數(shù)據(jù)挖掘在大型文化綜合體運(yùn)行能耗模式中的應(yīng)用

1

背景智能建筑是集現(xiàn)代科學(xué)技術(shù)之大成的產(chǎn)物，是一個(gè)國(guó)家綜合國(guó)力和科技水平的具體表現(xiàn)之一。數(shù)據(jù)挖掘(DataMining，簡(jiǎn)稱“DM”)是一項(xiàng)備受矚目的新興科技，被譽(yù)為大數(shù)據(jù)處理的骨干技術(shù)，集人工智能?機(jī)器學(xué)習(xí)?數(shù)據(jù)可視化和統(tǒng)計(jì)數(shù)學(xué)于一體的多學(xué)科產(chǎn)物。雖然DM技術(shù)已經(jīng)在建筑領(lǐng)域中使用，但是之前的研究很少充分利用DM技術(shù)來發(fā)現(xiàn)海量數(shù)據(jù)集，且很少對(duì)建筑智能化系統(tǒng)的運(yùn)行數(shù)據(jù)進(jìn)行挖掘分析。使用DM技術(shù)挖掘建筑運(yùn)行數(shù)據(jù)庫(kù)缺乏通用方法，因此本文提出一種適用于使用典型DM技術(shù)挖掘建筑運(yùn)行能耗數(shù)據(jù)的運(yùn)行模式。2

建筑及數(shù)據(jù)2.1文化綜合體描述

某大型文化綜合體一期項(xiàng)目主要為市民服務(wù)的公共活動(dòng)中心，規(guī)劃總用地面積約為12ha，總建筑面積31.2萬(wàn)m2，綠色二星建筑群。一期項(xiàng)目建設(shè)內(nèi)容共有“五館一廓”六個(gè)單體，包含“一個(gè)長(zhǎng)廊”(即文化長(zhǎng)廊)及“五個(gè)場(chǎng)館”(即演藝中心?圖書館?科技館?美術(shù)館?市民活動(dòng)中心)。其中，文化長(zhǎng)廊作為整個(gè)項(xiàng)目的核心空間，統(tǒng)籌銜接五個(gè)文化場(chǎng)館，實(shí)現(xiàn)功能的有效互補(bǔ)，形成多元復(fù)合的空間布局，成為一個(gè)文化綜合體，一期效果圖如圖1所示。圖1某文化綜合體效果圖本項(xiàng)目各個(gè)單體均為綠色建筑，各個(gè)單體內(nèi)智能化系統(tǒng)較多，主要有安全防范?出入口?建筑設(shè)備監(jiān)控?客流量分析?智能照明?能耗監(jiān)測(cè)?ATSE監(jiān)測(cè)管理?停車?光伏等系統(tǒng)，如圖2所示。2.2數(shù)據(jù)來源及描述

某文化綜合體的數(shù)據(jù)來源于五館一廊及管控中心的智慧集成平臺(tái)，包括運(yùn)維管理平臺(tái)和能源管理平臺(tái)。運(yùn)維管理平臺(tái)數(shù)據(jù)主要為眾多智能化子系統(tǒng)設(shè)備運(yùn)行情況數(shù)據(jù)等。其中運(yùn)維管理平臺(tái)的數(shù)據(jù)來源主要各單體的的智能照明?建筑設(shè)備?客流量分析?視頻監(jiān)控等智能化系統(tǒng)，能源管理平臺(tái)數(shù)據(jù)來源主要包括各單體中的電表?水表及冷熱量表數(shù)據(jù)。3

數(shù)據(jù)清洗方法數(shù)據(jù)的分析是建立在數(shù)據(jù)正確的基礎(chǔ)之上。然而，建筑物中各個(gè)系統(tǒng)數(shù)據(jù)采集系統(tǒng)中的測(cè)量?記錄?轉(zhuǎn)換?傳輸過程的任一環(huán)節(jié)的故障都會(huì)導(dǎo)致數(shù)據(jù)的缺失或異常；另一方面，當(dāng)數(shù)據(jù)采集系統(tǒng)正常，由于特殊事件(如線路檢修?消防演習(xí)等)引起各個(gè)系統(tǒng)的異常變化，也會(huì)導(dǎo)致數(shù)據(jù)異常。如果這些異常數(shù)據(jù)得不到有效的判斷和校正，它們將以偽信息?偽變化的規(guī)律提供給綠色建筑的數(shù)據(jù)分析系統(tǒng)作為參考，進(jìn)而導(dǎo)致錯(cuò)誤的決策。其中能耗數(shù)據(jù)以有功電能為主，考慮到研究對(duì)象為綠色建筑，多有能耗監(jiān)測(cè)平臺(tái)或智能系統(tǒng)集成平臺(tái)，數(shù)據(jù)中異常值較少，且多為維修停電導(dǎo)致數(shù)據(jù)為空值或0值。針對(duì)能耗系統(tǒng)表計(jì)數(shù)據(jù)非減的特點(diǎn)，經(jīng)對(duì)比分析各種算法的優(yōu)缺點(diǎn)，采用單調(diào)序列邏輯檢測(cè)算法進(jìn)行異常值的檢測(cè)，并采用均值插補(bǔ)法進(jìn)行異常數(shù)據(jù)處理。

3.1異常值檢測(cè)算法

有些變量呈現(xiàn)一種非遞減或者非遞增的趨勢(shì)。如電表的表底值就呈現(xiàn)一種非遞減的趨勢(shì)。以呈現(xiàn)非遞減趨勢(shì)的時(shí)間序列變量為例，設(shè)xt為非遞減的時(shí)間序列變量，新監(jiān)測(cè)數(shù)據(jù)xt+1滿足xt+1-xt=λ?0時(shí)，為非異常數(shù)據(jù)。然而，由于隨機(jī)誤差的影響，λ可能會(huì)出現(xiàn)在一定范圍內(nèi)小于0的情況，即σ<λ<0也是正常的，當(dāng)λ<σ時(shí)可直接將xt+1判為異常數(shù)據(jù)。根據(jù)概率論的知識(shí)，長(zhǎng)時(shí)間連續(xù)出現(xiàn)小于0的情況也是異常的，設(shè)置連續(xù)次數(shù)上限k，若出現(xiàn)連續(xù)k次小于0的情況，則數(shù)據(jù)異常。圖3為單調(diào)序列邏輯檢測(cè)法的流程圖。3.2異常值處理

采用均值插補(bǔ)法對(duì)異常數(shù)據(jù)進(jìn)行處理。均值插補(bǔ)，顧名思義就是用調(diào)查項(xiàng)中有回答單元的均值替代無回答的缺失值。均值插補(bǔ)法就是分別計(jì)算各目標(biāo)變量中回答單元的均值，然后把各組均值分別作為各變量所有缺失項(xiàng)的插補(bǔ)值，插補(bǔ)值的計(jì)算如下：

式中，αi為示性變量，αi=1是有回答，αi=0是無回答；n1為回答單元數(shù)。此時(shí)總體的均值估計(jì)為:

插補(bǔ)后的樣本方差為：

式中，n1為回答單元數(shù)，s21是回答單元的樣本方差。4

聚類算法聚類分析(ClusterAnalysis)是根據(jù)事物本身的特性研究個(gè)體分類的方法。根據(jù)分類對(duì)象不同分為樣品聚類和變量聚類。變量聚類在統(tǒng)計(jì)學(xué)中又稱為R型聚類，常用相似系數(shù)來測(cè)量變量之間的親疏程度，在實(shí)際中有著廣泛的應(yīng)用，一方面，通過變量聚類可以發(fā)現(xiàn)某些變量之間的一些共性，以有利于分析問題和解決問題；另一方面，變量聚類也可以作為某些數(shù)據(jù)分析的中間過程。變量聚類的算法一般從相似系數(shù)矩陣出發(fā)，關(guān)于變量的譜系聚類過程與從距離矩陣出發(fā)，關(guān)于樣品的譜系聚類過程類似，只是由于相似系數(shù)越大，表明變量之間越相似，因此，每次應(yīng)選取相似矩陣或更新的相似矩陣中主對(duì)角線以外的最大元素所對(duì)應(yīng)的兩個(gè)變量或兩個(gè)類合并。具體求解方法步驟如下文所示。

假設(shè)對(duì)p個(gè)變量X1，X2，…Xp各觀測(cè)了n次，觀測(cè)向量為x(j)=（x1j，x2j，…，xnj)T(j=1，2，…，p)。

變量的觀測(cè)向量x(i)與x(j)間的相似性可以用相似系數(shù)度量。

設(shè)x(i)=(x1i，x2i，…，xni)T，x(j)=(x1j，x2j，…，xnj)T，則x(i)與x(j)的相似系數(shù)為：顯然|rij|?1，rij=rji且rii=1。若將x(i)和x(j)看做n維空間中的兩個(gè)向量，則rij是它們的余弦夾角。變量觀測(cè)向量x(1)，x(2)，…，x(p)兩兩間的相似系數(shù)構(gòu)成相似系數(shù)矩陣為：顯然，對(duì)于標(biāo)準(zhǔn)化數(shù)據(jù)，R即原觀測(cè)數(shù)據(jù)的相關(guān)系數(shù)矩陣，這時(shí)，|rij|的大小反應(yīng)了兩個(gè)變量Xi與Xj線性關(guān)系的強(qiáng)弱。

再求距離矩陣D，D=(dij)p×p，再?gòu)腄出發(fā)按照樣品的譜系聚類法對(duì)變量聚類。通常的變換有dij=1-rij或dij=1-r2ij(i，j=1，2，…，p)。

若R為相關(guān)系數(shù)矩陣，以變量的線性關(guān)系強(qiáng)弱作為相似性度量，這時(shí)可令dij=1-|rij|(i，j=1，2，…，p)。

通過求得變量之間的線性關(guān)系強(qiáng)弱即可實(shí)現(xiàn)變量之間類別之間的區(qū)分。5

文化綜合體的數(shù)據(jù)分析與應(yīng)用5.1數(shù)據(jù)清洗

數(shù)據(jù)的分析是建立在數(shù)據(jù)正確的基礎(chǔ)之上的。然而，數(shù)據(jù)的異常會(huì)直接導(dǎo)致數(shù)據(jù)分析無法了解系統(tǒng)真實(shí)的運(yùn)行狀態(tài)，甚至造成對(duì)系統(tǒng)運(yùn)行的錯(cuò)誤評(píng)估。限于篇幅問題，本文舉例對(duì)文化綜合體中圖書館的照明插座用電量進(jìn)行分析，利用上文介紹的單調(diào)序列邏輯檢測(cè)算法進(jìn)行照明插座用電量的異常數(shù)據(jù)的檢測(cè)。本研究利用Python編寫算法對(duì)數(shù)據(jù)清洗。為便于數(shù)據(jù)圖形的查看，本文截取時(shí)間為2018年1月至2018年10月之間的數(shù)據(jù)進(jìn)行圖形展示，由圖4可知，在2018年1月20日的13點(diǎn)和14點(diǎn)存在兩個(gè)異常數(shù)據(jù)點(diǎn)，對(duì)此兩個(gè)數(shù)據(jù)點(diǎn)完成了數(shù)據(jù)檢測(cè)及補(bǔ)值。5.2運(yùn)行能耗模式分類

本文對(duì)2018.1.1~2019.3.10圖書館建筑的照明插座耗電量按日進(jìn)行分組，數(shù)據(jù)采集間隔為1h，每天有24個(gè)功耗數(shù)據(jù)。本研究采用變量聚類的方法，對(duì)建筑照明插座的日常耗電量的角度識(shí)別典型的建筑運(yùn)行模式。為實(shí)現(xiàn)對(duì)圖書館照明插座用電量的運(yùn)行模式進(jìn)行挖掘分析，首先對(duì)426個(gè)完整日的數(shù)據(jù)分成426組，一組數(shù)據(jù)包括24條數(shù)據(jù)，且為實(shí)現(xiàn)對(duì)每組數(shù)據(jù)(即日數(shù)據(jù))的整體特征進(jìn)行識(shí)別，首先對(duì)數(shù)據(jù)進(jìn)行平移處理(使用每組數(shù)據(jù)中的24條數(shù)據(jù)分別減去其均值得到新的數(shù)據(jù)組)。故最終形成一個(gè)426×24的矩陣，對(duì)此矩陣使用變量聚類的算法進(jìn)行分析。本文利用SAS軟件進(jìn)行算法的運(yùn)行處理，按照最大類別進(jìn)行分類，最終聚類結(jié)果分為5類，在這里選擇每類中1-R2最小的數(shù)據(jù)，代表此類的特征曲線。故可分別找到可代表時(shí)間為2018年11月5日，其值為0.0528；2018年2月15日其值為0.2187；2018年11月21日其值為0.0285；2018年7月23日，其值為0.0977；2018年9月15日，其值為0。其特征運(yùn)行模式如圖5所示。5.3模式應(yīng)用及分析

由上文對(duì)圖書館照明插座對(duì)典型日用能模式進(jìn)行分析，分析結(jié)果表明根據(jù)不同的時(shí)間用能情況的不同，及人的行為用能習(xí)慣，可能導(dǎo)致典型日用能模式的類內(nèi)差異性較大。而對(duì)于采用聚類分析得到各種不同的日用能模式，需要對(duì)其特征結(jié)合專業(yè)的知識(shí)及現(xiàn)場(chǎng)的運(yùn)行情況進(jìn)行專業(yè)解釋，才能實(shí)現(xiàn)對(duì)挖掘的內(nèi)容進(jìn)行更加合理的利用。

而其中運(yùn)行模式內(nèi)部在不同時(shí)刻用能不同的原因，則可能是受人為影響，比如插座的用電，用于手機(jī)?筆記本充電等。6

結(jié)束語(yǔ)本文在已建成的某大型文化綜合體的智慧集成平臺(tái)的基礎(chǔ)上，利用積累的大量建筑智能化系統(tǒng)數(shù)據(jù)，采用聚類分析方法，重點(diǎn)對(duì)其中圖書館的分項(xiàng)