公共建筑用能診斷技術(shù)文獻綜述

汪雨清 卜 震 張文宇 張蓓紅 吳蔚沁

上海市建筑科學研究院

0 引言

根據(jù)國際能源署（International energy Agency）統(tǒng)計，建筑行業(yè)消耗的能源約占全球能源的32%[1]，整個建筑的生命周期內(nèi)，運行能耗占建筑總能耗80%～90%[2]。建筑物運行能耗的節(jié)能工作是長遠和迫切的。

在民用建筑中，供人們進行各種公共活動的建筑被稱為公共建筑[3]。公共建筑用能設(shè)備主要包括空調(diào)、照明、電梯、水泵等多個復雜的系統(tǒng)，單位面積的電耗高達住宅的5～15倍[4]，因此開展公共建筑節(jié)能工作，是國家節(jié)能工作的重中之中。做好節(jié)能工作的重要前提是對公共建筑用能系統(tǒng)進行診斷，找出運行中存在的問題，為節(jié)能工作（如制定運行優(yōu)化方案、節(jié)能改造方案等）的進一步深入開展提供基礎(chǔ)保障。

本文通過調(diào)研大量文獻，探討了公共建筑用能診斷技術(shù)，包括基于專業(yè)知識用能診斷技術(shù)和基于已有建筑能耗數(shù)據(jù)挖掘的用能診斷技術(shù)，調(diào)研分析了用于建筑用能診斷工作中常用的數(shù)據(jù)分析方法，總結(jié)了公共建筑用能診斷技術(shù)的發(fā)展現(xiàn)狀，預測用能診斷技術(shù)未來的發(fā)展趨勢，提出了基于實時在線建筑運行監(jiān)測數(shù)據(jù)進行診斷的方法。

1 國內(nèi)外研究進展

公共建筑用能節(jié)能診斷目前主要分為傳統(tǒng)的基于專業(yè)知識的用能系統(tǒng)診斷技術(shù)和基于數(shù)據(jù)挖掘的用能診斷技術(shù)。

1.1 基于專業(yè)知識的用能診斷

對公共建筑用能的診斷，最初的診斷技術(shù)基本上都是采用傳統(tǒng)專業(yè)知識進行的。專業(yè)知識用能診斷技術(shù)主要是憑借傳統(tǒng)的專業(yè)理論知識，以及診斷專家個人經(jīng)驗，輔以現(xiàn)場檢測及調(diào)研數(shù)據(jù)和信息，對公共建筑及其用能系統(tǒng)和設(shè)備進行的一種診斷方法。

國外Irene[5]開發(fā)出一種能夠模擬建筑模塊產(chǎn)能的數(shù)據(jù)庫，評估建筑基礎(chǔ)結(jié)構(gòu)、圍護結(jié)構(gòu)及相關(guān)設(shè)備用能。Zmeureanu采用MICRO-DOE2軟件評價某超大型辦公建筑照明系統(tǒng)節(jié)能技改后的效果[6]。南大教授調(diào)查和測定了某商用建筑內(nèi)部空調(diào)系統(tǒng)運行能耗，對該系統(tǒng)的具體能耗結(jié)構(gòu)、配套冷水和冷卻水輸送系數(shù)、能效比及其它方面進行了研究評價[7]。中國建筑設(shè)計研究院以北京某大型辦公建筑作為用能診斷案例，從供暖、通風、空調(diào)、圍護結(jié)構(gòu)等方面研究了建筑用能診斷主要方法及內(nèi)容[8]。長江大學向炯總結(jié)出大型公共建筑用能診斷標準化內(nèi)容及建筑能耗預測方式[9]。上海市能效中心魏玉劍以需求為導向，提出用能“TERR（四診）”法，即Timing sequence control（時序控制）、Energy efficiency control（能效等級）、Requirement analysis（需求分析）和Recycle waste energy（廢能再利用）[10]。廣東工業(yè)大學朱城香對需求側(cè)管理（Demand Site Management）專線用戶的節(jié)能診斷進行了研究，采用傅里葉變換處理數(shù)據(jù)，通過理論計算和能效評估，提出針對性的、可實施的節(jié)能改造方案[11]。華東交通大學王凱等人研究紅外熱像儀應(yīng)用于建筑圍護結(jié)構(gòu)節(jié)能診斷，提出紅外熱像儀在圍護結(jié)構(gòu)熱橋、熱工缺陷等方面的用能診斷方法和實際應(yīng)用案例[12]。江億、薛志峰[13]等在《既有建筑節(jié)能診斷與改造》一書中提出了節(jié)能診斷的（OTI）方法。OTI方法強調(diào)全面了解建筑物用能和設(shè)備現(xiàn)狀是節(jié)能診斷的基礎(chǔ)，詳細測試和分析計算是節(jié)能診斷必要的手段，給出解決方案和可實現(xiàn)的節(jié)能效果是節(jié)能診斷的最終目的。OTI方法主要是針對單一既有建筑縱向診斷分析，主要過程如圖1所示。

圖1 用能診斷的OTI方法Fig1 OTImethod of Energy Diagnosis

OTI節(jié)能診斷方法主要包含了建筑外圍護結(jié)構(gòu)、空調(diào)冷源、空調(diào)熱源、空調(diào)輸配、新風供應(yīng)、照明及通風、供配電及各類用電設(shè)備，可細化為20個步驟，具體見表1。

表1 OTI節(jié)能診斷步驟Table1 OTIsteps of Energy Diagnosis

江億、姜子炎、魏慶芃[14]等提出了一套針對各用能系統(tǒng)及其子系統(tǒng)能耗的節(jié)能診斷指標體系，總結(jié)出一套規(guī)范的節(jié)能診斷方法，用于指導后續(xù)的節(jié)能診斷。目前，由于建筑分項計量數(shù)據(jù)平臺標本量不夠充足，節(jié)能指標診斷體系主要還是應(yīng)用單一既有建筑縱向節(jié)能診斷，特別是建筑中的空調(diào)系統(tǒng)。王鑫、魏慶芃等人[15]將空調(diào)能耗指標分為耗冷量或耗熱量指標和空調(diào)系統(tǒng)效率指標進行研究分析，提出了適用于建筑不同集中式空調(diào)的用能診斷效率指標體系，相關(guān)體系(EEI)如圖2所示。

圖2 EEI體系Fig2 EEIsystem

國外早期的空調(diào)系統(tǒng)診斷方法主要是FDD（基于錯誤監(jiān)測和診斷）。FDD的診斷方法是監(jiān)測空調(diào)系統(tǒng)運行過程中可能會出現(xiàn)的問題，提前進行隱患預測或診斷出現(xiàn)的故障。90年代末，國際能源組織對建筑空調(diào)系統(tǒng)運行過程出現(xiàn)的故障檢測與診斷，以及空調(diào)系統(tǒng)實用性驗證等的主要研究項目概況見表2。

表2 國際能源組織研究項目及內(nèi)容Table2 International Energy Organization research projects and contents

1.2 基于數(shù)據(jù)挖掘用能診斷

隨著大數(shù)據(jù)時代的到來，建筑能耗數(shù)據(jù)的分析、運用、診斷有了新的方法和技術(shù)。目前，公共建筑用能的診斷主要包括能耗監(jiān)測、用能診斷、基于數(shù)據(jù)挖掘用能故障診斷算法及數(shù)據(jù)挖掘性能診斷等。基于數(shù)據(jù)挖掘用能診斷憑借先進的數(shù)據(jù)分析工具，對公共建筑運行過程中積累的大量數(shù)據(jù)進行分析，及時發(fā)現(xiàn)運行過程中存在的問題和節(jié)能潛力點。

2009年，陳永攀等人[16]設(shè)計研發(fā)了一套可同時監(jiān)測用能系統(tǒng)耗能量和用能品質(zhì)的建筑能耗監(jiān)測與用能診斷系統(tǒng)，幫助建筑用戶實現(xiàn)建筑能源的科學化、精細化管理。

周東華[17]和Katipamula[18]根據(jù)不同方式，分別總結(jié)出兩種分類的故障診斷方式，分別如圖3和圖4所示。

圖3 周東華故障診斷方法分類Fig3 Zhou Dong-hua classification of fault diagnosis methods

圖4 Katipamula故障診斷方法分類Fig4 Katipamula classification of fault diagnosis methods

李志生等在《暖通空調(diào)系統(tǒng)故障檢測與診斷研究進展》[19]一文中，總結(jié)了用于HVAC系統(tǒng)的故障檢測和診斷方法，見表3。

表3 常用故障診斷方法Tabel3 Common fault diagnosis methods

2014年，香港王盛衛(wèi)研究團隊[20-21]提出了一套適用于建筑用能數(shù)據(jù)的普適性分析框架，如圖5所示。框架兼容了不同數(shù)據(jù)的挖掘技術(shù)，可用于挖掘和發(fā)現(xiàn)建筑用能數(shù)據(jù)中的隱藏價值。

圖5 建筑用能數(shù)據(jù)普適性分析框架Fig.5 Framework for universality analysis of building energy data

2016年，Huilong Wang等人[22]開發(fā)了一個基于能耗數(shù)據(jù)分析的原型集成工具箱，利用該集成工具箱可對整個建筑層、系統(tǒng)層和設(shè)備層按每周、每日、每小時等不同時間顆粒度進行用能診斷。目前，該工具箱主要針對單一建筑縱向用能診斷研究和分析。

2 用能診斷數(shù)據(jù)分析方法

目前，公共建筑用能系統(tǒng)節(jié)能診斷的數(shù)據(jù)分析方法主要分為常規(guī)數(shù)據(jù)分析方法和數(shù)據(jù)挖掘技術(shù)兩大類。

2.1 常規(guī)數(shù)據(jù)分析方法

在建筑領(lǐng)域，常規(guī)數(shù)據(jù)分析方法主要針對建筑運行故障的診斷和運行策略的優(yōu)化，一般在分析時，主要依賴診斷人員的專業(yè)知識，結(jié)合建筑本身的物理定律，對建筑運維數(shù)據(jù)進行綜合分析。文獻[23-24]對已有相關(guān)研究工作進行了較全面的比較分析，對建筑用能系統(tǒng)故障診斷和運行優(yōu)化，應(yīng)具備的主要知識包括：定量、定性模型及統(tǒng)計規(guī)律（見表4）。

表4 常規(guī)數(shù)據(jù)分析方法Tabel4 Common data analysis methods

2.2 數(shù)據(jù)挖掘[24]分析方法

數(shù)據(jù)挖掘主要有7個步驟，包括數(shù)據(jù)清理、集成、選擇、變型、挖掘、評估和知識表現(xiàn)。相比常規(guī)數(shù)據(jù)的分析方法，數(shù)據(jù)挖掘分析方法能夠有效處理非線性數(shù)據(jù)及大數(shù)據(jù)等。數(shù)據(jù)挖掘是7個步驟中的核心，根據(jù)不同的挖掘技巧，將數(shù)據(jù)挖掘分為監(jiān)督學習和無監(jiān)督學習兩類。監(jiān)督學習是基于完整的、標記的訓練數(shù)據(jù)，通過建立相應(yīng)的輸入與輸出關(guān)系，完成數(shù)據(jù)的挖掘。無監(jiān)督學習主要是發(fā)現(xiàn)數(shù)據(jù)本身結(jié)構(gòu)和數(shù)據(jù)的相似性。兩種方式的數(shù)據(jù)挖掘技術(shù)分類如表5所示。

表5 數(shù)據(jù)挖掘技術(shù)主要分類Tabel 5 Main classifications of data mining technology

2.2.1 向量支持器(SVM)

向量支持器 (Support Vector Machine，SVM)是基于VC維理論[25]和結(jié)構(gòu)風險最小原理，尋求樣本學習精度和學習能力一種最佳折中狀態(tài)，能夠解決“小樣本”及“非線性和維數(shù)災難”等問題[26-27]。

2.2.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)需要獲得一個基本單元-感知機，感知機是基于將神經(jīng)元樹突作為輸入，細胞體用于信息處理，軸突作為輸出進行的神經(jīng)元模擬后得到。人工神經(jīng)網(wǎng)絡(luò)是由多個感知機構(gòu)成的多層神經(jīng)網(wǎng)絡(luò)[28]，如圖6所示。人工神經(jīng)網(wǎng)絡(luò)可實現(xiàn)數(shù)據(jù)聚類、優(yōu)化計算等多種功能，已全面、大范圍應(yīng)用于統(tǒng)計學、控制與智能化等不同領(lǐng)域。

圖6 感知機結(jié)構(gòu)及多層神經(jīng)網(wǎng)絡(luò)示意圖Fig.6 Perceptron structure and multi-layer neural network schematic diagram

2.2.3回歸分析

回歸分析是一種處理不同變量間關(guān)系的統(tǒng)計方法和技術(shù)，它通過建立統(tǒng)計模型，研究不同變量間密切程度和結(jié)構(gòu)狀態(tài)，進而進行模型預測[29]。回歸分析是一種常用的數(shù)理統(tǒng)計方法，能有效解決生產(chǎn)中出現(xiàn)的多種問題，如預測、控制、生產(chǎn)工藝化等。

2.2.4 決策樹

決策樹[30]是一種針對離散函數(shù)不斷逼近的方法。決策樹算法先將數(shù)據(jù)分類，利用歸納原則產(chǎn)生可識別的決策樹規(guī)則進行數(shù)據(jù)的分析與判斷。

2.2.5 隨機森林(RF)

隨機森林（Random Forest，RF）算法[31]是采用集成學習（Ensemble Learning）思想將多棵決策樹（Decision Tree）集成的一種分類與回歸算法。RF采用決策樹作為基本分類工具，使用Bagging（Bootstrap Aggregating）方式生成差異化的訓練數(shù)據(jù)集，采用隨機子空間劃分策略（Random Subspace Method）構(gòu)建決策樹。在決策樹進行分裂時，從全部屬性中隨機選擇部分屬性，決策樹則從相應(yīng)的屬性中自動選擇最佳屬性進行分裂。RF算法見圖7。

圖7 隨機森林算法框架圖Fig.7 Framework of random forest algorithms

2.2.6 Apriori算法

1994年，A grawal和Srikart提出Apriori算法[32-35]。Apriori算法基于兩階段的頻集思想，掃描候選項目集中的一次資料庫，找出不低于使用者定義的最小支持限度變量（通常稱為“常見項目集合”），結(jié)合常見項目集合則形成候選項目集合，重復運算至無法找到常見項目集合。

2.2.7 FP-grow th算法

2000年，Han等人提出FP-growth的算法，該算法的提出主要是為了有效解決Apriori在進行計算時面臨的瓶頸[36]，該算法只掃描2次數(shù)據(jù)庫。FP-growth算法不使用侯選集，它通常直接將數(shù)據(jù)庫壓縮成一個頻繁模式樹，并通過這棵頻繁模式樹生成相關(guān)的關(guān)聯(lián)規(guī)則。

2.2.8 k-means算法

k-means算法是一種基于劃分的無監(jiān)督聚類算法[37]。k-means算法的核心是隨機選擇k個簇中心，按照樣本間距離最小原則，把樣本劃分至各簇，并且在計算過程中持續(xù)更新各個簇的中心點，直至獲得令人滿意的聚類結(jié)果。

2.2.9 階層式分群法

階層式分群法（又名：層次聚類法（hierarchical clustering））[38]是一種常用的聚類算法，基本過程是對每一對節(jié)點定義一個相似度,然后從相似性最高的節(jié)點開始不斷合并節(jié)點，這個過程可以終止于任何一點，此時該網(wǎng)絡(luò)的劃分就是所需的分群結(jié)果。階層式分群法的優(yōu)勢主要體現(xiàn)在不需過多的判斷依據(jù)，只需要計算出數(shù)據(jù)間潛藏的客觀規(guī)律并加以識別、聚類，使聚類結(jié)果更加客觀可靠[39]。

2.2.10 模糊C均值算法

模糊C均值算法(Fuzzy C-Means，F(xiàn)CM)是基于普通C均值基礎(chǔ)上進行的改進算法，屬于一種柔性的模糊劃分。在聚類分析中，F(xiàn)CM較k-means在聚類速度及準確度方面，均有大幅度提升。FCM在模式識別、分類分割等領(lǐng)域應(yīng)用廣泛[40]。

3 用能診斷發(fā)展展望

通過文獻調(diào)研，并結(jié)合實際用能診斷技術(shù)的應(yīng)用可以發(fā)現(xiàn)，目前并存兩大類公共建筑用能診斷方法：基于專業(yè)知識用能診斷方法；基于數(shù)據(jù)挖掘用能診斷方法。前者主要憑借傳統(tǒng)的專業(yè)理論知識，以及診斷專家個人經(jīng)驗，輔以現(xiàn)場檢測和調(diào)研數(shù)據(jù)及信息，對公共建筑及其用能系統(tǒng)和設(shè)備進行診斷的方法。后者憑借先進的數(shù)據(jù)分析工具，對公共建筑運行過程中積累的大量數(shù)據(jù)進行分析，發(fā)現(xiàn)運行過程中存在的問題和節(jié)能潛力的方法。兩種方法并存，但并不互相矛盾和沖突。基于專業(yè)知識用能診斷方法需要借助數(shù)據(jù)分析工具，基于數(shù)據(jù)挖掘用能診斷技術(shù)也需要依據(jù)專業(yè)知識來探究故障和問題的根源，以求獲得更大的、有價值的信息，提升建筑運行能效。

當前，建筑用能診斷方法絕大多數(shù)是對單一建筑進行的縱向分析，這源自業(yè)主和物業(yè)的運行管理需求，也是制定有針對性的運行優(yōu)化策略的根本。如當下很多大型公共建筑均安裝有BAS系統(tǒng)（建筑自動化系統(tǒng)），主要用于監(jiān)測、控制建筑物用能系統(tǒng)運行過程中產(chǎn)生的能耗數(shù)據(jù)及其運行狀態(tài)數(shù)據(jù)。目前，BAS系統(tǒng)儲存著大量的建筑運營數(shù)據(jù)，但尚未被充分利用。

開展用能診斷分析，無論是傳統(tǒng)的基于專業(yè)知識用能診斷方法為主導的分析方式，還是單純從采集的監(jiān)測數(shù)據(jù)為基礎(chǔ)來開展，基本上都以建筑用能及其相關(guān)機電系統(tǒng)和設(shè)備數(shù)據(jù)作為分析對象，幾乎沒有案例主動綜合利用其它建筑運行中產(chǎn)生的數(shù)據(jù)。現(xiàn)代公共建筑運營過程中，除了用能系統(tǒng)及其控制系統(tǒng)外，還有物業(yè)管理系統(tǒng)、電梯控制系統(tǒng)等其它機電、門禁等智能化系統(tǒng)等，這些系統(tǒng)基本上還處于信息孤島的狀態(tài)，即每個系統(tǒng)之間相互獨立運行，從運行管理角度看，獨立運行的系統(tǒng)更符合傳統(tǒng)管理者的思維，即便相應(yīng)自控系統(tǒng)無法運行，通常情況下也可以被人工代替。

在總結(jié)既有用能診斷的方法基礎(chǔ)上，結(jié)合近年“物聯(lián)網(wǎng)+”技術(shù)的迅速崛起，展望公共建筑用能診斷未來的發(fā)展有3個方面。

（1）基于專業(yè)知識和基于數(shù)據(jù)挖掘用能診斷技術(shù)相融合的用能診斷模式。在未來很長一段時間內(nèi)，傳統(tǒng)以專業(yè)知識為主導的用能診斷必將逐漸與數(shù)據(jù)挖掘技術(shù)相互融合，相互依賴。用能診斷的基礎(chǔ)仍是專業(yè)理論知識，并合理利用數(shù)據(jù)挖掘技術(shù)，使用能診斷更高效、更科學。不考慮專業(yè)理論知識，單純基于數(shù)據(jù)挖掘技術(shù)開展用能診斷在大多數(shù)情況下還是無法進行的。

基于數(shù)據(jù)挖掘技術(shù)是在一定邊界條件下，擬合和學習既有總結(jié)出的公式或方法，用于挖掘數(shù)據(jù)中隱藏的價值。但當邊界條件發(fā)生變化后，就不一定能夠適用，特別是由于一開始沒有搞清數(shù)據(jù)變化的機理，當條件多變時，就完全陷入了黑箱狀態(tài)，而對機理的研究和分析是傳統(tǒng)專業(yè)知識過去幾十年一直專注和構(gòu)建的重點內(nèi)容，因此基于專業(yè)知識的用能診斷應(yīng)當必須作為未來用能診斷的基礎(chǔ)。

（2）橫向與縱向相結(jié)合的用能診斷模式。隨著我國和各個地方公共建筑能耗監(jiān)測平臺建設(shè)逐步完成，集成了成百上千棟建筑運行的大量信息，為開展建筑用能系統(tǒng)橫向診斷分析提供了可能性。在當前大數(shù)據(jù)時代，各市、區(qū)分項計量系統(tǒng)平臺已將多個公共建筑的能耗數(shù)據(jù)集中起來，為同類型公共建筑彼此之間的橫向?qū)Ρ确治鰟?chuàng)造了良好的條件。當有足夠的建筑能耗數(shù)據(jù)接入平臺，結(jié)合各種數(shù)據(jù)挖掘技術(shù)，科學地選擇能耗指標進行橫向?qū)Ρ确治觯筛咝У貛椭沂就惤ㄖ芎拈g的差異，對建筑實時用能診斷提供相應(yīng)數(shù)據(jù)支持，進而發(fā)現(xiàn)節(jié)能潛力所在。

對分項計量系統(tǒng)平臺數(shù)據(jù)的充分利用，不僅可對建筑能耗情況進行診斷，還可以幫助建筑用戶實現(xiàn)能源系統(tǒng)精細化、科學化管理。據(jù)了解，目前有些企業(yè)級平臺集成了企業(yè)旗下的大部分同類型建筑，用于企業(yè)建筑用能的管理。

基于此，隨著未來建筑用能平臺的海量數(shù)據(jù)集成和用能系統(tǒng)診斷精細化發(fā)展，公共建筑用能診斷將從橫向分析和縱向分析（時間角度）兩個維度開展綜合用能診斷分析，全方位挖掘建筑運維過程中存在的問題。

（3）建立多個運維信息系統(tǒng)彼此互聯(lián)，互相融合的用能診斷模式。傳統(tǒng)BAS可以實時監(jiān)控空調(diào)等主要機電系統(tǒng)的實時數(shù)據(jù)，了解建筑用能系統(tǒng)和設(shè)備的運行狀況，一般都具備報警功能，但相關(guān)系統(tǒng)較少有長期的存儲功能，不能直接用于數(shù)據(jù)挖掘和用能診斷。物業(yè)管理系統(tǒng)、電梯運行監(jiān)控系統(tǒng)等建筑管理系統(tǒng)，也有存在著同樣的問題。

隨著“物聯(lián)網(wǎng)+”技術(shù)普及，萬物互聯(lián)將成為未來的趨勢，從用能診斷的角度，更需要在各個現(xiàn)有的信息孤立系統(tǒng)之間，建立上層聯(lián)系，通過信息互通和存儲功能，為多維度數(shù)據(jù)分析提供基礎(chǔ)。

4 結(jié)論

本文從基于專業(yè)知識用能診斷技術(shù)和基于數(shù)據(jù)挖掘用能診斷技術(shù)兩個方面進行了國內(nèi)外公共建筑用能診斷現(xiàn)狀研究。

1）專業(yè)知識用能診斷技術(shù)中，針對建筑用能系統(tǒng)比較全面的診斷方式是OTI診斷方法。OTI診斷方法涉及到了外圍護結(jié)構(gòu)、新風供應(yīng)、照明系統(tǒng)、空調(diào)冷熱源和輸配系統(tǒng)、通風系統(tǒng)以及各類用電設(shè)備、供配電系統(tǒng)等。各用能系統(tǒng)的診斷方式及方法中，能耗指標體系及故障樹的診斷方式可用于各用能子系統(tǒng)的診斷。

2）數(shù)據(jù)挖掘用能診斷技術(shù)中，主要是利用建筑能耗監(jiān)測系統(tǒng)的實時數(shù)據(jù)和建筑BAS系統(tǒng)的數(shù)據(jù)進行建筑物縱向分析，用以挖掘建筑運行中可能存在的問題。

3）進行用能系統(tǒng)診斷數(shù)據(jù)分析時，目前主要采用常規(guī)數(shù)據(jù)分析方法和數(shù)據(jù)挖掘分析方法。常規(guī)方法主要是基于專業(yè)知識、物理定律及統(tǒng)計來分析建筑運行數(shù)據(jù)，主要包括定量模型、定性模型、關(guān)聯(lián)規(guī)則樹及統(tǒng)計規(guī)律。數(shù)據(jù)挖掘分析方法主要分為監(jiān)督學習和無監(jiān)督學習，監(jiān)督學習包括向量支持器、人工神經(jīng)網(wǎng)絡(luò)、回歸、決策樹和隨機森林。無監(jiān)督學習包括 Apriori、FPgrowth、k平均算法（k-means）、階層式分群法和模糊c均值算法等。各類算法應(yīng)視不同建筑的運維數(shù)據(jù)進行靈活使用。

鑒于用能診斷技術(shù)的發(fā)展現(xiàn)狀及“物聯(lián)網(wǎng)+”技術(shù)的充分發(fā)展，以期未來公共建筑用能診斷更高效、更科學，提出如下發(fā)展方向：

（1）基于專業(yè)知識和基于數(shù)據(jù)挖掘用能診斷技術(shù)相互融合的用能診斷模式，兩者相輔相成，高效、科學完成用能診斷；

（2）橫向與縱向相結(jié)合的用能診斷模式，多維度、全方位開展用能診斷分析，全方位挖掘建筑運維過程中存在的問題；

（3）建立多種運維信息系統(tǒng)彼此互聯(lián)，相互融合的診斷模式，通過信息互通和存儲功能，為多維度數(shù)據(jù)診斷分析提供基礎(chǔ)。