[发明专利]基于能耗数据关联挖掘的建筑节能改造决策方法

说明书

本发明提出一种基于能耗数据关联挖掘的建筑节能改造决策方法，在获得建筑结构信息的基础上，采用改进的Apriori算法和C4.5算法实现MapReduce运算，生成空调系统耗电量判定树,根据统计数据和判定树可判断建筑空调系统耗电量等级，并对建筑的节能改造策略提供具有针对性的建议。

技术领域

本发明属于数据挖掘方法领域，尤其是一种基于能耗数据关联挖掘的建筑节能改造决策方法。

背景技术

传统Apriori算法(布尔型关联规则挖掘频繁项集算法)找出每个频繁项集Lk需要对数据库进行多次全局扫描。在处理海量数据时,将会耗费大量的时间和内存。由于建筑结构信息的每类属性有多种不同的取值,数据量较大,并且数据上传存在不完整或者错误。

发明内容

本发明所解决的技术问题在于提供一种基于能耗数据关联挖掘的建筑节能改造决策方法，在获得建筑结构信息的基础上，采用改进的Apriori算法和C4.5算法实现MapReduce运算，生成空调系统耗电量判定树,根据统计数据和判定树可判断建筑空调系统耗电量等级，并对建筑的节能改造策略提供具有针对性的建议。

实现本发明目的的技术解决方案为：

基于能耗数据关联挖掘的建筑节能改造决策方法，包括以下步骤：

步骤1：采用改进的布尔型关联规则挖掘频繁项集算法建立关联分析，对所有数据事务进行2次全局扫描，挖掘得到频繁项集L_k：

步骤1-1：假设有n个执行Map任务的节点，将数据库中待分析的数据事务平均分为n个数据事务子集；

步骤1-2：每个节点对其数据事务子集进行扫描，产生该子集的候选k项集的集合其支持度计数为1，

步骤1-3：将每个节点上相同的候选k项集的支持度计数累加，得到候选k项集在该节点上的支持度计数sup_kn；

步骤1-4：利用hash()函数将分成r个不同的分区分配到指定的节点上，同时将其支持度计数sup_kn发送到相应节点；

步骤1-5：r个节点把具有相同k项集的支持度计数累加，得到最后的实际支持度sup_k，当sup_k大于等于最小支持度阈值sup_min时，则将此节点上的频繁k项集确定为L_kr；

步骤1-6：把r个节点产生的所有频繁k项集L_k1-L_kr合并，得到全部的频繁k项集的集合L_k，直到不再产生新的L_k，结束；

步骤2：采用C4.5算法对不完整的训练样本进行处理，生成决策树并进行修正，得到一个完整的决策树；

步骤3：对建筑结构信息和能耗数据进行预处理：对建筑结构信息进行编码，并对数据编码格式化；对于建筑信息缺失的能耗数据直接删除，对缺失的空调系统能耗数据用当月空调系统能耗平均值填补；

步骤4：进行关联数据挖掘：将建筑空调系统制冷器耗电量进行统计，得到单位面积耗电量，并将耗电等级进行划分：单位面积耗电量小于4为低耗电等级，单位面积耗电量大于4小于等于7为正常耗电等级，单位面积耗电量大于7为高耗电等级；并将步骤1得到的频繁项集与制冷器空调系统单位面积耗电量数据相结合，得到建筑结构和能耗数据的关系，进而得到若干频繁项集及对应的建筑关系；

步骤5：建立空调系统耗电量判定树，进行分类决策树数据挖掘：根据空调系统耗电量判定树，依据建筑结构和能耗情况得到相应的节能改造决策建议。

进一步的，本发明的基于能耗数据关联挖掘的建筑节能改造决策方法，步骤2具体包括：

步骤2-1：计算三个节能效果即叶节点的期望信息作业，得到InfoMapReduce；