在没有人为干预的情况下，如何解决复杂的建筑问题，例如能源效率？如何更好地了解建筑物能耗模式，并获得解决低效率所需的洞察力？机器学习或许是答案。
机器学习（ML）分析技术在商业建筑行业正逐渐占据一席之地，这是因为它具有发现模式、生成准确预测并自动响应这些预测的尖端能力。根据美国能源部的说法，“通过更有效地使用现有控件和部署高级控件，可以消除多达30％的建筑能耗”，而通过使用机器学习可以大大提高这一点。
将智能分析平台与先进的机器学习功能集成在一起，可以帮助您发现原本就不明显的节能机会，同时最大限度地减少了对人工干预的依赖（以识别和解决运营问题）。
机器学习的力量
利用机器学习来提高建筑能效始于数据分析。机器学习算法不断整合和分析来自各种来源（例如设备、传感器和设备）的数据，以完善可挖掘趋势和识别异常的内部模型。随着时间推移，它使分析系统可以了解建筑物的运行方式并检测过度的能源使用，识别运营支出(OPEX)节约机会，并为复杂问题推荐解决方案。
随着分析系统对建筑物的深入了解，高级算法可以执行越来越复杂的学习过程，并使用数据模式自动调整运行设定值、启动运行并对建筑系统和设备行为进行更改。而且获得有关系统或设备的数据越多，您的系统就越好。
机器学习如何提高建筑能源效率
在一个由建筑设备和自动化系统组成的复杂网络中，机器学习对于改善运营至关重要。特别是，它可以成为减少能源使用和改善整体能源管理的有力工具。
机器学习可以优化建筑能效的四种主要方式是:
预测能源消耗
机器学习的主要应用之一是能耗预测。机器学习分析可以使用建筑物的历史能耗数据来揭示趋势并预测未来的能耗。当实际能耗高于预期时，可能表明效率低下。
监测和预测故障
建筑物中的设备、传感器会生成大量数据，并会在设备发生故障时触发警报通知。高级分析会对这些数据进行组织、分析和优先排序，以产生有意义的见解并隔离漏洞和故障点。值得注意的是，机器学习可以超越传统的故障检测，并通过标记早期和与历史趋势相关的偏差来提前提醒系统和设备故障，以防发生故障。这对于避免灾难性故障、防止能源浪费和最大限度地减少停机时间至关重要。
预测分析对于高消耗目标尤其有价值，如暖通空调设备，其约占美国商业设施能耗的40%。传统的模型和基于规则的策略通常不会提供先发制人的干预机会，这可能会在故障被识别之前造成大量的能源浪费。
季节性建模
居住者的需求和最佳建筑条件一年到头都在变化，这为季节性低效敞开了大门。季节性建模涉及将设定值与季节性条件相关联以适配这些变化。具有机器学习功能的连续分析可以确保无需人工干预的长期效率。
预制冷或预加热建模
机器学习可以根据历史暖通空调和温度传感器数据（考虑到天气和占用情况）创建建筑物的预制冷却或预加热模型。使用此模型，可以设置自动操作控制并自动调整，以便根据预测的近期条件预先加热或冷却您的建筑。例如，设施可以在预期的热浪到来之前自动预制冷，或根据即将到来的入住人数变化进行预加热。
机器学习驱动的分析系统从一组设备收集数据的时间越长，有关该设备如何、何时以及为何运行的历史数据就越多，从而可以做出更准确的预测和更好的调整。
优化您的建筑能效
通过部署像onPoint Analytics这样的分析平台，您可以利用机器学习的力量来实现能源效率目标。onPoint是一个智能分析平台，将机器学习与深厚的领域知识相结合，可以提供有意义的见解，并可以为日常建筑运营创建实用的效率策略。借助最先进的分析功能，onPoint可以自动简化运营并减少整个机构的能源消耗。