基于实时数据流特征提取的设备能耗异常识别算法研究

摘要

能耗设备的节能是企业节能减排中非常重要的一环,及时发现能耗设备运行中出现的异常,对减少不必要的企业能耗具有重要意义。利用采集到的设备实时能耗数据流,提出了一种基于多特征提取的设备能耗异常识别分类方法。首先,对样本数据提取了低能耗时间比、高能耗时间量、DTW距离等特征量,随后利用孤立森林算法和K-means聚类算法对每条样本数据进行类型标定,最后构建了注意力机制与LSTM相结合的设备能耗异常分类算法。实验结果表明,该算法的分类正确率达到了97.76%,可以高效识别出不同类型的设备能耗异常,从而为企业及时作出处理、减少能耗损失提供了决策依据。