CN111307123B - 一种水情监测数据的实时异常诊断与插补方法 - Google Patents

一种水情监测数据的实时异常诊断与插补方法 Download PDF

Info

Publication number
CN111307123B
CN111307123B CN202010256036.1A CN202010256036A CN111307123B CN 111307123 B CN111307123 B CN 111307123B CN 202010256036 A CN202010256036 A CN 202010256036A CN 111307123 B CN111307123 B CN 111307123B
Authority
CN
China
Prior art keywords
data
variable
real
monitoring data
time
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
CN202010256036.1A
Other languages
English (en)
Other versions
CN111307123A (zh
Inventor
雷晓辉
张召
郭一伟
田雨
王超
王浩
黄鑫
乔雨
靳燕国
丁武
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.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202010256036.1A priority Critical patent/CN111307123B/zh
Publication of CN111307123A publication Critical patent/CN111307123A/zh
Application granted granted Critical
Publication of CN111307123B publication Critical patent/CN111307123B/zh
Priority to GB2201926.9A priority patent/GB2601261B/en
Priority to US17/625,639 priority patent/US20230015731A1/en
Priority to PCT/CN2021/080037 priority patent/WO2021197009A1/zh
Priority to JP2022503556A priority patent/JP7333862B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Hydrology & Water Resources (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种水情监测数据的实时异常诊断与插补方法，涉及水情监测技术领域，该方法包括以下步骤：获取水情监测数据，绘制箱型图，基于箱型图实时识别诊断异常数据；对预测变量相关的其他变量进行灰色关联分析；构建BP神经网络模型并训练，应用BP神经网络模型对水情监测数据进行实时预测，并进行异常诊断及数据插补，采用该方法可以有效提高水情监测数据的实时预测和监测，对于异常数据能够及时诊断、插补，从而可以提高数据的可靠性、客观反映水情变化、有效指导工程调度。

Description

一种水情监测数据的实时异常诊断与插补方法
技术领域
本发明涉及水情监测技术领域，尤其涉及一种水情监测数据的实时异常诊断与插补方法。
背景技术
随着各类监测设备在水利行业的广泛应用，已建成的明渠调水工程均形成了覆盖水位、流量、流速等水情要素的全方位监测体系。然而，受设备故障、传输中断、人为扰动、环境变化等多种因素影响，监测数据中容易产生异常值(包括未监测的缺失值)。该问题直接导致监测数据质量下降，进而影响调度决策。因此，及时识别异常数据并采用合理数据填补纠正，对提高数据的可靠性、客观反映水情变化、有效指导工程调度具有重要的应用价值和科学意义。
利用规则诊断异常数据的方法往往会包含较大的主观因素，存在诊断标准不统一的问题。传统的拉格朗日插值、牛顿插值等数值方法更适用于数据的内插，对缺失值(未监测的缺失值和被剔除的异常值)前后时段数据的完整性要求很高，应用于监测数据的实时插补会受到较大限制。因此，快速有效地识别异常数据，并利用合理数据实时插补，是明渠调水工程水情监测有待解决的的关键问题。
因此，亟待找到一种水位预测与控制的方法以解决上述技术问题。
发明内容
本发明的目的在于提供一种水情监测数据的实时异常诊断与插补方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种水情监测数据的实时异常诊断与插补方法，包括以下步骤：
S1，获取水情监测数据，绘制箱型图，基于箱型图实时识别诊断异常数据；
S2，对预测变量相关的其他变量进行灰色关联分析；
S3，构建BP神经网络模型并训练，模型输入为灰色关联分析法比选的高关联度变量，输出为预测变量；
S4，应用BP神经网络模型实时预测。
优选地，步骤S1具体包括：选取持续两天的水情监测数据为2小时水情监测数据绘制箱型图，描绘出所述数据的离散分布情况，并以离散数据的四分位数和四分位距作为判断异常值的标准，以识别检测数据中的异常值。
优选地，判断异常值的标准具体为：以数据小于Q1-1.5QR或大于Q3+1.5QR作为异常数据的判断标准，其中Q1为第一四分位数，Q3为第三四分位数，QR为四分位距：QR＝Q3-Q。
优选地，步骤S2具体包括：
S21，根据预测变量的性质和特征，选取能够影响、反映预测变量的其他变量，进行灰色关联分析；
S22，对选定的进行灰色关联分析的变量进行无量纲化处理，以使物理意义不同、数据量纲不同的各变量便于比较；
S23,计算各个相关变量的灰色关联系数ξ，该系数表征各相关变量和预测变量在某时刻的差异，简化公式：
Figure BDA0002437355940000021
其中，ζ0i是关联系数；ρ为分辨系数，一般在0～1之间，通常取0.5；Δ(min)是二级最小差，Δ(max)是二级最大差；Δ0i(k)为各比较数列上的每一个点与参考数列曲线上的每一个点的绝对差值；
S24,计算各个相关变量的关联度，将各时刻的关联系数集中为一个值，即：
Figure BDA0002437355940000031
其中，ri是比较数列对参考数列的灰关联度，ri值越接近1，说明相关性越好。ξi是步骤(3)中计算的关联系数；
S25，将各相关变量对预测变量的关联度排序，反映出各相关变量和预测变量的相关性大小。
优选地，预测变量指水情实时监测数据，包括节制闸水位、流量。
优选地，步骤S22中的无量纲化处理具体包括：
选取标准化方法，对选取变量的原始数据进行线性变换，定义minA和maxA分别为变量A的最小值和最大值，将A的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，则x'为原始值x的无量纲化后的结果。
优选地，步骤S3中BP神经网络模型中的高关联度变量为关联系数最大的变量。
优选地，步骤S3中建立的BP神经网络模型是：
以高关联度变量的历史监测数据作为模型输入，以预测变量的历史监测数据作为模型输出，利用Matlab神经网络工具箱构建误差反传-信息前馈神经网络模型，并对构建的网络模型进行训练；
所述训练数据至少包含高关联度变量的时间跨度满一年的2小时数据。
优选地，将步骤1中水情监测数据的2小时时间序列数据作为BP神经网络模型输入，应用于步骤S3中训练完成的BP神经网络模型，输出的预测变量值即是实时异常值的修正值。
本发明的有益效果是：
本发明公开了一种水情监测数据的实时异常诊断与插补方法，获取水情监测数据，绘制箱型图，基于箱型图实时识别诊断异常数据；对预测变量相关的其他变量进行灰色关联分析；构建BP神经网络模型并训练，应用BP神经网络模型对水情监测数据进行实时预测，并进行异常诊断及数据插补，采用该方法可以有效提高水情监测数据的实时预测和监测，对于异常数据能够及时诊断、插补，从而可以提高数据的可靠性、客观反映水情变化、有效指导工程调度。
附图说明
图1是实施例1中的水情监测数据的实时异常诊断与插补方法流程示意图；
图2是实施例2中箱型图识别诊断节制闸水位数据异常值结果；
图3是实施例2中采用BP神经网络模型对节制闸的闸前水位进行插补后节制闸水位数据异常值结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
实施例1
本实施例提供一种水情监测数据的实时异常诊断与插补方法，具体包括以下步骤：
步骤1，基于箱型图分析法实时识别诊断异常数据。
明渠调水工程中的监测数据的采集频次可精确到秒级，但秒级监测数据受到明渠调水工程水情数据的实时波动干扰，不利于指导工程调度。受到明渠调水工程中河渠水力特性、工程运行时期、人员劳动强度等多种因素影响，明渠调水工程的水情监测频率并非越高越好，实际调度工作中，2小时水情监测数据稳定性高、连续性好，能够客观反映水情变化、有效指导工程调度，因此选取2小时水情监测数据绘制箱型图，实时识别诊断异常数据。
为避免数据分布范围过大影响异常值实时识别诊断，选取绘制箱型图的水情监测数据不宜过多，持续时段不应过长。本实施例中选取持续两天的2小时水情观测数据绘制箱型图，描绘出数据的离散分布情况，并以四分位数和四分位距作为判断异常值的标准，可以直观地识别数据中的异常值。同时，箱型图的形状反映数据的偏态和质量，偏态表示偏离程度，尾部越重说明异常值越多，数据质量越差。
步骤2，对预测变量相关的其他变量进行灰色关联分析。
(1)根据预测变量的性质和特征，选取能够影响、反映预测变量的其他变量，进行灰色关联分析。
(2)对选定的进行灰色关联分析的变量进行无量纲化处理，以使物理意义不同、数据量纲不同的各变量便于比较。
(3)计算各个相关变量的灰色关联系数ξ，该系数表征各相关变量和预测变量在某时刻的差异，简化公式：
Figure BDA0002437355940000051
其中，ξ0i是关联系数；ρ为分辨系数，一般在0～1之间，通常取0.5；Δ(min)是二级最小差，Δ(max)是二级最大差；Δ0i(k)为各比较数列上的每一个点与参考数列曲线上的每一个点的绝对差值；
(4)计算各个相关变量的关联度，将各时刻的关联系数集中为一个值，即：
Figure BDA0002437355940000052
ri是比较数列对参考数列的灰关联度，ri值越接近1，说明相关性越好，ξi是步骤(3)中计算的关联系数；
(5)关联度排序
将各相关变量对预测变量的关联度排序，反映出各相关变量和预测变量的相关性大小。
步骤3，构建BP神经网络模型并训练，模型的输入为灰色关联分析法比选的高关联度变量，输出为预测变量。
通过误差反传-信息前馈神经网络模型，构建BP神经网络并训练。明渠调水工程的实际调度工作中，2小时水情监测数据稳定性高、连续性好，能够客观反映水情变化、有效指导工程调度。同时，由于调水工程的调度计划存在着明显的年周期性，因此在选取数据进行训练时，训练数据应至少包含高关联度变量的时间跨度满一年的2小时数据。
BP网络模型训练方法属于已有技术，在此不作赘述。
步骤4，应用BP神经网络模型实时预测。
当步骤1中箱型图法识别诊断出调水工程水情监测数据中的异常值时，将相关变量的2小时时间序列数据作为输入，应用于步骤3中训练完成的BP神经网络模型，输出的预测变量值即是实时异常值的修正值。通过BP网络模型实时预测并修正异常数据，提高了数据质量，实时反映真实水情。
实施例2
本实施例采用一个具体的实施例，以南水北调中线为例，按照实施例1中的描述方法，对明渠调水工程水情监测数据进行实时异常诊断与插补。
南水北调中线工程全长1432公里，多年平均调水量95亿立方米，包含97个分水口，对接293个水厂，是连接丹江口水库与京、津、冀、豫四省市的大动脉和生命线。全线主要以明渠输水为主，运行工况多变，联调难度大，调度目标多，失误容许度小。及时识别异常数据并采用合理数据填补纠正，对提高数据的可靠性、客观反映水情变化、有效指导工程调度具有重要的应用价值和科学意义。
受到明渠调水工程中河渠水力特性、工程运行时期、人员劳动强度等多种因素影响，明渠调水工程的水情监测频率多为2小时。选取研究的观测数据为磁河倒虹吸节制闸1#闸门2小时闸前水位观测数据，研究时段为2018年3月1日0时-2018年7月31日24时。分别对所选取的每2天的闸前水位监测数据绘制成箱型图，实时识别诊断异常数据，模拟结果图2。
选取能够反映当前节制闸闸前水位或对其造成影响的其他变量进行灰色关联分析。选取研究的相关变量包括上游节制闸流量数据、当前节制闸闸前水位、当前节制闸闸后水位、当前节制闸闸孔开度、上游河段分水流量数据等，分析结果表1：
表1当前节制闸闸前水位灰色关联分析结果
Figure BDA0002437355940000071
分析结果表明当前节制闸闸前、闸后水位与预测变量的关联度最强，选取其作为输入构建BP神经网络模型。明渠调水工程中水情监测频率多为2小时，并且调度指令具有年周期性，因此选取时间跨度满一年的2小时闸前、闸后水位数据进行模型训练，并对当前节制闸的闸前水位进行预测，模拟结果如图3所示。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明公开了一种水情监测数据的实时异常诊断与插补方法，获取水情监测数据，绘制箱型图，基于箱型图实时识别诊断异常数据；对预测变量相关的其他变量进行灰色关联分析；构建BP神经网络模型并训练，应用BP神经网络模型对水情监测数据进行实时预测，并进行异常诊断及数据插补，采用该方法可以有效提高水情监测数据的实时预测和监测，对于异常数据能够及时诊断、插补，从而可以提高数据的可靠性、客观反映水情变化、有效指导工程调度。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (7)

1.一种水情监测数据的实时异常诊断与插补方法，其特征在于，包括以下步骤：
S1，获取水情监测数据，绘制箱型图，基于箱型图实时识别诊断异常数据；
S2，对预测变量相关的其他变量进行灰色关联分析；
S3，构建BP神经网络模型并训练，模型输入为灰色关联分析法比选的高关联度变量，输出为预测变量；
S4，应用BP神经网络模型对水情监测数据进行实时预测，并进行异常诊断及数据插补；
步骤S1具体包括：选取持续两天的水情监测数据为2小时水情监测数据绘制箱型图，描绘出所述数据的离散分布情况，并以离散数据的四分位数和四分位距作为判断异常值的标准，以识别检测数据中的异常值；
步骤S2具体包括：
S21，根据预测变量的性质和特征，选取能够影响、反映预测变量的其他变量，进行灰色关联分析；
S22，对选定的进行灰色关联分析的变量进行无量纲化处理，以使物理意义不同、数据量纲不同的各变量便于比较；
S23,计算各个相关变量的灰色关联系数ξ，该系数表征各相关变量和预测变量在某时刻的差异，简化公式：
Figure FDA0002734724600000011
其中，ξ0i是关联系数；ρ为分辨系数，一般在0～1之间，通常取0.5；Δ(min)是二级最小差，Δ(max)是二级最大差；Δ0i(k)为各比较数列上的每一个点与参考数列曲线上的每一个点的绝对差值；
S24,计算各个相关变量的关联度，将各时刻的关联系数集中为一个值，即：
Figure FDA0002734724600000021
其中，ri是比较数列对参考数列的灰关联度，ξi是步骤(3)中计算的关联系数；
S25，将各相关变量对预测变量的关联度排序，反映出各相关变量和预测变量的相关性大小。
2.根据权利要求1所述的水情监测数据的实时异常诊断与插补方法，其特征在于，判断异常值的标准具体为：以数据小于Q1-1.5QR或大于Q3+1.5QR作为异常数据的判断标准，其中Q1为第一四分位数，Q3为第三四分位数，QR为四分位距：QR＝Q3-Q。
3.根据权利要求1所述的水情监测数据的实时异常诊断与插补方法，其特征在于，预测变量指水情实时监测数据，包括节制闸水位、流量。
4.根据权利要求1所述的水情监测数据的实时异常诊断与插补方法，其特征在于，步骤S22中的无量纲化处理具体包括：
选取标准化方法，对选取变量的原始数据进行线性变换，定义minA和maxA分别为变量A的最小值和最大值，将A的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，则x'为原始值x的无量纲化后的结果。
5.根据权利要求1所述的水情监测数据的实时异常诊断与插补方法，其特征在于，步骤S3中BP神经网络模型中的高关联度变量为关联系数最大的变量。
6.根据权利要求1所述的水情监测数据的实时异常诊断与插补方法，其特征在于，步骤S3中建立的BP神经网络模型是：
以高关联度变量的历史监测数据作为模型输入，以预测变量的历史监测数据作为模型输出，利用Matlab神经网络工具箱构建误差反传-信息前馈神经网络模型，并对构建的网络模型进行训练；
所述训练数据至少包含高关联度变量的时间跨度满一年的2小时数据。
7.根据权利要求1所述的水情监测数据的实时异常诊断与插补方法，其特征在于，将步骤1中水情监测数据的2小时时间序列数据作为BP神经网络模型输入，应用于步骤S3中训练完成的BP神经网络模型，输出的预测变量值即是实时异常值的修正值。
CN202010256036.1A 2020-04-02 2020-04-02 一种水情监测数据的实时异常诊断与插补方法 Active CN111307123B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010256036.1A CN111307123B (zh) 2020-04-02 2020-04-02 一种水情监测数据的实时异常诊断与插补方法
GB2201926.9A GB2601261B (en) 2020-04-02 2021-03-10 Real-time abnormal diagnosis and interpolation method for water regimen monitoring data
US17/625,639 US20230015731A1 (en) 2020-04-02 2021-03-10 Real-time abnormity-diagnosing and interpolation method for water regime-monitoring data
PCT/CN2021/080037 WO2021197009A1 (zh) 2020-04-02 2021-03-10 一种水情监测数据的实时异常诊断与插补方法
JP2022503556A JP7333862B2 (ja) 2020-04-02 2021-03-10 水環境監視データのための実時間異常診断及び補間方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010256036.1A CN111307123B (zh) 2020-04-02 2020-04-02 一种水情监测数据的实时异常诊断与插补方法

Publications (2)

Publication Number Publication Date
CN111307123A CN111307123A (zh) 2020-06-19
CN111307123B true CN111307123B (zh) 2021-03-02

Family

ID=71150063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010256036.1A Active CN111307123B (zh) 2020-04-02 2020-04-02 一种水情监测数据的实时异常诊断与插补方法

Country Status (5)

Country Link
US (1) US20230015731A1 (zh)
JP (1) JP7333862B2 (zh)
CN (1) CN111307123B (zh)
GB (1) GB2601261B (zh)
WO (1) WO2021197009A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111307123B (zh) * 2020-04-02 2021-03-02 中国水利水电科学研究院 一种水情监测数据的实时异常诊断与插补方法
CN111984930A (zh) * 2020-08-19 2020-11-24 河海大学 一种地下水水位监测数据异常值识别方法及系统
CN113962320A (zh) * 2021-10-29 2022-01-21 中国地质环境监测院(自然资源部地质灾害技术指导中心) 地下水监测数据处理方法及装置
CN114061814B (zh) * 2021-11-22 2023-06-20 西安科技大学 一种煤矿采动工作面顶板水情实时动态监测试验装置
CN114236645B (zh) * 2021-11-26 2022-07-26 中国水利水电科学研究院 一种大规模降雨监测异常站点筛查方法
CN114593792A (zh) * 2022-03-29 2022-06-07 中国水利水电科学研究院 一种地下水水位监测方法和装置、存储介质
CN115760484A (zh) * 2022-12-07 2023-03-07 湖北华中电力科技开发有限责任公司 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质
CN117370906B (zh) * 2023-08-21 2024-05-10 长江生态环保集团有限公司 基于单点和时间序列异常检测的爆管检测及性能评估方法
CN116933982B (zh) * 2023-09-15 2023-11-28 北京金水永利科技有限公司 一种降雨对河流水质影响的评估方法及系统
CN117473876A (zh) * 2023-12-08 2024-01-30 中国水利水电科学研究院 一种融合shap方法和基因表达式编程的闸群联控方法
CN117574102B (zh) * 2024-01-17 2024-04-05 山东华中重钢有限公司 基于大数据分析的钢结构疲劳寿命预测方法
CN118053127B (zh) * 2024-04-16 2024-06-21 山东瑞福锂业有限公司 一种工业设备状态监控管理方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6376831B1 (en) * 2000-02-24 2002-04-23 The United States Of America As Represented By The Secretary Of The Navy Neural network system for estimating conditions on submerged surfaces of seawater vessels
US20080208782A1 (en) * 2004-07-28 2008-08-28 William Weiss Imbibition gas well stimulation via neural network design
CN101634721B (zh) * 2009-04-15 2011-08-31 华东师范大学第二附属中学 一种基于历史数据的台风水灾智能预警系统
CN102418518A (zh) * 2011-04-12 2012-04-18 北京师范大学 神经网络模拟交会图识别油层水淹级别的方法
CN103175513B (zh) 2013-03-01 2013-11-06 戴会超 水利工程影响下基于物联网的流域水文水质监控系统及方法
CN106355540A (zh) 2016-09-18 2017-01-25 三峡大学 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法
JP6125137B1 (ja) * 2016-11-17 2017-05-10 三菱電機株式会社 水位計測装置及び水位計測方法
CN108507544A (zh) * 2018-04-12 2018-09-07 河海大学 一种新的水文预测模型
CN108596507B (zh) * 2018-05-04 2021-09-24 大连理工大学 一种海上养殖网箱的受灾破坏预警方法
CN109615124B (zh) 2018-11-29 2022-12-30 中国铁路总公司 一种基于深度学习的scada主站负荷预测方法
CN109826593A (zh) * 2018-12-25 2019-05-31 内江师范学院 基于bp神经网络的储层气体钻井安全风险分析系统
CN110196456A (zh) * 2019-05-31 2019-09-03 河海大学 一种基于相似年灰色关联分析的中长期降雨径流预报方法
CN110570013B (zh) * 2019-08-06 2023-04-07 山东省科学院海洋仪器仪表研究所 一种单站位在线波周期数据的预测诊断方法
CN110530650B (zh) * 2019-09-05 2021-04-20 哈尔滨电气股份有限公司 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法
CN111307123B (zh) * 2020-04-02 2021-03-02 中国水利水电科学研究院 一种水情监测数据的实时异常诊断与插补方法

Also Published As

Publication number Publication date
GB2601261A (en) 2022-05-25
CN111307123A (zh) 2020-06-19
US20230015731A1 (en) 2023-01-19
JP2022541297A (ja) 2022-09-22
WO2021197009A1 (zh) 2021-10-07
GB2601261B (en) 2024-05-15
JP7333862B2 (ja) 2023-08-25
GB202201926D0 (en) 2022-03-30

Similar Documents

Publication Publication Date Title
CN111307123B (zh) 一种水情监测数据的实时异常诊断与插补方法
CN104537034B (zh) 基于时间序列分析的输变电设备的状态监测数据清洗方法
CN113516310B (zh) 一种变压器故障预警方法及系统
CN116595327B (zh) 水闸变形监测数据预处理系统及方法
CN113539382B (zh) 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统
CN111754034A (zh) 一种基于混沌优化神经网络模型的时间序列预测方法
CN112149877B (zh) 多元复杂城市电网多源数据驱动的故障预测方法及其系统
CN112836941A (zh) 一种煤电机组汽轮机高加系统在线健康状况评估方法
CN111639111A (zh) 面向调水工程的多源监测数据深度挖掘和智能分析方法
CN115294671A (zh) 一种空压机出口压力预测方法和预测系统
CN109032117A (zh) 基于arma模型的单回路控制系统性能评价方法
CN115374938A (zh) 一种基于XGBoost的配电网电压预测方法
CN109523077B (zh) 一种风电功率预测方法
Zhou et al. Anode effect prediction of aluminum electrolysis using GRNN
CN115828744A (zh) 一种白光发光二极管故障在线诊断与寿命预测方法
CN116662925A (zh) 一种基于加权稀疏神经网络工业过程软测量方法
Wang et al. Failure rate prediction based on AR model and residual correction
CN110866652B (zh) 一种基于lstm模型的在线pmu数据纠错方法及系统
CN112132428A (zh) 基于大数据的蒸汽热网配汽站预测性调控决策方法
CN110516323A (zh) 一种基于时序分析的压力管道损伤预测方法
Wang et al. Multimode process fault detection method based on variable local outlier factor
CN111780149B (zh) 火力发电厂制粉系统设备状态远程诊断方法
CN117634652B (zh) 基于机器学习的大坝变形可解释预测方法
CN117672403A (zh) 一种电力变压器油中溶解气体浓度趋势预测方法
Li et al. Research on Prediction of Press-Assembly Quality Based on Grey Markov Model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Wang Hao

Inventor after: Ding Wu

Inventor after: Lei Xiaohui

Inventor after: Zhang Zhao

Inventor after: Guo Yiwei

Inventor after: Tian Yu

Inventor after: Wang Chao

Inventor after: Huang Xin

Inventor after: Qiao Yu

Inventor after: Jin Yanguo

Inventor before: Lei Xiaohui

Inventor before: Ding Wu

Inventor before: Zhang Zhao

Inventor before: Guo Yiwei

Inventor before: Tian Yu

Inventor before: Wang Chao

Inventor before: Wang Hao

Inventor before: Huang Xin

Inventor before: Qiao Yu

Inventor before: Jin Yanguo

CB03 Change of inventor or designer information