大数据在空调领域的应用

陈焕新 刘江岩 胡云鹏 李冠男

（华中科技大学制冷及低温工程系 武汉 430074）

大数据在空调领域的应用

陈焕新 刘江岩 胡云鹏 李冠男

（华中科技大学制冷及低温工程系 武汉 430074）

本文阐述了传统空调数据的主要来源，从空调研发等几个方面分析了传统空调数据的用途；围绕空调产品和空调企业，梳理了空调领域大数据的产生原因及来源；空调大数据的多度量性、多维度性、地域性等特点对数据挖掘提出了挑战；探讨了大数据在空调领域的应用，重点分析了大数据在空调系统优化、故障诊断、建筑能耗与维护预测、企业人力资源和资金分配、企业提供个性化定制服务等方面的用途；通过挖掘海量空调数据可以预测用户行为，表明空调领域大数据安全防护应当得到重视。

数据挖掘；制冷空调；故障诊断；能耗分析

随着计算机技术、互联网技术的高速发展，大数据时代的到来已经势不可挡，数据量的爆炸式增长为各行各业带来了新的机遇和挑战。“Nature”、“Sci⁃ence”等国际顶级期刊相继出版专刊，阐述大数据的到来可能对互联网、超级计算等多个行业带来的机遇与挑战［1－4］；2012年3月29日，奥巴马政府公布了“大数据研发计划”（Big Data Research and Develop⁃ment Initiative），该计划的目标是改进现有人们从海量和复杂的数据中获取知识的能力［5］；2013年被称为“大数据元年”，以互联网金融为代表的大数据应用席卷而来，如余额宝、微信支付等，大数据应用逐渐深入到各个领域，为各行各业带来了新的生机；2014 年11月6日，包括中国电信、东方航空等在内的8家单位发起、45家企业联合组成的中国企业大数据联盟在北京成立。这标志着大数据应用已经逐渐深入到各个领域，包括传统行业。该联盟致力于推动跨界大数据标准制定与合作，促进大数据技术成果应用推广；汇聚各方力量，借鉴世界先进经验，为我国大数据产业健康发展做出贡献［6］。

大数据通常指那些大小已经超出常规软件与硬件工具能够收集、处理及分析的数据集合。维基百科定义大数据为：“所涉及的数据量规模巨大到无法通过人工，在合理时间内达到截取、管理、处理、并整理成人类所能解读的信息。”［7］麦肯锡全球数据研究所（Mckinsey Global Institute）于2011年发表的论文中这样描述大数据：“大数据是指大小超出了典型数据库软件工具收集、存储、管理和分析能力的数据集。”［8］关于大数据尽管目前没有统一的定义，但各个表述的核心内容是一致的。大数据的特点公认为3个V：巨量性（Volume）、即时性（Velocity）、多样性（Variety）。

1 传统空调领域数据的来源与应用

传统空调领域的数据主要包括两个方面：

1）空调系统数据。包括空调系统零部件的规格参数、系统整体性能参数（如制冷量、COP等）。对于中央空调而言，还包括风机系统、水泵系统、冷却塔、变配电系统等配套设施的规格参数；空调实验和运行时各类传感器产生的监测数据、控制系统的控制信号等也是空调数据的重要来源。

2）空调企业在生产与销售空调时产生的数据。包括空调设计时材料和零部件的筛选数据；工厂生产数据；企业人事管理、财务、销售、物流数据；空调售后维护、修理、回收数据等。

对于空调企业，空调系统的数据主要用于产品的更新换代，通过实验、仿真，数据采集和分析，实现系统部件优化、整体优化及控制策略优化；这些数据还是业内专家学者、设计研究院、企业等制定行业标准的依据；自20世纪八十年代以来逐渐兴起的制冷空调系统故障检测与诊断研究［9－10］，目前已经成为国内外制冷空调领域的研究热点之一，该研究主要采用基于定量模型方法、基于定性模型方法以及基于历史数据等方法，建立故障诊断模型，通过采集空调的实时运行数据，实现空调系统的在线故障检测与诊断。

2 空调领域大数据来源

空调领域大数据来源包括了传统数据的来源，随着计算机技术、自动控制技术的飞速发展，空调系统的复杂化，数据来源更加广阔。大型建筑中要实现房间温湿度的高精度控制，控制系统将越来越精密。计算机计算分析的数据以及发送的控制指令越来越多。其次，安装在空调系统中的各类传感器越来越多，传输的监控数据将飞速增长，存储成本降低及存储能力的增加使这些数据能够保存下来。此外，空调企业规模的扩大，企业管理系统的升级，营销方式的多样化，产生和存储的数据也越来越多，也将成为空调领域大数据的主要来源。大数据来源可以分为系统大数据和企业大数据两方面来叙述。

2.1 空调产品及空调系统大数据

2.1.1 零部件筛选数据

空调产品设计之前需要对不同的零部件及材料进行筛选与组合。材料、零部件的来源与种类繁多，这意味着大量的数据。不同的材料与型号的零部件搭配出不同的系统，而最终验收通过的系统往往有很多次失败的搭配，这些过程也会产生大量的数据。

2.1.2 空调设计数据

空调产品设计过程，从设计要求的提出、制定设计计划，到市场调研、设计定位，再到产品设计草图、结构设计，直至最终的样机模型的制成，会产生大量的数据。只有通过分析大量的市场调研数据，才能准确定位产品；而大量的计算机虚拟设计，可以节省设计时间、降低材料成本、降低失败率。过去，失败的设计方案往往都被删除，数据挖掘技术可以从过去的设计数据中寻找出有价值的设计信息，每一代新产品的问世都代表着大量的设计数据，这将成为空调产品设计的新财富。

2.1.3 空调实验数据

空调新产品的问世需要经过一系列的实验和性能测试，这些过程中产生了大量的数据，而其中许多失败的实验数据在过去由于存储成本高而删除，此外，产品测试实验的目的只是验证产品是否已经达到生产标准，实验往往只要一个参数，其他可采集的参数都不会保存或在实验完成后删除。例如空调的寿命测试，研发人员最终需要的数据只是空调的寿命值，而这其中高达几万小时的连续测量数据，一方面由于存储成本高，另一方面是没有手段获得数据中的价值，最终都被放弃。现在随着存储成本的降低以及数据挖掘技术的不断完善，这些数据将成为空调领域数据的新来源，展现新的价值。

2.1.4 空调运行数据

计算机成本的降低、存储和处理速度的提升，为空调系统大数据的产生奠定了基础。在一座大型建筑中，冷水机组、水泵、风机等各类用电设备的记录电表就数以百计，建筑自动控制系统（BAS）一天内通过各类传感器获得的数据以及计算机发出的控制指令就达百万个［11］（如图1所示）。另外，许多企业实现了中央空调系统的远程监控，在全国各地销售的中央空调产品中的各类传感器将实时运行参数反馈给企业控制平台，一旦空调机组发生或可能发生故障，企业可以及时做出相应控制调整或联系维修人员上门维修，通过网络传播的实时监控数据量将非常巨大。

2.1.5 其他数据

空调系统数据还包括其他数据，如出厂检测数据、产品废弃数据等，这些数据也是空调系统大数据的一部分。

2.2 空调企业大数据

空调企业的发展将离不开大数据，企业的人事、资金、物流网络的管理、市场营销等都会产生大量的数据（如图2所示）。在大数据时代，这些数据将成为企业的财富，是企业发展的核心竞争力。

图1 监测数据和控制指令Fig.1 M onitoring data and control instruction

图2 空调企业大数据来源Fig.2 Source of big data in air⁃conditioning enterprise

2.2.1 人事管理数据

空调行业作为传统行业之一，特点是企业规模较大，人员结构较复杂，这在一定程度上增加了企业管理的难度。企业的人事管理，诸如人员的招聘、晋升、调动、日常考勤等工作，职务分析、绩效评估、人员培训、档案保管等过程中产生了大量数据，这些数据对于调整企业人员结构，分配企业人力资源，具有重要的意义。

2.2.2 资金管理数据

经济的发展过程中涌现了大量的集团性公司，大型的空调企业管理层级多、跨地域广。企业的发展壮大产生了大量的财务、销售数据，为准确分析企业的偿债能力、营运能力、盈利能力、发展能力等提供了可能，有利于合理调整资金流向，促进企业的健康发展。

2.2.3 市场营销数据

随着市场竞争压力的不断增大，企业的营销手段越来越多样，在企业营销管理、用户分析、市场宣传与拓展、产品促销、用户反馈等过程中，产生了大量的数据。通过大数据关联分析、聚类分析等手段，可以帮助企业寻找消费人群、分析产品定位，进而策划促销活动，拓展市场。

2.2.4 物流数据

空调企业物流包括供应、生产、销售、回收废弃物等几个方面的物流，大型空调企业拥有若干制造工厂、仓库、专属的转运设施和渠道商，这些子系统组成了完整的企业物流链。在整个完整的循环活动中，产生了大量的物流数据。利用大数据分析手段来应用这些数据，有利于企业快速分析物流信息、快速响应客户服务，减少物流成本，提升企业竞争力。

2.2.5 其他企业数据

空调企业还有诸如赞助、广告、维护、维修、产品回收等数据，这些数据也是企业大数据的组成成分。

3 空调领域数据挖掘

数据挖掘技术的诞生解决了传统的数据分析方法难以分析海量数据的难题，它基于统计学的抽样、估计和假设经验，人工智能、模式识别和机器学习的搜索算法、建模技术和学习理论等，而数据库、数据仓库技术、可视化技术的发展，为数据挖掘技术提供了技术支撑。

空调领域的大数据具有以下几个特点：巨量性、多度量性、多维性、地域性。

1）多度量性。衡量空调系统健康运行的参数指标众多，如温度、压力、流量、功率、风速等，这些参数具有不同的度量。

2）多维性。记录空调系统运行状态的一组数据，就有几十个不同的参数，导致了其多维性。

3）地域性。不同地区的空调运行数据不同，这与地区的气候条件有关。而企业在不同地区的销售、物流数据也有很大差别，这取决于不同地区用户的需求量。

因此，空调领域数据挖掘技术不仅要满足对多度量、多维度的数据的分析，还要能够满足针对不同地域空调数据的知识发现，这对空调领域数据挖掘提出了挑战。空调领域数据挖掘的方法研究已逐渐展开，常用的方法主要有：神经网络（Neural Network）［12］、支持向量机（Support Vector Machine）［13］、贝叶斯网络（Bayesian Network）［14］等。

4 空调领域大数据的应用

空调领域大数据的应用可以从空调系统的应用和企业与用户的应用两方面来阐述。大数据分析能够实现空调系统零部件优化、空调系统整体优化、空调控制策略优化，可以大大减少新产品的研发周期，提升企业竞争力。对于空调企业，大数据分析可以优化企业人员结构和资金分配方式、调整物流网络，进而降低成本，节省企业资金。空调企业可以根据气候条件为用户提供空调个性化定制、室内环境的个性化调节及互联网、物联网的智能控制服务。此外，通过分析用户使用空调的规律可以预测用户的行为，这涉及到大数据安全性及客户的隐私保护问题（如图3所示）。

图3 空调大数据的应用Fig.3 Application of big data in air⁃conditioning field

4.1 空调系统优化与新产品研发

前瞻产业研究院分析报告的数据显示，我国建筑能耗约占社会总能耗的33%。我国正处于建筑鼎盛期，每年建成的房屋面积超过所有发达国家每年建成房屋面积的总和，而97%以上是高耗能建筑［15］。空调系统作为建筑能耗大户，其能耗占建筑总能耗的50%～70%，节能潜力巨大。因此，空调系统节能研究具有重大意义。大数据在这方面的应用主要从系统优化及控制策略优化两方面入手。

4.1.1 空调系统优化

1）房间空调器（小型家用空调）优化。空调系统的效率主要取决于压缩机的能效、换热器的换热效率、风机的能效、节流装置的效率、系统管路、制冷剂的种类等。企业生产的同一型号空调器售往全国各地甚至世界各地，为了使空调能够适应不同气候地区的室外环境，压缩机设计的运行范围较大，这样将降低压缩机效率。此外，换热器（冷凝器、蒸发器）的换热效率与管子内外径、管路类型、排数、间距、肋片类型等有关。部件规格参数选取的差异，都将影响系统整体的性能和效率。

针对上述问题，大数据分析可以从两方面着手解决：一是分析不同型号空调的历史运行数据、设计时不同配置空调的实验数据等，获得整体较优配置；同时可以分析各个部件实验数据，实现单个部件的性能优化，这为新产品开发提供了捷径。二是分析不同地区空调运行数据，得到针对不同气候地区的空调较优配置，为不同地区的用户提供个性化空调定制，这样将大大提高空调效率，节省能耗，降低生产设计成本。

2）商用空调、中央空调（大型空调）的优化。中央空调的负荷、系统分区等问题引发冷热不均，冷冻水系统水力不平衡、冷水机组装机容量偏大等问题，是造成运行能耗大量浪费的原因。中央空调系统现场设备众多，合理的配置、合理的安装及合理的运行控制是机组健康运行的保证。目前国内设计商用空调、中央空调等主要是依据国家标准、行业标准及相关经验数据来进行的，设计出来的机组常常留有较大余量，不利于节能。通过大数据分析则可以针对建筑不同地点、不同室内外环境、建筑的不同功能来设计机组以及其他现场设备（水泵、风机、冷却塔等），计算机可以模拟出设计的空调机组的运行工况，预测系统能耗及能够达到的室内环境品质，这将大大节省新产品研发的时间及成本。

4.1.2 空调系统控制策略优化

空调自动控制技术由二十世纪六十年代传统的双位ON／OFF控制模式发展至今，经历了PID控制、自适应控制、最优控制、解耦控制、模糊控制及神经网络控制等控制方法［16］。但大型中央空调系统是典型的多变量、强耦合、多状态、大滞后的系统，很难精确建立数学模型，传统与现代的控制方法在应用过程中因为自动控制效果不理想，需要辅以人工调节，不仅导致了人力资源的浪费，而且会由于控制的不精确而使得系统耗能增加。

对空调历史运行数据进行挖掘，通过计算机对空调系统的历史控制策略进行综合分析，在计算机中建立出最优的控制模型，此后空调系统的控制策略可能不再依赖于模糊控制、神经网络控制等方式，而是通过计算机的大量运算有针对性地发送控制指令。计算机将根据传感器传递的实时监测数据来对机组进行实时调整，使空调机组一直处于最佳运行状态，保证室内环境的品质的恒定。计算机可以自动记录各个负荷区域的运行状态，不断更新控制模型中机组的运行数据，使控制模型越来越精确，机组就会越用越好用、越用越节能。

4.2 空调系统故障检测、诊断与预测

空调大数据为实现在线的空调系统故障检测、诊断与预测提供了良好的数据来源。基于数据挖掘的制冷空调系统故障诊断方法是继传统的故障检测与诊断方法的进一步提升。

故障检测与诊断的方法包括基于定量模型方法、基于定性模型方法、基于历史数据的方法等［17］。数据量大小对于空调系统的故障检测与诊断研究有着决定性的作用，数据量越大，建立的模型就越精确，诊断检测与故障的效果越好，效率越高。过去由于数据存储限制，能用于空调故障诊断研究的数据量非常少，传统方法对专家知识依赖程度高，能够检测和诊断的故障较少，检测精度和效率也受到限制，故其在空调领域的实际应用并不广。

基于大数据的空调系统故障检测与诊断则是通过挖掘分析大量的空调运行数据，包括空调正常运行数据与故障数据、空调维护与修理数据、计算机或运行人员控制数据等，全面挖掘分析空调数据，建立空调故障检测与诊断模型，加入建筑自动控制系统（BAS），实现在线的故障检测与诊断。模型会实时更新机组的运行数据，使模型更加精确，检测与诊断效率更高。

要实现空调系统故障预测功能，需要空调系统从正常运行到发生故障的所有数据，建立的故障预测模型就可以根据以往系统发生故障时前一段时间的数据来判断系统是否即将发生故障，并判断故障发生的位置，这样可以省去系统的全面维护工作，只需要工作人员针对性地护理，节省了大量的人力资源。过去，由于存储成本的限制，难以收集一台空调生命周期内完整的数据，而通常情况下空调系统故障工况下的数据获取是在实验条件下完成的，这种实验成本高，对设备损害大，而且数据量小。现在随着存储成本的降低，收集完整的空调运行数据将得以实现，通过对大量数据的挖掘分析，建立起空调系统故障预测模型，就可以实现空调的在线故障预测功能。

4.3 空调系统（建筑）能耗与维护预测

对空调历史运行数据进行挖掘，可以实现空调系统或建筑能耗与高峰电量需求预测［18］。建筑的数据除了中央空调（热泵）的数据外，还包括室外气象数据、房间使用规律、人员活动规律、照明、耗电设备耗电量等数据，这些都决定着建筑的整体能耗。计算机通过数据分析建立预测模型，可以准确预测不同气候地区建筑未来几天内可能消耗的电量，进而通过智能电网合理分配各地负荷。

此外，从海量数据中可以提取出空调系统各个部件及传感器的寿命值，计算机可以根据机组长期的运行及维护数据，预测各个部件及传感器需要更换的时间，方便维修人员进行针对性维护，这将大大提升机组效率，减少人力消耗，降低维护成本。

4.4 不同（气候）地区机组性能预测与个性化定制

我国地域广阔，南北地域气候条件相差较大，广州地区夏季时间长、气温高，北京地区夏季时间相对较短，最高气温也比南方地区低。即使在同一省份中，不同地区的室外条件也有差别，有的地方临近湖泊、水库等水源，室外湿度较大，有的地方则较干旱，空气含湿量低。空调企业销往全国各地产品规格参数往往都是相同的。各地不同的气候条件，导致同一型号的空调在不同地区的运行工况的差别，这也造成了不同地区空调运行能耗不同。而空调在某些地区长期处于满负荷或低负荷条件下运行，对于空调系统而言是不利的。因此，针对各个地区不同气候条件、不同的室外环境，匹配使用不同的空调是非常有必要的。在过去，这需要大量的针对性实验及数据采集，无疑是一个非常耗费人力物力的工程。

大数据的到来为此提供了解决方法。对全国各地空调运行数据、气象数据等的挖掘分析，得到不同地区对于空调性能的需求，计算机可以根据这些需求配置出合适的空调并模拟出空调的运行工况。因此企业可以为不同地区的用户群提供适应当地气候环境的空调，同时也可以根据用户对于室内环境的要求，提供个性化定制服务。这样既满足了用户对室内环境品质的要求，也提升了空调的使用寿命，大大降低了空调能耗。

4.5 企业人力资源及资金合理分配

针对企业中人事、生产等数据进行挖掘分析，可以优化企业人员结构，计算机可以根据企业生产任务及人事数据调整企业人员结构，合理分配企业人力资源。此外，通过财务、销售等资金数据，准确分析企业的偿债能力、营运能力、盈利能力、发展能力，有利于合理分配企业资金，及时调整企业的投资运营，有效管理资金流向。实时物流数据的分析可以优化物流通道，保证各地区产品的快速供给，节省物流成本。营销数据分析则可以帮助企业快速寻找消费人群、分析产品定位，进而策划促销活动，拓展市场。

4.6 用户习惯分析与物联网自动控制

海量空调数据中还可以挖掘出用户的习惯设置。计算机将自动记录用户的偏好设置，自动根据室内外环境为用户进行调节。用户事先设定好各类参数，计算机就可以实现工作场所、居住场所等环境的一致。空调控制系统将并入家庭物联网中，用户可以通过手机、PC机远程控制空调。另外，用户可以设定家庭成员组成，针对如婴儿、孕妇、老人等成员，计算机可以通过关联分析自动为特殊人员设置合适的室内环境。

4.7 用户行为预测及大数据安全

大数据在用于分析人的行为上具有鲜明的优势。对用户空调数据进行挖掘分析，例如开停机时间、开机时长、设定温度等，在一定程度上可以判断用户的相关信息。比如用户白天从8点至17点几乎很少使用空调，只有在晚上使用，就可以判断用户有可能是上班一族，而根据用户开机时长，可以判断用户的富有程度等等。根据用户家庭装的空调个数、使用时间等信息，可以推测出用户的家庭人数、人员组成等。因此，随着空调领域数据量的急剧增长，如何保护海量的数据，保证用户的隐私不被泄露，是大数据在空调领域应用必须解决的问题。传统的数据保护方法可能难以适用，整个空调行业应当携手开发新的大数据安全防护方法，建立起相关的数据管理条例，共同创造大数据的安全应用环境。

5 结论与展望

计算机存储能力的提升和成本的降低使空调零部件筛选、系统设计、实验、测试过程中产生的大量数据得以保存；空调系统的复杂化让数据产生频率加快，数量更加庞大；空调企业的人事、资金、物流网络的管理、市场营销等产生的大量数据将成为企业自身发展的宝贵财富。同时，多维度、多度量、地域性强的空调数据给挖掘分析工作带了新的挑战。

大数据在空调系统优化、新产品研发、故障诊断、能耗与维护预测等方面提供了新的思路。企业与用户之间的关系将变得更加紧密，个性化定制服务、用户习惯分析、自动控制服务等，将满足人们对空调便利化、智能化、节能化的更高需求。

大数据给传统行业带来了大挑战。传统行业与大数据的结合是一条充满未知与竞争的令人兴奋和憧憬的道路。在大数据时代，数据就是财富，有效、快速的挖掘出数据中的知识，是空调企业和行业内有识之士应当共同努力的目标。技术创新永无止境，期望空调行业在大数据时代推动下迅猛发展，为人类健康舒适的生活、生产做出贡献。

［1］ Lynch C.Big data：how do your data grow？［J］.Nature，2008，455（7209）：28⁃29.

［2］ Frankel F，Reid R.Big data：distilling meaning from data ［J］.Nature，2008，455（7209）：30⁃30.

［3］ Kum H，Ahalt S，Carsey T M.Dealing with data：govern⁃ments records［J］.Science，2011，332（6035）：1263.

［4］ Los W，Wood J.Dealing with data：upgrading infrastruc⁃ture［J］.Science，2011，331（6024）：1515⁃1516.

［5］ 科技部.美国政府出台大数据研发计划［EB／OL］. （2012⁃04⁃24）［2014⁃12⁃01］.http：／／www.most.gov.cn／gnwkjdt／201204／t20120424_93877.htm.

［6］ 王鹏，崔莹.中国企业大数据联盟成立，三主线挖掘概念股投资机会［EB／OL］.（2014⁃11⁃07）［2014⁃12⁃01］.http：／／stock.cnstock.com／stock／smk_qlgg／201411／3232816.htm.

［7］ 维基百科.大数据［EB／OL］.（2014⁃11⁃20）［2014⁃12⁃01］.http：／／zh.wikipedia.org／wiki／%E5%A4%A7% E6%95%B8%E6%93%9A.

［8］ Manyika J，Chui M，Brown B.Big data：the next fromtier for innovation，competition，and productivity［M］.Mckin⁃sey Global Institute，2011.

［9］ Stylianou M，Nikanour D.Performance monitoring，fault detection，and diagnosis of reciprocating chillers［J］. ASHRAE Transactions，1996，102（1）：615⁃627.

［10］Lee W Y，House J M，Shin D R.Fault diagnosis and tem⁃perature sensor recovery for an air⁃handling unit［J］. ASHRAE Transactions，1997，103（1）：621⁃633.

［11］Azam K，Kasper H.Big data from the built environment ［C］／／Proceeding of 13th International Conference on U⁃biquitous Computing.Beijing，2011：29⁃32.

［12］Chang Y.Sequencing of chillers by estimating chiller pow⁃er consumption using artificial neural networks［J］.Build⁃ing and Environment，2007，42（1）：180⁃188.

［13］Han H，Gu B，Kang J，et al.Study on a hybrid SVM model for chiller FDD applications［J］.Applied ThermalEngineering，2011，31（4）：582⁃592.

［14］Zhao Y，Xiao F，Wang S.An intelligent chiller fault de⁃tection and diagnosis methodology using Bayesian belief network［J］.Energy and Buildings，2013，57：278⁃288.

［15］中研网.我国建筑能耗约占社会总能耗的33%［EB／OL］.（2014⁃05⁃05）［2014⁃12⁃01］.http：／／www.chinairn. com／news／20140505／190538292.shtml.

［16］张吉孔.模糊⁃神经网络控制原理与工程应用［M］.哈尔滨：哈尔滨工业大学出版社，2004：224.

［17］Katipamula S，Brambley M.Methods for fault detection，diagnostics and prognostics for building sustems⁃a review ［J］.Part I HVAC＆R Res，2005，11（1）：3⁃25.

［18］Fan C，Xiao F，Wang S.Development of prediction mod⁃els for next⁃day building energy consumption and peak pow⁃ er demand using data Mining techniques［J］.Applied En⁃ergy，2014，127：1⁃10.

陈焕新，男，教授，博士生导师，华中科技大学能源与动力工程学院，（027）87558330，E⁃mail：chenhuanxin＠tsinghua.org.cn。研究方向：制冷空调系统测控技术与计算机仿真。

About the author

Chen Huanxin，male，professor，doctoral supervisor，School of Energy and Power Engineering，Huazhong University of Science and Technology，＋86 27⁃87558330，E⁃mail：chenhuanxin＠tsing⁃hua.org.cn.Research fields：Measure＆control technique and computer simulaiton of refrigeration and air⁃conditioning system.

Application of Big Data in Air⁃conditioning Field

Chen Huanxin Liu Jiangyan Hu Yunpeng Li Guannan

（Department of Refrigeration and Cryogenic Engineering，Huazhong University of Science and Technology，Wuhan，430074，China）

Water This paper presents the main sources of conventional air⁃conditioning data，which can be used for product research and indus⁃try standard development.The sources and reasons of big data in air⁃conditioning field have been combed by both air⁃conditioning products and their enterprises.The big data in air⁃conditioning field are challengeable to be mined for its multi⁃metric，multi⁃dimension and region⁃alism.Applications of big data in air⁃conditioning field are generalized mainly on system optimization，fault detection and diagnosis，building energy prediction，allocation of enterprise human and capital resource，personalized customization etc.As user behaviors can be detected by mining the massive data，the protection of big data should be brought to the forefront.

data mining；refrigeration and air⁃conditioning；fault detection；energy analysis

TP311；TU831.4

A

0253－4339（2015）04－0016－07

10.3969／j.issn.0253－4339.2015.04.016

国家自然科学基金（51328602）资助项目。（The project was supported by the National Natural Science Foundation of China（No. 51328602）.）

2014年12月5日