胡振中¹, 袁爽²
1. 清华大学 深圳国际研究生院, 深圳 518055;
2. 清华大学 土木工程系, 北京 100084

基金项目：国家重点研发计划（2017YFC0704200）
作者简介：胡振中(1983—), 男, 副教授。E-mail:huzhenzhong@tsinghua.edu.cn

摘要：目前，中国国内的建筑能耗和环境参数监测并未形成统一的标准，不同的能耗监测系统互不兼容，导致绝大部分的建筑能耗与环境监测数据无法有效集成和融合，造成了数据资源的严重浪费。该文首先定义了面向建筑动态监测数据的能耗与环境参数数据模型，并提出了建筑动态能耗数据的提取与集成的方法，同时开发与实现了相应的建筑能耗数据提取软件模块，并在实际工程中进行了验证。最后，对此技术的相关问题和应用前景进行了讨论。
关键词：能耗监测系统标准化能耗数据模型数据提取
Standardized data extraction techniques for building utility consumption and environmental monitoring systems
HU Zhenzhong¹, YUAN Shuang²
1. Tsinghua Shenzhen International Graduate School, Shenzhen 518055, China;
2. Department of Civil Engineering, Tsinghua University, Beijing 100084, China

Abstract: China's domestic building energy consumption and environmental monitoring industry is suffering from the absence of a universal standard. As a result, different monitoring systems tend to be mutually incompatible and the vast majority of the energy consumption and environmental monitoring data cannot be integrated into a comprehensive database which leads to serious waste of data resources. This research defines a building energy consumption and environmental parameters data model and then presents a method for the extraction and integration of dynamic building monitoring data. Software modules have been implemented and tested on practical projects. This papers concludes with discussions of the problems and prospects of these techniques.
Key words: energy consumption monitoring systemstandardizationenergy consumption data modeldata extraction
建筑物的能耗与环境参数监测，是指通过仪器、仪表和传感器等测量和采集建筑物的资源消耗与环境参数，并加以记录的过程。自20世纪中期开始，环境保护主义在西方的兴起，使社会各界逐渐认识到人类发展对自然环境的破坏和不可持续性。另一方面，建筑物在全球范围内是能源的最主要消耗者。根据统计，2017年美国的居民与商业建筑的能耗占据了全国总能耗的39%^[1]，而中国在2016年建筑能源消费占全国能源消费总量的20.62%。相比之下，中国的单位面积建筑能耗水平和建筑能耗在社会总能耗中的占比都要低于西方国家，但是处在迅速增长的过程中^[2]。因此，通过科学合理的手段控制建筑物的能源消耗，对于社会经济的可持续发展和自然环境的保护，都有着重要的意义。
建筑能耗的科学管理和控制的前提，是对建筑物能源消耗的规律和模式有着足够的掌握和了解，而这些规律和模式需要从建筑物的能耗和环境监测数据中去分析和挖掘。作为时序数据，建筑物的能耗和环境监测数据呈现出体量巨大和内容繁杂的特点，超过传统的数据分析和处理手段的处理能力。
中国近年出台了《GB/T 34913—2017民用建筑能耗分类及表示方法》^[3]《JGT 358—2012建筑能耗数据分类及表示方法》^[4]和《国家机关办公建筑和大型公共建筑能耗监测系统分项能耗数据采集技术导则》^[5](简称《导则》)等标准，规定了各级行政区应建立相应的能耗监测平台，并规定了相应的能耗数据标准和数据平台的性能。目前已有利用依据这一标准建立的地方性能耗数据平台的数据进行分析和研究的报道^[6-7]。由于缺乏可靠的数据来源，很多研究采用的都是由计算机产生的模拟能耗数据或者是推测数据^[8-10]。另一方面，由于在实际应用中，不同的监测服务提供商往往会采用互不兼容的数据标准，导致实际只有很少一部分监测数据可以被融合和集成，并用于进一步的分析，这无疑是对数据资源的一种浪费^[11-14]。而《导则》中规定的数据标准粒度较粗，且只包括了建筑物在水、电、供冷和供暖等方面的能耗，没有考虑相应的建筑物内部环境监测信息。总体而言，目前对建筑能耗监测系统的研究偏重于采集、传输和预测等技术，而对能耗模型的标准化和数据集成的问题的研究较少。
为此，本文定义了面向建筑物动态能耗与环境监测数据的数据模型，并且提出了通过数据接口和系统集成的方式，实现对建筑能耗与环境监测数据进行集成与提取的方法。
1 面向建筑物动态能耗与环境监测的数据模型1.1 数据模型参数分类与选取建筑物在运行过程中会产生大量的动态监测数据，但是依据数据类型，可将其划分为能耗、运行、环境和指标4类参数。能耗参数是监测设备直接记录的能量或资源消耗量，以累计读数为主，如某时刻的累计耗电量等；设备是建筑物内最小的能源消耗单位，而运行参数是建筑物内的设备运行时的参数，例如当前的冷水机冷却水入水口温度等；环境参数包括室内环境和室外气象信息的相关参数，如室内温度；指标类参数则是与能耗参数相关的次生参数，通常是能耗参数与时间或者服务面积的比值。运行参数与环境参数虽然不能直接反应能耗，但是其中可能隐藏了与建筑物能耗的规律与模式高度相关的信息，因此也应当被包括在数据模型当中。
不同的应用场景对数据的粒度和精细度有着不同的要求，而建筑物也可以被划分为建筑群、单体建筑、建筑内部区域和房间的树状层次结构，因此，建筑物的能耗参数也相应地可以组织成树状的层次结构。相应的，在本文的数据模型中，建筑物的能耗参数由建筑群、单体建筑、建筑内部区域和设备4个层级组成，越低层级的能耗节点包含的能耗参数越精细，如图 1所示。将建筑物能耗组织成层次结构的方式使得模型能包含更多建筑物内部的能耗信息，同时更加符合不同尺度下的能耗数据应用需求。第1和第2层级的能耗节点只记录总耗电、总用水、总用气、总耗热和总耗冷量，而第3和第4层级则记录更加精细的具体分项能耗。表 1列出了能耗数据模型中核心的运行参数、环境参数和指标类参数。

图 1 建筑物能耗节点核心能耗参数

图选项

表 1 建筑物核心运行参数、环境参数与指标类参数列表

参数类型	参数名称	单位
运行参数	集中式空调冷源系统总输入功率	kW
	集中式空调冷源系统设备运行台数	台
	集中式空调冷源系统运行时间	h
	集中式空调热源系统总输入功率	kW
	集中式空调热源系统设备运行台数	台
	集中式空调热源系统运行时间	h
	集中式空调系统末端设备总输入功率	kW
	集中式空调系统末端设备运行台数	台
	集中式空调系统末端设备运行时间	h
	集中式生活热水系统总输入功率	kW
	集中式生活热水系统总制热功率	kW
	集中式生活热水系统设备运行台数	台
	集中式生活热水系统运行时间	h
环境参数	空气干球温度	℃
	湿球温度	℃
	相对湿度	%
	风向
	风速	m/s
	室内温度	℃
	室内相对湿度	%
	室内CO2体积分数	×10-6
指标类参数	单位面积用电强度	kWh/m2
	单位常在人数用电强度	kWh/百人
	单位客房用电强度	kWh/间
	单位客流量用电强度	kWh/百人
	单位面积用气强度	GJ/m2
	单位常在人数用水强度	m3/百人
	单位客房用水强度	m3/间
	单位客流量用水强度	m3/百人
	单位面积耗冷强度	GJ/m2
	单位面积耗热强度	GJ/m2

表选项






1.2 基于E-R模型的数据模型架构实体—关系(E-R)模型是由Chen等^[15]为关系型数据库提出的数据模型范式，它将某个特定领域内的内容表示成实体和实体之间的关系，从而便于在关系型数据库中表示。在此数据模型中，设计了3种类型的实体，即能耗节点、参数监测记录和单位，不同实体的内容和实体与实体之间的关系也有所不同。整个数据模型可以根据实体的类型组织成如图 2所示的结构。数据模型使用基于文本的国际标准数据建模语言——STEP数据建模语言来定义^[16]。

图 2 能耗数据模型总体结构

图选项

度量与单位系统是能耗数据模型中最基础的实体系统，它们定义了各个参数的单位。在度量与单位系统中，本文首先定义了一个枚举类型和一个数组类型，前者用来表示单位度量的物理量的类型，即能量、电流、电压等，后者用来表示国际单位制下的单位量纲。度量单位系统中最基本的实体是命名单位实体，它包含前文所述的2种类型的对象作为它的2个属性，同时包含1个约束以实现对物理量的类型和量纲是否匹配进行校验。命名单位实体的结构如图 3所示。在命名单位实体的基础上可以派生出国际单位制单位实体。国际单位制单位实体继承了命名单位实体，并且还包括了1个表示单位名称(如焦耳、安培等)的枚举值属性和1个表示单位前缀(如兆、千、毫等)的枚举值类型，以及校验单位名称和量纲是否匹配的约束。由于实际的能耗监测系统采用了大量的非国际单位制单位，在国际单位制单位实体的基础上还可以派生出非国际单位制单位实体，非国际单位制单位实体在国际单位制单位实体的基础上还包括一个实数类型的属性，指定它与父类单位之间的换算系数，以及重载的约束。

图 3 命名单位实体结构

图选项

参数系统定义了能耗模型中每种参数对应的监测记录的实体。虽然能耗模型中有能耗参数、运行参数、环境参数和指标类参数，但是所有的参数监测记录的实体的结构是类似的，即每个参数监测记录实体包括1个表示监测值的数值类型属性、1个表示单位的国际单位制单位类型属性和1个校验单位与被测量值是否匹配的属性。具体的数值类型由相关的参数确定，可能是整数、实数或者Boolean值等。由于非国际单位制的单位实体继承自国际单位制的单位实体，面向对象设计的动态绑定特性使得实体也可以使用非国际单位制单位。以冷水机冷冻水入水口温度参数为例，对应此参数的实体包括1个实类型的温度值属性、1个国际单位制单位类型的单位属性1个校验单位度量的类型是否是温度的约束，如图 4所示。

图 4 冷冻水入水口温度参数实体

图选项

能耗节点系统定义了实际建筑物中能耗监测数据的组织方式。在建筑物中可能存在不同尺度和层级的监测值，其中最小最精细的监测记录的尺度是设备，对应于第4层级的能耗节点。第4层级的能耗节点包括与其所有的参数对应的属性，用来表示各参数的监测值；同时还包括1个监测点编码和1个时间戳，用来唯一识别一条监测记录，以及一项用来校验编码是否合法的约束。监测点的编码方法依照《导则》的编码方案。第3层级的能耗节点对应于建筑物内的区域，包括房间或者公共区域等的能耗监测记录。处在第3层级的节点实体包括了表 1中对应的各分项能耗参数的监测值和相应的运行参数、环境参数和指标类参数监测值，以及监测点编码、时间戳和校验编码的约束。第1、2层级能耗节点对应于建筑群和单体建筑，包括了建筑物各项总能耗的监测值，以及相应的运行参数、环境参数和指标类参数，以及监测点编码、时间戳和校验编码的约束。由于《导则》中的编码方案采取了延长编码的方式，因此通过检测点编码的前缀比对，可以判定不同层级节点的隶属关系。通过这种E-R模型结构可定义出所有参数的实体结构，并将它们组织成一个完整的符合面向对象原则的数据模型。主要的实体之间的关系可以用如图 5所示的实体—关系图表示。

图 5 数据模型中主要实体间的实体—关系图

图选项

2 基于数据接口与系统集成的能耗数据提取与集成2.1 能耗与环境监测数据提取方法通过节1描述的方式，即可建立面向动态监测的建筑能耗监测数据模型，从而为建筑能耗监测提供统一的标准。但是在实际操作中，集成后的能耗数据一般存储在云端数据库中。为了将能耗从能耗监测系统集成进云端数据库，还需要对数据传输和预处理的过程进行进一步标准化。因此，本文进一步提出了基于数据接口与系统集成的建筑动态能耗数据提取与集成方法。
依据节1定义的数据模型，本文设计了相应的标准化数据接口和数据库模式，通过架设中继数据服务器的方式，实现从能耗监测系统到云端数据服务器的能耗数据集成，监测数据在提取与集成过程中的流向如图 6所示。能耗监测系统首先将监测数据按照标准化数据接口的要求转换成合适的数据格式，并发送给中继数据服务器处理。中继数据服务器从中解析出监测数据并按照数据模型对数据进行存储，并且根据云端服务器的请求进行响应，按照标准化接口的要求将数据组织成JSON字符串发送给云端服务器，从而完成对监测数据的集成。在这一过程中，标准化数据接口为能耗监测系统、中继数据服务器和云端数据库之间的通信提供了与数据模型具有良好兼容性的标准化格式，而数据模型则是标准化接口和数据存储与表达方式设计的标准。这一方法规避了不同能耗平台内部的数据细节，通过一个统一的能耗数据模型和标准化接口，在技术上实现了对不同的能耗数据内部结构的统一和集成。

图 6 能耗监测数据提取数据流示意图

图选项

2.2 标准化接口设计标准化的数据接口使得本文能够从能耗监测系统取得符合节1的数据模型的数据，并将这样的数据方便地集成到云端数据库上。并非所有的能耗数据都能够自动地从能耗监测系统中取得，尤其是在自动化水平不高的系统中，大量监测值需要进行人工填写。因此，本研究对于能够自动生成的监测数据，规定了TCP/MQTT协议的标准化接口；对于需要人工填写的数据，则参照COBie标准^[17]，采用了XLS格式的电子表格，作为和能耗监测系统之间的标准化接口。而数据服务器和云端数据库之间对于可读性的要求不高，因此采用了具有良好的兼容性支持的、轻量化的JSON语言来标记标准化数据接口^[18]。
MQTT协议本身是一个基于TCP/IP协议的轻量化的消息协议，被广泛应用于传感器等嵌入式设备和物联网设备中^[19]。当传感器产生新数据时，订阅了消息的中继服务器就可以取得相关的数据。而MQTT消息本身的数据格式采用标准化的XML文件来标记。XML文件中记录数据产生的时间和监测点编码，以及监测数据的名称、单位、数值和备注。参数的名称是由能耗数据模型规定的；能耗数据模型支持的单位类型也是预先定义完整的枚举值，在文件解析时可以通过单位名称补全出相关的属性信息，如量纲等。参数的值是字符串类型，文件解析时可以推断出类型和数值；时间采用时间戳的形式记录，而监测点编码则依据模型的规定编码。中继服务器在收到消息后解析出文件并对其中的数据进行校验和提取。本研究也同时采用MQTT协议进行数据修复。在客户端需要上传修复过的历史数据时，也通过发布对应时间的MQTT消息的方式来完成，而中继服务器将用新上传的修复数据覆盖历史数据。
电子表格本身并不适合表示具有复杂结构的实体，且本身通用性不高，不方便软件自动化处理，具有一定的不便性。本文设计的电子表格标准化接口每行记录的是一个特定参数的监测数据。然而由于每一个能耗节点对应唯一的监测点编码和监测时间，因此在表格中只要记录下所有参数的测量时间和监测点编码，在中继服务器上即可将参数正确分类重建出所有的能耗节点，而参数在工作表中的组织结构其实不太重要。但是出于可读性的考虑，本文也推荐将同一能耗节点的参数监测记录组织在同一工作表中。每一条参数监测记录共包含6个字段，即名称、单位、值、时间、监测点编码和备注。例如，一条冷水机组冷冻水入口温度参数的记录的名称为“冷冻水入口温度”；单位为能够解析为温度单位的字符串，比如“℃”；值为能够被解析为实数的字符串；而时间和编码分别是整型和字符串型。所有字段的解析和合法性校验是在中继服务器中完成的。
JSON由于本身支持对象的嵌套，因此可以采用节点-参数-单位的三级对象嵌套表示数据模型中的内容。表示节点的对象包含3个键，即参数、测点编码和时间。其中参数键的值则是一列表示该节点的参数的对象。同样地，表示参数的对象中还可以嵌套表示单位的对象，从而表示出数据模型规定的内容。
2.3 数据服务器设计中继数据服务器是联接能耗监测系统和云端数据库的桥梁，功能是负责从电子表格标准化数据接口中提取出能耗数据，并临时进行存储。在云端数据库服务器的请求下，将数据按照约定的格式集成到云端数据库中。中继服务器包括文件接收、文件解析、数据存储和数据服务4个模块。文件接收和文件解析模块负责接收XLS文件并从中重构出能耗数据模型。由于云端服务器每隔固定的时间间隔从数据服务器拉取数据，以及实际应用中可能的短时备份需求，数据服务器需要存储一段时间内的能耗监测数据，这样的存储功能由数据存储模块实现。由于存储的数据时间跨度短，在没有特别要求的情况下，数据库选型可以选择关系型数据库。最后的数据服务模块负责提供数据传输服务。在使用关系型数据库进行数据存储时，基于E-R能耗数据模型可转化为关系型数据库范式，能耗监测点编码可以用来作为联接不同数据表的字段。
3 系统研发与实例验证为了测试本研究提出的方案的可行性，按照本文描述的规范实现了中继服务器，并利用实际建筑物的能耗监测数据进行了验证。
3.1 数据集成系统设计与实现在验证实现中，中继服务器采用Node.js和Koa框架实现，并且利用了开源的koa-router、koa-bodyparser、mqtt、xml2js和xlsx模块来对服务器进行路由、请求解析和文件解析。数据存储模块采用了关系型数据库SQL Server；数据服务模块利用Node.js引擎本身对于HTTP和JSON的支持来实现。
文件接收模块执行接收上传文件和对请求进行解析、路由以及对文件进行存储的功能。如图 6所示，能耗监测系统按照标准化数据接口的要求生成MQTT消息或者填写电子表格之后，分别通过发布消息和HTTP协议的POST请求上传到中继服务器，其中请求的MIME类型为form/multipart，即表单文件；中继服务器收到请求后首先由koa-bodyparser对请求体进行解析，之后koa-router将请求路由至相应的响应函数。响应函数中的koa-multipart负责对文件格式进行检验，并将文件存储在外存中以备解析。
文件解析模块是中继服务器中的关键模块。外存中尚未处理的文件会被载入内存，此后中继服务器利用xml2js和xlsx模块的功能对文件的内容进行读取，并且对内容进行解析和校核。每个XML文件或者XLS文件中的每一行代表一个监测记录对象，而具体的监测值类型和单位、数值、时间等都记录在文件中。在建立对象后，中继服务器会根据数据模型对该对象需要满足的约束进行校核。在解析过程中若发现有不满足约束或者其他异常情况，对应的记录会被过滤。
数据存储模块用来对中继服务器上的数据进行临时存储，本研究选择了开源的关系型数据库MySQL进行实现。因为数据库中存储的即是能耗监测数据，所以数据库表具有和标准化数据接口相同的字段，即监测项目名称、单位、监测值、监测点编码、时间和备注。如果上传的数据是修复数据，文件解析模块将覆盖对应时间的原有记录，否则将解析出的监测记录作为新数据写入到数据库中，同时数据存储模块会定时删除其中超出了暂存时限的数据。
数据服务模块负责响应云端数据库的请求，并将中继服务器中的数据组织成标准化数据接口要求的格式并发送给云端数据库。在收到云端数据库的请求后，中继服务器在数据库中检索相应时间范围内的记录，并根据记录的编码前缀进行上下级关系判断，将符合包含关系的记录组织成嵌套的JSON字符串，并将结果发送给云端数据库。在收到成功回复后，已经发送的数据将会被标记并在一定时间后删除。本文利用Node.js引擎本身对于数据服务和JSON的支持来实现这一功能。
3.2 实际能耗监测数据测试为了测试本研究提出的方案的可行性与实用性，本文采用了30栋建筑在过去大约3 a范围内的实际能耗监测数据进行了测试。测试建筑全部为位于湖南省长沙市的大型公共建筑，具有内部空间结构复杂、设备繁杂多样、能耗数据量巨大、能耗水平变化剧烈的特点，全部原始能耗监测数据中包括近2亿条记录，数据记录的时间间隔为15 min。
本研究选取了其中3 h的监测数据，将同一时刻产生的监测数据组织在如图 7左下所示同一电子表格文件中，并仍以15 min为间隔发送给中继服务器，中继服务器每15 min需要处理的监测记录数量平均约3 500条。中继服务器运行在Node.js 10.9.0环境上，机器的处理器是Intel Core i7 7700HQ，对于测试数据量有着非常良好的表现，CPU超过99%的时间处在空闲状态；图 7右下则给出了CPU占用百分比与时间的关系，可以看出每隔15 min即文件上传时有一个峰值。需要指出的是，在测试中服务器本机上运行的另一脚本负责模拟能耗监测系统进行数据上传，因而测试过程没有受到明显的网络延迟影响；同时，试验中计算机的处理能力具有极大的裕量，理论上能够处理大约比实验规模高百倍的数据，但是在实际中也取决于并发处理和服务器性能的影响。在实际工程中，由于存在部分难以自动监测需要手工填写的数据，标准化接口文件也可以通过如图 7右上所示的网页前端进行上传。最终数据被成功组织成结构化的形式，并上载到云端数据库中。本研究的方案也已经实现并且部署在实际项目中，由于实际项目的数据量每15 min不到250条，远小于上述实验的规模，因此并未受到性能瓶颈的限制。

图 7 实际能耗监测测试示意图

图选项

4 结论本文针对目前能耗监测系统缺乏统一全面的标准，数据集成困难而浪费严重的问题，提出了面向动态监测的E-R能耗数据模型，以及通过数据接口和系统集成进行建筑能耗数据提取和集成的方法，并且在实际工程中进行了测试。测试结果表明，所提出的模型和方法具有可行性和实用价值。

参考文献

[1]	U.S. Energy Information Administration. How much energy is consumed in U.S. residential and commercial buildings?[EB/OL].[2019-04-08]. https://www.eia.gov/tools/faqs/faq.php?id=86&t=1.
[2]	中国建筑节能协会能耗统计专委会. 2018中国建筑能耗研究报告[J]. 建筑, 2019(2): 26-31. Building Energy Consumption Statistics Committee of China Association of Building Energy Efficiency. Research report of China's building energy consumption in 2018[J]. Construction and Architecture, 2019(2): 26-31. (in Chinese)
[3]	中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会.民用建筑能耗分类及表示方法: GB/T 34913-2017[S].北京: 中国标准出版社, 2017. General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, Standardization Administration of the People's Republic of China. Classification and presentation of civil building energy use: GB/T 34913-2017[S]. Beijing: Standards Press of China, 2017. (in Chinese)
[4]	中华人民共和国住房和城乡建设部.建筑能耗数据分类及表示办法: JG/T 358-2012[S].北京: 中国标准出版社, 2012. Ministry of Housing and Urban-Rural Development of People's Republic of China. Classification and presentation of building energy use data: JG/T 358-2012[S]. Beijing: Standards Press of China, 2012. (in Chinese)
[5]	中华人民共和国住房和城乡建设部.国家机关办公建筑和大型公共建筑能耗监测系统分项能耗数据采集技术导则[Z]. 2008. Ministry of Housing and Urban-Rural Development of People's Republic of China. Technical specification on collection of subentry energy consumption data of office buildings of state organs and large public buildings[Z]. 2008. (in Chinese)
[6]	李振全, 马思聪, 雷亚平, 等. 苏州市公共建筑能耗监测现状分析[J]. 建筑节能, 2018, 46(7): 122-124. LI Z Q, MA S C, LEI Y P, et al. Application status analysis of public building energy consumption monitoring in Suzhou[J]. Building Energy Efficiency, 2018, 46(7): 122-124. (in Chinese)
[7]	徐强, 支建杰, 吴蔚沁, 等. 上海市公共建筑能耗监测平台的能耗数据分析与应用[J]. 上海节能, 2018(7): 478-482. XU Q, ZHI J J, WU W Q, et al. Analysis and application of energy consumption data in Shanghai public buildings energy monitoring system[J]. Shanghai Energy Conservation, 2018(7): 478-482. (in Chinese)
[8]	FUMO N, MAGO P, LUCK R. Methodology to estimate building energy consumption using EnergyPlus benchmark models[J]. Energy and Buildings, 2010, 42(12): 2331-2337.
[9]	顾道金, 朱颖心, 谷立静. 中国建筑环境影响的生命周期评价[J]. 清华大学学报(自然科学版), 2006, 46(12): 1953-1956. GU D J, ZHU Y X, GU L J. Life cycle assessment for China building environment impacts[J]. Journal of Tsinghua University (Science and Technology), 2006, 46(12): 1953-1956. (in Chinese)
[10]	朱嬿, 陈莹. 住宅建筑生命周期能耗及环境排放案例[J]. 清华大学学报(自然科学版), 2010, 50(3): 330-334. ZHU Y, CHEN Y. Cases for life-cycle energy consumption and environmental emissions in residential buildings[J]. Journal of Tsinghua University (Science and Technology), 2010, 50(3): 330-334. (in Chinese)
[11]	ZHANG C, XIE L. Application of pole-mounted transformer monitoring system in reducing the electric loss in LV distribution network[C]//CICED 2010 Proceedings. Nanjing, China: IEEE, 2010. https://www.researchgate.net/publication/251992596_Application_of_pole-mounted_transformer_monitoring_system_in_reducing_the_electric_loss_in_LV_distribution_network
[12]	柳江水, 杨丽, 师亚东. 卷烟厂动力能源数据采集与集中监控系统的设计应用[J]. 烟草科技, 2009(12): 23-25. LIU J S, YANG L, SHI Y D. Design and application of energy source data collection and centralized monitoring system in cigarette factory[J]. Tobacco Science & Technology, 2009(12): 23-25. (in Chinese)
[13]	LESESKY A C, PURKEY B A, WEANT B R. Data collection device and associated system for monitoring and storing performance and maintenance data related to a component of an electrical system: U.S. 20130018544[P]. 2013-01-17.
[14]	杨玉婷, 刘长良, 杨文滨, 等. 汽轮发电机组实时能损监测及分析系统[J]. 华北电力大学学报, 2000, 27(4): 49-53. YANG Y T, LIU C L, YANG W B, et al. Real-time energy-loss monitoring and analysis system on the 330 MW steam turbine units[J]. Journal of North China Electric Power University, 2000, 27(4): 49-53. (in Chinese)
[15]	CHEN P P S. The entity-relationship model-toward a unified view of data[J]. ACM Transactions on Database Systems, 1976, 1(1): 9-36.
[16]	PIERRA G, AIT-AMEUR Y, SARDET E. Industrial automation systems and integration: ISO 13584-42[S]. Parts Library, Methodology for Structuring Parts Families.
[17]	National Institute of Building Sciences. COBie[S/OL].[2019-04-08]. www.nibs.org/?page=bsa_cobie.
[18]	CROCKFORD D. The application/JSON media type for JavaScript Object Notation (JSON)[S/OL]. (2016-07)[2019-04-08]. https://tools.ietf.org/html/rfc4627.
[19]	OASIS. MQTT[S/OL].[2019-07-25]. http://mqtt.org/.