葉從周（上海市建筑科學(xué)研究院有限公司，上海 200032）

隨著新一代信息技術(shù)的發(fā)展，人工智能技術(shù)在建筑節(jié)能減排上的應(yīng)用越來越受到重視，尤其在建筑能源管理系統(tǒng)（Energy management system for Interligent Building ，BEMS）的領(lǐng)域中，通過人工智能 AI 與物聯(lián)網(wǎng)技術(shù)的相結(jié)合（AIoT 技術(shù)），使得建筑智能化水平得到顯著提高[1]。

BEMS 借助目前的物聯(lián)網(wǎng)技術(shù)，將智能電表等設(shè)備采集的能耗及建筑運行數(shù)據(jù)匯總整理，可用于優(yōu)化建筑用能，然而，目前樓宇內(nèi) BEMS 主要用于支持能源實時計量與分項分類數(shù)據(jù)的統(tǒng)計分析，對于推動能源優(yōu)化管理、用能系統(tǒng)智慧運行的功能相對較弱，BEMS 在建筑能效提升中的作用沒有得以充分發(fā)揮。

在此背景下，本文引入聚類分析技術(shù)，研究其與建筑能源管理系統(tǒng)的結(jié)合應(yīng)用，通過開展相關(guān)的數(shù)據(jù)試驗，為大數(shù)據(jù)技術(shù)支撐建筑能源系統(tǒng)優(yōu)化運行構(gòu)建適合的方法。

1 聚類分析及其在建筑節(jié)能領(lǐng)域的應(yīng)用

1.1 時間序列聚類

聚類分析是一種挖掘大量未知分類的相似數(shù)據(jù)背后是否某種信息或者規(guī)律的數(shù)據(jù)挖掘技術(shù)，而其中時間序列聚類，則是指對一組按時間順序變化的數(shù)據(jù)進行聚類。時間序列聚類一般可以根據(jù)時間序列的分段方式，分為三種方式[2]：完整時間段聚類、子序列時間段聚類以及時間點聚類。本文主要采用了完整時間段聚類的方式，來對建筑能耗數(shù)據(jù)進行聚類。

1.2 在建筑節(jié)能領(lǐng)域的應(yīng)用

時間序列聚類在建筑節(jié)能領(lǐng)域的主要應(yīng)用有三種[2]：識別時間序列數(shù)據(jù)中的動態(tài)變化、預(yù)測與推薦以及模式識別。在建筑節(jié)能領(lǐng)域，基于時間序列聚類分析的主要研究有：建筑用能的模式識別[3-4]、需求側(cè)管理、建筑用能預(yù)測、建筑用能異常數(shù)據(jù)檢測。BEMS 主要包含兩大應(yīng)用場景：建筑用能系統(tǒng)運行管理和設(shè)備設(shè)施維護維修管理。如能將時間序列聚類的應(yīng)用模式與BEMS的應(yīng)用場景相結(jié)合，則能發(fā)揮該項技術(shù)對公共建筑能源管理運行策略和設(shè)備運維的重要作用。

2 研究思路及試驗方法

本文選取某棟建筑的某塊電表全年采集數(shù)據(jù)建立樣本，引入時間序列聚類算法，開展數(shù)據(jù)試驗，通過對建筑用能時間序列數(shù)據(jù)的曲線進行分類分析，從中尋找建筑能耗變化與分布特征，形成對能耗數(shù)據(jù)、設(shè)備維護、節(jié)能管控措施的指導(dǎo)意見，并建立相關(guān)模型，為研究結(jié)果向其他電表、建筑等更大范圍的推廣提供準(zhǔn)備。

試驗方法如下：首先，提取某電表一整年的小時總能耗數(shù)據(jù)，將整年數(shù)據(jù)劃分為一個 365×24 的矩陣，以天為單位，一天24h 組成一條時間序列曲線，共建立 365 條時間序列曲線；通過混合多種聚類算法清洗數(shù)據(jù)，剔除異常曲線；將清洗后數(shù)據(jù)進行二次聚類；分析聚類之后的結(jié)果，統(tǒng)計所處分類的能耗曲線的所在月份、天氣等數(shù)據(jù)信息，為建筑能耗模式識別和能耗預(yù)測做好準(zhǔn)備。試驗流程如圖 1 所示。

圖1 試驗流程圖

3聚類算法選型以及特征維度選擇

基于以上研究思路，本試驗選用 K-means 和 DBSCAN兩個聚類算法，并依據(jù)能耗數(shù)據(jù)特征，選擇K-means 特征維度。

3.1 K-means

K-means 聚類是最著名的聚類算法之一，在時間序列領(lǐng)域應(yīng)用廣泛[11-12]，其原理為通過將數(shù)據(jù)分為K 個簇中，使得簇內(nèi)的各個數(shù)據(jù)到中心點的距離差平方和最小。K-means算法最重要的是如何定義簇的數(shù)量K和如何定義距離的計算方式。

在建筑能源管理中，通常根據(jù)設(shè)備用途，將建筑用電分為照明、空調(diào)、動力以及特殊用電。其中，照明與動力用電受工作日因素的影響較大，而空調(diào)用電則受季節(jié)因素的影響較大?；诖?，試驗中將 K 設(shè)置為 6，即（過渡季，供熱季，供冷季）×（工作日，節(jié)假日）[5]。

針對時間序列數(shù)據(jù)，計算距離的方式，常用的有歐幾里得距離、皮爾森系數(shù)、DTW 等。根據(jù)建筑能耗數(shù)據(jù)的特點，本試驗選擇歐幾里得距離作為判斷每個點到每個簇中心距離遠近的指標(biāo)。原因在于：建筑能耗時序數(shù)據(jù)與建筑設(shè)備（如：空調(diào)、照明燈具）的開關(guān)時間，有著強相關(guān)性，這一特點在辦公類建筑的表現(xiàn)尤為明顯。所以，在通過聚類計算能耗時間序列曲線相似度的時候，不能采用諸如 DTW 等算法，原因是這類算法主要用于計算時間序列數(shù)據(jù)波動趨勢的相似度[6]，而建筑能耗曲線則是需要相同時間點的能耗在計算距離時一一對應(yīng)，計算各條由 24 個點 /d 組成的能耗曲線相互之間相似度。通過 K-means 聚類算法，得到每個簇的中心，使得簇心曲線上的每個點有其實際的物理意義，為之后的設(shè)備運行策略優(yōu)化提供統(tǒng)計學(xué)意義上的支撐。

3.2 DBSCAN

DBSCAN 是一種基于空間密度的聚類算法，在對能耗負荷進行數(shù)據(jù)分析的研究中，已有廣泛的討論和應(yīng)用。在建筑能耗數(shù)據(jù)的采集過程中，由于儀表異常，統(tǒng)計錯誤等因素，造成能耗數(shù)據(jù)分析的困難。因此，需要對數(shù)據(jù)進行必要的清洗。本試驗將采用 K-means 和 DBSCAN 混合的方法，先用K-means 聚類對能耗數(shù)據(jù)進行劃分，再對劃分后的能耗數(shù)據(jù)分別進行 DBSCAN 聚類，將其中被識別為異常的能耗曲線剔除，為之后的算法分析提供更有價值的能耗數(shù)據(jù)。

4 試驗過程及其結(jié)果分析

4.1 試驗過程

本試驗樣本數(shù)據(jù)來源于上海某辦公建筑高壓電表 2020年全年能耗數(shù)據(jù)集，試驗過程隨機挑選了其中一塊電表開展研究。

首先，整理一年數(shù)據(jù)去除有缺失的天數(shù)，然后對其進行首次聚類，聚類部分結(jié)果如圖 2 所示。

圖2 對電表能耗數(shù)據(jù)第一次聚類

然后，對聚類后的每一類數(shù)據(jù)進行二次密度聚類（DBSCAN），結(jié)果如圖 3 所示，其中虛線被算法判斷為臟數(shù)據(jù)：

圖3 通過密度聚類清洗數(shù)據(jù)

對清洗后的數(shù)據(jù)再次進行 K-means 聚類，結(jié)果如圖 4所示。

圖4 K-means 聚類后每一類的簇中心

4.2 結(jié)果分析

觀察圖 4 發(fā)現(xiàn)：簇心曲線趨勢基本相同，主要區(qū)別在于開關(guān)機時間（曲線升高幅度變大所在時間）、工作時間用能和非工作時間用能高低。其中，類別 0 及類別 1 曲線開機時間為早上 6 點左右而，其他顏色的曲線開機時間則是早上 5點左右，而關(guān)機時間則皆為晚上 22 點左右。

進一步對聚類結(jié)果進行統(tǒng)計分析，結(jié)果如表 1 所示，該表統(tǒng)計了各類別在全年 12 個月以及工作日、非工作日所占的天數(shù)。某類別在某月中所占天數(shù)越多，說明越符合該月份的用能規(guī)律。觀察表內(nèi)數(shù)據(jù)，可以發(fā)現(xiàn)每一個簇的曲線波動趨勢，和月份有顯著關(guān)系，說明電表用能與各月份所在季節(jié)有著強相關(guān)性，這符合本試驗針對供熱季、供冷季和過渡季來設(shè)置 K-means 聚類中 K 個簇的預(yù)期。

表1 聚類后統(tǒng)計結(jié)果單位：d

分析能耗曲線的月份分布情況，可以發(fā)現(xiàn)類別 0 和類別2 表征了 2、3 和 4 月份用能規(guī)律，類別 1 表征了 7 月與 12月、類別 3 表征了 8 月至 12 月、類別 5 則表征一部分 9 月及 10 月；而工作日和非工作日分布均勻，對該電表的能耗無明顯影響，推測該電表所在區(qū)域為非辦公場所，查閱樓宇配電文件得知：該電表用電正是位于該樓 B 1 層的觀光及餐飲區(qū)域，故該統(tǒng)計結(jié)果反映的運行特征基本符合預(yù)期，說明聚類具有實際物理意義，可以為進一步分析提供數(shù)據(jù)支撐和實際意義。

又以 9 月中旬至 10 月中旬為例，分析聚類結(jié)果與日期、天氣的對應(yīng)關(guān)系，如表 2 所示，發(fā)現(xiàn)：類別 3 曲線和類別 5 曲線所處日期段在天氣和節(jié)假日的分布上無明顯差別，即天氣和人流量應(yīng)對能耗無特別影響，能耗曲線上卻出現(xiàn)高低差異，可推測在該電表下，存在節(jié)能空間。

表2 聚類結(jié)果（部分）與日期、天氣對應(yīng)表

進一步，將實際值與簇心值以及每個類的上四分位與下四分位作對比，如圖 5 、圖 6 所示。

圖5 逐時能耗值與每類簇心值及上、下四分位值的對比—高于上四分衛(wèi)

圖6 逐時能耗值與每類簇心值及上、下四分位值的對比—低于下四分衛(wèi)

如圖所示，當(dāng)實際值出現(xiàn)明顯高于或低于合理范圍時，可能是用能異常的表征，此時 BEMS 可以記錄具體問題發(fā)生時間點，并針對不同的用能異常現(xiàn)象，提示相應(yīng)的管理建議；如果用能過高，可根據(jù)數(shù)據(jù)所在時刻，排查是否因額外活動造成用能升高、是否存在非正常使用或應(yīng)關(guān)未關(guān)的設(shè)備，并統(tǒng)計過高用能出現(xiàn)頻次，為優(yōu)化設(shè)備管理流程、合理使用能源指明方向，對于存在條件的樓宇，BEMS 可將判定結(jié)果及管控策略發(fā)送至樓宇自控系統(tǒng)，由其自動執(zhí)行所需的自檢和優(yōu)化。當(dāng)出現(xiàn)數(shù)據(jù)顯著波動，則考慮電表故障，此時BEMS 可統(tǒng)計數(shù)據(jù)波動出現(xiàn)頻次，并提示物業(yè)排查問題，若電表并無損壞，則懷疑電表所接設(shè)備存在頻繁重啟，進一步提示物業(yè)排查電表所接設(shè)備是否損壞及是否需要及時更換，以避免不必要的用能損耗以及建筑內(nèi)人員不適。從聚類分析結(jié)果推導(dǎo)建筑能源系統(tǒng)優(yōu)化運行策略的流程如圖 7 所示。

圖7 從聚類分析結(jié)果推導(dǎo)建筑能源系統(tǒng)優(yōu)化運行策略的流程

5 結(jié) 語

本文以基于聚類分析的面向公共建筑的能耗管理優(yōu)化運行策略中的應(yīng)用研究，以上海某辦公建筑的電表監(jiān)測數(shù)據(jù)為對象，通過混合聚類分析，開展數(shù)據(jù)試驗。在試驗中分別使用了 K-means 和 DBSCAN 兩種聚類算法，發(fā)現(xiàn)使用K-means 聚類算法對能耗數(shù)據(jù)進行分類，分類結(jié)果具有實際物理意義，與該電表計量位置的功能相符；對聚類結(jié)果開展進一步分析，結(jié)合天氣或者節(jié)假日等數(shù)據(jù)，可用于判斷建筑用能是否存在異常，為推導(dǎo)可能出現(xiàn)用能異常現(xiàn)象背后的原因提供統(tǒng)計學(xué)意義上的邏輯支撐，從而為業(yè)主在節(jié)能減排上提供支持。

本文的研究驗證了聚類分析算法在建筑能耗異常數(shù)據(jù)檢測、建筑用能模式識別中的可用性，未來，本文工作成果可通過嵌入樓宇能源管理平臺實現(xiàn)規(guī)?；茝V應(yīng)用，同時，還可面向建筑用能預(yù)測、需求側(cè)管理的目標(biāo)持續(xù)深入開發(fā)，以更充分地挖掘聚類分析在建筑能源系統(tǒng)優(yōu)化運行中的價值，為實現(xiàn)建筑節(jié)能降碳提供更重要的支撐。