cs109-energy+哈佛大学能源探索项目 Part-1（项目背景）

1、项目概况

1.1 背景和动机

建筑能源性能的问题现在已经成为建筑业主极为关注的问题，因为这直接转化为成本。根据美国能源部的数据，建筑物消耗了美国全部能源的约40%。一些州和市政府采取了建筑节能目标，以减少城市及区域乃至全球的空气污染和气候变化。

本项目使用五种机器学习模型，对哈佛大学校园建筑物的天气数据、时间数据和历史能源消耗数据进行预测未来能源消耗量。这些建筑物安装了分表和传感器，以测量三种类型能源的每小时和每天的消耗量：电力、冷水和蒸汽。

机器学习模型能够生成准确的能源消耗预测结果，并且可供设施经理、公用事业公司和建筑监管项目使用，以实施节能政策。对于大学设施而言，如果他们能够预测所有校园建筑物的能源使用情况，他们可以提前制定计划，优化冷却机、锅炉和能量储存系统的运行。

1.2 相关工作

我们不是第一个进行这种研究的国家。有很多关于这个话题的论文。例如,

Wu, Leon, et al. “Improving efficiency and reliability of building systems using machine learning and automated online evaluation.” Systems, Applications and Technology Conference (LISAT), 2012 IEEE Long Island. IEEE, 2012.

我们想尝试不同的机器学习方法，并在哈佛的建筑中实现这些方法。

1.3 项目目标/初始问题

本项目的主要目标是利用时间和天气，根据历史数据预测建筑的能源需求。 我们正在寻求易于实现的模型与最小的输入要求和高准确度。这些模型将使设施、智能电网和建筑调试项目的管理者受益。
对于大学设施来说，如果他们能够预测所有校园建筑的能源使用情况，他们就可以提前制定计划，以优化冷冻机、锅炉和储能系统的运行。 该模型将产生准确的能源需求预测，公用事业公司可以利用它来决定未来生产的最佳电量，并使成本最小化。在建筑调试过程中，工程师需要对节能措施实施后的节能效果进行验证。然而，在更改之前和之后，很难有足够的具有相同条件的数据点。因此，工程师需要插值和/或外推数据。这也是本研究的一个重要应用。
我们在整个项目过程中都坚持这个问题。在我们的项目提案中，我们考虑在更多的建筑上测试我们的方法，并使用数据进行一些故障检测。但是数据清理的时间比我们想象的要长。因此，我们决定将预测任务集中在一栋建筑上。

Reference

一个完整的机器学习项目实战代码+数据分析过程：哈佛大学能耗预测项目
Part 1-3 Project Overview, Data Wrangling and Exploratory Analysis-DEC10
Prediction of Buildings Energy Consumption