袁瑋含 胡立夫 孫子群 李爽 齊航

摘 要：對建筑行業(yè)能耗的研究表明，使用人工智能（AI）可節(jié)省10%-30%的能源，系統(tǒng)能檢測和分析能源使用模式評估中的異常，并在適當(dāng)?shù)臅r間提出最佳解決方案。本文提出將人工智能技術(shù)與大數(shù)據(jù)算法相結(jié)合，加強對建筑系統(tǒng)的監(jiān)控，提高舒適度，有效降低運行成本。此外，作者利用人工智能（AI）和建筑管理系統(tǒng)（BMS）產(chǎn)生的大數(shù)據(jù)，設(shè)計出一款故障檢測工具（fault detection tool，F(xiàn)DT）。該工具可自動檢測能源的異常消耗，優(yōu)化不同資源的使用，并分析故障、投訴和終止它們所需的時間。實驗結(jié)果表明，該工具能準確檢測出建筑能耗的異常模式，將成為人工智能決策系統(tǒng)的一部分。

關(guān)鍵詞：人工智能；能源消耗異常；自動故障檢測

1 前言

在當(dāng)今社會，一天產(chǎn)生的電子數(shù)據(jù)將比圖書館中所有印刷材料所包含的數(shù)據(jù)量還要多。隨著互聯(lián)網(wǎng)的使用，各種電子設(shè)備和人類之間的數(shù)據(jù)交換成為了產(chǎn)生海量數(shù)據(jù)的革命。大數(shù)據(jù)是指在各個領(lǐng)域的大量操作中產(chǎn)生的大量的結(jié)構(gòu)化和非結(jié)構(gòu)化信息。通過使用大數(shù)據(jù)來滲透，從而指導(dǎo)良好的決策和改善大量的操作。大數(shù)據(jù)的概念是指數(shù)據(jù)量、操作次數(shù)加上數(shù)據(jù)源的數(shù)量非常龐大和困難，需要特殊的流程和技術(shù)來分析、存儲和收集被分析的數(shù)據(jù)這也形成了大數(shù)據(jù)常用描述的基礎(chǔ)，即三個V：多樣性（Variety）、速度（Velocity）和體積（Volume）。

2 背景

在本節(jié)中，我們將介紹與能源消耗有關(guān)的一些基本問題，以及如何使用AI（Artificial Intelligence，人工智能）技術(shù)來優(yōu)化它。

2.1 大數(shù)據(jù)與AI的融合

人工智能使機器有可能從經(jīng)驗中學(xué)習(xí)，安排新的輸入，并做類似人類的工作。大多數(shù)人工智能應(yīng)用，比如下棋的電腦、自動駕駛汽車，都經(jīng)歷了深度學(xué)習(xí)和自然語言處理的許多階段。使用這些技術(shù)，機器可以通過處理大量信息并識別這些信息中的模式來訓(xùn)練執(zhí)行特殊任務(wù)。大數(shù)據(jù)反映了通常使用人工智能應(yīng)用將大量來源多樣的信息結(jié)合起來提供洞察力的實踐。

2.2 人工神經(jīng)網(wǎng)絡(luò)（ANN）

人工神經(jīng)網(wǎng)絡(luò)是一種機器學(xué)習(xí)技術(shù)，已廣泛應(yīng)用于衛(wèi)生、金融、工程和科學(xué)領(lǐng)域，通過使用一種調(diào)整網(wǎng)絡(luò)的稱重系統(tǒng)來預(yù)測輸入變量對輸出的影響，以將誤差降低到盡可能低的比率。ANN主要有三層，分別是輸入層、隱藏層和輸出層，這三層之間相互聯(lián)系。它們也有加權(quán)的輸入成分，當(dāng)信號通過隱藏的神經(jīng)元時，這些成分會發(fā)生變化，隱層神經(jīng)元（hi）與相鄰層的輸入神經(jīng)元相連，并通過一個權(quán)系數(shù)與輸出神經(jīng)元相連。

樓宇管理系統(tǒng)（building management system， BMS）是現(xiàn)代商業(yè)樓宇，尤其是智能樓宇運營中必不可少的一部分。業(yè)主及營辦商一般會維修及升級這些控制系統(tǒng)，目的如下：確保維持基本的運作水平，滿足預(yù)期的設(shè)計條件，提高效率，減少能源消耗和二氧化碳排放，將風(fēng)險和投訴處理和控制系統(tǒng)的使用壽命降至最低。技術(shù)已經(jīng)為建筑控制系統(tǒng)相關(guān)的硬件和軟件平臺在成本、性能和可靠性方面提供了廣泛的改進。

雖然大部分電力用于建筑的主要用途，但由于建筑系統(tǒng)設(shè)備故障和錯誤配置的BMS，大量的能源損失。例如，錯誤配置的設(shè)定值或建筑設(shè)備，或錯位的傳感器和執(zhí)行器，都可能導(dǎo)致實際能源消耗與預(yù)測的偏差。我們的提議的動機是這些挑戰(zhàn)，目的是精確定位BMS元素中可能影響建筑電力效率的錯誤類型，以及檢查可用于其識別和診斷的過程。在本文中，我們提出了一種技術(shù)，旨在利用BMS大數(shù)據(jù)和AI技術(shù)跟蹤投訴和完成投訴的時間，自動檢測異常能耗。

3 文獻綜述

Andrii Zakovorotnyi提出了一種用于確定不同行為模式的新方法，其中每個行為模式代表一組相似的日常配置文件，并以不同的頻率出現(xiàn)在建筑（建筑系統(tǒng)）中。該方法以兩個聚類程序為基礎(chǔ)，并行實現(xiàn)，并借助人工神經(jīng)網(wǎng)絡(luò)利用MATLAB軟件實現(xiàn)。

Adam Kucera提出了一種能夠自動檢測和診斷商用建筑暖通空調(diào)系統(tǒng)故障的新系統(tǒng)。該系統(tǒng)能夠準確、可靠地實時檢測故障，使用來自澳大利亞紐卡斯爾一座運營大樓的數(shù)據(jù)，以及標準ASHRAE 1020項目的FDD數(shù)據(jù)集。提出了一種基于隱馬爾可夫模型的FDD技術(shù)，用于學(xué)習(xí)正常和故障運行過程中集合點之間的概率關(guān)系。這可以在未來的操作中被動地推斷出信息中相似模式的可能性，效率很高。

4 新型自動故障檢測器

本文提出了一種新的工具，通過AI和BMS大數(shù)據(jù)的集成，能夠自動檢測和診斷故障。該工具能夠使用新的和歷史的BMS數(shù)據(jù)準確、魯棒地實時檢測故障。FDT（Fault Detection tool）是一款利用BMS大數(shù)據(jù)分析技術(shù)，完成異常能耗檢測任務(wù)的軟件應(yīng)用。BMS收集大量的數(shù)據(jù)，如運行數(shù)據(jù)（如溫度、電力）、能源使用模式數(shù)據(jù)和天氣數(shù)據(jù)。這些數(shù)據(jù)集具有時間序列特征。因此，F(xiàn)DT利用時態(tài)數(shù)據(jù)庫模型對BMS收集的數(shù)據(jù)集進行有效的建模。FDT建立在BMS的基礎(chǔ)上，如圖2所示。

4.1 神經(jīng)網(wǎng)絡(luò)故障檢測

為了應(yīng)用當(dāng)前系統(tǒng)狀態(tài)的故障檢測，需要輸入的歷史數(shù)據(jù)和新的大數(shù)據(jù)，因為系統(tǒng)的行為將與歷史模式不同。

實時FDT的第一步是預(yù)處理，預(yù)處理需要替換缺失的值，刪除不完整的列和行以及極值。這些信息清理的步驟還可以包括數(shù)據(jù)集成、還原、離散化和轉(zhuǎn)換，以使工具快速工作并禁止虛假結(jié)果。因此，多余的輸入變量（如常量）被刪除，缺失的值被替換為零，并通過取缺失值單元最近鄰居值的平均值。

本研究使用重要度評分來建立源元素（輸入數(shù)據(jù)）對目標元素（輸出數(shù)據(jù)）行為的影響。這些步驟旨在確定可操作的數(shù)據(jù)處理大小，將對目標組件的態(tài)度有有效貢獻。

因此，預(yù)測分析中的第一個過程是將源元素的讀數(shù)與目標元素的讀數(shù)以及源元素對記錄的目標元素的累積影響關(guān)聯(lián)起來。神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練利用公式中的信息組合估計目標組件的值，在交叉驗證集成過程中使用如圖3所示的結(jié)構(gòu)執(zhí)行。

用于FD改進的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，Txl為目標元素（輸出），Tx2，Tx3，…，Tx234表示系統(tǒng)的源元素（輸入）。

建議的方法使用兩組輸入數(shù)據(jù)，即當(dāng)前的BMS數(shù)據(jù)和過去的BMS數(shù)據(jù)，計算兩者之間的相似性，以判斷當(dāng)前建筑能源使用模式是否存在異常。因此，建議的FDT由兩個子任務(wù)組成：（1）從數(shù)據(jù)集中獲取歷史數(shù)據(jù)，（2）確定當(dāng)前BMS讀取值與過去值之間的相似性。

建筑系統(tǒng)在不同的天氣和操作模式下表現(xiàn)非常不同。為了有效地檢測建筑用電量的異常模式，在相似的環(huán)境和運行條件下，比較觀察到的用電量模式是很重要的。因此，建議的FDT的第一個子任務(wù)是檢測與當(dāng)前情況類似的過去情況下觀察到的電力使用信息。

4.2 本算法功能

驗證數(shù)據(jù)，去除人工神經(jīng)網(wǎng)絡(luò)中極端和遺漏的列；

比較兩組數(shù)據(jù)的每個參數(shù)值；

如果所有遵從小于或等于5%，顯示OK消息并關(guān)閉；

如果遵從度大于5%，顯示錯誤并保存報告。

5 實驗結(jié)果

在本節(jié)中，我們描述了為評估建議方法的有效性而進行的實驗。我們執(zhí)行了兩次算法。每次使用不同的數(shù)據(jù)集。這將在以下小節(jié)中顯示。

5.1 第一個數(shù)據(jù)集測試

本文用它測試的第一個數(shù)據(jù)集，是由Energy Plus生成的，這是最流行的能源模擬工具。為了進行評估，我們創(chuàng)建了兩個不同的數(shù)據(jù)集：過去的電力使用數(shù)據(jù)集和當(dāng)前的能源使用數(shù)據(jù)集。為了收集過去的能源使用數(shù)據(jù)集，模擬了一個住宅建筑一年的時間Energy Plus。過去的電力使用數(shù)據(jù)被收集并建模并存儲在XML文件中。為了對建議的方法進行評估，我們還生成了當(dāng)前的電力使用數(shù)據(jù)集（與測試數(shù)據(jù)集兼容）。通過在Energy Plus上模擬相同的建筑。

此外，還隨機提取了部分用電數(shù)據(jù)并加入了噪聲。注意，我們向Energy Plus生成的電力使用數(shù)據(jù)添加噪聲的想法是創(chuàng)建一組作為異常電力使用模式工作的測試數(shù)據(jù)。圖4顯示了檢測建筑用電量的異常模式，并向操作中心實時解決這些問題。通過FDT可以看出，我們可以實現(xiàn)非常低的錯誤率。這驗證了所提出的方法是非常有效的檢測異常模式的建筑能耗。

5.2 第二個數(shù)據(jù)集測試

在BMS用于機場等大型建筑運行監(jiān)控的基礎(chǔ)上，選擇了用于說明FDT有效性的實驗用例。實驗數(shù)據(jù)由7個大廳、154個辦公室、12個數(shù)據(jù)室和22個動力室的輸入組成，它們屬于本次任務(wù)選擇的建筑之一。每個地方都配備了當(dāng)?shù)氐目照{(diào)（AC）機組，可以通過位于房間內(nèi)的控制面板進行管理。用戶可以開關(guān)AC單元或關(guān)閉，并改變所需的室溫?？照{(diào)控制送風(fēng)風(fēng)扇的轉(zhuǎn)速，控制中央暖氣散熱器閥門的開啟或關(guān)閉。如果該地方的窗戶被打開，空調(diào)自動關(guān)閉。所有的交流操作都對能耗有直接影響。數(shù)據(jù)集的總大小是由BMS生成的包含所有選定位置數(shù)據(jù)的30 480個XML文件。采用FDT后，我們發(fā)現(xiàn)它對能源消耗有很大的影響，已經(jīng)報道和處理了許多能源使用失真。

在使用FDT后，如果功耗出現(xiàn)失真，報警將發(fā)送到操作中心，執(zhí)行所有程序，恢復(fù)到如圖5所示的正常狀態(tài)。

6 結(jié)語

隨著人們對能源的日益關(guān)注，提高能源利用效率已經(jīng)成為世界各國的一個非常重要的課題。節(jié)約能源消耗，發(fā)現(xiàn)異常消耗非常重要。在本文中，我們首先回顧和研究了大數(shù)據(jù)與人工智能的融合。在此基礎(chǔ)上，提出了一種利用BMS大數(shù)據(jù)和人工智能技術(shù)檢測異常能耗的新工具。這可以加強對建筑系統(tǒng)的監(jiān)控，提高建筑的舒適性，有效降低建筑的能耗運行成本。此外，作者還提出了一種利用人工智能和建筑管理系統(tǒng)（BMS）產(chǎn)生的大數(shù)據(jù)自動檢測異常能耗的工具。設(shè)計了一種自動故障檢測工具（FDT），用于檢測能源消耗的異常，優(yōu)化不同資源的使用，分析故障、投訴和終止它們所需的時間。實驗結(jié)果表明，該方法能夠準確地檢測出建筑能耗的異常模式，該工具是人工智能決策系統(tǒng)的一部分。

參考文獻：

[1] 許丹.基于人工智能算法的線圈電流故障自動診斷方法[J].自動化與儀器儀表， 2021，（07）：96-99.

[2] 范申民.基于神經(jīng)網(wǎng)絡(luò)技術(shù)的機器人并發(fā)故障自動診斷方法[J].自動化與儀器儀表， 2021，（02）：57-60.

[3] 張夢麗.礦山電氣自動化控制系統(tǒng)設(shè)計中人工智能技術(shù)的應(yīng)用[J].世界有色金屬， 2020，（22）：21-22.

[4] 蘇茂.科遙奇機器人故障自動檢測系統(tǒng)V1.0.[Z].廣西壯族自治區(qū)，北海市科遙奇電子科技有限公司，2018，10（25）.

[5] 李洪超.人工智能在電氣自動控制中的應(yīng)用分析[J].中國新通信，2018，20（09）：218.