能耗异常识别方法与流程

1.本发明涉及一种能耗管理系统，尤其涉及一种用于能耗管理系统的能耗异常识别方法。


背景技术：

2.随着全社会节能工作的深入开展，能耗管理系统已经渐成各用能单位信息化建设的标配。要真正发挥能耗管理系统的效力，就自然要求有算法对建筑能耗管理系统中的异常能耗具备辨别能力。
3.传统的能耗异常识别算法主要分为两大类，一类为对标诊断法，即通过查看实际能耗或能效是否达到相关标准规定值要求来考虑能源系统是否节能；另一类为基于无监督学习的异常值识别，即通过聚类的方法或者统计的方法对数据进行整体分析将离群值作为异常能耗值。此两类方法的明显弊端为：一方面，相关标准规定值的设定为稳妥固定的保守值，另外通过对所有数据直接进行聚类或者统计的结果也为明显离群值，以致这两类能耗异常识别方法的漏报率较高；另一方面，相关标准规定值是针对大型公共建筑设定的，基于聚类或者统计的分析也是整体分析，因而无法了解具体的房间内的能耗使用情况，也无法为能耗管控提供客观、准确、明确的指导意见。


技术实现要素：

4.本发明的目的是针对上述现有技术存在的不足，提供了一种能耗异常识别方法。本发明能耗异常识别方法解决了现有识别方法存在的漏报率较高，不够客观、适应性不够的问题。
5.本发明能耗异常识别方法包括：将采样的相应数据转换为标准的小时数据，将开机前一个小时的能耗数据进行识别、对相应异常数据进行识别处理；对相应楼栋内所有房间的能耗数据，通过空调的相应参数，对每个面积相似房间的小时负荷进行分组；根据包括室外温度和/或设置温度在分组内查找同类型小时负荷；基于房间id筛选同类型小时负荷；对同类型小时负荷、对应的分箱统计频数这两个变量进行识峰判定，查找出节能峰以及非节能峰；对节能峰与非节能峰两峰之间的同类型小时负荷进行统计与聚类分析，构建评估指标，找出节能与非节能的分界阈值，若能耗高于阈值，则能耗使用异常，反之能耗使用正常。
6.所述采样的相应数据包括额定功率、额定制冷量、室外温度和/或设置温度，或者包括相应楼栋内所有房间的空调参数和/或运行环境数据包括空调铭牌参数、房间电参量、空调运行数据和室外天气信息。
7.所述空调的相应参数包括额定制冷量、额定制冷功率。
8.本发明能耗异常识别方法通过聚类与统计相结合的方式，以动态节能式评判基准，基于对单个房间内的小时负荷(同类型小时负荷数据)、室外温度、室内温度、设置温度、空调额定制冷量、空调额定功率、开关机状态、房间面积等进行关联分析、识别，提供了随室外温度、设置温度变化的能耗动态阈值，提高了能耗异常识别的准确度，能够大大提高能耗异常识别的客观、真实、准确性，通过一栋楼内的所有房间进行精细化分组以及同类型小时负荷的关联分析，可以给出每个房间具体的能耗异常时段，并针对能源托管类项目，降低运维人力成本，为建筑的节能管控决策提供依据，适应性和适用性强。
附图说明
9.图1为本发明一实施例流程图。实施方式
10.为更好的理解本发明，现通过实施例结合附图对本发明的技术方案进行清楚、完整地说明。
11.本发明针对额定功率、额定制冷量、室外温度、设置温度等的相关参数进行分组的小时数据，基于聚类结合统计等无监督方法确定“节能”、“非节能”的分界点(分界阈值)，若能耗高于阈值，则能耗使用异常，反之能耗使用正常。
12.即，收集相应楼栋内所有房间的空调铭牌参数、房间电参量、空调运行数据和室外天气信息；所述空调铭牌参数包括额定制冷量、额定功率等，所述房间电参量包括小时负荷等，所述空调运行数据包括室内温度、设置温度、开关机状态等，所述天气数据包括室外温度等。
13.将变频采样的数据转换为标准的小时数据，将开机前一个小时的能耗数据、跳变数据、和/或累计负荷值负向变动等异常值进行识别并标记；对相应楼栋内所有房间的能耗数据(即小时负荷)，通过空调的相应参数(额定制冷量、额定制冷功率，对每个面积相似房间的小时负荷进行精细化分组；根据包括室外温度和/或设置温度等在分组内查找同类型小时负荷；基于房间id筛选同类型小时负荷；对同类型小时负荷、对应的分箱统计频数这两个变量进行识峰判定，查找出节能峰以及非节能峰；对节能峰与非节能峰两峰之间的同类型小时负荷进行统计与聚类分析，构建评估指标，找出节能与非节能的分界阈值。若能耗高于阈值，则能耗使用异常，反之则能耗使用正常。
14.其空调参数包括空调铭牌参数，其空调运行环境数据包括房间面积、相应的房间电参量、空调运行数据和/或室外天气信息。
15.在本实例的具体方法步骤包括：数据预处理模块、同类型数据的查找模块、异常能耗识别模块。
16.1、数据预处理模块：主要包含数据转换、开机数据标记、异常数据识别及处理等；其数据转换包括将变频采样的数据转换为标准的小时数据；其采样的数据包括一栋楼内所有房间的空调铭牌参数、房间电参量、空调运行数据和/或室外天气信息；如室外温度、室内温度、设置温度、空调额定制冷量、空调额定功率、
开关机状态、和/或房间面积。
17.其开机数据标记包括：对空调开机前一个小时的负荷数据进行标记，由于空调刚启动的前一个小时室内外温差较大，无法短时间内进入稳态，该段时间内空调外机会持续做功，从而导致能耗较高，为减少能耗异常识别的误报，需将开机前一个小时的能耗数据进行标记、以及对异常数据进行识别和处理；其异常数据的识别分别包含对跳变数据的异常值识别、随机插入的错误数据识别、累计负荷值负向变动的识别等，具体采取的识别方法主要包括箱线图法、3sigmoid原则；其异常数据的处理对其异常值标志位的标记，并不纳入能耗异常识别的判定范围。
18.2、同类型数据的查找包括：同类型数据查找之前，将数据转换后的标准小时数据中的设置温度与合理设置温度对比；该温度值可以由用户或者专业人员在保证用户舒适度的前提下，设置一个尽可能大的值，若设置温度低于合理设置温度，则直接进行能耗异常提示，反之，进行能耗异常的识别。
19.其查找步骤包括：1)、查找出某一楼栋所有空调额定功率、额定制冷量相同或近似相等、且房间面积相同或近似相等的历史开机数据；2)、对满足步骤一的所有历史开机数据里面查找与相应房间某一时点的设置温度和室外温度相近t+δ的历史开机数据，该历史数据的δ值的设定可以根据专业人员的经验值进行设定。其中，历史开机数据包括处于开机状态的历史数据，具体包括开机状态、室外温度、设置温度、室内温度、小时负荷等。
20.例如，对2022-04-25 16：25a楼栋空调额定功率、额定制冷量分别为1525/5250，该天下午15点设置温度24，室外温度30，用能为1.5度电的b房间进行同类型小时负荷查找：1)、查找出所有a楼栋所有空调额定功率、额定制冷量分别为1525/5250且房间面积近似相等的历史开机数据，2)、对满足步骤一的所有历史数据里面查找与b房间下午15点设置温度和室外温度相近t
±
δ的历史数据(δ值的设定可以根据专业人员的经验值进行设定)。
21.3、能耗异常识别包括：能耗异常识别是基于对同类型小时负荷统计的基础上，找出节能与非节能的分界阈值，若能耗高于分界阈值，则能耗使用异常，反之能耗使用正常。
22.其同类型小时负荷统计包括，首先将负荷数据按照升序进行排列，以滑动窗的方式的数据进行分箱，并统计箱子内数据的频数。基于频数的统计可知同类型负荷数据(即同类型小时负荷数据)的分布，对小时负荷、对应的出现频数这两个变量进行识峰判定。其识峰判定可为直接利用已有的方法scipy.signal.find_peaks，若分布显示明显的双峰波形，负荷值较小的峰为节能峰，负荷值较大的峰为非节能峰，两峰峰之间的分界线即为区分节能与非节能的动态阈值。若分布显示为单峰波形，即同类型小时负荷的分布中节能数据与非节能数据分布不平衡，因此在进行动态阈值的确定之前需根据房间id进行同类型小时负荷数据的筛选。
23.其房间id筛选的步骤包括：1)、假设若节能数据量＞非节能数据量，查找同类型小时负荷，按照房间id分组计算的同类型小时负荷数据的均值，按照同类型小时负荷数据的均值从小到大排列房间id，依次缩减房间数，对同类型小时负荷进行统计分析；
2)、若步骤1)统计分析能查找到双峰波形，即能找到节能与非节能的分界线，退出循坏，反之继续步骤1)的过程，若房间数小于设定的某一阈值时，统计结果仍未查找出双峰波形，则进入步骤3)；3)、假设非节能数据量＞节能数据量，查找同类型小时负荷，按照房间id分组计算的同类型小时负荷值的均值，按照均值从大到小，对同类型小时负荷进行统计分析；4)、若步3)骤统计分析能查找到双峰波形，即能找到节能与非节能的分界线，退出循环，反之继续步骤1)的过程，若房间数小于设定的某一阈值时，统计结果仍未查找出双峰波形，退出循环，算法就现有数据无法进行能耗异常识别。
24.在进行房间id的筛选后，重新对剩余房间的同类型小时负荷进行统计分析，若发现双峰分布图，继续进行“节能”与“非节能”分界线的确定。
25.节能与非节能之间存在过渡区间，为减少能耗异常识别的误报率，尽可能取过渡区间的右临界值作为“节能”与“非节能”分界线。根据线下分析，发现过渡区间的右临界值具有频数较小、频数增量绝对值较小的特点，即右临界值对应频数较小、频数变化量绝对值较小的聚类簇中的最大负荷值。
26.对频数、频数增量绝对值进行评估。
27.为评估出频数(p)较小、频数变化量的绝对值较小的聚类簇，即我们构建新的评估指标为：
28.重新对剩余房间的同类型小时负荷进行统计分析，继续进行“节能”与“非节能”分界线的确定的步骤包括：1)、在进行房间id的筛选后，重新对剩余房间的同类型小时负荷进行统计分析，对小时负荷、对应的出现频数这两个变量进行识峰判定是否存在双峰，若存在，取出两峰之间的负荷量，并计算频数变化量
29.2)、基于频数(p)、频数变化量这两个变量进行kmeans的三聚类，并对每一个聚类簇的频数(p)、频数变化量进行归一化，得到scaler_p、归一化后结果对其簇类所有点的均值得到，并将其带入新的评估指标为：计算出γ值。
30.3)、取出γ值最小的簇中的最大负荷值，即为“节能”与“非节能”分界线。
31.本发明通过采集一栋楼内所有房间的能耗数据，利用空调的额定制冷量、额定制冷功率、房间面积等，对每个房间的小时负荷进行精细化分组，然后根据室外温度、设置温度对标同类型房间的海量历史能耗数据，在此基础上对同类型能耗数据进行分箱统计频数确定数据分布，再利用kmeans聚类将数据划分为节能数据、非节能数据、节能向非节能的过渡数据，最终查找过渡数据与非节能数据的决策界面为最终的能耗基准。其提出动态节能
评判基准，能够大大提高能耗异常识别的准确性，并针对能源托管类项目，可以降低运维人力成本，并为建筑的节能管控决策提供依据。

技术特征：
1.一种能耗异常识别方法，其特征是包括：将采样的相应数据转换为标准的小时数据，将开机前一个小时的能耗数据进行识别、对相应异常数据进行识别处理；对相应楼栋内所有房间的能耗数据，通过空调的相应参数，对每个面积相似房间的小时负荷进行分组；根据包括室外温度和/或设置温度在分组内查找同类型小时负荷；基于房间id筛选同类型小时负荷；对同类型小时负荷、对应的分箱统计频数这两个变量进行识峰判定，查找出节能峰以及非节能峰；对节能峰与非节能峰两峰之间的同类型小时负荷进行统计与聚类分析，构建评估指标，找出节能与非节能的分界阈值，若能耗高于阈值，则能耗使用异常，反之能耗使用正常。2.根据权利要求1所述能耗异常识别方法，其特征是所述采样的相应数据包括额定功率、额定制冷量、室外温度和/或设置温度，或者包括相应楼栋内所有房间的空调参数和/或运行环境数据包括空调铭牌参数、房间电参量、空调运行数据和室外天气信息。3.根据权利要求1所述能耗异常识别方法，其特征是所述空调的相应参数包括额定制冷量、额定制冷功率。

技术总结
本发明公开了一种能耗异常识别方法。包括：将采样的相应数据转换为标准的小时数据，将开机前一个小时的能耗数据进行识别、对相应异常数据进行识别处理；对相应楼栋内所有房间的能耗数据，通过空调的相应参数，对每个面积相似房间的小时负荷进行分组；根据包括室外温度和/或设置温度在分组内查找同类型小时负荷；基于房间id筛选同类型小时负荷；对同类型小时负荷、对应的分箱统计频数这两个变量进行识峰判定，查找出节能峰以及非节能峰；对节能峰与非节能峰两峰之间的同类型小时负荷进行统计与聚类分析，构建评估指标，找出节能与非节能的分界阈值。该能耗异常识别方法解决了现有识别方法存在的漏报率较高，适应性不够的问题。题。


技术研发人员：张琼思 郑占赢 徐永凯 熊钧
受保护的技术使用者：珠海派诺科技股份有限公司
技术研发日：2023.03.29
技术公布日：2023/8/24