應(yīng)用模式識(shí)別的酒店冷水機(jī)組系統(tǒng)節(jié)能分析

譚時(shí)鍇，徐成良，陳煥新*，吳俊峰

（1-華中科技大學(xué)能源與動(dòng)力工程學(xué)院，湖北武漢 430074；2-壓縮機(jī)技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室（壓縮機(jī)技術(shù)安徽省實(shí)驗(yàn)室），安徽合肥 230031）

0 引言

建筑節(jié)能是可持續(xù)發(fā)展的重要戰(zhàn)略[1]，然而幾十年來(lái)，我國(guó)建筑能源消耗一直保持增長(zhǎng)。相關(guān)研究顯示，2015年全國(guó)建筑能耗占全國(guó)能源消費(fèi)總量的20%，2017年全國(guó)建筑能耗占所有能耗的27%以上，而且以每年1%的速度在增加[2]。據(jù)相關(guān)統(tǒng)計(jì)，在我國(guó)許多大型賓館、酒店的總能耗中，空調(diào)設(shè)備用電量占比很大，往往高達(dá)總用電負(fù)荷的55%～60%[3]。在建筑中央空調(diào)系統(tǒng)中，冷水機(jī)組的能耗最大[4]。國(guó)內(nèi)外許多學(xué)者都對(duì)冷水機(jī)組系統(tǒng)進(jìn)行了研究。

陳權(quán)等[5]從離心式壓縮機(jī)工作原理出發(fā)，建立了雙級(jí)離心式壓縮機(jī)及其冷水機(jī)組的穩(wěn)態(tài)灰箱數(shù)學(xué)模型。趙琳等[6]基于將冷水機(jī)組未知的結(jié)構(gòu)參數(shù)進(jìn)行集總并由實(shí)測(cè)數(shù)據(jù)獲取機(jī)組集總的結(jié)構(gòu)參數(shù)（即特征參數(shù)）的建模方法，建立基于特征參數(shù)的冷水機(jī)組模型。BROWNE 等[7]基于模型的物理原理及經(jīng)驗(yàn)方程建立了一種新型的蒸氣壓縮離心式水冷機(jī)組穩(wěn)態(tài)模型，該模型已通過(guò)在奧克蘭大學(xué)運(yùn)行的3 個(gè)不同的從部分負(fù)荷到滿(mǎn)負(fù)荷性能的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證，發(fā)現(xiàn)預(yù)測(cè)結(jié)果與真實(shí)結(jié)果的偏差在±10%之內(nèi)。JIN 等[8]提出了一種離心式冷水機(jī)組的混合模型，該建模方法綜合利用物理和經(jīng)驗(yàn)建模方法，可在較寬的工作范圍內(nèi)實(shí)時(shí)準(zhǔn)確地預(yù)測(cè)性能，可以顯著減少計(jì)算負(fù)擔(dān)，提高預(yù)測(cè)精度。

以上學(xué)者的研究，均從制冷系統(tǒng)冷水機(jī)組的物理原理出發(fā)，對(duì)機(jī)組能效進(jìn)行研究。但所建立的模型結(jié)構(gòu)復(fù)雜，參數(shù)較多且難以確定，較難應(yīng)用于工程實(shí)際。幾十年來(lái)，數(shù)據(jù)挖掘技術(shù)快速發(fā)展。機(jī)器學(xué)習(xí)算法包括支持向量機(jī)[10]、神經(jīng)網(wǎng)絡(luò)[11]、決策樹(shù)[12]、貝葉斯算法[13]、Logistic 回歸[14]和聚類(lèi)算法等，廣泛應(yīng)用于工程實(shí)際，很多的研究使用數(shù)據(jù)驅(qū)動(dòng)的方式進(jìn)行空調(diào)系統(tǒng)能耗分析。

周峰等[15]采用支持向量機(jī)對(duì)建筑進(jìn)行能耗預(yù)測(cè)，并對(duì)建立的能耗模型進(jìn)行了優(yōu)化。周璇等[9]建立了基于支持向量回歸機(jī)的冷水機(jī)組運(yùn)行能效預(yù)測(cè)模型，并采用粒子群優(yōu)化算法對(duì)模型參數(shù)尋優(yōu)，提高了模型的精度。結(jié)果表明，該模型能準(zhǔn)確反映冷水機(jī)組的運(yùn)行能效，為冷水機(jī)組運(yùn)行能效分析、故障診斷以及優(yōu)化控制等提供參考依據(jù)。

嚴(yán)中俊等[16]建立了反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)的冷水機(jī)組能效預(yù)測(cè)模型，并利用實(shí)際運(yùn)行數(shù)據(jù)對(duì)模型進(jìn)行了訓(xùn)練及驗(yàn)證，提出了一種可準(zhǔn)確預(yù)測(cè)冷水機(jī)組能效的方法，該方法簡(jiǎn)單實(shí)用，具有一定的適用性。NASRUDDIN 等[17]在多種天氣條件下，選擇干球溫度和全球水平輻射作為預(yù)測(cè)因子，對(duì)吸收式制冷機(jī)發(fā)電機(jī)進(jìn)氣口進(jìn)行了熱水溫度預(yù)測(cè)。使用了3種人工神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，包括feedforward BP 神經(jīng)網(wǎng)絡(luò)、cascade-forward BP 神經(jīng)網(wǎng)絡(luò)和Elman BP 神經(jīng)網(wǎng)絡(luò)。MANOHAR 等[18]基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)建立了以蒸氣為熱輸入的雙效吸收式制冷機(jī)的穩(wěn)態(tài)建模。

PAPADOPOULOS 等[19]基于模式識(shí)別技術(shù)，對(duì)紐約市建筑能耗進(jìn)行時(shí)間序列的聚類(lèi)分析，識(shí)別出一系列能耗模式。YU 等[20]基于模式識(shí)別技術(shù)（使用聚類(lèi)分析），將影響建筑能耗的因素分為居住者因素和非居住者因素，提出了一種新的研究居住者行為對(duì)建筑能耗影響的方法。

使用模式識(shí)別的方式可以有效建立冷水機(jī)組系統(tǒng)的數(shù)學(xué)模型，可以與冷水機(jī)組系統(tǒng)的物理模型相互補(bǔ)充。目前，國(guó)內(nèi)外基于數(shù)據(jù)挖掘方法對(duì)冷水機(jī)組的研究主要集中在對(duì)冷水機(jī)組能耗進(jìn)行預(yù)測(cè)，無(wú)法給出相關(guān)的節(jié)能策略。模式識(shí)別技術(shù)主要用于建筑節(jié)能分析領(lǐng)域，較少涉及冷水機(jī)組系統(tǒng)的節(jié)能運(yùn)行策略研究。本文將模式識(shí)別技術(shù)用于某工程項(xiàng)目的冷水機(jī)組實(shí)際運(yùn)行數(shù)據(jù)，提出針對(duì)該冷水機(jī)組系統(tǒng)的節(jié)能策略。

1 研究方法

本文使用了BP 神經(jīng)網(wǎng)絡(luò)補(bǔ)全數(shù)據(jù)中的缺失值。BP 神經(jīng)網(wǎng)絡(luò)是有監(jiān)督學(xué)習(xí)算法[21]，是一種按照誤差反向傳播訓(xùn)練的多層前向神經(jīng)網(wǎng)絡(luò)[22]。包括1 個(gè)輸入層，1 個(gè)輸出層以及1 個(gè)或多個(gè)隱含層。它使用梯度下降算法[23]，不斷調(diào)整參數(shù)，使網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的均方差（Mean Square Error，MSE）為最小[24]。

k-Means 是一種原型聚類(lèi)[25]，是本文的主要研究方法。k-Means 要完成k-Means 聚類(lèi)，必須先確定k的最優(yōu)數(shù)目。本研究使用內(nèi)部指標(biāo)確定k數(shù)目的指標(biāo)，主要有輪廓系數(shù)（Silhouette Coefficient）、DB（Davies-Boulding）指數(shù)、Dunn 指數(shù)和CH（Calinski-Harabaz）指數(shù)。輪廓系數(shù)、Dunn 指數(shù)和CH 指數(shù)越高，DB 指數(shù)越低，說(shuō)明聚類(lèi)結(jié)果越好。

本文采用熵權(quán)法確定了用戶(hù)行為數(shù)據(jù)的權(quán)重；使用灰色關(guān)聯(lián)分析法，求出各個(gè)天氣變量與能耗指標(biāo)的關(guān)聯(lián)系數(shù)，然后將系數(shù)進(jìn)行排序，取與能耗指標(biāo)關(guān)聯(lián)度較大的天氣變量，進(jìn)行后續(xù)的分析研究。

2 系統(tǒng)簡(jiǎn)介

2.1 數(shù)據(jù)采集

本研究所使用的數(shù)據(jù)分為兩部分。一部分來(lái)自南京某酒店冷水機(jī)組的實(shí)際運(yùn)行數(shù)據(jù)，包括數(shù)值型數(shù)據(jù)和狀態(tài)型數(shù)據(jù)兩部分（這兩個(gè)數(shù)據(jù)是每30 s 記錄一次）。該建筑的空調(diào)系統(tǒng)的冷熱源設(shè)備是水冷磁懸浮機(jī)組，機(jī)組系統(tǒng)原理如圖1所示。

圖1 機(jī)組系統(tǒng)原理

數(shù)據(jù)為連續(xù)采集和記錄，采樣周期為30 s，機(jī)組布置的傳感器都位于機(jī)組內(nèi)部，主要用于檢測(cè)機(jī)組狀態(tài)，用于實(shí)現(xiàn)機(jī)組的自動(dòng)控制和故障自檢。傳感器主要包括壓力傳感器、溫度傳感器、電壓變送器和電流變送器。機(jī)組主要的采集數(shù)據(jù)都是設(shè)備運(yùn)行參數(shù)，不采集環(huán)境溫濕度和室內(nèi)PM2.5濃度等。數(shù)值數(shù)據(jù)是通過(guò)傳感器讀取或者通過(guò)傳感器讀取數(shù)據(jù)計(jì)算轉(zhuǎn)換后的數(shù)據(jù)參數(shù)，為連續(xù)數(shù)值型數(shù)據(jù)。狀態(tài)數(shù)據(jù)是用于顯示設(shè)備或者傳感器的當(dāng)前狀態(tài)，主要顯示“是”（在數(shù)據(jù)中值為1）或者“否”（在數(shù)據(jù)中值為0）的數(shù)據(jù)類(lèi)型。另外一部分?jǐn)?shù)據(jù)通過(guò)調(diào)用R 語(yǔ)言worldmet 程序包，獲取距離該建筑最近的機(jī)場(chǎng)的天氣數(shù)據(jù)（該數(shù)據(jù)是每小時(shí)記錄一次）。

2.2 數(shù)據(jù)篩選及預(yù)處理

將數(shù)據(jù)分成了兩類(lèi)來(lái)進(jìn)行分析。第一類(lèi)是和酒店居住者以及管理者（即用戶(hù)）有關(guān)的數(shù)據(jù)，即用戶(hù)能直接控制和影響的變量，稱(chēng)之為用戶(hù)行為數(shù)據(jù)。第二類(lèi)是與用戶(hù)行為無(wú)關(guān)的數(shù)據(jù)，即用戶(hù)的行為無(wú)法改變的數(shù)據(jù)，天氣數(shù)據(jù)屬于這一類(lèi)。

2.2.1 空調(diào)系統(tǒng)用戶(hù)行為數(shù)據(jù)篩選

系統(tǒng)運(yùn)行數(shù)據(jù)的篩選步驟：由于運(yùn)行數(shù)據(jù)中有很多變量的數(shù)據(jù)在整個(gè)時(shí)間段里面均不變，找到這些變量并剔除。方法是計(jì)算所有變量的數(shù)據(jù)的方差，方差為0 的變量說(shuō)明是不變的，即為無(wú)效值。在留下的變量中選擇出可以作為用戶(hù)行為的變量。

在數(shù)值型數(shù)據(jù)中，選擇以下變量：1）制冷時(shí)蒸發(fā)器側(cè)出水溫度設(shè)定；2）壓縮機(jī)#1 和壓縮機(jī)#2 的轉(zhuǎn)速；3）能耗指標(biāo)，原始數(shù)據(jù)中沒(méi)有直接提供能耗值，但由于能耗指標(biāo)與蒸發(fā)器進(jìn)出口溫度差成正線性相關(guān)關(guān)系，因此把蒸發(fā)器進(jìn)出口溫度差作為系統(tǒng)能耗指標(biāo)。

圖2所示為12 d 里能耗值和1#、2#壓縮機(jī)開(kāi)啟狀態(tài)的線圖。由圖2 可知，變量“1#壓機(jī)開(kāi)”具有時(shí)間上的周期性，且與能耗值有很強(qiáng)的關(guān)聯(lián)。因此，把變量“1#壓機(jī)開(kāi)”加入到用戶(hù)行為變量中。

圖2 能耗值與機(jī)開(kāi)啟狀態(tài)關(guān)系

2.2.2 空調(diào)系統(tǒng)能耗值預(yù)處理

能耗值的預(yù)處理包括以下兩方面：1）在能耗值原始數(shù)據(jù)中，出現(xiàn)了很多小于0 的數(shù)據(jù)，認(rèn)為是異常值，將該變量小于0 的數(shù)據(jù)點(diǎn)的值設(shè)為0；2）該數(shù)據(jù)在12 d 中，有5 次突升突降，均只持續(xù)幾分鐘，而一般能耗值較高的運(yùn)行狀態(tài)會(huì)持續(xù)一個(gè)小時(shí)以上。9月1日全天的能耗如圖3(a)所示，12～13 h出現(xiàn)了兩次突升突降的情況，如圖3(b)所示。另外有3 次異常，分別在第5 d（1 次）、第12d（2 次），此處不再贅述。

由圖3 可知，由于1#壓縮機(jī)突然開(kāi)啟了一段時(shí)間，因此能耗會(huì)突增。幾分鐘后1#壓縮機(jī)又關(guān)閉了，能耗發(fā)生突降。原因可能是酒店管理人員的操作失誤造成，因此將這5 段數(shù)據(jù)作為異常值。

圖3 能耗異常

異常能耗的處理方式，首先通過(guò)其他正常數(shù)據(jù)的天氣數(shù)據(jù)和小時(shí)數(shù)作為訓(xùn)練數(shù)據(jù)使用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)補(bǔ)全。這里的訓(xùn)練數(shù)據(jù)是34,491 個(gè)數(shù)據(jù)除去那些異常數(shù)據(jù)后所剩下的數(shù)據(jù)，預(yù)測(cè)變量是天氣值和小時(shí)數(shù)，目標(biāo)變量是能耗值。訓(xùn)練好BP 神經(jīng)網(wǎng)絡(luò)模型后，向模型中輸入異常數(shù)據(jù)對(duì)應(yīng)的預(yù)測(cè)變量，即可得到能耗值來(lái)代替原異常數(shù)據(jù)的能耗值。選取9月1日出現(xiàn)異常的兩處數(shù)據(jù)，畫(huà)出其處理前后的能耗值，如圖4所示。由圖4 可知，異常能耗的預(yù)測(cè)值大幅下降，較為合理。

圖4 能耗異常值處理結(jié)果

同時(shí)，這5 段的1#壓縮機(jī)開(kāi)啟狀態(tài)從開(kāi)啟改成關(guān)閉。因?yàn)檫@5 處異常都是1#壓縮機(jī)突然開(kāi)啟后再突然關(guān)閉引起的，2#壓縮機(jī)在此期間都是恒定的狀態(tài)，因此只修改1#壓縮機(jī)的開(kāi)啟狀態(tài)。在能耗異常值處理結(jié)果圖中也可知曉。

2.2.3 天氣變量篩選

刪除一些變量缺失的樣本數(shù)過(guò)多的變量，使用線性插值補(bǔ)全其它有缺失值的變量。對(duì)補(bǔ)全缺失值之后的數(shù)據(jù)進(jìn)行灰色關(guān)聯(lián)分析。參考變量為天氣數(shù)據(jù)，比較變量為能耗指標(biāo)。由于能耗數(shù)據(jù)由34,491個(gè)（每30 s 記錄一次），而天氣數(shù)據(jù)只有288 個(gè)（每小時(shí)記錄一次），因此將能耗數(shù)據(jù)每小時(shí)的平均值作為該小時(shí)的能耗量。結(jié)果見(jiàn)表1，由表可知，風(fēng)速（ws）、氣溫（air_temp）、相對(duì)濕度（RH）這3 個(gè)變量與能耗的關(guān)聯(lián)系數(shù)較大，因此，選擇這3個(gè)變量進(jìn)行后續(xù)的分析。

表1 天氣數(shù)據(jù)灰色關(guān)聯(lián)分析結(jié)果

3 空調(diào)系統(tǒng)數(shù)據(jù)分析

3.1 對(duì)空調(diào)系統(tǒng)非用戶(hù)行為變量進(jìn)行聚類(lèi)分析

進(jìn)行聚類(lèi)的變量為風(fēng)速、氣溫和相對(duì)濕度。在聚類(lèi)前這3 個(gè)變量均歸一化到[0,1]。嘗試不同的類(lèi)數(shù)k∈[2,20]之間，在每一種k的取值下，進(jìn)行聚類(lèi)求得4 個(gè)內(nèi)部指標(biāo)的值，由于平方誤差和（Sum Square Error，SSE）、Dunn 指數(shù)和CH 指數(shù)值較大，為了能和輪廓系數(shù)、DB 指數(shù)在相近范圍內(nèi)顯示，故將其歸一化到[0,1]。圖5所示為不同聚類(lèi)數(shù)的內(nèi)部指標(biāo)。使用開(kāi)源的 R 語(yǔ)言數(shù)學(xué)分析程序NbClust[41]。該開(kāi)源程序提供了眾多不同的指標(biāo)來(lái)確定在一個(gè)聚類(lèi)分析的類(lèi)的最佳數(shù)目。它返回每一個(gè)聚類(lèi)指數(shù)贊同的聚類(lèi)數(shù)，結(jié)果如圖6所示。擁有推薦指標(biāo)數(shù)越多說(shuō)明取該聚類(lèi)數(shù)進(jìn)行聚類(lèi)的效果最好。綜上所述，指標(biāo)推薦數(shù)最多的聚類(lèi)數(shù)是6，并且，在k=6 時(shí)，輪廓系數(shù)、Dunn 指數(shù)和CH 指數(shù)較高，DB 指數(shù)較低。故選擇k=6 作為聚類(lèi)數(shù)目。表2所示為每個(gè)聚類(lèi)的一些變量的平均值，除了這3 個(gè)參與聚類(lèi)的變量，還包括了每個(gè)數(shù)據(jù)點(diǎn)的6 個(gè)用戶(hù)行為變量，以及每個(gè)聚類(lèi)占有的數(shù)據(jù)量和相對(duì)總數(shù)據(jù)量的比例。除了數(shù)據(jù)量和數(shù)據(jù)量占比，其他的變量都已歸一化到[0,1]，因此可以忽略單位。該結(jié)果可用于挖掘出聚類(lèi)的一些特征。如在聚類(lèi)1 中，與其他聚類(lèi)相比，風(fēng)速最低、氣溫較低、相對(duì)濕度較高，1 號(hào)壓縮機(jī)的開(kāi)啟狀態(tài)接近平均水平，有32%的數(shù)據(jù)點(diǎn)，其1 號(hào)壓縮機(jī)處于開(kāi)啟狀態(tài)，2 號(hào)壓縮機(jī)的開(kāi)啟狀態(tài)接近平均水平，有96%的數(shù)據(jù)點(diǎn)處于開(kāi)啟狀態(tài)，能耗接近平均值，其占有數(shù)據(jù)量為9,311個(gè)數(shù)據(jù)。其他聚類(lèi)的分析與之類(lèi)似。

圖6 每一種聚類(lèi)的指標(biāo)贊同數(shù)

表2 每個(gè)聚類(lèi)中心點(diǎn)的變量值

圖5 不同聚類(lèi)數(shù)的內(nèi)部指標(biāo)

3.2 空調(diào)系統(tǒng)變量相關(guān)性分析

在完成聚類(lèi)后，取每個(gè)聚類(lèi)內(nèi)各個(gè)變量的平均值，如表2所示。以每個(gè)聚類(lèi)內(nèi)各個(gè)變量的平均值為數(shù)據(jù)，計(jì)算各個(gè)變量間的Pearson 相關(guān)性系數(shù)，其結(jié)果如圖9所示。由圖9 可知，溫度與壓縮機(jī)的開(kāi)啟狀態(tài)之間的相關(guān)性與風(fēng)速和相對(duì)濕度（RH）的相關(guān)性相比要略低一些，說(shuō)明溫度對(duì)壓縮機(jī)開(kāi)啟狀態(tài)的影響比風(fēng)速和相對(duì)濕度要小，雖然在直觀印象中溫度的影響最大。此外，溫度設(shè)定與天氣以及能耗的相關(guān)性系數(shù)很低，說(shuō)明酒店的用戶(hù)很少隨天氣變化而調(diào)整制冷系統(tǒng)溫度的設(shè)定。因此，用戶(hù)應(yīng)該隨天氣變化適當(dāng)調(diào)整溫度設(shè)定，使系統(tǒng)更加節(jié)能。能耗與1#壓縮機(jī)開(kāi)啟狀態(tài)之間的相關(guān)性系數(shù)是0.99，而與2#壓縮機(jī)開(kāi)啟狀態(tài)之間的相關(guān)性系數(shù)是0.36，說(shuō)明能耗主要是由1#壓縮機(jī)的開(kāi)啟狀態(tài)所影響的。因此相對(duì)于2#壓縮機(jī)，要更多考慮1#壓縮機(jī)的運(yùn)行策略的節(jié)能措施，比如尋找更優(yōu)的系統(tǒng)運(yùn)行控制策略，合理安排1#壓縮機(jī)的運(yùn)行。

圖9 變量間相關(guān)性系數(shù)

3.3 空調(diào)系統(tǒng)用戶(hù)行為變量節(jié)能潛力分析

首先對(duì)用戶(hù)行為數(shù)據(jù)通過(guò)熵權(quán)法確定每個(gè)用戶(hù)行為變量的權(quán)重，結(jié)果如表4所示。將已求得的每個(gè)聚類(lèi)的用戶(hù)行為數(shù)據(jù)的平均值，乘以在每個(gè)用戶(hù)行為數(shù)據(jù)的權(quán)重，得到一個(gè)加權(quán)平均值，把這個(gè)值作為該聚類(lèi)的用戶(hù)行為指標(biāo)，或者稱(chēng)之為該聚類(lèi)內(nèi)用戶(hù)行為數(shù)據(jù)的綜合得分。結(jié)果如表5所示。

表4 用戶(hù)行為變量的權(quán)重

由表5 可得出6 個(gè)聚類(lèi)的能耗得分，進(jìn)而可以得出一個(gè)綜合能耗評(píng)價(jià)值的排序，即能耗評(píng)價(jià)從低到高分別為聚類(lèi)3、聚類(lèi)6、聚類(lèi)2、聚類(lèi)1、聚類(lèi)5 和聚類(lèi)4。

表5 各個(gè)聚類(lèi)內(nèi)用戶(hù)行為數(shù)據(jù)的綜合得分

將每個(gè)聚類(lèi)內(nèi)的每個(gè)用戶(hù)行為數(shù)據(jù)通過(guò)該聚類(lèi)內(nèi)用戶(hù)行為數(shù)據(jù)的綜合得分進(jìn)行均值歸一化（即所有數(shù)據(jù)都除以各自聚類(lèi)對(duì)應(yīng)的用戶(hù)行為數(shù)據(jù)綜合得分），并畫(huà)出箱線圖，結(jié)果如圖10所示。圖中的橫坐標(biāo)標(biāo)簽v1～v6 分別表示1#壓機(jī)開(kāi)啟狀態(tài)、2#壓機(jī)開(kāi)啟狀態(tài)、1#壓縮機(jī)轉(zhuǎn)速、2#壓縮機(jī)轉(zhuǎn)速、溫度設(shè)定和能耗指標(biāo)。

圖10 用戶(hù)行為數(shù)據(jù)箱線

每個(gè)聚類(lèi)內(nèi)用戶(hù)行為數(shù)據(jù)與該聚類(lèi)的綜合得分間比值的波動(dòng)范圍大概在0～6，因此認(rèn)為比值在0～3 的波動(dòng)是不明顯的波動(dòng)，明顯波動(dòng)與不明顯波動(dòng)間的閾值設(shè)為3。由圖10 可知，閾值大致將聚類(lèi)分成兩部分，聚類(lèi)2、聚類(lèi)3 和聚類(lèi)6 各個(gè)數(shù)據(jù)值較高，聚類(lèi)1、聚類(lèi)4 和聚類(lèi)5 各個(gè)數(shù)據(jù)值較低。對(duì)于開(kāi)啟狀態(tài)和轉(zhuǎn)速這兩個(gè)具體變量而言，1#壓縮機(jī)均比2#壓縮機(jī)分布地更離散。一個(gè)系統(tǒng)運(yùn)行狀態(tài)越離散，說(shuō)明該系統(tǒng)運(yùn)行越?jīng)]有規(guī)律，原因可能是受到過(guò)多人為控制干預(yù)。而人為控制時(shí)，對(duì)環(huán)境狀態(tài)的反應(yīng)總是滯后的，比如當(dāng)溫度上升，或風(fēng)速下降，或相對(duì)濕度上升的時(shí)候，用戶(hù)打開(kāi)空調(diào)的需求增加，需求增加后才打開(kāi)空調(diào)，用戶(hù)的反應(yīng)是滯后的；同樣，當(dāng)以上3 種天氣量向與剛才相反的方向變化的時(shí)候，用戶(hù)開(kāi)啟空調(diào)的需求是減小的，需求減小后才關(guān)閉空調(diào)，反應(yīng)同樣是滯后的。前者會(huì)影響用戶(hù)的熱舒適性，后者造成能源浪費(fèi)，無(wú)法兼具熱舒適性和節(jié)能。因此，一個(gè)系統(tǒng)運(yùn)行狀態(tài)越離散，說(shuō)明該系統(tǒng)有更高的潛力去采取措施達(dá)到節(jié)能的目的。因此，1#壓縮機(jī)的運(yùn)行狀態(tài)的分布比2#壓縮機(jī)的運(yùn)行狀態(tài)分布更加離散，1#壓縮機(jī)上有更高的潛力去采取措施達(dá)到節(jié)能的目的。

3.4 空調(diào)系統(tǒng)聚類(lèi)節(jié)能潛力分析

為了評(píng)估每個(gè)聚類(lèi)的節(jié)能潛力，首先定義每個(gè)聚類(lèi)內(nèi)的參考運(yùn)行狀態(tài)。已經(jīng)求得每個(gè)聚類(lèi)內(nèi)各個(gè)用戶(hù)行為數(shù)據(jù)的平均值，可得1 個(gè)6 維中心點(diǎn)（因?yàn)橛? 個(gè)用戶(hù)行為變量）。在每個(gè)聚類(lèi)內(nèi)，與中心點(diǎn)的歐幾里得距離最小的運(yùn)行點(diǎn)就是參考運(yùn)行點(diǎn)。

根據(jù)熵權(quán)法求得的權(quán)重，可以求得每個(gè)運(yùn)行點(diǎn)的綜合能耗評(píng)分，文中定義每個(gè)聚類(lèi)中綜合能耗評(píng)分最小的運(yùn)行點(diǎn)為該聚類(lèi)中的最小評(píng)分運(yùn)行點(diǎn)，定義每個(gè)聚類(lèi)中綜合能耗評(píng)分最大的運(yùn)行點(diǎn)為該聚類(lèi)中的最大評(píng)分運(yùn)行點(diǎn)。

因此本文定義了在每個(gè)聚類(lèi)內(nèi)的3 種特殊的運(yùn)行點(diǎn)：參考運(yùn)行點(diǎn)、最小能耗評(píng)分運(yùn)行點(diǎn)和最大能耗評(píng)分運(yùn)行點(diǎn)。這3 種特殊的運(yùn)行點(diǎn)的堆疊條形圖如圖11所示。圖中Ref 為參考運(yùn)行點(diǎn)，Min 和Max分別為最小能耗評(píng)分運(yùn)行點(diǎn)和最大能耗評(píng)分運(yùn)行點(diǎn)，縱坐標(biāo)是6 個(gè)聚類(lèi)的用戶(hù)行為數(shù)據(jù)值。

圖11 特殊運(yùn)行點(diǎn)用戶(hù)行為數(shù)據(jù)堆疊條形圖

文中將聚類(lèi)內(nèi)的參考運(yùn)行點(diǎn)作為一個(gè)基準(zhǔn)，可以求得每個(gè)聚類(lèi)內(nèi)最大能耗評(píng)分運(yùn)行點(diǎn)和參考運(yùn)行點(diǎn)間的用戶(hù)行為數(shù)據(jù)的差。兩者差越大，說(shuō)明該聚類(lèi)內(nèi)運(yùn)行點(diǎn)的節(jié)能潛力越大。因此將聚類(lèi)內(nèi)運(yùn)行點(diǎn)的節(jié)能潛力指標(biāo)定義為最大能耗評(píng)分運(yùn)行點(diǎn)和參考運(yùn)行點(diǎn)間的用戶(hù)行為數(shù)據(jù)的差。聚類(lèi)1 至聚類(lèi)6 的節(jié)能潛力指標(biāo)依次為2.70、2.91、2.86、2.69、2.82 和2.47。因此，節(jié)能潛力從小到大的排序是聚類(lèi)6、聚類(lèi)4、聚類(lèi)1、聚類(lèi)5、聚類(lèi)3 和聚類(lèi)2。

4 結(jié)論

本文使用模式識(shí)別的技術(shù)，利用某酒店冷水機(jī)組系統(tǒng)的實(shí)際運(yùn)行數(shù)據(jù)，分析了該系統(tǒng)可以采取的節(jié)能運(yùn)行策略，使用神經(jīng)網(wǎng)絡(luò)對(duì)能耗指標(biāo)異常值進(jìn)行處理，并對(duì)天氣數(shù)據(jù)進(jìn)行聚類(lèi)分析，將所有數(shù)據(jù)分到了6 個(gè)聚類(lèi)中，再對(duì)數(shù)據(jù)進(jìn)行相關(guān)性分析和節(jié)能潛力分析，得出如下結(jié)論：

1）溫度與1#、2#壓縮機(jī)開(kāi)啟狀態(tài)之間的相關(guān)性系數(shù)分別為-0.59、-0.42；而風(fēng)速和相對(duì)濕度與壓縮機(jī)開(kāi)啟狀態(tài)的相關(guān)性系數(shù)與之相比更高；說(shuō)明溫度對(duì)壓縮機(jī)開(kāi)啟狀態(tài)的影響比風(fēng)速和相對(duì)濕度要小，雖然在直觀印象中，溫度的影響似乎是最大的；溫度設(shè)定與3 個(gè)天氣變量的相關(guān)性分別為0.11、0.03和0.23，都非常低，說(shuō)明酒店的用戶(hù)很少隨天氣變化而調(diào)整制冷系統(tǒng)溫度的設(shè)定，為了使系統(tǒng)更加節(jié)能，用戶(hù)應(yīng)該隨天氣變化更恰當(dāng)?shù)卣{(diào)整溫度設(shè)定；

2）能耗與1#壓縮機(jī)開(kāi)啟狀態(tài)之間的相關(guān)性系數(shù)是0.99，而與2#壓縮機(jī)開(kāi)啟狀態(tài)之間的相關(guān)性系數(shù)是0.36，說(shuō)明能耗主要是由1#壓縮機(jī)的開(kāi)啟狀態(tài)所影響的，因此相對(duì)于2#壓縮機(jī)，要關(guān)注在1#壓縮機(jī)的運(yùn)行策略上考慮節(jié)能措施；

3）6 個(gè)聚類(lèi)的能耗評(píng)價(jià)從低到高分別為聚類(lèi)3、聚類(lèi)6、聚類(lèi)2、聚類(lèi)1、聚類(lèi)5 和聚類(lèi)4；根據(jù)對(duì)用戶(hù)行為數(shù)據(jù)的箱線圖分析可以得出，1#壓縮機(jī)的運(yùn)行狀態(tài)的分布比2#壓縮機(jī)的運(yùn)行狀態(tài)分布更離散，說(shuō)明1#壓縮機(jī)上有更高的潛力去采取措施達(dá)到節(jié)能的目的；6 個(gè)聚類(lèi)的節(jié)能潛力指標(biāo)，依次為2.70、2.91、2.86、2.69、2.82 和2.47。