CN112199365A - 供热系统监测数据异常识别方法 - Google Patents
供热系统监测数据异常识别方法 Download PDFInfo
- Publication number
- CN112199365A CN112199365A CN202011153542.4A CN202011153542A CN112199365A CN 112199365 A CN112199365 A CN 112199365A CN 202011153542 A CN202011153542 A CN 202011153542A CN 112199365 A CN112199365 A CN 112199365A
- Authority
- CN
- China
- Prior art keywords
- data
- heat
- flow
- average
- relative
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000010438 heat treatment Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000001502 supplementing effect Effects 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 4
- 239000008400 supply water Substances 0.000 claims description 3
- XOOUIPVCVHRTMJ-UHFFFAOYSA-L zinc stearate Chemical compound [Zn+2].CCCCCCCCCCCCCCCCCC([O-])=O.CCCCCCCCCCCCCCCCCC([O-])=O XOOUIPVCVHRTMJ-UHFFFAOYSA-L 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 3
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
- F24D19/00—Details
- F24D19/10—Arrangement or mounting of control or safety devices
- F24D19/1006—Arrangement or mounting of control or safety devices for water heating systems
- F24D19/1009—Arrangement or mounting of control or safety devices for water heating systems for central heating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明属于集中供热系统监测数据处理技术领域，为提出一种简易可行的异常数据识别方法。该方法有利于提高供热系统数据质量，为后续研究打下基础，提高系统运行效率，本发明，供热系统监测数据异常识别方法，首先将读取所述数据库中数据，之后对数据进行预处理：第一步先定位缺失数据，使用局部样条插值的方法补充数据；第二步使用移动平均的方法处理供热系统监测数据中包含的累计热量数据和累计流量数据；第三步使用瞬时流量、热量数据和平均流量、热量数据的对应商、差构成相对数据集替代原始数据；最后对经过上述三步处理后的数据集进行异常识别，返回异常分数。本发明主要应用于集中供热系统监测数据处理场合。
Description
技术领域
本发明属于集中供热系统监测数据处理技术领域，具体为一种无监督智能算法异常数据识别方法。
背景技术
冬季气候寒冷，为了应对日益严重的环境问题、能源问题，集中供热、清洁供热、智慧供热逐步成为当前供热行业的发展趋势。随着信息化、大数据的浪潮，供热系统也积累了大量的运行数据。
有关供热系统的一系列研究，例如负荷预测、输配系统延迟现象、模型验证等，都需要一个高质量的系统数据。虽然当前供热系统积累了大量的实测数据，但是由于仪表干扰、通讯中断等问题也产生了为数不少的异常数据，造成原始数据质量较低。所以亟需新的技术方法和手段，识别供热系统异常数据，提高供热系统数据质量，为后续研究打下基础。
常用的异常数据识别方法可以分为一下三类：一是人工经验结合物理规律处理方法；二是统计学处理方法；三是聚类、分类等智能算法。
经验法主要依靠技术人员根据运行数据连续性、物理规律对数据进行逐条鉴别。这种方法在数据集体量较大时需要耗费巨大的人力和时间。
统计学处理方法使用诸如高斯分布或者箱线图等概率分布的统计学图形等方法对数据进行异常识别。例如研究人员周璇使用3σ法则识别办公建筑逐时能耗数据的突变值、零值[1]。但是统计学方法依赖于特定的概率分布假设，并且这种假设在某些数据集往往不成立，特别是对于高维真实数据集。
基于智能算法的异常数据识别方法由于其不依靠特定的概率分布，以及时间和人力成本消耗较低等优势受到了较多的关注，常用的有分类、聚类等方法。分类算法需要训练数据、验证数据才能建立异常识别模型。同时当系统产生从未在历史数据中出现的数据向量时，模型难以对其进行精确的分类。为了解决模型泛化性的问题，有研究人员会结合多种分类算法诸如决策树、随机森林的分类结果进行综合判断[2]。这种方法难以解决计算过程复杂的问题。使用聚类算法对数据集进行类别划分同样可以进行异常识别[3]，这种方法首先对数据集进行聚类，在根据不同的聚类簇进行异常阈值判断。但是聚类的效果会在很大程度上影响异常数据监测的结果，而异常数据通常会对聚类的结果产生较大的影响。
发明内容
为克服现有技术的不足，针对当前集中供热数据监测系统普遍存在的监测数据量大、数据质量不高以及现有方法工作量大、识别精度较低等问题，本发明旨在提出一种简易可行的异常数据识别方法。该方法有利于提高供热系统数据质量，为后续研究打下基础，提高系统运行效率。为此，本发明采取的技术方案是，供热系统监测数据异常识别方法，供热系统将二次网换热站一、二次侧的供回水温度传感器、流量传感器、热量传感器记录的一次侧供回水温度Tg1、Th1，二次侧的供回水温度Tg2、Th2，一、二次侧瞬时流量Gt1、Gt2和热量Qt1、Qt2，累计流量Ga1、Ga2和热量Qa1、Qa2，数据通过GPRS网络传输至上位机并储存在数据库；
首先将读取所述数据库中数据，之后对数据进行预处理：第一步先定位缺失数据，使用局部样条插值的方法补充数据；第二步使用移动平均的方法处理供热系统监测数据中包含的累计热量数据和累计流量数据；第三步使用瞬时流量、热量数据和平均流量、热量数据的对应商、差构成相对数据集替代原始数据；最后对经过上述三步处理后的数据集进行异常识别，返回异常分数。
具体步骤如下：
1)缺失数据的样条插值
将数据集中的时间标签作为插值自变量，增量为Δt分钟，对应的累计流量Ga1、Ga2和热量Qa1、Qa2分别进行三次样条插值，补充缺失数据；
2.累计数据移动平均处理
使用公式(5)所示的移动平均的方法对累计流量Qa1、Qa2和热量Qa1、Qa2分别作移动平均处理：
式中：Yi—i时刻原始数据，指代Gi，a1、Gi，a2、Qi，a1，Qi，a2；
Yi，MA—i时刻数据移动平均结果,可以指代Gi,MA1、Gi,MA2、Qi,MA1、Qi,MA2；
3.使用瞬时流量、热量数据和平均流量、热量数据的对应商、差构成相对数据集替代原始数据：
首先使用公式(6)求出在Δt时间内的平均流量和热量。
Yi，AA＝(Yi+Δt，MA-Yi，MA)*S 2)
式中：Yi，AA—i时刻到i+Δt时刻的平均流量或平均热量；
S—单位转换系数；
随后使用公式(7)、(8)对一二次侧流量、热量分别进行相对化，即，使用一次侧瞬时流量除以和减去一次侧平均流量：
ΔYi＝Yi，AA-Yi，t 4)
式中：Yi，t—i时刻瞬时数据，Gi，t1、Gi，t2、Qi，t1、Qi，t2；
Yi，AA—i时刻到i+Δt时刻的平均流量或平均热量；
ΘYi—商相对变量，一、二次侧作商相对流量ΘG1、ΘG2，一、二次作商相对热量ΘQ1、ΘQ2；
ΔYi—差相对变量，一、二次侧作差相对流量ΔG1、ΔG2，一、二次作差相对热量ΔQ1、ΔQ2。
4.孤立森林算法异常识别
将由一二次网供、回水温度Tg1、Th1、Tg2、Th2和相对一二次侧流量、热量ΘG1、ΘG2、ΔG1、ΔG2、ΘQ1、ΘQ2、ΔQ1、ΔQ2组成的数据集输入至孤立森林算法。通过随机选择属性变量，以及该变量的分割点建立孤立树并组成孤立森林。根据建立好的孤立森林对整个数据集每一条数据进行分割判断，计算异常度大小。
本发明的特点及有益效果是：
1.首先该方法使用局部样条插值的方法补充了局部缺失数据，从而避免由于数据间断，造成无法求出间断数据恢复后第一条数据的平均流量、热量参数，保证了数据集的完整性。
2.其次该方法使用移动平均的方法处理供热系统监测数据中包含的累计热量数据和累计流量数据，从而缓解了由计量单位过大和通讯原因造成的累计数据变化波动过大的问题。
3.本方法使用瞬时流量、热量数据和平均流量、热量数据的对应商、差构成的相对数据集替代原始量纲数据。其创新之处在于利用瞬时数据和累计数据变化方向和大小的一致性，将绝对参量转化为相对参量。解决了由于集中供热系统本身的运行调节行为，所产生的具有离群特性数据的误诊。
4.该方法使用孤立森林算法作为底层识别方法，在保证识别精度的基础上，降低了模型计算时间，减少了人员工作强度。且该方法计算过程简便，推广能力较强。
附图说明：
图1供热系统示意及各测量装置安装位置图。
图2直接使用原始数据异常识别结果。
图3使用相对数据异集常识别结果。
具体实施方式
本发明提出了一种基于孤立森林算法的集中供热系统异常数据识别方法。该发明以孤立森林算法为基础，使用移动平均、局部样条插值以及瞬时和累计数据商差三类方法处理原始数据，得到一种准确度和效率兼备、简单易推广的异常数据识别方法。
本方案针对集中供热系统数据监测系统，提出一种基于孤立森林算法的异常数据识别方法。供热系统将二次网换热站一、二次侧的供回水温度传感器、流量传感器、热量传感器记录的一次侧供回水温度Tg1、Th1，二次侧的供回水温度Tg2、Th2，一、二次侧瞬时流量Gt1、Gt2和热量Qt1、Qt2，累计流量Ga1、Ga2和热量Qa1、Qa2，数据通过GPRS网络传输至上位机并储存在数据库。
算法首先将读取历史数据，之后对数据进行预处理。第一步先定位缺失数据，使用局部样条插值的方法补充数据；第二步使用移动平均的方法处理供热系统监测数据中包含的累计热量数据和累计流量数据；第三步使用瞬时流量、热量数据和平均流量、热量数据的对应商、差构成相对数据集替代原始数据。最后算法对经过上述三步处理后的数据集进行异常识别，返回异常分数。
1..缺失数据的样条插值
三次样条插值方法作为一种主要的插值方法，其插值函数由多段三次多项式链接构成，在每个分段点三次多项式函数本身、一阶导数以及二阶导数都是连续、光滑的曲线，具有良好的曲线逼近能力，可以很好的表征数据点的变化情况。
将数据集中的时间标签作为插值自变量，增量为Δt分钟，对应的累计流量Ga1、Ga2和热量Ga1、Qa2分别进行数据插值，补充缺失数据。
2.累计数据移动平均处理
为了缓解由于计量单位过大以及由通讯原因造成的累计数据波动过大的问题，使用公式 (5)所示的移动平均的方法对累计流量Ga1、Ga2和热量Qa1、Qa2分别作移动平均处理。
式中：Yi—i时刻原始数据，可以指代Gi，a1、Gi，a2、Qi，a1，Qi，a2；
Yi，MA—i时刻数据移动平均结果,可以指代Gi,MA1、Gi,MA2、Qi,MA1、Qi,MA2。
3.累计数据相对化
集中供热系统为了满足用户负荷变化，会对供热系统的供热量进行调节。所以严寒期供热量要明显大于平均水平，反之在初寒期则明显小于平均水平。期间产生的数据点也要更加“离群”，使得这些数据的异常度较高，造成识别模型误诊率增加。为了解决这个问题，本方法使用瞬时流量、热量数据和平均流量、热量数据的对应商、差构成相对数据集替代原始数据。
首先使用公式(6)求出在Δt时间内的平均流量和热量。
Yi，AA＝(Yi+Δt，MA-Yi，MA)*S 6)
式中：Yi，AA—i时刻到i+Δt时刻的平均流量或平均热量；
S—单位转换系数。
随后使用公式(7)、(8)对一二次侧流量、热量分别进行相对化，即，使用一次侧瞬时流量除以和减去一次侧平均流量，其余变量同理。
ΔYi＝Yi，AA-Yi，t 8)
式中：Yi，t—i时刻瞬时数据，Gi，t1、Gi，t2、Qi，t1、Qi，t2；
Yi，AA—i时刻到i+Δt时刻的平均流量或平均热量；
ΘYi—商相对变量，一、二次侧作商相对流量ΘG1、ΘG2，一、二次作商相对热量ΘQ1、ΘQ2；
ΔYi—差相对变量，一、二次侧作差相对流量ΔG1、ΔG2，一、二次作差相对热量ΔQ1、ΔQ2。
4.孤立森林算法异常识别
将由一二次网供、回水温度Tg1、Th1、Tg2、Th2和相对一二次侧流量、热量ΘG1、ΘG2、ΔG1、ΔG2、ΘQ1、ΘQ2、ΔQ1、ΔQ2组成的数据集输入至孤立森林算法。通过随机选择属性变量，以及该变量的分割点建立孤立树并组成孤立森林。根据建立好的孤立森林对整个数据集每一条数据进行分割判断，计算异常度大小。
以下结合附图对本发明作进一步说明，图1为集中供热系统数据采集点示意图。并使用天津市某换热站一段时间的实际供热数据进行算法示例。
具体计算步骤如下：
1.使用三次样条插值补充缺失数据
本发明使用一段时间的实际供热数据进行算法示例，首先使用Matlab内置函数readtable将数据从Excel导入至Matlab，建立表格类型变量。其次使用table2timetable函数将表格类型变量转化为时间表类型变量。最后使用retime函数的spline功能将部分缺失数据补全。如表1所示，1:40、2:20、2:25的粗体数据为使用样条插值方法补充后的数据。
表1使用样条插值补充后的数据
2.累计数据的移动平均处理
使用公式(5)分别对变量Ga1、Ga2、Qa1、Qa2进行移动平均，得到 GMA1、GMA2、QMA1、QMA2，如表2所示。
表2累计数据的移动平均表
3.累计数据相对化
该发明原始数据记录间隔为5min，累计流量数据单位为m3，使用流量单位转化系数为 12/1h，将其转化为与瞬时流量m3/s相同的单位；累计热量数据为GJ，使用热量转化单位系数为10^4/3s，将其转化为与瞬时热量kW相同的单位，计算公式如公式(9)所示，并将结果代入公式(6)。最后利用公式(7)、(8)得出相对数据集，如表3所示。
表3相对流量、热量数据集
4.孤立森林算法异常识别
将经过上述处理后的数据集，导入至Matlab中，通过随机选择属性变量，以及该变量的分割点建立孤立树并组成孤立森林。根据建立好的孤立森林对整个数据集每一条数据进行分割判断，计算异常度大小。整个数据集识别结果如图3所示，与图2对比可以发现，本发明提出的方法在保证计算时间一致的情况下，使模型减少了12.6％误诊数据，并降低了42％的阴性似然，具有明显的优化效果。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
参考文献
[1]周璇,崔少伟,周裕东.办公建筑逐时能耗异常数据在线插补方法[J].建筑科学： 2018，34(6)：82-90.
[2]耿天翔，丁茂生，李峰，等人.基于两阶段集成学习的风电异常数据识别方
法[P].北京：CN 105069476 A，2015-11-8.
[3]张远来，樊启俊，于程远，等人.基于无监督机器学习的变压器油温异常识别方法[P].江西：CN 108334894 R，2020-04-10。
Claims (2)
1.一种供热系统监测数据异常识别方法，其特征是，供热系统将二次网换热站一、二次侧的供回水温度传感器、流量传感器、热量传感器记录的一次侧供回水温度Tg1、Th1，二次侧的供回水温度Tg2、Th2，一、二次侧瞬时流量Gt1、Gt2和热量Qt1、Qt2，累计流量Ga1、Ga2和热量Qa1、Qa2，数据通过GPRS网络传输至上位机并储存在数据库；
首先将读取所述数据库中数据，之后对数据进行预处理：第一步先定位缺失数据，使用局部样条插值的方法补充数据；第二步使用移动平均的方法处理供热系统监测数据中包含的累计热量数据和累计流量数据；第三步使用瞬时流量、热量数据和平均流量、热量数据的对应商、差构成相对数据集替代原始数据；最后对经过上述三步处理后的数据集进行异常识别，返回异常分数。
2.如权利要求1所述的供热系统监测数据异常识别方法，其特征是，具体步骤如下：
1)缺失数据的样条插值
将数据集中的时间标签作为插值自变量，增量为Δt分钟，对应的累计流量Ga1、Ga2和热量Qa1、Qa2分别进行三次样条插值，补充缺失数据；
2)累计数据移动平均处理
使用公式(1)所示的移动平均的方法对累计流量Ga1、Ga2和热量Qa1、Qa2分别作移动平均处理：
式中：Yi—i时刻原始数据，指代Gi，a1、Gi，a2、Qi，a1，Qi，a2；
Yi，MA—i时刻数据移动平均结果,可以指代Gi,MA1、Gi,MA2、Qi,MA1、Qi,MA2；
3)使用瞬时流量、热量数据和平均流量、热量数据的对应商、差构成相对数据集替代原始数据：
首先使用公式(2)求出在Δt时间内的平均流量和热量：
Yi，AA＝(Yi+Δt，MA-Yi，MA)*S (2)
式中：Yi，AA—i时刻到i+Δt时刻的平均流量或平均热量；
S—单位转换系数；
随后使用公式(3)、(4)对一二次侧流量、热量分别进行相对化，即，使用一次侧瞬时流量除以和减去一次侧平均流量：
ΔYi＝Yi，AA-Yi，t (4)
式中：Yi，t—i时刻瞬时数据，Gi，t1、Gi，t2、Qi，t1、Qi，t2；
Yi，AA—i时刻到i+Δt时刻的平均流量或平均热量；
ΘYi—商相对变量，一、二次侧作商相对流量ΘG1、ΘG2，一、二次作商相对热量ΘQ1、ΘQ2；
ΔYi—差相对变量，一、二次侧作差相对流量ΔG1、ΔG2，一、二次作差相对热量ΔQ1、ΔQ2；
4)孤立森林算法异常识别
将由一二次网供、回水温度Tg1、Th1、Tg2、Th2和相对一二次侧流量、热量ΘG1、ΘG2、ΔG1、ΔG2、ΘQ1、ΘQ2、ΔQ1、ΔQ2组成的数据集输入至孤立森林算法，通过随机选择属性变量，以及该变量的分割点建立孤立树并组成孤立森林，根据建立好的孤立森林对整个数据集每一条数据进行分割判断，计算异常度大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011153542.4A CN112199365A (zh) | 2020-10-26 | 2020-10-26 | 供热系统监测数据异常识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011153542.4A CN112199365A (zh) | 2020-10-26 | 2020-10-26 | 供热系统监测数据异常识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112199365A true CN112199365A (zh) | 2021-01-08 |
Family
ID=74011360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011153542.4A Pending CN112199365A (zh) | 2020-10-26 | 2020-10-26 | 供热系统监测数据异常识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112199365A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116415199A (zh) * | 2023-04-13 | 2023-07-11 | 广东铭太信息科技有限公司 | 基于审计中间表的业务数据离群分析方法 |
| CN116644867A (zh) * | 2023-07-27 | 2023-08-25 | 梁山中维热力有限公司 | 一种用于热力供热远程关系系统的数据处理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190184A (zh) * | 2018-08-09 | 2019-01-11 | 天津大学 | 一种供热系统历史数据预处理方法 |
| CN110941648A (zh) * | 2019-11-19 | 2020-03-31 | 广州市自来水有限公司 | 基于聚类分析的异常数据识别方法、系统和存储介质 |
| US20200210393A1 (en) * | 2018-09-14 | 2020-07-02 | Verint Americas Inc. | Framework and method for the automated determination of classes and anomaly detection methods for time series |
-
2020
- 2020-10-26 CN CN202011153542.4A patent/CN112199365A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190184A (zh) * | 2018-08-09 | 2019-01-11 | 天津大学 | 一种供热系统历史数据预处理方法 |
| US20200210393A1 (en) * | 2018-09-14 | 2020-07-02 | Verint Americas Inc. | Framework and method for the automated determination of classes and anomaly detection methods for time series |
| CN110941648A (zh) * | 2019-11-19 | 2020-03-31 | 广州市自来水有限公司 | 基于聚类分析的异常数据识别方法、系统和存储介质 |
Non-Patent Citations (8)
| Title |
|---|
| 兰芸: "供热管网运行数据异常校正方法研究", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技II辑》 * |
| 刘书明等: "利用自识别的供水管网监测数据质量控制", 《清华大学学报(自然科学版)》 * |
| 张峰等: "水资源监测异常数据模态分解-支持向量机重构方法", 《农业机械学报》 * |
| 张庆峰等: "基于大数据分析的供热二次管网异常监测的算法比较", 《区域供热》 * |
| 曹晨曦等: "基于统计方法的异常点检测在时间序列数据上的应用", 《合肥工业大学学报(自然科学版)》 * |
| 白卫东等: "高斯正态分布算法在供热设备异常检测中的应用", 《区域供热》 * |
| 苑天琪等: "基于相对化变换的信息增量矩阵故障诊断方法", 《中南大学学报(自然科学版)》 * |
| 钟诗胜等: "基于过程支持向量机的航空发动机润滑油消耗率预测", 《润滑与密封》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116415199A (zh) * | 2023-04-13 | 2023-07-11 | 广东铭太信息科技有限公司 | 基于审计中间表的业务数据离群分析方法 |
| CN116415199B (zh) * | 2023-04-13 | 2023-10-20 | 广东铭太信息科技有限公司 | 基于审计中间表的业务数据离群分析方法 |
| CN116644867A (zh) * | 2023-07-27 | 2023-08-25 | 梁山中维热力有限公司 | 一种用于热力供热远程关系系统的数据处理方法 |
| CN116644867B (zh) * | 2023-07-27 | 2023-10-24 | 梁山中维热力有限公司 | 一种用于热力供热远程关系系统的数据处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112199365A (zh) | 供热系统监测数据异常识别方法 | |
| CN109861310B (zh) | 超临界火电机组一次调频系统辨识变量选择方法 | |
| CN112232600A (zh) | 一种基于变分模态分解的短期电力负荷预测方法及系统 | |
| CN109647899A (zh) | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 | |
| CN110490369A (zh) | 一种基于ewt和lssvm模型的短期电力负荷预测方法 | |
| CN111555363B (zh) | 大数据环境下基于深度学习的agc实时控制策略 | |
| CN112990627B (zh) | 电能质量评估方法 | |
| CN113610152A (zh) | 一种基于负荷模式的空调系统灵活性运行策略制定方法 | |
| Zhang et al. | DEA efficiency prediction based on IG–SVM | |
| CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
| Wang et al. | Big data analytics for price forecasting in smart grids | |
| Bao et al. | Wind turbine condition monitoring based on improved active learning strategy and KNN algorithm | |
| CN117066496B (zh) | 一种铸造冷却控制方法及系统 | |
| CN114418169A (zh) | 一种基于大数据挖掘的在线运行优化系统 | |
| Tian et al. | An unsupervised data mining-based framework for evaluation and optimization of operation strategy of HVAC system | |
| Tong et al. | A novel ellipsoidal semisupervised extreme learning machine algorithm and its application in wind turbine blade icing fault detection | |
| Sun et al. | Identifying supply-demand mismatches in district heating system based on association rule mining | |
| CN113986892A (zh) | 一种火电机组煤耗预测、数据清洗方法及系统 | |
| CN114565209A (zh) | 一种基于聚类的流程工业能耗状态评估方法 | |
| Jie et al. | The study for data mining of distribution network based on particle swarm optimization with clustering algorithm method | |
| Xu et al. | Mid-term energy consumption prediction of crude oil pipeline pump unit based on GSCV-SVM | |
| Wang et al. | Photovoltaic data cleaning method based on DBSCAN clustering, quartile algorithm and Pearson correlation coefficient interpolation method | |
| Li et al. | Monitoring Model of Coal Mill in Power Plant Based on Big Data and BP Neural Network | |
| CN116796216A (zh) | 一种生物质直燃发电机组最优主蒸汽压力确定方法 | |
| Rao et al. | Forecasting the energy intensity of industrial sector in China based on FCM-RS-SVM 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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210108 |
|
| RJ01 | Rejection of invention patent application after publication |