CN109086820A - 基于能耗数据关联挖掘的建筑节能改造决策方法 - Google Patents
基于能耗数据关联挖掘的建筑节能改造决策方法 Download PDFInfo
- Publication number
- CN109086820A CN109086820A CN201810838136.8A CN201810838136A CN109086820A CN 109086820 A CN109086820 A CN 109086820A CN 201810838136 A CN201810838136 A CN 201810838136A CN 109086820 A CN109086820 A CN 109086820A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- energy consumption
- data
- building
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 43
- 238000005065 mining Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000009418 renovation Methods 0.000 title claims abstract description 17
- 238000004378 air conditioning Methods 0.000 claims abstract description 24
- 238000003066 decision tree Methods 0.000 claims abstract description 22
- 239000011521 glass Substances 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 8
- 238000007418 data mining Methods 0.000 claims description 7
- 238000009413 insulation Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000009412 basement excavation Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于能耗数据关联挖掘的建筑节能改造决策方法,在获得建筑结构信息的基础上,采用改进的Apriori算法和C4.5算法实现MapReduce运算,生成空调系统耗电量判定树,根据统计数据和判定树可判断建筑空调系统耗电量等级,并对建筑的节能改造策略提供具有针对性的建议。
Description
技术领域
本发明属于数据挖掘方法领域,尤其是一种基于能耗数据关联挖掘的建筑节能改造决策方法。
背景技术
传统Apriori算法(布尔型关联规则挖掘频繁项集算法)找出每个频繁项集Lk需要对数据库进行多次全局扫描。在处理海量数据时,将会耗费大量的时间和内存。由于建筑结构信息的每类属性有多种不同的取值,数据量较大,并且数据上传存在不完整或者错误。
发明内容
本发明所解决的技术问题在于提供一种基于能耗数据关联挖掘的建筑节能改造决策方法,在获得建筑结构信息的基础上,采用改进的Apriori算法和C4.5算法实现MapReduce运算,生成空调系统耗电量判定树,根据统计数据和判定树可判断建筑空调系统耗电量等级,并对建筑的节能改造策略提供具有针对性的建议。
实现本发明目的的技术解决方案为:
基于能耗数据关联挖掘的建筑节能改造决策方法,包括以下步骤:
步骤1:采用改进的布尔型关联规则挖掘频繁项集算法建立关联分析,对所有数据事务进行2次全局扫描,挖掘得到频繁项集Lk:
步骤1-1:假设有n个执行Map任务的节点,将数据库中待分析的数据事务平均分为n个数据事务子集;
步骤1-2:每个节点对其数据事务子集进行扫描,产生该子集的候选k项集的集合其支持度计数为1,
步骤1-3:将每个节点上相同的候选k项集的支持度计数累加,得到候选k项集在该节点上的支持度计数sup_kn;
步骤1-4:利用hash()函数将分成r个不同的分区分配到指定的节点上,同时将其支持度计数sup_kn发送到相应节点;
步骤1-5:r个节点把具有相同k项集的支持度计数累加,得到最后的实际支持度sup_k,当sup_k大于等于最小支持度阈值sup_min时,则将此节点上的频繁k项集确定为Lkr;
步骤1-6:把r个节点产生的所有频繁k项集Lk1-Lkr合并,得到全部的频繁k项集的集合Lk,直到不再产生新的Lk,结束;
步骤2:采用C4.5算法对不完整的训练样本进行处理,生成决策树并进行修正,得到一个完整的决策树;
步骤3:对建筑结构信息和能耗数据进行预处理:对建筑结构信息进行编码,并对数据编码格式化;对于建筑信息缺失的能耗数据直接删除,对缺失的空调系统能耗数据用当月空调系统能耗平均值填补;
步骤4:进行关联数据挖掘:将建筑空调系统制冷器耗电量进行统计,得到单位面积耗电量,并将耗电等级进行划分:单位面积耗电量小于4为低耗电等级,单位面积耗电量大于4小于等于7为正常耗电等级,单位面积耗电量大于7为高耗电等级;并将步骤1得到的频繁项集与制冷器空调系统单位面积耗电量数据相结合,得到建筑结构和能耗数据的关系,进而得到若干频繁项集及对应的建筑关系;
步骤5:建立空调系统耗电量判定树,进行分类决策树数据挖掘:根据空调系统耗电量判定树,依据建筑结构和能耗情况得到相应的节能改造决策建议。
进一步的,本发明的基于能耗数据关联挖掘的建筑节能改造决策方法,步骤2具体包括:
步骤2-1:计算三个节能效果即叶节点的期望信息作业,得到InfoMapReduce;
步骤2-2:计算每个属性的期望信息需求作业,得到InfoAMapReduce;
步骤2-3:计算每个属性的信息增益作业,得到GainMapReduce;
步骤2-4:计算每个属性的信息增益率作业,得到GainRatioMapReduce;
步骤2-5:排序作业,得到RankMapReduce。
进一步的,本发明的基于能耗数据关联挖掘的建筑节能改造决策方法,步骤3中的建筑结构信息包括:建筑结构形式、建筑外墙材料类型、外墙保温形式、外窗类型、玻璃类型、窗框材料类型。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明的基于能耗数据关联挖掘的建筑节能改造决策方法只需对数据事务进行2次全局扫描,节约大量的时间和内存,提高效率;
2、本发明的基于能耗数据关联挖掘的建筑节能改造决策方法对于上传不完整或错误的数据进行修正,使得获得的决策树完整且精确度高。
附图说明
图1是本发明的基于能耗数据关联挖掘的建筑节能改造决策方法步骤1的流程图;
图2是本发明的基于能耗数据关联挖掘的建筑节能改造决策方法步骤2的流程图;
图3是本发明的基于能耗数据关联挖掘的建筑节能改造决策方法建立的空调系统耗电量判定树示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
基于能耗数据关联挖掘的建筑节能改造决策方法,包括以下步骤:
步骤1:如图1所示,通过划分技术,采用改进的布尔型关联规则挖掘频繁项集算法建立关联分析,对所有数据事务进行2次全局扫描,挖掘得到频繁项集Lk,提高海量数据挖掘的效率。具体包括:
步骤1-1:假设有n个执行Map任务的节点,将数据库中待分析的数据事务平均分为n个数据事务子集;
步骤1-2:每个节点对其数据事务子集进行扫描,产生该子集的候选k项集的集合其支持度计数为1,
步骤1-3:将每个节点上相同的候选k项集的支持度计数累加,得到候选k项集在该节点上的支持度计数sup_kn;
步骤1-4:利用hash()函数将分成r个不同的分区分配到指定的节点上,同时将其支持度计数sup_kn发送到相应节点;
步骤1-5:r个节点把具有相同k项集的支持度计数累加,得到最后的实际支持度sup_k,当sup_k大于等于最小支持度阈值sup_min时,则将此节点上的频繁k项集确定为Lkr;
步骤1-6:把r个节点产生的所有频繁k项集Lk1-Lkr合并,得到全部的频繁k项集的集合Lk,直到不再产生新的Lk,结束。
步骤2:如图2所示,采用C4.5算法对不完整的训练样本进行处理,分类规则易于理解,准确率较高,生成决策树并进行修正,得到一个精确度较高的、完整的决策树。具体包括:
步骤2-1:计算三个节能效果即叶节点的期望信息作业,得到InfoMapReduce;
步骤2-2:计算每个属性的期望信息需求作业,得到InfoAMapReduce;
步骤2-3:计算每个属性的信息增益作业,得到GainMapReduce;
步骤2-4:计算每个属性的信息增益率作业,得到GainRatioMapReduce;
步骤2-5:排序作业,得到RankMapReduce。
步骤3:对建筑结构信息和能耗数据进行预处理,具体包括:
对建筑结构信息进行编码,并对数据编码格式化,将建筑信息统一成适合数据挖掘的形式。建筑结构信息包括:建筑结构形式、建筑外墙材料类型、外墙保温形式、外窗类型、玻璃类型、窗框材料类型。对于建筑信息缺失的能耗数据直接删除,对缺失的空调系统能耗数据用当月空调系统能耗平均值填补。在不影响数据挖掘结果质量的前提下,尽可能保持了原数据的完整性。
步骤4:进行关联数据挖掘,具体包括:
通过数据预处理,按建筑面积是否超过2万平米进行划分,将建筑空调系统制冷器耗电量进行统计,得到单位面积耗电量,并将耗电等级进行划分:单位面积耗电量小于4为低耗电等级,单位面积耗电量大于4小于等于7为正常耗电等级,单位面积耗电量大于7为高耗电等级。
并将步骤1得到的频繁项集与制冷器空调系统单位面积耗电量数据相结合,得到建筑结构和能耗数据的关系,进而得到若干频繁项集及对应的建筑关系。例如要采用普通玻璃的建筑空调系统单位面积能耗略高于Low-E玻璃建筑;窗框材料采用断热窗的建筑空调系统单位面积能耗低于普通铝合金窗建筑等。
步骤5:如图3所示,建立空调系统耗电量判定树,进行分类决策树数据挖掘:根据空调系统耗电量判定树,依据建筑结构和能耗情况得到相应的节能改造决策建议。例如正常耗电的建筑,如果要进行节能改造可将普通玻璃更换为Low-E玻璃;高耗电建筑若进行节能改造,可将铝合金窗更换为断热窗,单玻单层窗更换为中空双层玻璃窗。在新建建筑设计中,尽量采用中空玻璃窗、Low-E玻璃、断热窗框,而尽可能少用玻璃幕墙作为外墙材料。
本发明的建筑节能改造决策方法只需对数据事务进行2次全局扫描,节约大量的时间和内存,提高效率,且对于上传不完整或错误的数据进行修正,使得获得的决策树完整且精确度高。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进应视为本发明的保护范围。
Claims (3)
1.基于能耗数据关联挖掘的建筑节能改造决策方法,其特征在于,包括以下步骤:
步骤1:采用改进的布尔型关联规则挖掘频繁项集算法建立关联分析,对所有数据事务进行2次全局扫描,挖掘得到频繁项集Lk:
步骤1-1:假设有n个执行Map任务的节点,将数据库中待分析的数据事务平均分为n个数据事务子集;
步骤1-2:每个节点对其数据事务子集进行扫描,产生该子集的候选k项集的集合其支持度计数为1,
步骤1-3:将每个节点上相同的候选k项集的支持度计数累加,得到候选k项集在该节点上的支持度计数sup_kn;
步骤1-4:利用hash()函数将分成r个不同的分区分配到指定的节点上,同时将其支持度计数sup_kn发送到相应节点;
步骤1-5:r个节点把具有相同k项集的支持度计数累加,得到最后的实际支持度sup_k,当sup_k大于等于最小支持度阈值sup_min时,则将此节点上的频繁k项集确定为Lkr;
步骤1-6:把r个节点产生的所有频繁k项集Lk1-Lkr合并,得到全部的频繁k项集的集合Lk,直到不再产生新的Lk,结束;
步骤2:采用C4.5算法对不完整的训练样本进行处理,生成决策树并进行修正,得到一个完整的决策树;
步骤3:对建筑结构信息和能耗数据进行预处理:对建筑结构信息进行编码,并对数据编码格式化;对于建筑信息缺失的能耗数据直接删除,对缺失的空调系统能耗数据用当月空调系统能耗平均值填补;
步骤4:进行关联数据挖掘:将建筑空调系统制冷器耗电量进行统计,得到单位面积耗电量,并将耗电等级进行划分:单位面积耗电量小于4为低耗电等级,单位面积耗电量大于4小于等于7为正常耗电等级,单位面积耗电量大于7为高耗电等级;并将步骤1得到的频繁项集与制冷器空调系统单位面积耗电量数据相结合,得到建筑结构和能耗数据的关系,进而得到若干频繁项集及对应的建筑关系;
步骤5:建立空调系统耗电量判定树,进行分类决策树数据挖掘:根据空调系统耗电量判定树,依据建筑结构和能耗情况得到相应的节能改造决策建议。
2.根据权利要求1所述的基于能耗数据关联挖掘的建筑节能改造决策方法,其特征在于,步骤2具体包括:
步骤2-1:计算三个节能效果即叶节点的期望信息作业,得到InfoMapReduce;
步骤2-2:计算每个属性的期望信息需求作业,得到InfoAMapReduce;
步骤2-3:计算每个属性的信息增益作业,得到GainMapReduce;
步骤2-4:计算每个属性的信息增益率作业,得到GainRatioMapReduce;
步骤2-5:排序作业,得到RankMapReduce。
3.根据权利要求1所述的基于能耗数据关联挖掘的建筑节能改造决策方法,其特征在于,步骤3中的建筑结构信息包括:建筑结构形式、建筑外墙材料类型、外墙保温形式、外窗类型、玻璃类型、窗框材料类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810838136.8A CN109086820A (zh) | 2018-07-26 | 2018-07-26 | 基于能耗数据关联挖掘的建筑节能改造决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810838136.8A CN109086820A (zh) | 2018-07-26 | 2018-07-26 | 基于能耗数据关联挖掘的建筑节能改造决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109086820A true CN109086820A (zh) | 2018-12-25 |
Family
ID=64830918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810838136.8A Pending CN109086820A (zh) | 2018-07-26 | 2018-07-26 | 基于能耗数据关联挖掘的建筑节能改造决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086820A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112267596A (zh) * | 2020-10-14 | 2021-01-26 | 深圳市博大建设集团有限公司 | 一种绿色低碳节能建筑的构建方法 |
-
2018
- 2018-07-26 CN CN201810838136.8A patent/CN109086820A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112267596A (zh) * | 2020-10-14 | 2021-01-26 | 深圳市博大建设集团有限公司 | 一种绿色低碳节能建筑的构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102915347B (zh) | 一种分布式数据流聚类方法及系统 | |
CN108954680A (zh) | 一种基于运行数据的中央空调能耗预测方法 | |
CN103596191B (zh) | 一种无线传感器网络智能配置系统及其方法 | |
US20140280037A1 (en) | Pushdown Of Sorting And Set Operations (Union, Intersection, Minus) To A Large Number Of Low-Power Cores In A Heterogeneous System | |
CN108364016A (zh) | 基于多分类器的渐进式半监督分类方法 | |
CN107038167A (zh) | 基于模型评估的大数据挖掘分析系统及其分析方法 | |
US11687693B2 (en) | Method for evaluating fracture connectivity and optimizing fracture parameters based on complex network theory | |
CN109902203A (zh) | 基于边的随机游走的网络表示学习方法和装置 | |
CN105976048A (zh) | 一种基于改进人工蜂群算法的输电网扩展规划方法 | |
CN104935570A (zh) | 基于网络流连接图的网络流连接行为特征分析方法 | |
Bergelt et al. | Energy efficient handling of big data in embedded, wireless sensor networks | |
CN107220472A (zh) | 基于建筑面积和能效比的能耗仪及能耗评价方法 | |
CN103957582A (zh) | 无线传感器网络自适应压缩方法 | |
CN105045806A (zh) | 一种面向分位数查询的概要数据动态分裂与维护方法 | |
CN104468728A (zh) | 一种基于信息熵和方差的服务选择方法 | |
CN114357676A (zh) | 一种针对层次化模型训练框架的聚合频率控制方法 | |
CN109086820A (zh) | 基于能耗数据关联挖掘的建筑节能改造决策方法 | |
Khandelwal et al. | An efficient k-means algorithm for the cluster head selection based on SAW and WPM | |
CN108981807A (zh) | 一种土木工程建筑智能监测系统 | |
CN103995886B (zh) | 一种多维度产品设计知识推送框架与构建方法 | |
CN102801548A (zh) | 一种智能预警的方法、装置及信息系统 | |
CN102646126A (zh) | 一种基于元组不确定性的数据流有效聚类方法 | |
CN114818095B (zh) | 一种绿色建筑弹性约束节能优化方法 | |
CN116418589A (zh) | 基于联邦拆分学习的物联网异构设备异常流量检测方法 | |
CN107124410A (zh) | 基于机器深度学习的网络安全态势特征聚类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |