CN109359134B - 一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法 - Google Patents
一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法 Download PDFInfo
- Publication number
- CN109359134B CN109359134B CN201810998765.7A CN201810998765A CN109359134B CN 109359134 B CN109359134 B CN 109359134B CN 201810998765 A CN201810998765 A CN 201810998765A CN 109359134 B CN109359134 B CN 109359134B
- Authority
- CN
- China
- Prior art keywords
- data
- energy consumption
- characteristic line
- electricity
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 77
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000007418 data mining Methods 0.000 title claims abstract description 12
- 230000005611 electricity Effects 0.000 claims abstract description 48
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 238000005286 illumination Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于建筑能耗监测平台数据处理技术领域,提供了一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法,包括以下步骤:S1、根据历史数据建立用能模式;S2、针对任意一种用能模式,建立用电特征数据库;S3、基于聚类大数据分析方法,识别显性异常数据;S4、基于历史用电特征线,识别隐性异常数据。本发明的有益之处在于基于用电特征线,识别出常规大数据分析方法无法辨识的照明插座隐性异常能耗数据,极大地提升建筑能耗数据质量。
Description
技术领域
本发明涉及一种数据处理方法,具体涉及一种基于数据挖掘的照明和插座能耗隐性异常数据的识别方法,属于建筑能耗监测平台数据处理技术领域。
背景技术
近年来,建立公共建筑能耗监测平台,实现建筑能耗分项计量是公共建筑能源监管体系建设的一项重要内容。目前,我国许多省市都建立了不同规模的建筑能耗监测平台,并且积累了丰富的数据。然而由于一些技术方面的障碍,导致建筑监测数据整体质量不高,出现数据缺失、数据突变等数据异常问题,通过调研分析,既有建筑能耗监测平台的异常数据比例普遍高达20%,因此能耗监测数据与建筑真实能耗相差甚远,导致这些大量的能耗数据无法得到充分利用。随着我国绿色建筑的不断发展,人们对建筑能耗数据采集不仅种类越来越多、数据量越来越大,而且对数据质量要求越来越高。为了提高建筑能耗监测平台的数据质量,近年来,国内外许多科研人员聚焦于能耗监测平台数据存在的问题,采用数据挖掘技术、聚类分析等方法,解决和修正平台缺失或异常数据。发明专利公开了一种基于数据挖掘的公共建筑能耗监管平台数据处理方法(专利申请号为201410482593.X),其技术特征包括问题数据初步识别、根据历史数据建立用能模式特征参数集、问题数据精细识别和问题数据智能补充四个方面,通过对历史能耗数据按照不同用能模式分类,建立建筑用能耗模式特征参数集,实现对能耗监管平台问题数据的分类识别、清洗、智能补充的一体化处理。该方法可以实现对缺失数据和突变数据的识别,但对于一些用能异常,且能耗数据满足阈值选取要求的监测数据无法识别。建筑用电能耗一般分为照明插座能耗、暖通空调能耗、动力设备能耗和特殊用电能耗四项。本专利针对照明插座能耗的用电特征,采用大数据的分析方法,提出了一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法,以提高建筑能耗监测平台的数据质量。
发明内容
本发明要解决的技术问题是提供一种能够有效提高公共建筑能耗监管平台数据质量的基于数据挖掘的照明插座能耗隐性异常数据的识别方法。
本发明的技术方案如下:
一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法,步骤如下:
S1、根据历史数据建立用能模式:按照能耗数据发生时刻所在天是否是节假日将照明和插座能耗数据精细分为工作日、节假日等用能模式;
S2、建立用电特征数据库:针对任意一种用能模式,将累计能耗转换为单位时间能耗,并按天为单位,将单位时间能耗按单位时间步长依次存储,每一天的能耗数据为一条用电特征线;
单位时间能耗计算公式为:
Ej=Sj-Sj-1式(1)
其中,Ej为单位时间能耗,Sj为第j时刻计量表累计示数,Sj-1为第j-1时刻计量表累计示数;
S3、显性异常数据识别:基于聚类大数据分析方法识别出任意用能模式的能耗数据中由于计量或传输过程产生的数据缺失、数据突变等显性异常数据;
S4、隐性异常数据识别:基于历史用电特征线,判断新用电特征线与相近工况历史数据用电特征线是否一致,若一致,则能耗数据正常,若不一致,则能耗数据隐性异常;
具体识别步骤如下:
S41、历史数据用电特征线斜率计算
假设一共有m条历史数据用电特征线,对于任一条历史数据用电特征线i,第j与第j+1时刻的用电量分别为Ei,j和Ei,j+1,则第j至第j+1时刻内用电特征线的斜率为ki,j的计算公式为:
其中Δti为单位时间长度;
S42、历史数据用电特征线的总体变化趋势
假设第j至第j+1时刻内共n(0<n<m)条历史数据用电特征线斜率ki,j(0≤i≤n)大于0,则该时刻内用电量增加的用电特征线占比为p=n/m(%),相应的用电量减少的用电特征线占比为q=1-p,若p>q则说明第j至第j+1时刻内用电量总体呈增长趋势,反之为电量总体呈减少趋势;
S43、采用步骤S41的方法计算该时刻新数据用电特征线斜率Kj
S44、利用新数据用电特征线是否与历史数据用电特征线一致识别隐性异常错误数据
如果Kj>0且该时间段内p>q或Kj<0且该时间段内p<q,则该时间段内新的用电特征线与历史数据趋势一致;在24小时内,统计曲线变化趋势一致的时间段的个数a,若a/24>90%,则新的用电特征正常,否则存在隐性异常错误数据。
与现有技术相比,本发明的有益效果是提供了一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法,极大地提升建筑能耗数据质量。
附图说明
图1为本发明显性异常数据识别流程图。
图2为累计能耗转化为单位时间能耗示意图。
图3为隐性异常数据识别工作流程图。
图4为用电特征线斜率计算示意图。
具体实施方式
以下结合发明内容和说明书附图详细说明本发明的具体实施方式。
参照附图1,本发明的一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法,其包括以下步骤:
S1、根据历史数据建立用能模式,按照能耗数据发生时刻所在天是否是节假日将照明和插座能耗数据精细分为工作日、节假日等用能模式;
S2、参照附图2,建立用电特征数据库,针对任意一种用能模式将累计能耗数据转换为单位时间能耗,并按天为单位,将单位时间能耗按单位时间步长依次存储,每一天的能耗数据为一条用电特征线;
单位时间能耗计算公式为:
Ej=Sj-Sj-1式(1)
其中,Ej为单位时间能耗,Sj为第j时刻计量表累计示数,Sj-1为第j-1时刻计量表累计示数。
S3、显性异常数据识别,基于K-keans、密度聚类等大数据分析方法识别出能耗数据中由于计量或传输过程中产生的数据缺失、数据突变等显性异常数据;
S4、隐性异常数据识别,基于历史用电特征线,判断新用电特征线与相近工况历史数据用电特征线是否一致,若一致,则能耗数据正常,若不一致,则能耗数据隐性异常。
参照附图3,隐性异常数据识别具体包括以下步骤:
S41、历史数据用电特征线斜率计算;
参照附图4,假设一共有m条历史数据用电特征线,对于任一条历史数据用电特征线i,第j与第j+1时刻的用电量分别为Ei,j、Ei,j+1,则第j至第j+1时刻内用电折线的斜率为ki,j的计算公式为:
其中Δti为单位时间长度。
S42、历史数据用电特征线的总体变化趋势描述;
假设第j至第j+1时刻内共n(0<n<m)条历史数据用电特征线斜率ki,j(0≤i≤n)大于0,则该时刻内用电量增加的用电特征线占比为p=n/m(%),相应的用电量减少的用电特征线占比为q=1-p,若p>q则说明第j至第j+1时刻内用电量总体呈增长趋势,反之为电量总体呈减少趋势。
S43、采用S41的方法计算该时刻新数据用电特征线斜率Kj;
S44、利用新数据用电特征线是否与历史数据用电特征线一致识别隐性异常错误数据。
如果Kj>0,且该时间段内p>q,或者,Kj<0,且该时间段内p<q,则该时间段内新的用电特征线与历史数据趋势一致。在24小时内,统计曲线变化趋势一致的时间段的个数a,若a/24>90%,则新的用电特征正常,否则存在隐性异常错误数据。
Claims (1)
1.一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法,其特征在于,步骤如下:
S1、根据历史数据建立用能模式:按照能耗数据发生时刻所在天是否是节假日将照明和插座能耗数据精细分为工作日、节假日用能模式;
S2、建立用电特征数据库:针对任意一种用能模式,将累计能耗转换为单位时间能耗,并按天为单位,将单位时间能耗按单位时间步长依次存储,每一天的能耗数据为一条用电特征线;
单位时间能耗计算公式为:
Ej=Sj-Sj-1式(1)
其中,Ej为单位时间能耗,Sj为第j时刻计量表累计示数,Sj-1为第j-1时刻计量表累计示数;
S3、显性异常数据识别:基于聚类大数据分析方法识别出任意用能模式的能耗数据中由于计量或传输过程产生的数据缺失、数据突变显性异常数据;
S4、隐性异常数据识别:基于历史用电特征线,判断新用电特征线与相近工况历史数据用电特征线是否一致,若一致,则能耗数据正常,若不一致,则能耗数据隐性异常;
具体识别步骤如下:
S41、历史数据用电特征线斜率计算
假设一共有m条历史数据用电特征线,对于任一条历史数据用电特征线i,第j与第j+1时刻的用电量分别为Ei,j和Ei,j+1,则第j至第j+1时刻内用电特征线的斜率为ki,j的计算公式为:
其中Δti为单位时间长度;
S42、历史数据用电特征线的总体变化趋势
假设第j至第j+1时刻内共n条历史数据用电特征线斜率ki,j大于0,其中,0<n<m,0≤i≤n,则第j至第j+1时刻内用电量增加的用电特征线占比为p=n/m,相应的用电量减少的用电特征线占比为q=1-p,若p>q则说明第j至第j+1时刻内用电量总体呈增长趋势,反之为电量总体呈减少趋势;
S43、采用步骤S41的方法计算该时刻新数据用电特征线斜率Kj;
S44、利用新数据用电特征线是否与历史数据用电特征线一致识别隐性异常错误数据
如果Kj>0且第j至第j+1时刻内p>q或Kj<0且第j至第j+1时刻内p<q,则第j至第j+1时刻内新的用电特征线与历史数据趋势一致;在24小时内,统计曲线变化趋势一致的时间段的个数a,若a/24>90%,则新的用电特征正常,否则存在隐性异常错误数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810998765.7A CN109359134B (zh) | 2018-08-30 | 2018-08-30 | 一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810998765.7A CN109359134B (zh) | 2018-08-30 | 2018-08-30 | 一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359134A CN109359134A (zh) | 2019-02-19 |
CN109359134B true CN109359134B (zh) | 2021-07-06 |
Family
ID=65350170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810998765.7A Active CN109359134B (zh) | 2018-08-30 | 2018-08-30 | 一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359134B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988556B (zh) * | 2019-12-20 | 2022-03-29 | 上海市建筑科学研究院有限公司 | 一种非运行时段建筑照明插座支路用能诊断方法 |
CN112686286B (zh) * | 2020-12-18 | 2024-05-28 | 博锐尚格科技股份有限公司 | 建筑运行能耗异常识别方法、***、计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199961A (zh) * | 2014-09-19 | 2014-12-10 | 北京建筑技术发展有限责任公司 | 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法 |
CN104636999A (zh) * | 2015-01-04 | 2015-05-20 | 江苏联宏自动化***工程有限公司 | 一种建筑异常用能数据检测方法 |
CN105588995A (zh) * | 2015-12-11 | 2016-05-18 | 深圳供电局有限公司 | 一种电力计量自动化***线损异常检测方法 |
CN106909664A (zh) * | 2017-02-28 | 2017-06-30 | 国网福建省电力有限公司 | 一种电力设备数据流故障识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201509507D0 (en) * | 2015-06-02 | 2015-07-15 | Passivsystems Ltd | Fault detection in energy generation arrangements |
-
2018
- 2018-08-30 CN CN201810998765.7A patent/CN109359134B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199961A (zh) * | 2014-09-19 | 2014-12-10 | 北京建筑技术发展有限责任公司 | 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法 |
CN104636999A (zh) * | 2015-01-04 | 2015-05-20 | 江苏联宏自动化***工程有限公司 | 一种建筑异常用能数据检测方法 |
CN105588995A (zh) * | 2015-12-11 | 2016-05-18 | 深圳供电局有限公司 | 一种电力计量自动化***线损异常检测方法 |
CN106909664A (zh) * | 2017-02-28 | 2017-06-30 | 国网福建省电力有限公司 | 一种电力设备数据流故障识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109359134A (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106681964B (zh) | 公共建筑能耗审计统计拆分方法 | |
CN109508743B (zh) | 一种基于knn改进算法的照明插座能耗异常数据的修复方法 | |
CN109359134B (zh) | 一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法 | |
CN110796307B (zh) | 一种综合能源***分布式负荷预测方法及*** | |
CN109447107B (zh) | 基于信息熵的办公建筑空调日用能模式异常在线检测方法 | |
CN109283898A (zh) | 一种厂区能耗监测管理*** | |
WO2021120829A1 (zh) | 一种非运行时段建筑照明插座支路用能诊断方法 | |
CN112987617A (zh) | 近零能耗建筑数字化管理***及能效监测方法 | |
CN114336615A (zh) | 一种基于输电环境大数据分析的电力资源调度智能管理*** | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
CN115186888A (zh) | 一种基于双碳目标的节能降耗方法 | |
CN117043794A (zh) | 基于多元线性回归和聚类分析的建筑能耗预测方法和*** | |
CN105719194B (zh) | 一种自动寻优型电力负荷分类方法 | |
CN116468302A (zh) | 建筑园区能源结构评估方法、***、电子设备及存储介质 | |
CN116224161A (zh) | 一种基于电压互感器极性反接错误接线异常的判断方法 | |
CN114638537B (zh) | 一种数字化智慧电网区域管理方法、***及存储介质 | |
CN106056477A (zh) | 一种基于用电大数据的行业产能利用率的计算方法 | |
CN114638284A (zh) | 一种考虑外部影响因素的用电行为刻画方法 | |
TWI536282B (zh) | 校園節能類神經網路決策支援系統及其方法 | |
CN114997470A (zh) | 基于lstm神经网络的短期用电负荷预测方法 | |
CN113487062A (zh) | 一种基于周期自动编码器的电力负荷预测方法 | |
CN114048200A (zh) | 一种计及缺失数据补齐的用户用电行为分析方法 | |
CN113822473B (zh) | 一种基于多维数据的牵引力能耗合理区间预测方法 | |
CN117875502A (zh) | 一种基于碳排放的工业企业电力消费结构优化***及方法 | |
CN115809807A (zh) | 一种企业用户的深度节能方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231225 Address after: Room 2205, 2 / F, 56a22, Torch Road, Dalian hi tech Industrial Park, 116000, Liaoning Province Patentee after: Dalian Qunzhi Technology Co.,Ltd. Address before: 116024 No. 2 Ling Road, Ganjingzi District, Liaoning, Dalian Patentee before: DALIAN University OF TECHNOLOGY |
|
TR01 | Transfer of patent right |