隨著面向大資料的資訊化技術和演算法技術的日臻成熟，大資料已經從一個新技術概念向建築智慧化運維的各方面滲透和落地。

如智慧能源管控平臺所彙集的大資料能夠幫助快速準確識別建築執行的需求，並對需求進行精準匹配；其二，可以發揮海量線上資料的橫向比較作用，更加準確的識別建築或系統中的長期固有偏差。

下面摘選一些有代表性的大資料工程應用，作為參考，以示啟發。

01—

建築能源預算管控

利用大資料人工智慧技術，結合行業專家經驗，形成一套能耗定額全過程量化管理解決方案，針對大型公共建築功能複雜、體量大、用能裝置多、業態變化快等特點，解決能耗預算計算難、能源過程控制無從下手等實際管理問題。從預算制定，到預算分解，執行管控，覆盤分析，打通能源管理全過程。

圖：能源預算制定和管控流程圖

能源預算制定階段，首先基於建築基本資訊（包括建築年代、建築面積、地理位置、冷熱源形式等）、各項歷史能耗、歷史天氣（包括溫溼度、氣壓、降水等）、客流車流量等歷史資料，結合業務模型以及行業大資料，透過資料清洗、資料標記辨別剔除異常值，在根據不同專案歷史資料採集情況智慧匹配機器學習演算法，進行初始的能耗智慧預測。

圖：智慧能源管控平臺能耗大資料

能耗預算動態管控階段，首先將年度能耗目標根據多維度資訊和資料，智慧分配至月能耗和日能耗，然後再利用自適配多種機器學習演算法，在輸入實時動態引數（天氣預報、客流量、裝置執行指標、建築環境引數等）的條件下，智慧動態的輸出日維度能耗動態管控值，對運維人員執行定額的工作進行合理的激勵與管控。

圖：能耗定額管控階段資料圖

02—

品能平衡的冷源執行輔助

在公共建築中，中央空調系統是最主要的能耗系統，其能耗約佔總能耗的30%~60%。在滿足相同的建築使用需求的情況下，中央空調系統不同的控制執行方式會帶來巨大的能耗差異。

此外，冷站還是保證建築室內環境品質的源頭，保證夏季和過渡季的室內溫度溼度負荷人的熱舒適要求。傳統的冷站執行主要依賴與工程師的水平，不同專案的工程師能力、經驗和責任心的差異都會影響冷站的執行效果。實際工程中，較多的專案室內溫度控制不穩定，場內過熱、過冷問題頻發，較難保證室內溫度穩定的處在舒適區間。

冷站智控優勢凸顯，其低成本，低感測器依賴，高靠譜度，高靈活性，多目標智慧控制等特點是行業迫切需求的。冷站智控基於物聯網和人工智慧的輔助決策控制模式，以保證環境品質的最低能耗策略為目標，實現舒適溫控和高效節能的相互共存。

圖：冷站高效執行理想模式

冷站智控透過對歷史資料的學習建立演算法模型，並運用機器學習演算法在執行過程中不斷迭代演算法模型，不斷適配專案的實際執行需求。資料樣本越好，模型的貼近度越好，對於動態資料的種類和響應速度要求就越低。

智控的模型建立通過歷史資料學習室內溫度、冷機臺數、設定值與冷量對應的關係，學習不同的工況對應的目標資料的特徵關係。其控制模型每天都會更新，會不斷的學習新的特性和變化，表現出高度的魯棒性、靈活性和適應性以及對豐富資料的低依懶性。

圖：模型訓練流程圖

03—

基於使用者畫像的智慧辦公環境

自從空調系統問世以來，人們一直試圖透過非自然手段營造舒適、健康的室內環境。然而，傳統的室內環境調節手段忽略了人對環境引數尺度感受是非常不準確的，無法表達準確的環境引數需求；人對於環境的需求是隨著衣著、天氣、運動狀態、身體狀況等因素變化的；個體差異也會導致環境調節動作難以達成最優解。

利用大資料人工智慧技術、物聯網系統，結合人機互動轉化技術，可形成一套在辦公建築中應用的智慧辦公環境解決方案。透過互動頁面表達自己目前對於所處環境的直觀感受，將收集的反饋內容輸入人工智慧演算法，計算出空間的目標溫度，並將動作指令下發到末端裝置，實現智慧環境控制。

圖：智慧辦公環境解決方案流程圖

對於多人辦公場景，則是透過對使用者的投票反饋資料集進行DBSCAN類演算法分析，採取先將使用者分類，構建使用者畫像，然後根據分類結果再計算同一空間下的使用者的溫度偏好交集，儘可能的保證目標值滿足大部分人的需求。

圖：某個體典型溫度偏好曲線圖

對於人員流動較大，使用者不固定的公共區域，則需將室內溫度作為自變數，投票反饋機率作為因變數，確定好資料樣本後，對訓練集資料使用多種機器學習演算法進行訓練，使用GridSearch進行不同演算法引數的調優，找出效果最佳的演算法以及與之對應的模型引數，根據SVM支援向量機演算法預測的擬合曲線尋找最合適的溫度區間，對環境進行控制。

圖：冷熱投票機率預測曲線圖

基於以上原理，通過歷史大資料以及使用者反饋內容挖掘出人對環境最真實的需求，並依據需求細化控制場景，不僅可以提升使用者對環境的滿意率，還可以避免出現冷量供給冗餘，從而降低裝置能耗。

04—

基於冷量預測的商業建築冰蓄冷系統最佳化控制

冰蓄冷系統是一種常見的商業辦公建築的系統形式，在城市峰谷電價的約束條件下，利用夜間低谷電價進行製冰蓄冰，並在日間的高峰時段釋冷供冷，降低系統能源費用，同時從城市電網的角度削峰填谷，緩解電力供需不匹配。

圖：某商業辦公建築夏季預測冷量與實際冷量對比（節選）

人工智慧和大資料的應用可以提前預知下一日日間高峰時段的總冷量，最佳化蓄冷系統控制策略。根據階梯電價定價，結合冰蓄冷系統的容量和釋冷速率，動態決策夜間蓄冰總量和日間釋冷策略，可以實現在夜間多蓄冰，並在日間基於預測冷量，在保證高峰時段釋冷用冷的前提下，將多蓄存的冷量在平價時段釋放，從而進一步降低能源費用。

圖：該商業辦公建築2021年供冷季能源費用對比

05—

寫在最後

隨著計算機技術的不斷髮展，在建築領域，感測器技術與資料儲存/交換技術的快速發展已為建築環境與能耗方面積累了大量的基礎資料。

合理有效的應用人工智慧與大資料的分析方法和計算工具，能夠有效的發掘和解決包括建築運維智慧調控、系統故障診斷、城市建築節能改造潛力分析等方面的各類工程實踐問題，更高效的服務於建築節能工作。

（文章整理自《中國建築節能年度發展研究報告2022》，僅供學習交流使用，完整內容請購買正版圖書。）