CN111161095B - 一种检测建筑能源异常消耗的方法 - Google Patents
一种检测建筑能源异常消耗的方法 Download PDFInfo
- Publication number
- CN111161095B CN111161095B CN201911292047.9A CN201911292047A CN111161095B CN 111161095 B CN111161095 B CN 111161095B CN 201911292047 A CN201911292047 A CN 201911292047A CN 111161095 B CN111161095 B CN 111161095B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- building
- data
- value
- load
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005265 energy consumption Methods 0.000 claims abstract description 89
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000007418 data mining Methods 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 12
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了建筑节能行业技术领域的一种检测建筑能源异常消耗的方法,具体包括以下步骤:S1:运用简单有效的算法对高频建筑负荷时间序列数据进行预处理,并用一组统计数据将其量化为建筑负荷特征;S2:通过选择合适的数据挖掘算法和预测指标构建这些负荷特征的能源消耗预测模型,从中选出最佳能源消耗预测模型;S3:利用统计控制图理论对能源消耗预测模型的残差进行分析,对于每一个负荷特征,确定合适的上控制限,构建相应的控制图,运用控制图监控每日建筑的能源消耗情况,通过对比建筑负荷特征的预测值和实际观察值,识别异常能源消耗模式,通实现对于建筑能源消耗的在线监控,从而及时发现异常的能源消耗情况。
Description
技术领域
本发明涉及建筑节能行业技术领域,具体为一种检测建筑能源异常消耗的方法。
背景技术
商业和住宅建筑消耗了大量的能源同时排放了大量的温室气体,全世界的商业和住宅建筑导致了近60%的电力消耗。为发展绿色建筑,目前建筑节能方案已贯穿了建筑物的整个寿命周期,包括设计、建造、使用和维修。尽管建筑物在设计和建造环节可以达到绿色节能的目的,但是在建筑运营使用期间,如果管理人员没有正确执行能源管理策略,很大一部分能源仍会被浪费掉。出乎意料的设备故障或人为失误,例如传感器出现故障、缺乏经验的管理人员、不断变换的环境等,都会产生建筑能源消耗黑洞。
为了有效填补建筑耗能黑洞,提高能源效率,本发明需要一套系统的能源管理方法。随着智能测量系统以及楼宇自控系统的发展,商业建筑安装了不同类型的传感器,例如温度传感器、功率计和流量计等,并且能够生产分钟级别的数据流。这些数据流被持续储存在建筑能源管理系统中,相关管理人员通过对大数据进行分析,能够及时发现问题并提高商业建筑的能源效率。数据驱动的建筑能源管理在世界范围内越来越受欢迎。
在众多用以提高建筑能源效率的数据驱动方法中,监控能源消耗以识别异常消耗模式的方法具有一定的成本效益,并且拥有广阔的应用前景。近来关于建筑能源异常消耗检测的研究可以划分为两种类别:点异常检测和语境异常检测。点异常检测的核心思想在于运用聚类或傅立叶转换算法对能源消耗时间序列数据进行预处理,构建能源消耗预测模型,得到能源消耗的预测数值。如果实际测量数据显著偏离预测数值,则表明存在异常消耗模式。语境异常检测则具有多种方法,并且使用了不同种类的统计学习算法。此外,语境异常检测还利用了除能源消耗时间序列之外的其他相关信息,包括建筑构造及材料、当地环境等来判断是否出现异常的能源消耗。
发明内容
本发明的目的在于提供一种检测建筑能源异常消耗的方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种检测建筑能源异常消耗的方法,具体包括以下步骤:
S1:运用简单有效的算法对高频建筑负荷时间序列数据进行预处理,并用一组统计数据将其量化为建筑负荷特征;
S2:通过选择合适的数据挖掘算法和预测指标构建这些负荷特征的能源消耗预测模型,并运用历史数据集对这些模型进行训练和测试,基于预定义的评价指标从中选出最佳能源消耗预测模型;
S3:利用统计控制图理论对能源消耗预测模型的残差进行分析,对于每一个负荷特征,确定合适的上控制限,构建相应的控制图,运用控制图监控每日建筑的能源消耗情况,通过对比建筑负荷特征的预测值和实际观察值,识别异常能源消耗模式。
优选的,所述预测模型的构建方法如下:
S2.1:收集时间序列数据并对数据进行预处理;
S2.2、建立模型;
S2.3、选择最佳数据挖掘算法及预测指标。
优选的,在所述步骤S2.1中,所述收集时间序列数据并对数据进行预处理具体步骤为:
S2.1.1、从建筑智能化能源管理系统中提取相关参数集,包括建筑负荷时间序列数据、外部温度时间序列数据以及外部湿度时间序列数据,收集的时间序列数据设有时间间隔,采样频率为5分钟或10分钟;
S2.1.2、运用一组统计数据对收集的每日时间序列数据进行预处理,量化建筑能源消耗模式;
S2.1.3、对时间序列数据完成预处理后,生成训练数据表和测试数据表。
优选的,所述步骤S2.1.2中量化数据包括但不仅限于平均负荷、高负荷持续时间、上升时间、下降时间、最大负荷、最小负荷、平均温度和平均湿度。
优选的,在所述步骤S2.2中,所述建立模型构建方法为:采取分治策略,根据制冷季节、供暖季节和过渡季节将训练数据集分为三个子集,对于每一个建筑负荷特征,选用多种不同的数据挖掘算法基于训练数据子集构建相应的能源消耗预测模型。
优选的,所述能源消耗预测模型是用一组相关预测指标产生建筑负荷特征参数的预测值,包括预测平均负荷的能源消耗模型、预测高负荷持续时间的能源消耗模型、预测上升时间、下降时间的能源消耗模型,所述相关预测指标包括外部温度、外部湿度、建筑负荷特征的历史参数值以及相关节假日信息。
优选的,所述预测模型基于自回归公式表述为:
yi(t)=fi(x(t),yi(t_))+εi
其中,yi(t_)∈{yi(t-1),yi(t-2),…,yi(t-d)},t为当前时间戳,其代表一个特定的日期,d为整数,其代表算法设定的最大时间步数;εi为预测模型的残差。
优选的,在所述步骤S2.3中,所述选择最佳数据挖掘算法及预测指标的构建方法如下:通过两个衡量指标,从中选取预测效果最好的数据挖掘算法和预测指标的组合构建能源消耗预测模型,
第一衡量指标,绝对误差平均值和绝对百分误差的平均值,其中,能源消耗预测模型预测的建筑负荷特征参数值与实际检测值之间差值的绝对值为绝对误差,绝对误差和实际检测值的绝对值之间的比值乘以百分百是绝对百分误差;
第二衡量指标,对于每一种数据挖掘算法,给定一组训练数据集,会对应一组构建预测模型的最佳预测指标,
所述绝对误差定义为AE,AE的计算方法为:
所述绝对误差平均值定义为MAE,MAE的计算方法为:
所述绝对百分误差定义为APE,APE的计算方法为:
所述绝对百分误差平均值定义为MAPE,MAPE的计算方法为:
其中,是建筑负荷特征参数预测值,yi(t)是实际测量到的建筑负荷特征参数值;N是训练数据点的数量。
优选的,所述控制图的构建方法如下:
S3.1:计算出训练数据集中每个点之间的残差、训练数据集的绝对百分误差平均值μTrain和标准差σTrain;
S3.2:计算得到μTrain和σTrain后,根据定义计算出中心线Centerline,将η取值为1,2,3,计算得到3条上控制限UCLs,分别代表Centerline+1*σ、Centerline+2*σ和Centerline+3*σ;
S3.3:筛选离群值并确定潜在异常能源消耗点,离群值是位于上控制限之外的点,而潜在异常能源消耗点是离群值中建筑负荷参数的实际测量值显著高于模型预测值的点;
S3.4:确定控制图的上控制限,即确定η的取值,为确定η的取值,需要进一步验证潜在的异常能源消耗点是否真正存在额外不必要的能源消耗现象,如果通过研究时间序列数据以及询问相关能源管理人员证实所有的潜在异常能源消耗点都发生了异常的能源消耗,那么意味着η的取值是恰当的;否则,该控制限可能过于灵敏以致于发送错误警报;
S3.5:确定η的取值后,就可以利用控制限监控建筑负荷特征。当能源消耗预测模型产生的建筑负荷特征预测值的残差位于上控制限之外,就意味着存在潜在的异常能源消耗情况。
优选的,在所述控制图的构建方法中,
所述μTrain计算方法为:
所述σTrain计算方法为:
所述UCLs计算方法为:UCLs=μTrain+ησTrain;
所述Centerline计算方法为:Centerline=μTrain;
其中是建筑负荷特征参数预测值,yi(t)是实际测量到的建筑负荷特征参数值;NTrain是训练数据点的数量;η是上控制限的倍数,取值为1,2,3。
与现有技术相比,本发明的有益效果是:
(1)适用性强,成本低、本发明可以直接在已有的建筑能源管理系统中使用,无需安装复杂的分项计量系统;
(2)可信度高、本发明可以自由选择相关指标和统计学习算法构建最佳预测模型,预测模型更为准确、可靠、稳定;并且相关统计控制图理论已经非常成熟,通过考虑预测模型的残差特征,能够加强异常值检测的可信度;
(3)主动性强、通过实时数据的在线分析,主动发现潜在的异常能源消耗模式;
(4)针对性强、由于在线监测,建筑管理人员能够及时发现异常的能源消耗情况,采取相应措施,减少建筑能源浪费。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供一种技术方案:一种检测建筑能源异常消耗的方法,具体包括以下步骤:
S1:运用简单有效的算法对高频建筑负荷时间序列数据进行预处理,并用一组统计数据将其量化为建筑负荷特征;
S2:通过选择合适的数据挖掘算法和预测指标构建这些负荷特征的能源消耗预测模型,并运用历史数据集对这些模型进行训练和测试,基于预定义的评价指标从中选出最佳能源消耗预测模型;
S3:利用统计控制图理论对能源消耗预测模型的残差进行分析,对于每一个负荷特征,确定合适的上控制限,构建相应的控制图,运用控制图监控每日建筑的能源消耗情况,通过对比建筑负荷特征的预测值和实际观察值,识别异常能源消耗模式。
其中,所述能源消耗预测模型是基于一组预测指标,包括外部温度、外部湿度、建筑负荷特征的历史参数值等并且应用多种数据挖掘算法开发构建的。构建好的模型不是用来直接预测能源消耗值,而是用来预测从时间序列中提取的建筑负荷特征的参数值,进而监控建筑能源消耗。所述预测模型的构建方法如下:
S2.1:收集时间序列数据并对数据进行预处理;
所述收集时间序列数据并对数据进行预处理具体步骤为:
S2.1.1、从建筑智能化能源管理系统中提取相关参数集,包括建筑负荷时间序列数据、外部温度时间序列数据以及外部湿度时间序列数据等。收集的时间序列数据设有时间间隔,采样频率为5分钟或10分钟;
S2.1.2、运用一组统计数据对收集的每日时间序列数据进行预处理,量化建筑能源消耗模式。对于每日建筑负荷时间序列数据,既可以用描述性统计数据,如平均负荷、最大负荷、最小负荷等将其量化,也可以使用其他一些对于能源管理有意义的统计数据对其进行预处理。实施例中使用的统计数据为平均负荷、高负荷持续时间、上升时间、下降时间、每日负荷第5百分位数和每日负荷第95百分位数。类似地,将每日温度、湿度时间序列数据预处理为相应的每日统计数据,如平均温度、平均湿度等;
S2.1.3、对时间序列数据完成预处理后,生成训练数据表和测试数据表。
S2.2、建立模型;
考虑到建筑负荷特征受季节模式、季节转换的影响,因此在数据挖掘方面,采取分治策略,根据制冷季节、供暖季节和过渡季节将训练数据集分为三个子集,对于每一个建筑负荷特征,选用多种不同的数据挖掘算法基于训练数据子集构建相应的能源消耗预测模型。该模型是用一组相关预测指标产生建筑负荷特征参数的预测值,包括预测平均负荷的能源消耗模型、预测高负荷持续时间的能源消耗模型、预测上升时间、下降时间的能源消耗模型等,相关预测指标包括外部温度、外部湿度、建筑负荷特征的历史参数值以及相关节假日信息等。
所述预测模型基于自回归公式表述为:
yi(t)=fi(x(t),yi(t_))+εi
其中,yi(t_)∈{yi(t-1),yi(t-2),…,yi(t-d)},t为当前时间戳,其代表一个特定的日期,d为整数,其代表算法设定的最大时间步数;εi为预测模型的残差。
S2.3、选择最佳数据挖掘算法及预测指标。
选择最佳数据挖掘算法及预测指标的构建方法如下:通过两个衡量指标,从中选取预测效果最好的数据挖掘算法和预测指标的组合构建能源消耗预测模型,
第一衡量指标,绝对误差平均值和绝对百分误差的平均值,其中,能源消耗预测模型预测的建筑负荷特征参数值与实际检测值之间差值的绝对值为绝对误差,绝对误差和实际检测值的绝对值之间的比值乘以百分百是绝对百分误差,用来评估不同数据挖掘算法建立的预测模型的预测效果。绝对误差和绝对百分误差的平均值越小,说明能源消耗预测模型的预测效果越好;
第二衡量指标,对于每一种数据挖掘算法,给定一组训练数据集,会对应一组构建预测模型的最佳预测指标,
所述绝对误差定义为AE,AE的计算方法为:
所述绝对误差平均值定义为MAE,MAE的计算方法为:
所述绝对百分误差定义为APE,APE的计算方法为:
所述绝对百分误差平均值定义为MAPE,MAPE的计算方法为:
其中,是建筑负荷特征参数预测值,yi(t)是实际测量到的建筑负荷特征参数值;N是训练数据点的数量。
其中,选取的多种数据挖掘算法包括线性回归(LR)、支持向量机回归(SVM)、神经网络(NN)、分类与回归树(CART)、K最近邻(kNN)、随机森林(RF)和最小绝对收缩和选择算子(LASSO)。在实际应用中,可以尝试更为复杂的学习算法来进一步提高预测模型的准确性。
其中,构建能源消耗预测模型后,为实现对于建筑能源消耗的在线监控以识别异常能源消耗模式,对于每一个建筑负荷特征,需要基于残差分析建立统计控制图。控制图的构建方法如下:
S3.1:计算出训练数据集中每个点之间的残差、训练数据集的绝对百分误差平均值μTrain和标准差σTrain;
S3.2:计算得到μTrain和σTrain后,根据定义计算出中心线Centerline,将η取值为1,2,3,计算得到3条上控制限UCLs,分别代表Centerline+1*σ、Centerline+2*σ和Centerline+3*σ;
S3.3:筛选离群值并确定潜在异常能源消耗点,离群值是位于上控制限之外的点,而潜在异常能源消耗点是离群值中建筑负荷参数的实际测量值显著高于模型预测值的点;
S3.4:确定控制图的上控制限,即确定η的取值,为确定η的取值,需要进一步验证潜在的异常能源消耗点是否真正存在额外不必要的能源消耗现象,如果通过研究时间序列数据以及询问相关能源管理人员证实所有的潜在异常能源消耗点都发生了异常的能源消耗,那么意味着η的取值是恰当的;否则,该控制限可能过于灵敏以致于发送错误警报;
S3.5:确定η的取值后,就可以利用控制限监控建筑负荷特征。当能源消耗预测模型产生的建筑负荷特征预测值的残差位于上控制限之外,就意味着存在潜在的异常能源消耗情况。
所述μTrain计算方法为:
所述σTrain计算方法为:
所述UCLs计算方法为:UCLs=μTrain+ησTrain;
所述Centerline计算方法为:Centerline=μTrain;
其中是建筑负荷特征参数预测值,yi(t)是实际测量到的建筑负荷特征参数值;NTrain是训练数据点的数量;η是上控制限的倍数,取值为1,2,3。
本发明提出的能源异常消耗检测方法是新颖而独特的,因为它将点异常检测和语境异常检测相结合。不同于之前的检测方法直接预测能源的消耗值,并将预测值和实际测量值进行比较,本发明利用一组统计数据量化建筑负荷时间序列,提取建筑负荷特征,并且针对每一个负荷特征,本发明能够自由选择预测指标以及数据挖掘算法构建其最佳预测模型,然后利用成熟的统计控制图理论实现对于建筑负荷特征的实时监控,从而识别异常能源消耗模式。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (1)
1.一种检测建筑能源异常消耗的方法,其特征在于:具体包括以下步骤:
S1:对建筑负荷时间序列数据进行预处理,并用一组统计数据将其量化为建筑负荷特征;
S2:通过选择合适的数据挖掘算法和预测指标构建这些负荷特征的能源消耗预测模型,并运用历史数据集对这些模型进行训练和测试,基于预定义的评价指标从中选出最佳能源消耗预测模型;
S3:利用统计控制图理论对能源消耗预测模型的残差进行分析,对于每一个负荷特征,确定合适的上控制限,构建相应的控制图,运用控制图监控每日建筑的能源消耗情况,通过对比建筑负荷特征的预测值和实际观察值,识别异常能源消耗模式;
所述预测模型的构建方法如下:
S2.1:收集时间序列数据并对数据进行预处理;
S2.2、建立模型;
S2.3、选择最佳数据挖掘算法及预测指标;
在所述步骤S2.1中,所述收集时间序列数据并对数据进行预处理具体步骤为:
S2.1.1、从建筑智能化能源管理系统中提取相关参数集,包括建筑负荷时间序列数据、外部温度时间序列数据以及外部湿度时间序列数据,收集的时间序列数据设有时间间隔,采样频率为5分钟或10分钟;
S2.1.2、运用一组统计数据对收集的每日时间序列数据进行预处理,量化建筑能源消耗模式;
S2.1.3、对时间序列数据完成预处理后,生成训练数据表和测试数据表;
所述步骤S2.1.2中量化数据包括但不仅限于平均负荷、高负荷持续时间、上升时间、下降时间、最大负荷、最小负荷、平均温度和平均湿度;
在所述步骤S2.2中,所述建立模型构建方法为:采取分治策略,根据制冷季节、供暖季节和过渡季节将训练数据集分为三个子集,对于每一个建筑负荷特征,选用多种不同的数据挖掘算法基于训练数据子集构建相应的能源消耗预测模型;
所述能源消耗预测模型是用一组相关预测指标产生建筑负荷特征参数的预测值,包括预测平均负荷的能源消耗模型、预测高负荷持续时间的能源消耗模型、预测上升时间、下降时间的能源消耗模型,所述相关预测指标包括外部温度、外部湿度、建筑负荷特征的历史参数值以及相关节假日信息;
所述预测模型基于自回归公式表述为:
其中,,t为当前时间戳,其代表一个特定的日期,d为整数,其代表算法设定的最大时间步数;/>为预测模型的残差;
在所述步骤S2.3中,所述选择最佳数据挖掘算法及预测指标的构建方法如下:通过两个衡量指标,从中选取预测的数据挖掘算法和预测指标的组合构建能源消耗预测模型,
第一衡量指标,绝对误差平均值和绝对百分误差的平均值,其中,能源消耗预测模型预测的建筑负荷特征参数值与实际检测值之间差值的绝对值为绝对误差,绝对误差和实际检测值的绝对值之间的比值乘以百分百是绝对百分误差;
第二衡量指标,对于每一种数据挖掘算法,给定一组训练数据集,会对应一组构建预测模型的最佳预测指标,
所述绝对误差定义为AE,AE的计算方法为:;
所述绝对误差平均值定义为MAE,MAE的计算方法为:;
所述绝对百分误差定义为APE,APE的计算方法为:;
所述绝对百分误差平均值定义为MAPE,MAPE的计算方法为:
;
其中,是建筑负荷特征参数预测值,/>是实际测量到的建筑负荷特征参数值;N是训练数据点的数量;
所述控制图的构建方法如下:
S3.1:计算出训练数据集中每个点之间的残差、训练数据集的绝对百分误差平均值和标准差/>;
S3.2:计算得到和/>后,根据定义计算出中心线/>,将/>取值为1,2,3,计算得到3条上控制限/>,分别代表/>、/>和/>;
S3.3:筛选离群值并确定潜在异常能源消耗点,离群值是位于上控制限之外的点,而潜在异常能源消耗点是离群值中建筑负荷参数的实际测量值显著高于模型预测值的点;
S3.4:确定控制图的上控制限,即确定的取值,为确定/>的取值,需要进一步验证潜在的异常能源消耗点是否真正存在额外不必要的能源消耗现象,如果通过研究时间序列数据以及询问相关能源管理人员证实所有的潜在异常能源消耗点都发生了异常的能源消耗,那么意味着/>的取值是恰当的;否则,该控制限可能过于灵敏以致于发送错误警报;
S3.5:确定的取值后,就可以利用控制限监控建筑负荷特征,当能源消耗预测模型产生的建筑负荷特征预测值的残差位于上控制限之外,就意味着存在潜在的异常能源消耗情况;
在所述控制图的构建方法中,
所述计算方法为:/>;
所述计算方法为:/>;
所述计算方法为:/>;
所述计算方法为:/>;
其中是建筑负荷特征参数预测值,/>是实际测量到的建筑负荷特征参数值;是训练数据点的数量;/>是上控制限的倍数,取值为1,2,3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911292047.9A CN111161095B (zh) | 2019-12-16 | 2019-12-16 | 一种检测建筑能源异常消耗的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911292047.9A CN111161095B (zh) | 2019-12-16 | 2019-12-16 | 一种检测建筑能源异常消耗的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161095A CN111161095A (zh) | 2020-05-15 |
CN111161095B true CN111161095B (zh) | 2023-10-24 |
Family
ID=70557284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911292047.9A Active CN111161095B (zh) | 2019-12-16 | 2019-12-16 | 一种检测建筑能源异常消耗的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161095B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652417A (zh) * | 2020-05-25 | 2020-09-11 | 成都千嘉科技有限公司 | 一种远传抄表数据的自动校正方法与系统 |
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 |
CN113554361B (zh) * | 2021-09-22 | 2022-01-25 | 广东电网有限责任公司东莞供电局 | 一种综合能源系统数据处理计算方法及处理系统 |
CN113917263B (zh) * | 2021-10-09 | 2022-05-24 | 乐创达投资(广东)有限公司 | 一种基于预测数据的异常能耗二次监测的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187679A (zh) * | 2019-04-29 | 2019-08-30 | 新奥数能科技有限公司 | 一种scada系统的报警方法及装置 |
CN110298488A (zh) * | 2019-05-31 | 2019-10-01 | 武汉烽火富华电气有限责任公司 | 一种基于数据挖掘的能源数据分析方法及系统 |
-
2019
- 2019-12-16 CN CN201911292047.9A patent/CN111161095B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187679A (zh) * | 2019-04-29 | 2019-08-30 | 新奥数能科技有限公司 | 一种scada系统的报警方法及装置 |
CN110298488A (zh) * | 2019-05-31 | 2019-10-01 | 武汉烽火富华电气有限责任公司 | 一种基于数据挖掘的能源数据分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111161095A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161095B (zh) | 一种检测建筑能源异常消耗的方法 | |
Fan et al. | A framework for knowledge discovery in massive building automation data and its application in building diagnostics | |
CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
CN116796907A (zh) | 一种基于物联网的水环境动态监测系统及其方法 | |
CN109492777A (zh) | 一种基于机器学习算法平台的风电机组健康管理方法 | |
CN107644297B (zh) | 一种电机系统节能量计算和验证方法 | |
US20220414526A1 (en) | Intelligent fault detection system | |
CN109034191A (zh) | 基于elm的单维遥测数据异常判读方法 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
Qin et al. | IIoT-enabled health monitoring for integrated heat pump system using mixture slow feature analysis | |
TW202100900A (zh) | 液態氣體充填之智能化學習機制與自適應調節系統 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
CN117032120A (zh) | 集成一体式空压站智能云控制系统及控制方法 | |
CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
Himeur et al. | A two-stage energy anomaly detection for edge-based building internet of things (biot) applications | |
Kestelyn et al. | Towards a hybrid twin for infrastructure asset management: Investigation on power transformer asset maintenance management | |
CN114200839A (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
Markovic et al. | Time-series Anomaly Detection and Classification with Long Short-Term Memory Network on Industrial Manufacturing Systems | |
Fadli et al. | Unveiling Hidden Energy Anomalies: Harnessing Deep Learning to Optimize Energy Management in Sports Facilities | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
Chen et al. | A multimode anomaly detection method based on oc-elm for aircraft engine system | |
CN117082105B (zh) | 一种绿色智慧医院设施监控系统及方法 | |
Xu et al. | A Data Clustering and Machine Learning Based Approach to Measuring Urban Carbon Emissions | |
Saraswathi et al. | Comparative analysis of k-means and self organizing map clustering on boiler process data |
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 |