The next step in the process is to

The next step in the process is to use k-means clustering to further
aggregate the motif candidates. We choose to group the day-types
into five clusters based on the six motif candidates and the similarity between
the aaaa and aaba patterns. The results of this clustering are seen
in Fig. 9. Cluster 0 is strongly prevalent on the weekends, while clusters
2, 3, and 4 are weekday dominant. Cluster 1 correlates with days in
which the facility is partially open due to a teacher working day without
students or extracurricular activities.
The DayFilter process is univariate in this analysis, however the clusters
can be visualized as compared to distributions of potential influencing
external variables using box plots. Fig. 10 illustrates this visualization.
Fig. 10a shows the distributions of daily cooling energy according to cluster,
producing intuitive results of consecutively increasing, tight clusters
due to utilization of this variable as the clustering target. The discord
candidates span most of the cooling consumption range and include
quite a few high consumption outliers as compared to the characteristic
clusters. Fig. 10b illustrates the chilled water plant efficiency distributions
which vary slightly in mean but are quite different in variance
and outliers. It is interesting to observe the difference in variance between
the clusters, with some exhibiting very small ranges (Cluster 3)
and others showing much larger ranges (Cluster 1). This insight could
be further investigated with respect to the cooling system control. The
discord candidates actually exhibit a tight range of cooling system
efficiency. Fig. 10c shows the cluster distribution according to outside
ambient dry bulb temperature. This result shows how consistent the
chiller plant output is over the operating range with respect to weather
conditions.

4.2. Case Study 2: whole building electricity from European temperate
climate office building
The second case study is an office building in a temperate, continental
climate in Switzerland. It is a facility with gas-heated hot water and
electric chilled water cooling systems. The building is used as a case
study facility for innovative building systems. Measurement system
Fig. 10. Box plot distribution comparison of generated clusters: a) clusters as compared to
chilled water plant kW, b) comparison to cooling plant efficiency, and c) comparison to
outdoor air dry bulb temperature.
10 C. Miller et al. / Automation in Construction 49 (2015) 1–17data has been collected for over three years from various building submetering
systems. This analysis is abbreviated as compared to Case
Study 1 as less time was spent on the investigation of the motifs and
discords created in this example; it is included to contrast the basic capabilities
of DayFilter for a dataset in a continental climate with a different
type of univariate data stream. For this application, we investigate
the electricity profiles for the whole building. Whole building electricity
should be more diverse in this example since more subsystems are contributing
to the profiles, as compared to only cooling energy in the previous
example. A dataset of 9769 hourly data points spanning from July
1, 2012 to August, 12, 2013 are implemented using the DayFilter technique
on 407 daily profiles. Fig. 11 illustrates the process as applied to
this case study with parameters A = 3 and W = 4. The discord and
motif candidates are separated in this case according to a decision
threshold which quantifies a discord as a day-type with a frequency
count less than 2% of total days available. This distinction results in
53 days with patterns tagged as discord candidates, which is 13% of
the total days in the dataset.
Ten motif candidates are created in the SAX process due to the larger
diversity of operating profiles because of the distinct heating and
cooling seasons that exist in a temperate climate as well as the different
operating schedules and system types. Additionally, this analysis is
using whole building electricity consumption as opposed to only
cooling electricity, thus increasing the potential diversity of load patterns.
The most notable difference in the cooling season patterns compared
to Case Study 1 is in the presence of many more daily SAX
words starting with b or c. It was discovered that this facility has an
ice storage system that is utilizing electricity in the early morning
hours to shift the demand during the cooling season. Motif candidate
patterns fitting in this category include cccb, caaa, bccb, bbcb, bbbb,
and baaa. The remaining motif candidates are more common during
the winter with accb and abcb exemplifying weekday profiles and
abbb and aaaa representing weekends and holidays.
There are 22 discord candidates in this case study with anywhere between
1 and 8 days in each discord. The most obvious anomaly in the
discord dataset are the top consuming cccc, ccbb, cbcb, and cbcc patterns

Kết quả (Việt) 1:

Bước tiếp theo trong quá trình này là sử dụng k-có nghĩa là cụm để tiếp tụcTổng hợp các ứng cử viên motif. Chúng tôi chọn để nhóm các loại ngàyvào năm cụm dựa trên các ứng cử viên sáu motif và những nét tương đồng giữaCác mô hình aaaa và aaba. Kết quả của cụm này được nhìn thấytrong hình 9. Cụm 0 là rất phổ biến vào cuối tuần, trong khi cụm2, 3 và 4 là chi phối ngày trong tuần. Cụm 1 correlates với ngày trongcơ sở là một phần mở do một ngày làm việc giáo viên mà không cósinh viên hoặc các hoạt động ngoại khóa.Quá trình DayFilter là véc trong phân tích này, Tuy nhiên các cụmcó thể được hình dung so với phân phối của ảnh hưởng đến tiềm năngbên ngoài biến sử dụng hộp lô. Hình 10 minh họa kiểu trực quan này.Hình 10a cho thấy các bản phân phối của hàng ngày làm mát năng lượng theo cụm,sản xuất các kết quả trực quan liên tiếp ngày càng tăng, chặt chẽ cụmdo sử dụng các biến này là mục tiêu kết cụm. Bất hòaứng cử viên trải dài nhất của dãy tiêu thụ làm mát và bao gồmkhá một vài tiêu thụ cao outliers so với các đặc tínhcụm. Hình 10b minh hoạ phân phối hiệu quả thực vật ướp lạnh nướcmà thay đổi trong có nghĩa là nhưng khá khác nhau trong phương saivà outliers. Nó là thú vị để quan sát sự khác biệt trong phương sai giữatrưng bày các cụm, với một số phạm vi rất nhỏ (nhóm 3)và những người khác cho thấy nhiều phạm vi lớn hơn (nhóm 1). Cái nhìn sâu sắc này có thểđược tiếp tục điều tra đối với điều khiển hệ thống làm mát. Cácbất hòa ứng cử viên thực sự thể hiện một phạm vi chặt chẽ của hệ thống làm lạnhhiệu quả. Hình 10 c cho thấy cụm phân phối theo bên ngoàinhiệt độ môi trường xung quanh khô bóng. Kết quả này cho thấy làm thế nào phù hợp cácchiller thực vật đầu ra là trong phạm vi hoạt động đối với thời tiếtđiều kiện.4.2. nghiên cứu trường hợp 2: toàn bộ xây dựng điện từ châu Âu ôn đớicao ốc văn phòng khí hậuNghiên cứu trường hợp thứ hai là một văn phòng xây dựng trong một khu vực ôn đới, lục địakhí hậu ở Thụy sĩ. Nó là một cơ sở với khí sưởi nước nóng vàHệ thống điện ướp lạnh nước làm mát. Tòa nhà được sử dụng như là một trường hợpnghiên cứu cơ sở cho sáng tạo xây dựng hệ thống. Hệ thống đo lườngHình 10. So sánh phân phối hộp âm mưu tạo ra cụm: một) cụm như so vớiướp lạnh nhà máy nước kW, b) so sánh để làm mát hiệu quả thực vật, và c) so vớinhiệt độ khô bóng đèn ngoài trời không khí.10 C. Miller et al. / tự động hóa trong xây dựng 49 (2015) 1-17data đã được thu thập trong hơn ba năm từ khác nhau xây dựng submeteringHệ thống. Phân tích này viết tắt so với trường hợpNghiên cứu 1 ít thời gian đã được chi tiêu vào việc điều tra của các motif vàdiscords tạo ra trong ví dụ này; nó được bao gồm ngược lại các khả năng cơ bảncủa DayFilter cho một bộ dữ liệu trong một khí hậu lục địa với một khác nhauloại véc dòng dữ liệu. Đối với ứng dụng này, chúng tôi điều traCác cấu hình điện cho việc xây dựng toàn bộ. Xây dựng toàn bộ điệnnên đa dạng hơn trong ví dụ này kể từ khi hệ thống phụ thêm đang đóng gópđể cấu hình, so với chỉ làm mát năng lượng trong trước đóVí dụ. Một bộ dữ liệu của 9769 giờ dữ liệu điểm kéo dài từ ngày1, 2012 ngày, 12, 2013 được thực hiện bằng cách sử dụng các kỹ thuật DayFiltertrên 407 hồ sơ hàng ngày. Hình 11 minh hoạ trình như áp dụng chonghiên cứu trường hợp này với tham số A = 3 và W = 4. Bất hòa vàứng cử viên motif được tách ra trong trường hợp này theo một quyết địnhngưỡng mà lượng bất hòa một khi một ngày nhập with a tần sốđếm ít hơn 2% của tất cả ngày có sẵn. Sự phân biệt này kết quả trong53 ngày với các mẫu được dán là ứng viên bất hòa, đó là 13% củanhững ngày tất cả trong bộ dữ liệu.Mười motif ứng cử viên được tạo ra trong quá trình SAX do lớn hơnsự đa dạng của hoạt động hồ sơ vì nhiệt khác biệt vàlàm mát mùa mà tồn tại trong một khí hậu ôn đới cũng như khác nhaulịch trình hoạt động và các loại hệ thống. Ngoài ra, phân tích này làbằng cách sử dụng toàn bộ xây dựng điện tiêu thụ như trái ngược với chỉlàm mát điện, do đó tăng sự đa dạng tiềm năng mô hình tải.Sự khác biệt đáng chú ý nhất trong các mô hình mùa làm mát sođể nghiên cứu trường hợp 1 là sự hiện diện của nhiều hơn hàng ngày SAXtừ bắt đầu với b hoặc c. Nó được phát hiện ra rằng cơ sở này có mộtHệ thống lưu trữ băng sử dụng điện vào sáng sớmgiờ để thay đổi nhu cầu làm mát mùa. Ứng cử viên motifmẫu phù hợp trong thể loại này bao gồm cccb, caaa, bccb, bbcb, bbbb,và baaa. Các ứng cử viên motif còn lại là phổ biến hơn trong thời gianmùa đông với accb và abcb exemplifying cấu hình ngày trong tuần vàabbb và aaaa đại diện cho ngày cuối tuần và ngày lễ.Có 22 bất hòa ứng cử viên trong trường hợp này học với bất cứ nơi nào giữa1 đến 8 ngày trong mỗi bất hòa. Sự bất thường rõ ràng nhất trong cácsố liệu bất hòa là các đầu tiêu thụ cccc, ccbb, cbcb, và mô hình cbcc

Kết quả (Việt) 2:

Các bước tiếp theo trong quá trình này là sử dụng k-means clustering để tiếp tục
tổng hợp các ứng cử viên motif. Chúng tôi lựa chọn để nhóm các ngày loại
thành năm nhóm dựa trên sáu ứng cử viên motif và sự giống nhau giữa
các aaaa và aaba mẫu. Các kết quả phân nhóm này được nhìn thấy
trong hình. 9. Cụm 0 là mạnh phổ biến vào cuối tuần, trong khi cụm
2, 3, và 4 tuần chiếm ưu thế. Nhóm 1 có tương quan với ngày
mà cơ sở là một phần mở do một giáo viên ngày làm việc mà không có
sinh viên hoặc các hoạt động ngoại khóa.
Quá trình DayFilter là đơn biến trong phân tích này, tuy nhiên các cụm
có thể được hình dung như là so với các bản phân phối của tiềm năng ảnh hưởng đến
các biến bên ngoài bằng cách sử dụng hộp lô. Vả. 10 minh họa trực quan này.
Fig. 10a cho thấy sự phân bố năng lượng làm mát hàng ngày theo cụm,
sản xuất kết quả trực quan của liên tục tăng lên, cụm chặt chẽ
do sử dụng các biến này là các mục tiêu clustering. Mối bất hòa
ứng cử viên trải dài nhất của dãy tiêu thụ làm mát và bao gồm
khá một vài bất ngờ tiêu thụ cao so với các đặc trưng
cụm. Vả. 10b minh họa sự phân bố hiệu suất nhà máy nước lạnh
mà thay đổi chút ít trong bình nhưng khá khác nhau trong phương sai
và sự chênh lệch. Nó là thú vị để quan sát sự khác biệt trong phương sai giữa
các cụm, với một số biểu hiện phạm vi rất nhỏ (cụm 3)
và những người khác cho thấy phạm vi lớn hơn nhiều (Nhóm 1). Sự thấu hiểu này có thể
được tiếp tục điều tra liên quan đến việc kiểm soát hệ thống làm mát bằng. Các
ứng cử viên thực sự bất hoà hiện một phạm vi hẹp của hệ thống làm mát
hiệu quả. Vả. 10c cho thấy sự phân cụm theo bên ngoài
môi trường xung quanh nhiệt độ bầu khô. Kết quả này cho thấy cách nhất quán trong việc
sản lượng nhà máy làm lạnh là trong phạm vi hoạt động liên quan đến thời tiết có
điều kiện. 4.2. Nghiên cứu tình huống 2: toàn bộ tòa nhà điện từ châu Âu ôn đới khí hậu xây dựng văn phòng Các nghiên cứu trường hợp thứ hai là một tòa nhà văn phòng trong một lục địa ôn đới khí hậu ở Thụy Sĩ. Đây là thiết bị bằng nước nóng khí nóng và hệ thống làm mát bằng nước lạnh điện. Các tòa nhà được sử dụng như là một trường hợp cơ sở nghiên cứu để xây dựng hệ thống sáng tạo. Hệ thống đo lường hình. 10. Box so sánh phân bố âm mưu của các cụm được tạo ra: a) cụm so với nhà máy nước lạnh kW, b) so sánh để làm mát hiệu suất nhà máy, và c) so với không khí ngoài trời nhiệt độ bầu khô. 10 C. Miller et al. / Tự động hóa trong xây dựng 49 (2015) 1-17data đã được thu thập trong hơn ba năm xây dựng từ submetering khác nhau hệ thống. Phân tích này được viết tắt là so Case Study 1 là ít thời gian đã được chi cho các cuộc điều tra trong những hoa văn và mâu thuẫn tạo trong ví dụ này; nó được bao gồm để đối chiếu những khả năng cơ bản của DayFilter cho một bộ dữ liệu trong một khí hậu lục địa với một khác nhau loại luồng dữ liệu đơn biến. Đối với ứng dụng này, chúng tôi điều tra các hồ sơ điện cho toàn bộ toà nhà. Điện xây dựng toàn bộ nên được đa dạng hơn trong ví dụ này từ nhiều hệ thống con được đóng góp cho các cấu hình, so với chỉ làm mát năng lượng trong các trước dụ. Một bộ dữ liệu của 9769 điểm dữ liệu theo giờ kéo dài từ tháng 1 năm 2012 đến tháng 12 năm 2013 được thực hiện bằng cách sử dụng kỹ thuật DayFilter trên 407 hồ sơ hàng ngày. Vả. 11 minh họa quá trình này áp dụng cho trường hợp nghiên cứu này với các thông số A = 3 và W = 4. Sự bất hoà và các ứng cử viên motif được tách ra trong trường hợp này theo một quyết định ngưỡng định lượng mà một bất hòa như một ngày-type với một tần số đếm ít hơn 2% của tổng số ngày có sẵn. Sự khác biệt này kết quả trong 53 ngày với các mẫu được gắn thẻ như là ứng cử viên bất hòa, mà là 13% của tổng số ngày trong các bộ dữ liệu. Mười ứng viên motif được tạo ra trong quá trình SAX do lớn hơn sự đa dạng của các cấu vận hành do sưởi ấm khác biệt và mùa lạnh tồn tại trong một khí hậu ôn đới cũng như sự khác nhau và các loại lịch trình điều hành hệ thống. Ngoài ra, phân tích này là sử dụng tiêu thụ điện toàn bộ tòa nhà như trái ngược với chỉ làm mát điện, do đó làm tăng sự đa dạng tiềm năng của mô hình tải. Sự khác biệt đáng chú ý nhất trong các mẫu mùa làm mát so Case Study 1 là sự hiện diện của nhiều SAX hàng ngày nhiều hơn từ bắt đầu với b hoặc c. Nó được phát hiện rằng cơ sở này có một hệ thống lưu trữ băng được sử dụng điện vào sáng sớm giờ để thay đổi các nhu cầu trong mùa lạnh. Motif ứng viên mô hình phù hợp trong thể loại này bao gồm CCCB, caaa, bccb, bbcb, bbbb, và baaa. Các ứng cử viên còn lại là motif phổ biến hơn trong mùa đông với accb và abcb khuôn mẫu cho những hồ sơ các ngày trong tuần và abbb và aaaa đại diện cho những ngày cuối tuần và ngày lễ. Có 22 ứng cử viên bất hòa trong nghiên cứu trường hợp này với bất cứ nơi nào giữa 1 và 8 ngày trong từng bất hòa. Các bất thường rõ ràng nhất trong các bộ dữ liệu bất hòa là tốn cccc, ccbb, mẫu cbcb, và CBCC đầu