聚類分析在公共建筑能源系統優化運行中的應用研究

葉從周（上海市建筑科學研究院有限公司，上海 200032）

隨著新一代信息技術的發展，人工智能技術在建筑節能減排上的應用越來越受到重視，尤其在建筑能源管理系統（Energy management system for Interligent Building ，BEMS）的領域中，通過人工智能 AI 與物聯網技術的相結合（AIoT 技術），使得建筑智能化水平得到顯著提高[1]。

BEMS 借助目前的物聯網技術，將智能電表等設備采集的能耗及建筑運行數據匯總整理，可用于優化建筑用能，然而，目前樓宇內 BEMS 主要用于支持能源實時計量與分項分類數據的統計分析，對于推動能源優化管理、用能系統智慧運行的功能相對較弱，BEMS 在建筑能效提升中的作用沒有得以充分發揮。

在此背景下，本文引入聚類分析技術，研究其與建筑能源管理系統的結合應用，通過開展相關的數據試驗，為大數據技術支撐建筑能源系統優化運行構建適合的方法。

1 聚類分析及其在建筑節能領域的應用

1.1 時間序列聚類

聚類分析是一種挖掘大量未知分類的相似數據背后是否某種信息或者規律的數據挖掘技術，而其中時間序列聚類，則是指對一組按時間順序變化的數據進行聚類。時間序列聚類一般可以根據時間序列的分段方式，分為三種方式[2]：完整時間段聚類、子序列時間段聚類以及時間點聚類。本文主要采用了完整時間段聚類的方式，來對建筑能耗數據進行聚類。

1.2 在建筑節能領域的應用

時間序列聚類在建筑節能領域的主要應用有三種[2]：識別時間序列數據中的動態變化、預測與推薦以及模式識別。在建筑節能領域，基于時間序列聚類分析的主要研究有：建筑用能的模式識別[3-4]、需求側管理、建筑用能預測、建筑用能異常數據檢測。BEMS 主要包含兩大應用場景：建筑用能系統運行管理和設備設施維護維修管理。如能將時間序列聚類的應用模式與BEMS的應用場景相結合，則能發揮該項技術對公共建筑能源管理運行策略和設備運維的重要作用。

2 研究思路及試驗方法

本文選取某棟建筑的某塊電表全年采集數據建立樣本，引入時間序列聚類算法，開展數據試驗，通過對建筑用能時間序列數據的曲線進行分類分析，從中尋找建筑能耗變化與分布特征，形成對能耗數據、設備維護、節能管控措施的指導意見，并建立相關模型，為研究結果向其他電表、建筑等更大范圍的推廣提供準備。

試驗方法如下：首先，提取某電表一整年的小時總能耗數據，將整年數據劃分為一個 365×24 的矩陣，以天為單位，一天24h 組成一條時間序列曲線，共建立 365 條時間序列曲線；通過混合多種聚類算法清洗數據，剔除異常曲線；將清洗后數據進行二次聚類；分析聚類之后的結果，統計所處分類的能耗曲線的所在月份、天氣等數據信息，為建筑能耗模式識別和能耗預測做好準備。試驗流程如圖 1 所示。

圖1 試驗流程圖

3聚類算法選型以及特征維度選擇

基于以上研究思路，本試驗選用 K-means 和 DBSCAN兩個聚類算法，并依據能耗數據特征，選擇K-means 特征維度。

3.1 K-means

K-means 聚類是最著名的聚類算法之一，在時間序列領域應用廣泛[11-12]，其原理為通過將數據分為K 個簇中，使得簇內的各個數據到中心點的距離差平方和最小。K-means算法最重要的是如何定義簇的數量K和如何定義距離的計算方式。

在建筑能源管理中，通常根據設備用途，將建筑用電分為照明、空調、動力以及特殊用電。其中，照明與動力用電受工作日因素的影響較大，而空調用電則受季節因素的影響較大。基于此，試驗中將 K 設置為 6，即（過渡季，供熱季，供冷季）×（工作日，節假日）[5]。

針對時間序列數據，計算距離的方式，常用的有歐幾里得距離、皮爾森系數、DTW 等。根據建筑能耗數據的特點，本試驗選擇歐幾里得距離作為判斷每個點到每個簇中心距離遠近的指標。原因在于：建筑能耗時序數據與建筑設備（如：空調、照明燈具）的開關時間，有著強相關性，這一特點在辦公類建筑的表現尤為明顯。所以，在通過聚類計算能耗時間序列曲線相似度的時候，不能采用諸如 DTW 等算法，原因是這類算法主要用于計算時間序列數據波動趨勢的相似度[6]，而建筑能耗曲線則是需要相同時間點的能耗在計算距離時一一對應，計算各條由 24 個點 /d 組成的能耗曲線相互之間相似度。通過 K-means 聚類算法，得到每個簇的中心，使得簇心曲線上的每個點有其實際的物理意義，為之后的設備運行策略優化提供統計學意義上的支撐。

3.2 DBSCAN

DBSCAN 是一種基于空間密度的聚類算法，在對能耗負荷進行數據分析的研究中，已有廣泛的討論和應用。在建筑能耗數據的采集過程中，由于儀表異常，統計錯誤等因素，造成能耗數據分析的困難。因此，需要對數據進行必要的清洗。本試驗將采用 K-means 和 DBSCAN 混合的方法，先用K-means 聚類對能耗數據進行劃分，再對劃分后的能耗數據分別進行 DBSCAN 聚類，將其中被識別為異常的能耗曲線剔除，為之后的算法分析提供更有價值的能耗數據。

4 試驗過程及其結果分析

4.1 試驗過程

本試驗樣本數據來源于上海某辦公建筑高壓電表 2020年全年能耗數據集，試驗過程隨機挑選了其中一塊電表開展研究。

首先，整理一年數據去除有缺失的天數，然后對其進行首次聚類，聚類部分結果如圖 2 所示。

圖2 對電表能耗數據第一次聚類

然后，對聚類后的每一類數據進行二次密度聚類（DBSCAN），結果如圖 3 所示，其中虛線被算法判斷為臟數據：

圖3 通過密度聚類清洗數據

對清洗后的數據再次進行 K-means 聚類，結果如圖 4所示。

圖4 K-means 聚類后每一類的簇中心

4.2 結果分析

觀察圖 4 發現：簇心曲線趨勢基本相同，主要區別在于開關機時間（曲線升高幅度變大所在時間）、工作時間用能和非工作時間用能高低。其中，類別 0 及類別 1 曲線開機時間為早上 6 點左右而，其他顏色的曲線開機時間則是早上 5點左右，而關機時間則皆為晚上 22 點左右。

進一步對聚類結果進行統計分析，結果如表 1 所示，該表統計了各類別在全年 12 個月以及工作日、非工作日所占的天數。某類別在某月中所占天數越多，說明越符合該月份的用能規律。觀察表內數據，可以發現每一個簇的曲線波動趨勢，和月份有顯著關系，說明電表用能與各月份所在季節有著強相關性，這符合本試驗針對供熱季、供冷季和過渡季來設置 K-means 聚類中 K 個簇的預期。

表1 聚類后統計結果單位：d

分析能耗曲線的月份分布情況，可以發現類別 0 和類別2 表征了 2、3 和 4 月份用能規律，類別 1 表征了 7 月與 12月、類別 3 表征了 8 月至 12 月、類別 5 則表征一部分 9 月及 10 月；而工作日和非工作日分布均勻，對該電表的能耗無明顯影響，推測該電表所在區域為非辦公場所，查閱樓宇配電文件得知：該電表用電正是位于該樓 B 1 層的觀光及餐飲區域，故該統計結果反映的運行特征基本符合預期，說明聚類具有實際物理意義，可以為進一步分析提供數據支撐和實際意義。

又以 9 月中旬至 10 月中旬為例，分析聚類結果與日期、天氣的對應關系，如表 2 所示，發現：類別 3 曲線和類別 5 曲線所處日期段在天氣和節假日的分布上無明顯差別，即天氣和人流量應對能耗無特別影響，能耗曲線上卻出現高低差異，可推測在該電表下，存在節能空間。

表2 聚類結果（部分）與日期、天氣對應表

進一步，將實際值與簇心值以及每個類的上四分位與下四分位作對比，如圖 5 、圖 6 所示。

圖5 逐時能耗值與每類簇心值及上、下四分位值的對比—高于上四分衛

圖6 逐時能耗值與每類簇心值及上、下四分位值的對比—低于下四分衛

如圖所示，當實際值出現明顯高于或低于合理范圍時，可能是用能異常的表征，此時 BEMS 可以記錄具體問題發生時間點，并針對不同的用能異常現象，提示相應的管理建議；如果用能過高，可根據數據所在時刻，排查是否因額外活動造成用能升高、是否存在非正常使用或應關未關的設備，并統計過高用能出現頻次，為優化設備管理流程、合理使用能源指明方向，對于存在條件的樓宇，BEMS 可將判定結果及管控策略發送至樓宇自控系統，由其自動執行所需的自檢和優化。當出現數據顯著波動，則考慮電表故障，此時BEMS 可統計數據波動出現頻次，并提示物業排查問題，若電表并無損壞，則懷疑電表所接設備存在頻繁重啟，進一步提示物業排查電表所接設備是否損壞及是否需要及時更換，以避免不必要的用能損耗以及建筑內人員不適。從聚類分析結果推導建筑能源系統優化運行策略的流程如圖 7 所示。

圖7 從聚類分析結果推導建筑能源系統優化運行策略的流程

5 結 語

本文以基于聚類分析的面向公共建筑的能耗管理優化運行策略中的應用研究，以上海某辦公建筑的電表監測數據為對象，通過混合聚類分析，開展數據試驗。在試驗中分別使用了 K-means 和 DBSCAN 兩種聚類算法，發現使用K-means 聚類算法對能耗數據進行分類，分類結果具有實際物理意義，與該電表計量位置的功能相符；對聚類結果開展進一步分析，結合天氣或者節假日等數據，可用于判斷建筑用能是否存在異常，為推導可能出現用能異常現象背后的原因提供統計學意義上的邏輯支撐，從而為業主在節能減排上提供支持。

本文的研究驗證了聚類分析算法在建筑能耗異常數據檢測、建筑用能模式識別中的可用性，未來，本文工作成果可通過嵌入樓宇能源管理平臺實現規模化推廣應用，同時，還可面向建筑用能預測、需求側管理的目標持續深入開發，以更充分地挖掘聚類分析在建筑能源系統優化運行中的價值，為實現建筑節能降碳提供更重要的支撐。