Очистка сенсорных данных в интеллектуальных системах управления отоплением зданий

Автор: М.Л. Цымблер, Я.А. Краева, Е.А. Латыпова, Е.В. Иванова, Д.А. Шнайдер, А.А. Басалаев

Журнал: Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика @vestnik-susu-cmi

Статья в выпуске: 3 т.10, 2021 года.

Бесплатный доступ

В современных интеллектуальных системах управления отоплением зданий зачастую возникают пропуски значений или выбросы в показаниях температурных и других датчиков ввиду сбоев программного или аппаратного обеспечения либо человеческого фактора. Для обеспечения эффективного анализа данных и принятия решений некорректные данные датчиков следует очищать путем восстановления пропущенных значений и сглаживания выбросов. В данной статье представлен пример SCADA-системы ПолиТЭР для управления отоплением, установленной в Южно-Уральском государственном университете, и описана структура и принципы реализации Модуля очистки данных, внедренного в указанную систему. Модуль очистки данных реализован с помощью технологий интеллектуального анализа данных и нейронных сетей в виде набора следующих подсистем. Препроцессор извлекает необработанные данные из хранилища данных системы и подготавливает обучающий набор данных для дальнейшей обработки. Предиктор представляет собой рекуррентную нейронную сеть для прогнозирования следующего значения датчика на основе его исторических данных. Реконструктор определяет, является ли текущее значение датчика выбросом, и в таком случае заменяет его на синтетическое значение, полученное Предиктором. Наконец, Детектор аномалий в режиме реального времени обнаруживает аномальные промежутки в данных датчика. В вычислительных экспериментах на реальных данных разработанный модуль показал относительно высокую и стабильную точность, а также адекватное обнаружение аномалий.

Еще

Умный дом, температурный датчик, управление отоплением, хранилище данных, очистка данных, временной ряд, восстановление пропущенных значений, поиск выбросов, обнаружение аномалий, рекуррентная нейронная сеть.

Короткий адрес: https://sciup.org/147234530

IDR: 147234530   |   DOI: 10.14529/cmse210302

Список литературы Очистка сенсорных данных в интеллектуальных системах управления отоплением зданий

  • Басалаев А.А. Автоматизированный энергоменеджмент теплоэнергетического комплекса университетского городка // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2015. Т. 15, № 4. С. 26–32. DOI: 10.14529/ctcr150403.
  • Нетбай Г.В., Онискив В.Д., Столбов В.Ю., Каримов Р.Р. Прогнозное управление локальной городской системой теплоснабжения на основе нейросетевого моделирования // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2019. № 3(47). С. 28–38. DOI: 10.14529/ctcr200303.
  • Ясир Ш., Кравец А.Г., Анохин А.О., Пивоваров В.В., Астанков А.А. Сбор и анализ гетерогенных данных в управлении услугами ЖКХ по водоснабжению и водоотведению // Прикаспийский журнал: управление и высокие технологии. 2015. Т. 15, № 4. С. 26–32. DOI: 10.14529/ctcr150403.
  • Abadi M., Barham P., Chen J., et al. TensorFlow: A System for Large-Scale Machine Learning // Proceedings of the 12th USENIX conference on Operating Systems Design and Implementation, OSDI'16 (Berkeley, CA, United States, November 2016). 2016. P. 265–283. URL: https://www.usenix.org/conference/osdi16/technical-sessions/presentation/abadi.
  • Ahmad T., Chen H., Huanga Y. Short-Term Energy Prediction for District-Level Load Management Using Machine Learning Based Approaches // Energy Procedia. 2019. Vol. 158. P. 3331–3338. DOI: 10.1016/j.egypro.2019.01.967.
  • Akaike H. A new look at the statistical model identification // IEEE Transactions on Automatic Control. 1974. Vol. 19, no. 6. P. 716–723. DOI: 10.1109/TAC.1974.1100705.
  • Anomaly Detection Toolkit, User Guide. URL: https://arundo-adtk.readthedocshosted.com/en/stable/userguide.html (дата обращения: 02.09.2020).
  • Basalaev A., Tochilkin M., Shnayder D. Enhancing room thermal comfort conditions modeling in buildings through schedule-based indicator functions for possible variable thermal perturbation inputs // Proceedings of 2019 International Conference on Industrial Engineering, Applications and Manufacturing, ICIEAM 2019 (Chelyabinsk, Russia, March 25– 29, 2019). 2019. P. 1–8. DOI: 10.1109/ICIEAM.2019.8742907.
  • Benschoten A.H.V., Ouyang A., Bischoff F., Marrs T. MPA: a novel cross-language API for time series analysis // Journal of Open Source Software. 2020. Vol. 5, no. 49. DOI: 10.21105/joss.02179.
  • Box G.E.P., Jenkins G.M., Reinsel G.C., Ljung G.M. Time Series Analysis: Forecasting and Control. Whiley, 2015. 712 p.
  • Dickey D.A., Fuller W.A. Distribution of the estimators for autoregressive time series with a unit root // Journal of the American Statistical Association. 1979. Vol. 74. P. 427–431.
  • Dunia R., Joe Qin S. Joint diagnosis of process and sensor faults using principal component analysis // Control Engineering Practice. 1998. Vol. 6, no. 4. P. 457–469. DOI: 10.1016/S0967-0661(98)00027-6.
  • Farouq Sh., Byttner S., Bouguelia M.-R., et al. Large-scale monitoring of operationally diverse district heating substations: A reference-group based approach // Engineering Applications of Artificial Intelligence. 2020. Vol. 90. P. 1–16. DOI: 10.1016/j.engappai. 2020.103492.
  • Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. Vol. 9, no. 8. P. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735.
  • Hu Y., Chen H., Li G., et al. A statistical training data cleaning strategy for the PCAbased chiller sensor fault detection, diagnosis and data reconstruction method // Energy and Buildings. 2016. Vol. 112. P. 270–278. DOI: 10.1016/j.enbuild.2015.11.066.
  • Idowu S., Saguna S., Åhlund C., Schelén O. Applied machine learning: Forecasting heat load in district heating system // Energy and Buildings. 2016. Vol. 133. P. 478–488. DOI: 10.1016/j.enbuild.2016.09.068.
  • Jha K. Minimal loop extraction for leak detection in water pipe network // Proceedings of 2012 1st International Conference on Recent Advances in Information Technology, RAIT 2012 (Dhanbad, India, March 15–17, 2012). IEEE Computer Society, 2012. P. 687– 693. DOI: 10.1109/RAIT.2012.6194578.
  • Keogh E.J., Lin J., Fu A.W. HOT SAX: efficiently finding the most unusual time series subsequence // Proceedings of the 5th IEEE International Conference on Data Mining, ICDM 2005 (Houston, Texas, USA, November 27–30, 2005). IEEE Computer Society, 2005. P. 226–233. DOI: 10.1109/ICDM.2005.79.
  • Keogh E.J., Lonardi S., Ratanamahatana C.A. Towards parameter-free data mining // Proceedings of the 10th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (Seattle, Washington, USA, August 22–25, 2004). ACM, 2004. P. 206– 215. DOI: 10.1145/1014052.1014077.
  • Keras Developer Guides. URL: https://keras.io/guides/ (дата обращения: 02.09.2020).
  • Kwiatkowski D., Phillips P.C.B., Schmidt P., Shin Y. Testing the null hypothesis of stationarity against the alternative of a unit root: How sure are we that economic time series have a unit root? // Journal of Econometrics. 1992. Vol. 54, no. 1. P. 154–178. DOI: 10.1016/0304-4076(92)90104-Y.
  • Malhotra P., Vig L., Shroff G.M., Agarwal P. Long Short Term Memory Networks for anomaly detection in time series // Proceedings of the 23rd European Symposium on Artificial Neural Networks, ESANN 2015 (Bruges, Belgium, April 22–24, 2015). 2015. P. 89–94. URL: http://www.elen.ucl.ac.be/Proceedings/esann/esannpdf/es2015-56.pdf.
  • Schwarz G. Estimating the dimension of a model // The Annals of Statistics. 1978. Vol. 6, no. 2. P. 461–464. DOI: 10.1214/aos/1176344136.
  • Turner W.J.N., Staino A., Basu B. Residential HVAC fault detection using a system identification approach // Energy and Buildings. 2017. Vol. 151. P. 1–17. DOI: 10.1016/j.enbuild.2017.06.008.
  • Venkatasubramanian V. Process Fault Detection and Diagnosis: Past, Present and Future // IFAC Proceedings Volumes. 2001. Vol. 34, no. 27. P. 1–13. DOI: 10.1016/S1474-6670(17)33563-2.
  • Yan K., Ji Zh., Shen W. Online fault detection methods for chillers combining extended Kalman filter and Recursive One-class SVM // Neurocomputing. 2017. Vol. 228. P. 205– 212. DOI: 10.1016/j.neucom.2016.09.076.
  • Yankov D., Keogh E.J., Rebbapragada U. Disk aware discord discovery: finding unusual time series in terabyte sized datasets // Knowledge and Information Systems. 2008. Vol. 17, no. 2. P. 241–262. DOI: 10.1007/s10115-008-0131-9.
  • Zhao Y., Li T., Zhang X., Zhang C. Artificial intelligence-based fault detection and diagnosis methods for building energy systems: Advantages, challenges and the future // Renewable and Sustainable Energy Reviews. 2019. Vol. 109. P. 85–101. DOI: 10.1016/j.rser.2019.04.021.
  • Zhao Y., Zhang C., Zhang Y., et al. A review of data mining technologies in building energy systems: Load prediction, pattern identification, fault detection and diagnosis // Energy and Built Environment. 2020. Vol. 1, no. 2. P. 149–164. DOI: 10.1016/j.enbenv.2019.11.003.
  • Zimmerman N., Dahlquist E., Kyprianidis K. Towards On-line Fault Detection and Diagnostics in District Heating Systems // Energy Procedia. 2017. Vol. 105. P. 1960–1966. DOI: 10.1016/j.egypro.2017.03.567.
  • Zymbler M., Kraeva Ya., Latypova E., Kumar S., Shnayder D., Basalaev A. Cleaning Sensor Data in Smart Heating Control System // Proceedings — 2020 Global Smart Industry Conference, GloSIC 2020 (Chelyabinsk, Russia, November 17–19, 2020). IEEE, 2020. P. 375–381. DOI: 10.1109/GloSIC50886.2020.9267813.
Еще
Статья научная