引言我国城镇既有建筑中不节能建筑约占60%，能源利用效率低，且居住舒适度较差[1]，建筑节能潜力巨大但也存在困难。采暖、空调、照明的能源消耗在建筑能耗中占比大，成为相关研究机构节能减排的重点。刘畅[2]等对北方地区某办公建筑热站输配系统管网进行改造，使其供暖能耗远低于欧盟近零能耗建筑供暖标准。有研究对不同气候条件下建筑围护结构进行分析，改进建筑隔热效果和节能优势[3-4]。随着物联网技术和楼宇自动化系统（BAS）的发展和应用，海量建筑运行数据存储于云端数据库，给基于建筑运行数据的建筑节能工作创造了条件。Yuce[5]等对室内泳池运行能耗与热舒适度进行预测分析，优化泳池温控系统。洪阳[6]等对北京朝阳医院空调能耗数据分析并给出节能建议，使空调能耗降低约13％。越来越多研究者开始对建筑运行数据潜在价值进行探索，利用现代信息技术有助于我国建筑节能的发展。1基于数据挖掘的建筑运行数据处理流程数据挖掘是发现PB级建筑运行数据潜在价值的关键技术。基于数据挖掘技术的建筑运行数据处理流程框图如图1所示。目标建筑中获取的建筑运行数据首先经过数据预处理提高数据质量，然后对数据进行处理，以统计建模的手段挖掘数据间的规律，达到对建筑运行数据分类、对比和预测的目的。再将建模结果与实际建筑能耗情况比较，反复修改模型参数提高模型精度，利用可视化技术将处理后的数据以直观的形式呈现，最后根据建模和分析结果对建筑管理与运行优化。10.3969/j.issn.1004-7948.2021.07.002.F001图1建筑运行数据挖掘流程1.1数据获取在数据缺乏阶段，数据主要来源于仿真软件[7]。后期得益于物联网技术和楼宇自动化系统，在建筑中安装传感器，常见传感器测量量包括温度、湿度、二氧化碳浓度、用电量等。1.2数据处理为保证数据的质量，对数据进行预处理，清洗异常数据，填充缺失数据，降低数据维度等。设定阈值是简单有效的异常值过滤方法，但面对多维数据，设定阈值只能算是最初期的预处理工作。杨石[8]等提出一种基于粗糙集理论的数据处理方法，并以实际项目数据对其进行验证。结果表明，该方法能对异常数据和正常数据进行实时识别和分类。崔治国[9]等对某制冷机组连续16年制冷季35 380组数据预处理后，数据质量提升，数据从6维降到4维。此外，还可计算数据集的极值、均值、中位数等有用特征以提高数据处理模型精度。1.3数据建模数据建模的目的是将数据理想、简单、抽样化，实现对数据的分类和预测。机器学习是数据挖掘建模中运用最为广泛的方法[10]，对建筑运行数据建模常用的机器学习算法如表1所示。10.3969/j.issn.1004-7948.2021.07.002.T001表1基于机器学习的数据建模方法模型种类特点应用人工神经网络［11-13］适用于大数据，依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，达到处理信息的目的。负荷需求预测、能效评估、能耗影响因素分析。聚类［14-16］对数据进行聚类分析，将数据分为不同群簇，方便进行不同群簇间的差异对比，但将打乱原先的时间顺序，不利于时间序列分析。能耗影响因素分析、运行情况分类。决策树［17-19］类似树结构的分析方法，生成规则可被理解，对数据量要求不高，能有效处理多输出问题。能效评估、HVAC故障诊断。1.4数据可视化数据可视化是数据挖掘中必不可少的一个流程，人类从外界获得的信息约有80％以上来源于图像[20]，数据在图表中的表示形式如图2所示。最常见的图表形式有柱状图、折线图、饼状图等，而热图、雷达图、平行坐标图常被应用于多维数据可视化中。平行坐标图以N条平行的线为坐标轴表示多维数据，反应变化趋势和变量间相互关系，如图3所示。热图以颜色或色彩饱和度表示图中数据大小，如图4所示。雷达图将多维数据集中在一张图中，清晰反应多维数据间的关系，如图5所示。10.3969/j.issn.1004-7948.2021.07.002.F002图2数据在图表中的表示形式10.3969/j.issn.1004-7948.2021.07.002.F003图3平行坐标图10.3969/j.issn.1004-7948.2021.07.002.F004图4热图10.3969/j.issn.1004-7948.2021.07.002.F005图5雷达图2基于运行数据的建筑管理与节能应用2.1用电负荷和建筑能耗预测实现精准用电负荷和能耗预测是建筑运行阶段必不可少的管理和分析手段。基于建筑运行数据的用电负荷和建筑能耗预测的常见方法是搭建统计模型。相关文献统计，回归模型使用比例约占26％，人工神经网络为41％，支持向量机为12％，其他占21％[21]。也有将多种算法进行融合实现预测，增加了算法复杂度和运算时间，提高了预测精度[22]。利用数据挖掘技术预测建筑负荷和能耗的预测误差一般在10％~20％之间，预测结果具有参考价值，但模型的泛化能力不强，可能因为楼内人员变化、建筑设备老化等造成预测效果下降。因此，建筑负荷和能耗预测模型在提高精度的同时，也应具备泛化和在线自适应学习的能力。2.2在楼人员数量和行为分析人是建筑服务的对象，对楼内人员进行分析和预测是降低建筑能耗的举措之一，也是智能建筑的基础。应用智能手机、射频识别、三维深度等监测公共建筑在楼人员数[23-25]。仅识别人数将使控制系统产生滞后，满足不了实时性要求，实现在楼人数的预测才是目标。Hong[26]等对某办公室进行模拟试验。结果表明，当办公人员以节俭的方式使用用电设备，用电能耗相比平时降低50％。当以浪费、不计较的方式使用用电设备，用电能耗升高90％。因此对建筑内人员行为数据进行挖掘和分析并制定管理准则是降低建筑能耗的又一重要举措。2.3公共建筑能耗评价国内公共建筑能耗基准评价主要采用建筑能耗模拟方法，根据《公共建筑节能设计标准》（GB 50189—2015）设置建筑的围护结构、设备使用等参数，通过能耗模拟软件建立能耗模型，对比分析实际建筑与仿真模型中的建筑能耗。美国能源之星（Energy Star）建筑能耗评估体系，采用多元线性回归拟合方法，对大量调查的能耗数据进行筛选，再应用最小二乘法对各类建筑以耗能强度（Energy Use Intensity）作为因变量，影响因子作为自变量，拟合出回归方程，最后通过计算实际EUI与预测EUI的比值确定建筑的能源效率情况，并进行能效评级。刘益民[27]等以国内300多家五星级酒店为例，效仿能源之星建立多元线性回归模型。结果表明，基于运行数据的建筑能耗评估方法在我国同样适用。综合来看，基于运行数据的建筑能耗评价方法是能耗评价方法的发展趋势。未来主要的研究方向是研究出一套兼顾精度和实用性的能耗评价模型搭建方法。3结语在建筑运行阶段，合理的监管制度可以降低建筑运行能耗，达到建筑节能的目的。本文介绍数据挖掘在建筑运行数据节能管理上的应用流程和相关技术，综述国内外利用建筑运行数据具体数据挖掘实例，指出存在的不足之处及未来研究趋势。