如何构造智慧楼宇

随着人工智能、物联网、大数据等这些前沿科技的兴起，那些曾经只出现在科幻电影当中，看似极其遥远的智慧楼宇正在慢慢走近我们的生活。那么，我们该如何构造智慧楼宇呢？

一、如何构造智慧楼宇

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最节能；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。

举个例子，比如在很多智慧楼宇的项目中原来做楼宇的合作伙伴想预测暖通空调系统（HVAC）在单位时间内的功耗，但是实现起来基本靠经验；做物联网的合作伙伴上了各种传感器网关采集了数据不知道这些数据有什么用；

找程序员来又不懂用什么数学模型来做推理；找数据科学家…一方面比较贵，另一方面数据科学家很可能也不太懂怎么把算法和模型落到程序上。

于是大家面面相觑或者互相指望，都得不出一个让采集的正确的数据通过正确的算法和模型落地到智能楼宇的场景上的最佳途径，只能在“磨合”中艰难前行。

我就不赘述这个“磨合”有多艰难了，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，并且希望数据科学能帮助自己更好地理解自己所面对的业务目标，而且这个工具不能太复杂。

二、构造智慧楼宇需要多少步骤

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。

第一步，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。在该领域专家的协助下，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）”，用这四个影响力最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，从而确定如何最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 

关于如何构造智慧楼宇，今日小编就先说到这里。虽然我们知道若想构建智慧楼宇并不是一件简单的事情，相信每一个做过智能楼宇的从业者都了解这件事情。所以，希望看完本文之后能对你们起到一定的帮助。

（本文来源于网络，由千家智客进行整理编辑，如有侵权，请联系删除。）