一种工业建筑能耗工况异常监测方法、系统和存储介质

1.本发明涉及工业控制技术领域，尤其涉及一种工业建筑能耗工况异常监测方法、系统和存储介质。


背景技术：

2.近几年，随着经济的发展，我国的建筑业也发展迅猛，建筑业能耗已经占据社会总能耗的30％以上，并且有逐年增加的趋势。其中工业建筑面积占总建筑面积的20％左右，建筑能耗大约占全国总能耗的20％～30％。目前，我国又处在能源相对短缺的时期，工业建筑能耗扎状况又加大了我国的能源压力，制约着国民经济的可持续发展，工业建筑能源节约刻不容缓。
3.根据国家和地方政府的相关规定，目前全国都在大力开展节能环保政策，工业建筑节能也是其中之一。但是，在工业建筑的能耗检测中，传统的监测方法是由管理员设定一个阈值，在根据监测数据进行判断由此决定能耗的高低，这样的监测方式首先就存在问题：阈值是人为设定的，过高或过低都会影响能耗高低的判断；没有考虑工业建筑所在区域的地理条件、季节变化、节假日等因素对工业建筑能耗的影响；工业建筑物已经竣工在出现能耗过高的情况时只能人为的去干预，但人为干预的结果显而易见并不乐观。


技术实现要素：

4.本发明针对现有技术中的不足，提供了一种工业建筑能耗工况异常监测方法，包括如下步骤：
5.s1，导入园区工业建筑的建筑模型信息，根据预设能耗评估数据库计算获取园区内各工业建筑的设计能耗指标；
6.s2，通过传感器信息平台采集获取各工业建筑的总能耗数据，并根据建筑模型信息获取对应工业建筑的总可用面积，计算获取各工业建筑的实际能耗指标作为对标能耗指标；
7.s3，根据设计能耗指标与对标能耗指标的差别程度来筛选能耗超标建筑物并对相应建筑物进行第一类标示；
8.s4，获取历史样本负荷日中与被预测日在设定条件下相似度较高的若干历史负荷日作为被预测日的相似日；
9.s5，查询获取相似日历史能耗指标，将相似日历史能耗指标与对标能耗指标进行比对，将比对差值超过预设阈值的对标能耗指标对应的工业建筑进行能耗工况异常的第二类标示。
10.优选的，所述对标能耗指标为单位面积能耗，所述单位面积能耗为建筑物总能耗与该建筑物总可用面积的占比，所述总能耗通过传感器信息平台采集获取，建筑物总可用面积通过建筑模型信息识别获取。
11.优选的，所述步骤s3具体包括：
12.将设计性能耗指标与对标性能耗指标数值统一归一化到一个[0,100]的区间范围内，对园区内每一工业建筑重复上述处理；
[0013]
将设计性能耗指标的输入数值记为x1，对标性能耗指标的输入数值记为x2，则其中的元素x按照如下公式有一个[0,100]的y输出，对应x1、x2形成y1、y2，其中y＝100*(x-min)/(max-min)；
[0014]
采用四分位数的方法按y1平均数值由低到高分别将建筑模型的外轮廓颜色设置为四种不同颜色；
[0015]
建立y1、y2二维的输入数据空间，对y1、y2进行线性回归，回归使得每个点都有最小二乘距dy，其中回归线上方为正、下方为负，对dy按照四分位距的方法进行异常点提取，如果有dy大于k＝3的四分位距上界，则认为能耗超标并在相应建筑模型上进行第一类标示。
[0016]
优选的，所述步骤s4具体包括：
[0017]
s41，通过灰色关联分析计算得到气象因子匹配系数；
[0018]
s42，计算获取时间因子匹配系数，所述时间因子匹配系数表示预测日与历史日在时间的相似程度，所述时间因素就为历史日距离待预测日的天数；其中，mod是取余函数；t是第i个历史日距离预测日的天数；int是取整运算；si是一个0、1变量，当第i个历史日与预测日为同一节假日时，si取值1，否则取值为0；β1、β2和β3是衰减系数，一般的取值为0.9～0.98，分别表示历史日与相似日的距离每增加一天、一周和一年的相似缩减比例；n1、n2和n3是常数，n1和n2的取值为一周的天数7，取n3的值为340；
[0019]
s43，计算获取星期因子匹配系数，所述星期因子匹配系数表示待预测日和历史日在星期类型上的相似程度，其中将星期类型量化即周一的映射为0.1，周二到周四的映射值为0.2，周五的映射值为0.3，周六的映射值为0.7，周日的映射值为1；采用如下函数表达式来计算第i个历史日与预测日的星期因子匹配系数γi：γi＝1-|f(xi)-f(x0)|，其中(xi)、x0分别是第i个历史日与相似日的星期类型，取值列表为1、2、3、4、5、6、7；f(xi)、f(x0)是(xi)和x0映射后的值；
[0020]
s44，把气象因子匹配系数、时间因子匹配系数和星期因子匹配系数相乘得到综合匹配系数，所述综合匹配系数越大则选出来的相似日和预测日特性越接近。
[0021]
优选的，所述步骤s4还包括：
[0022]
获取各工业建筑在确定周期中的耗能数据并根据时间先后进行排列形成时序，采用fbprophet预测方法来进行预测用于获取时序的预测结果，其中采用叠加函数形式的预测模型：y(t)＝g(t)+s(t)+h(t)+∈
t
；g(t)是趋势函数，用于对时间序列中的非周期性改变进行拟合并对其进行建模；s(t)是周期项，用于反映模型的周期性变化；h(t)是节假日项，用于反映一天或多天内可能发生的假日效应的影响；∈
t
是误差项，用于反映模型中的非正常变化，假设∈
t
是正态分布，得到趋势函数：其中，c为系统的期望容量；k为增长率；m为补偿参数。
[0023]
本发明还公开了一种工业建筑能耗工况异常监测系统，包括：设计能耗获取模块，用于导入园区工业建筑的建筑模型信息，根据预设能耗评估数据库计算获取园区内各工业建筑的设计能耗指标；对标能耗获取模块，用于通过传感器信息平台采集获取各工业建筑
的总能耗数据，并根据建筑模型信息获取对应工业建筑的总可用面积，计算获取各工业建筑的实际能耗指标作为对标能耗指标；第一标示模块，用于根据设计能耗指标与对标能耗指标的差别程度来筛选能耗超标建筑物并对相应建筑物进行第一类标示；相似日获取模块，用于获取历史样本负荷日中与被预测日在设定条件下相似度较高的若干历史负荷日作为被预测日的相似日；第二标示模块，用于查询获取相似日历史能耗指标，将相似日历史能耗指标与对标能耗指标进行比对，将比对差值超过预设阈值的对标能耗指标对应的工业建筑进行能耗工况异常的第二类标示。
[0024]
优选的，所述对标能耗指标为单位面积能耗，所述单位面积能耗为建筑物总能耗与该建筑物总可用面积的占比，所述总能耗通过传感器信息平台采集获取，建筑物总可用面积通过建筑模型信息识别获取。
[0025]
优选的，所述第一标示模块被具体被配置为：
[0026]
将设计性能耗指标与对标性能耗指标数值统一归一化到一个[0,100]的区间范围内，对园区内每一工业建筑重复上述处理；
[0027]
将设计性能耗指标的输入数值记为x1，对标性能耗指标的输入数值记为x2，则其中的元素x按照如下公式有一个[0,100]的y输出，对应x1、x2形成y1、y2，其中y＝100*(x-min)/(max-min)；
[0028]
采用四分位数的方法按y1平均数值由低到高分别将建筑模型的外轮廓颜色设置为四种不同颜色；
[0029]
建立y1、y2二维的输入数据空间，对y1、y2进行线性回归，回归使得每个点都有最小二乘距dy，其中回归线上方为正、下方为负，对dy按照四分位距的方法进行异常点提取，如果有dy大于k＝3的四分位距上界，则认为能耗超标并在相应建筑模型上进行第一类标示。
[0030]
本发明还公开了一种工业建筑能耗工况异常监测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前述任一所述方法的步骤。
[0031]
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如前述任一所述方法的步骤。
[0032]
本实施例公开的工业建筑能耗工况异常监测方法、系统和存储介质，首先通过导入园区工业建筑的建筑模型信息，根据预设能耗评估数据库计算获取园区内各工业建筑的设计能耗指标；然后通过传感器信息平台采集获取各工业建筑的总能耗数据，并根据建筑模型信息获取对应工业建筑的总可用面积，计算获取各工业建筑的实际能耗指标作为对标能耗指标，根据设计能耗指标与对标能耗指标的差别程度来筛选能耗超标建筑物并进行标示；同时获取历史样本负荷日中与被预测日在设定条件下相似度较高的若干历史负荷日作为被预测日的相似日；查询获取相似日历史能耗指标，将相似日历史能耗指标与对标能耗指标进行比对，将比对差值超过预设阈值的对标能耗指标对应的工业建筑进行能耗工况异常标示，从而可对标示异常的工业建筑进行后期能耗优化。
[0033]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0034]
此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0035]
图1为本发明一实施例公开的工业建筑能耗工况异常监测方法的步骤示意图。
[0036]
图2为本发明一实施例公开的kalman滤波方法对g(t)进行估计的流程示意图。
具体实施方式
[0037]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0038]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0039]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0040]
除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。
[0041]
如附图1所示，本发明公开了一种工业建筑能耗工况异常监测方法，包括如下步骤：
[0042]
步骤s1，导入园区工业建筑的建筑模型信息，根据预设能耗评估数据库计算获取园区内各工业建筑的设计能耗指标。
[0043]
设计能耗指标是由有关设计规范作为考量基础决定，在本实施例中，预设能耗评估在数据库计算获取。
[0044]
导入各单体工业建筑的bim信息，首先定义一个设计能耗指标，设计能耗指标是由根据有关设计规范作为考量基础定义的设计能耗指标计算公式，根据数据库中存储的设计能耗指标计算公式通过bim模型直接读取计算的部分对应的参数，例如设计能耗指标的数值可根据从bim模型直接获取的下述内容进行计算获取：
[0045][0046]
表1绿色建筑评分表建筑和围护结构部分
[0047][0048]
表2绿色建筑评分表供暖、通风和空调部分
[0049][0050]
表3绿色建筑评分表照明与电气部分
[0051]
步骤s2，通过传感器信息平台采集获取各工业建筑的总能耗数据，并根据建筑模型信息获取对应工业建筑的总可用面积，计算获取各工业建筑的实际能耗指标作为对标能耗指标。
[0052]
其中对标性能耗指标根据物联网传感器布置情况采用一系列单位性能耗指标度量，包括但不限于单位面积能耗、人均能耗、单位生产线能耗、生产单元能耗等。在本实施例中，单位面积能耗指标计算值作为对标性能耗指标的计算值。如果有多个单位性能耗指标值也可根据工业需要设置不同的权重。其中对标能耗指标为单位面积能耗，所述单位面积能耗为建筑物总能耗与该建筑物总可用面积的占比，所述总能耗通过传感器信息平台采集获取，建筑物总可用面积通过建筑模型信息识别获取，即：单位面积能耗＝总能耗/总可用面积。总能耗可以通过传感器iot平台直接采集获取，总可用面积可以通过bim信息获取。
[0053]
步骤s3，根据设计能耗指标与对标能耗指标的差别程度来筛选能耗超标建筑物并
对相应建筑物进行第一类标示。在本实施例中，该步骤s3具体可包括如下内容。
[0054]
步骤s31，将设计性能耗指标与对标性能耗指标数值统一归一化到一个[0,100]的区间范围内，对园区内每一工业建筑重复上述处理。
[0055]
步骤s32，将设计性能耗指标的输入数值记为x1，对标性能耗指标的输入数值记为x2，则其中的元素x按照如下公式有一个[0,100]的y输出，对应x1、x2形成y1、y2，其中y＝100*(x-min)/(max-min)。
[0056]
步骤s33，采用四分位数的方法按y1平均数值由低到高分别将建筑模型的外轮廓颜色设置为四种不同颜色。
[0057]
由于默认bim信息已经导入iot平台且可以交互显示，因此y1可以用包括但不限于四分位数的方法做颜色标志，显示园区内不同工业建筑在能耗上的天然差距。自然的也可以用无监督学习的方法，例如可以用k-means实现同样的效果。例如，本例采用四分位数的方法按y1平均数值由低到高分别将建筑bim外轮廓颜色设置为深红色、橙色、灰色、绿色。通过以上操作，设计性能耗指标与对标性能耗指标实现了关联，即y1、y2一一对应，且被分成了四个段(四种颜色)。
[0058]
步骤s34，建立y1、y2二维的输入数据空间，对y1、y2进行线性回归，回归使得每个点都有最小二乘距dy，其中回归线上方为正、下方为负，对dy按照四分位距的方法进行异常点提取，如果有dy大于k＝3的四分位距上界，则认为能耗超标并在相应建筑模型上进行第一类标示。
[0059]
在本实施例中，第一类标示可以是在建筑上标志闪烁的上升箭头，对dy按照四分位距的方法进行异常点提取，如果有dy大于k＝3的四分位距上界，则认为能耗偏高并在建筑上标志闪烁的上升箭头。在点击该箭头后则可基于bim信息放大该建筑查看不同楼层不同区域的情况。
[0060]
其中四分位距iqr是对异常值进行检测，且异常值的定义标准为异常值通常被定义为小于ql-kiqr或大于qu+kiqr。其中ql为下四分位数，表示全部观察值中有四分之一的数据取值比它小。qu为上四分位数，表示全部观察值中有四分之一的数据取值比它大；iqr为四分位间距，是上四分位数qu与下四分位数ql之差，期间包含了全部观察值的一半，k＝1.5为中度异常阈值，k＝3为重度异常阈值。
[0061]
在本实施例中，将第一类标示数据从对标能耗指标中剔除得到此次筛选正常的能耗指标作为被预测日数据并对其进行相似日分析。
[0062]
步骤s4，获取历史样本负荷日中与被预测日在设定条件下中相似度较高的若干历史负荷日作为被预测日的相似日。
[0063]
前述各步骤描述的是空间范畴一个时间切片下的情况，由于工业建筑在持续不断的运行，iot平台传感器在持续不断的上传数据。为了剔除正常活动反映的时域上的固有能耗差异，对得到的p’时序进行分析，建立趋势性能耗指标。对p’时序进行趋势性分析需要做相似日分析，即历史样本负荷日中与被预测日在星期类型、环境、气象、农历节气、节假日等方面相似度较高的若干历史负荷日。本实施例采用的方法是构建日特征向量＝[气象因素日期差距星期类型重大节假日]，相似度计算公式：将日特征向量分成三类，气象因子、时间因子和星期因子(重大节假日作为特例手动调整)，然后通过关联度计算气象因子匹配系数、时间因子匹配系数和星期因子匹配系数，通过相乘得出总相似度。
[0064]
在本实施例中，该步骤s4可具体包括如下内容。
[0065]
步骤s41，通过灰色关联分析计算得到气象因子匹配系数。具体的，灰色关联分析方法gra为对于一个参考数列x0有若干个比较数列x1,x2,
…
,xn，各比较数列与参考数列在各个时刻(即曲线中的各点)的关联系数ξ(xi)可由下列公式算出：其中ρ为分辨系数，一般在0～1之间，通常取0.5。δmin是第二级最小差，δmax是两级最大差。为各比较数列xi曲线上的每一个点与参考数列x0曲线上的每一个点的绝对差值，记为δoi(k)：
[0066]
步骤s42，计算获取时间因子匹配系数，所述时间因子匹配系数表示预测日与历史日在时间的相似程度，所述时间因素就为历史日距离待预测日的天数。
[0067][0068]
其中，mod是取余函数；t是第i个历史日距离预测日的天数；int是取整运算；si是一个0、1变量，当第i个历史日与预测日为同一节假日时，si取值1，否则取值为0；β1、β2和β3是衰减系数，一般的取值为0.9～0.98，分别表示历史日与相似日的距离每增加一天、一周和一年的相似缩减比例；n1、n2和n3是常数，n1和n2的取值为一周的天数7，考虑到某些重大的节假日(如春节)间的距离小于365天，取n3的值为340。
[0069]
步骤s43，计算获取星期因子匹配系数，所述星期因子匹配系数表示待预测日和历史日在星期类型上的相似程度。其中可以将星期类型量化即周一的映射为0.1，周二到周四的映射值为0.2，周五的映射值为0.3，周六的映射值为0.7，周日的映射值为1。
[0070]
具体的，采用如下函数表达式来计算第i个历史日与预测日的星期因子匹配系数γi：γi＝1-|f(xi)-f(x0)|；其中：(xi)、x0分别是第i个历史日与相似日的星期类型，取值列表为1、2、3、4、5、6、7；f(xi)、f(x0)是(xi)和x0映射后的值。
[0071]
步骤s44，把气象因子匹配系数、时间因子匹配系数和星期因子匹配系数相乘得到综合匹配系数，所述综合匹配系数越大则选出来的相似日和预测日特性越接近。
[0072]
在本实施例中，步骤s4还包括如下内容：获取各工业建筑在确定周期中的耗能数据并根据时间先后进行排列，形成时序。由于前述实施例采用了相似日的预处理操作，因此得到的时序应当是趋势平稳的，因此从简便性考虑可以优先采用sarima或者fbprophet来得到时序的预测结果。在本实施例中，采用fbprophet预测方法来进行预测，采用叠加函数形式的预测模型：y(t)＝g(t)+s(t)+h(t)+∈
t
，其中g(t)是趋势函数，能够对时间序列中的非周期性改变进行拟合，并对其进行建模；s(t)是周期项，能够反映模型的周期性变化(例如每年的季节性变化)；h(t)是节假日项，反映了一天或多天内可能发生的假日效应的影响；∈
t
是误差项，反映了模型中的非正常变化，假设∈
t
是正态分布，得到趋势函数：其中，c为系统的期望容量；k为增长率；m为补偿参数。
[0073]
在本实施例中，采用改进的ackf和fbprophet结合的预测方法，其具体步骤如下：初始化参数和误差协方差p0；更新时间项，利用非线性状态方程计算x
j,k-1|k-1
和传播容积点；计算预测状态和误差矩阵的协方差。替换容积点x
j,k|k-1
，计算容积点量测方程传播值z
j,k|k-1
，并估计量测的预测值
[0074]
利用上述的融合自适应方法，得到测量噪声和过程噪声估计值的方差和判断是否迭代；通过适应度得到采样点和目标真实估计之间的差别程度，以对是否迭代做出判断。该步骤具体可包括如下内容。
[0075]
定义适应度函数；预测值和观测值适应度是f1，容积点转移值和实际观测值的适应度是f2，并计算适应度函数ρ。当ρ《1，说明采样点有效近似真实估计值就跳出迭代，否则进行迭代循环。
[0076]
量测更新，计算新息p
zz
，协方差p
xz
，收益kk，系统的状态更新协方差pk；当ρ≥1，采样点和估计值差距相对大，需要进行迭代。返回前述步骤重新初始化，将迭代次数记成n，那么在k时刻状态估计和误差协方差估计分别是：那么在k时刻状态估计和误差协方差估计分别是：将上述改进的ackf方法得到的状态估计作为fbprophet的趋势项，则改进后的构成预测模型的叠加函数：其具体流程图如附图2所示。
[0077]
其中为初始化参数，p0为误差协方差，x
j,k-1|k-1
为离散k-1步时的状态量，为用k-1步时状态对k步时非线性状态的计算，得到预测状态和误差矩阵容积点x
j,k|k-1
，计算容积点量测方程传播值z
j,k|k-1
，并估计测量的预测值，并估计测量的预测值为测量噪声估计值方差，为过程噪声估计值方差；其中ρ为适应度因子，用来判断是否跳出迭代；pzz为新息，pzx为协方差，kk为收益，为系统的更新状态，pk为协方差更新。在本实施例中，设置一个迭代次数的上限n，其中和为第n次迭代输出，则k时刻的状态估计为且用于替换模型的趋势项g(t)，根据预测模型叠加函数s(t)得到被预测日的历史样本即预测时序值组成历史能耗指标。
[0078]
由此得到预测时序值可与iot传感测量时序值不断比对，随着历史数据的积累，这种差值可以采用包括但不限于dbscan的方法进行异常甄别。确认的异常值会使得bim可视化模型的颜色标志闪烁，表明该区域的工业建筑设计能耗工况存在问题，用来定量反馈工业建筑潜在存在的问题
[0079]
步骤s5，查询获取相似日历史能耗指标，将相似日历史能耗指标与对标能耗指标进行比对，将比对差值超过预设阈值的对标能耗指标对应的工业建筑进行能耗工况异常的第二类标示。
[0080]
在另一实施例中，将历史能耗指标与实时对标能耗指标进行对比，将比对差值超过预设阈值的对标能耗指标对应的工业建筑进行能耗工况异常的第二类标示。
[0081]
在本实施例中，还可以包括将得到工业建筑第一类标示与第二类标示进行反馈做工业建筑低能耗的优化方案。其中第一类标示区域与第二类标示区域为该工业建筑问题区域的，用来定量反馈工业建筑潜在存在的问题，指导有关单位低碳设计优化。
[0082]
本实施例公开的工业建筑能耗工况异常监测方法，首先通过导入园区工业建筑的建筑模型信息，根据预设能耗评估数据库计算获取园区内各工业建筑的设计能耗指标；然后通过传感器信息平台采集获取各工业建筑的总能耗数据，并根据建筑模型信息获取对应工业建筑的总可用面积，计算获取各工业建筑的实际能耗指标作为对标能耗指标，根据设计能耗指标与对标能耗指标的差别程度来筛选能耗超标建筑物并进行标示；同时获取历史样本负荷日中与被预测日在设定条件下相似度较高的若干历史负荷日作为被预测日的相
似日；查询获取相似日历史能耗指标，将相似日历史能耗指标与对标能耗指标进行比对，将比对差值超过预设阈值的对标能耗指标对应的工业建筑进行能耗工况异常标示，从而可对标示异常的工业建筑进行后期能耗优化。
[0083]
在另一实施例中，还公开了一种工业建筑能耗工况异常监测系统，包括：设计能耗获取模块，用于导入园区工业建筑的建筑模型信息，根据预设能耗评估数据库计算获取园区内各工业建筑的设计能耗指标；对标能耗获取模块，用于通过传感器信息平台采集获取各工业建筑的总能耗数据，并根据建筑模型信息获取对应工业建筑的总可用面积，计算获取各工业建筑的实际能耗指标作为对标能耗指标；第一标示模块，用于根据设计能耗指标与对标能耗指标的差别程度来筛选能耗超标建筑物并对相应建筑物进行第一类标示；相似日获取模块，用于获取历史样本负荷日中与被预测日在设定条件下相似度较高的若干历史负荷日作为被预测日的相似日；第二标示模块，用于查询获取相似日历史能耗指标，将相似日历史能耗指标与对标能耗指标进行比对，将比对差值超过预设阈值的对标能耗指标对应的工业建筑进行能耗工况异常的第二类标示。
[0084]
在本实施例中，所述对标能耗指标为单位面积能耗，所述单位面积能耗为建筑物总能耗与该建筑物总可用面积的占比，所述总能耗通过传感器信息平台采集获取，建筑物总可用面积通过建筑模型信息识别获取。
[0085]
在本实施例中，所述第一标示模块被具体被配置为：将设计性能耗指标与对标性能耗指标数值统一归一化到一个[0,100]的区间范围内，对园区内每一工业建筑重复上述处理；将设计性能耗指标的输入数值记为x1，对标性能耗指标的输入数值记为x2，则其中的元素x按照如下公式有一个[0,100]的y输出，对应x1、x2形成y1、y2，其中y＝100*(x-min)/(max-min)；采用四分位数的方法按y1平均数值由低到高分别将建筑模型的外轮廓颜色设置为四种不同颜色；建立y1、y2二维的输入数据空间，对y1、y2进行线性回归，回归使得每个点都有最小二乘距dy，其中回归线上方为正、下方为负，对dy按照四分位距的方法进行异常点提取，如果有dy大于k＝3的四分位距上界，则认为能耗超标并在相应建筑模型上进行第一类标示。
[0086]
在本实施例中，所述相似日获取模块具体包括：气象因子获取模块，用于通过灰色关联分析计算得到气象因子匹配系数；时间因子获取模块，用于计算获取时间因子匹配系数，所述时间因子匹配系数表示预测日与历史日在时间的相似程度，所述时间因素就为历史日距离待预测日的天数；
[0087]
其中，mod是取余函数；t是第i个历史日距离预测日的天数；int是取整运算；si是一个0、1变量，当第i个历史日与预测日为同一节假日时，si取值1，否则取值为0；β1、β2和β3是衰减系数，一般的取值为0.9～0.98，分别表示历史日与相似日的距离每增加一天、一周和一年的相似缩减比例；n1、n2和n3是常数，n1和n2的取值为一周的天数7，取n3的值为340；星期因子获取模块，用于计算获取星期因子匹配系数，所述星期因子匹配系数表示待预测日和历史日在星期类型上的相似程度，其中将星期类型量化即周一的映射为0.1，周二到周四的映射值为0.2，周五的映射值为0.3，周六的映射值为0.7，周日的映射值为1；采用如下函数表达式来计算第i个历史日与预测日的星期因子匹配系数γi：γi＝1-|f(xi)-f(x0)|，其中(xi)、x0分别是第i个历史日与相似日的星期类型，取值列表为1、2、3、4、5、6、7；f(xi)、f(x0)是(xi)和x0映射后的值；综合匹配模块，用
于把气象因子匹配系数、时间因子匹配系数和星期因子匹配系数相乘得到综合匹配系数，所述综合匹配系数越大则选出来的相似日和预测日特性越接近。
[0088]
根据预设能耗指标评估得到工业建筑的设计能耗指标，通过传感器获得工业建筑的纵能耗数据，以及在建筑模型信息中获取工业建筑的总可用面积得到工业建筑的实际能耗指标作为对标能耗指标，通过对标能耗指标与设计能耗指标的对比将能耗超标的工业建筑进行第一类标示，并且在对标能耗指标数据中将第一类标示数据删除得到的剩余建筑的能耗指标并在确定周期内多次获取其能耗数据得到被预测日时序，并且对预测日时序进行相似日分析，得到预测日的历史样本组成其历史能耗指标，并将历史能耗指标与对标能耗指标进行对比将能耗超标的工业建筑进行第二类标示，将第一类标示与第二类标示反馈并指导有关单位低能耗优化设计工业建筑。
[0089]
上述工业建筑能耗工况异常监测系统的具体功能与前面实施例所公开的工业建筑能耗工况异常监测方法一一对应，故在此不再详细展开描述，具体可参考前面公开的监测方法各实施例。需要说明的是，本说明书中各个实施例采用递进的方式描述，各个实施例之间相同相似部分互相参见即可。
[0090]
在另一些实施例中，还提供了一种工业建筑能耗工况异常监测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述各实施例中描述的工业建筑能耗工况异常监测方法的各个步骤。
[0091]
其中工业建筑能耗工况异常监测装置可包括但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是工业建筑能耗工况异常监测的装置的示例，并不构成对工业建筑能耗工况异常监测的装置设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述工业建筑能耗工况异常监测的装置设备还可以包括输入输出设备、网络接入设备、总线等。
[0092]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述工业建筑能耗工况异常监测的装置设备的控制中心，利用各种接口和线路连接整个工业建筑能耗工况异常监测装置设备的各个部分。
[0093]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述工业建筑能耗工况异常监测的装置设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0094]
所述工业建筑能耗工况异常监测装置如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发
明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个工业建筑能耗工况异常监测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0095]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
[0096]
总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。