大数据技术在建筑节能中的应用探究

本文内容来自下面的文章：
陈庆财,鹿伟,王福林,窦强.大数据技术在建筑节能中的应用案例研究[J].建筑节能,2019,47(10):105-108+116.
大数据技术在建筑节能中的应用案例研究
基金项目: 北京市科技计划课题: 北京未来科技城能源智能监测系统构建与管理体系研究( Z71100002317009)

大数据分析流程

大数据分析过程包括三个步骤: 数据预处理、数据挖掘和知识表达。由于原始数据往往存在缺失、不连续和异常值等问题，数据预处理是数据分析前不可或缺的重要环节。数据挖掘是对大数据的价值进行挖掘分析的过程，常用方法有显著性检验、聚类分析和关联规则分析等。数据挖掘会产生大量的知识信息，如何选择、解析和利用知识来获取隐藏价值，往往存在着困难和挑战，需要利用知识表达（包括知识选择和解释）对挖掘产生的知识信息进行分析，并将分析结果应用到预测控制、故障诊断和控制优化等方面。典型大数据分析流程如图1示。

下面通过三个具体案例，分别尝试了数据聚类、数据关联和数据融合三种典型大数据分析技术在建筑节能运行管理中的应用，展示了应用效果。

1、基于数据聚类的制冷机运行数据分析

对某制冷站的制冷机运行数据进行了基于数据聚类的挖掘分析。制冷机的监测数据点位包括: 电压、电流、负载率、通风温度、轴承温度、润滑油温度、润滑油压力、导叶阀开度、蒸发压力、蒸发温度、控制模式、排气温度、冷冻水进口温度、冷冻水出口温度、冷却水进口温度、冷却水出口温度、冷凝温度、冷凝压力、冷冻水温度设定值、运行时间、运行状态、报警状态共22个参数（如图2所示）。该制冷站共有6台冷水机组，监测数据的记录时间间隔为15min，每年累积的监测数据量为1.98GB。

案例冷水机组运行数据的聚类分析结果如图3所示。图3的横轴表示冷却水进出水温差，纵轴表示冷冻水的进出水温差。从聚类结果可以看出，冷机运行数据很明显地分为两类，两个聚类的中心坐标分别是(1.47，0.86) 和( 4.81，4.57) ，两个聚类的数据点数量分别为480和2680。其中，中心坐标为(1.47，0.86) 的聚类点，显示了冷冻水、冷却水的供回水温差都较低，远远低于额定值5℃温差，说明水泵流量过大，可以通过降低水泵水量，节省水泵能耗，存在较大的节能空间。按照水泵能耗E_pump = GΔp = sG³进行粗略估算，如果冷冻水、冷却水的供回水温差的聚类中心点由(1.47，0.86)变为第二个聚类的中心点(4.81，4.57)，那么水泵流量G将变为原来的1/3，水泵能耗E_pump将变为原来的3.7%，理论上粗略估算可以节省水泵能耗96.3%。

2、基于数据关联的建筑室内环境数据分析

室内人数是建筑能耗的关键性影响因素，本分析以照明灯具的开关状态、空调运行时间占空比、室内温度、室外温度、室内湿度、室外湿度、耗电功率、二氧化碳浓度八种室内环境数据为输入，与室内人数进行了关联分析，关联的结果如表1所示。表1中按照关联度从大到小排列，Left-hand-side(Lhs)表示输入的环境数据，Right-hand-side(Rhs)表示被关联的室内人数，Support表示该种输入—关联组合在总数据中出现的比例，Confidence表示在出现 Left-hand-side(Lhs)所示的输入数据时，出现Right-hand-side(Rhs)所示的关联数据的概率，Lift表示关联度的大小。表1的关联分析结果进行了可视化，显示于图4中。图4中的圆圈面积大小表示出现比例Support的大小，颜色浓淡表示关联度Lift的大小。数据关联分析结果显示，室内小时平均人数小于0.5人与关灯、空调运行时间占空比为0.3～0.8关联度最大，说明室内人数较少时，虽然灯关了，但是空调运行时间比例还很大，可以减少空调运行时间，存在较大节能的潜力。这种数据关联分析，可以显示出建筑设备的运行情况是否合理，发现节能潜力。

3、基于数据融合的室内人数识别

室内环境控制中，室内空气品质通常通过供给新风进行维持和改善。由于实际所需新风量和室内人数有很大关联，按实际人数提供所需要的新风量，能够避免固定新风量带来的能耗浪费。
室内人数识别技术是一项热门研究课题。目前常用的识别人数的手段包括二氧化碳浓度估计、视频摄像头探测、红外线技术探测、无线和蓝牙技术识别、声音识别、电梯轿厢重量传感器估计、考勤机记录等。这些识别人数的方式，主要都是基于单一的传感器或设备手段实现的，因此使用场合、条件受到限制，识别精度有待提高。
本文（基于视频与CO2浓度识别室内人数的建筑室内热环境预测性控制）探索了采用视频数据与二氧化碳浓度数据这两类不同结构类型的数据进行异构数据融合的方法，来提高室内人数的识别精度。基于数据融合的室内人数识别算法如图5所示，在照度足够、视频识别精度高的时段，采用视频数据；而在凌晨时段房间无人或人数极少、门窗开度基本不变的情况下，室内外通风换气量较稳定，利用二氧化碳浓度能够较准确地估算室内人数，此时采用二氧化碳浓度估计人数的方法代替摄像头，可消除当天的视频识别人数的累积误差，提高人数识别精度。这样，通过两种不同结构类型的数据融合，对两种识别方法进行取长补短，提高识别精度。室内人数识别结果与实际人数的对比，如图6所示。根据多天的人数识别结果，基于数据融合进行的人数识别算法可达到91%的识别精度。

人数识别结果可以用于空调系统预测性控制。在室内人数发生变化后，由于系统的惯性，室内温度、CO₂浓度的变化会有一段时间的滞后，因此传统基于温度、CO₂浓度进行反馈调节的空调器和新风系统控制，将滞后于人数的变化，带来室内温度、CO₂浓度的较大波动，造成舒适度降低、能耗增加等问题。如果采用基于人数识别的预测性控制，可以在人数变化后，及时改变空调器和新风系统的出力，避免室内温度、CO₂浓度的波动和过度调节，避免空调系统能耗增加。图6显示了有无人数识别的空调系统预测性控制的两个典型日的空调系统能耗曲线，其中，图7(a)为无人数识别的传统控制，图7(b)为基于人数识别的预测性控制。从图7可以看出，基于人数识别的预测性控制下，空调器和新风系统的运行时间明显小于无人数识别的传统控制。因此，空调器及新风机能耗均有较大降低。统计结果显示，基于人数识别的预测性控制下，新风机能耗仅为无人数识别的传统控制的15%～20%，而空调及新风系统的总能耗可降低39%左右。

结论

本文对大数据技术在建筑能耗管理与建筑节能中所能起到的作用进行了探索，分别分析了数据聚类、数据关联和数据融合三种典型的大数据分析技术在建筑节能与信念管理中的应用效果，定量显示了大数据分析技术在建筑节能运行管理中可以取得的效果。研究表明，通过数据聚类，可以容易地发现建筑机电设备中出现的问题，帮助运行管理人员改善运行、提高能效；通过数据关联，可以发现室内环境数据与室内人数间的关联关系，可用于判断建筑设备运行是否合理；通过数据融合，可以提高运行数据的识别精度，例如提高室内人数的识别精度，将识别出的室内人数用于空调及新风系统的预测性控制，可以降低空调系统、新风系统的能耗1/3左右。本文所示研究结果表明，建筑运行及能耗数据的深度挖掘分析对改善建筑运行管理、提高能源利用效率，具有较大贡献。