CN112612824A - 基于大数据的供水管网异常数据检测方法 - Google Patents
基于大数据的供水管网异常数据检测方法 Download PDFInfo
- Publication number
- CN112612824A CN112612824A CN202011477813.1A CN202011477813A CN112612824A CN 112612824 A CN112612824 A CN 112612824A CN 202011477813 A CN202011477813 A CN 202011477813A CN 112612824 A CN112612824 A CN 112612824A
- Authority
- CN
- China
- Prior art keywords
- data
- normal distribution
- pressure sensor
- normal
- value
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000001422 normality test Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 230000001186 cumulative effect Effects 0.000 claims description 27
- 238000013480 data collection Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 description 3
- 238000009530 blood pressure measurement Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2471—Distributed queries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种基于大数据的供水管网异常数据检测方法，所述方法包括如下步骤：S1：获取一段时间范围内的压力监测数据；S2：对监测数据进行预处理操作，包括去除重复数据的数据序列，舍弃数据缺失严重的天数；S3：对预处理后的每个压力传感器的测量值进行正态分布处理，所述正态分布处理包括：正态性检验和正态数据转换；S4：对通过正态分布假设检验后的数据采用三倍标准差准则进行数据异常检测；将超过阈值的数据集合均作为检测出的异常数据输出。本申请通过对供水管网监测大数据中进行预处理、正态分布处理和三倍标准差准则检测后，确定每个传感器的异常数据，检测精度高。
Description
技术领域
本发明涉及异常数据检测技术领域，尤其涉及一种基于大数据的供水管网异常数据检测方法。
背景技术
供水管网系统是城市最重要的基础设施之一，被称为“生命线工程”，各种管网突发事故的发生，都会造成不可估量的后果。目前，大部分供水管网安置在线监测设备采集节点压力，流量数据，通过无线传感网将数据传输到SCADA系统。但在实际运行中，各种管网突发事故的发生，都会造成不可估量的后果。监测设备的异常或供水管网事故的发生都会引起监测数据变化并产生异常值。但城市供水管网数量多，致使监测供水管网运行状态的监测数据更多，即一个城市的供水管网监测数据量可以用海量来形容，依靠人工来检查异常数据投入人力成本打，且效率不高，但目前没有可以直接应用于供水管网的异常数据检测方法。
因此，亟需一种基于供水管网监测大数据的异常数据检测方法。
发明内容
有鉴于此，本发明提供一种基于大数据的供水管网异常数据检测方法，其特征在于：所述方法包括如下步骤：
S1：采集设置于目标供水管网中的压力传感器的监测数据，即从目标供水管网管理中心的数据采集与监视控制系统中获取每个压力传感器的测量值；
S2：预处理步骤S1采集的每个压力传感器的测量值，所述预处理包括：数据规约、缺失值处理和重复值处理；
S3：对预处理后的每个压力传感器的测量值进行正态分布处理，所述正态分布处理包括：正态性检验和正态数据转换；
在所述正态性检验中，若每个压力传感器的测量值符合正态分布，则进入下一步，若不符合正态分布，则将所述不符合正态分布的数据分别开平方根，将所述非正态分布数据转换成符合正态分布的数据，即将所述不符合正态分布的数据X的平方根作为新的分布数据，并进入下一步：
所述不符合正态分布的数据X的平方根作为新的分布数据的具体方法为：
X’＝sqrt(X)
其中，X’表示不符合正态分布的数据X的平方根，X表示不符合正态分布的数据；
S4：确定每个压力传感器的三倍标准差线的上限值μ+3σ和下限值μ-3σ，其中，μ表示每个压力传感器经过正态分布处理后的数据的平均值μ，σ表示每个压力传感器经过正态分布处理后的数据的标准差；
S5：判断每个压力传感器经过所述正态分布处理后的数据是否在对应的三倍标准差线的上限值μ+3σ和下限值μ-3σ之间，若是，则该压力数据正常，若否，则该压力数据异常。
进一步，所述正态分布假设检验包括如下步骤：
S21：确定压力传感器的测量值的累积比例和假定正态时的数据分布累积比例，以压力传感器的测量值的累积比例为横轴，假定正态时的数据分布累积比例为纵轴，作正态概率图；
S22：将压力传感器的测量值的累积比例和假定正态时的数据分布累积比例进行对比，判断正态概率图偏差程度是否小于预设阈值，若是，则符合正态分布，若否，则不符合正态分布。
进一步，所述数据规约包括获取每个压力传感器的采集时间和测量结果值。
进一步，所述缺失值处理包括用平均值填充数值型属性缺失值。
进一步，所述重复处理包括去除数据重复的时间序列。
进一步，步骤S5包括每个压力传感器均有与其对应的三倍标准差线的上限值和下限值，即每个压力传感器的三倍标准差线的上限值和下限值均是由每个压力传感器经过正态分布处理后的数据确定。
本发明的有益技术效果：本申请通过对供水管网监测大数据中进行预处理、正态分布处理和三倍标准差准则检测后，确定每个传感器的异常数据，检测精度高。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1是本发明实施例提供的基于供水管网场景下的数据值异常检测方法流程图。
图2是本发明实施例提供的压力传感器采集的压力值的直方与正态密度曲线示例图。
图3是本发明实施例提供的压力传感器采集的压力值的正态概率示例图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明：
本发明提供一种基于大数据的供水管网异常数据检测方法，其特征在于：所述方法包括如下步骤：
S1：采集设置于目标供水管网中的压力传感器的监测数据，即从目标供水管网管理中心的数据采集与监视控制系统(SCADA系统)中获取每个压力传感器的测量值；所述步骤S1还包括舍弃数据丢失严重的数据序列。获取一段时间范围内的管网各压力传感器设备的压力数据；
S2：预处理步骤S1采集的每个压力传感器的测量值，所述预处理包括：数据规约、缺失值处理和重复值处理；对各压力传感器设备的压力数据预处理操作。数据预处理主要包括以下几个步骤：
数据规约：
对大规模数据库内容进行复杂的数据分析通常需要耗费大量的时间。数据规约技术用于帮助从原有庞大数据集中获得一个精简的数据集合，并使用这一精简数据集保持原有数据集的完整性，这样在精简数据集上进行数据挖掘效率更高，并且挖掘出来的结果与使用原有数据集所获得的结果基本相同。
传感器数据通常是较大数据量，并且数据属性通常较复杂。对数据进行数据规约，就是要将大量复杂数据进行简化。减少数据分析时间，提高分析效率。如对数据属性进行数据规约，整合数据属性。根据本发明目的，只需要数据采集时间，测量结果值，直接删除不相关的属性来减少数据维数。
缺失值处理：
在数据采集，传输过程中，由于噪声干扰，导致SCADA系统数据库数据存在部分数据丢失问题。对缺失较少数据采用插值法进行处理。对数值型属性缺失值使用平均值填充。
在数据采集，传输过程中，由于噪声干扰，导致SCADA系统数据库数据存在部分数据丢失问题。对缺失较少数据采用插值法进行处理。对每个传感设备压力数据的缺失值使用平均值填充。如对于压力传感器设备下测量结果属性下各个取值的个数依次为x1、x2、x3、…、xn，则缺失值xnull填充为：
xnull＝avg(x1、x2、x3、…、xn)
重复值处理：
在数据采集过程中，SCADA系统数据库存在重复采集数据的问题。对各压力传感器的压力数据进行预处理操作，去除数据重复的时间序列。
S3：对预处理后的每个压力传感器的测量值进行正态分布处理，所述正态分布处理包括：正态性检验和正态数据转换；所述正态分布假设检验包括利用观测数据判断总体是否服从正态分布的检验称为正态性检验；
在所述正态性检验中，若每个压力传感器的测量值符合正态分布，则进入下一步，若不符合正态分布，则将所述不符合正态分布的数据分别开平方根，将所述非正态分布数据转换成符合正态分布的数据，即将所述不符合正态分布的数据X的平方根作为新的分布数据，并进入下一步：
所述不符合正态分布的数据X的平方根作为新的分布数据的具体方法为：
X’＝sqrt(X)
其中，X’表示不符合正态分布的数据X的平方根，X表示不符合正态分布的数据；
S4：确定每个压力传感器的三倍标准差线的上限值μ+3σ和下限值μ-3σ，其中，μ表示每个压力传感器经过正态分布处理后的数据的平均值μ，σ表示每个压力传感器经过正态分布处理后的数据的标准差；
所述平均值μ采用如下方法确定：
μ＝avg(x1、x2、x3...xn)
其中，μ表示平均值，Xi(i＝1,2,…n)表示压力传感器设备测量结果属性下各个取值；
其中，σ表示标准差，μ表示平均值，Xi(i＝1,2,…n)表示压力传感器设备测量结果属性下各个取值，N表示压力传感器设备采集的数据个数。
S5：判断每个压力传感器经过所述正态分布处理后的数据是否在对应的三倍标准差线的上限值μ+3σ和下限值μ-3σ之间，若是，则该压力数据正常，若否，则该压力数据异常。
得到经过所述正态分布处理后的的各传感器设备的压力数据集，计算每个传感器设备压力数据的平均值和标准差。进而得到三倍标准差线μ±3σ，其中μ指平均值，σ指标准差值。
数据筛选：
采用概率统计基于正态分布的三倍标准差准则：假设有n个点，那么可以计算出这n个点的均值和标准差。在正态分布的假设下，区域μ±3σ包含了99.47％的数据，如果某个值超过了μ±3σ，那么这个值就可以被简单的标记为一个异常点。
对每个传感器设备的压力采集数据进行异常检测。比较传感器设备的压力数据的每个测量值，判断是否在三倍标准差线上下阈值(μ-3σ，μ+3σ)范围内。正常情况下的数据在(μ-3σ，μ+3σ)范围内。μ-3σ定义为正常范围内的下界值，μ+3σ定义为正常范围内的上界值。对于服从正态分布的压力数据，99.47％的概率在上界值与下界值范围内。如果压力数据测量值<μ+3σ或>μ+3σ,则认为该压力数据异常，数据所对应的时间为异常事件发生时间。
数据输出
经过数据筛选后，从采集数据中提取出异常值，输出保存每个传感器设备的异常压力数据集，在管网监测数据中监测出异常时间序列。对于数据集的某一个特征而言，可以直接画出这个数据集在这个特征上值的分布情况，如果有一些数据明显过高或者过低，则可以视其为异常样本去掉即可。
上述技术方案，通过对供水管网监测大数据中进行预处理、正态分布处理和三倍标准差准则检测后，确定每个传感器的异常数据，检测精度高。
在本实施例中，所述正态分布假设检验包括如下步骤：如图3所示
S21：确定压力传感器的测量值的累积比例和假定正态时的数据分布累积比例，以压力传感器的测量值的累积比例为横轴，假定正态时的数据分布累积比例为纵轴，作正态概率图，即P-P图；
P-P图以样本的累计频率作为横坐标，以预期正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。如果资料服从整体分布，则样本点应围绕第一象限的对角线分布。
压力数据的累计比例指的是样本的累积频率分布。
假定正态分布的数据分布累积指的是经过正态分布计算的相应累积概率。
S22：将压力传感器的测量值的累积比例和假定正态时的数据分布累积比例进行对比，判断正态概率图偏差程度是否小于预设阈值，若是，则符合正态分布，若否，则不符合正态分布。所述预设阈值本领域技术人员可根据异常数据检测精度的需求来确定阈值。
检验数据的实际累积概率分布与理论累积概率分布是否吻合。针对每个传感器设备绘制正态概率图，分别计算压力数据的累积比例和假定正态时的数据分布累积比例。其中将实际数据累积比例为横轴，对应的正态分布累积比例为纵轴，作散点图。若数据呈现正态性，散点图近似呈现一条对角直线。
此外，还可以通过以下方法来检验数据是否符合正态分布：如图2所示，
根据每个传感器设备的压力测量数值制作直方图，直方图可以直观反映数据分布情况。求出各传感器设备压力测量数据的最大值xmax和最小值xmin。决定组距K和组数h，对压力测量数据进行分组。组距h表示所分组的跨度区间，通常为极差与组数的比值。计算各组的界限位，统计各组数据出现频数。制作直方图，其中x轴为压力值，纵轴为出现频数。所述组距K和组数h采用现有的方法来确定，根据样本数据量的大小，分为5-12组，在此不再赘述；
拟合正态密度曲线：
假设随机变量X服从一个位置参数为μ、尺度参数为σ的正态分布。根据正态概率密度函数可绘制出每个传感器设备的正态概率密度曲线，其中当μ＝0，σ＝1时，正态分布为标准正态分布。
如附图2所示：压力传感器设备直方图与拟合正态概率密度曲线。传感器设备每15分钟采集一次数据发至数据中心。根据压力传感器设备的压力数据值，并根据概率密度函数绘制真实概率密度曲线。图2横轴为压力值，纵轴为出现频数。通过图直观的看，数据是否符合正态分布，将不符合正态分布的数据开平方根，则将所述不符合正态分布的数据分别开平方根，将所述非正态分布数据转换成符合正态分布的数据，即将所述不符合正态分布的数据X的平方根作为新的分布数据，
在本实施例中，步骤S5包括每个压力传感器均有与其对应的三倍标准差线的上限值和下限值，即每个压力传感器的三倍标准差线的上限值和下限值均是由每个压力传感器经过正态分布处理后的数据确定。
本申请通过对SCADA监控与采集系统提供周期为206天的各传感器设备压力数据进行异常检测，其中共采用了10个压力传感器。需对每个传感器设备采集数据进行异常检测。异常检测方法可以从采集数据中提取出异常值，在管网监测数据中监测异常时间序列。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于大数据的供水管网异常数据检测方法，其特征在于：所述方法包括如下步骤：
S1：采集设置于目标供水管网中的压力传感器的监测数据，即从目标供水管网管理中心的数据采集与监视控制系统中获取每个压力传感器的测量值；
S2：预处理步骤S1采集的每个压力传感器的测量值，所述预处理包括：数据规约、缺失值处理和重复值处理；
S3：对预处理后的每个压力传感器的测量值进行正态分布处理，所述正态分布处理包括：正态性检验和正态数据转换；
在所述正态性检验中，若每个压力传感器的测量值符合正态分布，则进入下一步，若不符合正态分布，则将所述不符合正态分布的数据分别开平方根，将所述非正态分布数据转换成符合正态分布的数据，即将所述不符合正态分布的数据X的平方根作为新的分布数据，并进入下一步：
所述不符合正态分布的数据X的平方根作为新的分布数据的具体方法为：
X’＝sqrt(X)
其中，X’表示不符合正态分布的数据X的平方根，X表示不符合正态分布的数据；
S4：确定每个压力传感器的三倍标准差线的上限值μ+3σ和下限值μ-3σ，其中，μ表示每个压力传感器经过正态分布处理后的数据的平均值μ，σ表示每个压力传感器经过正态分布处理后的数据的标准差；
S5：判断每个压力传感器经过所述正态分布处理后的数据是否在对应的三倍标准差线的上限值μ+3σ和下限值μ-3σ之间，若是，则该压力数据正常，若否，则该压力数据异常。
2.根据权利要求1所述基于大数据的供水管网异常数据检测方法，其特征在于：所述正态分布假设检验包括如下步骤：
S21：确定压力传感器的测量值的累积比例和假定正态时的数据分布累积比例，以压力传感器的测量值的累积比例为横轴，假定正态时的数据分布累积比例为纵轴，作正态概率图；
S22：将压力传感器的测量值的累积比例和假定正态时的数据分布累积比例进行对比，判断正态概率图偏差程度是否小于预设阈值，若是，则符合正态分布，若否，则不符合正态分布。
3.根据权利要求1所述基于大数据的供水管网异常数据检测方法，其特征在于：所述数据规约包括获取每个压力传感器的采集时间和测量结果值。
4.根据权利要求1所述基于大数据的供水管网异常数据检测方法，其特征在于：所述缺失值处理包括用平均值填充数值型属性缺失值。
5.根据权利要求1所述基于大数据的供水管网异常数据检测方法，其特征在于：所述重复处理包括去除数据重复的时间序列。
6.根据权利要求1所述基于大数据的供水管网异常数据检测方法，其特征在于：步骤S5包括每个压力传感器均有与其对应的三倍标准差线的上限值和下限值，即每个压力传感器的三倍标准差线的上限值和下限值均是由每个压力传感器经过正态分布处理后的数据确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011477813.1A CN112612824A (zh) | 2020-12-15 | 2020-12-15 | 基于大数据的供水管网异常数据检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011477813.1A CN112612824A (zh) | 2020-12-15 | 2020-12-15 | 基于大数据的供水管网异常数据检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112612824A true CN112612824A (zh) | 2021-04-06 |
Family
ID=75234276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011477813.1A Pending CN112612824A (zh) | 2020-12-15 | 2020-12-15 | 基于大数据的供水管网异常数据检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112612824A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049033A (zh) * | 2021-11-22 | 2022-02-15 | 国网江苏省电力有限公司连云港供电分公司 | 一种基于用电数据分布的排污企业监测方法 |
| CN114356900A (zh) * | 2021-12-06 | 2022-04-15 | 南方电网科学研究院有限责任公司 | 一种电力数据异常检测方法、装置、设备及介质 |
| CN116165353A (zh) * | 2023-04-26 | 2023-05-26 | 江西拓荒者科技有限公司 | 一种工业污染物监测数据处理方法及系统 |
| CN116340305A (zh) * | 2023-04-24 | 2023-06-27 | 上海叁零肆零科技有限公司 | 一种燃气管网拓扑中点表线表唯一性的修复方法与系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106649579A (zh) * | 2016-11-17 | 2017-05-10 | 苏州航天系统工程有限公司 | 一种用于管网建模的时序数据清洗方法 |
| CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
| CN108984381A (zh) * | 2018-07-19 | 2018-12-11 | 武汉新芯集成电路制造有限公司 | 数据异常分析的方法及系统 |
| CN109146287A (zh) * | 2018-08-20 | 2019-01-04 | 国网安徽省电力有限公司合肥供电公司 | 一种基于正态分布模型的业扩流程耗时偏差检测方法 |
| CN109344708A (zh) * | 2018-08-29 | 2019-02-15 | 昆明理工大学 | 一种供水管网爆管信号异常分析方法 |
| CN110990393A (zh) * | 2019-12-17 | 2020-04-10 | 清华苏州环境创新研究院 | 一种行业企业数据异常行为的大数据识别方法 |
-
2020
- 2020-12-15 CN CN202011477813.1A patent/CN112612824A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106649579A (zh) * | 2016-11-17 | 2017-05-10 | 苏州航天系统工程有限公司 | 一种用于管网建模的时序数据清洗方法 |
| CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
| CN108984381A (zh) * | 2018-07-19 | 2018-12-11 | 武汉新芯集成电路制造有限公司 | 数据异常分析的方法及系统 |
| CN109146287A (zh) * | 2018-08-20 | 2019-01-04 | 国网安徽省电力有限公司合肥供电公司 | 一种基于正态分布模型的业扩流程耗时偏差检测方法 |
| CN109344708A (zh) * | 2018-08-29 | 2019-02-15 | 昆明理工大学 | 一种供水管网爆管信号异常分析方法 |
| CN110990393A (zh) * | 2019-12-17 | 2020-04-10 | 清华苏州环境创新研究院 | 一种行业企业数据异常行为的大数据识别方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049033A (zh) * | 2021-11-22 | 2022-02-15 | 国网江苏省电力有限公司连云港供电分公司 | 一种基于用电数据分布的排污企业监测方法 |
| CN114049033B (zh) * | 2021-11-22 | 2024-06-07 | 国网江苏省电力有限公司连云港供电分公司 | 一种基于用电数据分布的排污企业监测方法 |
| CN114356900A (zh) * | 2021-12-06 | 2022-04-15 | 南方电网科学研究院有限责任公司 | 一种电力数据异常检测方法、装置、设备及介质 |
| CN116340305A (zh) * | 2023-04-24 | 2023-06-27 | 上海叁零肆零科技有限公司 | 一种燃气管网拓扑中点表线表唯一性的修复方法与系统 |
| CN116340305B (zh) * | 2023-04-24 | 2023-10-20 | 上海叁零肆零科技有限公司 | 一种燃气管网拓扑中点表线表唯一性的修复方法与系统 |
| CN116165353A (zh) * | 2023-04-26 | 2023-05-26 | 江西拓荒者科技有限公司 | 一种工业污染物监测数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112612824A (zh) | 基于大数据的供水管网异常数据检测方法 | |
| CN112491805B (zh) | 一种应用于云平台的网络安全设备管理系统 | |
| CN109034400B (zh) | 一种变电站异常量测数据预测平台系统 | |
| CN107092654A (zh) | 基于均值变化检测的报警正常与异常数据检测方法和装置 | |
| CN116739384A (zh) | 基于5g无线通讯的矿用设备运行管理系统 | |
| CN117523299B (zh) | 一种基于计算机网络图像识别方法、系统和存储介质 | |
| CN112084684B (zh) | 一种基于物联网的桥梁健康可视化监测系统 | |
| CN117394337A (zh) | 一种电网负荷预警方法及其系统 | |
| CN116660672B (zh) | 基于大数据的电网设备故障诊断方法及系统 | |
| CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
| CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
| CN118051863B (zh) | 一种基于数字计量技术的健康数据采集系统及方法 | |
| CN116844315A (zh) | 人工智能预警方法、系统及存储介质 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
| CN106855990B (zh) | 核电机组仪表通道测量误差论证方法 | |
| CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
| CN113934536A (zh) | 面向边缘计算的数据采集方法 | |
| CN109388512A (zh) | 针对大规模计算机集群异常程度的评估与分析系统 | |
| CN117614124A (zh) | 一种基于双模通信的电力信息采集系统 | |
| CN112069037A (zh) | 一种云平台无阈值检测的方法和装置 | |
| CN115310729A (zh) | 基于偏最小二乘回归的疏浚作业产量预测模型建立方法 | |
| CN115982578A (zh) | 故障定位方法、装置、电子设备及存储介质 | |
| CN113361849B (zh) | 超越概率模型的确定方法及装置、风险评估方法及装置 | |
| CN113407520A (zh) | 一种基于机器学习的电力网络安全数据清洗系统及方法 | |
| CN112820090A (zh) | 一种基于大数据的报警系统及其实现方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210406 |