隨著(zhù)人工智能、物聯(lián)網(wǎng)、大數據等前沿科技的興起，那些曾經(jīng)只出現在科幻電影里，看似遙遠的智慧樓宇正在走近我們的生活！然而，每一個(gè)做過(guò)智能樓宇的從業(yè)者都能感受到自己知識面的局限性，并且希望有一種技術(shù)能幫助自己更好地實(shí)現業(yè)務(wù)目標，而且使用起來(lái)不太復雜。今天蘭州樓宇亮化的小編就來(lái)講講如何在數據科學(xué)的驅動(dòng)下，三步把“未來(lái)樓宇”變?yōu)椤艾F實(shí)”。

但是過(guò)去五年的新技術(shù)們在智能樓宇中的探索和實(shí)踐卻一直有“不成氣候”的感覺(jué)，也沒(méi)有行業(yè)規范和標準，行業(yè)本身并沒(méi)有得到實(shí)質(zhì)性的發(fā)展，而住戶(hù)們希望得到的的體驗也參次不齊。這里面當然有物聯(lián)網(wǎng)的技術(shù)路徑非常多，而業(yè)主很難理清楚孰優(yōu)孰劣的原因，有技術(shù)方案或項目方對自己和用戶(hù)的“體驗”提升無(wú)法通過(guò)技術(shù)手段直接認識的原因，也有缺乏有效的工具來(lái)聚合各方力量從而實(shí)現需求的迭代的原因。
其實(shí)拋開(kāi)對數據科學(xué)各種算法、數據清洗等的畏懼，數據科學(xué)的應用過(guò)程實(shí)際上和我們要解決“把大象塞進(jìn)冰箱里”的問(wèn)題是一樣的，我們這里來(lái)分解一下如果數據科學(xué)要在剛才這種場(chǎng)景下發(fā)揮作用，一共需要多少個(gè)步驟。只要三步
首先，選擇并清洗數據
我當然假設了各種5A系統、物聯(lián)網(wǎng)方案其實(shí)已經(jīng)提供了足夠多的數據，只是在面對這個(gè)主題時(shí)我們并不需要所有的數據：過(guò)多的數據維度不僅浪費計算資源，更會(huì )對數據科學(xué)的推演產(chǎn)生反作用力。在該領(lǐng)域..的協(xié)助下，我們選擇了四個(gè)維度的數據：”通過(guò)空氣處理裝置前, 冷卻水環(huán)中的水溫度（下圖回路中的chT1）”、“通過(guò)空氣處理裝置后, 冷卻水環(huán)中的水溫度（chT2）”、“冷水循環(huán)中的水流量（chFlow）”、“通過(guò)冷水機組前冷凝器回中的水溫度（coT1）”，用這四個(gè)影響力.大的數據維度加上時(shí)間來(lái)做出預測。
第二步，選擇合適的算法模型
我們因為是想發(fā)現這個(gè)功耗的變化和整個(gè)HVAC中的其他可觀(guān)測的傳感器給的數值之間的關(guān)系，從而確定如何.有效地做大樓的水冷控制，所以回歸模型可能是比較合適的方法。但是具體哪種回歸我也不清楚，沒(méi)關(guān)系，在合適的工具中我可以多選兩個(gè)比較一下。我們這里以微軟的Azure Machine Learning Studio為例，我們選擇了神經(jīng)網(wǎng)絡(luò )回歸和決策森林回歸兩種算法。不要被這兩個(gè)算法的名稱(chēng)嚇倒（當然如果你是學(xué)數學(xué)的請忽略這句），在現代化的機器學(xué)習工具面前，你可以把這些算法理解成你需要的某個(gè)型號的鋼材或者PV管，而且你可以無(wú)限次地嘗試，直到你看到你想要的結果。
第三步，開(kāi)始訓練模型并調整算法中的參數
整個(gè)過(guò)程就是一個(gè)所見(jiàn)即所得的運用數據科學(xué)來(lái)判斷大樓.佳冷水機組工作環(huán)境的模擬過(guò)程。從模型跑完給出的結果來(lái)觀(guān)察（是的，此時(shí)還是需要懂行的人來(lái)觀(guān)察這個(gè)結果的含義），當冷水機組水流量從 3600 LPM 以下增加到 3600 LPM 以上時(shí), 從模型的結果可以觀(guān)察到快速的功耗上升。這種現象通常代表著(zhù)暖通空調系統的容量故障。這意味著(zhù)冷水機組幾乎已經(jīng)達到了冷卻能力的極限, 盲目增加水流只會(huì )浪費更多的電力, 不會(huì )再吸收更多的熱量。值得一提的是, 在重新檢查了真實(shí)的歷史數據后, 我們在流量>3600 時(shí)確實(shí)發(fā)現了幾次容量故障的發(fā)生。基于這些觀(guān)察, 我們將 3600 LPM 定義為該暖通空調系統中的閾值。每當超過(guò)3600時(shí), 將在此大樓的控制系統中觸發(fā)警報, 并啟動(dòng)備份冷水機組以緩解這種容量故障情況。