一种电梯异常能耗的识别与报警方法技术

本发明专利技术公开一种电梯异常能耗的识别与报警方法，包括如下步骤：将训练数据集输入LSTM神经网络进行训练和测试，输出训练好的预测模型和预测误差；通过预测误差对电梯能耗异常数据进行初步筛选，在此基础上识别0数据，采用k

【技术实现步骤摘要】
一种电梯异常能耗的识别与报警方法


[0001]本专利技术涉及电梯检测
，尤其涉及一种电梯异常能耗的识别与报警方法。

技术介绍

[0002]由于电梯运行系统的复杂性，实际用能具有段波动性和未知性的特点。由于该问题的存在，能耗报警的实现变得极为困难。针对这一问题，目前采用解决能耗异常识别与报警的策略主要通过基于统计学方法和基于数据挖掘方法：
[0003](1)基于统计学方法
[0004]基于统计学的基本原理是，将预处理后的样本通过数学分布方法近似拟合，然后利用统计推理判断目标数据是否偏离分布区间，根据分布区域的不一致性识别异常。
[0005](2)基于数据挖掘的方法
[0006]数据挖掘的方法中有聚类分析、分类识别和最邻近分析。聚类分析方法的实质是通过无监督分析法对样本进行近似分隔，区分成若干分类项，而异常数据的识别则通过异于已知分类项的方法，其原理是通过数据到最近聚类中心点的距离值来判定是否超出聚类范围。常见的方法有模糊C均值聚类。
[0007]上述方法在本质上是对数据波动特性的分析，能耗报警的研究多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电梯异常能耗的识别与报警方法，其特征在于，包括如下步骤：步骤S1，获取训练数据集，所述训练数据集包括电梯历史能耗数据；步骤S2，将训练数据集输入LSTM神经网络进行训练和测试，直至满足预设要求，输出训练好的预测模型和预测误差；步骤S3，将当前实际采集数据输入训练好的预测模型进行预测，获取预测曲线以及预测数据集；步骤S4，判断下一时刻实际采集的电梯能耗数据是否为0数据或null数据，若是，则确定下一时刻实际采集的电梯能耗数据为0数据异常数据并记录；若否，则转入步骤S5；步骤S5，判断下一时刻实际采集的电梯能耗数据与预测数据集中对应预测数据的差值的绝对值是否大于预测误差，若是，则转入步骤S6；若否，则转入步骤S7；步骤S6，采用k
‑
means聚类和CART算法确定下一时刻实际采集的电梯能耗数据所处的能耗模式，并判断下一时刻实际采集的电梯能耗数据是否当前能耗模式下的用能异常数据，若是，则确定下一时刻实际采集的电梯能耗数据为用能异常数据并记录，若否，则转入步骤S7；步骤S7，判定对下一时刻实际采集的电梯能耗数据是否满足预设的突变规则，若是，则确定下一时刻实际采集的电梯能耗数据为突变数据并记录，若否，则确定下一时刻实际采集的电梯能耗数据为正常数据。2.根据权利要求1所述的一种电梯异常能耗的识别与报警方法，其特征在于，获取电梯历史能耗数据并进行预处理，通过滑动窗口法分割处理后的电梯历史能耗数据形成训练数据集。3.根据权利要求1所述的一种电梯异常能耗的识别与报警方法，其特征在于，所述预测误差为训练数据集的MAE数值的二分之一。4.根据权利要求1所述的一种电梯异常能耗的识别与报警方法，其特征在于，采用k
‑
means聚类和CART算法确定下一时刻实际采集的电梯能耗数据所处的能耗模式，具体包括如下步骤：基于k
‑
means聚类对历史电梯能耗数据集进行聚类分析，识别不同的能耗模式；基于CART算法构建分类模型，通过分类模型对采集的电梯能耗数据进行能耗模式判定。5.根据权利要求4所述的一种电梯异常能耗的识别与报警方法，其特征在于，判断下一时刻实际采集的电梯能耗数据是否当前能耗模式下的用能异常数据，具体包括如下步骤：获取聚类分析过程中，下一时刻实际采集的电梯能耗数据所处的能耗模式的聚类中心和数据点分布；将下一时刻实际采集的电梯能耗数据所处的能耗模式聚类下最远的数据点与聚类中心点做差，所计算的差值的绝对值作为对应的能耗模式下最大聚类范围，判定下一时刻实际采集的电梯能耗数据Di与聚类中心点Cm做差的绝对值是否超过所述最大聚类范围Rm。6.根据权利要求1所述的一种电梯异常能耗的识别与报警方法，其特征在于，所述预设的突变规则，包括：设定规则1：P
i
‑1，P
i
，P
i+1
为预测曲线中三个连续数值，T
i
‑1，T
i
，T
i+1
为连续的实际采集数据，当存在P
i
‑1<P
i
<P
i+1
或者P
i
‑1>P
i
>P
i+1
的情况，如果有：
T
i
>P
i or T
i
<P
i
则视为T
i
为能耗突变数据；设定规则2：P
i
‑1，P
i
，P
i+1
为预测曲线中三个连续数值，T
i
‑1，T
...

【专利技术属性】
技术研发人员：熊语欣，马培龙，冯广辉，
申请(专利权)人：佳源科技股份有限公司，
类型：发明
国别省市：