數據挖掘技術在暖通空調領域的應用研究

徐晨德

（太原學院建筑與環境工程系 山西 太原 030032）

0 引言

社會經濟快速發展，人們越來越重視生活質量，對生活環境的熱舒適性也提出了更高要求。建筑能耗不斷增加，給資源供給帶來了巨大挑戰，傳統的暖通空調能耗研究方法主要有數學物理方法、實驗法、數值模擬法，雖然給建筑空調研究帶來了一定成果，但3種方法未考慮到不斷變化的氣候條件以及可變的能源消耗，且都有自身特定的適用范圍，有一定局限性。智能建筑系統逐漸興起，其系統存儲著大量建筑運行數據以及氣象數據等，傳統研究方法已不適用，急需新的研究方法與分析工具應用于建筑暖通空調領域。數據挖掘技術可以發現數據之間的潛在聯系，有效利用這些數據，是進行建筑暖通空調數據分析最合適的工具。

1 數據挖掘技術概述

數據挖掘即從數據庫中自動識別有用知識、發現整體環節的一個過程，是從大量的、隨機數據中提取、分析使整個數據適合于特定的關系信息的過程，是在原始數據庫中發現全過程的一個環節。原始數據就好比知識的源泉，可以是結構化的，例如關系數據庫中的數據，也可以是半結構化的，例如圖形、圖像數據，甚至是通過網絡分布的異構數據。數據挖掘技術可以是數學的或非數學的，演繹或歸納的，是一個廣泛的交叉學科，是各種技術的結合，通常利用計算機技術來完成數據統計分析等其他操作目標，其過程主要包括8個步驟（圖1）[1]。當前，雖然數據挖掘技術在各個領域中得到了廣泛應用，但依然停留在初步探索階段，在未來，數據挖掘技術在各個領域的應用將進一步深化。

如圖1所示，數據挖掘過程是一重復循環的過程，每一步如果沒有達到預期的目標，需要回到以前的步驟，重新調整并執行。當然，并不是每個數據挖掘工作都需要這里列出的每個步驟，具體要根據其實際情況而定，如當作業中不存在多個數據源時，可以省略數據集成這一步[2]。

2 暖通空調數據挖掘技術應用思路

2.1 應用思路

在暖通空調研究中，以建筑自動控制系統中存儲的大數據為數據基礎，數據挖掘技術為工具，能有效發現建筑空調系統內部運行規律，將暖通空調領域的研究推向一個新的階段，目前數據挖掘技術在暖通空調領域的研究主要包括3個層次，作用主要包括3方面，具體見圖2[2]。其應用主要通過以下步驟完成：（1）數據分類與采集：做好流體流量、室內溫濕度、暖通空調設備運行功率的數據采集與分類工作；（2）對收集分類的數據進行預處理，提高數據質量，確保數據完整性；（3）根據采集到數據的特點，選擇相應的分析算法，并構造模型清理數據，優化模型參數，使其應用效果達到最佳；（4）分析明確最終結果的準確性，找出模型應用過程中的不足，進而解決問題；（5）通過對構建模型的合理利用來確保運作的科學性。通過這5個步驟能夠充分發揮出數據挖掘技術在暖通空調領域的應用優勢[3]。

2.2 應用框架

在將數據挖掘技術應用于智能建筑領域的過程中，相關研究人員曾在考慮建筑自動化系統的系統復雜性與低數據質量問題基礎上，提出了一種面向建筑自動化系統的通用數據挖掘框架，具體見下圖3所示，該框架主要包括數據探索、數據劃分、知識發現與后挖掘4個步驟，其中數據探索主要包含數據的預處理與可視化。該框架已被應用于香港最高建筑的建筑自動化系統研究中，成功地實現了建筑設備系統的異常與故障診斷功能[5]。

還有研究人員在針對辦公建筑房間占用模式的相關研究中，在基于傳統知識發現的過程中，提出了一套基于傳統知識發現（KDD）的數據挖掘流程，具體見下圖4所示。該框架包含數據預處理、數據挖掘和知識提取3大步驟，其中在數據挖掘部分，基于3步數據挖掘方法，利用決策樹、規則歸納和數據聚類有效挖掘了辦公用戶的占用模式和工作進度[6]。

3 數據挖掘技術在暖通空調中的作用

3.1 挖掘能耗數據

利用數據挖掘技術對建筑暖通空調能耗數據的挖掘主要包括以下5個步驟：（1）采集數據集，如溫濕度、太陽輻射強度以及大氣壓力等；（2）對采集的數據集進行預處理，以此來提高數據質量與準確性；（3）分析采集數據的特點，結合大數據平臺確定合適的分析算法并構建模型，確保模型參數準確；（4）對結果進行分析，找出構建模型的優缺點；（5）模型的應用[7]。

此外，還有相關研究人員提出了一種用于建筑能耗分析的綜合集成智能IIT方法，該方法結合了聚類、分類、離群點分析算法以及關聯分析、預算算法，算法的具體應用流程見下圖5所示。在該方法框架中，基于聚類算法的離群點分析算法主要是通過對建筑能耗數據進行分類，從而實現對建筑能耗數據能耗模式的有效識別。在相同的能源消耗模式下，數據的LOF數值十分近似。因此，合理運用LOF算法對具有相同能耗模式的歷史建筑能耗數據進行離群值分析，可以在一定程度上增強能耗異常數據的識別準確性；借助灰色關聯分析提高影響建筑能耗數據影響因素識別的準確性，BP神經網絡則可以在歷史能耗數據和重要影響因素基礎上更準確地預測建筑能耗[8]。

3.2 數據驅動最優控制策略

傳統的控制策略主要采取數學物理模型等理論分析方法，存在一定誤差，且空調系統或多或少地被簡化，因此實際運行與理論控制并不總是完全一致的，理論模型簡化不當可能導致空調系統實際運行與理論控制嚴重偏離，能耗增加而不是減少，為改變這種缺陷，必須以實際數據為基礎，利用數據挖掘算法對各種控制參數的工具進行優化，建立數據驅動的最優控制策略方法，使系統運行達到最優[9]。

4 數據挖掘技術在暖通空調領域的應用策略

4.1 前饋控制技術

前饋控制技術是指以數據與模型算法為基礎，通過測量擾動的變化和控制器的控制，直接克服擾動對被控變量的影響。大數據技術與計算機技術迅速發展，前饋控制技術也在暖通控制領域得到廣泛應用，其應用主要體現在以下幾方面：

（1）在暖通空調系統優化控制中的應用：前饋控制技術可對暖通空調冷源設備運行參數進行控制優化，冷水機組是冷源系統的關鍵設備之一，其運行能耗受負荷、冷水供回水溫度以及設備運行狀態的影響，研究人員以此為基礎對冷水機組的運行進行了前饋控制預測[10]。此外，利用前饋控制技術還能調節控制空調水系統的運行參數，研究人員針對變風量空調系統送風溫度控制回路、送回水溫差控制回路中擾動大以及延時大的特點，利用前饋控制技術實現了變流量以及變量運行的空氣調節[11]。

（2）在室內熱環境中的應用：影響人體舒適的因素很多，例如環境溫度、空氣流速等，故利用合適的控制算法優化暖通空調設備，對提高室內熱舒適性有重要影響，有學者發現室內空氣品質可以通過模型預估計來控制，室內溫度可以通過集中式和分布式模型預估計控制來設定，并基于預測算法對室內空氣調節進行了分析，研究出一種基于暖通空調參數模型的前饋解耦廣義預測控制算法，最終實現了良好的熱舒適性[12]。

4.2 概率神經網絡技術

概率神經網絡技術的應用主要是通過對構建的暖通空調模型分析研究，制定降低能耗的策略，概率神經網絡，即PNN，是一種前饋神經網絡，它是由徑向基核函數神經網絡演化而來，在暖通空調工程應用中，主要是利用概率神經網絡中的線性學習算法與非線性學習算法來解決數據分類問題，輸入層、模式層、求和層與輸出層構成了概率神經網絡模型，結構圖見圖6，操作簡單且數據精度更高[13]。

如圖6所示，輸入層的主要功能訓練傳輸來的暖通空調相關數據，再將輸入好的數據傳輸到下一模式層；模式層主要功能顯示暖通空調數據中各個模塊與輸入層傳輸的特征向量之間的對應關系；求和層主要功能為運算，這一層的神經元數目與樣本層的神經元總數相同，神經元只與圖案層的相應神經元連接；輸出層主要功能為接收求和層的輸出的結果，然后在所有神經元的輸出層找到一個神經元的后驗概率密度最大值。利用概率神經網絡技術降低暖通空調能耗的主要措施有：（1）提高蒸發溫度，降低冷凝溫度，減少溫差，經驗值每降低1，主機能效提高3倍；（2）降低泵的頻率；（3）預測水系統的滯后性；（4）動態調節各種參數，在特定空間內調節空氣溫度、濕度、氣流速度和清潔度，以滿足人體舒適性的要求[14]。

4.3 專家系統

建筑暖通空調是一個復雜龐大的系統，很容易發生故障，在系統運行過程中，要求設備在發生故障后能立即被清除，專家系統特別擅長處理這種問題，故有必要將專家系統應用于暖通空調故障檢測中。首先專家系統會根據發生的故障利用推理網絡找到故障位置，建立診斷模型，判斷故障原因。此外，當暖通空調發生較嚴重故障的時候只能停機檢修，影響到人們的日常生活，專家系統具有擬人智能的能力，主要研究定性系統控制與決策問題，且已經超出了全信息控制論的范疇，在暖通空調故障檢測與運行管理起著重要作用[15]。

5 結語

綜上所述，將數據挖掘技術應用于建筑暖通領域，有效促進了暖通空調行業進步發展，本文簡要分析了暖通空調數據挖掘技術應用思路，以及數據挖掘技術中前饋控制技術、概率神經網絡技術與專家系統在暖通空調領域的具體應用，促進建筑行業智能化發展。