《基于统计学的办公建筑电力能耗周期性异常诊断研究》5900字（论文）

基于统计学的办公建筑电力能耗周期性异常诊断研究目录TOC\o"1-2"\h\u90221.1理论基础及异常诊断标准建立 15101.1.1基于相似日的异常诊断 1297351.1.2基于排序算法及短期环比的异常诊断 4255011.2基于统计学的周期性能耗异常诊断策略 5122491.3数据准备 6302011.3.1数据来源 6294551.1.2数据异常值处理 7239611.4案例分析 7184371.4.1Ⅰ类及Ⅱ类线路能耗周期性异常诊断 7236401.4.2Ⅳ类线路能耗周期性异常诊断 8285561.4.3Ⅲ类及Ⅴ类线路能耗周期性异常诊断 81.1理论基础及异常诊断标准建立1.1.1基于相似日的异常诊断 根据需求和应用场景的不同，相似日原理的方法和评判标准有所不同。本文针对办公建筑电力能耗逐日能耗利用相似建立能耗诊断标准并进行诊断，同一办公建筑能耗影响因素复杂，根据本文第2章所述可知，逐日能耗主要受两方面影响。一方面逐日能耗与办公建筑的日类型相关，日类型影响办公建筑内人员行为和设备运行状态，是影响能耗的主要因素之一。另一方面逐日能耗也受到室外气候尤其是温度、湿度的影响，其中湿度分布和变化规律较难分析，而室外天气温、湿度与室外天气类型相关，因此利用室外天气类型代替湿度作为输入条件之一。综上所述，本文将日类型、天气类型、最高温度、最低温度、平均温度5种参数作为相似日的判断输入参数。基于相似日建立线路能耗基准的基本方法如下：（1）影响因素量化日类型作为关键影响参数可以分为工作日工况（包含周一~周五、节日倒休）和非工作日工况（包含节日），其量化结果如表3-1所示。天气类型作为另一关键影响参数，其变化较为复杂根据常见天气类可以分为：晴、多云、阴、浮尘、雾、雨等基本类型[68]，其量化结果如表3-2所示。由于温度相关数据为数值类型数据，因此不进行量化处理。表3-1天气类型量化取值表天气类型量化取值晴5多云4阴3雾霾2雾1雨0雪0表3-2日类型量化取值表日类型量化取值周一1周二1周三1周四1周五1周六0周日0 （2）数据归一化 室外平均温度、最高温度、最低温度对于运行策略具有显著影响，从而直接影响随温度自动或人工调节的运行策略的能耗变化情况。因此，平均温度、最高温度和最低温度数据是同工况下影响能耗的关键。但是，根据三者计算公式可知平均温度的变化程度要小于最高温度和最低温度，为使三者贡献均衡，如式（3-1）所示采用z-score标准化将三者进行映射保证对结果的贡献公平度。(3-1)其中，为映射后的数据，0<z<1；为平均值；为方差。 （3）相似日选择方法相似日选择方法采用基于多元统计的马氏距离计算方法，该算法在欧式距离的基础上，考虑了多种因素之间的相似度。该算法假设两样本集，，其协方差S计算如式（3-2）所示：(3-2)其中，，可以得到2样本集间的马氏距离计算如式（3-3）所示：(3-3)本文采用日类型、天气类型、最高温度、最低温度、平均温度5种参数作为相似日选择参数，采用优先级思想，对参数进行分级，并对影响因素的欧式距离进行计算，根据计算结果进行排序，选取相应的相似日。根据上文分析已知建筑具有能耗具有典型的周期性且设备运行策略包含历史经验。工作日与非工作日工况能耗不具备可比性，因此将日类型作为相似日首要挑选因素。由于天气数据可能存在不完全匹配性，不能将其作为单一影响因素，因此采用与室外温度类参数相同的方式对天气类型进行归一化处理。（4）异常诊断标准线路逐日能耗异常诊断基准的构建采用平均值法，对m个相似日组成的集合取平均构成能耗异常诊断基准。采用该方法的原因主要有2个：一方面，由于该建筑自动水平尚待提高，逐日设备启停时刻可能存在误差，采用平均值法可以降低人工操作对数据的影响；另一方面，由于本文研究对象为真实线路，真实电力线路电压具有不稳定的特点，结合线路自带设备特点，选用平均值法可以降低电力波动对逐时能耗的影响，提高能耗基准的准确度。同时，根据办公建筑电力能耗各线路作用对线路能耗的异常敏感性是不同的，因此各线路能耗异常判定阈值，根据实际建筑情况和管理运维需求确定。基于相似日的异常诊断规则如图3-1所示：1）选择N天作为待测试日的历史相似日备选日；2）根据待测试日日类型进行筛选，选择相同日类型；3）对天气数据、室外平均温度数据、室外最高温度数据、室外最低温度数据进行归一化处理；4）根据式（3-2）和式（3-3）计算历史相似日和待测试日间的马氏距离，将距离小于阈值γ的历史相似日按照距离进行排序；5）选择最相似的m个相似日，作为待测日的相似日集合。若小于阈值γ的历史相似日不足m个选择所有小于阈值γ的相似日作为历史相似日，若无小于阈值γ的相似日则该日不进行比较;6）对m个相似日取平均值构建相似日能耗诊断基准；7）与异常阈值∝进行比较大于阈值则该日能耗异常，若小于阈值则该日能耗正常。1.1.2基于排序算法及短期环比的异常诊断排序算法基本原理及异常诊断（1）排序算法基本原理排序算法和短期环比算法都是常见的统计学分析方法。排序算法通过特定算法和方式将一组或者多组数据按照既定的模式进行排序，排序后新的序列遵循指定规律。（2）异常诊断标准主要本文排序算法主要应用于Ⅰ类线路和Ⅱ类线路中，逐日能耗线路在同工况下稳定，因此采用名次比较的方法对能耗异常进行诊断。根据线路能耗异常的敏感性设置异常排名范围。基于排序算法的异常诊断规则如图3-2所示：1）选择历史数据库中N天同工况历史数据构建能耗基准；2）对历史能耗数据进行升序排序；3）待测试日进行排序排名，若排名高于异常阈值β则该线路逐日能耗正常，若排名低于阈值则该线路逐日能耗异常。短期环比算法原理及异常诊断环比是指时间序列当前时间范围和相邻的上一个时间范围进行对比。环比适用于根据相邻时间范围的数字对当前时间范围的指标进行设定。短期环比算法通过使用最近窗口T内的数据趋势进行异常分析，其算法原理如式3-4所示。(3-4)其中，t为异常阈值，count_num为异常计数值，T为环比的滑动窗口，i为比较日能耗值。如果大于阈值我们将count加1，如果count超过我们设置的count_num，则认为该点是异常点，阈值threshold根据实际情况确定，一般取值5%~10%。1.2基于统计学的周期性能耗异常诊断策略本章提出一种基于统计学的周期性能耗异常诊断策略，如图3-3所示，可有效结合电力能耗线路历史数据，利用相似日、排序和短期环比的方法对电力线路以逐日为代表的周期性总能耗进行异常诊断，并根据诊断结构从运行时间和逐时能耗两方面进行异常原因分析，提供相应异常原因，为办公建筑运维管理人员运维后评估提供决策支持。本文采用大津法对逐日运行开启和关闭时刻进行自动识别并计算当日线路运行时间。大津法是一种确定图像二值化分割阈值的算法，该算法假设图像像素能够根据全局阈值，被分成背景和目标两部分。然后，通过计算式（3-5）获得区分背景和图像的最佳阈值。(3-5)其中，为目标点数占总图像比例，为背景点数占图像比例，为平均灰度值，为平均灰度值。 本文为进一步确定异常能耗发生时间，对测试日和相似日基准逐时能耗进一步分析。采用绝对距离的方法对逐时能耗数据距离进行计算并排序，取距离降序排序后前n个时刻的能耗作为异常发生时刻。如图3-3所示，本章提出的基于统计学的周期性能耗异常诊断策略，该策略可以分为四个部份：线路分类、能耗基准、异常诊断和异常分析。采用第二章基于历史数据的线路特征采用不同方式构建能耗基准并进行异常能耗的诊断：Ⅰ类、Ⅱ类线路在已知运行工况下能耗稳定，因此选择同工况（月类型、日类型）下的能耗作为。Ⅲ类线路与室外天气温度强相关采用相似日构建建筑能耗基准；Ⅴ类线路能耗与天气弱相关且不具有环比相似性，线路能耗主要受人工操作影响其能耗变化规律不易直接获得但是可以通过相似日间接进行分析，因此Ⅲ类和Ⅴ类线采用相似日进行分析。Ⅳ类线路能耗与天气弱相关且日运行时间逐时能耗稳定，不适用于相似日方法，因此，通过短期环比算法进行能耗异常诊断。1.3数据准备1.1.1数据来源（1）电力能耗数据来源本章电力能耗数据来源与上节相同，为中国北京市某办公写字楼电力能耗监控平台分项电力能耗数据。该电力平台结构如图3-4所示，该平台具有Web监控和管平台管理功能，可以提供实时远程数据交互和后台数据库开放权限。该平台中的末端远传电表将电力数据按照一定的时间间隔传输至监控主机，主机再进行线路电力数据的存储和处理。因此，电力监控平台在设备电力这一维度上的最小监控范围为某一线路的设备组的电力监控，而非单一设备的电力监控。本节采用该电力能耗监控平台电力能耗数据。并根据第二章表2-14可知该建筑基于历史能耗特征的线路分类情况如下：公区照明（低区干线）为Ⅰ类线路、新风机组为Ⅱ类线路、冷水机组（供冷季）、冷泵（供冷季）为Ⅲ类线路、冷却塔（供冷季）为Ⅴ类线路。对照明系统和暖通空调系统线路进行线路分类后，此建筑缺少Ⅳ类线路。因此本节对北京市同区域另一办公建筑能耗数据进行如2.4节数据分析，得到该建筑新风机组为Ⅳ类能耗线路，本文将该线路命名为新风机组（2）。（2）室外气候数据来源本章室外气候数据主要涉及天气类型和室外温度2类数据，两者皆通过网站进行爬取。利用Python配套的Pandas库、Numpy库和Spider库对历史日期室外气候数据和被诊断日室外气候数据进行多线程爬取形成天气类型数据库。其中，天气类型数据如图3-5所示来自天气后报网()室外温度包括逐时和逐日室外最高温度、室外最低温度和室外平均温度如图3-6所示均来自中国天气网(http://www.W)。（3）运行策略数据来源该建筑为采用机房群控系统且楼宇自控系统缺乏对数据参数的记录，因此运行策略数据主要来源为该建筑管理运维人员手动记录和建筑自身楼宇自控系统内置数据运行参数导出。将两部分数据根据设备运行需求进行统一格式整理形成日运行策略数据库，便于调用。（4）多源数据库构造实现办公建筑周期性电力能耗异常的诊断需要对多源数据进行整合，因此构建如图3-7所示包含逐日能耗、逐时能耗、天气数据和运行数据的多源数据库。1.1.2数据异常值处理建筑电力平台线路逐日总能耗数据由远传电表传送至平台数据库并在平台数据库中进行逐小时能耗加和得到。因此，该建筑电力能耗平台线路逐日能耗数据具有两方面特征：一方面，电力平台采集数据稳定线路逐日能耗数据缺失值和死值出现较少，出现后采用删除处理；另一方面，由于实际办公建筑线路逐日能耗数据由于电力线路电压不稳等原因有一定的波动不确定性。综合以上两个特征，为提升数据质量，本文利用如式（3-6）和式（3-7）所示的箱线图法对异常逐日能耗数据进行剔除。(3-6)(3-7)其中，和分别是第一四分位数和第三四分位数。1.4案例分析本章采用该办公建筑2020年9月14日（星期一）能耗作为待测试日，进行基于统计学的异常周期性诊断。1.4.1Ⅰ类及Ⅱ类线路能耗周期性异常诊断 本小节以Ⅰ类线路为例进行案例分析。该建筑公区照明（低区干线）为Ⅰ类线路，待测试日为2020年9月14日星期一。选择100天工作日工况能耗作为同工况历史数据集。该线路最近工作日工况100天逐日总能耗如图3-8所示，其能耗范围为[3401.58,3574.52]kWh。对该历史数据集按照升序排列选择100天与待测试日进行位置比较，取异常敏感度阈值为75%，即排名低于75%，则当日该线路用能存在异常。根据实验可知，2020年9月14日公区照明（低区干线）线路日能耗为3496.35kW，排名为52/100，因此该日公区照明（低区干线）线路运行日能耗不存在异常。1.4.2Ⅳ类线路能耗周期性异常诊断本小节采用上文中Ⅳ类线路新风机组（2）能耗进行分析，待测试日为2020年9月14日星期一，选择滑动窗口为1d，即与前1天同工作日工况进行比较，根据线路主要设备类型设置阈值为5%。表3-3新风机组（2）线路短期环比和待测试日能耗日期能耗/kWh2020/9/11562.572020/9/14560.97如表3-3所示，2020年9月14日新风机组（2）线路日能耗为560.97kW，环比偏离程度0.3%。因此该日新风机组能耗线路运行日能耗不存在异常。1.4.3Ⅲ类及Ⅴ类线路能耗周期性异常诊断本小节采用该建筑冷水机组线路（Ⅲ类线路）和冷却塔线路（Ⅴ类线路）为例对线路周期性异常诊断进行验证。选择9月14日星期一为待测试日，选择过去20天为历史相似日被选数据集，相似日距离阈值γ经实验验证设为4，选择5个相似日作为最优相似日集合，对5组数据取平均获得相似日能耗基准。选择过去20天工作日工况全天气象数据作为处理对象，经过1.1.1小节处理得到的数据如表3-4所示：表3-4气象数据表日期日期类型天气类型最低温度平均温度最高温度2020/8/17142325.5282020/8/18102326292020/8/19102425262020/8/20142325272020/8/21132325.5282020/8/24152126.5322020/8/25152227322020/8/26142225.5292020/8/27141925312020/8/28142226302020/8/31101923272020/9/1102026322020/9/2141924292020/9/3141722.5282020/9/4141723292020/9/7142125.5302020/9/8141924.5302020/9/9141824302020/9/10101821.5252020/9/11101922.5262020/9/14作为目标日，经1.1.1节所提出流程筛选相同工作日类型的日期，并对其他指标进行标准化处理以平衡其实质重要性，结果如表3-5所示。 对表3-5中的数据按照1.1.1节中式（3-1）和式（3-2）计算马氏距离，相似日历史数据集内各日与待测试日的距离如图3-9所示，按照距离降序排列后结果图标3-3。表3-5标准化气象数据表日期天气类型最低温度平均温度最高温度2020/8/170.6038011.1828521980.561747903-0.4505635572020/8/18-1.496381.1828521980.9022011780.0500626172020/8/19-1.496381.6467158050.221294629-1.4518159062020/8/200.6038011.1828521980.221294629-0.9511897312020/8/210.0787571.1828521980.561747903-0.4505635572020/8/241.1288460.2551249841.2426544531.551941142020/8/251.1288460.7189885911.5831077281.551941142020/8/260.6038010.7189885910.5617479030.0500626172020/8/270.603801-0.672602230.2212946291.0513149662020/8/280.6038010.7189885910.9022011780.5506887922020/8/31-1.49638-0.67260223-1.14051847-0.9511897312020/9/1-1.49638-0.208738620.9022011781.551941142020/9/20.603801-0.67260223-0.459611920.0500626172020/9/30.603801-1.60032944-1.48097175-0.4505635572020/9/40.603801-1.60032944-1.140518470.0500626172020/9/70.6038010.2551249840.5617479030.5506887922020/9/80.603801-0.67260223-0.119158650.5506887922020/9/90.603801-1.13646584-0.459611920.5506887922020/9/10-1.49638-1.13646584-2.1618783-1.952442082020/9/11-1.49638-0.67260223-1.48097175-1.451815906 表3-6似日距离-排序日期距离日期距离2020/8/180.4083972020/8/282.7996452020/8/190.4083972020/8/242.8207672020/8/201.0037452020/8/262.9533262020/8/311.0394962020/9/71.0080962020/9/111.1614462020/9/81.0747122020/8/171.7853892020/8/211.1160792020/9/21.9930392020/8/251.135722020/9/102.3498252020/9/91.2672072020/9/32.4690622020/9/11.7165962020/8/272.7418382020/9/41.791228 取距离最近的5日（2020年8月18日、2020年8月19日、2020年8月20日、2020年8月31日、2020年9月1日）作为相似日，冷水机组线路和冷却塔线路逐日线路总能耗如表3-7所示。表3-7冷水机组和冷却塔线路相似日逐日总能耗日期冷水机组能耗/kWh冷却塔/kWh2020/8/185359.3648.42020/8/194737.11565.43