大數據在空調領域的應用

陳煥新 劉江巖 胡云鵬 李冠男

（華中科技大學制冷及低溫工程系 武漢 430074）

大數據在空調領域的應用

陳煥新 劉江巖 胡云鵬 李冠男

（華中科技大學制冷及低溫工程系 武漢 430074）

本文闡述了傳統空調數據的主要來源，從空調研發等幾個方面分析了傳統空調數據的用途；圍繞空調產品和空調企業，梳理了空調領域大數據的產生原因及來源；空調大數據的多度量性、多維度性、地域性等特點對數據挖掘提出了挑戰；探討了大數據在空調領域的應用，重點分析了大數據在空調系統優化、故障診斷、建筑能耗與維護預測、企業人力資源和資金分配、企業提供個性化定制服務等方面的用途；通過挖掘海量空調數據可以預測用戶行為，表明空調領域大數據安全防護應當得到重視。

數據挖掘；制冷空調；故障診斷；能耗分析

隨著計算機技術、互聯網技術的高速發展，大數據時代的到來已經勢不可擋，數據量的爆炸式增長為各行各業帶來了新的機遇和挑戰。“Nature”、“Sci?ence”等國際頂級期刊相繼出版?？?，闡述大數據的到來可能對互聯網、超級計算等多個行業帶來的機遇與挑戰［1－4］；2012年3月29日，奧巴馬政府公布了“大數據研發計劃”（Big Data Research and Develop?ment Initiative），該計劃的目標是改進現有人們從海量和復雜的數據中獲取知識的能力［5］；2013年被稱為“大數據元年”，以互聯網金融為代表的大數據應用席卷而來，如余額寶、微信支付等，大數據應用逐漸深入到各個領域，為各行各業帶來了新的生機；2014 年11月6日，包括中國電信、東方航空等在內的8家單位發起、45家企業聯合組成的中國企業大數據聯盟在北京成立。這標志著大數據應用已經逐漸深入到各個領域，包括傳統行業。該聯盟致力于推動跨界大數據標準制定與合作，促進大數據技術成果應用推廣；匯聚各方力量，借鑒世界先進經驗，為我國大數據產業健康發展做出貢獻［6］。

大數據通常指那些大小已經超出常規軟件與硬件工具能夠收集、處理及分析的數據集合。維基百科定義大數據為：“所涉及的數據量規模巨大到無法通過人工，在合理時間內達到截取、管理、處理、并整理成人類所能解讀的信息。”［7］麥肯錫全球數據研究所（Mckinsey Global Institute）于2011年發表的論文中這樣描述大數據：“大數據是指大小超出了典型數據庫軟件工具收集、存儲、管理和分析能力的數據集?！保?］關于大數據盡管目前沒有統一的定義，但各個表述的核心內容是一致的。大數據的特點公認為3個V：巨量性（Volume）、即時性（Velocity）、多樣性（Variety）。

1 傳統空調領域數據的來源與應用

傳統空調領域的數據主要包括兩個方面：

1）空調系統數據。包括空調系統零部件的規格參數、系統整體性能參數（如制冷量、COP等）。對于中央空調而言，還包括風機系統、水泵系統、冷卻塔、變配電系統等配套設施的規格參數；空調實驗和運行時各類傳感器產生的監測數據、控制系統的控制信號等也是空調數據的重要來源。

2）空調企業在生產與銷售空調時產生的數據。包括空調設計時材料和零部件的篩選數據；工廠生產數據；企業人事管理、財務、銷售、物流數據；空調售后維護、修理、回收數據等。

對于空調企業，空調系統的數據主要用于產品的更新換代，通過實驗、仿真，數據采集和分析，實現系統部件優化、整體優化及控制策略優化；這些數據還是業內專家學者、設計研究院、企業等制定行業標準的依據；自20世紀八十年代以來逐漸興起的制冷空調系統故障檢測與診斷研究［9－10］，目前已經成為國內外制冷空調領域的研究熱點之一，該研究主要采用基于定量模型方法、基于定性模型方法以及基于歷史數據等方法，建立故障診斷模型，通過采集空調的實時運行數據，實現空調系統的在線故障檢測與診斷。

2 空調領域大數據來源

空調領域大數據來源包括了傳統數據的來源，隨著計算機技術、自動控制技術的飛速發展，空調系統的復雜化，數據來源更加廣闊。大型建筑中要實現房間溫濕度的高精度控制，控制系統將越來越精密。計算機計算分析的數據以及發送的控制指令越來越多。其次，安裝在空調系統中的各類傳感器越來越多，傳輸的監控數據將飛速增長，存儲成本降低及存儲能力的增加使這些數據能夠保存下來。此外，空調企業規模的擴大，企業管理系統的升級，營銷方式的多樣化，產生和存儲的數據也越來越多，也將成為空調領域大數據的主要來源。大數據來源可以分為系統大數據和企業大數據兩方面來敘述。

2.1 空調產品及空調系統大數據

2.1.1 零部件篩選數據

空調產品設計之前需要對不同的零部件及材料進行篩選與組合。材料、零部件的來源與種類繁多，這意味著大量的數據。不同的材料與型號的零部件搭配出不同的系統，而最終驗收通過的系統往往有很多次失敗的搭配，這些過程也會產生大量的數據。

2.1.2 空調設計數據

空調產品設計過程，從設計要求的提出、制定設計計劃，到市場調研、設計定位，再到產品設計草圖、結構設計，直至最終的樣機模型的制成，會產生大量的數據。只有通過分析大量的市場調研數據，才能準確定位產品；而大量的計算機虛擬設計，可以節省設計時間、降低材料成本、降低失敗率。過去，失敗的設計方案往往都被刪除，數據挖掘技術可以從過去的設計數據中尋找出有價值的設計信息，每一代新產品的問世都代表著大量的設計數據，這將成為空調產品設計的新財富。

2.1.3 空調實驗數據

空調新產品的問世需要經過一系列的實驗和性能測試，這些過程中產生了大量的數據，而其中許多失敗的實驗數據在過去由于存儲成本高而刪除，此外，產品測試實驗的目的只是驗證產品是否已經達到生產標準，實驗往往只要一個參數，其他可采集的參數都不會保存或在實驗完成后刪除。例如空調的壽命測試，研發人員最終需要的數據只是空調的壽命值，而這其中高達幾萬小時的連續測量數據，一方面由于存儲成本高，另一方面是沒有手段獲得數據中的價值，最終都被放棄。現在隨著存儲成本的降低以及數據挖掘技術的不斷完善，這些數據將成為空調領域數據的新來源，展現新的價值。

2.1.4 空調運行數據

計算機成本的降低、存儲和處理速度的提升，為空調系統大數據的產生奠定了基礎。在一座大型建筑中，冷水機組、水泵、風機等各類用電設備的記錄電表就數以百計，建筑自動控制系統（BAS）一天內通過各類傳感器獲得的數據以及計算機發出的控制指令就達百萬個［11］（如圖1所示）。另外，許多企業實現了中央空調系統的遠程監控，在全國各地銷售的中央空調產品中的各類傳感器將實時運行參數反饋給企業控制平臺，一旦空調機組發生或可能發生故障，企業可以及時做出相應控制調整或聯系維修人員上門維修，通過網絡傳播的實時監控數據量將非常巨大。

2.1.5 其他數據

空調系統數據還包括其他數據，如出廠檢測數據、產品廢棄數據等，這些數據也是空調系統大數據的一部分。

2.2 空調企業大數據

空調企業的發展將離不開大數據，企業的人事、資金、物流網絡的管理、市場營銷等都會產生大量的數據（如圖2所示）。在大數據時代，這些數據將成為企業的財富，是企業發展的核心競爭力。

圖1 監測數據和控制指令Fig.1 M onitoring data and control instruction

圖2 空調企業大數據來源Fig.2 Source of big data in air?conditioning enterprise

2.2.1 人事管理數據

空調行業作為傳統行業之一，特點是企業規模較大，人員結構較復雜，這在一定程度上增加了企業管理的難度。企業的人事管理，諸如人員的招聘、晉升、調動、日?？记诘裙ぷ?，職務分析、績效評估、人員培訓、檔案保管等過程中產生了大量數據，這些數據對于調整企業人員結構，分配企業人力資源，具有重要的意義。

2.2.2 資金管理數據

經濟的發展過程中涌現了大量的集團性公司，大型的空調企業管理層級多、跨地域廣。企業的發展壯大產生了大量的財務、銷售數據，為準確分析企業的償債能力、營運能力、盈利能力、發展能力等提供了可能，有利于合理調整資金流向，促進企業的健康發展。

2.2.3 市場營銷數據

隨著市場競爭壓力的不斷增大，企業的營銷手段越來越多樣，在企業營銷管理、用戶分析、市場宣傳與拓展、產品促銷、用戶反饋等過程中，產生了大量的數據。通過大數據關聯分析、聚類分析等手段，可以幫助企業尋找消費人群、分析產品定位，進而策劃促銷活動，拓展市場。

2.2.4 物流數據

空調企業物流包括供應、生產、銷售、回收廢棄物等幾個方面的物流，大型空調企業擁有若干制造工廠、倉庫、專屬的轉運設施和渠道商，這些子系統組成了完整的企業物流鏈。在整個完整的循環活動中，產生了大量的物流數據。利用大數據分析手段來應用這些數據，有利于企業快速分析物流信息、快速響應客戶服務，減少物流成本，提升企業競爭力。

2.2.5 其他企業數據

空調企業還有諸如贊助、廣告、維護、維修、產品回收等數據，這些數據也是企業大數據的組成成分。

3 空調領域數據挖掘

數據挖掘技術的誕生解決了傳統的數據分析方法難以分析海量數據的難題，它基于統計學的抽樣、估計和假設經驗，人工智能、模式識別和機器學習的搜索算法、建模技術和學習理論等，而數據庫、數據倉庫技術、可視化技術的發展，為數據挖掘技術提供了技術支撐。

空調領域的大數據具有以下幾個特點：巨量性、多度量性、多維性、地域性。

1）多度量性。衡量空調系統健康運行的參數指標眾多，如溫度、壓力、流量、功率、風速等，這些參數具有不同的度量。

2）多維性。記錄空調系統運行狀態的一組數據，就有幾十個不同的參數，導致了其多維性。

3）地域性。不同地區的空調運行數據不同，這與地區的氣候條件有關。而企業在不同地區的銷售、物流數據也有很大差別，這取決于不同地區用戶的需求量。

因此，空調領域數據挖掘技術不僅要滿足對多度量、多維度的數據的分析，還要能夠滿足針對不同地域空調數據的知識發現，這對空調領域數據挖掘提出了挑戰?？照{領域數據挖掘的方法研究已逐漸展開，常用的方法主要有：神經網絡（Neural Network）［12］、支持向量機（Support Vector Machine）［13］、貝葉斯網絡（Bayesian Network）［14］等。

4 空調領域大數據的應用

空調領域大數據的應用可以從空調系統的應用和企業與用戶的應用兩方面來闡述。大數據分析能夠實現空調系統零部件優化、空調系統整體優化、空調控制策略優化，可以大大減少新產品的研發周期，提升企業競爭力。對于空調企業，大數據分析可以優化企業人員結構和資金分配方式、調整物流網絡，進而降低成本，節省企業資金?？照{企業可以根據氣候條件為用戶提供空調個性化定制、室內環境的個性化調節及互聯網、物聯網的智能控制服務。此外，通過分析用戶使用空調的規律可以預測用戶的行為，這涉及到大數據安全性及客戶的隱私保護問題（如圖3所示）。

圖3 空調大數據的應用Fig.3 Application of big data in air?conditioning field

4.1 空調系統優化與新產品研發

前瞻產業研究院分析報告的數據顯示，我國建筑能耗約占社會總能耗的33%。我國正處于建筑鼎盛期，每年建成的房屋面積超過所有發達國家每年建成房屋面積的總和，而97%以上是高耗能建筑［15］。空調系統作為建筑能耗大戶，其能耗占建筑總能耗的50%～70%，節能潛力巨大。因此，空調系統節能研究具有重大意義。大數據在這方面的應用主要從系統優化及控制策略優化兩方面入手。

4.1.1 空調系統優化

1）房間空調器（小型家用空調）優化。空調系統的效率主要取決于壓縮機的能效、換熱器的換熱效率、風機的能效、節流裝置的效率、系統管路、制冷劑的種類等。企業生產的同一型號空調器售往全國各地甚至世界各地，為了使空調能夠適應不同氣候地區的室外環境，壓縮機設計的運行范圍較大，這樣將降低壓縮機效率。此外，換熱器（冷凝器、蒸發器）的換熱效率與管子內外徑、管路類型、排數、間距、肋片類型等有關。部件規格參數選取的差異，都將影響系統整體的性能和效率。

針對上述問題，大數據分析可以從兩方面著手解決：一是分析不同型號空調的歷史運行數據、設計時不同配置空調的實驗數據等，獲得整體較優配置；同時可以分析各個部件實驗數據，實現單個部件的性能優化，這為新產品開發提供了捷徑。二是分析不同地區空調運行數據，得到針對不同氣候地區的空調較優配置，為不同地區的用戶提供個性化空調定制，這樣將大大提高空調效率，節省能耗，降低生產設計成本。

2）商用空調、中央空調（大型空調）的優化。中央空調的負荷、系統分區等問題引發冷熱不均，冷凍水系統水力不平衡、冷水機組裝機容量偏大等問題，是造成運行能耗大量浪費的原因。中央空調系統現場設備眾多，合理的配置、合理的安裝及合理的運行控制是機組健康運行的保證。目前國內設計商用空調、中央空調等主要是依據國家標準、行業標準及相關經驗數據來進行的，設計出來的機組常常留有較大余量，不利于節能。通過大數據分析則可以針對建筑不同地點、不同室內外環境、建筑的不同功能來設計機組以及其他現場設備（水泵、風機、冷卻塔等），計算機可以模擬出設計的空調機組的運行工況，預測系統能耗及能夠達到的室內環境品質，這將大大節省新產品研發的時間及成本。

4.1.2 空調系統控制策略優化

空調自動控制技術由二十世紀六十年代傳統的雙位ON／OFF控制模式發展至今，經歷了PID控制、自適應控制、最優控制、解耦控制、模糊控制及神經網絡控制等控制方法［16］。但大型中央空調系統是典型的多變量、強耦合、多狀態、大滯后的系統，很難精確建立數學模型，傳統與現代的控制方法在應用過程中因為自動控制效果不理想，需要輔以人工調節，不僅導致了人力資源的浪費，而且會由于控制的不精確而使得系統耗能增加。

對空調歷史運行數據進行挖掘，通過計算機對空調系統的歷史控制策略進行綜合分析，在計算機中建立出最優的控制模型，此后空調系統的控制策略可能不再依賴于模糊控制、神經網絡控制等方式，而是通過計算機的大量運算有針對性地發送控制指令。計算機將根據傳感器傳遞的實時監測數據來對機組進行實時調整，使空調機組一直處于最佳運行狀態，保證室內環境的品質的恒定。計算機可以自動記錄各個負荷區域的運行狀態，不斷更新控制模型中機組的運行數據，使控制模型越來越精確，機組就會越用越好用、越用越節能。

4.2 空調系統故障檢測、診斷與預測

空調大數據為實現在線的空調系統故障檢測、診斷與預測提供了良好的數據來源。基于數據挖掘的制冷空調系統故障診斷方法是繼傳統的故障檢測與診斷方法的進一步提升。

故障檢測與診斷的方法包括基于定量模型方法、基于定性模型方法、基于歷史數據的方法等［17］。數據量大小對于空調系統的故障檢測與診斷研究有著決定性的作用，數據量越大，建立的模型就越精確，診斷檢測與故障的效果越好，效率越高。過去由于數據存儲限制，能用于空調故障診斷研究的數據量非常少，傳統方法對專家知識依賴程度高，能夠檢測和診斷的故障較少，檢測精度和效率也受到限制，故其在空調領域的實際應用并不廣。

基于大數據的空調系統故障檢測與診斷則是通過挖掘分析大量的空調運行數據，包括空調正常運行數據與故障數據、空調維護與修理數據、計算機或運行人員控制數據等，全面挖掘分析空調數據，建立空調故障檢測與診斷模型，加入建筑自動控制系統（BAS），實現在線的故障檢測與診斷。模型會實時更新機組的運行數據，使模型更加精確，檢測與診斷效率更高。

要實現空調系統故障預測功能，需要空調系統從正常運行到發生故障的所有數據，建立的故障預測模型就可以根據以往系統發生故障時前一段時間的數據來判斷系統是否即將發生故障，并判斷故障發生的位置，這樣可以省去系統的全面維護工作，只需要工作人員針對性地護理，節省了大量的人力資源。過去，由于存儲成本的限制，難以收集一臺空調生命周期內完整的數據，而通常情況下空調系統故障工況下的數據獲取是在實驗條件下完成的，這種實驗成本高，對設備損害大，而且數據量小?，F在隨著存儲成本的降低，收集完整的空調運行數據將得以實現，通過對大量數據的挖掘分析，建立起空調系統故障預測模型，就可以實現空調的在線故障預測功能。

4.3 空調系統（建筑）能耗與維護預測

對空調歷史運行數據進行挖掘，可以實現空調系統或建筑能耗與高峰電量需求預測［18］。建筑的數據除了中央空調（熱泵）的數據外，還包括室外氣象數據、房間使用規律、人員活動規律、照明、耗電設備耗電量等數據，這些都決定著建筑的整體能耗。計算機通過數據分析建立預測模型，可以準確預測不同氣候地區建筑未來幾天內可能消耗的電量，進而通過智能電網合理分配各地負荷。

此外，從海量數據中可以提取出空調系統各個部件及傳感器的壽命值，計算機可以根據機組長期的運行及維護數據，預測各個部件及傳感器需要更換的時間，方便維修人員進行針對性維護，這將大大提升機組效率，減少人力消耗，降低維護成本。

4.4 不同（氣候）地區機組性能預測與個性化定制

我國地域廣闊，南北地域氣候條件相差較大，廣州地區夏季時間長、氣溫高，北京地區夏季時間相對較短，最高氣溫也比南方地區低。即使在同一省份中，不同地區的室外條件也有差別，有的地方臨近湖泊、水庫等水源，室外濕度較大，有的地方則較干旱，空氣含濕量低。空調企業銷往全國各地產品規格參數往往都是相同的。各地不同的氣候條件，導致同一型號的空調在不同地區的運行工況的差別，這也造成了不同地區空調運行能耗不同。而空調在某些地區長期處于滿負荷或低負荷條件下運行，對于空調系統而言是不利的。因此，針對各個地區不同氣候條件、不同的室外環境，匹配使用不同的空調是非常有必要的。在過去，這需要大量的針對性實驗及數據采集，無疑是一個非常耗費人力物力的工程。

大數據的到來為此提供了解決方法。對全國各地空調運行數據、氣象數據等的挖掘分析，得到不同地區對于空調性能的需求，計算機可以根據這些需求配置出合適的空調并模擬出空調的運行工況。因此企業可以為不同地區的用戶群提供適應當地氣候環境的空調，同時也可以根據用戶對于室內環境的要求，提供個性化定制服務。這樣既滿足了用戶對室內環境品質的要求，也提升了空調的使用壽命，大大降低了空調能耗。

4.5 企業人力資源及資金合理分配

針對企業中人事、生產等數據進行挖掘分析，可以優化企業人員結構，計算機可以根據企業生產任務及人事數據調整企業人員結構，合理分配企業人力資源。此外，通過財務、銷售等資金數據，準確分析企業的償債能力、營運能力、盈利能力、發展能力，有利于合理分配企業資金，及時調整企業的投資運營，有效管理資金流向。實時物流數據的分析可以優化物流通道，保證各地區產品的快速供給，節省物流成本。營銷數據分析則可以幫助企業快速尋找消費人群、分析產品定位，進而策劃促銷活動，拓展市場。

4.6 用戶習慣分析與物聯網自動控制

海量空調數據中還可以挖掘出用戶的習慣設置。計算機將自動記錄用戶的偏好設置，自動根據室內外環境為用戶進行調節。用戶事先設定好各類參數，計算機就可以實現工作場所、居住場所等環境的一致?？照{控制系統將并入家庭物聯網中，用戶可以通過手機、PC機遠程控制空調。另外，用戶可以設定家庭成員組成，針對如嬰兒、孕婦、老人等成員，計算機可以通過關聯分析自動為特殊人員設置合適的室內環境。

4.7 用戶行為預測及大數據安全

大數據在用于分析人的行為上具有鮮明的優勢。對用戶空調數據進行挖掘分析，例如開停機時間、開機時長、設定溫度等，在一定程度上可以判斷用戶的相關信息。比如用戶白天從8點至17點幾乎很少使用空調，只有在晚上使用，就可以判斷用戶有可能是上班一族，而根據用戶開機時長，可以判斷用戶的富有程度等等。根據用戶家庭裝的空調個數、使用時間等信息，可以推測出用戶的家庭人數、人員組成等。因此，隨著空調領域數據量的急劇增長，如何保護海量的數據，保證用戶的隱私不被泄露，是大數據在空調領域應用必須解決的問題。傳統的數據保護方法可能難以適用，整個空調行業應當攜手開發新的大數據安全防護方法，建立起相關的數據管理條例，共同創造大數據的安全應用環境。

5 結論與展望

計算機存儲能力的提升和成本的降低使空調零部件篩選、系統設計、實驗、測試過程中產生的大量數據得以保存；空調系統的復雜化讓數據產生頻率加快，數量更加龐大；空調企業的人事、資金、物流網絡的管理、市場營銷等產生的大量數據將成為企業自身發展的寶貴財富。同時，多維度、多度量、地域性強的空調數據給挖掘分析工作帶了新的挑戰。

大數據在空調系統優化、新產品研發、故障診斷、能耗與維護預測等方面提供了新的思路。企業與用戶之間的關系將變得更加緊密，個性化定制服務、用戶習慣分析、自動控制服務等，將滿足人們對空調便利化、智能化、節能化的更高需求。

大數據給傳統行業帶來了大挑戰。傳統行業與大數據的結合是一條充滿未知與競爭的令人興奮和憧憬的道路。在大數據時代，數據就是財富，有效、快速的挖掘出數據中的知識，是空調企業和行業內有識之士應當共同努力的目標。技術創新永無止境，期望空調行業在大數據時代推動下迅猛發展，為人類健康舒適的生活、生產做出貢獻。

［1］ Lynch C.Big data：how do your data grow？［J］.Nature，2008，455（7209）：28?29.

［2］ Frankel F，Reid R.Big data：distilling meaning from data ［J］.Nature，2008，455（7209）：30?30.

［3］ Kum H，Ahalt S，Carsey T M.Dealing with data：govern?ments records［J］.Science，2011，332（6035）：1263.

［4］ Los W，Wood J.Dealing with data：upgrading infrastruc?ture［J］.Science，2011，331（6024）：1515?1516.

［5］ 科技部.美國政府出臺大數據研發計劃［EB／OL］. （2012?04?24）［2014?12?01］.http：／／www.most.gov.cn／gnwkjdt／201204／t20120424_93877.htm.

［6］ 王鵬，崔瑩.中國企業大數據聯盟成立，三主線挖掘概念股投資機會［EB／OL］.（2014?11?07）［2014?12?01］.http：／／stock.cnstock.com／stock／smk_qlgg／201411／3232816.htm.

［7］ 維基百科.大數據［EB／OL］.（2014?11?20）［2014?12?01］.http：／／zh.wikipedia.org／wiki／%E5%A4%A7% E6%95%B8%E6%93%9A.

［8］ Manyika J，Chui M，Brown B.Big data：the next fromtier for innovation，competition，and productivity［M］.Mckin?sey Global Institute，2011.

［9］ Stylianou M，Nikanour D.Performance monitoring，fault detection，and diagnosis of reciprocating chillers［J］. ASHRAE Transactions，1996，102（1）：615?627.

［10］Lee W Y，House J M，Shin D R.Fault diagnosis and tem?perature sensor recovery for an air?handling unit［J］. ASHRAE Transactions，1997，103（1）：621?633.

［11］Azam K，Kasper H.Big data from the built environment ［C］／／Proceeding of 13th International Conference on U?biquitous Computing.Beijing，2011：29?32.

［12］Chang Y.Sequencing of chillers by estimating chiller pow?er consumption using artificial neural networks［J］.Build?ing and Environment，2007，42（1）：180?188.

［13］Han H，Gu B，Kang J，et al.Study on a hybrid SVM model for chiller FDD applications［J］.Applied ThermalEngineering，2011，31（4）：582?592.

［14］Zhao Y，Xiao F，Wang S.An intelligent chiller fault de?tection and diagnosis methodology using Bayesian belief network［J］.Energy and Buildings，2013，57：278?288.

［15］中研網.我國建筑能耗約占社會總能耗的33%［EB／OL］.（2014?05?05）［2014?12?01］.http：／／www.chinairn. com／news／20140505／190538292.shtml.

［16］張吉孔.模糊?神經網絡控制原理與工程應用［M］.哈爾濱：哈爾濱工業大學出版社，2004：224.

［17］Katipamula S，Brambley M.Methods for fault detection，diagnostics and prognostics for building sustems?a review ［J］.Part I HVAC＆R Res，2005，11（1）：3?25.

［18］Fan C，Xiao F，Wang S.Development of prediction mod?els for next?day building energy consumption and peak pow? er demand using data Mining techniques［J］.Applied En?ergy，2014，127：1?10.

陳煥新，男，教授，博士生導師，華中科技大學能源與動力工程學院，（027）87558330，E?mail：chenhuanxin＠tsinghua.org.cn。研究方向：制冷空調系統測控技術與計算機仿真。

About the author

Chen Huanxin，male，professor，doctoral supervisor，School of Energy and Power Engineering，Huazhong University of Science and Technology，＋86 27?87558330，E?mail：chenhuanxin＠tsing?hua.org.cn.Research fields：Measure＆control technique and computer simulaiton of refrigeration and air?conditioning system.

Application of Big Data in Air?conditioning Field

Chen Huanxin Liu Jiangyan Hu Yunpeng Li Guannan

（Department of Refrigeration and Cryogenic Engineering，Huazhong University of Science and Technology，Wuhan，430074，China）

Water This paper presents the main sources of conventional air?conditioning data，which can be used for product research and indus?try standard development.The sources and reasons of big data in air?conditioning field have been combed by both air?conditioning products and their enterprises.The big data in air?conditioning field are challengeable to be mined for its multi?metric，multi?dimension and region?alism.Applications of big data in air?conditioning field are generalized mainly on system optimization，fault detection and diagnosis，building energy prediction，allocation of enterprise human and capital resource，personalized customization etc.As user behaviors can be detected by mining the massive data，the protection of big data should be brought to the forefront.

data mining；refrigeration and air?conditioning；fault detection；energy analysis

TP311；TU831.4

A

0253－4339（2015）04－0016－07

10.3969／j.issn.0253－4339.2015.04.016

國家自然科學基金（51328602）資助項目。（The project was supported by the National Natural Science Foundation of China（No. 51328602）.）

2014年12月5日