本发明专利技术提供一种自适应建筑能量消耗异常检测方法及系统，属于能源保护技术领域，包括：基于建筑本地能量消耗记录构建特征提取网络，训练获取本地特征提取网络参数，接收更新后的本地特征提取网络参数，基于更新后的本地特征提取网络参数更新特征提取网络；提取建筑本地能量消耗记录的深层特征，基于深层特征构建异常检测网络；训练获取异常检测网络模型参数，接收根据建筑活跃度更新的异常检测网络模型参数，输出能量消耗异常检测结果。本发明专利技术通过采用多协同分布式的本地计算终端和模型服务器对多个建筑能量异常消耗进行计算识别，在保护建筑内用户数据隐私安全的同时，有效解决数据无法协同导致的数据孤岛以及数据处理模型泛化能力较弱的问题。泛化能力较弱的问题。泛化能力较弱的问题。
【技术实现步骤摘要】
一种自适应建筑能量消耗异常检测方法及系统
[0001]本专利技术涉及能源保护
，尤其涉及一种自适应建筑能量消耗异常检测方法及系统。
技术介绍
[0002]随着社会发展，能源消耗日益增高，其中各种建筑物的能耗又占到了全球总体能耗的40％以上，其中的二氧化碳排放量更是高达30％以上，因此需要对建筑物的能耗进行定量系统的分析监测，以实现节能减排，减少资源浪费的目的。
[0003]而在现有的建筑能耗检测中，智能数据驱动的模数转换方法有了很大的发展，这些方法得到了物料网内传感器收集的大量数据的支持，机器学习和深度学习技术在能源异常检测领域取得了良好的应用效果。然而，在应用这些方法时仍存在不少的挑战和阻碍，限制其进行推广。其中，最大的问题就是各建筑中用户数据的隐私和安全问题，导致单个建筑个体很难依靠自身来收集足够的高质量数据来建立一个有效的异常检测模型，往往都是需要数据之间的交互和协同汇总来完成信息的交互，从而得到准确的测量信息，数据之间的汇总又需要遵守相关的数据隐私政策。在建筑场景中，特别在住宅中，许多用户是不愿意透露其个人隐私数据，同时现有的建筑能量消耗异常检测方案中，通常假设不同建筑的特征数据处于同一分布状况，这种假设往往导致不理想的检测结果，因为同一模型部署在不同的建筑中，甚至比使用单体建筑数据的结果更不理想。
[0004]因此，针对现有的建筑能量消耗异常检测的局限性，需要提出新的检测方法。
技术实现思路
[0005]本专利技术提供一种自适应建筑能量消耗异常检测方法及系统，用以解决现有技术中针对建筑能量消耗异常检测通常由于数据之间的孤立性导致的数据孤岛，以及数据处理模型泛化能力弱使得检测结果不够理想的缺陷。
[0006]第一方面，本专利技术提供一种自适应建筑能量消耗异常检测方法，包括：
[0007]获取建筑本地能量消耗记录，基于所述建筑本地能量消耗记录构建特征提取网络；
[0008]训练所述特征提取网络，获取本地特征提取网络参数，将所述本地特征提取网络参数发送至模型服务器；
[0009]接收所述模型服务器更新后的本地特征提取网络参数，基于所述更新后的本地特征提取网络参数更新所述特征提取网络；
[0010]提取所述建筑本地能量消耗记录的深层特征，基于所述深层特征构建异常检测网络；
[0011]训练所述异常检测网络，获取异常检测网络模型参数，将所述异常检测网络模型参数发送至所述模型服务器；
[0012]接收所述模型服务器根据建筑活跃度更新的异常检测网络模型参数，输出能量消
耗异常检测结果。
[0013]根据本专利技术提供的一种自适应建筑能量消耗异常检测方法，所述获取建筑本地能量消耗记录，基于所述建筑本地能量消耗记录构建特征提取网络，包括：
[0014]根据建筑物数量、本地能量消耗特征中任一原始特征、本地能量消耗任一异常标签和任一建筑记录数构建所述特征提取网络；
[0015]确定所述特征提取网络包括特征编码器和特征解码器，所述特征编码器将第一线性层和第一激活函数层，分别与第二线性层和第三线性层进行连接，生成特征均值和特征方差，利用预设采样因子对所述特征均值和特征方差进行采样，得到所述深层特征。
[0016]根据本专利技术提供的一种自适应建筑能量消耗异常检测方法，所述训练所述特征提取网络，获取本地特征提取网络参数，将所述本地特征提取网络参数发送至模型服务器，包括：
[0017]采用模拟退火算法训练所述特征提取网络，基于本地能量消耗特征中任一原始特征、本地能量消耗特征中任一原始特征复原数据和任一建筑记录数构建均方误差损失函数，利用所述均方误差损失函数和特征方差以及特征均值形成的优化特征提取网络参数损失函数，对所述特征提取网络进行收敛，得到所述本地特征提取网络参数；
[0018]采用同态加密技术对所述本地特征提取网络参数加密得到加密的本地特征提取网络参数，发送所述加密的本地特征提取网络参数至所述模型服务器。
[0019]根据本专利技术提供的一种自适应建筑能量消耗异常检测方法，所述提取所述建筑本地能量消耗记录的深层特征，基于所述深层特征构建异常检测网络，包括：
[0020]采用所述特征提取网络中的特征解码器提取所述深层特征；
[0021]确定所述异常检测网络由第一卷积层、第一池化层、第二卷积层、第二池化层、批归一化层和全连接层依次连接所获得。
[0022]根据本专利技术提供的一种自适应建筑能量消耗异常检测方法，所述训练所述异常检测网络，获取异常检测网络模型参数，将所述异常检测网络模型参数发送至所述模型服务器，包括：
[0023]采用模拟退火算法训练所述异常检测网络，基于本地能量消耗任一异常标签、本地能量消耗任一网络输出预测标记和任一建筑记录数构建交叉熵损失函数，利用所述交叉熵损失函数形成的优化异常检测网络参数损失函数，对所述异常检测网络进行收敛，得到所述异常检测网络模型参数；
[0024]采用同态加密技术对所述异常检测网络模型参数加密得到加密的异常检测网络模型参数，发送所述加密的异常检测网络模型参数至所述模型服务器。
[0025]第二方面，本专利技术还提供一种自适应建筑能量消耗异常检测方法，包括：
[0026]待本地计算终端生成本地特征提取网络参数，接收所述本地特征提取网络参数；
[0027]对所述本地特征提取网络参数进行加权处理得到更新后的本地特征提取网络参数，发送所述更新后的本地特征提取网络参数至所述本地计算终端；
[0028]待所述本地计算终端生成异常检测网络模型参数，接收所述异常检测网络模型参数；
[0029]根据建筑活跃度更新所述异常检测网络模型参数，生成更新的异常检测网络模型参数，将所述更新的异常检测网络模型参数发送至所述本地计算终端，以供所述本地计算
终端输出能量消耗异常检测结果。
[0030]根据本专利技术提供的一种自适应建筑能量消耗异常检测方法，所述对所述本地特征提取网络参数进行加权处理得到更新后的本地特征提取网络参数，包括：
[0031]基于任一本地计算终端的本地特征提取网络参数和建筑物数量，对所述本地特征提取网络参数进行加权处理，得到初始本地特征提取网络参数；
[0032]重复执行直到满足预设迭代次数，获得所述更新后的本地特征提取网络参数。
[0033]根据本专利技术提供的一种自适应建筑能量消耗异常检测方法，所述根据建筑活跃度更新所述异常检测网络模型参数，生成更新的异常检测网络模型参数，包括：
[0034]确定建筑集合，在所述建筑集合中确定取建筑物数量对数为待计算建筑数量，确定任一本地异常检测网络批归一化层特征向量、任一本地异常检测网络批归一化层特征转置向量和特征向量维度，得到本地特征提取网络特征之间相似度；
[0035]由所述本地特征提取网络特征之间相似度和所述建筑物数量得到建筑物活跃指数；
[0036]对所述建筑物活跃指数进行降序排列，提取前预设个数的建筑物活跃指数对应的建筑构成活跃本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种自适应建筑能量消耗异常检测方法，应用于本地计算终端，其特征在于，包括：获取建筑本地能量消耗记录，基于所述建筑本地能量消耗记录构建特征提取网络；训练所述特征提取网络，获取本地特征提取网络参数，将所述本地特征提取网络参数发送至模型服务器；接收所述模型服务器更新后的本地特征提取网络参数，基于所述更新后的本地特征提取网络参数更新所述特征提取网络；提取所述建筑本地能量消耗记录的深层特征，基于所述深层特征构建异常检测网络；训练所述异常检测网络，获取异常检测网络模型参数，将所述异常检测网络模型参数发送至所述模型服务器；接收所述模型服务器根据建筑活跃度更新的异常检测网络模型参数，输出能量消耗异常检测结果。2.根据权利要求1所述的自适应建筑能量消耗异常检测方法，其特征在于，所述获取建筑本地能量消耗记录，基于所述建筑本地能量消耗记录构建特征提取网络，包括：根据建筑物数量、本地能量消耗特征中任一原始特征、本地能量消耗任一异常标签和任一建筑记录数构建所述特征提取网络；确定所述特征提取网络包括特征编码器和特征解码器，所述特征编码器将第一线性层和第一激活函数层，分别与第二线性层和第三线性层进行连接，生成特征均值和特征方差，利用预设采样因子对所述特征均值和特征方差进行采样，得到所述深层特征。3.根据权利要求1所述的自适应建筑能量消耗异常检测方法，其特征在于，所述训练所述特征提取网络，获取本地特征提取网络参数，将所述本地特征提取网络参数发送至模型服务器，包括：采用模拟退火算法训练所述特征提取网络，基于本地能量消耗特征中任一原始特征、本地能量消耗特征中任一原始特征复原数据和任一建筑记录数构建均方误差损失函数，利用所述均方误差损失函数和特征方差以及特征均值形成的优化特征提取网络参数损失函数，对所述特征提取网络进行收敛，得到所述本地特征提取网络参数；采用同态加密技术对所述本地特征提取网络参数加密得到加密的本地特征提取网络参数，发送所述加密的本地特征提取网络参数至所述模型服务器。4.根据权利要求1所述的自适应建筑能量消耗异常检测方法，其特征在于，所述提取所述建筑本地能量消耗记录的深层特征，基于所述深层特征构建异常检测网络，包括：采用所述特征提取网络中的特征解码器提取所述深层特征；确定所述异常检测网络由第一卷积层、第一池化层、第二卷积层、第二池化层、批归一化层和全连接层依次连接所获得。5.根据权利要求1所述的自适应建筑能量消耗异常检测方法，其特征在于，所述训练所述异常检测网络，获取异常检测网络模型参数，将所述异常检测网络模型参数发送至所述模型服务器，包括：采用模拟退火算法训练所述异常检测网络，基于本地能量消耗任一异常标签、本地能量消耗任一网络输出预测标记和任一建筑记录数构建交叉熵损失函数，利用所述交叉熵损失函数形成的优化异常检测网络参数损失函数，对所述异常检测网络进行收敛，得到所述异常检测网络模型参数；
采用同态加密技术对所述异常检测网络模型参数加密得到加密的异常检测网络模型参数，发送所述加密的异常检测网络模型参数至所述模型服务器。6.一种自适应建筑能量消耗异常检测方法，应用于模型服务器，其特征在于，包括：待本地计算终端生成本地特征提取网络参数，接收所述本地特征提取网络参数；对所述本地特征提取网络参数进行加权处理得到更新后的本地特征提取网络参数，发送所述更新后的本地特征提取网络参数至所述本地计算终...
【专利技术属性】
技术研发人员：许贤泽，施元，徐逢秋，
申请(专利权)人：武汉大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。