CN117421618A - 一种建筑能耗监测方法及*** - Google Patents
一种建筑能耗监测方法及*** Download PDFInfo
- Publication number
- CN117421618A CN117421618A CN202311583588.3A CN202311583588A CN117421618A CN 117421618 A CN117421618 A CN 117421618A CN 202311583588 A CN202311583588 A CN 202311583588A CN 117421618 A CN117421618 A CN 117421618A
- Authority
- CN
- China
- Prior art keywords
- data
- energy consumption
- dimension
- building energy
- hierarchical clustering
- 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.)
- Granted
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000005070 sampling Methods 0.000 claims abstract description 94
- 230000002159 abnormal effect Effects 0.000 claims abstract description 66
- 230000008569 process Effects 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 6
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- -1 heat supply Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及能耗监测技术领域,具体涉及一种建筑能耗监测方法及***,包括:获取不同采样周期的多维度的建筑能耗数据;获取所述维度在不同采样周期的变化趋势;获取两个维度的维度组合的相关程度;构建多维样本空间;通过设置不同大小的聚类簇数量,对多维样本空间所有数据点进行层次聚类;根据不同层次聚类结果以及相关程度集合,获取多维样本空间中数据点的聚类簇合并必要性;获取任意聚类簇之间的调整后合并条件得到调整后的层次聚类结果;根据调整后的层次聚类结果,获取多维度建筑能耗数据中的异常数据;根据获取的多维度建筑能耗数据中的异常数据,预测建筑内用户异常能耗模式,使得预测建筑物能耗情况更加准确。
Description
技术领域
本发明涉及能耗监测技术领域,具体涉及一种建筑能耗监测方法及***。
背景技术
建筑行业是全球能源消耗和碳排放的主要来源之一。根据国际能源署(IEA)的数据,建筑和建筑操作约占全球总能源消耗的40%,并贡献了近1/3的年度温室气体排放。随着城市化进程的加速以及生活水平的提高,建筑能耗问题日益突出,引起全球范围内的广泛关注。
在建筑能耗监测的过程中,通过智能传感控制器和物联网技术,可以实现对于建筑能耗设备的智能数据获取与能耗异常数据分析,能有效识别出建筑异常能耗,并利用机器学习模型预测建筑物和设备能耗状况,利用控制策略来改善用能设备的运行,实现及时的调整优化处理,以降低不必要的能源消耗,节约用能成本,提升能源管理效率。但由于多维度建筑能耗数据之间往往存在一定的相关性关系,多维度建筑能耗数据中的部分异常数据是因为相关性关系导致的结构分布的异常,而不是真实的建筑异常能耗状况因此需要结合多维度建筑能耗数据变化相关性特征,利用获取的异常数据,实现建筑能耗智能监测。
发明内容
为了解决上述问题,本发明一种建筑能耗监测方法及***。
本发明的一种建筑能耗监测方法及***采用如下技术方案:
本发明一个实施例提供了一种建筑能耗监测方法,该方法包括以下步骤:
获取不同采样周期的多维度的建筑能耗数据;
对于任意一个维度的建筑能耗数据,获取所述维度在不同采样周期的变化趋势;
对于任意两个维度的建筑能耗数据构成维度组合,根据所述维度组合在不同采样周期的变化趋势,获取所述维度组合的相关程度;将所有维度的建筑能耗数据的任意两个维度构成的若干维度组合的相关程度构成相关程度集合;
对不同采样周期的多维度的建筑能耗数据构建多维样本空间,多维样本空间中包含若干数据点;通过设置不同大小的聚类簇数量,对多维样本空间所有数据点进行层次聚类,获取多维样本空间中不同的层次聚类结果,其中每一个层次聚类结果中包含若干聚类簇;
根据多维样本空间中不同的层次聚类结果以及相关程度集合,获取多维样本空间中数据点的聚类簇合并必要性;
对任意一次层次聚类过程中,根据多维样本空间中数据点的聚类簇合并必要性,获取任意两个聚类簇之间的调整后合并条件,根据调整后的合并条件对所述两个聚类簇进行合并得到调整后的层次聚类结果;
根据调整后的层次聚类结果,获取多维度建筑能耗数据中的异常数据;
根据获取的多维度建筑能耗数据中的异常数据,预测建筑内用户异常能耗模式。
进一步的,所述对于任意一个维度的建筑能耗数据,获取所述维度在不同采样周期的变化趋势,包括的具体步骤如下:
对于任意一个维度的建筑能耗数据,在第一个采样周期内从第一个采样时刻开始,计算第一个采样时刻和第二个采样时刻的数据差值,第二个采样时刻和第三个采样时刻的数据差值,第三个采样时刻和第四个采样时刻数据差值,依次进行,计算相邻时刻的数据差值,将所述数据差值的绝对值构成第一个采样周期的绝对值序列,记作所述维度的第一个采样周期的变化趋势;
获取所述维度的其他采样周期的变化趋势以及其他维度的所有采样周期的变化趋势。
进一步的,所述对于任意两个维度的建筑能耗数据构成维度组合,根据所述维度组合在不同采样周期的变化趋势,获取所述维度组合的相关程度,包括的具体步骤如下:
对于任意两个维度的建筑能耗数据,分别记为第一维度和第二维度;将第一维度的第一个采样周期的变化趋势,分别与第二维度的所有采样周期的变化趋势进行DTW匹配,得到第一维度在第一个采样周期相对于第二维度的DTW相似度分数集合,记为第一维度在第一个采样周期相对于第二维度的第一集合;对所述第一集合中的数据进行降序排序,获取排序后的第一集合;
对排序后的第一集合获取集合中第一个数据值与第二个数据值的差值的绝对值,同样获取第二个数据值与第三个数据值的差值的绝对值,依次进行,得到第一维度的第一个采样周期相对于第二维度的第二集合;
依次类推,获取第一维度的所有采样周期相对于第二维度的第二集合
计算第一维度和第二维度的相关程度,其中记第一维度为维度a,第二维度为维度b,上述两个维度的相关程度DL(a,b)的计算方法为:
其中,I表示维度a的采样周期的数量;Ji表示维度a的第i个采样周期相对于维度b的第二集合中数据的数量;Rij(a,b)表示维度a的第i个采样周期相对于维度b的第二集合中的第j个数据值;表示维度a的第i个采样周期相对于维度b的第二集合中的均值;Max_Min[]表示最大最小化归一化函数。
进一步的,所述通过设置不同大小的聚类簇数量,对多维样本空间所有数据点进行层次聚类,获取多维样本空间中不同的层次聚类结果,包括的具体步骤如下:
设置聚类簇数量区间[x,y],遍历区间[x,y]中的每个整数,当遍历到第n个整数时,将第n个整数作为层次聚类过程中设置的聚类簇的数量,然后对所有数据点进行层次聚类,得到的层次聚类结果记为第n层次聚类结果。
进一步的,所述根据多维样本空间中不同的层次聚类结果以及相关程度集合,获取多维样本空间中数据点的聚类簇合并必要性,包括的具体步骤如下:
在所有层次聚类结果中的若干聚类簇中,获取多维样本空间的第k个数据点所在的多个聚类簇来获取多维样本空间的数据点的聚类簇合并必要性,其中多维样本空间的第k个数据点的聚类簇合并必要性CNk的计算方法为:
其中,U表示相关程度集合中的数据的数量;DLu表示相关程度集合中的第u个数据的数据值;Gk表示多维样本空间的第k个数据点所在的聚类簇;Qu的获取方法为:获取相关程度集合中的第u个数据维度组合,在多维样本空间中的所述维度组合的两个维度所对应坐标构成的平面,记为Qu;
Sku表示聚类簇Gk中的所有数据点在平面Qu上的投影点;HSku表示多维样本空间的第k个数据点分别与Sku的欧式距离;Cov()表示对多维样本空间的第k个数据点分别与这些投影点的欧式距离求方差贡献率;exp[]表示以自然常数为底数的指数函数。
进一步的,所述根据多维样本空间中数据点的聚类簇合并必要性,获取任意两个聚类簇之间的调整后合并条件,包括的具体步骤如下:
在任意一次层次聚类结果中,第f个聚类簇和其他第f′个聚类簇之间的调整后合并条件的计算方法为:
其中,Vf表示第f个聚类簇中数据点的数量;CNv表示第f个聚类簇中第v个数据点的聚类簇合并必要性;D(f,f′)表示第f个聚类簇和其他第f′个聚类簇之间聚类簇中心的欧式距离;δ表示聚类簇合并必要性权重系数;exp[]表示以自然常数为底数的指数函数。
进一步的,所述根据调整后的合并条件对所述两个聚类簇进行合并得到调整后的层次聚类结果,包括的具体步骤如下:
对于任意层次聚类结果中,设置聚类簇之间的阈值,若任意两个聚类簇之间的合并条件大于阈值,则将所述的两个聚类簇应进行合并,得到合并结果;
获取其他聚类簇之间的合并结果,进而获取多个调整后的层次聚类结果。
进一步的,所述根据调整后的层次聚类结果,获取多维度建筑能耗数据中的异常数据,包括的具体步骤如下:
预设第一数量比阈值,对于任意一个层次聚类结果,获取所述层次聚类结果中的数据点的数量与所有数据点的比值,记为所述层次聚类结果的第一数量比,若所述层次聚类结果的第一数量比大于第一数量比阈值,则将所述层次聚类结果的数据点的标记为异常数据点,进而获取多维度建筑能耗数据中的异常数据。
进一步的,所述根据获取的多维度建筑能耗数据中的异常数据,预测建筑内用户异常能耗模式,包括的具体步骤如下:
根据获得的多维度建筑能耗数据中的异常数据,利用建筑能耗数据中的异常数据训练机器学习模型,利用训练后的机器学习模型进行能耗数据预测,预测建筑内用户是否存在异常能耗模式。
本发明还提出一种建筑能耗监测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种建筑能耗监测方法的步骤。
本发明的技术方案的有益效果是:本发明通过采集不同采样周期的多维度的建筑能耗数据,获取各个维度的不同采样周期的变化趋势,进而获取任意两个维度的相关程度。通过构建多维样本空间,并结合不同大小聚类簇数量的层次聚类的结果,获取每个数据点的聚簇类合并必要性,进而对层次聚类结果的两个聚簇调整合并条件,得到调整后的层次聚类结果,根据调整后的的层次聚类结果进行异常能耗数据检测,使得可以预测建筑内用户异常能耗模式。实现了对于建筑异常能耗数据的精准提取,避免了传统的层次聚类方法中仅考虑数据之间得到欧式距离,而不考虑数据之间的相互关系的缺点,使得预测建筑物能耗情况更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种建筑能耗监测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种建筑能耗监测方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种建筑能耗监测方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种建筑能耗监测方法的步骤流程图,该方法包括以下步骤:
S001.利用布置于建筑中的智能传感控制器和物联网技术,获取不同采样周期的多维度的建筑能耗相关数据。
需要说明的是,本实施例的目的是在建筑中通过搭建AIoT智慧能效管理云平台,根据其布置的多种智能传感控制器和物联网技术,将海量大数据通过安全通道实时传输到云端,远程实时监控建筑能耗性能,并利用机器学习模型预测建筑物和设备能耗状况,最终实现建筑能耗智能监测的目的。因此需要利用布置于建筑中的多种智能传感控制器进行建筑能耗监测,获取建筑能耗相关数据。
具体的,本实施例在获取建筑能耗相关的数据的过程中,采集包括电力、燃气、供热、排水等多维度建筑能耗数据,采用相同的采样频率进行建筑能耗数据的采集,其中本实施例选择的采样频率为5min/次,采样周期为1天(其中采样频率以及采样周期可根据实施者具体实施情况而定),并同时记录采样时刻数据t,其中一个采样周期内包含若干个采样时刻。获取不同周期内不同时间的多维度建筑能耗数据,将其通过安全通道实时传输到智慧能效管理云平台的云端处理,进行多维度建筑能耗数据中的异常数据提取,根据异常数据提取并利用机器学习模型预测建筑物和设备能耗状况,最终实现建筑能耗智能监测。
S002.根据不同维度的建筑能耗数据之间在不同采样周期的数据分布获取数据的变化趋势,根据两个维度的建筑能耗数据的变化趋势的一致性变化获取两个维度的建筑能耗数据的相关程度。
需要说明的是,在多维度建筑能耗数据监测过程中,由于对建筑能耗监测是需要利用搭建的东方低碳AIoT智慧能效管理云平台进行能耗分析的过程,可以将获得的建筑能耗异常数据作为异常能耗模式,同样输入机器学习模型中,起到一定的监督学习作用,使得构建出的机器学习模型具备更强的偶然性因素分析能力,能应对于复杂的场景因素变化,使得根据实时能耗数据进行的短时间的建筑物与建筑内用户设备的预测能耗数据更加的准确,因此需要对异常能耗数据进行精准监测。层次聚类算法是一种常用的无监督学习方法,被广泛应用于异常检测任务中。该算法可以将数据点按照相似性分组,形成一个层次性的聚类结构。通过分析该层次性的聚类结构,即可实现建筑能耗数据中的异常数据监测。
需要进一步说明的是,当利用层次聚类算法对获取的多维度建筑能耗数据进行处理的过程中,其多维度建筑能耗数据中的部分异常数据是因为相关性关系导致的结构分布的异常,表现为时间段内的不同维度的能耗数据的互补与相斥关系导致其数据表现出的异常,而不是由偶然因素造成的数据异常,并且层次聚类算法的合并过程中仅是以聚类簇数据之间的欧式距离大小来进行,无法实现对于建筑异常能耗数据的精准监测。因此需要分析多维度建筑能耗数据的多维度相关程度,其中由于多维度建筑能耗数据在时序上的变化特征可以表现建筑能耗数据的变化趋势的一致性,其中变化趋势的一致性反映了建筑能耗数据时序变化上的维度相关的可能性,因此结合多采样周期的多维度建筑能耗数据随时序变化的总体特征以及变化趋势的一致性可以准确获取多维度建筑能耗数据之间的相关程度,并且多维度建筑能耗数据之间的相关程度可以反映数据的异常程度是由维度的相关性特征的影响,还是实际的异常状况造成的数据点的显著异常状况。
具体的,对于任意一个维度的建筑能耗数据,在第一个采样周期内从第一个采样时刻开始,计算第一个采样时刻和第二个采样时刻的数据差值,第二个采样时刻和第三个采样时刻的数据差值,第三个采样时刻和第四个采样时刻数据差值,依次进行,计算相邻时刻的数据差值,将上述数据差值的绝对值构成第一个采样周期的绝对值序列,记作上述维度的第一个采样周期的变化趋势,类似操作获取上述维度的其他采样周期的变化趋势以及其他维度的所有采样周期的变化趋势。需要说明的是,在计算相邻时刻的数据差值时,对于采样周期内的最后一个采样时刻不与其后一个采样时刻进行数据差值的计算。
进一步的,对于任意两个维度的建筑能耗数据,分别记为第一维度和第二维度。将第一维度的第一个采样周期的变化趋势,与第二维度的所有采样周期的变化趋势各自进行DTW匹配,得到上述第一维度在第一个采样周期相对于第二维度的DTW相似度分数集合,记为第一维度在第一个采样周期相对于第二维度的第一集合;在第一维度的第一个采样周期相对于第二维度的第一集合中的数据进行降序排序;
进一步的,对排序后的第一集合获取集合中第一个数据值与第二个数据值的差值的绝对值,同样获取第二个数据值与第三个数据值的差值的绝对值,依次进行,得到第一维度的第一个采样周期相对于第二维度的第二集合。计算第一维度和第二维度的相关程度,其中记第一维度为维度a,第二维度为维度b,上述两个维度的相关程度DL(a,b)的计算方法为:
其中,I表示维度a的采样周期的数量;Ji表示维度a的第i个采样周期相对于维度b的第二集合中数据的数量;Rij(a,b)表示维度a的第i个采样周期相对于维度b的第二集合中的第j个数据值;表示维度a的第i个采样周期相对于维度b的第二集合中的均值;Max_Min[]表示最大最小化归一化函数。
其中维度a的单个采样周期相对于维度b的第一集合中的每个数据表征两个维度变化趋势的一致性,其变化趋势一致性是由两个维度的建筑能耗数据的互补或互斥关系造成的,即部分设施的功能近似性的替代关系造成的,其会使单一维度的建筑能耗数据表现出异常状况,而实际是由于多维度建筑能耗数据的相关性造成的数据点在样本空间上的分布异常状况,通过维度a的采样周期相对于维度的b的第二集合中的数据值的波动变化,来表征两个维度的相关程度,其波动越小表明两个维度越相关,会对数据点的分布产生影响。
类似上述操作,可以得到任意两个维度的建筑能耗数据之间的相关程度,将所有维度的建筑能耗数据之间的组合的相关程度构成数据集合,记为相关程度集合,其中集合中第u个数据值记为DLu。
S003.根据获取的不同维度建筑能耗数据之间的相关程度,并结合不同聚类簇数量下的层次聚类簇的变化特征,获取每个数据点的聚类簇合并必要性。
需要说明的是,根据上述步骤计算得到的不同维度的建筑能耗数据之间的相关程度,其反映的是数据点在多维样本空间上表现的显著程度的可信程度,即利用维度之间的相关程度来区分多维样本空间上的数据点表现出的显著程度的置信度,来确定表现出来的是由维度的相关性特征的影响造成的显著,还是由于实际的异常状况造成的数据点的显著。对应到层次聚类算法对多维样本空间上数据点的处理过程中,则是数据点对应于多个聚类簇的显著程度的变化情况。因此结合样本空间中数据点的聚类簇变化特征,获得数据点对应的聚类簇的合并必要性,便于后续调节层次聚类过程中的聚类簇合并过程。
具体的,根据获取多维度建筑能耗数据,构建多维样本空间,其中多维样本空间中每个维度有各自的坐标,其中每一个采样时刻上有不同维度的建筑能耗数据与同一个数据点对应,即为每个采样时刻上生成一个多维样本空间的数据点。类似上述操作,将所有采集的不同采样周期的不同采样时刻的多维度建筑能耗数据生成多维样本空间的数据点。
进一步的,设置不同大小的聚类簇数量来获取不同的层次聚类结果,其中本实施例设置的聚类簇数量区间为[x,y],遍历区间[x,y]中的每个整数,当遍历到第n个整数时,将第n个整数作为层次聚类过程中设置的聚类簇的数量,然后对所有数据点进行层次聚类,得到的层次聚类结果记为第n层次聚类结果,第n层次聚类结果包含若干聚类簇,其中本实施例设置为x=3,y=15,可根据实施者具体实施情况而定。
进一步的,对于多维样本空间中的任意一个数据点,获取每次遍历过程中的不同的层次聚类结果。在上述所有的层次聚类结果中获取多维样本空间的第k个数据点所在的多个聚类簇,根据层次聚类过程中多个聚类簇的变化来获取多维样本空间的数据点的聚类簇合并必要性,其中该多维样本空间的第k个数据点的聚类簇合并必要性CNk的计算方法为:
其中,U表示相关程度集合中的数据的数量;DLu表示相关程度集合中的第u个数据的数据值;Gk表示多维样本空间的第k个数据点所在的聚类簇;Qu的获取方法为:获取相关程度集合中的第u个数据对应的两个维度,在多维样本空间中的这两个维度所对应坐标构成的平面,记为Qu;
Sku表示聚类簇Gk中的所有数据点在平面Qu上的投影点;表示多维样本空间的第k个数据点分别与Sku的欧式距离;Cov()表示对多维样本空间的第k个数据点分别与这些投影点的欧式距离求方差贡献率;exp[]表示以自然常数为底数的指数函数,本实施例通过exp[-]函数来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数。其中在利用层次聚类算法对多维样本空间中的数据点进行处理的过程中,一个数据点由于设置的聚类簇的数量不同,被合并到不同的聚类簇内,则在不同的聚类簇数量下存在对应的多个聚类簇,其维度相关程度下的显著性特征会随着聚类簇内样本变化特征而不同,若该数据点所在聚类簇越在不同维度相关程度下表现的越显著,其数据点在聚类簇合并过程中被合并的必要性就越大。
S004.根据获取的数据点的聚类簇合并必要性,对层次聚类过程中的合并条件进行调整,得到准确的层次聚类结果,进而标记异常数据点。
需要说明的是,在层次聚类的过程中,需要结合层次聚类过程中的聚类簇之间的欧式距离以及获取的多维样本空间中的每个数据点的聚类簇合并必要性,来对层次聚类过程中的聚类簇合并过程进行调整,来实现多维度建筑能耗数据中的异常数据进行精准监测。
具体的,根据获取的多维样本空间中的数据点的聚类簇的合并必要性以及层次聚类过程中的聚类簇之间的欧式距离,来对层次聚类过程中聚类簇合并时的合并条件进行调整,在任意一次层次聚类结果中,第f个聚类簇和其他第f′个聚类簇之间的调整后合并条件的计算方法为:
其中,Vf表示第f个聚类簇中数据点的数量;CNv表示第f个聚类簇中第v个数据点的聚类簇合并必要性;D(f,f′)表示第f个聚类簇和其他第f′个聚类簇之间聚类簇中心的欧式距离;δ表示聚类簇合并必要性权重系数,其中本实施例中设置为δ=0.45,可根据实施者具体实施情况进行调整。
进一步的,根据获取的所有聚类簇的合并条件,进行层次聚类过程中的聚类簇合并操作。其中层次聚类过程中的聚类簇合并操作是通过设置聚类簇之间的阈值来进行,对于任意层次聚类结果中,若所述层次聚类结果中的任意两个聚类簇之间的合并条件大于阈值,则将所述的两个聚类簇应进行合并,,得到合并结果,其中本实施例预设聚类簇之间的阈值为0.68,实施者可根据实施者具体实施情况而定。对于任意一个多维样本空间中的数据点记为目标数据点,在任意一个层次聚类结果中,获取所述层次聚类结果中的数据点数量与所有数据点的比值,记为所述层次聚类结果的第一数量比,将所述层次聚类结果中的目标数据点的异常程度值设置为第所述第一数量比。类似操作,可以获取所有层次聚类结果的目标数据点的第一数量比,将若干第一数量比记为目标数据点的第一数量比集合。获取目标数据点的第一数量比集合中的所有数据的均值作为目标数据点的异常程度值,本实施例预设异常程度阈值(本实施例设置为0.65,可根据实施者具体实施情况而定),若目标数据点的异常程度值大于异常程度阈值,则将目标数据点标记为异常数据点,进而获取多维度建筑能耗数据中的异常数据。
S005.根据获取的建筑能耗数据的中的异常数据,输入到云平台中的模型中,进行建筑物能耗分析。
根据获得的多维度建筑能耗数据中的异常数据,其是基于通过提取建筑内用户的建筑能耗数据,通过多维能耗数据影响分析下的层次聚类得出的建筑能耗异常数据,一定程度上反映了建筑内用户的异常能耗模式。利用建筑能耗数据中的异常数据训练机器学***台是东方低碳AIoT智慧能效管理云平台(https://www.elc.cn/show4/),使用的机器学***台,以及其他机器学***台中已有机器学习模型,本实施例不进行具体限定。
本发明还提出一种建筑能耗监测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述步骤S001~S005。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种建筑能耗监测方法,其特征在于,该方法包括以下步骤:
获取不同采样周期的多维度的建筑能耗数据;
对于任意一个维度的建筑能耗数据,获取所述维度在不同采样周期的变化趋势;
对于任意两个维度的建筑能耗数据构成维度组合,根据所述维度组合在不同采样周期的变化趋势,获取所述维度组合的相关程度;将所有维度的建筑能耗数据的任意两个维度构成的若干维度组合的相关程度构成相关程度集合;
对不同采样周期的多维度的建筑能耗数据构建多维样本空间,多维样本空间中包含若干数据点;通过设置不同大小的聚类簇数量,对多维样本空间所有数据点进行层次聚类,获取多维样本空间中不同的层次聚类结果,其中每一个层次聚类结果中包含若干聚类簇;
根据多维样本空间中不同的层次聚类结果以及相关程度集合,获取多维样本空间中数据点的聚类簇合并必要性;
对任意一次层次聚类过程中,根据多维样本空间中数据点的聚类簇合并必要性,获取任意两个聚类簇之间的调整后合并条件,根据调整后的合并条件对所述两个聚类簇进行合并得到调整后的层次聚类结果;
根据调整后的层次聚类结果,获取多维度建筑能耗数据中的异常数据;
根据获取的多维度建筑能耗数据中的异常数据,预测建筑内用户异常能耗模式。
2.根据权利要求1所述的一种建筑能耗监测方法,其特征在于,所述对于任意一个维度的建筑能耗数据,获取所述维度在不同采样周期的变化趋势,包括的具体步骤如下:
对于任意一个维度的建筑能耗数据,在第一个采样周期内从第一个采样时刻开始,计算第一个采样时刻和第二个采样时刻的数据差值,第二个采样时刻和第三个采样时刻的数据差值,第三个采样时刻和第四个采样时刻数据差值,依次进行,计算相邻时刻的数据差值,将所述数据差值的绝对值构成第一个采样周期的绝对值序列,记作所述维度的第一个采样周期的变化趋势;
获取所述维度的其他采样周期的变化趋势以及其他维度的所有采样周期的变化趋势。
3.根据权利要求1所述的一种建筑能耗监测方法,其特征在于,所述对于任意两个维度的建筑能耗数据构成维度组合,根据所述维度组合在不同采样周期的变化趋势,获取所述维度组合的相关程度,包括的具体步骤如下:
对于任意两个维度的建筑能耗数据,分别记为第一维度和第二维度;将第一维度的第一个采样周期的变化趋势,分别与第二维度的所有采样周期的变化趋势进行DTW匹配,得到第一维度在第一个采样周期相对于第二维度的DTW相似度分数集合,记为第一维度在第一个采样周期相对于第二维度的第一集合;对所述第一集合中的数据进行降序排序,获取排序后的第一集合;
对排序后的第一集合获取集合中第一个数据值与第二个数据值的差值的绝对值,同样获取第二个数据值与第三个数据值的差值的绝对值,依次进行,得到第一维度的第一个采样周期相对于第二维度的第二集合;
依次类推,获取第一维度的所有采样周期相对于第二维度的第二集合
计算第一维度和第二维度的相关程度,其中记第一维度为维度a,第二维度为维度b,上述两个维度的相关程度DL(a,b)的计算方法为:
其中,I表示维度a的采样周期的数量;Ji表示维度a的第i个采样周期相对于维度b的第二集合中数据的数量;Rij(a,b)表示维度a的第i个采样周期相对于维度b的第二集合中的第j个数据值;表示维度a的第i个采样周期相对于维度b的第二集合中的均值;Max_Min[]表示最大最小化归一化函数。
4.根据权利要求1所述的一种建筑能耗监测方法,其特征在于,所述通过设置不同大小的聚类簇数量,对多维样本空间所有数据点进行层次聚类,获取多维样本空间中不同的层次聚类结果,包括的具体步骤如下:
预设聚类簇数量区间[x,y],遍历区间[x,y]中的每个整数,当遍历到第n个整数时,将第n个整数作为层次聚类过程中设置的聚类簇的数量,然后对所有数据点进行层次聚类,得到的层次聚类结果记为第n层次聚类结果。
5.根据权利要求1所述的一种建筑能耗监测方法,其特征在于,所述根据多维样本空间中不同的层次聚类结果以及相关程度集合,获取多维样本空间中数据点的聚类簇合并必要性,包括的具体步骤如下:
在所有层次聚类结果中的若干聚类簇中,获取多维样本空间的第k个数据点所在的多个聚类簇来获取多维样本空间的数据点的聚类簇合并必要性,其中多维样本空间的第k个数据点的聚类簇合并必要性CNk的计算方法为:
其中,U表示相关程度集合中的数据的数量;DLu表示相关程度集合中的第u个数据的数据值;Gk表示多维样本空间的第k个数据点所在的聚类簇;Qu的获取方法为:获取相关程度集合中的第u个数据维度组合,在多维样本空间中的所述维度组合的两个维度所对应坐标构成的平面,记为Qu;
Sku表示聚类簇Gk中的所有数据点在平面Qu上的投影点;表示多维样本空间的第k个数据点分别与Sku的欧式距离;Cov()表示对多维样本空间的第k个数据点分别与这些投影点的欧式距离求方差贡献率;exp[]表示以自然常数为底数的指数函数。
6.根据权利要求1所述的一种建筑能耗监测方法,其特征在于,所述根据多维样本空间中数据点的聚类簇合并必要性,获取任意两个聚类簇之间的调整后合并条件,包括的具体步骤如下:
在任意一次层次聚类结果中,第f个聚类簇和其他第f′个聚类簇之间的调整后合并条件的计算方法为:
其中,Vf表示第f个聚类簇中数据点的数量;CNv表示第f个聚类簇中第v个数据点的聚类簇合并必要性;D(f,f′)表示第f个聚类簇和其他第f′个聚类簇之间聚类簇中心的欧式距离;δ表示聚类簇合并必要性权重系数;exp[]表示以自然常数为底数的指数函数。
7.根据权利要求1所述的一种建筑能耗监测方法,其特征在于,所述根据调整后的合并条件对所述两个聚类簇进行合并得到调整后的层次聚类结果,包括的具体步骤如下:
对于任意层次聚类结果中,设置聚类簇之间的阈值,若任意两个聚类簇之间的合并条件大于阈值,则将所述的两个聚类簇应进行合并,得到合并结果;
获取其他聚类簇之间的合并结果,进而获取多个调整后的层次聚类结果。
8.根据权利要求1所述的一种建筑能耗监测方法,其特征在于,所述根据调整后的层次聚类结果,获取多维度建筑能耗数据中的异常数据,包括的具体步骤如下:
预设第一数量比阈值,对于任意一个层次聚类结果,获取所述层次聚类结果中的数据点的数量与所有数据点的比值,记为所述层次聚类结果的第一数量比,若所述层次聚类结果的第一数量比大于第一数量比阈值,则将所述层次聚类结果的数据点的标记为异常数据点,进而获取多维度建筑能耗数据中的异常数据。
9.根据权利要求1所述的一种建筑能耗监测方法,其特征在于,所述根据获取的多维度建筑能耗数据中的异常数据,预测建筑内用户异常能耗模式,包括的具体步骤如下:
根据获得的多维度建筑能耗数据中的异常数据,利用建筑能耗数据中的异常数据训练机器学习模型,利用训练后的机器学习模型进行能耗数据预测,预测建筑内用户是否存在异常能耗模式。
10.一种建筑能耗监测***,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述一种建筑能耗监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311583588.3A CN117421618B (zh) | 2023-11-24 | 2023-11-24 | 一种建筑能耗监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311583588.3A CN117421618B (zh) | 2023-11-24 | 2023-11-24 | 一种建筑能耗监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117421618A true CN117421618A (zh) | 2024-01-19 |
CN117421618B CN117421618B (zh) | 2024-04-05 |
Family
ID=89523119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311583588.3A Active CN117421618B (zh) | 2023-11-24 | 2023-11-24 | 一种建筑能耗监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117421618B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807550A (zh) * | 2024-02-29 | 2024-04-02 | 山东宙雨消防科技股份有限公司 | 一种建筑消防设施智能化定量检测方法及*** |
CN117851836A (zh) * | 2024-03-05 | 2024-04-09 | 浙江普康智慧养老产业科技有限公司 | 一种用于养老信息服务***的数据智能分析方法 |
CN117874690A (zh) * | 2024-03-13 | 2024-04-12 | 山东省地质测绘院 | 一种地理信息测绘数据智能管理方法 |
CN118035850A (zh) * | 2024-04-11 | 2024-05-14 | 青岛东捷建设集团有限公司 | 一种面向建筑墙体的混凝土厚度无损检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8989910B1 (en) * | 2010-12-31 | 2015-03-24 | C3, Inc. | Systems and methods for data mining of energy consumption data |
FR3032786A1 (fr) * | 2015-02-17 | 2016-08-19 | Schneider Electric Ind Sas | Systeme de traitement de donnees et de modelisation pour l'analyse de la consommation energetique d'un site |
CN112288597A (zh) * | 2020-11-24 | 2021-01-29 | 四川长虹电器股份有限公司 | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 |
CN112381181A (zh) * | 2020-12-11 | 2021-02-19 | 桂林电子科技大学 | 一种建筑能耗异常的动态检测方法 |
CN113298170A (zh) * | 2021-06-02 | 2021-08-24 | 浙江大学 | 非稳定工况下能耗模式识别方法及*** |
CN113505935A (zh) * | 2021-07-26 | 2021-10-15 | 上海东方低碳科技产业股份有限公司 | 基于集成算法的电力异常波动检测和预测计算方法 |
CN113807418A (zh) * | 2021-09-02 | 2021-12-17 | 乐创达投资(广东)有限公司 | 一种基于高斯混合模型的注塑机能耗异常检测方法及*** |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网*** |
CN116186634A (zh) * | 2023-04-26 | 2023-05-30 | 青岛新航农高科产业发展有限公司 | 一种建筑工程施工数据智能管理*** |
CN116579506A (zh) * | 2023-07-13 | 2023-08-11 | 陕西通信规划设计研究院有限公司 | 一种基于大数据的建筑能耗数据智能管理方法及*** |
CN117034043A (zh) * | 2023-10-09 | 2023-11-10 | 山东五棵松电气科技有限公司 | 基于多能源物联网的智慧建筑综合能耗监测方法及*** |
CN117034037A (zh) * | 2023-08-24 | 2023-11-10 | 国网(天津)综合能源服务有限公司 | 基于群粒子算法的区域能耗异常数据的检测方法及相关设备 |
-
2023
- 2023-11-24 CN CN202311583588.3A patent/CN117421618B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8989910B1 (en) * | 2010-12-31 | 2015-03-24 | C3, Inc. | Systems and methods for data mining of energy consumption data |
FR3032786A1 (fr) * | 2015-02-17 | 2016-08-19 | Schneider Electric Ind Sas | Systeme de traitement de donnees et de modelisation pour l'analyse de la consommation energetique d'un site |
CN112288597A (zh) * | 2020-11-24 | 2021-01-29 | 四川长虹电器股份有限公司 | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 |
CN112381181A (zh) * | 2020-12-11 | 2021-02-19 | 桂林电子科技大学 | 一种建筑能耗异常的动态检测方法 |
CN113298170A (zh) * | 2021-06-02 | 2021-08-24 | 浙江大学 | 非稳定工况下能耗模式识别方法及*** |
CN113505935A (zh) * | 2021-07-26 | 2021-10-15 | 上海东方低碳科技产业股份有限公司 | 基于集成算法的电力异常波动检测和预测计算方法 |
CN113807418A (zh) * | 2021-09-02 | 2021-12-17 | 乐创达投资(广东)有限公司 | 一种基于高斯混合模型的注塑机能耗异常检测方法及*** |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网*** |
CN116186634A (zh) * | 2023-04-26 | 2023-05-30 | 青岛新航农高科产业发展有限公司 | 一种建筑工程施工数据智能管理*** |
CN116579506A (zh) * | 2023-07-13 | 2023-08-11 | 陕西通信规划设计研究院有限公司 | 一种基于大数据的建筑能耗数据智能管理方法及*** |
CN117034037A (zh) * | 2023-08-24 | 2023-11-10 | 国网(天津)综合能源服务有限公司 | 基于群粒子算法的区域能耗异常数据的检测方法及相关设备 |
CN117034043A (zh) * | 2023-10-09 | 2023-11-10 | 山东五棵松电气科技有限公司 | 基于多能源物联网的智慧建筑综合能耗监测方法及*** |
Non-Patent Citations (3)
Title |
---|
JULIEN LEPRINCE等: "Data mining cubes for buildings, a generic framework for multidimensional analytics of building performance data", 《ELSEVIER SCIENCE SA》, vol. 248, 23 June 2021 (2021-06-23), pages 1 - 16, XP086692909, DOI: 10.1016/j.enbuild.2021.111195 * |
RONGQIANG FENG等: "Design of Comprehensive Energy System Considering Anomaly Detection of Multi-Energy Data", 《2022 4TH INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND ADVANCED MANUFACTURING (AIAM)》, 27 March 2023 (2023-03-27), pages 350 - 354 * |
孙春华等: "大型集中供热***热力站耗热量聚类分析", 《建筑节能(中英文)》, vol. 50, no. 1, 25 January 2022 (2022-01-25), pages 74 - 79 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807550A (zh) * | 2024-02-29 | 2024-04-02 | 山东宙雨消防科技股份有限公司 | 一种建筑消防设施智能化定量检测方法及*** |
CN117807550B (zh) * | 2024-02-29 | 2024-05-17 | 山东宙雨消防科技股份有限公司 | 一种建筑消防设施智能化定量检测方法及*** |
CN117851836A (zh) * | 2024-03-05 | 2024-04-09 | 浙江普康智慧养老产业科技有限公司 | 一种用于养老信息服务***的数据智能分析方法 |
CN117851836B (zh) * | 2024-03-05 | 2024-05-28 | 浙江普康智慧养老产业科技有限公司 | 一种用于养老信息服务***的数据智能分析方法 |
CN117874690A (zh) * | 2024-03-13 | 2024-04-12 | 山东省地质测绘院 | 一种地理信息测绘数据智能管理方法 |
CN117874690B (zh) * | 2024-03-13 | 2024-05-28 | 山东省地质测绘院 | 一种地理信息测绘数据智能管理方法 |
CN118035850A (zh) * | 2024-04-11 | 2024-05-14 | 青岛东捷建设集团有限公司 | 一种面向建筑墙体的混凝土厚度无损检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117421618B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117421618B (zh) | 一种建筑能耗监测方法及*** | |
CN103912966B (zh) | 一种地源热泵制冷***优化控制方法 | |
CN106951611B (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
CN110866528B (zh) | 一种模型训练方法、能耗使用效率预测方法、装置和介质 | |
CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
CN106991504B (zh) | 基于分项计量时间序列的建筑能耗预测方法、***及建筑物 | |
CN112926795B (zh) | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及*** | |
CN111639823A (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
CN103488561A (zh) | 一种在线升级主样本模型的kNN故障检测方法 | |
CN114282730A (zh) | 一种用于建筑负荷预测的数据完备性检验与特征学习方法 | |
CN112183826A (zh) | 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 | |
CN114119273A (zh) | 一种园区综合能源***非侵入式负荷分解方法及*** | |
CN110610275A (zh) | 一种基于acqpso-elm的变风量空调负荷预测方法及*** | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
CN113778215A (zh) | 基于大数据实现数据中心pue预测以及降耗策略的方法 | |
CN116226689A (zh) | 一种基于高斯混合模型的配电网典型运行场景生成方法 | |
CN116468138A (zh) | 空调负荷预测方法、***、电子设备及计算机存储介质 | |
CN112329813A (zh) | 一种能耗预测用特征提取方法及*** | |
CN116956189A (zh) | 一种电流异常检测***、方法、电子设备及介质 | |
CN113344243B (zh) | 基于改进哈里斯鹰算法优化elm的风速预测方法及*** | |
CN109543914B (zh) | 基于ap聚类算法的rbf建筑运行能耗的预测方法 | |
CN117313795A (zh) | 一种基于改进dbo-lstm的智慧楼宇能耗预测方法 | |
CN108802845B (zh) | 一种基于红外阵列传感器的室内人员占有率估计方法 | |
CN116951780A (zh) | 一种智能中央热水器管理方法和*** | |
Kaligambe et al. | Indoor Room Temperature and Relative Humidity Estimation in a Commercial Building Using the XGBoost Machine Learning Algorithm |
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 |