（浙江中易和节能技术有限公司浙江省杭州市310053）
摘要：数据问题多、发现和处理不及时是目前公共机构能耗监测平台普遍存在的问题，在对公共机构能耗监测平台常见的数据缺陷和问题进行研究的基础上，按照数据缺陷的不同程度，对数据缺陷进行了模糊归类，并对不同数据问题进行数学模型抽象，并结合不同数据属性，提出了一套简单数据纠错数学方法。以某实际办公建筑能耗监测平台为基础，在数据库层面，应用该数据纠错和辨识算法对能耗监测平台出现的数据问题及时响应并在线缺陷辨识。该方法能够快速对数据问题进行响应和辨识，有效避免能耗监测平台因数据问题带来的不同程度的后果。
关键词：公共建筑；能耗监测；平台数据；辨别方法；在线诊断
引言
建筑能耗监测平台将物联网、云计算等技术应用于建筑能源管理工作中，实现了对建筑用能情况的在线监测和数据实时采集。作为建筑能源管理体系的重要环节，建筑能耗监测平台的建立提高了建筑节能管理工作的精细化程度，同时也为相关研究工作和政策制定提供数据支持。
1.阻碍建筑能耗监测平台数据利用的技术障碍
1.1缺乏对能耗监测平台数据的有效处理方法。
由于“技术”和“管理”的原因，建筑能耗监测平台数据质量普遍不高，存在大量“问题”数据。目前还缺乏对这些“问题”数据科学识别和有效处理的方法，导致“问题”数据无法及时被处理，平台监测结果失真。
1.2缺少对不同能耗监测平台的数据统一存储和分析的方法。
由于建筑能耗监管平台的分类模型、监测内容、数据存储形式千差万别，导致不同平台的数据间无法进行横向对比和统一分析，限制了能耗监测平台在建筑节能工作中发挥更大的作用。
2.建筑能耗监测平台数据处理方法
传统的数据识别方法主要是阈值法，但是该方法的阈值难以确定，阈值选取不当对输出结果影响极大，且该方法不能动态适应变化。因此一些学者提出了针对建筑能耗数据的智能识别方法，但是算法过于复杂，并不适合能耗监测平台对数据快速处理的要求。传统的数据补充方法主要是插值法和定值补充法，这些方法使数据质量大幅降低。因此本文提出一种准确度较高、计算量较小的数据识别和补充方法。它包括分层次“问题”数据识别、建筑（设备）用能模式特征数据集建立、智能数据补充等步骤。
2.1“问题”数据分层次识别
根据对监测平台数据质量的调研分析，本文按照是否反映建筑真实能耗情况，可以将数据分为真实和失真数据两类。真实数据包括用能正常数据、用能异常数据。失真数据包括突变数据和“0”数据。其中用能异常数据、突变数据、“0”数据为“问题”数据。对于“0”数据十分容易识别，其特点为计量表累计示数为“0”。在完成对“0”数据识别的前提下，对突变数据进行识别。对于突变数据的识别，可以根据计量表累计示数单调递增的特性，依据前后累计数据差值，既单位时间能耗值的正负来判断。判断数据表达式如式（1）。（Ai－Ai－1）（Ai－Ai+1）＜0既Ei－1×Ei＜0（1）在完成对“0”数据和突变数据的识别后，进行异常数据识别。异常数据的识别方法需要建立在构造建筑（设备）典型用能模式的基础上。首先根据粗糙集理论，按照用能影响因素将剩余的数据划分若干类典型用能模式。对于照明、动力等只与服务水平相关的子系统，能耗数据可以按照是否是休息日以及每天24h分成共48类典型用能模式。对于空调等还与天气因素相关的子系统，能耗数据逐日能耗可以按照是否为工作日、每天24h以及气温高低（分N档）分为24×N类典型用能模式。该分类方法可以利用数据库自动完成。考虑到相同用能模式下，正常和异常能耗数据均会按照一定的频率出现，可以根据数据出现概率来判断数据是否异常。因此，本文选择基于分布的异常点识别法。假设每一类用能模式的能耗数据都服从正态分步。计算每一类用能模式能耗数据集的数学期望和方差，选定置信水平，置信区间内的数据认为是正常数据，置信区间外的数据认为是异常数据。实际应用时，可以根据数据的积累，实时计算更新特征数据集。
2.2“问题”数据的智能补充
为提高能耗监管平台数据质量，需要剔除识别的出“0”数据、突变数据，并对这些数据予以补充。本文提出一种基于用能模式的、智能的数据补充方法。假设在时间序列上存在n个连续的问题数据，包括“0”数据和突变数据，问题数据发生前一时刻计量表累计示数为A，问题数据结束后一时刻计量表累计示数为B。根据问题数据发生的时间、温度等信息确定每个问题数据所对应的用能模式，则可以获得该用能模式能耗集的数学期望μ和方差Δ。对问题数据的补充可以表达为如下数学问题：已知：A和B，n，Σni=1Ei=B－A，Ei服从F（μi，Δi）分布；求：Ei描述此问题的方程组不闭合，引入Σni=1Ei－μiΔ（）i2最小作为评价数据补充质量的约束条件。采用拉格朗日法对方程组求解得式（2）：Ei=μi+Δ2iΣni=1Δ2i（B－A－Σni=1μi）（2）。
3.数据问题抽象
大型公共机构能耗监测平台数据缺陷的方式多种多样，按照缺陷来源划分可归纳为硬件缺陷、通讯缺陷、软件缺陷；按照处理方式划分可归纳为需整改缺陷、需修正缺陷；按照数据缺陷的严重等级划分可分解为无数据、数据错误、数据有严重误差、数据有误差。如果更抽象地看待问题，数据缺陷可以描述为“正常”、缺陷“正常”、正常“缺陷”和“缺陷”。其中正常”：指数据正常，计量值反映实际情况，且设备运行正常；“缺陷”：指数据异常，计量值不能反映实际情况；正常“缺陷”：指的是数据异常，但计量值反映了实际情况，数据异常的原因是当前设备异常、计量过程异常或使用方法异常；缺陷“正常”：指的是数据表面上显示正常，但因为设备、计量、使用等异常情况，导致数据无法和正常数据简单区分，需要额外的信息进行数据缺陷的发现。
3.1正常“缺陷”：数据正确，数据记录时间段缺失，若表具数据记录起点为Tx，但由于诸如数据采集设备掉电，数据传输故障，数据库本身问题等原因，造成数据记录不完整，记录缺失，根据缺失程度，可分为首尾数据缺失，或是首尾及中间数据缺失。对于独立的计量参数，数据缺失可通过时间维度进行判定，若该数据和其他一个或多个数据相互关联，可通过相关联的其他数据进行判断。如冷机设备，存在机组冷冻或冷却侧供回水及流量数据记录完整，但电耗数据缺失的情况，对于该种情况，冷机电耗数据的缺失可通过机组的其他相关参数判定。该类由记录时间造成的缺失可抽象为以下的数学式表达：（1）（Ts＜Tx＜Te）=Null；Vx=Null；式中：Ts为数据记录起始时间；Te为数据记录结束时间；Tx为某时间变量，该式理解为在时间段Ts和Te之间，存在数据记录时间段和数值缺失；
3.2正常“缺陷”：表具正常测量设备的真实数据，由表具连接错误造成的数据不对应。表具与现场编号不一致将导致设备实际能耗被统计错误，此类问题若发现不及时，会对后续的工作产生不同程度的影响该类数据问题判定可从多个维度进行考虑，对于数据特征突出的参数，可通过数据常识范围进行判定；同一类型的参数，该类错误不易发现，因此，该类问题需要其他参数辅助进行数据辨识。例如：将室外温度参数和室外PM2.5参数仪表记录混淆，可通过简单的数据范围判断对错误进行辨识，前提是PM2.5参数和温度范围在2个不同维度中。
4.结束语
本文提出的一些方法，能够基于数据库层面，对能耗平台获取的实时数据进行快速在线数据缺失和错误类型判断，高效、快速地对能耗平台数据问题做出响应，是提高能耗监测平台数据存储质量和效果的重要保障，能够及时避免能耗监测平台数据问题带来的不同程度的后果，为积极有效地采取措施、实现建筑节能打好基础。
参考文献：
[1]李苗苗.基于无线网络的建筑能耗监测系统研究[D].安徽理工大学，2013.
[2]张伟.基于季节灰色预测理论的公共建筑节能领域能耗监测研究[D].河北工业大学，2011.
[3]孙雅雯.基于Vague集模糊理论的节能方案选择在校园节能监管平台中的应用研究[D].安徽大学，2014.
[4]何杰.输变电设备物联网关键技术研究[D].湖南大学，2013.