基于數據挖掘技術的地鐵站環控系統用能診斷

(1 華中科技大學制冷及低溫工程系 武漢 430074； 2 廣州市地下鐵道總公司 廣州 510030)

近年來我國大力發展城市軌道交通，截至2016年，國內已有29座城市開通軌道交通運營線路，運營線路達130條，總里程達3 849公里。地鐵作為城市軌道交通之一，能耗巨大，是城市能源消耗的重要組成部分，地鐵系統中供熱通風和空調系統(環控系統)的能耗占比較大[1]。Wang Yongcai等[2-3]分析北京地鐵站環控系統能耗，指出北京地鐵僅2012年環控系統在夏季每月耗能可達1.819×107kW·h。Zhu Yingxin等[4-5]指出在地鐵運行期間，環控系統能耗與列車的牽引耗能相當。地鐵環控系統能耗巨大，需盡快開展地鐵站節能工作。為了高效、有針對性地開展節能工作，首先需要理清什么是節能。更進一步，需思考該以怎樣的基準值評價地鐵站是否節能[6]。建立有效的地鐵耗能指標評價體系，能夠科學、公正地評價地鐵系統的用能水平，識別用能潛力，這為地鐵站的設計、規劃、運行以及節能工作的深入開展提供理論依據及實際指導。

專家學者們在軌道交通建設的能耗指標體系有較為廣泛的研究。石靜雅等[7]研究了地鐵線路類型、子系統類型、專業類型、客流狀價等層次以樹狀方式建立能耗指標體系。孫寧等[8]根據設備監理實踐，完善了城市軌道交通能耗指標體系，歸納了主要設備系統節能措施。鄭玲芳[9]分析各線路牽引能耗和動力能耗，綜合考慮影響能耗的因素，構建了適合于軌道交通網絡的能耗指標體系，綜合地鐵多個子系統和影響能耗因素，根據能耗水平和權重等建立了地鐵能耗評價體系。已有文獻主要針對不同地鐵站的用能評價，但對于單個地鐵站，其能耗受客流、列車、室外氣候等多個因素影響，用能模式多樣，已有文獻中缺乏對此方面的研究。

本文提出了一種基于數據挖掘技術[10]的地鐵環控系統能耗診斷體系，根據不同用能模式建立能耗基準來評價地鐵環控系統的用能特性，為單個地鐵站的節能運行、節能改造工作提供理論依據和實際參考。

1 決策樹原理

本文采用數據挖掘中的決策樹來建模劃分地鐵站用能模式，進行地鐵站用能診斷。決策樹是數據挖掘技術中被廣泛應用的分類算法，主要通過一系列規則對數據進行分類，提供一種在什么條件下會得到什么值的類似規則的方法，算法主要包括ID3[11-12]、C4.5[13]、CART[14]、SLIQ[15]等。決策樹主要分為分類樹和回歸樹兩種，分類樹對離散變量做決策樹，回歸樹對連續變量做決策樹。本文采用條件推理樹ctree(conditional inference tree)作為決策樹模型建立的算法。ctree算法主要針對連續變量，其決策樹模型構建步驟如下：

1)選擇一個屬性放置在根節點，為每個可能的屬性值產生一個分支；2)將樣本劃分成多個子集，一個子集對應于一個分支；3)在每個分支上遞歸地重復此過程，僅使用真正到達該分支的樣本；4)如果在一個節點上的所有樣本擁有相同的類別，即停止該部分樹的擴展構造決策樹(集合劃分)時選擇屬性。

2 數據采集與關鍵變量選擇

本文采集北方某城市地鐵站環控系統的實際運行數據進行地鐵站用能診斷。實地采集北方該城市某一地鐵站在2013年夏季8月下旬4 d的實際運行數據，通過布置于地鐵站內外的溫度、濕度、CO2傳感器等按分鐘采集地鐵站環境變量(地鐵站內外環境溫度、相對濕度及CO2濃度等)，采用電表、傳感器等監測得到地鐵環控系統中各設備(2個送風機、2個排風機、2個回風機、4臺冷卻泵、4臺冷凍泵、3臺冷機及一系列閥等)的運行參數和能耗，通過地鐵運營公司采集得到該地鐵站每小時的發車對數、客流量(每小時進出站人數之和)。對每小時的發車對數、客流量線性插值得5 min內的發車對數和客流量，同時計算得5 min內室內外環境的平均溫度、相對濕度及CO2濃度等，最后篩選出每列變量(5 min內的室內外環境的溫度、相對濕度、CO2濃度、發車對數、客流量、環控系統總能耗等)937個數據樣本。

建立決策樹模型之前，需要對變量進行相關性分析，去除冗余變量，選出影響地鐵能耗的關鍵變量。根據建立的數據集，選擇多個變量：室外環境溫度、室外環境相對濕度、發車對數、客流量等。

圖1 自變量與因變量之間的相關性分析結果Fig.1 Correlation analysis results between the dependent and independent variables

本文采用圓型矩陣圖，可視化展示變量間相關系數，如圖1所示。為了便于顯示圖像信息，截取變量關系矩陣圖的上半區、下半區為變量間的相關系數。對角線上的圓半徑最大，顏色最深，表示變量與自身的相關系數為1。圓的半徑越大、顏色越深，表明圓形所對應兩個變量的線性相關系數越大。以圖1系統能耗行中第2個圓為例，表明系統能耗與客流量變量之間的相關性，相關系數為0.55。

由圖1可知，客流量、發車對數、室外環境溫度等變量與能耗之間有較強的正相關性，表明客流量越大，發車對數越多，室外環境溫度越高，地鐵環控系統能耗越高。室外環境相對濕度與地鐵站能耗存在負相關性，室外環境相對濕度越低，地鐵環控系統用能越高。同時，發車對數與客流量有0.87的正相關性，客流量越大，發車對數越多，而客流量與環控系統能耗成正比，因此發車對數與系統能耗成正相關。客流量與系統能耗有因果關系，而發車對數的多少與環控系統能耗并無直接關系，發車對數主要直接影響地鐵牽引能耗。最后，選擇自變量室外環境溫度、客流量作為關鍵變量，因變量為系統能耗。

3 結果與討論

3.1 劃分用能模式

通過構建條件推理樹來分析所選變量與地鐵環控系統能耗之間的潛在關系。圖2為根據所選變量構建的ctree決策樹模型。系統能耗作為決策樹根節點的輸出變量，而所選的室外溫度和客流量用于構建決策樹的樹結構。節點1選用客流量作為分類屬性，將數據分為高客流量和低客流量兩類，表明該節點處客流量對能耗數據影響更大。節點2和節點9選用室外溫度作為分類屬性，將數據分為高溫和低溫兩類，表明這兩節點處室外溫度對能耗數據影響更大。節點3選用客流量作為分類屬性，將低客流量、低室外溫度的數據繼續分為客流量不同的兩類數據，該節點處客流量對能耗數據影響更大。節點4選用室外溫度作為分類屬性，將較低客流量、低室外溫度的數據分成室外溫度不同的兩類數據，該節點處室外溫度對能耗數據影響更大。節點11選用客流量作為分類屬性，將高客流量、高室外溫度的數據分為客流量不同的兩類數據，說明該節點處客流量對能耗數據影響更大。圖2中環控系統能耗被劃分成7個葉子節點分區，根節點處的箱型圖表明各葉子節點處環控系統能耗的分布。將能耗分布相近的區間劃分為同一用能模式，可得到4個不同的用能模式。

根據決策樹模型劃分不同的用能模式，根據各個模式中能耗中位值作為用能基準。表1為該地鐵環控系統的不同用能模式的用能基準。地鐵站不同用能模式的特點：模式1，客流量小，室外環境溫度低，環控系統能耗極低，用能模式主要發生在早晨與深夜；模式2，室外溫度偏低，位于某范圍內，客流量較小，系統能耗偏低，主要發生在上午客流高峰期前和下午客流量高峰期后；模式3，客流量較小，環境溫度升高，系統能耗增加，用能模式發生于上下午客流高峰期之間、室外環境溫度較高的時期；模式4，客流量增加，而室外環境溫度無明顯影響，地鐵環控系統能耗較高，用能模式發生于上午和下午客流高峰時期。

圖2 決策樹模型Fig.2 Decision tree model

根據不同用能模式特點可知，客流量是影響地鐵環控系統能耗的關鍵因素。系統能耗隨客流量增加而提高。當乘客從站外進入地鐵，會帶入高于站內溫度的熱空氣；當乘客離開地鐵時，站內冷空氣會隨人員流動帶出地鐵站，大量的冷空氣流向站外，導致站內冷量不足。夏季乘客自身溫度較高，客流量增加后，滯留在站臺的乘客發熱量增大，地鐵站內溫度提高。綜上所述，客流量增加使站內冷量不足而溫度升高，環控系統需提高運行功率來冷卻站內空氣，降溫調整舒適度，因此環控系統能耗增加。

分析室外環境溫度與地鐵站用能的相關性，室外環境溫度為影響地鐵系統能耗的關鍵因素。地鐵站進出口多，人員流動大，站外大量新風進入地鐵站，室外環境溫度越高，進入站內的新風溫度越高，站內溫度升高。此時環控系統需要消耗更多的電能來維持站內溫度和舒適度，能耗升高。

表1 該地鐵環控系統的不同用能模式的用能基準Tab.1 Energy reference of different models in HVACin the subway station

3.2 建立用能基準

根據不同模式的用能基準，按照式(1)計算地鐵站環控系統的能耗等級，來評價地鐵環控系統的用能特性。

(1)

式中：R為計算所得能耗等級；Er為該地鐵站環控系統的實際能源消耗值；Em為地鐵環控系統不同模式的用能基準。若地鐵環控系統實際能耗與同模式下的用能基準相同，則能耗等級為100；若實際能耗高于用能基準，則能耗等級大于100，表明地鐵站用能高，有潛在的節能空間；若實際地鐵站能耗低于用能基準，則能耗等級低于100，表明地鐵站用能低，節能運行。

如圖3所示，將H. S. Park等[16]劃分寫字樓的能耗等級的方法應用于地鐵環控系統用能診斷研究中，將地鐵站環控系統能耗等級分為A(0～55)、B(56～85)、C(86～115)、D(116～145)、E(>145)。由于等級100在C內，為評價C能耗等級內的能耗高低，將C分為低于100的能耗等級C1(86～100)和高于100的能耗等級C2(101～115)。A、B、C1表示低于100的能耗等級，地鐵站環控系統用能低。C2、D、E表示高于100的能耗等級，地鐵站環控系統用能高，表明系統有巨大的節能空間。

圖3 地鐵環控系統能耗等級系統Fig.3 Grades for energy rating system in HVAC in the subway station

3.3 模型驗證

根據能耗等級系統對地鐵站實際數據進行用能診斷，評價地鐵環控系統的用能特性，以驗證用能診斷方法的可行性。收集某一時期該地鐵站的運行數據，計算能耗等級并評價用能特性。表2為某一時期該地鐵站不同用能模式下的能耗等級分布P。

表2 某一時期該地鐵站不同用能模式下的能耗等級分布Tab.2 Distribution table of the operational ratings ofdifferent modes in HVAC in the subway station

在模式1中，所有實測耗能數據比該模式下的用能基準高。主要原因是：用能模式1主要包括地鐵站早上與深夜的用能情況，此時地鐵站環控系統中的所有設備應當停止運行，但由于管理行為不規范，站臺的進風機、排風機一直保持運行，導致當前條件下地鐵站用能水平高于用能基準。

在模式2中，88%實際耗能值低于用能基準，而12%的數據值高于基準。主要包括早上客流高峰前(7點之前)和下午客流高峰后(18點之后)的用能情況，高峰期客流量的不同導致冷機負荷發生波動，用能水平在用能基準值附近波動，而采樣時期的室外環境溫度降低，大部分情況下地鐵站用能低于基準值。

模式3主要包括中午室外環境溫度較高時的用能情況，采樣時期的地鐵站環控系統實際用能水平全部低于用能基準，主要原因是該時期室外氣溫降低，環控系統用能水平整體降低。

模式4主要包括早上和下午客流高峰時期的用能情況，實際耗能數據全部低于用能基準，主要原因是采樣時期的室外氣溫降低，環控系統用能水平整體降低。

綜上所述，通過地鐵站實際運行數據劃分不同的用能模式，建立用能基準，并根據不同模式的用能基準對地鐵站未來的用能進行診斷是可行的。此外，基于決策樹模型劃分的用能模式符合專業邏輯以及實際運行狀況，用能診斷能夠公正、準確地判斷未來運行用能等級，并識別異常的用能模式，有助于查找地鐵站運營漏洞、故障排查、優化運營管理模式，為地鐵站節能工作的開展提供參考依據。

4 結論

本文提出了一種地鐵站用能診斷方法，通過數據挖掘技術建立評價模型來評價地鐵環控系統的用能特性。首先，通過相關性分析，確定影響地鐵環控系統能耗的關鍵變量：室外環境溫度、客流量；其次，根據所選取的關鍵變量，構建決策樹模型來劃分不同的用能模式，根據各個模式中能耗中位值作為每個模式的用能基準；最后，根據不同模式的用能基準對實際運行數據進行用能診斷，得到如下結論：

1)地鐵站的客流與室外溫度對于地鐵站的用能影響較大，采用決策樹模型可以根據提取出的關鍵變量，科學、公正地劃分地鐵站不同用能模式，且符合專業邏輯以及實際運行狀況。進而建立不同模式下的用能基準，實現地鐵站用能診斷和異常能耗識別。

2)實際數據的診斷結果表明：環境和客流的變化會引起用能水平的波動，但仍然貼近用能基準。一方面，該用能診斷方法能夠識別異常用能模式，有助于查找地鐵站運營漏洞、故障排查；另一方面，該用能診斷方法能夠識別低能耗的用能模式，有利于優化環控模式，為運營管理提供決策。

本文受華中科技大學自主創新研究基金(5003120005)項目資助。(The project was supported by Independent Innovation Research Foundation of Huazhong University of Science and Technology(No. 5003120005).)

[1] 常莉, 馮煉, 李鵬. 地鐵環控系統不同區域能耗分析[J].制冷與空調(四川),2009,23(5):115-118.(CHANG Li, FENG Lian, LI Peng. Energy consumption analysis of different areas on subway ECS[J]. Refrigeration and Air Conditioning, 2009, 23(5): 115-118.)

[2] WANG Yongcai, FENG Haoran, XI Xiangyu. Sense, model and identify the load signatures of HVAC systems in metro stations[R].National Harbor, MD, United States:2014 IEEE Power and Energy Society General Meeting,2014.

[3] WANG Yongcai, FENG Haoran, QI Xiao. SEED: public energy and environment dataset for optimizing HVAC operation in subway stations[R].National Harbor, MD, United States:2014 IEEE Power and Energy Society General Meeting,2014.

[4] ZHU Yingxin，QIN Ouyang．Airflow fluctuationsandthermal environment：A literature review[R]．Beijing：The 4th International Symposium on Heating, Ventilating and Air Conditioning, 2003:78-86．

[5] 朱穎心，秦緒忠，江億．站臺屏蔽門在地鐵熱環境控制中的經濟性分析[J]．建筑科學，1997(4)：21-25．(ZHU Yingxin, QIN Xuzhong, JIANG Yi. Economic analysis for platform screen door in subway thermal environment control[J].Building Science,1997(4): 21-25.)

[6] 江億.從實際運行數據出發開展地鐵站節能工作[R].北京:清華大學, 2015.(JIANG Yi. Carrying out energy-saving work in subway stations based on actual operating data[R].Beijing: Tsinghua University,2015.)

[7] 石靜雅,蘇永清,岳繼光.軌道交通能耗影響因素分析及能耗評價體系的建立[J].鐵道運輸與經濟,2008,30(9):46-49.(SHI Jingya, SU Yongqing, YUE Jiguang. The analysis of influence factors in energy consumption of railway transportand theestablishment of the energy evaluation system[J]. Railway Transport and Economy, 2008,30(9):46-49.)

[8] 孫寧，李照星，戴華明.城市軌道交通能耗指標體系與節能措施研究——設備監理在節能減排中的創新實踐[J].設備監理，2011(1):15-22.(SUN Ning, LI Zhaoxing, DAI Huaming. The study of energy consumption index system and energy saving measure of urban rail transit:the innovation practice of the equipment supervision in energy-saving emission reduction[J]. Plant Engineering Consultants, 2011(1):15-22.)

[9] 鄭玲芳.上海市軌道交通規劃環評能耗指標體系初探[J]. 環境科學與技術,2013,36(12):402-405.(ZHENG Lingfang. The enengy index system of shanghai urban transit rail instrategy environmental assessment[J]. Environmental Science & Technology, 2013,36(12):402-405.)

[10] 陳煥新, 劉江巖, 胡云鵬, 等. 大數據在空調領域的應用[J]. 制冷學報, 2015, 36(4): 16-22.(CHEN Huanxin, LIU Jiangyan, HU Yunpeng, et al. Application of big data in air-conditioning field[J]. Journal of Refrigeration, 2015, 36(4): 16-22.)

[11] QUINLAN J R. Induction of decision trees[J]. Machine learning, 1986, 1(1): 81-106.

[12] 謝妞妞, 劉於勛. 決策樹屬性選擇標準的改進[J]. 計算機工程與應用, 2010, 46(34): 115-118.(XIE Niuniu, LIU Yuxun. Improvement of attribute selection criterion of decision trees[J]. Computer Engineering and Applications, 2010, 46(34): 115-118.)

[13] QUINLAN J R. C4.5: programs for machine learning[M]. Elsevier, 2014.

[14] BREIMAN L, FRIEDMAN J H, OLSHEN R A, et al. Classification and regression trees[M]. CRC Press, 1984.

[15] MEHTA M, AGRAWAL R, RISSANEN J. SLIQ: A fast scalable classifier for data mining[C]// International Conference on Extending Database Technology. Springer Berlin Heidelberg, 1996.

[16] PARK H S, LEE M, KANG H, et al. Development of a new energy benchmark for improving the operational rating system of office buildings using various data-mining techniques[J].Applied Energy,2016,173:225-237.