CN110209649B - 基于关联规则知识库的中央空调系统能效实时诊断方法 - Google Patents
基于关联规则知识库的中央空调系统能效实时诊断方法 Download PDFInfo
- Publication number
- CN110209649B CN110209649B CN201910300869.0A CN201910300869A CN110209649B CN 110209649 B CN110209649 B CN 110209649B CN 201910300869 A CN201910300869 A CN 201910300869A CN 110209649 B CN110209649 B CN 110209649B
- Authority
- CN
- China
- Prior art keywords
- association rule
- abnormal
- data
- knowledge base
- normal
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提出了一种基于关联规则知识库的中央空调系统能效实时诊断方法。该方法主要包括基于关联规则挖掘算法的知识库构建步骤和基于知识库的实时运行数据分析步骤。基于关联规则挖掘算法的知识库构建步骤包含四个部分,依次为历史运行数据预处理、关联规则挖掘、冗余关联规则剔除和根据领域知识提取关联规则放入知识库。基于知识库的实时运行数据分析步骤包含三个部分,依次为实时运行模式识别、基于知识库的潜在异常运行模式提取和潜在异常运行模式人工确诊。该发明可以实现高效的中央空调系统运行数据实时分析,从而指导技术人员针对性地进行故障维修和运行优化,提高人工排查设备故障或系统不节能运行模式的效率,减少系统的能源浪费。
Description
技术领域
本发明属于建筑节能、建筑运维和建筑自控领域,涉及基于数据挖掘技术的能效实时诊断方法与技术,特别是涉及中央空调系统的设备故障和系统不节能运行模式实时诊断方法及应用。
背景技术
中央空调系统是建筑中的主要能耗来源。在实际运行中,由于设备故障和系统不节能运行模式等能效问题频发,中央空调系统运行效率普遍不高。传统的人工检修费时费力而且效果不佳。随着楼宇自动化系统在大型建筑中的普及,中央空调系统的实时运行数据已经可以被实时采集并储存在数据库当中。这些数据可以反映系统的实际运行情况。通过对这些运行数据的分析,可以发现系统运行中存在的能效问题,从而指导专业人员进行故障维修和运行优化。但由于系统形式多样,控制策略复杂,采集变量繁多,人为分析这些数据几乎是不可能实现的。
目前,学界提出了许多自动化的数据分析方法来诊断系统运行中存在的能效问题。最常见的便是使用数据挖掘技术或者构建一个知识库,但这两种方法都存在一定的缺陷。数据挖掘技术往往需要人员对运行数据进行大量的预处理和后处理,且往往是针对历史数据的分析,很难实现实时的分析。专家系统可以实现实时的运行诊断分析,但需要手动构建知识库,但对于一个中央空调系统,其运行工况、控制策略和系统形式往往十分复杂,因此手动构建一个完备的知识库十分困难。
因此,如果可以利用数据挖掘技术来构建专家系统中所需的知识库,既可以填补数据挖掘技术在实时诊断上的不足,又可以帮助专家系统快速构建一个较为完备的知识库,从而实现中央空调系统能效问题的实时诊断。
发明内容
本发明的目的在于克服现有技术的不足,提供一种快速构建知识库,实时诊断中央空调系统能效问题的方法。
有鉴于此,本发明基于关联规则知识库的中央空调系统能效实时诊断方法包括以下基本操作步骤:
步骤1为基于关联规则挖掘算法的知识库构建,具体步骤如下:
第1-1步,获取中央空调系统至少一个完整运行周期内的全部历史运行数据;
第1-2步,对所述中央空调系统运行数据进行数据预处理,得到预处理完后的数据;所述数据预处理步骤共有四个过程,依次为第1-2-1步的变量筛选、第1-2-2步的缺失值填充、第1-2-3步的异常值处理和第1-2-4步的数据转换:
第1-2-1步,剔除掉所述运行数据中与中央空调系统运行无关的采集变量;
第1-2-2步,使用线性回归或其他缺失值填充方法对所述运行数据中缺失周期低于第一阈值的测量值进行填充,所述运行数据中缺失周期不低于第一阈值时,直接删除该缺失周期内的测量值;
第1-2-3步,使用箱形图或其他异常值识别方法识别所述运行数据中存在的异常值,若异常值的持续时间低于第二阈值,则视为缺失值并进行填充,若异常值的持续时间不低于第二阈值,则直接删除;
第1-2-4步,使用等宽度分箱的方法将所述运行数据中的连续型数据映射到等宽度的区间,然后将所述的连续型数据转换为“变量名+测量值区间”的格式;对于所述运行数据中的离散型数据,直接转换为“变量名+测量值”的格式;
第1-3步,使用关联规则挖掘算法对所述预处理完后的数据进行挖掘,关联规则挖掘算法仅挖掘规则左右两边都只有一个变量的双变量关联规则;
第1-4步,计算所述双变量关联规则的置信度confidence,对所述双变量关联规则中的相似规则A→B和B→A,仅保留A→B和B→A中置信度大的一条关联规则,得到剩余的双变量关联规则;所述双变量关联规则A→B的置信度用公式confidence(A→B)=P(A∪B)/P(A)计算,其中P(A∪B)为事件A和事件B同时发生的概率,P(A)为事件A发生的概率;
第1-5步,分析所述剩余的双变量关联规则,如果某关联规则能够反映所述中央空调系统的正常运行工况,则放入正常关联规则库;如果某关联规则能够反映所述中央空调系统的异常运行工况,则放入异常关联规则库;对于无法反映系统运行工况的关联规则,则直接删除;
第1-6步,对于每一个所述正常关联规则和所述异常关联规则,得到该规则中两个变量所对应设备或子系统的开启情况,然后将每一个所述正常关联规则和所述异常关联规则中的两个变量及其对应设备或子系统的开启情况,以相关变量集合的形式放入相关变量库;每个所述相关变量集合匹配一条或多条正常或异常关联规则;
步骤2为基于知识库的实时运行数据分析,具体步骤如下:
第2-1步,实时获取中央空调系统中当前时刻所有变量的测量值,并根据实时测量值数据一一排查所述相关变量库中的相关变量集合;如果某一个相关变量集合中的对应设备或子系统的开启情况与当前时刻下该设备或子系统的开启情况相同,则识别出当前时刻下所述相关变量集合中两个相关变量的测量值作为一个运行模式;识别出的运行模式用于在第2-2步中进行诊断;
第2-2步,将所有识别得到的运行模式与所述正常关联规则库和所述异常关联规则库中的关联规则进行比较,从而发现潜在异常运行模式;对于某一条所述运行模式,其比较步骤具体如下:
第2-2-1步,找到与所识别得到的运行模式对应的相关变量集合,调取所述异常关联规则库中所有与所述相关变量集合匹配的异常关联规则,判断其中是否存在一条异常关联规则,使得所述运行模式下的两个变量的测量值均位于该异常关联规则中对应变量的测量值区间范围内,如果存在则进入第2-3步,反之,则进入第2-2-2步;
第2-2-2步,找到与所识别得到的运行模式对应的相关变量集合,调取所述正常关联规则库中所有与所述相关变量集合匹配的正常关联规则,判断其中是否存在一条正常关联规则,使得所述运行模式下的两个变量的测量值均位于该正常关联规则中对应变量的测量值区间范围内,如果存在则所述运行模式为正常运行模式,结束对所述运行模式的诊断,反之,则进入第2-3步;
第2-3步,如果所识别得到的运行模式持续时间低于第三阈值,则判断该运行模式是由于设备开启状态瞬态变化或测量信号波动等造成的系统暂态运行模式,此类模式为系统运行中存在的正常现象,因此结束对所述运行模式的诊断;如果所识别得到的运行模式持续时间不低于第三阈值,则将所述运行模式上传,用于人工进行分析。
作为优选,中央空调系统运行数据通过楼宇自动化系统或其他自控系统在线获取。
作为优选,若经过人工分析确定系统存在设备故障或系统不节能运行模式,则根据分析结果及时进行设备维护或运行优化。
作为优选,若经过人工分析确定所述运行模式属于误报,则更新知识库中对应关联规则的测量值区间范围以免再次误报。
作为优选,所述的误报包括由于控制策略改变或者设备更换造成的误报。
与现有技术相比,本发明基于关联规则知识库的中央空调系统能效实时诊断方法具有的优势在于:
与传统的专家系统相比,该方法可以更快速更容易地建立一个全面的知识库,并且可根据系统运行情况的变化及时更新知识库。与传统数据挖掘方法相比,该方法可以基于历史数据分析结果,进一步实现实时数据分析。该发明可有效利用系统历史运行数据来构建知识库,从而实现高效的实时数据分析,从而指导技术人员有针对性地进行故障维修和运行优化,减少人工排查设备故障或异常运行的人力物力消耗,减少系统的能源浪费。
附图说明
图1为发明所述的基于关联规则知识库的中央空调系统能效实时诊断方法流程图。
具体实施方式
下面结合附图对本发明的实施例作详细说明,本实施例在本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下属实施例。
如图1所示,本发明基于关联规则知识库的中央空调系统能效实时诊断方法包括基于关联规则挖掘算法的知识库构建和基于知识库的实时运行数据分析两个步骤。基于关联规则挖掘算法的知识库构建步骤包含四个部分,依次为历史运行数据预处理、关联规则挖掘、冗余关联规则剔除和根据领域知识提取关联规则放入知识库。基于知识库的实时运行数据分析步骤包含三个部分,依次为实时运行模式识别、基于知识库的潜在异常运行模式提取和潜在异常运行模式人工确诊。如果最终发现存在能效问题,则将由专业人员及时进行故障诊断和运行优化;如果最终发现是误报,则将专业人员更新知识库中的相应规则以免再次误报。
1、基于关联规则挖掘算法的知识库构建步骤旨在通过对历史运行数据进行关联规则挖掘快速得到一个知识库,具体步骤如下:
第1-1步,获取中央空调系统至少一个完整运行周期内的全部历史运行数据,例如完整的1年的运行数据;
第1-2步,对所述中央空调系统运行数据进行数据预处理,得到预处理完后的数据。所述数据预处理步骤共有四个过程,依次为变量筛选(第1-2-1步)、缺失值填充(第1-2-2步)、异常值处理(第1-2-3步)和数据转换(第1-2-4步):
第1-2-1步,人为剔除掉所述运行数据中与中央空调系统运行无关的采集变量,例如中央空调系统中为了留有余量或作为备用往往会有一些始终没有开启的设备,这些设备的采集变量可以直接剔除;
第1-2-2步,使用线性回归或其他缺失值填充方法对所述运行数据中缺失周期低于第一阈值(例如仅缺失1小时)的测量值进行填充,运行数据中缺失周期不低于第一阈值时(例如缺失超过1小时),填充结果并不一定准确,因此该缺失周期内的测量值可直接删除;
第1-2-3步,使用箱形图(boxplot)或其他异常值识别方法快速识别所述运行数据中存在的异常值,若异常值的持续时间低于第二阈值(例如异常值持续短于1小时),则可视为缺失值并进行填充,若异常值的持续时间不低于第二阈值(例如异常值持续超过1小时),则直接删除;
第1-2-4步,使用等宽度分箱(equal-width binning)的方法将所述运行数据中的连续型数据映射到等宽度的区间,然后将所述连续型数据转换为“变量名+测量值区间”的格式,例如将冷冻水出水温度为5.5℃时的测量值“5.5℃”转化为“冷冻水出水温度5℃-6℃”的格式。对于所述运行数据中的离散型数据,直接转换为“变量名+测量值”的格式,例如将冷机开启台数为5台时的测量值“5台”转化为“冷机开启台数5台”;
第1-3步,使用关联规则挖掘算法(如Apriori、FP-growth等)对所述预处理完后的数据进行挖掘,关联规则挖掘算法仅挖掘规则左右两边都只有一个变量的双变量关联规则,例如“1号冷机冷冻水出水温度5℃-6℃”→“1号冷机功率40kW-50kW”为一个典型的双变量关联规则;
第1-4步,计算所述双变量关联规则的置信度confidence,对所述双变量关联规则中的相似规则A→B和B→A,仅保留A→B和B→A中置信度大的一条关联规则,得到剩余的双变量关联规则。一条双变量关联规则A→B的置信度可用公式confidence(A→B)=P(A∪B)/P(A)计算,其中P(A∪B)为事件A和事件B同时发生的概率,P(A)为事件A发生的概率。例如存在关联规则“1号冷机冷冻水出水温度5℃-6℃”→“1号冷机功率40kW-50kW”的置信度为0.8,其相似关联规则“1号冷机功率40kW-50kW”→“1号冷机冷冻水出水温度5℃-6℃”的置信度为0.1,那么仅保留置信度大的关联规则“1号冷机冷冻水出水温度5℃-6℃”→“1号冷机功率40kW-50kW”;
第1-5步,根据领域知识人工分析所述剩余的双变量关联规则。如果某关联规则可以反映系统的正常运行工况,则放入正常关联规则库,例如“1号冷机冷冻水出水温度5℃-6℃”→“1号冷机功率40kW-50kW”是一条典型的正常关联规则,因为实际中冷机的冷冻水出水温度通常控制在5℃与6℃之间。如果某关联规则可以反映系统的异常运行工况,则放入异常关联规则库,例如“1号冷机冷冻阀门Off”→“1号冷机功率40kW-50kW”是一条典型的异常关联规则,因为冷机开启时需要保证冷机冷冻阀门开启。对于无法反映系统运行工况的关联规则,则直接删除,例如“1号冷机功率40kW-50kW”→“1号冷却塔功率20kW-30kW”无法反映系统运行工况,因为这两个变量之间没有物理联系,所以直接删除;
第1-6步,对于每一个所述正常关联规则和所述异常关联规则,得到该规则中两个变量所对应设备或子系统的开启或关闭情况,然后将每一个所述正常关联规则和所述异常关联规则中的两个变量及其对应设备或子系统的开启或关闭情况作为相关变量集合的形式放入相关变量库,每个所述相关变量集合可匹配一条或多条正常或异常关联规则。例如存在一条正常关联规则“1号冷机冷冻水出水温度5℃-6℃”→“1号冷机功率40kW-50kW”,其对应的设备为1号冷机,且该条关联规则是1号冷机开启时得到的,所以得到一个相关变量集合{“1号冷机冷冻水出水温度”,“1号冷机功率”,“1号冷机On”},将其放入相关变量库。所述相关变量集合与所有在1号冷机开启时得到的与1号冷机冷冻水出水温度和1号冷机功率有关的异常关联规则和正常关联规则匹配,例如“1号冷机冷冻水出水温度5℃-6℃”→“1号冷机功率40kW-50kW”、“1号冷机冷冻水出水温度5℃-6℃”→“1号冷机功率50kW-60kW”、“1号冷机冷冻水出水温度6℃-7℃”→“1号冷机功率50kW-60kW”等。
2、基于知识库的实时运行数据分析步骤旨在使用得到的知识库分析实时运行数据,从而发现潜在的系统异常运行模式,具体步骤如下:
第2-1步,实时获取中央空调系统中当前时刻所有变量的测量值,并根据实时测量值数据一一排查所述相关变量库中的相关变量集合。如果某一个相关变量集合中的对应设备或子系统的开启或关闭情况与当前时刻下该设备或子系统的开启或关闭情况相同,则识别当前时刻下所述相关变量集合中两个相关变量的测量值作为一个运行模式。例如存在一个相关变量集合{“1号冷机冷冻水出水温度”,“1号冷机功率”,“1号冷机On”},而当前时刻1号冷机正处于开启状态,其功率为45kW,冷冻水出水温度为5.3℃,那么将识别得到一个运行模式“1号冷机冷冻水出水温度5.3℃”→“1号冷机功率45kW”。识别出的运行模式将在第2-2步中进行诊断;
第2-2步,将所有识别得到的运行模式与所述正常关联规则库和所述异常关联规则库中的关联规则进行比较,从而发现潜在异常运行模式。对于某一条所述运行模式,其比较步骤具体如下:
第2-2-1步,找到与所识别得到的运行模式对应的相关变量集合,调取所述异常关联规则库中所有与所述相关变量集合匹配的异常关联规则,判断其中是否存在一条异常关联规则,使得所述运行模式下的两个变量的测量值均位于该异常关联规则中对应变量的测量值区间范围内。如果存在则进入第2-3步,反之,则进入第2-2-2步;
第2-2-2步,找到与所识别得到的运行模式对应的相关变量集合,调取所述正常关联规则库中所有与所述相关变量集合匹配的正常关联规则,判断其中是否存在一条正常关联规则,使得所述运行模式下的两个变量的测量值均位于该正常关联规则中对应变量的测量值区间范围内。如果存在则所述运行模式为正常运行模式,结束对所述运行模式的诊断,反之,则进入第2-3步;
第2-3步,如果所识别得到的运行模式持续时间低于第三阈值(例如30分钟),则判断该运行模式是由于设备开启状态瞬态变化或测量信号波动等造成的系统暂态运行模式,此类模式为系统运行中存在的正常现象,因此结束对所述运行模式的诊断。如果所识别得到的运行模式持续时间不低于第三阈值(例如30分钟),则将所述运行模式上传给技术人员进行分析。如果经过人工分析确定系统存在设备故障或系统不节能运行模式,则由技术人员及时进行设备维护或运行优化;如果经过人工分析确定所述运行模式是由于控制策略改变或者设备更换等原因造成的误报,则手动更新知识库中对应关联规则的测量值区间范围以免再次误报。
以三个实施例进一步对第2-2步和第2-3步进行详述。
实施例1:假设存在运行模式“1号冷机冷冻水出水温度5.3℃”→“1号冷机功率45kW”,仅存在一条正常关联规则“1号冷机冷冻水出水温度5℃-6℃”→“1号冷机功率40kW-50kW”与之对应,则所述运行模式比较步骤具体如下:
第2-2-1步,找到与所述运行模式对应的相关变量集合{“1号冷机冷冻水出水温度”,“1号冷机功率”,“1号冷机On”},未发现与所述相关变量集合对应的异常关联规则,所以进入第2-2-2步;
第2-2-2步,找到与所述运行模式对应的相关变量集合{“1号冷机冷冻水出水温度”,“1号冷机功率”,“1号冷机On”},发现一条与所述相关变量集合匹配的正常关联规则“1号冷机冷冻水出水温度5℃-6℃”→“1号冷机功率40kW-50kW”,使得所述运行模式下的1号冷机冷冻水出水温度和1号冷机功率均位于所述正常关联规则中对应变量的测量值区间范围内,所以所述运行模式为正常运行模式,结束对所述运行模式的诊断。
实施例2:假设存在运行模式“1号冷机冷冻水出水温度13.2℃”→“1号冷机功率45kW”,仅存在一条异常关联规则“1号冷机冷冻水出水温度13℃-14℃”→“1号冷机功率40kW-50kW”与之对应,则所述运行模式比较步骤具体如下:
第2-2-1步,找到与所述运行模式对应的相关变量集合{“1号冷机冷冻水出水温度”,“1号冷机功率”,“1号冷机On”},发现一条与所述相关变量集合对应的异常关联规则“1号冷机冷冻水出水温度13℃-14℃”→“1号冷机功率40kW-50kW”,使得所述运行模式下的1号冷机冷冻水出水温度和1号冷机功率均位于所述异常关联规则中对应变量的测量值区间范围内,所以进入第2-3步;
第2-3步,如果所述运行模式持续短于一定时间(例如30分钟),则判断该运行模式是由于设备开启状态瞬态变化或测量信号波动等造成的系统暂态运行模式,此类模式为系统运行中存在的正常现象,因此结束对所述运行模式的诊断。如果所述运行模式持续超过一定时间(例如30分钟),则将所述运行模式上传给技术人员进行分析。如果经过人工分析确定系统存在设备故障或系统不节能运行模式,则由技术人员及时进行设备维护或运行优化;如果经过人工分析确定所述运行模式是由于控制策略改变或者设备更换等原因造成的误报,则手动更新知识库中对应关联规则的测量值区间范围以免再次误报。
实施例3:假设存在运行模式“1号冷机冷冻水出水温度25.4℃”→“1号冷机功率45kW”,不存在与之对应的正常关联规则和异常关联规则,则所述运行模式比较步骤具体如下:
第2-2-1步,找到与所述运行模式对应的相关变量集合{“1号冷机冷冻水出水温度”,“1号冷机功率”,“1号冷机On”},未发现与所述相关变量集合对应的异常关联规则,所以进入第2-2-2步;
第2-2-2步,找到与所述运行模式对应的相关变量集合{“1号冷机冷冻水出水温度”,“1号冷机功率”,“1号冷机On”},未发现与所述相关变量集合对应的正常关联规则,所以进入第2-3步;
第2-3步,如果所述运行模式持续短于一定时间(例如30分钟),则判断该运行模式是由于设备开启状态瞬态变化或测量信号波动等造成的系统暂态运行模式,此类模式为系统运行中存在的正常现象,因此结束对所述运行模式的诊断。如果所述运行模式持续超过一定时间(例如30分钟),则将所述运行模式上传给技术人员进行分析。如果经过人工分析确定系统存在设备故障或系统不节能运行模式,则由技术人员及时进行设备维护或运行优化;如果经过人工分析确定所述运行模式是由于控制策略改变或者设备更换等原因造成的误报,则手动更新知识库中对应关联规则的测量值区间范围以免再次误报。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。例如,第一阈值、第二阈值、第三阈值等,均可根据实际系统进行确定和调整,并不一定局限于本实施例提供的数值。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (5)
1.一种基于关联规则知识库的中央空调系统能效实时诊断方法,其特征在于,包括以下步骤:
步骤1为基于关联规则挖掘算法的知识库构建,具体步骤如下:
第1-1步,获取中央空调系统至少一个完整运行周期内的全部历史运行数据;
第1-2步,对所述中央空调系统运行数据进行数据预处理,得到预处理完后的数据;所述数据预处理步骤共有四个过程,依次为第1-2-1步的变量筛选、第1-2-2步的缺失值填充、第1-2-3步的异常值处理和第1-2-4步的数据转换:
第1-2-1步,剔除掉所述运行数据中与中央空调系统运行无关的采集变量;
第1-2-2步,使用线性回归对所述运行数据中缺失周期低于第一阈值的测量值进行填充,所述运行数据中缺失周期不低于第一阈值时,直接删除该缺失周期内的测量值;
第1-2-3步,使用箱形图识别所述运行数据中存在的异常值,若异常值的持续时间低于第二阈值,则视为缺失值并进行填充,若异常值的持续时间不低于第二阈值,则直接删除;
第1-2-4步,使用等宽度分箱的方法将所述运行数据中的连续型数据映射到等宽度的区间,然后将所述的连续型数据转换为“变量名+测量值区间”的格式;对于所述运行数据中的离散型数据,直接转换为“变量名+测量值”的格式;
第1-3步,使用关联规则挖掘算法对所述预处理完后的数据进行挖掘,关联规则挖掘算法仅挖掘规则左右两边都只有一个变量的双变量关联规则;
第1-4步,计算所述双变量关联规则的置信度confidence,对所述双变量关联规则中的相似规则A→B和B→A,仅保留A→B和B→A中置信度大的一条关联规则,得到剩余的双变量关联规则;所述双变量关联规则A→B的置信度用公式confidence(A→B)=P(A∪B)/ P(A)计算,其中P(A∪B)为事件A和事件B同时发生的概率,P(A)为事件A发生的概率;
第1-5步,分析所述剩余的双变量关联规则,如果某关联规则能够反映所述中央空调系统的正常运行工况,则放入正常关联规则库;如果某关联规则能够反映所述中央空调系统的异常运行工况,则放入异常关联规则库;对于无法反映系统运行工况的关联规则,则直接删除;
第1-6步,对于每一个所述正常关联规则和所述异常关联规则,分别得到正常关联规则和异常关联规则中两个变量所对应设备或子系统的开启情况,然后将每一个所述正常关联规则和所述异常关联规则中的两个变量及其对应设备或子系统的开启情况,以相关变量集合的形式放入相关变量库;每个所述相关变量集合匹配一条或多条正常或异常关联规则;
步骤2为基于知识库的实时运行数据分析,具体步骤如下:
第2-1步,实时获取中央空调系统中当前时刻所有变量的测量值,并根据实时测量值数据一一排查所述相关变量库中的相关变量集合;如果某一个相关变量集合中的对应设备或子系统的开启情况与当前时刻下该设备或子系统的开启情况相同,则识别出当前时刻下所述相关变量集合中两个相关变量的测量值作为一个运行模式;识别出的运行模式用于在第2-2步中进行诊断;
第2-2步,将所有识别得到的运行模式与所述正常关联规则库和所述异常关联规则库中的关联规则进行比较,从而发现潜在异常运行模式;对于某一条所述运行模式,其比较步骤具体如下:
第2-2-1步,找到与所识别得到的运行模式对应的相关变量集合,调取所述异常关联规则库中所有与所述相关变量集合匹配的异常关联规则,判断其中是否存在一条异常关联规则,使得所述运行模式下的两个变量的测量值均位于该异常关联规则中对应变量的测量值区间范围内,如果存在则进入第2-3步,反之,则进入第2-2-2步;
第2-2-2步,找到与所识别得到的运行模式对应的相关变量集合,调取所述正常关联规则库中所有与所述相关变量集合匹配的正常关联规则,判断其中是否存在一条正常关联规则,使得所述运行模式下的两个变量的测量值均位于该正常关联规则中对应变量的测量值区间范围内,如果存在则所述运行模式为正常运行模式,结束对所述运行模式的诊断,反之,则进入第2-3步;
第2-3步,如果所识别得到的运行模式持续时间低于第三阈值,则判断该运行模式是由于设备开启状态瞬态变化或测量信号波动造成的系统暂态运行模式,此类模式为系统运行中存在的正常现象,因此结束对所述运行模式的诊断;如果所识别得到的运行模式持续时间不低于第三阈值,则将所述运行模式上传,用于人工进行分析。
2.如权利要求1所述的基于关联规则知识库的中央空调系统能效实时诊断方法,其特征在于,中央空调系统运行数据通过楼宇自动化系统在线获取。
3.如权利要求1所述的基于关联规则知识库的中央空调系统能效实时诊断方法,其特征在于,若经过人工分析确定系统存在设备故障或系统不节能运行模式,则根据分析结果及时进行设备维护或运行优化。
4.如权利要求1所述的基于关联规则知识库的中央空调系统能效实时诊断方法,其特征在于,若经过人工分析确定所述运行模式属于误报,则更新知识库中对应关联规则的测量值区间范围以免再次误报。
5.如权利要求4所述的基于关联规则知识库的中央空调系统能效实时诊断方法,其特征在于,所述的误报包括由于控制策略改变或者设备更换造成的误报。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910277414 | 2019-04-08 | ||
CN2019102774141 | 2019-04-08 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110209649A CN110209649A (zh) | 2019-09-06 |
CN110209649B true CN110209649B (zh) | 2021-04-23 |
Family
ID=67785445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910300869.0A Active CN110209649B (zh) | 2019-04-08 | 2019-04-15 | 基于关联规则知识库的中央空调系统能效实时诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110209649B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711791B (zh) * | 2021-01-05 | 2022-04-19 | 浙江大学 | 基于神经网络弹性权重固化的建筑用能负荷实时预测方法 |
CN113157768A (zh) * | 2021-04-09 | 2021-07-23 | 天津大学 | 一种暖通空调运行数据关联属性挖掘方法和系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770219B (zh) * | 2010-01-29 | 2011-11-09 | 北京信息科技大学 | 一种车铣复合机床故障诊断知识库的知识获取方法 |
US9110969B2 (en) * | 2012-07-25 | 2015-08-18 | Sap Se | Association acceleration for transaction databases |
CN106094744B (zh) * | 2016-06-04 | 2018-10-23 | 上海大学 | 基于关联规则挖掘的火电厂主运行参数目标值的确定方法 |
CN106130809B (zh) * | 2016-09-07 | 2019-06-25 | 东南大学 | 一种基于日志分析的IaaS云平台网络故障定位方法及系统 |
CN107506937B (zh) * | 2017-09-01 | 2020-10-30 | 南京南瑞集团公司 | 一种基于关联规则的水电站发电能力评估方法 |
-
2019
- 2019-04-15 CN CN201910300869.0A patent/CN110209649B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110209649A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102638100B (zh) | 地区电网设备异常告警信号关联分析与诊断方法 | |
CN104633829A (zh) | 楼宇冷冻站节能控制装置及方法 | |
CN109028481A (zh) | 一种空调系统的无人值守机房控制系统及方法 | |
CN111486552B (zh) | 基于分项计量数据的空调冷冻水供水温度策略识别方法 | |
CN110209649B (zh) | 基于关联规则知识库的中央空调系统能效实时诊断方法 | |
CN111412579B (zh) | 一种基于大数据的空调机组故障类型诊断方法和系统 | |
WO2018090662A1 (zh) | 电网中开关设备的变位原因识别方法、装置及存储介质 | |
CN110349048B (zh) | 变电站多维数据运行交互控制平台及故障处置方法 | |
CN111520812B (zh) | 一种供热住户室温估测方法及系统 | |
CN112097365A (zh) | 基于预测和分类模型的空调故障检测与辩识方法及装置 | |
CN111486555A (zh) | 一种人工智能ai专家系统进行中央空调节能调控的方法 | |
CN116668482B (zh) | 一种基于人工智能的智慧楼宇二总线监控系统及方法 | |
CN110500709A (zh) | 空调器运行状态在线判别方法 | |
CN115437344A (zh) | 一种数字孪生综合能源故障诊断系统、方法、设备和介质 | |
CN107461881B (zh) | 一种医院空调机房的制冷主机能效诊断方法及其系统 | |
CN114942934A (zh) | 一种基于数字孪生的智慧园区多维时空仿真平台 | |
CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
CN113377086A (zh) | 一种车辆亏电预警方法 | |
CN109472715B (zh) | 一种数字化工业能源管控服务系统 | |
CN105302476B (zh) | 一种用于核电站设备的可靠性数据在线采集分析存储系统及其存储方法 | |
CN106896765A (zh) | 一种建筑设备监控系统及装置 | |
CN116345687A (zh) | 电力监控系统用户行为安全预警系统 | |
CN116070129A (zh) | 一种水电集控事故智能诊断系统 | |
CN115186754A (zh) | 基于信息熵及自联想回归模型的机组能效监测诊断方法 | |
CN113033922A (zh) | 一种综合监控系统的能耗优化方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |