本文提出了一套公共建筑能耗異常檢測框架,將異常能耗分為數(shù)據(jù)傳輸異常和運行異常。對數(shù)據(jù)傳輸異常采用模式識別型算法,提高數(shù)據(jù)環(huán)境質量。根據(jù)建筑能耗特征對運行異常提出不同的算法組合。辦公建筑能耗數(shù)據(jù)結果表明,在異常占比達到5%時,異常檢測結果的正確率在85%以上,錯誤率在4%以下。 

【文章來源】：建筑熱能通風空調. 2020年10期

【文章頁數(shù)】：6 頁

【部分圖文】：

異常能耗識別框架

缺失值通常發(fā)生在數(shù)據(jù)傳輸部署完畢之前，由于系統(tǒng)未配置完全導致的個別電表缺少某段時間的數(shù)據(jù)，在數(shù)據(jù)傳輸部署完畢之后也存在少量缺失的情況。缺失值的識別只需將數(shù)據(jù)按照時間戳匹配，識別流程見圖2。2.1.2 電表小數(shù)點跳動

對于個別電表，用電量數(shù)據(jù)可能存在小數(shù)點位移的現(xiàn)象。在圖3中，17:00時發(fā)生電表小數(shù)點左移，導致積累用電量減小，該小時用電量為負值，在22:00時積累用電量恢復正常，該小時用電量為偏大值，兩個異常值為同一數(shù)量級，期間的能耗值為正常值。提出識別此類異常流程（圖4）。先以負值確定是否發(fā)生此類異常，再通過搜索鄰近值內同一數(shù)量級的對象來獲取另外一個異常點。

【參考文獻】：
期刊論文
[1]改進K-means算法在風電異常數(shù)據(jù)的識別研究[J]. 李亞玲,李濤.  計算機時代. 2020(02)



本文編號：2916835