基于人工智能和大数据技术的新型自动故障检测器设计

2022-05-30袁玮含胡立夫孙子群李爽齐航

电子产品世界 2022年9期

袁玮含胡立夫孙子群李爽齐航

摘要：对建筑行业能耗的研究表明，使用人工智能（AI）可节省10%-30%的能源，系统能检测和分析能源使用模式评估中的异常，并在适当的时间提出最佳解决方案。本文提出将人工智能技术与大数据算法相结合，加强对建筑系统的监控，提高舒适度，有效降低运行成本。此外，作者利用人工智能（AI）和建筑管理系统（BMS）产生的大数据，设计出一款故障检测工具（fault detection tool，FDT）。该工具可自动检测能源的异常消耗，优化不同资源的使用，并分析故障、投诉和终止它们所需的时间。实验结果表明，该工具能准确检测出建筑能耗的异常模式，将成为人工智能决策系统的一部分。

关键词：人工智能；能源消耗异常；自动故障检测

1 前言

在当今社会，一天产生的电子数据将比图书馆中所有印刷材料所包含的数据量还要多。随着互联网的使用，各种电子设备和人类之间的数据交换成为了产生海量数据的革命。大数据是指在各个领域的大量操作中产生的大量的结构化和非结构化信息。通过使用大数据来渗透，从而指导良好的决策和改善大量的操作。大數据的概念是指数据量、操作次数加上数据源的数量非常庞大和困难，需要特殊的流程和技术来分析、存储和收集被分析的数据这也形成了大数据常用描述的基础，即三个V：多样性（Variety）、速度（Velocity）和体积（Volume）。

2 背景

在本节中，我们将介绍与能源消耗有关的一些基本问题，以及如何使用AI（Artificial Intelligence，人工智能）技术来优化它。

2.1 大数据与AI的融合

人工智能使机器有可能从经验中学习，安排新的输入，并做类似人类的工作。大多数人工智能应用，比如下棋的电脑、自动驾驶汽车，都经历了深度学习和自然语言处理的许多阶段。使用这些技术，机器可以通过处理大量信息并识别这些信息中的模式来训练执行特殊任务。大数据反映了通常使用人工智能应用将大量来源多样的信息结合起来提供洞察力的实践。

2.2 人工神经网络（ANN）

人工神经网络是一种机器学习技术，已广泛应用于卫生、金融、工程和科学领域，通过使用一种调整网络的称重系统来预测输入变量对输出的影响，以将误差降低到尽可能低的比率。ANN主要有三层，分别是输入层、隐藏层和输出层，这三层之间相互联系。它们也有加权的输入成分，当信号通过隐藏的神经元时，这些成分会发生变化，隐层神经元（hi）与相邻层的输入神经元相连，并通过一个权系数与输出神经元相连。

楼宇管理系统（building management system， BMS）是现代商业楼宇，尤其是智能楼宇运营中必不可少的一部分。业主及营办商一般会维修及升级这些控制系统，目的如下：确保维持基本的运作水平，满足预期的设计条件，提高效率，减少能源消耗和二氧化碳排放，将风险和投诉处理和控制系统的使用寿命降至最低。技术已经为建筑控制系统相关的硬件和软件平台在成本、性能和可靠性方面提供了广泛的改进。

虽然大部分电力用于建筑的主要用途，但由于建筑系统设备故障和错误配置的BMS，大量的能源损失。例如，错误配置的设定值或建筑设备，或错位的传感器和执行器，都可能导致实际能源消耗与预测的偏差。我们的提议的动机是这些挑战，目的是精确定位BMS元素中可能影响建筑电力效率的错误类型，以及检查可用于其识别和诊断的过程。在本文中，我们提出了一种技术，旨在利用BMS大数据和AI技术跟踪投诉和完成投诉的时间，自动检测异常能耗。

3 文献综述

Andrii Zakovorotnyi提出了一种用于确定不同行为模式的新方法，其中每个行为模式代表一组相似的日常配置文件，并以不同的频率出现在建筑（建筑系统）中。该方法以两个聚类程序为基础，并行实现，并借助人工神经网络利用MATLAB软件实现。

Adam Kucera提出了一种能够自动检测和诊断商用建筑暖通空调系统故障的新系统。该系统能够准确、可靠地实时检测故障，使用来自澳大利亚纽卡斯尔一座运营大楼的数据，以及标准ASHRAE 1020项目的FDD数据集。提出了一种基于隐马尔可夫模型的FDD技术，用于学习正常和故障运行过程中集合点之间的概率关系。这可以在未来的操作中被动地推断出信息中相似模式的可能性，效率很高。

4 新型自动故障检测器

本文提出了一种新的工具，通过AI和BMS大数据的集成，能够自动检测和诊断故障。该工具能够使用新的和历史的BMS数据准确、鲁棒地实时检测故障。FDT（Fault Detection tool）是一款利用BMS大数据分析技术，完成异常能耗检测任务的软件应用。BMS收集大量的数据，如运行数据（如温度、电力）、能源使用模式数据和天气数据。这些数据集具有时间序列特征。因此，FDT利用时态数据库模型对BMS收集的数据集进行有效的建模。FDT建立在BMS的基础上，如图2所示。

4.1 神经网络故障检测

为了应用当前系统状态的故障检测，需要输入的历史数据和新的大数据，因为系统的行为将与历史模式不同。

实时FDT的第一步是预处理，预处理需要替换缺失的值，删除不完整的列和行以及极值。这些信息清理的步骤还可以包括数据集成、还原、离散化和转换，以使工具快速工作并禁止虚假结果。因此，多余的输入变量（如常量）被删除，缺失的值被替换为零，并通过取缺失值单元最近邻居值的平均值。

本研究使用重要度评分来建立源元素（输入数据）对目标元素（输出数据）行为的影响。这些步骤旨在确定可操作的数据处理大小，将对目标组件的态度有有效贡献。

因此，预测分析中的第一个过程是将源元素的读数与目标元素的读数以及源元素对记录的目标元素的累積影响关联起来。神经网络模型训练利用公式中的信息组合估计目标组件的值，在交叉验证集成过程中使用如图3所示的结构执行。

用于FD改进的神经网络结构，Txl为目标元素（输出），Tx2，Tx3，…，Tx234表示系统的源元素（输入）。

建议的方法使用两组输入数据，即当前的BMS数据和过去的BMS数据，计算两者之间的相似性，以判断当前建筑能源使用模式是否存在异常。因此，建议的FDT由两个子任务组成：（1）从数据集中获取历史数据，（2）确定当前BMS读取值与过去值之间的相似性。

建筑系统在不同的天气和操作模式下表现非常不同。为了有效地检测建筑用电量的异常模式，在相似的环境和运行条件下，比较观察到的用电量模式是很重要的。因此，建议的FDT的第一个子任务是检测与当前情况类似的过去情况下观察到的电力使用信息。

4.2 本算法功能

验证数据，去除人工神经网络中极端和遗漏的列；

比较两组数据的每个参数值；

如果所有遵从小于或等于5%，显示OK消息并关闭；

如果遵从度大于5%，显示错误并保存报告。

5 实验结果

在本节中，我们描述了为评估建议方法的有效性而进行的实验。我们执行了两次算法。每次使用不同的数据集。这将在以下小节中显示。

5.1 第一个数据集测试

本文用它测试的第一个数据集，是由Energy Plus生成的，这是最流行的能源模拟工具。为了进行评估，我们创建了两个不同的数据集：过去的电力使用数据集和当前的能源使用数据集。为了收集过去的能源使用数据集，模拟了一个住宅建筑一年的时间Energy Plus。过去的电力使用数据被收集并建模并存储在XML文件中。为了对建议的方法进行评估，我们还生成了当前的电力使用数据集（与测试数据集兼容）。通过在Energy Plus上模拟相同的建筑。

此外，还随机提取了部分用电数据并加入了噪声。注意，我们向Energy Plus生成的电力使用数据添加噪声的想法是创建一组作为异常电力使用模式工作的测试数据。图4显示了检测建筑用电量的异常模式，并向操作中心实时解决这些问题。通过FDT可以看出，我们可以实现非常低的错误率。这验证了所提出的方法是非常有效的检测异常模式的建筑能耗。

5.2 第二个数据集测试

在BMS用于机场等大型建筑运行监控的基础上，选择了用于说明FDT有效性的实验用例。实验数据由7个大厅、154个办公室、12个数据室和22个动力室的输入组成，它们属于本次任务选择的建筑之一。每个地方都配备了当地的空调（AC）机组，可以通过位于房间内的控制面板进行管理。用户可以开关AC单元或关闭，并改变所需的室温。空调控制送风风扇的转速，控制中央暖气散热器阀门的开启或关闭。如果该地方的窗户被打开，空调自动关闭。所有的交流操作都对能耗有直接影响。数据集的总大小是由BMS生成的包含所有选定位置数据的30 480个XML文件。采用FDT后，我们发现它对能源消耗有很大的影响，已经报道和处理了许多能源使用失真。

在使用FDT后，如果功耗出现失真，报警将发送到操作中心，执行所有程序，恢复到如图5所示的正常状态。

6 结语

随着人们对能源的日益关注，提高能源利用效率已经成为世界各国的一个非常重要的课题。节约能源消耗，发现异常消耗非常重要。在本文中，我们首先回顾和研究了大数据与人工智能的融合。在此基础上，提出了一种利用BMS大数据和人工智能技术检测异常能耗的新工具。这可以加强对建筑系统的监控，提高建筑的舒适性，有效降低建筑的能耗运行成本。此外，作者还提出了一种利用人工智能和建筑管理系统（BMS）产生的大数据自动检测异常能耗的工具。设计了一种自动故障检测工具（FDT），用于检测能源消耗的异常，优化不同资源的使用，分析故障、投诉和终止它们所需的时间。实验结果表明，该方法能够准确地检测出建筑能耗的异常模式，该工具是人工智能决策系统的一部分。