[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（公告）號(hào): CN115438749A
• 公開（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

本發(fā)明公開了一種基于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，包括以下步驟，(1)通過建筑能耗檢測(cè)平臺(tái)收集能耗數(shù)據(jù)進(jìn)行集體異常檢測(cè)；(2)利用軟件對(duì)歷史能耗數(shù)據(jù)進(jìn)行模型聚類分析；(3)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；(4)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)；(5)應(yīng)用K最近鄰算法對(duì)時(shí)間序列進(jìn)行異常檢測(cè)，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。本發(fā)明可解決在能耗異常檢測(cè)中對(duì)集體異常情況檢測(cè)能力不強(qiáng)及實(shí)用性不強(qiáng)的問題，為建筑能耗集體異常情況提供了的一種新的檢測(cè)方法。

技術(shù)領(lǐng)域

本發(fā)明屬于建筑能耗異常檢測(cè)技術(shù)領(lǐng)域，具體涉及一種基于GMM、Elman神經(jīng)網(wǎng)絡(luò)和KNN(也稱KNN算法)的建筑能耗集體異常檢測(cè)方法。

背景技術(shù)

建筑行業(yè)是全球主要的能源消費(fèi)行業(yè)，全球約有40％左右的能源被建筑所消耗，建筑物在全生命周期內(nèi)的二氧化碳排放量占據(jù)了全球排放總量的30％以上。但在建筑行業(yè)所消耗的大量能源消耗中，建筑運(yùn)行過程中蘊(yùn)含著極大的節(jié)能潛力。隨著科技的發(fā)展，建筑能源管理系統(tǒng)(BEMS)已經(jīng)成為現(xiàn)代建筑的重要組成部分，負(fù)責(zé)在保持居住者舒適度的同時(shí)最大限度地降低能耗。而在監(jiān)測(cè)和記錄用電量的過程中，會(huì)因?yàn)楦鞣N因素導(dǎo)致能耗數(shù)據(jù)異常，運(yùn)營(yíng)人員若能及時(shí)發(fā)現(xiàn)建筑中的異常能耗，對(duì)于節(jié)約運(yùn)營(yíng)成本、減少碳排放、保持建筑系統(tǒng)的穩(wěn)定性、安全性具有重要意義。

異常檢測(cè)是發(fā)現(xiàn)異常能耗的最重要方法之一，該技術(shù)用于識(shí)別大數(shù)據(jù)量中的異常模式。通常情況下，可根據(jù)異常類型分為三種情況：點(diǎn)異常(point anomalies)、上下文異常(contextual anomalies)和集體異常(collective anomalies)。點(diǎn)異常情況也可稱為全局異常，即能耗數(shù)據(jù)點(diǎn)與全局大多數(shù)的能耗數(shù)據(jù)有明顯的區(qū)別；上下文異常多為時(shí)間序列異常，即能耗數(shù)據(jù)在某個(gè)時(shí)間點(diǎn)的前后時(shí)間段存在較大的差異；集體異常是由多個(gè)能耗點(diǎn)或多條序列構(gòu)成的異常情況，單獨(dú)的分析能耗數(shù)據(jù)或序列是正常能耗，但是從整體能耗趨勢(shì)進(jìn)行分析為異常情況。而已有的建筑異常檢測(cè)技術(shù)中多集中于能耗點(diǎn)異常檢測(cè)，檢測(cè)結(jié)果精確，但在點(diǎn)異常檢測(cè)技術(shù)在處理處理時(shí)間序列和集體異常情況中存在明顯不足。鑒于此，本文基于GMM、Elman神經(jīng)網(wǎng)絡(luò)和KNN發(fā)明一種建筑能耗集體異常檢測(cè)方法，以便實(shí)現(xiàn)對(duì)能耗異常情況更精準(zhǔn)有效地異常檢測(cè)。

發(fā)明內(nèi)容

為了實(shí)現(xiàn)對(duì)建筑能耗時(shí)間序列集體異常的檢測(cè)，本發(fā)明旨在提供一種精準(zhǔn)客觀和具有實(shí)際應(yīng)用的基于GMM、Elman神經(jīng)網(wǎng)絡(luò)和KNN建筑能耗集體異常檢測(cè)方法，以便改善以往建筑異常能耗檢測(cè)技術(shù)對(duì)異常情況進(jìn)行實(shí)際檢測(cè)過程中的應(yīng)用局限性。

為了實(shí)現(xiàn)以上技術(shù)目的，本發(fā)明采用以下技術(shù)方案：

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，包括以下步驟：

步驟一：通過建筑能耗檢測(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。

進(jìn)一步地，步驟二中所述軟件為Matlab軟件。

進(jìn)一步地，步驟二中所述模型為高斯混合模型。