建筑能耗分析中的数据挖掘与机器学习

近年来，建筑能耗在其设计和施工过程中已经成为一个决定性的因素。随着碳占用空间成为日益严重的问题，所以优化建筑能耗和减少CO2排放是很重要的。因此本书提出了人工智能模型及与此应用相关的优化技术。
作者首先回顾了近的建筑能耗预测模型：工程方法、统计方法、人工智能方法，特别介绍了人工神经网络（ANN）和支持向量机（SVM）。然后本书集中于SVM，首先将其应用于建筑能耗，然后提出基本原理和其各种扩展方法及支持向量回归机（SVR）。然后作者转向递归确定性感知器（RDP），这通常在提出SVR模型降阶方法和并行计算的好处之前，用于通过仿真实验确定建筑能耗故障。然后本书通过介绍该领域的一些当前研究和进展作为结束。
 

建筑的能源性能受很多因素的影响，本书针对建筑的复杂特性，重点研究用新的数据挖掘和机器学习方法来对建筑能耗进行准确的预测、分析或者故障检测/诊断。本书涉及建筑能耗分析的建模及用于模型降阶与并行计算的技术和相关算法，同时提出了新的算法用于能耗分析预测及建筑能耗故障检测/诊断，既有一定的理论深度，又有较好的应用宽度。我国建筑能耗占社会总能耗很大的比例，目前对建筑能耗分析的理论、技术和方法所做的研究工作与国际先进水平有相当大的差距，在实际建筑中实施建筑能耗管理与分析的水平也较低。因此，当前特别迫切需要学习并借鉴国外在建筑能耗管理、优化控制与评估上的先进理论、技术与实施经验。
本书很好地填补了我国在建筑能耗相关领域的研究与应用的空白，对从事能源管理和能源效率的知识发现和数据挖掘研究领域的工程师有很大的吸引力，本书提出的算法对与建筑能耗分析相关的工程领域的研究生有很好的借鉴作用，对设计建筑的工程师也有很好的指导作用。后，对于建筑能耗的预测分析对我国的建筑能耗管理也有很好的促进作用。

Frédéric Magoulès为法国巴黎高等师范学校教授和匈牙利佩克大学名誉教授。其研究主要集中于并行计算、数值线性代数和机器学习。
Hai-Xiang Zhao是法国阿玛迪斯高级研究员。其研究主要集中于并行计算、数据挖掘和机器学习。

译者序
原书序
原书前言
第 1章　建筑能耗分析概述 //1
1.1　简介 //1
1.2　物理模型 //2
1.3　灰色模型 //3
1.4　统计模型 //4
1.5　人工智能模型 //5
1.5.1　神经网络 // 5
1.5.2　SVM // 7
1.6　现有模型的比较 //8
1.7　小结 //9
第2章　建筑能源分析的数据采集 //10
2.1　简介 //10
2.2　调查或问卷调查 //10
2.3　测量 //12
2.4　仿真 //14
2.4.1　仿真软件 // 15
2.4.2　仿真过程 // 16
2.5　数据不确定性 //19
2.6　校准 //20
2.7　小结 //21
第 3章　人工智能模型 //23
3.1　简介 //23
3.2　ANN //24
3.2.1　单层感知器 // 24
3.2.2　前馈神经网络 // 25
3.2.3　RBF网络 // 26
3.2.4　RNN // 27
3.2.5　RDP // 28
3.2.6　神经网络的应用 // 30
3.3　SVM //31
3.3.1　SVC // 31
3.3.2　ε-SVR // 34
3.3.3　一类 SVM // 36
3.3.4　多类 SVM // 37
3.3.5　ν-SVM // 38
3.3.6　直推式 SVM // 39
3.3.7　二次型问题求解器 // 40
3.3.8　SVM的应用 // 46
3.4　小结 //47
第 4章　建筑能耗分析中的人工智能 //48
4.1　简介 //48
4.2　建筑能耗预测中的 SVM //48
4.2.1　能耗预测定义 // 48
4.2.2　实际问题 // 49
4.2.3　SVM用于预测 // 52
4.3　神经网络用于故障检测和诊断 //56
4.3.1　故障描述 // 58
4.3.2　故障检测中的 RDP // 58
4.3.3　故障诊断中的 RDP // 61
4.4　小结 //63
第 5章　SVM的模型降阶 //64
5.1　简介 //64
5.2　模型降阶概述 //64
5.2.1　包装器方法 // 65
5.2.2　滤波器方法 // 65
5.2.3　嵌入式方法 // 66
5.3　模型降阶用于能耗 //66
5.3.1　简介 // 66
5.3.2　算法 // 67
5.3.3　特征集描述 // 68
5.4　独栋建筑能耗的模型降阶 //69
5.4.1　特征集选择 // 69
5.4.2　实验评价 // 71
5.5　多栋建筑能耗的模型降阶 //72
5.6　小结 //74
第 6章　SVM的并行计算 //75
6.1　简介 //75
6.2　并行 SVM概述 //75
6.3　并行二次问题求解器 //76
6.4　基于 MPI的并行 SVM //78
6.4.1　信息传递接口编程模型 // 78
6.4.2　Pisvm // 80
6.4.3　Psvm // 80
6.5　基于 MapReduce的并行 SVM //81
6.5.1　MapReduce编程模型 // 81
6.5.2　缓冲技术 // 82
6.5.3　稀疏数据表示 // 83
6.5.4　MRPsvm和 Pisvm的比较 // 83
6.6　基于 MapReduce的并行ε-SVR //85
6.6.1　实施方面 // 85
6.6.2　能耗数据集 // 86
6.6.3　建筑能耗预测评价 // 87
6.7　小结 //89
第 7章　建筑能耗分析的总结与展望 //90
参考文献 //92

建筑能耗在所有能耗中占有相当大的比例，因此建筑节能在能源领域是一个很重要的课题。建筑的能源系统很复杂，因为它受到很多因素的影响，如环境气象条件，建筑特性，居住者及其行为，加热、通风和空调（ Heating，Ventilating and Air-Conditioning，HVAC）系统这些分段部分的运行。这些复杂特性使得想快速、准确地进行建筑能耗的预测或者故障检测 /诊断很困难。
人工智能模型在解决复杂问题上引起了广泛的关注。在本书中，回顾了近为解决这些问题而开发的模型，包括详细的和简化的工程方法、统计方法和高效的人工智能方法。然后，对单个和多个建筑的能耗分布通过测量进行了确定或者进行了仿真。基于这些数据集，对用于预测的 SVM模型进行了训练和测试。大量实验结果表明，这些模型具有较高的预测精度和鲁棒性，然后利用 RDP神经网络模型来对建筑能耗进行故障检测和诊断，并提出了一种故障诊断的新方法。它是基于 RDP模型的评价，其中每种方法都能检测一种设备故障。怎样选择特征子集将影响模型性能。这里根据获得数据的可行性和两种滤波方法评价下所提供的得分，来选择特征。实验结果证明了所选子集的有效性，且表明所提出的特征选择方法能保证模型精度并减少计算用时。后，预测建筑能耗困难的挑战之一是当数据集很大时对模型训练的加速。本书为了解决这样的问题，基于分解算法提出了一种 SVM的高效并行实现方法。并行化在费时的训练工作中被执行，即更新梯度矢量 f。内部问题使用一个序列小优化求解器进行处理。潜在的并行由一个共享内存 MapReduce范例来处理，使得系统尤其适用于多核的和多处理器系统。实验结果表明，与 Libsvm相比，这里的实现提供了一个高速增长，并且在速度和存储要求上也优于的 Pisvm MPI实现。
本书结构如下：
第 1章中，首先介绍了建筑能源的概念，并介绍了本书的背景和动机、问题和挑战。然后，回顾了近开发的有关预测建筑能耗的模型和方法。这些先前的研究包括用合适的模型解决各级能源分析问题、优化模型参数、处理输入以获得更好的性能、简化问题及对不同模型的比较。后，总结每种模型的优缺点。即使这一章不能详尽说明，但它包含了建筑能源分析领域的书目分析和研究历史。因此，在次阅读时可以省略本章，但读者可以在阅读后面的章节时参考它作为进一步阅读或者作为补充信息源。
第 2章提出了如何获得历史能耗概况。列出了常见的方法并解释了为什么本书中选择用 EnergyPlus软件产生这些数据。另外，开发了合适的接口来控制 EnergyPlus仿真多建筑，多建筑的多样性来自不同结构特征、围护结构材料、居住者等。本章也介绍了数据的不确定性和校准。
第 3章介绍了一种流行的人工智能即人工神经网络（ ANN）的原理。介绍了该模型的机理和一些常用的扩展，如前馈神经网络、径向基神经网络、递归神经网络和 RDP。后，介绍了这些模型的应用。第 3章也介绍了另一种高能力人工智能模型，即 SVM，包括原始形式、对偶形式、正规化和核方法，加上扩展包括支持向量回归（ Support Vector Regression，SVR），一类、多类和直推式 SVM（transductive SVM）及应用。这些模型在如自动文本分类、计算生物学及图像处理等许多应用领域中显示了优越性。
第 4章对 SVR模型用于预测建筑能耗进行了评价。首先，针对制定实验提出了几个重要的问题，包括实验的示意流程、软件和硬件环境、所需的格式化数据、模型选择和模型性能评估。然后，应用 SVR来预测冬季区域供暖（近 2天评估，剩下的训练）、预测一年的电力消耗（任选 48h用于测试，其他的用于训练）。接下来，测试 SVR的鲁棒性。用三个数据集训练模型，即 1月、1~4月和 1~8月，其他每个月用来测试模型。然后，用 99栋大楼的能耗训练模型，在一栋全新的大楼测试。后，利用 RDP神经网络模型来检测和诊断建筑能耗故障，并提出了一种故障诊断的新方法。它基于几个 RDP模型的评价，其中每一个模型都能检测特定设备的故障。在实验中的诊断方法成功地诊断了冷机故障。它也能够根据故障的可能性对可能的故障源进行降序排列。
第 5章针对 SVR应用于建筑能耗提出了一种新的特征选取方法，并解释了相关的工作、算法和实现，用大量实验证明了该方法的有效性，根据实际应用的可行性和预报器的实用性来选择特征。后一个标准通过两种滤波方法来评价：梯度引导特征选择和相关系数法。为了评价所提出的方法，使用了三个训练集来评价特征选取前后模型的性能变化。实验结果表明，所选子集能够提供更具竞争力的预报器。在不损失模型性能的前提下减少特征数量，可以使模型更容易用于实践，在某些情况下也可以改善性能。例如，对于 50座建筑的数据采用径向基函数和多项式核，模型精度提高且学习成本明显降低。将机器学习方法应用于建筑能耗预测时，该工作是选择特征子集的指南。
第 6章提出了一种适用于多核系统的原始的 SVR和 SVC并行算法。介绍了相关工作、分解二次规划问题（ Quadratic Problem，QP）求解器、 SVC五个基准数据集的实现细节及比较实验和结果分析。然后，介绍了并行 SVR及其在建筑能耗预测中的