ترجمه فارسی عنوان مقاله

چارچوب یادگیری گروهی برای تشخیص ناهنجاری در مصرف انرژی ساختمان

عنوان انگلیسی

An ensemble learning framework for anomaly detection in building energy consumption

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
159968	2017	16 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Energy and Buildings, Volume 144, 1 June 2017, Pages 191-206

فهرست مطالب ترجمه فارسی

چکیده

کلیدواژه‌ها

1.مقدمه

2. اطلاعات پیش زمینه

2.1. یادگیری گروه

شکل 1. خودرمزنگار

2.2. تجزیه و تحلیل مؤلفه اصلی

2.3 خودرمزنگار

شکل 2. ساختار جنگل تصادفی

2.4 جنگل تصادفی

2.5. رگرسیون بردار پشتیبانی

شکل 3. پارامترهای SVR غیرخطی ، اقتباس شده از [22]

شکل 4. تعیین بهینه آستانه

2.6. معیارهای عملکرد

3. کار مرتبط

3.1 تشخیص ناهنجاری

3.2 یادگیری گروه برای تشخیص ناهنجاری

4- تشخیص ناهنجاری متنی جمعی با استفاده از چارچوب پنجره کشویی (CCAD-SW)

4.1 پردازش داده ها

شکل 6. تنظیم مجدد داده های چارچوب CCAD-SW

جدول 1. نمونه داده های از پیش پردازش شده برای CCAD-SW.

4.2. آموزش و تست مدل

شکل 7. چارچوب تشخیص ناهنجاری گروه (EAD)

4.3 تشخیص و اطلاع رسانی از ناهنجاری

5. چارچوب تشخیص ناهنجاری (EAD)

5.1. آموزش

جدول 2. مجموعه داده نمونه برای دسته‌بندی کنندگان ناهنجاری بر مبنای پیشبینی

شکل 8. تصویر دسته‌بندی‌کننده غیرعادی

5.2 آزمایش کردن

شکل 9. گروه ROC.

6. نتایج تجربی و بحث

6.1. آزمایشات چارچوب CCAD-SW

جدول 3 پارامترهای مدل خودرمزنگار

شکل 10. طرح صفحه CCAD-SW (PCA).

6.2 نتایج تجربی MD-SW و بحث

شکل 11. توزیع TP-TN: (الف) CCAD-SW (خودرمزنگار) ، (ب) CCAD-SW (PCA).

شکل 12. ROC مدلهای CCAD-SW و CCAD.

شکل 13. خطای بازسازی داده های آزمایش غیر عادی.

6.3 آزمایش چارچوب EAD

شکل 14. مقادیر مصرف پیش بینی شده و واقعی.

6.4 نتایج آزمایشگاهی EAD و بحث

شکل 15. توزیع TP-TN: (الف) جنگل تصادفی ، (ب) SVR.

شکل 16. ROC چارچوب EAD.

7. نتیجه گیری و کارهای آینده

ترجمه کلمات کلیدی

تشخیص آنومالی، یادگیری گروهی اتوکدر، رگرسیون بردار پشتیبانی، جنگل تصادفی مصرف انرژی ساختمان،

کلمات کلیدی انگلیسی

Anomaly detection; Ensemble learning; Autoencoder; Support vector regression; Random forest; Building energy consumption;

ترجمه چکیده

در حین عملیات ساخت به دلیل کاستی‌های تجهیزات و خطاهای انسانی، مقادیر چشمگیری انرژی تلف می‌شود. برای کاهش این اتلاف انرژی، ساختمان‌های هوشمند امروزی با هدف شناسایی رفتار مصرفی غیرعادی و مطلع ساختن مدیر ساختمان جهت به‌کارگیری روش‌های هرزگیری انرژی، بر مصرف انرژی نظارت می‌کنند. به همین منظور، این پژوهش یک دسته‌بندی‌کننده‎ی ناهنجاری مبتنی‌بر الگوی جدید، یعنی تشخیص ناهنجاری محتوایی جمعی با استفاده از چارچوب پنجره لغزان (CCAD-SW) را ارائه می‌دهد. چارچوب CCAD-SW الگوهای مصرف غیرعادی را با استفاده از همپوشانی پنجره‌های لغزان شناسایی می‌کند. این پژوهش به منظور افزایش ظرفیت تشخیص ناهنجاری CCAD-SW، چارچوب تشخیص ناهنجاری گروهی (EAD) را پیشنهاد می‌کند. EAD چارچوبی عمومی است که چندین دسته‌بندی‌کننده تشخیص ناهنجاری را با استفاده از رای اکثریت ترکیب می‌کند. برای اطمینان از تنوع دسته‌بندی‌کننده‌های ناهنجاری، EAD با ترکیب دسته‌بندی‌کننده‌های مبتنی‌بر الگو (به عنوان مثال، CCAD-SW) و دسته‌بندی‌کننده‌های ناهنجاری مبتنی‌بر پیش‌بینی اجرا می‌شود. این تحقیق با استفاده از داده‌های دنیای واقعی که توسط پاورسمیتس، واقع در برامپتون، آنتاریو، کانادا تهیه شده بود، مورد ارزیابی قرار گرفت. نتایج نشان می‌دهد که چارچوب EAD حساسیت CCAD-SW را تا 3.6٪ بهبود داده و نرخ هشدار اشتباه را تا 2.7٪ کاهش می‌دهد.

ترجمه مقدمه

تقریبا 60 درصد از برق جهان در ساختمان‌های تجاری و مسکونی مصرف می‌شود [1]. در حین عملیات ساخت، ممکن است بخش قابل توجهی از مصرف انرژی به دلیل کاستی‌های تجهیزات یا خطاهای انسانی هدر رود. با کاهش اتلاف انرژی و افزایش بهره‌وری در مصرف انرژی ساختمان، می‌توان هزینه‌های خدمات شهری مرتبط به تجهیزات را به حداقل رسانند و اثرات منفی مربوط به محیط را کاهش داد. این موضوع همچنین می‌تواند در رسیدگی به مسئله‌ی رشد تقاضای انرژی که امروزه جهان با آن مواجه است کمک کند. رویکردی امیدوارکننده برای اهداف بهره‌وری انرژی، نظارت بر مصرف انرژی ساختمان با هدف شناسایی الگوهای مصرف غیرطبیعی است. این رفتار مصرفی غیرطبیعی را می‌توان پس از شناسایی به مدیریت ساختمان گزارش داد، که در نتیجه می‌تواند باعث اِعمال روش‌های صرفه‌جویی مناسب در مصرف انرژی شود. در سال‌های اخیر با تکثیر دستگاه‌های سنسور، نظارت بر رفتار مصرف ساختمان برای مقاصد تشخیص ناهنجاری آسانتر شده است. تشخیص ناهنجاری به فرایند تشخیص حوادث ناهنجاری اشاره دارد که با الگوهای مورد انتظار مطابقت ندارد [2]. ناهنجاری‌ها را به شکلی گسترده و بسته به نوع‌شان می‌توان به سه دسته‌ی نقطه‌ای، زمینه‌ای و جمعی دسته‌بندی کرد [2]. اگر یک نمونه داده در مقایسه با سایر داده‌ها غیرعادی محسوب شود، به آن ناهنجاری نقطه‌ای گفته می‌شود. به عنوان مثال، مقدار مصرف انرژی روشنایی روزانه ممکن است در مقایسه با مقادیر روزانه‌ای که قبلاً ضبط شده است، غیرعادی محسوب شود. اگر یک نمونه داده در زمینه‌ای خاص طبیعی اما در زمینه‌ی دیگر غیرطبیعی باشد، به آن ناهنجاری زمینه‌ای گفته می‌شود. به عنوان مثال، مقدار مصرف روشنایی در ساعت مدرسه ممکن است در آخر هفته‌ها که هیچ کلاسی برپا نیست غیرعادی باشد، اما در روزهای هفته که کلاس‌ها جریان دارند این گونه نیست. اگر گروه یا مجموعه‌ای از نمونه داده‌های مرتبط در مقایسه با بقیه مجموعه داده‌ها غیرعادی باشد، آنگاه به عنوان یک ناهنجاری جمعی شناخته می‌شود. این مقادیر به صورت جداگانه ممکن است غیرعادی نباشد، اما در مجموع آنها نشانگر رخداد فیرعادی هستند. به عنوان مثال، ممکن است مقادیر منفرد پروفایل روزانه از داده‌های مصرف گرمایشی، تهویه هوا و تهویه مطبوع (HVAC) که در هر ساعت ثبت می‌شوند، در مقایسه با مقادیر ثبت‌شده قبلی عادی باشند، اما در مجموع، پروفایل روزانه ممکن است نمایانگر الگوی مصرف غیرعادی باشد. یكی از مشكلات روشهای تشخیص ناهنجاری جمعی موجود این است كه نگرانی چندانی در رابطه با زمینه ناهنجاری مورد بررسی وجود ندارد. به عنوان مثال ، یک الگوی مصرف روزانه HVAC ممکن است در زمستان غیر عادی باشد ، اما در تابستان نیست. یک کاربرد مهم از تشخیص ناهنجاری متضاد جمعی ، یک سیستم اتوماسیون ساختمان (BAS) است ، یک سیستم کنترل داخلی که امروزه در اکثر ساختمان های مدرن وجود دارد (ساخت هوشمند [3]). BAS به مدیران ساختمان این امکان را می دهد تا با ارائه تشخیص زودهنگام و اطلاع رسانی در مورد رفتار مصرف غیر طبیعی ، بر جنبه های بهره وری انرژی یک ساختمان نظارت کنند. شناسایی ناهنجاری های متنی col-lective یک مرکز در دانه های مختلف می تواند ابزاری مفید برای صرفه جویی در مصرف انرژی کوتاه مدت و کاهش بلایا ، و همچنین برای رسیدن به اهداف بهره وری انرژی بلند مدت باشد. به عنوان مثال ، شناسایی ناهنجاری های جمعی ساعتی در مصرف HVAC می تواند برای دستیابی به اهداف صرفه جویی در مصرف انرژی کوتاه مدت مفید باشد. شناسایی ناهنجاری ها در پروفایل مصرف سالانه HVAC برای برنامه های طولانی مدت بهره وری انرژی مانند جایگزینی تجهیزات اتلاف انرژی ، تجزیه و تحلیل هزینه ser-vices در یک بازه زمانی طولانی و برنامه ریزی اهداف صرفه جویی در مصرف انرژی مفیدتر است. به همین دلیل ، این تحقیق یک طبقه بندی کننده ناهنجاری مبتنی بر الگوی جدید ، تشخیص ناهنجاری متنی جمعی با استفاده از چارچوب پنجره کشویی (CCAD-SW) ارائه می دهد. قاب کار CCAD-SW از پنجره های کشویی با هم تداخل دارد تا عملکرد آشکارساز ناهنجاری چارچوب CCAD [4] را به میزان قابل توجهی بهبود بخشد. علاوه بر این ، ناهنجاری ها را زودتر شناسایی می کند و باعث کاهش چشمگیر نادرست می شود. به منظور ارتقاء ظرفیت تشخیص ناهنجاری CCAD-SW ، این تحقیق همچنین چارچوب تشخیص ناهنجاری گروه (EAD) را پیشنهاد می کند. EAD یک چارچوب عمومی است که چندین طبقه بندی کننده تشخیص ناهنجاری را با استفاده از رأی گیری اکثریت ترکیب می کند. در این مطالعه فرض بر این است که هر طبقه بندی کننده ناهنجاری دارای وزن برابر است. برای اطمینان از تنوع طبقه بندی کننده های ناهنجاری ، چارچوب EAD با ترکیب طبقه بندی کننده های ناهنجاری مبتنی بر الگوی و پیش بینی اجرا می شود. در این مطالعه ، فریم ورک EAD ترکیبی از CCAD-SW را که با استفاده از اتوکودر اجرا می شود ، با دو طبقه بندی کننده ناهنجاری مبتنی بر پیش بینی که با استفاده از الگوریتم های یادگیری ماشین ، از رگرسیون بردار و جنگل تصادفی پشتیبانی می کنند. از همه مهمتر ، چارچوب EAD آستانه گروهی را تشكیل می دهد كه دارای طبقه بندی كننده ناهنجاری با عملکرد بهینه تشخیص ناهنجاری و حداقل مثبت كاذب است. نتایج نشان می دهد که EAD عملکرد بهتری نسبت به طبقه بندی کننده های تشخیص ناهنجاری فردی دارد. بخش های باقیمانده مقاله به شرح زیر سازماندهی می شوند: بخش 2 اطلاعات پیش زمینه را ارائه می دهد و بخش 3 کارهای مرتبط را شرح می دهد. بخش های 4 و 5 به تشریح چارچوب های CCAD-SW و EAD ارائه شده در این تحقیق می پردازد. بخش 6 نتایج تجربی و بحث را ارائه می دهد ، و در آخر بخش 7 مقاله را نتیجه می گیرد.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

During building operation, a significant amount of energy is wasted due to equipment and human-related faults. To reduce waste, today's smart buildings monitor energy usage with the aim of identifying abnormal consumption behaviour and notifying the building manager to implement appropriate energy-saving procedures. To this end, this research proposes a new pattern-based anomaly classifier, the collective contextual anomaly detection using sliding window (CCAD-SW) framework. The CCAD-SW framework identifies anomalous consumption patterns using overlapping sliding windows. To enhance the anomaly detection capacity of the CCAD-SW, this research also proposes the ensemble anomaly detection (EAD) framework. The EAD is a generic framework that combines several anomaly detection classifiers using majority voting. To ensure diversity of anomaly classifiers, the EAD is implemented by combining pattern-based (e.g., CCAD-SW) and prediction-based anomaly classifiers. The research was evaluated using real-world data provided by Powersmiths, located in Brampton, Ontario, Canada. Results show that the EAD framework improved the sensitivity of the CCAD-SW by 3.6% and reduced false alarm rate by 2.7%.