基于BAS數據挖掘的空調運行節(jié)能優(yōu)化

包仁標, 馬小軍, 張 超

(南京工業(yè)大學 電氣工程與控制科學學院, 江蘇 南京 211816)

?

基于BAS數據挖掘的空調運行節(jié)能優(yōu)化

包仁標, 馬小軍, 張 超

(南京工業(yè)大學 電氣工程與控制科學學院, 江蘇 南京 211816)

運用數據挖掘技術中的聚類分析方法對樓宇自控系統(BAS)存儲的設備運行數據進行分析。結合南京某檔案館實例,采用數據分析軟件SPSS對暖通空調(HVAC)的運行數據進行了聚類分析,得出年采樣周期時間段內設備運行的聚類結果,并根據實際的能耗數據,提出了合理的優(yōu)化策略,以指導物業(yè)人員調整設備運行時間,降低了建筑能耗。

樓宇自控系統; 數據挖掘; 聚類分析; 空調機組; 節(jié)能

0 引 言

近年來,由于計算機網絡技術和傳感器的發(fā)展,樓宇自控系統(Building Automation System,BAS)得到了飛速的發(fā)展,系統能測量的物理量越來越多,精度也越來越高,得到的數據也越來越多。在建筑全生命周期中,BAS數據存儲和交換的最終目的是更高效、便捷地使用數據,分析存儲和獲得數據,為綠色建筑的分析、能耗降低提供數據支撐。

本文針對BAS存儲的暖通空調(Heating Ventilation Air Conditioning,HVAC)系統的設備運行數據,運用大數據挖掘軟件SPSS對其進行挖掘分析,通過基于距離的K-means聚類算法進行聚類分析,再結合實際的能耗運行數據與聚類分析結果,提出設備運行節(jié)能優(yōu)化策略。

1 數據挖掘技術

BAS存儲大量的建筑運行數據,但由于缺少更深層次的分析大量數據的工具,導致這些數據的利用率不是很高。數據挖掘技術提供了一種很好的手段,可發(fā)現這些大量數據中潛在的信息,為降低建筑能耗提供支持。

BAS存儲的大量數據使用數據挖掘技術進行分析,可以分為數據發(fā)現、數據分區(qū)、知識發(fā)現、后期挖掘4個階段[1]。BAS中應用數據挖掘技術的框架體系如圖1所示。

(1) 數據發(fā)現。主要有兩項任務,分別是數據預處理和數據可視化[2]。數據預處理在專業(yè)知識的發(fā)掘中是必要的步驟,占整個數據挖掘技術的80%,包括數據整理、數據傳輸、數據簡化。數據可視化在早期的數據挖掘過程中具有重要作用,幫助用戶直觀地了解數據。

(2) 數據分區(qū)。大多數BAS是動態(tài)的和內部相關的,因此對采集整理后的數據進行劃分就顯得尤為重要。在不同的運行條件下,變量的值和變量之間的關系可能非常抽象,挖掘整個BAS系統中的數據就可能帶來重要數據丟失的問題。依據BAS數據固有的特征將其劃分成不同的子集,然后挖掘出每個獨立的子集中有效的專業(yè)知識,數據的分區(qū)應主要依賴于系統中數據固有的特征,包含盡可能少的專業(yè)知識,才能充分利用數據挖掘技術在基礎的數據發(fā)現中的優(yōu)勢[3]。把握數據固有的特征是非常棘手的問題,可以采用假設試驗和聚類分析。

圖1 BAS中應用數據挖掘技術的框架體系

(3) 知識發(fā)現。在完成數據挖掘的前兩個階段后,知識發(fā)現才是數據挖掘的真正過程。目前,已經存在許多數據挖掘技術,同時新的數據挖掘技術也在產生,如何選擇合適的數據挖掘技術取決于考慮的問題及數據的專業(yè)領域。知識發(fā)現可以是類、決策樹以及關聯規(guī)則等,可以用來開發(fā)預測模型、檢測和診斷異常以及開發(fā)優(yōu)化策略。相對于監(jiān)督數據挖掘技術,非監(jiān)督數據挖掘技術更易從大量的BAS數據中發(fā)現未知的知識。在非監(jiān)督數據挖掘技術中,關聯規(guī)則挖掘(Association Rule Mining,ARM)已是普遍使用的一種,尤其在零售業(yè)、市場以及醫(yī)療等領域。在建筑業(yè)中,ARM正被逐步推廣,相關性規(guī)則可以判斷建筑中設備運行的非典型或非常規(guī)的條件。采用ARM處理BAS系統中的數據也存在兩種主要的障礙:一是大多數的ARM算法只能處理分類好的數據;二是ARM常常會產生大量的規(guī)則,選擇有用的規(guī)則有巨大的挑戰(zhàn)及耗費時間。

(4) 后期挖掘。后期的數據挖掘包含選擇、闡釋和使用,需要分析人員依據前期的挖掘結果進行不斷的分析改進,最終運用到工程項目中。

2 數據分析處理

2.1 項目概況

南京某檔案館用于存放當地的史籍資料和檔案資料,屬于甲級檔案館,總建筑面積為40 372 m2,地下2層,地上9層,建筑高度為37.6 m,屬于一類高層建筑。-2F平時為汽車庫、設備用房和檔案館職工餐廳,戰(zhàn)時在汽車庫內設置二等人員掩敝所;-1F為展廳、報告廳、設備用房及自行車庫;1F為公眾服務大廳、政府信息公開服務中心、方志館閱覽區(qū)及配套附屬用房;2F為檔案館閱覽區(qū)及培訓中心;3F～6F為檔案庫區(qū)用房;7F為方志館行政辦公用房;8F為檔案館業(yè)務技術用房;9F為檔案館行政辦公用房?？照{冷熱源采用螺桿式冷水機組和螺桿式地源熱泵機組,設置在-2F,同時在-2F設置消防泵房、生活泵房、生活水箱和消防水池,在-1F設置成套式10/0.4 kV變配電房。

2.2 數據預處理

該檔案館項目中,BAS監(jiān)控的設備主要為新風機組、空調機組、溫/濕度傳感器、液位傳感器等,監(jiān)測的數據主要為藏書庫房內的溫度/濕度,HVAC系統中的壓差,供配電系統中的電壓、電流、電能以及-1F會議室內的CO2濃度等。這些參數的測量方法并不復雜,精度要求也不是很高,但是由于測量環(huán)境的差異,對傳感器等數據采集裝置的要求存在很大的差異[4]。部分系統的監(jiān)測數據則來源于設施自身所集成的監(jiān)測裝置,如冷凍機組、冷水機組、地源熱泵、水源熱泵等自帶的專業(yè)監(jiān)控系統,而HVAC系統中的水流量、送風量等數據也可通過系統自帶的傳感器測量得到。為了降低綠色智能建筑的建造與運維成本,需要不同設備制造商與智能化系統集成商之間緊密協作,實現信息的交互與共享。

依據建筑特點及人員活動情況,選擇具有代表性的4組樣本數據,分別來源于辦公區(qū)域、公共大廳及庫房。根據現場工作條件獲得設備運行時間分布曲線,如圖2所示。

圖2 運行時間分布曲線

由圖2可見,5月～10月期間是空調制冷系統功耗最大的階段。

2.3 數據聚類計算

利用數據挖掘技術中的聚類分析方法對數據進行分析處理。聚類分析的方法主要有[5]劃分方法、層次方法、基于模型的算法、基于網格的方法、基于密度的算法。

依據數據數量和直觀的分布效果,采用劃分方法中的K-means算法對數據進行分析。因為K-means算法具有如下優(yōu)勢[6]:對系統內存占用少,計算量較小,處理速度快;以較高的效率處理較大規(guī)模的數據,并且具有可伸縮性;時間的復雜度可以近似擬合為線性,而且適合挖掘大規(guī)模數據集。

K-means算法流程如圖3所示。

圖3 K-means算法流程

由圖3可見,k個初始聚類中心點的選取對聚類結果具有較大的影響,因為在K-means算法中是隨機地選取任意k個點作為初始聚類中心。在該算法中,一次迭代把每一個數據對象分到離其最近的聚類中心所在類,這個過程的時間復雜度為O(nkd),其中n為總的數據對象個數,d為數據對象的維數;新的分類產生后需要計算新的聚類中心,這個過程的時間復雜度為O(nd)。因此,該算法一次迭代需要的總時間復雜度為O(nkd)。

K-means算法最大的缺點是需要在分類前預估分類的數據。由于HVAC系統的制冷系統隨著季節(jié)溫度變化和辦公場所人員流動情況,易于事先預估分類數目。

利用K-means算法對數據進行處理,計算得到每臺機組的均值、標準差、方差。由每組設備運行時間的標準差可以看出,標準差數據均較大,說明設備運行的時間數據的離散性比較大,在歸類時會影響類別的預估,因此采用Z分數法對數據進行標準化處理,使之符合標準正態(tài)分布。

在預估數據分類時,結合季節(jié)因素,可以分別假定分類數n=3和n=4,則分別得到兩種分類結果。當n=3時,最終聚類中心結果如圖4所示。聚類分類結果如圖5所示。

圖4 最終聚類中心結果

圖5 聚類分析結果

2.4 聚類結果分析

當分類數n=4時,10月、11月的分類質量之間相差較大,但仍歸為第一類,8月、9月的分類質量相同,但是兩者分類結果屬于不同的類別,產生了矛盾,故舍去。當分類數n=3時,在分類出的第一類中,10月的分類質量與第一類中的數值仍然有差異,但是差值為0.252 33,可以達到“類內距離盡可能小,類間距離盡可能大”的要求。因此,將HVAC系統中制冷相關設備的數據運行情況分類為三類,其中1月、2月、3月、4月、5月、6月、10月、11月、12月為第一類,7月、8月為第二類,9月為第三類,每一類對應于一種空調機組運行模式。

BAS系統對上述設備制冷區(qū)域的記錄溫度經過初步計算,得到每月的平均溫度,如表1所示。

2.5 優(yōu)化策略

先依據聚類的結果將空調機組運行模式粗略分為三類,然后再根據去年實際的運行數據再對每一類運行模式進行微調,最后對HVAC系統空間數據挖掘中數據預處理探討在制冷條件下運行時提出如下建議:

表1 月平均溫度 ℃

(1) 機組負荷的高峰在7月和8月,設備在運行時間上近似,因此對于溫度閾值的設定可以作為后期設備運行控制的參考。

(2) 不同分布格局的庫房設定不同的溫度閾值,在建筑內部沒有窗戶的庫房,可以提高溫度設定閾值;檔案館北側庫房由于窗墻比較大,因外部的太陽輻射,庫房內的溫度影響比較明顯,因此可結合庫房使用情況設定溫度閾值。

(3) 檔案館的辦公時間具有明顯的周期性,因此可以在周末減少設備運行數量。

(4) 在第一類中,依據南京歷史氣象數據,5月、6月份溫度偏高,然而制冷設備的開行時間要求不高,因此在辦公區(qū)域可以采取控制太陽直射光照射面積、增加開窗時間或者采用低功耗的風扇,來降低空調設備的運行。

(5) 在第三類中,只有9月數據歸于該類,設備運行時間較長,由于此時處于檔案館搬遷階段,且在為10月開館做準備工作,室內的人員流動及庫房、辦公等區(qū)域的保溫環(huán)境較差,因此在設定溫度閾值不變的情況下增加設備的運行時間。

3 結 語

本文利用存儲的電能數據和總的年能耗數據,分析出年采樣周期中HVAC系統中冷水機組、冷凍水泵、冷卻水泵設備的電能消耗趨勢,總結出設備運行的時間趨勢,并結合實測的溫度,提出切實可行的設備運行改進方案,這對于降低建筑能耗有一定的意義。

[1] FAN C,XIAO F,YAN C C.A framework for knowledge discovery in massive building automation data and its application in building diagnostics[J].Automation in Construction,2015(50):81-90.

[2] 閆永惠.空間數據挖掘中數據預處理探討[C]∥數字測繪與GIS技術應用研討交流會論文集,2008:44-51.

[3] XIAO F,FAN C.Data mining in building automation system for improving building operational performance[J].Energy and Buildings,2014,75(11):109-118.

[4] MA Z J,WANG S W,XU X H,et al.A supercisory control strategy for building cooling water systems for practical and real time applications[J].Energy Construction & Management,2008,49(8):2324-2336.

[5] 陸云.聚類分析數據挖掘方法的研究與運用[D].合肥:安徽大學,2007.

[6] 吳文亮.聚類分析中K-均值與K-中心點算法的研究[D].廣州:華南理工大學,2011.

[7] 梁文華,劉慶.智能建筑系統集成設計之綜述[J].計算機應用與軟件,2007,24(4):182-183.

[8] 符長青.綠色建筑與智能建筑的融合發(fā)展[J].智能建筑與城市信息,2012(7):24-27.

[9] ISIKDAG U,UNDERWOOD J,AOUAD G.An investigation into the applicability of building information models in geospatial environment in support of site selection and fire response management process[J].Advanced Engineering Informatics,2008,22(4):504-519.

[10] LEE J K,LEE J,JEONG Y S,et al.Development of space database for automated building design review systems[J].Automation in Construction,2012(24): 203-212.

[11] 石超剛.基于可持續(xù)發(fā)展的綠色建筑評價體系研究[D].長沙:湖南大學,2007.

[12] 葛松培,孫紅三.建筑業(yè)信息技術應用新概念——BIM[C]∥第十二屆全國工程建設計算機應用學術會議論文集,2004:332-336.

[13] 秦軍.建筑設計階段的BIM應用[J].建筑技藝,2011(S1):160-163.

[14] 賀靈童.BIM在全球的應用現狀[J].工程質量,2013,31(3):12-19.

[15] KIM C M,SON H,KIM C W.Automated construction progress measurement using a 4D building information model and 3D data[J].Automation in Construction,2013,31:75-82.

[16] 陳宇軍,劉玉龍.BIM協同設計的現狀及未來[J].中國建設信息,2010(4):26-29.

[17] 王珺.BIM理念及BIM軟件在建設項目中的應用研究[D].成都:西南交通大學,2011.

[18] 馬智亮,曾統華,魏振華,等.從節(jié)能設計IFC數據生成的IDF數據的機制及關鍵算法[J].土木建筑工程信息技術,2012,4(1):1-5.

[19] 遲珊.BIM電氣設計案例[J].建筑電氣,2014(2):28-34.

[20] 鄭國勤,邱奎寧.BIM國內外標準綜述[J].土木建筑工程信息技術,2012,4(1):32-34.

【編輯部聲明】

本刊已許可萬方數據、重慶維普、中國學術期刊(光盤版)電子雜志社在其網站及其系列數據庫產品中以數字化方式復制、匯編、發(fā)行、信息網絡傳播本刊全文。該社著作權使用費與本刊相關費用抵消。如作者不同意文章被收錄，請在來稿時向本刊聲明，本刊將做適當處理。

《現代建筑電氣》編輯部

Energy-saving Optimization of Operation Strategy on HVAC Unit Based on BAS Data Mining Technology

BAO Renbiao, MA Xiaojun, ZHANG Chao

(College of Electrical Engineering and Control Science, Nanjing Tech University, Nanjing 211816, China)

This paper analyzed the storage equipment operation data of building automation system(BAS) by using the clustering method of data mining technology.Combining by Nanjing Archives,the operating data of heating ventilation air conditioning(HVAC) were analyzed by using data analysis software SPSS.The clustering results of devices were obtained in sampling period.According to the actural energy consumption data,the reasonable optimization strategy was proposed,which directs the property personnel to adjust the equipment running time and reduces the building energy consumption.

building automation system(BAS); data mining; cluster analysis; heating ventilation air conditioning(HVAC); energy-saving

包仁標(1990—),男,碩士研究生,研究方向為建筑電氣與智能化。

馬小軍(1956—),男,教授,研究方向為建筑電氣與智能化。

張 超(1990—),男,碩士研究生,研究方向為建筑電氣及其智能化。

TU 201.5

B

1674-8417(2016)08-0048-05

10.16618/j.cnki.1674-8417.2016.08.012

2016-01-23