随着高校规模的扩大，其能源需求也不断增长. 我国有2 000余所高校，产生的能耗约占社会总能耗的8%^[1]. 在高校能耗中，空调能耗占较大比重. 赵美等^[2]对上海某高校的分项能耗分析结果显示，空调能耗占比最大，达41.8%. 随着教学条件的改善，高校的教学楼也逐步普及空调. 高彪等^[3]研究表明，现有的教学建筑加装空调后，其全年单位面积能耗将提高15~30 kW·h/m²，是未装空调的2倍. 教学建筑在高校建筑中占有较大比例，教学建筑空调用能管理对绿色校园建设有着重要意义.

高校教学建筑使用人数多，人流量大，人员在室情况受课表影响大；关于其空调使用行为和能耗分析的研究较少； 而对于办公建筑等有典型空调使用规律的建筑，针对其使用行为方面已有较多的研究，如：已有学者提出典型在室模式式^[4-5]、开关窗模式^[6]等. 由于教学建筑空调使用更为随机，教室内空调（分体式空调或空调末端）的使用率波动较大，对空调系统负荷率、系统运行性能以及能耗有明显的影响. 胡天乐等^[7]对北京市某高校教学楼部分教室的调研结果显示，教室在不同时间段的使用率相差较大； 对于用于自习的教室，结合其使用特征对空调运行策略进行优化后，预计可节能18.8%. 目前的研究显示，仅更改课程的时间安排，即使不优化空调的运行策略，也有一定的节能潜力. 例如，Song等^[8]开发了一种以节能为目的的排课算法，与现有的课程表相比，通过该算法优化后的教学课程表可节约4%的空调能耗，证明了改变空调使用行为对节能的作用. 因此，提炼典型的空调使用模式，据此预测教学建筑的空调能耗并进行节能管理，有着很大的节能潜力. 由于历史与经济等原因，近几年国内的教学建筑才开始逐步安装空调，且目前很少有相关的监测系统可以大规模、精确地监测到空调末端使用. 因此对于教学建筑空调使用的研究，尤其是对于夏热冬冷地区教学建筑的空调使用研究，仍处在起步阶段. 此外，现有研究中，更鲜有教室内空调使用特征和能耗的解耦分析.

随着以物联网为代表的信息技术的发展以及节能监管平台的广泛应用^[9]，获取空调实时使用和能耗大数据成为可能. 根据这些实时监控的大数据，通过数据挖掘等方法，可以发现空调系统的运行规律与潜在问题^[10-14]. 然而，高校的节能监管平台通常仅监控整栋楼的空调能耗情况，对每个房间内的空调能耗很少有监控. 谈雪等^[15]分析了江苏省某高校4年内不同建筑类型的能耗，结果显示，教学建筑的逐月用电量受学校的日程安排和季节的影响显著. 张喜勇^[16]比较了校园内各类建筑物之间的制冷和供暖负荷波动特征，分析结果表明，在高校各类型建筑中，教学楼的负荷波动性最大. 然而，这些研究的对象集中在建筑物整体或整个教学建筑区域，而不是建筑中的各房间或空调末端的能耗及使用情况，其分析因素也大多以时间特征和气候特征为主，忽略了不同房间内的空调使用特征，难以精细地针对不同房间特征和空调需求情况进行节能管理. 只有分析出房间或末端的空调使用情况才能直接反映出在室人员的空调使用行为，从而有助于更准确地分析行为与空调能耗的关系，这对教学建筑空调能耗准确预测及节能管理有着重要意义.

本研究基于浙江省某大学节能监管平台的实时监控数据，采用数据挖掘方法，获取典型的空调能耗模式，定量描述教学建筑复杂空调使用行为下的能耗类型. 此外，根据笔者先前研究中提出的教学建筑典型空调使用模式^[17]，采用决策树和随机森林这2种有监督的机器学习算法，建立空调使用行为与能耗解耦模型，描述复杂空调使用行为与能耗之间的关系.

研究数据来自于浙江省某高校的节能监管平台. 该平台监控该校园内18座教学楼中385间教室的所有空调使用情况. 该校教学楼空调系统为多联机（variable refrigerant flow，VRF）形式. 在每个教室中，在室人员可以通过室内的控制面板控制VRF系统的室内机. 节能监管平台中监测模块负责对VRF的远程数据进行采集^[18]，其每隔半小时采样1次；所采集的数据包括采集时间、室内温度、设定温度、空调状态（如：制冷、制热等）、空调启停、空调能耗. 空调能耗由安装的智能电表采集，精度为一级，误差为±1%；其他参数由内置在VRF室内机中的传感器采集，温度测量精度为± 0.5 °C. 本研究收集了2016年12月—2019年2月所有教室的采样数据，共5 500万条记录.

数据预处理过程将每间教室每天的空调实时启停状态数据转换为每日空调开关序列. 例如：某小时内空调开启则标记为1；否则，标记为0. 每个空调开关序列为1条记录.

该校共有18栋教学建筑，建筑体量较小、层数少，但建筑数量较多，共有385间教室，教室容量分为20、40、60、90、120、160、250和300人这几种规模. 其中，容量为90人的教室数量最多，占比为36.1%. 根据各教室全年空调使用的天数占比，统计得到全年的日空调使用率R_use. 由于容量为90人以上的教室数量少，利用率高，其全年的日空调使用率也最高. 教室分布与其他统计信息如表1所示. 其中，N为教室容量，R_room为不同规模教室的占比，S_max和S_min为不同规模教室对应的最大面积和最小面积，N_AC为空调数.

由于各教室面积不同，教室的空调台数不同，产生的空调能耗也不同，将教室规模作为一个考虑因素. 该校容量为90人的教室数量最多，其较为典型，因此将容量小于90人的教室归类为小规模教室；容量为90~120人的教室的空调数为3~4台，将其归类为中等规模教室；容量大于120人的教室数量较少，其空调数大于4台，将其归类为大规模教室.

各教室的全年日均空调使用时长（T_use）统计如图1所示. 可见，在正常授课时间段，即3~6月、9~12月，大规模教室的日均空调使用时长最长，中、小规模教室的使用时长区别不明显. 在寒暑假，即7~8月、1~2月，大规模教室的日均空调使用时长明显低于中、小规模教室. 由于各月气候的差异及高校寒暑假安排，人们在不同的时间内有不同的空调使用行为，需要对全年的不同时间段进行划分，以便于后续研究. 2016—2019年的各月平均气温（t_out）和制冷、制热使用占比（R_use）统计如图2所示. 其中，制冷、制热占比为制冷或制热工况的记录数占该时段所有空调使用记录数的比例 ${R_{{\rm{use}}}^{\rm{m}}}$. 根据气候和在室人员不同的制冷、制热需求以及该校各月的校历安排情况，将全年分为5个空调使用时间段（季节），如表2所示. 其中，仅在过渡季中同时存在着制冷与制热的需求. 此外，根据该校的每日作息时间表（如表3所示），考虑到学生自习的需求，将每天8:00—22:00作为教学楼的使用时间段，将该时间段内的空调使用与能耗作为本研究的分析对象.

通过该校节能监管平台的实时监测数据，分析该校教学建筑的能耗情况，结合笔者先前研究得到的典型空调使用模式^[17]，建立空调使用与能耗之间的关系，并对强随机性的空调使用与能耗之间的关系进行解耦. 整体研究框架如图3所示.

由于国内大部分高校的教学建筑采用分体式空调或VRF空调，各房间可以单独控制空调运行，对于后勤人员而言，其更需要考虑的是单个教室的空调运行情况及其产生的总空调能耗值，从而针对不同规模教室的空调使用情况制定不同的管理策略. 因此，本研究选取教室为对象，进行各教室的空调使用行为特征和空调能耗特征分析，并解耦不同规模教室的空调行为对能耗的影响.

本研究采用聚类分析方法进行典型空调使用模式和能耗模式的挖掘；采用决策树和随机森林方法建立空调使用行为与能耗之间的关系. 采用基于距离划分的聚类方法进行聚类，该方法已被广泛应用在建筑科学领域，例如：在室的模式挖掘^[19]、能耗模式的提出^[20]. 此外，对于空调使用模式的分析，由于涉及到时间序列，与数据挖掘相关的研究表明，基于欧式距离的k-Means方法适用于该类型的分析^[21]. 本研究使用围绕中心点的划分（partitioning around medoid，PAM）聚类算法^[22]. PAM算法使用实际的样本来代表每个类别，基于所有样本与对应代表样本之间差异度最小的原则进行聚类划分；与k-Means算法相比，PAM算法选择数据点作为中心，可以减少极值的负面影响，结果更准确. 由于PAM算法需要在聚类之前确定聚类个数，本研究选用组内平方和（within sum of squares，WSS）判据以得到最佳的聚类数. WSS判据是一种启发式方法，其根据由不同聚类数（k值）进行试探性聚类后得出的WSS值来评价聚类效果，即随着聚类数（k值）增加，WSS值下降的幅度变缓，而WSS值降低幅度明显变缓的拐点即为最佳聚类数.

对于典型空调使用模式聚类，本研究选取时间段（8:00—22:00）内各教室的每日空调开关序列和每日空调总使用时长作为聚类属性，其分别表征每日的空调使用时间分布以及总空调使用时长.

在进行空调能耗模式挖掘时，由于空调在制冷和制热工况下能耗特征不同，对制冷和制热工况分别进行分析. 选取各教室的每日空调能耗、每日空调使用时长以及逐时能耗标准差作为能耗模式挖掘的聚类属性.

在行为与能耗关系解耦中，采用决策树与随机森林方法，选取空调使用模式、季节、教室规模、空调使用强度和每日空调使用时长作为模型输入，模型输出为能耗模式. 其中，决策树是数据挖掘方法中常用的分类方法，通过树状的条件流程图，将没有分类的新数据根据其逻辑判断条件，划归到预先定义好的类中，该方法已被广泛用于能耗强度评估^[23]、人员在室模式识别^[5]等方面. 本研究采用分类回归树算法，选择具有最小基尼不纯度的属性作为节点的分支属性，使每个分支的基尼不纯度降低，直到划分得到的基尼不纯度不再有显著降低为止，从而形成完整的决策树. 随机森林是一种整体学习算法，将许多的决策树集合成一个“森林”，其中每棵决策树都依赖于独立抽样，最终结果为所有决策树分类的众数. 随着决策树数量的增加，其泛化误差收敛，对于离群点的鲁棒性更强^[14].

采用交叉验证法对空调使用行为与能耗解耦模型进行验证. 随机选取75%的实验数据作为训练集，以建立和训练模型；25%的实验数据作为测试集，用于检验完成训练后模型的性能，避免模型出现过拟合.

采用混淆矩阵评估模型对各个模式的识别效果进行评估，如表4所示. 其中，列表示根据模型所预测的类，行表示实际的类，对角线上的值为被正确分类的样本.

对于决策树模型而言，使用准确率即可满足对模型效果的评估^[22]. 对于随机森林模型，由于其无法提供类似于决策树的逻辑流程图，除了整体的准确率外，对于每个不同模式的识别效果，采用精准率和召回率进行分析评估. 其中，准确率又称总体识别率，为被该分类器正确识别的样本所占的百分比，反映了模型对于样本的整体识别情况；对某种模式的预测结果而言，精准率又称精度，表征被预测为某类的样本中实际属于该类样本的数量占比；召回率又称灵敏度，对原样本而言，表征实际为某类的样本被正确预测的数量占比.

受气候、在室情况和学校作息等因素的影响，教学建筑在不同季节有着不同的空调使用模式^[16]. 根据WSS判据，应用上文的聚类属性，找出WSS值下降率的拐点即可得到最佳聚类数. 在全年中，夏初夏末、冬初冬末的最佳聚类数为6种；在过渡季中，制冷工况下的最佳聚类数为6种，而其制热工况对应的为4种；而在寒暑假期间，由于课程减少，空调使用行为相对简单，对应的最佳聚类数为3种.

确定聚类数后，根据PAM算法进行聚类，进一步得到全年的6种典型模式. 所有监测教室的每日空调开关序列均可被归属到对应的模式. 统计各典型空调使用模式下样本的逐时空调使用率 ${R}_{\rm{{use}}}^{\rm{{hr}}}$，即为该模式下某小时空调为开启的记录数占该小时所有记录的比值，如图4所示. 表5统计了每个空调典型使用模式的特征. 表中，P为属于该模式的每日空调开关序列数占全年总序列数的比例.

1）聚类P1所占比例最大，但该聚类平均使用时长最短，一天中逐时空调使用率变化不显著，属于“间断使用”模式. 该模式平均使用时长仅为2.1 h，对应该校一节课的时长，空调使用情况主要受上课时间和课程时长等因素的影响.

2）聚类P2对应教学建筑全天工作时间段（8:00—22:00）均使用空调的模式，定义为“全时段使用”模式；其使用时长最长，为12.1 h，全天工作时间段空调使用概率都大于60%，并在21:00大幅下降，对应晚间下课时间，反映了从早晨至晚间都有课程且使用空调的情况.

3）聚类P3体现了白天使用的情况，定义为“白天使用”模式，其使用时长为8.0 h，白天的使用率均在50%以上，到了16:00后，使用率有着明显的下降，对应该校仅在白天有课的情况.

4）聚类P4从12:00起使用率开始升高，在14:00到达最高值，17:00后恢复到较低的使用概率，空调使用集中在下午，使用时长为3.7 h，定义为“下午使用”模式.

5）聚类P5中，空调使用率从8:00起即大于50%，并在10:00达到最大值，11:00后使用率开始逐步下降，且在12:00—13:00与“下午使用”模式的使用率相等, 其使用时长为4.9 h，定义为“上午使用”模式.

6）在聚类P6中，空调使用率从中午12:00后开始升高，即从后半天开始使用较为集中，使用时长为7.6 h，定义为“后半天使用”模式.

表6统计了经过聚类后不同季节和工况下每种模式的每日空调开关序列数占该季节、该工况总序列数的比例. 表中，“−”表示在该季节和空调工况下不存在此类典型空调使用模式. 在学校正常上课期间，即夏初夏末、过渡季、冬初冬末3个季节，6种模式都是典型使用模式，这表明在正常教学时期的空调使用行为比在放假时更复杂. 在过渡季制冷工况下，“间断使用”模式占比最高，为0.40. 在夏初夏末情况下，由于下午室外温度在全天中最高，“下午使用”模式占比最高，为0.30，“间断使用”模式次之，为0.21. 在冬初冬末情况下，最高占比的使用模式为“白天使用”模式，占比为0.25. 在盛夏与严冬，由于学校进入寒暑假，课程减少，空调使用更简单，仅“全时段使用”、“白天使用”和“间断使用”模式为典型的使用模式，且较长使用时间的模式，如“全时段使用”和“白天使用”模式占比更大，在盛夏时这2种模式共占比0.56，在严冬时共占比0.60.

不同容量教室日空调能耗值如图5所示. 其中，E为教室的日空调能耗. 可见，教室容量越大，装配的空调数越多；容量大的教室同时使用多台空调，使得能耗明显上升.

对于不同容量的教室，其单位面积的日空调能耗，即用能强度（energy use intensity，EUI）如图6所示. 随着教室容量增大，空调总能耗值增大，但其单位面积能耗随之减小.

高校教室数量众多，各教室的规模和空调数量不同，空调使用行为各异，导致不同教室的能耗差别较大. 为了得到各类教室的空调能耗特征及其影响规律，还需要确定各教室典型的空调能耗模式. 根据WSS判据，制冷和制热工况下的最佳聚类数均为4类.

由于部分教室的空调数大于1台，而室内的空调开启台数对能耗有着显著的影响，对于装有多台空调的房间，采用空调使用强度I_AU进行评估，其计算方法如下：

(1) ${I_{{\rm{AU}}}} = \frac{{ \sum \nolimits_{i = 1}^{{h_{{\rm{ac}}}}} n_i^{\rm{u}}}}{{n \times {h_{{\rm{ac}}}}}}.$

式中：h_ac为一天内总空调使用小时数； $ {n}_{i}^{\mathrm{u}} $为在空调使用的第i个小时中使用的台数；n为房间内的空调总数. 例如：某房间装有2台空调，一天中的空调使用时长共8 h，其中2 h 2台空调全部开启，6 h只开启其中1台空调，则由式（2）可知，I_AU= 0.625.

制冷和制热工况下典型能耗模式的特征值如表7所示. 其中，S为逐时能耗标准差. 对于制冷工况，低能耗模式占比最高，占整个制冷工况的31.7%，其日空调能耗最低，日空调能耗的平均值为4.03 kW·h，表征该校低能耗水平的平均能耗；该模式下空调使用时长最短，为2.3 h. 中等能耗模式的空调使用时长平均值为4.9 h，日空调能耗平均值为16.65 kW·h. 在长时间使用空调的情况下，由于使用强度不同，能耗情况有着一定的差异：“长时间、中等能耗”模式使用时间最长，为10.25 h，其I_AU与中等能耗模式相同，为0.66，能耗显著低于“长时间、高能耗”模式；“长时间、高能耗”模式在制冷工况中占比最低，为18.9%，使用时间与“长时间、中等能耗”模式相近，为9.16 h，由于使用时间长，开启的空调数量多，能耗显著高于其他模式，平均日空调能耗为66.30 kW·h，代表了该校高耗能教室的夏季空调用能水平.

对于制热工况，各模式的分布与制冷工况相近. 低能耗模式占比最高，为整个制热工况下的29.3%，使用时间为2.48 h. 中等能耗模式的平均日空调能耗为26.50 kW·h，使用时间为4.3 h. 在长时间使用空调的情况下，同样出现2种模式，其中，“长时间、中等能耗”模式使用时间在制热模式中最长，为9.25 h，而其I_AU最低，为0.48，低于低能耗模式，且日空调能耗与中等能耗模式相近. 该模式表征了空调使用时间较长但空调开启数量较少的情况；“长时间、高能耗”模式下的平均空调使用时长为9.08 h，其I_AU最高，为0.70，表明了同时长时间使用多台空调的能耗情况.

从制冷、制热2种工况下的不同能耗模式可见，在使用时长基本相同的情况下，制热工况下各能耗模式的日空调能耗和逐时能耗标准差均高于制冷工况，说明相同情况下制热工况的能耗和波动水平都较高. 考虑到在冬季，空调使用期间的空调设定温度较高，室内外温差大，而不上课时教室门窗通常开启，冷风侵入带来的负荷更高，因此冬季制热能耗更高. 各月份的空调设定温度与月均室外平均温度如图7所示. 图中，t_out为室外温度，t_set为空调设定温度. 根据房间日空调能耗，4种模式将所有教室的空调能耗分成了3个不同水平：低能耗模式对应低能耗水平；中等能耗模式和“长时间、中等能耗”模式对应中等能耗水平，两者日空调能耗基本相近而空调使用时间不同；高能耗水平对应“长时间、高能耗”模式.

制冷与制热工况下典型能耗模式在不同典型使用模式下的分布如图8和9所示. 其中，R_E为各能耗模式在相应使用模式下的占比. 制冷工况下，空调使用时间相近的使用模式能耗情况差距很大，例如：在“上午使用”空调使用模式中，中等能耗模式占比最大，达73.7%. 使用时长近似的“下午使用”模式中，对应占比最大的能耗模式为低能耗模式，为55.5%. 制热工况下，使用时长相近的空调使用模式对应类似的能耗情况，如“上午使用”和“下午使用”，其典型能耗模式的分布情况相近.

基于决策树模型得到的制冷工况下空调使用行为与能耗的关系如图10所示，相应制热工况下的决策树如图11所示. 其中，LE（low-level energy）表示低能耗模式；ME（mid-level energy）表示中等能耗模式；ME_LT（mid-level energy with long usage time）表示“长时间、中等能耗”模式；HE_LT（high-level energy with long usage time）表示“长时间、高能耗”模式；节点上方框中数字表示节点的序号，节点中变量表示判断的条件. 叶节点表示逻辑条件下的分类结果，其中，条形图表示样本属于各种能耗模式的可能性.

对于制冷工况，空调使用和能耗的解耦关系如下.

1）在决策树分支节点中，使用时长、教室规模和空调使用强度的出现频率最高，而季节的相关节点没有出现，说明前三者与能耗模式有着明显的对应关系，而在制冷工况下季节与能耗模式的关系不明显.

2）对于1号节点，使用时长大于7.5 h情况下对应的能耗模式均属于“长时间”运行下的能耗模式，而小于7.5 h均对应“短时间”运行下的能耗模式，说明7.5 h是从用能角度划分该校空调使用时间长短的分界值. 在使用时长大于7.5 h的情况下，不同的教室规模可以进一步对应不同的能耗模式. 对于小规模教室，有74.5%的概率为“长时间、中等能耗”模式. 对于中等规模和大规模教室，能耗模式还须进一步根据空调使用强度和使用时长来划分，在空调使用强度小于0.542的情况下，大规模教室有70.5%的概率为“长时间、高能耗”模式，中等规模教室有76.4%的概率为“长时间、中等能耗”模式. 在空调使用强度大于0.542的条件下，中等规模和大规模教室中多台空调同时开启，每小时能耗高，因而使用时长对能耗产生更直接的影响，当使用时长大于13.5 h时，中等规模和大规模教室有65.5%概率属于“长时间、高能耗”模式；反之，则有64.4%的概率为“长时间、中等能耗”模式.

3）当使用时长小于4.5 h时，仅在大规模和中等规模教室且在相对较高的使用强度下，中等能耗模式出现的概率较高；而在其他情况下，低能耗模式出现的概率最大，为63.1%~88.4%.

与制冷工况相比，制热工况的决策树节点数较少，其使用和能耗关系解耦如下.

1）从1号根节点可见，制热模式下影响能耗模式识别的使用时长分界为6.5 h，空调使用时间大于6.5 h的各类教室属于“长时间、高能耗”和“长时间、中等能耗”模式，小于6.5 h则大多属于低能耗或中等能耗模式.

2）在使用时长大于6.5 h的情况下，能耗模式仅由季节决定，相对冬季而言，过渡季的制热能耗较低，在该条件下83.2%的教室属于“长时间、中等能耗”模式，而在严冬与冬初冬末，各教室对应于“长时间、高能耗”模式的可能性更大，其概率为60.0%.

3）在使用时长小于6.5 h的情况下，除过渡季外，其余季节中各教室对应中等能耗模式的概率最高，在50.6%~60.0%；而当使用时间小于2.5 h时，各教室对应低能耗模式的概率为86.7%.

制冷和制热工况下决策树模型的混淆矩阵如表8和9所示. 根据预测集的计算结果，制冷工况下，该模型的准确率为73.9%，制热工况下为67.4%.

随机森林是基于决策树模型的整体学习方法. 选取森林容量为1000，将其众数作为最终模型输出的结果. 由于属于“黑盒”模型，其无法生成判断逻辑图，但是输入季节、教室规模和空调使用等数据后，可计算得出对应的能耗模式. 在制冷和制热工况下，根据预测集建立的混淆矩阵如表10、11所示.

采用精准率与召回率来评估模型的预测效果，如表12所示. 表中，R_pre为精准率，R_re为召回率. 可见对于制冷工况下，对低能耗和“长时间、高能耗”模式的识别中，精准率略高于召回率；而对于中等能耗和“长时间、中等能耗”模式，召回率略低于精准率. 对于制冷工况下的低能耗模式，其精准率与召回率都较高，表明对于低能耗模式，该随机森林模型能更准确地解耦行为与能耗的影响关系.

基于基尼系数^[24]得到的各变量对能耗影响的重要程度见表13，表中，P_use表示空调使用模式，S_cls表示教室规模，S_e表示季节. 可见，制冷和制热模式下各变量的重要程度排序相近. 各参数中，使用时间对能耗的影响最大；而空调使用模式对能耗影响次之；相对于其他变量，季节对于能耗的影响最小.

根据预测集建立的混淆矩阵结果，在制冷工况下，随机森林模型的准确度达到76.0%，制热工况下为72.2%. 与决策树模型相比，2种工况下随机森林算法的准确率均有一定提升；且相对于制冷工况下随机森林的提升效果而言，由于制热工况的决策树节点较少，其受随机抽样的影响较大，仅使用单一的决策树会有一定的误差，而通过随机森林算法中多个决策树的整体学习，其准确率提升效果更明显.

由于受到不同时间内的课表不同、学生可对教室空调进行自由控制等因素的影响，相比办公建筑，教学建筑的空调使用具有更大的随机性，且不同教室的空调使用模式差别很大. 在教学建筑的能耗模拟中，通常以固定的作息时间作为输入条件，或者仅以温度作为空调开启的判断条件，这些假定与空调的实际使用情况差异很大，导致模拟结果往往与实际相差过大.

本研究分析了教学建筑的空调使用行为和空调能耗情况，将复杂的空调使用行为概括为典型的使用模式，并且提出不同时间段各模式所占比例和其逐时使用概率，这可以作为教学建筑能耗模拟的依据，而不需要庞大的各教室课程表信息. 此外，由于教学建筑的空调使用有着明显的时间性，使用模式和能耗模式分析对空调系统的冷热源选型也有着一定的参考意义，例如：全年中“间断使用”模式占比最大，因此在选择冷热源时需要考虑设备的部分负荷性能.

教室空调能耗分析发现，该校各教室的单位面积空调能耗随着教室容量的上升而下降，但由于教室面积大，空调数量多，其总空调能耗值却更高. 在高校节能管理中，房间的日空调能耗对于后勤和教务管理人员而言更具有价值. 这是因为后勤和教务管理人员通常以教室为对象进行空调运行管理和课表安排，教室总能耗比单位面积能耗更具有直观性，便于根据教室的类型有针对性地制定空调节能运行管理方法和进行课程安排. 单位面积能耗指标则更适合被学校高层用于进行整个校园的节能管理，如：能源审计、能源规划等.

此外，可以利用空调运行数据，并基于本研究提出的空调使用与能耗解耦方法，对各教室在不同空调使用行为下的能耗情况进行预测. 同时，后勤人员可以根据行为与能耗的对应关系，对空调运行情况或能耗情况进行诊断. 对于本文中提出的2种空调使用行为与能耗的解耦模型，尽管基于随机森林的“黑盒”模型难以被直接理解，该模型有着良好的预测性能，可以直接被集成至节能监管平台中，从而实现能耗模式的预测. 利用决策树模型得到的可视化条件逻辑图则更有助于后勤人员制定节能管理规则.

由于室内外的气象因素对于空调的能耗也有一定影响，在下一步的研究中，将其加入模型中，可以进一步提升模型解耦的精度. 此外，本研究以一个大学为样本，其结论并不适用于所有情况，但所提出的方法可用于不同教学建筑的空调使用和能耗模式聚类及关系解耦.

（1）本研究通过聚类方法得到了6种不同的典型空调使用模式，可用来定量地表示教学建筑复杂的空调使用模式. 一年中“间断使用”和“白天使用”模式最多，不同季节和学校作息安排也会显著影响各典型使用模式的占比.

（2）提出了4种典型能耗模式并统计了各模式的全年占比，分析了不同能耗模式的特征值以及各典型使用模式下能耗模式的分布，表明了能耗显著受行为的影响.

（3）采用决策树和随机森林方法建立了2种空调使用行为与能耗的解耦模型，并评价了2种模型的预测性能. 分析结果表明：空调使用时长直接影响着空调的能耗. 进一步地，在制冷工况下，教室规模和空调使用强度也对能耗值产生一定影响，而季节因素的影响较小；在制热工况下，季节因素对空调能耗的影响较大，而在使用时长和使用模式相同的情况下，过渡季的能耗更低.

本文以教学建筑为例，针对在室情况复杂、空调使用随机性强的建筑，提出了用能特征的分析方法，并将复杂的空调使用行为提炼成了典型空调使用模式. 相对于能耗模拟中通常使用的固定作息，提出的典型空调使用模式及其占比更能准确描述实际空调使用情况. 本文确定的能耗模式可以归纳表征教学建筑空调能耗的水平. 所建立的空调使用行为与能耗之间的关系可以作为后勤管理人员进行教室节能运行管理的依据.