摘 要：世界范圍內對能源和環境問題的關注導致了對減少能源使用的關注。每個能源領域的研究都表明，住宅和商業建筑領域比工業、農業、服務和交通等其他領域消耗更多的電力。對建筑行業能耗的研究表明，使用人工智能(AI)可節省10%-30%的能源，該系統將能夠檢測和分析能源使用模式評估中的異常，診斷并在適當的時間提出最佳解決方案。本文提出將人工智能技術與大數據算法相結合，加強對建筑系統的監控，提高舒適度，有效降低運行成本。此外，作者還提出了利用人工智能(AI)和建筑管理系統(BMS)產生的大數據，自動檢測異常能耗的工具。這是通過設計一個名為故障檢測工具(FDT)的軟件應用程序來實現的，它可以自動檢測能源的異常消耗，優化不同資源的使用，并分析故障、投訴和終止它們所需的時間。實驗結果表明，該方法能夠準確地檢測出建筑能耗的異常模式。這個工具將成為人工智能決策系統的一部分。

1 前言

在當今社會，一天產生的電子數據將比圖書館中所有印刷材料所包含的數據量還要多。大數據是指在各個領域的大量操作中產生的大量結構化和非結構化信息。通過使用大數據來滲透，從而指導良好的決策和改善大量的操作。大數據的數據量、操作次數以及數據源的數量非常龐大，需要特殊的流程和技術來分析、存儲和收集。被分析的數據形成了大數據常用描述的基礎，即三個 V: 多樣性 (Variety)、速度 (Velocity) 和體積 (Volume)。

2 背景

在本節中，我們將介紹與能源消耗有關的一些基本問題，以及如何使用 AI 技術來優化它。

2.1 大數據與AI的融合

人工智能使機器有可能從經驗中學習，安排新的輸入，并做類似人類的工作。大多數人工智能應用，比如下棋的電腦、自動駕駛汽車，都經歷了深度學習和自然語言處理的許多階段。使用這些技術，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練并執行特殊任務。大數據反映了使用人工智能應用將大量來源多樣的信息結合起來提供洞察力的實踐。

2.2 人工神經網絡(ANN)

人工神經網絡是一種機器學習技術，已廣泛應用于衛生、金融、工程和科學領域，通過使用一種調整網絡的稱重系統來預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，這三層之間相互聯系。它們也有加權的輸入成分，當信號通過隱藏的神經元時，這些成分會發生變化，隱層神經元 (hi) 與相鄰層的輸入神經元相連，并通過一個權系數與輸出神經元相連。

樓宇管理系統 (building management system，BMS) 是現代商業樓宇尤其是智能樓宇運營中必不可少的一部分。業主及營辦商一般會維修及升級這些控制系統，目的如下：確保維持基本的運作水平，滿足預期的設計條件，提高效率，減少能源消耗和二氧化碳排放，將風險、投訴處理和控制系統的使用壽命最優化。技術已經為建筑控制系統相關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。

圖1 BMS架構與大數據平臺

雖然大部分電力用于建筑的主要日常用途，但由于建筑系統設備故障和錯誤配置的 BMS，大量的能源出現損失。例如，錯誤配置的設定值或建筑設備，或錯位的傳感器和執行器，都可能導致實際能源消耗與預測的偏差。我們的提議目的是精確定位 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，旨在利用 BMS 大數據和 AI 技術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在建筑 ( 建筑系統 ) 中。該方法以兩個聚類程序為基礎，并行實現，并借助人工神經網絡利用 MATLAB 軟件實現。

Adam Kucera 提出了一種能夠自動檢測和診斷商用建筑暖通空調系統故障的新系統。該系統能夠準確、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據，以及標準 ASHRAE 1020 項目的 FDD 數據集。他提出了一種基于隱馬爾可夫模型的 FDD 技術，用于學習正常和故障運行過程中集合點之間的概率關系。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 大數據的集成，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 數據，準確、可靠地實時檢測故障。FDT? (Fault Detection Tool)是一款利用 BMS 大數據分析技術，完成異常能耗檢測任務的軟件應用。BMS 收集大量的數據，如運行數據 ( 如溫度、電力 )、能源使用模式數據和天氣數據。這些數據集具有時間序列特征。因此，FDT 利用時態數據庫模型對 BMS 收集的數據集進行有效的建模。FDT 建立在 BMS 的基礎上，如圖 2 所示。

圖2 用于檢測異常能耗的FDT

4.1 神經網絡故障檢測

為了應用當前系統狀態的故障檢測，需要輸入的歷史數據和新的大數據，因為系統的行為將與歷史模式不同。

實時 FDT 的第一步是預處理，預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據集成、還原、離散化和轉換，以使工具快速工作并禁止虛假結果。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 ( 輸入數據 ) 對目標元素 ( 輸出數據 ) 行為的影響。這些步驟旨在確定可操作的數據處理大小，將對目標組件的態度提供有效貢獻。

因此，預測分析中的第一個過程是將源元素的讀數與目標元素的讀數以及源元素對記錄的目標元素的累積影響關聯起來。神經網絡模型訓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 所示的結構執行。

圖3 神經網絡結構

用于 FD 改進的神經網絡結構，Txl 為目標元素 ( 輸 出 )，Tx2，Tx3，…，Tx234 表示系統的源元素 ( 輸入 )。

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

建筑系統在不同的天氣和操作模式下表現非常不同。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 第一個子任務是檢測與當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

（1）驗證數據，去除人工神經網絡中極端和遺漏的列。

（2）比較兩組數據的每個參數值。

（3）如果所有遵從度小于或等于 5%，顯示 OK 消息并關閉。

（4）如果遵從度大于 5%，顯示錯誤并保存報告。

5 實驗結果

在本節中，我們描述了為評估建議方法的有效性而進行的實驗。我們執行了兩次算法，每次使用不同的數據集。

5.1 第一個數據集測試

本文測試的第一個數據集，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，我們創建了兩個不同的數據集：過去的電力使用數據集和當前的能源使用數據集。為了收集過去的能源使用數據集，模擬了一個住宅建筑一年時間的 Energy Plus。過去的電力使用數據被收集并建模然后存儲在 XML 文件中。為了對建議的方法進行評估，我們還生成了當前的電力使用數據集 ( 與測試數據集兼容 )。通過在 Energy Plus 上模擬相同的建筑，還隨機提取了部分用電數據并加入了噪 聲。注意，我們向 Energy Plus 生成的電力使用數據添加噪聲的想法是創建一組作為異常電力使用模式工作的測試數據。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，我們可以實現非常低的錯誤率。這驗證了所提出的方法可非常有效地檢測異常模式的建筑能耗。

圖4 FDT結果：能量消耗正常和異常

5.2 第二個數據集測試

在 BMS 用于機場等大型建筑運行監控的基礎上，選擇了用于說明 FDT 有效性的實驗用例。實驗數據由 7 個大廳、154 個辦公室、12 個數據室和 22 個動力室的輸入組成，它們屬于本次任務選擇的建筑之一。每個地方都配備了當地的空調 (AC) 機組，可以通過位于房間內的控制面板進行管理。用戶可以開關 AC 單元，來 改變所需的室溫。空調控制送風風扇的轉速，控制中央暖氣散熱器閥門的開啟或關閉。如果該地方的窗戶被打開，空調自動關閉。所有的交流操作都對能耗有直接影響。數據集是由 BMS 生成的，包含所有選定位置數據的 30 480 個 XML 文件。采用 FDT 后，我們發現它對能源消耗有很大的影響，已經報告和處理了許多能源使用失真。

在使用 FDT 后，如果功耗出現失真，報警將發送到操作中心，執行所有程序，恢復到如圖 5 所示的正常狀態。

圖5 故障檢測階段

6 結語

隨著人們對能源的日益關注，提高能源利用效率已經成為世界各國一個非常重要的課題。在本文中，我們首先回顧和研究了大數據與人工智能的融合；在此基礎上，提出了一種利用 BMS 大數據和人工智能技術檢測異常能耗的新工具。這可以加強對建筑系統的監控，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 (BMS) 產生的大數據自動檢測異常能耗的工具；設計了一種自動故障檢測工具 (FDT)，用于檢測能源的異常消耗，優化不同資源的使用，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.基于神經網絡技術的機器人并發故障自動診斷方法[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設計中人工智能技術的應用[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V1.0[G].廣西壯族自治區:北海市科遙奇電子科技有限公司,2018(10).

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