基于LSTM-AE的办公建筑照明插座多工况能耗异常检测方法

doi:10.12141/j.issn.1000-565X.240575

华南理工大学学报(自然科学版) ›› 2025, Vol. 53 ›› Issue (9): 117-126.doi: 10.12141/j.issn.1000-565X.240575

• 能源、动力与电气工程 • 上一篇下一篇

基于LSTM-AE的办公建筑照明插座多工况能耗异常检测方法

陈城¹^,², 王淼¹, 王馨瑶¹, 高志明¹^,³, 周璇¹, 闫军威¹^,²

^1.华南理工大学机械与汽车工程学院，广东广州 510640
^2.人工智能与数字经济广东省实验室（广州），广东广州 510335
^3.顺德职业技术大学能源与汽车工程学院，广东佛山 528300

收稿日期:2024-12-09 出版日期:2025-09-25 发布日期:2025-04-25
通信作者: 周璇（1976—），女，教授，博士生导师，主要从事人工智能在建筑节能中的应用研究。 E-mail:zhouxuan@scut.edu.cn
作者简介:陈城（1991—），女，博士生，主要从事建筑智能节能研究。E-mail： 202011000733@mail.scut.edu.cn
基金资助:
广东省自然科学基金项目(2019A1515011518);广东省自然科学基金项目(2022A1515011128)

Multi-Working Condition Energy Consumption Anomaly Detection Method for Office Building Lighting Sockets Based on LSTM-AE

CHEN Cheng¹^,², WANG Miao¹, WANG Xinyao¹, GAO Zhiming¹^,³, ZHOU Xuan¹, YAN Junwei¹^,²

^1.School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510640，Guangdong，China
^2.Guangdong Artificial Intelligence and Digital Economy Laboratory （Guangzhou），Guangzhou 510335，Guangdong，China
^3.School of Energy and Automotive Engineering，Shunde Polytechnic University，Foshan 528300，Guangdong，China

Received:2024-12-09 Online:2025-09-25 Published:2025-04-25
Contact: 周璇（1976—），女，教授，博士生导师，主要从事人工智能在建筑节能中的应用研究。 E-mail:zhouxuan@scut.edu.cn
About author:陈城（1991—），女，博士生，主要从事建筑智能节能研究。E-mail： 202011000733@mail.scut.edu.cn
Supported by:
the Natural Science Foundation of Guangdong Province(2019A1515011518)

摘要/Abstract

摘要：

建筑照明插座能耗异常检测能够有效提高建筑能源效率，对实施建筑能源优化措施、实现建筑节能管控的研究具有重要意义。由于建筑照明插座系统能耗很大程度上受到建筑内部人员随机行为的影响，针对照明插座时间序列数据存在噪声较多和特征难以提取的问题，该文提出了一种结合工况划分与深度学习的无监督异常检测方法，旨在提升能耗异常识别的精度与鲁棒性。首先基于决策树方法对能耗数据按工作日与非工作日、上班与非上班时段等属性划分工况，然后针对不同工况分别构建基于长短期记忆神经网络-自编码器（LSTM-AE）的异常检测模型。该模型通过对正常数据的重构学习，计算重构误差，并设定差异化阈值，实现无标签数据下的能耗异常检测。以夏热冬暖地区某办公建筑578 d的照明插座逐时能耗数据为研究对象，开展数据建模与超参数优化实验。结果显示：迭代次数、神经元数和激活函数均对模型性能有显著影响；工作日工况下的能耗数据稳定性优于非工作日，异常检测精度相对更高；所提方法在4类工况下的平均精确率、召回率、F₁分别为91.23%、90.87%、90.80%，能够有效实现建筑照明插座系统能耗异常检测。

关键词: 能耗异常检测, 深度学习, 照明插座系统, 重构误差, 无监督学习

Abstract:

Anomaly detection of energy consumption in building lighting and socket systems can effectively improve energy efficiency. It holds significant importance for the implementation of building energy optimization measures and the realization of energy-saving management and control. Since the energy consumption of building lighting and plug load systems is heavily influenced by the random behavior of building occupants, and given the challenges posed by noisy time-series data and difficulty in feature extraction, this study proposed an unsupervised anomaly detection method that integrates operating condition classification with deep learning, aiming to enhance the accuracy and robustness of energy consumption anomaly identification. First, the decision tree algorithm was employed to classify the energy data based on attributes such as working days vs. non-working days and working hours vs. non-working hours. Then, for each identified condition, a long short-term memory autoencoder (LSTM-AE) model was constructed to detect anomalies. This model learns to reconstruct normal data and calculates the reconstruction error. By setting differentiated thresholds, it enables energy consumption anomaly detection under unlabeled data conditions. Using 578 days of hourly lighting and socket energy consumption data from an office building located in a hot-summer and warm-winter region, the study conducted model training and hyperparameter optimization experiments. Results indicate that the number of iterations, the number of neurons, and the activation function have significant effects on the model’s performance. Energy data during working days demonstrate greater stability than those on non-working days, resulting in higher detection accuracy. The proposed method achieves average precision, recall, and F₁ of 91.23%, 90.87%, and 90.80%, respectively, across four typical operating conditions, demonstrating its effectiveness in detecting energy anomalies in building lighting and socket systems.

Key words: energy consumption anomaly detection, deep learning, lighting socket system, reconstruction error, unsupervised learning

中图分类号:

TU831

陈城, 王淼, 王馨瑶, 高志明, 周璇, 闫军威. 基于LSTM-AE的办公建筑照明插座多工况能耗异常检测方法[J]. 华南理工大学学报(自然科学版), 2025, 53(9): 117-126.

CHEN Cheng, WANG Miao, WANG Xinyao, GAO Zhiming, ZHOU Xuan, YAN Junwei. Multi-Working Condition Energy Consumption Anomaly Detection Method for Office Building Lighting Sockets Based on LSTM-AE[J]. Journal of South China University of Technology(Natural Science Edition), 2025, 53(9): 117-126.

图/表 16

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

图13

表3

表4

图14

参考文献 23

[1]	LUO S， HU W， LIU W，et al ．Study on the decarbonization in China's power sector under the background of carbon neutrality by 2060 ［J］．Renewable and Sustainable Energy Reviews，2022， 166：112618/1-18.
[2]	WANG M， XU D， BAI Y，et al ．Dynamic investigation on potassium migration and transformation during biochar combustion and its correlation with combustion reactivity［J］．Fuel，2023，340：127540/1-11.
[3]	中国建筑节能协会．2022中国建筑能耗与碳排放研究报告［R］．北京：中国建筑节能协会，2022.
[4]	AHMAD A S， HASSAN M Y， ABDULLAH M P，et al ．A review on applications of ANN and SVM for building electrical energy consumption forecasting ［J］．Renewable and Sustainable Energy Reviews，2014，33：102-109.
[5]	AMASYALI K， ELGOHARY N ．Building lighting energy consumption prediction for supporting energy data analytics ［J］．Procedia Engineering，2016，145：511-517.
[6]	李海涛，王瑞敏，董卫宇，等．一种基于GRU的半监督网络流量异常检测方法［J］．计算机科学，2023，50（3）：380-390.
	LI Haitao， WANG Ruimin， DONG Weiyu，et al ．Semi-supervised network traffic anomaly detection method based on GRU ［J］．Computer Science，2023，50（3）：380-390.
[7]	SERRANO-GUERRERO X， ESCRIVÁ-ESCRIVÁ G， LUNA-ROMERO S，et al ．A time-series treatment method to obtain electrical consumption patterns for anomalies detection improvement in electrical consumption profiles ［J］．Energies， 2020，13（5）：1046/1-23.
[8]	SERRANO-GUERRERO X， ESCRIVÁ-ESCRIVÁ G， ROLDÁN-BLAY C ．Statistical methodology to assess changes in the electrical consumption profile of buildings ［J］．Energy and Buildings，2018，164：99-108.
[9]	ZHANG L， WAN L， XIAO Y，et al ．Anomaly detection method of smart meters data based on GMM-LDA clustering feature learning and PSO support vector machine［C］∥ Proceedings of 2019 IEEE Sustainable Power and Energy Conference．Beijing：IEEE，2019：2407-2412.
[10]	PUNMIYA R， CHOE S ．Energy theft detection using gradient boosting theft detector with feature engineering-based preprocessing ［J］．IEEE Transactions on Smart Grid，2019，10（2）： 2326-2329.
[11]	HOLLINGSWORTH K， ROUSE K， CHO J，et al ．Energy anomaly detection with forecasting and deep learning ［C］∥ Proceedings of 2018 IEEE International Conference on Big Data．Seattle：IEEE，2018：4921-4925.
[12]	AHMED N， SAHA A K， NOMAN M A AL，et al ．Deep learning-based natural language processing in human-agent interaction：applications，advancements and challenges［J］．Natural Language Processing Journal，2024，9：100112/1-25.
[13]	FENZA G， GALLO M， LOIA V ．Drift-aware metho-dology for anomaly detection in smart grid ［J］．IEEE Access，2019，7：9645-9657.
[14]	SILVA A DA， GUARANY I S， ARRUDA B，et al ．A method for anomaly prediction in power consumption using long short-term memory and negative selection ［C］∥ Proceedings of 2019 IEEE International Symposium on Circuits and Systems．Sapporo：IEEE，2019：1-5.
[15]	WANG X， ZHAO T， LIU H，et al ．Power consumption predicting and anomaly detection based on long short-term memory neural network ［C］∥ Proceedings of 2019 IEEE the 4th International Conference on Cloud Computing and Big Data Analysis．Chengdu：IEEE，2019：487-491.
[16]	XU C， CHEN H ．Abnormal energy consumption detection for GSHP system based on ensemble deep learning and statistical modeling method ［J］．International Journal of Refrigeration，2020，114：106-117.
[17]	ZHENG Z， YANG Y， NIU X，et al ．Wide and deep convolutional neural networks for electricity-theft detection to secure smart grids ［J］．IEEE Transactions on Industrial Informatics，2018，14（4）：1606-1615.
[18]	LI S， HAN Y， YAO X，et al ．Electricity theft detection in power grids with deep learning and random fo-rests ［J］．Journal of Electrical and Computer Enginee-ring，2019，2019：4136874/1-12.
[19]	PRIYADARSINI M， SONEKAR N ．A CNN-based approach for anomaly detection in smart grid systems ［J］．Electric Power Systems Research，2025，238：111077/1-10.
[20]	PYDI D P， ADVAITH S ．Attention boosted autoencoder for building energy anomaly detection ［J］．Energy and AI，2023，14： 100292/1-11.
[21]	MASCALI L， SCHIERA D S， EIRAUDO S，et al ．A machine learning-based anomaly detection framework for building electricity consumption data ［J］．Sustainable Energy Grids and Networks，2023，36：101194/1-14.
[22]	RUFF L， KAUFFMANN J R， VANDERMEULEN R A，et al ．A unifying review of deep and shallow anomaly detection ［J］．Proceedings of the IEEE，2021，109（5）：756-795.
[23]	周欣，燕达，任晓欣，等．大型办公建筑照明能耗实测数据分析及模型初探［J］．照明工程学报，2013，24（4）：14-23.
	ZHOU Xin， YAN Da， REN Xiaoxin，et al ．Data analysis and modeling of lighting energy use in large office buildings ［J］．China Illuminating Engineering Journal，2013，24（4）：14-23.

工况	数据量		异常数据量		总数据量	异常率/%
工况	训练集	验证集	训练集	验证集	总数据量	异常率/%
1	2 701	1 159	102	3	3 860	2.72
2	3 781	1 623	34	5	5 404	0.72
3	1 245	535	17	0	1 780	0.95
4	1 745	747	26	3	2 492	1.08

工况	异常点数量	误差阈值	P/%		R/%		F₁/%
工况	异常点数量	误差阈值	AE	LSTM-AE	AE	LSTM-AE	AE	LSTM-AE
1	95	579.47	91.17	90.47	97.89	100.00	94.41	95.00
2	40	207.61	86.04	92.31	92.50	90.00	89.15	91.14
3	20	196.64	78.26	100.00	90.00	85.00	83.72	91.89
4	28	167.33	78.13	82.14	89.28	88.46	83.33	85.18

基于LSTM-AE的办公建筑照明插座多工况能耗异常检测方法

Multi-Working Condition Energy Consumption Anomaly Detection Method for Office Building Lighting Sockets Based on LSTM-AE

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 23

相关文章 15

编辑推荐

Metrics

本文评价

[1]	岳永恒, 赵志浩. 基于深度学习的车道线检测算法[J]. 华南理工大学学报(自然科学版), 2025, 53(9): 22-30.
[2]	左彬, 董天航, 张泽辉, 王华珺, 霍为炜, 宫文峰, 程军圣. 基于深度学习的质子交换膜燃料电池故障预测方法[J]. 华南理工大学学报(自然科学版), 2025, 53(7): 21-30.
[3]	胡广华, 代志刚, 王清辉. 基于图神经网络的B-Rep模型加工特征识别方法[J]. 华南理工大学学报(自然科学版), 2025, 53(5): 20-31.
[4]	胡习之, 崔博非, 王琴, 刘鸿. 基于记忆泊车场景的视觉SLAM算法[J]. 华南理工大学学报(自然科学版), 2024, 52(6): 1-11.
[5]	刘昊, 元辉, 陈晨, 高伟. 基于采样的点云几何编码框架[J]. 华南理工大学学报(自然科学版), 2024, 52(6): 148-156.
[6]	杨春玲, 梁梓文. 特征域近端高维梯度下降图像压缩感知重构网络[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 119-130.
[7]	郑娟毅, 董嘉豪, 张庆珏, 等. 基于残差密集网络的智能超表面信道估计算法[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 102-111.
[8]	周浪, 樊坤, 瞿华, 等. 基于ECA注意力机制改进的EfficientNet-E模型的森林火灾识别[J]. 华南理工大学学报(自然科学版), 2024, 52(2): 42-49.
[9]	陈琼, 冯媛, 李志群, 杨咏. 基于语义-视觉一致性约束的零样本图像语义分割网络[J]. 华南理工大学学报(自然科学版), 2024, 52(10): 41-50.
[10]	刘卫朋, 李旭, 任子文, 祁业东. 多尺度残差可变形肺部CT图像配准算法[J]. 华南理工大学学报(自然科学版), 2024, 52(10): 135-145.
[11]	胡广华, 涂千禧. 基于光度立体和双流特征融合网络的工业产品表面缺陷检测方法[J]. 华南理工大学学报(自然科学版), 2024, 52(10): 112-123.
[12]	李方, 郭炜森, 张平, 等. 基于时空双细胞状态的轴承剩余使用寿命预测方法[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 69-81.
[13]	苏锦钿, 余珊珊, 洪晓斌. 一种面向中文拼写纠错的自监督预训练方法[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 90-98.
[14]	李家春, 李博文, 林伟伟. AdfNet：一种基于多样化特征的自适应深度伪造检测网络[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 82-89.
[15]	郭恩强, 符锌砂. 基于特征相似性学习的抛洒物检测方法[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 30-41.