CN104517041B - 一种基于最大信息熵的化工数据流实时异常检测方法 - Google Patents

一种基于最大信息熵的化工数据流实时异常检测方法 Download PDF

Info

Publication number
CN104517041B
CN104517041B CN201510038229.9A CN201510038229A CN104517041B CN 104517041 B CN104517041 B CN 104517041B CN 201510038229 A CN201510038229 A CN 201510038229A CN 104517041 B CN104517041 B CN 104517041B
Authority
CN
China
Prior art keywords
cluster
micro
data
dimension
comentropy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510038229.9A
Other languages
English (en)
Other versions
CN104517041A (zh
Inventor
耿志强
姬威
韩永明
朱群雄
徐圆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN201510038229.9A priority Critical patent/CN104517041B/zh
Publication of CN104517041A publication Critical patent/CN104517041A/zh
Application granted granted Critical
Publication of CN104517041B publication Critical patent/CN104517041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提出了一种基于最大信息熵的化工数据流实时异常检测方法，该方法应用实时聚类算法DSC‑Stream(The Dimension Space Cluster‑Stream)，以数据维度空间为切入口，将数据维度空间按最大熵原则分为若干个维度簇，处在同一组维度簇中的数据形成微簇，实现数据流的实时聚类；该算法能够有效减少传统密度网格算法中无效网格产生数量，大大提高了运算的效率；同时，该算法通过设置维度簇相似度的方法有效解决传统密度算法因对扫描半径和密度阈值敏感导致鲁棒性差的问题，能更好适应流数据。

Description

一种基于最大信息熵的化工数据流实时异常检测方法
技术领域
本发明涉及异常检测领域，特别涉及到一种基于最大信息熵的化工数据流实时异常检测方法。
背景技术
异常检测是化工生产监控的一个重要的领域，异常检测的工作机制是异常在数据集中偏离大部分数据，使人怀疑这些数据的偏离并非由随机因素产生，而是产生于完全不同的机制。
化工过程数据流聚类是最近数据挖掘研究领域的新热点之一，它以实时、连续、有序的数据序列方式广泛存在。化工生产监控数据是流数据，它具有数据量大、连续快速、不可预测和短暂易逝等特点，将监控过程中所有的元素全部存储起来是不现实的。因此，处理化工监测数据的算法应该具有低内存消耗，高计算效率和单遍扫描数据等特点，主要表现为以下三点：(1)化工数据流的实时性对算法的响应有严格的要求，通常牺牲一定的精度来提高算法的响应速度；(2)随着化工数据流连续不断地到来，使得对数据的访问只能是一次或是有限次，通常要求在对数据的一次访问中获得较优的解；(3)传统离线化工数据应用中的一些常用操作在数据流中是不可行的。
现有的化工数据流实时异常检测方法很难达到上述要求。因此，有必要研究出一种全新的化工数据流实时异常检测方法，从而解决现有技术的上述缺陷。
发明内容
为了解决上述问题，本发明提出了一种基于最大信息熵的化工数据流实时异常检测方法。
在化工数据流聚类算法以及异常检测方面，本发明提出了一种基于维度簇空间最大信息熵的化工数据流在线实时聚类算法DSC-Stream(The Dimension Space Cluster-Stream)，该算法以数据维度空间为切入口，将数据维度空间按最大熵原则分为若干个维度簇，处在同一组维度簇中的数据形成微簇。其能够有效减少传统密度网格算法中无效网格产生数量，大大提高了运算的效率。另外，该算法通过设置维度簇相似度的方法有效解决传统密度算法因对扫描半径和密度阈值敏感导致鲁棒性差的问题，能更好适应流数据。维度簇半径由维度空间数据按照最大熵原则自动产生，因此DSC-Stream算法更有效、鲁棒性更强。
本发明请求保护一种基于最大信息熵的化工数据流实时异常检测方法，该方法包括如下步骤：
S101，初始化窗口，从数据流读入n个数据，n为滑动窗口宽度；
S102，利用DSC-Stream算法计算微簇信息熵；
该算法的流程具体如下：
S201，从数据不同维度空间计算出各维度组距rj,将数据按各维组距进行分组；
S202，选取维度组列中密度最大组，按照连通原则检测两边维度组相似组；
S203，判断维度组相似度是否大于相似度参数ε；
S204，若条件不满足则产生一个维度簇并结束此次递归，如果维度空间还有未归类数据则重复步骤S202及S203，直到维度空间中所有数据都被处理；
S205，维度空间中维度簇边界按照最大熵原理划分，按照该划分方式将各个维度空间划分成维度簇，同时生成数据维度簇标示数组F；
S206，将各维度都处在同一维度簇的数据集合成簇，生成数据微簇集合mico-P；
S207，根据微簇特征按照不同衰减策略进行衰减；
S208，如果数据流未结束，则继续读入数据，如果数据点不能被原有维度组接收，则生成新的维度组；并重复S202至S207，同时更新数据微簇特征值；
S209，计算微簇信息熵。
S103,将监测变量各个维度的历史数据经阻尼衰减主簇窗口模型处理后，计算历史数据信息熵；
S104,通过比较微簇信息熵与历史数据信息熵大小，以监测所选取指标是否超出阈值，如果超出，系统立即发出警报。
进一步的，微簇集合micro-P的具体定义如下：
micro-P(Pi,βi,αi,flagi)保存在窗口内等待更新或衰减,其中Pi表示微簇中心值，数组βi记录每一个微簇的存在时间，数组αi记录每一个微簇的数据个数,flagi是微簇权重系数。其中num(cji)为取维度j中第i个微簇中数据的个数，num(cj)表示为维度j所包含的所有数据个数；微簇数据个数在整个窗口数据中占有多数即flagi＞1/num(P)或新产生的微簇被称为权重簇，另一种是微簇数据量较为稀少即flagi≤1/num(P)或簇生存时间长的微簇被称为权轻簇。
进一步的，步骤S207中，根据微簇不同，在处理微簇的衰减时分为以下两种策略：(1)权重簇衰减函数为对这类数据需要对其特征进行存储(2)权轻簇，其数据量较小，更新不频繁簇，这类簇的衰减函数为其中λ＞1，αi为微簇i产生时间，αi+1为微簇更新时间。当微簇更新后，将αi+1的值赋予αi，αi+1记录下次微簇更新时间。
进一步的，计算微簇信息熵的具体过程为：
由微簇信息熵公式其中num(cij)为取维度i中第j个微簇中数据的个数，num(cj)表示为维度j所包含的所有数据个数,cij表示维度j中第i个维度簇，根据数据维度簇信息熵求出微簇信息熵输出。
附图说明
图1为DSC-Stream流程图
图2阻尼衰减主簇窗口模型(Damped-landmarkWindowModel)
图3三种算法聚类精度比较
图4算法运行时间对比
图5算法对维度的适应性比较
图6a对TE数据集故障1的测试结果(ε＝0.6)
图6b对TE数据集故障3的测试结果(ε＝0.6)
图6c对TE数据集故障11的测试结果(ε＝0.6)
图6d对TE数据集故障12的测试结果(ε＝0.6)
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明的基于改进动态可见图的过程故障监测方法，包括如下步骤：
S101，初始化窗口，从数据流读入n个数据，n为滑动窗口宽度；
S102，利用DSC-Stream(The Dimension Space Cluster-Stream)算法计算微簇信息熵；
算法流程具体如下：
S201，从数据不同维度空间计算出各维度组距rj,将数据按各维组距进行分组；
S202，选取维度组列中密度最大组，按照连通原则检测两边维度组相似组；
其中，关于连通原则，连通性是指某一维度组到另一维度组之间不包含空维度组(密度为0)则说这两个维度组是连通的；
S203，判断维度组相似度是否大于相似度参数ε；
S204，若条件不满足则产生一个维度簇并结束此次递归，如果维度空间还有未归类数据则重复步骤S202及S203，直到维度空间中所有数据都被处理；
S205，维度空间中维度簇边界按照最大熵原理划分，按照该划分方式将各个维度空间划分成维度簇，同时生成数据维度簇标示数组F；
S206，将各维度都处在同一维度簇的数据集合成簇，生成数据微簇集合mico-P；
微簇集合micro-P(Pi,βi,αi,flagi)保存在窗口内等待更新或衰减,其中Pi表示微簇中心值，数组βi记录每一个微簇的存在时间，数组αi记录每一个微簇的数据个数,flagi是微簇权重系数。其中num(cji)为取维度j中第i个微簇中数据的个数，num(cj)表示为维度j所包含的所有数据个数；微簇数据个数在整个窗口数据中占有多数即flagi＞1/num(P)或新产生的微簇被称为权重簇，另一种是微簇数据量较为稀少即flagi≤1/num(P)或簇生存时间长的微簇被称为权轻簇。根据微簇不同，在处理微簇的衰减及合并时分为以下两种策略：(1)权重簇衰减函数为根据艾宾浩斯研究的遗忘规律，权重数据是主体数据更新快，对这类数据需要对其特征进行存储，虽然显示信息量较低，但由于数量较大所以抗衰减性较强。(2)权轻簇，其数据量较小，更新不频繁簇。因此这类簇的信息量较高，每当权轻簇产生或消失都应引起足够的重视。这类簇的衰减函数为其中λ＞1，αi为微簇i产生时间，αi+1为微簇更新时间。当微簇更新后，将αi+1的值赋予αi，αi+1记录下次微簇更新时间；
S207，根据微簇特征按照不同衰减策略进行衰减；
S208，如果数据流未结束，则继续读入数据，如果数据点不能被原有维度组接收，则生成新的维度组；并重复S202至S207，同时更新数据微簇特征值；
S209，计算微簇信息熵；
其中，计算微簇信息熵的具体过程为：
由微簇信息熵公式其中num(cij)为取维度i中第j个微簇中数据的个数，num(cj)表示为维度j所包含的所有数据个数,cij表示维度j中第i个维度簇，根据数据维度簇信息熵求出微簇信息熵输出。
S103,将监测变量各个维度的历史数据经阻尼衰减主簇窗口模型处理后，计算历史数据信息熵；
S104,通过比较微簇信息熵与历史数据信息熵大小，以监测所选取指标是否超出阈值，如果超出，系统立即发出警报。
本发明的技术效果如下：
实验数据包括真实数据集和仿真数据集，人工数据集在生成时可以控制簇的个数、数据点的维数、数据点个数以及各种分布或进化特性，真实数据集采用KDD-CUP’99网络入侵检测数据集，该数据集由一个局域网中TCP连接的原始记录所构成，各记录含有连接的持续时间、从源到目的传输的字节数等。数据集中每条记录对应于一个正常的连接或者是4种类型的网络攻击之一，如，拒绝服务攻击、非授权访问远程机器攻击等。从42个有效属性中取出34个连续属性，用于数据聚类。将其与D-Stream算法和HPStream算法进行实验对比，对三种聚类算法的精度进行了比较。结果如图2所示。
从图3中可以看出，DSC-Stream的平均聚类精度达到了98％以上，明显优于D-Stream和HPStream算法。这是由于DSC-Stream算法通过自适应维度簇划分子空间，将数据点更合理地分配到了微簇中，提高了聚类精度。
图4表示了三种聚类算法的运行时间对比曲线，DSC-Stream算法的运行时间明显少于D-Stream和HPStream算法，因为DSC-Stream算法采用维度簇，先对数据子空间进行划分有效避免了无用网格的影响，从而提高了运行效率。图5显示了在不同维度数据集下DSC-Stream算法对维度的增加具有更强的适应性，因为DSC-Stream算法在对维度空间进行划分时不考虑不同维度间的影响，同时将对聚类贡献小的维度设置较小权重，无贡献维度不予考虑，故有效降低维度复杂性。
TE过程(Tennessee Eastman Process)是一个实际化工过程的仿真模拟,它是由美国Tennessee Eastman化学公司过程控制小组的J.J.Downs和E.F.Vogel提出的，主要可以被用来进行装置控制方案的设计、多变量控制、优化、模型预测控制、非线性控制、过程故障诊断和教学等。TE过程包括5个主要单元，即反应器，冷凝器，压缩机，分离塔和汽提塔，通过4个反应产生2个产物，同时生成总共8个成分的惰性气体和副产品，分别记为A、B、C、D、E、F、G和H。整个系统包括12个操作变量和41个过程变量(包括22个直接测量变量和19个分析变量)，预设了20个过程故障(其中，故障1-8类型为阶跃变化，故障9-12为随机变化，故障13为缓慢漂移，故障14、15为阀门粘滞，故障16-20为未知)。故障描述如表1所示。采样间隔0.001h，数据集大小为72000×12维和72000×41维数值型数据集，以此检验算法效果。
表1TE过程故障表
故障名称 故障描述 故障类型
故障1 流量4中A/C比率，B恒定 阶跃
故障2 流量4中B变化，A/C比率恒定 阶跃
故障3 流量2中D温度 阶跃
故障4 反应器冷却水进温 阶跃
故障5 冷凝器冷却水进温 阶跃
故障6 流量1中A物料损耗 阶跃
故障7 流量4中C压力损耗 阶跃
故障8 流量4中A、B、C组分变化 阶跃
故障9 流量2中D温度 随机
故障10 流量4中C物料温度 随机
故障11 反应器冷却水温度 随机
故障12 冷凝器冷却水进温 随机
故障13 反应速率 缓慢漂移
故障14 反应器冷却水阀门
故障15 冷凝器冷却水阀门
故障16 未知 未知
故障17 未知 未知
故障18 未知 未知
故障19 未知 未知
故障20 未知 未知
其中图6a、6b是故障1和3，这两种故障是TE中常见的阶跃型故障。从图中可以看到当故障发生时微簇的信息熵有明显跳跃迹象，这完全符合该类故障的特征。图6a故障发生时间在流量为41500处，故障3发生在流量为27526处，故障发生时间与图示相吻合，该类故障检测率达到100％，误报率为0。图6c、6d是TE中另一种常见的随机故障类型，该类故障发生后检测数据分布具有随机性。从图中可以看到当故障发生时微簇的产生比较多，微簇的信息熵分布没有明显的规律性。图6c故障发生时间较为特别，在数据产生时就有故障发生，由于DSC-Stream是无监督学习算法所以在故障之初并不能马上识别故障，但随着数据量的增加从图中我们可以看出聚类结果出现无中心聚类，各微簇信息熵分散分布，这说明此时的数据为非正常数据，在数据流量为30000时，微簇信息熵出现稳定分布，这说明该故障消除，在数据流量为38200时微簇信息熵为零，说明此时数据聚类成一个微簇。图6d故障发生时间为数据流量27500处，从图中可以看到微簇由正常数据到异常数据微簇信息熵有一个短暂的变化过程然后达到故障状态，故障状态下微簇产生较多，信息熵分布分散呈现出随机性，与该故障特性契合。该类故障检测率为100％，误报率约为5％，这是因为该类故障数据产生具有随机性，同时DSC-Stream算法对异常有高度敏感性导致的。图示结果与数据的实际情况符合。TE故障检测FPR、FOR结果如表2所示。
表2TE故障检测结果
故障类型 FPR(误报率) FOR(漏报率)
阶跃故障类型 0 0
随机故障类型 5.2％ 0
漂移故障类型 12.6％ 21.3％
未知故障类型 2.8％ 0
本发明效果证明了所提出的一种基于维度最大熵原理的化工过程监测数据流聚类算法DSC-Stream通过利用最大熵原理和相对相似度的方法有效解决了传统聚类算法中因对参数敏感导致对化工生产监测数据流处理不稳定的问题，有效提高了聚类算法对化工监测流数据的实时处理能力。通过采用维度空间分割方法改进了传统网格产生方法，减少了无用网格的产生数量，有效提高算法的处理效率，解决了网格产生数量与维度的指数关系，优化了算法的性能。利用信息熵将数据异常放大，提高了异常检测能力。通过用标准数据集和TE故障检测的验证，显示了算法的有效性和可行性。
本技术发明可应用于不同的监控数据流类型，比如随机型、阶跃型、离散型、连续型。
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (4)

1.一种基于最大信息熵的化工数据流实时异常检测方法，其特征在于，该方法包括如下步骤：
S101，初始化窗口，从数据流读入n个数据，n为滑动窗口宽度；
S102，利用基于维度簇空间最大信息熵的化工数据流在线实时聚类算法计算微簇信息熵；
该算法的流程具体如下：
S201，从数据不同维度空间计算出各维度组距rj,将数据按各维度组距进行分组；
S202，选取维度组中密度最大组，按照连通原则检测两边维度组相似度；
S203，判断维度组相似度是否大于相似度参数ε；
S204，若条件不满足则产生一个维度簇并结束此次递归，如果维度空间还有未归类数据则重复S202及S203，直到维度空间中所有数据都被处理；
S205，维度空间中维度簇边界按照最大熵原理划分，按照该划分方式将各个维度空间划分成维度簇，同时生成数据维度簇标示数组F；
S206，将各维度都处在同一维度簇的数据集合成簇，生成数据微簇集合micro-P；
S207，根据微簇特征按照不同衰减策略进行衰减；
S208，如果数据流未结束，则继续读入数据，如果数据点不能被原有维度组接收，则生成新的维度组；并重复S202至S207，同时更新数据微簇特征值；
S209，计算微簇信息熵；
S103，将监测变量各个维度的历史数据经阻尼衰减主簇窗口模型处理后，计算历史数据信息熵；
S104，通过比较微簇信息熵与历史数据信息熵大小，以监测所选取指标是否超出阈值，如果超出，系统立即发出警报。
2.如权利要求1所述的方法，其特征在于，微簇集合micro-P的具体定义如下：
micro-P(Pi，βi，θi，flagi)保存在窗口内等待更新或衰减，其中Pi表示微簇中心值，数组βi记录每一个微簇的存在时间，数组θi记录每一个微簇的数据个数，flagi是微簇权重系数；其中num(cji)为取维度j中第i个微簇中数据的个数，num(cj)表示为维度j所包含的所有数据个数；微簇数据个数在整个窗口数据中占有多数即flagi＞1/num(P)或新产生的微簇被称为权重簇，另一种是微簇数据量较为稀少即flagi≤1/num(P)或簇生存时间长的微簇被称为权轻簇，num(P)为微簇P的个数。
3.如权利要求2所述的方法，其特征在于，S207中，根据微簇不同，在处理微簇的衰减时分为以下两种策略：(1)权重簇衰减函数为αi为微簇i产生时间，对这类数据需要对其特征进行存储；
(2)权轻簇，其数据量较小，更新不频繁簇，这类簇的衰减函数为其中λi＞1，αi为微簇i产生时间，αi+1为微簇更新时间；当微簇更新后，将αi+1的值赋予αi，αi+1记录下次微簇更新时间。
4.如权利要求1所述的方法，其特征在于，计算微簇信息熵的具体过程为：由微簇信息熵公式其中num(cij)为取维度i中第j个微簇中数据的个数，num(cj)表示为维度j所包含的所有数据个数,cij表示维度i中第j个微簇，H(Pi)为微簇Pi的信息熵，K为微簇的个数，根据数据维度簇信息熵求出微簇信息熵输出。
CN201510038229.9A 2015-01-26 2015-01-26 一种基于最大信息熵的化工数据流实时异常检测方法 Active CN104517041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510038229.9A CN104517041B (zh) 2015-01-26 2015-01-26 一种基于最大信息熵的化工数据流实时异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510038229.9A CN104517041B (zh) 2015-01-26 2015-01-26 一种基于最大信息熵的化工数据流实时异常检测方法

Publications (2)

Publication Number Publication Date
CN104517041A CN104517041A (zh) 2015-04-15
CN104517041B true CN104517041B (zh) 2017-06-06

Family

ID=52792331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510038229.9A Active CN104517041B (zh) 2015-01-26 2015-01-26 一种基于最大信息熵的化工数据流实时异常检测方法

Country Status (1)

Country Link
CN (1) CN104517041B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3193227B1 (en) * 2016-01-04 2021-02-03 Siemens Aktiengesellschaft Entropy-based validation of sensor measurements
CN107578166A (zh) * 2017-09-01 2018-01-12 哈尔滨理工大学 基于异构递归模式的工业生产过程异常状态检测方法
CN108737399B (zh) * 2018-05-09 2021-02-19 桂林电子科技大学 一种基于角标随机读取的Snort报警数据聚合方法
CN109447107B (zh) * 2018-09-14 2021-08-10 华南理工大学 基于信息熵的办公建筑空调日用能模式异常在线检测方法
CN110852516B (zh) * 2019-11-15 2023-08-29 上海电科智能系统股份有限公司 基于大数据信息熵交通流检测设备数据质量判别方法
CN115208651B (zh) * 2022-07-07 2023-05-26 福建师范大学 基于逆习惯化机制的流聚类异常检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103414711A (zh) * 2013-08-05 2013-11-27 哈尔滨工业大学 基于信任的网络群体异常感知方法
CN104050162A (zh) * 2013-03-11 2014-09-17 富士通株式会社 数据处理方法和数据处理装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050162A (zh) * 2013-03-11 2014-09-17 富士通株式会社 数据处理方法和数据处理装置
CN103414711A (zh) * 2013-08-05 2013-11-27 哈尔滨工业大学 基于信任的网络群体异常感知方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Study of Density-Grid based Clustering Algorithms on Data Streams;Amineh Amini et al.;《2011 Eighth International Conference on Fuzzy Systems and Knowledge Discovery (FSKD)》;20111231;第1652-1656页 *
Tracking High Quality Clusters over Uncertain Data Streams;Chen Zhang et al.;《IEEE International Conference on Data Engineering》;20091231;第1641-1648页 *
一种不确定数据流聚类算法;张晨等;《软件学报》;20100930;第21卷(第9期);第2173-2182页 *
基于时间衰减模型的不确定数据流聚类算法;屠莉等;《基于时间衰减模型的不确定数据流聚类算法》;20140930;第35卷(第9期);第2039-2043页 *

Also Published As

Publication number Publication date
CN104517041A (zh) 2015-04-15

Similar Documents

Publication Publication Date Title
CN104517041B (zh) 一种基于最大信息熵的化工数据流实时异常检测方法
Li et al. LSTM-BA: DDoS detection approach combining LSTM and Bayes
CN102662321A (zh) 一种主元分析监控模型的在线更新方法
Kosek et al. Ensemble regression model-based anomaly detection for cyber-physical intrusion detection in smart grids
CN111091233A (zh) 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法
CN111125895B (zh) 一种风力发电机整机服役功率特性在线评估方法
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
Naderi et al. Toward detecting cyberattacks targeting modern power grids: A deep learning framework
Wang et al. Data-driven prediction method for characteristics of voltage sag based on fuzzy time series
Shi et al. Study of wind turbine fault diagnosis and early warning based on SCADA data
Li et al. STAGED: A spatial-temporal aware graph encoder–decoder for fault diagnosis in industrial processes
CN115293236A (zh) 一种基于混合聚类的电力设备并行故障诊断方法及装置
CN102158372B (zh) 一种分布式系统异常检测方法
Elnour et al. A Machine Learning Based Framework for Real-Time Detection and Mitigation of Sensor False Data Injection Cyber-Physical Attacks in Industrial Control Systems
Zhang et al. Wind turbine condition monitoring based on bagging ensemble strategy and KNN algorithm
CN110650124A (zh) 一种基于多层回声状态网络的网络流量异常检测方法
CN114492578A (zh) 一种基于bp神经网络的电气设备运行数据分类方法
Martinelli et al. A method for intrusion detection in smart grid
CN113689072A (zh) 一种基于马尔科夫链的海上风电机组运行状态评估方法
Chen et al. False data injection attack detection based on wavelet packet decomposition and random forest in smart grid
CN113112091A (zh) 一种基于pca和lstm的核电机组功率预测方法
CN112241812A (zh) 基于单边优化与遗传算法协作的低压配电网拓扑识别方法
Dong et al. Ultra-short term prediction model of wind power generation based on hybrid intelligent method
CN102238044B (zh) 同源僵尸网络判别方法
Syu et al. Fuzzy Electricity Management System with Anomaly Detection and Fuzzy Q-Learning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant