CN113052938A - 一种构建锅炉能效曲线的方法及装置 - Google Patents
一种构建锅炉能效曲线的方法及装置 Download PDFInfo
- Publication number
- CN113052938A CN113052938A CN201911361277.6A CN201911361277A CN113052938A CN 113052938 A CN113052938 A CN 113052938A CN 201911361277 A CN201911361277 A CN 201911361277A CN 113052938 A CN113052938 A CN 113052938A
- Authority
- CN
- China
- Prior art keywords
- energy efficiency
- curve
- efficiency curve
- regression
- boiler
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
Abstract
本发明公开了一种构建锅炉能效曲线的方法,包括以下步骤:S1.获取锅炉负荷率和单耗数据;S2.对步骤S1获取的数据进行预处理,去除异常点;S3.基于步骤S2获得的去除异常点的数据,利用回归的方法计算出能效曲线的回归曲线和上下界;S4.对步骤S3获得的能效曲线的回归曲线进行去噪和/或平滑。本发明提供的锅炉能效曲线的构建方法,能适应不同锅炉不同质量的数据,具有异常值去除功能,不需要给出锅炉能效的数学描述,自动给出能效曲线,并且给出能效的上下界,可以用于更精确的预警,最后,根据经验可以调节曲线的光滑程度,来避免由于样本数据不足造成的对样本噪声的拟合。
Description
技术领域
本发明涉及能源技术领域,尤其涉及一种锅炉能效曲线的构建方法及装置。
背景技术
为了给出锅炉单耗的预测值和预警范围,动态监控锅炉能效的变化,完成锅炉的智能运维,有必要对锅炉单耗和对应时间的负荷进行建模。
将蒸汽锅炉的负荷与单耗的关系用一条曲线拟合,叫做能效曲线。锅炉的能效曲线能够体现燃气锅炉在不同负荷率下的能效情况。能效曲线可以很好刻画锅炉的运行状态,然而直接利用实际采到的数据拟合能效曲线有以下几个问题:1.数据存在异常值;2.没有数学模型或公式直接给出负荷与单耗的关系,也没有一个定量的能效曲线优劣的判断标准;3.拟合出来的曲线有很多局部的波动,可以归因于样本有很多噪声。
发明内容
为了解决上述问题,本发明提供了一种锅炉能效曲线的构建方法及装置,用已知的一段时间的负荷和对应单耗的数据给出锅炉的能效曲线。
本发明提供的构建锅炉能效曲线的方法,包括以下步骤:
S1.获取锅炉负荷率和单耗数据;
S2.对步骤S1获取的数据进行预处理,去除异常点;
S3.基于步骤S2获得的去除异常点的数据,利用回归的方法计算出能效曲线的回归曲线和上下界;
S4.对步骤S3获得的能效曲线的回归曲线进行去噪和/或平滑。
在本发明的一优选实施方式中,步骤S4所述的去噪,包括如下步骤:A.选择正交小波基和分解层数J,对含噪信号进行小波变换分解到J层;B.将分解得到的小波系数进行阈值处理;C.进行小波变换的逆变换,得到去噪后的能效曲线;
步骤S4所述的平滑步骤包括:对能效曲线以移动平均进行平滑。
在本发明的一优选实施方式中,步骤S2包括如下步骤:
S21.根据步骤S1获取的数据质量,确定异常点比例;
S22.根据异常点比例和步骤S1获取的数据特点,选择确定异常点检测算法;
S23.利用异常点检测算法,检测并去除异常点。
在本发明的一优选实施方式中,所述异常点检测算法包括:孤立森林、K近邻算法、局部异常点因子、最小协方差行列式和主成分分析中的一种或几种。
在本发明的一优选实施方式中,用投票算法将孤立森林、K近邻算法、局部异常点因子、最小协方差行列式和主成分分析中的一种或几种算法集成起来,完成异常点去除步骤。
在本发明的一优选实施方式中,步骤S3中回归的方法包括:梯度回归树、回归树、加入多项式的LASSO回归和岭回归中的一种或多种。
在本发明的一优选实施方式中,当不同负荷率区间样本数相差5倍以上时,在步骤S3中利用回归的方法计算出能效曲线的回归曲线和上下界步骤中,重新对自变量采样。
在本发明的一优选实施方式中,步骤S41所述分解层数为5或6。
本发明还提供一种构建锅炉能效曲线的装置,包括:
数据获取模块,获取锅炉负荷率和单耗数据;
异常点去除模块,对数据获取模块获取的数据进行预处理,去除异常点;
曲线回归模块,基于异常点去除模块获得的去除异常点的数据,利用回归的方法计算出能效曲线的回归曲线和上下界;
去噪或平滑模块,对曲线回归模块的能效曲线的回归曲线进行去噪或平滑。
在本发明的一优选实施方式中,所述去噪或平滑模块包括去噪单元和平滑单元,
所述去噪单元,对回归曲线进行去噪,包括如下步骤:A.选择正交小波基和分解层数J;B.对含噪信号进行小波变换分解到J层;C.将分解得到的小波系数进行阈值处理,进行小波变换的逆变换,得到去噪后的能效曲线;
所述平滑单元,对去噪后的能效曲线以移动平均进行平滑。
本发明的关键点在于用机器学习的方法,将一个没有标签和目标函数的能效曲线问题分为4个步骤解决,可适用范围广,训练可配置化,算法参数容易调节。
本发明提供的锅炉能效曲线的构建方法,能适应不同锅炉不同质量的数据,具有异常值去除功能,不需要给出锅炉能效的数学描述,自动给出能效曲线,并且给出能效的上下界,可以用于更精确的预警,最后,根据经验可以调节曲线的光滑程度,来避免由于样本数据不足造成的对样本噪声的拟合。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的构建锅炉能效曲线的方法流程图;
图2是本发明的构建锅炉能效曲线的装置示意图;
图3是本发明的一实施例的PCA的异常点分析示意图;
图4是本发明的一实施例的去除异常点的样本计算出的能效曲线和上下界示意图。
图5是本发明一实施方式提供的一装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明主要通过以下技术方案来实现:一种基于异常点检测、梯度回归树和小波变换去噪的锅炉能效曲线及波动范围的自适应算法,包括无监督的异常点去除算法,利用梯度回归树来确定能效曲线和能效曲线的上下界,利用小波变换来对能效曲线进行平滑。
具体地,结合图1所示,本发明提供的构建锅炉能效曲线的方法,包括以下步骤:
S1.获取锅炉负荷率和单耗数据。
S2.对步骤S1获取的数据进行预处理,去除异常点;具体可包括如下步骤:S21.根据步骤S1获取的数据质量,确定异常点比例;S22.根据异常点比例和步骤S1获取的数据特点,选择确定异常点检测算法;S23.利用异常点检测算法,检测并去除异常点。
异常点检测算法主要是基于Python语言的开源算法包pyod,异常点检测算法主要有如下几种:
基于角度的异常点检测算法(Angle-based Outlier Detector(ABOD))
基于簇的局部异常点因子算法(Cluster-based Local Outlier Factor(CBLOF))基于直方图的异常点检测(Histogram-base Outlier Detection(HBOS))
孤立森林(Isolation Forest)
K近邻算法(K Nearest Neighbors(KNN))
平均最近邻算法(Average KNN)
局部异常点因子(Local Outlier Factor(LOF))
最小协方差行列式(Minimum Covariance Determinant(MCD))
单类支持向量机(One-class SVM(OCSVM))
主成分分析(Principal Component Analysis(PCA))
这些算法都需要一个重要的参数,就是异常点的比例,对于实际的锅炉数据,可以根据数据的质量来决定这个参数,例如,在1000个数据样本中,根据专家知识和常识发现有10个数据样本是错误的数据,则可以将异常点的比例设置为10/1000=0.01,另外,也可以按一定步长从小到大枚举这个参数,直到选定的算法将这些异常点都识别出来为止。具体用哪个算法也可以根据数据的特点来选用,如果难以抉择可以用一个投票算法将上述算法集成起来,完成异常点去除步骤。从原理上讲,LOF算法是基于距离和密度的异常检测算法,适用于不同簇密度不同的情形;孤立森林适合低维的大数据情形,内存消耗较小,速度较快,但倾向于全局异常点的数据;OCSVM适合高维的中小型数据,决策边界一般为球形,但可以用核方法拓展其适用范围;PCA和MCD原理相近,更适合于线性模型,本质上是因为异常点在小的特征值对应的特征向量上的投影更大;HBOS适用于决策边界为长方形的数据样本;K近邻相关算法适合于异常点比较分散的情形。能效数据往往有一个特点,在负荷适中的地方能效(反比于单耗)的方差较大,并且数学上能效对于负荷接近于分段线性函数,所以在能效曲线的场景上偏向于使用孤立森林,K近邻(尽量让K稍大一些,避免过拟合),LOF,MCD和PCA这几种方法。
S3.基于步骤S2获得的去除异常点的数据,利用回归的方法计算出能效曲线的回归曲线和上下界。
一般来说曲线拟合有两种思路,一个是给定曲线的方程,通过一些优化方法计算曲线的参数;另一种是曲线方程未知时,利用回归的方法给出一个模型描述自变量对因变量的关系。在Python中,利用梯度回归树(GBRT)可以方便地计算回归曲线及样本的分位数上下界。具体而言,利用sklearn的ensemble中的GradientBoostingRegressor,当loss为quantile时可以计算上下界能效曲线,当loss为ls可以计算出能效曲线。用GBRT的好处是GBRT是一个相对准确的回归方法,可以适应不同类型的数据。当然,这一步也可以利用其它回归方法,例如用考虑了过拟合的XGBoost算法包。
另外,考虑到原始样本在不同负荷率区间不均匀的问题,例如当不同负荷率区间样本数相差5倍以上时,可以在回归中重新对自变量采样,这样最终作出的曲线会光滑一些。
S4.对步骤S3获得的能效曲线的回归曲线进行去噪和/或平滑,其中去噪包括如下步骤:A.选择正交小波基和分解层数J,对含噪信号进行小波变换分解到J层;B.将分解得到的小波系数进行阈值处理;C.进行小波变换的逆变换,得到去噪后的能效曲线;步骤S4所述的平滑步骤包括:对去噪后的能效曲线以移动平均进行平滑。
由于影响能效的因素有很多,不仅仅和负荷有关,并且样本量在不同负荷区间上并不一致,可能在某些区间样本过少,所以第二步拟合的能效曲线及其上下界可能拟合了很多噪声,表现在能效曲线上便是很多局部的波动。所以需要一个通用的步骤来进行去噪或者平滑。这里用的是小波滤波的方法。小波理论是根据时频局部化的要求而发展起来的,用小波去噪有两个显著的优势:自适应和数学显微镜性质,特别适合非平稳,非线性数据的处理。小波去噪的方法可以分为下面3个步骤:A.选择合适的正交小波基和分解层数J,对含噪信号进行小波变换分解到J层。在锅炉能效曲线的应用中,J一般取5或者。B.将分解得到的小波系数进行阈值处理,有硬阈值和软阈值法,软阈值法有更好的统计性质。C.进行小波变换的逆变换,得到去噪后的曲线。进行小波去噪后,如果发现曲线仍然不够光滑,可以再用移动平均进行平滑。
结合图2所示,本发明的构建锅炉能效曲线的装置,包括:
数据获取模块10,获取锅炉负荷率和单耗数据;
异常点去除模块20,对数据获取模块10获取的数据进行预处理,去除异常点;
曲线回归模块30,基于异常点去除模块20获得的去除异常点的数据,利用回归的方法计算出能效曲线的回归曲线和上下界;
去噪或平滑模块40,对曲线回归模块30的能效曲线的回归曲线进行去噪或平滑。
在本发明的一优选实施方式中,所述去噪或平滑模块包括去噪单元410和平滑单元420,
去噪单元410,对回归曲线进行去噪,包括如下步骤:A.选择正交小波基和分解层数J;B.对含噪信号进行小波变换分解到J层;C.将分解得到的小波系数进行阈值处理,进行小波变换的逆变换,得到去噪后的能效曲线;
平滑单元420,对去噪后的能效曲线以移动平均进行平滑。
以下以一具体实施例对本发明进行进一步说明:
原始数据是一个蒸汽锅炉的负荷率和单耗的一个月的数据,其中,负荷率在小于20和大于85的样本比较少,如图3所示。
如上图所示,最原始样本横坐标是负荷率,纵坐标是单耗,其中负荷率的单位是1%,单耗的单位是m3/t,即每吨蒸汽耗燃气方数。
根据对数据样本的分析,结合单耗计算的逻辑,可知位于(0,0)点和单耗过大的点是异常值,大约有7个,总样本数大约接近700个,可知异常点的比例大约1%.由于数据非常线性,所以直接用PCA去除异常点。去除异常点后,参考图3,我们用GBRT来进行回归,其中,GBRT的参数设置为250棵树,树最大深度设置为3,学习率为0.1,最小叶子节点样本数为9,用quantile损失函数alpha为0.99计算上界,用quantile损失函数alpha为0.01计算下界,用ls损失函数计算能效曲线。然后将三条曲线进行小波去噪,分解层数为5,用db4小波族进行小波分解,用软阈值法进行收缩。小波去噪之后,曲线还是会有一些对噪声的过拟合,所以最后用一个简单的移动平均方法进行了平滑,移动平均平滑的窗口大小为样本数的1/10,最后的能效曲线及上下界如图4所示。
图5是本发明实施例提供的一种构建锅炉能效曲线的方法的装置的结构示意图。在硬件层面,该服务器包括处理器701以及存储有执行指令的存储器702,可选地还包括内部总线703及网络接口704。其中,存储器702可能包含内存7021,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器7022(non-volatilememory),例如至少1个磁盘存储器等;处理器701、网络接口704和存储器702可以通过内部总线703相互连接,该内部总线703可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(Extended Industry Standard Architecture,扩展工业标准结构)总线等;所述内部总线703可以分为地址总线、数据总线、控制总线等,为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。当然,该服务器还可能包括其他业务所需要的硬件。当处理器701执行存储器702存储的执行指令时,处理器701执行本发明任意一个实施例中所述的方法,并至少用于执行:在一种可能实现的方式中,处理器从非易失性存储器中读取对应的执行指令到内存中然后运行,也可从其它设备上获取相应的执行指令,以在逻辑层面上形成获取微电网的优化交易方案的方法的装置。处理器执行存储器所存放的执行指令,以通过执行的执行指令实现本发明任一实施例中提供的构建锅炉能效曲线的方法。
处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本发明实施例还提供了一种计算机可读存储介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述电子设备执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图5构建锅炉能效曲线的方法的装置备所示;执行指令构建锅炉能效曲线的方法是所对应计算机程序。
本领域内的技术人员应明白,本发明的实施例可提供为方法或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。
Claims (10)
1.一种构建锅炉能效曲线的方法,其特征在于,包括以下步骤:
S1.获取锅炉负荷率和单耗数据;
S2.对步骤S1获取的数据进行预处理,去除异常点;
S3.基于步骤S2获得的去除异常点的数据,利用回归的方法计算出能效曲线的回归曲线和上下界;
S4.对步骤S3获得的能效曲线的回归曲线进行去噪和/或平滑。
2.根据权利要求1所述的构建锅炉能效曲线的方法,其特征在于,步骤S4所述的去噪,包括如下步骤:A.选择正交小波基和分解层数J,对含噪信号进行小波变换分解到J层;B.将分解得到的小波系数进行阈值处理;C.进行小波变换的逆变换,得到去噪后的能效曲线;
步骤S4所述的平滑步骤包括:对能效曲线以移动平均进行平滑。
3.根据权利要求1所述的构建锅炉能效曲线的方法,其特征在于,步骤S2包括如下步骤:
S21.根据步骤S1获取的数据质量,确定异常点比例;
S22.根据异常点比例和步骤S1获取的数据特点,选择确定异常点检测算法;
S23.利用异常点检测算法,检测并去除异常点。
4.根据权利要求3所述的构建锅炉能效曲线的方法,其特征在于,所述异常点检测算法包括:孤立森林、K近邻算法、局部异常点因子、最小协方差行列式和主成分分析中的一种或几种。
5.根据权利要求4所述的构建锅炉能效曲线的方法,其特征在于,用投票算法将孤立森林、K近邻算法、局部异常点因子、最小协方差行列式和主成分分析中的一种或几种算法集成起来,完成异常点去除步骤。
6.根据权利要求1所述的构建锅炉能效曲线的方法,其特征在于,步骤S3中回归的方法包括:梯度回归树、回归树、加入多项式的LASSO回归和岭回归中的一种或多种。
7.根据权利要求1所述的构建锅炉能效曲线的方法,其特征在于,当不同负荷率区间样本数相差5倍以上时,在步骤S3中利用回归的方法计算出能效曲线的回归曲线和上下界步骤中,重新对自变量采样。
8.根据权利要求1所述的构建锅炉能效曲线的方法,其特征在于,步骤S41所述分解层数为5或6。
9.一种构建锅炉能效曲线的装置,其特征在于,包括:
数据获取模块,获取锅炉负荷率和单耗数据;
异常点去除模块,对数据获取模块获取的数据进行预处理,去除异常点;
曲线回归模块,基于异常点去除模块获得的去除异常点的数据,利用回归的方法计算出能效曲线的回归曲线和上下界;
去噪或平滑模块,对曲线回归模块的能效曲线的回归曲线进行去噪或平滑。
10.根据权利要求9所述的构建锅炉能效曲线的装置,其特征在于,
所述去噪或平滑模块包括去噪单元和平滑单元,
所述去噪单元,对回归曲线进行去噪,包括如下步骤:A.选择正交小波基和分解层数J;B.对含噪信号进行小波变换分解到J层;C.将分解得到的小波系数进行阈值处理,进行小波变换的逆变换,得到去噪后的能效曲线;
所述平滑单元,对去噪后的能效曲线以移动平均进行平滑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911361277.6A CN113052938A (zh) | 2019-12-26 | 2019-12-26 | 一种构建锅炉能效曲线的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911361277.6A CN113052938A (zh) | 2019-12-26 | 2019-12-26 | 一种构建锅炉能效曲线的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113052938A true CN113052938A (zh) | 2021-06-29 |
Family
ID=76505144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911361277.6A Pending CN113052938A (zh) | 2019-12-26 | 2019-12-26 | 一种构建锅炉能效曲线的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052938A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933107A (zh) * | 2023-07-24 | 2023-10-24 | 水木蓝鲸(南宁)半导体科技有限公司 | 数据分布边界确定方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063480A (zh) * | 2014-07-02 | 2014-09-24 | 国家电网公司 | 一种基于电力大数据的负荷曲线并行聚类方法 |
CN109611815A (zh) * | 2018-12-28 | 2019-04-12 | 新奥数能科技有限公司 | 一种燃气蒸汽锅炉的能耗报警管理方法及装置 |
CN109840312A (zh) * | 2019-01-22 | 2019-06-04 | 新奥数能科技有限公司 | 一种锅炉负荷率-能效曲线的异常值检测方法和装置 |
CN109857984A (zh) * | 2019-01-22 | 2019-06-07 | 新奥数能科技有限公司 | 一种锅炉负荷率-效能曲线的回归方法和装置 |
-
2019
- 2019-12-26 CN CN201911361277.6A patent/CN113052938A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063480A (zh) * | 2014-07-02 | 2014-09-24 | 国家电网公司 | 一种基于电力大数据的负荷曲线并行聚类方法 |
CN109611815A (zh) * | 2018-12-28 | 2019-04-12 | 新奥数能科技有限公司 | 一种燃气蒸汽锅炉的能耗报警管理方法及装置 |
CN109840312A (zh) * | 2019-01-22 | 2019-06-04 | 新奥数能科技有限公司 | 一种锅炉负荷率-能效曲线的异常值检测方法和装置 |
CN109857984A (zh) * | 2019-01-22 | 2019-06-07 | 新奥数能科技有限公司 | 一种锅炉负荷率-效能曲线的回归方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933107A (zh) * | 2023-07-24 | 2023-10-24 | 水木蓝鲸(南宁)半导体科技有限公司 | 数据分布边界确定方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maya et al. | dLSTM: a new approach for anomaly detection using deep learning with delayed prediction | |
CN109711440B (zh) | 一种数据异常检测方法和装置 | |
Boashash et al. | A review of time–frequency matched filter design with application to seizure detection in multichannel newborn EEG | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
US11892819B2 (en) | Control device, control system, control method, and computer-readable storage medium | |
Wang et al. | Decision tree based control chart pattern recognition | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
JP2020052520A (ja) | 判定装置、判定方法、およびプログラム | |
CN112149909A (zh) | 船舶油耗预测方法、装置、计算机设备和存储介质 | |
CN113052938A (zh) | 一种构建锅炉能效曲线的方法及装置 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
JP2014041565A (ja) | 時系列データ解析装置、方法、及びプログラム | |
Giannetti | A framework for improving process robustness with quantification of uncertainties in Industry 4.0 | |
CN111524023A (zh) | 温室调节方法及系统 | |
CN115270861A (zh) | 一种产品成分数据监测方法、装置、电子设备及存储介质 | |
CN103942615B (zh) | 噪点剔除方法 | |
US20220101187A1 (en) | Identifying and quantifying confounding bias based on expert knowledge | |
JP2015228182A (ja) | 変化点検出装置、変化点検出方法、及びコンピュータプログラム | |
CN114676593A (zh) | 一种纺织设备的异常检测方法及相关装置 | |
CN110458383B (zh) | 需求处理服务化的实现方法、装置及计算机设备、存储介质 | |
CN114065815A (zh) | 基于eemd与神经网络的变压器局部放电识别方法及系统 | |
US20200143283A1 (en) | Time-series feature extraction apparatus, time-series feature extraction method and recording medium | |
CN113255927A (zh) | 逻辑回归模型训练方法、装置、计算机设备和存储介质 | |
CN114648646B (zh) | 一种图像分类方法及装置 | |
JP7112924B2 (ja) | 情報処理装置、情報処理方法、およびプログラム |
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 |