CN106250905B - 一种结合高校建筑结构特征的实时能耗异常检测方法 - Google Patents
一种结合高校建筑结构特征的实时能耗异常检测方法 Download PDFInfo
- Publication number
- CN106250905B CN106250905B CN201610535494.2A CN201610535494A CN106250905B CN 106250905 B CN106250905 B CN 106250905B CN 201610535494 A CN201610535494 A CN 201610535494A CN 106250905 B CN106250905 B CN 106250905B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- building
- real
- consumption mode
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 125
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 22
- 238000003066 decision tree Methods 0.000 claims abstract description 17
- 230000005856 abnormality Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 12
- 238000003780 insertion Methods 0.000 claims description 7
- 230000037431 insertion Effects 0.000 claims description 7
- 238000013450 outlier detection Methods 0.000 claims description 7
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 235000019633 pungent taste Nutrition 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于实时异常检测技术领域,具体为一种结合高校建筑结构特征的实时能耗异常检测方法。本发明采用SA‑DBSCAN算法自适应地识别建筑的能耗模式,并采用C4.5算法构建能耗模式的判定树;如果采集子节点没有出现机器故障,则根据建筑节点父子结构的变化先处理实时到来的能耗,然后根据判定树得到该实时能耗的类别后再采用LOF算法检测异常;如果判定异常,则根据是否达到边界阈值来调整该判定树;批量地把判定正常的能耗数据增量更新到建筑的能耗模式,并根据能耗模式的类别是否改变来动态调整异常检测模型。本发明能有效地检测异常的能耗并能动态地调整检测模型减少误判。
Description
技术领域
本发明属于实时异常检测技术领域,具体涉及一种结合高校建筑结构特征的实时能耗异常检测方法。
背景技术
很多高校都建立了能耗监管平台并且已经采集了大量的能耗数据,这些能耗数据包含了建筑运行期间的重要信息。尤其是实时的能耗异常检测有利于发现建筑在使用和管理上的不合理之处,及时调整能达到节能的目的。目前,研究学者提出了许多智能的能耗异常检测方法,然而它们都是采用一个固定的模型做的静态分析,没有考虑环境的变化。高校建筑的能耗环境比较动态,存在着建筑类型繁多、环境复杂等特点。按《高等学校校园建筑节能监管系统建设技术导则》规定的高校建筑类型多达13类,不同类型的建筑有不同的用能特点。特定类型的建筑如教学楼、图书馆等还受学期阶段的影响。除了受建筑类型的影响外,建筑的能耗还受到季节更替、所处区域环境以及学校特有的寒暑假等的影响。在这种较为动态的能耗环境下采用传统的静态异常检测模型进行分析容易出现误判,准确率不高。
在节能监管平台建设和维护的过程中智能电表的增删时有发生,这可能引起建筑能耗值的较大改变从而出现异常。智能电表的增删是节能监管平台不断完善的过程,检测这类异常实际意义不大。而且这类情况还比较常见,混在一起检测增加了其他异常分析和解释的难度,所以要纳入考虑。建筑节点下的某些智能电表节点有时会出现空值的情况,这种情况很有可能是由于智能电表的采集机器出现机器故障造成的。然而当建筑节点的智能电表子节点比较多时从建筑的总能耗中不容易发现该情况,所以这种情形也要纳入考虑。
发明内容
本发明的目的在于针对建筑节点的父子结构、子节点的采集机器的故障状态,以及以往能耗异常检测方法在高校建筑能耗环境下实时检测存在的不足,提出一种结合高校建筑结构特征的实时能耗异常检测方法。
对实时到来的能耗,首先检测建筑节点的父子结构,把变化的节点记录下来。然后检查建筑空值子节点的采集机器状态,如果采集机器出现机器故障,则认为该建筑能耗即为异常,记录并剔除,如果采集机器没有出现故障,则根据建筑节点保存的父子结构变化情况处理建筑的能耗值(把建筑的能耗剔除所有新增子节点的能耗并加上所有减少子节点父子结构变化时的能耗值)。因为建筑的能耗模式一直在增量地更新往前推移,所以过了一个时间范围后数据集中所有的数据都是包含该变化的能耗数据,此时即可把该变化节点的能耗值纳入异常检测的考虑中。因此保存父子结构变化状态的时间段设置为构建能耗模式的数据集的时间范围。
如图1所示,具体步骤包括:
首先,自适应地识别建筑的能耗模式;
然后,构建能耗模式的判定模型;
然后,进行异常判定,即实时的能耗数据到来时,先记录建筑节点的父子结构变化,如果空值子节点采集机器出现故障,则该建筑能耗判定为异常,如果空值子节点采集机器没有出现故障,则根据建筑节点的父子结构变化情况处理该实时的能耗数据;然后根据判定模型得到该实时能耗的相应类别,然后再进行离群分析检测异常;
最后,进行增量调整,即如果判定异常,则考虑是否达到边界阈值来调整该判定树;如果判定正常,则批量地把正常能耗增量更新到建筑的能耗模式中,并剔除相应个数的最早时间戳能耗,根据建筑能耗模式的类别是否发生变化来进行重建。
下面对各步骤的具体做法作进一步的介绍。
1、自适应识别建筑的能耗模式
目前建筑能耗模式的识别主要是采用聚类的算法。由于能耗簇比较复杂并且基于密度的聚类算法有较好的抗噪声能力从而能为后面的异常检测提供更为“干净”的数据集所以本方法采基于密度的聚类算法。DBSCAN算法是经典的基于密度的聚类算法,但它对参数比较敏感并且需要人工参与识别参数,这在自适应的环境下不适用。而SA-DBSCAN算法是DBSCAN算法的自适应改进,它是通过分析数据集的统计特性来自动确定参数,准确率也较高。本方法采用SA-DBSCAN算法,SA-DBSCAN算法过程的描述如下:
(1)采用Inverse Gaussian 分布来拟合能耗数据k距离的分布,InverseGaussian 分布的概率密度公式为:
(2)最大似然估计得到Inverse Gaussian 分布的参数μk和λk,如下所示:
(5)根据不同MinPts和邻域求得噪声,直到噪声小于MinPts时(因为初始的邻域很小噪声较多,随着邻域的增大噪声逐渐较少)的MinPts和领域即为聚类的参数,对应的聚类结果即为识别的较优建筑能耗模式。
2、构建能耗模式的判定模型
分类算法主要有贝叶斯分类、支持向量机(SVM)、决策树以及人工神经网络等。贝叶斯定理的成立需要较强的条件独立性假设,现实中的数据往往不满足这些条件。支持向量机(SVM)适用于小样本的数据。神经网络存在训练时间长、不可解释等缺点所以在方法中也不采用。而决策树分类算法具有较高的准确率而且导出的规则容易理解,从而能较好地分类和解释最终的结果。所以,本发明采用经典的C4.5决策树分类算法来构建能耗模式的判定树,C4.5算法过程的描述如下:
(1)计算各属性集的信息熵,即按各属性集中的属性对数据集进行划分后计算信息熵,然后计算信息增益;
(2)计算各属性集的分裂信息度量,信息增益和分裂信息度量作商得到信息增益率;
(3)选取增益率最高的属性作为决策树的结点,对该结点进行分裂;然后再通过信息增益率继续划分,直到达到决策树的终止条件。
3、进行异常判定
目前,离群点检测算法是能耗异常检测的主要手段。离群点检测算法主要有基于统计的、基于偏移的、基于距离的以及基于密度等类别。基于统计的离群点检测算法要求数据满足某个分布模型。基于偏移的离群点检测算法的异常假设比较理想化,在现实情况中相异函数不好确定。基于距离的离群点检测算法的检测标准是全局的,而能耗数据簇比较复杂,位置关系不确定,可能存在局部的异常点。所以,本发明采用可以识别局部异常点的基于密度的离群点检测算法,具体采用经典的LOF算法进行能耗的异常检测,LOF算法过程的描述如下:
(1)计算每个对象的k距离邻域;
(2)计算对象间相互的可达距离;
(3)计算每个对象的局部可达密度以及局部离群因子,并根据局部离群因子是否达到阈值来判定异常。
4、进行增量调整
为了更好地拟合建筑最新的能耗特征,需要把判定正常的能耗数据增量更新到建筑的能耗模式中。单个的能耗数据增量更新会导致大量无效的操作,所以,本发明采用批量的方式。因为DBSCAN算法是基于密度的聚类方法,而增量的过程也是考虑局部密度的变化情况,增量的结果和重新聚类具有等价性,所以,本发明采用批量式地增量DBSCAN算法来更新建筑的能耗模式。为了保证在能耗模式不会随着异常检测越来越大,而且较小的能耗模式也能更好地拟合建筑的能耗特征,所以在批量式增量插入正常能耗时,也批量式增量删除相同个数的最早时间戳记录。
插入或者删除的更新只会影响更新对象邻域的密度,所以增量的过程只需要考虑更新后对该领域核心对象的影响即可。对于插入操作,主要有产生噪音、创建新聚类、归属到已知聚类以及合并已知聚类四种情况。对于删除操作,主要有删除噪声、撤销聚类、减少聚类的个数以及分裂聚类四种情况。对于批量插入更新,不仅考虑插入节点对原来节点核心状态的影响,同时也考虑对插入节点的状态影响。这样能有效地减少扫描对象的次数,提高效率。对于批量删除更新,当某个对象删除引起类别分裂时不是马上处理,而是先保存此时密度不可达的对象。等全部批量删除完后,再考虑所有类别分裂产生的不可达对象的可达关系。
建筑的能耗模式在一天时间内的推移可能会引起判定条件的变化,从而很容易在判定条件的边界即判定条件的前后一个小时出现误判,所以当边界连续出现误判的次数达到设定的阈值(设定为10次)时,则把这些异常放到边界旁的数据集中采用LOF算法进行离群分析,仍采用前面的异常判定标准。当这些异常数据集重新判定异常的比例小于等于设定阈值(设定为异常数据集的10%)时,则把判定正常的数据直接加入边界旁的能耗模式中,并调整判定树的判定条件,即在相应的边界条件上加一或者减一。
本发明的有益效果是:
1、剔除了父子结构变化以及子节点采集机器故障状态的影响,使得异常的检测更加符合实际情况同时也降低了异常解释的难度;
2、能有效地识别异常的能耗并能逐步拟合高校建筑能耗环境的变化来减少误判。
附图说明
图1为一种结合高校建筑结构特征的实时能耗异常检测方法。
图2为复旦大学第一教学楼建筑节点父子结构的变化情况。
图3为教学楼2015年4月29号的用电折线图。
图4为2015年4月27号异常检测模型对用电量33.173 kW. h分析的局部离群因子。
图5为2015年4月16号异常检测模型对用电量33.173 kW. h分析的局部离群因子。
图6为教学楼2015年5月3号至2015年6月7号的能耗模式判定树。
图7为教学楼2015年5月21号至2015年6月26号的能耗模式判定树。
具体实施方式
采取复旦大学第一教学楼2015年全年的用电量进行异常分析。因为较小的数据集能更好地拟合建筑能耗模式的特征以及变化情况,所以试验中选取一个月的时间建立初始的异常检测模型。选取该教学楼2015年1月的用电能耗数据建立初始的异常检测模型,然后逐时分析该楼2015年的用电异常情况。SA-DBSCAN算法自适应地识别建筑的能耗模式时拟合的数据分布设定为15份。标注“小时”和“是否周末”两个分类属性后采用C4.5算法构建能耗模式的判定树。能耗判定树采用十折交叉验证方法来验证分类的准确率。采用LOF算法离群分析时设定为计算第35距离邻域。正常用电量的局部离群因子应该趋近于1,但该教学楼总体的用电量都比较低,从而用电量较小的变化也可能引起离群因子较大的变化,所以实验中设定为大于等于2时才判定为异常。批量更新的要求设定为24条正常的能耗数据。该过程主要对能耗异常检测过程中对教学楼环境变化的拟合情况进行了分析(包括决策树的局部调整)以及与静态的异常检测方法进行了实验效果的对比,验证该模型在高校建筑较为动态的能耗环境下实时异常检测的有效性。
图2为复旦大学第一教学楼在2015-11-02 15:00:00实时异常检测过程中建筑的父子结构变化情况,这些节点为逻辑的子节点即为底层部分智能电表子节点的和。在该时刻新增了逻辑子节点9776并且这个逻辑点采集的能耗值为5.631kW.h。该时刻前一小时教学楼的能耗值为28.793kW.h。如果不进行处理该教学楼的能耗值会有较大的改变可能出现异常,所以要记录下该父子结构的变化并在接下来的分析中要先剔除该节点的能耗值再进行离群分析,直到该节点稳定地采集一段时间(和构建能耗模式数据集的时间范围相同)后才纳入异常检测的考虑中。
图3为复旦大学第一教学楼2015年4月29号的用电量折线图。可以观察到16:55:00时刻的用电量33.173 kW.h远远高于周边时刻。
图4为2015-04-29 16:55:00时刻的用电量33.173 kW.h采用最近2015-04-27 06:57:00时刻重建的异常检测模型检测的局部离群因子为20.213,大于设定的阈值所以判定该用电量为异常值。应剔除并立即向管理人员报警。
在图5中,2015-04-29 16:55:00时刻的用电量33.173 kW.h采用2015-04-16 19:52:00时刻重建的异常检测模型检测的局部离群因子为0.979,小于设定的阈值所以判定该用电量为正常值。从图3可以观察到该点确实为异常值,采用2015-04-16 19:52:00构建的异常检测模型把异常值判定为正常值,出现误判。经过调查分析得到采用2015-04-16 19:52:00时刻重建的异常检测模型之所以会误判是由于3月下旬气温逐渐回暖,教室空调制暖慢慢减少,所以高能耗簇也逐渐减少,随着时间的推移建筑能耗模式也慢慢改变。2015-04-16 19:52:00重建的异常检测模型包含了高能耗用电时间段,所以这个异常值在这个时段中也判定为正常了,不及时的调整容易出现误判。这两个重建的时间段经历了两次模型的调整,包括较高能耗的逐步分裂以及高能耗的逐渐减少。以上分析说明该方法能有效地检测异常的能耗并能拟合气温的变化动态调整异常检测模型来减少误判,从而能提供比静态能耗异常检测更为准确合理的结果。在该楼全年用电异常分析的过程中也有很多其他环境变化的拟合情况,比如寒暑假因素、周末分类属性消失等。
图6和图7分别为该异常检测模型在2015-05-03 00:57:00至2015-06-07 23:54:00以及2015-05-21 01:56:00至2015-06-26 23:57:59重建的能耗模式判定树。这两个时间段的建筑能耗模式差不多,主要是由于边界异常出现的次数达到边界阈值从而引起了决策树的局部调整。其中经历了两次边界异常的决策树局部调整,包括22:00:00工作日的类别1调整成类别2以及21:00:00周末的类别1调整为类别2。经过调查分析得到这两个时间段的气温差不多所以建筑的用能耗模式相近。引起决策树局部调整的原因是该校在六月初进入期末考试月,自习室在晚上推迟了自习时间,所以工作日和周末晚上的能耗也推迟了1个小时进入低能耗模式类别1。以上分析说明了该方法能根据环境的变化及时地进行决策树的局部调整从而能有效地减少误判。
综上分析,该方法能有效地检测异常的能耗数据并能动态地拟合高校建筑气温、寒暑假以及学期阶段等因素的影响来调整异常检测模型减少误判,从而能提供比静态能耗异常检测更为准确合理的结果。
Claims (6)
1.一种结合高校建筑结构特征的实时能耗异常检测方法,其特征在于,具体步骤包括:
(1)首先,自适应地识别建筑的能耗模式;
(2)然后,构建能耗模式的判定模型;
(3)然后,进行异常判定,即实时的能耗数据到来时,先记录建筑节点的父子结构变化,如果空值子节点采集机器出现故障,则该建筑能耗判定为异常,如果空值子节点采集机器没有出现故障,则根据建筑节点的父子结构变化情况处理该实时的能耗数据;然后根据判定模型得到该实时能耗的相应类别,然后再进行离群分析检测异常;
(4)最后,进行增量调整,即如果判定异常,则考虑是否达到边界阈值来调整该判定模型;如果判定正常,则批量地把正常能耗增量更新到建筑的能耗模式中,并剔除相应个数的最早时间戳能耗,根据建筑能耗模式的类别是否发生变化来进行重建;
其中,是否达到边界阈值表示:由于建筑的能耗模式在一天时间内的推移可能会引起判定条件的变化,很容易在判定条件的边界即判定条件的前后一个小时出现误判,所以当边界连续出现误判的次数达到设定的阈值时,则把这些异常放到边界旁的数据集中采用LOF算法进行离群分析;当这些异常数据集重新判定异常的比例小于等于设定阈值时,则把判定正常的数据直接加入边界旁的能耗模式中,并调整判定树的判定条件,即在相应的边界条件上加一或者减一。
2.根据权利要求1所述的实时能耗异常检测方法,其特征在于,所述的自适应识别建筑的能耗模式,采用SA-DBSCAN算法,SA-DBSCAN算法的过程如下:
(1)采用Inverse Gaussian分布来拟合能耗数据k距离的分布,Inverse Gaussian分布的概率密度公式为:
(2)最大似然估计得到Inverse Gaussian分布的参数μk和λk,如下所示:
式中,k为核心对象要求的最小点个数,n为数据对象的个数,xi为第i个数据对象;
(3)对Inverse Gaussian分布求峰值,即求导并取值0得到一个正数解,得到最小点个数MinPts=k时,Epsk邻域如下所示:
(4)找出数据集中核心对象Epsk邻域内的直接密度可达点并查找最大密度相连集合,数据集遍历完后,该最小点个数MinPts和邻域Epsk对应的聚类过程结束,那些没有簇标识的数据即为噪声;
(5)根据不同MinPts和邻域Epsk求得噪声,直到噪声小于MinPts时的MinPts和邻域Epsk即为聚类的参数,对应的聚类结果即为识别的较优建筑能耗模式。
3.根据权利要求2所述的实时能耗异常检测方法,其特征在于,所述的构建能耗模式的判定模型,采用经典的C4.5决策树分类算法来构建能耗模式的判定树,C4.5算法过程的如下:
(1)计算各属性集的信息熵,即按各属性集中的属性对数据集进行划分后计算信息熵,然后计算信息增益;
(2)计算各属性集的分裂信息度量,信息增益和分裂信息度量作商得到信息增益率;
(3)选取增益率最高的属性作为决策树的结点,对该结点进行分裂;然后再通过信息增益率继续划分,直到达到决策树的终止条件。
4.根据权利要求3所述的实时能耗异常检测方法,其特征在于,在所述的异常判定步骤中,采用可以识别局部异常点的基于密度的离群点检测算法-LOF算法进行能耗的异常检测,LOF算法过程的如下:
(1)计算每个对象的k距离邻域;
(2)计算对象间相互的可达距离;
(3)计算每个对象的局部可达密度以及局部离群因子,并根据局部离群因子是否达到阈值来判定异常。
5.根据权利要求4所述的实时能耗异常检测方法,其特征在于,在所述的增量调整步骤中,
采用批量式地增量DBSCAN算法来更新建筑的能耗模式;为了保证能耗模式不会随着异常检测越来越大,而且较小的能耗模式也能更好地拟合建筑的能耗特征,所以在批量式增量插入正常能耗时,也批量式增量删除相同个数的最早时间戳记录。
6.根据权利要求5所述的实时能耗异常检测方法,其特征在于,由于插入或者删除的更新只影响更新对象邻域的密度,所以增量的过程只考虑更新后对该邻域核心对象的影响;对于插入操作,主要有产生噪音、创建新聚类、归属到已知聚类以及合并已知聚类四种情况;对于删除操作,主要有删除噪声、撤销聚类、减少聚类的个数以及分裂聚类四种情况;对于批量插入更新,考虑插入节点对原来节点核心状态的影响,同时考虑对插入节点的状态影响;对于批量删除更新,当某个对象删除引起类别分裂时不是马上处理,而是先保存此时密度不可达的对象,等全部批量删除完后,再考虑所有类别分裂产生的不可达对象的可达关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610535494.2A CN106250905B (zh) | 2016-07-08 | 2016-07-08 | 一种结合高校建筑结构特征的实时能耗异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610535494.2A CN106250905B (zh) | 2016-07-08 | 2016-07-08 | 一种结合高校建筑结构特征的实时能耗异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106250905A CN106250905A (zh) | 2016-12-21 |
CN106250905B true CN106250905B (zh) | 2020-05-12 |
Family
ID=57613074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610535494.2A Expired - Fee Related CN106250905B (zh) | 2016-07-08 | 2016-07-08 | 一种结合高校建筑结构特征的实时能耗异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106250905B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767934B (zh) * | 2017-10-11 | 2020-11-03 | 天津理工大学 | 一种用于描述压力的hrv特征范围估计方法 |
CN107944464A (zh) * | 2017-10-12 | 2018-04-20 | 华南理工大学 | 一种办公建筑逐时能耗异常数据在线识别与填补方法 |
CN107818340A (zh) * | 2017-10-25 | 2018-03-20 | 福州大学 | 基于k值小波神经网络的二阶段空调负荷预测方法 |
CN108830324A (zh) * | 2018-06-20 | 2018-11-16 | 国网上海市电力公司 | 一种基于数据挖掘技术的公共建筑用电异常判别方法 |
CN109471854B (zh) * | 2018-10-31 | 2020-09-15 | 广东兴发铝业有限公司 | 一种大数据能耗在线监测系统所采集数据的验证方法 |
CN109785184A (zh) * | 2018-12-28 | 2019-05-21 | 南京天溯自动化控制系统有限公司 | 正常能耗区间计算方法、异常能耗数据检测方法及装置 |
CN110516847A (zh) * | 2019-07-27 | 2019-11-29 | 中建科技有限公司 | 一种建筑能耗异常反馈方法及装置 |
CN111965486B (zh) * | 2020-08-07 | 2023-12-15 | 国网江苏省电力有限公司电力科学研究院 | 一种基于智能数据融合分析的配电网故障识别方法及系统 |
CN112163728B (zh) * | 2020-08-24 | 2024-06-11 | 珠海格力电器股份有限公司 | 一种能耗数据处理方法、装置、电子设备及存储介质 |
CN112150311B (zh) * | 2020-09-09 | 2023-09-26 | 日立楼宇技术(广州)有限公司 | 能耗异常状态检测方法、装置、计算机设备和存储介质 |
CN112541016A (zh) * | 2020-11-26 | 2021-03-23 | 南方电网数字电网研究院有限公司 | 用电异常检测方法、装置、计算机设备和存储介质 |
CN112836720B (zh) * | 2020-12-16 | 2024-03-29 | 博锐尚格科技股份有限公司 | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 |
CN112633389B (zh) * | 2020-12-28 | 2024-01-23 | 西北工业大学 | 一种基于mdl和速度方向的飓风运动轨迹趋势计算方法 |
CN113031552B (zh) * | 2021-03-09 | 2022-10-25 | 浙江菲达环保科技股份有限公司 | 炉后环保设备协同控制方法及系统 |
CN113505818A (zh) * | 2021-06-17 | 2021-10-15 | 广东工业大学 | 改进决策树算法的熔铝炉能耗异常诊断方法和系统及设备 |
CN113408659A (zh) * | 2021-07-15 | 2021-09-17 | 重庆大学 | 一种基于数据挖掘的建筑能耗集成分析方法 |
CN116128124A (zh) * | 2023-01-09 | 2023-05-16 | 北京建筑大学 | 一种基于异常用能值处理和时序分解的建筑能耗预测方法 |
CN116340749A (zh) * | 2023-02-10 | 2023-06-27 | 中建照明有限公司 | 一种基于大数据的建筑用能异常监测系统及方法 |
CN117389823B (zh) * | 2023-07-05 | 2024-07-09 | 武汉贝多多网络科技有限公司 | 一种基于云计算的识别方法和系统 |
CN117763484B (zh) * | 2024-02-21 | 2024-05-14 | 新奥数能科技有限公司 | 一种基于企业用能空间的用能异常诊断方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201548581U (zh) * | 2009-09-22 | 2010-08-11 | 广东金南方电器实业有限公司 | 公共建筑能耗监测系统 |
CN102004859A (zh) * | 2010-12-01 | 2011-04-06 | 南京工业大学 | 建筑异常能耗支路在线诊断方法 |
CN102289585A (zh) * | 2011-08-15 | 2011-12-21 | 重庆大学 | 基于数据挖掘的公共建筑能耗实时监测方法 |
CN103310088A (zh) * | 2012-03-16 | 2013-09-18 | 同济大学 | 照明电耗异常的自动检测方法 |
CN103914630A (zh) * | 2014-04-25 | 2014-07-09 | 四川能极科技有限公司 | 建筑能耗监管系统 |
CN104199961A (zh) * | 2014-09-19 | 2014-12-10 | 北京建筑技术发展有限责任公司 | 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法 |
CN104463381A (zh) * | 2015-01-04 | 2015-03-25 | 福州大学 | 基于kpca与wlssvm的建筑能耗预测方法 |
CN105631539A (zh) * | 2015-12-25 | 2016-06-01 | 上海建坤信息技术有限责任公司 | 基于支持向量机的智能楼宇能耗预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140043184A (ko) * | 2012-09-28 | 2014-04-08 | 한국전자통신연구원 | 에너지 소비량 예측 장치 및 방법 |
-
2016
- 2016-07-08 CN CN201610535494.2A patent/CN106250905B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201548581U (zh) * | 2009-09-22 | 2010-08-11 | 广东金南方电器实业有限公司 | 公共建筑能耗监测系统 |
CN102004859A (zh) * | 2010-12-01 | 2011-04-06 | 南京工业大学 | 建筑异常能耗支路在线诊断方法 |
CN102289585A (zh) * | 2011-08-15 | 2011-12-21 | 重庆大学 | 基于数据挖掘的公共建筑能耗实时监测方法 |
CN103310088A (zh) * | 2012-03-16 | 2013-09-18 | 同济大学 | 照明电耗异常的自动检测方法 |
CN103914630A (zh) * | 2014-04-25 | 2014-07-09 | 四川能极科技有限公司 | 建筑能耗监管系统 |
CN104199961A (zh) * | 2014-09-19 | 2014-12-10 | 北京建筑技术发展有限责任公司 | 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法 |
CN104463381A (zh) * | 2015-01-04 | 2015-03-25 | 福州大学 | 基于kpca与wlssvm的建筑能耗预测方法 |
CN105631539A (zh) * | 2015-12-25 | 2016-06-01 | 上海建坤信息技术有限责任公司 | 基于支持向量机的智能楼宇能耗预测方法 |
Non-Patent Citations (5)
Title |
---|
A Distributed Anomaly Detection Method of Operation Energy Consumption Using Smart Meter Data;Ye Yuan et al.;《2015 International Conference on Intelligent Information Hiding and Multimedia Signal Processing》;20150925;摘要 * |
SA-DBSCAN:一种自适应基于密度聚类算法;夏鲁宁 荆继武;《中国科学院大学学报》;20091231;第26卷(第4期);第530-538页 * |
公共建筑能耗分析的数据挖掘方法研究与系统开发;肖丹;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130315;I138-863 * |
离群点分析在高校能耗监控系统中的应用;徐琰 肖基毅;《南华大学学报(自然科学版)》;20140630;第28卷(第2期);第89-93页 * |
能耗实时监测的数据挖掘方法;卿晓霞 等;《重庆大学学报》;20120731;第35卷(第7期);第133-137页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106250905A (zh) | 2016-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106250905B (zh) | 一种结合高校建筑结构特征的实时能耗异常检测方法 | |
Bandara et al. | MSTL: A seasonal-trend decomposition algorithm for time series with multiple seasonal patterns | |
CN111125268B (zh) | 网络告警分析模型创建方法、告警分析方法及装置 | |
CN111061821A (zh) | 基于改进k值聚类算法的低压配电网拓扑校验方法及系统 | |
CN112541546B (zh) | 一种基于多场景模型的光伏电站典型场景生成方法 | |
CN112381181B (zh) | 一种建筑能耗异常的动态检测方法 | |
CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
CN104346481A (zh) | 一种基于动态同步模型的社区检测方法 | |
Ahmadi et al. | A new false data injection attack detection model for cyberattack resilient energy forecasting | |
Liu et al. | An unsupervised electrical appliance modeling framework for non-intrusive load monitoring | |
Hong et al. | Pathwise estimation of probability sensitivities through terminating or steady-state simulations | |
Samudrala et al. | Sensor placement for outage identifiability in power distribution networks | |
Liu et al. | The balanced window-based load event optimal matching for NILM | |
CN109358608A (zh) | 一种基于集成学习的变压器状态风险评估方法及装置 | |
US11197175B2 (en) | Forcasting time series data | |
Frank et al. | Extracting operating modes from building electrical load data | |
CN112182306A (zh) | 一种基于不确定图的社区发现方法 | |
CN115658664A (zh) | 基于任意分割异常线损数据修复方法、系统、设备及介质 | |
CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
CN110222098A (zh) | 基于流数据聚类算法的电力大数据流异常检测 | |
CN109952743A (zh) | 用于低内存和低流量开销大流量对象检测的系统和方法 | |
CN110399261B (zh) | 一种基于共现图的系统告警聚类分析方法 | |
Xing et al. | Discovering traffic outlier causal relationship based on anomalous DAG | |
CN111625525B (zh) | 一种环境数据修复/填充方法及系统 | |
Rizvi et al. | Real-time ZIP load parameter tracking using adaptive window and variable elimination with realistic synthetic synchrophasor data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200512 |