随着面向大数据的信息化技术和算法技术的日臻成熟，大数据已经从一个新技术概念向建筑智能化运维的各方面渗透和落地。

如煦联得智慧能源管控平台所汇集的大数据能够帮助快速准确识别建筑运行的需求，并对需求进行精准匹配；其二，可以发挥海量在线数据的横向比较作用，更加准确的识别建筑或系统中的长期固有偏差。

下面摘选一些有代表性的大数据工程应用，作为参考，以示启发。

01—建筑能源预算管控

利用大数据人工智能技术，结合行业专家经验，形成一套能耗定额全过程量化管理解决方案，针对大型公共建筑功能复杂、体量大、用能设备多、业态变化快等特点，解决能耗预算计算难、能源过程控制无从下手等实际管理问题。从预算制定，到预算分解，执行管控，复盘分析，打通能源管理全过程。

图：能源预算制定和管控流程图

能源预算制定阶段，首先基于建筑基本信息（包括建筑年代、建筑面积、地理位置、冷热源形式等）、各项历史能耗、历史天气（包括温湿度、气压、降水等）、客流车流量等历史数据，结合业务模型以及行业大数据，通过数据清洗、数据标记辨别剔除异常值，在根据不同项目历史数据采集情况智能匹配机器学习算法，进行初始的能耗智能预测。

图：煦联得智慧能源管控平台能耗大数据

能耗预算动态管控阶段，首先将年度能耗目标根据多维度信息和数据，智能分配至月能耗和日能耗，然后再利用自适配多种机器学习算法，在输入实时动态参数（天气预报、客流量、设备运行指标、建筑环境参数等）的条件下，智能动态的输出日维度能耗动态管控值，对运维人员执行定额的工作进行合理的激励与管控。

图：能耗定额管控阶段数据图

02—品能平衡的冷源运行辅助

在公共建筑中，中央空调系统是最主要的能耗系统，其能耗约占总能耗的30%~60%。在满足相同的建筑使用需求的情况下，中央空调系统不同的控制运行方式会带来巨大的能耗差异。

此外，冷站还是保证建筑室内环境品质的源头，保证夏季和过渡季的室内温度湿度负荷人的热舒适要求。传统的冷站运行主要依赖与工程师的水平，不同项目的工程师能力、经验和责任心的差异都会影响冷站的运行效果。实际工程中，较多的项目室内温度控制不稳定，场内过热、过冷问题频发，较难保证室内温度稳定的处在舒适区间。

冷站智控优势凸显，其低成本，低传感器依赖，高靠谱度，高灵活性，多目标智能控制等特点是行业迫切需求的。冷站智控基于物联网和人工智能的辅助决策控制模式，以保证环境品质的最低能耗策略为目标，实现舒适温控和高效节能的相互共存。

图：冷站高效运行理想模式

冷站智控通过对历史数据的学习建立算法模型，并运用机器学习算法在运行过程中不断迭代算法模型，不断适配项目的实际运行需求。数据样本越好，模型的贴近度越好，对于动态数据的种类和响应速度要求就越低。

智控的模型建立通过历史数据学习室内温度、冷机台数、设定值与冷量对应的关系，学习不同的工况对应的目标数据的特征关系。其控制模型每天都会更新，会不断的学习新的特性和变化，表现出高度的鲁棒性、灵活性和适应性以及对丰富数据的低依懒性。

图：模型训练流程图

03—基于用户画像的智能办公环境

自从空调系统问世以来，人们一直试图通过非自然手段营造舒适、健康的室内环境。然而，传统的室内环境调节手段忽略了人对环境参数尺度感受是非常不准确的，无法表达准确的环境参数需求；人对于环境的需求是随着衣着、天气、运动状态、身体状况等因素变化的；个体差异也会导致环境调节动作难以达成最优解。

利用大数据人工智能技术、物联网系统，结合人机交互转化技术，可形成一套在办公建筑中应用的智能办公环境解决方案。通过交互页面表达自己目前对于所处环境的直观感受，将收集的反馈内容输入人工智能算法，计算出空间的目标温度，并将动作指令下发到末端设备，实现智能环境控制。

图：智能办公环境解决方案流程图

对于多人办公场景，则是通过对使用者的投票反馈数据集进行DBSCAN类算法分析，采取先将使用者分类，构建用户画像，然后根据分类结果再计算同一空间下的使用者的温度偏好交集，尽可能的保证目标值满足大部分人的需求。

图：某个体典型温度偏好曲线图

对于人员流动较大，使用者不固定的公共区域，则需将室内温度作为自变量，投票反馈概率作为因变量，确定好数据样本后，对训练集数据使用多种机器学习算法进行训练，使用GridSearch进行不同算法参数的调优，找出效果******的算法以及与之对应的模型参数，根据SVM支持向量机算法预测的拟合曲线寻找最合适的温度区间，对环境进行控制。

图：冷热投票概率预测曲线图

基于以上原理，通过历史大数据以及使用者反馈内容挖掘出人对环境最真实的需求，并依据需求细化控制场景，不仅可以提升使用者对环境的满意率，还可以避免出现冷量供给冗余，从而降低设备能耗。

04—基于冷量预测的商业建筑冰蓄冷系统优化控制

冰蓄冷系统是一种常见的商业办公建筑的系统形式，在城市峰谷电价的约束条件下，利用夜间低谷电价进行制冰蓄冰，并在日间的高峰时段释冷供冷，降低系统能源费用，同时从城市电网的角度削峰填谷，缓解电力供需不匹配。

图：某商业办公建筑夏季预测冷量与实际冷量对比（节选）

人工智能和大数据的应用可以提前预知下一日日间高峰时段的总冷量，优化蓄冷系统控制策略。根据阶梯电价定价，结合冰蓄冷系统的容量和释冷速率，动态决策夜间蓄冰总量和日间释冷策略，可以实现在夜间多蓄冰，并在日间基于预测冷量，在保证高峰时段释冷用冷的前提下，将多蓄存的冷量在平价时段释放，从而进一步降低能源费用。

图：该商业办公建筑2021年供冷季能源费用对比

05—写在最后

随着计算机技术的不断发展，在建筑领域，传感器技术与数据存储/交换技术的快速发展已为建筑环境与能耗方面积累了大量的基础数据。

合理有效的应用人工智能与大数据的分析方法和计算工具，能够有效的发掘和解决包括建筑运维智能调控、系统故障诊断、城市建筑节能改造潜力分析等方面的各类工程实践问题，更高效的服务于建筑节能工作。