一种检测建筑能源异常消耗的方法技术

本发明专利技术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。

A method to detect the abnormal consumption of building energy

【技术实现步骤摘要】
一种检测建筑能源异常消耗的方法
本专利技术涉及建筑节能行业
，具体为一种检测建筑能源异常消耗的方法。
技术介绍
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，本专利技术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。
技术实现思路
本专利技术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
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：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σT计算方法为：所述UCLs计算方法为：UCLs＝μTrain+ησTrain；所述Center本文档来自技高网...

【技术保护点】
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：/nS1：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；/nS2：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；/nS3：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。/n

【技术特征摘要】
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：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。


2.根据权利要求1所述的一种检测建筑能源异常消耗的方法，其特征在于：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。


3.根据权利要求2所述的一种检测建筑能源异常消耗的方法，其特征在于：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。


4.根据权利要求3所述的一种检测建筑能源异常消耗的方法，其特征在于：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。


5.根据权利要求4所述的一种检测建筑能源异常消耗的方法，其特征在于：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。


6.根据权利要求5所述的一种检测建筑能源异常消耗的方法，其特征在于：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。


7.根据权利要求6所述的一种检测建筑能源异常消耗的方法，其特征在于：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...

【专利技术属性】
技术研发人员：宋哲，
申请(专利权)人：南京松数科技有限公司，
类型：发明
国别省市：江苏;32