数据挖掘技术在暖通空调领域的应用研究

2022-03-11徐晨德

信息记录材料 2022年1期

徐晨德

（太原学院建筑与环境工程系山西太原 030032）

0 引言

社会经济快速发展，人们越来越重视生活质量，对生活环境的热舒适性也提出了更高要求。建筑能耗不断增加，给资源供给带来了巨大挑战，传统的暖通空调能耗研究方法主要有数学物理方法、实验法、数值模拟法，虽然给建筑空调研究带来了一定成果，但3种方法未考虑到不断变化的气候条件以及可变的能源消耗，且都有自身特定的适用范围，有一定局限性。智能建筑系统逐渐兴起，其系统存储着大量建筑运行数据以及气象数据等，传统研究方法已不适用，急需新的研究方法与分析工具应用于建筑暖通空调领域。数据挖掘技术可以发现数据之间的潜在联系，有效利用这些数据，是进行建筑暖通空调数据分析最合适的工具。

1 数据挖掘技术概述

数据挖掘即从数据库中自动识别有用知识、发现整体环节的一个过程，是从大量的、随机数据中提取、分析使整个数据适合于特定的关系信息的过程，是在原始数据库中发现全过程的一个环节。原始数据就好比知识的源泉，可以是结构化的，例如关系数据库中的数据，也可以是半结构化的，例如图形、图像数据，甚至是通过网络分布的异构数据。数据挖掘技术可以是数学的或非数学的，演绎或归纳的，是一个广泛的交叉学科，是各种技术的结合，通常利用计算机技术来完成数据统计分析等其他操作目标，其过程主要包括8个步骤（图1）[1]。当前，虽然数据挖掘技术在各个领域中得到了广泛应用，但依然停留在初步探索阶段，在未来，数据挖掘技术在各个领域的应用将进一步深化。

如图1所示，数据挖掘过程是一重复循环的过程，每一步如果没有达到预期的目标，需要回到以前的步骤，重新调整并执行。当然，并不是每个数据挖掘工作都需要这里列出的每个步骤，具体要根据其实际情况而定，如当作业中不存在多个数据源时，可以省略数据集成这一步[2]。

2 暖通空调数据挖掘技术应用思路

2.1 应用思路

在暖通空调研究中，以建筑自动控制系统中存储的大数据为数据基础，数据挖掘技术为工具，能有效发现建筑空调系统内部运行规律，将暖通空调领域的研究推向一个新的阶段，目前数据挖掘技术在暖通空调领域的研究主要包括3个层次，作用主要包括3方面，具体见图2[2]。其应用主要通过以下步骤完成：（1）数据分类与采集：做好流体流量、室内温湿度、暖通空调设备运行功率的数据采集与分类工作；（2）对收集分类的数据进行预处理，提高数据质量，确保数据完整性；（3）根据采集到数据的特点，选择相应的分析算法，并构造模型清理数据，优化模型参数，使其应用效果达到最佳；（4）分析明确最终结果的准确性，找出模型应用过程中的不足，进而解决问题；（5）通过对构建模型的合理利用来确保运作的科学性。通过这5个步骤能够充分发挥出数据挖掘技术在暖通空调领域的应用优势[3]。

2.2 应用框架

在将数据挖掘技术应用于智能建筑领域的过程中，相关研究人员曾在考虑建筑自动化系统的系统复杂性与低数据质量问题基础上，提出了一种面向建筑自动化系统的通用数据挖掘框架，具体见下图3所示，该框架主要包括数据探索、数据划分、知识发现与后挖掘4个步骤，其中数据探索主要包含数据的预处理与可视化。该框架已被应用于香港最高建筑的建筑自动化系统研究中，成功地实现了建筑设备系统的异常与故障诊断功能[5]。

还有研究人员在针对办公建筑房间占用模式的相关研究中，在基于传统知识发现的过程中，提出了一套基于传统知识发现（KDD）的数据挖掘流程，具体见下图4所示。该框架包含数据预处理、数据挖掘和知识提取3大步骤，其中在数据挖掘部分，基于3步数据挖掘方法，利用决策树、规则归纳和数据聚类有效挖掘了办公用户的占用模式和工作进度[6]。

3 数据挖掘技术在暖通空调中的作用

3.1 挖掘能耗数据

利用数据挖掘技术对建筑暖通空调能耗数据的挖掘主要包括以下5个步骤：（1）采集数据集，如温湿度、太阳辐射强度以及大气压力等；（2）对采集的数据集进行预处理，以此来提高数据质量与准确性；（3）分析采集数据的特点，结合大数据平台确定合适的分析算法并构建模型，确保模型参数准确；（4）对结果进行分析，找出构建模型的优缺点；（5）模型的应用[7]。

此外，还有相关研究人员提出了一种用于建筑能耗分析的综合集成智能IIT方法，该方法结合了聚类、分类、离群点分析算法以及关联分析、预算算法，算法的具体应用流程见下图5所示。在该方法框架中，基于聚类算法的离群点分析算法主要是通过对建筑能耗数据进行分类，从而实现对建筑能耗数据能耗模式的有效识别。在相同的能源消耗模式下，数据的LOF数值十分近似。因此，合理运用LOF算法对具有相同能耗模式的历史建筑能耗数据进行离群值分析，可以在一定程度上增强能耗异常数据的识别准确性；借助灰色关联分析提高影响建筑能耗数据影响因素识别的准确性，BP神经网络则可以在历史能耗数据和重要影响因素基础上更准确地预测建筑能耗[8]。

3.2 数据驱动最优控制策略

传统的控制策略主要采取数学物理模型等理论分析方法，存在一定误差，且空调系统或多或少地被简化，因此实际运行与理论控制并不总是完全一致的，理论模型简化不当可能导致空调系统实际运行与理论控制严重偏离，能耗增加而不是减少，为改变这种缺陷，必须以实际数据为基础，利用数据挖掘算法对各种控制参数的工具进行优化，建立数据驱动的最优控制策略方法，使系统运行达到最优[9]。

4 数据挖掘技术在暖通空调领域的应用策略

4.1 前馈控制技术

前馈控制技术是指以数据与模型算法为基础，通过测量扰动的变化和控制器的控制，直接克服扰动对被控变量的影响。大数据技术与计算机技术迅速发展，前馈控制技术也在暖通控制领域得到广泛应用，其应用主要体现在以下几方面：

（1）在暖通空调系统优化控制中的应用：前馈控制技术可对暖通空调冷源设备运行参数进行控制优化，冷水机组是冷源系统的关键设备之一，其运行能耗受负荷、冷水供回水温度以及设备运行状态的影响，研究人员以此为基础对冷水机组的运行进行了前馈控制预测[10]。此外，利用前馈控制技术还能调节控制空调水系统的运行参数，研究人员针对变风量空调系统送风温度控制回路、送回水温差控制回路中扰动大以及延时大的特点，利用前馈控制技术实现了变流量以及变量运行的空气调节[11]。

（2）在室内热环境中的应用：影响人体舒适的因素很多，例如环境温度、空气流速等，故利用合适的控制算法优化暖通空调设备，对提高室内热舒适性有重要影响，有学者发现室内空气品质可以通过模型预估计来控制，室内温度可以通过集中式和分布式模型预估计控制来设定，并基于预测算法对室内空气调节进行了分析，研究出一种基于暖通空调参数模型的前馈解耦广义预测控制算法，最终实现了良好的热舒适性[12]。

4.2 概率神经网络技术

概率神经网络技术的应用主要是通过对构建的暖通空调模型分析研究，制定降低能耗的策略，概率神经网络，即PNN，是一种前馈神经网络，它是由径向基核函数神经网络演化而来，在暖通空调工程应用中，主要是利用概率神经网络中的线性学习算法与非线性学习算法来解决数据分类问题，输入层、模式层、求和层与输出层构成了概率神经网络模型，结构图见图6，操作简单且数据精度更高[13]。

如图6所示，输入层的主要功能训练传输来的暖通空调相关数据，再将输入好的数据传输到下一模式层；模式层主要功能显示暖通空调数据中各个模块与输入层传输的特征向量之间的对应关系；求和层主要功能为运算，这一层的神经元数目与样本层的神经元总数相同，神经元只与图案层的相应神经元连接；输出层主要功能为接收求和层的输出的结果，然后在所有神经元的输出层找到一个神经元的后验概率密度最大值。利用概率神经网络技术降低暖通空调能耗的主要措施有：（1）提高蒸发温度，降低冷凝温度，减少温差，经验值每降低1，主机能效提高3倍；（2）降低泵的频率；（3）预测水系统的滞后性；（4）动态调节各种参数，在特定空间内调节空气温度、湿度、气流速度和清洁度，以满足人体舒适性的要求[14]。

4.3 专家系统

建筑暖通空调是一个复杂庞大的系统，很容易发生故障，在系统运行过程中，要求设备在发生故障后能立即被清除，专家系统特别擅长处理这种问题，故有必要将专家系统应用于暖通空调故障检测中。首先专家系统会根据发生的故障利用推理网络找到故障位置，建立诊断模型，判断故障原因。此外，当暖通空调发生较严重故障的时候只能停机检修，影响到人们的日常生活，专家系统具有拟人智能的能力，主要研究定性系统控制与决策问题，且已经超出了全信息控制论的范畴，在暖通空调故障检测与运行管理起着重要作用[15]。