公共建筑用能诊断技术文献综述

汪雨清 卜 震 张文宇 张蓓红 吴蔚沁

上海市建筑科学研究院

0 引言

根据国际能源署（International energy Agency）统计，建筑行业消耗的能源约占全球能源的32%[1]，整个建筑的生命周期内，运行能耗占建筑总能耗80%～90%[2]。建筑物运行能耗的节能工作是长远和迫切的。

在民用建筑中，供人们进行各种公共活动的建筑被称为公共建筑[3]。公共建筑用能设备主要包括空调、照明、电梯、水泵等多个复杂的系统，单位面积的电耗高达住宅的5～15倍[4]，因此开展公共建筑节能工作，是国家节能工作的重中之中。做好节能工作的重要前提是对公共建筑用能系统进行诊断，找出运行中存在的问题，为节能工作（如制定运行优化方案、节能改造方案等）的进一步深入开展提供基础保障。

本文通过调研大量文献，探讨了公共建筑用能诊断技术，包括基于专业知识用能诊断技术和基于已有建筑能耗数据挖掘的用能诊断技术，调研分析了用于建筑用能诊断工作中常用的数据分析方法，总结了公共建筑用能诊断技术的发展现状，预测用能诊断技术未来的发展趋势，提出了基于实时在线建筑运行监测数据进行诊断的方法。

1 国内外研究进展

公共建筑用能节能诊断目前主要分为传统的基于专业知识的用能系统诊断技术和基于数据挖掘的用能诊断技术。

1.1 基于专业知识的用能诊断

对公共建筑用能的诊断，最初的诊断技术基本上都是采用传统专业知识进行的。专业知识用能诊断技术主要是凭借传统的专业理论知识，以及诊断专家个人经验，辅以现场检测及调研数据和信息，对公共建筑及其用能系统和设备进行的一种诊断方法。

国外Irene[5]开发出一种能够模拟建筑模块产能的数据库，评估建筑基础结构、围护结构及相关设备用能。Zmeureanu采用MICRO-DOE2软件评价某超大型办公建筑照明系统节能技改后的效果[6]。南大教授调查和测定了某商用建筑内部空调系统运行能耗，对该系统的具体能耗结构、配套冷水和冷却水输送系数、能效比及其它方面进行了研究评价[7]。中国建筑设计研究院以北京某大型办公建筑作为用能诊断案例，从供暖、通风、空调、围护结构等方面研究了建筑用能诊断主要方法及内容[8]。长江大学向炯总结出大型公共建筑用能诊断标准化内容及建筑能耗预测方式[9]。上海市能效中心魏玉剑以需求为导向，提出用能“TERR（四诊）”法，即Timing sequence control（时序控制）、Energy efficiency control（能效等级）、Requirement analysis（需求分析）和Recycle waste energy（废能再利用）[10]。广东工业大学朱城香对需求侧管理（Demand Site Management）专线用户的节能诊断进行了研究，采用傅里叶变换处理数据，通过理论计算和能效评估，提出针对性的、可实施的节能改造方案[11]。华东交通大学王凯等人研究红外热像仪应用于建筑围护结构节能诊断，提出红外热像仪在围护结构热桥、热工缺陷等方面的用能诊断方法和实际应用案例[12]。江亿、薛志峰[13]等在《既有建筑节能诊断与改造》一书中提出了节能诊断的（OTI）方法。OTI方法强调全面了解建筑物用能和设备现状是节能诊断的基础，详细测试和分析计算是节能诊断必要的手段，给出解决方案和可实现的节能效果是节能诊断的最终目的。OTI方法主要是针对单一既有建筑纵向诊断分析，主要过程如图1所示。

图1 用能诊断的OTI方法Fig1 OTImethod of Energy Diagnosis

OTI节能诊断方法主要包含了建筑外围护结构、空调冷源、空调热源、空调输配、新风供应、照明及通风、供配电及各类用电设备，可细化为20个步骤，具体见表1。

表1 OTI节能诊断步骤Table1 OTIsteps of Energy Diagnosis

江亿、姜子炎、魏庆芃[14]等提出了一套针对各用能系统及其子系统能耗的节能诊断指标体系，总结出一套规范的节能诊断方法，用于指导后续的节能诊断。目前，由于建筑分项计量数据平台标本量不够充足，节能指标诊断体系主要还是应用单一既有建筑纵向节能诊断，特别是建筑中的空调系统。王鑫、魏庆芃等人[15]将空调能耗指标分为耗冷量或耗热量指标和空调系统效率指标进行研究分析，提出了适用于建筑不同集中式空调的用能诊断效率指标体系，相关体系(EEI)如图2所示。

图2 EEI体系Fig2 EEIsystem

国外早期的空调系统诊断方法主要是FDD（基于错误监测和诊断）。FDD的诊断方法是监测空调系统运行过程中可能会出现的问题，提前进行隐患预测或诊断出现的故障。90年代末，国际能源组织对建筑空调系统运行过程出现的故障检测与诊断，以及空调系统实用性验证等的主要研究项目概况见表2。

表2 国际能源组织研究项目及内容Table2 International Energy Organization research projects and contents

1.2 基于数据挖掘用能诊断

随着大数据时代的到来，建筑能耗数据的分析、运用、诊断有了新的方法和技术。目前，公共建筑用能的诊断主要包括能耗监测、用能诊断、基于数据挖掘用能故障诊断算法及数据挖掘性能诊断等。基于数据挖掘用能诊断凭借先进的数据分析工具，对公共建筑运行过程中积累的大量数据进行分析，及时发现运行过程中存在的问题和节能潜力点。

2009年，陈永攀等人[16]设计研发了一套可同时监测用能系统耗能量和用能品质的建筑能耗监测与用能诊断系统，帮助建筑用户实现建筑能源的科学化、精细化管理。

周东华[17]和Katipamula[18]根据不同方式，分别总结出两种分类的故障诊断方式，分别如图3和图4所示。

图3 周东华故障诊断方法分类Fig3 Zhou Dong-hua classification of fault diagnosis methods

图4 Katipamula故障诊断方法分类Fig4 Katipamula classification of fault diagnosis methods

李志生等在《暖通空调系统故障检测与诊断研究进展》[19]一文中，总结了用于HVAC系统的故障检测和诊断方法，见表3。

表3 常用故障诊断方法Tabel3 Common fault diagnosis methods

2014年，香港王盛卫研究团队[20-21]提出了一套适用于建筑用能数据的普适性分析框架，如图5所示。框架兼容了不同数据的挖掘技术，可用于挖掘和发现建筑用能数据中的隐藏价值。

图5 建筑用能数据普适性分析框架Fig.5 Framework for universality analysis of building energy data

2016年，Huilong Wang等人[22]开发了一个基于能耗数据分析的原型集成工具箱，利用该集成工具箱可对整个建筑层、系统层和设备层按每周、每日、每小时等不同时间颗粒度进行用能诊断。目前，该工具箱主要针对单一建筑纵向用能诊断研究和分析。

2 用能诊断数据分析方法

目前，公共建筑用能系统节能诊断的数据分析方法主要分为常规数据分析方法和数据挖掘技术两大类。

2.1 常规数据分析方法

在建筑领域，常规数据分析方法主要针对建筑运行故障的诊断和运行策略的优化，一般在分析时，主要依赖诊断人员的专业知识，结合建筑本身的物理定律，对建筑运维数据进行综合分析。文献[23-24]对已有相关研究工作进行了较全面的比较分析，对建筑用能系统故障诊断和运行优化，应具备的主要知识包括：定量、定性模型及统计规律（见表4）。

表4 常规数据分析方法Tabel4 Common data analysis methods

2.2 数据挖掘[24]分析方法

数据挖掘主要有7个步骤，包括数据清理、集成、选择、变型、挖掘、评估和知识表现。相比常规数据的分析方法，数据挖掘分析方法能够有效处理非线性数据及大数据等。数据挖掘是7个步骤中的核心，根据不同的挖掘技巧，将数据挖掘分为监督学习和无监督学习两类。监督学习是基于完整的、标记的训练数据，通过建立相应的输入与输出关系，完成数据的挖掘。无监督学习主要是发现数据本身结构和数据的相似性。两种方式的数据挖掘技术分类如表5所示。

表5 数据挖掘技术主要分类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维理论[25]和结构风险最小原理，寻求样本学习精度和学习能力一种最佳折中状态，能够解决“小样本”及“非线性和维数灾难”等问题[26-27]。

2.2.2 人工神经网络

人工神经网络需要获得一个基本单元-感知机，感知机是基于将神经元树突作为输入，细胞体用于信息处理，轴突作为输出进行的神经元模拟后得到。人工神经网络是由多个感知机构成的多层神经网络[28]，如图6所示。人工神经网络可实现数据聚类、优化计算等多种功能，已全面、大范围应用于统计学、控制与智能化等不同领域。

图6 感知机结构及多层神经网络示意图Fig.6 Perceptron structure and multi-layer neural network schematic diagram

2.2.3回归分析

回归分析是一种处理不同变量间关系的统计方法和技术，它通过建立统计模型，研究不同变量间密切程度和结构状态，进而进行模型预测[29]。回归分析是一种常用的数理统计方法，能有效解决生产中出现的多种问题，如预测、控制、生产工艺化等。

2.2.4 决策树

决策树[30]是一种针对离散函数不断逼近的方法。决策树算法先将数据分类，利用归纳原则产生可识别的决策树规则进行数据的分析与判断。

2.2.5 随机森林(RF)

随机森林（Random Forest，RF）算法[31]是采用集成学习（Ensemble Learning）思想将多棵决策树（Decision Tree）集成的一种分类与回归算法。RF采用决策树作为基本分类工具，使用Bagging（Bootstrap Aggregating）方式生成差异化的训练数据集，采用随机子空间划分策略（Random Subspace Method）构建决策树。在决策树进行分裂时，从全部属性中随机选择部分属性，决策树则从相应的属性中自动选择最佳属性进行分裂。RF算法见图7。

图7 随机森林算法框架图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算法基于两阶段的频集思想，扫描候选项目集中的一次资料库，找出不低于使用者定义的最小支持限度变量（通常称为“常见项目集合”），结合常见项目集合则形成候选项目集合，重复运算至无法找到常见项目集合。

2.2.7 FP-grow th算法

2000年，Han等人提出FP-growth的算法，该算法的提出主要是为了有效解决Apriori在进行计算时面临的瓶颈[36]，该算法只扫描2次数据库。FP-growth算法不使用侯选集，它通常直接将数据库压缩成一个频繁模式树，并通过这棵频繁模式树生成相关的关联规则。

2.2.8 k-means算法

k-means算法是一种基于划分的无监督聚类算法[37]。k-means算法的核心是随机选择k个簇中心，按照样本间距离最小原则，把样本划分至各簇，并且在计算过程中持续更新各个簇的中心点，直至获得令人满意的聚类结果。

2.2.9 阶层式分群法

阶层式分群法（又名：层次聚类法（hierarchical clustering））[38]是一种常用的聚类算法，基本过程是对每一对节点定义一个相似度,然后从相似性最高的节点开始不断合并节点，这个过程可以终止于任何一点，此时该网络的划分就是所需的分群结果。阶层式分群法的优势主要体现在不需过多的判断依据，只需要计算出数据间潜藏的客观规律并加以识别、聚类，使聚类结果更加客观可靠[39]。

2.2.10 模糊C均值算法

模糊C均值算法(Fuzzy C-Means，FCM)是基于普通C均值基础上进行的改进算法，属于一种柔性的模糊划分。在聚类分析中，FCM较k-means在聚类速度及准确度方面，均有大幅度提升。FCM在模式识别、分类分割等领域应用广泛[40]。

3 用能诊断发展展望

通过文献调研，并结合实际用能诊断技术的应用可以发现，目前并存两大类公共建筑用能诊断方法：基于专业知识用能诊断方法；基于数据挖掘用能诊断方法。前者主要凭借传统的专业理论知识，以及诊断专家个人经验，辅以现场检测和调研数据及信息，对公共建筑及其用能系统和设备进行诊断的方法。后者凭借先进的数据分析工具，对公共建筑运行过程中积累的大量数据进行分析，发现运行过程中存在的问题和节能潜力的方法。两种方法并存，但并不互相矛盾和冲突。基于专业知识用能诊断方法需要借助数据分析工具，基于数据挖掘用能诊断技术也需要依据专业知识来探究故障和问题的根源，以求获得更大的、有价值的信息，提升建筑运行能效。

当前，建筑用能诊断方法绝大多数是对单一建筑进行的纵向分析，这源自业主和物业的运行管理需求，也是制定有针对性的运行优化策略的根本。如当下很多大型公共建筑均安装有BAS系统（建筑自动化系统），主要用于监测、控制建筑物用能系统运行过程中产生的能耗数据及其运行状态数据。目前，BAS系统储存着大量的建筑运营数据，但尚未被充分利用。

开展用能诊断分析，无论是传统的基于专业知识用能诊断方法为主导的分析方式，还是单纯从采集的监测数据为基础来开展，基本上都以建筑用能及其相关机电系统和设备数据作为分析对象，几乎没有案例主动综合利用其它建筑运行中产生的数据。现代公共建筑运营过程中，除了用能系统及其控制系统外，还有物业管理系统、电梯控制系统等其它机电、门禁等智能化系统等，这些系统基本上还处于信息孤岛的状态，即每个系统之间相互独立运行，从运行管理角度看，独立运行的系统更符合传统管理者的思维，即便相应自控系统无法运行，通常情况下也可以被人工代替。

在总结既有用能诊断的方法基础上，结合近年“物联网+”技术的迅速崛起，展望公共建筑用能诊断未来的发展有3个方面。

（1）基于专业知识和基于数据挖掘用能诊断技术相融合的用能诊断模式。在未来很长一段时间内，传统以专业知识为主导的用能诊断必将逐渐与数据挖掘技术相互融合，相互依赖。用能诊断的基础仍是专业理论知识，并合理利用数据挖掘技术，使用能诊断更高效、更科学。不考虑专业理论知识，单纯基于数据挖掘技术开展用能诊断在大多数情况下还是无法进行的。

基于数据挖掘技术是在一定边界条件下，拟合和学习既有总结出的公式或方法，用于挖掘数据中隐藏的价值。但当边界条件发生变化后，就不一定能够适用，特别是由于一开始没有搞清数据变化的机理，当条件多变时，就完全陷入了黑箱状态，而对机理的研究和分析是传统专业知识过去几十年一直专注和构建的重点内容，因此基于专业知识的用能诊断应当必须作为未来用能诊断的基础。

（2）横向与纵向相结合的用能诊断模式。随着我国和各个地方公共建筑能耗监测平台建设逐步完成，集成了成百上千栋建筑运行的大量信息，为开展建筑用能系统横向诊断分析提供了可能性。在当前大数据时代，各市、区分项计量系统平台已将多个公共建筑的能耗数据集中起来，为同类型公共建筑彼此之间的横向对比分析创造了良好的条件。当有足够的建筑能耗数据接入平台，结合各种数据挖掘技术，科学地选择能耗指标进行横向对比分析，可高效地帮助揭示同类建筑能耗间的差异，对建筑实时用能诊断提供相应数据支持，进而发现节能潜力所在。

对分项计量系统平台数据的充分利用，不仅可对建筑能耗情况进行诊断，还可以帮助建筑用户实现能源系统精细化、科学化管理。据了解，目前有些企业级平台集成了企业旗下的大部分同类型建筑，用于企业建筑用能的管理。

基于此，随着未来建筑用能平台的海量数据集成和用能系统诊断精细化发展，公共建筑用能诊断将从横向分析和纵向分析（时间角度）两个维度开展综合用能诊断分析，全方位挖掘建筑运维过程中存在的问题。

（3）建立多个运维信息系统彼此互联，互相融合的用能诊断模式。传统BAS可以实时监控空调等主要机电系统的实时数据，了解建筑用能系统和设备的运行状况，一般都具备报警功能，但相关系统较少有长期的存储功能，不能直接用于数据挖掘和用能诊断。物业管理系统、电梯运行监控系统等建筑管理系统，也有存在着同样的问题。

随着“物联网+”技术普及，万物互联将成为未来的趋势，从用能诊断的角度，更需要在各个现有的信息孤立系统之间，建立上层联系，通过信息互通和存储功能，为多维度数据分析提供基础。

4 结论

本文从基于专业知识用能诊断技术和基于数据挖掘用能诊断技术两个方面进行了国内外公共建筑用能诊断现状研究。

1）专业知识用能诊断技术中，针对建筑用能系统比较全面的诊断方式是OTI诊断方法。OTI诊断方法涉及到了外围护结构、新风供应、照明系统、空调冷热源和输配系统、通风系统以及各类用电设备、供配电系统等。各用能系统的诊断方式及方法中，能耗指标体系及故障树的诊断方式可用于各用能子系统的诊断。

2）数据挖掘用能诊断技术中，主要是利用建筑能耗监测系统的实时数据和建筑BAS系统的数据进行建筑物纵向分析，用以挖掘建筑运行中可能存在的问题。

3）进行用能系统诊断数据分析时，目前主要采用常规数据分析方法和数据挖掘分析方法。常规方法主要是基于专业知识、物理定律及统计来分析建筑运行数据，主要包括定量模型、定性模型、关联规则树及统计规律。数据挖掘分析方法主要分为监督学习和无监督学习，监督学习包括向量支持器、人工神经网络、回归、决策树和随机森林。无监督学习包括 Apriori、FPgrowth、k平均算法（k-means）、阶层式分群法和模糊c均值算法等。各类算法应视不同建筑的运维数据进行灵活使用。

鉴于用能诊断技术的发展现状及“物联网+”技术的充分发展，以期未来公共建筑用能诊断更高效、更科学，提出如下发展方向：

（1）基于专业知识和基于数据挖掘用能诊断技术相互融合的用能诊断模式，两者相辅相成，高效、科学完成用能诊断；

（2）横向与纵向相结合的用能诊断模式，多维度、全方位开展用能诊断分析，全方位挖掘建筑运维过程中存在的问题；

（3）建立多种运维信息系统彼此互联，相互融合的诊断模式，通过信息互通和存储功能，为多维度数据诊断分析提供基础。