基于大数据的空调能耗数据监管方法及系统与流程

本发明涉及空调维护，具体为基于大数据的空调能耗数据监管方法及系统。

背景技术：

1、在商场等大型公共建筑中，中央空调系统作为重要的能耗设备，其能耗监管对于实现节能减排、降低运营成本具有重要意义。

2、在现有的空调能耗数据监管领域，通常依赖于传统的能耗监测系统和人工巡检方式。传统能耗监测系统往往只能提供基本的能耗数据，缺乏对环境参数、人流量变化、设备状态等多维度因素的综合考虑，导致无法准确预测中央空调未来的能耗趋势，也无法及时发现能耗异常点。人工巡检方式效率低下，无法实现对大量中央空调系统的实时监管。同时，由于人工巡检的主观性和不连续性，很难发现短暂的、突发的能耗异常，导致能耗管理效果不佳。为此，我们提出基于大数据的空调能耗数据监管方法及系统。

技术实现思路

1、本发明的目的在于提供基于大数据的空调能耗数据监管方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：基于大数据的空调能耗数据监管方法，所述方法包括：

3、s1：收集中央空调控制系统的历史运行数据，包括每台中央空调的能耗数据、运行设置、生产参数，以及运行时的环境参数和人流量记录；

4、s2：对步骤s1收集的数据进行特征构造，形成特征数据集；

5、s3：利用机器学习算法，针对每台中央空调分别构建能耗预测模型，所述能耗预测模型基于特征数据集，综合考虑环境参数、人流量变化、设备状态和时间因素，对中央空调未来一段时间的能耗趋势进行预测；

6、s4：获取当前每台中央空调的生产参数和运行设置，以及当前的环境参数和人流量数据；

7、s5：将获取的数据输入能耗预测模型，并接收模型输出的能耗预测趋势数据；

8、s6：从中央空调控制系统中采集每台中央空调的实时能耗数据，并对采集的原始数据进行清洗，以去除异常值；

9、s7：将步骤s6采集的实时能耗数据和步骤s5模型输出的预测能耗数据分别绘制成随时间变化的曲线，对两条曲线数据进行时间戳对齐，根据预设的算法判断曲线上的每个点是否存在异常，若存在则标记为异常点；

10、s8：根据发现的异常点和预警规则生成预警信号，进一步将预警信号发送到空调管理人员。

11、优选的，所述特征数据集包括：

12、时间窗口特征，包括过去预设时间段内的平均能耗、最大能耗和最小能耗；

13、人流量相关特征，包括当前人流量与过去预设时间段平均人流量的比值、人流量的变化率和高峰时段人流量的标识；

14、环境参数特征，包括室内外温差、湿度的变化率和是否处于极端天气条件的标识；

15、设备状态特征，包括设备运行时长、设备上次维护至今的时间和设备是否处于维护状态的标识；

16、时间相关特征，包括一周中的哪一天、一年中的哪一天或哪个月份以及节假日的标识；

17、统计特征，包括能耗数据的分布特征和能耗数据的滚动统计量；

18、变化率特征，包括能耗的变化率。

19、优选的，采用长短期记忆网络lstm算法构建能耗预测模型，具体步骤包括：

20、s301：使用特征数据集作为输入，将特征数据集划分为训练集和测试集；

21、s302：构建lstm网络结构，设置网络层数、隐藏层单元数和激活函数超参数；

22、s303：使用训练集对lstm模型进行训练，通过反向传播算法和梯度下降法优化模型参数；

23、s304：使用测试集对训练好的lstm模型进行评估，验证模型的预测性能；

24、s305：根据评估结果调整lstm模型的超参数，直至达到满意的预测精度；

25、s306：针对每台中央空调分别训练并保存相应的lstm能耗预测模型。

26、优选的，所述lstm模型的网络结构为：

27、输入层：接收特征数据集作为输入，特征数据集包括时间窗口特征、人流量相关特征、环境参数特征、设备状态特征、时间相关特征、统计特征和变化率特征；

28、网络层：包含两个隐藏层，两个隐藏层分别包含128和64个隐藏单元，每个隐藏单元通过遗忘门、输入门和输出门进行信息的更新和传递，使用relu激活函数对隐藏单元的输出进行非线性变换；

29、输出层：输出层接收最后一个隐藏层的输出，并通过一个全连接层将lstm网络的输出映射到能耗预测值上。

30、优选的，使用训练集数据对lstm模型进行迭代训练，在每次迭代中，将一批输入数据送入lstm模型，通过计算输入层和输出层的值，更新记忆单元和隐藏状态，最终得到预测的输出序列；在训练过程中，定期使用验证集评估模型性能，并根据需要调整学习率或提前停止训练以防止过拟合。

31、优选的，采用均方误差mse算法评估能耗预测模型的性能，具体算法为：

32、

33、其中，n为数据点的数量，ypred,i为模型预测的能耗值，yactual,i为实际测量的能耗值；根据mse值评估模型的预测精度，mse值越小，表示模型的预测精度越高。

34、优选的，步骤s6中对原始数据进行清洗的方式包括：对每一类数据设定合理的数值范围，遍历原始数据，将超出设定范围的数值标记为异常值，从原始数据中移除被标记为异常值的数据。

35、优选的，标记异常点的算法包括：

36、基于差值阈值的算法：设定一个固定的能耗差值阈值，当实时能耗数据与预测能耗数据的差值超过该阈值时，标记为异常点，计算公式为：若|r-p|>t，则标记为异常点，其中，r代表实时能耗数据，p代表预测能耗数据，t代表设定的能耗差值阈值；

37、基于差值百分比的算法：设定一个能耗差值占预测值的百分比阈值，当实时能耗数据与预测能耗数据的差值占预测值的百分比超过该阈值时，标记为异常点，计算公式为：若|(r-p)/p|>pt，则标记为异常点，其中，r代表实时能耗数据，p代表预测能耗数据，pt代表设定的能耗差值占预测值的百分比阈值；

38、基于滑动平均的算法：计算一段时间窗口内能耗差值的平均值，当实时能耗数据与预测能耗数据的差值超过该平均值的一定倍数时，标记为异常点，计算公式为：若|r-p|>m×avg，则标记为异常点，其中，r代表实时能耗数据，p代表预测能耗数据，m代表设定的倍数，avg代表时间窗口内能耗差值的平均值；

39、基于趋势变化的算法：分析实时能耗数据与预测能耗数据的变化趋势，当实时数据的趋势与预测数据的趋势出现显著偏离时，标记为异常点，趋势变化通过计算两条曲线的斜率实现，斜率差的公式为：若|slope(r)-slope(p)|>st，则标记为异常点，其中，slope(r)代表实时能耗数据的斜率，slope(p)代表预测能耗数据的斜率，st代表设定的斜率差阈值。

40、优选的，预警信号包含异常点的具体时间戳、对应的实时能耗值、预测能耗值、异常类型标识和相关中央空调的编号与位置信息。

41、优选的，一种基于大数据的空调能耗数据监管系统，所述系统包括：

42、数据收集模块，负责收集中央空调控制系统的历史运行数据，包括每台中央空调的能耗数据、运行设置、生产参数，以及运行时的环境参数和人流量记录；

43、特征构造模块，对收集的数据进行特征构造，形成特征数据集，以供后续建模使用；

44、模型构建模块，利用机器学习算法，针对每台中央空调分别构建能耗预测模型，该模型基于特征数据集，综合考虑环境参数、人流量变化、设备状态和时间因素，对中央空调未来一段时间的能耗趋势进行预测；

45、实时数据获取模块，负责获取当前每台中央空调的生产参数和运行设置，以及当前的环境参数和人流量数据；

46、能耗预测模块，将实时数据输入能耗预测模型，并接收模型输出的能耗预测趋势数据；

47、数据清洗模块，从中央空调控制系统中采集每台中央空调的实时能耗数据，并对采集的原始数据进行清洗，以去除异常值；

48、异常检测模块，将清洗后的实时能耗数据和预测能耗数据分别绘制成随时间变化的曲线，对两条曲线数据进行时间戳对齐，根据预设的算法判断曲线上的每个点是否存在异常，若存在则标记为异常点；

49、预警信号生成与发送模块，根据发现的异常点和预设的预警规则生成预警信号，并将预警信号发送到指定的空调管理人员。

50、与现有技术相比，本发明的有益效果是：

51、通过实时获取中央空调的生产参数、运行设置、环境参数和人流量数据，并将其输入能耗预测模型，可以及时发现能耗异常点。相较于人工巡检方式，本方法能够更快速、更准确地发现短暂的、突发的能耗异常，从而及时采取措施进行处理。本方法实现了对大量中央空调系统的实时监管，显著提高了能耗管理的效率。同时，通过自动生成预警信号并发送到空调管理人员，进一步简化了能耗管理的流程，减轻了人工负担。