基于机器学习的建筑复杂用能系统运行状态异常检测

建筑复杂用能系统运行状态的异常检测研究对建筑安全稳定、高效节能运行具有重要意义,但是由于受到建筑外部环境因素繁多、内部人行为的不确定性、设备运行数据复杂等多方面因素的影响,其异常运行状态的检测存在信息特征提取困难、运行异常状态难以界定等问题。本研究在运行参数分类的基础上,利用信息熵对不确定性的定量化描述与无监督学习的适应性,提出基于信息熵并融合K-均值聚类与自组织映射模型的复杂用能系统运行状态二次聚类异常检测方法。针对夏热冬暖地区某大型办公建筑中央空调系统的实际监测数据,通过K-均值聚类对外部参数进行初次聚类并划分一次工况、计算各工况下子系统运行参数的信息熵、自组织映射模型二次聚类判定异常运行状态等步骤,实现建筑复杂用能系统的运行状态异常检测。结果表明,本研究提出的方法在单主机运行工况下的平均类内异常检测正确率(简称类内异常检测率)为97.45%,双主机运行工况下的类内异常检测率为96.70%。此外,本研究针对不同工况中类数量与类内异常率相关指标之间的关系展开进一步的讨论与分析,得出结论:单、双主机的类内异常检测率随着其所在类内运行状态总数的减少而升高。本研究为建筑能源大数据背景下的复杂用能系统运行状态异常检测提供了新的系统化思路与方法。