【技术实现步骤摘要】
本专利技术涉及一种城市能耗异常检测，特别是关于一种城市建筑异常能耗检测与优化的方法、系统、介质及设备。
技术介绍
1、碳达峰碳中和是全球应对气候变化的重要举措。然而，建筑能耗的不断增长与双碳目标的实施相矛盾。建筑能源消耗约占全球能源消耗的40％，建筑运行相关碳排放超过了全球碳排放的30％，其中商业建筑主要是办公楼和大学建筑在能源的使用和消耗方面占有很大的比重。
2、建筑中的耗能设备故障、操作错误或能源系统不稳定等，不仅会影响建筑的舒适性和运行效率，还会进一步致使能耗和碳排放增加，对环境可持续性产生负面影响。因此，构建智能化的能耗异常检测和优化体系是节能减排的关键一环。
技术实现思路
1、针对上述问题，本专利技术的目的是提供一种城市建筑异常能耗检测与优化的方法、系统、介质及设备，其能有效提高异常能耗检测准确率。
2、为实现上述目的，第一方面，本专利技术采取的技术方案为：一种城市建筑异常能耗检测与优化的方法，其包括：采用三个无监督模型作为基学习器，将获取的待检测能耗数据集预处理后输入基学习器进行异常数据分类；其中，三个无监督模型包括：基于统计的hbos、基于机器学习的iforest和基于深度学习的emd-lstm；将各个基学习器分类判定的处于离群和正常边缘的数据合并后，输入llm进行标记，将llm标记的数据与各基学习器输出的数据合并为标记数据集；采用标记数据集训练xgboost二元分类模型，将待检测的能耗数据集输入训练好的xgboost二元分类模型，得到最终的能
3、进一步，将获取的能耗数据集预处理后输入基学习器进行异常数据分类，包括：
4、通过分析对比三个不同的无监督基学习器对无标签的待检测能耗数据集进行数据标记；
5、根据各个基学习器的输出检测数据集s1、s2、s3，采用多数投票算法生成一个带标记的数据集p1。
6、进一步，采用多数投票算法生成一个带标记的数据集p1，包括：
7、将各基学习器输出的检测数据集s1～s3拆分为离群数据集sa1～sa3和正常数据集sn1～sn3；
8、对离群数据集sa1～sa3进行多数投票，将在一半以上数据集中出现的，作为训练用的离群数据集a’；
9、从正常数据集sn1～sn3的交集中进行随机抽样，作为训练用的正常数据集n’；
10、将离群数据集a’和正常数据集n’合并为带标记的数据集p1。
11、进一步，将各个基学习器分类判定的处于离群和正常边缘的数据合并后，输入llm进行标记，包括：采用chatgpt将各基学习器判定的处于异常和正常边界的数据样本进行标记，产生完成标记的数据集p2。
12、进一步，采用chatgpt将各基学习器判定的处于异常和正常边界的数据样本进行标记，包括：
13、从各基学习器输出的检测数据集s1～s3中，根据各基学习器的评分，获取处于离群和正常边界的离群数据和正常数据，则从检测数据集s1～s3中得到待标注离群数据集a1～a3和待标注的正常数据集n1～n3；
14、将待标注离群数据集a1～a3和待标注的正常数据集n1～n3分别合并去重后，得待标注离群数据集a和待标注的正常数据集n；
15、在待标注离群数据集a和待标注的正常数据集n中重复的数据，从待标注的正常数据集n中删除；
16、将待标注离群数据集a和删除重复数据后的待标注的正常数据集n传输至chatgpt进行标注；
17、将标注后的离群数据集a和正常数据集n合并为带标记的数据集p2。
18、进一步，chatgpt标注，包括：
19、数据处理：将待标注离群数据集a和删除重复数据后的待标注的正常数据集n转换成json格式；
20、提示词构建：提示词采用<背景描述>+<任务设置>+<输出设置>+<few shot>的结构，并用四元组(p，q，s，z)表示，其中p表示背景描述，q表示任务设置，s表示输出设置，z表示few shot；
21、响应输出：chatgpt按设定格式输出结果。
22、进一步，采用shap与反事实解释方法对模型检测出的异常能耗数据进行细粒度分析和优化。
23、第二方面，本专利技术采取的技术方案为：一种城市建筑异常能耗检测与优化的系统，其包括：第一处理模块，采用三个无监督模型作为基学习器，将获取的待检测能耗数据集预处理后输入基学习器进行异常数据分类；其中，三个无监督模型包括：基于统计的hbos、基于机器学习的iforest和基于深度学习的emd-lstm；第二处理模块，将各个基学习器分类判定的处于离群和正常边缘的数据合并后，输入llm进行标记，将llm标记的数据与各基学习器输出的数据合并为标记数据集；检测优化模块，采用标记数据集训练xgboost二元分类模型，将待检测的能耗数据集输入训练好的xgboost二元分类模型，得到最终的能耗检测结果，输出异常能耗数据；同时，采用可解释人工智能分析方法对异常能耗数据进行细粒度分析和优化。
24、第三方面，本专利技术采取的技术方案为：一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
25、第四方面，本专利技术采取的技术方案为：一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
26、本专利技术由于采取以上技术方案，其具有以下优点：
27、1、本专利技术聚焦双碳目标下的城市建筑能耗检测与优化问题，具有了较高的异常能耗检测准确率。
28、2、本专利技术利用可解释人工智能方法可有效助力人机协同，提升决策效能，助力发现更多创造性的能耗治理与节能减排解决方案。
本文档来自技高网...【技术保护点】
1.一种城市建筑异常能耗检测与优化的方法，其特征在于，包括：
2.如权利要求1所述城市建筑异常能耗检测与优化的方法，其特征在于，将获取的能耗数据集预处理后输入基学习器进行异常数据分类，包括：
3.如权利要求2所述城市建筑异常能耗检测与优化的方法，其特征在于，采用多数投票算法生成一个带标记的数据集P1，包括：
4.如权利要求1所述城市建筑异常能耗检测与优化的方法，其特征在于，将各个基学习器分类判定的处于离群和正常边缘的数据合并后，输入LLM进行标记，包括：采用ChatGPT将各基学习器判定的处于异常和正常边界的数据样本进行标记，产生完成标记的数据集P2。
5.如权利要求4所述城市建筑异常能耗检测与优化的方法，其特征在于，采用ChatGPT将各基学习器判定的处于异常和正常边界的数据样本进行标记，包括：
6.如权利要求5所述城市建筑异常能耗检测与优化的方法，其特征在于，ChatGPT标注，包括：
7.如权利要求1所述城市建筑异常能耗检测与优化的方法，其特征在于，采用SHAP与反事实解释方法对模型检测出的异常能耗数据
8.一种城市建筑异常能耗检测与优化的系统，其特征在于，包括：
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
...【技术特征摘要】
1.一种城市建筑异常能耗检测与优化的方法，其特征在于，包括：
2.如权利要求1所述城市建筑异常能耗检测与优化的方法，其特征在于，将获取的能耗数据集预处理后输入基学习器进行异常数据分类，包括：
3.如权利要求2所述城市建筑异常能耗检测与优化的方法，其特征在于，采用多数投票算法生成一个带标记的数据集p1，包括：
4.如权利要求1所述城市建筑异常能耗检测与优化的方法，其特征在于，将各个基学习器分类判定的处于离群和正常边缘的数据合并后，输入llm进行标记，包括：采用chatgpt将各基学习器判定的处于异常和正常边界的数据样本进行标记，产生完成标记的数据集p2。
5.如权利要求4所述城市建筑异常能耗检测与优化的方法，其特征在于，采用chatgpt将各基学习器判定的处于异常和正常边界的数据样本进行标记，包括：
【专利技术属性】
技术研发人员：赵晓永，赵延玉，王磊，李莉，王宁宁，张静乐，杨寒雨，
申请(专利权)人：北京信息科技大学，
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。