设施能源优化为机构的设施团队提供了降低成本和减少碳排放的便捷机会。数据驱动分析有助于识别故障检测并推动设施管理的能效提升。
在先前关于可持续建筑的文章中，我们讨论了通过“感知、行动和扩展”的方法来提高建筑效率，并利用科学出版物提供了相关信息。本文将探讨数据驱动分析如何通过以下细节帮助识别故障检测并推动设施管理的能效提升：建筑管理和运营的关键挑战；建筑系统设计基础；调查设施级可持续性故障的关键数据点；以及在AWS上进行数据驱动故障识别。
全球气温正在上升，温室气体（GHG）排放是主要贡献者，而设施是GHG的主要排放源之一。根据《巴黎协定》的规定，到2050年，设施需要提高30%的能效并实现净碳中和。近年来，许多公司设定了新的减排目标。例如，某中心设定了到2040年实现净零排放的使命，并在其最近的可持续性报告中提到了如何利用创新设计将可持续性融入物理园区。
本文提供了关于各种规模的公司如何通过数据驱动机制识别和修复故障来更高效地运营和维护现有建筑的信息。在这方面，某中心今年在NeurIPS上赞助了一项AI挑战赛，重点关注智能电网中的建筑能源管理。底线是：设施能源优化必须是机构更可持续运营计划的关键组成部分。
设施能源优化为机构的设施团队提供了降低成本和减少碳排放的便捷机会。然而，建筑系统确实继承了许多必须解决的复杂性。一些关键的设施管理挑战包括：建筑寿命超过50年，设施系统传感器通常在第一天安装。每年都有许多新的云原生传感器选项上市，但建筑管理系统（BMS）并不开放，使得现代化建筑基础设施的数据架构变得困难；在任何大型房地产组合中，存在广泛的技术、标准、建筑类型和设计，难以在其生命周期内管理；建筑管理和自动化系统需要第三方拥有和修改生产数据，许可费用不基于消费定价；设施团队通常缺乏设计定制管理解决方案所需的云专业知识，而其IT团队往往没有产品级经验来替代解决建筑管理需求。
设施管理和可持续性设施管理团队修改大多数核心BMS功能的选项有限。这些系统有时被称为黑盒，因为它们不具备大多数云用户所期望的DIY功能。对于无法访问BMS信息的建筑租户来说，也可能存在合同挑战。这是设计上的，主要是出于明确的运营论点，即安全和安保控制功能应仅限于关键人员。然而，缺乏对企业级可持续性转型所需的建筑性能分析访问，正被许多可持续性客户视为障碍。
让我们从分析建筑最大的电力消耗和排放生产者开始：HVAC系统。HVAC单元是建筑的核心，约占建筑能源消耗的50%。因此，它们仪器齐全，通常遵循基于规则的方法。缺点是：这种方法可能导致许多误报，建筑经理依赖手动检查和居住者沟通需要关注的重要故障。建筑经理和工程师在HVAC系统上投入大量时间和预算，但HVAC系统故障仍可能占能源浪费的5%到20%。
我们最熟悉的HVAC单元例子是空调。在BMS中，HVAC由提供加热或冷却、通风（空气处理单元、风扇）和AC（屋顶单元、可变制冷剂）等子组件组成。
建筑的数据模型和更大的建筑管理 schema 在建筑首次开放时建立。警报、报警和性能数据通过BMS发布，经理将通知建筑服务团队根据需要采取行动。然而，随着建筑和基础设施老化，许多警报变得普遍且难以补救。警报疲劳是一个常用于描述 resulting BMS operator experience 的术语。
可变风量（VAV）单元是另一种重要资产，通过管理局部气流来帮助维持温度。VAV单元通过修改气流来优化温度，而不是传统的定风量（CAV）单元，后者提供恒定风量，仅影响空气温度。在较大的建筑中，通常有数百个VAV单元，管理它们很繁琐。建筑工程师时间有限，无法根据建筑需求变化配置每个单元，VAV单元配置通常在建筑调试后保持不变。结果是：许多 unseen or mysterious building faults，以及多年来隐藏的能源损失。
许多现代建筑设计用于容纳建筑规划者在调试时知道的任何内容。因此，HVAC系统配置不是数据驱动的过程，因为运营数据尚不存在。HVAC系统优化的唯一真正激励通常来自故障和居住者投诉。为了满足未来的可持续性目标，建筑必须配备数据驱动的智能配置，可以自动调整。
为了实现这一点，我们必须了解气流的基础知识，因为我们需要结合建筑工程师、IoT工程师和数据工程师的专业知识来解决一些复杂的气流挑战。这还需要了解设施通常如何管理，我们将在接下来 examine。
设施管理的解剖下图显示了一个空气处理单元（AHU）如何使用风扇通过管道分布空气。这些管道连接到AHU（一种VAV单元），控制气流到特定房间。
BMS软件提供工具帮助操作员定义逻辑“区域”，虚拟表示给定的物理空间。这种区域方法有助于操作员分析给定冷却设计相对于运营要求的有效性。
要更改给定区域（通常代表物理房间）的温度，传感器将通过建筑网关和控制器发送通知。该设备充当BMS服务器和给定HVAC单元之间的中介。这些HVAC系统内置了一些自动化，形式为恒温器。自动化表现为给定冷却单元响应恒温器计算的温度读数。这些设定点提供一个温度范围，当遵循时，提供系统的最佳性能。设定点通常指建筑系统设置为激活或停用的点，例如，加热系统可能设置为内部温度低于20°C时切换 on。
VAV单元中的控制器连接到房间恒温器。恒温器告诉VAV终端区域温度是否太热、太冷或刚好。VAV单元内部有几个关键组件：控制器、执行器、风门、轴和再热线圈。
AHU和VAV单元控制点由BMS软件管理。该软件由供应商管理，控制系统的配置在建筑开始时确定。配置可以根据几个因素建立：房间容量和占用率、房间位置、房间冷却要求、区域要求等。为了说明反映HVAC系统操作的数据模型，让我们看看帮助分布空气的VAV以及大多数老化系统中明显的故障驱动警报。个性化这些配置很困难，因为它们不是数据驱动的，也不会自动更新。让我们使用通过给定建筑的气流作为用例，并假设其操作将对建筑的整体能源使用产生相当大的影响。
在左侧，风门完全打开，因为这是一个夏天，外面很热，房间里挤满了人。但在右侧，风门部分打开，因为这是一个冬天，房间里没有人，需要最小热负荷。
通常会有多个区域特定故障，例如温度或流量故障、风门或风扇问题、软件配置错误可能导致单元短循环，以及通信或控制器问题，这使得甚至难以远程识别问题。这些因素都导致低效冷却系统，增加排放，浪费能源和金钱。
故障可以告诉您关于可持续建筑性能的信息故障可能被长期忽视，过程中泄漏 invisible energy。来自UC San Diego的研究人员（Bharathan是合著者）对一栋145,000平方英尺的建筑进行了详细的数据分析。他们在建筑工程师修复了所有能找到的问题后识别了88个故障。论文估计，修复这些故障每年可以节省410.3兆瓦时，以典型的电力成本每千瓦时12美分计算，第一年实现492,360美元的节省。根据美国环境保护署的温室气体等价计算器，这相当于减少了38,244次 passenger car trips。某机构提供了另一个例子。该公司通过使用IP启用的能源管理解决方案，在全球建筑中实现了28%的电力使用减少。
传统故障修复专注于集中式HVAC子系统，如AHU。这里我们专注于经常被忽视的VAV单元。VAV单元中的一些关键问题包括：空气供应流量、温度设定点、恒温器调整、不适当的冷却或卡住的风门。
为了识别这些故障，您可以执行数据分析，关键数据属性包括温度、加热和冷却设定点；基于星期几的上限和下限变化；再热线圈（开或关）；占用传感器和设置（占用、待机或未占用）；风门传感器和风门设置；以及压力流量。使用这些参数，我们可以定义信息丰富的模型。例如，您可以创建基于季节性天气数据的设定点，以及房间恒温器。您还可以针对已知占用时间执行温度数据分析。
数据分析起初并不容易；通常不处于可以 readily loaded into a graph store 的状态。通常需要大量数据转换和IoT工作才能将数据带到数据科学家可以分析的地方。为了解决这一挑战，您将需要数据专家、FM领域专家、云工程师，以及能够将他们聚集在一起以推动正确关注点的人。
首先，最好的方法是设施和IT团队之间召开会议，开始检查建筑数据。一些团队可能授予您系统的只读访问权限。否则，从最近两到三年建筑数据的.CSV下载中，您可以执行分析。
对于设施数据中的数据驱动故障识别，您可以通过使用模型、聚类和比较（MCC方法）开始。MCC的主要目标是确定建筑内的区域聚类，然后使用这些聚类自动确定配置错误、异常或故障的区域控制器配置。
MCC方法进行数据驱动分析我们将使用一个大学建筑示例来解释MCC方法的好处。大学建筑包括个人办公室、共享办公室、厨房和洗手间。在典型房间中，HVAC在夏季提供冷空气。供气流量被调制以在白天维持所需温度，并在夜间回落到最小值。在下图中，我们显示了一个由于配置错误故障而发生相反情况的房间。
VAV单元在夜间冷却房间，但在白天使用最小气流。冷却温度设定点从午夜到上午10点为80°F，然后按预期下降到75°F。然而，从夜间直到上午11:30，有持续的800立方英尺每分钟（CFM）的冷空气供应流量。
建筑管理承包商推测这些错误是由于初始建筑调试时的误解造成的。这个故障在系统中隐藏了多年，并在进行MCC分析时被识别。
模型当我们尝试用原始传感器数据识别故障时，通常会导致误导性结果。例如，一个简单的故障检测规则可能在房间温度超过阈值时生成警报。警报可能由于任何 number of reasons 而错误：可能是一个特别热的日子，或者房间内正在发生事件。我们需要寻找一致的、需要人工关注的故障。鉴于简单规则触发的警报数量众多，此类故障被 overlook。我们的MCC算法寻找长时间跨度内行为与其他房间不同的房间。为了比较不同房间，我们创建一个模型，捕获数月或数年的通用使用模式。然后我们可以比较和聚类房间以剔除故障。
在我们的算法中，我们使用测量的房间温度和HVAC的气流来创建房间能量模型。HVAC系统在房间上花费的能量与其温度和气流供应的乘积成比例，根据热力学定律。我们使用两个传感器测量的乘积作为建模房间的参数，因为它指示通用使用模式。如果我们发现能量模式 substantially different 的房间，我们可以进一步检查它们。
聚类房间温度可能因自然原因波动，我们的故障检测算法不应标记它们。MCC算法使用KMeans算法聚类相似房间。聚类自然对齐相似房间，例如，西向房间、东向房间、小厨房和会议室。我们可以基于领域知识和使用类型手动创建这些聚类，或者聚类算法可以自动化此过程。
比较在定义了每个聚类的配置后，MCC算法然后比较房间以识别异常。此步骤确保自然波动被忽略，只有 egregious rooms 被突出显示，减少误报数量。
智能规则MCC研究在手动分析异常后创建规则以检测新故障。规则是与现有系统集成的自然方式，并捕获未来发生的类似故障。规则也可由领域专家解释， enabling further tuning。
一个有趣的识别故障示例如下：
HVAC系统努力将房间温度维持在冷却设定点（此房间为78F）和加热设定点（74F）之间。如果温度超出这些设定点，它将根据需要冷却/加热房间。房间被过度冷却，高气流（800 CFM），导致房间温度低于加热设定点，然后触发加热。由于此故障，房间使用过多能量以维持舒适度。
同一楼层有五个房间有类似问题，建筑内总共有15个。故障原因：设计的空气流量规格基于最大占用率。此类问题导致巨大的能源浪费，并且 often go unnoticed for years。
前进之路在本文中，我们提供了一些基础概念，供您考虑如何更好地使用数据来提高设施性能和可用性。无论您的目标是提高建筑性能以支持可持续性转型，还是改进故障检测，道路都从现代化支持设施的数据模型开始。遵循数据现代化道路将说明提供数据的建筑架构在哪里不符合期望。
作为下一步，设施和IT经理可以通过以下方式开始：对其建筑进行基本审计，并寻找收集上述关键参数数据的选项；整合来自相关源的数据，应用数据标准化，并利用上述故障检测方法；利用AWS数据分析和AWS AI/ML服务执行数据分析并应用机器学习算法识别数据异常。某中心使用这些服务管理数千个世界级设施，为员工、客户和社区服务。了解更多关于我们的可持续建筑倡议。
这些步骤将帮助识别设施中的能源热点和隐藏故障；设施经理然后可以利用这些信息修复相关故障并推动设施可持续性。最后，考虑使可持续性数据易于执行团队访问，以帮助推动有关有影响力的碳减排倡议的讨论和决策。