[发明专利]基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法

说明书

本发明公开了基于K‑Means++、BP神经网络和孤立森林的建筑异常能耗检测方法，包括以下步骤，步骤一：通过建筑能耗检测平台收集历史建筑能耗数据；步骤二：利用软件导入历史能耗数据样本，通过计算误差平方和指标得到最优聚类数，采用K‑means++算法对历史能耗数据聚类分析，赋予类别标签；步骤三：将含有标签的历史能耗数据对BP神经网络进行训练，构建实时能耗数据识别匹配机制；步骤四：在同类别中采用孤立森林方法对能耗进行异常检测，判断是否异常；步骤五：输出异常检测结果，并根据检测结果对历史能耗数据动态更新。本发明可提升能耗异常检测的准确性，解决实用性不强及动态更新不足问题，降低获取含有标签数据的成本。

技术领域

本发明属于应用于建筑能耗监测平台中的能耗异常检测技术领域，具体涉及基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法。

背景技术

全世界约有40％的能源被建筑物所消耗，建筑占据了最终能源消费的三分之一，这相当于全球二氧化碳排放总量的30％左右。2018年能源消费报告统计，我国建筑能耗达到2.147亿吨标准煤，建筑运行阶段占建筑全生命周期能耗的46.6％，具有可观的节能潜力。自2007年各城市公共建筑能耗监测平台开始逐步实施，从建筑能耗监测平台收集能耗数据能够有助于发现建筑在运行期间中不合理之处，然而由于数据缺失、设备故障、能源浪费行为和不当的控制策略等因素会造成能耗数据的异常，因此，异常检测是减少建筑运行过程中的能源浪费最常用的解决方案之一。

目前应用在建筑异常能耗实时检测技术的方法相对较少，现有的建筑能耗领域内异常检测方法，主要可分为有监督检测和无监督检测两种类型。有监督检测方式的异常检测展示了高精度的检测能力，但实用价值却是有限的，这是因为数据的标签可靠性决定了模型的检测准确性，而在现实中获得有标签的能耗数据成本往往是昂贵的。相比于有监督检测，无监督检测不需要带有标签的训练数据，更适用于实际情况中，但是无监督学习方法缺乏足够的先验知识，所以导致检测效果不如有监督学习方法，并且在面对大数据处理时，无监督算法计算效率不高，方法存在着局限性。鉴于此，本文发明基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法，降低获取高质量数据的成本，实现对异常能耗数据的准确检测。

发明内容

本发明旨在提供一种基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法，以解决在对异常能耗进行异常检测前需要先验知识的局限性，根据聚类结果训练BP神经网络，建立识别匹配机制，以提高大数据检测效率低的问题。

为了实现以上技术目的，本发明采用以下技术方案：

基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法，包括以下步骤：

步骤一：通过建筑能耗检测平台收集历史建筑能耗数据；

步骤二：利用软件导入历史能耗数据样本，通过计算误差平方和指标得到最优聚类数，采用K-means++算法对历史能耗数据聚类分析，赋予类别标签；

步骤三：根据聚类结果，将含有标签的历史能耗数据对BP神经网络进行训练，构建实时能耗数据识别匹配机制；

步骤四：不含标签的实时能耗数据根据神经网络识别匹配到对应的类别后，在同类别中采用孤立森林方法对能耗进行异常检测，判断是否异常；

步骤五：输出异常检测结果，并根据检测结果对历史能耗数据动态更新。

进一步地，步骤二中所述软件为Matlab软件。

进一步地，基于计算误差平方和方法的肘部法则作为确定最优聚类数目的依据，其公式如下：

其中，k为聚类数目，C_k表示为聚类结果中第k类能耗数据集；x_ik为第k聚类中第i个能耗点；μ_k为第k类能耗数据的质心。