为什么大数据和建筑分析无处可去：第 1 部分
2014 年，全球企业共同生产了高达 8.4 泽字节（或 8.4 万亿千兆字节）的数字内容，高于 2012 年的 2.7 泽字节。这是需要解析的大量信息——因此术语“大数据”描述了这一趋势处理大量和高度可变的信息以形成现代洞察力并优化结果。为建造或翻新更好的商业和住宅建筑而解释大量大数据需要新的思维模式，例如建筑分析。
楼宇分析是楼宇系统更全面自动化发展趋势的一部分，该市场预计在未来四年内将达到 1000 亿美元（875 亿欧元）。这些系统已集成到更大的可持续建筑、合规性和资源管理计划中。 Bob Jenson Air Conditioning 总裁 Kevin Burns 表示，HVAC 功能在这些分析如何为更高效的系统使用和优化流程管理开辟道路方面发挥着重要作用。 .
效率低下的代价高昂
加热和冷却系统消耗了住宅建筑年度总能源使用量的 25-30% 和商业建筑的 40-60%。例如，冷水机组消耗的能源需求约占所有 HVAC 相关能源需求的三分之一（或大约占建筑物总能源需求的五分之一）。
使用仪表数据来识别缺陷可能具有挑战性，因为能源浪费通常是递增的（和/或非线性的），并且会隐藏在更大的浪费统计背景中。相反，通过适当的系统维护和数据分析，这些引人注目且昂贵的数字可以减少近一半。
大数据可以在住宅和商业 HVAC 系统上创建价值数千 GB 的信息以进行大规模记录，从而可以发现历史趋势、分析因果模式、基准 HVAC 性能以及计算任何其他数量的实际成本- 效率指标。
当建筑物达到最佳效率时，这种类型的管理每年最多可以将正常运行的能源成本降低 20%，并且可以将停机成本降低 35-45%。每花费一美元，分析解决方案的平均投资回报超过 13 美元（11.3 欧元）。
顶部的可见性
许多建筑物及其 HVAC 系统的设计通常本质上是低效的，因为不同的组件（例如线圈、风扇、阀门）由于耦合动力学而没有单独建模。任何通风系统中设置点、水平和反馈的绝对数量使自上而下的可见性成为重中之重。
最新的算法学习
通过机器学习算法，建筑分析能够减少能源需求、应对不断变化的天气条件、检测入住率和舒适度模式，以及处理 HVAC 系统的峰值负载分布。
最新的机器学习算法，称为深度神经网络 (DNN)，使用人工智能通过使用原始数据并通过许多转换层对其进行处理来解决复杂问题。 DNN 最近才被用于解决暖通空调问题，但早期的回报表明潜在的能源节约 30%。
此博客的作者是 Kevin Burns 是 Bob Jenson Air Conditioning 的总裁
关于作者
Kevin Burns 是圣地亚哥 Bob Jenson Air Conditioning 的总裁，在暖通空调领域拥有超过 29 年的经验。他曾在该行业的各个方面工作过，并已培训过数十人。他热衷于为每个家庭和客户做正确的事情，并为他的整个团队设定了这个标准
物联网技术