[发明专利]一种基于KNN改进算法的照明插座能耗异常数据的修复方法

说明书

本发明涉及一种基于KNN改进算法的照明插座能耗异常数据的修复方法，属于建筑能耗监测平台数据处理技术领域。算法基本思想如摘要幅图所示，历史数据可以大致划分为不同用能模式，比较待修复数据的用能模式，使用该用能模式下的数据修复缺失数据。使用KNN改进算法修复数据过程包括以下步骤：S1、根据历史数据建立用能模式；S2、针对任意一种用能模式，建立用电特征数据库；S3、基于KNN改进算法，从历史数据中选择用能模式相近的数据对缺数数据进行修复。本发明的有益之处在于结合用电特征线的斜率，使用KNN改进算法使用历史数据中用能模式相近的数据对异常能耗数据进行修复，极大地提升建筑能耗数据质量。

技术领域

本发明涉及一种数据处理方法，具体涉及一种基于KNN改进算法的建筑能耗监测异常数据的修复方法，属于建筑能耗监测平台数据处理技术领域。

背景技术

近年来，建立公共建筑能耗监测平台，实现建筑能耗分项计量是公共建筑能源监管体系建设的一项重要内容。目前，我国许多省市都建立了不同规模的建筑能耗监测平台，并且积累了丰富的数据。然而由于一些技术方面的障碍，导致建筑监测数据整体质量不高，出现数据缺失、数据突变等数据异常问题，通过调研分析，既有建筑能耗监测平台的异常数据比例普遍高达20％，因此能耗监测数据与建筑真实能耗相差甚远，导致这些大量的能耗数据无法得到充分利用。随着我国绿色建筑的不断发展，人们对建筑能耗数据采集不仅种类越来越多、数据量越来越大，而且对数据质量要求越来越高。为了提高建筑能耗监测平台的数据质量，近年来，国内外许多科研人员聚焦于能耗监测平台数据存在的问题，采用数据挖掘技术、聚类分析等方法，解决和修正平台缺失或异常数据。针对异常数据的修复问题，本发明专利公开了一种基于KNN改进算法的建筑能耗监测异常数据修复方法，主要是通过对历史能耗数据按照不同用能模式进行分类，建立不同建筑用能模式特征数据集，通过KNN算法选择用能模式最相近的历史数据对缺失数据进行修补，以便之后更好的分析，使用建筑能耗数据。建筑用电能耗一般分为照明插座能耗、暖通空调能耗、动力设备能耗和特殊用电能耗四项。本专利针对照明插座能耗的用电特征，采用大数据的分析方法，提出了一种基于KNN改进算法的照明插座能耗异常数据的修复方法，以提高建筑能耗监测平台的数据质量。

发明内容

本发明要解决的技术问题是提供一种能够有效提高建筑能耗监测数据质量的基于KNN改进算法的照明插座能耗异常数据的修复方法。

本发明的技术方案：

一种基于KNN改进算法的照明插座能耗异常数据的修复方法，步骤如下：

S1、计算历史数据用电特征线斜率：针对某一类型的单位时间能耗，计算历史数据单位时间用电特征线斜率，假设一共有m条历史数据单位时间用电特征线，对于任一条历史数据单位时间用电特征线i，第j时刻与第j+1时刻的用电量分别为E_i,j和E_i,j+1，则第j时刻至第j+1时刻内用电特征线的斜率为L_i,j的计算公式为：

其中，t_j为单位时间长度；

S2、计算异常数据所在天的单位时间用电特征线斜率：采用步骤S1同样的方法计算异常数据所在的24小时用电特征线斜率l_j，j＝0,1,2，…,23；

S3、搜索样本数据：基于异常数据斜率序列l_j与历史数据集斜率序列L_i,j的欧氏距离(相似度)，从历史数据集中(m天)寻找出排序k天距离最小所在天的小时能耗数据；异常数据用电特征线斜率l_j与第i天历史数据用电特征线的斜率为L_i,j的欧氏距离p_i计算公式为：

S4、确定加权系数：使用欧氏距离倒数与k天欧氏距离倒数和的比值作为异常数据加权求和的加权系数；加权系数公式为：