(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 202211259313.X (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K-Means++、 BP神经网络和孤立森林的 建筑异常能耗检测方法 (57)摘要 本发明公开了基于K ‑Means++、 BP神经网络 和孤立森 林的建筑异常能耗检测方法， 包括以下 步骤， 步骤一： 通过建筑能耗检测平台收集历史 建筑能耗数据； 步骤二： 利用软件导入历史能耗 数据样本， 通过计算误差平方和指标得到最优聚 类数， 采用K ‑means++算法对历史能耗数据聚类 分析， 赋予类别标签； 步骤三： 将含有标签的历史 能耗数据对BP神经网络进行训练， 构建实时能耗 数据识别匹配机制； 步骤四： 在同类别中采用孤 立森林方法对能耗进行异常检测， 判断是否异 常； 步骤五： 输出异常检测结果， 并根据检测结果 对历史能耗数据动态更新。 本发 明可提升能耗异 常检测的准确性， 解决实用性不强及动态更新不 足问题， 降低获取含 有标签数据的成本 。 权利要求书2页 说明书6页 附图3页 CN 115496163 A 2022.12.20 CN 115496163 A 1.基于K‑Means++、 BP神经网络和孤立森林的建筑异常能耗检测方法， 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历史建筑能耗数据； 步骤二： 利用软件导入历史能耗数据样本， 通过计算误差平方和指标得到最优聚类数， 采用K‑means++算法对历史能耗数据聚类分析， 赋予类别标签； 步骤三： 根据聚类结果， 将含有标签的历史能耗数据对BP神经网络进行训练， 构建实时 能耗数据识别匹配机制； 步骤四： 不含标签的实时能耗数据根据神经网络识别匹配到对应的类别后， 在同类别 中采用孤立森林 方法对能耗进行异常检测， 判断是否异常； 步骤五： 输出异常检测结果， 并根据检测结果对历史能耗数据动态更新。 2.根据权利要求1所述的基于K ‑Means++、 BP神经网络和孤立森林的建筑异常能耗检测 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K ‑Means++、 BP神经网络和孤立森林的建筑异常能耗检测 方法， 其特征在于， 基于计算误差平方和方法的肘部法则作为确定最优聚类数目的依据， 其 公式如下： 其中， k为聚类数目， Ck表示为聚类结果中第k类能耗数据 集； xik为第k聚类中第i个能耗 点； μk为第k类能耗数据的质心。 4.根据权利要求1所述的基于K ‑Means++、 BP神经网络和孤立森林的建筑异常能耗检测 方法， 其特征在于， 步骤二中所述K ‑means++聚类算法中对含有n个数据的建筑能耗数据集X ＝{x1,…,xn}， 随机选取第一个聚类中心点μ1， 计算数据集X中每一个能耗数据点与已选取 的聚类中心 点在m维空间中的最小欧几里德距离D， 计算每个能耗点被选为下一个聚类中心 的概率P， 重复以上步骤， 按照轮盘法选取k个聚类中心， 最小欧几里德距离D和聚类中心的 选取概率P定义如下： 初步选取聚类中心后， 计算每个能耗数据xi与每个聚类中心的欧几里德距离D， 按照最 近准则将该能耗数据划分到相应的聚类簇中， 在每个聚类中计算所有能耗数据的特征均 值， 该均值将作为 新的聚类中心， 重复以上步骤， 直到聚类中心位置不再发生变化。 5.根据权利要求1所述的基于K ‑Means++、 BP神经网络和孤立森林的建筑异常能耗检测 方法， 其特征在于， 步骤三中通过对历史 能耗数据聚类分析后， 将具有相似特征的能耗数据 赋予了相同的能耗模式类别标签。 6.根据权利要求1所述的基于K ‑Means++、 BP神经网络和孤立森林的建筑异常能耗检测 方法， 其特征在于， 步骤四中不含标签的实时能耗数据根据神经网络识别， 匹配到对应类别 中， 在同类别内对能耗数据采用孤立森林方法对能耗进 行异常检测， 判断是否异常， 根据检权　利　要　求　书 1/2 页 2 CN 115496163 A 2测结果对历史能耗数据实现动态更新， 保证数据集的时效性。 7.根据权利要求6所述的基于K ‑Means++、 BP神经网络和孤立森林的建筑异常能耗检测 方法， 其特征在于， 所述孤立森林方法是通过从能耗数据集中随机挑选 m个能耗数据作为子 样本数据集T＝{ t1,t2···,tm}， 将其作为一颗孤立树的根节 点， 在子样 本数据集中， 随机 产生一个介于子样本数据最大值与最小值间的分割值p， 通过分割值p 对子样本数集进行划 分， 不断构建左侧分支和右侧分支， 重复上述过程， 直至达到下列条件之一停止： ①孤立树 达到高度限制值； ②子样本空间中只剩下一个能耗数据。 8.根据权利要求7所述的基于K ‑Means++、 BP神经网络和孤立森林的建筑异常能耗检测 方法， 其特征在于， 对于任意一个能耗数据， 通过查询孤立森林所有孤立树， 计算其在每一 棵树中的路径长度h(x)， 路径长度是指样本能耗从根节点到外节点所经过的二叉树的边 数， 根据下列公式， 计算该能耗的异常得分 s(x,m)， 从而判断该点是否为离群点； H(m)＝ln(m)+ξ 其中， E(h(x))为在孤立森林中路径长度的期望值； H(m)为调和函数， ξ为欧拉常数； c (m)为搜索路径长度平均值。 9.根据权利要求8所述的基于K ‑Means++、 BP神经网络和孤立森林的建筑异常能耗检测 方法， 其特 征在于， 所述s(x,m)的取值范围为[0,1]。权　利　要　求　书 2/2 页 3 CN 115496163 A 3