office buildings［J］． Building Services Engineering Research and Technology，1984，5(3) : 89-101
［16］ Haldi F，Ｒobinson D． On the behaviour and adaptation of office occupants［J］． Building and Environment，2008，43 (12) : 2163-2177
［17］ Roetzel A，Tsangrassoulis A，Dietrich U，et al． A review of occupant control on natural ventilation［J］． Ｒenewable and Sustainable Energy Reviews，2010，14(3) : 1001-1013
［18］ Zhang Y，Barrett P． Factors influencing occupants’blind-control behaviour in a naturally ventilated office building［J］． Building and Environment，2012，54: 137-147
［19］ Foster M，Oreszczyn T． Occupant control of passive systems: the use of venetian blinds［J］． Building and Environment，2001，36(2) : 149-155
［20］ 王闯． 有关建筑用能的人行为模拟研究［D］． 北京: 清华大学建筑学院，2014
［21］ Crawley D， Lawrie L， Winkelmann F， et al． EnergyPlus: creating a new-generation building energy simulation program［J］． Energy and Buildings，2001，33(4) : 319-331
［22］ Yan D，Xia J，Tang W，et al． DeST—An integrated building simulation toolkit Part I: Fundamentals ［J］． Building Simulation，2008，1(2) : 95-110
［23］ Mahdavi A， Mohammadi A， Kabir E， et al． Occupants ’operation of lighting and shading systems in office buildings［J］．Journal of Building Performance Simulation，2008，1(1) : 57-65
［24］ Haldi F，Ｒobinson D． Adaptive actions on shading devices in response to local visual stimuli ［J］． Journal of Building Performance Simulation，2010，3(2) : 135-153
［25］ Reinhart C． Lightswitch-2002: a model for manual and automated control of electric lighting and blinds［J］． Solar Energy，2004，77(1) : 15-28
［26］ Chang W， Hong T． Statistical analysis and modeling of occupancy patterns in open-plan offices using measured lightingswitch data［J］． Building Simulation，2013，6(1) : 23-32
［27］ Page J，Robinson D，Morel N，et al． A generalised stochastic model for the simulation of occupant presence［J］． Energy and Buildings，2008，40(2) : 83-98
［28］ Wang C，Yan D，Jiang Y． A novel approach for building occupancy simulation［J］． Building Simulation，2011，4 (2) :149-167
［29］ Brundrett G． Ventilation: a behavioural approach ［J］．International Journal of Energy Ｒesearch，1977，1(4) : 289-298
［30］ Rijal H，Tuohy P，Nicol F，et al． Development of an adaptive window-opening algorithm to predict the thermal comfort，energy use and overheating in buildings ［J］． Journal of Building Performance Simulation，2008，1(1) : 17-30
［31］ Haldi F，Ｒobinson D． Interactions with window openings by office occupants［J］． Building and Environment，2009，44(12) : 2378-2395
［32］ Yun G Y，Steemers K． Time-dependent occupant behaviour models of window control in summer ［J］． Building and Environment，2008，43(9) : 1471-1482
［33］ Lee Y S，Malkawi A M． Simulating multiple occupant behaviors in buildings: an agent-based modeling approach［J］． Energy and Buildings，2014，69: 407-416
［34］ Andersen R， Fabi V， Toftum J， et al． Window opening behaviour modelled from measurements in Danish dwellings［J］．Building and Environment，2013，69: 101-113
［35］ Yun G Y，Tuohy P，Steemers K． Thermal performance of a naturally ventilated building using a combined algorithm of probabilistic occupant behaviour and deterministic heat and mass balance models［J］． Energy and Buildings，2009，41(5) : 489-499
［36］ Newsham G Ｒ． Manual control of window blinds and electric lighting: implications for comfort and energy consumption［J］． Indoor and Built Environment，1994，3(3) : 135-144
［37］ Inkarojrit V． Balancing comfort: occupants’control of window blinds in private offices［D］． Berkeley: University of California， Berkeley，2005
［38］ Hunt D． The use of artificial lighting in relation to daylight levels and occupancy［J］． Building and Environment，1979，14(1) : 21-33
［39］ Boyce P， Veitch J， Newsham G， et al． Occupant use of switching and dimming controls in offices［J］． Lighting Research and Technology，2006，38(4) : 358-376
［40］ Lindelf D，Morel N． A field investigation of the intermediate light switching by users［J］． Energy and Buildings，2006，38(7) : 790-801
［41］ Yasue Ｒ，Habara H，Nakamichi A，et al． Modeling the occupant behavior relating to window and air conditioner operation based on survey results ［ C ］/ /International Building Performance Simulation Association． Proceedings of 13th Conference of International Building Performance Simulation Association．Chambery，2013: 1451-1458
［42］ Ren X，Yan D，Wang C． Air-conditioning usage conditional probability model for residential buildings［J］． Building and Environment，2014，81: 172-182
［43］ Schiavon S，Lee K H． Dynamic predictive clothing insulation models based on outdoor air and indoor operative temperatures［J］． Building and Environment，2013，59: 250-260
［44］ D＇Oca S，Hong T． A data-mining approach to discover patterns of window opening and closing behavior in offices［J］． Building and Environment，2014，82: 726-739
［45］ D’Oca S，Hong T． Occupancy schedules learning process through a data mining framework［J］． Energy and Buildings，2015，88: 395-408
［46］ Yan D，O’Brien W，Hong T，et al． Occupant behavior modeling for building performance simulation: Current state and future challenges［J］． Energy and Buildings，2015，107: 264-278
［47］ Peng C，Yan D，Wu R，et al． Quantitative description and simulation of human behavior in residential buildings ［J］．Building Simulation，2012，5(2) : 85-94
［48］ Rea M S． Window blind occlusion: a pilot study［J］． Building and Environment，1984，19( 2) : 133-137
［49］ Brager G， de Dear Ｒ． Thermal adaptation in the built environment: a literature review［J］． Energy and Buildings，1998，27(1) : 83-96
［50］ Gunay H B，O’Brien W，Beausoleil-Morrison I． A critical review of observation studies， modeling， and simulation of adaptive occupant behaviors in offices ［J］． Building and Environment，2013，70: 31-47
［51］ Wienold J，Christoffersen J． Evaluation methods and development of a new glare prediction model for daylight environments with the use of CCD cameras［J］． Energy and Buildings，2006，38( 7) : 743-757
［52］ Fanger P． Thermal comfort． Analysis and applications in environmental engineering［M］． Copenhagen: Danish Technical Press，1970
［53］ Van Den Wymelenberg K G． Evaluating Human Visual Preference and Performance in an Office Environment Using Luminance-based Metrics［M］． Seattle (WA) : University of Washington，2012
［54］ Berkowitz L，Donnerstein E． External validity is more than skin deep: Some answers to criticisms of laboratory experiments［J］．American Psychologist，1982，37(3) : 245
［55］ List J，Levitt S． What do laboratory experiments tell us about the real world［J］． NBER Working Paper，2005: 1-60
［56］ Zhou X，Yan D，Hong T，et al． Data analysis and stochastic modeling of lighting energy use in large office buildings in China［J］． Energy and Buildings，2015，86: 275-287
［57］ Melfi Ｒ，Ｒosenblum B，Nordman B，et al． Measuring building occupancy using existing network infrastructure［C］/ /IEEE． International Green Computing Conference． Orlando，2011: 1-8
［58］ Herkel S，Knapp U，Pfafferott J． Towards a model of user behaviour regarding the manual control of windows in office buildings［J］． Building and Environment，2008，43 ( 4) : 588-600
［59］ Borgeson S，Brager G． Occupant control of windows: Accounting for human behavior in building simulation ［R］． Berkeley: University of California，Berkeley，2008
［60］ Rijal H B，Tuohy P，Humphreys M A，et al． Using results from field surveys to predict the effect of open windows on thermal comfort and energy use in buildings［J］． Energy and Buildings，2007，39( 7) : 823-836
［61］ Nicol F． Characterising occupant behaviour in buildings: towards a stochastic model of occupant use of windows，lights，blinds， heaters and fans ［C］/ /International Building Performance Simulation Association． Proceedings of 7th Conference of International Building Performance Simulation Association． Rio， 2001: 1073-1078
［62］ Karjalainen S． Gender differences in thermal comfort and use of thermostats in everyday thermal environments［J］． Building and Environment，2007，42( 4) : 1594-1603
［63］ O’Brien W，Gunay H B． The contextual factors contributing to occupants’adaptive comfort behaviors in offices-A review and proposed modeling framework［J］． Building and Environment， 2014，77: 77-87
［64］ Mahdavi A，Tahmasebi F． Predicting people ’s presence in buildings: An empirically based model performance analysis［J］． Energy and Buildings，2015，86: 349-355
［65］ Wetter M． Co-simulation of building energy and control systems with the Building Controls Virtual Test Bed［J］． Journal of Building Performance Simulation，2011，4( 3) : 185-203
［66］ Hong T，D＇Oca S，Turner W，et al． An ontology to represent energy-related occupant behavior in buildings． Part I: Introduction to the DNAs framework ［J］． Building and Environment，2015，92: 764-777
［67］ Hong T，D ＇Oca S，Taylor-Lange S C，et al． An ontology to represent energy-related occupant behavior in buildings． Part II: Implementation of the DNAS framework using an XML schema［J］． Building and Environment，2015，94: 196-205