[发明专利]建筑运行能耗异常识别方法、系统、计算机可读存储介质

权利要求书

1.一种建筑运行能耗异常识别方法，其特征在于，包括步骤：

获取历史年建筑能耗数据，并对其进行预处理，得到日能耗曲线；

对所述日能耗曲线进行特征提取，得到表示所述日能耗曲线的特征向量；

以所述特征向量为样本，采用自动寻优的无监督式随机森林模型对所述样本进行异常识别，得到异常日能耗数据。

2.根据权利要求1所述的建筑运行能耗异常识别方法，其特征在于，所述采用自动寻优的无监督式随机森林模型对所述样本进行异常识别，具体为：

步骤1采用随机森林模型，对所述特征数据进行异常识别，计算剔除异常特征数据后，特征数据样本之间的差异系数；

步骤2判断本次所述差异系数与前一次的差异系数之间的差值是否大于预设的差值；

步骤3若大于所述差值，则按照预设步长，自动调整所述随机森林模型的异常比例参数，重复步骤1-步骤2；

步骤4若不大于所述差值，统计符合要求的异常比例参数及计算的差异系数值；根据差异系数随异常比例参数变化而变化的曲线，选择差异系数变化率最小值对应的异常比例参数，作为异常比例参数的最优参数，进而得到最终的样本异常识别结果。

3.根据权利要求1所述的建筑运行能耗异常识别方法，其特征在于，还包括：

采用聚类算法对所述异常日能耗数据进行分类，将聚类类别信息应用于时间轴，得到异常日能耗数据的异常分类标签；

采用apriori关联规则，对异常日能耗数据对应的室外气象分类信息、日期信息以及异常分类标签进行关联分析，得到异常日能耗数据产生的原因；其中，通过四分位统计法对异常日能耗数据对应的室外气象数据进行离散分类，得到室外气象分类信息。

4.根据权利要求1所述的建筑运行能耗异常识别方法，其特征在于，所述获取历史年建筑能耗数据，并对其进行预处理，得到日能耗曲线，具体包括：

获取历史一年的日能耗实时数据；

每隔预设时间段对所述日能耗实时数据进行数据采样，得到采样点；并根据所述采样点绘制日能耗曲线；

对所述日能耗曲线进行处理包括：去除存在空缺值和存在突变能耗的日能耗曲线，和/或取置信度95％的所有日能耗数据。

5.根据权利要求1所述的建筑运行能耗异常识别方法，其特征在于，采用孤立森林模型对所述样本进行异常识别，得到异常日能耗数据，包括步骤：

给定n个样本数据X＝[X₁,X₂,...,X_n]^T，根据下式计算每个样本的异常得分：

根据样本的异常得分与孤立树的期望值的关系，判断所述样本是否为异常样本；

式中，n表示数组维数；h(x)为样本点的x的路径长度；H(i)，i＝(1,2,...,n-1)为调和数；c(n)为给定样本数n时，路径长度的平均值；E(h(x))为样本x在一批孤立树中的路径长度的期望；s(x,n)为样本x的异常得分。

6.根据权利要求5所述的建筑运行能耗异常识别方法，其特征在于，根据样本的异常得分和孤立树的期望值、零值的关系，判断所述样本是否为异常样本，包括：

当所述E(h(x))与所述c(n)的差值小于预设值时，异常得分为0.5，样本数据的路径平均长度与树的平均路径长度无法区分；

当所述E(h(x))与0的差值小于预设值时，异常得分为1，所述样本数据为异常数据；

当所述E(h(x))与n-1的差值小于预设值时，异常得分为0，所述样本数据为正常数据。

7.一种建筑运行能耗异常识别系统，其特征在于，包括获取模块、特征提取模块、和异常识别模块；其中，所述获取模块，用于获取历史年建筑能耗数据，并对其进行预处理，得到日能耗曲线；

所述特征提取模块，用于对所述日能耗曲线进行特征提取，得到表示所述日能耗曲线的特征向量；其中，所述特征向量的特征包括：最大值、75％分位数、中位数、25％分位数、最小值、均值、方差；

所述异常识别模块，用于以所述特征向量为样本，采用自动寻优的无监督式随机森林算法对所述样本进行异常识别，得到异常日能耗数据。