The Good ، The Bad و Ugly: Data-Diraven Profile Discord Discord در یک سبد ساختمان بزرگ

کاهش مصرف کلی انرژی و انتشار گازهای گلخانه ای مرتبط در بخش ساختمان برای تحقق اهداف پایداری آینده ما ضروری است. به تازگی ، امکانات اندازه گیری انرژی هوشمند برای فعال کردن نظارت بر داده های مصرف انرژی با وضوح ساعتی یا غیرقانونی مستقر شده است. این جمع آوری داده های بی سابقه فرصت های مختلفی را برای تجزیه و تحلیل داده های پیشرفته شامل پروفایل های بار ایجاد کرده است (به عنوان مثال ، برنامه های معیار انرژی ساختمان ، ادغام ساختمان به شبکه و کالیبراسیون مدلهای انرژی در مقیاس شهری). این برنامه ها اغلب برای تشخیص اختلافات مشخصات بار روزانه ، مانند: 1) Outliers به دلیل نقص سیستم (بد) و 2) الگوهای مصرف انرژی نامنظم ، مانند موارد ناشی از تعطیلات (زشت) در مقایسه با الگوهای مصرف عادی ، نیاز به مراحل پیش پردازش دارند ، مانند: 1) Outliers به دلیل نقص سیستم (بد) و 2)(خوب)با این حال ، روشهای پیش پردازش فعلی عمدتاً بر فیلتر با استفاده از مقادیر آستانه آماری متمرکز شده اند ، که نتوانند اختلافات متنی پروفایل های روزانه را ضبط کنند. علاوه بر این ، الگوریتم های تشخیص اختلاف در تحقیقات ساختمان اغلب با هدف یافتن اختلافات در سطح ساختمان ، که در مقیاس بزرگ مناسب نیستند ، انجام می شود. بنابراین ، در این مقاله ، ما روشی را برای شناسایی Discord Discord (ALDI) در یک نمونه کارها بزرگ از ساختمانها (بیش از 100 ساختمان) برای شناسایی خودکار بارگذاری مشخصات بار (ALDI) تهیه می کنیم. به طور خاص ، ALDI 1) از روش پروفایل ماتریس (MP) برای تعیین کمیت شباهت های زیر مجموعه های روزانه در داده های متر سری استفاده می کند ، 2) مقادیر MP روزانه را با توزیع MP معمولی با استفاده از آزمایش Kolmogorov-Smiov مقایسه می کند ، و 3) روزانه شناسایی می کند. اختلافات پروفایل بار در یک سبد ساختمان بزرگ. ما ALDI را با استفاده از داده های اندازه گیری هم در یک دانشگاه دانشگاهی و هم یک محله مسکونی ارزیابی می کنیم. نتایج ما نشان می دهد که ALDI به طور موثری خطاهای اندازه گیری را با نقص سیستم و روزهای مصرف انرژی کم در سبد دانشگاه دانشگاهی کشف می کند ، و الگوهای شکل بار منحصر به فردی را که احتمالاً ناشی از رفتار سرنشینان و شرایط آب و هوایی شدید در محله مسکونی است ، تشخیص می دهد.

معرفی

بخش ساختمان به بیش از 40 ٪ مصرف انرژی و 38 ٪ از انتشار گازهای گلخانه ای در ایالات متحده کمک می کند [1]. پیش بینی می شود با شهرنشینی سریع ، مصرف انرژی مرتبط و انتشار گازهای زیست محیطی در ساختمانها در سطح بی سابقه ای در سطح جهان افزایش یابد [2]. بنابراین ، استفاده از استراتژی های کارآمد و پایدار در سهام ساختمان بسیار مهم است.

توسعه سیستم های سنجش و محاسبات فرصت های امیدوارکننده ای را در محیط ساخته شده به ویژه ایجاد کرده است [3]. یک مثال زیرساخت های اندازه گیری پیشرفته است که داده های مصرف انرژی برق را به صورت ساعتی یا وضوح ساعتی یا به صورت زیرزمینی برای یک ساختمان اندازه گیری و ذخیره می کند. در ایالات متحده ، بیش از 70 میلیون متر برق هوشمند از سال 2016 نصب شده است [4] ؛این پتانسیل را برای خدمات ، مشتریان و محققان فراهم می کند تا درک بهتری از نحوه مصرف انرژی در ساختمانها و برنامه های پیشرفته داشته باشند (به عنوان مثال ، تجزیه و تحلیل نمونه کارها ، تشخیص اختلاف ، پروفایل بار ، طبقه بندی مشتری و سیستم های مدیریت انرژی هوشمند).

هدف اصلی این مقاله تجزیه و تحلیل یک سبد بزرگ ساختمان است که به طور معمول از بیش از 100 ساختمان تشکیل شده است. اگر این ساختمانها در همان منطقه جغرافیایی قرار داشته باشند و/یا به همان شبکه الکتریکی متصل شوند ، یک مالک یک نمونه کارها می تواند یک استراتژی را برای بهبود عملکرد انرژی برای این ملک به طور کلی تجزیه و تحلیل و توسعه دهد [5].

یک نمونه کاربردی نمونه کارها ، استخراج دانش معنی دار در مورد عملکرد انرژی ساختمان (به عنوان مثال ، شکل بار روزانه) از یک سبد بزرگ ساختمان با استفاده از تکنیک های مختلف خوشه بندی است. از این اطلاعات پروفایل بار برای چندین برنامه استفاده شده است: طبقه بندی مشتری [6] ، تجزیه و تحلیل نمونه کارها [7] ، [8] و معیار انرژی ساختمان [9] ، [10]. به عنوان مثال ، پارک و همکاران. سه شکل اساسی بار را از مجموعه داده های اندازه گیری هوشمند بزرگ و متنوع (3،829 ساختمان) کشف کرد. سپس ، آنها ساختمانها را با توجه به پروفایل های شکل بار غالب خود گروه بندی کردند [10]. مطالعه معیار آنها (گروه بندی ساختمانها با عملکرد انرژی مشابه) تأیید کرد که ساختمانها را می توان با رفتارهای پرانرژی آنها طبقه بندی کرد و نه صرفاً با اطلاعات طبقه بندی ساختمان استاتیک (به عنوان مثال ، نوع استفاده ، منطقه کف ، مکان).

از داده های اندازه گیری هوشمند همچنین می توان برای مطالعات سطح جامعه [11] ، [12] ، [13] ، [14] استفاده کرد. جین و همکاران. تجزیه و تحلیل داده های مصرف انرژی وضوح ساعتی برای تهیه یک برنامه مدیریت منابع انرژی توزیع شده [11]. محققان دیگر الگوهای پروفایل بار روزانه را از داده های اندازه گیری استخراج کردند و ادغام منابع انرژی تجدید پذیر با بارهای ساختمان فردی را نشان دادند [12] ، [13]. Nutkiewicz و همکاران. از داده های اندازه گیری هوشمند برای مدل سازی انرژی شهری استفاده شده و مدل شبیه سازی آنها را با داده های اندازه گیری کالیبره می کند [14].

این مطالعات نشان دهنده اهمیت تجزیه و تحلیل داده های اندازه گیری هوشمند در جنبه های مختلف تحقیقات ساختمانها است. به طور خاص ، زیرساخت های اندازه گیری هوشمند به محققان این امکان را می دهد تا جنبه های زمانی عملکرد ساختمان را رصد کنند و اطلاعات ریز دانه را استخراج کنند. به همین دلیل ، کیفیت داده های اندازه گیری هوشمند به یک مسئله مهم تبدیل شده است ، زیرا قرائت های متر نادرست و الگوهای روزانه غیر طبیعی (به عنوان مثال ، تعطیلات) می توانند داده های جمع شده را تحریف کرده و دقت و اثربخشی آن را برای برنامه های مختلف کاهش دهند [15]. بنابراین ، پیش پردازش ایده آل باید: 1) دور بیرونی (یعنی خطای اندازه گیری با نقص سیستم) را حذف کنید ، و 2) اشکال بار منحصر به فرد روزانه (یعنی با رفتار سرنشینان ، برنامه های مختلف عملکرد) را برای توصیف شکل های بار روزانه و استفاده دقیق از آنها متمایز کنید.

به عنوان یک رویکرد متعارف ، محققان از بازرسی بصری در پروفایل بار سری زمانی خود برای شناسایی مسافت های خارج استفاده می کنند. بصری ترین روش برای تشخیص مسافت های دور محاسبه کوارتیل های 25 ٪ (Q1) و 75 ٪ (Q3) و دامنه interquartile (IQR) ، و سپس از بین بردن بالا (≥ Q 3 + 1. 5 × I Q R) و اندازه گیری های کم (≤ Q 1- 1. 5 × I Q R). تکنیک های فیلتر بیشماری برای شناسایی مسافت های دور در حوزه های دیگر (به عنوان مثال ، اقتصاد ، امور مالی ، ریاضیات ، آمار) با تعاریف مختلف آستانه [16] وجود دارد ، مانند استفاده از فیلتر آستانه ثابت [17] ، فیلتر انحراف استاندارد [18] ،فیلتر بازگشتی [19] و فیلتر آستانه متحرک [20].

اتخاذ چنین روشهای فیلتر برای تجزیه و تحلیل نمونه کارها نامناسب است ، زیرا این روشها عمدتاً بر محاسبه محاسبه های آماری (مقادیر شدید) متمرکز شده اند تا الگوهای مصرف انرژی هر روز. با توجه به اینکه برنامه های مختلف نه تنها نیاز به فیلتر کردن مقادیر شدید بلکه معانی متنی (به عنوان مثال ، برنامه عملکرد مختلف ، گرفتن رفتار منحصر به فرد سرنشینان) پروفایل های بار روزانه دارند ، لازم است یک چارچوب برای بررسی پیشینه های متنی یک نمونه کارها ساختمان داشته باشید.

تشخیص Discord (و نقوش) می تواند یک رویکرد مناسب برای ارائه چنین اطلاعات متنی باشد. با داده های سری زمانی ، الگوهای غالباً و به ندرت اتفاق می افتد ، و ما اولی را نقوش و دومی در نظر می گیریم [5]. در زمینه انرژی ساختمان ، یک پروفایل بار نقوش به معنای الگوی مصرف انرژی غالب است ، در حالی که یک پروفایل بار اختلاف نظر خطای اندازه گیری را از نقص سیستم یا یک الگوی مصرف غیر معمول روزانه نشان می دهد. این الگوی غیر معمول و/یا معیوب ممکن است ناشی از عوامل داخلی (رفتار سرنشینان) و/یا خارجی (شرایط آب و هوایی) باشد.

الگوریتم های مختلف تشخیص اختلاف توسط جامعه علوم کامپیوتر برای دستیابی به تشخیص سریعتر و دقیق تر ناهنجاری ها ساخته شده است [21]. زیرساخت های اندازه گیری هوشمند در طی یک دهه گذشته عمدتاً مستقر شده است و این روند اخیر منجر به توسعه و اجرای تکنیک های مختلف تشخیص اختلاف در تحقیقات انرژی شد. محققان از تکنیک های مختلف خوشه بندی برای تشخیص سیگنال های نقوش برای داده های مصرف انرژی استفاده کرده اند [22] ، [23]. به طور مشابه ، روشهای مبتنی بر AutoEncoder برای شناسایی الگوهای اختلاف نظر در داده های مصرف انرژی سری زمان در ساختمانها ایجاد شده است [24] ، [25]. میلر و همکاران. یک روش تقریب نمادین (SAX) [26] برای شناسایی روزهای اختلاف نظر اتخاذ کرد [27] ؛محققان ویژگی های تطبیقی را به روش SAX اضافه کردند تا روزهای Discord را با توجه به الگوهای مصرف انرژی در ساختمان ورودی پیدا کنند [28] ، [29].

اگرچه این مطالعات با موفقیت موتیف و پروفایل های اختلاف نظر را شناسایی کردند ، اما بیشتر آنها به اختلافات در سطح ساختمان نگاه می کردند ، و فقط 1-2 ساختمان در هر مطالعه مورد بررسی قرار گرفتند. با توجه به اینکه برنامه های شبکه هوشمند به طور معمول بیش از 100 ساختمان را مدیریت می کنند [30] ، نیاز به یک راه حل تشخیص سریع و خودکار Discord برای اوراق بهادار بزرگ ساختمان وجود دارد. علاوه بر این ، تکنیک های قبلی برای تنظیم پارامترهایی نیاز دارند که این امر بر عملکرد تشخیص اختلاف تأثیر می گذارد. به عنوان مثال ، داده های سری زمانی خوشه بندی گاهی اوقات به دلیل انتخاب نامناسب پارامتر ، پروفایل های دلخواه تولید می کند [31]. روشهای مبتنی بر AutoEncoder به پارامترهای پیچیده تری در معماری شبکه عصبی نیاز دارند. عملکرد روش مبتنی بر SAX به تقسیم مقادیر محور y (یعنی انتخاب اندازه نامه) و تقسیم مقیاس زمانی محور x (یعنی تعداد حروف) بستگی دارد.

در این مقاله ، ما یک چارچوب داده محور ، ALDI را معرفی می کنیم تا به طور خودکار اختلافات مشخصات بار روزانه را برای یک سبد بزرگ ساختمان شناسایی کنیم. با شهرنشینی سریع و افزایش اندازه اوراق بهادار ساختمان ، لازم است که پروفایل های Discord را بطور مؤثر تشخیص دهیم. ALDI مقادیر پروفایل ماتریس (MP) را محاسبه می کند ، که یک روش داده کاوی نسبتاً ساده و سریع برای جستجوی جفت های مشابه در مقدار زیادی از داده های سری زمانی است [32]. علاوه بر این ، ALDI یک روش پارامتر سبک است. کاربر فقط باید سطح اطمینان (یعنی P-Value) تشخیص Discord را مشخص کند. به عنوان یک مطالعه موردی ، ما ALDI را با داده های واقعی انرژی در ساختمان آزمایش کردیم تا روزهای اختلاف را در اوراق بهادار بزرگ ساختمان شناسایی کنیم.

قسمت باقیمانده این مقاله به شرح زیر است. بخش 2 ALDI را توضیح می دهد ، که به طور خودکار روزهای اختلاف را در یک نمونه کارها ساختمان و مجموعه داده های آزمون ما (پردیس دانشگاهی و محله مسکونی) مشخص می کند. بخش 3 اختلافات مشخص شده را در دو پرتفوی ساختمان گزارش می دهد. بخش 4 در مورد پیامدها ، برنامه های بالقوه و محدودیت های رویکرد ما بحث می کند. سرانجام ، بخش 5 مقاله را نتیجه می گیرد.

قطعه قطعه

ALDI: شناسایی Discord Profile Profile بار خودکار

همانطور که در شکل 1 نشان داده شده است ، با استفاده از ALDI از سه مرحله تشکیل شده است: 1) ALDI پروفایل های بار (داده های سری زمانی مصرف انرژی الکتریکی ساعتی) را می خواند و داده های ورودی را به مشخصات ماتریس (MP) تبدیل می کند تا شکل های بار مشابهی را کشف کند. محاسبه MP یک روش جدید کاوی داده است که برای جستجوی جفت های مشابه در داده های سری زمانی استفاده می شود [32]. 2) ALDI با استفاده از محاسبه قبلی در ساختمانهای متعدد ، مقادیر MP روزانه را محاسبه می کند و آنها را بر اساس انواع معمولی روز گروه بندی می کند

نتایج

ابتدا ، ما به طور تصادفی یک ساختمان را از هر نمونه کارها انتخاب کردیم تا مقادیر MP را محاسبه کنیم. با این نتیجه ، پیامدهای نماینده مجلس در زمینه های انرژی را توضیح می دهیم. پس از تجزیه و تحلیل ساختمان واحد ، ما بیشتر چارچوب پیشنهادی را در مقیاس وسیع تری (نمونه کارها ساختمان) به عنوان نتیجه اصلی خود اعمال می کنیم. با استفاده از آزمون KS ، چارچوب پیشنهادی روزهای اختلاف را از نظر الگوی شکل بار مشخص می کند. ما به طور کیفی پروفایل های بار را بررسی می کنیم تا دلایل احتمالی آن را استنباط کنیم

بحث

در این تحقیق ، ما بر تشخیص اختلاف ساختمانهای متعدد به عنوان تجزیه و تحلیل نمونه کارها متمرکز شده ایم. همانطور که در مطالعه موردی ما نشان داده شده است ، این نوع تجزیه و تحلیل می تواند قبل و/یا پس از گذشتگان را در مجموعه بزرگی از داده های اندازه گیری هوشمند ارائه دهد. از نظر روش شناختی ، ALDI سه مؤلفه را برای شناسایی اختلافات در یک نمونه کارها بزرگ بافته می کند. اول ، محاسبه MP برای ارزیابی شباهت هر مشخصات بار روزانه از نظر شکل آن اتخاذ شده است. این روش محاسبه نسبتاً ساده است

نتیجه

در این مقاله ، ما ALDI ، یک چارچوب داده محور را برای تشخیص روزهای عملکرد Discord در سطح نمونه کارها پیشنهاد کردیم. ALDI از محاسبه MP ، آزمون KS و تجزیه و تحلیل بصری تشکیل شده است. به عنوان یک مطالعه موردی ، ما ALDI را با دو مجموعه داده متر انرژی واقعی ، از یک پردیس دانشگاهی و یک محله مسکونی نشان دادیم. نتایج ما نشان می دهد که ساختمانهای دانشگاهی در مقایسه با خانه های مسکونی مقادیر MP کمتری دارند ، که نشان می دهد ساختمانهای دانشگاهی با پیش تعریف شده و

اعلام علاقه رقیب

نویسندگان منافع مالی زیر/روابط شخصی زیر را اعلام می کنند که ممکن است به عنوان منافع رقیب بالقوه در نظر گرفته شود:

این کار تا حدودی توسط آزمایشگاه ملی انرژی تجدید پذیر ، که توسط اتحاد برای انرژی پایدار ، LLC ، برای وزارت انرژی ایالات متحده (DOE) تحت قرارداد شماره DE-AC36-08GO28308 اداره می شود ، تألیف شده است. بودجه تأمین شده توسط دفتر وزارت انرژی ایالات متحده دفتر بهره وری انرژی و دفتر فن آوری های تجدید پذیر انرژی. نظرات بیان شده در مقاله

بیانیه مشارکت در نویسندگی اعتباری

ژوئن جوان پارک: مفهوم سازی ، روش شناسی ، تجزیه و تحلیل رسمی ، درمان داده ها ، تجسم ، نوشتن - پیش نویس اصلی ، نوشتن - بررسی و ویرایش. اریک ویلسون: مفهوم سازی ، منابع ، کسب بودجه ، نوشتن - بررسی و ویرایش ، نظارت. اندرو پارکر: مفهوم سازی ، منابع ، کسب بودجه. Zoltan Nagy: نوشتن - بررسی و ویرایش ، نظارت.

تصدیق

این کار تا حدودی توسط آزمایشگاه ملی انرژی تجدید پذیر ، که توسط اتحاد برای انرژی پایدار ، LLC ، برای وزارت انرژی ایالات متحده (DOE) تحت قرارداد شماره DE-AC36-08GO28308 اداره می شود ، تألیف شده است. بودجه تأمین شده توسط دفتر وزارت انرژی ایالات متحده دفتر بهره وری انرژی و دفتر فن آوری های تجدید پذیر انرژی. نظرات بیان شده در مقاله لزوماً نمایانگر نظرات DOE یا دولت ایالات متحده نیست. دولت ایالات متحده با پذیرش و ناشر را حفظ می کند