一种结合高校建筑结构特征的实时能耗异常检测方法技术

本发明专利技术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。本发明专利技术采用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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术属于实时异常检测
，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。
技术介绍
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。
技术实现思路
本专利技术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，Inverse Gaussian 分布的概率密度公式为： （1）（2）最大似然估计得到Inverse Gaussian 分布的参数μk和λk，如下所示： （2） （3）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，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，领域如下所示： （4）（4）找出数据集中核心对象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，本专利技术采用经典的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，本专利技术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，本专利技术采用批量的方式。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，本专利技术采用批量式地增量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。插入或本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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。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： （1）（2）最大似然估计得到Inverse Gaussian 分布的参数μk和λk，如下所示： （2） （3）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，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，领域如下所示： （4）（4）找出数据集中核心对象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和邻域求得噪声，直到噪声小于MinPts时的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。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...

【专利技术属性】
技术研发人员：卢暾，江航，顾寒苏，丁向华，顾宁，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海;31