[發(fā)明專利]基于GMM、Elman神經(jīng)網(wǎng)絡(luò)和KNN的建筑能耗集體異常檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211259305.5
• 申請(qǐng)日: 2022-10-14
• 公開(kāi)（公告）號(hào): CN115438749A
• 公開(kāi)（公告）日: 2022-12-06
• 發(fā)明（設(shè)計(jì)）人: 雷蕾;郭雪松
• 申請(qǐng)（專利權(quán)）人: 浙江理工大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南寧勝榮專利代理事務(wù)所(特殊普通合伙) 45126
• 代理人: 關(guān)文龍

1.基于GMM、Elman神經(jīng)網(wǎng)絡(luò)和KNN的建筑能耗集體異常檢測(cè)方法，其特征在于，包括以下步驟：

步驟一：通過(guò)建筑能耗檢測(cè)平臺(tái)收集能耗數(shù)據(jù)進(jìn)行集體異常檢測(cè)；

步驟二：利用軟件對(duì)歷史能耗數(shù)據(jù)進(jìn)行模型聚類分析，實(shí)現(xiàn)對(duì)建筑能耗歷史數(shù)據(jù)分類；

步驟三：根據(jù)歷史能耗聚類結(jié)果，對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，構(gòu)建實(shí)時(shí)能耗數(shù)據(jù)識(shí)別匹配機(jī)制，將相似能耗模式的數(shù)據(jù)匹配到同一類別中進(jìn)行集體異常檢測(cè)；

步驟四：當(dāng)能耗數(shù)據(jù)序列達(dá)到最小檢測(cè)序列后，應(yīng)用動(dòng)態(tài)時(shí)間規(guī)整算法將時(shí)間序列轉(zhuǎn)換為點(diǎn)異常檢測(cè)，對(duì)該時(shí)間序列進(jìn)行集體異常檢測(cè)，判斷是否存在集體異常情況；

步驟五：應(yīng)用K最近鄰算法對(duì)時(shí)間序列進(jìn)行異常檢測(cè)，根據(jù)檢測(cè)結(jié)果，對(duì)歷史能耗數(shù)據(jù)集進(jìn)行動(dòng)態(tài)更新，輸出標(biāo)記異常時(shí)間序列。

2.根據(jù)權(quán)利要求1所述的基于GMM、Elman神經(jīng)網(wǎng)絡(luò)和KNN的建筑能耗集體異常檢測(cè)方法，其特征在于，步驟二中所述軟件為Matlab軟件。

3.根據(jù)權(quán)利要求1所述的基于GMM、Elman神經(jīng)網(wǎng)絡(luò)和KNN的建筑能耗集體異常檢測(cè)方法，其特征在于，步驟二中所述模型為高斯混合模型。

4.根據(jù)權(quán)利要求3所述的基于GMM、Elman神經(jīng)網(wǎng)絡(luò)和KNN的建筑能耗集體異常檢測(cè)方法，其特征在于，所述高斯混合模型是通過(guò)計(jì)算每個(gè)樣本屬于每個(gè)聚類的概率，將能耗數(shù)據(jù)劃分到較高的概率的某一類中；對(duì)于n個(gè)能耗數(shù)據(jù)X＝{x₁,x₂…,x_n}中，樣本的分布由K個(gè)具有高斯分布構(gòu)成，對(duì)于每個(gè)高斯分布看成為一個(gè)簇，通過(guò)計(jì)算概率模型p(Y|X)，將每個(gè)高斯分布進(jìn)行組合，構(gòu)成高斯混合模型概率密度函數(shù)：

式中：K是高斯分布的個(gè)數(shù)；μ_k為第k類能耗數(shù)據(jù)的均值；θ_k表示第k類的權(quán)重系數(shù)，含義為能耗數(shù)據(jù)屬于該類的概率且∑θ_k＝1；σ_k表示第k類的標(biāo)準(zhǔn)差，K(x|μ_k,∑_k)表示為第k個(gè)高斯分布。

5.根據(jù)權(quán)利要求1所述的基于GMM、Elman神經(jīng)網(wǎng)絡(luò)和KNN的建筑能耗集體異常檢測(cè)方法，其特征在于，步驟三中所述Elman神經(jīng)網(wǎng)絡(luò)是一種對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)的動(dòng)態(tài)型神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)為四層：輸入層、隱含層、承接層、輸出層。

6.根據(jù)權(quán)利要求5所述的基于GMM、Elman神經(jīng)網(wǎng)絡(luò)和KNN的建筑能耗集體異常檢測(cè)方法，其特征在于，所述隱含層輸出向量為：

z(x)＝f(ω₁u(x-1)+ω₂z_c(x)+b₁)

z_c(x)＝z(x-1)

y(x)＝g(ω₃z(x)+b₂)

式中，y(x)為輸出向量；g()為輸出神經(jīng)元的傳遞函數(shù)；f()為Sigmoid函數(shù)；u(x-1)為輸入向量集；z_c(x)為承接層的輸出向量；z_c(x)為反饋狀態(tài)向量；ω₁為輸入層與隱含層之間的權(quán)值矩陣；ω₂為承接層與隱含層之間的權(quán)值矩陣；ω₃為隱含層與輸出層之間的權(quán)值矩陣；b₁為隱含層的閾值向量；b₂為輸出層的閾值向量。

7.根據(jù)權(quán)利要求1所述的基于GMM、Elman神經(jīng)網(wǎng)絡(luò)和KNN的建筑能耗集體異常檢測(cè)方法，其特征在于，步驟四中所述時(shí)間序列采用DTW距離進(jìn)行求解，將能耗時(shí)間序列距離轉(zhuǎn)化為能耗點(diǎn)距離進(jìn)行求解異常情況。