基于實時數據流特征提取的設備能耗異常識別算法研究
信息技術與網絡安全
黃家續1，曾獻輝1，2，施陳俊1
(1.東華大學 信息科學與技術學院，上海201620；2.數字化紡織服裝技術教育部工程研究中心，上海201620)
摘要： 能耗設備的節能是企業節能減排中非常重要的一環，及時發現能耗設備運行中出現的異常，對減少不必要的企業能耗具有重要意義。利用采集到的設備實時能耗數據流，提出了一種基于多特征提取的設備能耗異常識別分類方法。首先，對樣本數據提取了低能耗時間比、高能耗時間量、DTW距離等特征量，隨后利用孤立森林算法和K-means聚類算法對每條樣本數據進行類型標定，最后構建了注意力機制與LSTM相結合的設備能耗異常分類算法。實驗結果表明，該算法的分類正確率達到了97.76%，可以高效識別出不同類型的設備能耗異常，從而為企業及時作出處理、減少能耗損失提供了決策依據。
中圖分類號： TP301.6；TK01+8
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.05.008
引用格式： 黃家續，曾獻輝，施陳俊. 基于實時數據流特征提取的設備能耗異常識別算法研究[J].信息技術與網絡安全，2021，40(5)：45-50.
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.05.008
引用格式： 黃家續，曾獻輝，施陳俊. 基于實時數據流特征提取的設備能耗異常識別算法研究[J].信息技術與網絡安全，2021，40(5)：45-50.
Research on equipment energy consumption anomaly identification algorithm based on real-time data stream feature extraction
Huang Jiaxu1，Zeng Xianhui1，2，Shi Chenjun1
(1.College of Information Science and Technology，Donghua University，Shanghai 201620，China； 2.Engineering Research Center of Digitized Textile & Apparel Technology，Ministry of Education，Shanghai 201620，China)
Abstract： Energy saving of energy consumption equipment is a very important part of the enterprise energy saving and emission reduction, timely discovery of abnormal energy consumption equipment operation, to reduce unnecessary energy consumption of enterprises is of great significance.In this paper, based on the collected real-time data stream of equipment energy consumption, a new method of equipment energy consumption anomaly recognition and classification based on multi-feature extraction was proposed.Firstly, the characteristic parameters such as low energy consumption time ratio, high energy consumption time quantity and DTW distance were extracted from the sample data. Then, the isolated forest algorithm and K-means clustering algorithm were used to carry out type calibration for each sample data. Finally, the abnormal classification algorithm of equipment energy consumption combining attention mechanism and LSTM was constructed.The experimental results show that the classification accuracy of the algorithm reaches 97.76%, which can effectively identify the abnormal energy consumption of different types of equipment, so as to provide a decision-making basis for enterprises to make timely treatment and reduce the loss of energy consumption.
Key words : feature extraction；attention mechanism；LSTM；classification algorithm
0 引言
節能降耗是企業面對的一個迫在眉睫的問題，設備節能是其中的一種有效手段。企業能源浪費很大一部分來自用電設備的管理維護不夠精確、不夠及時。人走忘記關燈、忘記關水、設備爆管、設備老化等異常不能夠及時檢測出來，給企業造成了一定程度上的損失。
目前企業中大多都使用了設備能耗數據采集系統[1]，采集到的數據量大、實時產生。因此，設備運行過程中產生的各種異常也會在數據上有直接反映。所以為了能夠及時、精確地檢測出設備運行中產生的各種異常，對能耗數據異常的檢測以及分類有著重要的研究意義。
目前國內外許多研究者對用電數據的異常檢測進行了大量的研究。黃悅華等提出了一種基于用電特征分析的無監督方式異常檢測方法[2]，具有較高的準確性；張春輝等提出了基于小波檢測電力負荷異常的方法，利用ARFIMA統計方法結合小波，能夠快速準確全面地發現電力負荷異常數據[3]；趙嫚等利用模糊聚類和孤立森林算法相結合進行異常檢測[4]；徐瑤等采用卷積神經網絡挖掘用戶時間序列中的用電規律，并通過反向傳播來實現網絡參數的更新，利用支持向量機檢測出異常用電行為[5]；ANGELOS E W S等人使用模糊分類矩陣來改進C均值聚類，歸一化度量距離最大的即為異常用電行為[6]；ARISOY I等基于電力公司長期運營的專家知識，對用電數據的時間關聯關系進行了數學建模，實現了用戶異常用電量的檢測[7]。
本文詳細內容請下載:http://m.jysgc.com/resource/share/2000003550
作者信息:
黃家續1，曾獻輝1，2，施陳俊1
(1.東華大學 信息科學與技術學院，上海201620；2.數字化紡織服裝技術教育部工程研究中心，上海201620)
此內容為AET網站原創，未經授權禁止轉載。