办公建筑能耗数据异常检测

发布时间：2020-12-14 18:40

　　本文提出了一套公共建筑能耗异常检测框架,将异常能耗分为数据传输异常和运行异常。对数据传输异常采用模式识别型算法,提高数据环境质量。根据建筑能耗特征对运行异常提出不同的算法组合。办公建筑能耗数据结果表明,在异常占比达到5%时,异常检测结果的正确率在85%以上,错误率在4%以下。 

【文章来源】：建筑热能通风空调. 2020年10期

【文章页数】：6 页

【部分图文】：

异常能耗识别框架

缺失值通常发生在数据传输部署完毕之前，由于系统未配置完全导致的个别电表缺少某段时间的数据，在数据传输部署完毕之后也存在少量缺失的情况。缺失值的识别只需将数据按照时间戳匹配，识别流程见图2。2.1.2 电表小数点跳动

对于个别电表，用电量数据可能存在小数点位移的现象。在图3中，17:00时发生电表小数点左移，导致积累用电量减小，该小时用电量为负值，在22:00时积累用电量恢复正常，该小时用电量为偏大值，两个异常值为同一数量级，期间的能耗值为正常值。提出识别此类异常流程（图4）。先以负值确定是否发生此类异常，再通过搜索邻近值内同一数量级的对象来获取另外一个异常点。

【参考文献】：
期刊论文
[1]改进K-means算法在风电异常数据的识别研究[J]. 李亚玲,李涛.  计算机时代. 2020(02)



本文编号：2916835