CN106384300B - 基于大数据和模糊模型的建筑异常用能检测方法及系统 - Google Patents

Abstract

本发明公开了基于大数据和模糊模型的建筑异常用能检测方法及系统；对建筑大数据进行搜集与抽取，进行数据预处理，保证聚类结果的有效性；利用快速k均值聚类方法构建正常用能的模糊模型；根据各实时建筑能耗数据与正常用能模糊模型的匹配程度，对用能正常与否快速地做出判断；对于异常用能行为及时检测，提高建筑能源利用率；采用自适应更新算法对所构建的正常用能模糊模型进行更新，采用直接更新类别库的方式，无需再次聚类，大大降低了系统的计算量，保证系统的实时性要求。本发明能够快速发现建筑能耗中的异常用能现象并及时处理，缓解能源浪费，提高能源利用率；同时采用模糊建模的方式，克服数据中的强不确定性，进而提高系统鲁棒性。

Description

基于大数据和模糊模型的建筑异常用能检测方法及系统

技术领域

本发明涉及基于大数据和模糊模型的建筑异常用能检测方法及系统，属于建筑节能及数据处理领域。

背景技术

我国既是一个能源生产大国，但同时也是一个能源消耗大国。伴随着我国经济的快速增长，能源储量与未来几十年的发展需求之间的缺口将越来越大。特别是近年来能源消费急剧增长，供需矛盾更是日益突出，其中，我国的建筑能耗约占全国总用能量的1/4，居全国各类能耗之首。

在总量如此庞大的建筑能耗中，有很多是完全没有作用的异常用能，这些异常用能通常存在于供暖、供冷、生活热水、风机、炊事、照明、家电/办公设备、电梯、信息机房设备、建筑服务设备和其他专用设备等方面。建筑物在长时间的运行过程中产生了大量的数据，随着计算机技术以及嵌入式系统相关技术的发展，这些数据可被轻易收集获得，故使得建筑行业也步入了“大数据时代”。如何从数据中找到存在异常的用能现象是一直以来研究人员与技术人员所关注的问题。

在建筑大数据的基础上发现异常用能需要解决两大核心问题：

1)由于数据量庞大，如何保证相关方法的快速性与计算效率；

2)建筑大数据中的强不确定性如何处理。

但目前已有方法与技术仅考虑了方法的有效性，未涉及上述两个核心问题。

发明内容

本发明为了解决上述问题，提供一种基于大数据和模糊模型的建筑异常用能检测方法及系统，它具有能够快速发现建筑能耗中的异常用能现象并及时处理，有助于缓解能源浪费严重的现象，提高能源利用率；同时采用模糊建模的方式，克服数据中存在的强不确定性，提高系统鲁棒性。

为了实现上述目的，本发明采用如下技术方案：

一种基于大数据和模糊模型的建筑异常用能检测方法，包括：

步骤(1)：对建筑大数据进行搜集与抽取，构建各类建筑能耗用能数据集，并进行数据预处理；

步骤(2)：在构建的建筑能耗用能数据集基础上，利用快速k均值聚类方法构建正常用能的模糊模型；

步骤(3)：根据各实时建筑能耗数据与正常用能模糊模型的匹配程度，对用能正常与否做出判断；对于异常用能行为及时检测，提供警示并处理，从而提高建筑能源利用率；

步骤(4)：对于正常用能数据采用自适应更新算法对所构建的正常用能模糊模型进行更新。

所述步骤(1)的对建筑大数据进行搜集与抽取步骤为：

抽取供暖用能、供冷用能、生活热水用能、风机用能、炊事用能、照明用能、家电/办公设备用能、电梯用能、信息机房设备用能、建筑服务设备用能和/或建筑专用设备用能数据。

所述步骤(1)的进行数据预处理的步骤为：

在所构建的各类建筑能耗用能数据集中，假定将要进行处理的第t种建筑用能数据是具有N个样本的数据序列

步骤(1-1)：计算第t种建筑用能数据序列的均值c_t与标准差sdv_t；

步骤(1-2)：若第i个数据满足则第i个数据保留，否则第i个数据被删除；预处理后的第t种建筑用能数据序列为其中M为剩余数据数目。

其中，步骤(1-1)的均值c_t的公式为：

其中，步骤(1-1)的标准差sdv_t的公式为：

所述步骤(2)的步骤为：

步骤(2-1)：采用k均值聚类算法对预处理后的第t种建筑用能数据进行聚类；在k均值聚类算法中类的个数由用户用能种类、春夏秋冬四季、工作日及休息日进行设定；

假定所讨论的正常用能类型有K个，通过k均值聚类算法将第t种建筑用能数据划分到K个正常用能类别；K个正常用能类别的中心为标准差为

步骤(2-2)：对K个正常用能类别分别建立模糊模型，对第j个正常用能类别，构建高斯模糊模型模糊模型的隶属度函数为

其中，x_t表示第t种建筑用能的实际用能量，为高斯模糊模型的中心，为高斯模糊模型的宽度。且满足和

步骤(2-1)的第j个正常用能类别的中心的公式为：

步骤(2-1)的第j个正常用能类别的标准差的公式为：

式中，j＝1,2,…,K，表示预处理后的第t种建筑用能数据序列中被k均值聚类算法划分到第j个正常用能类别的第l个数据，n_j为第j个正常用能类别中的数据数量，且n₁+n₂+…+n_K＝M。

所述步骤(3)的步骤为：

若新观测到的第t种建筑用能数据x_t与各正常用能类别的模糊模型的匹配程度差，则异常用能情况存在；判断标准如下：

步骤(3-1)：设定模糊匹配阈值ε，ε取值为0.01，0.02或0.05，并计算新观测到的第t种建筑用能数据x_t对K个正常用能模糊模型的隶属度，求解

步骤(3-2)：计算新观测到的第t种建筑用能数据x_t与各类别模糊模型的匹配度S_j，j＝1,2,…,K；

步骤(3-3)：计算综合匹配度S，对新观测数据进行异常判断；若S＝0则检测该用能数据存在异常，并对用户进行警示，否则该用能数据正常。

步骤(3-2)中计算匹配度的公式为：

步骤(3-3)中综合匹配度计算方式如下

所述步骤(4)的步骤为：

若综合匹配度S≥1，则判定为正常用能的数据，进一步将正常用能数据x_t采用自适应更新算法加入到类别库中，用于建筑用能模糊模型的实时更新，从而进一步提高模糊模型的可信度。

所述步骤(4)自适应更新算法的步骤如下：

步骤(4-1)：判断正常用能数据x_t归属的类别：若则该数据划归到第j类；

步骤(4-2)：根据原有的中心和标准差更新类别j的中心和标准差

步骤(4-3)：根据新的中心和标准差更新第j个模糊模型的中心与模糊模型宽度从而实现正常用能模糊模型的自适应更新；

步骤(4-4)：更新第j个正常用能类的数据数目n_j＝n_j+1，更新总的建筑用能数据数目M＝M+1。

步骤(4-2)的类别j的中心的更新公式为：

步骤(4-2)的类别j的标准差的更新公式为：

一种基于大数据和模糊模型的建筑异常用能检测系统，包括：

预处理单元：对建筑大数据进行搜集与抽取，构建各类建筑能耗用能数据集，并进行数据预处理；

模糊模型构建单元：在预处理后的建筑能耗用能数据集基础上，利用快速k均值聚类方法构建正常用能的模糊模型，克服数据中的强不确定性，提高系统的鲁棒性；

匹配单元：根据各实时建筑能耗数据与正常用能模糊模型的匹配程度，对用能正常与否做出判断；对于异常用能行为及时检测，提供警示并处理，从而提高建筑能源利用率；

更新单元：对于正常用能数据采用自适应更新算法对所构建的正常用能模糊模型进行更新，采用直接更新类别库的方式，无需再次聚类，大大降低了系统的计算量。

所述对建筑大数据进行搜集与抽取是：抽取供暖用能、供冷用能、生活热水用能、风机用能、炊事用能、照明用能、家电/办公设备用能、电梯用能、信息机房设备用能、建筑服务设备用能和/或建筑专用设备用能数据。

进行数据预处理为：在所构建的各类建筑能耗用能数据集中，假定将要进行处理的第t种建筑用能数据是具有N个样本的数据序列

步骤(1-1)：计算第t种建筑用能数据序列的均值c_t与标准差sdv_t；

步骤(1-2)：若第i个数据满足则第i个数据保留，否则第i个数据被删除；预处理后的第t种建筑用能数据序列为其中M为剩余数据数目。

本发明的有益效果：

本发明提出了一种基于大数据及模糊模型的建筑异常用能检测方法与系统。建筑大数据环境下进行异常用能检测要求所采用的方法具有快速处理能力。

1)本发明所采用的k均值聚类算法能够快速且有效地处理建筑大数据，保证方法的实时性要求。

2)本发明基于构建好的模糊模型计算匹配度进行异常用能判别。该方法不需要基于原有的建筑大数据再次进行计算，只需计算已有模糊模型的匹配度，其计算量小，提高了运算效率。

3)本发明给出了正常用能模糊模型的自适应更新策略，对实时数据进行分析、判断以及更新。其中，判定为正常用能的新观测数据将直接用于模型更新，无需再次聚类，再次大大降低了对建筑大数据处理过程中的计算量。

另外，对于同一个用能行为，即使是正常用能，也会随环境变化与时间的不同，产生或多或少的变化，这种数据具有强不确定性。为处理强不确定性，本发明采用模糊方法来构建正常用能模型，克服不确定性产生的影响，提高了模型鲁棒性。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，本发明为实现上述目的，采用如下的技术方案：

步骤一：搜集与抽取建筑大数据，构建建筑用能数据集，并进行数据预处理

首先进行建筑能耗大数据的搜集与抽取工作，主要抽取供暖用能、供冷用能、生活热水用能、风机用能、炊事用能、照明用能、家电/办公设备用能、电梯用能、信息机房设备用能、建筑服务设备用能和其他专用设备用能等用能数据。

在所抽取的用能数据集中，假定将要进行处理的第t种建筑用能数据是具有N个样本的数据序列

在建筑大数据环境下，无法避免的会出现一些噪声数据。这些噪声数据会影响步骤二中k均值聚类算法的准确性，进而降低模糊模型的可信度。因此，需对抽取得到的建筑用能数据进行预处理。采用如下方式进行建筑用能数据的噪声处理：

1)计算第t种建筑用能数据序列的均值c_t与标准差sdv_t，其中

2)若第i个数据满足

则该数据保留，否则该数据被删除。

预处理后的第t种建筑用能数据序列为其中M为剩余数据数目。步骤二：基于k均值聚类的正常用能模糊模型构建

首先，对预处理后的建筑用能数据进行k均值聚类，检测正常用能类别，在此基础上，构建正常用能模糊模型，具体如下：

1)采用k均值聚类算法对预处理后的第t种建筑用能数据进行聚类。在k均值聚类算法中类的个数由用户用能种类、春夏秋冬四季、工作日及休息日等情况进行设定。假定所讨论的正常用能类型有K个，通过k均值聚类算法可将第t种建筑用能数据划分到K个正常用能类别。K个正常用能类别的中心为标准差为其中第j(j＝1,2,…,K)个正常用能类别的中心和标准差采用下式进行计算

式中表示预处理后的第t种建筑用能数据序列中被k均值聚类算法划分到第j个正常用能类别的第l个数据，n_j为第j个正常用能类别中的数据数量，且n₁+n₂+…+n_K＝M。

2)对K个正常用能类别分别建立模糊模型。对第j(j＝1,2,…,K)个正常用能类别，为其构建高斯模糊模型该模糊模型的隶属度函数为

其中x_t表示第第t种建筑用能的实际用能量，为高斯模糊模型的中心，为高斯模糊模型的宽度，且满足

步骤三：基于模糊模型匹配度的建筑异常用能检测

若新观测到的第t种建筑用能数据x_t与各正常用能类别的模糊模型的匹配程度较差，则异常用能情况可能存在。其判断标准具体如下：

1)设定模糊匹配阈值ε(ε取值为0.01，0.02，0.05)，并计算新观测到的第t种建筑用能数据x_t对K个正常用能模糊模型的隶属度，即求解

2)计算新观测数据x_t与各类别模糊模型的匹配度S_j(j＝1,2,…,K)

3)计算综合匹配度S，对新观测数据进行异常判断。综合匹配度计算方式如下

若S＝0则检测该用能数据存在异常，并对用户进行警示，否则该用能数据正常。

步骤四：正常用能模糊模型的自适应更新

若综合匹配度S≥1，则判定为正常用能的数据，进一步将该正常用能数据x_t加入到类别库中，用于建筑用能模糊模型的实时更新，从而进一步提高模糊模型的可信度。自适应更新算法的具体步骤如下：

1)判断正常用能数据x_t归属的类别：若则该数据划归到第j类；

2)根据原有的中心和标准差更新类别j的中心和标准差为：

3)根据新的中心和标准差更新第j个模糊模型的中心与模糊模型宽度从而实现正常用能模糊模型的自适应更新；

4)更新第j个正常用能类的数据数目n_j＝n_j+1，更新总的建筑用能数据数目M＝M+1。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种基于大数据和模糊模型的建筑异常用能检测方法，其特征是，包括：

步骤(1)：对建筑大数据进行搜集与抽取，构建各类建筑能耗用能数据集，并进行数据预处理；

步骤(2)：在构建的建筑能耗用能数据集基础上，利用k均值聚类算法构建正常用能的模糊模型；

步骤(3)：根据各实时建筑能耗数据与正常用能模糊模型的匹配程度，对用能正常与否做出判断；对于异常用能行为及时检测，提供警示并处理，从而提高建筑能源利用率；

步骤(4)：对于正常用能数据采用自适应更新算法对所构建的正常用能模糊模型进行更新；

所述步骤(1)的进行数据预处理的步骤为：

在所构建的各类建筑能耗用能数据集中，假定将要进行处理的第t种建筑用能数据是具有N个样本的数据序列

步骤(1-1)：计算第t种建筑用能数据序列的均值c_t与标准差sdv_t；

步骤(1-2)：若第i个数据满足则第i个数据保留，否则第i个数据被删除；预处理后的第t种建筑用能数据序列为其中M为剩余数据数目；

所述步骤(2)的步骤为：

步骤(2-1)：采用k均值聚类算法对预处理后的第t种建筑用能数据进行聚类；在k均值聚类算法中类的个数由用户用能种类、春夏秋冬四季、工作日及休息日进行设定；

假定所讨论的正常用能类型有K个，通过k均值聚类算法将第t种建筑用能数据划分到K个正常用能类别；K个正常用能类别的中心为标准差为

步骤(2-2)：对K个正常用能类别分别建立模糊模型，对第j个正常用能类别，构建高斯模糊模型模糊模型的隶属度函数为

其中，x_t表示第t种建筑用能的实际用能量，为高斯模糊模型的中心，为高斯模糊模型的宽度，且满足和

2.如权利要求1所述的一种基于大数据和模糊模型的建筑异常用能检测方法，其特征是，所述步骤(1)的对建筑大数据进行搜集与抽取步骤为：

抽取供暖用能、供冷用能、生活热水用能、风机用能、炊事用能、照明用能、家电/办公设备用能、电梯用能、信息机房设备用能、建筑服务设备用能和/或建筑专用设备用能数据。

3.如权利要求1所述的一种基于大数据和模糊模型的建筑异常用能检测方法，其特征是，所述步骤(3)的步骤为：

若新观测到的第t种建筑用能数据x_t与各正常用能类别的模糊模型的匹配程度差，则异常用能情况存在；判断标准如下：

步骤(3-1)：设定模糊匹配阈值ε，ε取值为0.01，0.02或0.05，并计算新观测到的第t种建筑用能数据x_t对K个正常用能模糊模型的隶属度，求解

步骤(3-2)：计算新观测到的第t种建筑用能数据x_t与各类别模糊模型的匹配度S_j，j＝1,2,…,K；

步骤(3-3)：计算综合匹配度S，对新观测数据进行异常判断；若S＝0则检测该用能数据存在异常，并对用户进行警示，否则该用能数据正常。

4.如权利要求3所述的一种基于大数据和模糊模型的建筑异常用能检测方法，其特征是，所述步骤(4)的步骤为：

若综合匹配度S≥1，则判定为正常用能的数据，进一步将正常用能数据x_t采用自适应更新算法加入到类别库中，用于建筑用能模糊模型的实时更新，从而进一步提高模糊模型的可信度。

5.如权利要求4所述的一种基于大数据和模糊模型的建筑异常用能检测方法，其特征是，所述步骤(4)自适应更新算法的步骤如下：

步骤(4-1)：判断正常用能数据x_t归属的类别：若则该数据划归到第j类；

步骤(4-2)：根据原有的中心和标准差更新类别j的中心和标准差

步骤(4-3)：根据新的中心和标准差更新第j个模糊模型的中心与模糊模型宽度从而实现正常用能模糊模型的自适应更新；

步骤(4-4)：更新第j个正常用能类的数据数目n_j＝n_j+1，更新总的建筑用能数据数目M＝M+1。

6.一种如权利要求1-5任意一项所述的基于大数据和模糊模型的建筑异常用能检测方法的检测系统，其特征是，包括：

预处理单元：对建筑大数据进行搜集与抽取，构建各类建筑能耗用能数据集，并进行数据预处理；

模糊模型构建单元：在构建的建筑能耗用能数据集基础上，利用k均值聚类算法构建正常用能的模糊模型；

匹配单元：根据各实时建筑能耗数据与正常用能模糊模型的匹配程度，对用能正常与否做出判断；对于异常用能行为及时检测，提供警示并处理，从而提高建筑能源利用率；

更新单元：对于正常用能数据采用自适应更新算法对所构建的正常用能模糊模型进行更新。

7.如权利要求6所述的系统，其特征是，所述对建筑大数据进行搜集与抽取是：

抽取供暖用能、供冷用能、生活热水用能、风机用能、炊事用能、照明用能、家电/办公设备用能、电梯用能、信息机房设备用能、建筑服务设备用能和/或建筑专用设备用能数据。

8.如权利要求6所述的系统，其特征是，进行数据预处理为：

在所构建的各类建筑能耗用能数据集中，假定将要进行处理的第t种建筑用能数据是具有N个样本的数据序列

步骤(1-1)：计算第t种建筑用能数据序列的均值c_t与标准差sdv_t；

步骤(1-2)：若第i个数据满足则第i个数据保留，否则第i个数据被删除；预处理后的第t种建筑用能数据序列为其中M为剩余数据数目。