由于绿色装配式建筑受环境变化、设备故障等因素影响,使得能耗数据存在较多噪声,无法准确定位异常数据,导致对其修正难度较大。为了有效解决能耗数据存在异常和缺失等问题,提出一种绿色装配式建筑能耗异常数据快速修正方法。结合小波阈...由于绿色装配式建筑受环境变化、设备故障等因素影响,使得能耗数据存在较多噪声,无法准确定位异常数据,导致对其修正难度较大。为了有效解决能耗数据存在异常和缺失等问题,提出一种绿色装配式建筑能耗异常数据快速修正方法。结合小波阈值去噪方法和卡尔曼滤波方法,去噪处理绿色装配式建筑能耗数据。利用基于密度的空间聚类算法(Spatial-Augmented Density-Based Spatial Clustering of Applications with Noise,SA-DBSCAN)算法,检测绿色装配式建筑能耗异常数据,引入反向传播(Backpropagation,BP)神经网络对其修正。经过大量仿真分析表明,所提方法可以准确检测绿色装配式建筑能耗异常数据,且修正精度较高,误报率仅为0.15%、检测率高达98.09%,修正仅耗时12.8ms,可以为绿色装配式建筑能耗数据的可靠性和完整性提供有效支持。展开更多
文摘由于绿色装配式建筑受环境变化、设备故障等因素影响,使得能耗数据存在较多噪声,无法准确定位异常数据,导致对其修正难度较大。为了有效解决能耗数据存在异常和缺失等问题,提出一种绿色装配式建筑能耗异常数据快速修正方法。结合小波阈值去噪方法和卡尔曼滤波方法,去噪处理绿色装配式建筑能耗数据。利用基于密度的空间聚类算法(Spatial-Augmented Density-Based Spatial Clustering of Applications with Noise,SA-DBSCAN)算法,检测绿色装配式建筑能耗异常数据,引入反向传播(Backpropagation,BP)神经网络对其修正。经过大量仿真分析表明,所提方法可以准确检测绿色装配式建筑能耗异常数据,且修正精度较高,误报率仅为0.15%、检测率高达98.09%,修正仅耗时12.8ms,可以为绿色装配式建筑能耗数据的可靠性和完整性提供有效支持。