一种基于融合聚类的智能建筑节能评估方法技术

本发明专利技术公开了一种基于融合聚类的智能建筑节能评估方法，该方法包括如下步骤：S1、建立数据库：收集关于建筑物能源使用的信息及其与能源使用的相关特性，建立建筑能耗数据库；S2、数据预处理：对步骤S1收集的数据进行预处理；S3、特征选择：利用MI特征选择算法筛选出对能耗影响最大的特征数据，构成新的数据集；S4、聚类分析：利用轮廓系数的计算公式计算聚类的轮廓系数，确定聚类簇个数，并重新对数据进行聚类；S5、不同聚类能耗基准值的确定：计算欧式距离，统计汇总绘制成统计直方图，并利用3σ准则确定建筑能耗评估的节能等级标准；S6、建筑节能评估结果。本发明专利技术评估方法更加简洁和便捷、利于理解，同时更能直观的反映出建筑的评估结果。果。果。

【技术实现步骤摘要】
一种基于融合聚类的智能建筑节能评估方法


[0001]本专利技术涉及建筑节能评估的
，具体涉及一种基于融合聚类的智能建筑节能评估方法。

技术介绍

[0002]为了对建筑能耗水平进行合理评价，一个可信的办法就是首先建立其相应的能耗基准，在进一步进行比较和评价，即建筑能耗基准评价。该方法通过比较某栋建筑与其他同类建筑的能耗特性或者与自身历史能耗特向进行对比，分析评估该建筑的能耗等级。
[0003]迄今为止国内外很多学者对建筑能耗基准评价进行了深入研究并建立了不同方法，这些方法主要分成三类：建筑分值评估法、模拟分析法和统计分析法。建筑分值评估法主要是依据不同评价指标和标注你对建筑各项性能进行评分，基于所获得的分值判断建筑是否节能。这类方法被不同国家绿色建筑节能评价体系广泛采用。模拟分析法是预先设定一个虚拟的基准建筑并认为给定各种参数，通过建筑能耗模拟软件对基准建筑运行能耗进行模拟，以模拟能耗作为基准值来评价其他建筑能耗水平。需给定的建筑参数包括建筑基本信息、用户相关参数、设备功率及运行时间。统计分析法，实际建筑能耗是建筑能耗数据是检验建筑节能工作的唯一标准。基于建筑实际能耗数据的基准评价越来越受到国内外学者的重视。统计的分析法正是基于大量建筑的实际能耗信息，采用统计学分析方法确定能耗基准值。
[0004]近些年来随着信息技术和计算机技术的迅猛发展，数据挖掘技术也应运而生。该技术已经在建筑数据处理和建筑节能领域取得了初步运用，并越来越受到重视与关注。
[0005]在建筑能耗分析领域，过去人们一直认为影响建筑能耗的最大因素是建筑功能，因此仅仅根据建筑功能对建筑进行分类，很少研究除建筑功能外的其他因素的影响，具有一定的局限性，因此本文采用聚类分析技术对建筑进行分类。
[0006]聚类分析是在没有先验信息的前提下，将已有的无类别数据对象进行归类分析的过程，是一种“无监督”的学习方式。其目的在于发现数据的分布规律、挖掘数据隐藏的内在结构，为进一步的数据分析提供有意义的信息。现有聚类分析算法大致分为以下几类：划分聚类、层次聚类、基于密度的聚类、基于网格的聚类以及基于模型的聚类。然而，这些算法存在如下不足：
[0007](一)划分聚类算法，是通过将由n个对象组成的数据集划分成为k类，基于这k个初始划分，以所有对象与聚类中心相异度之和最小为目标，将该数据集的对象向各聚类中心重新分配，反复迭代优化聚类结果，最终获得最优解。这种聚类算法需同时满足以下两个条件：(1)每一个类至少含有一个对象；(2)任一对象有且只能属于一类。划分聚类的最在优势在于简单有效且适用于不同类型数据，是最古老且应用最普遍的算法。对于处理大规模的数据或形状复杂的聚类具有一定的局限性；
[0008](二)层次聚类算法，将数据对象分层建立簇，通常形成一颗以簇为结点的树。层次聚类有两种基本方法：凝聚聚类算法和分裂聚类算法。前者是将每个数据对象作为个体簇，
自下而上逐层与特征接近的簇合并，该算法需以相似度定义簇的邻近性。后者是将所有对象视作一个整体簇，自上而下将其逐层分解。层次聚类算法是第二类重要的聚类算法。其主要缺陷在于执行合并或分裂簇的操作不能修正，聚类结果质量可能不高，且计算量和存储需求较高；
[0009](三)基于密度的聚类算法，通过从低密度区域寻找被分离的高密度区域。因此，此类算法是以密度作为相似度量原则的。它们能够用于发现空间数据的聚类，可以有效地处理“噪声”数据，发现任意形状的簇，但仅能处理数值属性的数据。
[0010]目前，一般大规模的建筑能耗数据库都包含有缺失数据、无效数据和异常数据，这些数据可能会影响模型的表现并导致错误的结论。在建筑领域，敏感性分析就是找到影响目标函数的重要变量，即变量选则，需要将敏感性分析问题进行转换。聚类分析技术中，数据分成几个簇，往往需要依据研究者的经验，这样的得到的结果缺乏实验的科学严谨性。

技术实现思路

[0011]本专利技术的目的在于克服上述
技术介绍
的不足，提供一种基于融合聚类的智能建筑节能评估方法，该方法更加简洁和便捷，便于理解，同时更能直观的反映出建筑的评估结果。
[0012]为实现上述目的，本专利技术所设计的一种基于融合聚类的智能建筑节能评估方法，包括如下步骤：
[0013]S1、建立数据库：收集关于建筑物能源使用的信息及其与能源使用的相关特性，建立建筑能耗数据库；
[0014]S2、数据预处理：对步骤S1收集的数据进行预处理，包括对数据进行缺失值处理、异常值处理和数据规约；
[0015]S3、特征选择：对步骤S2处理后的数据利用MI特征选择算法筛选出对能耗影响最大的特征数据，构成新的数据集；
[0016]S4、聚类分析：将步骤S3筛选得到的新数据集，分为训练集和测试集；利用训练集的数据计算聚类的轮廓系数，确定聚类簇个数，并重新对数据进行聚类；
[0017]S5、不同聚类能耗基准值的确定：计算步骤S4得到的聚类各个簇中各个点距离簇中心点的欧式距离，统计汇总绘制成统计直方图，并利用3σ准则确定建筑能耗评估的节能等级标准，确定建筑节能评估模型；
[0018]S6、建筑节能评估模型评估测试：采用确定的建筑能耗节能评估模型对测试集数据进行建筑节能评估。
[0019]上述技术方案中，所述步骤S2中，缺失值处理采用回归填补方法处理建筑能耗数据库中的缺失值，选择能预测缺失值的自变量，建立回归方程估算缺失值。
[0020]上述技术方案中，所述步骤S2中，异常值处理先对变量做统计量分析，刷选不合理的数据，然后通过3σ准则和箱线图来确定异常值并删除。
[0021]上述技术方案中，所述步骤S2中，数据规约将数据进行标准化处理，采用如下公式处理：
[0022][0023]式中，x为输入特征数据，x
min
是该特征所有数据中的最小值，x
max
为该特征所有数据中的最大值，x
*
是标准化处理之后的数据。
[0024]上述技术方案中，所述步骤S3中，MI特征选择算法采用互信息法，捕捉每一个特征与标签之间的线性或者非线性关系，互信息量化了两个随机变量之间的相互依赖的量度，两个离散的随即变量的互信息定义为如下公式所示：
[0025][0026]式中，p(x,y)为X和Y的联合概率密度函数，p(x)和p(y)分别为X和Y的边缘概率密度函数，I(X；Y)为X和Y的互信息量。
[0027]上述技术方案中，所述步骤S4中，轮廓系数的计算公式如下：
[0028][0029]将上述公式解析变形为：
[0030][0031]式中，s为轮廓系数，a为示样本与同一簇中所有其他点之间的平均距离，b为样本与下一个最近簇中的所有点之间的平均距离。
[0032]上述技术方案中，所述步骤S5中，欧式距离的计算公式如下：
[0033][0034]式中，x为簇中样本点，μ为该簇的中心点，x
i
为簇中样本点x的分量坐标，μ
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合聚类的智能建筑节能评估方法，其特征在于：包括如下步骤：S1、建立数据库：收集关于建筑物能源使用的信息及其与能源使用的相关特性，建立建筑能耗数据库；S2、数据预处理：对步骤S1收集的数据进行预处理，包括对数据进行缺失值处理、异常值处理和数据规约；S3、特征选择：对步骤S2处理后的数据利用MI特征选择算法筛选出对能耗影响最大的特征数据，构成新的数据集；S4、聚类分析：将步骤S3筛选得到的新数据集，分为训练集和测试集；利用训练集的数据计算聚类的轮廓系数，确定聚类簇个数，并重新对数据进行聚类；S5、不同聚类能耗基准值的确定：计算步骤S4得到的聚类各个簇中各个点距离簇中心点的欧式距离，统计汇总绘制成统计直方图，并利用3σ准则确定建筑能耗评估的节能等级标准，确定建筑节能评估模型；S6、建筑节能评估模型评估测试：采用确定的建筑能耗节能评估模型对测试集数据进行建筑节能评估。2.根据权利要求1所述的基于融合聚类的智能建筑节能评估方法，其特征在于：所述步骤S2中，缺失值处理采用回归填补方法处理建筑能耗数据库中的缺失值，选择能预测缺失值的自变量，建立回归方程估算缺失值。3.根据权利要求1所述的基于融合聚类的智能建筑节能评估方法，其特征在于：所述步骤S2中，异常值处理先对变量做统计量分析，刷选不合理的数据，然后通过3σ准则和箱线图来确定异常值并删除。4.根据权利要求1所述的基于融合聚类的智能建筑节能评估方法，其特征在于：所述步骤S2中，数据规约将数据进行标准化处理，采用如下公式处理：式中，x为输入特征数据，x
min
是该特征所有数据中的最小值，x
max
为该...

【专利技术属性】
技术研发人员：谌东海，王宁，王伟，罗波，郭靖，徐超，
申请(专利权)人：长江勘测规划设计研究有限责任公司，
类型：发明
国别省市：