随着数据信息时代的迅速到来,建筑能耗也受到了人们的极大关注,能耗数据以其多样化的形式开始呈现急剧增长的趋势,对于海量能耗数据的分析研究显得越来越重要。由于数据挖掘可以对海量数据进行分析,帮助用户更好地发现数据中隐含的有用信息。本文提出运用数据挖掘技术对建筑能耗数据分析,设计物联网能耗数据智能分析系统验证数据挖掘理论研究的可行性,研究的主要内容如下:首先,关联规则数据挖掘理论可以从大量数据的项集中发现有用的规则,建筑用电能耗分项、建筑房间面积和房间人员等属性之间的变化是存在某种关联或者关系的。Apriori关联规则挖掘算法是关联规则理论中最具有典型性的方法,但在它计算频繁项集时需要生成大量的候选项集,并且需要多次扫描数据库,增加了算法的计算复杂度,由于排序索引规则通过索引编号,跳跃搜索项集,可以有效加快信息的检索速率,提出一种基于布尔矩阵和排序索引规则的关联规则挖掘算法,先扫描数据集获取布尔矩阵,再对布尔矩阵进行预处理操作,删除其中无用事务和项集,根据剪枝布尔矩阵和标记序列产生频繁二项集,结合排序索引生成其他频繁项集,有效提高了频繁项集挖掘的效率,并有效减少了内存的占用率。其次,由于聚类挖掘技术作为数据挖掘领域中的一种工具,可以获得数据分布的内在规律,通过聚类数据挖掘方法对数据中心内部设备中的能耗数据进行聚类分析,可以发现异常耗能设备以及根据聚类分析制定合理的用电方案。由于基于密度的聚类方法可以有效发现任意形状的簇和有效识别离群点,可以有效利用密度聚类这一特点发现建筑能耗的内部规则,但在全局参数选择上DBSCAN密度聚类算法需人工干预以及区域查询方式过程复杂和查询易丢失对象等不足,提出一种改进的参数自适应以及区域快速查询的密度聚类算法,有效提高聚类的效率。基于划分的近邻传播聚类算法利用最近邻居关系传递特性,无需初始化聚类中心,可以在比较短的时间内发现更低误差的聚类结果,对处理数据量庞大的能耗数据具有很好的可行性。但在无先验知识条件下存在偏向参数选择困难以及在处理结构复杂或高维数据的数据信息重叠问题,提出基于流形结构邻域选择的局部投影近邻传播算法,在保留数据内部非线性结构的前提下,有效删除高位复杂数据空间中的冗余数据。最后,设计实现物联网建筑能耗数据智能分析系统,以验证提出的关联规则和聚类数据挖掘理论研究的可行性。系统由中心服务器和客户端两部分组成。中心服务器负责实现数据采集、数据挖掘、数据分析、数据存储及数据通信接口等功能,客户端根据restful接口获取服务器端的数据分析结果和能耗数据,实现数据通信、数据解析以及数据可视化等功能,方便管理者监管建筑能耗使用情况,辅助管理者制定节能方案,有效实现对建筑能耗数据的节能目的。