(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211259305.5 (22)申请日 2022.10.14 (71)申请人 浙江理工大 学 地址 310000 浙江省杭州市经济技 术开发 区白杨街道 2号大街9 28号 (72)发明人 雷蕾　郭雪松　 (74)专利代理 机构 南宁胜荣专利代理事务所 (特殊普通 合伙) 45126 专利代理师 关文龙 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于GMM、 Elman神经网络和KNN的建筑能耗 集体异常检测方法 (57)摘要 本发明公开了一种基于GMM、 El man神经网络 和KNN的建筑能耗集体异常检测方法， 包括以下 步骤， (1)通过建筑能耗检测平台收集能耗数据 进行集体异常检测； (2)利用软件对历史能耗数 据进行模型聚类分析； (3)根据历史能耗聚类结 果， 对Elman神经网络进行训练， 构建实时能耗数 据识别匹配机制； (4)当能耗数据序列达到最小 检测序列后， 应用动态时间规整算法将时间序列 转换为点异常检测； (5)应用K最近邻算法对时间 序列进行异常检测， 对历史能耗数据集进行动态 更新， 输出标记异常时间序列。 本发明可解决在 能耗异常检测 中对集体异常情况检测能力不强 及实用性不强的问题， 为建筑能耗集体异常情况 提供了的一种新的检测方法。 权利要求书2页 说明书6页 附图4页 CN 115438749 A 2022.12.06 CN 115438749 A 1.基于GMM、 Elman神经网络和KNN的建筑能耗集体异常检测方法， 其特征在于， 包括以 下步骤： 步骤一： 通过建筑能耗检测平台收集能耗数据进行集体异常检测； 步骤二： 利用软件 对历史能耗数据进行模型聚类分析， 实现对建筑能耗历史数据分类； 步骤三： 根据历史能耗聚类结果， 对Elman神经网络进行训练， 构建实时能耗数据识别 匹配机制， 将相似能耗模式的数据匹配到同一类别中进行集体异常检测； 步骤四： 当能耗数据序列达到最小检测序列后， 应用动态时间规整算法将时间序列转 换为点异常检测， 对该时间序列进行集体异常检测， 判断是否存在集体异常情况； 步骤五： 应用K最近邻算法对时间序列进行异常检测， 根据检测结果， 对历史能耗数据 集进行动态更新， 输出 标记异常时间序列。 2.根据权利要求1所述的基于GMM、 Elman神经网络和KNN的建筑能耗集体异常检测方 法， 其特征在于， 步骤二中所述软件为Matlab软件。 3.根据权利要求1所述的基于GMM、 Elman神经网络和KNN的建筑能耗集体异常检测方 法， 其特征在于， 步骤二中所述模型为高斯混合模型。 4.根据权利要求3所述的基于GMM、 Elman神经网络和KNN的建筑能耗集体异常检测方 法， 其特征在于， 所述高斯混合模型是通过计算每个样本属于每个聚类的概率， 将能耗数据 划分到较高的概率的某一类中； 对于n个能耗数据X＝{x1,x2…,xn}中， 样本的分布由K个具 有高斯分布构成， 对于每个高斯分布看成为一个簇， 通过计算概率模型p(Y| X)， 将每个高斯 分布进行组合， 构成高斯混合模型概 率密度函数： 式中： K是高斯分布的个数； μk为第k类能耗数据的均值； θk表示第k类的权重系数， 含义 为能耗数据属于该类的概率且∑ θk＝1； σk表示第k类的标准差， K(x| μk,∑k)表示 为第k个高斯分布。 5.根据权利要求1所述的基于GMM、 Elman神经网络和KNN的建筑能耗集体异常检测方 法， 其特征在于， 步骤三中所述Elman神经网络是一种对BP神经网络进 行改进的动态型神经 网络， 其网络结构为四层： 输入层、 隐含层、 承接层、 输出层。 6.根据权利要求5所述的基于GMM、 Elman神经网络和KNN的建筑能耗集体异常检测方 法， 其特征在于， 所述隐含层输出向量 为： z(x)＝f(ω1u(x‑1)+ω2zc(x)+b1) zc(x)＝z(x ‑1) y(x)＝g(ω3z(x)+b2) 式中， y(x)为输出向量； g()为输出神经元的传递函数； f()为Sigmoid函数； u(x ‑1)为 输入向量集； zc(x)为承接层的输出向量； zc(x)为反馈状态向量； ω1为输入层与隐含层之间 的权值矩阵； ω2为承接层与隐含层之间的权值矩阵； ω3为隐含层与输出层之间的权值矩 阵； b1为隐含层的阈值向量； b2为输出层的阈值向量。 7.根据权利要求1所述的基于GMM、 Elman神经网络和KNN的建筑能耗集体异常检测方 法， 其特征在于， 步骤四中所述时间序列采用DTW距离进行求解， 将能耗时间序列距离转化权　利　要　求　书 1/2 页 2 CN 115438749 A 2为能耗点距离进行求 解异常情况。 8.根据权利要求7所述的基于GMM、 Elman神经网络和KNN的建筑能耗集体异常检测方 法， 其特征在于， DTW距离进行求解是将不同长度的时间序列进行距离计算， 对于两个时间 序列 可分为两个步骤： Step1： 计算之间各 能耗点之间的欧氏距离， 得到矩阵n ×m大小的距离矩阵M， 矩阵元素 其中 采用欧氏距离进行计算； Step2： 寻找 距离矩阵M从m11到mij的最短路径， 即为DTW距离； 两条序列之间经 过用动态规整后的最短距离的DTW距离， 其公式如下： Dtw(i,j)＝M(i,j)+mi n(M(i‑1,j‑1),M(i,j ‑1),M(i‑1,j)) 其中， i∈[2:n],j∈[2:m]； Dtw(i,j)表示为X1中长度为i的时间序列与X2中长度为j的时 间序列之间的DTW距离， 是两条不同长度的时间序列经过用动态时间规整后的最短距离； M (i,j)表示为时间序列X1中第i个能耗点与时间序列X2中第j个能耗点之间的欧氏距离； min (M(i‑1,j‑1),M(i,j ‑1),M(i‑1,j))表示为第i行第j列能耗 点， 三个方向内最短的距离 。 9.根据权利要求1所述的基于GMM、 Elman神经网络和KNN的建筑能耗集体异常检测方 法， 其特征在于， 步骤五中所述应用K最近邻算法是依 次计算每个能耗点与其相 近的K个能 耗数据平均距离， 通过设定阈值 来进行异常检测， 获得集体异常检测结果。 10.根据权利要求9所述的基于GMM、 Elman神经网络和KNN的建筑能耗集体异常检测方 法， 其特征在于， 根据所述集体异常检测结果， 对历史能耗数据集进行动态更新， 将正常时 间序列能耗加入到样本数据集中， 剔除时间属 性最早的能耗序列， 异常能耗数据序列将会 被标记并提醒运营 人员。权　利　要　求　书 2/2 页 3 CN 115438749 A 3