商業(yè)建筑機電設備運行規(guī)律識別研究與實證

戴吉平 史晨

1 深圳達實智能股份有限公司

2 清遠市清城區(qū)住房和城鄉(xiāng)建設局

0 引言

隨著社會的發(fā)展，建筑機電系統(tǒng)設備量越來越大，在實際運行的過程中，存在諸多隱蔽性異常，設備的異常運行是困擾機電系統(tǒng)節(jié)能運行的主要問題。工程上通常是監(jiān)測逐時刻能耗數(shù)據(jù)，結合數(shù)據(jù)統(tǒng)計法去判斷找到異常。

現(xiàn)在信息化技術趨于成熟，建筑機電系統(tǒng)運行過程中積累的大量數(shù)據(jù)是設備運行經驗很好的載體，結合數(shù)據(jù)挖掘技術，可用于建筑機電系統(tǒng)的運行優(yōu)化工作[1-2]。數(shù)據(jù)挖掘的預測方法旨在通過相關性變量來預測其他變量的未知值或未知狀態(tài)。描述方法旨在找到挖掘數(shù)據(jù)中隱藏的有用的知識，例如關聯(lián)和聚類[3]。本文基于數(shù)據(jù)挖掘技術從實際數(shù)據(jù)中挖掘歷史用能規(guī)律，通過預測機電設備運行能耗來判斷實際能耗是否異常。

1 大數(shù)據(jù)分析流程

大數(shù)據(jù)分析過程包括三個步驟：數(shù)據(jù)預處理、數(shù)據(jù)挖掘、知識表達。由于原始數(shù)據(jù)中往往存在缺失、突變、不聯(lián)系等問題，數(shù)據(jù)預處理是數(shù)據(jù)分析工作的不可或缺的重要環(huán)節(jié)。數(shù)據(jù)挖掘是從數(shù)據(jù)中挖掘潛在有價值的信息，常用的分析方法有：顯著性分析檢驗、聚類和關聯(lián)分析、分類預測等。數(shù)據(jù)挖掘產生的大量信息數(shù)據(jù)，如何選擇、解析和利用知識來獲取隱藏價值，往往存在著困難和挑戰(zhàn)，需要利用知識表達(包括知識選擇和解釋) 對挖掘產生的知識信息進行分析，并將分析結果應用到策略挖掘、故障診斷和控制優(yōu)化等方面。典型大數(shù)據(jù)分析流程如圖1 所示。

圖1 大數(shù)據(jù)分析典型流程

建筑機電設備運行能耗診斷應用該數(shù)據(jù)分析流程涉及到的方法有：特征提取，聚類分析，Apriori 關聯(lián)規(guī)則，結合數(shù)據(jù)統(tǒng)計方法，展示了其應用效果。

2 基于數(shù)據(jù)挖掘技術的機電設備運行規(guī)律識別

使用數(shù)據(jù)挖掘技術的商業(yè)建筑機電設備運行能耗診斷的方法流程主要包括以下四個步驟：數(shù)據(jù)預處理、特征分析、DBSCAN 聚類分析、Apriori 關聯(lián)規(guī)則。數(shù)據(jù)預處理是提升數(shù)據(jù)質量是為了做后續(xù)數(shù)據(jù)分析的重要基礎工作；特征分析是正確聚類的基礎。基于室外環(huán)境數(shù)據(jù)、日期特征、聚類標簽應用關聯(lián)規(guī)則算法建立因子-結果對應的條件規(guī)則，獲取強關聯(lián)的條件規(guī)則，即識別的運行規(guī)律。

2.1 數(shù)據(jù)預處理

建筑機電系統(tǒng)運維平臺數(shù)據(jù)庫獲取的歷史日能耗數(shù)據(jù)有必要經過數(shù)據(jù)預處理，即去除空缺數(shù)據(jù)，去除突變數(shù)據(jù)，去除噪點數(shù)據(jù)，提升數(shù)據(jù)質量。為了保證能耗數(shù)據(jù)的可靠性及數(shù)據(jù)量，本文涉及到的預處理方法中突變數(shù)據(jù)可理解為：當前時刻點能耗值與前后時刻點能耗值都相差10 倍，或是當前時刻點能耗與前后時刻點能耗偏差值都大于額定值（額定值即逐時刻點能耗量所能達到的最大值）。同時需要考慮噪點日能耗曲線樣本的影響，取統(tǒng)計學方法置信度95%的能耗數(shù)據(jù)樣本。

基于統(tǒng)計學方法的機電設備日能耗數(shù)據(jù)預處理方法流程如圖2 所示。

圖2 日能耗數(shù)據(jù)樣本預處理流程

2.2 特征分析

機電設備的用能規(guī)律挖掘實質上是日能耗曲線的識別工作，選擇合適的曲線特征參數(shù)是正確聚類結果的基礎。根據(jù)機電設備的類型和日能耗曲線的分析結果，特征分析主要分兩個步驟：設備屬性的劃分，特征參數(shù)的選取。設備屬性的劃分本質上是區(qū)分照明、暖通、電梯、動力等類型的用電設備，可采用樣本差異系數(shù)進行區(qū)分。所謂差異系數(shù)就是以樣本標準差去除樣本平均數(shù)其計算公式為：

其中S為樣本標準差，M為樣本平均數(shù)，CV為樣本差異系數(shù)。差異系數(shù)大，則代表著其數(shù)據(jù)的差異程度大。

特征參數(shù)的選取本質上是依據(jù)運行能耗曲線的特征定義，本方法選擇開啟時間長度、開啟區(qū)間能耗均值、能耗方差。彈性設備特征選擇開啟時間長度、開啟區(qū)間能耗均值、能耗方差。剛性設備特征選擇開啟時間長度、開啟區(qū)間能耗均值。

圖3 日能耗數(shù)據(jù)樣本特征提取流程

2.3 DBSCAN 聚類分析和Apriori 關聯(lián)規(guī)則挖掘

基于 DBSCAN 聚類算法的一些優(yōu)勢，即不需要指定簇的個數(shù)；可以對任意形狀的稠密數(shù)據(jù)集進行聚類，相對的K-Means 等相關的聚類算法一般只適用于凸數(shù)據(jù)集；擅長找到離群點。只需要輸入兩個模型參數(shù)即可。本文采用 DBSCAN 聚類對設備運行日能耗曲線進行類別的聚類分析。對設備的運行能耗數(shù)據(jù)進行基于數(shù)據(jù)聚類的挖掘分析，對帶有分類標簽的日能耗數(shù)據(jù)，室外環(huán)境數(shù)據(jù)分類標簽，日期特征數(shù)據(jù)即月份、是否節(jié)假日、是否工作日進行 Apriori 關聯(lián)規(guī)則的學習訓練，預測未來日能耗曲線類別，即日能耗范圍。

圖4 基于數(shù)據(jù)挖掘技術識別設備運行規(guī)律的方法流程

從室外環(huán)境角度考慮，影響機電設備運行模式的驅動因素主要有室外溫度、室外相對濕度、降水量 3 個因素，從時間角度考慮主要驅動因素有工作日、節(jié)假日、月份3 個因素。本文采用最大信息系數(shù)(MIC）方法用來檢測以上影響因素與對應聚類標簽相關性進行不確定性度量。

3 大型商業(yè)建筑機電設備運行規(guī)律識別方法驗證

本次案例數(shù)據(jù)來源于某商業(yè)集團公司運行監(jiān)測平臺中的暖通、照明、電梯、動力等分項設備的能耗數(shù)據(jù)，獲取到不同氣候區(qū)共 12 個大型商業(yè)建筑，其2019年的逐15 分鐘的日能耗數(shù)據(jù)，經過必要的數(shù)據(jù)預處理，即空缺值處理，突變數(shù)據(jù)處理，取置信度 95%數(shù)據(jù)作為本次數(shù)據(jù)分析的基準數(shù)據(jù)。

將帶有聚類標簽的 2019 年能耗數(shù)據(jù)樣本集采用隨機拆分方法拆為80%訓練集和 20%測試集，測試集應用關聯(lián)規(guī)則根據(jù)室外環(huán)境因子和日期特征因子得到預測的聚類標簽。同時為了分析強關聯(lián)規(guī)則和一般關聯(lián)規(guī)則對識別結果的影響，本次將置信度大于0.8，支持度大于0.1 的規(guī)則定義為強關聯(lián)規(guī)則；置信度大于0.5，支持度大于0.1 的規(guī)則定義為一般關聯(lián)規(guī)則。

一般情況下測試集采用關聯(lián)規(guī)則進行預測，一定程度上會出現(xiàn)測試集因子找不到規(guī)則，匹配不到結果，該情況下沒法預測。因此可定義兩個指標進行評價：即準確度和測試集匹配率。準確度即預測準確的樣本數(shù)除以能夠預測到的樣本數(shù)，匹配率即能夠匹配到的樣本數(shù)除以測試集樣本總數(shù)。

圖5、6 表示該識別方法不同關聯(lián)規(guī)則結果對測試驗證結果對比情況，從結果可以看出：

圖5 一般關聯(lián)規(guī)則識別驗證結果

1）一般關聯(lián)規(guī)則識別方法建筑機電各分項設備準確率平均為0.91，匹配率平均為0.95，其中空調箱預測的準確率低，主要是因為空調箱運行規(guī)律不明顯；制熱主機、停車場消防通風、生活水泵、送排風機、室內公用照明、景觀照明、停車場照明、直梯、扶梯預測的準確率高，因為其屬于剛性設備，其運行規(guī)律單一。

2）強關聯(lián)規(guī)則識別方法建筑機電各分項設備準確率平均為0.95，匹配率平均為0.82，同上空調箱預測結果最低，剛性分項預測結果最高。

3）綜合分析可知，基于數(shù)據(jù)挖掘技術識別設備運行規(guī)律的方法識別結果較好。強關聯(lián)規(guī)則準確度更高，但是其匹配率會降低，出現(xiàn)無法預測的結果。

圖6 強關聯(lián)規(guī)則識別驗證結果

4 結論

本文從不同類型的大型商業(yè)建筑機電系統(tǒng)實際運行數(shù)據(jù)出發(fā)，分析了強關聯(lián)規(guī)則和一般關聯(lián)規(guī)則識別設備運行規(guī)律方法的準備度和匹配度，得到以下結論，驗證了該數(shù)據(jù)挖掘方法的可行性。

1）采用強關聯(lián)規(guī)則方法，即置信度大于 0.80 下識別設備的運行規(guī)律準確度達到0.95，預測規(guī)律準確度高。但匹配率只有0.82，也就是說設備歷史運行規(guī)律顯著的樣本不足，對于那一部分樣本是無法匹配到歷史運行規(guī)律的。

2）采用一般關聯(lián)規(guī)則方法，即置信度大于 0.50 下識別設備的運行規(guī)律準確度為0.91，預測準確度下降，但是其匹配率高達0.95。也就是說，設備歷史運行規(guī)律不那么顯著情況下去識別，相對預測的準確度是下降的，但是大部分樣本能夠在歷史運行中找到運行規(guī)律。

3）數(shù)據(jù)挖掘技術在機電設備運行規(guī)律識別當中具有高的識別精度，但是預測精度還依賴于關聯(lián)規(guī)則算法的閾值設定。強關聯(lián)規(guī)則即置信度要求大于0.80情況下，適用于運行規(guī)律單一或顯著的機電設備，如制熱主機、停車場消防通風、生活水泵、送排風機、室內公用照明、景觀照明、停車場照明、直梯、扶梯等。一般關聯(lián)規(guī)則即置信度要求大于 0.50 情況下，適用于空調箱等運行規(guī)律不顯著的機電設備，或是歷史數(shù)據(jù)不足的機電設備。