毕业论文外文翻译-研究住户行为对建筑能耗影响的系统化程序.doc

武汉科技大学本科毕业设计外文翻译A systematic procedure to study the inuence of occupant behavior on buildingZhun Yua, Benjamin C.M. Fungb, Fariborz Haghighata, Hiroshi Yoshinoc, Edward G Model ENB-3118; ARTICLE IN PRESS: Energy and Buildings xxx (2011) xxxxxx Contents lists available at ScienceDirect Energy and Buildings No. of Pages9研究住户行为对建筑能耗影响的系统化程序Zhun Yu，本杰明C.M. Fungb，Fariborz Haghighata，Hiroshi Yoshinoc，爱德华MorofskydG环境局-3118;出版：建筑与能源xxx (2011) xxxxxx; 科学指南建筑与能源第9页a建筑部，土木工程与环境工程，康科迪亚大学，蒙特利尔，魁北克H3G的1M8，加拿大b信息系统工程，康科迪亚大学，蒙特利尔，魁北克H3G的1M8，加拿大康科迪亚研究所c建筑部门与建筑科学，东北大学，日本d房地产机构，加拿大公共工程和政府服务，杜Portage III,，8B1，加蒂诺，魁北克K1A 0S5，加拿大摘要我们已经做了住户行为对建筑能耗影响鉴定的很多努力。由于各种因素影响能耗的因素同时存在，导致我们在鉴定住户个人行为影响时缺乏精确性。本文叙述了检验住户行为对建筑能耗影响的一种新方法的发展；这是基于基本的数据挖掘技术（聚类分析）的一种方法。它主要用来处理数据的不一致，在聚类之前，最小最大的常态化被当成一种数据处理步骤。灰色关联度，是两个因素之间关联的尺度，被用来权衡在聚类分析中各种因素的作用大小的系数。为了证明该方法的适用性，将该方法应用于一个住宅楼宇的测量数据。结果表明，该方法通过改善住户行为减轻了建筑节能评估潜力，并提供多方面有关住户行为的建筑能源最终使用模式的见解。得到的这种结果可以帮助住户为了降低建筑能耗调整优先努力，并有助于改善数值模拟住户行为。 © 2011爱思威尔B.诉保留所有权文章资料文章历史：2010年10月27日收到2011年 1月11日修订2011年 2 月 4日审核关键词：住户行为 建筑能耗 数据挖掘 聚类分析 灰色关联分析1 简介对建筑能耗的主要决定因素辨识，具有彻底的能够共同协助实现建筑节能目标，提高性能和减少由于建筑能耗产生的温室气体排放量。一般而言，影响因素建筑总能耗可分为七个类别：（1）气候（如室外空气温度，太阳辐射，风速度等），（2）建筑有关的特性（如类型，面积，方向等）（3）用户相关的特征除，社会因素和经济因素（如用户的存在等），（4）建立服务体系和运行（如空间冷却或加热，热水供应等），（5）住户的行为和活动，（6）社会和经济因素（如教育程度，能源成本等）（7） 室内环境质量要求。在这七个因素，社会和经济因素部分决定了住户对能源消耗的态度，并且他们把这种响表现在日常的活动和行为，从而影响建筑物能源消耗。同时，室内环境质量可视为基本由用户决定，从而建筑能耗的影响。从本质上讲，这两种因素，代表住户对建筑能耗间接影响。因此，他们对建筑能耗的影响已包含在住户行为的影响，在确定影响因素的影响时也没有必要把他们纳入考虑。 前四个因素的分立与合并的对建筑能耗影响可以通过模拟确定。随着各种参数的设置，目前的模拟软件基于不同的情况下模拟这四个因素是很强大的。然而，由于用户行为的多样性和复杂性难以完全通过模拟的确定住户的行为和活动影响；当前的模拟工具只能模仿一个固定的行为模式。近年来已经建立了几种模型来整合用户行为的影响在建筑模拟方案1-4。然而，这些模型只注重典型活动如遮阳设备的控制，而建立现实的用户行为模型更加复杂。5-7一些研究表明，为了获得用户行为的全面影响，其中一个可行的办法是提取相应的有用信息实测数据，因为这些数据已经包含了全部影响。例如，Yu et al. 7提出了建筑节能的决策树方法，并将此方法用于日本的历史数据住宅楼宇。生成的模型有一个流程图，像树结构，使用户能够快速提取关于建筑能耗的影响因素的有用信息。这样的模型随着得到的信息可能大大有利于改善建筑节能性能。一般来说，以前的对居住者的行为影响的研究可分为两大类。第一类是侧重于用户对建筑能耗存在的影响。例如，Emery和Kippenhan 8报道了在四个几乎相同房子住户影响存在对家庭能源使用的调查。四间房屋被分成两对，并且其中一对建筑维护用改善了的热阻材料建造。对每一个被留下的房子空置，而另一个是由大学的学生家庭使用。研究人员比较了第一个采暖季（1987-88）占用和空置房屋的总能源消耗（即总和取暖，照明和电器）。他们发现，住户的存在增加了占用房屋的能源消费总量，并且与改善建筑围护结构的房子有一个较小的增加。第二类着重于居民的活动对能源消耗的影响。例如，欧阳和Hokao 9通过在中国124个家庭改善用户的行为调查节能潜力。在这项研究表明，这些房子被分成两组：一种是教育，以促进节能意识的行为，并提出对应的节能措施，于2008年7月生效，而另一个是必须保持完整的行为。比较两组2007年7月到2008年7月各个家庭每月用电。研究人员发现，在平均来说，有效促进节能意识的行为可以减少超过10的家庭用电量。很明显，在这些研究中是通过对测量数据进行比较分析来确定用户行为的影响。然而，这种方法有很大的局限性。首先，除了用户行为，其他四个影响因素也同时导致了建筑能耗的变化，这种方法不能充分去除的这四个因素影响，并确定住户行为的影响。虽然在这些研究中实施了一些排除措施，例如使用近期相同的住宅的特征和能源数据在类似的气候条件其他年份作为参考，这些措施的影响是被质疑的，因为即使在一些细微差别的建筑特性（如传热系数）和气象参数（例如，年平均室外气温）会导致建筑能耗的显著波动。第二，在实际建筑数据库，建筑物通常用混合变量类型（如数字变量），类别变量（例如，住宅建筑类型分为独立和公寓），并序变量（例如，建筑物被评为白金，黄金和白银）。混合变量的数据类型很难用统计方法处理，通常用比较分析。这也增加了区分建住相关影响和用户相关关影响之间的困难。第三，对于比较分析，建筑物通常被分成不同的组简化的研究。这种分类是基于建筑的相关参数，如地板面积。例如，如果建筑面积在100到400平方米范围，它可用小型，中型，大型取代，对应区间分别为100，200，200，300，和300，400。因此，所有的建筑分为三组，即小型建筑，中型建筑，大型建筑物，以及每个组可研究的毛皮。在这个过程中，建立相关参数分区的决定通常是考虑方便和直观。为什么各组之间的间隔要200平方米和300 平方米？因此，更合理分组建筑物的分类方法是需要的。此外，建筑物通常同间代表多种典型参数，如楼龄及楼面面积。所有这些参数为了简便可分为不同的层次，如低和高。为了进行全面的调查，研究样本的必要大小（即楼宇数目）应取决于所有参数水平的不同组合。例如，假设选择7种典型参数代表，每个都是分层3级（例如小，中，大）。就组合理论来看，它可以计算出至少37= 2187种建筑物比较研究，这可能是相当不切实际的。本文的主要目的是开发一个方法论通过数据分析确定住户行为对建筑能耗的影响，从而通过改善用户行为和提供建筑能源消费模式的深刻见解来评估能源节省的潜力。本文组织如下：第二节介绍了建议方法，第三节介绍了应用此方法实地测量数据集并讨论了有关工作的结果，第四节总结了这篇文章。2 方法论提出了一种新的检验住户行为对建筑的能源消耗影响的方法。基本上，它实现了通过依据四种因素与用户无关把所有研究的建筑中相似的建筑分组，因此，对于同组的每一个建筑这四个因素对建筑能源消耗具有类似的效果。相应的，住户行为对建筑能耗的影响可准确地在这些群体确定。此外，只要有足够的建筑样本大小并且主题建筑在这四个影响因素中有一个大的分歧，就意味着四个方面的各组影响因素可以足够相似，由他们引起的能源消耗的不同相对较小，各组建筑物之间能源消费的差异可被认为是仅有住户行为造成的。很明显，建筑群的鉴定认为最重要的元素是方法论。这种鉴定的实现主要通过聚类分析。2.1聚类分析聚类分析是把观察对象分组或簇的进程，使在同一群集中的对象具有较高的相性，而在不同的群集对象具有较低的相似性，图.1显示了一个基于假设建筑数据表的聚类数据。它包含各种能源有关的变量，如户外空气温度（T）和建筑热损失系数（亨利法则常量）。数据表包括m属性和n实例。每个属性表示一个变量，每个实列表示一个建筑物。所有的实例都被归类到w集群。因此，这些w集群内部同质和不同集群之间异质10。这种内部凝聚力和外部分离的所依据的是m属性以及它们的影响；也就是说，这些属性对同一群集建筑的能源表现具有最相似的整体效果，而在不同的建筑集群具有显著的差别。因此，住户行为对建筑能耗的独立影响可以靠聚类分析更加精确的确定并且四个影响因素与住户的行为无关。需要注意的是，这四个影响因素靠从现有数据库选择的相应参数来呈现。进行聚类分析前，为了处理不同的矛盾属性，一些预处理步骤是必要的。例如，大部分能源相关的属性有自己的单位。属性单位从一个切换到另一个可能显著地改变属性值，从而影响了集群的质量和准确性。因此，数据转换技术应用以帮助避免对属性单位选择的依赖。另外，数据转换可以用来防止大范围的属性超过小范围的属性。同时，不同属性对建筑能耗的贡献可能会有很大的不同；因此，数据标准化之后，每个属性应与一个反映其意义的重量相关。灰色关联分析将用于鉴别这些重量。该程序数据转换和灰色关联分析将在第2.2和2.3分别介绍在聚类分析中，从数据库得到的观察数据的不同用他们间的距离计算。在这项研究中，最流行的距离测量，欧氏距离，使用10： 其中k =（xk1，xk2，.，xkn）和L =（xl1，xl2，.，xln）是建筑物。 xk1，xK是n的k参数kl1，.，xln是n的l参数。常用的聚类算法，包括K -均值和CLARANS 10。在这项研究中，由于其高效和广泛的应用，我们采用的K -均值与开源数据挖掘软件WEKA中11，来进行聚类分析。K - means算法是最简单的解决聚类问题分区的方法。给定一个含有w对象的数据集（D），K - means算法的目标是把w对象分成两个约束的K集群：1）每个群集中心是所有对象在该组的平均位置，（2）每个对象都被分配到与中心最接近的集群。该算法给定的步骤包括：（1）从表D随机选择K观测结果作为初始聚类中心，（2）计算其余每个观测中心和每个最初选择之间的距离，（3）把其余每个观测结果分配到最近的集群中心，（4）重新计算的平均值，即集群中心，新的集群，以及（5）重复步骤2-4，直到算法回合，这意味着聚类中心并没有改变。应一提的是K -均值对初始聚类中心是相当敏感的。因此，应该尝试不同的值，以获得集群内距离的最小和。与此同时，分群数应事先指定。2.2 数据转换如前所述，为了应对测量数据集的不一致数据转换已应用。具体来说，最小最大正常化10对值进行缩放，以使他们预定的范围之内。最大最小正常化优势在于由于对它进行了线性正常化使它能够保留初始数据之间的关系。假设Xmax 和Xmin是原始的最大和最小的数值型属性值。通过最小最大正常化，一个值，X，这个属性可以通过计算 被转换到X在新的指定范围内Xmin，xmax在这项研究中，新的范围定义为0,1。对于二进制属性，他们的两种状态，如房间空调器的运行状态，即开，关，可以直接转化为0,1或1,0。这个决定根据是否有一个更好的正值重新编写这两种状态为0,1或1,0。对于隐序的多值类别属性往往有必要的先排列它们的有序状态，然后通过 在获得的0,1 范围内作图。其中，x'：每个状态的转化价值，ranki：每个状态对应的排序，rankmax：最大的排序。例如，认证的四个级别在绿色建筑评级制度中能源与环境设计（LEED）的领导作用，即认证，银，金，白金，将采用上述方法转化成0,1 / 3，2 / 3，1。2.3 灰色关联分析基于几何数学，灰色关联分析（GRA）已经提出，以便找到可以用来描述主要相关因素之间关系趋势的灰色关联度和灰色关联序（即灰色关联度排名），并确定很显著影响预定目标的重要因素 12。例如，如果建筑能耗是目标因素，GRA可提供各影响因子的灰色关联度，如室外空气温度和面积。这些灰色关联度都是对总建筑能源消费数值可测有较大的影响因素。与其它类似的多如回归分析和主因子成分分析方法比较，它的主要优点是相对简单，并能够处理不具有典型概率分布的小数据集。让y0成为目标序列（测量数据的目标因子，如建筑能源消耗），让yi成为比较序列（实测数据的相关因素，如各种影响建筑能耗的因素）： GRA过程的描述如下：第1步：规范化原始数据（最大最小正常化用于这项研究中），y0和yi用来表示得到的正常化序列;第2步：计算灰色关联系数。y0和yi之间的i(k)定义为 其中是区别系数和0 <<1，通常0.5；第3步：计算灰色关联度 第4步：排列所获得的灰色关联度；因此，灰色关联度可以确定。如以前所说，灰色关联度将在聚类分析被用于权衡系数的相应作用。需注意的是，灰色关联度范围从0到1。通常，>0.9 表明显著影响，> 0.8表示比较有显著影响，> 0.7表示不可忽视的影响，和 <0.6表示一个微不足道的影响13。3 案例研究 - 住户行为住宅的影响3.1 数据收集与预处理为了评估和改进住宅建筑物的能源状况，日本建筑研究所于2002年12月至2004年11月进行了一个题为“日本各地居民能源消费调查”的项目 14。这个项目，显示了日本英格斯六个不同的地区实地调查的与能源有关的数据和其他有关资料：北海道，东北，北陆，关东，关西和九州。表1显示了调查项目及相应的调查方法。图 2显示了用于监测温度和电力、天然气、煤油消耗测量工具。该建筑能耗分成八种主要用途负载：（1）暖通空调，（2）热水供应（HWS），（3）厨房（KITC，包括烹饪和其他厨房设备等如洗碗机和抽油烟机），（4）照明（LIGHT），（5）冰箱（REF），（6）娱乐与信息（AI，如电视，远程电话，电脑），（7）家务和卫生（HOUSE，如洗衣机，真空吸尘器和剃须刀），（8）其他（OTHER，不确定的使用，如电动卷帘和所有不明确的项目）。 审查从80栋建筑获得的数据，研究人员发现只有67套是完整的，而还有13套的能源消耗数据丢失了。数据缩减和聚集接着进行以获得较小的原始数据代表。例如，各种建筑物使用的不同种类的原始能源的各种能源单位，包括电，天然气和煤油，依据转化系数转为的，使他们可以直接相加。然后，在不同的使用间隔（如1或5分钟）检查每个月的平均最终使用负载，由此产生的数据被储存在一个数据库。 3.2典型参数的选择其主要参数，代表与住户行为无关的四个影响因素一般可以在聚类分析之前确定。基于日本住宅楼宇的特征，从数据库中获得了这四个影响因素的十二个代表参数并列于表3：众议院类型区分为独立式住宅或公寓。b由风机加压测量方法。c按建筑设计方案的基础上。ð能源的使用源区分为电或非电。由于空间的冷却设备全部电器，HC的值是由供暖设备。3.3结果与讨论3.3.1 灰色关联度 这项研究的最终目标是确定住户行为对建筑能耗的影响。因此，2003年一年的建筑能源使用强度（EUI）被选定为GRA的目标序列，相应地，没有必要单独地考虑建筑面积。在其余十一个参数中，四个参数是天气时间序列变量，可以看作是时间的函数。为了考虑到利用这两个季节和区域气候影响的差异，灰色关联度首次依据每月每建筑EUI和当地每月气象参数来计算15；然后，平均各地区的灰色关联度。对于其他七个参数，考虑到数据库的大小，灰色关联度被用于所有计算物的计算。GRA结果列于表4。由此可以看出，关于气象参数，与其他三个因素相比，一般室外空气温度EUI的影响更为显著，特别是在寒冷地区，即北海道和东北。同时，占用数和热损系数对建筑节能性能也有显著的影响，因为这两个参数的灰色关联度在0.7和0.8之间。这意味着，在建筑设计阶段应更加注意这两个因素。3.3.2 聚类分析经过数据预处理和灰色关联度的计算，即选定参数的加权系数表3，聚类分析是利用开源数据挖掘软件WEKA进行的。聚类分析结果见表5。考虑到数据库的规模，利用基于欧氏距离方法的K -均值算法确定了四个集群。代表各种距离平均值的聚类中心用来表征集群。例如，从集群1中可以看出，与其他集群相比，是一个代表较高室外空气温度的建筑部分（在这个集群中T集群中心是0.609，比其他三组高），独立式住宅（在该集群中HT集群中心是0印第，表明，在该集群中所有建筑都是独立的房子），高热损失系数，低等漏面积，居住人员少，水和厨房设备非电热水供应等。同样的，其他集群可作如下解释：第二组主要可定性为高太阳辐射，住户数大，电采暖和制冷，以及厨房电子设备。第3组是一个代表较低室外空气温度，较高热损耗低系数，高当量漏面积，非电热水供应的建筑段。第4组，主要特点是高户外相对湿度，非电气空间加热和冷却，厨房电子设备。此外，还给出了所有数据的中心，如图所示全部数据列于表5。以十一种属性为基础的集群的内部凝聚力和外部分裂表明这些属性在同一集群中具有最相似的整体建筑节能效果，同时对不同的建筑群的影响显著不同。3.3.3住户行为的影响3.3.3.1终端使用负载形状。四组集群产生后，平均每组中各种建筑一年的不同终端使用负载。图.3表明每个群集不同的终端使用负荷每年的平均EUI。整个的每年终端使用负荷比例也在相应的条形图中给出了。如图.3所示，就每年的平均EUI而言热水供应和空调在四个集群形成两种最大的终端使用负载，而家务劳动，卫生和其他方面有小的贡献。此外，两个最大的载荷远超过其他六种终端使用负荷，那些负荷比重在大多数集群中并没有显著变化。这表明不同集群的住户也有类似的行为。此外，这些集群中的热水供应和空调的比例都大致稳定，除在群集4中空调的比例明显增加，这主要由中低室外空气温度和非电采暖设备引起。这一增长部分原因可能是由两个因素造成：（1）日本的高电价，和（2）非电采暖设备的高效率如煤油暖炉设备。在其他三组高电价往往限制住户使用电加热/冷却设备，而第4组中鼓励居民利用高效率非电采暖设备，从而增加能耗。因此，电价和主要加热/冷却源的合理组合可以通过影响住户行为达到降低建筑能源消耗的目的。 3.3.3.2不同终端使用负荷住户行为引起的每年EUI变化。为了验证每年不同终端使用负荷的变化是住户行为引起的，对每个群集终端使用负荷进行了标准化和绘图。图. 4描述了不同终端使用负载标准化的年EUI的框形图。每个建筑的年EUI是通过集群中所有建筑的平均值标准化的，从而突出变化使所有的终端使用负载以同一规模绘制。如图.4所示，由于住户行为导致了从接近零范围至大约4倍于平均值范围的很大的变化。由于每栋建筑的终端使用负载是通过群集中所有负载的平均值标准化的，终端使用负载从零值到两倍于均值范围多被认为是一个很小的变化。相应地，重大的变化阈值被定义为2（由虚线所示）。除了HWS和REF，在大部分群集中其他六种终端使用负载范围超过阈值。如此大的变化意味着通过改善与六种家用终端使用负载相关的住户行为仍然存在着很大的节能潜力。相反，考虑到HWS和的范围相对较小，在这部分通过改善住户行为减少建筑能耗的可能是很小的。 3.3.3.3参照建筑和节能潜力。为了评估四组节能潜力，先确定各组的参照建筑。参照建筑的特征通过鉴别就欧式距离和终端适用负载而言识离集群能源消耗中心最近建筑来确定。各集群参照建筑的不同终端负载的年列于表6。图5显示了四组集群中不同终端负载三个典型建筑的年EUI堆积柱图：参考建筑（）和建筑物的最小（in）和最大（）年EUI。居住者的行为导致各群集中三种不同建筑物之间的巨大差异。在这项研究中，把参照建筑的不同终端负载的年EUI作为基准。相应地，年EUI比参照建筑大的建筑的节能潜力可以通过计算他们之间的差别确定。例如，潜在的节能通过四组中最大年建筑住户行为改善，如EUIMax EUIRB，分别是281MJ/m2，250 MJ/m2，198 MJ/m2，和202MJ/m2。此外，比较参照建筑提供了研究终端使用负载的方法，看起来似乎有最大的节能潜力。例如，各集群中最大年EUI和参照建筑的比较表明暖通空调节能贡献最大，而HWS的贡献很小。这个结果与从图.3中得到的结论是一致的。同样，每个群集其他有明显节能潜力终端使用负载的可以检验，如第一组的家务和卫生和第四组的照明。这些信息可以帮助业主认识到哪些住户行为应该在实际中改正，以有效改善建筑节能性能。此外，根据这些信息，一个更好的效果可能会实现，如果建筑住户受到能够改善他们行为的节能教育和建议。应该指出的是，在与参照建筑相比时，这四组中具有最小年EUI的建筑物不仅有较低的HVAC EUI，也有更小的HWS EUI。可能的解释是，在这些建筑住户通过关注生活成本减少了能源消费。例如，这些居民可能会在寒冷季节降低房间空调器的使用频率，即使室内温度不是最舒适的温度。需要进一步开展实地调查，以确定真正的原因。3.3.3.4住户行为引起的终端使用负载月变化。为了检验住户行为随着时间的推移对终端使用负载的影响，每组建筑平均终端使用负载的月变化绘制在对数图中，如图.6-9所示。显然，空调在所有的四组中有显著的变化。一般来说，暖通空调高峰发生在取暖季节，特别是在十二月和一月，而发低谷期发生在空调冷却季节，尤其是六月和七月。这发生可能是因为四个地区（即北陆，关东，关西和九州）有温和的气候发生，其他两个地区（北海道，东北）位于寒冷的气候区，比起加热能源需求冷却能源需求相当低。与此同时，第3组中室外空气温度最低的空调，有最大的峰值与谷底的比。这表明，天气条件显著影响住户行为，从而影响建筑能耗。至于HWS，考虑到变化的绝对幅度是比较大的，其变化是明显的。一般情况下，HWS的峰值出现在十二月或一月，而谷值出现在八月或九月。显然，这也是天气条件，特别是室外空气温度造成的。关于，KITC，和，这四条曲线反映了这四组中各组之间显着的相似性，所有这些变化几乎不到平均值的20。这表明，这些建筑住户倾向于维持他们的生活方式，以及每月都没有很大波动的与那些终端使用负荷相关的他们的一般室内活动水平。此外，其他两个较小的终端使用负载，即房屋和其他，在四组中表现出显著的季节变化，而绝对的变化幅度相对较小。基本上取暖季节的终端使用负载比制冷季节高。需要进行一个相应住户行为的进一步调查来解释这种季节变化的原因。 3.3.3.5空调房间的月平均室内气温。不同居住者的行为，特别是与暖通空调相关的，可显著影响室内气候，这将反过来影响住户行为，从而造成建筑能耗的巨大差异。因此，住户行为对建筑能耗的影响应结合室内气候理解和诠释。图.10-13显示各组三种典型建筑客厅的月平均温度：参照建筑（RB）和最大和最小年EUI的建筑（最大值和最小值）。所选的这些客厅有空气调节器和加热设备。图.12表明，在制冷季节三种建筑的客厅温度有显著差别而在其他季节有很小的不同。制冷季节客厅温度的最大值维持在24C。同时，客厅的最低温度比最大值约高5C，而在这个季节参照建筑的客厅温度一般在最大最小值之间。考虑到第1组最高室外空气温度的特点，可以推断这三个建筑在制冷季节房间空调器的使用频率排序依次为：最大>参照>最小。关于其他三组，图.11-13表明，全年客厅的最大温度维持在大约24C，而参照建筑的客厅温度和最小值随室外气温变化。显然，这三种建筑利用空间制冷和加热的频率无论在制冷还是取暖季节都与第一组的排序相同。这些结果表明，住户追求热舒适的行为通常会导致高能源消耗。因此，必须有一个人热舒适度和建筑能耗的权衡，并且有必要达到通过调整住户行为获得高舒适度水平和减少能耗的平衡。 4 总结本文的主要目的是通过聚类技术发展新的数据分析方法，确定住户行为对建筑能耗的影响。它基于与住户行为无关的四种影响因素，把所有调查建筑中的相似建筑分组，因此对于同一组中的各建筑这四个因素对建筑能耗也有类似的全面影响。最小最大标准化技术作为数据预处理程序来处理各种属性的不一致。也进行灰色关联分析，灰色关联度，两种因素间的相关性度量，被用作聚类分析中的权衡系数。 为了证明其适用性，这种方法被用于坐落在日本六个不同地区的住宅建筑群。测量了这些建筑物的能源相关数据，并且在审议测量数据之后开发了数据库。从数据库中获得了代表与住户行为无关的影响因素的十二种属性。K -均值法被应用在聚类分析中，结果获得四个集群。在四个集群中，对住户行为对建筑能耗的影响在终端使用水平进行了审查。分析了终端使用随时间的变化和住户行为引起的建筑能耗的减少。此外，作为检验建筑节能潜力第一步，参照建筑被定义为就欧氏距离和终端使用负载而言能源消耗最接近集群能源消耗中心的建筑。此外，为了更好的理解和诠释住户行为的影响进行了室内气候研究。提出的这种方法使研究人员能够通过改善住户行为评估建筑节能潜力，并提供与住户行为相关的建筑能源终端使用模式对方面的见解。所得结果可以帮助获得通过改善住户行为减少建筑能耗的优先努力，也可以用来改善数值模拟时对住户行为的模拟。由于这些方法可以提供住户行为更加精确的影响，未来研究的重点应放在确定适当的建筑群样本大小和数量，选择可以充分反映与住户行为无关的影响因素的典型属性。此外，其他方面的更多案例研究，例如商业建筑和办公大楼，应进一步提高建筑物的能源状况和政策的制定。致谢笔者们想向公众工程和加拿大政府服务部门及提供财政支持的康科迪亚大学表达他们的感激之情。参考文献（略）17