基于机器学习的建筑复杂用能系统运行状态异常检测

doi:10.12141/j.issn.1000-565X.210422

华南理工大学学报(自然科学版) ›› 2022, Vol. 50 ›› Issue (7): 144-154.doi: 10.12141/j.issn.1000-565X.210422

所属专题： 2022年能源、动力与电气工程

• 能源、动力与电气工程 • 上一篇

基于机器学习的建筑复杂用能系统运行状态异常检测

周璇¹ 王馨瑶¹ 闫军威¹ 雷尚鹏¹ 梁列全²

^1.华南理工大学机械与汽车工程学院，广东广州 510640
^2.广东财经大学信息学院，广东广州 510320

收稿日期:2021-06-25 出版日期:2022-07-25 发布日期:2022-02-06
通信作者: 周璇（1976-），女，副研究员，主要从事节能技术、数据挖掘等研究。 E-mail:zhouxuan@scut.edu.cn
作者简介:周璇（1976-），女，副研究员，主要从事节能技术、数据挖掘等研究。
基金资助:
广东省自然科学基金资助项目(2018A030313352)

Anomaly Detection of Complex Building Energy Consumption System Based on Machine Learning

ZHOU Xuan¹ WANG Xinyao¹ YAN Junwei¹ LEI Shangpeng¹LIANG Liequan²

^1.School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510640，Guangdong，China
^2.School of Information，Guangdong University of Finance and Economics，Guangzhou 510320，Guangdong，China

Received:2021-06-25 Online:2022-07-25 Published:2022-02-06
Contact: 周璇（1976-），女，副研究员，主要从事节能技术、数据挖掘等研究。 E-mail:zhouxuan@scut.edu.cn
About author:周璇（1976-），女，副研究员，主要从事节能技术、数据挖掘等研究。
Supported by:
the Natural Science Foundation of Guangdong Province(2018A030313352)

摘要/Abstract

摘要：

建筑复杂用能系统运行状态的异常检测研究对建筑安全稳定、高效节能运行具有重要意义，但是由于受到建筑外部环境因素繁多、内部人行为的不确定性、设备运行数据复杂等多方面因素的影响，其异常运行状态的检测存在信息特征提取困难、运行异常状态难以界定等问题。本研究在运行参数分类的基础上，利用信息熵对不确定性的定量化描述与无监督学习的适应性，提出基于信息熵并融合K-均值聚类与自组织映射模型的复杂用能系统运行状态二次聚类异常检测方法。针对夏热冬暖地区某大型办公建筑中央空调系统的实际监测数据，通过K-均值聚类对外部参数进行初次聚类并划分一次工况、计算各工况下子系统运行参数的信息熵、自组织映射模型二次聚类判定异常运行状态等步骤，实现建筑复杂用能系统的运行状态异常检测。结果表明，本研究提出的方法在单主机运行工况下的平均类内异常检测正确率（简称类内异常检测率）为97.45%，双主机运行工况下的类内异常检测率为96.70%。此外，本研究针对不同工况中类数量与类内异常率相关指标之间的关系展开进一步的讨论与分析，得出结论：单、双主机的类内异常检测率随着其所在类内运行状态总数的减少而升高。本研究为建筑能源大数据背景下的复杂用能系统运行状态异常检测提供了新的系统化思路与方法。

关键词: 复杂用能系统, 信息熵, K-均值聚类, 自组织映射模型, 异常检测

Abstract:

The research on the anomaly detection of the operation state of complex energy consumption system is of great significance to the safe, stable, efficient and energy-saving operation of buildings. However, due to the influence of many factors, such as the variety of external environmental factors of buildings, the uncertainty of insider behavior, the complexity of equipment operation data and so on, the detection of abnormal operation state often meets some difficulties in information feature extraction, abnormal operation state definition and so on. Based on the classification of operation parameters and by using the quantitative description of uncertainty by information entropy and the adaptability of unsupervised learning, this paper proposed a secondary clustering anomaly detection method for the operation state of complex energy consumption system based on information entropy and by integrating K-means and self-organizing mapping model. According to the actual monitoring data of the central air-conditioning system of a large office building in the hot summer and warm winter area, the external parameters were clustered for the first time through K-means, and the steps such as dividing the primary working conditions, calculating the information entropy of the operating parameters of the subsystem under each working condition, and determining the abnormal operating state by secondary clustering of self-organizing mapping model were used to realize the abnormal detection of the operating state of the complex energy consumption system of the building. The results show that the average intra class anomaly detection accuracy of the method proposed in this study is 97.45% under the operation condition of single machine and 96.70% under the operation condition of two machines. In addition, this study further discussed and analyzed the relationship between the number of classes and the relevant indicators of in class anomaly rate under different working conditions. It concludes that the in class anomaly detection rate of single and dual hosts increases with the decrease of the total number of operating states in their class. This study provides a new systematic idea and method for the abnormal operation state detection of complex energy consumption system under the background of building energy big data.

Key words: complex energy consumption system, information entropy, K-means, self-organizing maps model, anomaly detection

中图分类号:

TK01
TU831

周璇, 王馨瑶, 闫军威, 等. 基于机器学习的建筑复杂用能系统运行状态异常检测[J]. 华南理工大学学报(自然科学版), 2022, 50(7): 144-154.

ZHOU Xuan, WANG Xinyao, YAN Junwei, et al. Anomaly Detection of Complex Building Energy Consumption System Based on Machine Learning[J]. Journal of South China University of Technology(Natural Science Edition), 2022, 50(7): 144-154.

图/表 16

表1

图1

图2

表2

图3

表3

图4

图5

图6

表4

表5

图7

图8

表6

图9

图10

参考文献 33

1	中国建筑节能协会．中国建筑能耗研究报告2020［J］．建筑节能（中英文），2021，49（2）：1-6.
	China Building Energy Conservation Association.China building energy consumption annual report 2020［J］．Journal of BEE，2021，49（2）：1-6.
2	XU C， CHEN H. A hybrid data mining approach for anomaly detection and evaluation in residential buildings energy data［J］．Energy and Buildings，2020，215：109864/1-13.
3	KATIPAMULA S， BRAMBLEY M R. Review article：methods for fault detection，diagnostics，and prognostics for building systems—a review［J］．HVAC&R Research，2005，11（1）：3-25.
4	苗露. 基于监测数据的建筑复杂用能设备运行性能预测与分析研究［D］．天津：天津大学，2014.
5	BUTTERWORTH H ．Handbook of energy efficiency in buildings［M］．Amsterdam：Elsevier，2019：597-673.
6	丁洪涛，刘海柱，殷帅. 我国公共建筑节能监管平台建设现状及趋势研究［J］．建设科技，2017（23）：10-11.
	DING Hongtao， LIU Haizhu， Yin Shuai. Research on the current situation and trend of public building energy conservation supervision platform construction in China［J］．Construction Science and Technology，2017（23）：10-11.
7	LEE K P， WU B H， PENG S L. Deep-learning-based fault detection and diagnosis of air-handling units［J］．Building and Environment，2019，157：24-33.
8	GUNAY B， SHEN W， YANG C. Characterization of a building’s operation using automation data：a review and case study［J］．Building and Environment，2017，118：196-210.
9	SUN L L， WU J H， JIA H Q，et al. Research on fault detection method for heat pump air conditioning system under cold weather［J］．Chinese Journal of Chemical Engineering，2017，25（12）：1812-1819.
10	VERBERT K， BABUSKA R， de SCHUTTER B. Combining knowledge and historical data for system-level fault diagnosis of HVAC systems［J］．Engineering Applications of Artificial Intelligence，2017，59：260-273.
11	LIANG Y X， MENG Q L， CHANG S. Fault diagnosis and energy consumption analysis for variable air volume air conditioning system： a case study［J］．Procedia Engineering，2017，205：834-841.
12	LI Y F， O'NEIL Z. An innovative fault impact analysis framework for enhancing building operations［J］．Energy and Buildings，2019，199：311-331.
13	LIU J H， LIU J Y， CHEN H X，et al. Abnormal energy identification of variable refrigerant flow air-conditioning systems based on data mining techniques［J］．Applied Thermal Engineering，2019，150：398-411.
14	GUO Y B， TAN Z H， CHEN H X，et al. Deep learning-based fault diagnosis of variable refrigerant flow air-conditioning system for building energy saving［J］．Applied Energy，2018，225：732-745.
15	PAN Y， ZHANG L M ．Data-driven estimation of building energy consumption with multi-source heterogeneous data［J］．Applied Energy，2020，268：114965/1-15.
16	PEÑA M， BISCARRI F， GUERRERO J I，et al. Rule-based system to detect energy efficiency anomalies in smart buildings，a data mining approach［J］．Expert Systems with Applications，2016， 56： 242-255.
17	FAN C， XIAO F， ZHAO Y，et al. Analytical investigation of autoencoder-based methods for unsupervised anomaly detection in building energy data［J］．Applied Energy，2018，211：1123-1135.
18	LUO X J， FONG K F， SUN Y J. Development of clustering-based sensor fault detection and diagnosis strategy for chilled water system［J］．Energy and Buildings，2019，186： 17-36.
19	LIU X， DING Y， TANG H，et al. A data mining-based framework for the identification of daily electricity usage patterns and anomaly detection in building electricity consumption data［J］．Energy and Buildings，2021，231：110601/1-22.
20	DU Z M， FAN B， JIN X Q，et al. Fault detection and diagnosis for buildings and HVAC systems using combined neural networks and subtractive clustering analysis［J］．Building and Environment，2014，73： 1-11.
21	SHI Z X， OBRIEN W. Development and implementation of automated fault detection and diagnostics for building systems：a review［J］．Automation in Construction，2019，104：215-229.
22	FAHIM M， FRAZ K， SILLITTI A. TSI：Time series to imaging based model for detecting anomalous energy consumption in smart buildings［J］．Information Sciences，2020，523：1-13.
23	BARUM H， BARRETT J， CLARK L O，et al. Entropy and information causality in general probabilistic theories［J］．New Journal of Physics，2010（3） 1-32.
24	AI Y T， GUAN J Y， FEI C W，et al. Fusion information entropy method of rolling bearing fault diagnosis based on n-dimensional characteristic parameter distance［J］．Mechanical Systems and Signal Processing，2017，88：123-136.
25	孙吉贵，刘杰，赵连宇. 聚类算法研究［J］．软件学报，2008，19（1）：48-61.
	SUN Jigui，LIU Jie，ZHAO Lianyu，Clustering algorithms research［J］．Journal of Software，2008，19（1）：48-61.
26	贾凡，严妍，张家琪. 基于K-means聚类特征消减的网络异常检测［J］．清华大学学报（自然科学版），2018，58（2）：137-142.
	JIA Fan， YAN Yan， ZHANG Jiaqi. K-means based feature reduction for network anomaly detection［J］．Journal of Tsinghua University（Science and Technology），2018，58（2）：137-142.
27	QIN H Y， ZHOU H P， CAO J W ．Imbalanced learning algorithm based intelligent abnormal electricity consumption detection［J］．Neurocomputing，2020，402：112-123.
28	GHADIRI S M E， MAZLUMI K. Adaptive protection scheme for microgrids based on SOM clustering technique［J］．Applied Soft Computing，2020，88：106062.
29	YAZDANI S， MONTAZERI G M. A novel gas turbine fault detection and identification strategy based on hybrid dimensionality reduction and uncertain rule-based fuzzy logic［J］．Computers in Industry，2020，115：103131/1-14.
30	杨占华，杨燕. SOM神经网络算法的研究与进展［J］．计算机工程，2006， 32（16）：201-202， 208.
	YANG Zhanhua， YANG Yan. Research and development of self-organizing maps algorithm［J］．Computer Engineering，2006，32（16）：201-202，208.
31	中华人民共和国住房和城乡建设部. 国家机关办公建筑和大型公共建筑能耗监测系统分项能耗数据采集技术导则［G/OL］．（2008-06-24）．.
32	胡振中，袁爽. 建筑能耗与环境监测系统标准化数据提取技术［J］．清华大学学报（自然科学版），2020，60（4）：357-364.
	HU Zhenzhong， YUAN Shuang ．Standardized data extraction techniques for building utility consumption and environmental monitoring systems［J］．Journal of Tsinghua University （Science and Technology），2020，60（4）：357-364．
33	YUN G Y， CHOI J， KIM J T ． Energy performance of direct expansion air handling unit in office buildings［J］．Energy and Buildings，2014，77：425-431．

文献	方法类别	数据降维特征选择方法	模式划分与基准建立方法	异常状态检测方法
［13］	监督学习	模糊C均值聚类	支持向量机	支持向量数据描述（SVDD）
［14］		深度置信网络	受限玻尔兹曼机	受限玻尔兹曼机
［15］		Pearson系数	三西格玛准则	CatBoost
［16］	无监督学习	主成分分析（PCA）	能源效率指标	关联规则
［17］		滑动窗口	自编码器	集成学习
［18］		K-均值聚类	分位阈值	分位阈值
［19］	混合监督学习	能耗平均值、日峰谷差率	DBSCAN/K-均值聚类	决策树算法
［20］		小波分析	组合神经网络	减法聚类算法
［21］		互补集合经验模态分解（CEEMD）	长短时记忆网络（LSTM）	Grubbs检验法
［22］		描述性时间序列特征	符号聚合近似	单类支持向量机

参数类别	参数名称	参数数量
设备参数	设备数量	24
设备参数	设备类别	4
运行参数	制冷主机运行参数	15
	冷冻水泵运行参数	2
	冷却水泵运行参数冷却塔风机运行参数	2 2
环境参数	室外相对湿度	1
环境参数	室外干球温度	1
其他参数	冷冻水供回水压差	1

主机数量	运行工况数量
主机数量	Ⅰ类	Ⅱ类	Ⅲ类	Ⅳ类	Ⅴ类
合计	14 611	14 559	36 544	37 181	2 575
单台	10 473	14 422	16 601	24 336	2 566
双台	4 138	137	19 943	12 845	9

系统工况	单主机				双主机
系统工况	制冷主机类	冷冻水泵类	冷却水泵类	冷却塔类	制冷主机类		冷冻水泵类	冷却水泵类	冷却塔类
Ⅰ类	［0.81，1.49］	［0，1.10］	［0，1.09］	［0，1.05］	［0.86，1.18］	［0.86，1.43］	［0.67，1.10］	［0.61，1.10］	［0.39，1.05］
Ⅱ类	［0.77，1.50］	［0，0.69］	［0，1.09］	［0，1.05］	［0.93，1.11］	［0.88，1.51］	［0.67，1.08］	［0.61，1.08］	［0.10，1.05］
Ⅲ类	［0.79，1.50］	［0，1.10］	［0，1.09］	［0，1.05］	［0.78，1.23］	［0.85，1.51］	［0.62，1.09］	［0.61，1.10］	［0.61，1.05］
Ⅳ类	［0.61，1.50］	［0，1.34］	［0，1.37］	［0，1.05］	［0.77，1.32］	［0.83，1.51］	［0.00，1.34］	［0.00，1.10］	［0.61，1.05］
Ⅴ类	［0.95，1.45］	［0，0.68］	［0，0.69］	［0，1.05］	［0.93，1.06］	［1.02，1.26］	［0.68，0.69］	［0.68，0.69］	［1.05，1.05］

数量	系统工况	少数类占总数比例/%	类内异常检测率/%
单台	Ⅰ类	1.87	97.96
	Ⅱ类	0.69	96.97
	Ⅲ类	3.09	96.49
	Ⅳ类	3.43	95.81
	Ⅴ类	0.19	100.00
双台	Ⅰ类	0.63	96.15
	Ⅱ类	0.73	100.00
	Ⅲ类	0.59	94.02
	Ⅳ类	0.82	93.33
	Ⅴ类	11.11	100.00

基于机器学习的建筑复杂用能系统运行状态异常检测

Anomaly Detection of Complex Building Energy Consumption System Based on Machine Learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 33

相关文章 8

编辑推荐

Metrics

本文评价

[1]	王艾迪, 郎洪, 丁朔, 等. 基于语义分割模型的三维沥青路面车辙异常分析方法[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 134-144.
[2]	陈廷照, 陈艳艳, 王子理, 等. “轨道交通微中心”理念下的慢行影响区范围确定方法[J]. 华南理工大学学报(自然科学版), 2022, 50(7): 56-65.
[3]	张文东, 石刚, 田生伟, 等. 基于社会关系的群智感知任务分发机制[J]. 华南理工大学学报（自然科学版）, 2021, 49(6): 49-55.
[4]	李博张洪刚. 基于高阶动态贝叶斯网络嵌入的路面异常检测算法[J]. 华南理工大学学报（自然科学版）, 2020, 48(1): 51-59.
[5]	吴建斌贾炎柯刘逸雯. 基于图像编码及拼接的无载体信息隐藏[J]. 华南理工大学学报（自然科学版）, 2018, 46(5): 32-38.
[6]	赵鹏朱伟伟吴献文刘慧婷. 融合熵和势能的手绘草图特征描述方法[J]. 华南理工大学学报（自然科学版）, 2014, 42(5): 122-127.
[7]	周晓明李钊刘雄英. 一种基于改进 FCM 的自动图像分割算法[J]. 华南理工大学学报（自然科学版）, 2014, 42(3): 1-7.
[8]	晋建秀郑宜峰李叙琼. 基于分块信息熵方差的图像置乱程度评估[J]. 华南理工大学学报（自然科学版）, 2013, 41(3): 8-14.