CN111340063B - 一种磨煤机数据异常检测方法 - Google Patents

一种磨煤机数据异常检测方法 Download PDF

Info

Publication number
CN111340063B
CN111340063B CN202010083686.0A CN202010083686A CN111340063B CN 111340063 B CN111340063 B CN 111340063B CN 202010083686 A CN202010083686 A CN 202010083686A CN 111340063 B CN111340063 B CN 111340063B
Authority
CN
China
Prior art keywords
data
forest
abnormal
detection
local
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
CN202010083686.0A
Other languages
English (en)
Other versions
CN111340063A (zh
Inventor
高彦超
刘曙元
吴菲
孙宇笛
关胜杰
李志强
肖荣
夏绍标
张宏尉
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.)
Guoneng Xinkong Internet Technology Co Ltd
Original Assignee
Guoneng Xinkong Internet Technology Co Ltd
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 Guoneng Xinkong Internet Technology Co Ltd filed Critical Guoneng Xinkong Internet Technology Co Ltd
Priority to CN202010083686.0A priority Critical patent/CN111340063B/zh
Publication of CN111340063A publication Critical patent/CN111340063A/zh
Application granted granted Critical
Publication of CN111340063B publication Critical patent/CN111340063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本申请公开了一种磨煤机数据异常检测方法，包括构建孤立森林检测模型并获得初步异常检测结果；基于初步异常检测结果，构建LOF模型并检测出设备运行的异常数据。本申请对混合数据的离群点检测算法做了改进，提出了基于孤立森林和局部异常因子LOF相结合的两阶段的离群点检测算法；基于孤立森林方法的检测结果，采用局部异常因子LOF方法检测出离群点，提高了离群点检测的精度，并能够辅助系统检测出异常数据。

Description

一种磨煤机数据异常检测方法
技术领域
本发明属于电厂磨煤机运行数据分析技术领域，涉及一种磨煤机数据异常检测技术，尤其涉及一种基于集成分析的磨煤机运行异常数据检测方法。
背景技术
磨煤机在整个电厂资源的供求中占有重要的地位，其工作状态的稳定性对锅炉、发电机、汽轮机等主要设备的影响至关重要，因此，异常检测是磨煤机运行检测的重要问题。异常检测问题的研究集中为某个具体的特定应用场景为目标进行的，例如电厂异常数据检测、机组故障检测。通常应用场景中都存在着异常重要性分布不均的问题，如何刻画异常的重要性，并设计能灵活处理不同重要性异常的检测模型，成为一个重要的问题。
学术界和工业界已经存在多种处理异常检测问题的方法，大部分基于机器学习的异常检测研究都关注单一模型，单一模型在拟合能力上存在一定的不足。目前，传统常用的异常值检测算法主要有基于密度的、基于距离的、基于统计的离群点检测方法等。这些方法都是针对具体的数据对象集提出的，而生产运行中存在的数据对象，通常既有数值属性又有分类属性，但大多数的离群点检测算法只能分析数值属性或分类属性。
由于传统的离群点检测算法不能处理具有混合属性的数据，以及现有的混合属性离群点检测算法大多检测质量不高等问题。本申请是基于孤立森林(isolation forest或IForest)和局部异常因子(Local Outlier Factor，LOF)检测相结合的集成分析方法，创造性地提出了磨煤机运行异常数据检测的新思路和新方法。
发明内容
为解决现有技术中的不足，本申请对混合数据的离群点检测算法做了改进，提出了基于孤立森林和局部异常因子LOF相结合的两阶段的离群点检测算法；基于孤立森林方法的检测结果，采用局部异常因子LOF方法检测出离群点，提高了离群点检测的精度，并能够辅助系统检测出异常数据。
为了实现上述目标，本申请采用如下技术方案：
一种磨煤机数据异常检测方法，所述方法包括以下步骤：
步骤一：构建孤立森林检测模型并获得初步异常检测结果；
步骤二：基于初步异常检测结果，构建局部异常因子模型并检测出设备运行的异常数据。
本发明进一步包括以下优选方案：
优选地，步骤一所述构建孤立森林检测模型并获得初步异常检测结果，包括以下步骤：
步骤1：获取训练数据；
步骤2：基于实际需要和专家意见，筛选得到目标设备下的若干指标，组成训练数据；
步骤3：根据筛选指标后的训练数据，应用统计方法对空值进行填补清洗；
步骤4：采用交互验证方法划分步骤3得到的训练数据；
步骤5：孤立森林训练划分的数据，寻找最佳检测参数并获得初步异常检测结果。
优选地，步骤1所述获取训练数据，包括以下步骤：
步骤101：在电厂系统数据库里，查找目标设备以及目标设备下的所有指标信息；
步骤102：按照一定的取数间隔，选取目标设备在运行状态下的历史数据；
步骤103：预处理选取的历史数据，去除系统原因导致某些值缺失的记录，从而得到训练数据。
优选地，步骤2筛选指标后得到的训练数据，每条训练数据均代表设备的一个运行状态，并且每条训练数据中的各个指标值均为同一时刻的采样值。
优选地，所述步骤5中，孤立森林采用构建二叉树森林再进行中序遍历计算叶子结点平均深度的方式来寻找异常数据。
优选地，步骤5所述孤立森林训练划分的数据，寻找最佳检测参数并获得初步异常检测结果，包括以下步骤：
步骤501：从划分的数据中随机选择若干个样本，递归构建二叉搜索树；
步骤502：基于二叉搜索树，构建二叉树森林；
步骤503：递归中序遍历计算二叉树森林中二叉搜索树的路径深度，进行样本预测；
步骤504：基于步骤503的结果，计算离群点偏离值，得到偏离期望和方差的异常数据点。
优选地，步骤501中，递归构建二叉搜索树，将小于当前根结点的样本放入左子结点，将大于当前根结点的样本放入右子结点，直到二叉搜索树已经达到限定深度或者仅剩一个样本。
优选地，步骤504中，计算离群点偏离值，二叉树森林中所有样本路径深度计算完毕后，通过运用统计学的方法计算得出所有数据样本期望值和方差，得到偏离期望和方差的异常数据点。
优选地，步骤二所述基于初步异常检测结果，构建局部异常因子模型并检测出设备运行的异常数据，包括以下步骤：
步骤1：获取初步异常检测结果，将孤立森林检测模型输出数据作为局部异常因子模型输入数据；
步骤2：采用交互验证方法划分局部异常因子模型输入数据；
步骤3：利用局部异常因子对划分后的局部异常因子模型输入数据进行建模，检测局部异常数据；
步骤4：进行局部异常因子模型计算，检测出磨煤机设备运行异常数据。
本申请所达到的有益效果：
本申请磨煤机数据异常检测方法基于孤立森林和局部离群因子LOF相结合的两阶段的离群点检测算法和传统的离群点检测算法相比，具有以下优势：
1.本申请为磨煤机运行异常数据检测提供了新思路，运用孤立森林方法具有有较低的时间复杂度，能够有效处理高维和海量数据，比传统异常检测算法具有更好的预测效果；
2.本申请在孤立森林基础上运用局部异常因子LOF方法，该方法将数据点q与周围k点相结合进行分析，使最终获得的离群因子值更加合理，降低了密度极大值和密度极小值对整体数据的影响；且采用数值的形式表示数据点的离群程度，更易于理解；另外，该方法只需设置一个参数k，易于操作和实现；
3.本申请是基于孤立森林和LOF算法的结合。如果单独用LOF方法可以准确的发现局部异常点，但是LOF的复杂度较高，无法快速的做异常检测，对于实时性要求较高的应用是瓶颈；而基于集成方法的孤立森林算法，只有线性的复杂度，但同样具有精确的异常检测效果。本申请提出使用孤立森林和局部异常因子结合方法做异常检测，能够有效提高异常检测数据精度。
附图说明
图1是本申请一种磨煤机数据异常检测方法的流程图；
图2是本申请实施例中构建孤立森林模型的流程图；
图3是本申请实施例中构建LOF模型的流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
本申请的一种磨煤机数据异常检测方法，充分挖掘了相关指标的大量历史信息，并建立了数据指标波动规律，可以实时检测设备运行异常数据，包括以下步骤：
如图1所示，步骤一：构建孤立森林检测模型并获得初步异常检测结果，包括以下步骤：
如图2所示，步骤1：获取训练数据，包括以下步骤：
步骤101：在电厂系统数据库里，查找目标设备以及目标设备下的所有指标信息；
步骤102：按照一定的取数间隔，选取目标设备在运行状态下的历史数据；
步骤103：预处理选取的历史数据，去除系统原因导致某些值缺失的记录，从而得到训练数据。
步骤2：基于实际需要和专家意见，筛选得到目标设备下的若干指标，组成训练数据；
实施例中，由于电厂设备各异，涉及到的指标类别各不相同，指标数量也参差不齐，实际工作中分析指标预测问题，要具体设备具体分析，只有这样才能更加准确地探索设备的运行规律，进而寻找参数使设备达到最佳运行状态，降低损耗，增加设备运行异常监控准确率。
对于某个设备，由于指标数量达到几十个甚至上百个，其中存在明显不相关的、独立的指标，要根据专家意见，予以排除，从而提高模型的运行效率；去除其他干扰因素，增加模型结果的准确性。最终得到某个设备下若干个指标，组成训练数据。
假设最终得到某个设备下N个指标，M条记录，则第m条的记录可以看作一个N维的向量，可表示为：Xm＝[xm1，xm2，…xmN]，则该训练数据应当为M*N的矩阵形式，具体形式如下：
实施例中，步骤2筛选指标后得到的训练数据，每条训练数据均代表设备的一个运行状态，并且每条训练数据中的各个指标值均为同一时刻的采样值。
步骤3：根据筛选指标后的训练数据，应用统计方法对空值进行填补清洗；
步骤4：采用交互验证方法划分步骤3得到的训练数据；
实施例中，为了充分地挖掘训练数据、模拟指标在设备运行间的规律，采用交互验证方法，按照“二八原则”划分步骤3得到的训练数据，将80％用作训练，20％用作检验。
步骤5：孤立森林训练划分的数据，寻找最佳检测参数并获得初步异常检测结果；
在孤立森林中，异常被定义为“容易被孤立的离群点(more likely to beseparated)”，可以将其理解为分布稀疏且离密度高的群体较远的点。孤立森林是一种适用于连续数据(Continuous numerical data)的无监督异常检测方法，即不需要有标记的样本来训练，但特征需要是连续的。
孤立森林算法属非监督学习算法，不需要定义参数模型和进行历史训练样本，由iTree(isolation tree)组成，构建过程是一个完全随机的过程，并且是不放回抽样。
本申请实施例中，孤立森林采用构建二叉树森林再进行中序遍历计算叶子结点平均深度的方式来寻找异常数据，具体地：
通过采用多次迭代的方式构建二叉搜索树(Binary Search Tree)，然后将这些二叉搜索树组成森林，通过设定二叉搜索树的深度、树的深度与子样本数量的关系，将多颗树组成一个森林，进而寻找异常数据，包括以下步骤：
步骤501：从训练数据中随机选择若干个样本，递归构建二叉搜索树iTree：
首先从训练数据中随机选择X个样本，若iTree已经达到限定深度或者仅剩一个样本，则算法收敛；否则，递归构建二叉搜索树，将小于当前根结点的样本放入左子结点，将大于当前根结点的样本放入右子结点。
步骤502：基于二叉搜索树iTree，构建二叉树森林iForest：
根据样本数据容量迭代重复步骤501过程创建二叉搜索树iTree，并将生成的二叉搜索树iTree组成二叉树森林。
步骤503：递归中序遍历计算二叉树森林iForest中二叉搜索树iTree的路径深度，进行样本预测：
当二叉树森林iForest构建完成后，即可对样本进行预测，预测过程就是对二叉搜索树iTree进行递归中序遍历，记录从根结点到叶子结点的路径深度h(x)。
步骤504：基于步骤503的结果，计算离群点偏离值，当森林中所有样本路径深度h(x)计算完毕后，通过运用统计学的方法计算得出所有数据样本期望值E(h(x))和方差S(h(x))，得到偏离期望和方差的异常数据点。
假设X中有n个点，那这n个点如果用一个二叉搜索树iTree来搜索，平均搜索不成功的路径就等于这n个点的平均路径深度：
对应数据的异常程度表示为：
基于数据的异常程度即可筛选得到偏离期望和方差的异常数据点，组成初步异常检测后的数据集N。
步骤二：基于初步异常检测结果，构建LOF模型并检测出设备运行的异常数据。LOF算法是基于密度距离的异常点检测算法，适合于高维数据检测。其核心思想是离群点处的密度应该较邻域内其他点的密度小，主要计算包括：
(1)k距离：对于点p，将其他点与之距离进行从小到大排序，第k个即为k距离；
(2)k距离邻域：到点p的距离小于等于k距离点，共k个；
(3)可达距离：若到点p的实际距离小于k距离，则为k距离，反之实际距离；
(4)局部可达密度：邻域内点到p点可达距离平均值的倒数。
(5)局部离群因子：领域内点的局部可达密度的均值除以p点的局部可达密度；
局部离群因子(LOF)的大小代表该点为离群点的可信度。即因子越大，该点越可能是离群点。
LOF算法主要是通过比较每个点和其邻域点的密度来判断该点是否为异常点，如果点的密度越低，越可能被认定是异常点。至于密度，LOF对密度的是通过点的第k邻域来计算，而不是全局计算，即“局部”异常因子，这样在做数据检测时不会因为数据密度分散情况不同而错误的将正常点判定为异常点。如图3所示，具体实现包括以下步骤：
步骤1：获取初步异常检测结果，将孤立森林检测模型输出数据N作为LOF模型输入数据；
步骤2：采用交互验证方法，按照“二八原则”划分输入数据，将80％用作训练，20％用作验证处理异常检测结果；
步骤3：利用局部异常因子LOF对划分后的输入数据进行建模，检测局部异常数据；
步骤4：进行LOF模型计算，检测出磨煤机设备运行异常数据。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (3)

1.一种磨煤机数据异常检测方法，其特征在于：
所述方法包括以下步骤：
步骤一：构建孤立森林检测模型并获得初步异常检测结果；
步骤二：基于初步异常检测结果，构建局部异常因子模型并检测出设备运行的异常数据；
其中，步骤一所述构建孤立森林检测模型并获得初步异常检测结果，包括以下步骤：
步骤1：获取训练数据；
步骤2：基于实际需要和专家意见，筛选得到目标设备下的若干指标，组成训练数据；
设最终得到某个设备下N个指标，M条记录，则第m条的记录可以看作一个N维的向量，表示为：Xm＝[xm1，xm2，…xmN]，则训练数据为M*N的矩阵形式：
所述筛选得到目标设备下的若干指标，组成的训练数据中，每条训练数据均代表设备的一个运行状态，并且每条训练数据中的各个指标值均为同一时刻的采样值；
步骤3：根据筛选指标后的训练数据，应用统计方法对空值进行填补清洗；
步骤4：采用交互验证方法划分步骤3得到的训练数据；
步骤5：孤立森林训练划分的数据，寻找最佳检测参数并获得初步异常检测结果；
孤立森林采用构建二叉树森林再进行中序遍历计算叶子结点平均深度的方式来寻找异常数据；
所述孤立森林训练划分的数据，寻找最佳检测参数并获得初步异常检测结果，包括以下步骤：
步骤501：从划分的数据中随机选择若干个样本，递归构建二叉搜索树；
步骤502：基于二叉搜索树，构建二叉树森林；
步骤503：递归中序遍历计算二叉树森林中二叉搜索树的路径深度，进行样本预测；
步骤504：基于步骤503的结果，计算离群点偏离值，得到偏离期望和方差的异常数据点；
步骤504中，计算离群点偏离值，二叉树森林中所有样本路径深度计算完毕后，通过运用统计学的方法计算得出所有数据样本期望值和方差，得到偏离期望和方差的异常数据点；
步骤二所述基于初步异常检测结果，构建局部异常因子模型并检测出设备运行的异常数据，包括以下步骤：
步骤1：获取初步异常检测结果，将孤立森林检测模型输出数据作为局部异常因子模型输入数据；
步骤2：采用交互验证方法划分局部异常因子模型输入数据；
步骤3：利用局部异常因子对划分后的局部异常因子模型输入数据进行建模，检测局部异常数据；
步骤4：进行局部异常因子模型计算，检测出磨煤机设备运行异常数据。
2.根据权利要求1所述的一种磨煤机数据异常检测方法，其特征在于：
步骤1所述获取训练数据，包括以下步骤：
步骤101：在电厂系统数据库里，查找目标设备以及目标设备下的所有指标信息；
步骤102：按照一定的取数间隔，选取目标设备在运行状态下的历史数据；
步骤103：预处理选取的历史数据，去除系统原因导致某些值缺失的记录，从而得到训练数据。
3.根据权利要求1所述的一种磨煤机数据异常检测方法，其特征在于：
步骤501中，递归构建二叉搜索树，将小于当前根结点的样本放入左子结点，将大于当前根结点的样本放入右子结点，直到二叉搜索树已经达到限定深度或者仅剩一个样本。
CN202010083686.0A 2020-02-10 2020-02-10 一种磨煤机数据异常检测方法 Active CN111340063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010083686.0A CN111340063B (zh) 2020-02-10 2020-02-10 一种磨煤机数据异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010083686.0A CN111340063B (zh) 2020-02-10 2020-02-10 一种磨煤机数据异常检测方法

Publications (2)

Publication Number Publication Date
CN111340063A CN111340063A (zh) 2020-06-26
CN111340063B true CN111340063B (zh) 2023-08-29

Family

ID=71181484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010083686.0A Active CN111340063B (zh) 2020-02-10 2020-02-10 一种磨煤机数据异常检测方法

Country Status (1)

Country Link
CN (1) CN111340063B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112000655A (zh) * 2020-08-26 2020-11-27 广东电网有限责任公司广州供电局 一种变压器负荷数据预处理方法、装置和设备
CN112906744B (zh) * 2021-01-20 2023-08-04 湖北工业大学 一种基于孤立森林算法的故障单体电池识别方法
CN112990314B (zh) * 2021-03-16 2023-04-18 中国科学院长春光学精密机械与物理研究所 基于改进孤立森林算法的高光谱图像异常检测方法及装置
CN113327172A (zh) * 2021-05-07 2021-08-31 河南工业大学 一种基于孤立森林的粮情数据离群点检测方法
CN113515450A (zh) * 2021-05-20 2021-10-19 广东工业大学 一种环境异常检测方法和系统
CN114219999B (zh) * 2021-11-05 2024-03-19 华南理工大学 结构外挂装饰板防脱落机器视觉自动监测方法及系统
CN115374851A (zh) * 2022-08-19 2022-11-22 北京市燃气集团有限责任公司 一种燃气数据异常检测方法及装置
CN116842322B (zh) * 2023-07-19 2024-02-23 深圳市精微康投资发展有限公司 一种基于数据处理的电动马达运行优化方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106483942A (zh) * 2016-09-20 2017-03-08 广东家易科技有限公司 一种半导体制造设备和工艺的智能控制系统及方法
CN108776683A (zh) * 2018-06-01 2018-11-09 广东电网有限责任公司 一种基于孤立森林算法和神经网络的电力运维数据清洗方法
CN109859029A (zh) * 2019-01-04 2019-06-07 深圳壹账通智能科技有限公司 异常申请检测方法、装置、计算机设备以及存储介质
CN109934354A (zh) * 2019-03-12 2019-06-25 北京信息科技大学 基于主动学习的异常数据检测方法
US10509847B1 (en) * 2019-02-11 2019-12-17 Sas Institute Inc. Local outlier factor hyperparameter tuning for data outlier detection
CN111710373A (zh) * 2020-07-20 2020-09-25 中科三清科技有限公司 挥发性有机物观测数据的检测方法、装置、设备及介质
CN113515450A (zh) * 2021-05-20 2021-10-19 广东工业大学 一种环境异常检测方法和系统
CN114997256A (zh) * 2022-02-28 2022-09-02 上海电机学院 一种风电场异常功率的检测方法、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106483942A (zh) * 2016-09-20 2017-03-08 广东家易科技有限公司 一种半导体制造设备和工艺的智能控制系统及方法
CN108776683A (zh) * 2018-06-01 2018-11-09 广东电网有限责任公司 一种基于孤立森林算法和神经网络的电力运维数据清洗方法
CN109859029A (zh) * 2019-01-04 2019-06-07 深圳壹账通智能科技有限公司 异常申请检测方法、装置、计算机设备以及存储介质
US10509847B1 (en) * 2019-02-11 2019-12-17 Sas Institute Inc. Local outlier factor hyperparameter tuning for data outlier detection
CN109934354A (zh) * 2019-03-12 2019-06-25 北京信息科技大学 基于主动学习的异常数据检测方法
CN111710373A (zh) * 2020-07-20 2020-09-25 中科三清科技有限公司 挥发性有机物观测数据的检测方法、装置、设备及介质
CN113515450A (zh) * 2021-05-20 2021-10-19 广东工业大学 一种环境异常检测方法和系统
CN114997256A (zh) * 2022-02-28 2022-09-02 上海电机学院 一种风电场异常功率的检测方法、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于大数据的异常检测方法研究;杨先圣;姜磊;彭雄;周倩;刘菊君;;计算机工程与科学(07);全文 *

Also Published As

Publication number Publication date
CN111340063A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111340063B (zh) 一种磨煤机数据异常检测方法
CN109829236A (zh) 一种基于XGBoost特征提取的压缩机故障诊断方法
CN109158953B (zh) 一种刀具磨损状态在线监测方法及系统
CN105677791A (zh) 用于分析风力发电机组的运行数据的方法和系统
CN111506637B (zh) 一种基于kpi指标的多维异常检测方法、装置及存储介质
CN114090402A (zh) 一种基于孤立森林的用户异常访问行为检测方法
CN115021679B (zh) 一种基于多维离群点检测的光伏设备故障检测方法
Cuzzocrea et al. An information-theoretic approach for setting the optimal number of decision trees in random forests
CN115293383A (zh) 融合博弈论的变压器风险致因分析方法
CN106846170B (zh) 一种发电机组跳闸监测方法及其监测装置
CN114169998A (zh) 一种金融大数据分析与挖掘算法
CN111079809B (zh) 电连接器智能统型方法
Tajziyehchi et al. A predictive model of cost growth in construction projects using feature selection
CN117453764A (zh) 一种数据挖掘分析方法
CN113268552B (zh) 一种基于局部敏感哈希的发电机设备隐患预警方法
CN113886592A (zh) 一种电力信息通信系统运维数据的质量检测方法
Zhou et al. Study on Optimization of Data-Driven Anomaly Detection
CN113379093A (zh) 油气集输系统能耗分析与优化方法
CN111967911A (zh) 衍生品的监控分析方法及系统
CN113554079A (zh) 一种基于二次检测法的电力负荷异常数据检测方法及系统
Xie et al. Knowledge Acquisition for Transformer Condition Assessment Using Synthetic Minority Over-sampling Technique and Decision Tree Algorithm
CN110909795A (zh) 电网暂态电压稳定性的判定方法
CN116861204B (zh) 基于数字孪生的智能制造设备数据管理系统
Kumari et al. Random Forest Algorithm for Solar Forecasting in Jamshedpur–India
Cao et al. Study on inferring interwell connectivity of injection-production system based on decision tree

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
CB02 Change of applicant information

Address after: Room 618 and 619, 6th floor, building 301, Guodian New Energy Institute, No. 9, Yingcai North 2nd Street, future science and Technology City, Changping District, Beijing 102209

Applicant after: Guoneng xinkong Internet Technology Co.,Ltd.

Address before: Building 1, yard 16, West Fourth Ring Middle Road, Haidian District, Beijing 100039

Applicant before: BEIJING HUADIAN TIANREN ELECTRIC POWER CONTROL TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant