數據挖掘技術及其在建筑節能中的應用①

張運楚, 韓懷寶, 楊紅娟, 楊崇濤, 王兆斌

1(山東建筑大學 信息與電氣工程學院,濟南 250101)2(山東省智能建筑技術重點實驗室,濟南 250101)

數據挖掘技術及其在建筑節能中的應用①

張運楚1,2, 韓懷寶1, 楊紅娟1,2, 楊崇濤1, 王兆斌1

1(山東建筑大學 信息與電氣工程學院,濟南 250101)2(山東省智能建筑技術重點實驗室,濟南 250101)

人類社會發展中的每次技術進步都會催生一系列新的產品和服務,但同時也導致資源和能源消耗的劇增.技術的進步雖然提高了資源和能源的利用效率,但這種人均能耗不斷遞增的發展模式不可持續.建筑節能除了關注供應側的能效外,合理的導需求側用能是實現建筑節能的關鍵.要實現建筑節能模式由供應側到需求側的轉變,就必須恰當描述特定室內環境下的用能特征,才能從需求側評估建筑能耗的合理性,進而精確辨識能源浪費的原因.建筑物自動化系統和物聯網技術的快速發展與普及,獲取了大量特定室內環境下的用能特征數據,利用數據挖掘技術可以從這些低密度價值的建筑運維數據中萃取節能線索和策略.本文簡述了數據挖掘技術,綜述了各種挖掘方法在建筑節能中的應用,并展望了發展趨勢.

數據挖掘;算法;能耗分析;建筑節能;關聯挖掘;分類;聚類;神經網絡

隨著建筑行業的快速發展,建筑能耗問題越來越突出.建筑能耗在總能耗中的占比不斷上升,對能源造成巨大壓力.建筑運行能耗作為建筑能耗的主要組成部分,浪費尤為嚴重.據統計,建筑運行使用能耗占建筑生命周期總能耗的80%～90%[1,2].因此,實行建筑節能是發展資源節約型社會、實現經濟的可持續發展的必要途徑.如何從龐大的數據與信息中快速、高效的提取出蘊藏在其中的有用知識,發現能源使用過程中的漏洞,使建筑用能更加合理高效,已成為行業面臨的關鍵問題.

常用的建筑能耗數據分析方法主要是通過模擬軟件建模的方法定性、定量的分析建筑能耗指標,如DeST、EnergyPlus、DOE-2、TRNSYS、PKPMCHEC等能耗模擬軟件,該方法需要豐富的專業知識并建立精確的數學模型.但是,模擬假定的參數并不能反映實際運行過程中的能耗,而且很多實際情況難以模擬[3].基于數據挖掘(Data Mining,DM)的能耗數據分析方法可以在沒有假設前提的情況下挖掘信息,其對于知識的發現是未知的、非直覺的、甚至是違背常理的.隨著建筑能耗數據的大量累積,數據挖掘在能耗分析中的作用越發凸顯.

數據挖掘是一門交叉性學科,是從大數據中通過算法發現潛在有用知識的過程.它通過統計學、機器學習、專家系統、模式識別等方法和數據庫技術搜索隱藏的信息和規律,在工業、商業等各個領域已得到廣泛應用.本文首先介紹了數據挖掘技術的主要方法,分析了數據挖掘技術在建筑節能中的典型應用,最后展望了數據挖掘在建筑節能中的應用前景.

1 數據挖掘概述

數據挖掘也常稱為數據庫知識發現(Knowledge Discovery in Database,KDD),是指從大量不完全、含噪、模糊、隨機的數據中,提取隱含在其中事先未知的潛在有用信息和知識的過程[4].簡言之,數據挖掘就是從存放在數據庫的大量數據中挖掘有用知識的過程.不同于專家系統僅僅對已有知識進行學習,數據挖掘可以從數據庫中發現隱含的新知識,其挖掘的知識是未知的.通過數據挖掘可以發現數據庫中數據間隱藏的內在關系,其挖掘的知識可用于歷史數據評價、發展趨勢預測、過程控制、信息管理并對決策產生影響.與一般數據分析處理技術相比,數據挖掘有以下特點[5]:(1)海量性,數據挖掘的數據源是海量的;(2)可用性,數據挖掘的知識是有用的,挖掘結果可用于行為指導和趨勢預測;(3)相對性,數據挖掘不是發現新的自然科學定理或數學公式,它發現的知識的相對的,有特定條件約束的,面向特定領域的.

數據挖掘是數據庫技術與機器學習技術的結合,許多方法與機器學習方法相似.常用的數據挖掘方法主要包括關聯分析、線性回歸、分類分析、聚類分析、神經網絡方法等.

1.1 關聯挖掘(Association Mining)

關聯挖掘也稱關聯規則挖掘(Association Rule Mining),是一種用于發現數據項后集間的依賴關系和關聯關系的數據挖掘方法.關聯規則是一種描述事件同時出現的規律和模式的方法,其描述了事件間同時出現的概率關系,推理所得結論并不具備因果關系.關聯挖掘方法通過設定最小支持度和最小置信度閾值來判定數據或信息間的關系,高于該閾值的關聯規則是我們感興趣的.關聯分析代表性算法有Apriori算法,FP-Tree算法及后期的一些改進算法[6].

1.2 多元線性回歸模型(Multivariable Linear Regression Model)

多元線性回歸模型用于描述多個自變量與因變量間的相關關系.實際問題中,因變量的變化往往受到多個自變量的影響,當自變量與因變量間呈線性關系時,可用線性回歸模型研究.線性回歸模型常用于對歷史數據的分析、預測未來趨勢等.

1.3 分類(Classification)

分類屬于一種特殊的預測方法,通過對訓練集中樣本特征或屬性的提取、訓練,建立特征的描述函數或模型,通過模型預測新數據所屬的類別.常用的分類方法包括決策樹法(Decision Tree)、支持向量機(Support Vector Machine,SVM)等.

決策樹是經典的分類方法,它通過自頂向下遞歸的方式構造決策樹,是以實例為基礎的歸納學習方法.決策樹是一個預測模型,代表對象屬性和對象值間的映射關系,其結果為單一輸出.ID3算法、C4.5算法是有代表性的決策樹算法[7].支持向量機是一種通過尋求結構風險最小化來提高學習機泛化能力的分類方法,通過在特征空間中找出最優分類超平面使類間隔最大化.SVM分類結果由少數支持向量決定,因此具有較好的適應能力與魯棒性,分類準確度也較高.常用的支持向量機有LS-SVM,模糊SVM,多分類SVM等[8].

1.4 聚類(Clustering)

聚類是將具有較高相似度的類或簇聚集在一起,相異的類或簇分離開來的過程.相似度是基于描述對象的屬性值來計算的,距離是常用的度量方式.同一簇中的對象具有較高的相似度,可以被當作一個整體對待.聚類屬于無監督學習方法,按聚類原理的不同通常可將聚類分為:劃分方法、層次方法、基于密度的方法、基于網格的方法、基于模型的方法等[9].

1.5 神經網絡(Neural Network)

神經網絡是模擬人腦工作過程而抽象出的數學模型.神經網絡是由多個神經元(節點)組成的信息處理系統,每個神經元都是基本處理單元節點,節點間的連接代表連接該信號的加權值或權重值.該過程可看作m維輸入到n維輸出的映射,神經網絡的性能可由輸出的期望值與實際值間的差來衡量.常用的神經網絡有BP(Back Propagation)網絡,RBF(Radial Basis Function)網絡等.

2 數據挖掘在建筑節能中的應用

公共建筑內設備種類及數量繁多,產生海量的能耗數據.隨著國家出臺相關規定需對建筑用能建立能耗監測系統,對空調、照明插座、動力等實行分項計量后,積累了大量的建筑能耗數據.量大、高維是這些數據的主要特點,傳統的數據分析方法不能很好的發現其中蘊藏的知識,而數據挖掘技術能很好的解決此類問題.用數據挖掘發現建筑能耗知識的過程可分為四步:(1)數據收集和預處理;(2)建立能耗數據挖掘模型;(3)挖掘結果評估;(4)模型的應用.

2.1 關聯分析的應用

挖掘能耗數據背后隱藏的能耗使用特征是實現建筑節能的重要方向.關聯挖掘是一種典型的關聯分析方法,可以有效的發現能耗數據間的聯動關系及推理影響能耗指標產生的因素.關聯挖掘方法通過最小支持度(Min_sup)和最小置信度(Min_conf)閾值來判定數據或信息間的關系,閾值由用戶事先設定.AM過程即為尋找滿足高于Min_sup和Min_conf的強關聯規則過程.該過程可分為兩步:1)找出所有頻繁項集,即滿足的sup(X)≥Min_sup所有項集;2)找出強關聯規則,即頻繁項集即中滿足conf(X)≥Min_conf的關聯規則.

2.1.1 Apriori的應用

Apriori是一種典型的迭代型關聯挖掘方法,最早由R Agrawal[10]提出,后來的很多算法都是基于該思想.Apriori方法通過迭代搜索頻繁項集發現強關聯規則.蘇江奪[11]將Apriori算法應用到校園分項用電系統數據分析中,分析某分項能耗變化與其他分項能耗變化間的耦合關系.首先將校園分項能耗分為8個分項,通過閾值比例和數據轉化將能耗浮點數據轉化成變化趨勢型的符號數據(上升↑,下降↓和不變-);然后設定最小支持度Min_sup、最小置信度Min_conf和其他相關配置參數;最后通過校園平臺分項能耗記錄和Apriori算法搜索頻繁項集,發現了多條強關聯規則(如結果顯示空調末端用電、照明插座用電與其他分項用電存在耦合關系),推理結論可為校園能源的管理改善提供參考依據.張春杰[12]通過Apriori算法生成的強關聯規則發現了午休前后空調系統存在的不合理運行問題,改善這些問題可以實現節能且提高空調系統運行效率.

將Apriori算法應用到建筑能耗數據分析中,優勢是思路簡單、過程循序漸進,缺點是如果數據庫太大需要掃描次數太多,且迭代過程中產生的候選集較大導致運算量大,運行時間較長.

2.1.2 FP-growth的應用

針對Apriori算法固有的缺點,Han J等人[13]提出了FP-growth算法,該算法通過構建FP_tree找到頻繁項集.FP-growth算法與Apriori算法相比的改進:1)主要掃描兩次數據庫,避免了多次掃描浪費時間;2)無需產生候選集,僅需構造FP_tree即可產生頻繁模式.

S Lin[14]等將FP-growth算法用于挖掘建筑分項數據間的關聯.數據集合包括建筑總能耗(低、中、高),空調能耗(低、中、高),空調狀態(開、關),溫度(低、中、高),以天為單位生成記錄,通過30條記錄產生強關聯規則.結果表明空調系統能耗跟建筑總能耗、空調系統分單元間能耗、溫度與空調系統能耗、溫度與建筑總能耗間存在相關關系.Yu Z[15]通過FP-growth算法發現住宅建筑中的不節能行為.試驗中的項集包括各種負荷(熱水、燈、廚房、冰箱、娛樂、家務等)、室外氣象參數(溫度、相對濕度、風速、光照情況)、建筑自身參數(面積、熱損失系數)等,通過產生的關聯規則發現用戶在日常生活中的不節能行為.類似的研究還有通過FP-growth算法發現空調系統新風處理機組運行中的耗能行為[16].

2.2 多元線性回歸的應用

多元線性回歸就是根據已知變量,利用最小二乘法求回歸系數,建立自變量與因變量間線性關系的過程.線性回歸是一種廣泛應用的節能分析模型,可用于能耗預測、能耗影響因素分析等方面.對于自變量的選擇通常遵循幾個原則:

(1)自變量與因變量間成顯著的線性相關關系;

(2)自變量間應具有互斥性,或者相關程度很小;

(3)自變量數據容易測量.

文獻[17]利用線性回歸分析尋找能耗數據與影響因素間的關系.首先通過研究尋找與電能耗變化最為緊密的影響因素(室內外溫差、日均開燈時長、人均照度、使用人數等)建立回歸模型;然后驗證模型的準確性,移除非線性變量.該模型分析結果可結合未來影響因素指標預測未來一段時間的電能需求量.文獻[18]提出一種基于多元線性回歸的建筑能耗分析與預測模型,因變量選擇為天然氣和電能耗,自變量為建筑類型、年代、占地面積、居住人數等參數,通過模型分析出對能耗影響顯著的因素.文獻[19,20]在建筑初始設計階段通過回歸模型定量預測建筑能耗,結果可為節能建筑設計提供參考依據.

2.3 分類的應用

分類屬于典型的有監督學習方法,其過程可分為兩步:1)訓練:訓練集→特征提取→訓練→分類器;2)分類:新數據→特征提取→分類.

2.3.1 決策樹的應用

決策樹是一種樹形結構,由根節點、內部節點和葉節點組成.內部節點表示屬性,每條分支表示一個輸出測試,葉節點代表實例所屬類別.決策樹通過計算熵(entropy)和信息增益確定屬性間的關系構建決策樹,信息增益最大的屬性作為分支節點屬性.文獻[21]將決策樹方法用于建筑用能需求建模.首先將屬性按區間劃分,如溫度(high/low)、熱損失系數(high/low)、室內人員數量(是否≤2)、能耗來源(供熱等)等,輸出為能耗密度(high/low),然后通過公式計算樣本數據的信息熵、信息增益,信息增益最大的屬性作為分支節點判斷屬性,通過逐級向下計算直到輸出結束,構建的決策樹可用于預測建筑能耗密度及能耗需求.文獻[22]通過建立能耗模式判定樹與離群點分析,判斷實時能耗數據的模式,監測能耗是否存在異常.

2.3.2 SVM的應用

SVM具有泛化能力強、全局最優、對維數不敏感等優點,可成功應用于負荷預測.經典的SVM方法是一種二分類方法,而在實際的數據挖掘應用中,一般要解決的是多分類問題,所以后期提出了SVM改進方法來解決實際問題,最小二乘支持向量機(LS-SVM)就是一個典型的改進算法.

LS-SVM是SVM的一種變形算法,通過非線性變換將負荷樣本映射到高維空間,在該空間上尋找負荷預測回歸函數并建立LS-SVM模型,從而進行負荷預測.文獻[23]將LS-SVM用于空調負荷預測中.首先通過確定與負荷密切相關的因素,選擇輸入變量類型;然后將與預測量密切相關的影響因素(歷史負荷數據、氣象因素等)從輸入空間映射到特征空間構造最優線性回歸函數,利用結構風險最小化原則并通過入Lagrange函數求目標函數最小值訓練LS-SVM模型參數,最后通過測試樣本驗證該模型的準確性.針對原始輸入變量存在的明顯粗糙性,文獻[24]通過粗糙集(Rough Sets,RS)屬性簡約尋找與預測負荷密切相關且最少的輸入變量,提高了該算法的運行效率.類似基于SVM的改進方法在建筑節能中的應用還有回歸型支持向量機[25],灰色模型支持向量機[26]等.

2.4 聚類的應用

聚類分析法的優勢在于不需要考慮分類結構,只需考慮數據本身的特征,即通過數據間的相似度實現分類.聚類結果可用于能耗預測、基準評價、運行優化等.常用的聚類方法有K-均值(K-means)算法、Chameleon算法、DBSCAN算法等.

文獻[27]使用合成聚類方法(Agglomerative Hierarchical Clustering,AHC)分析一周中相似能耗狀況.聚類流程為:特征向量生成→特征向量轉換→分成7類→移除離群點→找出相似類.基本思想為:首先將每個特征向量看成一個單獨的類,然后利用制定的規則進行合并,直到類的數后減到指定的數后為止.特征向量為可以描述能耗情況的參數,如日均能耗量,日能耗峰值.文中通過異化系數描述類之間的不相似度并作為是否聚為同一類的標準;通過終止規則決定是否合并最近的類.聚類結果可用于發現能耗異常點并制定節能控制策略.文獻[28]采用基于Weka平臺的Chameleon算法建立面向公共建筑能耗運行優化的聚類模型.首先使用K-均值把與某個點最近的k個點撿起來形成若干小簇,然后通過簇間的互聯性和緊密性決定是否合并簇.將該方法應用到商場和辦公建筑的能耗聚類中,求得每個簇的平均能耗和能耗分布率并將其作為節能評價指標,可為節能提供決策依據.

與其他數據挖掘方法相比,聚類不需要太多的專家領域知識和復雜的公式計算,只從數據自身處理的角度考慮,且能獲得不錯的分析效果.聚類沒有一個客觀的正確與否評價標準.分類或關聯分析可通過測試數據檢驗其正確性,但由于聚類屬于無監督學習,分成幾類是可變的,可以通過是否能有效應用于數據挖掘實例中來對其評估.

2.5 神經網絡的應用

神經網絡的非線性適應性信息處理能力、并行處理、容錯性等優勢使其克服了其他智能方法的缺陷,已被廣泛應用于能源預測等方面.將神經網絡用于分析建筑能耗指標的基本思路為:首先通過特征提取,找出對能耗指標較為敏感的參數作為神經網絡的輸入量,能耗指標作為輸出;然后劃分訓練樣本集并對網絡訓練,當達到所設置的訓練精度時訓練結束.訓練完成后的網絡對于每一個輸入量都可將其劃歸到最接近的類中.

BP神經網絡是一種常用的方法,已廣泛應用于能耗指標評價和能耗預測等領域中.文獻[29]系統性闡述了基于神經網絡的建筑節能評價體系,包括建筑節能因素分析及神經網絡在建筑節能評價中的應用.文獻[30]將BP神經網絡用于構建公共建筑能耗分析模型.首先選取溫度、濕度、天氣特征、是否是正常工作日作為敏感輸入量,建筑能耗值為輸出;設置網絡連接權值、閾值、誤差函數、目標值、學習次數等參數;訓練中通過不斷調整參數直到達到設置的精度為止.實驗結果表明基于BP神經網絡應用于公共建筑能耗分析準確率較高.文獻[31]采用BP神經網絡進行建筑負荷預測,輸出量為空調年耗電量和實際單位面積耗電量,結果證明了BP神經網絡用于建筑能耗預測的可行性.

其他的神經網絡方法在建筑節能指標分析中也有廣泛應用.文獻[32]采用基于粒子群優化的RBF神經網絡方法設置日能耗報警閾值,完善了能耗監測平臺的報警功能;文獻[33]提出了一種基于PCA(Principal Component Analysis)和RBF的建筑能耗預測模型,按貢獻率提取主成分并作為神經網絡輸入,結果表明該方法可有效提高預測精度;文獻[34]將能耗基準評價法與人工神經網絡結合用于預測能源利用指數EUI(Energy Use Index),發現了與EUI變化密切相關的因素.

基于神經網絡的數據挖掘方法的優點:1)非線性擬合能力強,能映射復雜的非線性關系;2)對噪聲數據有較強的魯棒性;3)準確率高,學習規則簡單;4)學習能力強,分布處理能力強.缺點:1)由于不能觀察學習過程,因此欠缺解釋推理過程和輸出結果的能力;2)對冗余和不完整數據挖掘結果存在異常;3)容易訓練過度;4)系統參數多,學習時間長.常用的基于神經網絡的挖掘方法有基于自組織神經網絡的數據挖掘、基于模糊神經網絡的數據挖掘等.

3 數據挖掘在建筑節能中的發展趨勢

除去無法調控的室外氣象條件之外,影響建筑運行能耗的因素大致可分為兩類:一類是與使用人員相關的需求側,主要包括室內人員密度及其變化,室內人員對建筑空間的使用時間和行為,以及室內人員對室內環境的要求和自主調控意識等;另一類是與建筑系統相關,通常把建筑本體以及為建筑提供室內舒適環境的各系統(照明系統、空調供暖和通風系統等)看作一個整體,稱為建筑系統,這個系統的后的是為人類活動提供舒適的室內環境,其影響建筑運行能耗的因素主要包括建筑本體空間形態、維護結構熱工性能、系統設備的能效等性能參數,還包括各系統根據室內需求做出的各種運行調控策略,調控策略是否得當影響供應系統的整體效率.

要實現建筑節能模式由供應側到需求側的轉變,就必須恰當描述特定室內環境下的用能特征,才能從需求側評估建筑能耗的合理性,進而精確辨識能源浪費的原因.這就需要解決以下三個問題:(1)能耗感知(energy consumption sensing),獲取必要的空間粒度和時間粒度能耗數據,得到室內空間能量蹤跡.(2)環境感知(environments sensing),獲取溫度、濕度、噪聲、空氣質量、照度等影響用戶舒適感的各種室內環境狀態參數,以及室外氣象參數.(3)情景感知(context awareness),采集能源消耗時室內特定空間的人員分布及行為狀態,獲取用戶蹤跡(Occupants footprint).

由于存在既要滿足眾多使用者對舒適的需求,同時又要滿足能耗最小化這一相互矛盾的目標,使得建筑能耗管理問題變得愈發復雜.通過獲取能耗、環境和情景這三類室內空間狀態,將能量蹤跡和用戶蹤跡信息融合,可以為能耗統計、能源審計、節能管理、節能改造和行為節能等提供有效的技術支持.

隨著數據挖掘技術的發展,將數據庫技術、人工智能、統計學等應用到建筑節能中有廣闊的發展前景.由于數據挖掘中單個算法具有缺點和局限性,對于數據挖掘算法的改進和多算法組合可以彌補傳統算法的缺陷,也是數據挖掘技術的發展方向.另外,通過對電力公司的能源數據以及其他各類第三方數據進行深入分析和挖掘,結合行為科學、云計算技術、大數據分析,進而為用戶提供一整套適合于其生活方式的節能建議,也是一種發展趨勢.

4 結語

本文首先介紹了數據挖掘技術,針對應用較廣泛的挖掘方法作了介紹,然后介紹了數據挖掘典型方法在建筑節能中的應用,最后對數據挖掘技術在建筑節能中的應用發展作了展望.

隨著建筑設備和建筑耗能的增加,建筑能耗數據海量化是不可避免的,如何從大數據中挖掘出有用的信息,為建筑節能提供參考依據是建筑行業的發展方向,同時為數據挖掘技術提供了用武之地.數據挖掘和建筑節能技術在我國的發展還較為落后,將數據挖掘技術應用到建筑節能中還有很長的路要走.

1 清華大學建筑節能研究中心.中國建筑節能年度發展研究報告2015.北京:中國建筑工業出版社,2015.

2 Ramesh T,Prakash R,Shukla KK.Life cycle energy analysis of buildings:An overview.Energy and Buildings,2010,42(10):1592–1600.[doi:10.1016/j.enbuild.2010.05.007]

3 李驥,鄒瑜,魏崢.建筑能耗模擬軟件的特點及應用中存在的問題.建筑科學,2010,26(2):24–28,79.

4 Han J,Kamber M.數據挖掘:概念與技術.范明,孟小峰譯.北京:機械工業出版社,2007.

5 張敏,李亞非.數據挖掘綜述.江蘇科技信息:學術研究,2010,(2):83–84.

6 王愛平,王占鳳,陶嗣干,等.數據挖掘中常用關聯規則挖掘算法.計算機技術與發展,2010,20(4):105–108.

7 杜麗英.基于數據挖掘的決策樹算法分析.吉林建筑工程學院學報,2014,31(5):48–50.

8 汪海燕,黎建輝,楊風雷.支持向量機理論及算法研究綜述.計算機應用研究,2014,31(5):1281–1286.

9 賀玲,吳玲達,蔡益朝.數據挖掘中的聚類算法綜述.計算機應用研究,2007,24(1):10–13.

10 Agrawal R,Imieliński T,Swami A.Mining association rules between sets of items in large databases.ACM SIGMOD Record,1993,22(2):207–216.[doi:10.1145/170036]

11 蘇江奪.基于關聯規則挖掘的節能系統用電分項關聯耦合分析的研究與實現[碩士學位論文].廣州:華南理工大學,2013.

12 張春杰.基于Apriori算法的校園空調的節能研究[碩士學位論文].杭州:杭州電子科技大學,2014.

13 Han JW,Pei J,Yin YW.Mining frequent patterns without candidate generation.ACM SIGMOD Record,2000,29(2):1–12.[doi:10.1145/335191]

14 Lin SF,Hao C,Li DD,et al.Comprehensive energy efficiency analysis of buildings based on FP-growth association rules.International Journal of Electrical Energy,2015,3(3):197–202.

15 Yu Z,Haghighat F,Fung BCM,et al.A methodology for identifying and improving occupant behavior in residential buildings.Energy,2011,36(11):6596–6608.[doi:10.1016/j.energy.2011.09.002]

16 Yu Z,Haghighat F,Fung BCM,et al.A novel methodology for knowledge discovery through mining associations between building operational data.Energy and Buildings,2012,47:430–440.[doi:10.1016/j.enbuild.2011.12.018]

17 聶子航,于學軍.基于多元線性回歸的辦公建筑電力能耗評估預測模型的設計.電子設計工程,2016,24(3):40–43,46.

18 樊麗軍.基于多元線性回歸模型的建筑能耗預測與建筑節能分析.湘潭大學自然科學學報,2016,38(1):123–126.

19 Asadi S,Amiri SS,Mottahedi M.On the development of multi-linear regression analysis to assess energy consumption in the early stages of building design.Energy and Buildings,2014,(85):246–255.

20 Hygh JS,DeCarolis JF,Hill DB,et al.Multivariate regression as an energy assessment tool in early building design.Building and Environment,2012,57:165–175.[doi:10.1016/j.buildenv.2012.04.021]

21 Yu Z,Haghighat F,Fung BCM,et al.A decision tree method for building energy demand modeling.Energy and Buildings,2010,42(10):1637–1646.[doi:10.1016/j.enbuild.2010.04.006]

22 卿曉霞,肖丹,王波.能耗實時監測的數據挖掘方法.重慶大學學報,2012,35(7):133–137.[doi:10.11835/j.issn.1000-582X.2012.07.023]

23 唐莉,唐中華,靳俊杰.最小二乘支持向量機(LS-SVM)在短期空調負荷預測中的應用.建筑節能,2013,(2):56–58.

24 耿艷,韓學山,韓力.基于最小二乘支持向量機的短期負荷預測.電網技術,2008,32(18):72–76.

25 李建,陳烈,茅林明.支持向量機在建筑能耗預測中的應用.建筑節能,2014,(12):77–80.[doi:10.3969/j.issn.1673-7237.2014.12.020]

26 唐杰明,劉俊勇,楊可,等.基于灰色模型和最小二乘支持向量機的電力短期負荷組合預測.電網技術,2009,33(3):63–68.

27 Seem JE.Pattern recognition algorithm for determining days of the week with similar energy consumption profiles.Energy and Buildings,2005,37(2):127–139.[doi:10.1016/j.enbuild.2004.04.004]

28 劉文鳳.數據挖掘在公共建筑能耗分析中的應用研究[碩士學位論文].重慶:重慶大學,2010.

29 盧德華.基于人工神經網絡的建筑節能體系綜合評價.建設科技,2007,(9):64–65.

30 劉長俊.基于遺傳BP神經網絡技術的大型公建能耗分析模型的研究與應用[碩士學位論文].南寧:廣西大學,2012.

31 蔣毅.建筑能耗的統計平臺及其基于BP神經網絡預測方法的研究[碩士學位論文].廣州:華南理工大學,2012.

32 徐聰麒.基于粒子群優化的RBF網絡在節約型校園能耗監管平臺中的應用研究[碩士學位論文].南寧:廣西大學,2012.

33 戴坤成,王貴評,趙超.基于PCA與RBF的建筑能耗預測建模.福州大學學報(自然科學版),2015,43(4):512–516.[doi:10.7631/issn.1000-2243.2015.04.0512]

34Yalcintas M.An energy benchmarking model based on artificial neural network method with a case example for tropical climates.International Journal of Energy Research,2006,30(14):1158–1174.[doi:10.1002/(ISSN)1099-114X]

Data Mining Technology and Its Application in Building Energy Efficiency

ZHANG Yun-Chu1,2,HAN Huai-Bao1,YANG Hong-Juan1,2,YANG Chong-Tao1,WANG Zhao-Bin11(School of Information and Electrical Engineering,Shandong Jianzhu University,Jinan 250101,China)2(Shandong Provincial Key Laboratory of Intelligent Buildings Technology,Jinan 250101,China)

Every technological advance in the development of human society will lead to a series of new products and services,but at the same time,it will lead to a sharp increase in the consumption of resources and energy.Although the progress of technology has improved the efficiency of resource and energy use,the development mode of increasing per capita energy consumption is not sustainable.In addition to the supply side of energy efficiency,a reasonable guide to demand side can be the key used to achieve building energy efficiency.To achieve the change of building energy-saving mode from the supply side to the demand side,we must properly describe the energy by using characteristics in a specific indoor environment,and assess the reasonableness of building energy consumption from the demand side,then identify accurately the reason of energy waste.Along with the rapid development of building automation system and IOT technology,a large amount of building energy consumption data with specific indoor environment features are acquired,then we can use data mining technology to extract energy saving clues and strategies from these low density value building daily operation data.This paper briefly introduces the data mining technology,and summarizes the application of various mining methods in building energy saving,and prospects of its development trend.

data mining;algorithm;building energy consumption analysis;building energy efficiency;association mining;classification;clustering;neural network

張運楚,韓懷寶,楊紅娟,楊崇濤,王兆斌.數據挖掘技術及其在建筑節能中的應用.計算機系統應用,2017,26(9):151–157.http://www.c-sa.org.cn/1003-3254/5869.html

① 基金項后:國家自然科學基金青年基金(61303087)

2016-12-06;采用時間:2016-12-22