基于时频交叉注意力掩码自编码器的建筑能耗数据异常检测方法及装置

本发明属于智慧建筑和异常检测领域，具体涉及一种基于时频交叉注意力掩码自编码器的建筑能耗数据异常检测方法及装置。

背景技术：

1、建筑能耗在全球能源消费中占据重要地位，约占全球最终能源消费的30%和能源相关碳排放的26%。暖通空调（hvac）系统作为建筑能源消耗的主要设备，通常消耗商业建筑40%~50%的能源，其运行状态直接影响建筑能耗和室内环境质量。hvac系统通常配备数十至数百个传感器，实时监测温度、湿度、能耗、流量、压力等物理量。及时准确地从这些传感器数据中检测出异常状态，对于保障设备安全运行、提高能源利用效率、降低运维成本具有重要的现实意义。

2、目前，面向建筑能耗数据异常检测的方法大致可以分为两类：一种是基于规则或统计阈值的方法，通过对传感器数据设定规则或统计边界来识别异常。虽然这类方法可解释性强，但往往需要大量领域知识进行规则制定，难以捕捉复杂的时间依赖关系，在面对复杂和多变的运行工况时适应性较差。另一种是基于深度学习的方法，如变分自编码器、transformer等，通过学习正常运行模式来实现异常检测。然而，这些方法在实际应用中仍面临诸多挑战。

3、近年来，基于掩码自编码器（masked autoencoder, mae）的深度学习架构在时间序列异常检测中取得了显著进展，其通过遮蔽部分输入数据并促使模型重建缺失部分，实现对正常运行模式的自监督建模。timesnet和catch等方法进一步引入频域变换来捕捉周期性模式，dcdetector（dual attention contrastive representation detector）等方法通过对比学习提升了特征判别能力。然而，面向建筑能耗等高度复杂的传感器数据时，现有的异常检测方法仍然面临以下几点严峻挑战：

4、（1）时域与频域特征捕获的失衡。建筑能耗数据表现出复杂的跨尺度特征，既包含设备快速启停引起的局部瞬变，也包含由人类作息和气候变化驱动的显著日、周等长周期结构。现有方法多侧重于单一时域建模，难以在复杂的高维特征空间中同步捕捉局部时序细节与全局周期性结构，导致对复杂运行工况的表征能力受限。

5、（2）训练数据污染与高频噪声干扰。实际应用场景中，建筑能耗传感器数据往往未经精细的人工清洗，训练集中不可避免地包含未标注的异常工况样本。传统基于重建的方法缺乏对高频非结构性噪声及异常成分的显式过滤机制，极易在训练过程中“学习”到异常模式的分布，从而导致检测阶段的判别力下降。

6、（3）深层特征提取过程中的信息退化。面对多变量高维传感器数据，深层神经网络在提取复杂时空关联性时普遍面临特征退化与梯度流失问题。现有的简单残差连接机制难以充分聚合跨层级的全局上下文信息，限制了模型在处理复杂耦合关系时捕获细微偏差的精度。

7、综上所述，现有的建筑能耗数据异常检测方法在时频特征捕获的平衡性、训练数据噪声鲁棒性以及深层特征保真度三个方面均存在明显不足，亟需提出一种能够同步建模时域与频域信息、具备去噪能力且能有效缓解深层信息退化的异常检测方法。

技术实现思路

1、针对现有技术的不足，本发明提供一种基于时频交叉注意力掩码自编码器的建筑能耗数据异常检测方法及装置，通过构建解耦的时域与频域双流编码器架构，旨在同步捕捉局部瞬变与全局周期特征以克服特征捕获失衡问题；通过引入“去噪优先”的top-k频率选择与交叉注意力机制，将频率结构先验注入重建过程，有效抑制训练数据污染与高频噪声的干扰；同时在时域编码器中引入深度注意力残差聚合机制，缓解深层网络在高维数据下的信息退化；最后结合交叉注意力熵正则化与动态阈值判定，实现高精度、强鲁棒的异常检测。

2、本发明的目的通过如下的技术方案来实现：

3、一种基于时频交叉注意力掩码自编码器的建筑能耗数据异常检测方法，包括如下步骤：

4、s1：获取建筑能耗的多变量时间序列数据，对其进行标准化预处理；采用块状掩码策略对预处理后的数据进行遮蔽，生成掩码序列数据；

5、s2：构建时频交叉注意力掩码自编码器模型，包括时域编码器、频域编码器、交叉注意力融合模块和多层感知机解码器；其中，所述时域编码器基于注意力残差提取掩码序列的局部时序特征；所述频域编码器从完整序列中提取全局的主导频率特征；所述交叉注意力融合模块以时域特征为查询向量，以频域特征为键向量和值向量，进行时频跨域的信息融合；所述多层感知机解码器将融合后的特征映射回原始特征空间进行序列重建；

6、s3：将所述掩码序列数据输入所述时频交叉注意力掩码自编码器模型进行自监督训练，通过构建联合最小化掩码位置的重建均方误差与交叉注意力权重的熵损失的总损失函数，优化模型参数；

7、s4：利用训练后的时频交叉注意力掩码自编码器模型对测试数据进行滑窗重建，计算预测值与真实值之间的绝对误差作为原始异常分数；对所述原始异常分数依次进行基于时间滑动窗口的中值滤波平滑与基于特征历史均值的相对尺度归一化，最后采用基于极值理论的pot动态阈值方法计算动态阈值，并进行异常判断，输出最终检测结果。

8、进一步地，采用块状掩码策略对预处理后的数据进行遮蔽，生成掩码序列数据，具体包括：

9、将长度为t的序列x划分为个固定长度为lp的数据块；给定掩码比例

ρ

m，计算每个特征需要遮蔽的数据块数量，表示向下取整操作；对每个特征通道独立随机选择nm个数据块的索引进行遮蔽，构建掩码矩阵，其中状态0表示掩码位置，状态1表示保留位置；f为特征维度数；最终得到掩码序列数据；表示逐元素相乘操作符。

10、进一步地，所述时域编码器通过深度注意力聚合机制融合所有前置层的输出表示，具体包括：

11、将所有前置层的输出在深度维度堆叠并通过均方根层归一化得到键矩阵，利用当前层的可学习查询向量计算注意力权重，并加权求和得到聚合结果，再输入pre-norm结构的transformer层进行特征提取，输出保留有局部时序信息的时域特征。

12、进一步地，所述频域编码器从完整序列中提取全局的主导频率特征，具体包括：

13、对输入时间序列沿时间维度执行实数快速傅里叶变换得到幅度谱与相位谱，将幅度谱与相位谱拼接后投影至特征空间并叠加频率位置编码得到频域嵌入序列；计算所有特征通道的平均幅度作为全局频率能量，引入可学习的频率重要性参数计算加权能量分数，选取加权能量分数最大的前k个主导频率索引构成精简频域序列；将精简频域序列输入傅里叶transformer块进行频域自注意力交互，学习基频与谐波的协同依赖关系，输出频域特征。

14、进一步地，所述交叉注意力融合模块通过线性投影分别生成查询矩阵、键矩阵和值矩阵，并计算交叉注意力权重，得到注意力输出并采用残差连接与层归一化输出融合后的特征；

15、所述多层感知机解码器由两层全连接层及中间的gelu激活函数构成，将融合后的特征映射回原始特征空间，输出重建的时间序列。

16、进一步地，所述s4包括：

17、s4.1：利用训练后的时频交叉注意力掩码自编码器模型对测试数据进行滑窗重建，计算预测值与真实值之间的绝对误差作为原始异常分数；

18、s4.2：对原始异常分数进行基于时间滑动窗口的中值滤波平滑；

19、s4.3：计算训练集中每个特征维度的平均绝对值作为特征尺度，对中值滤波平滑后的异常分数进行相对尺度归一化，得到最终异常分数；

20、s4.4：采用基于极值理论的pot动态阈值方法，针对滑动窗口内的历史异常分数计算动态阈值；

21、s4.5：当第i个时间步的最终异常分数sfinal,i大于动态阈值θi时，判定发生了建筑能耗数据异常。

22、进一步地，s4.4具体包括：

23、s4.4.1：对于第个时间步，选取历史窗口内的异常分数；

24、s4.4.2：基于历史窗口内的异常分数计算初始分位数阈值；

25、s4.4.3：从历史窗口中提取超过初始分位数阈值的过量值集合；

26、s4.4.4：采用grimshaw方法对过量值集合中的数据拟合广义帕累托分布的尺度参数σ与形状参数γ；

27、s4.4.5：基于gpd分位数函数计算第i个时间步的动态阈值θi。

28、一种基于时频交叉注意力掩码自编码器的建筑能耗数据异常检测装置，包括一个或多个处理器，用于实现基于时频交叉注意力掩码自编码器的建筑能耗数据异常检测方法。

29、一种电子设备，包括：

30、一个或多个处理器；

31、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述电子设备执行时，使得所述电子设备实现基于时频交叉注意力掩码自编码器的建筑能耗数据异常检测方法。

32、一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现基于时频交叉注意力掩码自编码器的建筑能耗数据异常检测方法。

33、本发明的有益效果如下：

34、1. 本发明的解耦的时域与频域双流编码架构能够从多尺度视角同步捕获局部工况突变细节和全局日/周循环周期，通过频域自注意力机制学习频率间的协同依赖关系，显著提升了模型对建筑能耗数据中复杂运行模式的表征能力。

35、2. 本发明引入“去噪优先”的top-k主导频率筛选机制与交叉注意力融合模块，通过全局频率结构指导局部时间点的重构过程，有效过滤了传感器的高频非结构性噪声并屏蔽了训练集中潜藏的异常样本干扰，降低了检测阶段的误报率，从而提高了本发明的方法的预测精度。

36、3. 本发明时域编码器采用深度注意力残差聚合机制，通过显式聚合跨层级的全局上下文信息，有效缓解了深层特征提取过程中的信息退化与梯度流失问题，显著增强了模型在处理高维多变量数据时对细微异常偏差的捕捉精度。

37、4. 本发明的块状掩码策略结合交叉注意力熵正则化，在迫使模型深度挖掘传感器数据序列语义结构的同时防止了注意力坍缩，配合pot动态阈值方法，最终实现了在高度复杂建筑环境下异常检测的高鲁棒性与自适应性。