(1 華中科技大學(xué)制冷及低溫工程系 武漢 430074； 2 廣州市地下鐵道總公司 廣州 510030)

近年來我國大力發(fā)展城市軌道交通，截至2016年，國內(nèi)已有29座城市開通軌道交通運營線路，運營線路達130條，總里程達3 849公里。地鐵作為城市軌道交通之一，能耗巨大，是城市能源消耗的重要組成部分，地鐵系統(tǒng)中供熱通風(fēng)和空調(diào)系統(tǒng)(環(huán)控系統(tǒng))的能耗占比較大[1]。Wang Yongcai等[2-3]分析北京地鐵站環(huán)控系統(tǒng)能耗，指出北京地鐵僅2012年環(huán)控系統(tǒng)在夏季每月耗能可達1.819×107kW·h。Zhu Yingxin等[4-5]指出在地鐵運行期間，環(huán)控系統(tǒng)能耗與列車的牽引耗能相當(dāng)。地鐵環(huán)控系統(tǒng)能耗巨大，需盡快開展地鐵站節(jié)能工作。為了高效、有針對性地開展節(jié)能工作，首先需要理清什么是節(jié)能。更進一步，需思考該以怎樣的基準(zhǔn)值評價地鐵站是否節(jié)能[6]。建立有效的地鐵耗能指標(biāo)評價體系，能夠科學(xué)、公正地評價地鐵系統(tǒng)的用能水平，識別用能潛力，這為地鐵站的設(shè)計、規(guī)劃、運行以及節(jié)能工作的深入開展提供理論依據(jù)及實際指導(dǎo)。

專家學(xué)者們在軌道交通建設(shè)的能耗指標(biāo)體系有較為廣泛的研究。石靜雅等[7]研究了地鐵線路類型、子系統(tǒng)類型、專業(yè)類型、客流狀價等層次以樹狀方式建立能耗指標(biāo)體系。孫寧等[8]根據(jù)設(shè)備監(jiān)理實踐，完善了城市軌道交通能耗指標(biāo)體系，歸納了主要設(shè)備系統(tǒng)節(jié)能措施。鄭玲芳[9]分析各線路牽引能耗和動力能耗，綜合考慮影響能耗的因素，構(gòu)建了適合于軌道交通網(wǎng)絡(luò)的能耗指標(biāo)體系，綜合地鐵多個子系統(tǒng)和影響能耗因素，根據(jù)能耗水平和權(quán)重等建立了地鐵能耗評價體系。已有文獻主要針對不同地鐵站的用能評價，但對于單個地鐵站，其能耗受客流、列車、室外氣候等多個因素影響，用能模式多樣，已有文獻中缺乏對此方面的研究。

本文提出了一種基于數(shù)據(jù)挖掘技術(shù)[10]的地鐵環(huán)控系統(tǒng)能耗診斷體系，根據(jù)不同用能模式建立能耗基準(zhǔn)來評價地鐵環(huán)控系統(tǒng)的用能特性，為單個地鐵站的節(jié)能運行、節(jié)能改造工作提供理論依據(jù)和實際參考。

1 決策樹原理

本文采用數(shù)據(jù)挖掘中的決策樹來建模劃分地鐵站用能模式，進行地鐵站用能診斷。決策樹是數(shù)據(jù)挖掘技術(shù)中被廣泛應(yīng)用的分類算法，主要通過一系列規(guī)則對數(shù)據(jù)進行分類，提供一種在什么條件下會得到什么值的類似規(guī)則的方法，算法主要包括ID3[11-12]、C4.5[13]、CART[14]、SLIQ[15]等。決策樹主要分為分類樹和回歸樹兩種，分類樹對離散變量做決策樹，回歸樹對連續(xù)變量做決策樹。本文采用條件推理樹ctree(conditional inference tree)作為決策樹模型建立的算法。ctree算法主要針對連續(xù)變量，其決策樹模型構(gòu)建步驟如下：

1)選擇一個屬性放置在根節(jié)點，為每個可能的屬性值產(chǎn)生一個分支；2)將樣本劃分成多個子集，一個子集對應(yīng)于一個分支；3)在每個分支上遞歸地重復(fù)此過程，僅使用真正到達該分支的樣本；4)如果在一個節(jié)點上的所有樣本擁有相同的類別，即停止該部分樹的擴展構(gòu)造決策樹(集合劃分)時選擇屬性。

2 數(shù)據(jù)采集與關(guān)鍵變量選擇

本文采集北方某城市地鐵站環(huán)控系統(tǒng)的實際運行數(shù)據(jù)進行地鐵站用能診斷。實地采集北方該城市某一地鐵站在2013年夏季8月下旬4 d的實際運行數(shù)據(jù)，通過布置于地鐵站內(nèi)外的溫度、濕度、CO2傳感器等按分鐘采集地鐵站環(huán)境變量(地鐵站內(nèi)外環(huán)境溫度、相對濕度及CO2濃度等)，采用電表、傳感器等監(jiān)測得到地鐵環(huán)控系統(tǒng)中各設(shè)備(2個送風(fēng)機、2個排風(fēng)機、2個回風(fēng)機、4臺冷卻泵、4臺冷凍泵、3臺冷機及一系列閥等)的運行參數(shù)和能耗，通過地鐵運營公司采集得到該地鐵站每小時的發(fā)車對數(shù)、客流量(每小時進出站人數(shù)之和)。對每小時的發(fā)車對數(shù)、客流量線性插值得5 min內(nèi)的發(fā)車對數(shù)和客流量，同時計算得5 min內(nèi)室內(nèi)外環(huán)境的平均溫度、相對濕度及CO2濃度等，最后篩選出每列變量(5 min內(nèi)的室內(nèi)外環(huán)境的溫度、相對濕度、CO2濃度、發(fā)車對數(shù)、客流量、環(huán)控系統(tǒng)總能耗等)937個數(shù)據(jù)樣本。

建立決策樹模型之前，需要對變量進行相關(guān)性分析，去除冗余變量，選出影響地鐵能耗的關(guān)鍵變量。根據(jù)建立的數(shù)據(jù)集，選擇多個變量：室外環(huán)境溫度、室外環(huán)境相對濕度、發(fā)車對數(shù)、客流量等。

圖1 自變量與因變量之間的相關(guān)性分析結(jié)果Fig.1 Correlation analysis results between the dependent and independent variables

本文采用圓型矩陣圖，可視化展示變量間相關(guān)系數(shù)，如圖1所示。為了便于顯示圖像信息，截取變量關(guān)系矩陣圖的上半?yún)^(qū)、下半?yún)^(qū)為變量間的相關(guān)系數(shù)。對角線上的圓半徑最大，顏色最深，表示變量與自身的相關(guān)系數(shù)為1。圓的半徑越大、顏色越深，表明圓形所對應(yīng)兩個變量的線性相關(guān)系數(shù)越大。以圖1系統(tǒng)能耗行中第2個圓為例，表明系統(tǒng)能耗與客流量變量之間的相關(guān)性，相關(guān)系數(shù)為0.55。

由圖1可知，客流量、發(fā)車對數(shù)、室外環(huán)境溫度等變量與能耗之間有較強的正相關(guān)性，表明客流量越大，發(fā)車對數(shù)越多，室外環(huán)境溫度越高，地鐵環(huán)控系統(tǒng)能耗越高。室外環(huán)境相對濕度與地鐵站能耗存在負相關(guān)性，室外環(huán)境相對濕度越低，地鐵環(huán)控系統(tǒng)用能越高。同時，發(fā)車對數(shù)與客流量有0.87的正相關(guān)性，客流量越大，發(fā)車對數(shù)越多，而客流量與環(huán)控系統(tǒng)能耗成正比，因此發(fā)車對數(shù)與系統(tǒng)能耗成正相關(guān)?？土髁颗c系統(tǒng)能耗有因果關(guān)系，而發(fā)車對數(shù)的多少與環(huán)控系統(tǒng)能耗并無直接關(guān)系，發(fā)車對數(shù)主要直接影響地鐵牽引能耗。最后，選擇自變量室外環(huán)境溫度、客流量作為關(guān)鍵變量，因變量為系統(tǒng)能耗。

3 結(jié)果與討論

3.1 劃分用能模式

通過構(gòu)建條件推理樹來分析所選變量與地鐵環(huán)控系統(tǒng)能耗之間的潛在關(guān)系。圖2為根據(jù)所選變量構(gòu)建的ctree決策樹模型。系統(tǒng)能耗作為決策樹根節(jié)點的輸出變量，而所選的室外溫度和客流量用于構(gòu)建決策樹的樹結(jié)構(gòu)。節(jié)點1選用客流量作為分類屬性，將數(shù)據(jù)分為高客流量和低客流量兩類，表明該節(jié)點處客流量對能耗數(shù)據(jù)影響更大。節(jié)點2和節(jié)點9選用室外溫度作為分類屬性，將數(shù)據(jù)分為高溫和低溫兩類，表明這兩節(jié)點處室外溫度對能耗數(shù)據(jù)影響更大。節(jié)點3選用客流量作為分類屬性，將低客流量、低室外溫度的數(shù)據(jù)繼續(xù)分為客流量不同的兩類數(shù)據(jù)，該節(jié)點處客流量對能耗數(shù)據(jù)影響更大。節(jié)點4選用室外溫度作為分類屬性，將較低客流量、低室外溫度的數(shù)據(jù)分成室外溫度不同的兩類數(shù)據(jù)，該節(jié)點處室外溫度對能耗數(shù)據(jù)影響更大。節(jié)點11選用客流量作為分類屬性，將高客流量、高室外溫度的數(shù)據(jù)分為客流量不同的兩類數(shù)據(jù)，說明該節(jié)點處客流量對能耗數(shù)據(jù)影響更大。圖2中環(huán)控系統(tǒng)能耗被劃分成7個葉子節(jié)點分區(qū)，根節(jié)點處的箱型圖表明各葉子節(jié)點處環(huán)控系統(tǒng)能耗的分布。將能耗分布相近的區(qū)間劃分為同一用能模式，可得到4個不同的用能模式。

根據(jù)決策樹模型劃分不同的用能模式，根據(jù)各個模式中能耗中位值作為用能基準(zhǔn)。表1為該地鐵環(huán)控系統(tǒng)的不同用能模式的用能基準(zhǔn)。地鐵站不同用能模式的特點：模式1，客流量小，室外環(huán)境溫度低，環(huán)控系統(tǒng)能耗極低，用能模式主要發(fā)生在早晨與深夜；模式2，室外溫度偏低，位于某范圍內(nèi)，客流量較小，系統(tǒng)能耗偏低，主要發(fā)生在上午客流高峰期前和下午客流量高峰期后；模式3，客流量較小，環(huán)境溫度升高，系統(tǒng)能耗增加，用能模式發(fā)生于上下午客流高峰期之間、室外環(huán)境溫度較高的時期；模式4，客流量增加，而室外環(huán)境溫度無明顯影響，地鐵環(huán)控系統(tǒng)能耗較高，用能模式發(fā)生于上午和下午客流高峰時期。

圖2 決策樹模型Fig.2 Decision tree model

根據(jù)不同用能模式特點可知，客流量是影響地鐵環(huán)控系統(tǒng)能耗的關(guān)鍵因素。系統(tǒng)能耗隨客流量增加而提高。當(dāng)乘客從站外進入地鐵，會帶入高于站內(nèi)溫度的熱空氣；當(dāng)乘客離開地鐵時，站內(nèi)冷空氣會隨人員流動帶出地鐵站，大量的冷空氣流向站外，導(dǎo)致站內(nèi)冷量不足。夏季乘客自身溫度較高，客流量增加后，滯留在站臺的乘客發(fā)熱量增大，地鐵站內(nèi)溫度提高。綜上所述，客流量增加使站內(nèi)冷量不足而溫度升高，環(huán)控系統(tǒng)需提高運行功率來冷卻站內(nèi)空氣，降溫調(diào)整舒適度，因此環(huán)控系統(tǒng)能耗增加。

分析室外環(huán)境溫度與地鐵站用能的相關(guān)性，室外環(huán)境溫度為影響地鐵系統(tǒng)能耗的關(guān)鍵因素。地鐵站進出口多，人員流動大，站外大量新風(fēng)進入地鐵站，室外環(huán)境溫度越高，進入站內(nèi)的新風(fēng)溫度越高，站內(nèi)溫度升高。此時環(huán)控系統(tǒng)需要消耗更多的電能來維持站內(nèi)溫度和舒適度，能耗升高。

表1 該地鐵環(huán)控系統(tǒng)的不同用能模式的用能基準(zhǔn)Tab.1 Energy reference of different models in HVACin the subway station

3.2 建立用能基準(zhǔn)

根據(jù)不同模式的用能基準(zhǔn)，按照式(1)計算地鐵站環(huán)控系統(tǒng)的能耗等級，來評價地鐵環(huán)控系統(tǒng)的用能特性。

(1)

式中：R為計算所得能耗等級；Er為該地鐵站環(huán)控系統(tǒng)的實際能源消耗值；Em為地鐵環(huán)控系統(tǒng)不同模式的用能基準(zhǔn)。若地鐵環(huán)控系統(tǒng)實際能耗與同模式下的用能基準(zhǔn)相同，則能耗等級為100；若實際能耗高于用能基準(zhǔn)，則能耗等級大于100，表明地鐵站用能高，有潛在的節(jié)能空間；若實際地鐵站能耗低于用能基準(zhǔn)，則能耗等級低于100，表明地鐵站用能低，節(jié)能運行。

如圖3所示，將H. S. Park等[16]劃分寫字樓的能耗等級的方法應(yīng)用于地鐵環(huán)控系統(tǒng)用能診斷研究中，將地鐵站環(huán)控系統(tǒng)能耗等級分為A(0～55)、B(56～85)、C(86～115)、D(116～145)、E(>145)。由于等級100在C內(nèi)，為評價C能耗等級內(nèi)的能耗高低，將C分為低于100的能耗等級C1(86～100)和高于100的能耗等級C2(101～115)。A、B、C1表示低于100的能耗等級，地鐵站環(huán)控系統(tǒng)用能低。C2、D、E表示高于100的能耗等級，地鐵站環(huán)控系統(tǒng)用能高，表明系統(tǒng)有巨大的節(jié)能空間。

圖3 地鐵環(huán)控系統(tǒng)能耗等級系統(tǒng)Fig.3 Grades for energy rating system in HVAC in the subway station

3.3 模型驗證

根據(jù)能耗等級系統(tǒng)對地鐵站實際數(shù)據(jù)進行用能診斷，評價地鐵環(huán)控系統(tǒng)的用能特性，以驗證用能診斷方法的可行性。收集某一時期該地鐵站的運行數(shù)據(jù)，計算能耗等級并評價用能特性。表2為某一時期該地鐵站不同用能模式下的能耗等級分布P。

表2 某一時期該地鐵站不同用能模式下的能耗等級分布Tab.2 Distribution table of the operational ratings ofdifferent modes in HVAC in the subway station

在模式1中，所有實測耗能數(shù)據(jù)比該模式下的用能基準(zhǔn)高。主要原因是：用能模式1主要包括地鐵站早上與深夜的用能情況，此時地鐵站環(huán)控系統(tǒng)中的所有設(shè)備應(yīng)當(dāng)停止運行，但由于管理行為不規(guī)范，站臺的進風(fēng)機、排風(fēng)機一直保持運行，導(dǎo)致當(dāng)前條件下地鐵站用能水平高于用能基準(zhǔn)。

在模式2中，88%實際耗能值低于用能基準(zhǔn)，而12%的數(shù)據(jù)值高于基準(zhǔn)。主要包括早上客流高峰前(7點之前)和下午客流高峰后(18點之后)的用能情況，高峰期客流量的不同導(dǎo)致冷機負荷發(fā)生波動，用能水平在用能基準(zhǔn)值附近波動，而采樣時期的室外環(huán)境溫度降低，大部分情況下地鐵站用能低于基準(zhǔn)值。

模式3主要包括中午室外環(huán)境溫度較高時的用能情況，采樣時期的地鐵站環(huán)控系統(tǒng)實際用能水平全部低于用能基準(zhǔn)，主要原因是該時期室外氣溫降低，環(huán)控系統(tǒng)用能水平整體降低。

模式4主要包括早上和下午客流高峰時期的用能情況，實際耗能數(shù)據(jù)全部低于用能基準(zhǔn)，主要原因是采樣時期的室外氣溫降低，環(huán)控系統(tǒng)用能水平整體降低。

綜上所述，通過地鐵站實際運行數(shù)據(jù)劃分不同的用能模式，建立用能基準(zhǔn)，并根據(jù)不同模式的用能基準(zhǔn)對地鐵站未來的用能進行診斷是可行的。此外，基于決策樹模型劃分的用能模式符合專業(yè)邏輯以及實際運行狀況，用能診斷能夠公正、準(zhǔn)確地判斷未來運行用能等級，并識別異常的用能模式，有助于查找地鐵站運營漏洞、故障排查、優(yōu)化運營管理模式，為地鐵站節(jié)能工作的開展提供參考依據(jù)。

4 結(jié)論

本文提出了一種地鐵站用能診斷方法，通過數(shù)據(jù)挖掘技術(shù)建立評價模型來評價地鐵環(huán)控系統(tǒng)的用能特性。首先，通過相關(guān)性分析，確定影響地鐵環(huán)控系統(tǒng)能耗的關(guān)鍵變量：室外環(huán)境溫度、客流量；其次，根據(jù)所選取的關(guān)鍵變量，構(gòu)建決策樹模型來劃分不同的用能模式，根據(jù)各個模式中能耗中位值作為每個模式的用能基準(zhǔn)；最后，根據(jù)不同模式的用能基準(zhǔn)對實際運行數(shù)據(jù)進行用能診斷，得到如下結(jié)論：

1)地鐵站的客流與室外溫度對于地鐵站的用能影響較大，采用決策樹模型可以根據(jù)提取出的關(guān)鍵變量，科學(xué)、公正地劃分地鐵站不同用能模式，且符合專業(yè)邏輯以及實際運行狀況。進而建立不同模式下的用能基準(zhǔn)，實現(xiàn)地鐵站用能診斷和異常能耗識別。

2)實際數(shù)據(jù)的診斷結(jié)果表明：環(huán)境和客流的變化會引起用能水平的波動，但仍然貼近用能基準(zhǔn)。一方面，該用能診斷方法能夠識別異常用能模式，有助于查找地鐵站運營漏洞、故障排查；另一方面，該用能診斷方法能夠識別低能耗的用能模式，有利于優(yōu)化環(huán)控模式，為運營管理提供決策。

本文受華中科技大學(xué)自主創(chuàng)新研究基金(5003120005)項目資助。(The project was supported by Independent Innovation Research Foundation of Huazhong University of Science and Technology(No. 5003120005).)

[1] 常莉, 馮煉, 李鵬. 地鐵環(huán)控系統(tǒng)不同區(qū)域能耗分析[J].制冷與空調(diào)(四川),2009,23(5):115-118.(CHANG Li, FENG Lian, LI Peng. Energy consumption analysis of different areas on subway ECS[J]. Refrigeration and Air Conditioning, 2009, 23(5): 115-118.)

[2] WANG Yongcai, FENG Haoran, XI Xiangyu. Sense, model and identify the load signatures of HVAC systems in metro stations[R].National Harbor, MD, United States:2014 IEEE Power and Energy Society General Meeting,2014.

[3] WANG Yongcai, FENG Haoran, QI Xiao. SEED: public energy and environment dataset for optimizing HVAC operation in subway stations[R].National Harbor, MD, United States:2014 IEEE Power and Energy Society General Meeting,2014.

[4] ZHU Yingxin，QIN Ouyang．Airflow fluctuationsandthermal environment：A literature review[R]．Beijing：The 4th International Symposium on Heating, Ventilating and Air Conditioning, 2003:78-86．

[5] 朱穎心，秦緒忠，江億．站臺屏蔽門在地鐵熱環(huán)境控制中的經(jīng)濟性分析[J]．建筑科學(xué)，1997(4)：21-25．(ZHU Yingxin, QIN Xuzhong, JIANG Yi. Economic analysis for platform screen door in subway thermal environment control[J].Building Science,1997(4): 21-25.)

[6] 江億.從實際運行數(shù)據(jù)出發(fā)開展地鐵站節(jié)能工作[R].北京:清華大學(xué), 2015.(JIANG Yi. Carrying out energy-saving work in subway stations based on actual operating data[R].Beijing: Tsinghua University,2015.)

[7] 石靜雅,蘇永清,岳繼光.軌道交通能耗影響因素分析及能耗評價體系的建立[J].鐵道運輸與經(jīng)濟,2008,30(9):46-49.(SHI Jingya, SU Yongqing, YUE Jiguang. The analysis of influence factors in energy consumption of railway transportand theestablishment of the energy evaluation system[J]. Railway Transport and Economy, 2008,30(9):46-49.)

[8] 孫寧，李照星，戴華明.城市軌道交通能耗指標(biāo)體系與節(jié)能措施研究——設(shè)備監(jiān)理在節(jié)能減排中的創(chuàng)新實踐[J].設(shè)備監(jiān)理，2011(1):15-22.(SUN Ning, LI Zhaoxing, DAI Huaming. The study of energy consumption index system and energy saving measure of urban rail transit:the innovation practice of the equipment supervision in energy-saving emission reduction[J]. Plant Engineering Consultants, 2011(1):15-22.)

[9] 鄭玲芳.上海市軌道交通規(guī)劃環(huán)評能耗指標(biāo)體系初探[J]. 環(huán)境科學(xué)與技術(shù),2013,36(12):402-405.(ZHENG Lingfang. The enengy index system of shanghai urban transit rail instrategy environmental assessment[J]. Environmental Science & Technology, 2013,36(12):402-405.)

[10] 陳煥新, 劉江巖, 胡云鵬, 等. 大數(shù)據(jù)在空調(diào)領(lǐng)域的應(yīng)用[J]. 制冷學(xué)報, 2015, 36(4): 16-22.(CHEN Huanxin, LIU Jiangyan, HU Yunpeng, et al. Application of big data in air-conditioning field[J]. Journal of Refrigeration, 2015, 36(4): 16-22.)

[11] QUINLAN J R. Induction of decision trees[J]. Machine learning, 1986, 1(1): 81-106.

[12] 謝妞妞, 劉於勛. 決策樹屬性選擇標(biāo)準(zhǔn)的改進[J]. 計算機工程與應(yīng)用, 2010, 46(34): 115-118.(XIE Niuniu, LIU Yuxun. Improvement of attribute selection criterion of decision trees[J]. Computer Engineering and Applications, 2010, 46(34): 115-118.)

[13] QUINLAN J R. C4.5: programs for machine learning[M]. Elsevier, 2014.

[14] BREIMAN L, FRIEDMAN J H, OLSHEN R A, et al. Classification and regression trees[M]. CRC Press, 1984.

[15] MEHTA M, AGRAWAL R, RISSANEN J. SLIQ: A fast scalable classifier for data mining[C]// International Conference on Extending Database Technology. Springer Berlin Heidelberg, 1996.

[16] PARK H S, LEE M, KANG H, et al. Development of a new energy benchmark for improving the operational rating system of office buildings using various data-mining techniques[J].Applied Energy,2016,173:225-237.