1、用智能数据分析检测建筑物中的能源异常消耗 Xxxxx、摘要 本文介绍一种新的建筑物能源异常消耗的检测方法，它基于读出每天的能源消耗值和峰值能耗。如果某一天的能源消耗与以往的能源消耗显著不同，这个方法将利用离群检测来测定问题所在。建筑物的能源消耗异常，其相于常态的变化总量可以使用对平均值和标准差的鲁棒估计来确定。这种新的数据分析方法将检测到以往未曾注意到的问题，由此降低运营成本。此外，操作者不必手动检测故障或诊断错误警报，可以节省时间。新的数据分析方法已成功地检测到许多建筑物中的高能源消耗。本文介绍的为建筑物进行的实际测试结果反应出下列问题：机组故障和不良控制方法，设计不良的通风和空调设备，以及2、不当的设备操作引发的配电盘的变化。关键词：能源消耗；故障检测；离群分析；性能监测；鲁棒统计1引言 能源管理和控制系统可收集和储存大量的能源消耗数据。设备操作员会被这样数目的数据所压倒。对于许多操作员而言，由于数据超载，能源管理和控制系统不可能检测设备、设计或操作问题。现代建筑物管理系统有两个系统，用来为操作员提供这些超载数据：警报与预警系统和数据可视化程序。今天，操作员必须选择警报和预警的阈值。这是一项艰巨的任务。如果阈值太紧，那么系统会发出一些假警报，而如果阈值太松，那么设备或系统的故障可能不会被发现。数据可视化程序可以帮助建筑物管理员检测和诊断问题，但大量的时间被花费在问题的检测上。此外，3、不同操作员的建筑专业知识有很大差异。新的或缺乏经验的操作员可能会遇到检测困难，而且一个操作员的工作情况会随时间在几天或几周内变化。 研究团体已经为建筑物和供暖、通风和空调系统制定了许多故障检测方法。两个主要的研究成果由国际能源工程处取得：见参考资料 2512和 34 3。这里有两个故障检测与建筑物诊断的基本方法：组件级别（自底向上）的方法和整幢建筑（自顶向下）的方法。组件级别的方法在个别系统中寻找故障，比如变风量箱、空气处理设备、冷水机组或锅炉。整幢建筑的方法在高级别测量中寻找异常，比如整幢建筑的制冷、供热或电力消耗。 克拉里奇等人描述了一个能源消费检测方法，来帮助建筑物操作员和设备管理员确定4、建筑物系统是否在正常工作。这个报告包含三个月期间内每日冷却水能源消耗量与每日平均温度的对比和每日热水消耗量与每日平均温度的对比的散点图。在最后一个月，散点图使用字母（M，T，W，H，F，S，U）来确定一周中的每天。这些字母帮助建筑物操作员确定在特定的一天中异常的能源消耗。报告还包含冷却水消耗和整幢建筑电力消耗的二维和三维时间序列图。通过检查这些坐标，建筑物操作员可以识别出一天的能源异常消耗。为了查看建筑物能源数据，哈伯尔和阿巴斯56审查了几个新的图形显示。 多迪尔和克里德为整幢建筑物的能源问题提出一个检测方法，如下列能源的使用：整幢建筑物总电能、整幢建筑物总热能、暖通空调与其他制冷电能和制冷机5、的能源使用。他们用能源消费指数（ECI）来测定能耗是否是高于正常、正常或者低于正常水平。如同确定一个神经网络，ECI 是实际能源消耗与预期能源消耗的比率。如果该比率高于上限（例如 1.125），那么这个系统的状态高于正常系统。如果该比率低于下限（例如 0.875），那么这个系统的状态低于正常系统。如果该比率在下限和上限之间，那么这个系统的状态是正常的。ECI 图表将帮助建筑物操作员识别能源消耗的重大变化。多迪尔和克里德的图表显示了 ECI 每周的循环。 本文介绍了一个自动检测建筑物能源异常消耗的智能数据分析方法。用此方法，操作员将不必通过费时费力地手工检查图表来发现异常的能源消耗。取而代之的是6、，操作员或维修员可以仅进行建筑物异常消耗的检查。这个方法决算一周中分成组的日子的能耗变化与一周中类似的电力消耗。如果能源消耗与以往有明显偏差，就要用鲁棒异常检测方法来判断。对于异常时期的能源消耗，偏离正常的数额一定要使用鲁棒统计方法。2数据分析方法概况 图 1 显示了识别建筑物能源异常消耗必需的主要步骤。特征提取模块测定特征，例如每日平均消耗或一天中的最高负荷的能源数据，如整幢建筑的电力消耗。它是功能是基于将一周中有类 （ 术语似能源消耗概况的几天分组。在本文中， “日期类型”是指一周中有类似消耗概况的某几天。）在基于日期类型为数据分组之后，当同一日期类型的特征有显著差异时，异常识别用于测定特7、征。如果有任何异常被识别，就有一个 Z 分被修改，用来从一个标准的观测数据测定总量和变化趋势。（Z 分也称为标准分。）之后，鲁棒离群判定方法的细节和用鲁棒方法从标准值确定出的总变化量被显示。 图 1.异常能源消耗检测框图3离群值的鉴别： GESD 多离群程序 一个离群值是一个观测数据，即产生于大多数观测数据集合中的不一致数据。例如，在数据集合（1，2，-1，0，3，2，101，-2）中，观测数据 101 是一个出现的离群值。数据集合可能包含不止一个离群值。例如，在数据集合（1，2，-1，0，3，2，101，-2 ，96 ，2，0，-209）中，观测数据 101，96，和-209 是出现的离群值8、。 巴内特和刘易斯11提供了几种常见离群值识别方法的详细资料。在几种比较流行的离群值识别方法之中，因为由罗斯纳建议的离群检测算法（ESD）的多离群程序在多种条件下行之有效，故伊格伍茨和霍格林高度推荐此方法。 综合 ESD 多离群程序可以标识一个集合中的 图离群成份。 2 是在一个有 n 个观测数据 Xx1，x2，x3，xn的集合中确定一个或多个离群值的流程图。用户需要指定概率 ，它是当没有离群值存在时错误的宣告有一个或多个离群的概率，和一个最大值 nu，它是一个潜在的离群值。凯里等人认为，通过找到满足不等式 nu0.5n-1的最大整数的方法，最大值（nu）可以被测定。以下是关于图 2 中编号块9、的详情。 图 2.执行罗斯纳的综合多离群程序流程图块 1：设定 nout 0 。这一步是使离群的初始化数值为 0。块 2：计算集合 X 中元素的平均值（ x ）。平均值由公式计算出。Xj 是集合 X 的成员集合，n 与集合 X 中的数值元素相等。 nj 1 x jx n 。标准差由公式确定。块 3：计算集 X 中元素的标准差（s）s nj 1 x j x 2 n 1块 4：s0。如果集 X 中元素的标准差是零，则检查这个块。如果标准差等于零，那么集合 X 中的元素都有同样的值，而且在集合 X 的其余元素中没有离群值。（在实际检验了这种方法后，在几个数据集合中有一个集的合标准差为零。）为了防止在10、块 6 中除以零，当块 3 的标准差一定为零时执行块 10。块 5：在集合 X 中找到第 i 个极值。极值元素（xe，i）是集合 X 中与 x 相差最大的。在集合 X 中的所有元素中，当 x i 是集合 X 的一个元素时，极值元素 xe，i 使函数xj- x 增至最大限度。块 6：计算第 i 个极限偏离值 Ri。极限偏离值由公式计算。Ri 是一个与第 i 个极值有多大差距的规格化测量，从块 2 的平均值测量。 x e i xRi s块 7：计算第 i 个关键值 i。罗斯纳发展下面的方程式来测定关键值。 n 1t ni 1 pi n i 1n i 1 t n2i 1 ptn-i-1p 是带有（n11、-i-1）自由度和由尾部概率 p 确定的学生 t 分布。p 确定于p 2n i 1阿伯拉莫维茨和斯特冈14为估计学生 t 分布而验证了方程式。块 8：Rii。这个块确定如果第 i 个极值随着极端量偏离，Ri，块 6 的测定值比第 i个临界值大，i 从块 7 中测定。块 9：设定 nouti。这个块设定离群的数量，nout 与 i 相等。块 10：从集合 X 中移去极值元素 xei。极值元素 xei 被从集合 X 中移去，移去极值元素 xe，i 之后，集合 X 中的元素数量是 n-i。如果 i 等于 nu，那么执行块 11，否则转到在i 上的循环。块 11：离群xe1， xe2，xe nout。12、这个块确定极值离群。第一个在块 5 中被确定的 nout 极值被认为是离群值。注意，所有在块 5 中测定的极值都不是离群值。4改良 Z 分 为了帮助设备操作员对离群进行严格分类，改良 Z 分用于从典型测定值的变量中确定离群的程度与在某个方向的趋势。图 3 是一个由 n 测定值组成的集合 Xx1，x2，x3，xn确定改良 Z 分的估计均值和标准差的流程图。以下是图 3 中编号块的详情。 图 3.确定离群值改良 Z 分流程图块 1：在集合 X 中识别离群值。在上一节中描述过用综合 ESD 多离群程序描述集合 X中的离群（xe1， xe2，xe nout） 。 。离群是集合 Xout（即 Xout 13、xe1， xe2，xe nout ）如果这不是集合 X 中的离群，那么 Xout 是一个空集。块 2：测定非离群集合数据。测定集合 X 中不包括离群 Xnon-out 集合的数据。在方程式中，非离群集合数据由公式确定。X non out x x Xandx X out 块 3：计算非离群集合数据的平均值。对平均值的鲁棒估计， x robust ，是集合 Xnon-out 元素的平均值。其中 xjXnon-out 和 nout 是集合 X 中的离群值。 nj 1 out x j nx roubst n nout块 4：计算非离群测定值的标准差。标准差的鲁棒估计，Srobust，是 Xnon-ou14、t 集合元素的样本标准差。s robust n nj 1 out x j x roubst 2 n nout 1块 5：计算改良 Z 分。改良 Z 分是离群的鲁棒标准差和从由鲁棒估计得到的数值的均值。在方程式中，我们可以用公式确定改良 Z 分。 x outlier x robustzm s robust 其中 Xoutlier 是一个离群值。5现场测试结果 我们使用数据分析的方法介绍在以前的项目中对 97 幢建筑物的电能消耗数据的分析。在对特殊的一天进行能源消耗分析时，能源消耗被与之前的日期类型的能源消耗进行比较。分析中使用的之前的天数最大值被限制在 30 天之内。97 幢建筑物中的大部分并没15、有异常的高能源消耗。这个项目包含了三个有异常高能源消耗的测试结果。 在节假日和如异地公司会议期间的特殊事件中，许多建筑物有异常低的能源消耗。在本文中描述的方法对这些不寻常的状况来说是稳健的。例如，在能源消耗低的寒假期间，这个方法在一月的开始没有检测错误的离群值。此外，在本研究中，我们并没有发现这个方法因错误的检测高离群值而失败的位置。 检测异常能源消耗的方法需要日期类型的知识（即，一周中具有相似的能源消耗类型的日子）。有三个基本方法来确定日期类型：操作员可以基于建筑物能源消耗的知识来选择日期类型，操作员可以利用时间序列或箱形图1718，来确定日期类型，或模式识别算法可以自动确定日期类型 19。16、操作员可以建筑物使用知识来选择日子，或者利用图表或时间序列图来确定具有相似能源消耗的日子。图 4 是一个双面板箱形图（格状图2021）从这个图表，我们可以得出有两种日期类型的结论：平日（周一到周五）和周末（周六和周日）。 图 4.每日平均消耗与峰值需求双面板箱形图 图 5 是一座电信大楼的每日峰值电能消耗的时间序列图。离群分析方法确定了 8 月7 日的能源消耗畸高。平均值和标准差的鲁棒分析确定了能源消耗的标准差 10 高于 8月 7 日的平均值。在对高能源消耗分析的调查中显示了一个造成主机组故障的控制问题。在主机组出现后，次机组启动以满足冷负荷。在主机组重新启动后，两台机组同时运行且需求极限控17、制过去常常没有限制机组的电能消耗峰值。8 月 7 日的高电能使用让用户付出了大约 1200 美元。为了预防这个问题，用户修正了控制方式来防止两台机组同时运行。 图 6 显示第二座电信大楼的能源使用的每日峰值和平均值，它使用区域供热。用户已经达成协议，在供应商要求的时间段内不使用（减少）区域热能。在 12 月 6 日和 17日，电能消耗的平均值和峰值因供应商要求用户不使用区域热能而畸高。用户就用电热锅炉来加热水。这造成电费增加约 4300 美元。如果区域热能供应商削减的能源成本大于由减少区域热能造成的高电能消耗，用户应确定使用何种能源。图 5.一座电信大楼由机组故障引起的高离群值 图 6.一座电18、信大楼由于数据中心缩减区域供热 引起的高离群值 图 7 显示了第二座电信大楼的能源使用的峰值和每日值。在 2000 年 2 月 8 日，新电力配电盘安装完毕。为了测试这个配电盘，许多电气设备都在运行。这引起了峰值电能消耗大幅攀升，并为用户增加了约 10000 的美元电费。用户可以在低电价期执行测试以降低电费损失。 图 8 显示了第三座电信大楼，它具有在室外温度低时不调整大小以允许自由冷却过程的管道系统。利用室外冷空气来减少或消除机械制冷的控制方法通常被称为经济周期控制22。 图 ?绻艿老低车拇笮市砭弥芷诳刂疲?8 所示的高离群值是可以避免的。11 月 9 日和 10 日的高电能消耗让建筑物所有19、者支付了约 600 美元。图 7.一座电信大楼由于设备测试引起的高离群 图 8.一座电信大楼由于暖通空调系统故障引值，其次，高离群值符合改良 Z 分 起的高离群值，其次，高离群值符合改良 Z 分6结论 本文提出了一种使能源消耗数据转化为信息的新方法。该方法计算有效，从而可以在今天的建筑节能管理和控制系统中实现。如果能源消耗与先前有较大的不同，该方法采用鲁棒统计的方法。如果能源消费源大幅增加，建筑物管理员或维修人员会进行调查和纠正问题，以防止今后再出现这样的情况。这种新的数据分析方法将使建筑物管理员通过减少检测运行故障设备的时间来更有生产价值。此外，建筑物能源消耗将因控制、系统或运行的问题被检测和纠正而降低。致谢 我要感谢吉姆库默尔、比尔胡特和江森自控公司驻外机构，他们在收集数据和与我们的客户合作找出问题的起因及相关的能源异常消耗损失中做出了宝贵的贡献。参考文献 （略）