【技术实现步骤摘要】
基于联合误差堆叠模型的电力回路能耗检测方法及设备
[0001]本专利技术属于电力回路能耗检测
，尤其涉及基于联合误差堆叠模型的电力回路能耗检测方法及设备
。
技术介绍
[0002]电力回路能耗监测系统：电力回路能耗监测对于建筑物能耗管控和用电安全都具有重大意义，回路异常能耗检测主要针对电力回路的异常用电状态进行检测，除了用电设备自身的能耗极值异常之外，还包括用电设备的非必要能耗，比如室内照明回路的夜间持续能耗
、
办公回路下班时期的持续能耗等，这些都造成了建筑的能耗浪费现象，严重的异常能耗甚至可能会导致安全事故的发生，电力回路异常用电状态的异常能耗进行检测，不仅可以在一定程度上实现用电器的精准节能，还能延长电力回路的物理使用寿命，减少灾害发生的可能性，提高公共建筑的能耗管控能力以及用电安全性
。
[0003]电力回路异常能耗的检测属于时间序列异常检测
，常见的时序异常检测方法大多从数据分布中寻找异常，忽略了数据的个性特点和业务波动，难以兼顾数据特征和全局分布规律，其大多只能...
【技术保护点】
【技术特征摘要】
1.
一种基于联合误差堆叠模型的电力回路异常能耗检测方法，其特征在于，包括：收集数据并进行预处理；构建标准的以小时为间隔的回路能耗时序数据；构建多变量能耗预测网络，利用能耗历史数据单点预测待检测时刻的回路小时能耗数值；构建对抗自编码器重构模型，对能耗时序数据的全局分布规律进行学习，重构待检测时序窗口；根据预测值计算预测误差，利用重构时序窗口计算小时能耗重构误差并联合训练
OCSVM
单分类器；将待检测时刻能耗的预测误差和重构误差输入训练好的
OCSVM
单分类器中进行回路异常能耗检测
。2.
根据权利要求1所述基于联合误差堆叠模型的电力回路异常能耗检测方法，其特征在于，所述构建标准的以小时为间隔的回路能耗时序数据包括以下步骤：利用
python
对能耗监测平台中储存的历史能耗数据进行收集预处理，从检测日期开始往前拉取两年共
24
个月的历史小时能耗数据，并按照能耗记录时间
、
小时能耗数值的方式转化为标准的能耗时序数据，对于能耗时序中的缺失部分，利用前后临近两天非空的同小时能耗数据的均值进行初步的缺失填充，构建为标准的以小时为间隔的回路能耗时序数据
。3.
根据权利要求1所述基于联合误差堆叠模型的电力回路异常能耗检测方法，其特征在于，所述能耗历史数据单点预测待检测时刻的回路小时能耗数值包括以下步骤：
S2.1.
分别对日期特征
、
节假日特征和天气特征进行构造；日期特征包括年
、
月
、
日
、
季节
、
星期和小时；节假日特征包括是否节假日和是否工作日，利用记录的时间戳对日期特征和节假日特征进行构造；天气特征包括最高温
、
最低温
、
湿度
、
天气
、
污染指数和风力；将
S2.1
构造的多变量影响特征与构建的标准小时能耗时序数据进行拼接作为多变量能耗预测网络的训练数据；
S2.2.
利用
LSTM
网络作为多变量能耗预测网络的基础网络，在其基础上构建双层双向的
LSTM
能耗预测网络；将
S2.1
得到的多变量特征的能耗时序数据利用时序窗口进行划分，将每一个预测样本转变为含有历史数据的二维矩阵；在网络的构建过程中，将划分的二维矩阵时序窗口数据输入到第一层双向的
LSTM
神经网络中，并将其输出作为第二层双向
LSTM
神经网络的输入，利用最终输出的隐层状态作为小时能耗预测的特征向量，通过全连接网络输出最终的预测值；
S2.3.
对多变量能耗预测网络进行训练；将训练集和验证集中的异常能耗数据进行标准修正，利用缺失填充算法将其模拟为正常能耗小时时序数据，测试集中的数据保持不变；在模型训练之前设置对应的超参数，设置滑动窗口的大小对原始数据集进行分割
、
设置
LSTM
神经网路输入层的时间步和特征维度
、
设置每层
LSTM
神经网络的神经元数量，双向的神经元数量一致
、
设置模型训练的优化器
、
批处理大小
、
优化器以及损失函数；损失函数选择
MSE
；观察训练集和验证集的误差
loss
下降曲线，当验证集
loss
不再下降时停止模型训练，保留模型参数
。4.
根据权利要求1所述基于联合误差堆叠模型的电力回路异常能耗检测方法，其特征在于，所述构建对抗自编码器重构模型，对能耗时序的分布规律进行学习，重构待检测时序
窗口；包括以下步骤：
S3.1.
训练数据预处理；定义回路能耗时序
X
＝
{x1,x2,
…
,x
n
|x
...
【专利技术属性】
技术研发人员：余伟，李凌威，李石君，余放，杨俊成，
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。