CN112884013A - 基于数据挖掘技术的能耗分区方法 - Google Patents

Abstract

本发明公开了一种基于数据挖掘技术的能耗分区方法，属于建筑节能技术领域，本发明可以弥补能耗监测***数据利用的空白，对建筑能耗数据进行分类处理，该方法根据监管平台采集数据采用数据挖掘技术对能耗数据进行分类。通过数据分类、数据识别、用能区域划分等步骤，提取用能模式特征值，对不同类型的能耗数据分层识别和利用。对于未装有能耗监测***，比如只能获取其用电总量的建筑，则可以利用本发明通过获取其它建筑的能耗组成信息，之后根据同类型建筑具有相似的功能分区和用能特点等特性将分类方法应用于未装有能耗分项监测***的建筑中，有助于了解未装有能耗监测***的建筑的能耗组成，提高诊断的效率于准确率。

Description

基于数据挖掘技术的能耗分区方法

技术领域

本发明属于建筑节能技术领域，主要用于建筑物能耗分类研究，为一种基于数据挖掘技术的建筑能耗分类方法。

背景技术

当前，环境急剧恶化，能源过度消耗，其中建筑物是能源消耗的大户。据统计，全球建筑能源消耗占到了总能源消耗的40％以上。而近几年房地产市场的蓬勃发展和城镇化速度的加快更是加重了这种消耗。在这种背景下，有效认识既有建筑的能耗组成，进行有效的节能诊断，是降低建筑能耗的关键。

目前，许多公共建筑都建立了能耗监管平台，并且在运营过程中积累了大量数据。这不但有助于公共建筑节能管理工作的开展，也可以为建筑节能的科学研究和政府制定政策提供数据支持。针对相关平台的数据的利用状况，主要可分为三种方向。第一个方向是用于监测主要用能设备运行情况，揭示建筑用能设备在运行过程中，存在的维护水平问题及粗放式管理的不足。第二个应用方向是在搭建监测平台时与数学算法结合，实现建筑的自动报告与预警功能。将监测平台与BIM技术结合，实现用电、水量监测、设备信息实时查询、故障报警与维修路径计算、节能分析等功能。第三个应用方向是基于监测平台中的数据，建立能耗预测模型，用于研究建筑物总体能耗水平。通过对12栋教学建筑进行能耗分项监测，建立了学校教学类建筑的能耗预测模型，发现其能耗主要影响因素为教学楼面积和人员数量。

能耗监测平台的数据虽然为建筑能耗分析与节能改造提供了数据支撑，然而大量数据也带来了“数据灾难”，由于技术和管理等方面的原因，能耗监管平台运行过程中会产生大量存在问题的数据，管理人员难以发现和处理这些问题数据，最终导致能耗监测数据与建筑真实能耗相差甚远，也与设计能耗监管平台的初衷渐行渐背。

发明内容

鉴于现有技术中存在的不足和缺陷，本发明提供了一种基于数据挖掘技术的能耗区分方法，通过数据分类、数据识别、用能区域划分等步骤提升数据质量，提高数据利用价值，对建筑能耗数据进行分类处理，用以解决大量的问题数据而无法得到真实能耗数据的问题。

为了解决上述技术问题，本发明采用如下技术方案：一种基于数据挖掘技术的能耗分区方法，包括如下步骤：

1)通过建筑物能耗监测***采集能耗数据，包括建筑物总能耗，照明、空调、动力等各支路单项数据；

2)聚类是一个将数据集划分为若干组或类的过程，并使得同一个组内的数据对象具有较高的相似度，而不同组的数据对象则是不相似的，相似或不相似的度量是基于数据对象描述属性的取值来确定的，通常是利用各对象间距离来进行描述的，利用此方法可以将建筑总用电划分为照明、空调、动力等用电分项，再按各分项中所承担的不同职能继续向下细分，首先应用k-means初始聚类中心选取策略选取K个能耗数据的初始聚类中心C_k＝{C₁,…,C_k}；

3)如果不知道某类电耗数据样本x_i的所属类别及归属区域,则定义ArrayList集合aList,计算x_i与所有聚类中心的欧氏距离d_ik,将d_ik升序排序

将x_i的序号i添加到aList中，根据数据样本x_i距离聚类中心第二小距离与最小距离的比值公式计算r_i，判断该数据样本的所属类别；

4)如果r_i>ε,则直接根据x_i的最小距离原则划分x_i；

5)如果r_i<ε,则根据欧氏距离和剩余数据样本计算x_i在数据集X-{x_p|p∈aList}中的最近邻x_j,将序号j添加到aList中,如果x_j已经划分到C_k所在簇,则同样将x_i划分到C_k所在簇,如果x_j还未被划分,根据处理x_i的过程计算x_j与聚类中心的距离,如果r_i>ε,则不需要计算x_j的最近邻,直接划分x_i和x_j到x_j要划分的簇中,如果r_j<ε,则同样排除aList元素对应的样本计算x_j的近邻,重复以上过程,直到集合aList中最后一个元素对应的样本能够确定所属簇,aList中第一个元素对应的x_i连同其他元素对应的样本都归于此簇；

6)按照步骤3-步骤5将数据集中的数据样本一一划分完毕后,计算聚类结果的误差平方和E′，将其与上次计算所得误差平方和E进行对比；

7)如果E′-E<10^-10，则算法收敛输出聚类结果；否则E＝E′，计算每个簇的质心作为聚类中心,循环执行步骤3-步骤6直到算法收敛。

作为本发明的进一步改进，对于待聚类的数据集X＝X＝{x_i/x_i∈R^p，i＝1，2，…，n}，任意两个数据样本x_i和x_j的欧氏距离为：

数据样本x_i距离聚类中心第二小距离与最小距离的比值：

数据样本集X除去一些数据样本后剩余的数据样本：

X-X’＝{x_i/x_i∈R^p，i＝1，2，…，n且i≠p，q，r}

X′＝(x_p，x_q，x_r)

聚类结果的误差平方和：

聚类算法的准确度：

其中，n₁是正确聚类的数据样本个数，n是总样本个数；

算法收敛后所得的聚类结果即为电耗数据最终分类情况，从中可以得到建筑电耗的组成信息，包括照明、空调、动力以及各末端所占比例。

与现有技术相比，本发明具有的有益效果为：本发明提出一种对建筑能耗数据分类处理的一种方法，该方法根据监管平台采集数据采用数据挖掘技术对能耗数据进行分类。通过数据分类、数据识别、用能区域划分等步骤，提取用能模式特征值，对不同类型的能耗数据分层识别和利用。对于未装有能耗监测***，比如只能获取其用电总量的建筑，则可以利用本发明通过获取其它建筑的能耗组成信息，之后根据同类型建筑具有相似的功能分区和用能特点等特性将分类方法应用于未装有能耗分项监测***的建筑中，有助于了解未装有能耗监测***的建筑的能耗组成，提高诊断的效率于准确率。

附图说明

下面结合附图和具体实施方式对本发明作进一步的说明：

图1为本发明的原理框架图；

图2实施例中的商场各区域用电量占比聚类分析结果示意图。

具体实施方式

为了本发明的技术方案和有益效果更加清楚明白，下面结合附图和具体实施例对本发明进行进一步的详细说明，应当理解，此处所描述的具体实施方式仅用于理解本发明，并不用于限定本发明，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种技术方案：基于数据挖掘技术的能耗分区方法，包括如下步骤：

1)通过建筑物能耗监测***采集能耗数据，包括建筑物总能耗，照明、空调、动力等各支路单项数据；

2)聚类是一个将数据集划分为若干组或类的过程，并使得同一个组内的数据对象具有较高的相似度，而不同组的数据对象则是不相似的，相似或不相似的度量是基于数据对象描述属性的取值来确定的，通常是利用各对象间距离来进行描述的，利用此方法可以将建筑总用电划分为照明、空调、动力等用电分项，再按各分项中所承担的不同职能继续向下细分，首先应用k-means初始聚类中心选取策略选取K个能耗数据的初始聚类中心C_k＝{C₁,…,C_k}；

3)如果不知道某类电耗数据样本x_i的所属类别及归属区域,则定义ArrayList集合aList,计算x_i与所有聚类中心的欧氏距离d_ik,将d_ik升序排序

将x_i的序号i添加到aList中，根据数据样本x_i距离聚类中心第二小距离与最小距离的比值公式计算r_i，判断该数据样本的所属类别；

4)如果r_i>ε,则直接根据x_i的最小距离原则划分x_i；

5)如果r_i<ε,则根据欧氏距离和剩余数据样本计算x_i在数据集X-{x_p|p∈aList}中的最近邻x_j,将序号j添加到aList中,如果x_j已经划分到C_k所在簇,则同样将x_i划分到C_k所在簇,如果x_j还未被划分,根据处理x_i的过程计算x_j与聚类中心的距离,如果r_i>ε,则不需要计算x_j的最近邻,直接划分x_i和x_j到x_j要划分的簇中,如果r_j<ε,则同样排除aList元素对应的样本计算x_j的近邻,重复以上过程,直到集合aList中最后一个元素对应的样本能够确定所属簇,aList中第一个元素对应的x_i连同其他元素对应的样本都归于此簇；

6)按照步骤3-步骤5将数据集中的数据样本一一划分完毕后,计算聚类结果的误差平方和E′，将其与上次计算所得误差平方和E进行对比；

7)如果E′-E<10-¹⁰，则算法收敛输出聚类结果；否则E＝E′，计算每个簇的质心作为聚类中心，循环执行步骤3-步骤6直到算法收敛。

对于待聚类的数据集X＝X＝{x_i/x_i∈R^p，i＝1，2，…，n}，任意两个数据样本x_i和x_j的欧氏距离为：

数据样本x_i距离聚类中心第二小距离与最小距离的比值：

数据样本集X除去一些数据样本后剩余的数据样本：

X-X’＝{x_i/x_i∈R^p，i＝1，2，…，n且i≠p，q，r}

X′＝(x_p，x_q，x_r)

聚类结果的误差平方和：

聚类算法的准确度：

其中，n₁是正确聚类的数据样本个数，n是总样本个数；

算法收敛后所得的聚类结果即为电耗数据最终分类情况，从中可以得到建筑电耗的组成信息，包括照明、空调、动力以及各末端所占比例。

选取一栋商场建筑，该商场装有能耗分项监测***，监测层级可以达到设备级。提取能耗监测***中的数据，利用上述能耗聚类分析方法，进行该商场的用能特征分析，各区域用电量占比如图2所示。

从图2可以看出，照明***用电约占总用电37％的比重，其中商业照明占总照明的75％，公共照明占照明总用电的13％。空调***用电约占总用电的55％，其中冷源侧约占其中的79％，末端侧占21％。电梯***用电约占总用电的8％，其中客用电梯占动力***总用电的75％，消防电梯约占25％。在此基础上扩充数据量，加入其它多栋同类型建筑的用电数据，即可对商场类建筑的用电组成有更清晰的认识，对其它同类型建筑用电健康程度判断提供指导。

以商场建筑为例，通过本发明，还能得到公共照明、商业照明、应急照明在照明用电中所占比例，冷源侧与末端侧在空调***中所占比例，以及电梯、生活水泵等动力设备在用电中所占比例。融入多栋商场数据，可以得到商场建筑各末端支路用电比例指导值，可以用来判断未知商场的用电健康程度。

本发明提出一种对建筑能耗数据分类处理的一种方法，该方法以聚类算法为基础，聚类算法可使同一个组内的数据对象具有较高的相似度，而对不同组的数据对象可以确保其不相似性。使用该方法对建筑能耗数据进行聚类分析，析出不同区域与不同职能用电所占比重，提取用能模式特征值，对不同类型的能耗数据分层识别和利用。有助于给未装有能耗监测***的建筑分析其能耗组成提供指导，准确定位出现能耗较高问题的设备或支路，提高用能诊断效率。

Claims (2)

1.一种基于数据挖掘技术的能耗分区方法，其特征在于：包括如下步骤：

1)通过建筑物能耗监测***采集能耗数据，包括建筑物总能耗，照明、空调、动力等各支路单项数据；

2)聚类是一个将数据集划分为若干组或类的过程，并使得同一个组内的数据对象具有较高的相似度，而不同组的数据对象则是不相似的，相似或不相似的度量是基于数据对象描述属性的取值来确定的，通常是利用各对象间距离来进行描述的，利用此方法可以将建筑总用电划分为照明、空调、动力等用电分项，再按各分项中所承担的不同职能继续向下细分，首先应用k-means初始聚类中心选取策略选取K个能耗数据的初始聚类中心C_k＝{C₁,…,C_k}；

3)如果不知道某类电耗数据样本x_i的所属类别及归属区域,则定义ArrayList集合aList,计算x_i与所有聚类中心的欧氏距离d_ik,将d_ik升序排序

将x_i的序号i添加到aList中，根据数据样本x_i距离聚类中心第二小距离与最小距离的比值公式计算r_i，判断该数据样本的所属类别；

4)如果r_i>ε,则直接根据x_i的最小距离原则划分x_i；

5)如果r_i<ε,则根据欧氏距离和剩余数据样本计算x_i在数据集X-{x_p|p∈aList}中的最近邻x_j,将序号j添加到aList中,如果x_j已经划分到C_k所在簇,则同样将x_i划分到C_k所在簇,如果x_j还未被划分,根据处理x_i的过程计算x_j与聚类中心的距离,如果r_i>ε,则不需要计算x_j的最近邻,直接划分x_i和x_j到x_j要划分的簇中,如果r_j<ε,则同样排除aList元素对应的样本计算x_j的近邻,重复以上过程,直到集合aList中最后一个元素对应的样本能够确定所属簇,aList中第一个元素对应的x_i连同其他元素对应的样本都归于此簇；

6)按照步骤3-步骤5将数据集中的数据样本一一划分完毕后,计算聚类结果的误差平方和E′，将其与上次计算所得误差平方和E进行对比；

7)如果E′-E<10^-10，则算法收敛输出聚类结果；否则E＝E′，计算每个簇的质心作为聚类中心，循环执行步骤3-步骤6直到算法收敛。

2.根据权利要求1所述的一种基于数据挖掘技术的能耗分区方法，其特征在于：对于待聚类的数据集X＝{x_i/x_i∈R^p，i＝1，2，…，n}，任意两个数据样本x_i和x_j的欧氏距离为：

数据样本x_i距离聚类中心第二小距离与最小距离的比值：

数据样本集X除去一些数据样本后剩余的数据样本：

X-X’＝{x_i/x_i∈R^p，i＝1，2，…，n且i≠p，q，r}

X′＝(x_p，x_q，x_r)

聚类结果的误差平方和：

聚类算法的准确度：

其中，n₁是正确聚类的数据样本个数，n是总样本个数；

算法收敛后所得的聚类结果即为电耗数据最终分类情况，从中可以得到建筑电耗的组成信息，包括照明、空调、动力以及各末端所占比例。

Images