基于GMM、Elman神经网络和KNN的建筑能耗集体异常检测方法技术

本发明专利技术公开了一种基于GMM、Elman神经网络和KNN的建筑能耗集体异常检测方法，包括以下步骤，(1)通过建筑能耗检测平台收集能耗数据进行集体异常检测；(2)利用软件对历史能耗数据进行模型聚类分析；(3)根据历史能耗聚类结果，对Elman神经网络进行训练，构建实时能耗数据识别匹配机制；(4)当能耗数据序列达到最小检测序列后，应用动态时间规整算法将时间序列转换为点异常检测；(5)应用K最近邻算法对时间序列进行异常检测，对历史能耗数据集进行动态更新，输出标记异常时间序列。本发明专利技术可解决在能耗异常检测中对集体异常情况检测能力不强及实用性不强的问题，为建筑能耗集体异常情况提供了的一种新的检测方法。提供了的一种新的检测方法。提供了的一种新的检测方法。

【技术实现步骤摘要】
基于GMM、Elman神经网络和KNN的建筑能耗集体异常检测方法


[0001]本专利技术属于建筑能耗异常检测
，具体涉及一种基于GMM、Elman神经网络和KNN(也称KNN算法)的建筑能耗集体异常检测方法。

技术介绍

[0002]建筑行业是全球主要的能源消费行业，全球约有40％左右的能源被建筑所消耗，建筑物在全生命周期内的二氧化碳排放量占据了全球排放总量的30％以上。但在建筑行业所消耗的大量能源消耗中，建筑运行过程中蕴含着极大的节能潜力。随着科技的发展，建筑能源管理系统(BEMS)已经成为现代建筑的重要组成部分，负责在保持居住者舒适度的同时最大限度地降低能耗。而在监测和记录用电量的过程中，会因为各种因素导致能耗数据异常，运营人员若能及时发现建筑中的异常能耗，对于节约运营成本、减少碳排放、保持建筑系统的稳定性、安全性具有重要意义。
[0003]异常检测是发现异常能耗的最重要方法之一，该技术用于识别大数据量中的异常模式。通常情况下，可根据异常类型分为三种情况：点异常(point anomalies)、上下文异常(contextual anomalies)和集体异常(collective anomalies)。点异常情况也可称为全局异常，即能耗数据点与全局大多数的能耗数据有明显的区别；上下文异常多为时间序列异常，即能耗数据在某个时间点的前后时间段存在较大的差异；集体异常是由多个能耗点或多条序列构成的异常情况，单独的分析能耗数据或序列是正常能耗，但是从整体能耗趋势进行分析为异常情况。而已有的建筑异常检测技术中多集中于能耗点异常检测，检测结果精确，但在点异常检测技术在处理处理时间序列和集体异常情况中存在明显不足。鉴于此，本文基于GMM、Elman神经网络和KNN专利技术一种建筑能耗集体异常检测方法，以便实现对能耗异常情况更精准有效地异常检测。

技术实现思路

[0004]为了实现对建筑能耗时间序列集体异常的检测，本专利技术旨在提供一种精准客观和具有实际应用的基于GMM、Elman神经网络和KNN建筑能耗集体异常检测方法，以便改善以往建筑异常能耗检测技术对异常情况进行实际检测过程中的应用局限性。
[0005]为了实现以上技术目的，本专利技术采用以下技术方案：
[0006]基于GMM、Elman神经网络和KNN的建筑能耗集体异常检测方法，包括以下步骤：
[0007]步骤一：通过建筑能耗检测平台收集能耗数据进行集体异常检测；
[0008]步骤二：利用软件对历史能耗数据进行模型聚类分析，实现对建筑能耗历史数据分类；
[0009]步骤三：根据历史能耗聚类结果，对Elman神经网络进行训练，构建实时能耗数据识别匹配机制，将相似能耗模式的数据匹配到同一类别中进行集体异常检测；
[0010]步骤四：当能耗数据序列达到最小检测序列后，应用动态时间规整算法将时间序列转换为点异常检测，对该时间序列进行集体异常检测，判断是否存在集体异常情况；
[0011]步骤五：应用K最近邻算法对时间序列进行异常检测，根据检测结果，对历史能耗数据集进行动态更新，输出标记异常时间序列。
[0012]进一步地，步骤二中所述软件为Matlab软件。
[0013]进一步地，步骤二中所述模型为高斯混合模型。
[0014]进一步地，所述高斯混合模型是通过计算每个样本属于每个聚类的概率，将能耗数据划分到较高的概率的某一类中；对于n个能耗数据X＝{x1,x2…
,x
n
}中，样本的分布由K个具有高斯分布构成，对于每个高斯分布看成为一个簇，通过计算概率模型p(Y|X)，将每个高斯分布进行组合，构成高斯混合模型概率密度函数：
[0015][0016]式中：K是高斯分布的个数；μ
k
为第k类能耗数据的均值；θ
k
表示第k类的权重系数，含义为能耗数据属于该类的概率且∑θ
k
＝1；σ
k
表示第k类的标准差，K(x|μ
k
,∑
k
)表示为第k个高斯分布。
[0017]进一步地，步骤三中所述Elman神经网络是一种对BP神经网络进行改进的动态型神经网络，其网络结构为四层：输入层、隐含层、承接层、输出层。
[0018]进一步地，所述隐含层输出向量为：
[0019]z(x)＝f(ω1u(x
‑
1)+ω2z
c
(x)+b1)
[0020]z
c
(x)＝z(x
‑
1)
[0021]y(x)＝g(ω3z(x)+b2)
[0022]式中，y(x)为输出向量；g()为输出神经元的传递函数；f()为Sigmoid函数；u(x
‑
1)为输入向量集；z
c
(x)为承接层的输出向量；z
c
(x)为反馈状态向量；ω1为输入层与隐含层之间的权值矩阵；ω2为承接层与隐含层之间的权值矩阵；ω3为隐含层与输出层之间的权值矩阵；b1为隐含层的阈值向量；b2为输出层的阈值向量。
[0023]进一步地，步骤四中所述时间序列采用DTW距离进行求解，将能耗时间序列距离转化为能耗点距离进行求解异常情况。
[0024]进一步地，DTW距离进行求解是将不同长度的时间序列进行距离计算，对于两个时间序列可分为两个步骤：
[0025]Step1：计算之间各能耗点之间的欧氏距离，得到矩阵n
×
m大小的距离矩阵M，矩阵元素其中采用欧氏距离进行计算；
[0026]Step2：寻找距离矩阵M从m
11
到m
ij
的最短路径，即为DTW距离；
[0027]两条序列之间经过用动态规整后的最短距离的DTW距离，其公式如下：
[0028]D
tw
(i,j)＝M(i,j)+min(M(i
‑
1,j
‑
1),M(i,j
‑
1),M(i
‑
1,j))
[0029]其中，i∈[2:n],j∈[2:m]；D
tw
(i,j)表示为X1中长度为i的时间序列与X2中长度为j的时间序列之间的DTW距离，是两条不同长度的时间序列经过用动态时间规整后的最短距离；M(i,j)表示为时间序列X1中第i个能耗点与时间序列X2中第j个能耗点之间的欧氏距离；min(M(i
‑
1,j
‑
1),M(i,j
‑
1),M(i
‑
1,j))表示为第i行第j列能耗点，三个方向内最短的距离。
[0030]进一步地，步骤五中所述应用K最近邻算法是依次计算每个能耗点与其相近的K个
能耗数据平均距离，通过设定阈值来进行异常检测，获得集体异常检测结果。
[0031]进一步地，根据所述集体异常检测结果，对历史能耗数据集进行动态更新，将正常时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于GMM、Elman神经网络和KNN的建筑能耗集体异常检测方法，其特征在于，包括以下步骤：步骤一：通过建筑能耗检测平台收集能耗数据进行集体异常检测；步骤二：利用软件对历史能耗数据进行模型聚类分析，实现对建筑能耗历史数据分类；步骤三：根据历史能耗聚类结果，对Elman神经网络进行训练，构建实时能耗数据识别匹配机制，将相似能耗模式的数据匹配到同一类别中进行集体异常检测；步骤四：当能耗数据序列达到最小检测序列后，应用动态时间规整算法将时间序列转换为点异常检测，对该时间序列进行集体异常检测，判断是否存在集体异常情况；步骤五：应用K最近邻算法对时间序列进行异常检测，根据检测结果，对历史能耗数据集进行动态更新，输出标记异常时间序列。2.根据权利要求1所述的基于GMM、Elman神经网络和KNN的建筑能耗集体异常检测方法，其特征在于，步骤二中所述软件为Matlab软件。3.根据权利要求1所述的基于GMM、Elman神经网络和KNN的建筑能耗集体异常检测方法，其特征在于，步骤二中所述模型为高斯混合模型。4.根据权利要求3所述的基于GMM、Elman神经网络和KNN的建筑能耗集体异常检测方法，其特征在于，所述高斯混合模型是通过计算每个样本属于每个聚类的概率，将能耗数据划分到较高的概率的某一类中；对于n个能耗数据X＝{x1,x2…
,x
n
}中，样本的分布由K个具有高斯分布构成，对于每个高斯分布看成为一个簇，通过计算概率模型p(Y|X)，将每个高斯分布进行组合，构成高斯混合模型概率密度函数：式中：K是高斯分布的个数；μ
k
为第k类能耗数据的均值；θ
k
表示第k类的权重系数，含义为能耗数据属于该类的概率且∑θ
k
＝1；σ
k
表示第k类的标准差，K(x|μ
k
,∑
k
)表示为第k个高斯分布。5.根据权利要求1所述的基于GMM、Elman神经网络和KNN的建筑能耗集体异常检测方法，其特征在于，步骤三中所述Elman神经网络是一种对BP神经网络进行改进的动态型神经网络，其网络结构为四层：输入层、隐含层、承接层、输出层。6.根据权利要求5所述的基于GMM、Elman神经网络和KNN的建筑能耗集体异常检测方法，其特征在于，所述隐含层输出向量为：z(x)＝f(ω1u(x
‑
1)+ω2z
c
(x)+b1)z
c
(x)＝z(x
‑
1)y(x)＝g(ω3z(x)+b2)式中，y(x)为输出向量；g()为输出神经元的传递函数；f()为Sigm...

【专利技术属性】
技术研发人员：雷蕾，郭雪松，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：