论文部分内容阅读
随着我国城镇化的加快以及人们生活水平的提高,我国建筑能耗已约占社会总能耗的33%[1],因此减少建筑能耗对建立节约型社会具有重要意义。越来越多的建筑能耗数据被采集并存储到建筑能耗监管平台数据库中,但是传统的建筑能耗监测方法难以有效地发现能耗数据特点以及能耗数据之间的潜在关系,对异常能耗数据的判断缺乏准确性。单一的建筑能耗智能分析方法对建筑能耗分析的准确率不高。在分析建筑能耗特点以及现有能耗分析方法基础上,提出了基于多种数据挖掘方法的建筑能耗数据分析的集成智能方法,即IIT方法。通过集成优选出的分类、离群点分析、关联分析以及预测等数据挖掘相关算法,以挖掘蕴含在建筑能耗数据中有价值的知识。IIT方法中的聚类算法构建建筑物的能耗模式;IIT方法中的离群点分析算法在建筑能耗数据模式分类基础上实现能耗数据异常判断;IIT方法中的关联分析算法可发现影响能耗的重要因素;IIT方法中的预测算法可对未来的建筑能耗进行预测。将IIT方法分别与LOF离群点算法和BP神经网络算法进行对比实验,IIT方法相比LOF离群点算法,对于异常数据识别的准确率提高62.9%;IIT方法相比BP神经网络算法,对能耗预测的准确率提高13.85%。实验结果表明,IIT方法相对于单一的建筑能耗智能分析方法,能够更准确地分析建筑能耗历史数据。为了更好的验证IIT方法的有效性,依托某高校能耗监管平台,开发了建筑能耗数据智能分析系统。该系统分为建筑能耗模式分类模块、建筑能耗离群点分析模块、建筑能耗关联分析模块以及建筑能耗预测模块。采用美国国家再生能源实验室研究支持机构使用的建筑能耗数据集,对建筑能耗智能数据分析系统的可行性和有效性进行了验证性测试。测试结果表明,本文提出的基于数据挖掘技术的IIT方法在建筑能耗分析中的应用具有有效性,可应用于各类建筑的能耗数据智能分析,为建筑节能提供决策支持。