建筑物约占全球能源消耗的30%和相关碳排放的26%[1,2],而且这一比例还在持续上升[3]。在这种背景下,减少能源浪费和提高建筑运营效率已成为缓解能源短缺和降低碳排放强度的关键措施[4]。研究表明,建筑能源浪费的很大一部分源于设备老化、运营异常和管理不善。因此,建筑能耗异常检测不仅是一种有效的减少能源浪费和提高运营效率的方法,还为早期风险预警和基于证据的管理决策提供了可靠的基础[5]。
当前的建筑能源异常检测方法大致可以分为模型驱动和数据驱动两类[[6], [7], [8]]。模型驱动方法通常依赖于物理或热力学模型。然而,建筑系统的能源使用(如空调和照明)受到天气条件、居住者行为和管理策略的共同影响,这些因素都表现出复杂的周期性、非线性和自相关模式,使得构建准确的物理模型极具挑战性[9]。相比之下,数据驱动方法因能够直接从历史能耗数据中学习模式而受到越来越多的关注。传统的机器学习技术(如k均值聚类、决策树和支持向量机[[10], [11], [12]]在异常检测中显示出潜力。随着建筑能源数据集的快速增长和特征复杂性的增加,深度学习方法已成为主导范式[13,14]。然而,实践中普遍存在的数据不平衡现象严重削弱了深度学习模型的性能[15]。
不平衡问题主要源于建筑运营中异常事件的发生频率远低于正常事件[16]。异常样本的稀缺性导致模型偏向多数类,从而降低了检测准确性和鲁棒性。为了解决这一挑战,开发了两种常见策略:重新加权 and 重采样[17]。
重新加权方法在损失函数中引入了依赖于类别的权重,以增强少数样本的重要性,可以通过根据类别频率调整权重[18,19]或使用生成对抗网络(GANs)来提高类别可分性[20]。例如,张等人提出了一种基于双分支学习框架的自适应损失重新加权方法,用于解决飞行测试传感器时间序列数据中的样本不平衡问题,在实际飞行测试传感器数据集上显著提高了模型性能和检测鲁棒性[21]。然而,重新加权方法中的权重选择过程往往很复杂,可能会导致训练过程中的收敛困难。
另一方面,通过增加少数样本或减少多数样本来直接平衡类别分布。例如,随机欠采样通过丢弃多数类样本来平衡数据[22],但这可能导致信息丢失。在过采样方法中,合成少数样本过采样技术(SMOTE)因其简单性和效率而被广泛采用[23]。SMOTE通过在现有样本之间进行线性插值来生成合成少数样本,从而扩展数据集并增强分类器学习少数类特征的能力。这种方法不仅易于实现,而且在各种不平衡学习任务中都表现出良好的性能[24],包括轴承故障检测[25]、燃气轮机故障诊断[26]、建筑能耗异常检测[27]、冷水机组故障诊断[28]和建筑安全异常筛查[29]。然而,传统的SMOTE对噪声和异常值非常敏感,需要改进以更好地满足建筑能耗异常检测的要求。
在缓解类别不平衡后,通常使用深度学习模型进行训练,因为它们在时间序列建模和特征提取方面具有优越的性能。循环神经网络(RNN)及其变体(如长短期记忆(LSTM)和门控循环单元(GRU)已广泛用于时间序列异常检测任务[30]。例如,Shahid等人提出了一个基于LSTM的深度重建模型,用于学校建筑的异常检测,即使在训练数据有限的情况下也能实现跨建筑泛化[31]。Zhan等人开发了一种门控循环单元自动编码器(GRU-AE)框架,用于煤矿安全监测中的异常检测和故障识别[32]。此外,为了捕捉建筑能耗数据与环境因素之间的复杂耦合关系,最近的研究引入了图神经网络(GNN)进行结构化建模。例如,田等人提出了一种基于图注意力网络的多任务异常检测方法,该方法捕捉了不同能源使用循环和环境变量之间的关系,从而有效检测和解释多循环建筑能耗异常[33]。尽管这些方法在一定程度上提高了检测准确性,但它们通常假设所有类别的重要性相同,忽略了少数样本对整体检测性能的不成比例影响。
基于变压器的模型利用自注意力机制,可以为样本分配不同的权重,使其在捕捉长期依赖性方面特别有效,同时支持并行计算[34]。在此基础上,研究人员将基于变压器的模型应用于异常检测并取得了显著成功。例如,Kumar等人提出了STA-Tran,一种基于时空注意力的传感器异常检测模型[35],而Won等人引入了异常Transformer,它将日志数据与资源指标相结合,以克服云异常检测中的单源限制[36]。此外,张等人提出了一种改进的变压器架构,用于超长航空传感器时间序列异常检测,其中采用了分层多尺度建模和高效的自注意力机制,有效表征了长期依赖性并显著提高了检测性能[37]。
然而,原始的变压器仍不适合建筑能耗异常检测。由于缺乏循环或卷积结构,它无法直接捕捉能耗数据中的序列模式。先前的研究表明,传统的正弦位置编码由于其周期性,难以在长序列设置中保持时间距离的单调性,从而削弱了模型有效捕捉长期依赖性的能力[38]。进一步的研究表明,绝对位置编码和相对位置编码在不同任务和数据条件下各有优势,对于多样化的时间序列应用,通常需要根据数据特征进行特定任务的调整[39]。Su等人提出的RoFormer通过旋转位置编码隐式地结合了相对位置信息,使得在变压器架构中更有效地建模长期依赖性[40]。基于上述分析,本研究提出了一种改进的深度学习方法,该方法针对建筑能耗时间序列的多尺度和周期性特征进行了优化。通过将先进的位置编码策略与变压器架构相结合,所提出的方法旨在更准确地建模建筑能耗数据中的长期和局部依赖性,从而提高异常检测准确性。
本研究的主要贡献和创新如下:
(1)为了解决建筑能耗异常检测中少数类样本稀缺的问题,提出了一种基于密度感知的自适应k最近邻合成少数样本过采样技术(DAK-SMOTE)用于数据增强。通过在稀疏区域增强样本多样性并在密集区域保持边界稳定性,该方法有效降低了引入噪声的风险。
(2)为了克服变压器在时间序列任务中的有限位置建模能力,通过集成改进的绝对位置编码和相对位置编码,开发了一种位置编码增强型变压器(PE-transformer)。这种设计增强了模型捕捉长期依赖性的能力,同时保持了时间顺序,从而提高了异常检测准确性。
(3)在中国济南收集的真实世界办公楼能耗数据集上进行了广泛的验证。实验结果证实了所提出框架的有效性和鲁棒性,在多个评估指标上显著优于基线方法,验证了其在建筑能耗异常检测中的应用价值和广泛采用的潜力。
本研究的其余结构如下:第2节介绍了整体方法框架,包括DAK-SMOTE增强策略和PE-transformer检测模块的设计。第3节描述了实验设置,包括数据集概述、预处理程序和实现细节。第4节通过比较实验验证了所提出的数据增强策略和PE-transformer的有效性,并通过消融研究进一步确认了每个模块的贡献。第5节总结了研究成果,总结了主要贡献并展望了未来的工作。