0綜合能源平臺能耗預(yù)測與用能診斷關(guān)鍵技術(shù)研究匯報(bào)內(nèi)容1

任務(wù)回顧2總體進(jìn)展3

研究內(nèi)容與階段成果41經(jīng)費(fèi)使用情況下一步計(jì)劃5綠色建筑運(yùn)行能耗預(yù)測與用能診斷關(guān)鍵技術(shù)任務(wù)一使用需求對建筑用能系統(tǒng)能耗的影響規(guī)律研究√反映建筑使用需求參數(shù)選取方法研究√使用者需求與建筑用能系統(tǒng)能耗的關(guān)聯(lián)模型建立任務(wù)二建筑實(shí)時(shí)運(yùn)行能耗變化預(yù)測技術(shù)研究√建筑實(shí)時(shí)負(fù)荷預(yù)測技術(shù)研究√基于建筑個(gè)性化的實(shí)時(shí)能耗預(yù)測技術(shù)研究√基于建筑能源系統(tǒng)特性的理想能耗預(yù)測技術(shù)任務(wù)三建筑實(shí)時(shí)用能診斷技術(shù)研究√建筑能流拓?fù)潢P(guān)系的跟蹤和分析技術(shù)√多層級用能故障診斷分析方法任務(wù)四建筑機(jī)電設(shè)備系統(tǒng)能耗和室內(nèi)、外環(huán)境實(shí)時(shí)監(jiān)測云平臺研究和構(gòu)建√云平臺架構(gòu)研究√云平臺構(gòu)建技術(shù)研究任務(wù)五建筑能耗實(shí)時(shí)預(yù)測及用能診斷示范應(yīng)用數(shù)量不少于40棟、面積不少于200萬平方米示范工程

數(shù)據(jù)實(shí)時(shí)上傳監(jiān)

測云平臺，實(shí)現(xiàn)

能耗實(shí)時(shí)預(yù)測及診斷分析2任務(wù)回顧任務(wù)一任務(wù)二任務(wù)三任務(wù)四任務(wù)五2022.7-2022.122023.1-2023.62023.7-2023.122024.1-2024.62024.7-2024.122025.1-2025.6海量數(shù)據(jù)挖掘聚類法分析能耗影響規(guī)律研究使用需求與能耗關(guān)聯(lián)模型研究關(guān)聯(lián)模型驗(yàn)證、優(yōu)化和完善建筑實(shí)時(shí)負(fù)荷預(yù)測技術(shù)研究建筑實(shí)時(shí)運(yùn)行能耗變化預(yù)測研究建筑理想能耗預(yù)測技術(shù)研究大數(shù)據(jù)挖掘關(guān)鍵技術(shù)研究建筑實(shí)時(shí)用能診斷技術(shù)研究基于大數(shù)據(jù)的云平臺系統(tǒng)架構(gòu)研究能源環(huán)境數(shù)據(jù)集成系統(tǒng)開發(fā)示范工程選取15棟示范工程實(shí)施成果匯總材料整理驗(yàn)收準(zhǔn)備示范工程數(shù)據(jù)接入大數(shù)據(jù)處理存儲子系統(tǒng)開發(fā)能耗預(yù)測和診斷子系統(tǒng)開發(fā)和應(yīng)用示范平臺框架開發(fā)3總體進(jìn)展25棟示范工程實(shí)施簡稱MAEMAPER2全稱平均絕對誤差平均絕對百分比誤差R2統(tǒng)計(jì)量簡介反映誤差大小，單位與被預(yù)測量相同反映誤差相對大小，為與原始值的百分比反映模型擬合程度，取值0-1，趨于1擬合最好人工神經(jīng)網(wǎng)絡(luò)（ANN）支持向量機(jī)（SVM）應(yīng)用的偏差指標(biāo)K近鄰（k-NN）6研究進(jìn)展——能耗預(yù)測研究通過典型建筑及實(shí)時(shí)數(shù)據(jù)，建模之后進(jìn)行優(yōu)化和選擇，實(shí)現(xiàn)對建筑個(gè)性化的預(yù)測神經(jīng)網(wǎng)絡(luò)模型：改變使用的“數(shù)據(jù)集”偏差指標(biāo)MAE（kWh）MAPE（%）R210%取樣169.3836.840.839230%取樣166.7336.850.846250%取樣175.0441.280.846170%取樣175.5342.380.8401整年數(shù)據(jù)中隨機(jī)取樣，預(yù)測剩余數(shù)據(jù)反映全年能耗的能耗特征探究訓(xùn)練-測試集比例對模型的影響整體上誤差較大隨機(jī)取樣可用于模型測試，但不適用于實(shí) 際應(yīng)用前幾個(gè)月的歷史數(shù)據(jù)預(yù)測下一個(gè)月連續(xù)預(yù)測，測試集選擇為5-12月匹配實(shí)際應(yīng)用的場景1個(gè)月數(shù)據(jù)

194.44

42.490.82862個(gè)月數(shù)據(jù)

188.48

37.250.84403個(gè)月數(shù)據(jù)

213.04

39.230.81584個(gè)月數(shù)據(jù)

226.03

39.040.8091偏差指標(biāo)MAE（kWh）MAPE（%）R2使用前兩個(gè)月預(yù)測下一個(gè)月時(shí)效果最好可能是由于季節(jié)變化的影響需要更為詳細(xì)嚴(yán)謹(jǐn)?shù)暮罄m(xù)測試研究進(jìn)展——能耗預(yù)測研究加入“建筑運(yùn)行狀態(tài)”參數(shù)9點(diǎn)和22點(diǎn)時(shí)建筑并不處于完全開啟和完全關(guān)閉為這兩個(gè)時(shí)間點(diǎn)新增兩個(gè)狀態(tài)，作為輸入變量極限24個(gè)小時(shí)都各不相同（使用需求變化）4個(gè)狀態(tài)偏差指標(biāo)MAE（kWh）MAPE（%）R2僅開關(guān)狀態(tài)166.7336.840.84624個(gè)狀態(tài)96.1717.570.956524個(gè)狀態(tài)83.6813.520.9657可以觀察到誤差明顯下降8研究進(jìn)展——能耗預(yù)測研究改變“模型結(jié)構(gòu)”輸入為溫度、濕度、4個(gè)運(yùn)行狀態(tài)，30%隨機(jī)取樣訓(xùn)練改變隱藏層層數(shù)，和每層的隱藏神經(jīng)元數(shù)改變ANN隱藏層可以提高模型性能在層數(shù)大于2時(shí)趨勢穩(wěn)定在隱藏神經(jīng)元數(shù)大于5時(shí)模型性能較好9研究進(jìn)展——能耗預(yù)測研究使用支持向量回歸（SVR）為代表一整年的能耗特征，選取每個(gè)月前半月訓(xùn)練預(yù)測后半月分別考慮氣象參數(shù)、運(yùn)行狀態(tài)、歷史氣象SVR也能應(yīng)用于商場建筑能耗預(yù)測訓(xùn)練集輸入變量MAE（kWh）MAPE（%）R22024年商場每月前半月數(shù)據(jù)（共180天）溫度、濕度、時(shí)間段（工作與否）、9時(shí)、21時(shí)99.7619.5%0.958溫度、濕度、時(shí)間段（工作與否）、9時(shí)、10時(shí)、21時(shí)、22時(shí)84.6415.9%0.968溫度、濕度、時(shí)間段（工作與

否）、9時(shí)、10時(shí)、21時(shí)、22時(shí)、前一小時(shí)溫度與濕度84.3415.9%0.96610研究進(jìn)展——能耗預(yù)測研究k近鄰（k-NN）方法采用商場的數(shù)據(jù)，訓(xùn)練集為前半月，測試集為后半月選取變量為溫度、濕度、4個(gè)建筑運(yùn)行狀態(tài)，以及前一小時(shí)溫濕度改變模型的近鄰數(shù)（k值）0.9580.960.9620.9640.9660.9680.970.9720102030近鄰數(shù)405060R^2R216%16%17%17%18%18%19%0102040506030近鄰數(shù)MAPEMAPE改變近鄰數(shù)可以改變模型性能在該算例下，最優(yōu)選擇為1611研究進(jìn)展——能耗預(yù)測研究12目前研究都是針對單項(xiàng)使用需求對于建筑能耗影響的研究，缺乏針對多項(xiàng)使用需求綜合研究目前的使用需求對能耗的研究依然停留在利用公式求解或是軟件模擬上，沒有利用機(jī)器學(xué)習(xí)的手段進(jìn)行大數(shù)據(jù)研究研究進(jìn)展——建筑使用需求影響調(diào)研建筑使用需求室外氣象參數(shù)室內(nèi)環(huán)境參數(shù)室內(nèi)人員作用HVAC系統(tǒng)交通系統(tǒng)照明系統(tǒng)插座及其他建筑總能耗本：基于長期監(jiān)測海量數(shù)據(jù)，對室內(nèi)外環(huán)境數(shù)據(jù)、建筑運(yùn)行相關(guān)的人員行為、人員舒適與建筑能耗之間的相互作用規(guī)律進(jìn)行基礎(chǔ)性研究，探索可行的實(shí)驗(yàn)手段、數(shù)據(jù)分析與建模方法，最終得??建筑運(yùn)行需求對建筑能耗的影響規(guī)律。13通過使用不同的實(shí)測建筑使用需求參數(shù)組合對能耗數(shù)據(jù)影響進(jìn)行預(yù)測，通過比較不同參數(shù)組合的條件下擬合精度，從而反映不同使用需求對建筑能耗的影響。HVAC系統(tǒng)能耗室內(nèi)溫度、濕度、PM2.5濃度人員數(shù)量室外溫度、濕度照明系統(tǒng)能耗人員數(shù)量照度建筑總能耗室內(nèi)參數(shù)人員數(shù)量室外參數(shù)研究進(jìn)展——使用需求影響研究14測試案例測試參數(shù)：逐時(shí)能耗數(shù)據(jù)：總能耗、HVAC系統(tǒng)能耗、照明能耗逐時(shí)室外氣象參數(shù)：干球溫度、相對濕度逐時(shí)室內(nèi)環(huán)境參數(shù)：干球溫度、相對濕度、PM2.5、照度研究進(jìn)展——使用需求影響研究15建筑總能耗預(yù)測模型建筑總能耗室內(nèi)參數(shù)人員數(shù)量室外參數(shù)均方誤差平均絕對誤差RMSEMAE時(shí)間序列預(yù)測34.0520.98+室外參數(shù)28.1220.01+室內(nèi)參數(shù)31.3021.83+人員數(shù)量22.2216.96

+三參數(shù)預(yù)測

19.51

14.65

研究進(jìn)展——使用需求影響研究16空調(diào)能耗預(yù)測模型HVAC系統(tǒng)能耗室內(nèi)溫度、濕度、PM2.5濃度人員數(shù)量室外溫度、濕度均方誤差平均絕對誤差RMSEMAE時(shí)間序列預(yù)測5.263.87+室外參數(shù)4.713.64+室內(nèi)參數(shù)5.073.75+人員數(shù)量5.043.80

+三參數(shù)預(yù)測

4.96

3.76

研究進(jìn)展——使用需求影響研究17照明能耗預(yù)測模型均方誤差平均絕對誤差RMSEMAE時(shí)間序列預(yù)測5.263.87+室外參數(shù)4.713.64+室內(nèi)參數(shù)5.073.75+人員數(shù)量5.043.80

+三參數(shù)預(yù)測

4.96

3.76

照明系統(tǒng)能耗人員數(shù)量照度研究進(jìn)展——使用需求影響研究18能耗預(yù)測時(shí)加入建筑使用需求參數(shù)之后預(yù)測精度明顯提高使用需求參數(shù)對預(yù)測精度的影響程度排序?yàn)椋喝藛T參數(shù)>室外環(huán)境>室內(nèi)環(huán)境說明這三類使用需求參數(shù)對建筑能耗影響的作用因子排序?yàn)椋喝藛T參數(shù)>室外環(huán)境>室內(nèi)環(huán)境研究進(jìn)展——使用需求影響規(guī)律研究階段小結(jié)：嘗試了幾種不同的大數(shù)據(jù)挖掘算法，對建筑能耗進(jìn)行建模預(yù)測；通過改變訓(xùn)練集、優(yōu)化輸入變量以及改變模型本身的方法，可以一定程度上改善預(yù)測結(jié)果。特別是選擇合適的、對建筑運(yùn)行能耗有關(guān)鍵性影響的輸入變量。定義室外環(huán)境、室內(nèi)環(huán)境、在室人員數(shù)量為影響使用需求的重要參數(shù)；通過典型案例的分析可以得到，加入建筑使用需求參數(shù)之后，能耗預(yù)測精度均有提高，使用需求參數(shù)對能耗預(yù)測影響程度的初步結(jié)論：人員參數(shù)>室外環(huán)境>室內(nèi)環(huán)境。下一步將爭取更多的案例和數(shù)據(jù)，完善能耗預(yù)測方法。19研究進(jìn)展——能耗預(yù)測研究小結(jié)20節(jié)能診斷OTI方法節(jié)能診斷指標(biāo)體系觀察/交流(Observation)/(question)測試/計(jì)算(Test)/(Calculation)判斷/解決(Identification)/(resolution)空調(diào)系統(tǒng)能效比空調(diào)能耗指標(biāo)空調(diào)系統(tǒng)能效比空調(diào)末端能效比制冷站能效比冷水輸送系數(shù)冷源能效比制冷機(jī)效率冷卻塔風(fēng)機(jī)輸送系數(shù)冷卻水輸送系數(shù)研究進(jìn)展——用能診斷調(diào)研21國際能源署(IEA)傳統(tǒng)的建筑節(jié)能診斷研究項(xiàng)目名稱研究內(nèi)容Annex25確定了空調(diào)系統(tǒng)的常見故障，研究了各種故障檢測及診斷方法Annex34公布了26個(gè)故障檢測及診斷工具Annex40研究及驗(yàn)證了一些建筑空調(diào)系統(tǒng)的適用性驗(yàn)證工具Annex47研究現(xiàn)有建筑的能效及建筑的經(jīng)濟(jì)有效的驗(yàn)證工具研究進(jìn)展——用能診斷調(diào)研22基于數(shù)據(jù)挖掘的節(jié)能診斷建筑運(yùn)行能耗監(jiān)測與節(jié)能診斷系統(tǒng)基于數(shù)據(jù)挖掘技術(shù)的建筑系統(tǒng)性能診斷數(shù)據(jù)挖掘技術(shù)關(guān)聯(lián)性分析聚類分析向量支持器人工神經(jīng)網(wǎng)絡(luò)回歸分析數(shù)據(jù)預(yù)處理（數(shù)據(jù)清理、變型和降維等）BAS原始數(shù)聚類分析（分裂法、層次法、基于密度法等）關(guān)聯(lián)性分析（Apriori、Eclat、EP-growth等算法）后處理（知識提取、知識解讀等）知識應(yīng)用（系統(tǒng)運(yùn)行狀況的預(yù)測及評估、異常診斷、控制優(yōu)化等）其他數(shù)據(jù)挖掘技巧（預(yù)測、分類、序列模式識別等）研究進(jìn)展——用能診斷調(diào)研23節(jié)能診斷調(diào)研小結(jié)研究進(jìn)展——用能診斷調(diào)研現(xiàn)有的診斷發(fā)展趨勢方法傳統(tǒng)的節(jié)能診斷方法（白箱）和基于數(shù)據(jù)挖掘的診斷方法（黑箱）兩大類，各有優(yōu)勢但缺乏融合應(yīng)用白+黑（灰箱）的有效融合基礎(chǔ)主要針對于單一建筑（縱向分析）縱向分析+橫向比對，平臺海量數(shù)據(jù)的充分價(jià)值挖掘和利用數(shù)據(jù)由于數(shù)據(jù)源和有效性等限制，主要局限于用能數(shù)據(jù)的統(tǒng)計(jì)分析；其他運(yùn)營數(shù)據(jù)基本處于信息孤島基于集成化平臺的多維度大數(shù)據(jù)（BA、能耗、物管等）的充分利用和價(jià)值挖掘深化技術(shù)路線公共建筑節(jié)能診斷多依靠現(xiàn)場調(diào)研和檢測，未充分利用多類型大數(shù)據(jù)進(jìn)行用能分析診斷關(guān)鍵問題研究目標(biāo)研究內(nèi)容科技成果用能診斷技術(shù)數(shù)據(jù)挖掘分析技術(shù)通過多類型大數(shù)據(jù)挖掘，形成公共建筑用能分析診斷技術(shù)診斷專業(yè)數(shù)據(jù)庫集成建筑管理平臺建筑集群管理平臺橫向（多棟）縱向（單棟）數(shù)據(jù)挖掘?qū)I(yè)知識建筑實(shí)時(shí)用能診斷平臺公共建筑用能系統(tǒng)設(shè)備部件評價(jià)評價(jià)/分析診斷研究進(jìn)展——用能診斷研究多維數(shù)據(jù)：用能數(shù)據(jù)（電、氣、油、水等）、建筑運(yùn)行參數(shù)（設(shè)置參數(shù)、運(yùn)行時(shí)間、人流信息等）和其他信息（建筑內(nèi)外環(huán)境參數(shù)、來自其他管理信息系統(tǒng)的數(shù)據(jù)）多維度：橫向+縱向

多方法：傳統(tǒng)專業(yè)知識+數(shù)據(jù)挖掘技術(shù)

實(shí)用性：以問題為導(dǎo)向、軟件化構(gòu)建多層級用能診斷分析數(shù)據(jù)庫建筑能效(耗)評價(jià)用能系統(tǒng)評價(jià)/分析用能設(shè)備診斷五(分析層面)

基于數(shù)據(jù)挖掘的建筑運(yùn)行能效評價(jià)體系六(應(yīng)用層面)子三用能診斷技術(shù)公共建筑整體①⑤主要用能系統(tǒng)②主要用能設(shè)備③④用能系統(tǒng)診斷建筑能效診斷用能問題診斷研究進(jìn)展——用能診斷研究26分項(xiàng)用途分項(xiàng)名稱一級子項(xiàng)二級子項(xiàng)構(gòu)建多層級用能診斷分析數(shù)據(jù)庫問題診斷為導(dǎo)向建筑不滿足需求物業(yè)管理運(yùn)行不當(dāng)機(jī)電系統(tǒng)問題設(shè)備部件故障擬按照分項(xiàng)計(jì)量四大分項(xiàng)用能系統(tǒng)的層級和內(nèi)容，構(gòu)建節(jié)能診斷診斷庫建筑常規(guī)系統(tǒng)照明、插座室內(nèi)照明與插座室內(nèi)照明室內(nèi)插座公共區(qū)域照明和應(yīng)急照明公共區(qū)域照明應(yīng)急照明空調(diào)系統(tǒng)冷熱站冷水機(jī)組冷水泵、冷卻水泵冷卻塔熱水循環(huán)泵鍋爐空調(diào)末端空調(diào)箱新風(fēng)機(jī)組風(fēng)機(jī)盤管VAV-BOX分體式空調(diào)器動(dòng)力系統(tǒng)電梯-生活水泵-非空調(diào)區(qū)域的通排風(fēng)設(shè)備-特殊系統(tǒng)電子信息機(jī)房設(shè)備-餐廳廚房-洗衣房-其他-問題尋找問題發(fā)現(xiàn)依據(jù)（判據(jù)）原因收集問題產(chǎn)生的原因原因判定依據(jù)（如有）診斷診斷結(jié)論參數(shù)需求研究思路：從問題??發(fā)，基于逆向思維方式，分析原因，提??診斷結(jié)論研究進(jìn)展——用能診斷研究問題

冷卻塔出水溫度高

判據(jù)

縱向比較：歷史數(shù)據(jù)對比分析

橫向比較：冷卻塔出水溫度或冷機(jī)冷凝器進(jìn)水溫度原因

收集問題產(chǎn)生的原因

循環(huán)水量過大

冷卻塔冷卻能力不足

布水管部分出水孔堵塞，造成偏流

通風(fēng)量不足進(jìn)出空氣不暢或短路

進(jìn)水溫度過高

吸排空氣短路

填料部分堵塞造成偏流（布水不均勻）

室外濕球溫度過高

原因判定依據(jù)

冷卻水流量監(jiān)測值與設(shè)計(jì)值比對診斷

問題診斷

冷卻水泵選型不合適

設(shè)計(jì)不匹配、維護(hù)保養(yǎng)不當(dāng)、運(yùn)行時(shí)間長、冷卻塔風(fēng)機(jī)問題冷卻塔風(fēng)機(jī)功率與設(shè)計(jì)值比對 冷卻塔進(jìn)水溫度監(jiān)測值與設(shè)計(jì)值、同類冷卻塔進(jìn)水溫度監(jiān)測值（橫向比較） 室外濕球溫度監(jiān)測數(shù)據(jù)27多層級用能診斷分析數(shù)據(jù)庫

冷卻塔 冷卻塔選型不合適（風(fēng)機(jī)過小等)參數(shù)冷卻塔出水溫度冷卻塔風(fēng)機(jī)功率運(yùn)行狀況監(jiān)測冷卻塔進(jìn)水溫度環(huán)境濕球溫度研究進(jìn)展——用能診斷研究問題

空調(diào)箱回風(fēng)溫度高

判據(jù)

縱向比較：

AHU運(yùn)行歷史數(shù)據(jù)對比分析

橫向比較：相同功能不同區(qū)域空調(diào)箱回風(fēng)溫度橫向比

較，回風(fēng)溫度差異較大原因

收集問題產(chǎn)生的原因

空調(diào)箱及管路堵塞

空調(diào)箱送風(fēng)機(jī)故障

新風(fēng)量異常

空調(diào)箱變頻頻率異常

空調(diào)箱供回水異常

原因判定依據(jù)

過濾器壓差與設(shè)計(jì)值或其他空調(diào)箱橫向比較過大診斷

問題診斷

過濾網(wǎng)長期未更換

盤管長期未清洗、銹蝕

傳動(dòng)皮帶松弛

冷卻塔風(fēng)機(jī)問題 風(fēng)機(jī)運(yùn)行電流與額定電流過小 送風(fēng)溫濕度與歷史數(shù)據(jù)、同型號機(jī)型比較（橫向比較）室內(nèi)CO2濃度變化 流量、回水溫度與設(shè)計(jì)值或同型號AHU（橫向比較）28多層級用能診斷分析數(shù)據(jù)庫AHU新風(fēng)閥開啟大參數(shù)過濾器壓差閥門啟閉反饋信號風(fēng)機(jī)運(yùn)行電流、頻率送回風(fēng)溫濕度水閥啟閉異常水流量分配失衡水盤管堵塞銹蝕冷水流量、

供回水溫度、壓差需要充分利用AHU設(shè)備現(xiàn)有BA數(shù)據(jù)，實(shí)現(xiàn)采集、存儲和集成應(yīng)用等功能確定典型建筑序號建筑名稱建筑類型數(shù)據(jù)特點(diǎn)下階段分析重點(diǎn)備注1南昌綠地雙子塔綜合建筑（辦公為主）實(shí)時(shí)數(shù)據(jù)：樓層用電數(shù)據(jù)、環(huán)境監(jiān)測、BA（AHU、VAV）；租戶信息典型樓層的專業(yè)診斷和數(shù)據(jù)挖掘基于BIM的多個(gè)運(yùn)營平臺的集成；物業(yè)配合度較高2上海川沙百聯(lián)商場監(jiān)測點(diǎn)：300多個(gè)用電計(jì)量監(jiān)測點(diǎn)；數(shù)據(jù)細(xì)度：300多個(gè)用電計(jì)量監(jiān)測點(diǎn)專業(yè)診斷、數(shù)據(jù)挖掘百聯(lián)物業(yè)企業(yè)級平臺的橫向?qū)Ρ?上海百聯(lián)世紀(jì)百聯(lián)購物中心商場接入了變壓器高壓側(cè)系統(tǒng)數(shù)據(jù)（含高壓冷機(jī)），支持變壓器的節(jié)能分析診斷專業(yè)診斷、數(shù)據(jù)挖掘百聯(lián)物業(yè)企業(yè)級平臺的橫向?qū)Ρ?上海內(nèi)外聯(lián)大廈辦公租戶計(jì)量數(shù)據(jù)專業(yè)診斷、數(shù)據(jù)挖掘企業(yè)級平臺的橫向?qū)Ρ?，自持有建?上海中油陽光大酒店五星級酒店數(shù)據(jù)穩(wěn)定、歷史數(shù)據(jù)多，日入住率數(shù)據(jù)專業(yè)診斷、數(shù)據(jù)挖掘深度能源審計(jì)基礎(chǔ)，物業(yè)持續(xù)使用能耗監(jiān)測平臺研究進(jìn)展——用能診斷研究30平臺總體架構(gòu)強(qiáng)大的數(shù)據(jù)集成能力海量數(shù)據(jù)存儲和處理能力智能數(shù)據(jù)分析能力友好易用的用戶界面研究進(jìn)展——監(jiān)測云平臺研究與構(gòu)建31新老平臺對比序號比較內(nèi)容新平臺老平臺數(shù)據(jù)集成采用分布式中間件，支持海量數(shù)據(jù)并發(fā)傳輸缺少分布式能力，不支持海量數(shù)據(jù)傳輸1采用MQTT標(biāo)準(zhǔn)物聯(lián)網(wǎng)協(xié)議，支持QoS自定義協(xié)議，無QoS能力采用輕量級JSON數(shù)據(jù)格式XML格式，格式開銷大采用NewSQL分布式數(shù)據(jù)庫，水平彈性擴(kuò)容，支持海量數(shù)據(jù)存儲采用傳統(tǒng)關(guān)系型數(shù)據(jù)庫，很難水平擴(kuò)展2數(shù)據(jù)存儲支持?jǐn)?shù)據(jù)多副本，故障自動(dòng)恢復(fù)，真正高可用主從復(fù)制，不能提供數(shù)據(jù)強(qiáng)一致性保證，故障不能自動(dòng)恢復(fù)一站式HTAP解決方案，同時(shí)支持OLTP和OLAPOLTP和OLAP需要采用不同的解決方案，數(shù)據(jù)需要進(jìn)行轉(zhuǎn)換3數(shù)據(jù)處理采用Spark分布式大數(shù)據(jù)處理框架，支持海量數(shù)據(jù)并行處理不支持分布式計(jì)算，海量數(shù)據(jù)不能并行處理4數(shù)據(jù)分析多種智能算法，支持建筑能耗的預(yù)測和診斷常規(guī)KPI指標(biāo)計(jì)算，缺少智能算法5數(shù)據(jù)訪問前后端分離的無狀態(tài)RESTFul架構(gòu)，同時(shí)支持多端應(yīng)用，擴(kuò)展性好單體架構(gòu)，前后端耦合性高，擴(kuò)展性差研究進(jìn)展——監(jiān)測云平臺研究與構(gòu)建32分布式消息中間件海量數(shù)據(jù)實(shí)時(shí)傳輸數(shù)據(jù)持久化和異步處理支持MQTT等多種協(xié)議分布式緩存更高的數(shù)據(jù)采集頻率數(shù)據(jù)快速訪問特點(diǎn)：

采用MQTT物聯(lián)網(wǎng)數(shù)據(jù)傳輸協(xié)議輕量級的JSON數(shù)據(jù)格式支持海量數(shù)據(jù)實(shí)時(shí)傳輸和異構(gòu)數(shù)據(jù)集成MQTT協(xié)議物聯(lián)網(wǎng)標(biāo)準(zhǔn)協(xié)議（

ISO/IEC/OASIS）發(fā)布/訂閱模式，具有數(shù)據(jù)交互能力支持QoS（0/1/2三個(gè)質(zhì)量等級）可應(yīng)用于低帶寬、高延遲、不穩(wěn)定網(wǎng)絡(luò)消息處理模塊Redis緩存MQTTServer(Artemis)訂閱TopticS1訂閱TopicS2實(shí)時(shí)、歷史、特定設(shè)備數(shù)據(jù)實(shí)時(shí)數(shù)據(jù)和特定設(shè)備數(shù)據(jù)數(shù)據(jù)庫定時(shí)獲取數(shù)據(jù)歷史數(shù)據(jù)和特定設(shè)備數(shù)據(jù)持久化訂閱TopicS3消息存儲模塊數(shù)據(jù)持久化消息處理流程數(shù)據(jù)采集器MQTT

Server(Artemis)發(fā)布TopicS1發(fā)布TopicS2發(fā)布TopicS3數(shù)據(jù)發(fā)送研究進(jìn)展——監(jiān)測云平臺研究與構(gòu)建（數(shù)據(jù)集成）33RDBMS傳統(tǒng)關(guān)系型數(shù)據(jù)庫：大數(shù)據(jù)時(shí)代面臨的挑戰(zhàn)High

Performance：對數(shù)據(jù)庫高并發(fā)讀寫的需求Huge

Storage：對海量數(shù)據(jù)的高效率存儲的需求High

Scalability

&

High

Availablity：對高可擴(kuò)展性和高可用性的需求（Oracle、SQL

Server、MySQL）NoSQL數(shù)據(jù)庫高擴(kuò)展，高性能，高可用性不需要預(yù)定義模式最終一致性，不支持事務(wù)不支持SQL語句鍵值型:Redis,Tokyo

Cabinet/Tyrant列存儲:Cassandra,

HBase,Riak文檔型:CouchDB,

MongoDb圖結(jié)構(gòu):Neo4J,InfoGrid,

Infinite

GraphNewSQL數(shù)據(jù)庫水平彈性擴(kuò)展支持分布式事務(wù)支持SQL高可用，故障自恢復(fù)Google

Spanner/F1阿里巴巴OceanBaseTiDB,

CockroachDB研究進(jìn)展——監(jiān)測云平臺研究與構(gòu)建（數(shù)據(jù)存儲）34平臺采用TiDB分布式數(shù)據(jù)庫基于

Google

Spanner/F1原理實(shí)現(xiàn)的開源分布式

NewSQL

數(shù)據(jù)庫核心特性：海量數(shù)據(jù)高并發(fā)實(shí)時(shí)寫入與實(shí)時(shí)查詢SQL支持（MySQL高度兼容）線性彈性擴(kuò)展，自動(dòng)水平伸縮分布式事務(wù)跨數(shù)據(jù)中心數(shù)據(jù)強(qiáng)一致性保證高可用，多數(shù)據(jù)副本，故障自恢復(fù)TiDB架構(gòu)圖研究進(jìn)展——監(jiān)測云平臺研究與構(gòu)建（數(shù)據(jù)庫特性）35序號服務(wù)器型號服務(wù)器配置IP系統(tǒng)用途1HP

DL388

Gen9CPU:INTEL

XEONE5-2609V4

*2內(nèi)存：32GB

DDR4，硬盤：SSD480GB*78CentOS-7tikv2DellR720CPU:INTEL

XEONE5-2609V2

*2內(nèi)存：32GB

DDR3，硬盤：SSD480GB*31CentOS-7pd3HP

DL388P

G8CPU:INTEL

XEON

E5-2620

*

2內(nèi)存：48GB

DDR3，硬盤：SAS

300GB*310K2CentOS-7web4HP

DL580G7CPU:INTEL

XEON

E5-7530

*4內(nèi)存：44GBDDR3，硬盤：SAS

600GB*33CentOS-7通訊5HP

DL388

Gen9CPU:INTEL

XEONE5-2609V4

*2內(nèi)存：32GB

DDR4，硬盤：SSD480GB*34CentOS-7tidb+pd6HP

DL380P

G8CPU:INTEL

XEONE5-2609V4

*2內(nèi)存：32GB

DDR4，硬盤：SSD480GB*35CentOS-7tidb+pd7HP

DL388

Gen9CPU:INTEL

XEONE5-2609V4

*2內(nèi)存：32GB

DDR4，硬盤：SSD480GB*76CentOS-7tikv8HP

DL388

Gen9CPU:INTEL

XEONE5-2609V4

*2內(nèi)存：32GB

DDR4，硬盤：SSD480GB*77CentOS-7tikv研究進(jìn)展——監(jiān)測云平臺研究與構(gòu)建（數(shù)據(jù)庫部署）36Spark

/TiSparkSpark：Hadoop之后開放源碼的新一代大數(shù)據(jù)分布式處理框架通用：包含多種功能，如Spark

SQL、

Spark

Storm、Spark GraphX

、Spark

MLlib

等快速：基于內(nèi)存計(jì)算，比Hadoop快10x-100x融合：基于Spark平臺，采用TiSpark，融合TiDB，一站式解決事務(wù)處理、數(shù)據(jù)分析需求TiSpark架構(gòu)研究進(jìn)展——監(jiān)測云平臺研究與構(gòu)建（數(shù)據(jù)處理）37機(jī)器學(xué)習(xí)框架：Spartk

MLlib、scikit-learn支持多種算法：線性回歸、邏輯回歸、樸素貝葉斯、

k-means、kNN、決策樹、支持向量機(jī)（SVM）、boosting、bagging,……目前階段的人工智能：海量數(shù)據(jù)+算法模型+計(jì)算能力深度學(xué)習(xí)框架：TensorFlow+TFLearn/Keras支持CPU+GPU，移動(dòng)端支持分布式計(jì)算TensorBoard可視化面板多種算法：CNN卷積神經(jīng)網(wǎng)絡(luò)、RNN循環(huán)神經(jīng)網(wǎng)絡(luò)、

LSTM長短期記憶網(wǎng)絡(luò)、RBM受限玻爾茲曼機(jī)……深度學(xué)習(xí)框架比較研究進(jìn)展——監(jiān)測云平臺研究與構(gòu)建（數(shù)據(jù)分析）38前后端分離的Restful架構(gòu)無狀態(tài)：每次請求都必須包含所有必需的信息資源：程序狀態(tài)和功能可分為各種資源，每種資源對應(yīng)一個(gè)特定的URI操作：采用HTTP協(xié)議的GET、POST、PUT、DELETE等動(dòng)作表示操作后端微服務(wù)化前端組件化研究進(jìn)展——監(jiān)測云平臺研究與構(gòu)建（數(shù)據(jù)展現(xiàn)）431.南昌綠地中央廣場建設(shè)條件與內(nèi)容系統(tǒng)集成服務(wù)器硬件及網(wǎng)絡(luò)軟件應(yīng)用能耗與環(huán)境監(jiān)測現(xiàn)有系統(tǒng)已對原各廠家系統(tǒng)進(jìn)行了對接，編制了對應(yīng)數(shù)據(jù)接口，但增設(shè)的數(shù)字水表數(shù)據(jù)、冷熱量流量計(jì)數(shù)據(jù)及人流量自動(dòng)計(jì)量數(shù)據(jù)均應(yīng)作二次集成。加設(shè)的設(shè)備為數(shù)字水表4只、冷熱量流量計(jì)6套，燃?xì)獗O(jiān)測1套、人流量監(jiān)測表計(jì)4套，需得到業(yè)主與物業(yè)的大力配合?，F(xiàn)有系統(tǒng)使用了2臺服務(wù)器搭建硬件環(huán)境，網(wǎng)絡(luò)利用原有資源，可滿足示范工程系統(tǒng)升級需要?，F(xiàn)有智慧運(yùn)行信息管理系統(tǒng)對展示、分析、管理為主要目的應(yīng)用，已通過一套系統(tǒng)集成配電系統(tǒng)、分戶計(jì)量系統(tǒng)、BA系統(tǒng)、空調(diào)系統(tǒng)的數(shù)據(jù)，進(jìn)行綜合分析，采用最新的建筑模型展示技術(shù)進(jìn)行整合展示。示范工程應(yīng)用軟件可對接現(xiàn)有集成系統(tǒng)數(shù)據(jù)?，F(xiàn)有系統(tǒng)對商業(yè)片區(qū)電表及能耗監(jiān)測系統(tǒng)進(jìn)行重新建設(shè)與上傳，雙子塔區(qū)能耗數(shù)據(jù)