导读

目前，全国33个省市开展了国家办公建筑和大型公共建筑能耗监测平台建设，积累了大量公共建筑能耗监测数据。政府节能管理部门和科研院所致力于重要研究课题。

本文从数据质量提升、数据应用实践、数据深化研究等方面介绍了上海市公共建筑能耗监测数据的应用现状，分享了上海市办公楼和大型公共建筑能耗监测平台的运行经验。 ，并讨论了能耗监测平台。消费监控平台的发展趋势推动公共建筑智能化运营管理的发展。

作者 | 志建杰、吴伟琴（上海建筑科学研究院）

论文来源|2018城市发展与规划论文集

1. 背景

自2007年住建部、财政部印发《关于加强国家办公建筑和大型公共建筑节能管理的实施意见》以来，截至目前，已有33个省市开展了开展公共建筑能耗监测平台建设。北京、上海、重庆、天津、深圳、江苏、山东、安徽等8个省市已通过公共建筑能耗监测平台验收，实施能耗监测的建筑已超过1万座。，公共建筑能耗数据积累已初具规模，

首先是对数据质量改进的研究[1,2]。由于能耗监测数据是从楼宇采集传输的，可能会出现一些问题，如监测仪表损坏、网络通讯中断、数据丢包等，导致监测平台接收到的数据不正确，对后续的数据挖掘和研究产生重大影响。因此，数据质量的提高是数据应用的前提和关键环节；

二是宏观管理层面的数据应用研究[3]，利用监测数据为政府政策制定和标准制定提供数据支持；

三是单体建筑节能管理与优化运行研究[4-6]，利用建筑自身能耗监测数据进行预测，发现建筑运行问题，提出优化策略。

但是，目前能耗监测数据的应用还处于探索开发阶段，还有很大的发展空间。构想探讨公共建筑能耗监测数据的应用方法和应用方向，希望能点对点带动全国公共建筑节能领域的智能化、产业化发展，为建筑节能减排提供助力，城市精细化管理。

2.上海市办公楼及大型公共建筑能耗监测平台

2.1 平台发展与规模

2010年，上海市按照统一部署和工作指导，完成了200座大型公共建筑能耗分表系统的安装和联网，建成了国家机关和大型公共建筑能耗监测平台在上海（以下监测“上海市能耗监测平台”）。

图1 上海市能耗监测平台系统架构图

2012年起，为贯彻落实《关于加快落实本市国家办公建筑和大型公共建筑能耗监测系统建设实施意见的通知》（胡福发[2012]上海市人民政府49号文，按照“1+17+1”模式和“全市一、分级管理、互联互通”的原则（如图1所示），能耗监测平台已于2014年底全面扩建并通过验收，进入常态化运行阶段。

截至2017年12月31日，上海共有1592座公共建筑完成能耗分表安装，并与能耗监测平台实现数据联网，建筑面积7.430.@ >6万平方米，其中国家机关办公楼187栋，占监控总量的11.7%，建筑面积约378.6万平方米；大型公共建筑1405座，占88.3%，建筑面积约7.052.00000平方米。表 1 显示了按建筑功能分类的统计数据。

2.2 上海市公共建筑综合能耗

2017年，接入上海市能耗监测平台的公共建筑年总用电量约80.@>5亿千瓦时，其中写字楼、商场建筑、综合楼和旅游酒店的总用电量建筑物比较大。，四类建筑用电量占总用电量的85.9%。各类建筑年用电量占总用电量的比例见图2。

图2 2017年上海能耗监测平台接入建筑年能耗占比

2014-2017年，接入能耗监测平台的建筑总面积增加约74.9%，年总用电量增加约82.1%。图 3 显示了能耗监测平台上建筑物总用电量的历年变化。2014年接入能耗监测平台的建筑单位面积年均用电量为/m2，2017年为/m2，整体能耗水平变化平稳。

图3 2014-2017年上海市能耗监测平台建筑年总用电量

3. 能耗监测数据质量提升

3.1 制定统一的数据判断标准

根据上海能耗监测平台[7]的数据分析，异常数据主要分为三类：数据缺失、数据错误和数据不平衡。

(1）无数据，即没有上传数据；

（2）缺失项，即总用电量、空调子项、照明子项、电源子项或特殊子项中的某些数据缺失；

(3）数据中断，即数据上传断断续续，异常时间长。

数据错误包括

(1）数据太小，即数据反了或者数值太小，不符合实际；

(2）数据太大，即数值太大，不符合实际；

(3）“假”数据，即由于某种原因，数据长期保持不变，不符合客观规律。

(1）子项之和小于总用电量；

(2）子项之和大于总用电量。

通过对各类异常的特点及其对数据分析的影响进行分析，最终形成上海市公共建筑能源监测系统能耗（用电量）数据采集异常判断依据，如表2所示，并由国家能源局发布。市主管部门。，统一全市各级平台的判断依据，制定详细的判断执行细则，使各平台规模统一，有利于各平台主管部门了解能耗监测情况平台，以制定提高数据质量的工作计划。.

3.2 基于Spark分布式平台的异常数据恢复技术

上节描述的判断依据只是初步的异常数据识别，基本方法是阈值法。为了实现对大量公共建筑每小时能耗监测异常数据的实时修复，提高能耗监测数据的准确性和可用性，建立了一套基于多种机器学习方法的方法。上海能耗监测平台运行经验 异常数据识别与修复技术[2]。k-means聚类方法主要用于找出偏离组的异常值，然后使用KNN（K-）算法对目标数据进行修复[8-10]。

考虑到接入能源监控平台的建筑物数量和未来增量，构建了Spark分布式平台进行数据处理。分布式平台具有更好的可扩展性。Spark作为一个新兴的大数据处理引擎，能够更好地适用于数据挖掘、机器学习等迭代Map算法。除了本节描述的异常数据修复外，未来的数据挖掘和处理都可以通过这个平台实现。

基于Spark的能耗大数据分析平台采用16.04 64位作为系统环境。Spark与上海能耗监测平台的数据交互方式有两种。它们是将整个数据库中每小时的能耗数据复制并存储到服务器上，并使用自己与数据库的连接来实时查询所需的数据。由于需要实时过滤异常值和补充数据，将整个每小时数据能耗表复制到服务器的方法占用了更多的内存和计算时间，效率低下。能耗监测平台数据交互可实时查询，更符合需求，效率更高，开发难度更低，更便捷。所以，

图4 基于Spark分布式平台的异常数据修复流程逻辑图

整个运行过程逻辑图如图4所示。目前，该技术已在上海能耗监测平台上试运行，运行效率高。每天修复1500多栋建筑数据仅需8分钟，效果好，准确率可达90%。图 5 显示了某个 Fix 示例。

图 5 某日某建筑物异常数据修复效果

4.能耗监测数据应用实践

4.1 推广互联网能源管理产品

近年来，基于上海市能耗监测平台开发了一系列互联网产品，加大建筑节能宣传力度，方便主管部门工作管理，促进业主节能运营。

4.1.1 创建门户

2017年，上海市国家机关办公楼和大型公共建筑能耗监测中心（以下简称“上海市能耗监测中心”）建立门户网站：. 网站搭建了市政平台相关政策法规、标准规范、节能改造示范工程、信息公告、新闻动态等信息查询和浏览下载的载体。本市公共建筑能耗监测。为业主和业主提供更好的信息服务窗口。其主要功能模块如图6所示。

图6 上海市能耗监测中心门户

网站架构采用双重安全保护。第一层是通过网络进入能耗监控中心，需要通过预装的硬件防火墙。第二层是在访问数据库之前，门户网站调用的所有服务都在外部接口服务中，需要通过程序连接前后端调用内部数据服务，从而实现内部和外部数据的隔离，如图7所示。

4.1.2 发布“能源在线”系列应用

2016年，上海市能耗监测中心开发并发布了“能耗在线”（楼宇版）APP。本App旨在为业主或物业管理单位提供更好的服务，增强交互体验，让楼宇能源管理更加便捷高效，成为用户能源管理的得力助手。

图7 网络设计架构

考虑到建筑能耗数据的隐私性，该应用分为注册用户和认证用户两个用户组。注册用户对所有公众开放能耗管理app，可以看到示范建筑的数据，隐藏建筑名称和详细信息，让所有用户在保护数据隐私的前提下体验应用程序的主要功能。认证用户为已接入上海市能耗监测平台的楼宇。申请激活并与手机绑定后，即可登录App查看所属楼宇的数据，为楼宇运营提供指导。该App的主要功能如图8所示。

图8 能耗在线（建筑版）主要功能介绍

该App的构建版发布后得到了广大业主的好评。因此，2017年，上海市用能监测中心应主管部门的要求，推出了“用能在线”（管理版）App，面向市级主管部门和区级管理人员。根据部门和主管部门的需要，开发了不同的功能（如图9所示），让管理部门随时掌握第一手的建筑能耗宏观数据分析，消除信息岛，实现不同管理部门之间的建筑节能信息化。共享。

图9 能耗在线主要功能介绍（管理版）

这两个应用程序都使用应用程序开发技术，并使用 IONIC 框架开发。IONIC是一个强大的HTML5 APP开发框架，无缝集成，采用MVVM模式，可以大大提高开发效率，提供本地化的样式和漂亮的UI组件，性能好。可以与IONIC集成，从而具备硬件接入能力；可以集成，大大提高APP的运行速度。

是一款开源引擎，基于谷歌开源内核，具有Web GL、Web RTC、索引DB、Web等高级特性。 Html5、CSS3，解决了碎片化兼容问题，大大提升了性能. .

4.2 促进建筑节能

4.2.1 建筑节能改造

根据上海市能耗监测平台数据，通过对同一建筑类型的能耗进行分类，筛选行业内能耗高的建筑，每年向相关主管部门提供名单，纳入节能减排计划。

2013年在上海市推动建设了住房和城乡建设部400万平方米重点城市公共建筑节能改造示范工程，也为节能减排提供了依据。示范项目的核算和验证。《审批办法（试行）》规定，优先采用能耗监测数据作为项目节能核算的依据。

4.2.2 建筑节能标准

上海市现行的合理用能指南有八项，涵盖政府办公建筑、星级酒店建筑和大型商业建筑，如表 3 所示。

上海市能耗监测平台数据为部分指南的制定和修订提供了数据支持。同时，基于上海市能耗监测平台数据，开展了上海市公共建筑能耗定额研究。制定商场、高等院校等6类建筑指标的技术路线，为相关主管部门后续制定指标标准提供依据。

同时，还为部分委办机构开发了网上直报和对标系统。业主通过系统填写建筑能耗及相关基本信息，系统会自动计算对标结果，如图10所示。系统一方面让业主了解建筑能耗水平。建设，另一方面为主管部门提供了便捷的管理工具。

0.0@>

图10 在线对标系统结果输出界面

4.3 发布上海市能源消费年度报告

以上海市能耗监测平台数据为基础，运用大数据分析思维，自2013年起，为全社会编制上海市国家机关、大型公共建筑全社会能耗监测分析报告（见图 11)。)，同时依托政府部门发布、印刷、分发报告。

报告在总结以往报告的社会反响和政府管理需要的基础上，逐年扩充和完善其结构和内容，增加了数据统计的深度和广度。

0.2@>

图 11 2013-2017年上海市国家机关和大型公共建筑能耗监测分析报告

2017年年报分为管理篇、城市篇、区域篇、行业篇四个篇章。多视角、多层次解读能耗数据，对用电量和分项用电量进行专题分析，有针对性地反映建筑能耗特征。，开展建筑能耗与影响能耗的信息如温度和天气、客流密度、人口流量等信息的联动分析。报告除由政府部门发布外，还可以从上海市建委网站、上海市能耗监测中心门户网站、“

4.4 深化数据分析研究

4.4.1 能耗预测

基于上海市能耗监测平台数据，通过数据分析，对公共建筑总用电量进行时间序列分析，建立能耗预测模型。如图 12 所示。

0.6@>

图 12 建筑能耗预测效果

此外，利用Spark数据分析平台，结合谷歌深度学习库，预测建筑每小时能耗。

目前通过研究，利用建筑物过去30天的数据进行训练，可以完成逐小时预测，即通过每小时收集的数据可以预测未来几个小时的能耗数据当时。这在需求侧管理方面具有极高的价值，可以预测能源消耗高峰的发生时间并进行预警。选择了一座建筑，并预测了工作日和周末的用电量。预测效果非常好，每小时平均错误率小于1%，如图13所示。

0.7@>

图 13 基于 Spark 数据分析平台的能耗预测应用效果

4.4.2 能量诊断

公共建筑种类繁多，如商场、写字楼、酒店等，其能耗差异较大，难以比较不同公共建筑的能耗水平。研究不同建筑类型的能耗参考值，以及基于建筑不同功能的不同项目的能耗参考值，对诊断和分析各类大型公共场所的能耗具有重要意义。建筑，可以帮助挖掘建筑的节能潜力并找到更好的方法来做到这一点。有效的节能改造技术才能真正达到节能的目的。

目前，上海市能耗监测平台采用多元回归分析的方法，对建筑总用电量、照明插座用电量、空调用电量、用电量等能耗分项和不同功能的面积进行拟合。区域，并获得能源消耗子项。判断单日能耗值，进而判断建筑单日能耗分项节能潜力。

上海能耗监测平台通过对大量建筑能耗实时监测动态计算，实现建筑日常能耗在线自动诊断，并通过“能耗在线”反馈给业主。建筑版）App，帮助探索建筑节能。潜力提供了一种强有力的评估手段和方法。

4.4.3 需求方响应

基于大量建筑能耗监测数据分析，将为供电侧改革和建筑用电需求侧管理提供重要支撑。上海市能耗监测中心对部分互联建筑进行实地调研，了解建筑分计量系统、设备运行情况等，开展建筑可中断负荷研究，分析公共建筑能耗曲线基于能耗监测平台功能的大量数据。提出了需求侧负荷响应分类方案，以及未来通过上海市能耗监测平台实现需求侧响应的初步机制，

5. 结论

本文介绍了当前基于上海市能源消耗监测数据在政府、业主和公众中的数据应用，实现了数据共享和共享。但是，目前的能耗监测平台数据主要集中在用电量上。随着建筑节能工作的推进和采集技术的发展，平台的数据覆盖范围将逐步扩大，覆盖所有能源类型和中小型公共建筑。结合BIM等其他系统，还可以覆盖设备运行等信息，数据的价值会更加明显。通过深度数据挖掘和信息技术应用，进一步实现楼宇智能化和优化运行，带动区域智慧能源布局，这样数据就可以从微观变为宏观。区域得到充分利用。

[1] 杨实，罗树祥，杜明，等。基于数据挖掘的公共建筑能耗监测平台数据处理方法。暖通空调，2015(2):82-86

[2] 吴伟钦. 基于机器学习算法的建筑能耗监测数据异常识别与修复方法 施工技术。2017(9):60-62

[3] 志建杰，徐强。上海市公共建筑能耗监测平台运行管理实践。建筑技术, 2016 (04）:17-20

[4] 陈雪梅．基于能耗监测平台的分项计量数据应用 建筑节能，2014 (08）:86-92

[5] 王祖忠. 建筑能耗监测系统应用分析。现代建筑电气，2014(2):59-63

[6] 刘芳，马晓文，基于公共建筑能耗监测系统的节能管理应用研究。建筑节能，2015(06):96-99

[7] 王鹤斌，吴伟钦。上海市能耗监测系统用电数据异常判定研究 工程技术，2016(6):227-229.

[8] Olga, , Gavin, et al.. 对 DNA 的价值。, 2001 (6): 520–525

[9] 刘爱鹏. 三种常见的缺失值填充方法。硅谷，2011(23):188

[10] 郝胜轩，宋宏，周晓峰．基于邻域噪声处理的KNN缺失数据填充算法。计算机模拟, 2014(7):264-268