数据挖掘是指从大量数据中揭示出未知的并有潜在价值信息的过程。主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析能耗数据，做出归纳性的推理，从中挖掘出潜在的能耗模式，帮助决策者调整能源调度策略，减少风险，做出正确的决策。　　能源管理系统应用智能化集成系统技术，通过采集建筑内各用能系统（变配电、照明、空调、电梯、给排水、热水及其他设备）的能耗和运行信息，形成专业的...
　　数据挖掘是指从大量数据中揭示出未知的并有潜在价值信息的过程。主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析能耗数据，做出归纳性的推理，从中挖掘出潜在的能耗模式，帮助决策者调整能源调度策略，减少风险，做出正确的决策。

　　能源管理系统应用智能化集成系统技术，通过采集建筑内各用能系统（变配电、照明、空调、电梯、给排水、热水及其他设备）的能耗和运行信息，形成专业的区域能效分析统计和设备能效运行管理。通过各种仪表采集数据并分析各类设备允许中反映出来的能源传输、变换与消耗的特征，发现能耗漏洞和节能空间，以调整用能策略，达到能源较优化、较经济使用的效果，实现“管理节能”和“绿色用能”。

主要采用以下数据挖掘技术。

1. 数据预处理

　　数据预处理能够按照统一的规则集成并提高数据的价值，是负责完成数据从数据源向目标数据仓库转换的过程，是实施数据仓库的重要步骤。如果说数据仓库的模型设计时一座大厦的设计蓝图，数据是砖瓦的话，那么数据预处理就是给大厦打地基的过程。数据仓库中的数据抽取、数据清洗、数据选择、数据转换都属于这一范畴。主要涉及到的缺失值计算模型包括：均值插补、利用同类均值插补、极大似然估计、多重插补。

2. 能耗分析模式

　　EMS系统需要管理大量的楼宇、部门、房间、设备、传感器，通过有监督学习、无监督聚类算法寻找具有相同耗能模式的能耗单元（数据挖掘中的频繁项集）进行统一管理，采取相似的节能措施，统一调整运行状态。

　　聚类分析是指将物理或抽象的集合分组成为由类似的对象组成的多个类的分析过程。它以相似性为基础，在一个聚类中的模式之间比不再同一聚类中的模式之间具有更多的相似性。可分为划分法、层次法、基于密度的方法、基于网格的方法、基于模型的方法等。

3. 能耗预测与趋势分析

　　能耗预测技术的研究也在不断深化，各种各样的能耗预测方法不断涌现，从经典的单耗法、弹性系数法、统计分析法、到目前的灰色预测法、专家系统和模糊数学法、甚至刚刚兴起的神经网络法、优选组合法和小波分析法，通过对物联网感知层采集到的能耗历史数据的挖掘，从而可以根据预测的能耗量，采取针对性措施，通过动态能源管理进行削峰填谷的调度。

4. 离群点分析

　　 在能源管理时间序列数据中，搜索非正常的序列模式，查找能耗异常的空间或时间维度的离群点，即自动查找出超出正常值的异常时段能耗、异常部门能耗、异常设备能耗等，并通过其他物联网传感器数据，判明能耗异常原因，并调整记录。

5. 频繁集项管理

　　item集合（称为频繁项集），较经典的例子就是超市购物篮数据中啤酒与尿布的故事。既可以通过宽度优先的Apriori等算法，也可以通过采用深度优先的FP-Growth等算法，宽度优先算法的缺点是对含有长模式的密集数据库效率比较低下，深度优先算法则不能很好地扩展到大型稀疏数据库的挖掘中去，两者有机结合应该适合更多的事物数据库。

6. 关联分析与因子分析

7. 故障检测与诊断

8. 电能质量评价

9. 数据可视化

　　寻找提高能源利用效率的解决之道已成为关系人类生存与可持续发展的急切问题和社会家庭、企业与政府等全社会的共同责任。从传统互联网到物联网到泛在网，产生的数据越来越多。能源管理系统中通过大量采用数据挖掘技术，展现了EMS系统在合理计划和利用能源、降低单位产品能源消耗、提高经济效益方面的巨大潜力。