數據挖掘技術在建筑暖通空調領域的研究應用進展

孫琳

【摘要】在信息負擔沉重的大數據時代，人們在生活和工作中面臨著大量的信息和數據。數據挖掘技術通過盡快從海量數據中提取最有價值的信息，最大限度地降低了數據分類在人們生活和工作中的復雜性。隨著數據挖掘技術的發展，它已擴展到所有領域。在建筑暖通空調領域，數據提取技術在促進建筑暖通空調健康發展方面發揮著重要作用。在此基礎上，深入分析了數據提取技術及其在建筑暖通空調領域的應用，僅供參考。

【關鍵詞】數據挖掘技術;建筑暖通空調領域;應用建議

【DOI】10.12334/j.issn.1002-8536.2021.24.

近年來，技術進步，特別是建筑物自動化系統（BAS）和建筑能源管理系統（BEMS）的出現和廣泛使用，導致在建筑暖通領域采用了新的研究方法。建筑工程自動化系統和建筑能源管理系統儲存了大量關于建筑實際使用情況的數據，是反映建筑供暖、通風和空調系統實際運行狀況的最直接和最原始的載體，其價值是顯而易見的。

1、數據挖掘概念

數據挖掘是在大量數據中發現和提取有價值信息的過程。這是一項多學科技術，結合了人工智能、機器學習、數據可視化和統計數學。使用數據挖掘可以執行以下操作：

（1）分類數據，以突出相似元素之間的共性或差異，從而更好地設計或調整建筑節能。

（2）查找數據與數據之間的相關性，暖通空調系統參數之間的相關性程度，如室內和室外溫度和濕度、回風量、壓力等，掌握系統運行的基本規律，為系統控制策略提供參考。

（3）對數據聚類，計算分析數據之間的相似性，揭示構造環境中的內部機制和影響因素，并確定每個影響因素的影響程度。

（4）對缺失或未來數據的預測。

2、數據挖掘技術在建筑暖通空調領域中的應用現狀

2.1挖掘暖通建筑能耗數據可以分幾個階段進行

（1）確定和收集要收集的數據集，例如溫度、濕度、大氣壓力、太陽輻射強度、流量和信號控制;（2）數據預處理、數據清理、提高數據質量、保證數據的準確性和完整性;（3）結合所收集數據的特點，確定適當的分析算法，構建模型，常用算法如k-近鄰算法，支持向量機、神經網絡等，形成清理數據，調整模型參數，使模型盡可能好;（4）分析結果、結果的準確性、模型的優缺點;（5）模型的應用。診斷故障和檢測。建筑暖通空調系統十分復雜，一旦發生故障，運營和維護費用就會大幅增加，造成嚴重的能源損失，影響室內溫度、濕度和空氣質量，并對人民產生嚴重和不利的影響。因此，必須及時診斷和檢測故障，以此作為對建筑暖通空調系統日常管理的監測的一部分。建筑暖通空調故障主要分為硬故障與軟性故障。在暖通空調故障的診斷和檢測中，數據挖掘技術可用于挖掘、收集、分類和記錄暖通空調系統的運行和故障，以及實時記錄運行狀態數據。通過提取大量數據，可以構建相應的分析模型。實時監控運行數據參數與正常運行數據進行比較，對暖通空調運行進行監控，大大提高故障檢測的運行效率。

2.2冰蓄冷空調負荷的預測與控制

由于冰蓄冷空調的特殊性，室內室外溫度和濕度、太陽輻射強度和結構熱力學都是影響冰蓄冷空調系統的因素。因此，在系統運行期間，需要使用負荷預測來確定系統的負荷狀態。為了實現冰蓄冷空調負荷預測，需要利用數據挖掘技術收集和整理運行數據，并預測系統第二天的冷卻負荷，前提是要保證準確性。

3、數據挖掘在暖通空調中應用的制約因素

3.1缺乏數據挖掘概念

數據挖掘是近年來出現的一項新技術，是一個共同的跨學科偉大的技術。對數據挖掘的認識不足不僅阻礙了空調行業數據挖掘的發展，而且阻礙了該行業本身的發展和進步。

3.2數據獲取途徑的匱乏

在建造的建筑物中，擁有樓宇自動化系統的建筑物較少，監測數據不完整，儲存地點相對孤立，數據共享機制尚未到位，導致無法進入、記錄不完整和數據浪費。

3.3技術

現有的技術和模型不一定適合所有的影響因素。這些因素不僅影響建筑環境，而且影響相互作用。分析極其復雜，很難理解其規律。這些技術不容易使用，需要二次封裝才能提供相對簡單的接口。

3.4費用限制

采集建筑物數據不僅需要資本投資，還需要發展樓宇建筑系統，配備專門人員，增加工程投資。

3.5缺乏專門的數據挖掘人員

數據挖掘技術應用于空調行業，不僅需要掌握暖通相關技術，面對海量數據，需要學習如何使用Python及其pandas和tensorflow數據處理框架等計算機編程工具來組織、分析、培訓和可視化數據。因此，缺乏數據挖掘人員也阻礙了暖通行業大量數據的發展。

4、數據挖掘技術在建筑暖通空調領域中應用優化建議

4.1改變對數據挖掘技術概念的理解

在信息技術迅速發展的時代，信息技術、海量數據技術、信息技術和其他技術不斷發展，網絡信息變得越來越復雜。鑒于目前信息負擔過重，只有通過篩選元數據才能獲得最有價值的信息，可利用數據挖掘技術，盡快對大量數據進行分類和分析，并按利率分析海量數據的潛在價格數據挖掘和顯示值。其目的是提高對數據提取技術的認識，更好地了解數據提取的特點和好處，不斷學習和創新數據提取技術，并提高暖通空調系統管理控制的效率和準確性。

4.2加強高校數據挖掘技術培訓的重要性

暖通空調是各建筑環境和能源管理的基礎課程，主要包括熱學、熱力、流體和其他學科。課程解決方案是困難的。在實踐教學中，最好傳授理論知識，例如如何實現自動化機械設備的自動控制。

數據挖掘技術是一種流行技術，在各個領域有著重要的應用。各校應加強數據挖掘技術教育，培訓數據挖掘和分析專業人員，適應互聯網時代的信息革命。

參考文獻：

[1]陳劭江.數據挖掘技術在制冷空調行業的應用[J].暖通空調，2019，46（3）：20-25

[2]陳江云.大數據在空調領域的應用[J].制冷學報，2019，36（4）：16-22

[3]肖成盛.基于數據挖掘技術的建筑系統性能診斷有優化[J].化工學報，2019，65（S2）：181-187

[4]楊淑明.基于數據挖掘的公共建筑能耗監管平臺數據處理方法[J].暖通空調，2019，45（2）：82-86

[5]麥堅忍，陳友明.用小波分析法分離變風量系統流量傳感器故障[J].建筑熱能通風空調，2019，24（4）：52-55

[6]郝友國.小波過濾在小故障檢測中的應用[J].暖通空調，2019，35（8）：138-140