CN109447107B - 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 - Google Patents

Abstract

本发明公开了一种基于信息熵的办公建筑空调异常日用能模式在线检测方法，包括下述步骤：S1、建立不同工况下的正常日用能模式历史数据集合；S2、建筑空调异常日用能模式在线检测；本发明先对建筑空调历史用能模式数据展开正常日用能模式提取工作，包括工况划分、不同工况下各日用能记录的信息熵值计算以及对信息熵值聚类，建立各工况下正常日用能模式等步骤，然后在线采集空调日用能数据，判定其所属工况，计算其所属工况下各用能记录的信息熵值并进行聚类，如果新日用能记录单独聚为一类，则判定其为异常用能模式。本发明有效地实现了建筑空调异常日用能模式的在线检测，既可用于单栋建筑空调能耗检测，也可用于大型建筑群的空调能耗检测。

Description

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

技术领域

本发明涉及办公建筑空调异常能耗检测的研究领域，特别涉及一种基于信息熵的办公建筑空调异常日用能模式在线检测方法。

背景技术

近年来资源短缺、能源价格飞涨、全球气候变暖等问题日趋严重，节能减排工作迫在眉睫。目前我国建筑能源消耗量约占全国能源总消耗量的33％以上，公共建筑用能巨大，且夏热冬暖地区空调能耗占公共建筑能耗的40％以上，空调节能势在必行。空调异常日用能模式检测是空调设备正常运行与空调节能的前提。随着公共建筑能耗分项计量的推广应用，大量的空调能耗数据被收集并存储，研究公共建筑空调异常日用能模式的检测算法，对公共建筑节能具有重要意义。公共建筑空调异常日用能模式检测的主要目的是从能耗数据中检测出由于传感器故障、干扰噪声、通讯中断、空调设备运行故障异常、以及由于运行管理不当等造成的异常日用能模式，为建筑空调节能管理、运行维护提供依据，以达到节约能耗的目的。空调能耗异常主要分为两类：由于噪声干扰或通讯中断造成的单个离群点异常；由于设备运行故障或运行管理不当造成的能耗模式异常。

针对不同类型的异常日用能模式需要采用不同的方法进行检测；其中由于噪声干扰或通讯中断造成的单个异常日用能模式数据(离群数据)通常采用3σ原则、图解法、阈值法、聚类分析法以及能耗预测法等进行判断，方法已比较成熟；然而对于设备运行故障或运行管理不当造成的日用能模式异常，常用的检测方法大多通过计算每日逐时能耗的统计特性，提取日用能模式的特征参数，如最大值、最小值、均方根等常规特征量，将高维数据转换为低维数据，然后利用阈值方法对异常模式进行判断。然而阈值的设定对于异常数据判断较为困难，阈值较大容易造成漏检，阈值过小容易造成误判。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提出一种基于信息熵的办公建筑空调异常日用能模式在线检测方法，有效地实现了建筑空调异常日用能模式的在线检测，既可用于单栋建筑空调能耗检测，也可用于大型建筑群的空调能耗检测。本发明的前提是日用能数据已进行清洗，不包含离群突变点的异常能耗数据。

为了达到上述目的，本发明采用以下技术方案：

本发明提供了一种基于信息熵的办公建筑空调异常日用能模式在线检测方法，包括下述步骤：

S1、建立不同工况下的正常日用能模式历史数据集合，具体为：

S1.1、获取历史数据，所述历史数据包括室外干球温度t和建筑空调能耗数据Q；

S1.2、数据转换，将获取的历史数据转换为建筑空调日用能记录，历史日用能记录数共记N条，记录当天的日期为Data，判断每条空调日用能记录对应日期的属性，统计其对应的实际开机时长，计算实际开机时的室外干球温度平均值；

S1.3、工况划分，将建筑空调日用能记录按日期属性、实际开机时长和室外干球温度平均值进行工况划分，室外平均干球温度的离散化区间设定为t_c℃，记不同工况的总数为M；

S1.4、计算第k种工况下各条空调日用能记录的信息熵值；

S1.5、利用聚类算法对相同工况下各空调日用能记录的信息熵值进行聚类，通过聚类算法将数据聚成两类，即正常与异常的信息熵值簇，认为数据量较少的信息熵值簇为异常信息熵值簇，所述信息熵值作为反映相同工况下日用能模式的特征参数，从而区分该工况下正常日用能模式与异常日用能模式；

S1.6、输出聚类结果，删除异常信息熵值簇，建立第k种工况下正常日用能记录数据集合，即第k种正常日用能模式，删去异常数据后该工况下的日用能记录共有N′_k条；

S1.7、对于所有工况重复上述步骤S1.4～S1.6过程，直至M种工况下的正常日用能记录数据集合都建立完毕；

S2、建筑异常日用能模式在线检测，具体包括：

S2.1、建筑空调能耗数据在线采集；

S2.2、判定新采集的空调日用能记录所属工况，所述新采集的空调日用能记录简称新日用能记录，即判断新日用能记录的日期属性、统计开机时长，计算开机时的室外干球温度平均值，然后根据上述条件判断新日用能记录所属工况；

S2.3、将新日用能记录与相同工况下的历史日用能记录数据集合一起建立距离矩阵，输出信息熵值；

S2.4、利用聚类算法对信息熵值进行聚类，聚类结束后判断新日用能记录所在聚类簇中对象个数；

S2.5、当聚类簇中对象个数为1，则判断新日用能记录为异常用能模式，进行记录报警；当聚类簇中对象个数不为1，则判断新日用能记录为正常用能模式，加入其所属用能工况的正常日用能记录数据集合，用于下一个检测周期异常日用能模式检测；

S2.6、异常日用能模式在线检测结束。

作为优选的技术方案，步骤S1.2具体如下：

第i条记录包括日期及日期属性、室外干球温度t_i,j、空调能耗Q_i,j，其中j＝△,2△,…,W△，△为能耗数据采集步长,W＝24h/△，h为小时，所述采集步长为15分钟、半小时、1小时或2小时，每条用能记录的数据时间跨度为一个自然日；当天空调初始开机时刻为n_i△，能耗数据采集步长为△，实际开机时长为p_i△，计算当日空调开机时段的室外干球平均温度

作为优选的技术方案，步骤S1.4具体为：构造第k种工况下的输入能耗矩阵Q^k，建立距离矩阵D^k；

假设第k种工况下的用能记录条数为N_k，能耗数据采集步长为△；

式中，

为第k种工况下第i天第j时刻的能耗；

式中，

为第k种工况下第i天和第i′天的日用能记录之间的欧式距离，i,i′∈[1,2,…,N_k]；

D^k的计算公式：

当i＝i′，

计算距离贡献度矩阵：

式中，

为第k种工况下

对整体距离

的贡献度

i,i′∈[1,2,…N_k]；

计算第k种工况下N_k条日用能记录的信息熵值，第i条日用能记录的信息熵值计算式如下:

i∈[1,2,…,N_k]，其中，C_k为常数，C_k＝1/ln(N_k)，N_k为第k种工况下的能耗数据记录条数；

输出第k种工况下所有日用能记录的信息熵值列向量：

作为优选的技术方案，步骤S1.5中，所述聚类算法能够将相似的数据聚成一类，通过聚类算法聚类出正常与异常的信息熵值簇；信息熵值作为反映日用能模式的特征参数，从而区分正常日用能模式与异常日用能模式。

作为优选的技术方案，步骤S2.1中，当天的日用能记录记为：

日期记为Data(N+1)。

作为优选的技术方案，步骤S2.2中，在判断日期属性时，可分为工作日Workday和休息日Restday，统计开机时长，计算开机时间的室外干球温度平均值，然后根据上述条件判断新日用能记录所属工况。

作为优选的技术方案，步骤S2.3具体为：

输入能耗矩阵：

式中，

为第k种工况下第i天第j时刻的能耗，N′_k为第k种工况下的正常日用能记录数据集合数据量；

输出距离矩阵：

式中，

为第k种工况下第i天和第i′天的能耗数据记录之间的距离，i,i′∈[1,2,…,N′_k,N′_k+1]。

作为优选的技术方案，步骤S2.3中，还包括下述步骤：

根据距离矩阵，建立距离贡献度矩阵，距离贡献度计算方法如下：

为第k种工况下

对整体距离

的贡献度

i,i′∈[1,2,…N′_k+1]。

根据建立好的距离贡献度矩阵，计算各条数据的信息熵值，信息熵值计算方法同S1.5；

输出信息熵值列向量：

作为优选的技术方案，步骤S2.4中，新日用能记录所在簇中对象个数若大于1，则新日用能记录为正常用能模式，若等于1，则新日用能记录为异常日用能模式。

作为优选的技术方案，在步骤S1之前，还包括下述步骤：

日用能数据已进行清洗，不包含离群突变点异常能耗数据。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明提出基于信息熵的办公建筑空调异常日用能模式在线检测方法，目的是为了识别不合理的用能模式，而不是识别单个的能耗异常点；

2、不同工况下用能模式难以进行直接比较，本发明根据日期属性、空调开机时长、空调开启时间内室外干球平均温度，对工况进行划分，降低了各种影响因素对于异常日用能模式识别的干扰，降低误判的可能性；

3、本发明利用信息熵值刻画空调全天能耗数据的分布特征，将高维数据转化成为1维数据；其优点在于可以消除‘维数灾难’对异常检测的影响，提高检测精度；

4、本发明利用聚类算法检测异常日用能模式数据；优点在于无需阈值设定，利用判断聚类簇大小的方式检测异常日用能模式数据；

5、本发明可以在线检测各种用能工况下的建筑空调异常日用能模式；

6、本发明提供了建筑中央空调异常日用能模式的在线检测方法，既可用于单栋建筑的空调能耗检测，也可用于大规模的建筑群的空调能耗检测。

7、本发明模型数据随着在线数据的更新而不断进行优化，极大的提高了检测精度。

附图说明

图1是本发明检测方法的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施实例

如图1所示，本实施例基于信息熵的办公建筑空调异常日用能模式在线检测方法，包括以下步骤：

S1、建立不同工况下的正常日用能模式历史数据集合，具体为；

S1.1、获取历史数据，所述历史数据包括室外干球温度t和建筑空调能耗数据Q；

S1.2、数据转换，将获取的历史数据转换为建筑空调日用能记录，历史日用能记录数共记N条，记录当天的日期为Data，判断每条空调日用能记录对应日期的属性，统计其对应的实际开机时长，计算实际开机时的室外干球温度平均值；

S1.3、工况划分，将建筑空调日用能记录按日期属性、实际开机时长和室外干球温度平均值进行工况划分，室外平均干球温度的离散化区间设定为2℃，记不同工况的总数为M；

S1.4、计算第k种工况下各条空调日用能记录的信息熵值；

S1.5、利用聚类算法对相同工况下各空调日用能记录的信息熵值进行聚类，通过聚类算法将数据聚成两类，即正常与异常的信息熵值簇，认为数据量较少的信息熵值簇为异常信息熵值簇，所述信息熵值作为反映相同工况下日用能模式的特征参数，从而区分该工况下正常日用能模式与异常日用能模式；

S1.6、输出聚类结果，删除异常信息熵值簇，建立第k种工况下正常日用能记录数据集合，即第k种正常日用能模式，删去异常数据后该工况下的日用能记录共有N′_k条；

S1.7、对于所有工况重复上述步骤S1.4～S1.6过程，直至M种工况下的正常日用能记录数据集合都建立完毕；

S2、建筑异常日用能模式在线检测，具体包括：

S2.1、建筑空调能耗数据在线采集；

S2.2、判定新采集的空调日用能记录所属工况，所述新采集的空调日用能记录简称新日用能记录，即判断新日用能记录的日期属性、统计开机时长，计算开机时的室外干球温度平均值，然后根据上述条件判断新采集的空调日用能记录所属工况；

S2.3、将新日用能记录与相同工况下的历史日用能记录数据集合一起建立距离矩阵，输出信息熵值；

S2.4、利用聚类算法对信息熵值进行聚类，聚类结束后判断新日用能记录所在聚类簇中对象个数；

S2.5、当聚类簇中对象个数为1，则判断新日用能记录为异常用能模式，进行记录报警；当聚类簇中对象个数不为1，则判断新日用能记录为正常用能模式，加入其所属用能工况的正常日用能记录数据集合，用于下一个检测周期异常日用能模式检测；

S2.6、异常日用能模式在线检测结束。

步骤S1.2具体如下：

第i条记录包括日期及日期属性、室外干球温度t_i,j、空调能耗Q_i,j，其中j＝1,2,…,24，能耗数据采集步长为1小时，；当天空调初始开机时刻为n_i△，实际开机时长为p_i△，计算当日空调开机时段的室外干球平均温度

步骤S1.4具体为：构造第k种工况下的输入能耗矩阵Q^k，建立距离矩阵D^k；

假设第k种工况下的用能记录条数为N_k，能耗数据采集步长为1小时；

式中，

为第k种工况下第i天第j时刻的能耗；

式中，

为第k种工况下第i天和第i′天的日用能记录之间的欧式距离，i,i′∈[1,2,…,N_k]；

D^k的计算公式：

当i＝i′，

计算距离贡献度矩阵：

式中，

为第k种工况下

对整体距离

的贡献度

i,i′∈[1,2,…N_k]。

计算第k种工况下N_k条日用能记录的信息熵值，第i条日用能记录的信息熵值计算式如下:

i∈[1,2,…,N_k]，其中，C_k为常数，C_k＝1/ln(N_k)，N_k为第k种工况下的能耗数据记录条数；

输出第k种工况下所有日用能记录的信息熵值列向量：

步骤S1.5中，所述层次聚类算法能够将相似的数据聚成一类，通过层次聚类算法聚类出正常与异常的信息熵值簇；信息熵值作为反映日用能模式的特征参数，从而区分正常日用能模式与异常日用能模式。

利用层次聚类算法对日用能记录的信息熵值进行聚类，具体方法为：

(1)将每个信息熵值向量的元素划分为一个簇，N_k个信息熵值向量的元素对应N_k个簇，

计算簇与簇之间欧氏距离值，建立信息熵的距离值行向量D′^k(i,i′)：

式中，i,i′∈[1,…，(N_k-1)*N_k]，当i＝i′时，

且D′^k(i,i′)＝D′^k(i′,i)

(2)找出D′^k(i,i′)向量元素中非零的最小值Min[D′^k(i,i′)]，该最小值对应原两个簇

和

(3)原始簇的数量为N_k个，

将上一步中两个距离最近的信息熵簇合并为一个新簇

簇的数量变为N_k-1个，

(4)计算合并后N_k-1个簇之间的距离，采用Average Linkage计算方法：

式中，

为新簇

中的两个对象

和

j∈[1,2,…N_k-2]。

(5)重复计算(1)～(4)，直至聚类簇数目为2，聚类过程中含有多个对象的任意两个合并簇之间的距离如下式所示：

式中

和

分别为包含n个和m个对象的新簇，

为

簇中的第f₁对象，

为

簇中的第f₂对象；

步骤S2.1中，当天的日用能记录记为：

日期记为Data(N+1)。

步骤S2.2中，在判断日期属性时，可分为工作日Workday和休息日Restday，统计开机时长，计算开机时间的室外干球温度平均值，然后根据上述条件判断新采集的空调日用能记录所属工况；

步骤S2.3具体为：

输入能耗矩阵：

式中，

为第k种工况下第i天第j时刻的能耗，N′_k为第k种工况下的正常日用能记录数据集合数据量；

输出距离矩阵：

式中，

为第k种工况下第i天和第i′天的能耗数据记录之间的距离，i,i′∈[1,2,…,N′_k,N′_k+1]。

步骤S2.3中，还包括下述步骤：

根据距离矩阵，建立距离贡献度矩阵，距离贡献度计算方法如下：

为第k种工况下

对整体距离

的贡献度

i,i′∈[1,2,…N′_k+1]。

根据建立好的距离贡献度矩阵，计算各条数据的信息熵值，信息熵值计算方法同S1.5；

输出信息熵值列向量：

步骤S2.4中，记新日用能记录所在聚类簇为a，若该聚类簇中对象个数大于1，则新日用能记录为正常用能模式，若等于1，则新日用能记录为异常日用能模式。

在步骤S1之前，还包括下述步骤：

日用能数据已进行清洗，不包含离群突变点异常能耗数据。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于信息熵的办公建筑空调异常日用能模式在线检测方法，其特征在于，包括下述步骤：

S1、建立不同工况下的正常日用能模式历史数据集合，具体为：

S1.1、获取历史数据，所述历史数据包括室外干球温度t和建筑空调能耗数据Q；

S1.2、数据转换，将获取的历史数据转换为建筑空调日用能记录，历史日用能记录数共记N条，记录当天的日期为Data，判断每条空调日用能记录对应日期的属性，统计其对应的实际开机时长，计算实际开机时的室外干球温度平均值；

S1.3、工况划分，将建筑空调日用能记录按日期属性、实际开机时长和开机时室外干球温度平均值进行工况划分，室外平均干球温度的离散化区间设定为t_c℃，记不同工况的总数为M；

S1.4、计算第k种工况下各条空调日用能记录的信息熵值；

S1.5、利用聚类算法对相同工况下各空调日用能记录的信息熵值进行聚类，通过聚类算法将数据聚成两类，即正常与异常的信息熵值簇，认为数据量较少的信息熵值簇为异常信息熵值簇，所述信息熵值作为反映相同工况下日用能模式的特征参数，从而区分该工况下正常日用能模式与异常日用能模式；

S1.6、输出聚类结果，删除异常信息熵值簇，建立第k种工况下正常日用能记录数据集合，即第k种正常日用能模式，删去异常数据后该工况下的日用能记录共有N′_k条；

S1.7、对于所有工况重复上述步骤S1.4～S1.6过程，直至M种工况下的正常日用能记录数据集合都建立完毕；

S2、建筑异常日用能模式在线检测，具体包括：

S2.1、建筑空调能耗数据在线采集；

S2.2、判定新采集的空调日用能记录所属工况，所述新采集的空调日用能记录简称新日用能记录，即判断新日用能记录的日期属性、统计开机时长，计算开机时的室外干球温度平均值，然后根据上述条件判断新日用能记录所属工况；

S2.3、将新日用能记录与相同工况下的历史日用能记录数据集合一起建立距离矩阵，输出信息熵值；

S2.4、利用聚类算法对信息熵值进行聚类，聚类结束后判断新日用能记录所在聚类簇中对象的个数；

S2.5、当聚类簇中对象个数为1，则判断新日用能记录为异常用能模式，进行记录报警；当聚类簇中对象个数不为1，则判断新日用能记录为正常用能模式，加入其所属用能工况的正常日用能记录数据集合，用于下一个检测周期的异常日用能模式检测；

S2.6、异常日用能模式在线检测结束。

2.根据权利要求1所述基于信息熵的办公建筑空调异常日用能模式在线检测方法，其特征在于，步骤S1.2具体如下：

第i条记录包括日期及日期属性、室外干球温度t_i,j、空调能耗Q_i,j，其中j＝△,2△,…,W△，△为能耗数据采集步长,W＝24h/△，h为小时，所述采集步长为15分钟、半小时、1小时或2小时，每条用能记录的数据时间跨度为一个自然日；当天空调初始开机时刻为n_i△，能耗数据采集步长为△，实际开机时长为p_i△，计算当日空调开机时段的室外干球平均温度

3.根据权利要求1所述基于信息熵的办公建筑空调异常日用能模式在线检测方法，其特征在于，步骤S1.4具体为：构造第k种工况下的输入能耗矩阵Q^k，建立距离矩阵D^k；

假设第k种工况下的用能记录条数为N_k，能耗数据采集步长为△；

式中，

为第k种工况下第i天第j时刻的能耗；

式中，

为第k种工况下第i天和第i′天的日用能记录之间的欧式距离，i,i′∈[1,2,…,N_k]；

D^k的计算公式：

当i＝i′，

计算距离贡献度矩阵：

式中，

为第k种工况下

对整体距离

的贡献度

计算第k种工况下N_k条日用能记录的信息熵值，第i条日用能记录的信息熵值计算式如下:

其中，C_k为常数，C_k＝1/ln(N_k)，N_k为第k种工况下的能耗数据记录条数；

输出第k种工况下所有日用能记录的信息熵值列向量：

4.根据权利要求1所述基于信息熵的办公建筑空调异常日用能模式在线检测方法，其特征在于步骤S1.5中，所述聚类算法能够将相似的数据聚成一类，通过聚类算法聚类出正常与异常的信息熵值簇；信息熵值作为反映日用能模式的特征参数，从而区分正常日用能模式与异常日用能模式。

5.根据权利要求1所述基于信息熵的办公建筑空调异常日用能模式在线检测方法，其特征在于，步骤S2.1中，当天的日用能记录记为：

日期记为Data(N+1)。

6.根据权利要求1所述基于信息熵的办公建筑空调异常日用能模式在线检测方法，其特征在于，步骤S2.2中，在判断日期属性时，可分为工作日Workday和休息日Restday，统计开机时长，计算开机时间的室外干球温度平均值，然后根据上述条件判断新日用能记录所属工况。

7.根据权利要求1所述基于信息熵的办公建筑空调异常日用能模式在线检测方法，其特征在于，步骤S2.3具体为：

输入能耗矩阵：

式中，

为第k种工况下第i天第j时刻的能耗，N′_k为第k种工况下的正常日用能记录数据集合数据量；

输出距离矩阵：

式中，

为第k种工况下第i天和第i′天的能耗数据记录之间的距离，i,i′∈[1,2,…,N′_k,N′_k+1]。

8.根据权利要求1所述基于信息熵的办公建筑空调异常日用能模式在线检测方法，其特征在于，步骤S2.3中，还包括下述步骤：

根据距离矩阵，建立距离贡献度矩阵，距离贡献度计算方法如下：

为第k种工况下

对整体距离

的贡献度

根据建立好的距离贡献度矩阵，计算各条数据的信息熵值，信息熵值计算方法同S1.5；

输出信息熵值列向量：

。

9.根据权利要求1所述基于信息熵的办公建筑空调异常日用能模式在线检测方法，其特征在于，步骤S2.4中，新日用能记录所在簇中对象个数若大于1，则新日用能记录为正常用能模式，若等于1，则新日用能记录为异常日用能模式。

10.根据权利要求1所述基于信息熵的办公建筑空调异常日用能模式在线检测方法，其特征在于，在步骤S1之前，还包括下述步骤：

日用能数据已进行清洗，不包含离群突变点异常能耗数据。

Images