Effective feedback can reduce build

Effective feedback can reduce building power consumption and carbon emissions. Therefore, providing
information to building managers and tenants is the first step in identifying ways to reduce power
consumption. Since reducing anomalous consumption can have a large impact, this study proposes a
novel approach to using large sets of data for a building space to identify anomalous power consumption.
This method identifies anomalies in two stages: consumption prediction and anomaly detection.
Daily real-time consumption is predicted by using a hybrid neural net ARIMA (auto-regressive integrated
moving average) model of daily consumption. Anomalies are then identified by differences between
real and predicted consumption by applying the two-sigma rule. The experimental results for a
17-week study of electricity consumption in a building office space confirm that the method can detect
anomalous values in real time. Another contribution of the study is the development of a formalized
methodology for detecting anomalous patterns in large data sets for real-time of building office space
energy consumption. Moreover, the prediction component can be used to plan electricity usage while
the anomaly detection component can be used to understand the energy consumption behaviors of
tenants.

Results (Thai) 2:

ข้อเสนอแนะที่มีประสิทธิภาพสามารถลดการสร้างการใช้พลังงานและการปล่อยก๊าซคาร์บอน ดังนั้นการให้ข้อมูลกับผู้จัดการอาคารและผู้เช่าเป็นขั้นตอนแรกในการระบุวิธีการที่จะลดการใช้พลังงานสิ้นเปลือง ตั้งแต่การลดการบริโภคที่ผิดปกติอาจมีผลกระทบขนาดใหญ่การศึกษาครั้งนี้ได้นำเสนอ. วิธีการใหม่ในการใช้ชุดข้อมูลขนาดใหญ่สำหรับพื้นที่ในอาคารในการระบุการใช้พลังงานที่ผิดปกติวิธีนี้จะระบุความผิดปกติในขั้นตอนที่สอง: การคาดการณ์การบริโภคและการความผิดปกติการตรวจสอบ. เวลาจริงในชีวิตประจำวัน การบริโภคเป็นที่คาดการณ์โดยใช้ ARIMA สุทธิประสาทไฮบริด (รวมรถยนต์ถอยหลังเฉลี่ยเคลื่อนที่) รูปแบบของการบริโภคประจำวัน ความผิดปกติที่จะมีการระบุแล้วโดยความแตกต่างระหว่างการบริโภคจริงและที่คาดการณ์ไว้โดยการใช้กฎสองซิก- ผลการทดลองเพื่อการศึกษา 17 สัปดาห์ของการใช้พลังงานไฟฟ้าในพื้นที่สำนักงานอาคารยืนยันว่าวิธีการที่สามารถตรวจสอบค่าผิดปกติในเวลาจริง การมีส่วนร่วมของการศึกษาก็คือการพัฒนาของกรงเล็บวิธีการสำหรับการตรวจสอบรูปแบบที่ผิดปกติในชุดข้อมูลขนาดใหญ่สำหรับเวลาจริงของอาคารสำนักงานพื้นที่การใช้พลังงาน นอกจากนี้ส่วนประกอบทำนายสามารถนำมาใช้ในการวางแผนการใช้ไฟฟ้าในขณะที่องค์ประกอบการตรวจสอบความผิดปกติที่สามารถใช้ในการทำความเข้าใจพฤติกรรมการใช้พลังงานของผู้เช่า

Results (Thai) 3:

ความคิดเห็นที่ประสิทธิภาพการใช้พลังงานในอาคาร และสามารถลดการปล่อยมลพิษคาร์บอน ดังนั้น การให้
ข้อมูลผู้จัดการอาคารและผู้เช่าเป็นขั้นตอนแรกในการระบุวิธีที่จะลดการใช้พลังงาน

เนื่องจากการลดการบริโภคที่สามารถมีผลกระทบขนาดใหญ่ การศึกษานี้เสนอ
แนวทางใหม่ในการใช้ชุดข้อมูลขนาดใหญ่สำหรับการสร้างพื้นที่เพื่อระบุการใช้พลังงานที่ผิดปกติ .
วิธีนี้จะระบุความผิดปกติในสองขั้นตอน : การพยากรณ์การบริโภคและการตรวจหาความผิดปกติ .
การบริโภคเรียลไทม์รายวันทำนายโดยใช้ไฮบริดประสาทสุทธิ ARIMA ( รวมรถยนต์ถอยหลัง
ค่าเฉลี่ยเคลื่อนที่ ) รูปแบบของการบริโภคประจำวันปกติแล้วระบุความแตกต่างระหว่างจริงและคาดการณ์การใช้
2 Sigma กฎ ผลสำหรับ
17 สัปดาห์ศึกษาปริมาณการใช้ไฟฟ้าในอาคาร ออฟฟิศ ยืนยัน วิธีการที่สามารถตรวจจับ
ค่าผิดปกติในเวลาจริง อีกหนึ่งผลงานของการศึกษาคือ การพัฒนา
เป็นทางการวิธีการตรวจหาความผิดปกติในรูปแบบชุดข้อมูลขนาดใหญ่สำหรับเรียลไทม์ของสำนักงานพลังงานพื้นที่

นอกจากนี้ การคาดการณ์ส่วนประกอบสามารถใช้วางแผน การใช้ไฟฟ้าในขณะที่
ตรวจจับความผิดปกติส่วนประกอบที่สามารถใช้เพื่อให้เข้าใจพฤติกรรมของการบริโภคพลังงาน
ผู้เช่า