數據挖掘技術在建筑節能中的應用

宋建英

（太原學院 山西 太原 030032）

1 引言

在社會發展與時代進步中，每一項技術進步都會伴隨產生出一系列產品與服務，但也導致了資源和能源消耗的急劇增加。雖然各種技術的革新可以提升資源與能源的使用效率，但人均能耗一直處于不斷遞增的狀況。合理的需求側能耗是提高建筑能效的關鍵，而供給側能耗是提高建筑能效的關鍵，為了實現建筑節能模式由供給側向需求側的轉變，有必要描述特定室內環境的能耗特征，以便從需求側評價建筑能耗的合理性，準確識別能源浪費的因素和原因[1]。

城市化進程的推進下，建筑業得到了快速的發展，而建筑能耗方面的問題也日益突出。據相關調查，建筑能耗在能源消費總量中所占的比重不斷上升，給能源使用造成了巨大的壓力，作為建筑能耗的主要組成部分，建筑運行能耗浪費現象特別嚴重，大約占到建筑總能耗的80%左右。因此，提升對建筑節能的意識與認知，是發展資源節約型社會與經濟發展的必由之路。如何快速有效地從海量數據信息中提取挖掘出價值數據，發現建筑能源使用中存在的問題，提升建筑能源的高效合理使用，儼然成為建筑業面臨的關鍵問題。

2 數據挖掘概述

數據挖掘屬于綜合性較強的交叉學科，它是通過大數據中的算法發現具有潛在價值數據的過程。運用統計學、專家系統、模式識別和數據庫技術等方法，搜索隱藏的信息和規則，目前在各領域都獲得了廣泛的應用。數據挖掘也被稱之為數據庫知識發現，即從不完整、模糊和隨機的大規模數據中提取挖掘出具有潛在價值的信息和知識的過程。數據挖掘能夠發現隱藏在數據庫中的新知識，通過數據挖掘，可以發現數據庫中數據之間隱藏的內在聯系，從數據中挖掘出的信息可以用來評價以往的歷史數據、預測發展趨勢、控制過程、管理信息、影響決策，與其他數據分析處理技術相比較而言，數據挖掘具有海量性、可用性、相對性等特點，數據挖掘是數據庫技術和機器學習的結合，常用的方法包括線性回歸分析、分類分析、聚類分析、神經網絡、關聯分析等。

3 數據挖掘技術在建筑節能中的應用

城市公共建筑中的大小型設備類型與數量逐漸增多，耗能數據也隨之不斷增加。隨著能耗監測系統的建立和空調、照明、電源等分項測量的實施，積累了大量的建筑能耗數據。這些數據的主要特點是數據量大、信息量大，傳統的數據分析方法無法滿足這些不完整、無規律、龐大數據中有潛在價值的信息，利用數據挖掘可以有效地解決此類問題，具體的挖掘過程分為數據處理與預處理、能耗數據挖掘模型的構建、數據信息挖掘的結果評估以及模型應用四步[2]。以下對數據挖掘技術的典型方法為例，探究其在建筑節能中的應用。

3.1 關聯挖掘分析的應用

對隱藏在能源消耗數據中的能源消耗特征進行挖掘是實現建筑節能的一個重要方向。關聯挖掘分析技術是一種十分典型的關聯分析方法，能夠有效地發現建筑中能源消耗的數據與影響能源消費指數生成的因素之間存在的各種聯系。在關聯挖掘技術方法的使用過程中，主要是通過用戶事先設置的最小支持度和最小置信度閾值來確定眾多數據信息之間的關系[3]。Apriori迭代型關聯挖掘方法最早是由R Agrawal提出，將該關聯挖掘分析方法應用于建筑眾多能耗數據信息分析中，分析過程思路簡單、過程循序漸進。曾有相關學者利用Apriori關聯挖掘算法生成了強關聯規則，并從其中發現了空調系統午休前后中存在的不合理運行問題，進而采取針對性的改進措施提升空調系統的運行效率，實現建筑空調方面的有效節能，推動建筑節能的建設步伐。

3.2 聚類挖掘分析的應用

數據挖掘技術中聚類分析法的優點是僅需考慮數據特征，不需考慮分類結構，即根據大量數據間的相似度對數據進行特征分類，得出的結果對于建筑而言，可以用在建筑能耗的預測、運行優化、基準評價等方面。其中常用的聚類方法有k-means算法、Chameleon算法、DBSCAN算法等。借助基于Weak平臺的Chameleon算法，可以構建出建筑能耗優化的聚類模型。首先利用K-均值算法提取距離最近的k點，形成若干簇，再通過各簇之間的相互聯系和緊密程度來決定是否需要進行合并簇操作。將該方法運用在辦公、商場等建筑能耗聚類中，可以計算出各簇的能耗分布與平均能耗值，然后將其結果作為建筑節能的評價指標，為建筑節能提供科學合理的決策依據。與其他數據挖掘技術方法相比，聚類分析不需要太多的公式計算，只需從數據處理的角度出發，即可獲得較好的分析結果，為建筑節能提供數據依據。

4 結語

綜上所述，建筑設備和能耗的增加，導致建筑能耗數據的海量化是必然的。如何利用數據挖掘技術從大規模數據中挖掘出有價值的數據信息，為建筑節能提供數據參考依據，是建筑行業需要關注的重點發展方向。隨著數據挖掘技術的不斷革新，其在建筑節能中的應用將會有更廣闊的前景。