[發明專利]一種建筑能耗異常的動態檢測方法

有效

• 申請號: 202011459104.0
• 申請日: 2020-12-11
• 公開（公告）號: CN112381181B
• 公開（公告）日: 2022-10-04
• 發明（設計）人: 雷蕾;吳冰;吳振;李治山;陳浩;陳超
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06Q50/08
• 代理公司: 南寧勝榮專利代理事務所(特殊普通合伙) 45126
• 代理人: 關文龍

1.一種建筑能耗異常的動態檢測方法，其特征在于，包括以下步驟：

步驟一：收集用于建立建筑能耗數據分類模型的歷史數據樣本；

步驟二：利用Matlab軟件導入數據樣本，并通過優化的k-medoids聚類算法對能耗數據進行聚類，確定不同的能耗類別；

步驟三：將步驟二中得到的聚類結果結合KNN算法建立起對新輸入能耗數據的分類模型；

步驟四：通過上述分類模型對單個輸入的能耗數據進行分類，并對其所屬分類進行點異常檢測，判斷該能耗點是否異常；

步驟五：當輸入的能耗數據形成最小周期的時間序列后，對該時間序列進行集體異常檢測，判斷該時間序列是否異常；

步驟六：輸出檢測結果并標識判定為異常的能耗數據；

步驟二中優化的k-medoids聚類算法是經過粒子群算法優化的k-medoids聚類算法；

粒子群算法中初始化的粒子群由能耗數據訓練樣本生成，每個粒子根據如下兩個公式對自身的速度和位置進行更新：

v_t＝wv_t-1+c₁rand₁()·(pbest-x_t-1)+c₂rand₂()·(gbest-x_t-1)

x_t＝x_t-1+v_t

其中：v_t是粒子當前的速度，v_t-1為粒子上一時刻的速度，初速度則由計算機隨機生成；x_t是粒子當前的一組聚類中心點能耗值，x_t-1為粒子上一時刻的一組聚類中心點能耗值，初始位置由輸入的能耗數據值所決定；w是慣性權重，c₁和c₂是加速常數，rand₁()和rand₂()是[0,1]之間的隨機數；

k-medoids聚類算法采用的是歐式距離作為衡量類內相似性的標準，其定義如下：

其中，x＝(x₁,x₂,…,x_d)和y＝(y₁,y₂,…,y_d)表示能耗數據集中兩個d維的能耗數據；

步驟三中所述能耗數據的分類模型是通過KNN算法計算距離新輸入的能耗數據最近的聚類并歸類的；

步驟四中對單個數據的異常檢測是實時地對該數據點進行檢測，當數據點經過步驟三的分類模型歸類后，即在其所屬類別中進行異常檢測；單個數據的異常檢測是通過LOF算法計算該數據點是否為離群值，若判定異常則標記并在其類別中刪除該點；若判定正常則刪除該類別最早數據，實現分類數據集的更新；

步驟五中以等距離劃分思想為基礎，將歷史數據樣本按最小周期進行劃分，當輸入的能耗數據達到最小周期的時間序列后，實時的將該時間序列與劃分后數據樣本進行集體異常檢測；集體異常檢測是結合DTW距離的LOF算法檢測該時間序列是否異常，若判定異常則標記該數據段；若判定正常則添加該數據段到歷史數據樣本，并刪除最早數據段，實現數據段樣本的更新。

2.根據權利要求1所述的建筑能耗異常的動態檢測方法，其特征在于，步驟二可根據不同的能耗特征劃分為四個不同標簽的聚類，四個聚類分別為：低能耗、中能耗、較高能耗和高能耗。