随着人工智能、物联网、大数据等前沿科技的兴起，那些曾经只出现在科幻电影里，看似遥远的智慧楼宇正在走近我们的生活！然而，每一个做过智能楼宇的从业者都能感受到自己知识面的局限性，并且希望有一种技术能帮助自己更好地实现业务目标，而且使用起来不太复杂。今天兰州楼宇亮化的小编就来讲讲如何在数据科学的驱动下，三步把“未来楼宇”变为“现实”。

数据科学驱动楼宇从智能到智慧

我假设你对智能楼宇已经有认知，而且已经知道了现在楼宇智能化的范畴正逐渐改变，除了控制系统和能源管理外，对楼宇服务的对象，也就是“人”的各种需要的满足度的要求在迅速提高，有一部分是比较刚性的，容易用既有的技术手段实现的，比如楼宇亮化、消防、安全等5A能实现的等；有一部分是柔性的，比如如何用有限的电梯让高峰期排队的人更少同时.节能；比如室内的温湿度、光照等设备如何根据外部自然条件变化为住户提供柔性的服务，让家有家的温度，办公有办公的调性，而且还能满足个性化的需要等等。在这种背景前提下，物联网、大数据等一系列的新技术的综合应用成为“必然之选”。

但是过去五年的新技术们在智能楼宇中的探索和实践却一直有“不成气候”的感觉，也没有行业规范和标准，行业本身并没有得到实质性的发展，而住户们希望得到的的体验也参次不齐。这里面当然有物联网的技术路径非常多，而业主很难理清楚孰优孰劣的原因，有技术方案或项目方对自己和用户的“体验”提升无法通过技术手段直接认识的原因，也有缺乏有效的工具来聚合各方力量从而实现需求的迭代的原因。

其实抛开对数据科学各种算法、数据清洗等的畏惧，数据科学的应用过程实际上和我们要解决“把大象塞进冰箱里”的问题是一样的，我们这里来分解一下如果数据科学要在刚才这种场景下发挥作用，一共需要多少个步骤。只要三步

首先，选择并清洗数据

我们当然假设了各种5A系统、物联网方案其实已经提供了足够多的数据，只是在面对这个主题时我们并不需要所有的数据：过多的数据维度不仅浪费计算资源，更会对数据科学的推演产生反作用力。在该领域..的协助下，我们选择了四个维度的数据：”通过空气处理装置前, 冷却水环中的水温度（下图回路中的chT1）”、“通过空气处理装置后, 冷却水环中的水温度（chT2）”、“冷水循环中的水流量（chFlow）”、“通过冷水机组前冷凝器回路中的水温度（coT1）”，用这四个影响力.大的数据维度加上时间来做出预测。

第二步，选择合适的算法模型

我们因为是想发现这个功耗的变化和整个HVAC中的其他可观测的传感器给的数值之间的关系，从而确定如何.有效地做大楼的水冷控制，所以回归模型可能是比较合适的方法。但是具体哪种回归我也不清楚，没关系，在合适的工具中我可以多选两个比较一下。我们这里以微软的Azure Machine Learning Studio为例，我们选择了神经网络回归和决策森林回归两种算法。不要被这两个算法的名称吓倒（当然如果你是学数学的请忽略这句），在现代化的机器学习工具面前，你可以把这些算法理解成你需要的某个型号的钢材或者PV管，而且你可以无限次地尝试，直到你看到你想要的结果。

第三步，开始训练模型并调整算法中的参数

整个过程就是一个所见即所得的运用数据科学来判断大楼.佳冷水机组工作环境的模拟过程。从模型跑完给出的结果来观察（是的，此时还是需要懂行的人来观察这个结果的含义），当冷水机组水流量从 3600 LPM 以下增加到 3600 LPM 以上时, 从模型的结果可以观察到快速的功耗上升。这种现象通常代表着暖通空调系统的容量故障。这意味着冷水机组几乎已经达到了冷却能力的极限, 盲目增加水流只会浪费更多的电力, 不会再吸收更多的热量。值得一提的是, 在重新检查了真实的历史数据后, 我们在流量>3600 时确实发现了几次容量故障的发生。基于这些观察, 我们将 3600 LPM 定义为该暖通空调系统中的阈值。每当超过3600时, 将在此大楼的控制系统中触发警报, 并启动备份冷水机组以缓解这种容量故障情况。