华南理工大学学报(自然科学版)

作者：陈城, 王淼, 王馨瑶, 高志明, 周璇, 闫军威

单位：1.华南理工大学 机械与汽车工程学院，广东 广州 5106402.人工智能与数字经济广东省实验室（广州），广东 广州 5103353.顺德职业技术大学 能源与汽车工程学院，广东 佛山 528300

关键词：能耗异常检测,深度学习,照明插座系统,重构误差,无监督学习

基金：广东省自然科学基金项目(2019A1515011518);广东省自然科学基金项目(2022A1515011128)

建筑照明插座能耗异常检测能够有效提高建筑能源效率，对实施建筑能源优化措施、实现建筑节能管控的研究具有重要意义。由于建筑照明插座系统能耗很大程度上受到建筑内部人员随机行为的影响，针对照明插座时间序列数据存在噪声较多和特征难以提取的问题，该文提出了一种结合工况划分与深度学习的无监督异常检测方法，旨在提升能耗异常识别的精度与鲁棒性。首先基于决策树方法对能耗数据按工作日与非工作日、上班与非上班时段等属性划分工况，然后针对不同工况分别构建基于长短期记忆神经网络-自编码器（LSTM-AE）的异常检测模型。该模型通过对正常数据的重构学习，计算重构误差，并设定差异化阈值，实现无标签数据下的能耗异常检测。以夏热冬暖地区某办公建筑578 d的照明插座逐时能耗数据为研究对象，开展数据建模与超参数优化实验。结果显示：迭代次数、神经元数和激活函数均对模型性能有显著影响；工作日工况下的能耗数据稳定性优于非工作日，异常检测精度相对更高；所提方法在4类工况下的平均精确率、召回率、F1分别为91.23%、90.87%、90.80%，能够有效实现建筑照明插座系统能耗异常检测。

来源：2025年第9期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2025年第9期